一种基于大数据的外部干扰排查方法

摘要

非法直放站干扰一直是长期困扰运营商的外部干扰之一，在L900部署的窗口期，研究如何通过大数据精准定位非法直放站干扰源十分重要。在介绍了非法直放站干扰原理的基础上，详细阐述了如何通过OTT/MDT大数据，经过聚类特征分析处理，快速准确地定位出对网络施扰严重的非法直放站，切实改善网络质量、保障用户实际感知。

关键字

非法直放站、L900、OTT/MDT大数据、聚类特征分析、精准定位

 概述

自2G网络部署以来，深度覆盖一直是各大运营商的网络痛点，部分用户选择私自采购价格低廉的非法直放站进行信号放大，一方面导致运营商MR数据中下行覆盖虚假改善，实际问题点被掩盖，但基站上行干扰和各项KPI出现劣化，另一方面用户信号看似改善但实际业务出现单通、掉话的现象，NPS（网络净推荐值）走低。

在19年中国联通投入重金建设L900低频打底网的窗口期，900M频段的干扰程度决定了L900的质量与感知，因此非法直放站的排查工作刻不容缓。传统排查方法仅能将干扰源定位在逻辑小区范围内，再进行人工干扰排查，导致实际定位难度大，排查效率低，运营商迫切需要一种可以快速、准确定位非法直放站的手段。

非法直放站干扰原理

直放站产生干扰的原因是空间的白噪声和直放站自身的噪声经过放大后通过上行链路连同手机信号一同到到达基站接收端造成对基站的上行干扰。

一般正规直放站厂家在安装直放站时考虑到这个问题，要对直放站上行噪声底部电平（uplink noise floor）进行调整，并且选择适当的施主小区，以减少对基站系统的上行干扰。但某些用户自行安装的直放站并不考虑该问题，因此会对周围基站造成较强的上行干扰。直放站引起的上行干扰统计上的规律为：与话务量无关，只要直放站工作，G900侧干扰等级45比例持续高；关闭直放站后，频谱恢复正常。

图1：直放站工作原理和干扰影响

 基于OTT/MDT大数据的非法直放站排查

传统直放站排查是通过投诉或者干扰方向性特征，将干扰源锁定在某一个扇区方向进行人工扫频，通常干扰源排查需要1-2周时间。本方法利用OTT/MDT数据的高定位准确度，结合大数据进行分析，可以实现将非法直放站干扰源根据聚类特征快速定位到20*20栅格大小，同时关联现网GL900站点干扰情况，极大程度提升干扰排查效率。

3.1 高精度MDT数据

国际标准化组织3GPP在R9协议中提出了最小化道路测试技术（MDT）。MDT技术的核心在于通过商务手机上报的携带有GNSS全球导航卫星系统位置信息的测量报告，用来获取网络优化所需要的重要参数。

MDT功能有赖于终端的上报，上报根据需要可以是实时也可以是非实时的。系统侧收集终端测量数据的方式有两类：

方式一：终端LOG上报，即将IDLE态的测量结果暂存，在eNB发UEInformationRequest的时候，把测量信息通过UEInformationResponse发送给eNB；

方式二：实时MDT，即在连接态情况下，基于周期或事件上报的测量及上报机制，基站在连接态下通过MEASUREMENT_REPORT收集数据，除MR信令上报之外，RLF也是实时MDT数据。

通过MDT方式可以较为准确地采集到用户的位置信息，实际定位精度在10~20m左右。

图2：LOG上报（左）及实时MDT（右）位置定位信息上报流程

3.2 高精度OTT数据

OTT定位方法属于MR定位技术的一种，OTT定位指依托互联网应用向海量用户提供的服务，基于APP软件获取用户的位置信息。通过LTE网络SI-U接口中的数据解析提取出位置服务用户的经纬度信息，利用用户标识和此时刻的MR数据进行关联，并利用特定算法实现MR数据精确的室内外区分和定位。

基于OTT算法定位的经纬度，实际定位精度在10~20m左右，可为网络优化及问题定位提供准确的定位信息。

图3：S1-U http URI截图

3.3 非法直放站干扰问题定位方法

3.3.1路损异常数据收集方法

非法直放站干扰问题定位方法依赖于路损异常数据的收集。以自由空间传播模型为例，遵循信号和场强的衰落特征，信号离基站的距离逐步衰弱：

PathLoss=32.44+20*lg（F）+20*lg（Distance）

图4：常规/直放站场景下场强衰落模式

根据直放站工作原理，在部署了直放站的场景下，在无线信号衰落过程的中间点位上应存在信号放大过程，即信号强度在某些点位不随时间和距离进行衰落。

结合上述特征，根据直放站场景下用户的异常场强和路损特征进行采样点收集。通过GSM或FDD900的OTT/MDT数据获取用户、服务小区的经纬度信息，计算用户和服务小区间的理论路损,并与MR上报RSRP得出的实际路损对比，收集低于理论路损10dB以上的异常采样点。

图5：基于MDT或OTT方式对比预测路损与实际路损

3.3.2路损异常数据分析处理

针对2.3.1中收集到的路损异常采样点进行数据清洗。其中位置异常的采样点（如在江、河、湖等非常规区域）和孤立的采样点（采样点样本少或无集簇特征）认为不具有聚类特征，优先进行清洗；

图6：基于GPS特征的采样点清洗和基于聚类特征的小区信号叠加

针对保留下来具有聚类特征的采样点继续下钻，根据MR数据中同点位多逻辑小区叠加计算，可以实现覆盖点位的电平加强放大，进一步判断是否区域内信号均存在放大现象；

 现网排查效率验证

在现网开展采用OTT数据进行非法直放站干扰源位置定位验证，对干扰源位置的分析结合了小区干扰指标、MDT/OTT干扰源定位结果、地理化场景边框进行，目的是分辨出对网络性能造成较大影响的、同时具有干扰源的具体区域。

4.1 基于干扰KPI的小区筛选

对现网2G小区进行上行干扰带级别统计，统计得到全天平均干扰水平4级和5级比例高于30%的小区在7186个小区中存在117个，其中100个为宏站小区，干扰情况不随下降而减少，存在典型的外部干扰特征。以这100个900M高干扰宏小区为目标进行下一步分析。

4.2 基于OTT数据的疑似直放站输出

通过OTT数据通过路损异常数据分析推断可疑干扰源，南京全区域得到可疑干扰源共计11881个，其中高可疑干扰源2315个，高可疑干扰源分布主要集中在县城区域，其中以工业园区、集宿舍区、居民区等场景为主。

表1  全市基于OTT数据的疑似直放站统计数据

4.3 基于KPI、OTT和场景关联的高可疑点位输出

通过结合干扰较强的小区指标，以及OTT方式推断的疑似干扰源位置，以计算干扰源与小区距离的方式，粗确定高干扰场景小区下的疑似干扰源数量。其中有100个高干扰宏站小区下，有44个小区附近500米内不存在疑似干扰源。

对排名较前的小区在地图上进行确认查看，有大量疑似干扰源的位置落在居民区场景边框内的，进一步提高其存在干扰源的优先级。

4.4 基于干扰KPI的小区筛选

针对3.3输出的高可疑非法直放站干扰源进行人工排查，实际干扰源点位对怀疑高干扰场景的小区，选择大里墅电信基站下大里聚福城区域进行现场扫频确认，该区域内在大里聚福城·华庭南园和大里聚福城·怡景园存在高可疑干扰源，整片区域内存在可疑干扰源。

现场排查历时约2小时，实际发现两处直放站干扰源，一处为八目天线，为移动为地下车库配电房内安装的放大器，干扰源实际位置距离输出高可疑干扰源点位40米内，与可疑干扰源点位重叠。

图7 大里聚福城华庭南园/怡景苑非法直放站干扰源

另一处根据扫频结果为用户室内，最终定位在1805室阳台位置，因用户不在家原因未明确干扰源天线类型，干扰源实际位置距离输出高可疑干扰点位240米左右，与可疑干扰源点位重叠。

总结

直放站是网络优化覆盖的一种解决方案，但由于直放站质量或安装工艺问题，可能会信源基站造成严重的上行干扰。通过本文介绍的方法，基于OTT/MDT大数据的聚类特征分析，结合现网干扰KPI和场景信息，可以实现快速、准确定位排查非法直放站干扰源，解决相应干扰和投诉问题，后续应通过满格宝替换和小微站建设的形式，从根本上解决深度覆盖问题，切实提升用户感知。

参考文献

[1] 赵俊德. 一种基于最小化路测（MDT）数据的天馈智能优化方法[J]. 电信工程技术与标准化, 2017,（12）: 42-44.

作者：全诗文 周奕昕 张进 冷俊