论文部分内容阅读
摘 要：本文针对网络优化中所面临的资金、安全、资源浪费等问题，综合采用文献调查法、理论与实际相结合的分析方法，将大数据分析技术与移动通信技术相结合，提出了基于聚类分析的后台数据优化方案，具体讨论了大数据分析技术在移动通信网络后台数据优化具体工作中的研究应用。
关键词：大数据；移动通信；聚类分析；网络优化
中图分类号：TN929.5 文献标识码：A 文章编号：2096-4706（2019）03-0050-003
Application Research of Big Data Analysis in Mobile Communication
Network Optimization
XIE Hua1，SONG Junhui2
（1.President Office of Xinyang Vocational and Technical College，Xinyang 464000，China；
2.School of Computer and Information Technology，Xinyang Normal University，Xinyang 464000，China）
Abstract：This paper aims at the problems of capital，security and waste of resources in network optimization. By using the methods of literature survey，theory and practice，this paper combines the technology of big data analysis with the technology of mobile communication，puts forward a background data optimization scheme based on clustering analysis，and discusses the research and application of big data analysis technology in the specific work of mobile communication network background data optimization.
Keywords：big data；mobile communication；cluster analysis；network optimization
0 引 言
随着互联网技术的迅速发展，数据产生速度越来越快，其中隐藏着巨大的机会和价值，大数据时代已经到来，“大数据”的概念已经广为人知，并被认为是新时代的石油。在我国，目前GSM网络是发展最为成熟的移动通信网络系统[1]。同时，随着TD技术的不断发展，GSM网络已经过渡到4G移动通信网络系统，而且国内三大移动通信运营商都选择了组建GSM网络，演进GPRS网络，普及3G网络，建设4G网络的发展道路，4G时代已经到来。目前，我国的移动通信网络建设正处于快速发展阶段，国内移动通信用户数量激增，移动通信网络用户对网络数据业务的要求日益提高，移动通信网络优化工作势在必行。日常移动通信网络优化工作主要包括后台数据分析、道路测试、网络投诉处理三个方面，本文主要针对后台数据优化工作的瓶颈问题，采用文献调查法、理论与实际相结合的分析方法，具体讨论了基于聚类分析的后台数据优化的应用。
1 大数据与移动通信网络概述
1.1 大数据
大数据由原有的海量数据发展演变而来，目前，国内外对大数据的定义呈多样化的趋势，尚未达成共识。本质上，大数据不仅意味着数据有相当大的容量，同时还体现了一些區别于海量数据和非常大的数据的特性。通过对大数据特性的一些理解，可以总结出大数据的四种基本特性：第一，数据量相当庞大。目前，大数据的最小单位已经达到10～20TB量级[2]。第二，数据类型丰富。大数据主要有三种形式，即结构化、半结构化以及非结构化的数据。第三，数据的价值密度低。第四，数据获取速度非常迅速。
1.2 移动通信网络优化理论
移动通信网络主要分为无线网络和交换网络两个部分，交换网络和传统的PSTN网络类似，但无线网络则是移动网络的专有部分。与有线网络相比，无线网络有着很多种不确定的因素[3]。移动无线通信的移动特性和复杂恶劣的传播环境导致其本身相对固定的无线通信而言，优化工作更为困难。比较完整的无线移动通信系统包括网络交换子系统（Network Switch Subsystem）、基站子系统（Base Station Subsystem）、操作维护控制中心（Operation and Maintenance Center）以及移动台子系统（Mobile Station Subsystem）。
移动通信网络优化可以理解为对投入运营的移动通信网络进行数据搜集，并分析相关数据，从而发现网络运行状况变差的主要原因，最后调整系统相关参数以及系统设备的配置数据的一系列技术手段。从而可以提高移动通信网络运行质量，同时使当前投入使用的网络资源的收益最大化。重新调配并合理利用各种网络资源是移动通信网络优化的重要目标之一。移动通信网络优化技术主要涉及数据采集方法、网络分析技术、数据分析技术及网络优化方法几个方面。移动通信网络优化工作的前提是采集数据，这些数据主要包括OMC数据、道路测试数据、移动通信用户投诉数据、话务统计数据及其它数据资料。
1.3 大数据分析在移动通信网络优化中的应用现状
大数据时代的来临，互联网技术的不断发展，使得移动通信网络在大数据技术的支持下得到了很大程度的优化，但在其应用过程中，也同样面临来自以下三个方面的巨大挑战。 （1）数据量过于庞大。随着移动通信设备的普及，相关移动通信网络基站的数量也在迅速增加，随着用户数量的增多，相应产生了大量的移动通信网络数据[4]。如何更好地借助大数据技术对这些数据进行分类整理是当前移动通信网络优化工作所面临的重大难题。（2）资金的长期投入。在移动通信网络优化工作中灵活运用大数据技术是一项需要消耗大量时间和资金的工作，比如说，在运用大数据技术建设移动通信网络时，需要综合考虑每一个区域的数据结构以及性质差异，不能同时对所有地区统一优化，因此在具体工作中就会无形延长网络优化工作时间，增加移动通信网络建设成本，造成资金链短缺问题。（3）安全问题。大数据技术所包括的数据收集、分析、处理、存储等几方面内容，与移动通信网络的安全问题紧密相关。大数据技术一旦出现漏洞，就会造成移动通信网络安全隐患问题发生。例如：在大数据技术中采用云存储技术存储网络数据，将数据统一放在一个平台上，容易造成数据丢失，影响通信网络的安全。
2 后台数据优化理论基础
后台的网络优化工作主要包括网络KPI分析、KPI优化、故障排除与定位、告警监控处理等方面。由于早期计算机技术发展不成熟，建网流程不完善，目前我国后台优化工作面临着数据共享不充分、管理平台不统一、工作效率低等方面的巨大挑战。因此，本节内容提出了基于聚类分析对复杂的后台数据进行处理优化，能够有效地提高网络KPI、优化用户网络感知度。
2.1 基于聚类分析的后台数据优化方案
数据库是组织、管理、存储数据的仓库，也可以理解为数据的集合[5]。在移动通信网络优化工作中，大量的基础数据与测量数据都要从后台运行的数据库中存储提取，网络优化主要涉及数据库的以下几方面功能：建表、查询、更新等。在基于数据库采集存储提取数据的基础上，这些获取的数据仍然是大量的、分散的、没有规律的。在后台优化工作中，还需要对复杂的网络KPI数据进行聚类分析，将数据按照重要性和优先级分别进行加权计算，最终获得一套相应的指标评估体系，从而提高数据的说服力、有效性及准确性，获得更加合理、有效的网络KPI评估与预测结果。
2.2 基于聚类分析的后台数据优化模型
基于后台数据库存储与聚类分析，可以建立一个简单的后台数据优化模型。要建立有效的數据优化模型，先要做好后台数据的采集，这些采集数据主要包括网络基础信息配置数据以及有效反映网络状况的KPI数据。其次，要对这些大量的、无规律的数据进行分类。根据数据的不同属性可将后台数据分为如表1所示的四大类：业务类、容量类、质量类、感知类。
通过对后台数据进行分类，将大量基础网络数据进行分类聚合，我们获得了四组综合数据组数据，在此基础上对分类数据组按重要程度进行加权平均计算，最后获得一组合理的移动通信网络后台数据指标评估体系，从而依此建立聚类分析模型。
如表2所示，将某地区移动通信网络关键指标按各自属性聚类统计分为网络覆盖类、通话质量类、网络接入性、网络保持性、考察类以及资源类六大类。这六类关键KPI指标共同构成了该地区后台数据指标评估体系。
通过建立聚类分析模型，可以有效地定位移动通信网络数据后台数据问题，实现后台数据的自动优化，为网络优化人员提供辅助功能，减少人力资源浪费。
3 结 论
本文主要研究了大数据分析技术在移动通信网络后台数据优化工作中的具体应用，通过建立简单的聚类分析优化模型，最终得出聚类分析能够有效地分析优化大量网络基础数据，节省时间、人力以及资金成本的结论。综上所述，将大数据技术综合运用在移动通信网络优化工作中，已经成为促进移动通信产业可持续发展的必然趋势。
参考文献：
[1] 党永亮.大数据分析在移动通信网络优化中的应用研究 [D].武汉：华中师范大学，2015.
[2] 余海波.大数据在电信移动通信网络优化中的应用 [J].广西通信技术，2014（4）：8-11.
[3] 张小军，任帅，申丹丹.浅析4G环境下数据挖掘在移动通信网络优化中的运用 [J].电子技术与软件工程，2014（8）：208-209.
[4] 李学龙，龚海刚.大数据系统综述 [J].中国科学：信息科学，2015，45（1）：1-44.
[5] Gantz J，Reinsel D. Extracting value from chaos [J].IDC iView，2011：1-12.
作者简介：谢华（1982-），男，汉族，河南信阳人，讲师，硕士，主要研究方向：网络建模优化研究。
关键词：大数据；移动通信；聚类分析；网络优化
中图分类号：TN929.5 文献标识码：A 文章编号：2096-4706（2019）03-0050-003
Application Research of Big Data Analysis in Mobile Communication
Network Optimization
XIE Hua1，SONG Junhui2
（1.President Office of Xinyang Vocational and Technical College，Xinyang 464000，China；
2.School of Computer and Information Technology，Xinyang Normal University，Xinyang 464000，China）
Abstract：This paper aims at the problems of capital，security and waste of resources in network optimization. By using the methods of literature survey，theory and practice，this paper combines the technology of big data analysis with the technology of mobile communication，puts forward a background data optimization scheme based on clustering analysis，and discusses the research and application of big data analysis technology in the specific work of mobile communication network background data optimization.
Keywords：big data；mobile communication；cluster analysis；network optimization
0 引 言
随着互联网技术的迅速发展，数据产生速度越来越快，其中隐藏着巨大的机会和价值，大数据时代已经到来，“大数据”的概念已经广为人知，并被认为是新时代的石油。在我国，目前GSM网络是发展最为成熟的移动通信网络系统[1]。同时，随着TD技术的不断发展，GSM网络已经过渡到4G移动通信网络系统，而且国内三大移动通信运营商都选择了组建GSM网络，演进GPRS网络，普及3G网络，建设4G网络的发展道路，4G时代已经到来。目前，我国的移动通信网络建设正处于快速发展阶段，国内移动通信用户数量激增，移动通信网络用户对网络数据业务的要求日益提高，移动通信网络优化工作势在必行。日常移动通信网络优化工作主要包括后台数据分析、道路测试、网络投诉处理三个方面，本文主要针对后台数据优化工作的瓶颈问题，采用文献调查法、理论与实际相结合的分析方法，具体讨论了基于聚类分析的后台数据优化的应用。
1 大数据与移动通信网络概述
1.1 大数据
大数据由原有的海量数据发展演变而来，目前，国内外对大数据的定义呈多样化的趋势，尚未达成共识。本质上，大数据不仅意味着数据有相当大的容量，同时还体现了一些區别于海量数据和非常大的数据的特性。通过对大数据特性的一些理解，可以总结出大数据的四种基本特性：第一，数据量相当庞大。目前，大数据的最小单位已经达到10～20TB量级[2]。第二，数据类型丰富。大数据主要有三种形式，即结构化、半结构化以及非结构化的数据。第三，数据的价值密度低。第四，数据获取速度非常迅速。
1.2 移动通信网络优化理论
移动通信网络主要分为无线网络和交换网络两个部分，交换网络和传统的PSTN网络类似，但无线网络则是移动网络的专有部分。与有线网络相比，无线网络有着很多种不确定的因素[3]。移动无线通信的移动特性和复杂恶劣的传播环境导致其本身相对固定的无线通信而言，优化工作更为困难。比较完整的无线移动通信系统包括网络交换子系统（Network Switch Subsystem）、基站子系统（Base Station Subsystem）、操作维护控制中心（Operation and Maintenance Center）以及移动台子系统（Mobile Station Subsystem）。
移动通信网络优化可以理解为对投入运营的移动通信网络进行数据搜集，并分析相关数据，从而发现网络运行状况变差的主要原因，最后调整系统相关参数以及系统设备的配置数据的一系列技术手段。从而可以提高移动通信网络运行质量，同时使当前投入使用的网络资源的收益最大化。重新调配并合理利用各种网络资源是移动通信网络优化的重要目标之一。移动通信网络优化技术主要涉及数据采集方法、网络分析技术、数据分析技术及网络优化方法几个方面。移动通信网络优化工作的前提是采集数据，这些数据主要包括OMC数据、道路测试数据、移动通信用户投诉数据、话务统计数据及其它数据资料。
1.3 大数据分析在移动通信网络优化中的应用现状
大数据时代的来临，互联网技术的不断发展，使得移动通信网络在大数据技术的支持下得到了很大程度的优化，但在其应用过程中，也同样面临来自以下三个方面的巨大挑战。 （1）数据量过于庞大。随着移动通信设备的普及，相关移动通信网络基站的数量也在迅速增加，随着用户数量的增多，相应产生了大量的移动通信网络数据[4]。如何更好地借助大数据技术对这些数据进行分类整理是当前移动通信网络优化工作所面临的重大难题。（2）资金的长期投入。在移动通信网络优化工作中灵活运用大数据技术是一项需要消耗大量时间和资金的工作，比如说，在运用大数据技术建设移动通信网络时，需要综合考虑每一个区域的数据结构以及性质差异，不能同时对所有地区统一优化，因此在具体工作中就会无形延长网络优化工作时间，增加移动通信网络建设成本，造成资金链短缺问题。（3）安全问题。大数据技术所包括的数据收集、分析、处理、存储等几方面内容，与移动通信网络的安全问题紧密相关。大数据技术一旦出现漏洞，就会造成移动通信网络安全隐患问题发生。例如：在大数据技术中采用云存储技术存储网络数据，将数据统一放在一个平台上，容易造成数据丢失，影响通信网络的安全。
2 后台数据优化理论基础
后台的网络优化工作主要包括网络KPI分析、KPI优化、故障排除与定位、告警监控处理等方面。由于早期计算机技术发展不成熟，建网流程不完善，目前我国后台优化工作面临着数据共享不充分、管理平台不统一、工作效率低等方面的巨大挑战。因此，本节内容提出了基于聚类分析对复杂的后台数据进行处理优化，能够有效地提高网络KPI、优化用户网络感知度。
2.1 基于聚类分析的后台数据优化方案
数据库是组织、管理、存储数据的仓库，也可以理解为数据的集合[5]。在移动通信网络优化工作中，大量的基础数据与测量数据都要从后台运行的数据库中存储提取，网络优化主要涉及数据库的以下几方面功能：建表、查询、更新等。在基于数据库采集存储提取数据的基础上，这些获取的数据仍然是大量的、分散的、没有规律的。在后台优化工作中，还需要对复杂的网络KPI数据进行聚类分析，将数据按照重要性和优先级分别进行加权计算，最终获得一套相应的指标评估体系，从而提高数据的说服力、有效性及准确性，获得更加合理、有效的网络KPI评估与预测结果。
2.2 基于聚类分析的后台数据优化模型
基于后台数据库存储与聚类分析，可以建立一个简单的后台数据优化模型。要建立有效的數据优化模型，先要做好后台数据的采集，这些采集数据主要包括网络基础信息配置数据以及有效反映网络状况的KPI数据。其次，要对这些大量的、无规律的数据进行分类。根据数据的不同属性可将后台数据分为如表1所示的四大类：业务类、容量类、质量类、感知类。
通过对后台数据进行分类，将大量基础网络数据进行分类聚合，我们获得了四组综合数据组数据，在此基础上对分类数据组按重要程度进行加权平均计算，最后获得一组合理的移动通信网络后台数据指标评估体系，从而依此建立聚类分析模型。
如表2所示，将某地区移动通信网络关键指标按各自属性聚类统计分为网络覆盖类、通话质量类、网络接入性、网络保持性、考察类以及资源类六大类。这六类关键KPI指标共同构成了该地区后台数据指标评估体系。
通过建立聚类分析模型，可以有效地定位移动通信网络数据后台数据问题，实现后台数据的自动优化，为网络优化人员提供辅助功能，减少人力资源浪费。
3 结 论
本文主要研究了大数据分析技术在移动通信网络后台数据优化工作中的具体应用，通过建立简单的聚类分析优化模型，最终得出聚类分析能够有效地分析优化大量网络基础数据，节省时间、人力以及资金成本的结论。综上所述，将大数据技术综合运用在移动通信网络优化工作中，已经成为促进移动通信产业可持续发展的必然趋势。
参考文献：
[1] 党永亮.大数据分析在移动通信网络优化中的应用研究 [D].武汉：华中师范大学，2015.
[2] 余海波.大数据在电信移动通信网络优化中的应用 [J].广西通信技术，2014（4）：8-11.
[3] 张小军，任帅，申丹丹.浅析4G环境下数据挖掘在移动通信网络优化中的运用 [J].电子技术与软件工程，2014（8）：208-209.
[4] 李学龙，龚海刚.大数据系统综述 [J].中国科学：信息科学，2015，45（1）：1-44.
[5] Gantz J，Reinsel D. Extracting value from chaos [J].IDC iView，2011：1-12.
作者简介：谢华（1982-），男，汉族，河南信阳人，讲师，硕士，主要研究方向：网络建模优化研究。