5G網絡帶來多樣化場景化的波束，能適配多種不同場景，同時天線參數調整可能性大量增加，可實現超千種波束組合。面對高達幾百種乃至成千上萬種的參數組合，通過人工的方式去找出參數最優(yōu)值幾乎不可能，網絡優(yōu)化的難度迅速增加。另一方面，在無線資源緊張的情況下，如何進行資源的分配和調度，如何有效管理無線網路的相關參數，這都是網絡優(yōu)化面臨的挑戰(zhàn)。

5G整體網絡優(yōu)化方法可以從下面四個角度來看，第一階段是初始優(yōu)化，第二階段是應急網絡優(yōu)化，剩下的兩個階段分別是持續(xù)優(yōu)化和指導性優(yōu)化。對于任何網絡優(yōu)化，首先肯定是網絡工程建設，然后是干擾搜尋。干擾搜尋是極其重要的，一旦有干擾，網絡信號性能就會受限。在干擾搜尋期間，需要同步進行網絡質量比較并進行網絡監(jiān)控。

初始優(yōu)化階段的一般檢測

一般將部署的最后階段作為初始優(yōu)化階段，初始優(yōu)化主要是部署之后的性能測試和性能調優(yōu)?；静渴鹜戤吅?，常規(guī)的天線測量、射頻測量這些功能測試肯定是必不可少的，在此階段完成下行/上行數據測試、延遲測試等等。

考慮到5G網絡復雜性很高，可以將網絡的下行方向調節(jié)至高數據速率，這樣也可以優(yōu)化網絡配置以實現低延遲。在此階段，為了完善整個優(yōu)化流程，測試廠商會進行網絡切片，使得網絡的一些部分優(yōu)先考慮高數據速率，還有一部分優(yōu)先考慮低延遲。

在此環(huán)節(jié)，上行干擾是首先搜尋到的干擾。眾所周知，5G主要采用TDD模式部署，所以上行和下行是共享相同頻率的，只是在時間上錯開。因此如果配置網絡時明顯偏向于下行，時域中會存在大量的下行時隙（少量的上行時隙），此時頻譜分析儀中也幾乎看不到上行信號，這樣就很難看到任何干擾。上行干擾的優(yōu)化測試有兩個重要的點，數據吞吐率和射頻參數。通過將MCS與MIMO layers的測試指標匯總起來，這就是基站所做的優(yōu)化工作，能確定最終合適的數據包長度、MIMO層，便于優(yōu)化上行或下行方向的數據吞吐率。

在TDD模式中，上行干擾優(yōu)化的復雜在于下行總是會覆蓋上行。基站播放的SIB系統(tǒng)信息廣播可以配置上下行參數，即可以在解碼的SIB中看到上行時隙的起止點，稍加配置即可獲取上行起止信息，然后就此提供特定時間門控。下行階段測試調優(yōu)與此相同。初始優(yōu)化階段的相關優(yōu)化大多在性能測試和調優(yōu)上。

應急網絡優(yōu)化該怎么辦？

第二個優(yōu)化階段——應急網絡優(yōu)化主要進行故障排除以解決網絡中的問題。流程并不復雜，網絡管理KPI顯示網絡質量問題，然后應急網絡優(yōu)化執(zhí)行頻譜測量、信號覆蓋驗證以及其他測量。

假如顯示高BLER、低MCS這種情況，那么就是上行方向可能存在干擾。在處理過程中，如果能將比特率、延遲和連續(xù)性整合至單一結果中那么優(yōu)化將更方便迅速。這種方法由終端將UDP數據包流發(fā)送至服務器，再由服務器將其發(fā)回終端，其間使用TWAMP協(xié)議，也就是雙向主動測量協(xié)議。這種雙向測試模式中的數據包速率、數據包大小、時延均為可配置，根據不同的網絡流量需求進行配置，然測試結果可以將比特率、延遲和連續(xù)性整合至同一結果中，優(yōu)化整個流程的便捷性。

外部干擾源是應急網絡優(yōu)化中時常出現的，另一個則是TDD的時間同步，是一項潛在的干擾源，因此同步中的時間測試同樣必不可少。

持續(xù)優(yōu)化實現高效實現連續(xù)網絡測試

持續(xù)優(yōu)化需要使用連續(xù)的數據流來進行這種常規(guī)優(yōu)化，基于云的測試會比較適合這類持續(xù)優(yōu)化，也就是說將測試設備的控制和后處理轉移到云端，從連接互聯(lián)網的任意位置訪問這些應用程序。路測設備、基準測試設備、室內采集設備都能夠直接采用基于云的測試實現持續(xù)優(yōu)化?；谠频臏y試能夠帶來更高效的數據采集方式，不需要大量的手動交互就能高效地生成數據。

端到端的數據流同樣通過遠程配置整個測試設備，配置好完整的測量文件，然后工程師將任務推送至終端的探針來執(zhí)行任務。設備定期向管理端上傳高級別KPI以及一些位置和狀態(tài)更新。任務測試后，這些終端會將文件上傳至專用的預定義文件服務器，然后由自動測量文件進行處理。

要實現這種高效的連續(xù)網絡測試最重要無疑是可靠的測試設備，尤其是終端探針，要維持在一定溫度確保其正常工作。這可以借助強制對流的無源冷卻裝置，或者借助Peltier元件的有源冷卻裝置，使得UE和探針處于恒溫水平。

寫在最后

最后一部分指導性的優(yōu)化主要是為了應對5G網絡日趨復雜化的各種市場問題，根據收集到的大量數據進行分析并為用戶提供指導性的優(yōu)化建議。機器學習在其中也發(fā)揮了不少作用，采用不同算法進一步發(fā)揮大量數據的作用。

從部署結束到網絡應用環(huán)節(jié)中的每一個階段，這四個階段的優(yōu)化能迅速降低5G網絡優(yōu)化的難度，在無線資源緊張的情況下，合理地進行資源的分配和調度，并有效管理無線網路的相關參數。