一种5G用户语音质差无线根因定位方法及实现

杨新敢

（中国移动通信集团福建有限公司网络部，福建 福州 35000）

引言

现有5G 用户语音投诉问题定位，一般是通过现场测试复现、问题位置基站的指标分析、大数据话单遍历基站性能分析。传统解决

1 整体架构及分析规则

1.1 整体架构

本工具根据《中国移动5G 上网日志留存系统技术规范》采集的各接口大数据话单，通过N1N2、4/5GMRO、指纹库和S1MME 等大数据接口表，识别用户通话感知异常的大数据话单特征，并下钻至秒级“RTP 质差切片”详单，后台自动关联MRO、参数、性能和故障等多维分析；研究大数据语音质差与各维度性能指标劣化拐点，科学的制定各指标劣化门限及权重，并运用AHP 算法，关联出各项子因的置信度，根据置信度高低输出语音质差和异常事件根因，实现用户5G 语音质差端到端根因定位[1]。图1 为该工具架构及原理图。

1.2 语音异常话单识别

通过大数据话单特征与实际感知研究，制定语音异常话单识别规则将用户投诉现象“翻译”成网络语言。

根据《中国移动5G 上网日志留存系统技术规范》采集的接口大数据话单，通过“合成VoLTE 信令接口表”表中的“Procedure_Type、Procedure_Status、dantong_D1、dantong_U1、dantong_D2、dantong_U2、tunzi_D1、tunzi_U1、tunzi_D2、tunzi_U2、5G_flag1、5G_flag2”等关键字段，按照以下规则识别用户语音通话未接通、听不清、掉话的异常话单：

1）未接通:[流程类型编码]=(50,51,52,60,100,101,102)其中的一个值and[sip 主流程状态]=(0,2,4)（0为异常超时，2 为呼叫建立failed，4 为timeout）and[呼叫接通时长]=0and[主叫通话时长]=0and[异常释放原因]≠(1,16,17,19,20,21,27,28,31,48,200,401,407,487,491)。

2）掉话：[流程类型编码]=(50,51,52,60,100,101,102)其中的一个值 and [sip 主流程状态]=5。

3）语音质差：[流程类型编码]=('50','51','52','60','100'','101','102')and and [主叫通话时长]>'0'and（主叫上行(dantong_U1+duanxu_U1+tunzi_U1)>2or主叫下行(dantong_D1+duanxu_D1+tunzi_D1)>2）。

1.3 异常话单定界

对识别出的语音异常话单，从“注册问题、鉴权问题、视频彩铃单通、CSFB、ESRVCC、异常占用公/ 专网”进行定界，并通过“Pb_call_side、dantong_U1/U2/D1/D2、duanxu_U1/U2/D1/D2、tunzi_U1/U2/D1/D2”按照算法进一步形成“本端、对端、无线、核心网”的“二维四象”定界。

1.4 RTP 秒级切片详单分析

对存在语音质差的通话话单，进一步通过媒体面RTP 切片级详单，关联用户实时上报的MRO、性能指标分析，实现二级根因定位，较传统定位方法再往前一步，如传统只定位到根因为弱覆盖（一级根因），而本算法可定位到邻区故障导致的弱覆盖（二级根因）。

RTP 秒级详单获取：通过“用户手机号码+时间+MME_UE_S1AP_ID”字段关联RTP_MOS 质差详单接口表，下钻用户通话异质差期间秒级切片话单。

质差切片特征识别：根据RTP 质差详单接口表中满足[上行语音质差标识]=11 或12 或21 或31 或32 或33，标识“上行语音质差”；满足[下行语音质差标识]=11 或12 或21 或31 或32 或33，标识“下行语音质差”；若满足两个相邻间的记录同时满足[上行MOS]0），标识“上行MOS 低”；满足两个相邻间的记录同时满足[下行MOS]0），标识“下行MOS 低”。

RTP 质差切片分析：关联用户级MRO、小区性能指标、网管参数、基站告警、邻区配置等，从“切换不及时、邻区漏配、邻区故障、上/下行弱覆盖、频繁切换、小区高负荷、高干扰、高重叠覆盖、MOD3”等多个维度分析定位，关键算法如下所述。

1）主服故障：判断质差切片话单的eNode B IP，关联S1MME，确定用户占用的CELL ID，查询“全量告警表”中对应时间对应小区是否存在影响业务重要告警（如驻波）。

2）邻区故障：判断语音质差通话时段内用户位置周边300 m 范围内小区且用户与小区的经纬度连线与正北方向的角度（0～360°）夹角在该小区方位角±60°范围内的小区是否存在告警。

3）切换不及时：质差切片关联的MRO 数据，满足“[邻区参考信号接收功率]＞35 and[邻区参考信号接收功率]-[服务小区的参考信号接收功率]≥6 and[邻小区ECI]不在邻区漏配清单中”,则判定为切换不及时。

4）下行弱覆盖：服务小区的参考信号接收功率≤30，且主服无告警、邻区无故障、无邻区漏配、无切换不及时则判定为下行弱覆盖。

5）上行弱覆盖：满足（“服务小区参考信号功率”+0.2）-（服务小区的参考信号接收功率-140）>120，且“(邻区的参考信号接收功率-服务小区的参考信号接收功率）≥6”则判断为上行弱覆盖。

6）频繁切换：满足RTP 语音质差切片的[上行RTP 结束时间]≥《S1-MME 接口表》中对应的[业务流程开始时间]≥[上行RTP 结束时间]-3s 的记录中，[流程类型编码]="14or15or16"的记录数≥5，则判定为频繁切换。

7）高负荷：查询语音质差切片占用的小区的15 min 粒度负荷相关指标，若对应的max(上行PRB平均利用率，下行PRB 平均利用率,PDCCH 信道CCE占用率)≥70%，则判定为用户当时占用的小区存在高负荷。

8）高干扰：满足RTP 质差切片占用的小区对应时间点的小区15 min 上行平均干扰指标大于-105 dbm，或（lteScCRS+0.2-（lteScRSRP-140）<120）and（lteScPHR-23<5）任一条件则判定为上行干扰。

9）高重叠覆盖：RTP 质差切片时间点，同时满足主服小区与邻区频点绝对值-6，且主服务小区的参考信号接收功率＞30 的邻区数量，去重后≥3 个，则判定为下行高重叠覆盖。

10）MOD3 干扰：RTP 质差切片时间点，同时满足主服小区与邻区频点绝对值-6，且主服务小区的参考信号接收功率＞30，服务小区与邻区的物理小区识别码mod3 取余数相等，则判定为下行MOD3 干扰。

2 KQI 与KPI 质差门限拟合研究

传统根据专家经验确定的门限，并不是最优最合理值，通过专项研究，基于大数据、性能指标的质差门限拟合，算法规则与曲线趋势特征，制定各性能指标门限，科学制定劣化拐点门限及影响权重。通过大数据分析上行MOS、上行丢包率、上行平均时延（ms）与覆盖、干扰、负荷的关系曲线，制定不同指标不同劣化程度的分区间影响权重，如根据曲线结果将覆盖指标RSRP分为五个区间（-130、-125、-120、115、-110dbm），分别置于单项最高(10、8、6、4、2）的分数用于表征当前RSRP 值对质差切片的影响权重。

3 主次根因识别算法

通过RTP 质差切片话单聚合，对集合内的各条话单子因，采用阶梯染色评分法及AHP 算法权重判断，最终自动输出每通异常通话的主根因、次根因。

AHP 层次分析法：是一种将定性与定量分析方法相结合的多目标决策分析方法。该法的主要思想是通过将复杂问题分解为若干层次和若干因素，对两两指标之间的重要程度作出比较判断，建立判断矩阵,通过计算判断矩阵的最大特征值以及对应特征向量,就可得出不同方案重要性程度的权重，为最佳方案的选择提供依据。AHP 层次分析法用于多根因判断的简要示例如下。

1）待决策问题：某个地点存在两种根因：RSRP 差和RRC 重建比例质差，请找出主根因。

2）建立评判指标：上行MOS 上行丢包率上行平均时延。

3）根据该地点RSRP 和RRC 重建比例的具体打分，构建判断矩阵，生成一致矩阵，计算每个根因的具体得分。

4 工具创新点

本工具将大数据、性能、MRO 等多数据源一站式关联分析一键式操作，实现基于信息安全的根因定位分析。创新性的实现秒级切片大数据分析，大幅提升了问题的分析精度[2]；主次因识别算法，让解决方案更突显，也提升了网络自动驾驶能力；该算法模块化封装，可移值嵌套至手机APP 端，实现随时随地一部商用终端既可完成投诉根因定位。

4.1 秒级切片大数据二级根因分析

较传统分析方法，本工具算法下钻至秒级切片，并对关联用户级弱覆盖，深度分析是否邻区漏配、参数配置、主服小区故障等导致，识别弱覆盖真正原因，突破原有的覆盖、干扰、容量根因归类，实现语音质差二级根因定位能力，优化人员无需二次分析。重要场景感知、用户信令异常分析模块均应用到大数据。

4.2 大数据与KPI 质差门限拟合

本工具在制定KPI 质差门限及影响权重时，通过分析大数据感知与性能指标的曲线趋势，以及更加科学的研究指标拐点值，将研究结果采用区间评分制，既实现对各子因的全面分析，又实现了各因素的影响大小，为后续的主次根因识别提供样本。

4.3 主次因识别算法

本工具采用阶梯染色法、AHP 层次分析算法，对各质差话单、各维度子因进行全面评估，自动输出问题主根因，解决了智能化分析中有多个原因但主因不确定的问题，输出的主根因可进一步转化为优化措施，一线人员可直接根据该方案执行，对参数类也可直接调整智能参数平台自动优化。

4.4 可移植性强

本工具及算法可作一个模块移植到日常优化测试、投诉处理工单流程中，自动定位语音质差问题，并回填最终主根因及优化措施，供处理人员查看，提升日常生产效率；同时该算法可通过接口形式调用或嵌套到手机APP 中部署，一线前端生产人员仅通过一部普通商用手机即可完成用户语音质差定位，为优化人员提供有力的支撑。

5 结语

本工具实现了秒级大数据切片分析，通过用户级大数据回溯，精准复盘用户问题，并研究感知与质差门限拟合，科学制定劣化门限与权重。引入阶梯染色法、AHP 算法，精准识别语音通话异常的主次根因，更有效的指导一线优化人员解决问题。在便捷安全方面，所有数据后台集成、一键操作，并采取用户授权安全策略，在高效的同时保证了用户隐私。为日常语音质差问题优化提供了有效支撑，也大幅提升了网络自动驾驶能力。

-全文完-