51学通信

深度解析 3GPP TS 29.552：5.7.12 Dispersion Analytics (离散度分析)

21分钟阅读

好的，我们继续深入5G“智慧大脑”NWDAF的能力图谱。在前几篇文章中，我们已经探讨了网络资源、用户体验和QoS保障等多个核心分析领域。今天，我们将探索一个非常有趣且独特的分析能力，它不再聚焦于单个UE或单个业务流，而是将视角投向一个区域内用户群体的空间分布与动态——离散度分析。

深度解析 3GPP TS 29.552：5.7.12 Dispersion Analytics (离散度分析)

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“5.7.12 Dispersion Analytics”的核心章节，旨在为读者详细拆解NWDAF是如何扮演一位“群体行为分析师”，通过对用户群体的空间离散度和流动趋势进行分析，为宏观选址、商业洞察和公共安全等领域提供关键决策支持。

前言：从“个体足迹”到“群体热图”

我们已经知道，‘洞察者’(Insight-AI)可以通过移动性分析（5.7.6）来追踪和预测个体的移动轨迹。然而，在很多场景下，我们更关心的不是某一个人的去向，而是一个群体的宏观动态：

  • 商业选址：一家新的咖啡连锁店，应该开在城市的哪个角落，才能覆盖最多的目标客户群体？

  • 广告投放：一场户外音乐节，人群最密集的区域在哪里？广告大屏应该朝向哪个方向？

  • 公共安全：地铁站发生紧急事件，人群是在快速疏散，还是在向某个出口拥堵聚集？

  • 网络规划：一个新开发的大型居民区，居民们白天的活动热点区域在哪里？网络扩容的重点应该放在哪里？

要回答这些问题，就需要一种能够分析用户群体空间分布特征及其动态变化的能力。这，正是**离散度分析（Dispersion Analytics）**的核心使命。

“Dispersion”在英文中意为“散布、离散”。这项分析就是要度量一个特定的用户群体，在地理空间上的分散程度或聚集程度，以及他们的流动趋势。它将海量的个体移动轨迹点，抽象和升维为一幅动态的、富有洞察力的“群体时空热图”。

在“未来科技博览会”的场景中，展会的运营方（我们称之为“Expo-Ops”）希望能够实时了解参观者的人群分布和流动趋势，以便动态调整展馆内的引导、安保和资源配置。例如，他们希望知道：“使用‘AR导航’应用的这批科技爱好者，他们最常去的展台是哪些？他们是从哪个入口进来的？”

为此，“Expo-Ops”的应用（AF）向‘洞察者’发起了“离散度分析”的请求。本文将深入5.7.12节的信令流程，看看“群体行为分析师”‘洞察者’是如何完成这次宏观人群洞察任务的。

1. 任务简报：勾勒群体画像的关键指标

这项分析的目标是，为一个特定的用户群体（可以通过应用、用户画像标签等来定义），提供其在指定区域内的空间分布和流动性分析。

规范原文引用 (Clause 5.7.12 Introduction):

This procedure is used by the NWDAF service consumer to obtain the dispersion analytics which are calculated by the NWDAF based on the information collected from the AMF, SMF, UPF and/or AF.

‘洞察者’解读道：“要绘制一幅‘人群热图’，我需要知道‘这群人是谁’，以及‘他们在哪里、产生了什么行为’。”

  • 分析对象: 不再是单个UE，而是一个用户群体 (a group of UEs)。这个群体可以通过多种方式来定义：

    • 应用使用者: 使用某个特定applicationId的用户群。

    • 区域内用户: 某个areaOfInterest内的所有用户。

    • 特定切片用户: 使用某个S-NSSAI的用户群。

  • 情报来源:

    • AMF: 提供最核心的用户位置信息和移动性事件，是构建“热图”的基础。

    • SMF/UPF: 提供用户的会话和流量信息，可以将“热图”与“业务使用”进行关联，例如，分析“高流量用户”的地理分布。

    • AF: 可以提供更精准的用户分群标签（例如，“AR导航应用的高级会员”），以及应用层的交互数据。

  • 分析ID: DISPERSION

  • 输出 (Dispersion Analytics): 分析结果通常包含统计性的、描述群体行为的指标，例如：

    • Top-N 小区/区域: 该群体最常出现的Top-N个小区或TAI。

    • 人群流动矩阵: 从区域A移动到区域B的用户数量。

    • 质心与离散半径: 该群体地理分布的“中心点”以及分散的半径。

    • 数据量分布: 各个小区的用户数据消耗量分布。

2. 行动方案：解构离散度分析的信令全流程

规范中的 “Figure 5.7.12-1: Procedure for Dispersion Analytics” 为我们展示了‘洞察者’生成这份“群体热图”的详细流程。这个流程在很大程度上复用了之前分析流程的数据收集模块。

阶段一：任务启动与目标人群圈定 (步骤1 - 5)

“Expo-Ops”的AF向‘洞察者’发起订阅：“请为使用‘AR-Navi’应用的用户群体，在博览会区域内，每15分钟提供一次人群聚集热点区域Top-5的分析报告。”

步骤1a-1c：AF发起分析请求

AF通过Nnwdaf_EventsSubscription_Subscribe发起订阅，analyticsId为DISPERSION，eventFilter中包含了applicationId = "AR-Navi"和areaOfInterest。

步骤2a-3b：从AMF收集群体位置

规范原文引用 (Step 2a-2b):

The NWDAF may invoke Namf_EventExposure_Subscribe service operation…to retrieve the location and/or slice based UE transactions dispersion information.

  • 动作: ‘洞察者’向AMF发起订阅。

  • 订阅内容: “请上报所有正在使用‘AR-Navi’应用（AMF可以通过SMF提供的信息关联到应用）的UE的位置信息。”

  • 信息流 (3a-3b): AMF会持续地将符合条件的UE的位置变更事件上报给‘洞察者’。

步骤4a-5b：从SMF关联业务信息

规范原文引用 (Step 4a-4b):

The NWDAF may invoke Nsmf_EventExposure_Subscribe service operation…to subscribe to the notification of UE transactions dispersion information which may be slice based.

  • 动作: ‘洞察者’向SMF发起订阅。

  • 目的: 获取更丰富的业务上下文，以便进行更细粒度的群体划分。例如，SMF可以提供UE正在使用的S-NSSAI信息。这使得‘洞察者’不仅能分析“AR-Navi”用户群，还能进一步分析“使用AR-Navi且占用了VIP切片”的这批“高价值科技爱好者”的分布。

  • 信息流 (5a-5b): SMF会上报相关的会话建立/变更事件。

阶段二：融合数据面的真实消耗 (步骤6)

为了分析得更深入，‘洞察者’还需要知道这群人在不同地点产生了多少数据流量。

步骤6a-6c：从UPF获取群体流量分布

规范原文引用 (Step 6a-6c):

The NWDAF may subscribe to collect UE data volume dispersion information from the serving UPF either via the SMF…or directly to the UPF…

  • 动作: ‘洞察者’通过SMF代理或直接向UPF发起订阅。

  • 订阅内容: “请按小区（或TAI）维度，统计上报‘AR-Navi’应用的用户群所产生的总上/下行流量。”

  • 信息流: UPF会对符合条件的流量进行聚合统计，并将统计结果上报给‘洞察者’。

阶段三：分析计算与“热图”交付 (步骤11 - 19)

规范原文引用 (Step 11):

The NWDAF calculates the Dispersion analytics based on the data collected from AMF, SMF, UPF and/or AF.

所有关于这个群体的时空和业务数据都已汇集。

  1. 群体行为建模 (Step 11 & 18): AnLF的“群体行为分析师”开始工作：

    • 空间聚集分析: 通过对海量UE位置点进行聚类分析（如DBSCAN、K-Means算法），‘洞察者’发现了人群聚集的几个热点区域。

    • 流动路径挖掘: 通过分析用户在不同小区之间的转移序列，‘洞察者’挖掘出了几条主流的“参观路径”。

    • 业务-空间关联: 将UPF上报的流量数据叠加到地理热图上，‘洞察者’发现，人群在“5G+AI”展台的流量消耗最大，而在“传统通信”展台的流量消耗则小得多。

  2. 生成“群体热图报告”: ‘洞察者’最终生成一份报告：

    • Top-5热点展台: 5G+AI展台、自动驾驶展台、元宇宙体验区…

    • 主流参观路径: 入口A → 5G+AI展台 → 自动驾驶展台 → 出口B。

    • 流量高峰区域: 5G+AI展台的下行流量消耗最大，元宇宙体验区的上行流量消耗最大。

  3. 交付洞察 (Step 12 & 19): ‘洞察者’将这份宝贵的“群体洞察报告”通过_Notify服务，交付给“Expo-Ops”的AF。

闭环完成：“Expo-Ops”收到报告后，可以做出更智能的运营决策：

  1. 动态调整人力: 向Top-5热点展台增派引导员和安保人员。

  2. 优化资源配置: 在流量高峰区域，增设移动充电宝租赁点。

  3. 商业决策支持: 发现“5G+AI”展台最受欢迎，决定在明年的博览会中扩大该主题的展区面积。

总结：洞察群体智慧，赋能宏观决策

5.7.12节的离散度分析，将NWDAF的分析能力从**个体（UE）层面，提升到了群体（Group）**层面。它不再关心某一个“点”的移动，而是关心由无数个“点”构成的“面”的形态和演变。

  • 隐私保护的宏观分析: 这项分析天然地具有更好的隐私保护特性。因为它关注的是匿名的、聚合后的群体统计特征，而不涉及对任何可识别个体轨迹的追踪。这使得它在商业智能和公共服务等领域的应用，面临更小的隐私合规阻力。

  • 从网络优化到跨界赋能: 离散度分析的价值，已经远远超出了传统的网络优化范畴。它将运营商的位置大数据能力，转化为一种可以为各行各业赋能的“洞察即服务（Insight-as-a-Service）”。无论是零售、广告、交通、还是城市规划，都可以从这种宏观的人群时空洞察中获益。

  • 构建数字孪生世界的基础: 动态的“人群热图”，是构建一个区域“数字孪生（Digital Twin）”模型的关键数据层之一。将这种人群流动信息，与交通、环境、商业等其他数据层叠加，就可以在一个虚拟世界中，对城市的运行进行模拟、预测和优化。

离散度分析，是5G网络感知和理解宏观物理世界运行规律的重要一步。它让‘洞察者’不仅能理解网络中的每一个“个体”，更能洞察由这些“个体”组成的“社会”的集体智慧和行为规律。

在下一篇文章中，我们将继续5.7节的探索，进入一个与Wi-Fi网络相关的分析领域——5.7.13 WLAN Performance Analytics (WLAN性能分析)，看看5G的“智慧大脑”是如何将其能力延伸到3GPP网络之外，实现多网融合的智能分析的。

FAQ 环节

Q1：离散度分析和UE移动性分析（5.7.6）收集的数据有什么不同？

A1：它们的数据来源（主要是AMF）是相同的，但数据处理和分析的视角完全不同。

  • UE移动性分析: 将每个UE的数据视为一个独立的时间序列来处理，目的是分析单个UE的轨迹和模式。它关心的是“张三的轨迹”。

  • 离散度分析: 将所有目标UE在某个时间切片的数据，视为一个空间点集来处理，目的是分析整个群体的分布特征。它关心的是“所有像张三一样的人，他们现在都在哪里”。

可以理解为，移动性分析是“纵向”的（追踪个体），而离散度分析是“横向”的（扫描群体）。

Q2：如何定义一个“用户群体”？只有AF才能定义吗？

A2：AF是定义用户群体的常见方式（通过applicationId），但并非唯一方式。在Nnwdaf_EventsSubscription_Subscribe请求的eventFilter中，可以通过多种参数来圈定一个群体：

  • 通过切片 (snssai): 分析使用某个特定切片的所有用户。

  • 通过数据网络 (dnn): 分析连接到某个特定DNN（如企业专网）的所有用户。

  • 通过用户列表 (supiList or gpsiList): 直接提供一个UE列表，分析这个特定名单上的用户群。

  • 通过区域 (areaOfInterest): 将区域内的所有用户视为一个群体。

这种灵活性使得离散度分析可以适用于非常广泛的场景。

Q3：这项分析的结果可以用于网络优化吗？

A3：当然可以。虽然它的商业价值很突出，但它对网络优化同样重要。

  • 宏观负载均衡: 如果分析发现，某个区域的人群密度远超其他区域，网络可以提前调整该区域小区的负载均衡参数，鼓励新用户接入到邻近的、负载较低的小区。

  • Massive MIMO波束赋形优化: 在人群聚集的热点区域，网络可以动态调整Massive MIMO的天线波束模式，将能量更集中地覆盖到人群中心，提升容量和用户体验。

  • 容量规划: 长期分析一个城市的居民在工作日和周末的人群热图，可以为基站的选址和扩容提供最直接的数据依据。

Q4：这项分析的实时性如何？能用于紧急事件响应吗？

A4：离散度分析的实时性取决于数据收集的频率和分析计算的复杂度。通过采用高频的位置上报和高效的流式计算引擎，NWDAF可以提供**准实时（如分钟级）**的“人群热图”更新。这对于紧急事件响应具有重要价值：

  • 拥堵预警: 在大型活动中，如果发现某个出口的人群密度在快速上升，可以提前预警，并通知安保人员进行疏导。

  • 疏散监控: 发生火灾等紧急情况后，可以通过分析人群的流动方向，判断疏散是否有效，以及是否有人群被困在危险区域。

这种能力，使得移动网络可以成为城市应急管理体系中一个强大的“感知神经网络”。

Q5：分析结果中的“质心与离散半径”是什么意思？有什么用？

A5：“质心（Centroid）”和“离散半径（Dispersion Radius）”是描述一个点集空间分布的两个基本统计量。

  • 质心: 是指一个用户群体在地理坐标上的“平均位置”或“中心点”。

  • 离散半径: 描述了这个群体的分散程度。半径小，说明人群非常聚集；半径大，说明人群非常分散。

这两个指标非常直观，用途广泛：

  • 趋势监控: 持续监控一个群体质心的移动，就可以描绘出这个群体的宏观移动轨迹。例如，可以画出早高峰期间，一个城市的人群质心从“居住区”向“商业区”移动的轨迹。

  • 聚集/疏散事件检测: 如果一个群体的离散半径在短时间内急剧减小，这表明发生了一次“聚集”事件。反之，如果半径急剧增大，则表明发生了一次“疏散”事件。这对于公共安全和商业洞察都很有用。

关系图谱