移動(dòng)通信網(wǎng)中的用戶聚類與KQI分析.pdf

1、傳統(tǒng)的基于關(guān)鍵性能指標(biāo)(KPI:Key Performance Indicator)和用戶投訴的體驗(yàn)運(yùn)維方式已暴露諸多弊端，如:發(fā)現(xiàn)問(wèn)題具有被動(dòng)性、局限性，解決問(wèn)題精細(xì)化程度不足等。對(duì)于電信運(yùn)營(yíng)商來(lái)說(shuō)，探索面向智能化運(yùn)維的精細(xì)化客戶體驗(yàn)管理是當(dāng)前及未來(lái)的重要研究領(lǐng)域。面向客戶體驗(yàn)生命周期中體驗(yàn)前、中、后三大環(huán)節(jié)，智能化的客戶體驗(yàn)管理應(yīng)具備如下能力:在業(yè)務(wù)發(fā)生前進(jìn)行個(gè)性化用戶偏好需求分析與預(yù)判，制定事前預(yù)防策略;在業(yè)務(wù)發(fā)生過(guò)程中快速發(fā)現(xiàn)體

2、驗(yàn)問(wèn)題、定位/定界問(wèn)題并動(dòng)態(tài)實(shí)時(shí)調(diào)整;在業(yè)務(wù)結(jié)束后基于歷史數(shù)據(jù)學(xué)習(xí)進(jìn)一步迭代優(yōu)化網(wǎng)絡(luò)，最終形成智能運(yùn)維的閉環(huán)。本文的研究問(wèn)題聚焦在體驗(yàn)前用戶的個(gè)性化偏好行為建模、體驗(yàn)中的準(zhǔn)確監(jiān)測(cè)體驗(yàn)問(wèn)題和定界問(wèn)題的相關(guān)策略。得益于大數(shù)據(jù)技術(shù)的快速發(fā)展，電信運(yùn)營(yíng)商逐步具備了海量用戶數(shù)據(jù)采集、存儲(chǔ)和計(jì)算的條件和能力，上述問(wèn)題得以廣泛研究，但仍存在諸多挑戰(zhàn)，如:數(shù)據(jù)期模巨大，體驗(yàn)管理復(fù)雜度極高;數(shù)據(jù)質(zhì)量不高，體驗(yàn)信息難以準(zhǔn)確刻畫;體驗(yàn)異常成因復(fù)雜。針對(duì)上述挑

3、戰(zhàn)，本文具體研究?jī)?nèi)容包括:
　　(1)移動(dòng)用戶的業(yè)務(wù)行為偏好建模，該研究針對(duì)大規(guī)模用戶的精細(xì)化體驗(yàn)管理面臨的實(shí)現(xiàn)復(fù)雜度超高的問(wèn)題，提出了基于聚類的用戶行為偏好建模方式，平衡精細(xì)化的度和體驗(yàn)管理的復(fù)雜度。針對(duì)Kmeans聚類方法存在的聚類速度慢問(wèn)題，提出的AFKmc2+兩階段聚類算法:首先利用自組織映射思想將原始數(shù)據(jù)映射為數(shù)據(jù)原型，然后借助馬爾科夫蒙特卡洛(MCMC: Markov Chain Monte Carlo)采樣理論快速、

4、合理選擇原型初始聚類中心，最終利用Kmeans完成快速聚類。針對(duì)基于雙側(cè)正交約束的非負(fù)矩陣分解(tNMF:Tri-Non-negative MatrixFactorization)的雙向聚類算法存在聚類個(gè)數(shù)事先未知、頻繁大矩陣相乘及硬聚類策略導(dǎo)致聚類效果差問(wèn)題，提出的H-tNMF算法:借助密度聚類思想實(shí)現(xiàn)聚類維度可伸縮，減少頻繁大矩陣相乘操作;引入分裂層次聚類思想自動(dòng)確定聚類個(gè)數(shù);定義雙向簇緊致度概念，實(shí)現(xiàn)子簇維度共享軟聚類，避免錯(cuò)誤累

5、積。利用公開(kāi)數(shù)據(jù)集以及現(xiàn)網(wǎng)用戶數(shù)據(jù)集驗(yàn)證所提算法性能，實(shí)驗(yàn)結(jié)果證明:相比于AFKmc2算法，AFKmc2+在具有更快的聚類速度的同時(shí)具有相接近的聚類精度;相比于tNMF算法，H-tNMF在相同聚類數(shù)目下具有更好的聚類效果，且支持軟聚類。
　　(2)網(wǎng)絡(luò)側(cè)視頻點(diǎn)播業(yè)務(wù)卡頓識(shí)別，該研究針對(duì)采集條件制約導(dǎo)致的視頻傳輸狀態(tài)數(shù)據(jù)質(zhì)量不高問(wèn)題，提出基于特征構(gòu)造結(jié)合黑箱策略的卡頓建模方法，方法克服數(shù)據(jù)中存在的偏差，可以準(zhǔn)確識(shí)別出視頻卡頓、長(zhǎng)卡頓

6、和多次卡頓。通過(guò)分析導(dǎo)致現(xiàn)有卡頓識(shí)別方法準(zhǔn)確率低的“時(shí)間漂移”現(xiàn)象，提出一種不進(jìn)行視頻重建，而只關(guān)注如何構(gòu)建網(wǎng)絡(luò)側(cè)視頻數(shù)據(jù)流和終端側(cè)視頻卡頓間的映射關(guān)系的黑箱策略。通過(guò)剖析視頻卡頓機(jī)理，提出一種基于網(wǎng)絡(luò)狀態(tài)局部極差值的緩沖區(qū)剩余數(shù)據(jù)量估計(jì)方法(Freeze Divine)用于映射關(guān)系學(xué)習(xí)。所提方法將現(xiàn)有卡頓識(shí)別方案中的“重構(gòu)+硬判決”的識(shí)別思路轉(zhuǎn)變?yōu)椤肮烙?jì)+數(shù)據(jù)驅(qū)動(dòng)下的軟判決”。通過(guò)構(gòu)造現(xiàn)網(wǎng)視頻卡頓數(shù)據(jù)集驗(yàn)證所提算法性能，實(shí)驗(yàn)結(jié)果證明:

7、所提方法的卡頓識(shí)別準(zhǔn)確率比現(xiàn)有方法高20％; Freeze Divine所提去的卡頓相關(guān)特征較其他特征與視頻卡頓的相關(guān)性更強(qiáng)。
　　(3)網(wǎng)絡(luò)側(cè)HTTP業(yè)務(wù)響應(yīng)延遲(spRTT: Service Provider Round TripTime)異常根因定界，該研究針對(duì)端到端業(yè)務(wù)體驗(yàn)異常成因不單一問(wèn)題，提出基于多元線性回歸的分治場(chǎng)景建模方法(DC-CoMo:Divide and Conquer basedContext Modeli

8、ng)和基于相對(duì)熵的貪婪搜索樹(shù)構(gòu)建方法(ReasonTree)，高效標(biāo)定異常，準(zhǔn)確定界異常根因。提出DC-CoMo算法:利用層次維度聚合思想降低spRTT時(shí)序稀疏性;利用分治思想進(jìn)行海量spRTT時(shí)序建模，權(quán)衡spRTT場(chǎng)景模型的復(fù)雜度和準(zhǔn)確度;建模采用多元線性回歸方法，綜合考慮異常點(diǎn)及場(chǎng)景對(duì)spRTT的綜合影響。針對(duì)現(xiàn)有業(yè)務(wù)KQI異常定界方法難以同時(shí)定界小范圍異常根因、多維異常根因和多類型并存的異常根因問(wèn)題，提出ReasonTree算

9、法:算法首先利用相對(duì)熵量化場(chǎng)景屬性對(duì)異常的區(qū)分度，定界小范圍異常;通過(guò)構(gòu)建搜索樹(shù)的方式計(jì)算不同場(chǎng)景屬性組合的異常得分，定界多維異常;利用貪婪迭代策略，識(shí)別異常主導(dǎo)原因并過(guò)濾對(duì)應(yīng)數(shù)據(jù)，定界多類型并存異常;ReasonTree不基于歷史定界結(jié)果，能夠發(fā)現(xiàn)新的異常根因。利用現(xiàn)網(wǎng)HTTP業(yè)務(wù)spRTT數(shù)據(jù)集及人工注入異常數(shù)據(jù)集驗(yàn)證所提算法性能，實(shí)驗(yàn)結(jié)果表明:對(duì)于人工注入的三種異常根因，所提ReasonTree方法均具有超過(guò)95％的異常根因定界準(zhǔn)

10、確率;結(jié)合ReasonTree算法，DC-CoMo算法利用少量模型便可定界傳統(tǒng)逐一建模算法約93％的異常根因。
　　本文以自主研發(fā)的xDR-Pro和KQI-Doctor平臺(tái)為基礎(chǔ)，以現(xiàn)網(wǎng)多點(diǎn)實(shí)測(cè)的用戶業(yè)務(wù)數(shù)據(jù)為支撐，通過(guò)對(duì)現(xiàn)有聚類、分類和異常檢測(cè)等算法的使用和改進(jìn)，研究了面向智能運(yùn)維的精細(xì)化客戶體驗(yàn)管理中的移動(dòng)用戶偏好建模、網(wǎng)絡(luò)側(cè)視頻點(diǎn)播業(yè)務(wù)卡頓識(shí)別以及SP響應(yīng)延遲異常定界問(wèn)題。所提方法和策略為面向智能運(yùn)維的精細(xì)化客戶體驗(yàn)管理提供