51学通信

深度解析 3GPP TS 29.552：5.7.7 UE Communication Analytics (UE通信分析)

22分钟阅读

好的，我们继续深入5.7节的特定分析流程。在前一篇中，我们探讨了‘洞察者’(Insight-AI)如何像一位“行为预测专家”来分析和预测用户的物理移动轨迹。今天，我们将把焦点从用户的“物理行为”转向其“网络行为”，看看‘洞察者’是如何扮演一位“网络通信侦探”，通过分析用户的通信模式，来发现其内在规律、预测其业务需求，并识别潜在的异常。

深度解析 3GPP TS 29.552：5.7.7 UE Communication Analytics (UE通信分析)

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“5.7.7 UE Communication Analytics”的核心章节，旨在为读者详细拆解NWDAF是如何收集和分析单个UE的通信行为数据，从而构建用户网络行为画像，为网络资源优化、用户体验保障和异常检测提供关键洞察。

前言：解码用户的“数字指纹”

每个用户在网络上的行为，都像他们独一-无二的指纹。有人是“视频控”，一有空就刷短视频，产生巨大的下行流量；有人是“直播达人”，频繁进行户外直播，对上行带宽要求极高；还有大量的物联网终端，它们大部分时间都在“沉睡”，只在每天固定的时刻醒来，上报一小段心跳数据。

这些千差万别的通信模式 (Communication Pattern)，对网络资源的需求截然不同。如果网络能够提前“认识”和“理解”这些模式，就能够实现：

  • 更智能的资源分配：为“视频控”预留缓存和带宽，为“直播达人”保障上行QoS，为物联网终端优化信令开销和能耗。

  • 更精准的体验保障：在用户习惯性使用某个应用之前，就提前优化好网络路径。

  • 更敏锐的异常检测：一个平时只在凌晨上报1KB数据的智能水表，突然在下午开始以1Mbps的速率上传数据，这极有可能是一个异常或攻击信号。

这正是‘洞察者’(Insight-AI)在“UE通信分析”场景下的核心任务。它要做的，就是通过分析用户的历史通信数据，为每个用户绘制一幅精准的“网络行为画像”，解码其独特的“数字指纹”。

在今天的“未来科技博览会”场景中，一位著名的科技博主**“极客先锋”**正在现场进行全天候的5G新应用直播体验。为了确保他的直播流万无一失，并主动应对他可能发起的各种大流量业务测试，运营商的网络优化团队希望‘洞察者’能够对“极客先锋”的通信行为进行实时分析与预测。

本文将深入5.7.7节的信令流程，看看‘洞察者’是如何一步步成为“通信侦探”，从海量信令和数据中，提炼出“极客先锋”的行为规律的。

1. 任务简报：通信分析的“侦察”范围

这项分析任务的目标是提供关于单个UE的通信行为的统计与预测信息。

规范原文引用 (Clause 5.7.7 Introduction):

This procedure is used by the NF to obtain UE communication analytics, which is calculated by the NWDAF based on the information collected from the AMF, SMF, UPF, and/or AF.

‘洞察者’解读道：“要绘制一个人的通信画像，我需要调阅他在网络世界的各种‘档案’：他的‘身份和连接记录’，他的‘业务办理记录’，他实际的‘数据账单’，以及他正在使用的‘App’本身。”

  • 情报来源:

    • AMF: 提供最基础的连接档案，如连接/空闲状态转换模式（UE是长时间在线还是频繁休眠）、接入行为趋势（UE在哪种网络下（3GPP/Non-3GPP）更活跃）等。

    • SMF: 提供业务办理记录，即PDU会话信息。通过分析历史PDU会话，可以了解用户偏好使用哪些DNN（数据网络名称）、S-NSSAI（网络切片）、应用（通过applicationId）等。

    • UPF: 提供最直接的数据账单，即实际的用户面流量信息。可以统计出会话的持续时间、上/下行流量、数据包速率等。

    • AF: 提供应用层信息，进一步丰富画像。

  • 分析ID: UE_COMM

2. 行动方案：解构通信分析的信令全流程

规范中的 “Figure 5.7.7-1: Procedure for UE Communication analytics” 为我们展示了‘洞察者’绘制这份“用户画像”的详细步骤。

阶段一：任务启动与“连接档案”分析 (步骤1 - 3)

网络优化团队向‘洞察者’发起订阅：“请为用户‘极客先锋’（由SUPI标识）提供通信行为分析，并预测其未来的会话请求。”

步骤1a-1c：发起分析请求

优化团队（作为消费者）通过Nnwdaf_EventsSubscription_Subscribe发起请求，analyticsId为UE_COMM，eventFilter中包含目标用户的supi。

步骤2a-3b：从AMF收集连接行为

规范原文引用 (Step 2a-2b):

The NWDAF may invoke Namf_EventExposure_Subscribe service operation…to retrieve one or more Type Allocation codes, UE connection management state, UE access behaviour trends and UE location trends from AMF.

‘洞察者’首先要了解用户的“作息规律”。

  • 动作: 向服务该用户的AMF发起Namf_EventExposure_Subscribe订阅。

  • 订阅内容:

    • UE_REACHABILITY_CHANGE: 监控UE在CM-IDLE（空闲）和CM-CONNECTED（连接）状态之间的转换。

    • ACCESS_TYPE_CHANGE: 监控UE是在5G网络下接入，还是通过Wi-Fi（N3GPP）接入。

  • 信息流 (3a-3b): AMF会将“极客先锋”的状态转换事件上报给‘洞察者’。通过分析这些事件的时间序列，‘洞察者’可以得出结论：“该用户在上午9点到下午5点期间，几乎一直处于高频活动的连接状态。”

阶段二：深入“业务办理记录”与“数据账单” (步骤4 - 7)

接下来，‘洞察者’要弄清楚，用户在连接状态下，到底在“办”什么业务，花了多少“流量”。

步骤4a-5b：从SMF分析会话模式

规范原文引用 (Step 4a-4b):

The NWDAF may invoke Nsmf_EventExposure_Subscribe service operation…to request the information of the UE to calculate the analytics.

  • 动作: 向SMF发起Nsmf_EventExposure_Subscribe订阅。

  • 订阅内容: 订阅与该用户PDU会话相关的事件，如PDU_SES_EST（会话建立）、PDU_SES_REL（会话释放）等。

  • 信息流 (5a-5b): SMF会在每次会话建立或释放时通知‘洞察者’，通知中包含了丰富的上下文信息：DNN, S-NSSAI, Application ID, Session-AMBR等。

  • 分析结果: 通过对这些历史会话记录的分析，‘洞察者’可以得出画像：“‘极客先锋’在90%的情况下会使用‘LiveStreaming-Slice’网络切片，并且主要的应用是‘Pro-Caster App’（由Application ID标识）。”

步骤6a-7b：从UPF获取真实流量

规范原文引用 (Step 6a-6b):

The NWDAF may invoke Nsmf_EventExposure_Subscribe service operation…to subscribe via the SMF to UPF information for a specific UE.

要了解真实的流量消耗，必须深入到用户面。

  • 动作: ‘洞察者’通过SMF作为代理，向服务于“极客先锋”直播流的UPF下发流量测量任务。

  • 目的: 测量该用户在Pro-Caster App应用上的具体流量特征。

  • 信息流 (7a-7b): UPF会将测量到的上/下行数据量、数据包速率等信息，通过SMF中转，最终上报给‘洞察者’。

  • 分析结果: ‘洞察者’获得了最关键的定量数据：“‘极客先锋’的直播业务，通常会产生持续30分钟、平均上行速率为15Mbps的流量。”

阶段三：画像生成与预测交付 (步骤12 - 20)

规范原文引用 (Step 12):

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

所有情报汇总完毕，‘洞察者’开始进行最后的“拼图”和“预测”。

  1. 用户画像生成 (Step 12 & 19): AnLF将所有数据进行融合，生成一份关于“极客先锋”的、详尽的“网络行为画像报告”：

    • 活动周期: 上午9点-下午5点为高频活动期。

    • 业务偏好: 偏爱使用LiveStreaming-Slice切片上的Pro-Caster App。

    • 流量模型: 典型业务为持续30分钟、上行15Mbps的视频流。

    • 接入偏好: 主要通过5G NR接入。

  2. 行为预测: 基于这幅画像，‘洞察者’的预测模型开始工作。它发现，“极客先锋”的直播会话通常每隔1小时就会有一次。当前距离上一次会话结束已有55分钟。

    • 预测结果: “预计在5分钟内，用户‘极客先锋’将发起一次新的PDU会话请求，请求接入‘LiveStreaming-Slice’，并产生上行15Mbps的流量。”

  3. 交付洞察 (Step 13 & 20): ‘洞察者’将这份包含历史画像和未来预测的分析报告，通过_Notify服务，交付给网络优化团队。

闭环完成：优化团队收到这份报告后，可以：

  • 主动资源保障: 在预测的会话发起前，提前检查“LiveStreaming-Slice”的资源情况，确保路径上的UPF和基站都有足够的上行容量。

  • 优化无线策略: 针对15Mbps的上行速率，为该用户配置更合适的无线资源调度策略（如更激进的HARQ重传参数）。

通过这个闭环，网络从被动地响应用户的会话请求，升级为主动地预测并为其“预备”好所需的一切资源，极大地提升了VIP用户的服务体验和网络资源的利用效率。

总结：UE通信分析的价值所在

5.7.7节的UE通信分析，是NWDAF实现用户级精细化运营的基础。与更宏观的移动性分析相比，它更关注用户在网络世界的“内在”行为模式。其核心价值在于：

  • 构建用户网络行为画像：通过对多源数据的深度分析，NWDAF为运营商提供了一种标准化的方法，来理解每一个用户的网络行为特征。这对于客户分级、精准营销、个性化套餐设计等都具有重要意义。

  • 赋能预测性资源管理：通过预测用户即将发起的会话请求和流量需求，网络可以提前进行资源预留和策略配置，实现从“按需分配”到“按预测分配”的转变，尤其对于需要抢占式资源保障的低时延、高可靠业务至关重要。

  • 作为异常检测的基础：一份精准的“正常行为画像”，是识别“异常行为”的前提。当一个用户的实际通信行为，显著偏离了NWDAF为其构建的历史画像时（例如，一个物联网终端突然产生了巨大的流量），这本身就是一个强烈的异常信号。我们将在后续的5.7.9节（异常行为分析）中看到，UE通信分析是其重要的输入。

UE通信分析，让网络第一次拥有了“认识”和“理解”其服务对象的能力。这种能力，是实现网络从“大众服务”迈向“千人千面”的个性化、智能化服务的关键一步。

在下一篇文章中，我们将探讨一个与此紧密相关的分析——5.7.8 Expected UE behavioural Analytics (预期UE行为分析)，看看‘洞察者’是如何将移动性分析和通信分析这两项能力结合起来，形成一个对用户未来行为的更全面的综合预测的。

FAQ 环节

Q1：UE通信分析和UE移动性分析有什么区别？

A1：它们分别关注用户行为的两个不同侧面：

  • UE移动性分析 (5.7.6): 关注用户在物理世界的行为，即“他在哪里，要去哪里”。分析的对象是地理位置、轨迹、速度等。

  • UE通信分析 (5.7.7): 关注用户在网络世界的行为，即“他在做什么，要用什么业务”。分析的对象是连接状态、PDU会话、流量模型等。

在更高阶的分析中，这两者会紧密结合。例如，一个用户的移动行为（如进入地铁）会直接影响其通信行为（如视频中断，切换为听音乐）。

Q2：这项分析所需要的数据，是否与计费系统（Charging System）的数据有重叠？

A2：是的，有很大的重叠。计费系统（特别是CHF/CDF）也需要从SMF/UPF获取详细的会话信息和流量数据，以生成话单。但它们的目的和实时性要求不同：

  • 计费系统: 主要目的是准确计费，对数据的完整性和准确性要求极高，但实时性要求相对较低（准实时或离线处理即可）。

  • NWDAF: 主要目的是实时/准实时分析与预测，以指导网络行为。它更关注数据的“新鲜度”和趋势，对单次数据上报的绝对准确性容忍度稍高。

在架构上，NWDAF和计费系统是独立的系统，它们会分别从SMF/UPF订阅所需的数据。但在未来的融合架构中，两者共享一个统一的数据收集和分发平台（如通过DCCF）是一个可能的演进方向。

Q3：“Type Allocation codes” (TAC) 在这个分析中有什么用？

A3：TAC是IMEI（手机串号）的前8位，它标识了终端的型号和厂商。AMF可以上报UE的TAC信息给NWDAF。这在通信分析中有多种用途：

  • 终端能力画像: NWDAF可以知道用户的终端是一款高端旗舰手机，还是一款功能简单的物联网模组。这直接影响了对其行为的判断。例如，旗舰手机可能会频繁使用多个切片，而物联网模组则不会。

  • 问题定位: 如果发现某一特定TAC的终端普遍出现会话建立失败率高的问题，这可能暗示着该型号终端的协议栈实现有Bug，或者与网络的兼容性存在问题。

  • 终端行为模式: 不同类型的终端，其通信模式天然不同（例如，手机 vs. 车机）。TAC是识别这些模式的一个重要输入特征。

Q4：NWDAF如何知道某个PDU会话对应的是哪个应用（Application ID）？

A4：这通常是通过SMF和PCF的策略控制机制，并结合**深度包检测（DPI）**能力实现的。流程大致如下：

  1. PCF制定策略: PCF可以配置策略规则，将特定的IP五元组（源/目的IP、源/目的端口、协议）或业务流特征，映射到一个Application ID。

  2. SMF下发规则给UPF: SMF从PCF获取这些策略，并通过N4接口将它们转化为UPF能够理解的PDR/FAR/URR等规则，下发给UPF。

  3. UPF执行检测: UPF的用户面引擎（通常集成了DPI能力）会对流经的数据包进行检测，一旦匹配了某个应用的流量特征，就会将该流量打上对应的Application ID标签。

  4. UPF上报: 在上报流量统计信息时，UPF会将带有Application ID标签的流量分开统计，并上报给SMF（或直接给NWDAF）。

通过这个闭环，NWDAF就能获得精细到应用粒度的通信行为数据。

Q5：这项分析的结果可以用来做什么具体的网络优化？

A5：UE通信分析的优化用途非常广泛：

  • 智能寻呼 (Paging): 如果NWDAF预测一个物联网终端只会在每天凌晨3点上报数据，那么在其他时间，网络就可以采用更深度的节能寻呼策略（如扩大寻呼周期），以节省终端能耗。

  • UPF选择优化: 如果预测一个用户即将发起一个大流量的视频会话，SMF在选择UPF时，就可以优先选择一个负载较低、距离内容源更近的UPF。

  • 无线资源预配置: 预测用户即将发起直播，RAN可以提前为其准备好上行授权（Uplink Grant），减少业务建立的初始时延。

  • 个性化QoS: 根据用户的通信画像，为其提供差异化的、动态的QoS策略。例如，对识别出的“游戏玩家”，在游戏时段自动提升其网络优先级。

关系图谱