NQI干扰自优化方案

随着我国5G网络的快速发展，网络架构趋于复杂，如何保障网络运维稳定成为了一大挑战。日常运维工作中干扰运维效率问题尤为突出，呈现发现慢、分析慢、解决慢的运维痛点。中兴通讯针对这一运维痛点，提出了干扰自优化方案，为实现干扰优自智提供了演进方向，有效降低日常运维成本。

概述

在移动通信系统中，电磁波信号被用于承载信息。基站向手机侧发送信息称为下行信号，手机向基站发送信息称为上行信号。由于手机发射功率低，因此上行信号容易受到外界电磁波干扰，导致基站无法准确解析手机信号，该现象称为上行干扰。上行干扰对网络性能影响是非常广泛的，不仅会影响用户体验，甚至对品牌口碑也会产生深远影响。上行干扰产生的原因是多种多样的，不同的原因需要投入的运维资源也不一样，因此需要一款高效的工具来满足日常干扰运维的需要。

当前日常干扰运维工作中存在的痛点有：

每日待分析小区数量规模大，一线城市每日待分析小区数量均在千级以上。

干扰场景具有突发性、强度变化快等特性，不易被掌握。

分析优化方案输出准确性因人而异。

中兴通讯针对这一运维痛点，借助机器学习、自动化串接等创新方案，通过网管自研NQI干扰分析工具实现降低运维技术门槛、提升运维效率的目标。

NQI干扰分析技术

NQI干扰分析关键技术分为：“筛选高干扰小区”、“干扰类型识别”、“干扰源定位”和“干扰优化”四个模块。

“筛选高干扰小区”用于筛选网络中的高干扰小区。

“干扰类型识别”用于高干扰小区的干扰类型识别。

“干扰源定位”在“干扰类型识别”基础上增加地理位置、时间等维度权值，锁定外部干扰源位置。

“干扰优化”用于对特定干扰类型进行针对性干扰自优化或优化方案输出。

筛选高干扰小区

为了适应干扰场景的突发性、强度变化快等特点，用户可自定义或默认高干扰小区筛选规则，筛选出网络中的高干扰小区列表。高干扰小区列表的筛选流程，如下图所示。

干扰类型识别

利用随机森林算法对网络中的现有干扰数据按频点、带宽、干扰源名称建立专属特征模型，有效降低传统干扰图形匹配算法对源数量的依赖，同步提升干扰识别准确率。

筛选出“高干扰小区”列表后，干扰特征模型会逐一对高干扰小区进行干扰类型识别和地理化聚类，实现用户对网络干扰类型和分布实时全掌控。

NQI干扰类型识别关键技术1 - 干扰特征库

NQI干扰类型识别关键技术2 - 干扰类型自动聚类

定位干扰源

NQI完成高干扰小区干扰类型识别后，会将相同干扰源小区进行分组，对于同组的干扰小区以干扰最强小区为中心开展干扰源定位。

NQI目前支持三种定位方式：

基于工参、干扰强度以及经典传播模型的单小区干扰源定位。

基于工参、传播模型以及工参的加权定位。

基于MR数据栅格的多站多小区定位。

干扰优化

不同干扰类型对应的优化方案也并不完全一致。以TNR系统内干扰自优化为例，当NQI识别出小区存在系统内干扰后，自主创建NQI干扰分析任务，任务清单包含受扰小区和施扰小区信息，并通过OPEN API接口将受扰小区和施扰小区信息传递给AAPC功能。

AAPC功能采用蚁群算法，基于优化目标和搜索时间的平衡，对解空间（天线权值组）进行优化，对小区UE的分布、邻小区干扰进行统计和估算，综合考虑网络的覆盖性能完成自适应的调整，基站智能估算最优的广播权值，实现最优覆盖，改善小区间的重叠覆盖度。

NQI干扰优化实践

目前NQI干扰优化方案已被国内三大运营商嵌入到日常运维工作中。

以某重点城市为例，运用NQI干扰分析工具输出本地高干扰小区优化分析报告，通过报告可知区域内需要RF优化的系统内干扰小区占比最高约41%，亟需开展干扰优化提升。

通过NQI周粒度的筛选和评估，确认现网亟需RF优化的TNR系统内干扰小区33个。NQI将识别出来的TNR系统内部干扰小区和周边邻区信息通过OPENAPI接口推送到AAPC功能，AAPC功能基于覆盖、场景等多维因素输出整体覆盖调整方案，并在用户授权的情况下自动完成下参。

对比优化前后一周33个小区上行平均干扰电平有明显下降：日均从-107.3dbm下降到-108.51dbm，下降了1.21dbm。

对比33个小区优化前后一周指标均值变化，优化后无线接通率日均值从99.49%提升到99.6%，提升了0.13%；无线掉线率从0.109%下降到0.091%，改善了0.018%。

结束语

本文结合中兴通讯在日常干扰运维工作与工具应用方面的一些实践，尤其针对无线网络智能运维领域，分享可落地的干扰业务场景和优化方案，以及我们在此过程中总结的若干经验案例和实现方法。