5G优化最佳实践高频支付特征场景评估创新案例.docx
《5G优化最佳实践高频支付特征场景评估创新案例.docx》由会员分享，可在线阅读，更多相关《5G优化最佳实践高频支付特征场景评估创新案例.docx（15页珍藏版）》请在冰豆网上搜索。
5G优化最佳实践高频支付特征场景评估创新案例
中国电信广东分公司
4GLTE高频支付特征场景评估创新案例
2019年9月
【摘要】该案例融合了多种专业技术，通过对用户的DPI数据进行深度挖掘，形成高频支付特征用户画像，采用指纹库模型对特征用户进行反复训练，关联无线KPI和MR数据，建立包含了覆盖、负荷、干扰、接续质量和感知五大维度的高频支付特征场景评估模型，从而准确的得到特征场景的网络评估结果，输出优化方案与建议。
【关键字】无线网络评估、探针、大数据挖掘
【业务类别】优化方法、网络规划、IT系统支撑
一、概述
1.1为什么要聚焦高频支付场景的用户感知
据新浪统计，中国已经全面进入无纸币交易年代。
随身携带手机，通过app支付成为日常大到网上购物，小到菜市场买菜、乘坐公交车必备行为。
高频支付场景的用户体验，是电信天翼网口碑的“硬场景、硬体验、硬感知潜在分数”，是无线用户的底线体验。
可以不看朋友圈，可以不看八卦新闻，但不能没有移动支付。
开展高频支付场景的用户感知评估，可以有针对性地评估高频率支付场景的网络质量，并对高频支付场景的网络现状进行深入分析评估，有效支撑市场业务发展。
1.2传统高频支付场景评估与优化存在的难题
传统的网优技术通过用户MR+AGPS的方式进行评估，由于MR上报具有局限性，并非所有用户均会上报AGPS的MR数据，对于特定的场景来说具备统计条件的数据量更是少之又少，因此需要创新性的评估方式来解决该问题。
1.3问题分析思路
首先高频支付特征场景的定义为：
用户频繁产生支付行为的密集场所。
因此首先要锁定具备高频支付特征的用户，通过核心网DPI进行大数据挖掘即可锁定特征用户得到用户画像。
再结合无线网络关键数据，例如MRO、KPI等进行关联分析，即可得到特征用户所在场景的网络质量评估结果。
评估维度包含：
覆盖评估、负荷评估、干扰评估、接续质量评估和感知评估，五大维度。
二、创新方案
2
3
3.1创新点
一、基于大数据挖掘的底层框架设计：
高频支付场景的用户感知评估系统框架如下图所示，后端应用大数据平均开展数据分析，前端对分析的数据进行展示。
二、采用指纹算法描绘高频支付用户画像：
基于DPI单据设计用户指纹库，建立高频支付用户筛选模型，精确锁定特征用户。
三、通过爬虫技术获得高频支付特征场景：
本课题以农贸市场作为高频支付特征场景案例，通过爬取XX地图、高德地图等第三方服务获得农贸市场的地理位置分布。
3.2技术原理介绍
一、数据源
a）核心网DPI：
需包含IP，域名，手机型号，交易时间，时延、交易类型，IMSI等
b）无线网MRO：
需包含基站号、小区号、主小区RSRP、邻区RSRP、AGPS经纬度（非必须字段）等
c）无线网KPI：
需包含用户感知速率、小区流量、RRC用户数、无线连接成功率/掉线率、干扰噪声值等指标
二、确定目标场景
以广州的农贸市场为例开展，首先确定全广州的农贸及肉菜市场的位置区域，关联所有农贸市场的服务基站/小区及周边小区，输出基站/小区清单。
a）广州菜市场及农贸市场清单参考爬虫结果。
注：
该清单的经纬度信息为高德地图经纬度，需进行经纬度转换。
b）周边基站关联：
根据菜市场及网元扇区的经纬度信息，获取每个菜市场周边的扇区信息，得到菜市场关联小区清单。
周边的范围根据场景进行差异化设置，根据GPS位置取距离50米内所有小区，如果不足6个小区，将范围扩大至1000米进行计算，依次选取最近的小区总数不超过6个。
三、确定目标用户
通过DPI挖掘，得到高频支付场景（农贸市场）用户表单，此时用户可能归属于多个农贸市场。
对以上数据进行7天整合分析得到高频支付场景（第一批试点场景为农贸市场）用户表单。
a）支付信息获取：
服务ID为支付宝转账、银联钱包、翼支付、腾讯云支付判断为支付业务。
DPI中以上类型的HTTP消息，即为支付消息。
b）特征用户初选：
初选算法为：
取小时级DPI数据，选取时间范围为6:
00–21:
00的数据（排除夜晚、凌晨等非工作时段），汇总用户每天支付次数，过滤出支付次数大于20次/天且200次/周的用户作为初选用户。
对初选用户进行指纹库算法识别，得到目标用户。
c）指纹库算法锁定目标用户：
根据用户MRO上报信息匹配到特征场景的基站与小区。
取该用户近7天的MRO数据，如果存在AGPS数据，即该用户有上报过带经纬度的MRO数据，取每天6:
00–21:
00之间存在支付操作（从DPI获取）的时段的AGPS经纬度平均值，利用该经纬度判断该用户位置，取得与小区的对应关系。
用户如果无法获得匹配，可以采用指纹库算法。
d）指纹库训练：
基于MRO建立指纹指标权重，对MRO结果进行训练。
取用户近7天的MRO数据的主服务小区，按出现次数进行排序取出TOP3；同理取出时延LteScTadv得到TOP3，LteNcPci1、LteNcPci2、LteNcPciN，得到TOP3，结合场景情况设置指标权重，取综合分数最高的小区即为目标用户所在区域。
四、网元数据关联
对高频支付用户的MRO进行清洗去燥，与DPI结果进行关联，再与KPI进行关联。
五、无线网络评估
a）覆盖评估：
覆盖评估包括弱覆盖评估和重叠覆盖评估。
弱覆盖采用MR覆盖率进行评估统计，重叠覆盖采用MR重叠覆盖率进行统计。
以天粒度为统计单位，以有ScRSRP的点统计分母，以ScRSRP大于-110为分子，计算每个场景的MR覆盖率。
基于该MR数据集合，根据MR主小区关联得到PCI，再判断NC1、NC2、..NCi的PCI是否与主小区PCI相等，过滤掉相等的记录。
NC是邻区。
取每条MR数据的服务小区和邻区的RSRP值，每一条均作为样本，过滤掉主服务小区RSRP小于-115的记录。
统计单MR重叠覆盖数：
第i条MR中，存在Ni个邻区与原小区RSRP差值6dB以内，则为Ni次重叠覆盖数。
重叠覆盖数=N1+N2+N3+…+Ni…；（Ni为第i条MR消息的重叠覆盖数）。
重叠覆盖率=（重叠覆盖数/MR总数）×100%。
场景重叠覆盖率汇聚方式采用小区级分子求和/小区级分母求和。
b）负荷评估：
以小区流量、用户感知速率、PRB利用率以及RRC连接用户数为判断门限，形成负荷评估模型。
带宽
上下行
判决门限（红色预警）
用户感知（速率）
门限1（流量）
门限2（用户数）
20M
下行
用户下行感知速率<8Mbps（保证小区内80%的用户体验高于4Mbps）
小区下行流量>8GB & 下行PRB利用率>80%
RRC连接用户数>265&下行PRB利用率>80%
上行
用户上行感知速率<256kbps
小区上行流量>3GB & 上行PRB利用率>80%
RRC连接用户数>265&上行PRB利用率>80%
15M
下行
用户下行感知速率<8Mbps（保证小区内80%的用户体验高于4Mbps）
小区下行流量>6GB & 下行PRB利用率>80%
RRC连接用户数>255&下行PRB利用率>80%
上行
用户上行感知速率<256kbps
小区上行流量>2.25GB & 上行PRB利用率>80%
RRC连接用户数>255&上行PRB利用率>80%
5M
下行
用户下行感知速率<2Mbps（保证小区内80%的用户体验高于1Mbps）
小区下行流量>2GB & 下行PRB利用率>80%
RRC连接用户数>75&下行PRB利用率>80%
上行
用户上行感知速率<256kbps
小区上行流量>0.75GB & 上行PRB利用率>80%
RRC连接用户数>75&上行PRB利用率>80%
备注：
（数据源取自全天小时级数据，全天中有一小时满足记为一天）
一、统计连续两周（14天）内，达到判决门限的天数≥6天；
二、用户感知速率和流量、用户数分别都是与的关系，流量和用户数之间为或的关系（用户速率与流量或者用户速率与用户数）
c）干扰评估：
干扰类型
程度
问题判决条件
窄带干扰
一般
连续7天中，有3天小区符合PRB干扰噪声故障筛选天特征（故障筛选天特征：
一天中任一小时，且PRB上行控制信道干扰大于-110dbm，且全天PDCP层总流量>50M，全天最大激活用户数>3）
严重
一天中存在两个小时，且PRB上行控制信道干扰大于-100dbm，且全天PDCP层总流量>50M，全天最大激活用户数>3）
宽带干扰
一般
连续7天中，有3天小区符合信道噪声干扰故障筛选天特征（故障筛选天特征：
一天中任一小时，小区信道噪声干扰大于-110dbm，且全天PDCP层总流量>50M，全天最大激活用户数>3）
严重
一天中存在两个小时，且小区信道噪声干扰大于-100dbm，且全天PDCP层总流量>50M，全天最大激活用户数>3）
d）接续质量评估：
指标说明：
接入性能：
无线连接成功率=RRC连接建立成功率*E-RAB建立成功率；接续性能：
E-RAB掉线率。
类型
程度
问题判决条件
无线连接成功率异常
一般
取该场景所属小区一天忙时指标，取所有小区的指标平均值作为该场景的评估指标，判断指标是否低于门限值95%。
准入判断条件：
小区忙时RRC连接次数>100且最大激活用户数大于3
严重
取该场景所属小区一天忙时指标，取所有小区的指标平均值作为该场景的评估指标，判断指标是否低于门限值90%。
准入判断条件：
小区忙时RRC连接次数>100且最大激活用户数大于3
小区级E-RAB掉线率异常
一般
取该场景所属小区一天忙时指标，取所有小区的指标平均值作为该场景的评估指标，看该指标是否恶化超过门限值8%
准入判断条件：
珠一地区小区全天PDCP层流量>50MB且最大激活用户数>=3,其它地区小区全天PDCP层流量>10MB，最大激活用户数>=3
严重
取该场景所属小区一天忙时指标，取所有小区的指标平均值作为该场景的评估指标，看该指标是否恶化超过门限值10%
准入判断条件：
珠一地区小区全天PDCP层流量>50MB且最大激活用户数>=3,其它地区小区全天PDCP层流量>10MB，最大激活用户数>=3
e）用户体验评估：
支付宝（微信）支付主要有两种方式，扫码支付和付款码支付。
扫码支付，指用户打开支付宝微信钱包中的“扫一扫”功能，扫描商户针对每个订单实时生成的订单二维码，并在手机端确认支付。
付款码支付，是支付宝给到线下传统行业的一种收款方式。
商家使用扫码枪等条码识别设备扫描用户支付宝钱包上的条码/二维码，完成收款。
用户仅需出示付款码，所有收款操作由商家端完成。
该操作主要通过有线网络进行传输，不在本次评估范围之内。
扫码时延：
扫码支付涉及的传输时延主要有两个，时延1：
APP校验信息上传后台服务器，时延2：
解析成功返回支付结果到APP。
付款码支付主要的操作和时延在商家终端，用户使用付款APP感知的时延主要是付款成功后，支付宝后台返回的支付成功信息传输时间。
从DPI中根据业务流开始和结束统计得出的业务持续时间，得到时延。
单个高频支付场景的平均支付时延=AVG（该场景内所有特征用户的支付时延）
扫码成功率：
存在以下三种类型的失败均会造成支付失败，出现其中一项或多项，该条DPI记录记为一次支付失败。
1、TCP连接失败：
tcconnetstate（TCP连接状态指示）为1（失败）；2、业务应用等待超时：
recordclosecause（记录关闭原因）为2；3、WTP中断：
wtpfailtype（Wtp（无线处理协议）中断类型）不为NULL。
用户扫码成功率=（支付总次数-支付失败次数）/支付总次数*100%
高频支付场景扫码成功率=（该场景内所有特征用户支付总次数-支付失败次数）/支付总次数*100%
f）综合评价算法：
问题大类
问题小类
判断条件
分数
覆盖
弱覆盖
有/无
0.05
严重弱覆盖
有/无
0.05
越区覆盖（暂未实现）
有/无
0.05
重叠覆盖
大于30%
0.05
负荷
一般
有/无
0.0666667
严重
有/无
0.1333333
非常严重
有/无
0.2
干扰
窄带干扰（一般）
有/无
0.05
窄带干扰（严重）
有/无
0.1
宽带干扰（一般）
有/无
0.05
宽带干扰（严重）
有/无
0.1
接续
无线连接成功速率异常（一般）
有/无
0.05
无线连接成功速率异常（严重）
有/无
0.1
小区级E-RAB掉线率异常（一般）
有/无
0.05
小区级E-RAB掉线率异常（严重）
有/无
0.1
感知
支付时延
大于2秒
0.1
支付成功率
小于95%
0.1
总计
1
3.3方案实施情况
基于该原理通过大数据挖掘运算，输出了广东省全部农贸市场的网络评估结果如下：
地市
监测个数
综合评价
深圳
199
83
广州
173
87
佛山
134
90
东莞
153
86
中山
111
90
惠州
98
89
江门
41
93
汕头
25
94
珠海
28
88
湛江
34
92
揭阳
42
93
茂名
25
91
肇庆
63
89
清远
52
92
潮州
11
92
梅州
78
94
阳江
13
91
韶关
23
94
汕尾
12
91
河源
37
93
云浮
15
91
总计
1367
91
其中隐形故障类型较多的有：
同时输出了具体TOP站点清单。
以及网络优化建议。
优化调整类：
地市
监测个数
弱覆盖占比
重叠覆盖占比
高负荷占比
干扰占比
深圳
199
4%
65%
54%
90%
广州
173
3%
57%
28%
81%
佛山
134
3%
72%
16%
69%
东莞
153
3%
54%
49%
92%
中山
111
1%
51%
34%
71%
惠州
98
8%
65%
46%
50%
江门
41
2%
59%
20%
39%
汕头
25
8%
20%
0%
40%
珠海
28
11%
79%
39%
71%
湛江
34
9%
68%
15%
26%
揭阳
42
5%
57%
2%
45%
茂名
25
4%
68%
36%
40%
肇庆
63
6%
68%
30%
30%
清远
52
4%
73%
10%
19%
潮州
11
9%
36%
9%
55%
梅州
78
3%
65%
1%
10%
阳江
13
8%
69%
0%
54%
韶关
23
0%
78%
0%
30%
汕尾
12
0%
75%
8%
17%
河源
37
3%
59%
14%
30%
云浮
15
13%
67%
20%
7%
总计
1367
4%
62%
30%
61%
新增资源类：
地市
严重弱覆盖市场数量
深圳
2
佛山
1
惠州
2
珠海
1
揭阳
1
肇庆
2
总计
9
具体场景：
菜市场
城市
平均RSRP
覆盖率
老刘肉菜档
深圳
-108
37%
同乐新布村肉菜市场
深圳
-105
53%
五一市场
佛山
-101
62%
红田天宏市场
惠州
-103
60%
盛誉海味行
惠州
-108
33%
明和市场（入口）
珠海
-101
70%
大坝镇蔬菜市场
揭阳
-106
61%
潭布猪肉
肇庆
-105
62%
旺鑫粮油干货店
肇庆
-108
41%
3.4推广与应用
该技术方案已面向全省推广，通过IT手段定期输出全省农贸市场的评估分析结果，针对分析模型输出的隐性故障，已对接到电子运维派单流程，将具体故障清单派发至一线网优技术人员进行处理。
故障分类如下：
问题大类
问题小类
判断条件
覆盖
弱覆盖
有/无
严重弱覆盖
有/无
重叠覆盖
大于10%
负荷
橙色
有/无
黄色
有/无
红色
有/无
干扰
窄带干扰（一般）
有/无
窄带干扰（严重）
有/无
宽带干扰（一般）
有/无
宽带干扰（严重）
有/无
接续
无线连接成功速率异常（一般）
有/无
无线连接成功速率异常（严重）
有/无
小区级E-RAB掉线率异常（一般）
有/无
小区级E-RAB掉线率异常（严重）
有/无
感知
扫码时延
大于2秒
扫码成功率
小于95%
工单具体内容如下：
序号
字段名称
1
区域类型
2
区域（小区）名称
3
影响小区数
4
影响用户数
5
故障发生时间
6
目前持续时间
7
故障恢复时间
8
问题指标值
9
当前状态
本方案仅完成农贸市场的信息库搭建。
交通站场、专业市场、商业中心等高频支付特征场景均可作为推广内容。
具体应用情况如下：
该案例前期共取了广州47个高频支付特征场景作为随机样本，开展了现场测试，验证区域包含了天河区、海珠区、越秀区、番禺区等典型场景区域。
测试设备为掌上优APP。
从应用结果来看，DPI探测到特征用户数量与RSRP等网络KPI准确度强相关。
另一方面，匹配到MR采样的差异情况也会对案例产生影响：
三、经验总结
该技术创新性的解决了特定场景下的无线网络评估难题，结合了无线网、核心网、大数据挖掘、开源软件等多种专业技术，通过IT手段实现了网络评估工作的自动化，在全省范围内节约了人工分析成本，提高日常网优运作效率。
虽然本案例仅完成了广东省农贸市场的无线网络评估，但由于不同的高频支付特征类场景之间具备相似的特点，因此该技术也可以实现快速的推广和复制。
该案例前期经过大量探索和实践，分别在广州和深圳做了试点，对1200个农贸市场场景进行算法试点验证，发现网络质量问题点88个，覆盖持续恶化问题点54个，试点评估准确性达90%，建议进一步推广应用。
升级会员 