为了保障LTE网络流媒体业务的用户体验质量(Quality of Experience,QoE),需要实时监测终端用户的用户体验质量,且需要在用户体验质量下降时,实施网络故障定位与优化,使其恢复到正常水平.但随着移动网络的规模的扩大,网络参数种类和数据量的增加,人工的方式已经不能满足日常运维的工作需要.针对这一问题,提出了一种面向QoE的LTE网络故障定位和优化方法,提出了基于K-近邻机器学习算法的故障定位模型,并针对网络带宽不足故障,提出了基于保证比特率(Guaranteed Bit Rate,GBR)的带宽保障方法.仿真结果表明,所提故障定位和优化系统能够很好的实现移动终端流媒体业务的用户体验质量的监测和用户体验质量下降后的自动定位和优化.
展开▼
