中国电信三G业务规模发展优化手册上海贝尔分册.docx

H:\精品资料\建筑精品网原稿ok（删除公文）\建筑精品网5未上传百度

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
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:
版本
更新日期
修改
更新说明
主要撰写人
V1.0
-6-27

完成V1.0版
马丹、 冯云喜、 李波、 姚坚、 周涛、 张玉平、 胡晓宇、 胡宇明、 李和明、 王秀平、 李留海、 楼昉、 陈晓芳、 曹逸文、 张天韵、 金益源、 戴高杰、 赵佳融

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
3.3.2 PCMD数据评估 39
3.3.3 KPI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
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
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
6.4.2 QoS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
6.6 RapidDormancy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

1 概述
根据集团公司《 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正确分析思路、 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:
Ø 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。
Ø 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。
Ø 网络问题优化策略
针对网络评估发现的网络可能面正确问题, 采取对应的优化流程, 经过网络侧的六大机制对网络资源进行全面优化。
Ø 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。

另外, 本分册还提供了相应的优化效果评估方法, 并经过具体案例说明分析方法。

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, 能够将业务分为连接类和流量类两大类:
Ø 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。
Ø 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。
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:
Ø 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。
Ø 普通手机: 采用Brew和其它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。
Ø 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。
终端类别
连接
流量
时长
间隔
前向
反向
智能手机
均值、 区间统计方法
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。
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。
经过以上六类标识或号码定义, 能够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。经过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。
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, 而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, 而且在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
经过分类算法, 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, 能够采用属性分类方式( 如操作系统、 套餐等) 。由于智能手机是当前的一个关注焦点, 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, 而且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。
Ø 智能手机: 操作系统是Android, Windows mobile, windows CE, RIM和其它一些高级操作系统(比如BADA)
Ø 普通手机: Brew和其它一些比较低端的操作系统
Ø 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:

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。经过用户业务模型统计, 也能够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: 经过统计”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能够被认为根据X%分布的数据卡用户( 注: 之因此选择”每用户总RLP字节数”是因为它总是处于正态分布, 而且在三种”每用户”统计方式里最能够区分出手机和数据卡用户) 。
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。
2.2.2.3.2 IMSI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。可是由于未做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:

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
经过特定用户群号码( 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。
当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。后续将研究其它关联方式, 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。
当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。经过对每连接时长、 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。
Ø 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) ;
Ø 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;
Ø 平均连接间隔: 经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) 。
经过以上算法, 可分析各类用户的连接特性, 并能够经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能够看到, 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。
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:

经过一周工作日24小时流量变化趋势对比能够看出: 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(特别是智能手机), 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:

月份
智能手机流量最忙时
3月
18:00-19:00
5月
18:00-19:00
6月
21:00-22:00
经过三个月智能手机用户的流量最忙时统计能够看出, 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。经过PCMD能够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:

移动性统计
8-9时
17-18时
21-22时
平均每用户占用小区数
4.1
4.0
2.6
与24小时用户数进行对比分析, 8-9点、 17-18点的用户数与21-22点的用户数基本相同, 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。
2.3.3 统计方式
确定资源忙时后, 可经过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:
忙时
连接忙时
流量忙时
指标
数据卡
普通手机
智能手机
数据卡
普通手机
智能手机
连接数
忙时均值模型统计
总连接时长(分钟)
总流量(Kbytes)
前向流量(Kbytes)
反向流量(Kbytes)

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:

从上图对比中能够看出, 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。
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能够看出, 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能够看出, 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:
忙时
连接忙时
流量忙时
指标
数据卡
普通手机
智能手机
数据卡
普通手机
智能手机
每连接流量(KB)
忙时均值模型统计
每连接间隔(秒)
每连接时长(秒)
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:

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。
经过模型分析, 能够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:
Ø 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。经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。
Ø 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, 能够从时域、 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。
Ø 总体资源占用评估: 建立模型后, 经过终端的总用户数, 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
统计项
全天
21-22时
14-15时
最忙时
每用户每小时连接次数
15
17
18
24
每用户每小时总流量(KB)
1042
1279
1296
1799
每用户每小时前向流量(KB)
951
1164
1176
1665
每用户每小时反向流量(KB)
91
115
120
160
每用户每小时时长(s)
340
385
322
1037

2.3.4.1.2 模型对比
终端类型
连接次数(次)
总流量( KB)
前向流量(KB)
反向流量(KB)
时长(S)
iPhone4s
周末
15
2405
2251
155
237
iPhone4s
工作日
16
1462
1352
110
257
对比样本
iPhone4
36
1239
1141
156
421
高端机
33
661
602
59
396
中端机
33
512
451
69
299
低端机
15
277
241
36
222
智能手机
26
519
467
50
437
2.3.4.1.3 每连接模型

连接时长以短连接为主。

连接流量以小流量为主。
统计每连接的区间和均值模型, 确定智能手机( iPhone) 的连接分布特性, 并制定相应的优化策略。优化策略判别流程请参见本册第4.2.1章节。
每连接
连接模型
时长
均值统计
流量

工作日用户数略高于周末, 两者趋势基本相同。

工作日连接数略高于周末, 两者趋势基本相同。

周末流量明显高于工作日, 工作日工作时段流量偏低。

工作日连接时长略高于周末, 两者趋势基本相同。
统计智能手机(iPhone)工作日和周末的每用户24小时模型, 确定变化趋势的异同点。对均值模型的计算需考虑工作日和周末的最忙时需求。
2.3.4.2 连接特性
各类终端连接特性对比如下:
终端类型
每用户主动连接次数( 次)
每用户被叫连接次数( 次)
数据卡
15.69
8.27
普通手机
9.91
13.7
智能手机
10.14
15.57
iPhone4s
13.95
5.76
iPhone4
6.49
29.27
iPhone4s连接以AT发起的连接为主, 与其它智能终端不同。
iPhone4s及智能手机24小时连接分类对比图如下:

从上图对比能够看出, iPhone4s终端发起的连接在白天较平稳, 终端发起的连接次数与智能手机接近。与智能手机不同的时, iPhone4s连接次数在凌晨较低, 且全天网络发起的连接次数均远低于智能手机水平。
进一步将iPhone与几款典型终端连接特性对比如下:
对比指标
iPhone4s
iPhone4
SCH-i909
MOTO-XT800
HW-C8500
每用户忙时主动发起连接次数
13.95
6.49
15.29
11.24
7.34
每用户忙时被叫发起连接次数
5.76
29.27
18.33
21.36
7.69
从以上对比能够看出, iPhone4s终端的连接中AT发起的连接比例远远高于其它几款典型智能手机。
在分析iPhone4s的连接特性时, 发现iPhone4s与iPhone4存在较大区别, 主要是由于:
1、 iPhone4s对消息推送方式进行了改进。
2、 iPhone4s采用CT-WAP接入方式, 与CT-NET的接入方式相比, 被端口扫描的可能性降低。端口扫描可参见本册3.5.5.1章节。
为更好的掌握iPhone4s的连接特性, 需要对单机进行业务测试, 以掌握统计数据的特征。单机业务测试请参见本册3.5章节。
2.3.4.3 时域地域特性
2.3.4.3.1 24小时趋势
(一) 连接次数

由以上数据显示, iPhone4s用户DO连接次数与全网用户连接次数随时间段波动较一致。
(二) 连接时长

由以上数据显示, iPhone4s用户DO连接时长与全网用户连接时长随时间段波动在上、 下班高峰时间有所差异。
(三) 流量分析

由以上数据显示, iPhone4s用户DO流量与全网用户流量随时间段波动在晚忙时有所差异。
统计智能手机(iPhone)与全网各维度资源的24小时趋势对比, 确定变化趋势的异同点。预估智能手机忙时段, 挖掘可能存在的突发资源需求。
2.3.4.3.2 区域分布

移动性统计
8-9时
17-18时
21-22时
平均每用户占用小区数
4.1
4.0
2.6
与24小时用户数进行对比分析, 8-9点、 17-18点的用户数与21-22点的用户数基本相同, 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。
随着智能手机的快速增长, 白天的手机终端移动性对网络产生的影响需特别关注。后续将继续对手机终端的移动性影响进行研究。
2.3.4.4 激活度
激活度: 小时内出现的终端用户与出帐用户数的比值
用户数*实际激活度即可得到单个小时的实际激活用户。
终端类型
激活度
数据卡
20.32%
普通手机
22.62%
智能手机
23%
iPhone
65%
与其它终端相比, iPhone的激活度明显高于其它终端, 说明用户的活跃度较强。
网络容量预估时, 针对不同终端类别的发展用户数, 需乘以不同的激活度, 以预测网络资源消耗情况。
2.4 分析工具
2.4.1 终端分类工具
根据不同的未知手机分类方式( 2.2.2.3.1和2.2.2.3.2两类算法) , 将终端分类工具分为两种, 经过主界面进入, 如下图:

经过主界面选择不同的分类方式: 可分别使用以下两种不同的分类工具。
2.4.1.1 基于IMSI的分类工具

上图为终端分类工具, 经过导入终端信息表、 EVDO话单、 1X话单作为源数据, 经过用户分类算法( 2.2.2.3.2) 得出EVDO话单中, 各类终端的数量和比例。具体操作步骤如下:
1. 在主界面中点击算法一中的”终端分类”按钮, 打开终端分类工具( 算法1) , 如上图。
2. 整理终端信息表, 包含唯一的IMSI、 MEID, 并包含是否为智能手机操作系统的标识
3. 点击左上角”开始导入”, 导入终端信息表
4. 点击”添加文件”, 添加EVDO原始话单后点击”开始导入”
5. 点击”添加文件”, 添加1X原始话单后点击”开始导入”
6. 点击”开始分析”得出终端分类结果
2.4.1.2 基于模型的分类工具

上图为模型终端分类工具, 经过导入终端信息表、 EVDO话单、 1X话单作为源数据, 经过属性分类算法2.2.2.1, 得出EVDO话单中, 各类终端的数量和比例。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。由此我们根据算法( 2.2.2.3.1) , 使用未知手机分类工具对分类进行二次修正, 得到最终结果, 如下图:
具体操作步骤如下:
1. 在主界面中点击算法二中的”第一步: 属性分类”按钮, 打开终端分类工具( 算法2) 如上图。
2. 整理终端信息表, 包含唯一的IMSI、 MEID, 并包含是否存在操作系统的标示
3. 点击左上角”开始导入”, 导入终端信息表
4. 点击”添加文件”, 添加EVDO原始话单后点击”开始导入”
5. 点击”添加文件”, 添加1X原始话单后点击”开始导入”
6. 点击”开始分析”得出终端分类结果
7. 导出统计数据, 智能手机IMSI, 普通手机IMSI, 未知手机IMSI以及数据卡IMSI
8. 使用2.4.2终端模型工具, 计算各类终端模型, 并导出
9. 在主界面中点击算法二中的”第三步: 未知手机分类”按钮, 打开”未知手机分类”工具, 如下图:

10. 点击”开始导入”, 选择第6步中导出的未知手机IMSI。
11. 点击”添加文件”, 添加EVDO原始话单后点击”开始导入”。
12. 导入完成后选择”高级设置”页面, 如下图:

13. 在高级设置页面选择是否删除超长话单以及设置超长话单门限; 设置数据卡用户的流量模型门限; 选择要采用的区分智能手机和普通手机的模型并输入第8步中计算得到的对应模型值。
14. 回到主菜单页面, 点击开始分析, 得到分析结果如下图:

15. 结合第5步得到的分类统计数据和第14步得到的未知手机分类数据, 最后得到终端分类结果如下:

2.4.1.3 分类方法对比
经过两种算法对同一样本数据的分析结果( 算法二指修正后的结果) 能够看到:
1、 算法一与算法二得到的智能手机比例接近, 算法二略高。
2、 算法一得到的普通手机比例明显高于算法二
3、 算法一得到的数据卡比例明显低于算法二
这种差别的主要原因和对策如下:
1、 算法一仅使用IMSI匹配, 可能将部分更换为非天翼定制智能手机的用户匹配为普通手机( 更换前使用天翼定制的普通手机) , 造成手机终端类型的误判。
2、 算法二由于不使用IMSI匹配, 而将较多的样本经过匹配1X话单的方法区分手机和数据卡, 因此其准确性受到1X话单样本数量的影响。以上例子中仅采用了一个小时的1X话单数据, 因此数据卡比例较高。导入更长时间的1X话单, 能够有效提高匹配准确性, 但降低分析效率。
后续将继续研究终端类型的分类方法, 提高划分的准确度。
2.4.2 终端模型分析工具

上图为终端模型分析工具, 经过终端分类工具( 2.4.1) 导出各类终端的IMSI列表, 经过终端模型分析工具, 计算连接次数、 连接时长、 前反向流量、 用户数等终端指标。具体操作步骤如下:
1. 点击左上方”开始导入”, 导入用户IMSI列表
2. 选择