大数据下无线网络优化模式研究

摘要：随着5G移动通信技术的快速发展，人们已经进入到了移动无线宽带时期，无线网络与有线网络不同，其传输数据采用无线介质，因此为了保障无线网络的全覆盖，需要对无线网络进行优化，从而可以提高无线网络数据传输的可靠性和准确性。文章提出在无线网络优化中引入大数据技术，也即利用K-means算法，挖掘无线网络覆盖的漏洞，从而可以加强这些区域的网络覆盖强度，进一步提高无线网络全覆盖的能力。

1引言

5G移动通信的关键技术如智能天线、MIMO等，经过多年的研究和发展，已经取得了极大的成就，如可以提高5G通信射频发射能力，利用MIMO技术实现5G移动通信多输入和多输出，更好地满足5G移动通信大容量需求。通信研究院发布的2021年统计数据显示，5G移动通信目前已经覆盖了全部地市城市，也覆盖了将近92.6%的县级城市，提高了移动通信的应用水平，移动宽带的下载速度已经达到了百兆，能够实现4k高清晰视频传输和大型手机游戏应用，并且在智能学习、移动社交、生活缴费和金融证券等行业得到广泛普及[1]。5G移动通信的应用场景很多，比如住宅小区、产业集聚区、商业广场、体育广场、写字楼等，这些应用场景的用户数以万计，5G移动通信虽然拥有高并发、大容量和高速度都能够特点，但是由于这些应用场景的通信环境非常复杂，5G移动通信在提供高速通信的同时也存在很多缺点，如穿透能力弱，无法有效穿透建筑大楼、地下建筑如地铁站、小区地下室等，甚至电梯内都会存在信号较弱或无信号的情况[2]。因此，为了提高5G移动通信水平，需要利用先进的大数据技术，挖掘和分析5G移动通信的覆盖缺陷，然后针对弱覆盖或无覆盖的应用场景进行优化，提高5G移动通信的无缝覆盖[3]。

【资料图】

2无线网络优化面临的问题分析

中国移动等运营商积极采取无线网络优化技术，以期提高网络覆盖水平。目前常用的网络优化技术包括语音话务负载均衡优化技术、移动信号干扰控制优化技术、覆盖优化技术、切换性能优化技术等。（1）语音话务负载均衡优化技术当前，5G移动通信主要覆盖在县级城市以上，这些区域的人群非常密集，比如住宅小区、写字楼、商场等，这些很容易造成5G移动通信网络阻塞，因此可以采用语音话务负载均衡技术进行优化，分析每一个5G移动通信基站的容量是否超载，如果发生基站超载就可以部署移动基站，从而可以疏导话务数据，均衡每一个基站的容量，避免语音话务拥塞。另外，语音话务负载均衡也要针对通信趋势进行分析，基于历史时段的通信数据，为未来的网络优化提供决策支撑，一定程度上可以提高5G通信的网络性能。但是这种优化方式属于人工优化，很难做到实时和精准，不利于提高网络优化的快速性和时效性。（2）移动信号干扰控制优化技术5G移动通信采用无线网络传输数据，与有线通信网络不同，这种无线通信网络面临的干扰非常大，产生干扰的因素也非常多，比如中央空调设备、地铁管网设备、UPS电池设备等，这些设备都会产生无线电磁干扰，导致5G移动通信网络数据传输发生差错或中断传输，因此可以采用移动信号干扰控制技术，评估基站或覆盖区域的无线电磁干扰状况，并且使用先进的基站信号功率放大器等，提高5G移动通信的传输性能。（3）覆盖优化技术覆盖优化是一种非常实用的无线网络优化技术，该技术能够检测5G通信网络是否存在缺口等无覆盖的现象，目前，城市复杂通信环境部署的5G基站非常多，这些基站理论是全覆盖，但是由于建筑物遮挡、电磁干扰等，很容易导致一些区域无覆盖或弱覆盖，采用覆盖优化技术进行检测，可以及时发现通信区域内是否存在良好的通信信号，从而可以避免通信数据中断或速度变缓。覆盖优化技术检测到信号无覆盖之后，可以在这些区域增加移动基站或直放站，也可以调整智能天线的发射功率或者参数，从而实现各个基站信号的之间的数据共享。（4）切换性能优化技术随着5G移动通信技术的普及和使用，越来越多的城市开通了5G通信网络，接入的用户规模也迅速上升，不仅包括传统的5G手机、路由器等，还包括各种CPE设备、AP设备，这些通信用户和终端设备数以亿计，因此5G移动网络难免存在漏洞、信息传输拥塞等。为了提高5G通信性能，可以利用切换性能技术，优化5G通信网络，提高5G网络信号强度。上海、北京、广州和深圳等一线城市的5G移动网络频谱资源短缺，很容易导致5G通信网络的信号终端和性能变差，可以进一步提高移动通信网络的应用水平，加强性能切换技术。5G移动通信的切换性能技术包括多种，分别是垂直切换和水平切换，按照层次分析和评价结果，发挥5G通信网络的数据传输能力。5G移动通信网络采用语音话务负载均衡优化技术、移动信号干扰控制优化技术、覆盖优化技术、切换性能优化技术等方法进行信号优化，一定程度上可以提高5G移动通信网络信号的覆盖水平，实现全覆盖和较强的通信信号，但是这些优化技术都是被动的和不及时的，本文为了提升5G移动通信网络性能优化水平，提出利用大数据技术实时采集5G移动通信数据，并且分析这些数据传输速度、信号强弱、是否中断等，从而可以实现数据传输的可靠性。

3大数据在无线网络优化中的应用模式设计

3.1算法设计

D无线网络通信传输过程中，城市商业广场、产业集聚区、住宅小区等人群密集区域的无线网络覆盖随着用户规模的上升也会产生各种漏洞，比如无线信号变弱、无线通信渠道拥堵等，传统的无线网络优化已经无法满足高效的、快速的、自动化和智能化的实际需求，因此本文提出利用K-means大数据算法，挖掘无线网络优化中的有价值的信息，为无线网络优化提供辅助支撑。K-means算法是一种模式识别、人工智能和机器学习算法，目前已经在很多领域得到广泛普及和使用，取得了显著的应用成效，比如可以在图像图形分割和特征提取的过程中，实现图形图像的特征提取，并且完成了数据的基因识别，能够开展文本检索功能，比如百度搜索引擎、知网数据库等，均可以利用K-means算法完成关键词、关键特征的分析。K-means算法在应用中，目前研究改进的内容包括两个方面，分别是改进K-means的初始簇划分，二是改进K-means算法的度量方法，比如利用遗传算法改进初始簇心的划分，利用模糊数学方法改进度量方法，将K-means的硬聚类改为软聚类，提高K-means算法的准确度[4]。K-means算法能够根据无线网络传输信号的基本特征，从海量的无线通信数据中发现潜在的弱点和漏洞，比如无覆盖的时段、无覆盖的场景、通信需求量大的时段等，从而可以动态的发现无线网络覆盖弱点。K-means算法在应用中也存在一定的缺陷，比如评价标准比较单一、初始簇划分也比较武断，因此都会造成网络数据分析的不准确[5]。因此，本文为了提高K-means算法的准确度，引入遗传算法、互信息改进K-means算法。从网络数据流中采集数据包，将这些数据包输入到改进的K-means算法中，也就是作为K-means算法的数据来源，改进的K-means算法可以利用学习和训练，完成无线网络信号特征的识别，从而可以发现无覆盖、弱覆盖的应用场景，也可以预判无线网络应用的情况，从而可以提升无线网络科学规划，确保网络容量支持无线用户实际需求。K-means算法利用传统的随机模式划分数据簇，互信息作为信息论的一种理论和方法，能够度量两个随机变量互相包含程度，利用先进的概率论，统计信息熵的大小，从而可以实现相对熵的计算。互信息作为一种度量方法，已经在很多领域得到广泛普及和使用，计算过程公式1所示.（1）其中，p（x，y）表示随机变量X和Y的联合分布，p（x）表示随机变量X的边缘分布，p（y）表示随机变量Y的边缘分布，I（X；Y）表示随机变量的X和Y的互信息。改进的K-means算法的学习和训练过程如下：输入：样本集D，簇的数目k，最大迭代次数N；输出：簇划分（k个簇，使平方误差最小）；算法步骤：（1）初始化过程中，采用遗传算法实现聚类的初始划分，从而得到每一个簇的质心。（2）采取互信息方法，计算簇质心到每一个簇对象的距离，选择互信息最小的簇质心和簇对象，将簇对象划分到簇中。（3）根据划分好的簇，重新计算每一个簇质心，这样就可以更好地提高数据的紧凑程度。（4）重复步骤（2）、（3），直到聚类中心不再发生变化；（5）输出最终的聚类中心和k个簇划分；具体的，基于改进的K-means算法在无线网络应优化中的应用算法流程如图1所示。本文在基于大数据的无线网络优化中引入改进的K-means算法，该算法能够提高识别网络病毒或木马的准确度，并且具有自动的演化和学习技术，从而提高无线网络优化水平。

3.2算法实验

（1）构建一个学习训练环境本文采用MATLAB实验环境设计和实现一个改进的K-means算法，该算法能够接受无线网络数据信号采集工具的发送的数据，这些数据经过训练和测试可以输入到改进的K-means算法，从而能够让改进的K-means算法识别无覆盖或弱覆盖的区域。本文从中国移动、中国联通和中国电信采集无线通信信号，将这些通信信号发送给改进的K-means算法，该算法能够分析这些信号的访问用户规模、信号传输速度等，将在这些属性特征提取出来，提高改进的K-means算法的应用能力。详细分布如表1所示。（3）选择准确度计算标准算法实验的过程中，本文为了能够评价算法的准确度，从而可以更好地判断本文算法是否有利于无线网络优化，准确度的计算公式（2）所示。（2）其中，t∈T，其可以描述相关的数据对象簇；c∈C，其可以描述相关的类别号或簇标号；A1（c，T）可以描述相关的已经正确分配到c中的信号数量；A2（c，T）可以描述相关的算法不正确的分配到c中的信号数量。

3.3实验结果分析

本文针对通信系统安全防御技术进行实验，包括互信息算法、遗传算法和改进的K-means算法，实验结果如图2所示.实验结果显示，改进的K-means算法可以大幅度提高无线网络弱覆盖和无覆盖的准确度，最高达到了99.62%，互信息算法最高为75.29%，遗传算法最高识别准确度为81.18%，这就表明改进的K-means算法最有效。

4结语

目前，随着5G移动通信关键技术的发展和改进，也促进了移动通信网络从4G向5G向迈进，满足人们对高清晰视频传输和大型网络游戏的应用需求。由于5G移动通信的关键技术如SON技术、D2D技术、异构超密集部署分析技术和SDN技术虽然可以提高数据通信速度，但是这些5G应用技术也存在自身的缺陷，就是传输距离短、穿透能力弱，因此容易产生漏洞，另外由于基站部署不周密，也会导致通信小区边界存在缺陷，传统的语音话务负载均衡优化技术、移动信号干扰控制优化技术、覆盖优化技术、切换性能优化技术等方法已经无法满足实时监控和优化需求，因此本文提出利用大数据算法即K-means算法，从海量网络信号数据中发现潜在的网络通信漏洞，然后集成多种网络通信优化方法，进一步解决城市复杂环境的无覆盖或弱覆盖问题，实现无缝覆盖。

参考文献：

[1]卢山.无线网络优化中大数据的应用分析[J].中国新通信,2021,23(20):21-22.

[2]李业谦.基于大数据下无线校园网络优化的设计[J].计算机产品与流通,2020(1):114-115.

[3]邓楚舒.基于5G大数据网络优化管道智慧巡检技术的应用研究[J].数码世界,2020(41):112-114.

[4]雷以良,严承华,陈璐.基于改进K-means算法的网络安全设备故障案例推理研究[J].计算机应用研究,2020(S02):110-112.

[5]杜佳颖,段隆振,段文影,等.基于Spark的改进K-means算法的并行实现[J].计算机应用研究,2020(2):434-436.

作者：司春波 赵志强 高春超 邱剑 张燕平 单位：中国移动通信集团内蒙古有限公司赤峰分公司 中国移动通信集团内蒙古有限公司 中国移动通信集团内蒙古有限公司通辽分公司