基于机器学习算法的5G重点业务KQI和KPI关系研究.docxVIP

28

28 2022/10/DTPT

基于机器学习算法的

5G重点业务KQI和KPI关系研究

0引言

服务质量（QoS）根据关键性能指标（KPI）来定义，可反映网络质量，如丢包、延迟和抖动的情况。体验质量（QoE）则表示用户主观感知的质量，用关键质量指标（KQI）表示，例如“非常好”“好”“差”。KPI不是面向应用服务的，没有考虑用户业务感知，只能反映部分网络性能。即使KPI正常时，也存在用户业务感知

——————————

基金项目：教育部2021年第2批产学合作协同育人项目《Py?thon3入门机器学习》课程改革与实践（202102041003）；中国电子劳动学会“产教融合、校企合作”教育教学改革课题研究项目（Ciel2021271）

收稿日期：2022-08-26

差的情况。5G网络采用网络切片技术，旨在提供具有不同业务需求的端到端应用。预计未来几年，5G网络业务感知问题主要依靠KQI指标优化定界。由于KQI指标涉及网元多，数据流程长，端到端影响因素众多等问题，运维人员主要靠专家经验数据判断，准确定位问题原因较难。随着计算机处理性能的不断提升，机器学习算法得到了较好发展，例如线性回归（LR）、逐步线性回归（SWLR）、支持向量回归（SVR）、随机森林回归（RFR）和决策树回归（DTR）等机器学习算法在行业都得到了较好应用［1-2］。为了改善用户业务感知，提升网络运行性能，本文提出基于机器学习算法的KQI与KPI指标关系分析模型，重点评估5G网络中端到端视频业务和文件下载业务的业务感知质量模型，探索关键质量指标（KQI）与底层KPI指标的关系。

1算法总体框架

QoS通过KPI表示，QoE通过KQI表示，最终用户所体验的KQI可以由KPI通过复杂的映射关系来确定［3］。本文选择机器学习算法完成KPI到KQI指标的映射分析。总体建模框架如图1所示，包含3个阶段：数据收集阶段、训练阶段和应用阶段。这种模型框架允许使用直接测量的KPI指标（如DT测试、UE信令跟踪）或基于OTT收集的数据集来训练模型，运营商可以通过调整配置参数来优化网络，该模型甚至可以预测出未知的业务感知指标。

在此阶段，该模型还考虑了额外获取数据集的可能性，以重新训练模型，处理之前无法获得的数据。

2算法模型设计

2.1测试网络环境

为了收集测试数据，利用中国移动某省的5G实验网络，包括10个5G宏站，5个5G室分站点，1套包含AMF、SMF、UPF和计费网元的网元结构。所有参数设置可以通过iManagerU2000客户端进行自助配置。数据收集部分包括1个测试终端UE、pioneer测试软件、GPS和1个应用服务器组成。

在数据收集阶段，pioneer测试软件收集UE在不

UE

gNBEPC

KPI指标

KQI指标

机器算法模型

已评估的

KQI

同参数配置下的训练数据集，测试开始时，UE收集网

络无线KPI指标，启动业务服务时，pioneer测试软件收

数据收集阶段 训练阶段 应用阶段

图1算法总体框架

测量数据集作为模型的输入，来源于无线侧KPI参数、无线基站配置参数、DT测试数据和采集的KQI指标数据。此外，网络和配置参数以及其他数据集，也包括用户设备（UE）和应用程序层服务所在的服务器之间路径上的中间网络的信息，如核心网、传输网、Internet骨干网和应用程序提供者的网络。

训练阶段将前面收集的数据集合作为模型的输入，将KQI与其他指标关联起来。这里选择监督回归技术对KQI与KPI的关系进行建模分析。为了防止过拟合问题，这里使用经典的K-Fold交叉验证算法，它将原始数据分成K组（K-Fold），将每个子集数据分别做一次验证集，其余的K-1组子集数据作为训练集，这样会得到K个模型。这K个模型分别在验证集中评估结果，最后对误差MSE（MeanSquaredError）加权平均就得到交叉验证误差。为了评价模型质量，引入决定系数R2来判断回归方程拟合的程度，该系数表示目标变量的预测值和实际值之间的相关程度平方的百分比，是评价模型质量的常用系数之一。R2为1表示该模型可以完美的预测数据，R2为0表示完全无法预测数据。同时采用RMSE（均方根误差）衡量预测值与真实值之