CN115086972B - 一种分布式无线信号质量优化方法及系统 - Google Patents

Abstract

本发明公开了一种分布式无线信号质量优化方法及系统，该方法包括：接收用户设备上报的数据，数据包括由用户设备检测无线信号得到的信号数据；根据用户设备上报的数据确定无线信号的质量优化方案，质量优化方案包括无线信号的信号源部署方案和信号源优化方案。该系统包括用户设备，用于检测无线信号得到信号数据，以及向云端设备上报包括信号数据的数据；云端设备，用于执行分布式无线信号质量优化方法。本发明降低了用户调整和维护网络质量的成本，解决了部署网络人力成本问题。

Description

一种分布式无线信号质量优化方法及系统

技术领域

本发明涉及无线信号质量监控技术领域，具体涉及一种分布式无线信号质量优化方法及系统。

背景技术

近年来，移动通信等无线业务迅速发展，手机上网业务日益增长，对于蜂窝网络和WLAN业务有了更多需求，即便家庭部署和办公场所部署各种微基站、无线热点，但还是会有信号质量差的可能，无法顺利连接上网，终端和信号源之间没有稳定的信号，往往需要优化网络部署和设备连接，要么需要抗干扰、要么要排除信号盲区。在推进村村通宽带、家庭无线覆盖过程中常出现大户型、楼房覆盖差等问题，影响用户体验。因此实践中需要对架设网络时的质量进行监控，并对网络信号分布评估和调整，分析信号质量变差的原因，以便提高用户体验。

在信号质量检测分析中，运营商和普通用户需要实现终端和无线信号源的端到端故障的定位，变被动维护为主动维护，安装部署后，用户可主动上报，同时更多时候安装小基站或者无线热点等非固定施工、有搬迁需求的设备，需要动态调整，提供用户以帮助发现故障并解决网络信号问题，在现有同类技术中主要是使用一次性部署，而且后续无法被用户利用的方法，大大降低了灵活性，无法应对各种类型终端在利用网络工作时出现的解决效率问题。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中无法应对终端设备的缺陷，从而提供一种根据用户设备数据灵活部署，且通过部署进行优化的方法，具体为一种分布式无线信号质量优化方法。

本发明提供了一种分布式无线信号质量优化方法，包括：

接收用户设备上报的数据，数据包括由用户设备检测无线信号得到的信号数据；

根据用户设备上报的数据确定无线信号的质量优化方案，质量优化方案包括无线信号的信号源部署方案和信号源优化方案。

优选的，信号数据包括信号强度数据和位置信息数据；

按照下述方式得到无线信号的信号源部署方案：

获取用户设备所在场所的地图数据，地图数据包括立体数据、墙壁数据和间隔数据；

根据信号强度数据、位置信息数据、立体数据、墙壁数据和间隔数据进行信号反射情况计算，推算出未检测的其它位置的位置信息数据和信号强度数据；

根据场所全部的位置信息数据和信号强度数据进行立体空间的信号分布绘制，得到信号地图；

对信号地图进行模型推演得到信号源部署方案。

优选的，信号源部署方案包括信号源的位置、数量和/或信号源的天线方向。

优选的，信号强度数据通过用户设备中的包过滤架构和空口包进行上报；并且通过云端设备主动获取信号强度数据；信号强度数据通过分时段、分方向加权计算方式对用户设备的信号传输过程进行计算，得到信号需求公平度，根据信号需求公平度生成拥堵时段的数据指标和空闲时段的数据指标；信号需求公平度用于确定增加或调低发射功率以及整合无线信号空间流。

优选的，数据还包括关于无线信号质量的日志数据，

按照下述方式得到无线信号的信号源优化方案：

对日志数据基于时间进行聚合计算，得到带有时间指标的数据；

根据带有时间指标的数据区分数据拥堵时段和空闲时段；

将数据拥堵时段的数据指标与空闲时段的数据指标进行对比，确定发射功率调节方案。

优选的，用户设备上报的数据还包括负载告警阈值，所述负载告警阈值通过用户设备设置得到；

方法还包括：

基于负载告警阈值，云端对信号数据进行实时计算，实现无线信号质量监控，进而实现网络故障恢复和调度。

优选的，用户设备上报的数据还包括测试数据；测试数据为用户设备进行主动测试产生的数据，测试数据定时上报；

方法还包括：

采用流批一体数据湖架构接收定时上报的测试数据。

本发明的另一个目的在于提供一种分布式无线信号质量优化系统，该系统包括：

用户设备，用于检测无线信号得到信号数据，以及向云端设备上报包括信号数据的数据；用户设备一个包括多个；

云端设备，用于执行上述的分布式无线信号质量优化方法。

优选的，还包括通信设备，通信设备包括网关模块和信号源模块；

网关模块用于连接用户设备和云端设备；

信号源模块用于连接所述用户设备，并通过连接所述用户设备获取RSSI传输信号定位数据；

RSSI传输信号定位数据用于确定用户设备相较于通信设备的距离和方向；

距离和方向用于确定多个用户设备分别距离通信设备的位置；位置用于将多个用户设备对应呈现于信号地图上。

优选的，还包括用户侧网络设备，用于计算每个信号源连接的用户设备数量，在数量超过预设阈值时进行负载平衡。

本发明技术方案，具有如下优点：本发明根据用户设备上报的数据，得到部署方案，解决了室内外的无线信号源覆盖和动态调整方案问题，降低了用户调整和维护网络质量的成本，解决了部署网络人力成本问题。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施中优化方法的流程图；

图2为本发明实施中得到信号源部署方案的流程图；

图3为本发明实施中得到信号源优化方案的流程图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

在实际使用过程中依然存在如下问题：

1.第一个问题是维护难度，在信号质量检测过程中，需要用专业设备和专业人员以放在安装阶段检测，手动上报以及在出现大范围全链路异常数据触发上报，分不清是网络信号问题还是数据不通的问题，给运营商带来困扰，在大量设备下，逐个检查，对于村村通网络实现后的广阔的全球各地离中心城镇远的用户十分不友好。

2.第二个问题是实时数据终端种类的监控协作缺少帮助，需要依赖人工，灵活性不足和延迟。在出现网络连接不畅或者，缺少互动解决的双向方案，在控制面的逻辑链路的下行段，如果用户在没有网的情况下无法区分是哪一类问题，这个事件数据并不会立马返回到运营商或者用户，只有当网络信号状态恢复的时候，才会有故障事件回传，用户设备是主动掉线还是被动掉线无法区分，压缩不了合理的数据量，因此在这过程中，我们又会碰到一些新的问题，比如采集数据延迟很大、丢失很多、数据不准确，用户设备本身的网络连接算法导致掉线，导致预警异常，解决网络信号部署盲区协同检测，优化有建筑物遮挡下的对网络切片并针对性动态调整某个片区的信号质量监控。

3.第三个问题是在提升监控实时度和数据报表呈现，需要考虑上报和用户呈现，减少用户理解成本，还有上报数据报表时需要压缩数据量的需求，只上传必要数据方便优化不同最靠近用户的运营商的终端，对于同一个需求，需要两个团队同时去开发，比如基站对应广域网下的视图和小基站、无线热点对应的室内视图，需要根据可视化的需求调整GPS位置对于室内信号源的检测作用有限，这样会带来需要解决用户呈现降低理解成本的问题。一方面是提供严格的数据格式，给予上报运营商等中心服务器便于查阅存储的，他们的逻辑可能会发生差异，最终导致结果表不一致，导致对用户需求缺少充分的理解和保护。

为了解决精确定位信息质量问题是网络数据连接问题、信号源设备问题还是信号分布环境问题以及这些问题影响了哪些信号源、终端设备、周边环境问题，什么场景出现这些问题的实时问题和变更部署的问题。本实施例的思路为：用户设备使用自身信号检测探针、结合信号源设备检测网络数据连接，并进行对应数据上报，将数据上报到数据平台，原始数据通过广域网对应GPS位置加信号质量，室内需要创建室内地图、原点、信号源RSSI传输信号定位的方式接入进来，用户设备上传的RSSI数据进行建模可以实现测距，计算一些固定的无线终端的摆放情况，经过统一的整合，给整个区域的信号分布做汇总，再经过计算，找出信号薄弱的地方，完成网络的局部调整，完善规划，使得服务质量提升。且用户端只需要结合信号采集模块、根据GPS和RSSI测距，将位置和信号质量同时记录，通过地图创建模块和呈现模块，将地图上的信号源、设备采样点对应的信号质量，用户设备作为采集终端可以使用移动终端（可以是手持设备或自动前进的机器人）。在绘制地图时可以手动导入室内地图，或扫地机器人建立地图模型，手动选择信号源，实现分布式多维度协作创立室内地图。绘制地图的核心点包括信号源、墙面位置、通道，之后将信号强度数据按坐标呈现。所采用的网络，其拓扑图核心包括：云服务器、网格（mesh）组网的多个路由器或网关设备，移动终端（手机、机器人、智能家居），用以传递位置数据和信号强度数据。

如图1所示，本实施例提供了一种分布式无线信号质量优化方法，该方法包括：

S1：接收用户设备上报的数据，数据包括由用户设备检测无线信号得到的信号数据；

S2：根据用户设备上报的数据确定无线信号的质量优化方案，质量优化方案包括无线信号的信号源部署方案和信号源优化方案。

根据用户设备上报的数据，得到质量优化方案，解决了室内外的无线信号源覆盖和动态调整方案问题，降低了用户调整和维护网络质量的成本，解决了部署网络人力成本问题。

其中，信号数据包括信号强度数据和位置信息数据；

如图2所示，按照下述方式得到无线信号的信号源部署方案：

获取用户设备所在场所的地图数据，地图数据包括立体数据、墙壁数据和间隔数据；

根据信号强度数据、位置信息数据、立体数据、墙壁数据和间隔数据进行信号反射情况计算，推算出未检测的其它位置的位置信息数据和信号强度数据；

根据场所全部的位置信息数据和信号强度数据进行立体空间的信号分布绘制，得到信号地图；

对信号地图进行模型推演得到信号源部署方案。

在本实施例中，根据立体数据得到的信号源部署方案能够适用于基站或者无线热点，且立体数据为建筑物、山体这些室外立面的数据；根据墙壁数据、间隔数据得到的信号源部署方案能够适用于室内；地图数据包括的立体数据、墙壁数据以及间隔数据可借助平面图或者卫星地图生成。

通过这种方式排除了盲角，完善了布网在建筑物内部时的检测系统。

信号源部署方案包括信号源的位置、数量和/或信号源的天线方向；通过信号源部署方案实现部署优化。

在本实施例中，信号强度数据通过用户设备中的包过滤架构和空口包进行上报；主要通过基站或者光猫等云端设备采集，通过管理通道协议比如管理cpe的光猫、基站、路由器去收集用户设备的上报信息，兼容现有用户设备能力，主动获取和收集相关无线信号质量信息，用户设备定时上报和云端设备主动获取相结合。所述信号强度数据的通过分时段、分方向加权计算方式对一个或多个用户设备的传输过程进行计算，得出信号需求公平度。为了提供公平度，分配信号资源尽力满足用户设备密度大的区域、网格，同时分时查询密度低的区域的数据流量判断是否可以降低发射资源的使用，保证节能。

主动获取信号强度数据；信号强度数据通过分时段、分方向加权计算方式对用户设备的信号传输过程进行计算，得到信号需求公平度，根据信号需求公平度生成拥堵时段的数据指标和空闲时段的数据指标；信号需求公平度用于确定增加或调低发射功率以及整合无线信号空间流。定义信号需求公平度，在给定时间段，在给定的无线信号的发射功率，如满负荷功率下，考察如下因子确定公平度，第一个因子，给定时间段长度与出现无线丢包和重传时段的倍数，第二个因子，取每个角度象限比如从0~Π/6角度的一个设备的RSSI信号强度除以给定时间段得到的平均值，与该设备距离信号源的距离为r时的所述平均值的理论值的比值，第三个因子，标记出前述设备的高峰下载时间段，计算下载速率峰值达到下行最高速率的时间长度，达峰时间/高峰下载时间段的比例；第四个因子，标记出当前设备的高峰上传时间段，计算设备上传速率峰值达到设备上行最高速率的时间长度，上传速率达峰时间/高峰上传时间段的比例；第五个因子，时延因子，在用户上网时间段内，对主流网站的ip计算TTL时延跟该用户设备所在线路的理论TTL平均值相除。

把上述每个因子进行权重相加，用于评估拥堵时段的信号需求公平度，再进行空闲时段的信号质量指标评估；

当信号需求公平度较低的设备标记出来，同时考虑调节空间流和发射功率满足较多设备密集工作时导致的拥堵的可能，完成临时承诺的信号质量影响数据服务的部分，确保在比较拥堵时能有基本保障，在空闲时段进行节能，满足一些高性能需求的设备；

地图数据还包括重点区域、非重点区域、反射面、归置采样点、找出波面、拟合多次反射后的信号仿真以及未采样的区域的信号分布。

云端的处理还包括数据筛选步骤处理：原始数据经过筛选，将一年热力图、信号异常的时间、相关的位置数据进行传递，还有时序存储的信号通过日志序列的方式接入进来，经过统一的数据整合逻辑存储至数据湖中。具体地是，可以采用时间序列日志数据库，并且在云端采用数据湖进行存储。其中，上传模块用于防止地图敏感数据，只保留当前信号源所处的第一位置的异常，过往的数据进行隐藏加密，不上传地图数据，只保留方位和距离、强度信息、终端是否掉线。

对于云端，需要处理广域网的数据的汇总，对于更长周期的用户感知进行大数据处理，流处理和批处理采用同一个数据处理逻辑解决离线与实时数据逻辑需要满足的需求不同，对于广域网架设，需要同时加载多个无线信号源的分布地图进行合并处理，最重要的是计算重点区域的盲区以及高负载的时段。

进一步的，数据还包括关于无线信号质量的日志数据，

如图3所示，按照下述方式得到无线信号的信号源优化方案：

对日志数据基于时间进行聚合计算，得到带有时间指标的数据；

根据带有时间指标的数据区分数据拥堵时段和空闲时段；

将数据拥堵时段的数据指标与空闲时段的数据指标进行对比，确定发射功率调节方案。

具体的，比如一个实时指标，我们输出的指标是 3 分钟，也就是4：00 这个时间点的指标的就包括了 4：00～4：03 的数据，4：03 包括了 4：03～4：06 的数据，其实就是指一个时间窗口和地域的数据，什么时候是对外可见的热力区域，信号干扰现象。因为在实时计算里，数据不断进来，我们运营商或者家庭用户只关心合理时间和重点区域是否有盲点、拥堵、掉线，结合告警事件，确定极大影响使用体验的目标的处理优先级，尤其是对于中老年用户不跟年轻人住一起，需要提供一些帮助。4：00 的时间窗口的数据从 4：00 开始，指标就已经开始产生了。随着时间叠加，指标不断上升，最后趋于稳定。如果用户开启全方位全天候数据收集和诊断，那么可以从时序分析上区分出网络信号质量、数据拥堵情况，与闲时网络进行数据特征的对比，主动调节发射功率进行节能。这样解决了多用户时大量数据上报的计算问题。

在进行网络质量分析时，做几个重要级别，首先是无线信号掉线、网络数据不通，其次是负载过重，第三类是常用在网终端、非常用终端的类型和信号质量，给与相应的优先级。

无线网络接入服务调整步骤，通过根据测算得出的信号分布盲点，给施工人员和基站控制天线以合理建议。比如对于中小加密信号的小基站，天线可以调整方向，在晚上居民比较集中的时候，主要聚焦重点区域，或者对于布设家用的无线热点，用到网格（mesh）设备，家庭用户或者初步假设网格（mesh）组网时，提供摆放网格（mesh）设备建议，使得不至于过于密集，同时当接入设备多时，可以由网格（mesh）设备向个别网络质量下降的访客终端进行切换，连入负担更小的网格（mesh）节点。

对于室内部分，地图分析包括了信号通路可视化，根据是室内地图表示的墙壁和间隔，进行反射计算，推算未检测到的位置和采样点的信号强度，更好的是采用具有水平陀螺仪建立3d绘制，完成立体空间的信号分布绘制。在得到用户上传的地图和采样数据，可以经过云服务器进行模型推演，使得推算新安装的信号源和场所可以获得更好的信号源部署方案，安置合理的数量和位置，减少安装调试成本。

特别地，对于公共治安，一些偏远区域，信号质量无变化的设备，比如距离长期不动的手机、固定的收发信号的无线设备，是可能出现治安事件的。我们基于时间窗口和地域、交通规划指标的变化率，来判断它是否趋于稳定，如果是人类的便携设备就判定用户本身是否有强关联的情况出现，与卫星通信的求救系统形成互补。

本实施例的技术思想的核心是多信号源多角度综合定位，提高广域部署基站和业务的精密度，更好地服务当地通讯环境，室内也是通过多信号源，比如mesh设备，同时多角度测算接收端的距离和信号质量，完成热力图绘制和记录。

为避免链路上面哪个任务出现问题，并引入实时计算任务状态，在指标趋于稳定的时候，同时去看生产链路上这些计算任务是否正常，如果是正常的话，表示任务本身时间点的指标已经稳定，可以对外提供服务。如果计算有卡顿、堆积，或者已经有异常在重启过程中，就需要继续等待迭代处理。

进一步的，用户设备上报的数据还包括负载告警阈值，所述负载告警阈值通过用户设备设置得到；

方法还包括：

基于负载告警阈值，云端对信号数据进行实时计算，实现无线信号质量监控，进而实现网络故障恢复和调度。

具体的，基于负载告警阈值跟当前负载对比，若当前负载超过负载告警阈值，则对信号数据进行分解计算任务（提取摘要）并上报，云端对上报的摘要同时进行实时计算，根据无线信号质量、负载的计算结果和故障恢复策略比较，进而实现网络故障恢复和调度。充分利用用户设备的闲置算力，还有遇到算力峰值时跟云端设备协同。

还包括，进行信号质量定位与预警，基于终端设置的负载告警阈值，对上报数据的进行实时计算，对具体位置几十厘米的精度数据进行监控个测算，实现无线信号丢帧率，码秒级监控，结合卡顿，互联网数据连接等QoS诊断指标诊断，完成用户最常见的网络问题自动反馈和主动诊断，及时发现视频异常、app网络故障等原因，并预警反馈给运维实现故障恢复与调度。

在本实施例中，负载告警阈值时用户设备本身作为发出告警的依据，当前负载情况计算出来结果跟负载告警阈值比较，是否告警上报云端，实时上报的是单个信号数据的摘要，云端对摘要进行进一步计算，减少上传数据量；

云端一直进行计算工作（实时计算），工作内容区别于用户设备的计算工作，在结果大于负载告警阈值时进行网络质量监控；

实时计算的结果是判断当前用户设备的工况的优劣，跟现有的监控目标（无线信号质量，比如：丢帧率、无线网络负载能力冗余）进行判断；启动请求协助计算，如：cpu占用率、内存占用率过高，用户设备、网关设备的cpu或者内存占用率达到90%，用户设备就会发出告警，请求云端协助计算，转移部分性能负担比较重的任务。

进一步的，用户设备上报的数据还包括测试数据；测试数据为用户设备进行主动测试产生的数据，测试数据定时上报；

方法还包括：

采用流批一体数据湖架构接收定时上报的测试数据。

VR/AR 方面：辅助增强视觉效果。SLAM技术能够构建视觉效果更为真实的地图，从而针对当前视角渲染虚拟物体的叠加效果，使之更真实没有违和感。VR/AR代表性产品中微软Hololens、谷歌ProjectTango以及MagicLeap都应用了SLAM作为视觉增强手段。

无人机领域及机器人定位导航领域：地图建模。无人机等应用了SLAM算法（例如：国内的科沃斯、塔米扫地机，均通过应用SLAM算法并结合激光雷达或摄像头的方式，使其可以高效的绘制室内地图，进而进行智能分析和规划扫地环境），SLAM可以快速构建局部3D地图，并与地理信息系统（GIS）、视觉对象识别技术相结合，可以辅助无人机识别路障并自动避障规划路径，还可以辅助机器人执行路径规划、自主探索、导航等任务。

在本实施例中，还提供了一种分布式无线信号质量监控方法，其包括步骤：

信号质量监控；

步骤一：采用用户设备采集数据埋点，得到信号数据。

具体的，还包括通过在用户设备上安装软探针进行无线业务质量测试，分别收集不同位置的强度信息，用于提前进行地图的创建以及信号源位置的选取；采用多根天线同时对用户设备进行测距以及收集信号数据；用户设备包括手机、平板、电视、机顶盒、扫地机，以及可以用于日常生活的可与信号源发生通信和反馈信号数据的网络设备。

步骤二：对网络数据连接进行主动测试，得到测试数据，将测试数据上报至云端进行记录；

在本实施例中，主动测试包括ping测试、Tracert测试、Http测试、视频测试以及宽带测试；云端采用流批一体数据湖架构，将测试数据以行数据形式定时上报至云端，将出现网络拥堵时的测试数据进行记录；测试数据定时上报产生时序数据，云端用于灵活接收时序数据，云端采用流批一体数据湖架构，可方便灵活接收不同粒度的时序数据，在链路中，计算层使用一个数据处理逻辑来表示同一个业务需求。使用数据湖流批一体处理大量数据同时上报的信号质量问题。

步骤三：排出无线质量环境原因检测步骤，根据位置信息和强度信息实现被动监测：通过包过滤（Netfilter）架构和空口包传递相应的强度信息，在本地局域网或者算力好的终端进行边缘计算，采集数据包（PF_PACKET）方式自动识别数据包流，得到无线质量指标，当无线质量指标出现异常时，将带有该无线质量指标的信号数据上报至数据采集接口。

在本实施例中，计算包括边缘计算和云端计算，边缘计算通过边缘计算子模块实现，云端计算通过云端计算子模块实现，云端计算子模块在云端存入数据后，通过批量流处理并行分析各个同一时间段、月度时间段的信号数据，匹配节日状态下的信号数据，用于统计全网的关键网络质量数据；且云端计算子模块还采取接入网侧的流量优化和流处理（Streaming）的实时计算方式。

具体的，在家庭用户端部署的边缘计算子模块、光猫、路由器和网格（mesh），用于计算网格的负载，优化信号分布，当家庭聚会人比较多时，比如超过10个终端同时连接到了一个AP节点，则需要主动进行通知终端，并且通知用户，自动进行负载平衡。唤醒正在休眠或者节能状态的其它网格（mesh）节点，而节能状态的设置，需要依赖对家庭用户的行走轨迹的学习和监测，是否连接某一个节点，在非活动时段则进入节能模式，在活动模式则全状态运行，可以补充手动设置，由用户需要信号时手动取消休眠。具体计算过程为：计算网格（mesh）节点的各个负载情况、信号情况，和路由器端作为边缘计算的入口，只进行本地接入终端的计算，网格设备主要满足的是重点区域信号覆盖，比如卧室、厨房、卫生间，尤其是在广大农村的楼房和城镇大户型家庭有布设网格设备的需求，需要动态节能，在长期空载时就要主动进入休眠，等待唤醒。

步骤四：将带有故障事件和掉线警告的信号数据主动上报至数据采集接口，筛选主要情报；数据采集接口在获取信号数据后，发送至云服务消息队列中；在本实施例中，云服务消息队列为云服务kafka消息队列。只传递主要情报至云端，减少了计算的负担。

步骤五：基于信号数据中的信号强度数据，构建信号地图，以呈现地图区域内无线信号质量。

更好地，设定地图或者生成本地地图，只在用户侧呈现，可选的是加入算法，进行优化部署时，可以上传地图数据，通过算法模型计算出最有效的信号源部署方案。

为了增加趣味性，通过该信号质量监控方法，可以绘制AR地图，直接通过手机或者移动眼睛的屏幕，可视化地看到信号强度数据，比如网状信号图像，跟室内位置移动，在显示屏上显示数字或彩色的波纹。

本实施例还提供了一种分布式无线信号质量优化系统，该系统包括：

用户设备，用于检测无线信号得到信号数据，以及向云端设备上报包括信号数据的数据；用户设备包括一个或者多个；

云端设备，用于执行上述的分布式无线信号质量优化方法。

在本实施例中，云端设备可管控和获取用户设备、骨干网以及接入网相关的信号强度数据。

进一步的，该系统还包括还包括通信设备，通信设备包括网关模块和信号源模块；

网关模块用于连接用户设备和云端设备；

信号源模块用于连接所述用户设备，并通过连接所述用户设备获取RSSI传输信号定位数据；

RSSI传输信号定位数据用于确定用户设备相较于通信设备的距离和方向；

距离和方向用于确定多个用户设备分别距离通信设备的位置；位置用于将多个用户设备对应呈现于信号地图上。

更进一步的，该系统还包括用户侧网络设备，用于计算每个信号源连接的用户设备数量，在数量超过预设阈值时进行负载平衡。

具体的，信号数据是由用户设备初步计算得到的，再上传到云端进行多个相邻的用户设备的比较，得出个别用户设备是否出现拥堵和负载过多，评估一个总体的片区的信号质量优劣，具体指标如：丢帧率、时延、干扰越低越好，当固定时间片内丢帧率为每千万个tcp数据包仅丢失2个的时候，或者时延大于300ms时，就会告警某个区域的信号质量较差，从而进行调度控制。云端接收到告警，并对下层网络负载进行负载平衡，其适合更大范围的调度以及基站这类覆盖范围大、用户多的信号源。当基站或者用户设备的数量超出理想的负载数量时，则需要将无线信号朝这个设备数量密度大的方向进行定向增强；或者发送指令至用户设备，让用户设备主动连接附近的其它信号源。

本实施例提供的这种分布式无线信号质量优化方法及系统具有以下有益效果：

1.使用一个或多个用户设备完成信号质量采集，解决了室内外的无线信号源覆盖和动态调整方案问题，降低了用户调整和维护网络质量的成本，排除了盲角，解决了部署网络人力成本问题，完善布网在建筑物内部时的检测系统；使用数据湖流批一体处理大量数据同时上报的信号质量问题，解决了多用户时大量数据上报的计算问题，实时报表查询与预警，只传递主要情报至云服务器，减少了计算的负担；

2.云端、边缘和用户设备一体处理数据时采用同一个数据处理逻辑，共享时序化的数据格式，同时具备分担减少流量，减少开发人力成本和维护成本。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (7)

1.一种分布式无线信号质量优化方法，其特征在于，包括：

接收用户设备上报的数据，所述数据包括由所述用户设备检测无线信号得到的信号数据；

所述信号数据包括信号强度数据和位置信息数据；

按照下述方式得到所述无线信号的信号源部署方案：

所述信号源部署方案包括信号源的位置、数量和/或信号源的天线方向；

获取所述用户设备所在场所的地图数据，所述地图数据包括立体数据、墙壁数据和间隔数据；

根据所述信号强度数据、位置信息数据、立体数据、墙壁数据和间隔数据进行信号反射情况计算，推算出未检测的其它位置的位置信息数据和信号强度数据；

根据所述场所全部的位置信息数据和信号强度数据进行立体空间的信号分布绘制，得到信号地图；

对所述信号地图进行模型推演得到信号源部署方案；

所述信号强度数据通过用户设备中的包过滤架构和空口包进行上报；主动获取所述信号强度数据；所述信号强度数据通过分时段、分方向加权计算方式对用户设备的信号传输过程进行计算，得到信号需求公平度，根据所述信号需求公平度生成拥堵时段的数据指标和空闲时段的数据指标；所述信号需求公平度用于确定增加或调低发射功率以及整合无线信号空间流；

定义信号需求公平度，在给定时间段，在给定的无线信号的发射功率下，考察如下因子确定公平度，第一个因子，给定时间段长度与出现无线丢包和重传时段的倍数，第二个因子，取每个角度象限的一个设备的RSSI信号强度除以给定时间段得到的平均值，与该设备距离信号源的距离为r时的所述平均值的理论值的比值，第三个因子，标记出前述设备的高峰下载时间段，计算下载速率峰值达到下行最高速率的时间长度，达峰时间/高峰下载时间段的比例；第四个因子，标记出当前设备的高峰上传时间段，计算设备上传速率峰值达到设备上行最高速率的时间长度，上传速率达峰时间/高峰上传时间段的比例；第五个因子，时延因子，在用户上网时间段内，对主流网站的ip计算TTL时延跟该用户设备所在线路的理论TTL平均值相除；把上述每个因子进行权重相加，用于评估拥堵时段的信号需求公平度，再进行空闲时段的信号质量指标评估；

根据所述用户设备上报的数据确定无线信号的质量优化方案，所述质量优化方案包括无线信号的信号源部署方案和信号源优化方案。

2.根据权利要求1所述的一种分布式无线信号质量优化方法，其特征在于，所述数据还包括关于无线信号质量的日志数据，

按照下述方式得到所述无线信号的信号源优化方案：

对所述日志数据基于时间进行聚合计算，得到带有时间指标的数据；

根据所述带有时间指标的数据区分数据拥堵时段和空闲时段；

将数据拥堵时段的数据指标与空闲时段的数据指标进行对比，确定发射功率调节方案。

3.根据权利要求1所述的一种分布式无线信号质量优化方法，其特征在于，所述用户设备上报的数据还包括负载告警阈值，所述负载告警阈值通过用户设备设置得到；

所述方法还包括：

基于所述负载告警阈值，云端对所述信号数据进行实时计算，实现无线信号质量监控，进而实现网络故障恢复和调度。

4.根据权利要求1所述的一种分布式无线信号质量优化方法，其特征在于，所述用户设备上报的数据还包括测试数据；所述测试数据为所述用户设备进行主动测试产生的数据，所述测试数据定时上报；

所述方法还包括：

采用流批一体数据湖架构接收定时上报的所述测试数据。

5.一种分布式无线信号质量优化系统，其特征在于，包括：

用户设备，用于检测无线信号得到信号数据，以及向云端设备上报包括所述信号数据的数据；所述用户设备包括一个或多个；

云端设备，用于执行权利要求1-4任一项所述的分布式无线信号质量优化方法。

6.根据权利要求5所述的一种分布式无线信号质量优化系统，其特征在于，还包括通信设备，所述通信设备包括网关模块和信号源模块；

所述网关模块用于连接所述用户设备和所述云端设备；

所述信号源模块用于连接所述用户设备，并通过连接所述用户设备获取RSSI传输信号定位数据；

所述RSSI传输信号定位数据用于确定所述用户设备相较于通信设备的距离和方向；

所述距离和所述方向用于确定多个所述用户设备分别距离所述通信设备的位置；所述位置用于将多个所述用户设备对应呈现于信号地图上。

7.根据权利要求6所述的一种分布式无线信号质量优化系统，其特征在于，还包括用户侧网络设备，用于计算每个信号源连接的用户设备数量，在所述数量超过预设阈值时进行负载平衡。

Images