CN104219701B - 一种业务分布管控的方法、系统及终端 - Google Patents

Abstract

本发明公开了一种业务分布管控的方法、系统及终端，所述方法包括：在终端设置一随机变量生成器；所述随机变量生成器根据输入的随机过程模型和随机过程参数以及当前时刻生成一个随机变量；判断所述随机变量的值是否位于所述随机变量取值范围中的预定取值区间，如果是，则允许进行业务访问，否则阻塞业务访问。本发明提供的方法、系统及终端使得从网络侧看新业务的随机过程分布落在传统业务的随机过程分布内，使得现有的基站部署和网络优化方案可以比较好地适应新业务。

Description

一种业务分布管控的方法、系统及终端

技术领域

本发明涉及通信领域，具体涉及一种业务分布管控的方法、系统及终端。

背景技术

目前移动网络中，传统电信业务，如电话、短信、数据等业务，由于长时间的研究和运营数据统计，已经形成了能够拟合该业务的随机过程分布模型，如电话业务的爱尔兰表。基站的部署和网络优化的方案设计都是根据用户业务的随机过程模型来确定的，比如一个小区内有100个用户，但是基站部署的时候并不需要按照同时保证100个用户来部署，因为同时激活的用户是有一个分布的，100个用户不会全部处于激活状态，同样网络的流量也是随着业务的随机过程分布波动的，如果能够知道业务发起的随机过程分布，就能够指导基站部署和网络优化的方案设计。因此，现有技术中，在设立基站时，可以根据覆盖范围以及业务的随机过程模型，来判断出该基站覆盖范围内的总体业务负载的分布，同时也可以根据业务的随机过程模型来进行基站部署和网络优化的设计。

然而针对一些新的业务，如物联网业务，其业务特点与传统电信业务具有很大的区别，如传统业务大部分基于泊松过程，而物联网业务则可能是周期轮询，或者是有关联性的事件触发，新业务的分布与传统业务分布存在很大不同，然而现有的基站部署以及网络优化的方法均是根据传统业务的随机过程模型来设计的。

由于物联网等新业务的随机过程分布存在新的特点，并且尚没有可知的随机过程模型能够对物联网等新业务的随机过程分布进行拟合，对于现有基站部署和网络优化方案如何适应这类新业务或者如何根据这类新业务的随机过程分布的特点设计新的基站部署以及网络优化方案成为一个业界亟待解决的问题。

发明内容

本发明需要解决的技术问题是提供一种业务分布管控的方法、系统及终端，使得从网络侧看新业务的随机过程分布落在传统业务的随机过程分布内，使得现有的基站部署和网络优化方案可以比较好地适应新业务。

为了解决上述技术问题，本发明提供了一种业务分布管控的方法，应用于终端，所述方法包括：

根据输入的随机过程模型和随机过程参数以及当前时刻生成一个随机变量；

判断所述随机变量的值是否位于所述随机变量取值范围中的预定取值区间，如果是，则允许进行业务访问，否则阻塞业务访问。

进一步地，所述随机过程模型根据本地业务流类型设置，所述随机过程参数根据本地业务流类型和/或服务质量要求设置。

进一步地，在判断所述随机变量的值是否位于所述随机变量取值范围中的预定取值区间之前，所述方法还包括：所述终端将申请进行业务访问的业务流缓存于数据缓存区中；

所述如果是，则允许进行业务访问，否则阻塞业务访问，包括：

如果所述随机变量的值位于所述随机变量取值范围中的预定取值区间，则允许所述数据缓存区中的业务流传输，否则不允许所述数据缓存区中的业务流传输。

进一步地，所述方法还包括：

当所述数据缓存区中业务流的数据量大于预设的缓存区容量阈值，或者所述数据缓存区中业务流的时延大于预设的该业务容许最大时延时，则对所述随机过程参数进行修改，以提高随机变量生成器生成的随机变量的值位于所述随机变量取值范围中的预定取值区间的概率。

进一步地，所述方法还包括：

设置生成随机变量的周期，将该周期设置为一个固定值，或者设置为业务流中一个业务单元传输时间的整数倍。

为了解决上述技术问题，本发明还提供了一种业务分布管控的系统，包括：

随机变量生成器，用于根据输入的随机过程模型和随机过程参数以及当前时刻生成一个随机变量；

控制模块，用于判断所述随机变量的值是否位于所述随机变量取值范围中的预定取值区间，如果是，则允许进行业务访问，否则阻塞业务访问。

进一步地，所述随机过程模型根据本地业务流类型设置，所述随机过程参数根据本地业务流类型和/或服务质量要求设置。

进一步地，还包括：

数据缓存模块，用于将申请进行业务访问的业务流缓存于数据缓存区中；

所述控制模块，用于如果判断结果为是，则允许进行业务访问，否则阻塞业务访问，包括：

如果所述随机变量的值位于所述随机变量取值范围中的预定取值区间，则允许所述数据缓存区中的业务流传输，否则不允许所述数据缓存区中的业务流传输。

进一步地，还包括：

与所述随机变量生成器和数据缓存模块相连的参数修改模块，用于当所述数据缓存区中业务流的数据量大于预设的缓存区容量阈值，或者所述数据缓存区中业务流的时延大于预设的该业务容许最大时延时，则对所述随机过程参数进行修改，以提高随机变量生成器生成的随机变量的值位于所述随机变量取值范围中的预定取值区间的概率。

进一步地，所述随机变量生成器，还用于设置所述随机变量生成器生成随机变量的周期，将该周期置设为一个固定值，或者设置为业务流中一个业务单元传输时间的整数倍。

为了解决上述技术问题，本发明还提供了一种终端，包括：一个或多个如上所述的业务分布管控系统，为每个所述业务分布管控系统分配一种业务流，或者多种业务流共用一个所述业务分布管控系统。

与现有技术相比，本发明实施例提供的业务分布管控的方法、系统及终端，通过随机变量生成器利用传统业务的随机过程模型(例如，泊松过程分布)来管控终端输入的业务流(业务的自然属性，例如物联网传感器应用通知数据包，该业务分布并不服从泊松过程分布，而是服从某种未知的随机过程分布)，使得从网络侧来看终端最终产生的业务流的随机过程分布落入给定的随机过程分布内，从而现有的基站部署和网络优化可以根据给定的随机过程分布进行设计。当给定的随机过程分布服从传统业务的随机过程分布(如泊松过程分布)时，现有的基站部署和网络优化方案可以较好地适应新业务的特点，而无需针对新业务的随机过程分布重新设计基站部署和网络优化方法。

附图说明

图1是实施例中一种业务分布管控的方法流程图；

图2是实施例中一种业务分布管控的系统结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

实施例：

为了使现有基站部署和网络优化方案能够适应物联网等新业务的随机过程分布，通常的方法是尽快建立新业务的随机过程模型，即根据业务的天然属性(随机过程分布)，进行数学建模并利用实际业务数据进行拟合，最终拟合得出新业务的随机过程模型，然后在基站部署和网络优化时考虑该新业务的随机过程模型。

以物联网为例，由于物联网业务属于新业务，与传统业务分布存在很大不同，由于新业务刚刚产生，一方面缺少对新业务数学模型的研究积累，另一方面由于新业务并没有规模化运营，无法得到大量业务数据，所以很难拟合出新业务的随机过程模型，因此其分布目前很难进行建模，在部署基站和网络优化时，无法有效地针对新业务的随机过程模型进行方案设计。

为此，本实施例从另一种思路出发，在终端设置一随机变量生成器，利用随机变量生成器生成的随机变量来管控新业务的业务流，不管新业务的自然属性会形成哪种随机过程模型，从网络侧来看只要新业务的随机过程分布都落在给定的随机过程分布内，从而基站部署和网络优化可以根据给定的随机过程分布进行设计。当给定的随机过程分布服从传统业务的随机过程分布(如泊松过程分布)时，现有的基站部署和网络优化方案可以较好地适应新业务的特点，而无需针对新业务的随机过程分布重新设计基站部署和网络优化方法。

如图1所示，本实施例提供了一种业务分布管控的方法，应用于终端，包括以下步骤：

S101：终端根据输入的随机过程模型和随机过程参数以及当前时刻生成一个随机变量；

其中，所述随机过程模型根据本地业务流类型设置，所述随机过程参数根据本地业务流类型和/或服务质量要求设置。

所述随机过程模型包括：泊松过程模型、伯努利过程模型和马尔可夫过程模型等。

本地业务流类型包括；短周期类、长周期类、事件触发类等等。在具体实施时，可以预先建立本地业务流类型与随机过程模型的对应关系。

例如，短周期类、长周期类和事件触发类均对应泊松过程分布，随机过程参数根据不同业务的服务质量要求设置，对于长周期类，泊松过程参数设置较小，对于短周期类，泊松过程参数设置较大，对于事件触发类，泊松过程参数设置最大。

随机变量，就是终端的随机变量生成器根据随机过程模型和随机过程模型参数确定的随机过程生成的一个数，其概率分布由随机过程当前时刻的概率分布决定，是一个随机数。如果在当前时刻随机过程的概率分布是[0,1]间平均分布，那么生成的随机变量就是一个[0,1]内的随机数。当这个随机数位于所述随机变量取值范围中的预定取值区间的话，控制器就让业务流通过，否则就不让业务流通过。

其中，所述方法还包括：

设置所述终端生成随机变量的周期，该周期可以设为固定值，或者设为业务流中一个业务单元的传输时间的整数倍。

其中，如短信业务，一个业务单元就是一个短信数据包；电话业务，一个业务单元就是一次通话；物联网传感器业务，一个业务单元就是一个传感器应用通知数据包；文件下载业务，一个业务单元是文件分割后的一串数据包。

S102：判断所述随机变量的值是否位于所述随机变量取值范围中的预定取值区间，如果是，则允许进行业务访问，否则阻塞业务访问。

其中，所述随机变量取值范围根据一预设阈值划分为两个区间，所述预定取值区间是指所述两个区间中的一个。预设阈值的设置与随机过程模型产生的随机变量的可行域相关，由于随机过程模型是可调的，这里预设阈值可以直接设为0，通过对所述随机过程参数进行修改，以提高随机变量生成器生成的随机变量的值位于所述随机变量取值范围中的预定取值区间的概率。

其中，在判断所述随机变量的值是否位于所述随机变量取值范围中的预定取值区间之前，所述方法还包括：所述终端将申请进行业务访问的业务流缓存于数据缓存区中；

其中，如果所述随机变量的值位于所述随机变量取值范围中的预定取值区间，则允许所述数据缓存区中的业务流传输，否则不允许所述数据缓存区中的业务流传输。

允许所述数据缓存区中的业务流传输是指允许进行无线网络传输，即发送给无线网络传输模块。

作为一种优选的方式，所述方法还包括：

当所述数据缓存区中业务流的数据量大于预设的缓存区容量阈值，或者所述数据缓存区中业务流的时延大于预设的该业务容许最大时延时，则对所述随机过程参数进行修改，以提高随机变量生成器生成的随机变量的值位于所述随机变量取值范围中的预定取值区间的概率。

其中，所述数据缓存区中业务流的时延可以是数据缓存区中业务流传输需要等待的期望时延，因为，并不能确定业务流真正的时延，所以是期望的时延，或者该数据缓存区中业务流的时延可以是业务流的平均时延。

如图2所示，本实施例提供了一种业务分布管控的系统，包括：

随机变量生成器，用于根据输入的随机过程模型和随机过程参数以及当前时刻生成一个随机变量；

其中，所述随机过程模型和随机过程参数根据本地业务流类型和/或服务质量要求设置。

控制模块，用于判断所述随机变量的值是否位于所述随机变量取值范围中的预定取值区间，如果是，则允许进行业务访问，否则阻塞业务访问。

优选地，本系统还包括：

数据缓存模块，用于将申请进行业务访问的业务流缓存于数据缓存区中；

所述控制模块，用于判断结果为是，则允许进行业务访问，否则阻塞业务访问，包括：

如果所述随机变量的值位于所述随机变量取值范围中的预定取值区间，则允许所述数据缓存区中的业务流传输，否则不允许所述数据缓存区中的业务流传输。

优选地，还包括：

与所述随机变量生成器和数据缓存模块相连的参数修改模块，用于当所述数据缓存区中业务流的数据量大于预设的缓存区容量阈值，或者所述数据缓存区中业务流的时延大于预设的该业务容许最大时延时，则对所述随机过程参数进行修改，以提高随机变量生成器生成的随机变量的值位于所述随机变量取值范围中的预定取值区间的概率。

作为一种优选的方式，所述随机变量生成器，还用于设置所述随机变量生成器生成随机变量的周期，该周期可以设为一个固定值，或者设定为业务流中一个业务单元传输时间的整数倍。

本实施例还提供了一种终端，包括：一个或多个如上所述的业务分布管控系统，为每个所述业务分布管控系统分配一种业务流，或者多个业务流共用一个所述业务分布管控系统。

在一个应用示例中，以物联网传感器数据包上报为例。假设某一类型物联网传感器每隔5分钟生成一个传感器应用通知数据包，每个传感器应用通知数据包传输时间为5秒。一个蜂窝网络中部署有1000个该类型的物联网传感器。则该蜂窝网络中，峰值负载的情况为1000个物联网传感器同时发起应用通知数据包上报。

如不采用本实施例的技术方案，发生峰值负载的概率由传感器的部署决定，如果物联网传感器同时部署，则峰值负载发生的概率为每5分钟100％发生一次。蜂窝网络基站部署时，因为基站不知道这1000个传感器的部署情况，无法预测他们应用通知数据包的发送，因此无法准确判断出发生峰值负载的概率，进而无法进行网络优化和负载均衡。

采用本实施例具体实施时，假设随机变量生成器的随机过程模型，采用泊松过程{N(t),t＞0}，参数为X。根据业务的服务质量QoS需求，即物联网传感器每隔5分钟生成一个传感器应用通知数据包，可以设置泊松过程参数X使得泊松过程的事件到达时间间隔的期望为5分钟(300秒)，即1/X＝300。

由于泊松过程是一个独立增量过程，选取泊松过程的增量为随机变量生成器的随机变量。假设当前时刻为t，上次随机变量生成器生成随机变量的时刻为s，则随机变量生成器生成随机变量y＝N(t)-N(s)，其概率分布为

控制器预设阈值设为0，大于0即为一个预定取值区间，则当y>0时，允许业务流通过。由于每个传感器应用通知数据包传输时间为5秒，随机变量生成器生成随机变量的间隔需不小于5秒，可以设为5秒。这样每隔5秒钟，随机变量生成器产生一次随机变量，即t-s＝5，生成概率分布为

y＝0的概率为e^-1/60，那么，y>0的概率就是1-e^-1/60，即P(y>0)＝1-e^-1/60，也就是说，控制器允许业务流通过的概率是1-e^-1/60。

在本实施例中，随机变量生成器根据泊松随机过程分布和泊松过程参数X，生成随机变量(0,1,2,3......)，并设置阈值为0，这样，控制器每隔5秒钟以1-e^-1/60的概率允许传感器应用通知数据包传输一次，使得整个蜂窝网络中传感器发起发起应用通知数据包上报的负载分布以泊松过程为上界，也就是说，落在泊松过程分布内，所以，蜂窝网络基站部署时，就可以参考泊松过程计算负载分布和峰值负载发生概率的预测，即采用现有的基站部署以及网络优化和负载均衡的方法，而无需针对新业务的随机过程重新设计负载优化方法，使得现有网络更好地适应新业务的特点。

为了证明这一点，当物联网传感器同时部署时，每个传感器一次的接入概率为1-e^-1/60，不接入概率为e^-1/60，通过计算n个传感器接入而1000-n个传感器没有接入的联合概率得到该蜂窝网络同时发起接入的物联网传感器业务数目Z概率分布为

P(Z＝n)＝(1-e^-1/60)ⁿe^-(1000-n)/60,n＝0,1,2,3......1000

可以发现1000个物联网传感器同时发起业务请求的概率仅为(1-e^-1/60)¹⁰⁰⁰，几乎可以忽略，网络负载得到有效缓解。另外由于目前基站的负载优化主要针对传统业务，而传统业务符合泊松过程，采用本实施例后，目前基站的部署和优化方法就可以适应物联网传感器数据包上报。

在另一个应用示例中，以物联网报警业务为例。假设某一类型物联网报警业务遇到报警事件时便发送一个报警应用通知数据包，该报警应用通知数据包要求必须在1分钟内传递，传输时间为1秒。一个蜂窝网络中部署有100个该类型的物联网传感器。则该蜂窝网络中，当出现报警事件时，峰值负载的情况为100个物联网传感器同时发起应用通知数据包的上报。

如不采用本实施例的技术方案，当出现报警事件时，发生峰值负载的概率为100％，这一负载分布对蜂窝网络基站部署时压力很大。

具体实施时，假设随机变量生成器的随机过程模型，采用泊松过程{N(t),t＞0}，参数为X。根据业务的服务质量要求，即报警应用通知数据包要求必须在1分钟内传递，传输时间为1秒，可以设置泊松过程参数X使得泊松过程的事件到达时间间隔以99.9％的概率小于60秒，即保证服务质量要求，1分钟内能保证以极高的概率(概率为99.9％)传输一次数据包，60秒间隔内y＝0的概率是e^-60X，则产生y>0的概率是1-e^-60X，令1-e^-60X＝0.999，X＝0.115。

假设当前时刻为t，上次随机变量生成器生成随机变量的时刻为s，则随机变量生成器生成随机变量y＝N(t)-N(s)，其概率分布为

控制器预设大于0即为一个预定取值区间，，则当y>0时，允许业务流通过。由于每个传感器应用通知数据包传输时间为1秒，随机变量生成器生成随机变量的间隔需不小于1秒，可以设为1秒。这样每隔1秒钟，随机变量生成器产生一次随机变量，即t-s＝1，生成概率分布为：

即，P(y>0)＝1-e^-0.115，也就是说，控制器允许业务流通过的概率是1-e^-0.115。

在本实施例中，随机变量生成器根据泊松随机过程分布和泊松过程参数X，生成随机变量(0,1,2,3......)，并设置大于0为一个预定取值区间，这样，控制器每隔1秒钟以1-e^-0.115的概率允许报警应用通知数据包传输一次，使得整个蜂窝网络中传感器发起发起报警应用通知数据包上报的负载分布以泊松过程为上界，也就是说，落在泊松分布内，所以，蜂窝网络基站部署时，就可以参考泊松过程计算负载分布和峰值负载发生概率的预测。，即采用现有的基站部署以及网络优化和负载均衡的方法，而无需针对新业务的随机过程重新设计负载优化方法，使得现有网络更好地适应新业务的特点。

为了证明这一点，当物联网传感器同时部署时，假设报警事件发生概率为P₀，乘以P₀是因为报警业务发生是有一个概率的，每个传感器一次的接入概率为1-e^-0.115，不接入概率为e^-0.115，通过计算n个传感器接入而100-n个传感器没有接入的联合概率得到该蜂窝网络同时发起接入的物联网报警器业务数目Z概率分布为，

P(Z＝n)＝(1-e^-0.115)ⁿe^{-0.115(100-n)}P₀,n＝0,1,2,3......100

可以发现100个物联网传感器同时发起业务请求的概率仅为(1-e^-0.115)¹⁰⁰P₀，远小于P₀，网络负载得到有效缓解。另外由于目前基站的负载优化主要针对传统业务，而传统业务符合泊松过程，采用本实施例后，该场景与春节短信场景业务分布类似，目前基站的负载优化方法对该场景同样有效。

从上述实施例可以看出，相对于现有技术，上述实施例中提供的业务分布管控的方法、系统及终端，通过随机变量生成器利用传统业务的随机过程模型(例如，泊松过程分布)来管控终端输入的业务流(业务的自然属性，例如物联网传感器应用通知数据包，该业务分布并不服从泊松过程分布，而是服从某种未知的随机过程)，使得网络侧来看终端最终产生的业务流的随机过程分布落入给定的随机过程分布内，从而现有的基站部署和网络优化可以根据给定的随机过程分布进行设计。当给定的随机过程分布服从传统业务的随机过程分布(如泊松过程分布)时，现有的基站部署和网络优化方案也能够较好地适应新业务的特点，而无需针对新业务的随机过程分布重新设计基站部署和网络优化方法。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

以上所述仅为本发明的优选实施例而已，并非用于限定本发明的保护范围。根据本发明的发明内容，还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种业务分布管控的方法，应用于终端，所述方法包括：

根据输入的随机过程模型和随机过程参数以及当前时刻生成一个随机变量；

判断所述随机变量的值是否位于所述随机变量取值范围中的预定取值区间，如果是，则允许进行业务访问，否则阻塞业务访问；

在判断所述随机变量的值是否位于所述随机变量取值范围中的预定取值区间之前，所述方法还包括：所述终端将申请进行业务访问的业务流缓存于数据缓存区中；

所述方法还包括：

当所述数据缓存区中业务流的数据量大于预设的缓存区容量阈值，或者所述数据缓存区中业务流的时延大于预设的该业务容许最大时延时，则对所述随机过程参数进行修改，以提高随机变量生成器生成的随机变量的值位于所述随机变量取值范围中的预定取值区间的概率。

2.如权利要求1所述的方法，其特征在于：

所述随机过程模型根据本地业务流类型设置，所述随机过程参数根据本地业务流类型和/或服务质量要求设置。

3.如权利要求1所述的方法，其特征在于：

所述如果是，则允许进行业务访问，否则阻塞业务访问，包括：

如果所述随机变量的值位于所述随机变量取值范围中的预定取值区间，则允许所述数据缓存区中的业务流传输，否则不允许所述数据缓存区中的业务流传输。

4.如权利要求3所述的方法，其特征在于：所述方法还包括：

设置生成随机变量的周期，将该周期设置为一个固定值，或者设置为业务流中一个业务单元传输时间的整数倍。

5.一种业务分布管控的系统，包括：

随机变量生成器，用于根据输入的随机过程模型和随机过程参数以及当前时刻生成一个随机变量；

控制模块，用于判断所述随机变量的值是否位于所述随机变量取值范围中的预定取值区间，如果是，则允许进行业务访问，否则阻塞业务访问；

还包括：

数据缓存模块，用于将申请进行业务访问的业务流缓存于数据缓存区中；

与所述随机变量生成器和数据缓存模块相连的参数修改模块，用于当所述数据缓存区中业务流的数据量大于预设的缓存区容量阈值，或者所述数据缓存区中业务流的时延大于预设的该业务容许最大时延时，则对所述随机过程参数进行修改，以提高随机变量生成器生成的随机变量的值位于所述随机变量取值范围中的预定取值区间的概率。

6.如权利要求5所述的系统，其特征在于：

所述随机过程模型根据本地业务流类型设置，所述随机过程参数根据本地业务流类型和/或服务质量要求设置。

7.如权利要求5所述的系统，其特征在于：还包括：

所述控制模块，用于如果判断结果为是，则允许进行业务访问，否则阻塞业务访问，包括：

如果所述随机变量的值位于所述随机变量取值范围中的预定取值区间，则允许所述数据缓存区中的业务流传输，否则不允许所述数据缓存区中的业务流传输。

8.如权利要求5所述的系统，其特征在于：

所述随机变量生成器，还用于设置所述随机变量生成器生成随机变量的周期，将该周期置设为一个固定值，或者设置为业务流中一个业务单元传输时间的整数倍。

9.一种终端，包括：一个或多个如权利要求5～8任一所述的业务分布管控系统，为每个所述业务分布管控系统分配一种业务流，或者多种业务流共用一个所述业务分布管控系统。