四阶段分层优化，解决5G网络优化挑战

5G网络带来多样化场景化的波束，能适配多种不同场景，同时天线参数调整可能性大量增加，可实现超千种波束组合。面对高达几百种乃至成千上万种的参数组合，通过人工的方式去找出参数最优值几乎不可能，网络优化的难度迅速增加。另一方面，在无线资源紧张的情况下，如何进行资源的分配和调度，如何有效管理无线网路的相关参数，这都是网络优化面临的挑战。

5G网络部署初期的网络可用性、速率体验、网标显示等核心问题，面向信令面沿用4G、小规模覆盖为主、终端问题多发、厂家经验有限等特点，以优先解决网络发展初期的功能性、策略性问题为目标，针对4、5G网络协同的速率调优、互操作、规划配置一致性等三个方面，结合实际优化工作中案例的分析与解决过程，进行了相关探讨并给出了若干建议

5G整体网络优化方法可以从下面四个角度来看;

第一阶段是初始优化

第二阶段是应急网络优化

第三和第四个阶段分别是持续优化和指导性优化

对于任何网络优化，首先肯定是网络工程建设，然后是干扰搜寻。干扰搜寻是极其重要的，一旦有干扰，网络信号性能就会受限。在干扰搜寻期间，需要同步进行网络质量比较并进行网络监控。

5G优化工作特点及对4、5G协同优化的影响

5G网络初期的网络优化工作，与5G网络的实验及部署相同、是一个首创、抢跑、先行的过程，这一过程中基本无国外经验可借鉴、厂家支持有限。同时，5G网络的初期部署是以toB业务支撑为主、点覆盖向线覆盖面覆盖递进推广的过程，这也与传统3、4G网络以全覆盖为目标的建网策略不同。此外，由于设备成熟度原因，大量终端设备互通性测试也同样有别于3、4G时代。

针对以上特点，在现阶段SA架构下的4、5G协同优化工作中，首先仍要紧抓信令面完全处于4G这一特点，重点针对4G已有信令中面向5G的新增字段、新增能力，结合5G业务行为开展分析；其次应把握5G初期非全覆盖的特点，从5G网络覆盖边缘的4、5G互操作入手，规范和完善4、5G协同工作策略；此外还应结合终端表现，在条件具备的情况下，测试验证尽量多覆盖现有终端型号。

以上要点可总结如下表：

在SA阶段，速率是5G网络相对4G网络的最大优势、也是最为突出的用户感知。在5G网络速率感知优化工作中，除了应注重充分发挥5G网络本身高阶MIMO、高阶调制等特性之外，还应基于现阶段5G网络点覆盖、小连片覆盖为主的特点，对5G网络边缘。以下分别以实际优化工作中的案例说明。

初始优化阶段的一般检测

一般将部署的最后阶段作为初始优化阶段.

初始优化主要是部署之后的性能测试和性能调优。基站部署完毕后，常规的天线测量、射频测量这些功能测试肯定是必不可少的，在此阶段完成下行/上行数据测试、延迟测试等等。考虑到5G网络复杂性很高，可以将网络的下行方向调节至高数据速率，这样也可以优化网络配置以实现低延迟。

5G主要采用TDD模式部署，所以上行和下行是共享相同频率的，只是在时间上错开如果配置网络时明显偏向于下行，时域中会存在大量的下行时隙（少量的上行时隙），此时频谱分析仪中也几乎看不到上行信号，这样就很难看到任何干扰。上行干扰的优化测试有两个重要的点，数据吞吐率和射频参数。通过将MCS与MIMO layers的测试指标汇总起来，这就是基站所做的优化工作，能确定最终合适的数据包长度、MIMO层，便于优化上行或下行方向的数据吞吐率。

初始优化阶段的相关优化大多在性能测试和调优上。在此阶段，为了完善整个优化流程，测试厂商会进行网络切片，使得网络的一些部分优先考虑高数据速率，还有一部分优先考虑低延迟。

在此环节，上行干扰是首先搜寻到的干扰。

应急网络优化该怎么办

第二个优化阶段——应急网络优化主要进行故障排除以解决网络中的问题。

网络管理KPI显示网络质量问题，然后应急网络优化执行频谱测量、信号覆盖验证以及其他测量。

外部干扰源是应急网络优化中时常出现的，另一个则是TDD的时间同步，是一项潜在的干扰源，因此同步中的时间测试同样必不可少。

持续优化高效实现连续网络测试

持续优化需要使用连续的数据流来进行这种常规优化，基于云的测试会比较适合这类持续优化，也就是说将测试设备的控制和后处理转移到云端，从连接互联网的任意位置访问这些应用程序。

路测设备、基准测试设备、室内采集设备都能够直接采用基于云的测试实现持续优化。基于云的测试能够带来更高效的数据采集方式，不需要大量的手动交互就能高效地生成数据。

端到端的数据流同样通过远程配置整个测试设备，配置好完整的测量文件，然后工程师将任务推送至终端的探针来执行任务。设备定期向管理端上传高级别KPI以及一些位置和状态更新。任务测试后，这些终端会将文件上传至专用的预定义文件服务器，然后由自动测量文件进行处理。

要实现这种高效的连续网络测试最重要无疑是可靠的测试设备，尤其是终端探针，要维持在一定温度确保其正常工作。这可以借助强制对流的无源冷却装置，或者借助Peltier元件的有源冷却装置，使得UE和探针处于恒温水平。

最后一部分指导性的优化主要是为了应对5G网络日趋复杂化的各种市场问题，根据收集到的大量数据进行分析并为用户提供指导性的优化建议。机器学习在其中也发挥了不少作用，采用不同算法进一步发挥大量数据的作用。

从部署结束到网络应用环节中的每一个阶段，这四个阶段的优化能迅速降低5G网络优化的难度，在无线资源紧张的情况下，合理地进行资源的分配和调度，并有效管理无线网路的相关参数。