基于网页浏览的用户感知测评无线网络性能方法

摘要

本发明提供一种基于网页浏览的用户感知测评无线网络性能方法，通过机器学习算法将无线性能指标与网页浏览业务进行关联，得出LTE无线的性能质量对业务的性能质量的影响；将客观的网页浏览业务与性能指标量化后关联成用户的觉察力产生感知结果。进一步地，将用户的觉察力感知结果反向映射回LTE无线性能，得到导致觉察力感知结果低下的网络性能短板，对用户感知较差的地方进行概率预测；该基于网页浏览的用户感知测评无线网络性能方法，除了能够找到影响网页浏览业务质量的关键指标外，还能对用户感知较差的地方进行概率预测。

说明书

技术领域

本发明涉及一种基于网页浏览的用户感知测评无线网络性能方法。

背景技术

随着TDD-LTE网络的快速发展，4G LTE网络技术的产生和智能手机拉近了人与人之间的距离。2013年全球的移动数据流量比2012年增长了81％，到达了平均15亿GB每月。如此迅速增长的网络流量对LTE无线网络造成了极大的负担。于此同时，国内外运营商在运营，维护，优化LTE网络中面临的挑战逐步显现与暴露。结合运营商无线目标网演进计划和4G规划建设的总体思路，需要尽快实现TD-LTE的全网连续覆盖，热点深度覆盖以及室内深度覆盖；在完成各建设指标以后，如何评价覆盖效果。

传统的LTE网络覆盖优化问题局限于无线RF自身参数的优化。即先定义RF参数优化到达目标，然后设计物理方法或者数学方法使得RF参数调整后到达优化目标值。在这其中，忽略的问题是，当RF的参数优化到目标值以上，或者网络覆盖建设目标达成后，是否用户在无线网络的质量体验就提升了？是否用户在网络中使用的各种业务的业务质量就提升了？归结到一个问题就是，移动用户作为网络流量与话务的消耗者和无线业务的使用者，他们在使用各项业务时是否也感受到LTE网络无线覆盖RF指标优化后带来的业务质量和体验的全面提升？因此，无论是广域覆盖，室内覆盖，专项(高铁，高速等)覆盖，都需要一套中立和客观的测评机制从移动业务的角度和业务受众者。

随着网络通信和计算机技术的不断成熟，运营商在网络、存储、计算机等基础设备的投入紧跟大数据时代的步伐，使得自身快速成为一个大数据的金矿，拥有全量的RF指标，话务统计指标，信令指标，业务应用性能指标数据等，积累了大量的数据资源，为通过大数据挖掘技术发现网络数据背后隐藏的知识提供了有效的基础。

LTE无线网络覆盖的优化，传统上以增强覆盖，减少干扰为两大定性目标。从定量的角度，运营商的TD-LTE网络KPI考核手册里对所有网络指标都严格定义了通过门限值和验收标准。从运营商的角度，定义和判断无线网络质量的好坏，是由无线网络指标来指征的。从无线用户的角度，用户自身使用承载在网络上的语音，数据等业务产生主观感受是他们判断运营商无线网络质量好坏的标准。可见，网络的运营者和网络业务的使用者之间的标尺是不统一，标准是割裂的。再从认知心理学的角度，导致割裂的原因是底层网络的客观指标无法准确评价上层业务到达使用者后产生的主观认知结果。

这就要求运营商重新审视网络优化的目标，不只局限于优化网络指标满足KPI考核手册里规定的标准，而是努力将网络层面的客观指标与用户的主观认知结果用一种主客体映射的算法桥接起来。

LTE无线网络中客观的0和1比特流经历了如下过程使得用户产生认知，如图1：LTE物理层每个TTS里的Subframe里的RB里在时域里包含6-7个Symbol，在空域里包含12个子载波，每个RB里的RE是最后用来承载和传输比特的载体。这些包含信令，与用户面内容的比特流在网络层经过封装后变成了IP Packets(IP包)，Packet里封装的信令与用户面数据。再到应用层封装后各个业务的内容，最后内容传送到用户手持的终端中，用户请求的内容(Data Call或者VoiceCall)得以体现。用户只对于最后呈现，或送达的内容可见，因此由网络到终端所呈现的内容质量，所传递的时间消耗成为用户从网络受众者的角度对LTE无线网络质量和终端质量判断的主要标准。LTE无线网络的RF质量如何映射到直接影响到用户感知的业务质量尤为关键。

对于网页浏览业务，用户从开机到触发终端屏幕上的网页链接后，会经历Attachment,RRC Connection Setup,PDN Connection Setup,eRAB Setup,DNSLookup,TCPHandshaking,Get,Post等步骤，每一步骤产生的时延总和，会成为影响网页浏览业务质量的瓶颈，也是导致用户主观可直接感知的指标。

用户觉察力是用户对于可代表或理解某种环境的感应信息的组织，认知和解释，觉察力包含了人类神经系统里由感觉器官来源于的物理与化学刺激产生后的信号整体。觉察力的产生可分为两个子过程。第一，即人对于输入感官内容的处理和转换，将低层次的信息翻译为高层次的信息。比如将一个物体的形状解读用于认知这个物体。第二，将这些解读的信息与决定并产生人的感知的观念，期望，关注关联起来。当用户觉察力让用户认定感知降低时，用户倾向于简单的归结于网络质量下降导致了网页加载不成功或者速率变慢，用户也没有任何义务和驱动力去认知感知降低，业务质量的降低究竟是因为何原因导致的。

发明内容

本发明的目的是提供一种基于网页浏览的用户感知测评无线网络性能方法，基于电信心理学的主客体转换算法，设计出“基于用户感知的LTE小区网络质量学习”方法，将LTE中的网络质量映射到应用层业务中用户直接或间接可感知的维度上，最后再将用户的主观感知映射到一套客观的评价体系中，准确的量化LTE的网络质量如何映射用户业务体验感受中，解决现有技术中存在的上述问题。

本发明的技术解决方案是：

一种基于网页浏览的用户感知测评无线网络性能方法，包括：

通过机器学习算法将无线性能指标与网页浏览业务进行关联，得出LTE无线的性能质量对业务的性能质量的影响；

将客观的网页浏览业务与性能指标量化后关联成用户的觉察力产生感知结果。

进一步地，将用户的觉察力感知结果反向映射回LTE无线性能，得到导致觉察力感知结果低下的网络性能短板，对用户感知较差的地方进行概率预测。

进一步地，网页浏览业务映射到可量化用户觉察力映射，具体为：

令用户觉察力的感知结果为MOS_wed，业务性能指标i为SPI_i，则对于LTE网络中的网页浏览业务，两者之间的映射方程为

MOS_web＝f(SPI_i)>

设计网页，在后台设置多个不同的参数，即不同质量指标，不同的质量指标势必会导致不同的网页浏览体验质量，将不同的参数设置的网页在同一终端逐一打开的过程中，收集不同参数下的后台指标数据，并且对每两个不同参数设置的网页，用户只需进行二选一投票，得到用户投票矩阵；

通过用户投票投票矩阵以及终端后台指标，按以下公式建立用户打分矩阵按以下公式作连续性映射关联：

其中，S_ij代表用户投票矩阵i行j列的值，Π_ij代表跟i，j相关的函数，S_ji代表用户投票矩阵j行i列的值，Logit代表对函数取对数函数log，β_i代表取对数函数后跟i相关的函数形式，β_j代表取对数函数后跟j相关的函数形式，取值为0到1之间，Norm_[0，5]表示对前者做一个线性规划，使得其取值范围为0到5之间；webQualityScore含义同MOS_web，即网页浏览用户觉察力的感知结果。

进一步地，业务性能指标包括：RRC时延、业务请求时延、ERAB时延、DNS找寻时延、TCP12次握手时延、TCP23次握手时延、页面显示时延、页面响应时延、页面下载速率。

进一步地，LTE微区域RF性能到业务性能映射，具体为：将无线性能指标对网页浏览业务进行关联，令RFI为RF Indicators无线性能指标，时延为Delay，定义如下方程：

Latency＝f(RFI_i)，i＝1，2，3，...公式5

其中，Lantency表示上述时延的总和，f表示函数的表达形式，RFI_i表示第i个无线性能指标；

由于用户感知指标存在于信令数据中，而无线RF指标数据存在于MR数据中，因此，将上述两个数据集按照小区、用户、时间维度上进行整合，接着将用户感知指标作为因变量，无线RF指标作为自变量进行回归；针对若干种回归模型在训练集上进行计算，对每个回归模型分配权重从而将这些回归组合为一个集成回归模型。

进一步地，无线性能指标包括TD-LTE服务小区的参考信号接收功率RSRP、TD-LTE服务小区的参考信号接收质量RSRQ、TD-LTE服务小区的信噪比SINR、信道质量指示CQI、LTE中速率的配置通过MCS索引值实现MCS、UE上PDSCH信道占用PRB数即PDSCH PRB、UE上PUSCH信道占用PRB数即PUSCH PRB。

进一步地，组合为一个集成回归模型，具体为：对于每种回归模型j，在训练集中的每个样本i上进行留一法交叉验证，产生一个预测值接着，在除了i以外的样本使用回归算法j，得到预测值计算出误差平方因此，每种回归模型j，通过ε_j：＝(ε_ij)′_i来定义的定义列向量，其中，ε_j表示由第i个样本在回归算法j上的误差平方形成的列向量，′表示转置；

通过误差来推导出权重，具体为：按最小加权二乘法和权重之和为一的限制来计算权重w₁，w₂，…，w₈的真实值；这些权重是按照如下方程1所定义的最优化问题得到的，加上方程2所定义的约束条件，||·||₂表示欧几里得范数。

其中，w_j表示回归算法j的权重，ε_j表示由第i个样本在回归算法j上的误差平方形成的列向量；

得到权重值后确定预测的回归函数，针对每种回归方法，找出权重并确认哪种回归函数用于预测；为了实现该目的，在训练集中所有元素上进行j回归，从而得到每种回归方法的预测函数P_j，最后，集成回归被定义为P_j的线性加权组合。

该方法通过获得包含用户感知指标、无线质量指标的数据，调用webQualityScore的打分方程；然后，建立无线指标与用户感知指标的回归模型。该基于网页浏览的用户感知测评无线网络性能方法，除了能够找到影响网页浏览业务质量的关键指标外，还能对用户感知较差的地方进行概率预测。移动公司可以对用户感知差的地区开展针对性的网络优化服务，进而提高相应小区/用户的网页浏览业务质量。

本发明的有益效果是：该种基于网页浏览的用户感知测评无线网络性能方法，通过对接无线RF指标数据、话务统计数据、测量报告数据、信令数据等，量化针对LTE无线覆盖质量为评价目标的用户觉察力产生的质量感知，利用大数据，机器学习和数据挖掘技术，开发出一套大数据算法，将LTE无线网络质量，用户可体验的LTE业务质量和用户觉察力这三个维度设计出两级非线性关联算法映射模型。通过平台系统的开发，可以回溯最终因哪些指标影响用户感知体验，为网络优化、市场协同提供一套技术先进系统化解决方案。

附图说明

图1是网络质量如何影响到用户感知的业务质量的说明示意图。

图2是实施例中用户投票矩阵的示意图。

图3是实施例中七种不同的回归算法集成式学习的说明示意图。

图4是实施例中回归算法训练的流程示意图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例中词汇解释如下：LTE(Long Term Evolution，长期演进)，RRC(RadioResource Control)是指无线资源控制，ERAB(Evolved Radio Access Bearer，演进的无线接入承载)，DNS(Domain Name System，域名系统)，TCP(Transmission Control Protocol传输控制协议)，RF(Radio Freqency射频，无线电频率)，MR(Measurement Report,测量报告)是指信息在业务信道上每480ms(信令信道上，470ms)发送一次数据,这些数据可用于网络评估和优化，TD-LTE(Time Division Long Term Evolution(分时长期演进))，MCS(Modulation and Coding Scheme，调制与编码策略)，PDSCH(Physical Downlink SharedChannel，物理下行共享信道)，PRB(PHYSICAL RESOURCE BLOCK，物理资源块)，UE(userexperience，用户体验度)，PUSCH(Physical Uplink Shared Channel物理上行共享信道)，TDD-LTE(Time Division Duplexing Long Term Evolution)时分双工长期演进，PDN(Public Data Network公用数据网(PDN))。

实施例

一种基于网页浏览的用户感知测评无线网络性能方法，通过机器学习算法将无线性能指标与网页浏览业务进行关联，得出LTE无线的性能质量对业务的性能质量的影响；将客观的网页浏览业务与性能指标量化后关联成用户的觉察力产生感知结果。进一步地，将用户的觉察力感知结果反向映射回LTE无线性能，得到导致觉察力感知结果低下的网络性能短板，对用户感知较差的地方进行概率预测。

网页浏览业务映射到可量化用户觉察力映射，具体为：在LTE或者其他移动通信网络中，用户的觉察力产生的感知和网络底层的信令与话务指标没有直接关联的。用户的觉察力是对业务指标有直接感知的，例如网页下载速率，网页时延等。令用户觉察力的感知结果为MOS_web，业务性能指标i为SPI_i。则对于LTE网络中的网页浏览业务，两者之间的映射方程为

MOS_Web＝f(SPI_i)>

设计一个标准的网页，在后台设置多个不同的参数，即不同质量指标，不同的质量指标势必会导致不同的网页浏览体验质量。例如，4个不同的参数设置的网页在同一终端逐一打开，过程中，收集4个不同参数下的后台指标数据，并且对每两个不同参数设置的网页，用户只需进行2选1投票，得到用户投票矩阵，如图2所示，图2中S1、S2、S3、S4即上文的SPI指标。

通过用户投票打分矩阵以及终端后台指标，按以下公式建立用户打分矩阵按以下公式作连续性映射关联：

其中，S_ij代表用户投票矩阵i行j列的值，Π_ij代表跟i，j相关的函数，S_ji代表用户投票矩阵j行i列的值，Logit代表对函数取对数函数log，β_i代表取对数函数后跟i相关的函数形式，β_j代表取对数函数后跟j相关的函数形式，取值为0到1之间，Norm_[0，5]表示对前者做一个线性规划，使得其取值范围为0到5之间；webQualityScore含义同MOS_web，即网页浏览用户觉察力的感知结果。

其中SPI指标有：RRC时延、业务请求时延、ERAB时延、DNS找寻时延、TCP12次握手时延、TCP23次握手时延，页面显示时延、页面响应时延、页面下载速率等。

LTE微区域RF性能到业务性能映射，这一阶段的映射，致力于关联LTE无线网络微区域的无线性能与区域内无线业务的定量关系。根据业务专家对网页浏览业务的专业解读，只需要考虑如下的无线性能指标参与对网页浏览业务指标的映射工作。在小区级别的测量报告中，需要考虑如下RF指标作为潜在的无线性能指标，对网页浏览业务进行关联：无线性能指标包括TD-LTE服务小区的参考信号接收功率RSRP、TD-LTE服务小区的参考信号接收质量RSRQ、TD-LTE服务小区的信噪比SINR、信道质量指示CQI、LTE中速率的配置通过MCS索引值实现MCS、UE上PDSCH信道占用PRB数即PDSCH PRB、UE上PUSCH信道占用PRB数即PUSCHPRB等。

定义如下方程。令RFI为RF Indicators无线性能指标，时延为Delay。

Latency＝f(RFI_i)，i＝1，2，3，...公式5

其中，Lantency表示上述时延的总和，f表示函数的表达形式，RFI_i表示第i个无线性能指标。

由于用户感知指标存在于信令数据中，而无线RF指标数据存在于MR数据中，因此需要将上述两个数据集按照小区、用户、时间等维度上进行整合，接着将用户感知指标作为因变量，无线RF指标作为自变量进行回归。本发明使用七种不同的回归方法进行了详述。这些回归算法涵盖了广泛的统计方法，涉及完全不同的统计算法，以保证集成回归系统的鲁棒性和灵活性。如图3，七种回归方法分别是：线性回归、多项式回归、岭回归、Lasso(索套)回归、Elastic(弹性)回归、广义相加模型(GAM)、多元自适应回归样条模型(MARS)。

如图4，针对每一个回归模型在训练集上进行计算。其目的就是找到合适的权重从而将这些回归组合为一个集成回归，如下所述。

对于每种回归模型j，在训练集中的每个样本i上进行留一法交叉验证，产生一个预测值接着，在除了i以外的样本使用回归算法j，得到预测值因此可以计算出误差平方可计算出。因此，针对每种回归模型j，可通过ε_j：＝(ε_ij)′_i来定义列向量，其中，ε_j表示由第i个样本在回归算法j上的误差平方形成的列向量，′表示转置；

接下来通过误差来推导出权重。按最小加权二乘法和权重之和为一的限制来计算权重w₁，w₂，…，w₈的真实值。形式上，这些权重是按照如下方程1所定义的最优化问题得到的，加上方程2所定义的约束条件。||.||₂表示欧几里得范数。

其中，w_j表示回归算法j的权重，ε_j表示由第i个样本在回归算法j上的误差平方形成的列向量；

得到权重值后即可以确定预测的回归函数，针对每种回归方法，找出权重并确认哪种回归函数用于预测。为了实现该目的，在训练集中所有元素上进行j回归。从而得到每种回归方法的预测函数P_j，最后，集成回归被定义为P_j的线性加权组合。

一旦推导出集成回归模型，就在测试集上进行检测。针对该步骤，将已知的真实用户感知指标值与测试集上获得的预测值进行比较。计算如公式3所定义的平均误差率从而得到错误率ε_test。为了确保系统的鲁棒性和精确度，进行不同的比较。首先，在训练集上执行一样的错误率计算，得到错误率ε_train。ε_test和ε_train差异小表明不存在过拟合，说明了计算的鲁棒性。然后，在测试集上针对每种回归方法进行预测，每种回归方法都产生一个错误率。通过比较在集成回归中所获得的错误率ε_test，从而检测出系统的准确性。

其中，n_test指代test数据集的行数。

接着，按解析式的方法计算出权重并推导出集成回归模型。从而，在训练集和测试集上都计算出了平均误差率。在该例子中，从训练集到测试集所增加的误差很小，表明不存在过拟合。并且，与其他回归方法相比，集成回归模型取得了很好的效果并且可有效地运用在实际应用中。此外，与所有的其他方法不同(即使是三次多项式回归)，集成回归更稳定且可以自行调节。因此，更好的回归应该是集成回归。

基于以上，可以连接起用户感知与无线指标的桥梁。当用户感知差时，可以回溯出因影响用户感知的短板指标，进而建议网优人员对该指标进行针对性的优化工作。