中国电信3G业务规模发展优化手册

1、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）中国电信集团公司第 PAGE 5页 /共270页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主要撰写人马丹、冯云喜、李波、姚坚、周涛

2、、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、赵佳融编制历史：版本更新日期修改更新说明V1.02012-6-27完成 V1.0 版中国电信集团公司第 PAGE 6页 /共270页目录概述9终端业务模型分析12分析思路12业务研究12终端研究13用户模型14分析算法15用户区分标识15模型分类算法17性能分类算法24用户群匹配模型算法24时间均分算法26连接模型算法27模型特征282.3.1时域282.3.2地域31统计方式33智能手机(iPhone)模型38分析工具51终端分类工具51终端模型分析工具60网络负荷评估62分析流程62月度走势分析

3、63网络侧64业务侧64终端侧65忙时分析65忙时定义65PCMD 数据评估67KPI 指标评估70特性分析72终端侧评估74分析算法74中国电信集团公司第 PAGE 7页 /共270页性能测试773.4.3小结78业务侧评估80测试目的81测试方法82注意事项84测试结果85策略建议86网络问题优化策略92总体优化流程93策略应对和优化调整94策略应对总体分析流程95策略一-休眠机制97策略二-负荷控制机制100策略三-切换机制103策略四-规划机制108策略五-寻呼机制112策略六-接入机制118网络基础优化应对策略122优化效果评估126资源占用126网络性能127网络负荷预警和负荷预测

4、机制129分析思路129资源负荷门限分析130信令信道门限131前向业务信道137反向业务信道139设备负荷140无线资源负荷预估流程141预估结果143附录-案例汇总145网络优化策略实施案例145策略一-休眠机制145策略二-负荷控制机制148策略三-切换机制149策略四-规划机制156策略五-寻呼机制160策略六-接入机制166基础优化-DO 载频边界优化171资源预估案例186中国电信集团公司第 PAGE 33页 /共270页预测用户模型187预测门限187资源预估案例188终端性能分析案例及策略建议191终端性能分析191终端异常处理机制196特殊业务（QCHAT）终端问题分析208

5、业务分析案例及策略建议211典型业务(BE)研究211QoS 业务(QCHAT)研究223测试案例228业务测试案例228性能测试案例232RAPIDDORMANCY 功能236智能手机实时监控方法238分析思路2386.7.2流程2406.7.3方法2406.7.4工具243相关表格245统计表格245参数表格265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

6、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

7、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。终端业务模型分析分析思路业务研究连接类业务特性流量类根据业务占用资源特性的差异，可以将业务分为连

8、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。终端研究智能手机终端类别普通手机数据卡根据用户使用习惯和PCMD 的初步分析结果，

9、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。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

10、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。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：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

11、 位十进制数。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。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。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。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

12、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。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：1X 呼叫测量记录：包含 MIN、IMSI、ESN、MDN 号码1X EVDO 呼叫测量记录：包

13、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。模型分类算法属性分类首先，需要确定使用的主要数据来源和用户标识：1X EVDO 呼叫测量记录：用户信息索引为ESN/MEID，IMSI1X 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。终端信息表：ESN/MEID 与终端类型的对应表。用户信息索引

14、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：IMSI 出现在 EVDO 话单中，并且在 1X 中进行过语音呼叫：手机ESN/MEI 和 IMSI 在终端信息表中：手机不符合以上条件，但有可用 IMSI：数据卡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：数据卡：只使用 EVDO 数

15、据业务的USB/PCMCIA 卡手机：产生 EVDO PCMD 记录，并且 1XPCMD 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：提取EVDO PCMD呼叫记录中IMSI,ESN/MEID终端信息表1X PCMD呼叫记录IMSI与ESN/MEID组合是否出现在

16、终端信息表中NoYesIMSI是否使用过1X语音业务No终端信息表中是否存在智能操作系统EVDO PCMD呼叫记录中是否有IMSIYesYesYesNoNo智能手机普通手机未知手机数据卡未知终端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

17、用户，可在用户业务模型统计中做去除处理。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：根据模型统计，进行用户数的划分：参考.1根据 IMSI 统计，进行用户数的划分：参考.2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：每用户连接数每用户总 RLP 字节数每用户空

18、口连接时长部分关键的假设：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。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：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

19、和数据卡用户）。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）和 HWID（详见 2.2.3）进行分类算法。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：提取EVDO PCMD呼叫记录中IMSI,ESN/MEID终端信息表1X PCMD呼叫记录IMSI是否出现在终端信

20、息表中NoYesIMSI是否使用过1X语音业务No终端信息表中是否存在智能操作系统EVDO PCMD呼叫记录中是否有IMSIYesYesYesNoNo智能手机普通手机未知手机数据卡未知终端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。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：提取EVDO PCMD呼叫记录中IM

21、SI,ESN/MEID终端信息表1X PCMD呼叫记录ESN/MEID是否出现在终端信息表中NoYesIMSI是否使用过1X语音业务No终端信息表中是否存在智能操作系统EVDO PCMD呼叫记录中是否有IMSIYesYesYesNoNo智能手机普通手机未知手机数据卡未知终端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。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。提取EVDO无线侧用户呼叫记录(包含IMSI,连接时长，连接流量等字段)特定用户群IMSI列表用户群IMSI是否存在于EVD

22、O话单中No结束Yes每用户连接次数每用户前向流量每用户反向流量每用户连接时长每连接前向流量每连接反向流量每连接连接时长用户群匹配模型流程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。时间均分算法EVDO PCMD 呼叫测量记录起始时间与结束时间是否为同一小时N计算结束时间与起始时间的时间差Y计算所在时段内每小时的占用时长，根据时长比例均分化流量将话务统计（如流量、时长）纳入对应小时

23、的计数器均分化流程由于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。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

24、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；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

25、：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。模型特征时域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

26、类终端的不同资源维度时，需关注不同的最忙时特性。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。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

27、能手机 24 小时流量变化趋势：月份3月5月6月智能手机流量最忙时18:00-19:0018:00-19:0021:00-22:00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。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：60005000400030002000100000h 1h 2h 3h 4h 5h 6h 7h 8h 9h 10h 11h

28、12h 13h 14h 15h 16h 17h 18h 19h 20h 21h 22h 23h工作日周末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4.14.02.6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。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

29、为每用户模型和每连接模型：每用户模型：反映不同终端的总体资源占用特征值每连接模型：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：均值模型：反映不同终端的资源占用的对比特征区间分布模型：反映聚集性区域数值中国电信集团公司用户模型均值模型各类终端主要资源类别均值模型统计维度如下：忙时指标数连接忙时普通 智能数流量忙时普通 智能据卡连接数 总连接时长(分钟) 总流量手机 手机据手机 手机卡(Kbytes) 前向流量(Kbytes) 反向流量(Kbytes)忙时均值模型统计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：第34页 /共270页中国电信集

30、团公司第 PAGE 36页 /共270页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。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。连接模型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

31、时连接忙时流量忙时指标数据普通智能数据普通智能卡手机手机卡手机手机每连接流量(KB)每连接间隔(秒)每连接时长(秒)忙时均值模型统计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：中国电信集团公司第 PAGE 38页 /共270页约 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

32、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。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。智能手机(iPhone)模型智能手机(iPhone)的模型分析，主要包括智中国电信集团公司第 PAGE 71页 /共270页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

33、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。资源占用特性均值模型统计项全天21-2214-15最iPhone4siPhone4s周末工作日151624051462对比样本22511352

34、155110237257连接次数总流量(KB)前向流量(KB)反向流量(KB)时长(s)时时忙时每用户每小时15171824每用户每小时1042127912961799每用户每小时951116411761665每用户每小时91115120160每用户每小时340.2模型对比3853221037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)iPhone43612391141156421高端机3366160259396中端机3351245169299低端机1527724136222智能手机2651946750437.3每连接模型连接时长以短连接为主。连接流量以小流量

35、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。每连接时长连接模型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。连接特性各类终端连接特性对比如下：终端类型数据卡普通手机智能手机iPhone4siPhone4每用户主动连接

36、次数（次）15.699.9110.1413.956.49每用户被叫连接次数（次）8.2713.715.575.7629.27iPhone4s 连接以 AT 发起的连接为主，与其他智能终端不同。iPhone4s 及智能手机 24 小时连接分类对比图如下：从上图对比可以看出， 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。对比指标iPhone4siPhone4SCH-i909MOTO-XT800HW-C8进一步将 iPhone 与几款典型终端连接特性对比如下：户

37、忙时主动起连接次数13.956.4915.2911.247.34户忙时被叫起连接次数5.7629.2718.3321.367.69从以上对比可以看出， 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 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

38、统计数据的特征。 单机业务测试请参见本册 3.5 章节。时域地域特性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。区域分布移动性统计8-9时17

39、-18时21-22时平均每用户占用小区数4.14.02.6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。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20.32%卡普通22.62%手机智能23%手机iPhone65%与其他终端相比，iPhone 的激活度明显高于其他终端，说明用户的活跃度较强。网络

40、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。分析工具终端分类工具根据不同的未知手机分类方式（.1 和.2 两类算法），将终端分类工具分为两种， 通过主界面进入，如下图：通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。基于 IMSI 的分类工具上图为终端分类工具，通过导入终端信息表、EVDO 话单、1X 话单作为源数据，经过用户分类算法（.2）得出 EVDO 话单中，各类终端的数量和比例。具体操作步骤如下：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。整理终端信息表，包含唯一的 IMSI、MEID， 并包

41、含是否为智能手机操作系统的标识点击左上角“开始导入”，导入终端信息表点击“添加文件”，添加EVDO 原始话单后点击“开始导入”点击“添加文件”，添加1X 原始话单后点击“开始导入”点击“开始分析”得出终端分类结果基于模型的分类工具上图为模型终端分类工具，通过导入终端 信息表、EVDO 话单、1X 话单作为源数据，经过属性分类算法 ，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（.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：在主界面中点

42、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。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点击左上角“开始导入”，导入终端信息表点击“添加文件”，添加EVDO 原始话单后点击“开始导入”点击“添加文件”，添加1X 原始话单后点击“开始导入”点击“开始分析”得出终端分类结果导出统计数据，智能手机 IMSI，普通手机IMSI，未知手机 IMSI 以及数据卡 IMSI使用 2.4.2 终端模型工具，计算各类终端模型，并导出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：点击“开始导入”，选择第 6 步

43、中导出的未知手机 IMSI。点击“添加文件”，添加EVDO 原始话单后点击“开始导入”。导入完成后选择“高级设置”页面，如下图：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。回到主菜单页面，点击开始分析，得到分析结果如下图：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：分类方法对比通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）可以看到：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

44、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，而将较多的样本通过匹配 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，可以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。终端模型分析工具上图为终端

45、模型分析工具，通过终端分类工具（2.4.1）导出各类终端的IMSI 列表，通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：点击左上方“开始导入”，导入用户 IMSI列表选择“是”或“否”删除由于终端原因引起的超长话单记录点击“添加文件”，添加 EVDO 原始话单后点击“开始导入”点击“开始分析”得出终端话务模型结果 注：PCMD 中存在超长话单（异常）现象，目前采用人工设定阀值去除超长话单，后续将研究较为准确的异常的超长话单去除方法。网络负荷评估智能手机的快速普及和移动互联网应用多元化发展使得无线网络的各类资源都面临新的 考验，对应网络问题的出现，

46、需要从各类资源 维度进行全面分析和挖掘，及时发现网络中的资源瓶颈。分析流程1、 从网络侧、终端侧和业务侧进行全面评估， 确定用户使用习惯的变化。2、 对全网载扇资源进行评估，确定是否存在需优化区域。开始终端侧网络侧业务侧无线侧用户呼叫记录数据采集KPI数据采集业务侧数据采集NO终端性能指标分析终端业务模型分析网络资源变化趋势（月度、24小时）业务特性变化分析典型业务特征分析NONO是否存在性能异常终端是否存在异常业务特性确定需关注资源维度YESYES终端侧建议业务侧建议全网载扇级相应资源评估是否存在超忙载扇YES策略应对和优化调整优化效果评估月度走势分析首先通过对网络三侧月度指标统计，进行直观

47、全面的分析。网络侧分析网络侧各资源发展情况，确定连接类资源（连接时长、连接次数）增长明显。业务侧目前手机用户应用以 HTTP 类的低流量连接类业务为主。数据卡用户应用以流量类业务占比最高，但 HTTP 类业务也已高居第二位， 和首类业务占比不相上下。终端侧通过无线侧话单分析，确定不同终端类型用户的增长趋势，确定终端变化对网络产生的影响。忙时分析忙时定义根据资源使用情况，将忙时定义为连接忙时和流量忙时。连接忙时分别取 1 月和 12 月一周工作日 24 小时连接时长按小时平均，变化趋势如下：从上图可以看出，连接忙时为下午 14-15点。全年连接数发生了变化，连接忙时未改变，但早忙时连接时长比例出

48、现了大幅增长，开始接近下午忙时。流量忙时分别取 1 月和 12 月一周工作日 24 小时连接时长按小时平均，变化趋势如下：从上图可以看出， 流量忙时为 晚 上21:00-22:00。全年晚忙时流量增幅明显高于白天，但连接时长全天均明显增长，反映出早上和下午用户使用 3G 业务的流量小，晚上流量大的特点。而流量增幅远低于连接时长，可以反映出流量类业务向连接类业务的迁移。PCMD 数据评估通过分终端类别的无线话单进行分析，确定用户在忙时的使用特性。14:00-15:00：连接数和连接时长忙时21:00-22:00：数据流量忙时用户分布根据 PCMD 数据，分析统计时段（忙时或天）分终端类别的用户分

49、布情况如下：类型数据卡智能手手机机普通手机数量百分比各类终端各类终端用户数量用户占比根据不同终端类型的用户数分布，确定不同忙时的集中用户群特性，以及对网络可能产生的资源影响。每连接时长分布(*注： 计算连接时长分布时不包括与session 相关的连接)通过分终端类别的无线话单分析，可以看出随着智能手机的快速增长，智能手机对网络资源的冗余的占用需要及时释放。智能手机使用网络的时间 1-2 秒的连接数约占总连接数的60%左右，部分资源存在冗余占用情况。所以需要对冗余资源进行优化（比如缩短 Dormancy Timer）从而更有效地利用网络资源。每连接间隔分布通过分终端类别的无线话单分析，从连接间隔

50、的角度来看，如果下一次数据包较早的到达，那么较长的 Dormancy Timer 可以避免包到达而引起的连接请求。但是从智能手机的特性可以看到智能手机的连接相对不频繁，也就是说可以将当前连接的 DormancyTimer 缩短，从而释放不必要的资源占用。而且随着智能手机快速增长，需要对冗余占用资源及时释放，提升网络资源的有效利用率。KPI 指标评估对载扇级个性忙时能力进行分析。通过各资源统计，确定目前网络的资源使用情况。每载扇连接时长分布约 15%的载扇连接时长28Erl。目前看来全网连接时长负荷不高，但部分载扇已达到优化建议门限。请参看下图详细分布图。每载扇等效用户数分布由于流量具有较强突发

51、性，因此采用等效用户数对前向流量类负荷进行表征。超过 60% 的载扇等效用户数4。目前看来全网连接时长负荷不高，但部分载扇已达到优化建议门限。请参看下图分布：每载扇连接请求次数分布大概约 70%的载扇连接请求次数 7dB。目前反向负荷不高，但是随着负荷的增加，需制定相应的应对策略。请参看下图分布：特性分析对全网资源评估，通过PCMD 对用户每连接模型进行区间和均值统计，确定资源占用特性：指标每连接流量(kbps) 每连接间忙时数据普通智能卡手机手机均值统计隔(秒)每连接时长(秒)通过 KPI 话务指标统计，对各资源维度进行载扇级话务评估，确定资源负荷是否存在偏高的情况。均值统计参见下图：指标全

52、网均值超门限载扇数连接请求次数连接时长等效用户数ROT均值统计载扇个数从数据统计看，目前全网网络负荷总体不高，小部分载扇资源负荷已达到瓶颈。忙时智能手机用户的连接时长和连接间隔有着如下的特性：约 60%的智能手机用户使用网络资源的时间在 12 秒。随着智能手机的快速增长，需要对网络时长资源进行优化。对智能手机用户，约70%连接间隔 10 秒，也就是说智能手机用户建连接不是很频繁。需要通过优化减小来释放网络冗余资源的占用。从以上对话单（PCMD）以及 KPI 的分析， 可以得出如下的结论：智能手机以相当快的速度增长。而智能手机用户行为和传统的数据卡用户行为有着显著 的差别。所以随着智能手机用户的

53、增长，需要对网络进行针对性的优化。终端侧评估分析算法除网络侧话单和 KPI 评估外，对终端侧需要进行分终端型号的性能评估。基于终端的网络指标统计可以帮助及时核查现网的终端性能，以及对网络指标的影响。 作为终端侧策略，建议进行周期性的话单统计， 以及时了解终端对网络的影响。本次终端性能评估，主要依托 PCMD 数据，根据其中的 HWID（ESN/MEID）字段对终端进行区分，并计算相关指标。数据来源PCMD：上海贝尔针对 CDMA 网络开发的一个 Feature 主要用于追踪每一条通话记录。分为 1x PCMD 和 EVDO PCMD。终端信息表：根据手机的 ESN 或 MEID 对应具体终端品

54、牌及型号的记录。关键字段介绍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。CFC：通话结束种类（Call Final Class）。反映每次通话的完成情况。CFCQ：通话结束种类子类（CFC Qualifier）。对 CFC 进行进一步的分类。RLP Bytes Transmitted to AT：前向 RLP 层流量。RLP Bytes Received from AT ：反向 RLP 层流量。RLP Bytes Re-received from AT

55、 ：前向 RLP层重传流量。RLP Bytes Retransmitted (NAKed) to AT：反向 RLP 层重传流量。终端型号获取方法根据前端提供的终端信息表将话单中的HWID（ESN/MEID）与之关联，得到相应的终端型号、生产厂商及操作系统。性能评估方法终端 DO 连接建立成功率：选取全天 DO PCMD，主要统计字段为 IMSI，CFC， CFCQ。通 过 终 端 信 息 表 ， 关 联 话 单 中 HWID（ESN/MEID）的手机型号及生产厂商，统计每种终端的连接建立请求次数（ CFCQ2206 且 CFC 不为空的话单总数），连接建立成功次数（CFC=1 或 CFC=2

56、 的话单总数），得出终端连接建立成功率。终端 DO连接掉话率： 选取全天 DOPCMD，主要统计字段为 IMSI，CFC， CFCQ。通 过 终 端 信 息 表 ， 关 联 话 单 中 HWID（ESN/MEID）的手机型号及生产厂商，统计每种终端的连接掉话次数（ CFCQ=100或CFCQ=106 的话单总数），连接建立成功次数（CFC=1 或 CFC=2 的话单总数），得出终端连接掉话率。终端 DO 重传率：选取全天 DOPCMD， 主要统计字段为 IMSI ， CFC ， RLPBytes Transmitted to AT ，RLP Bytes Received from AT，RLP

57、 Bytes Retransmitted (NAKed) to AT， RLP Bytes Re-received from AT。通过终端信息表，关联话单中 IMSI 的手机型号及生产厂商， 统 计 每 种 终 端 前 向 重 传 率 （ RLPBytes Retransmitted(NAKed)toAT/RLPBytes Transmitted to AT）以及反向重传率（ RLP BytesRe-receivedfromAT/RLPBytes Received from AT）。性能测试智能手机入网前都会有相应的 IOT 测试环节。但由于各地现网的实际配置，与之前可能存在互联互通的特殊问

58、题，需要进行测试验证。 以 iPhone4s 为例，目前已建立了 iPhone 问题的汇总机制，各地可参考此类问题做相应测试和验证。以下列举两个与无线空口有关，具有代表性的测试案例。iPhone4s CDMA 协议版本为 9，现网 1X 网络版本为 6。两者存在版本间前、后向兼容需求。从测试过程发现一些和版本兼容有关的问题。上海贝尔区域异常情况：Case1 : 当 max_cap_size 为 6 时，拨叫长号码会呼叫失败Case2 : 从上海贝尔区域向华为区域移动的过程无法切换发生掉话小结以 iPhone4s 为例，统计忙时、天、周、月粒度统计，监控网络中 iPhone 的主要网络性能。以下

59、是与 1X、DO 网络重要指标相关的 iPhone 性能统计：网络1X指标iPhone4s全网0.22%0.3%DO掉话率DO 连接建立成功率DO 掉线率99.84%99.3%0.32%0.7%从上述统计可以看出， iPhone4s 性能指标均高于全网平均水平。对终端类型级问题排查主要流程：1、 终端类型：如有集中终端，需要进行单机测试，并及时反馈手机厂商；2、 区域：如有集中区域，需要进行区域问题分析和优化。3、 区域和全网分析优化可参见本册第三、四章节问题排查流程图如下：终端性能异常YES是否存在终端聚集性NO终端测试确定异常机制是否存在区域聚集性NO全网网络问题分析优化YES反馈终端厂商

60、区域网络问题分析优化后续将进一步关注与用户感知、网络资源等相关的指标统计。业务侧评估由于智能手机采用较高端的操作系统，可以看成是移动的 PC 机，因此其应用也变的多种多样。为了正确了解和认识智能手机对无线空口的影响，需要我们对智能手机的一些典型业务做相关测试。掌握智能手机的用户使用习惯和业务特性。对典型业务进行服务特征研究， 结合上层和空口行为特征，针对业务特性设计提出建议。以 iPhone4s 为例，通过单机测试与 Android进行了对比。对比包括业务静默态的心跳行为和连接态的业务行为，从TCP 层到业务应用层对不同终端和业务使用特性进行对比。主要关注以下几方面差异：不同终端同种业务静默测