本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘 要：提出一种基于深度包检测（DPI）技术获取 XDR 数据来识别移动通信网络中高时延小区的方法。通过监测终端在小区切换或长时间附着时的二阶段 TCP 建链时延，基于指数加权移动平均（EWMA）算法更新终端自身的期望时延，依据采样时延与期望时延的相对关系对小区进行评价，以差评比例发现异常小区。模拟实验表明，该方法在较小异常时延的增量下，相比传统的 TopN 方法能够获得更高的 F1 Score，对小区时延异常更敏感，能更有效地识别高时延小区，为网络优化提供有力支持。
关键词：移动通信网络；高时延小区；深度包检测；XDR 数据；指数加权移动平均
doi：10.12045/j.issn.1007-3043.2026.05.007
引言
随着移动通信技术的飞速发展，用户对网络服务质量的要求日益提高[1]。网络时延作为衡量移动通信网络性能的关键指标之一，直接影响着用户的业务体验。高时延小区的存在会导致诸如网页加载缓慢、视频卡顿、游戏延迟等问题，严重降低用户满意度。因此，准确识别移动通信网络中的高时延小区，并及时进行优化和改进，对于提升网络服务质量、增强用户黏性具有重要意义。
传统的高时延小区识别方法主要依赖对时延类关键性能指标（KPI）进行排序后取 TopN。然而，这种方法存在诸多局限性[2]。一方面，实际网络环境复杂多变，KPI 数据容易受到多种因素的干扰，例如网络结构的动态变化、用户业务类型的多样性以及终端设备的差异性等，这可能导致高时延小区的误判或漏判。另一方面，KPI 指标往往是对网络整体性能的一种宏观反映，难以精确地定位到具体的小区时延问题，无法满足精细化网络优化的需求。
近年来，随着深度包检测（DPI）技术的不断发展和成熟，利用 DPI 获取的 XDR 数据为网络性能分析提供了更为详细和准确的信息[3]。DPI 技术能够深入解析网络数据包的内容，提取丰富的信息，包括协议类型、应用类型、源 IP 地址、目的 IP 地址以及数据包的时间戳等。通过对这些信息的分析，可以更精准地洞察网络流量的行为特征，为高时延小区的识别提供了新的思路和方法。基于此，本文提出一种基于 DPI 数据的异常小区识别方法，以克服传统方法的不足，实现对高时延小区的高效准确识别。
