第三章 干扰测量与评估：RSRP、RSRQ、SINR、RSSI与干扰矩阵构建
各位好，我是老张。干小基站优化这行十几年了，今天咱们聊聊干扰测量。说实话，很多新手一上来就盯着RSRP看，觉得信号强就是好。嗯，这想法其实挺危险的。我见过太多RSRP满格、业务却卡成PPT的案例了。
干扰评估，说白了就是搞清楚「信号到底干不干净」。你想想看，一个小区里几十个用户，再加上邻区的信号，这空口环境比菜市场还乱。怎么量化？靠四个关键指标：RSRP、RSRQ、SINR、RSSI。咱们一个一个拆开讲。
3.1 四个核心指标，一个都不能少
RSRP（参考信号接收功率）——这是最基础的。它测量的是小区参考信号在某个RE上的平均功率。单位是dBm，值越大越好。我个人习惯先看RSRP，如果低于-120dBm，基本可以判定覆盖有问题。
但注意了，RSRP只告诉你「信号有多强」，不告诉你「信号有多脏」。我在项目里遇到过，RSRP测出来-95dBm，看着不错，但用户就是上不了网。为什么？因为干扰太大了。
RSSI（接收信号强度指示）——这个指标测量的是整个OFDM符号上的总接收功率，包括信号、干扰、噪声，全算进去。你可以把它理解成「耳朵听到的所有声音」。RSSI值越高，说明空口越「热闹」，但不一定是好事。
RSRQ（参考信号接收质量）——这才是关键。RSRQ = N × RSRP / RSSI，其中N是RB数。它衡量的是信号质量，说白了就是「信号占所有接收功率的比例」。RSRQ值在-3dB到-19.5dB之间，越接近-3dB越好。
我举个例子你就明白了：两个小区，RSRP都是-100dBm。但A小区的RSRQ是-8dB，B小区是-14dB。那A小区的空口环境明显更干净，用户体验会好很多。
SINR（信号与干扰加噪声比）——这是我最看重的指标。它直接决定了你能用多高的调制编码方式。SINR高，就能用256QAM，速率起飞；SINR低，只能退回到QPSK，速率惨不忍睹。
来看个实际案例：
| 指标 | 场景A（好） | 场景B（差） |
|---|---|---|
| RSRP | -95 dBm | -95 dBm |
| RSSI | -75 dBm | -60 dBm |
| RSRQ | -8 dB | -15 dB |
| SINR | 25 dB | 5 dB |
| 用户体验 | 流畅看4K | 微信都转圈 |
看到了吗？RSRP完全一样，但体验天差地别。所以我说，别只看RSRP，那是骗人的。
核心结论：干扰评估的优先级应该是 SINR > RSRQ > RSRP > RSSI。RSSI只能作为辅助参考，因为它包含了太多无用信息。
3.2 干扰矩阵的构建方法
好，指标看懂了，接下来怎么用？干扰矩阵就是把这些指标组织起来，形成一张「干扰地图」。我习惯的做法分三步：
第一步：数据采集
你需要收集每个小区对每个邻区的干扰测量值。通常用RSRP差值来估算。比如小区A对小区B的干扰，可以用UE在B小区下测量到的A小区RSRP来表示。
采集方式有两种：
- 路测数据：开车跑一圈，记录每个位置的测量报告。优点是真实，缺点是费时费力。
- MR数据：从网管系统拉取测量报告。优点是数据量大，缺点是可能有延迟。
第二步：构建矩阵
假设有N个小区，干扰矩阵就是一个N×N的表格。行表示干扰源，列表示被干扰小区。每个单元格的值就是干扰强度。
来看一个4个小区的例子：
| 干扰源\被干扰 | Cell 1 | Cell 2 | Cell 3 | Cell 4 |
|---|---|---|---|---|
| Cell 1 | 0 | -105 dBm | -95 dBm | -110 dBm |
| Cell 2 | -100 dBm | 0 | -90 dBm | -115 dBm |
| Cell 3 | -92 dBm | -88 dBm | 0 | -98 dBm |
| Cell 4 | -108 dBm | -112 dBm | -96 dBm | 0 |
从这张表能看出什么？Cell 3对Cell 1和Cell 2的干扰都很强（-92和-88 dBm），这就是需要重点优化的对象。
第三步：阈值设定与问题定位
我一般设两个阈值：
- 关注阈值：-105 dBm。超过这个值，说明有潜在干扰风险。
- 告警阈值：-95 dBm。超过这个值，必须立即处理。
把矩阵中超过阈值的单元格标红，问题小区一目了然。
我的小技巧：干扰矩阵不要只看绝对值，还要看相对值。如果两个小区的RSRP差值小于6dB，它们之间就可能产生同频干扰。我曾经用这个规则，半小时就定位了一个困扰团队两周的干扰问题。
3.3 实战中的避坑指南
讲几个我踩过的坑，你们别重蹈覆辙。
坑一：只看平均，不看分布
有一次，我拿到一份MR数据，平均SINR有18dB，看着挺好。但一查分布，发现20%的采样点SINR低于5dB。这些低SINR点恰好是用户密集区域，结果用户体验极差。所以，一定要看CDF曲线，别被平均值骗了。
坑二：忽略上行干扰
很多人只关注下行干扰，但上行干扰同样致命。上行干扰主要来自邻区UE的发射信号。我建议在干扰矩阵中增加上行维度，用IoT（干扰过噪声门限）来衡量。IoT超过6dB就要警惕了。
坑三：静态矩阵的局限性
干扰是动态的。白天和晚上不一样，工作日和周末也不一样。我建议至少采集一周的数据，分时段构建多个干扰矩阵。比如忙时矩阵、闲时矩阵，这样优化才有针对性。
警告：千万不要用单次路测数据就下结论。我曾经因为一次路测数据好看，就放松了警惕，结果上线后用户投诉不断。后来发现那天刚好下雨，传播条件特殊。记住，干扰评估要「多看几次，多换几个角度」。
3.4 自动化干扰矩阵工具
手动构建矩阵太累了，我写了个小脚本来自动化处理。核心逻辑很简单：
# 伪代码示例：干扰矩阵自动构建
def build_interference_matrix(mr_data, threshold=-105):
cells = list(set(mr_data['serving_cell'] + mr_data['neighbor_cell']))
matrix = pd.DataFrame(0, index=cells, columns=cells)
for _, row in mr_data.iterrows():
serving = row['serving_cell']
neighbor = row['neighbor_cell']
rsrp = row['neighbor_rsrp']
if rsrp > threshold:
matrix.loc[neighbor, serving] = max(
matrix.loc[neighbor, serving], rsrp
)
return matrix这个脚本会遍历所有MR数据，把超过阈值的干扰对记录下来。实际项目中，我还会加入时间维度、地理维度，生成热力图，一眼就能看出干扰热点区域。
好了，关于干扰测量与评估，今天就聊这么多。记住四个指标各有用途，干扰矩阵是定位问题的利器。下一章咱们讲具体的干扰抑制技术，包括ICIC、eICIC、FeICIC这些，到时候见。