CN103385018B - 网络仿真方法及服务器 - Google Patents

Abstract

本发明实施例提供一种网络仿真方法及服务器。该方法包括：获取信号与干扰加噪声比SINR的样本，所述SINR是基于历史仿真模型得到的；对所述SINR的样本进行统计分析，生成SINR统计模型。本发明实施例采用历史仿真模型得到的SINR作为统计的样本进行统计分析，生成SINR统计模型。无需通过实际测量来获得，并且可以利用生成的SINR统计模型进行链路仿真。因此，能够节省人力物力和时间，降低成本，并提高仿真效率。

Description

网络仿真方法及服务器

技术领域

本发明实施例涉及通信技术领域，并且更具体地，涉及网络仿真方法及服务器。

背景技术

现代无线移动通信技术的研究和开发很大程度上依赖于仿真技术的使用。无线通信仿真按研究层级可划分为链路级仿真、系统级仿真和网络级仿真。对于系统级/网络级仿真的准确性一定程度上依赖于系统/网络中的单个链路的仿真准确性，单个链路仿真的性能越接近于真实链路的性能，系统/网络仿真的性能就越接近真实系统/网络仿真的性能。但是，一方面，越精确的链路级仿真模型意味着仿真开销（例如时间或内存等）越大，这是系统级/网络级仿真不能承受的。另一方面，链路级仿真模型的精确性对系统级/网络级仿真的贡献也是有限的，因为系统级/网络级仿真的精确取决于多个方面，例如场景的信道模型、场景的业务地图模型和业务模型等。因此，对于系统级/网络级仿真来说，选择一个合适的链路仿真模型是至关重要的，更具实际意义的是，在保障一定的仿真准确性的情况下，仿真效率越高越好。

在现有技术中，可以采用统计模型产生SINR（Signal to Interference plusNoise Ratio，信号与干扰加噪声比），但是，统计模型的样本是通过在特定的环境下实际测量获得的，而输入的参数组合多，需要确定的产生SINR的统计模型数量也多。因此，需要耗费大量的人力物力和时间，并且仿真程序构建时不同的输入参数组合下的SINR统计模型也是不可能都提供的。

发明内容

本发明实施例提供一种网络仿真方法及服务器，能够降低成本，并提高仿真效率。

第一方面，提供了一种网络仿真方法，该方法包括：获取信号与干扰加噪声比SINR的样本，所述SINR是基于历史仿真模型得到的；对所述SINR的样本进行统计分析，生成SINR统计模型。

结合第一方面，在第一种实现方式中，在所述获取SINR的样本之前之前，具体实现可以为：根据输入参数对基于历史仿真模型得到的SINR进行分类，所述输入参数包括信道小尺度衰落模型、接收机的类型、链路传输制式、噪声功率和干扰功率；所述获取SINR的样本，具体实现可以为：获取属于同一类的所述SINR的样本。

结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述对所述SINR的样本进行统计分析，具体实现可以为：当属于同一类的所述SINR的样本大于样本阈值时，对所述SINR的样本进行统计分析。

结合第一方面的第一种可能的实现方式或第二种可能的实现方式，在第三种可能的实现方式中，在所述根据输入参数对基于历史仿真模型得到的SINR进行分类之前，具体实现可以为：收集客户端根据所述输入参数和所述历史仿真模型进行仿真得到的与所述输入参数相应的SINR。

结合第一方面的第三种可能的实现方式，在第四种可能的实现方式中，具体实现可以为：将生成的所述SINR统计模型发送给所述客户端，以便所述客户端根据所述SINR统计模型进行仿真。

结合第一方面的第一种可能的实现方式或第二种可能的实现方式，在第五种可能的实现方式中，在所述根据输入参数对基于历史仿真模型得到的SINR进行分类之前，具体实现可以为：收集客户端的所述输入参数；根据所述输入参数和所述历史仿真模型进行仿真，得到与所述输入参数相应的SINR。

结合第一方面的第五种可能的实现方式，在第六种可能的实现方式中，具体实现可以为：根据所述SINR统计模型进行仿真得到仿真结果，将所述仿真结果发送给所述客户端。

结合第一方面或第一方面的第一种可能的实现方式至第五种可能的实现方式的任一种方式，在第七种可能的实现方式中，具体实现可以为：所述生成的SINR统计模型表示为一阶或多阶马尔可夫模型。

第二方面，提供了服务器，该服务器包括：获取单元，用于获取信号与干扰加噪声比SINR的样本，所述SINR是基于历史仿真模型得到的；生成单元，用于对所述获取单元获取的所述SINR的样本进行统计分析，生成SINR统计模型。

结合第二方面，在第一种可能的实现方式中，所述服务器还包括：分类单元，用于根据输入参数对基于历史仿真模型得到的SINR进行分类，所述输入参数包括信道小尺度衰落模型、接收机的类型、链路传输制式、噪声功率和干扰功率；所述获取单元具体用于：获取属于同一类的所述SINR的样本。

结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述生成单元具体用于：当属于同一类的所述SINR的样本大于样本阈值时，对所述SINR的样本进行统计分析。

结合第二方面的第一种可能的实现方式或第二种可能的实现方式，在第三种可能的实现方式中，所述分类单元还用于：收集客户端根据所述输入参数和所述历史仿真模型进行仿真得到的与所述输入参数相应的SINR。

结合第三种可能的实现方式，在第四种可能的实现方式中，所述服务器还包括：发送单元，将生成的所述SINR统计模型发送给所述客户端，以便所述客户端根据所述SINR统计模型进行仿真得到仿真结果。

结合第二方面的第一种可能的实现方式或第二种可能的实现方式，在第五种可能的实现方式中，所述分类单元还用于：收集客户端的所述输入参数；所述服务器还包括：仿真单元，用于根据所述输入参数和所述历史仿真模型进行仿真，得到与所述输入参数相应的SINR。

结合第五种可能的实现方式，在第六种可能的实现方式中，所述仿真单元还用于：根据所述SINR统计模型进行仿真得到仿真结果；所述服务器还包括发送单元，所述发送单元，用于将所述仿真结果发送给所述客户端。

结合第二方面或第二方面的第一种可能的实现方式至第六种可能的实现方式任一种方式，在第七种可能的实现方式中，所述生成的SINR统计模型表示为一阶或多阶马尔可夫模型。

本发明实施例采用历史仿真模型得到的SINR作为统计的样本进行统计分析，生成SINR统计模型。无需通过实际测量来获得，并且可以利用生成的SINR统计模型进行链路仿真。因此，能够节省人力物力和时间，降低成本，并提高仿真效率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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是本发明一个实施例的网络仿真方法的流程图。

图2是本发明一个实施例的网络仿真方法的过程的示意性流程图。

图3是本发明一个实施例的网络仿真方法的过程的示意性流程图。

图4是本发明一个实施例的服务器的结构框图。

图5是本发明另一个实施例的服务器的示意框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中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作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。

本发明实施例的技术方案可以应用于各种通信系统，例如：全球移动通讯（GlobalSystem of Mobile communication，简称为“GSM”）系统、码分多址（Code DivisionMultiple Access，简称为“CDMA”）系统、宽带码分多址（Wideband Code DivisionMultiple Access，简称为“WCDMA”）系统、通用分组无线业务（General Packet RadioService，简称为“GPRS”）、长期演进（Long Term Evolution，简称为“LTE”）系统、LTE频分双工（Frequency Division Duplex，简称为“FDD”）系统、LTE时分双工（Time DivisionDuplex，简称为“TDD”）、通用移动通信系统（Universal Mobile TelecommunicationSystem，简称为“UMTS”）、全球互联微波接入（Worldwide Interoperability forMicrowave Access，简称为“WiMAX”）通信系统或无线保真（Wireless Fidelity，简称为“WiFi”）等。

图1是本发明一个实施例的网络仿真方法的流程图。图1的方法由服务器执行。

101，获取SINR的样本，SINR是基于历史仿真模型得到的。

102，对SINR的样本进行统计分析，生成SINR统计模型。

本发明实施例采用历史仿真模型得到的SINR作为统计的样本进行统计分析，生成SINR统计模型。无需通过实际测量来获得，并且可以利用生成的SINR统计模型进行链路仿真。因此，能够节省人力物力和时间，降低成本，并提高仿真效率。

可选地，作为一个实施例，历史仿真模型可以为采用理论分析中直接给出的SINR的计算公式或其它已有的SINR统计模型，等等。

应理解，本发明实施例对历史仿真模型的形式不作限定。

可选地，作为另一个实施例，在步骤101之前，可以根据输入参数对基于历史仿真模型得到的SINR进行分类，输入参数可以包括信道小尺度衰落模型、接收机的类型、链路传输制式、噪声功率和干扰功率。在步骤101中，获取属于同一类的SINR的样本。

具体而言，在服务器中存储有较多的基于历史仿真模型得到的SINR，以及与SINR相应的输入参数。可选地，将输入参数中信道小尺度衰落模型、接收机的类型和链路传输制式均相同的，噪声功率的值在一定范围内，以及干扰功率的值在一定范围内的SINR归为同一类。可以周期性地（定期）检查属于同一类的SINR的样本数量，当属于同一类的SINR的样本大于或等于样本阈值（即SINR的样本足够多）时，对SINR的样本进行统计分析。还可以进一步地根据仿真时间确定SINR的样本。例如，当SINR的样本足够多，而需要的SINR的样本数量一定时，可以选择最近一段时间内通过仿真模型得到的SINR的样本。又例如，当存储空间占用率达到一定阈值时，可以删除仿真时间较早的SINR的样本。

可选地，在一种实现方式下，服务器可以收集客户端根据输入参数和历史仿真模型进行仿真得到的与输入参数相应的SINR，即存储由客户端仿真得到的SINR。客户端在仿真过程中记录输入参数和仿真时间，将记录的输入参数、仿真时间和得到的SINR放在仿真数据文件中，将仿真数据文件发送给服务器。在另一种实现方式下，客户端可以提供输入参数，服务器可以通过网页（web）浏览的方式在客户端收集输入参数，服务器根据收集的输入参数和历史仿真模型进行仿真，得到与输入参数相应的SINR，服务器将仿真得到的SINR和相应的输入参数存储起来。

可选地，作为另一个实施例，在步骤102中，生成的SINR统计模型可以表示为一阶或多阶马尔可夫模型。

可选地，作为另一个实施例，在步骤102之后，服务器可以将生成的SINR统计模型发送给客户端，由客户端根据生成的SINR统计模型进行仿真。或者，由服务器根据生成的SINR统计模型进行仿真得到仿真结果，将仿真结果返回给客户端。

因此，客户端获得的仿真结果是基于生成的SINR统计模型仿真得到的。而生成的SINR统计模型是基于历史的仿真数据进行统计获得的，当客户端进行仿真时可以从服务器中获取该SINR统计模型，或者获取由服务器通过该SINR统计模型进行仿真得到的仿真结果，从而提高仿真效率。

另外，随着时间的推移，服务器可以存储基于不同类别的SINR的样本统计得到的SINR统计模型。也就是说，服务器可以提供不同的输入参数组合下的SINR统计模型。

图2是本发明一个实施例的网络仿真方法的过程的示意性流程图。在图2的方法中只描绘了一个客户端，应理解，本发明实施例对客户端的数目不作限定。

201，客户端根据输入参数和历史仿真模型进行仿真得到SINR。

可选地，可以采用理论分析中直接给出的SINR的计算公式作为历史仿真模型，还可以采用现有的SINR统计模型作为历史仿真模型。

可选地，在仿真过程中在仿真数据文件记录输入参数和仿真时间以及仿真得到的SINR。输入参数可以包括信道小尺度衰落模型、接收机的类型、链路传输制式、噪声功率和干扰功率，其中，噪声功率可以是归一化的噪声功率，干扰功率可以是不考虑小尺度衰减的归一化的干扰功率。

202，客户端将仿真数据文件发送给服务器。

203，服务器对收集的SINR的样本进行分类。

可选地，服务器可以根据输入参数对收集的SINR的样本（由客户端仿真得到的SINR）进行分类。例如，将输入参数中信道小尺度衰落模型、接收机的类型和链路传输制式均相同的，噪声功率的值在一定范围内，以及干扰功率的值在一定范围内的SINR归为同一类。服务器根据输入参数的不同可以将收集的SINR的样本分为多类并存储起来。

204，服务器对属于同一类的SINR的样本进行统计分析。

可选地，可以周期性地（定期）检查属于同一类的SINR的样本数量，当属于同一类的SINR的样本大于或等于样本阈值（即SINR的样本足够多）时，对SINR的样本进行统计分析。

可选地，可以分析需要生成的SINR统计模型的表示模型。例如，需要生成的SINR统计模型为一阶马尔可夫随机模型。

205，服务器生成SINR统计模型。

206，服务器将SINR统计模型发送给客户端。

服务器将SINR统计模型以及相应的输入参数返回给客户端，以便客户端在下次仿真时，可以选用该SINR统计模型作为仿真模型。

207，客户端根据SINR统计模型进行仿真。

本发明实施例采用历史仿真模型得到的SINR作为统计的样本进行统计分析，生成SINR统计模型。无需通过实际测量来获得，并且可以利用生成的SINR统计模型进行链路仿真。因此，能够节省人力物力和时间，降低成本，并提高仿真效率。

另外，随着时间的推移，服务器可以存储基于不同类别的SINR的样本统计得到的SINR统计模型。也就是说，服务器可以提供不同的输入参数组合下的SINR统计模型。

图3是本发明一个实施例的网络仿真方法的过程的示意性流程图。在图3的方法中只描绘了一个客户端，应理解，本发明实施例对客户端的数目不作限定。

在图3所示的示意性流程图中，与图2相同或相似的步骤使用相同的附图标记，为了避免重复，此处不再赘述。

301，服务器从客户端获取输入参数。

302，服务器根据输入参数和历史仿真模型进行仿真得到SINR。

可选地，服务器可以通过网页（web）浏览的方式在客户端收集输入参数，仿真的步骤由服务器执行，服务器根据收集的输入参数和历史仿真模型进行仿真，得到与输入参数相应的SINR，服务器将仿真得到的SINR和相应的输入参数存储起来。

306，服务器根据生成的SINR统计模型进行仿真得到仿真结果。

307，服务器将仿真结果发送给客户端。

本发明实施例采用历史仿真模型得到的SINR作为统计的样本，进行统计分析，生成SINR统计模型。无需通过实际测量来获得，并且可以利用生成的SINR统计模型进行链路仿真。因此，能够节省人力物力和时间，降低成本，并提高仿真效率。

另外，随着时间的推移，服务器可以存储基于不同类别的SINR的样本统计得到的SINR统计模型。也就是说，服务器可以提供不同的输入参数组合下的SINR统计模型。

图4是本发明一个实施例的服务器的结构框图。图4的服务器400包括获取单元401和生成单元402。

获取单元401用于获取SINR的样本，SINR是基于历史仿真模型得到的。

生成单元402用于对获取单元401获取的SINR的样本进行统计分析，生成SINR统计模型。

本发明实施例采用历史仿真模型得到的SINR作为统计的样本进行统计分析，生成SINR统计模型。无需通过实际测量来获得，并且可以利用生成的SINR统计模型进行链路仿真。因此，能够节省人力物力和时间，降低成本，并提高仿真效率。

服务器400可实现图1和图3的实施例中涉及数据处理设备的操作，因此为避免重复，不再详细描述。

可选地，作为一个实施例，仿真模型可以为采用理论分析中直接给出的SINR的计算公式或其它已有的SINR统计模型。

应理解，本发明实施例对仿真模型的形式不作限定。

可选地，作为另一个实施例，服务器400还可以包括分类单元403，分类单元403用于根据输入参数对基于历史仿真模型得到的SINR进行分类，输入参数包括信道小尺度衰落模型、接收机的类型、链路传输制式、噪声功率和干扰功率。获取单元401具体用于获取属于同一类的SINR的样本。进一步地，生成单元402具体用于：当属于同一类的SINR的样本大于样本阈值时，对SINR的样本进行统计分析。

可选地，作为另一个实施例，生成的SINR统计模型可以表示为一阶或多阶马尔可夫模型。

可选地，在一种实现方式下分类单元403还用于收集客户端根据输入参数和历史仿真模型进行仿真得到的与输入参数相应的SINR。进一步地，服务器400还可以包括：发送单元404，发送单元404用于将生成的SINR统计模型发送给客户端，以便客户端根据SINR统计模型进行仿真得到仿真结果。

在另一种实现方式下，分类单元403还可以用于收集客户端的输入参数。服务器400还可以包括仿真单元405，仿真单元405用于根据输入参数和历史仿真模型进行仿真，得到与输入参数相应的SINR。进一步地，当客户端需要获取仿真结果时，仿真单元405还用于根据生成的SINR统计模型进行仿真得到仿真结果，发送单元404还用于将仿真结果发送给客户端。

因此，客户端获得的仿真结果是基于生成的SINR统计模型仿真得到的。而生成的SINR统计模型是基于历史的仿真数据进行统计获得的，当客户端进行仿真时可以从服务器中获取该SINR统计模型，或者获取由服务器通过该SINR统计模型进行仿真得到的仿真结果，从而提高仿真效率。

另外，随着时间的推移，服务器可以存储基于不同类别的SINR的样本统计得到的SINR统计模型。也就是说，服务器可以提供不同的输入参数组合下的SINR统计模型。

图5是本发明另一个实施例的服务器的示意框图。

如图5所示，服务器500一般包括至少一个处理器510，例如CPU，至少一个端口520，存储器530，和至少一个通信总线540。通信总线540用于实现这些装置之间的连接通信。处理器510用于执行存储器530中存储的可执行模块，例如计算机程序；可选地，设备500可包括用户接口550，用户接口550包括但不限于显示器，键盘和点击设备，例如鼠标、轨迹球（trackball）、触感板或者触感显示屏。存储器530可能包含高速RAM存储器，也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。

在一些实施方式中，存储器530存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集。

操作系统532，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务。

应用模块534，包含各种应用程序，用于实现各种应用业务。

应用模块534中包括但不限于获取单元401、生成单元402、分类单元403、发送单元404和仿真单元405。

应用模块534中各单元的具体实现参见图4所示实施例中的相应单元，在此不赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (12)

1.一种网络仿真方法，其特征在于，包括：

根据输入参数对基于历史仿真模型得到的信号与干扰加噪声比SINR进行分类，所述输入参数包括信道小尺度衰落模型、接收机的类型、链路传输制式、噪声功率和干扰功率；

获取属于同一类的SINR的样本；

当属于同一类的所述SINR的样本大于或等于样本阈值时，对所述SINR的样本进行统计分析，生成SINR统计模型。

2.根据权利要求1所述的方法，其特征在于，在所述根据输入参数对基于历史仿真模型得到的SINR进行分类之前，所述方法还包括：

收集客户端根据所述输入参数和所述历史仿真模型进行仿真得到的与所述输入参数相应的SINR。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

将生成的所述SINR统计模型发送给所述客户端，以便所述客户端根据所述SINR统计模型进行仿真。

4.根据权利要求1所述的方法，其特征在于，在所述根据输入参数对基于历史仿真模型得到的SINR进行分类之前，所述方法还包括：

收集客户端的所述输入参数；

根据所述输入参数和所述历史仿真模型进行仿真，得到与所述输入参数相应的SINR。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

根据所述SINR统计模型进行仿真得到仿真结果，将所述仿真结果发送给所述客户端。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述生成的SINR统计模型表示为一阶或多阶马尔可夫模型。

7.一种服务器，其特征在于，包括：

分类单元，用于根据输入参数对基于历史仿真模型得到的信号与干扰加噪声比SINR进行分类，所述输入参数包括信道小尺度衰落模型、接收机的类型、链路传输制式、噪声功率和干扰功率；

获取单元，用于获取属于同一类的SINR的样本；

生成单元，用于当属于同一类的所述SINR的样本大于样本阈值时，对所述获取单元获取的所述SINR的样本进行统计分析，生成SINR统计模型。

8.根据权利要求7所述的服务器，其特征在于，所述分类单元还用于：

收集客户端根据所述输入参数和所述历史仿真模型进行仿真得到的与所述输入参数相应的SINR。

9.根据权利要求8所述的服务器，其特征在于，所述服务器还包括：

发送单元，将生成的所述SINR统计模型发送给所述客户端，以便所述客户端根据所述SINR统计模型进行仿真。

10.根据权利要求7所述的服务器，其特征在于，所述分类单元还用于：

收集客户端的所述输入参数；

所述服务器还包括：

仿真单元，用于根据所述输入参数和所述历史仿真模型进行仿真，得到与所述输入参数相应的SINR。

11.根据权利要求10所述的服务器，其特征在于，所述仿真单元还用于：

根据所述SINR统计模型进行仿真得到仿真结果；

所述服务器还包括发送单元，

所述发送单元，用于将所述仿真结果发送给所述客户端。

12.根据权利要求7-11任一项所述的服务器，其特征在于，所述生成的SINR统计模型表示为一阶或多阶马尔可夫模型。