51学通信

深度解析 3GPP TS 29.552：5.7.10 User Data Congestion Analytics (用户数据拥塞分析)

22分钟阅读

好的，我们继续深入5.G“智慧大脑”NWDAF的能力清单。在前几篇文章中，我们已经深入探讨了围绕单个UE的行为分析，包括其移动、通信、预期及异常行为。现在，我们将视角从“个体”再次拉回到“群体”，聚焦于一个经典而核心的网络挑战——用户数据拥塞。我们将看到‘洞察者’(Insight-AI)是如何扮演一位“交通拥堵预测师”，从宏观上感知和预测网络拥塞的。

深度解析 3GPP TS 29.552：5.7.10 User Data Congestion Analytics (用户数据拥塞分析)

本文技术原理深度参考了3GPP TS 29.552 V18.7.0 (2024-12) Release 18规范中关于“5.7.10 User Data Congestion Analytics”的核心章节，旨在为读者详细拆解NWDAF是如何通过融合多源数据，对一个区域的用户数据拥塞状况进行分析、预测并归因，从而为网络的主动扩容、智能调度和策略控制提供核心决策依据。

前言：5G时代的“春运”难题

无论是春运期间人潮汹涌的火车站，还是节假日里车流不息的高速公路，交通拥堵总是令人头疼。5G网络，作为信息时代的高速公路，同样面临着自己的“春运”难题——用户数据拥塞。这可能发生在：

  • 大型集会：演唱会、体育赛事、跨年夜，成千上万的用户在同一时间、同一地点直播分享。
  • 突发事件：一个社会热点事件引发全民在线围观。
  • 潮汐效应：上下班高峰期的地铁、CBD区域。

当数据拥塞发生时，所有用户的体验都会急剧下降：视频卡顿、网页打不开、游戏掉线。传统的解决方法往往是“被动扩容”，即在拥塞发生后，运维人员才紧急调配资源。而5G的智能化网络追求的，是在“堵车”发生之前，就预测到“车流”高峰，并提前疏导。

这正是“用户数据拥塞分析”的核心价值所在。‘洞察者’(Insight-AI)的任务，就是扮演交通拥堵预测师的角色，持续监控网络“路况”，不仅要告诉我们“哪里堵了”，更要告诉我们“哪里将要堵”，以及“为什么会堵”。

在“未来科技博览会”这个持续性的高密度用户场景中，**策略控制功能（PCF）**需要为不同的用户和业务动态地分配网络资源和优先级。如果不对拥塞状况有清晰的感知和预测，PCF的策略将是“盲目”的。因此，PCF成为了‘洞察者’在此场景下的重要客户，它迫切需要一份实时的“网络拥堵热力图”和“未来拥堵预警”。

本文将深入5.7.10节的信令流程，看看“交通拥堵预测师”‘洞察者’是如何完成这次宏观拥塞态势感知的。

1. 任务简报：拥塞分析的“望闻问切”

这项分析的目标是提供关于一个区域内，用户数据面的拥塞状态信息。

规范原文引用 (Clause 5.7.10 Introduction):

This procedure is used by the NWDAF service consumer (may be an NF e.g. NEF, AF, or PCF) to obtain the User Data Congestion analytics which are calculated by the NWDAF based on the information collected from the AMF, OAM, UPF and/or AF.

‘洞察者’解读道：“要诊断一个区域是否拥堵，我需要结合‘人口普查’、‘道路监控’、‘现场勘查’和‘出行意图’等多方面信息。”

  • 情报来源:
    • 人口普查 (AMF): AMF提供最基础的“人流量”信息，即指定区域内的用户位置和数量。人多是拥堵的前提。
    • 道路监控 (UPF): UPF是数据流量的必经之路，它能提供最真实的“车流量”信息，如吞吐量、数据包丢失率、时延等用户面性能指标。
    • 现场勘查 (OAM): OAM能提供“道路”（无线网络）本身的“物理状况”，如**无线资源（PRB）利用率、CQI（信道质量指示）**等。即使车流量不大，但如果道路本身很窄或路况很差，同样会拥堵。
    • 出行意图 (AF): AF可以提供应用层的“出行计划”，预告即将到来的大流量。
  • 分析ID: USER_DATA_CONGESTION
  • 输出 (CongestionInfo): 分析结果通常包含：
    • congType: 拥塞类型，例如是用户面拥塞还是信令面拥塞。
    • timeIntev: 拥塞发生或预测发生的时间窗口。
    • confidence: 预测的置信度。

2. 行动方案：解构拥塞分析的信令全流程

规范中的 “Figure 5.7.10-1: Procedure for User Data Congestion Analytics” 为我们展示了‘洞察者’生成这份“拥堵热力图”的详细步骤。

阶段一：任务启动与“人流量”监控 (步骤1 - 3)

PCF向‘洞察者’发起订阅：“请为博览会主展馆区域（由areaOfInterest定义），持续监控用户数据拥塞情况。一旦发生或预测到拥塞，立刻通知我。”

步骤1a-1c：PCF发起订阅

PCF（作为消费者）通过Nnwdaf_EventsSubscription_Subscribe发起请求，analyticsId为USER_DATA_CONGESTION。

步骤2a-3b：从AMF获取“人口普查”数据

规范原文引用 (Step 2a-2b):

The NWDAF may invoke Namf_EventExposure_Subscribe service operation…to retrieve the UE location information.

‘洞察者’的第一步是了解该区域的“人口密度”和变化趋势。

  • 动作: 向服务该区域的AMF发起Namf_EventExposure_Subscribe订阅。
  • 目的: 获取区域内UE的数量和位置。
  • 信息流 (3a-3b): AMF会持续上报该区域的UE数量变化。‘洞察者’通过观察UE数量的增长速率，可以初步判断拥塞的风险。

阶段二：深入“路况”的实时勘查 (步骤4 - 9)

获取了“人流量”，接下来就要看“车流量”和“道路状况”了。

步骤4：从OAM获取“道路物理状况”

规范原文引用 (Step 4):

The NWDAF may collect “Performance measurement” to the OAM to get the Performance Measurements that will be used by the NWDAF to determine congestion levels…e.g. UE Throughput, DRB Setup Management, RRC Connection Number, PDU Session Management, and Radio Resource Utilization…

  • 动作: ‘洞察者’向OAM请求该区域无线侧的性能测量数据。
  • 目的: 获取最底层的无线资源使用情况。无线空口通常是用户数据拥塞最先发生的瓶颈点。
  • 关键指标:
    • 无线资源利用率 (Radio Resource Utilization): PRB利用率如果持续高于90%，这是一个强烈的拥塞信号。
    • UE吞吐量 (UE Throughput): 区域内用户的平均吞吐量如果持续下降，说明“车速”变慢了。
    • RRC/PDU会话建立成功率: 如果这些指标下降，说明网络已经拥挤到无法服务新的“车辆”了。

步骤5：从UPF获取“实时车流量”

规范原文引用 (Step 5):

The NWDAF may subscribe to collect data related to User Data Congestion analytics information from UPF either via the SMF … or directly to the UPF…

  • 动作: ‘洞察者’通过SMF代理或直接向服务该区域的UPF发起订阅。
  • 目的: 获取用户面的真实流量表现。
  • 关键指标:
    • 数据包丢失率 (Packet Loss Rate): 如果UPF开始大量丢包，这是拥塞最直接的体现。
    • 数据包时延 (Packet Delay): 时延的显著增加，同样表明数据包开始在UPF的缓冲区中“排队”了。
    • 吞吐量 (Throughput): 监控UPF端口的总流量。

步骤6-9d：融合应用层“出行计划” (AF)

‘洞察者’还可以引入AF的先验信息，来提升预测的准确性。这个流程与我们在NF负载分析中讨论的完全一致。例如，博览会的大屏直播AF可以通知‘洞察者’：“我将在下午2点开始一场4K全景直播，预计将产生5Gbps的下行流量。” 这个信息可以让‘洞察者’提前预警拥塞风险。

阶段三：拥塞诊断与预警交付 (步骤10 - 18)

规范原文引用 (Step 10):

The NWDAF calculates the User Data Congestion analytics based on the data collected from AMF, OAM, UPF and/or AF.

‘洞察者’现在手握所有维度的情报，开始进行最终的“拥堵诊断”。

  1. 综合诊断 (Step 10 & 17): AnLF的拥塞分析模型（可能是一个多因子决策树或复杂的神经网络）开始工作：

    • 当前状态判定: 模型发现，当前区域的PRB利用率（来自OAM）已达95%，UE平均吞吐量（来自OAM/UPF）下降了30%，UPF的上行数据包丢失率（来自UPF）开始抬头。结论：当前用户面上行链路已处于拥塞状态 (congType: USER_PLANE, Status: OCCURRED)。
    • 未来趋势预测: 模型同时观察到，区域内的用户数（来自AMF）仍在以每分钟10%的速度增长，并且大屏直播AF预告了即将到来的大流量。结论：预计10分钟后，用户面下行链路也将出现高度拥塞 (congType: USER_PLANE, Status: PREDICTED)。

  2. 交付预警 (Step 11 & 18): ‘洞察者’立刻将这份包含“当前拥堵”和“未来预警”的详细报告，通过_Notify服务，交付给PCF。

闭环完成: PCF，作为网络的“智能交管”，收到了这份精准的“拥堵热力图”和“预警”后，立即执行一系列智能化的“交通疏导”策略：

  1. 针对当前上行拥塞: PCF可以下发策略，对区域内非实时上传业务（如手机相册自动备份）进行临时限速，优先保障直播、视频通话等实时业务的上行带宽。
  2. 针对未来下行拥塞: PCF可以与SMF/AMF联动，对于新接入的用户，如果其请求的是非高优先级业务，可以引导他们接入到邻近的、负载较低的小区，甚至引导他们使用博览会提供的Wi-Fi网络（通过ATSSS/MPTCP技术）。
  3. 动态QoS调整: PCF还可以动态调整区域内用户的QoS参数，例如，适当增大时延敏感度不高的业务（如网页浏览）的调度时延，为高优先级业务腾出资源。

通过这个“预测-决策-疏导”的智能闭环，网络成功地在拥塞大规模蔓延之前，就进行了有效干预，保障了绝大多数用户的业务体验。

总结：从“尽力而为”到“尽在掌握”

5.7.10节的用户数据拥塞分析，是NWDAF赋能网络从“尽力而为（Best Effort）”向“尽在掌握（Deterministic）”演进的关键能力。它使得网络第一次拥有了宏观调控自身“交通流量”的智能。

  • 多维归因，精准施策: 通过融合AMF、OAM、UPF等多源数据，NWDAF不仅能发现拥塞，更能初步定位拥塞的原因——是“人太多”（用户数激增），还是“路太烂”（无线环境差），还是“车太大”（应用流量激增）。这为PCF制定更精准、更有效的疏导策略提供了依据。
  • 预测能力是核心价值: 拥塞分析的真正力量在于“预测”。它将网络运维从“救火队”的角色，转变为“防火员”，通过主动的、预测性的干预，将拥塞消弭于无形，极大地提升了网络资源的利用效率和用户体验。
  • 打通智能策略闭环: 拥塞分析的消费者（PCF/NEF/AF）本身就是策略的执行者或影响者。NWDAF的分析结果可以直接作为输入，驱动一个自动化的策略控制闭环，这是实现5G网络自优化的核心体现。

这项能力，对于保障大型集会、热点区域的网络质量，实现动态、弹性的网络资源调度，具有不可估量的价值。它让网络管理者在面对海量、突发的业务冲击时，能够真正做到“心中有数，手中有策”。

在下一篇文章中，我们将探讨一个与拥塞分析密切相关，但视角更聚焦于“服务质量承诺”的分析——5.7.11 QoS Sustainability Analytics (QoS可持续性分析)。我们将看到，‘洞察者’是如何从“会不会堵”，深入到“能否持续满足我的SLA承诺”这个更深层次的问题的。

FAQ 环节

Q1：用户数据拥塞分析（5.7.10）和网络性能分析（5.7.5）有什么联系？

A1：它们在数据源上有重叠，但分析的目标和输出有显著不同。

  • 网络性能分析 (5.7.5)：是一个更宽泛、更宏观的“健康体检”。它输出的是一系列独立的网络KPI，如切换成功率、用户数、流量等。它告诉你“各项指标分别是什么”。
  • 用户数据拥塞分析 (5.7.10)：是一个更聚焦、更具诊断性的分析。它将多个KPI（如用户数、资源利用率、丢包率）作为输入，通过一个拥塞模型，最终输出一个结论性的判断——“是否拥塞”以及“未来是否会拥塞”。它告诉你“这些指标综合起来意味着什么”。 可以说，网络性能分析的结果，是用户数据拥塞分析的重要输入之一。

Q2：拥塞分析能区分上行拥塞和下行拥塞吗？

A2：是的，可以而且必须区分。上行链路和下行链路是两条独立的“车道”，它们的瓶颈点和影响的业务类型完全不同。一个优秀的NWDAF实现，其拥塞分析模型必须能够区分：

  • 上行拥塞: 通常由大量用户同时上传视频、直播等行为导致。受影响最大的是视频通话、云游戏控制流、直播等业务。
  • 下行拥塞: 通常由大量用户同时观看高清视频、下载大文件等导致。受影响最大的是视频点播、网页浏览、软件下载等业务。 NWDAF在收集数据时（特别是从OAM和UPF），就会分别收集上/下行链路的性能指标，并在输出CongestionInfo时，通过direction等参数，明确指出拥塞发生的链路方向。

Q3：拥塞分析能精确到哪个物理范围？

A3：分析的地理精度取决于消费者请求的areaOfInterest的粒度，以及NWDAF能够获取的数据的粒度。

  • 小区级 (Cell-level): 这是最常见的精度。NWDAF可以分析并报告某个特定小区（由NCGI标识）的拥塞状况。
  • TAI级 (TA-level): 也可以分析一个由多个小区组成的跟踪区（Tracking Area）的宏观拥塞状况。
  • 切片+区域: 分析还可以与切片维度相结合，例如，分析“A区域内B切片”的拥塞情况。
  • 更精细级别 (Sub-cell): 在未来，随着定位技术和RAN数据开放性的增强，甚至可能实现对一个小区内特定波束（Beam）或特定地理范围（如一个路口）的拥塞分析。

Q4：为什么这项分析需要AMF的用户位置信息？只看OAM/UPF的资源和流量数据不够吗？

A4：AMF的用户位置和数量信息对于提升拥塞预测的准确性和进行根因分析至关重要。

  1. 预测能力: 用户数量的增长趋势是预测未来拥塞的一个关键先行指标。如果只看当前流量，可能无法提前预警。但如果NWDAF观察到某个区域的用户数量正在以异常的速度增长，即使当前流量还不高，它也可以预测到拥堵即将到来。
  2. 根因分析: 当拥塞发生时，AMF的数据可以帮助判断拥塞是由于“人太多”（用户密度过高），还是由于“车太大”（每个用户的流量过大）。这两种原因对应的解决方案是不同的。
  3. 用户关联: 将拥塞信息与具体的UE关联起来。当需要进行精细化的流量疏导时（例如，将部分用户引导到Wi-Fi），就需要知道哪些用户在拥塞区域内。

Q5：分析结果中的confidence（置信度）有什么用？

A5：confidence是AI/ML分析结果中一个非常重要的参数，它表示NWDAF对其预测的“把握有多大”。

  • 决策依据: 对于消费者（如PCF）来说，这是一个关键的决策输入。如果一个拥塞预警的置信度是99%，PCF可能会立即采取比较激进的疏导策略。如果置信度只有60%，PCF可能会采取更保守的观察策略，或者只对最低优先级的业务进行调整，以避免不必要的策略变动对用户体验造成影响。
  • 模型评估: 长期监控confidence指标，也可以用于评估NWDAF拥塞预测模型的性能。如果模型的平均置信度很低，或者高置信度的预测频频出错，那就说明模型需要重新训练和优化了。

关系图谱