51学通信

深度解析 3GPP TS 23.288：6.6 Network Performance Analytics (网络性能分析)

18分钟阅读

好的，我们继续本次的深度探索之旅。在前序文章中，我们已经系统性地剖析了NWDAF在网络优化、策略控制、边缘计算等领域的诸多核心能力。今天，我们将聚焦于5G智能网络中一个与无线资源管理和用户体验息息相关的分析领域——网络性能分析。

深度解析 3GPP TS 23.288：6.6 Network Performance Analytics (网络性能分析)

本文技术原理深度参考了3GPP TS 23.288 V18.9.0 (2025-03) Release 18规范中，关于“6.6 Network Performance Analytics”的核心章节。本文旨在为读者详细剖析NWDAF如何化身“无线环境诊断专家”，对特定地理区域内的RAN（无线接入网）性能进行深入分析与预测，为无线资源的智能优化、覆盖增强和故障预警提供关键决策依据。

5G网络的大部分复杂性都集中在无线接入网（RAN）。瞬息万变的无线信道、用户的移动、邻区干扰、基站的负载等因素，都使得保障高质量、高可靠的无线连接成为巨大的挑战。传统的无线网络优化（如SON - 自组织网络）大多基于滞后的统计和固化的规则，难以应对日益复杂的无线环境。

网络性能分析 (Network Performance Analytics) 正是NWDAF“小慧”为了将AI智能注入无线领域而生的专属能力。她不再仅仅关注核心网的NF负载或用户面的业务体验，而是将目光投向了最前端的“战场”——无线基站（gNB）和UE之间的空中接口。她通过分析和预测一个区域的无线“天气”，为更智能的无线资源管理提供“气象预报”。

场景设定：在A市举办一场大型马拉松比赛，赛道沿线覆盖了数十个gNB。为了保障赛道上成千上万的参赛者和观众能够顺畅地进行直播、分享照片和使用赛事App，运营商的网络优化中心（一个OAM系统）需要实时监控并预测赛道沿线的网络性能，以便在出现覆盖空洞或拥塞时能及时调整gNB的参数（如发射功率、切换门限等）。为此，它向“小慧”发起了一项“赛道无线性能保障”的任务。

1. “无线环境扫描”：网络性能分析的服务内容 (TS 23.288 Clause 6.6.1)

网络优化中心在向“小慧”请求“无线环境扫描”时，需要明确哪些检查项目？6.6.1节“General”对此进行了定义。

With Network Performance Analytics, NWDAF provides either statistics or predictions on the gNB status information, gNB resource usage, communication performance and mobility performance in an Area of Interest.

“小慧”的核心任务是：为特定地理区域（Area of Interest）提供关于gNB状态、资源使用、通信性能和移动性能的统计与预测。

1.1 核心请求参数

  • Analytics ID = "Network Performance": 明确分析主题。
  • Target of Analytics Reporting: 分析对象，通常是 “any UE”，因为它关注的是区域性的群体表现。
  • Analytics Filter Information:
    • Area of Interest (list of TAs or Cell IDs): 必选项，明确要扫描的地理范围，例如“马拉松赛道沿线的所有Cell ID列表”。
    • Traffic type of interest: 流量类型过滤器。可以选择只分析**overall traffic（总体流量）、GBR traffic（保证比特率流量，如VoNR）或Delay-critical GBR traffic**（时延关键型GBR流量，如远程控制）。
  • list of analytics subsets: 勾选希望获取的具体分析子集，如“gNB资源使用率”、“移动性能”等，我们稍后会深入探讨。

2. “诊断仪器”：网络性能分析的数据来源 (TS 23.288 Clause 6.6.2)

要对无线环境进行精准“扫描”，“小慧”需要依赖两类核心的“诊断仪器”。

2.1 OAM的“宏观扫描仪”：RAN性能统计数据 (Table 6.6.2-1)

OAM系统是RAN侧宏观性能数据的主要来源。

表格用途解读与重绘:

Table 6.6.2-1: Load and Performance information collected by NWDAF

InformationSourceDescription
Status, load and performance informationOAM针对特定Cell ID、特定流量类型的RAN状态（up/down）、负载（如无线资源利用率）和性能的统计数据，如TS 28.552中所定义。
NF Load informationNRF相关NF（如gNB）的负载信息。

OAM提供的这些数据，如同气象卫星云图，为“小慧”描绘了目标区域内每个小区的资源负载、可用状态和历史性能的宏观画像。这些数据是进行趋势分析和预测的基础。

2.2 AMF的“微观探测器”：区域内的UE数量 (Table 6.6.2-2)

一个区域的无线性能，与其承载的用户数量密切相关。“小慧”需要知道赛道沿线到底有多少活跃用户。

表格用途解读与重绘:

Table 6.6.2-2: Number of UEs in Area of Interest information collected by NWDAF

InformationSourceDescription
Number of UEsAMF在特定Area of Interest内的UE数量。

“小慧”通过向服务于赛道区域的AMF发起订阅，可以实时获取该区域内的用户总数。这个数据如同“人口密度计”，是评估和预测无线资源需求的关键输入。

The NWDAF shall be able to collect UE mobility information as stated in clause 6.7.2.2.

此外，“小慧”还可以结合更精细的UE移动性信息（如用户移动轨迹），来预测未来某个小区的人流压力。

3. “扫描报告”：网络性能的分析输出 (TS 23.288 Clause 6.6.3)

在融合分析了OAM的宏观性能数据和AMF的实时用户数后，“小慧”将出具一份关于赛道无线环境的“扫描报告”。

3.1 网络性能统计 (Table 6.6.3-1)

这份报告总结了“过去”的网络性能状况。

表格用途解读与重绘 (节选):

Table 6.6.3-1: Network performance statistics

InformationDescription
List of network performance information在分析周期内的观测统计列表
> Area subset分析的子区域（TA或Cell ID列表）
> gNB status informationgNB可用率（在该区域和时段内，基站正常工作的平均比例）
> gNB resource usage (overall, GBR, Delay-critical GBR)gNB资源使用率（平均值、峰值），可按不同流量类型细分
> Number of UEs该区域内观测到的平均UE数量
> Communication performance通信性能：PDU会话建立的平均成功率
> Mobility performance移动性能：切换的平均成功率

报告解读：网络优化中心可能会收到这样一份报告：“统计报告：在过去15分钟，马拉松赛道‘CP5’补给点小区（Cell-ID-CP5）：

  • gNB资源平均使用率为85%，峰值达到98%。
  • 平均承载了1200个UE。
  • 切换成功率为99.8%。” 这份报告清晰地指出了Cell-ID-CP5已经处于高负载状态。

3.2 网络性能预测 (Table 6.6.3-2)

这份报告对“未来”进行预测，是实现主动式、预测性无线优化的核心。其结构与统计报告类似，但所有指标都变成了预测值，并增加了置信度(Confidence)。

报告解读：网络优化中心收到一份预警：“预测报告：预计在未来10分钟，随着领先集团即将通过‘CP6’终点冲刺区，该区域的Cell-ID-CP6：

  • gNB资源平均使用率将飙升至95%。
  • 预测UE数量将达到2000人。
  • 预测切换成功率可能下降至98%。
  • 此预测的置信度为92%。”

4. “智能网优”：从预测到闭环优化的流程 (TS 23.288 Clause 6.6.4)

Figure 6.6.4-1: Procedure for subscription to network performance analytics 描绘了从请求到闭环优化的完整流程。

  1. OAM发起订阅: 网络优化中心（NF Consumer）向“小慧”（NWDAF）订阅马拉松赛道沿线的网络性能预测。
  2. “小慧”启动数据采集:
    • 2a-2d: “小慧”向NRF查询服务于赛道区域的AMF实例，并向NRF订阅这些AMF的状态和负载变化通知。
    • 3a-3b: “小慧”向OAM订阅赛道沿线所有小区的RAN性能测量数据（如资源利用率、切换成功率等）。
    • 4a-4b: “小慧”向AMF订阅赛道区域内的实时UE数量。
  3. “小慧”分析与预测 (5): “小慧”将所有数据输入其“网络性能预测模型”。该模型不仅考虑了历史趋势，还可能融合了UE移动性预测（预测大量用户即将到达Cell-ID-CP6），从而生成了高置信度的拥塞预警。
  4. “小慧”发送预警 (9): “小慧”将预测报告（Cell-ID-CP6即将拥塞）通过Notify消息发送给网络优化中心。
  5. OAM执行智能网优策略: 收到预警后，网络优化中心立即执行预案，通过网管接口向Cell-ID-CP6及其邻近小区的gNB下发指令：
    • 负载均衡: 调整切换参数，提前将Cell-ID-CP6边缘的部分用户引导到负载较轻的邻区。
    • 参数优化: 调整Cell-ID-CP6的调度器权重，优先保障GBR业务（如VoNR）的资源。
    • 容量增强: 如果支持，可以远程激活该gNB的额外载波，临时增加小区容量。

通过这个闭环，运营商成功地在拥塞发生之前就化解了风险，保障了马拉松赛道终点区域所有用户的业务体验。这正是网络性能分析的核心价值所在。

FAQ - 常见问题解答

Q1：网络性能分析(Network Performance Analytics)和切片负载分析(Slice load level analytics, 6.3)有什么区别？ A1：它们关注的维度和粒度不同。

  • 切片负载分析 是逻辑维度的，它关注的是一个**网络切片（S-NSSAI）**的端到端负载，其负载由分布在不同地理位置的多个NF实例（AMF, SMF, UPF等）共同构成。
  • 网络性能分析 是物理/地理维度的，它关注的是一个**特定地理区域（Area of Interest）内的无线接入网（RAN）**的性能。它分析的对象是该区域内的gNB和UE。 两者可以结合使用。例如，可以请求分析“在A区域内，‘车联网切片’的无线性能如何”，此时，S-NSSAI和Area of Interest会同时作为Analytics Filter Information提供给NWDAF。

Q2：这项分析的输出（如通信性能、移动性能）是一些成功率指标，它们是如何计算的？ A2：这些指标通常是由OAM系统基于从gNB收集的大量性能计数器（Performance Counter）计算得出的。例如：

  • PDU会话建立成功率: (成功建立的PDU会话数) / (尝试建立的PDU会话总数)。
  • 切换成功率: (成功的切换次数) / (尝试的切换总数)。 OAM会将这些计算好的KPI统计值提供给NWDAF。NWDAF的工作不是去计算这些KPI，而是在这些KPI数据的基础上，进行趋势分析、关联分析和未来预测。

Q3：为什么需要区分不同流量类型（Traffic type of interest）进行分析？ A3：因为不同类型的业务对无线资源的需求和影响是截然不同的。

  • GBR流量（如VoNR）需要持续的、有保障的无线资源。分析GBR流量的资源占用情况，有助于评估网络的容量是否能满足SLA要求。
  • Delay-critical GBR流量（如远程驾驶）对时延极其敏感。单独分析这类流量的性能，对于保障关键任务型通信至关重要。
  • Overall traffic 包含了所有流量。 通过区分流量类型，NWDAF可以提供更精细的洞察。例如，一个小区可能总体资源使用率不高，但其用于承载时延关键型业务的资源块可能已经饱和，这种“结构性拥塞”只有通过分类型分析才能发现。

Q4：这项分析结果的主要消费者是谁？它们如何使用这些结果？ A4：主要消费者是负责网络优化的实体：

  • OAM/SON系统: 这是最直接的消费者。它们可以根据NWDAF的预测，实现预测性、主动式的网络优化，如智能调整切换参数、动态负载均衡、预测性扩容等，从而提升网络性能和自动化水平。
  • PCF: PCF可以根据一个区域的无线性能预测，来制定接入控制策略。例如，当预测到某个小区即将拥塞时，PCF可以拒绝新的非紧急eMBB用户的接入请求，以保障现有用户的体验。
  • AF: 应用功能可以根据其用户所在区域的网络性能预测，来智能地调整应用行为。例如，一个视频服务器在得知用户即将进入一个预测性能较差的区域时，可以提前降低视频码率，以保证播放的连续性。

Q.5：NWDAF如何预测一个区域未来的UE数量？ A5：这需要NWDAF具备更高级的分析能力，通常会融合多种信息：

  • 历史周期性模式: 分析该区域在历史上（例如，过去几周的同一天、同一时间）的用户数量变化规律。
  • UE移动性分析/预测 (6.7.2): NWDAF可以对群体或个体UE进行移动轨迹预测。通过聚合大量UE的预测轨迹，就可以推断出未来某个区域的人流（UE数量）变化。
  • 外部信息 (来自AF): AF可以提供关于未来事件的信息，例如，“一场演唱会将于2小时后在XX体育场开始，预计有5万名观众”。这是进行准确预测的极有价值的信息。 通过融合这些多维度信息，NWDAF就能对未来的UE数量做出相对精准的预测。

关系图谱