中国电信3G业务规模发展优化手册(上海贝尔分册)

中国电信3G业务规模发展优化手册（上海贝尔分册）

中国电信集团公司网运部

中国电信上海公司

二零一二年六月

中国电信集团公司

编写说明：

为指导3G业务规模发展情况下的网优工作，集团公司组织开展专项研究并编写了《中国电信3G业务规模发展优化手册》（上海贝尔分册），对上海贝尔区域的终端业务模型、网络负荷评估、网络优化应对策略和无线资源负荷预警监控机制进行说明，并附加具体案例。

编制单位：

中国电信集团公司网运部

中国电信上海公司

中国电信上海研究院

高通公司

上海贝尔公司

中通服网优技术公司

编制历史：

第2页/共143页

中国电信集团公司

目录

1概述 (6)

2终端业务模型分析 (7)

2.1分析思路 (7)

2.1.1业务研究 (7)

2.1.2终端研究 (8)

2.1.3用户模型 (8)

2.2分析算法 (8)

2.2.1用户区分标识 (9)

2.2.2模型分类算法 (9)

2.2.3性能分类算法 (12)

2.2.4用户群匹配模型算法 (13)

2.2.5时间均分算法 (14)

2.2.6连接模型算法 (14)

2.3模型特征 (15)

2.3.1时域 (15)

2.3.2地域 (17)

2.3.3统计方式 (18)

2.3.4智能手机(iPhone)模型 (21)

2.4分析工具 (29)

2.4.1终端分类工具 (29)

2.4.2终端模型分析工具 (35)

3网络负荷评估 (36)

3.1分析流程 (36)

3.2月度走势分析 (37)

3.2.1网络侧 (37)

3.2.2业务侧 (37)

3.2.3终端侧 (38)

3.3忙时分析 (38)

3.3.1忙时定义 (38)

3.3.2PCMD数据评估 (39)

3.3.3KPI指标评估 (41)

3.3.4特性分析 (43)

3.4终端侧评估 (44)

3.4.1分析算法 (44)

3.4.2性能测试 (45)

3.4.3小结 (46)

第3页/共143页

中国电信集团公司

3.5业务侧评估 (46)

3.5.1测试目的 (47)

3.5.2测试方法 (47)

3.5.3注意事项 (48)

3.5.4测试结果 (49)

3.5.5策略建议 (49)

4网络问题优化策略 (52)

4.1总体优化流程 (52)

4.2策略应对和优化调整 (53)

4.2.1策略应对总体分析流程 (53)

4.2.2策略一-休眠机制 (55)

4.2.3策略二-负荷控制机制 (57)

4.2.4策略三-切换机制 (58)

4.2.5策略四-规划机制 (61)

4.2.6策略五-寻呼机制 (63)

4.2.7策略六-接入机制 (65)

4.2.8网络基础优化应对策略 (68)

4.3优化效果评估 (69)

4.3.1资源占用 (69)

4.3.2网络性能 (70)

5网络负荷预警和负荷预测机制 (71)

5.1分析思路 (71)

5.2资源负荷门限分析 (71)

5.2.1信令信道门限 (72)

5.2.2前向业务信道 (75)

5.2.3反向业务信道 (76)

5.2.4设备负荷 (77)

5.3无线资源负荷预估流程 (77)

5.4预估结果 (79)

6附录-案例汇总 (80)

6.1网络优化策略实施案例 (80)

6.1.1策略一-休眠机制 (80)

6.1.2策略二-负荷控制机制 (81)

6.1.3策略三-切换机制 (82)

6.1.4策略四-规划机制 (85)

6.1.5策略五-寻呼机制 (88)

6.1.6策略六-接入机制 (91)

6.1.7基础优化-DO载频边界优化 (93)

6.2资源预估案例 (100)

6.2.1预测用户模型 (100)

第4页/共143页

中国电信集团公司

6.2.2预测门限 (100)

6.2.3资源预估案例 (100)

6.3终端性能分析案例及策略建议 (102)

6.3.1终端性能分析 (102)

6.3.2终端异常处理机制 (105)

6.3.3特殊业务（QCHAT）终端问题分析 (112)

6.4业务分析案例及策略建议 (113)

6.4.1典型业务(BE)研究 (114)

6.4.2QoS业务(QCHAT)研究 (120)

6.5测试案例 (123)

6.5.1业务测试案例 (123)

6.5.2性能测试案例 (126)

6.6R APID D ORMANCY功能 (127)

6.7智能手机实时监控方法 (129)

6.7.1分析思路 (129)

6.7.2流程 (130)

6.7.3方法 (130)

6.7.4工具 (132)

6.8相关表格 (133)

6.8.1统计表格 (133)

6.8.2参数表格 (140)

第5页/共143页

中国电信集团公司

1概述

根据集团公司《2012年无线网络优化工作要点》要求，集团公司网运部组织上海公司、广东公司和四川公司作为EvDO优化的试点省，深入分析智能手机规模发展下DO网络特性和规律；跟踪、研究、分析终端的业务特性、对网络影响等问题，建立终端业务模型，并根据该业务模型预测业务规模发展下网络可能存在的问题，完善各种无线资源负荷监控预警机制等，为快速解决业务规模发展下影响网络的普遍性问题和用户集中投诉问题做提前预研；形成一整套分析思路、流程、方法和工具手段等，并将研究成果编制形成优化手册。总册主要概括分析3G业务规模发展下网络特性分析与问题应对的分析思路、流程、方法等，分册分设备区（本分册为上海贝尔区域）对终端业务模型、网络负荷评估、网络优化应对策略和无线资源负荷预警监控机制进行说明。

本分册主要从以下四方面阐述了相关分析思路和流程方法：

终端业务模型分析

对不同终端类型的业务模型进行分析研究，以分析3G网络规模应用和智能手机普及带来的用户使用特性变化，并掌握随着业务应用不断变化带来的网络业务模型的变化。

网络负荷评估

结合终端模型特征，从网络侧、终端侧、业务侧综合对网络进行全面评估，发掘新的终端业务模型对网络带来的冲击影响。

网络问题优化策略

针对网络评估发现的网络可能面对的问题，采取对应的优化流程，通过网络侧的六大机制对网络资源进行全面优化。

网络负荷预警和负荷预测机制

在解决现网问题的基础上，持续关注网络资源配置和用户变化情况，对网络资源负荷进行监控，并针对可能存在的瓶颈及时预警并采取相应的措施。

此外，本分册还提供了相应的优化效果评估方法，并通过具体案例说明分析方法。

第6页/共143页

中国电信集团公司

2终端业务模型分析

2.1分析思路

2.1.1业务研究

根据业务占用资源特性的差异，可以将业务分为连接类和流量类两大类：

连接类：传输数据量小，有效传输包占比较小，使用这类应用时用户对资源可用性较敏感，对带宽不敏感。如：网页浏览、即时通信、微博等应用。

流量类：传输数据量大，有效传输包占比较大，使用这类应用时用户对资源可用性以及带宽均较敏感。如：P2P下载、在线视频等应用。

针对近期3G多元化业务和智能手机的迅猛发展，网络业务形态和用户行为迅速转变的现状，以及智能手机的使用业务特性，本分册选定连接类业务为主要对象。建立业务模型和分析业务特性时，采用连接特性和流量特性两大维度，以突显不同业务对不同资源的需求特性。

第7页/共143页

中国电信集团公司2.1.2终端研究

根据用户使用习惯和PCMD的初步分析结果，不同终端类别的用户业务模型有较大差异。因此，本分册将终端按照主要功能分为智能手机、普通手机和数据卡三大类：

智能手机：采用开放式的操作系统，支持多元化的网络应用程序，业务发展迅速。

移动性较强，应用以连接类业务为主。

普通手机：采用Brew和其他一些比较低端的操作系统，网络应用较单一，以网页流量等基本应用为主。

数据卡：仅作为接入终端，业务以PC应用为主。移动性弱。

业务模型和性能分析都将采用以上三类终端维度进行统计。针对近期智能手机的迅速普及以及智能手机的使用业务特性，本分册以智能手机为主要对象。

2.1.3用户模型

多元化业务应用最终在用户粒度汇聚，为更贴近反映多元化业务应用汇聚后对无线侧资源的占用特性。根据业务研究特点（以连接类业务为主）和终端研究特点（以智能手机为主），确立了以用户为粒度，按终端类别进行分类，以连接类业务特征为维度，建立基于PCMD的用户业务评估模型。

2.2分析算法

结合话单、终端信息等数据建立算法，形成基于终端类型的基本用户业务模型。

第8页/共143页

中国电信集团公司2.2.1用户区分标识

在进行用户级分析之前，需要先找到区分用户的方法。在CDMA系统中存在多种码作

为区分用户的标识：

1.IMSI: 移动用户识别码/国际移动用户识别码（International Mobile Subscriber

Identity），用于唯一识别移动用户的一个号码，共有15位十进制数。

2.MIN: 移动台标识号（Mobile Identification Number），用于唯一识别移动用户的一

个号码，共有10位十进制数。中国CDMA移动网络的IMSI和MIN号的对应关

系为46003+MIN=IMSI。

3.ESN: 电子序列号（Electronic Serial Number）终端的唯一标识，用于唯一识别3G

移动台设备，长度32比特。

4.MDN: 移动台电话号码（Mobile Directory Number）MDN号码为本网移动用户作

被叫时，主叫用户所需拨的号码。

5.AKEY: 一个同时保存在移动台及相关交换机的鉴权中心的一个64-bit的值。它被

用作CAVE算法的输入，以生成SSD。AKEY仅在移动台与AC中保存，不能在

其它任何接口上传送。

6.MEID: 移动台设备标识(Mobile Equipment Identifiers) 用于唯一识别3G移动台设

备。包含56个比特。

通过以上六类标识或号码定义，可以看出用户区分主要分成两类：1）移动终端号码区分；2）用户号码区分。针对中国机卡分离的特性，需要特别关注UIM卡和终端对用户分

类的影响。结合呼叫测量记录中对1X和1X EVDO网络的用户号码定义，将做如下区分：

1.1X呼叫测量记录：包含MIN、IMSI、ESN、MDN号码

2.1X EVDO呼叫测量记录：包括MIN、IMSI、ESN、MEID号码

根据号码的唯一标识性，将选用IMSI、ESN/MEID作为分析算法中的用户索引信息。2.2.2模型分类算法

2.2.2.1属性分类

首先，需要确定使用的主要数据来源和用户标识：

1.1X EVDO呼叫测量记录：用户信息索引为ESN/MEID，IMSI

2.1X呼叫测量记录：用户信息索引为MIN。根据MIN号提取相关信息时，选择service

option为1、3和68的语音业务，以此判断是否为手机终端用户。通过

46003+MIN=IMSI对应关系，可建立1X和1X EVDO呼叫测量记录的关联关系。

第9页/共143页

中国电信集团公司

3.终端信息表：ESN/MEID与终端类型的对应表。用户信息索引为ESN/MEID 。列

入此表的均为手机终端用户，并且包含此手机的具体型号。

然后，结合以上数据源将用户终端分为以下几类：

1.IMSI出现在EVDO话单中，并且在1X中进行过语音呼叫：手机

2.ESN/MEI和IMSI在终端信息表中：手机

3.不符合以上条件，但有可用IMSI：数据卡

4.不符合以上所有条件：未知

通过分类算法，可对数据卡和手机进行分类。如需要进行细致化的用户模型分析，可以采用属性分类方式（如操作系统、套餐等）。由于智能手机是目前的一个关注焦点，因此本分册采用了操作系统的属性分类方式，将手机终端分类需进一步细化，以判断用户行为的差异性。具体分类如下：

1.数据卡：只使用EVDO数据业务的USB/PCMCIA 卡

2.手机：产生EVDO PCMD记录，并且1X PCMD 有语音呼叫记录或者所对应的

ESN/MEID和IMSI 在终端信息表里存在的终端。

智能手机：操作系统是Android, Windows mobile, windows CE, RIM和其他一些高级操作系统(比如BADA)

普通手机：Brew和其他一些比较低端的操作系统

未知手机：终端型号和操作系统不可知的手机

根据以上关联关系，可建立区分3G用户类别区分算法计算流程图：

第10页/共143页

中国电信集团公司

2.2.2.2未知终端

未知终端的记录是由于EVDO呼叫测量记录未出现IMSI信息。当用户关闭手机连接重启终端后，终端进行Session协商后不会进行ANAAA鉴权，因此AN中无用户IMSI信息，如果此时发生Idle Session Transfer则会出现不含IMSI的话单。通过用户业务模型统计，也可以看出此类用户基本不产生业务，这部分有HWID无IMSI，且不能在终端信息表中找到的用户，可在用户业务模型统计中做去除处理。

2.2.2.3未知手机

计算终端类别模型时，需要使用唯一的（MEID/ESN，IMSI）进行终端信息表匹配。但在进行用户数预估时，过多的未知手机会影响预估和评估的结果。因此，需对未知手机做进一步的分类评估。

在进行不同终端类别的用户数统计时，对于未知手机类别区分可采用以下两种方法：

1.根据模型统计，进行用户数的划分：参考

2.2.2.

3.1

2.根据IMSI统计，进行用户数的划分：参考2.2.2.

3.2

2.2.2.

3.1模型评估

未知手机的模型，可采用统计学的理论计算，大致计算智能手机和非智能手机的比例，采用“每用户”的方式给设备归类，这主要是由于对这三类设备的统计基本是独立的：

1.每用户连接数

2.每用户总RLP字节数

3.每用户空口连接时长

部分关键的假设：

1.在所有的“未知手机”里，只存在极小部分接近数据卡模型的手机用户。如用户

使用手机进行modem拨号上网。

2.智能手机/普通手机/数据卡用户的行为方式对于已经进行过分类统计的用户和尚

未进行过统计分类的用户是完全相同的。

步骤如下：

1.判别数据卡：通过统计“每用户总RLP字节数”，筛选出那些总的数据流量超过

阀值A的用户。阀值A主要是用于确保剩余百分之九十九的用户均为智能手机或

者普通手机的用户。如此筛选的的用户就可以被认为根据X%分布的数据卡用户

（注：之所以选择“每用户总RLP字节数”是因为它总是处于正态分布，并且在三

种“每用户”统计方式里最能够区分出手机和数据卡用户）。

第11页/共143页

中国电信集团公司

2.计算智能手机和普通手机：用以下的公式来计算每种统计方式下智能手机和普通

手机的分布：

SMARTPHONE_AVG*a% + FEATUREPHONE_AVG*(1-a%-x%) = UNKNOWN_HANDSET_AVG

模型统计的区分计算方式是未知手机的一种归类算法。同时，也可根据不同需求，使用IMSI（详见2.2.2.3.2）和HWID（详见2.2.3）进行分类算法。

2.2.2.

3.2IMSI分类

以用户类别（IMSI）作为索引的分类判断算法，可作为现网用户数的另一种估计方法。具体算法如下：

此类算法可最大程度将用户进行类别划分。但是由于未做HWID的匹配，有部分用户可能使用了非天翼定制机（未上报更新后的终端类型），造成普通手机和智能手机的比例差异。后续将继续对用户上报终端信息库的字段进行研究，完善终端类别的统计。

2.2.3性能分类算法

以终端类别HWID(MEID/ESN)作为索引的分类判断算法，可作为终端性能的估计方法。主要使用在终端性能评估中。具体算法如下：

第12页/共143页

中国电信集团公司

此类算法可最大程度将终端进行类别划分。在统计终端性能时，将以HWID(MEID/ESN)作为天翼定制机的评估分类依据。

2.2.4用户群匹配模型算法

针对特殊用户群（如iPhone），可建立特殊用户群的跟踪算法。

用户群匹配模型流程

第13页/共143页

中国电信集团公司

通过特定用户群号码（IMSI）列表从EVDO话单中提取IMSI、流量、时长等字段，计算用户数，连接次数，前、反向流量连接时长等用户模型。

目前智能手机用户匹配方法采用终端信息表匹配，可能存在时延和手机未上报的问题。后续将研究其他关联方式，提高用户的匹配度。

2.2.5时间均分算法

均分化流程

由于PCMD呼叫测量记录是在每次呼叫完成后才形成记录的，并以1小时为最小保存周期（例如，一个数据卡用户在8点10分发起数据连接，9点30分断开数据连接，记录将保存在10点生成的1X EVDO PCMD文件中）。因此，从时域维度上进行小时化分析，存在话务统计的滞后性。为了解决这个问题，在计算中需引入PCMD均分化算法。

目前由于话单记录不能区分业务，因此模型分析中不区分每业务的具体模型。后续将对每业务模型特征做进一步的研究分析。

2.2.6连接模型算法

以每连接话单作为样本，对连接模型进行统计。通过对每连接时长、每连接前/反向流量、连接间隔的计算，建立各类型用户的每连接模型。

每连接时长：对各类用户每条话单的连接时长进行平均，得出不同类型用户的每连接时长（可根据需求设定门限值，将连接时长超长话单或异常话单从样本中剔

除）；

每连接前/反向流量：对各类用户每条话单的RLP层前/反向流量进行求平均，得出不同类型用户每连接前/反向流量；

第14页/共143页

中国电信集团公司

平均连接间隔：通过将每连接的连接建立时间与连接时长求和，得出连接结束时间。以IMSI为标识，计算同一用户时间相邻的话单中，后一条话单的连接建立时

间与前一条话单的连接结束时间的差值，并对同类用户的差值求平均，得到各类

用户的平均连接间隔。（注1：当用户在统计周期内仅存在1条话单记录，则在

统计平均连接间隔时将此用户剔去。注2：当计算跨天连接间隔时，需将后一条

话单的连接建立时间+N*24小时，其中N为相隔日期数）。

通过以上算法，可分析各类用户的连接特性，并可以通过每连接模型的分布，对心跳机制等行为特征进行研究。

2.3模型特征

2.3.1时域

2.3.1.1同类终端不同资源

由于智能手机的应用多样性，用户不同时段应用存在差异使其不同资源占用最忙时及24小时变化趋势存在差异。

下图为智能手机24小时流量和连接数变化趋势图：

从智能手机24小时流量和连接数变化情况可以看到，智能手机流量忙时出现在晚上18:00-19:00，而连接忙时出现在下午14:00-15:00。反映出智能手机用户不同时段的应用特性存在差异。因此分析同类终端的不同资源维度时，需关注不同的最忙时特性。

第15页/共143页

中国电信集团公司2.3.1.2不同终端同类资源

不同类别终端，因用户使用业务特性差异，同类资源消耗的时域特征存在差异。

下图分别为智能手机和数据卡工作日24小时流量变化趋势：

通过一周工作日24小时流量变化趋势对比可以看出：智能手机的流量最忙时出现在18:00-19:00，而数据卡的流量最忙时出现在21:00-22:00。不同终端类别的流量最忙时不同，流量变化趋势也存在差异。因此分析不同终端的同类资源维度时，同样需关注不同的最忙时特性。

2.3.1.3忙时迁移

同类终端(尤其是智能手机)，随着应用的快速发展，用户的使用习惯发生变化，也使得终端资源占用特性在逐渐变化。

下图为3个月的智能手机24小时流量变化趋势：

第16页/共143页

中国电信集团公司

通过三个月智能手机用户的流量最忙时统计可以看出，忙时从18:00-19:00迁移至6月21:00-22:00。因此对于终端资源占用的忙时特征，需要持续跟踪分析。

2.3.2地域

由于终端特性不同，不同时段用户的移动性存在明显差异，造成地域特性的差异。通过PCMD可以针对不同终端类型进行移动性变化分析。

下图为某智能手机24小时用户数变化趋势：

下图为某智能手机部分时段地域活跃度：

与

同，但用户分布的扇区数明显高于晚忙时，说明用户的移动性较强。

针对不同终端类别的移动性特征，将做进一步的研究。找出移动性与性能指标和呼叫记录之间的关系，从而制定相应的优化策略研究。

第17页/共143页

中国电信集团公司

第18页 /共143页 2.3.3 统计方式

确定资源忙时后，可通过PCMD 针对相应时段各终端类别进行模型分析，按模型统计对象不同，可分为每用户模型和每连接模型：

1. 每用户模型：反映不同终端的总体资源占用特征值

2. 每连接模型：反映不同终端各类资源消耗特征的聚集性

按模型统计方式不同，可分为均值模型和区间分布模型：

1. 均值模型：反映不同终端的资源占用的对比特征

2. 区间分布模型：反映聚集性区域数值

2.3.3.1 用户模型

2.3.3.1.1 均值模型

各类终端主要资源类别均值模型统计维度如下：

2.3.3.1.2 区间模型

下图为智能手机和数据卡的每用户连接时长的区间分布：

从上图对比中可以看出，智能手机与数据卡的连接时长分布完全相反，智能手机有近40%的连接为1分钟以内的短连接，而数据卡则有超过30%的连接为30分钟以上的长连接。

中国电信集团公司

第19页 /共143页 下图为智能手机和数据卡的每用户流量区间分布：

从流量区间分布对比可以看出，智能手机用户以低流量为主，而高流量的数据卡用户则更多一些。

从智能手机和数据卡的均值模型对比可以看出，相较于数据卡，智能终端短连接集中，对连接资源的要求较高，而对流量资源的需求较小。因此随着智能手机的普及，需要更多的关注连接类资源，部署连接类资源优化的策略。

2.3.3.2 连接模型

2.3.3.2.1 均值模型

各类终端主要资源类别均值模型统计维度如下：

2.3.3.2.2 区间模型

下图为智能手机和数据卡的每连接时长的区间分布：

中国电信集团公司

约60%的数据卡连接时长> 12秒，数据卡相对手机终端连接时长较长。约75%的智能手机连接时长< 12秒，智能手机的连接时长普遍较短。同时对于智能手机约60%的连接时长集中在2-3秒、6-7秒和11-12秒。如果减去终端rapid dormancy timer（附录7.56）或网络的dormancy timer的时间，智能手机真正使用网络的时间在1-2秒左右。

下图为智能手机和数据卡的每连接间隔的区间分布：

约60%的数据卡连接间隔< 10秒，约30%的智能手机连接间隔< 10秒，智能手机相对数据卡连接频繁度较低。

第20页/共143页

中国电信集团公司

通过模型分析，可以看出不同终端类别的每连接的连接时长和间隔特性有所不同。同时，智能终端具有短连接、小流量的连接特性，需要针对此类特性制定相应的网络优化策略。

2.3.4智能手机(iPhone)模型

智能手机(iPhone)的模型分析，主要包括智能手机的资源占用特性分析、时域地域特性分析和总体资源占用评估：

资源占用特性分析：需要从每用户模型分析用户的总体特征，从每连接模型分析其行为和业务特性。通过其特性与其它终端进行对比，找出不同终端之间在总体

特征和使用特性上的差异，从而就其对网络资源的影响等不同角度进行全面评估。

时域地域特性分析：综合不同时段的特性变化趋势及区域分布特性，可以从时域、地域等角度进一步分析智能手机（iPhone）在不同时段、不同区域、不同资源维

度的影响。

总体资源占用评估：建立模型后，通过终端的总用户数，评估其资源占用情况，就必须了解该类终端的激活度，才能结合终端的资源占用模型，分析其对现网资

源的实际占用情况。

2.3.4.1资源占用特性

2.3.4.1.1均值模型

2.3.4.1.2模型对比

第21页/共143页

本文来源：https://www.bwwdw.com/article/19oq.html