3G network visualization with signaling measurements

Abstract

This work centers around 3G mobile network signaling measurements collected by Nokia’s L3 Data Collector, which are further parsed to CSV files by Nokia’s L3 Data Analyzer. From these measurements we take a closer look at a fraction of the provided data. These measurements specifically are measurements reflecting the GPS service. Data gathered from the measurements contain coordinate data (latitude, longitude), signal strength in the UE, and primary scrambling code used by the active cell. From this data forms a use-case, in which we visualize signal strength quality and cell area dominance on map, with a fixed square grid from areas where measurements are available from.

Initially the wanted data is pushed onto a database table, where from the data is straight away enriched to the next table. The data enrichment process aggregates the raw data to a day level, and also transforms the measurements so that they are viewed as area measurements, instead of precise location measurements. This area aggregation is done by utilizing geohashing.

For data analysis purposes, Python and Pandas play a heavy role. Pandas is used for pre-processing and enriching the raw data. Python and its many libraries are used for orchestrating the whole process. Once data is enriched, it is converted into GeoJSON files, which contain area information aiding the visualization. Data visualization is implemented with two different frameworks: Plotly and deck.gl.

Before getting to the practical part and the actual implementation of this documentation, the reader is introduced the basics of 3G mobile networks, which includes going through different 3G network components and their methods for running the network smoothly. Things are also looked from the view of a network operator.

The project documented here is a proof-of-concept, and does not reflect the final production implementation. The project concept and the data for it was provided by Finnish mobile operator Elisa Oyj.

The use-case can mainly be used for real-time monitoring of a mobile network. When real-time data is offered for network planners and optimizers, troubleshooting and decision making is much more reliable. The observed changes will also aid with validating results.

Lopputyö dokumentoi projektia, jonka aiheena on 3G-verkkojen signalointimittaukset. Tätä dataa on kerätty Nokian L3 Data Collector -ohjelmalla, ja kerättyä dataa on parsittu Nokian L3 Data Analyzer -ohjelmalla CSV-tiedostoiksi. Parsitusta datasta tarkastelemme murto-osaa, joka keskittyy GPS-palvelun heijastamaa osuutta. Tästä datasta, josta löytyy koordinaatiodataa, päätelaitteen mittaamaa signaalin vahvuutta, ja solun käyttämää pääsykoodia, rakennamme käyttötapauksen, jossa visualisoidaan signaalivahvuuksia ja solujen aluedominanssia.

Prosessi alkaa raakadatan työntämisestä tietokantatauluun, josta se rikastetaan toiseen tauluun. Rikastusprosessi summaa datan päivätasolle, ja samalla muuntaa mittaukset siten, että niitä tarkastellaan aluemittauksina, eikä pistemittauksina. Aluemuunnoksissa käytetään hyväksi konseptia, jossa aluekoordinaateista muodostetaan maantieteellinen tarkistussumma.

Datan analysointia varten on valjastettu ohjelmointikieli Python ja sen data-analysointi -kirjasto Pandas. Pandasia käytetään datan esikäsittelyssä sekä sen rikastamisessa. Rikastamisprosessin jälkeen kokonaissummattu data muunnetaan GeoJSON-tiedostoiksi, joihin sisältyy oleellinen alueinformaatio. Näitä tiedostoja hyödynnetään datan visualisoinnissa, jotka on toteutettu kahdella eri ohjelmointikehyksellä: Plotly ja deck.gl.

Tässä tekstissä käydään empiirisen osuuden lisäksi myös teoriaa 3G-verkoista, keskittyen 3G-verkkojen rakennuspalikoihin ja keinoihin, jolla verkko saadaan optimoitua. Lisäksi tarkastelemme verkkojen toimintaa teleoperaattorin näkökulmasta.

Tekstissä esitetty projekti on prototyyppi, ja se ei vastaa tulevan tuotantokelpoisen toteutuksen tasoa tai itse toteutusta. Projektin idea ja sen alla oleva data on saatu teleoperaattori Elisa Oyj:ltä.

Käyttötapausta voidaan käyttää mobiiliverkon reaaliaikaiseen valvontaan. Verkkosuunnittelijat ja -optimoijat saavat paremman kuvan verkon laadusta, kun tarjolla on reaaliaikaista dataa eri alueista. Valvonnan lisäksi käyttötapaus auttaa myös päätöksenteossa ja tulosten varmistamisessa.