CN107210852A - 通过预测平滑的传输块大小来控制应用的操作的系统和方法 - Google Patents

通过预测平滑的传输块大小来控制应用的操作的系统和方法 Download PDF

Info

Publication number
CN107210852A
CN107210852A CN201680007265.1A CN201680007265A CN107210852A CN 107210852 A CN107210852 A CN 107210852A CN 201680007265 A CN201680007265 A CN 201680007265A CN 107210852 A CN107210852 A CN 107210852A
Authority
CN
China
Prior art keywords
block size
information
smooth
transport block
discrete digital
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201680007265.1A
Other languages
English (en)
Other versions
CN107210852B (zh
Inventor
Z·赛义德
廖琦
E·格里施帕恩
D·法切尔
S·沙玛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alcatel Optical Networks Israel Ltd
Original Assignee
Alcatel Optical Networks Israel Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Alcatel Optical Networks Israel Ltd filed Critical Alcatel Optical Networks Israel Ltd
Publication of CN107210852A publication Critical patent/CN107210852A/zh
Application granted granted Critical
Publication of CN107210852B publication Critical patent/CN107210852B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • H04W72/044—Wireless resource allocation based on the type of the allocated resource
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0006—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission format
    • H04L1/0007—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission format by modifying the frame length
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0002—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate
    • H04L1/0003—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission rate by switching between different modulation schemes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0015—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the adaptation strategy
    • H04L1/0019—Systems modifying transmission characteristics according to link quality, e.g. power backoff characterised by the adaptation strategy in which mode-switching is based on a statistical approach
    • H04L1/002—Algorithms with memory of the previous states, e.g. Markovian models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/04—Large scale networks; Deep hierarchical networks
    • H04W84/042—Public Land Mobile systems, e.g. cellular systems

Abstract

通过基于在e‑Node B获得的历史时间序列数据预测未来值信息来预测平滑的传输块大小。历史时间序列数据包括历史传输块大小信息和历史调制和编码方案信息。映射函数用于将未来值信息与历史传输块大小信息相关联。一旦确定了映射函数，映射函数通过将未来值信息输入到映射函数中来预测平均传输块大小。然后将平滑的传输块大小和未来值信息传输到在用户设备处的应用服务器和/或应用客户端以控制应用的操作。

Description

通过预测平滑的传输块大小来控制应用的操作的系统和方法
技术领域
示例实施例总体上涉及用于通过预测平滑的传输块大小来控制应用的操作的系统和方法。
背景技术
图1图示了传统的第三代合作伙伴项目长期演进(3GPP LTE)网络10。网络10包括互联网协议(IP)连接接入网络(IP-CAN)100和IP分组数据网络(IP-PDN)1001。IP-CAN 100通常包括：服务网关(SGW)101；分组数据网络(PDN)网关(PGW)103；策略和计费规则功能(PCRF)106；移动性管理实体(MME)108和E-UTRAN节点B(eNB)105(即基站，出于本文中的目的，术语基站和eNB可互换地使用)。虽然未示出，但是EPS的IP-PDN 1001部分可以包括应用或代理服务器、媒体服务器、电子邮件服务器等。
在IP-CAN 100内，eNB 105是被称为演进的通用移动电信系统(UMTS)陆地无线电接入网络(EUTRAN)的部分，并且包括SGW 101、PGW 103、PCRF 106、以及MME 108的IP-CAN100的部分被称为演进的分组核心(EPC)。尽管图1中仅示出了单个eNB 105，但是应当理解，EUTRAN可以包括任何数目的eNB。类似地，尽管图中仅示出了单个SGW、PGW、以及MME，但是应当理解，EPC可以包括任何数目的这些核心网络元件。
eNB 105为一个或多个用户设备(UE)110提供无线资源和无线电覆盖。也就是说，任何数目的UE 110可以被连接(或被附接)到eNB 105。eNB 105在操作上耦合到SGW 101和MME 108。
SGW 101路由和转发用户数据分组，同时还在UE的eNB间切换期间用作用户平面的移动锚点。SGW 101还用作第三代合作伙伴项目长期演进(3GPP LTE)与其他3GPP技术之间的移动性的锚点。对于空闲UE 110，当下行链路数据到达UE 110时，SGW 101终止下行链路数据路径并且触发寻呼。
PGW 103通过作为UE 110的流量的进入/退出点来在UE 110与外部分组数据网络(例如，IP-PDN)之间提供连接。如已知的，给定的UE 110可以具有与多于一个PGW 103的同时连接用于访问多个PDN。
PGW 103还执行策略执行、针对UE 110的分组过滤、计费支持、合法拦截和分组筛选，上述各项中的每个都是公知的功能。PGW 103还用作3GPP与非3GPP技术之间的移动性的锚点，非3GPP技术诸如全球微波接入互操作性(WiMAX)和第三代合作伙伴项目2[3GPP2码分多址(CDMA)1X和增强的语音数据优化(EVDO)]。
仍然参考图1，eNB 105也在操作上耦合到MME 108。MME 108是EUTRAN的控制节点，并且负责空闲模式UE 110寻呼和标记(tagging)过程，包括重传。MME 108还负责在UE到网络的初始附接期间以及在包括核心网(CN)节点重定位的LTE内切换期间为UE选择特定SGW。MME 108通过与家庭订户服务器(HSS)交互来认证UE 110，HSS在图1中未示出。
非接入层(NAS)信令在MME 108处终止，并且负责生成和向UE 110分配临时标识。MMN 108还检查UE 110对于驻留在服务提供商的公共陆地移动网络(PLMN)的授权，并且执行UE 110漫游限制。MME 108是网络中用于NAS信令的加密/完整性保护的终止点，并且处理安全密钥管理。
MME 108还利用接口来提供用于LTE与2G/3G接入网络之间的移动性的控制平面功能，该接口具有来自SGSN(未示出)并且在MME 108处终止的接口。
策略和计费规则功能(PCRF)106是制定策略决策和设置计费规则的实体。它可以访问订户数据库，并且在3GPP架构中扮演如在3GPP TS 23.303“策略和计费控制架构(Policy and Charging Control Architecture)”中所规定的角色。
应用服务器(AS)102是驻留在IP-PDN 1001中的服务器/节点，其与UE 110接口连接以便在UE 110上运行应用。AS 102可以例如是社交网站主机、用于在线电影的服务提供商等。
图2图示了传统的E-UTRAN节点B(eNB)105。eNB 105包括：存储器225；处理器210；调度器215；无线通信接口220；用于每个承载的MCS计算的功能230；累积来自215和210的度量的传输块大小/调制和编码方案/物理资源块(TMP)度量205；以及回程接口235。处理器210也可以被称为核心网络实体处理电路、EPC实体处理电路等。处理器210控制eNB 105的功能(如本文中所描述的)，并且在操作上耦合到存储器225和通信接口220。
eNB 105可以包括服务在各个几何覆盖扇区区域内的UE 110的一个或多个小区或扇区。每个小区可以分别包含图2所描绘的元件。在整个本文档中，术语eNB、小区、或扇区可以可互换地使用。
仍然参考图2，通信接口220包括各种接口，包括连接到用于向/从UE 110传输/接收(有线地和/或无线地)控制和数据信号的一个或多个天线、或者经由控制平面或接口连接到其他EPC网络元件和/或RAN元件的一个或多个传输器/接收器。回程接口235是与IP-CAN 100内的SGW 101以及MME 108接口连接的eNB 105的部分。调度器215调度要由eNB 105向UE 110传输以及从UE 110接收的控制和数据通信。存储器225可以缓冲和存储正在向eNB105传输和从eNB 105接收的数据。
每个传输时间间隔(TTI)(通常等于1毫秒)，调度器215可以在下行链路方向(即，从eNB 105传输到UE 110)和上行链路方向(即，在eNB 105处从UE 110接收数据，其通过回程235被接收)上通过无线链路向携带数据的不同承载分配一定数目的物理资源块(PRB)。“承载”可以被理解为用于交换信息以在UE 110上运行应用的链路或信道。调度器215可以确定调制和编码方案(MCS)，调制和编码方案(MCS)可以定义每Hz每秒有多少比特的信息被包装在所分配的数目的PRB中。后者由3GPP TS36.213表7.1.7.1-1和7.1.7.2.1-1(其内容通过引用整体并入)定义，其中MCS由0到28之间的数字定义，其中较高的MCS值指示更多的比特可以被分配在多个PRB中。表7.1.7.1-1和7.1.7.2.1-1包括针对给定的所分配的数目的PRB和MCS值可以被包括在每个TTI发送的PRB中的数据比特数的查找表。MCS由调度器使用由UE 110报告的信道质量指示符(CQI)值来计算，CQI值又可以从信号与干扰和噪声比(SINR)的形式的所测量的UE 110无线信道条件来导出。
调度器215可以基于表示业务优先级层级的服务质量(QoS)类标识符(QCI)来进行PRB分配决策。目前在LTE中定义了9个QCI类，1表示最高优先级，9表示最低优先级。QCI 1至4被保留用于保证比特率(GBR)类，调度器针对GBR维持某些特定的数据流QoS特性。QCI 5至9被保留用于各类尽最大努力业务。
传统上，TMP度量205可以通过确定物理资源块(PRB)的数目和最佳调制和编码方案(MCS)来计算要通过无线接口220在下行链路方向上向UE传输的数据分组的适当的传输块大小(TBS)，如在标准3GPP TS 36.213中提供的查找表中所定义的。然而，由于3GPP TS36.213查找表的凹度(concavity)，TBS值的预测(当仅从查找表导出时，其中预测的MCS和预测的PRB被输入到该查找表)可能是容易出错的。此外，精确地预测TBS的难度至少由两个原因引起。首先，已知MCS取决于承载的信道质量信息和信噪比(SINR)，而PRB的数目取决于资源分配策略和各种网络状态变量(例如，物理信道状态、流量/数据负载和小区间干扰水平)。因此，除了精细的结构和快速现象局限之外，所需的TBS也受到上述所有变量的影响。这意味着所需的TBS可能会随着时隙到时隙而显著变化。其次，任何嘈杂的和/或不精确的测量或报告可能会增加达成预测的回归模型的难度。
传统上，使用以下基本步骤来确定对于确定TBS的兴趣度量：
1.UE从eNB接收下行链路传输。
2.UE通过接收信号中的嵌入导频音调来计算接收信号的SINR。
3.UE基于容量计算(用于加性白高斯噪声或AWGN信道，作为示例)来计算信道质量指示符(CQI)，并且将该CQI报告给eNB。
4.eNB接收CQI并且确定UE的SINR。
5.eNB通过使用小区负载与eNB调度算法的结合来获取要在下一传输时间索引(TTI)中分配给UE的物理资源块(PRB)的数目。
6.在(4)中计算的SINR用于在下一TTI为UE选择适当的调制编码方案(MCS)。因此，MCS严格地是信道质量驱动的度量。
7.在上述(5)和(6)中计算的MCS和PRB用于通过3GPP TS 36.213的查找表的方式来计算用于在下一TTI中传输的适当的传输块大小(TBS)。
传统上，在确定信道质量和/或链路质量预测方面进行了大量的研究。然而，基于MCS和PRB信息来预测适当的未来TBS值尚未明确定义。预测未来TBS值的精确值可以用于更好地控制应用级别的行为，特别是对于视频应用，并且这种类型的预测也可以用于其他应用。
发明内容
至少一个示例实施例涉及一种导出平滑的传输块大小以控制应用的操作的方法。
在一个示例实施例中，该方法包括由至少一个网络节点的一个或多个处理器获取历史时间序列数据，历史时间序列数据包括历史传输块大小信息、历史调制和编码方案信息、以及历史物理资源块利用信息；由一个或多个处理器基于历史时间序列数据来预测未来值信息，未来值信息包括调制和编码方案未来值和物理资源块未来值；由一个或多个处理器产生使第一输入数据回归到第一输出数据的映射函数，第一输入数据包括历史调制和编码方案信息和历史物理资源块利用信息，第一输出数据包括历史传输块大小信息；由一个或多个处理器通过向映射函数中输入未来值信息来预测平滑的传输块大小；以及由一个或多个处理器向网络节点导出平滑的传输块大小以控制应用的操作。
在一个示例实施例中，该方法包括其中平滑的传输块大小的导出包括将平滑的传输块大小导出到用户设备处的应用服务器以及应用客户服务器中的至少一个以便控制应用的操作。
在一个示例实施例中，该方法还包括在预测未来值信息之前平滑历史时间序列数据，其中未来值信息是平滑的未来值信息。
在一个示例实施例中，该方法包括其中基于历史时间序列数据的未来值信息的预测包括使用自回归积分移动平均(ARIMA)回归建模来预测未来值信息。
在一个示例实施例中，该方法包括其中基于历史时间序列数据的未来值信息的预测包括未来值信息被量化为第一离散数字集合和第二离散数字集合，第一离散数字集合是调制和编码方案未来值，第二离散数字集合是物理资源块未来值。
在一个示例实施例中，该方法包括其中平滑的传输块大小的预测还包括通过向映射函数中输入第一离散数字集合和第二离散数字集合来预测第三离散数字集合，映射函数是函数回归模型，第三离散数字集合是传输块大小未来值。
在一个示例实施例中，方法包括其中第一离散数字集合、第二离散数字集合、以及第三离散数字集合每个被指派观察周期，其中观察周期是预先选择的、可调节的、以及可适应的中的一项。
在一个示例实施例中，该方法包括其中平滑的传输块大小的预测还包括平滑传输块大小未来值，平滑利用平滑带宽和距离度量经由内核来实现，平滑带宽和距离度量是预先选择的、可调节的、以及可适应的中的一项。
在一个示例实施例中，该方法包括其中未来值信息和预测的平均传输块大小针对可比实际时间提前的可选择的时间增量而被确定。
在一个示例实施例中，该方法包括其中获取步骤在e-Node B处执行，并且预测、产生、以及预测步骤在e-Node B外部的管理实体处执行。
在一个示例实施例中，该方法还包括将调制和编码方案未来值和物理资源块未来值中的至少一个导出到在用户设备处的应用服务器和应用客户端中的至少一个，以便控制应用的操作。
至少一个示例实施例涉及网络节点。
在一个示例实施例中，网络节点包括一个或多个处理器，处理器被配置为：获取历史时间序列数据，历史时间序列数据包括历史传输块大小信息、历史调制和编码方案信息、以及历史物理资源块利用信息；基于历史时间序列数据来预测未来值信息，未来值信息包括调制和编码方案未来值和物理资源块未来值；产生使第一输入数据回归到第一输出数据的映射函数，第一输入数据包括历史调制和编码方案信息以及历史物理资源块利用信息，第一输出数据包括历史传输块大小信息；通过向映射函数中输入未来值信息来预测平滑的传输块大小；以及向网络节点导出平滑的传输块大小以控制应用的操作。
在一个示例实施例中，网络节点包括其中一个或多个处理器还被配置为通过将平滑的传输块大小导出到在用户设备处的应用服务器和应用客户服务器中的至少一个来导出平滑的传输块大小，以便控制应用的操作。
在一个示例实施例中，网络节点包括其中一个或多个处理器还被配置为在预测未来值信息之前平滑历史时间序列数据，其中未来值信息是平滑的未来值信息。
在一个示例实施例中，网络节点包括其中所述一个或多个处理器进一步被配置为基于历史时间序列数据来预测未来值信息包括使用自回归积分移动平均(ARIMA)回归建模来预测未来值信息。
在一个示例实施例中，网络节点包括其中一个或多个处理器还被配置为：通过未来值信息被量化为第一离散数字集合和第二离散数字集合来基于历史时间序列数据而预测未来值信息，第一和第二离散数字集合是调制和编码方案未来值，第二离散数字集合是物理资源块未来值。
在一个示例实施例中，网络节点包括其中一个或多个处理器还被配置为通过向映射函数中输入第一离散数字集合和第二离散数字集合来预测第三离散数字集合，以预测平滑的传输块大小，映射函数是函数回归模型，第三离散数字集合是传输块大小未来值。
在一个示例实施例中，网络节点包括其中一个或多个处理器还被配置为针对第一离散数字集合、第二离散数字集合、以及第三离散数字集合中的每个指派观察周期，其中观察期是预先选择的、可调节的、以及可适应的中的一项。
在一个示例实施例中，网络节点包括其中一个或多个处理器还被配置为通过平滑传输块大小未来值来预测平滑的传输块大小，平滑利用平滑带宽和距离度量经由内核来实现，平滑带宽和距离度量是预先选择的、可调节的、以及可适应的中的一项。
在一个示例实施例中，网络节点包括其中一个或多个处理器还被配置为将调制和编码方案未来值和物理资源块未来值中的至少一个导出到用户设备处的应用服务器和应用客户端中的至少一个，以便控制应用的操作。
附图说明
通过参考附图详细地描述示例实施例，示例实施例的上述和其他特征和优点将变得更加明显。附图旨在描绘示例实施例，并且不应当被解释为限制权利要求的预期范围。除非明确指出，否则附图不应当被视为按比例绘制。
图1图示了传统的第三代合作伙伴项目长期演进(3GPP LTE)网络；
图2图示了传统的E-UTRAN节点B(eNB)；
图3A是描绘根据示例实施例的用于预测传输块大小(TBS)的一般方法的流程图；
图3B是描绘根据示例实施例的用于预测传输块大小(TBS)和将预测传送到应用服务器和客户端的一般方法的另一流程图；
图4图示了根据示例实施例的重新配置的e-Node B；
图5是根据示例实施例的预测传输块大小(TBS)的方法；
图6图示了根据示例实施例的重新配置的3GPP LTE网络；以及
图7图示了根据示例实施例的另一重新配置的3GPP LTE网络。
具体实施方式
虽然示例实施例能够具有各种修改和替代形式，但是其实施例作为示例在附图中示出，并且将在本文中详细描述。然而，应当理解，并不意图将示例实施例限于所公开的特定形式，而是相反，示例实施例将覆盖落入权利要求的范围内的所有修改、等同和替代方案。在附图的描述中，相同的附图标记指代相同的元件。
在更详细地讨论示例实施例之前，应当注意，一些示例实施例被描述为被描绘为流程图的过程或方法。虽然流程图将操作描述为顺序过程，但是很多操作可以并行地、并发地或同时地被执行。此外，操作的顺序可以被重新布置。过程可以在它们的操作完成时终止，但是也可以具有图中未包括的附加步骤。过程可以对应于方法、功能、过程、子例程、子程序等。
下文讨论的方法中的一些由流程图来说明，可以由硬件、软件、固件、中间件、微代码、硬件描述语言、或其任何组合来实现。当由软件、固件、中间件或微代码来实现时，用于执行必要的任务的程序代码或代码段可以存储在机器或计算机可读介质中，诸如存储介质，诸如非暂态存储介质。处理器可以执行必要的任务。
出于描述示例实施例的目的，本文中公开的特定结构和功能细节仅仅是代表性的。然而，本发明可以以很多替代形式来实施，并且不应当被解释为仅限于本文中阐述的实施例。
应当理解，尽管本文中可以使用术语第一、第二等来描述各种元件，但是这些元件不应当受这些术语的限制。这些术语仅用于将一个元件与另一元件区分开。例如，第一元件可以被称为第二元件，并且类似地，第二元件可以被称为第一元件，而没有脱离示例实施例的范围。如本文中使用的，术语“和/或”包括一个或多个相关联的列出的项目的任何和所有组合。
应当理解，当元件被称为“连接”或“耦合”到另一元件时，其可以直接连接或耦合到另一元件，或者可以存在中间元件。相反，当元件被称为“直接连接”或“直接耦合”到另一元件时，不存在中间元件。用于描述元件之间的关系的其他词语应当以类似的方式来解释(例如，“在…之间”与“直接在…之间”，“相邻”与“直接相邻”等)。
本文中使用的术语仅用于描述特定实施例的目的，而非旨在限制示例实施例。如本文中使用的，单数形式的“一”、“一个”和“该”也旨在包括复数形式，除非上下文另有明确指示。还应当理解，术语“包括”、“包括了”、“包含”和/或“包含了”当在本文中使用时规定所陈述的特征、整体、步骤、操作、元件和/或部件的存在，但是不排除一个或多个其他的特征、整体、步骤、操作、元件和/或部件和/或其组合存在或添加。
还应当注意，在一些替代实现中，所提到的功能/动作可以不按图中所示的顺序来进行。例如，取决于所涉及的功能/动作，连续示出的两个图实际上可以被同时执行或者有时可以以相反的顺序被执行。
除非另有定义，否则本文中使用的所有术语(包括技术和科学术语)具有与示例实施例所属领域的普通技术人员通常理解的相同的含义。还应当理解，例如，在通常使用的字典中定义的术语应当被解释为具有与其在相关领域的上下文中的含义一致的含义，并且不应当以理想化或过度正式的意义来解释，除非明确如此定义。
示例实施例和相应的详细描述的部分以计算机存储器中的数据位的操作的软件或算法和符号表示来呈现。这些描述和表示是本领域普通技术人员有效地将其工作的实质传达给本领域普通技术人员的描述和表示。算法作为在这里使用的术语并且如其通常使用地被认为是导致期望结果的自相容的步骤序列。这些步骤是需要物理量的物理操作的步骤。通常，虽然不一定，这些量采取能够被存储、传送、组合、比较、以及以其他方式操纵的光、电、或磁信号的形式。已经证明，有时，主要是出于普遍使用的原因，将这些信号称为比特、值、元素、符号、字符、项、数字等是方便的。
在下文的描述中，将参考可以被实现为执行特定任务或实现特定抽象数据类型的程序模块或功能过程(包括例程、程序、对象、组件、数据结构等)并且可以使用现有网络元件处的现有硬件来实现的操作(例如，以流程图的形式)的动作和符号表示来描述说明性实施例。这样的现有硬件可以包括一个或多个中央处理单元(CPU)、数字信号处理器(DSP)、专用集成电路、现场可编程门阵列(FPGA)计算机等。
但是，应当记住，所有这些和类似的术语都应当与适当的物理量相关联，并且仅仅是适用于这些量的便利的标签。除非另有说明，或如从讨论中显而易见，诸如“处理”或“计算”或“计算出”或“确定”或“显示”等术语是指计算机系统或类似的电子计算设备的动作和处理，其将被表示为计算机系统的寄存器和存储器内的物理、电子量的数据操作以及变换成类似地被表示为计算机系统存储器或寄存器、或其他这样的信息存储、传输或显示设备内的物理量的其他数据。
还应当注意，示例实施例的软件实现的方面通常在某种形式的程序存储介质上被编码或者通过某种类型的传输介质来实现。程序存储介质可以是诸如磁性(例如，软盘或硬盘驱动器)或光学(例如，光盘只读存储器或“CD ROM”)等任何非暂态存储介质，并且可以是只读的或随机访问的。类似地，传输介质可以是双绞线对、同轴电缆、光纤、或本领域已知的一些其他合适的传输介质。示例实施例不受任何给定实现的这些方面的限制。
一般方法：
当前示例实施例通常被引向精确地预测平均(平滑的)未来传输块大小(TBS)值。TBS定义有多少字节在传输块中被传输，并且从该观点来看，所需的TBS可以不是固定的，因为这种需求可能会在一段时间内改变。因此，平均TBS值可能有助于主动地改进/优化网络链路以支持分组调度和路由。这种改进/优化可以特别有助于支持诸如视频等应用，当TBS值可能被错误地实现时，该应用可能会经历显著的降级。
一般来说，UE所经历的SINR可能是可用的，以便预测SINR的预期未来值。例如，CQI可以从SINR被导出，并且在eNB处，CQI可以用于计算MCS。因此，过去的MCS和SINR值可以被保存到eNB内的存储器中。PRB可以由特别地基于用户行为和数据需求的小区负载而被指定，并且过去的PRB使用也可以被保存到eNB内的存储器中。通过使用过去的MCS和PRB使用数据用于特定承载，函数回归技术可以用于通过以下方式来计算TBS的未来值：一般性地预测MCS/PRB的平均(平滑的)未来值，根据MCS/PRB信息来确定TBS的函数关系，然后使用该信息来预测TBS的平均未来值。应当注意，可以获得平滑的预测值，因为度量可以在回归(使用函数或自回归积分移动平均(ARIMA)回归类型)被执行以学习模型之前被平滑，然后模型可以用于预测未来值。
根据示例实施例，在预测未来TBS值时可能涉及的方法如图3所示。该示例实施例涉及两层结构，包括：预测MCS和多个PRB，然后使用预测的MCS/PRB信息来预测TBS值。参考图3A，下文示出(标记为I.-IV.)和描述了四个基本步骤：
I.平滑时间序列数据：该步骤跟踪历史TBS、MSC、以及PRB值，以编译对于这些历史(过去的)值的离散值时间序列数据。这些历史时间序列值可以被“平滑”(如下文在图5的步骤S502中所述的)，以便产生平滑的历史(过去的)以及值。平滑的一个示例是平均操作。例如，每个TTI度量的M个值可以被求和并除以M，以产生可以由以及来表示的平滑的度量时间序列。在平滑之前，度量可以每个TTI(1毫秒)可用一次。在平滑之后，度量可以每M个TTI被获得(M以毫秒为单位)。在本文档的其余部分，该M个持续时间可以被称为1个时间增量或1个平滑时间间隔。
II.预测平滑的未来MCS和PRB值：使用平滑的和值，然后可以使用回归建模来确定未来的MCS值，其可以被表示为和公知的自回归积分移动平均(ARIMA)建模可以用于为和过程生成ARIMA模型。ARIMA建模和预测在本领域是公知的，并且例如在“时间序列分析(Time Series Analysis)”,George E.P.Box,GwilymM.Jenkins,Gregory C.Reinsel,第三版,普伦蒂斯霍尔,1994,第7-18页和“自动时间序列预测：R的预测分组(Automatic Time Series Forecasting:The forecast Package forR)”,R.J.Hyndman与Y.Khandakar,统计软件学报,第27卷,No.3,2008年7月(其全部内容通过引用并入本文)中所描述的。和可以独立地建模成ARIMA过程，其中可以导出模型，并且可以使用该模型来计算预测值和预测可以在实际时间之前一个时间增量发生，但是该预测可以被推广到在实际时间之前的n个时间增量，其中n>1。
III.在“训练阶段”使用过去的平滑的的值与过去的平滑的和产生函数回归映射函数：过去的平滑值和可以用作“训练输入”以创建产生输出的函数回归模型。具体地，该“训练输入”可以与可以被认为是“训练输出”的“平滑的”预测TBS值相比较以定义函数回归模型。函数回归函数也可以如下定义。
1.输入X可以被定义成其中i可以是平滑的度量的时间索引时间增量(i＝1,2,3,...,N；N可以是训练序列长度)。
2.输出可以被建模成其中i可以是平滑的度量的时间索引(i＝1,2,3,...,N；N可以是训练序列长度)。
3.关系可以通过使用以下参考文献来导出：“函数数据分析中的统计计算：R分组fda.usc(Statistical Computing in Functional Data Analysis:The R Packagefda.usc)”,Manuel Febrero-Bande,Manuel Oviedo de la Fuente,统计软件学报，第51卷,第4期，2012年10月(其内容通过引用整体并入)。
使用此建模，可以导出以下函数：
其中如上文所定义的，y(输出)和X(输入)可以被建模为与如下相关：
yi＝r(Xi)+∈i 等式2
其中∈i可以是错误项，并且K可以是合适的内核(诸如Triweight内核或本领域公知的其他内核)。
其中，1{|u|≤1}可以是指示符函数，其值在激励(braced)条件满足的情况下为1，否则为0，h可以是平滑参数(即，平滑带宽)并且可以通过验证准则来被预定义或优化(参见上文参考文献)。函数可以被估计为函数回归。d(X，Xi)可以是点X与Xi之间在欧几里得意义上的距离度量。
IV.预测平滑的TBS：使用的经训练的未来值，(i＝N+1,N+2,N+3,...，其中N是观测间隔中的时间增量的数目)可以如下预测：
基于上文描述的四个一般的TBS预测步骤，应当理解，这些步骤都可以在重新配置的eNB 105a的传输块大小预测器(TBSF)240中实现(参见图4，下文更详细地描述)。或者，可选地，四个步骤可以分布在IP-CAN网络内，如图3B所示。具体地，如图3B所示，步骤(I)可以在重新配置的eNB 105b处完成，并且平滑和预测值 以及可以通过IP-PDN 1001被发送到单独的节点240b。例如，节点240b可以是可以由可以与eNB 105a的处理器210分离的处理器来控制的、重新配置的IP-CAN网络100b(参见图7，下面描述)中的独立的专用服务器。在节点240b中，可以实现预测步骤(II)-(IV)，然后可以与可以运行应用的UE 110中的应用服务器102和应用客户端110a共享所得到的未来的平滑的预测值。ePC(增强的分组核心)包括图1的框101、103、106、108。
图4图示了根据示例实施例的重新配置的e-Node B 105a。在本实施例中，上文关于图3A描述的一般预测步骤(I)-(IV)可以在重新配置的eNB 105a内的传输块大小预测器(TBSF)240中实现。具体地，下文关于图5的详细方法步骤来更详细地描述TBSF 240的功能。
图5是根据示例实施例的预测传输块大小(TBS)的方法。这些步骤可以在TBSF 240(图4所示)中执行。在步骤S500中，可以在TBSF 240处收集历史(过去的)TBS、MCS、以及PRB数据。TBSF 240可以从TMP度量205获得该信息。具体地，TMP度量205从在调度器215发生的调度传输来导出MCS值，并且TMP度量205通过与调度器215和MCS计算器230的接口通信来导出TBS和PRB值。历史(过去的)时间序列信息可以表示为TBSp、MCSp、以及PRBp。
在步骤S502中，TBSF 240可以“平滑”历史时间序列值TBSp、MCSp、以及PRBp。“平滑”的目的是调节历史时间序列数据以去除这些值的突变，然后将数据用作“训练数据”进行回归建模(参见下文的步骤S506)。为此，平滑方法可以应用于时间序列值以捕获历史数据的模式，其可以是无噪声、微小尺度结构和/或快速现象。历史时间序列数据的“平滑的”值可以分别表示为以及平滑的另一影响可以是减少处理器每秒所需的操作。因为平滑操作可以以平均窗口的速率进行。因此，如果平滑超过100毫秒的窗口，则处理时间可能是在按照每个TTI进行处理的情况下的100倍。
为了执行平滑，可以在最后的N个时间单位上应用平滑函数，其中N可以是可调节的值。作为示例，因为MCS、PRB、以及TBS数据通常可以在TMP度量205处以约1毫秒的时间增量可获得，所以N个时间单位可以是对应于毫秒数目的可调节值。然而，在N个时间单位期间，如果UE 110在N个时间单位期间没有任何调度的传输，则PRB可以为零。在这种情况下，可以应用简单的平滑函数以对在比N个时间单位更大的时间周期内的所有非零项进行求和。例如，可以使用1秒的时间周期，其中所有非零项可以被除以非零项的数目的和以提供平均值。因此，该平均值可以被认为是该项的“平滑的”历史时间序列值。可以对TBS值执行类似的方法。
在平滑函数可以在PRB被指派的多个时间单位上应用的情况下，MCS值的平滑可能与PRB和TBS值的平滑不同。如果感兴趣的UE在特定TTI处不能被指派PRB，则MCS值可能是不相干的。
由于MCS值的唯一性，可以应用各种公知的数据平滑方法/算法。这些公知的方法/算法可以包括使用移动平均值、内核平滑器或卡尔曼滤波器。可以根据感兴趣的预测范围(horizon)来选择平滑窗口。预测范围可以定义为了预测未来MCS值可能期望的未来时间单位的数目。如果可能需要短期预测(几十毫秒到几百毫秒)，则可以选择小窗口，而如果可能需要相对较长的平滑窗口，则可以使用长期预测(1秒到几十秒)。平滑窗口尺寸的选择可以由想要提前多久预测来决定，只要可以执行一步前瞻预测。如果希望预测将来的1秒，则过去的值需要以1秒的间隔被平均。另一考虑可以是每秒的操作次数。较大的平均降低了处理单元的运行负载。另一考虑可以是，应用可以指定在将来的预测中需要提前多久执行预测，或者该应当以什么时间粒度来使得预测可用于应用。例如，如果该应用每1秒钟更改其状态，则可以选择平均窗口为1秒宽。如果应用状态以100毫秒的速率变化，则应选择平均窗口大小为100毫秒。平滑和平均在这里可互换地使用。平滑是一个通用术语，平均是平滑算法的一个示例。
在步骤S502的结论中，TBSF 240可以确定可以被表示为 以及的可以被“平滑”的历史(过去的)时间序列数据的整个集合。在平滑操作中，平滑的输出可以被量化为MCS、PRB、以及TBS的值可以属于的离散数字集合。作为示例，MCS的典型值的范围在集合{0,1,...,31}内。PRB和TBS也属于有限离散值集合。
在步骤S504中，TBSF 240可以使用公知的预测方法来预测平滑的MCS和PRB值。具体地，预测方法可以通过捕获与时间有关的序列的随机模式，学习用于基于这些值的历史时间序列数据来预测未来的MCS和PRB值的模型。公知的预测方法可以包括自回归方法，其中时间序列预测模型可以是自回归积分移动平均(ARIMA)模型。用于产生向量值数据的扩展可以包括多变量时间序列模型，诸如向量自回归(VAR)，以便在基于向量的模型中预测MCS和PRB值。平滑的MCS和PRB的预测(未来)值可以分别被表示为和在ARIMA预测操作中，预测的输出可以被量化为可以包括MCS和PRB的值的离散数字集合。作为示例，典型的MCS值集合可以是集合{0,1,...,28}。PRB也可以属于有限离散集合。假设和是ARIMA过程，则可以拟合线性模型，其中可以导出ARIMA模型，并且可以使用模型来预测未来的值和这些值可以在实际时间之前1个时间增量或者(相对于实际时间)在多个时间增量之前被预测。ARIMA建模和预测在本领域是公知的，并且例如在“时间序列分析(Time Series Analysis)”,George E.P.Box,Gwilym M.Jenkins,GregoryC.Reinsel,第三版,普伦蒂斯霍尔,1994,第7-18页和“自动时间序列预测：R的预测分组(Automatic Time Series Forecasting:The forecast Package for R)”,R.J.Hyndman和Y.Khandakar,统计软件学报,第27卷,No.3,2008年7月中被描述(其中的每个的全部内容通过引用并入本文)。
在步骤S506中，TBSF 240可以产生根据“训练阶段”的等式1(如上所述)来对输出和输入对的函数关系进行建模的函数回归映射函数。具体地，和平滑的过去值可以用作“训练输入”样本，而作为的历史的平滑的时间序列可以用作“训练输出”样本，以便拟合函数回归映射。在拟合中，可以使用距离度量来计算输入训练数据点到模型的输入变量的距离(d(X，Xi))。距离可以是满足规范距离属性的任何度量。参数(h)可以用于选择平滑操作的带宽。(h)可以基于优化、试验和错误来导出，或者该值可以是预定义的。可以使用内核来平滑距离，其中示例内核在等式3中显示。但是，也可以使用本领域公知的其他内核。然后可以使用整个训练集的平滑的值来形成函数关系该步骤中的输入值可以是和(来自步骤S502)，其中参数可以是K、h、以及N(其中N可以是训练序列长度)。输出可以是回归函数估计(参见等式5)。在该回归函数计算中，输入和输出训练样本可以被量化为MCS、PRB、以及TBS的值可以属于的离散数字集合。作为示例，MCS的典型集合可以是集合{0,1,...,28}。PRB和TBS也可以属于有限离散集合。在评估时，X的可能值只能在可以定义MCS和PRB的有限集值处有意义。可以用于产生映射函数的可能的公知的回归模型可以是高斯过程、函数线性、或非线性回归。可以适用于预测TBS值的公知的回归模型可以被包括在“函数数据分析中的统计计算：R分组fda.usc(Statistical Computing in Functional Data Analysis:The R Package fda.usc)”,Manuel Febrero-Bande和Manuel Oviedo de laFuente,R学报,第51卷第4期,64-72,2012年10月中(其全部内容通过引用并入)。
在步骤S508中，TBSF 240可以使用在步骤S506中确定的映射函数来预测TBS的未来值，并且这些值可以被表示为使用等式5，到映射函数中的输入可以包括平滑的预测(未来的)值和在该步骤中，输入可以是来自步骤S504的和(以给定的未来时间间隔)，并且回归函数可以从步骤S506来导出。输出可以是在可以被定义输入和的时间索引处的预测的在函数回归预测的输出操作中，预测的输出可以被量化为TBS值可以属于的离散数字集合。
一旦TBSF 240预测值，该信息可以被传送到应用层，到应用服务器102(参见图6和7)，或到UE 110的应用服务器102和/或应用客户端110a。还可以导出调制和编码方案以及物理资源块的未来值。基于该导出的信息，应用服务器102和/或应用客户端110a可以改变应用的行为。具体地，预测的值(以及和值)可以被导出以控制应用的速率。例如，该信息可以用于预测未来的吞吐量，包括预测小区负载和信道质量，同时还预测调度器行为(即系统行为)。
例如，对于超文本传输协议(HTTP)自适应流(HAS)，预测的值可以控制应用的操作，或控制应用的速率。基于所计算的网络吞吐量的估计，HAS客户端可以从服务器请求更高或更低的视频质量。因此，TBS预测可以使得HAS客户端能够准确地了解信道的速率并且相应地适配HAS行为。除了根据预测的网络速率来为客户端提供预测能力之外，适配可以是基于预测的值来限制客户端所请求的视频质量增加或减小的形式。这种适配可以为用户实现更平滑的视频回放以及更好的体验质量。
例如，对于传输控制协议(TCP)应用，预测的值也可以控制应用的操作，或控制应用的速率。TCP应用使用来自接收实体的确认来调节传输速率。因此，如果运行TCP应用的实体具有未来网络速率的知识，则该信息可以使得TCP能够避免重传。这可能导致更好地利用网络资源，同时接收实际数据而无需频繁重传。重传的减少可以实现更好的用户体验。
例如，对于视频电话，预测的值也可以控制应用的操作，或控制应用的速率。视频会议中涉及的视频编码速率(例如)可能受益于信道吞吐量的估计以调节视频编码速率。例如，该视频应用可以基于网络的估计来增加视频速率。因此，预测的值使得视频编解码器能够选择网络可以能够支持的更合适的编码速率。基于TBS知识的编解码器进而可以以较少的抖动和延迟、更好的终端用户体验和更平滑的视频对话来递送视频。
对于在相机的遥控操作、汽车的控制区域网络(CAN)、飞机的控制等中的网络预测控制理论，预测的值也可以控制应用的操作，或控制应用的速率。在这些应用中，网络可以使用网络延迟的估计，其中控制理论中的延迟可以改变系统的稳定性。因此，TBS值的高级知识可以有助于控制实体，可以使得这些应用能够在适配控制环路带宽时考虑网络速率以优化稳定性。这可能产生更稳定的网络控制和可能更少的设计网络，从而降低成本。
预测的和值可以用于未来的承载率。MCS值可以指示能够指示速率的比特/秒/Hz的速率。PRB值可以指示可以在UE处接收的载波的块的数目，并且该信息可以除以可以由载波支持的块的总数目，以指示UE可以接收的带宽的部分。已知该带宽信息，则UE和eNodeB所需的网络资源可以被准确地预测。
预测的以及值也可以预测整个系统。如上文所述，MCS、PRB、以及TBS值定义信道、小区负载、用户行为、eNodeB算法等。这些依赖关系中的每个可以在ARIMA(用于MCS和PRB)和函数回归(用于TBS)中被捕获。已知这些模型意味着系统表现的整体知识。ARIMA过程的依赖性经由等式1在函数回归模型中被捕获。
图6图示了根据示例实施例的重新配置的3GPP LTE网络10a。网络10a可以包括重新配置的eNB 105a，eNB 105a包括TBSF 240(在图4中详细示出，并且在图5中在功能上描述)。TBSF 240可以与AS 102和/或UE 110共享值，以便改善UE 110上的应用性能。
图7图示了根据示例实施例的另一重新配置的3GPP LTE网络10b。在本实施例中，TBSF 240的功能可以分为两个位置。具体地，传输块大小预测代理(TBSFA)240a可以执行如图5所描述的步骤S500和S502的功能。然后，TBSFA 240a然后将从步骤S502导出的平滑的历史数据传输到传输块大小预测管理器(TBSFM)240b，其中TBSFM 240b是可以然后执行图5的步骤S504、S506、以及S508的功能的管理实体。
TBSFM 240b可以是可以由专用处理器控制的独立的专用服务器。或者，替代地，TBSFM 240b可以被包括在IP-CAN 100b的现有节点中。TBSFM 240b越靠近eNB 105b的TBSFA240a，系统可以更响应于向AS 102和/或UE 110提供预测的值，以便帮助确定系统吞吐量并且提高可以在UE 110上运行的应用的性能。
另外，应当理解，不需要仅被发送到AS 102和/或客户端UE 110。相反，该信息可以被发送到策略服务器，策略服务器可以使用每个UE的信息以基于总的每个UE信息来生成单独的UE策略，其总体目标是辅助eNB吞吐量并且支持服务提供商策略。
平滑的过去值可以另外被传输到云计算集群，在云计算集群中，可以在并行计算集群中执行预测。然后可以将这样的预测值分配给UE 110和AS 102(参见图7)。应当注意，对于复杂的网络，系统中将有多个UE和应用服务器。云计算平台将协调平滑的度量收集并且以有意义的方式将预测值分配给UE和应用服务器，使得仅相关的负载信息可以被递送到相应的UE和应用服务器。例如，如果UE可以由第一应用服务器来服务，则向UE发送针对另一应用服务器所服务的另一小区中的不同UE的预测值是不相干的。如果UE属于特定小区，则应当仅使用与该特定小区相关联的度量来形成该UE的预测。此外，通过网络功能虚拟化，创建MCS、PRB、以及TBS值的eNodeB功能可以位于云中。因此，本应用的内容将支持在云中进行用于建模、预测、平滑的计算。
应当理解，虽然示例实施例涉及LTE网络，但是这些实施例也可以应用于其他无线接入网络，在这样的其他无线接入网络中，用于传输数据流量的无线资源可以由相应的无线接入技术调度器根据小区负载等以及每Hz每秒计算的比特数被分配用于资源分配(类似于LTE MCS)。这样的技术的示例包括但不限于3GPP WCDMA、UMTS、3GPP2 EVDO、WiMAX、Wi-Fi。
已经描述了示例实施例，显而易见的是，这些示例实施例可以以很多方式变化。这样的变化不应当被认为是偏离示例实施例的预期精神和范围，并且对于本领域技术人员显而易见的所有这样的修改旨在被包括在所附权利要求的范围内。

Claims (10)

1.一种导出平滑的传输块大小以控制应用的操作的方法，包括：
由至少一个网络节点的一个或多个处理器获取历史时间序列数据(S500)，所述历史时间序列数据包括历史传输块大小信息、历史调制和编码方案信息、以及历史物理资源块利用信息；
由所述一个或多个处理器基于所述历史时间序列数据来预测未来值信息(S504)，所述未来值信息包括调制和编码方案未来值和物理资源块未来值；
由所述一个或多个处理器产生使第一输入数据回归到第一输出数据的映射函数(S506)，所述第一输入数据包括所述历史调制和编码方案信息和所述历史物理资源块利用信息，所述第一输出数据包括所述历史传输块大小信息；
由所述一个或多个处理器通过向所述映射函数中输入所述未来值信息来预测平滑的传输块大小(S508)；以及
由所述一个或多个处理器向网络节点导出所述平滑的传输块大小以控制应用的操作。
2.根据权利要求1所述的方法，其中基于所述历史时间序列数据的所述未来值信息的所述预测包括使用自回归积分移动平均(ARIMA)回归建模来预测所述未来值信息。
3.根据权利要求2所述的方法，其中基于所述历史时间序列数据的所述未来值信息的所述预测包括所述未来值信息被量化为第一离散数字集合和第二离散数字集合，所述第一离散数字集合是所述调制和编码方案未来值，并且所述第二离散数字集合是所述物理资源块未来值。
4.根据权利要求3所述的方法，其中所述平滑的传输块大小的所述预测还包括通过向所述映射函数中输入所述第一离散数字集合和所述第二离散数字集合来预测第三离散数字集合，所述映射函数是函数回归模型，所述第三离散数字集合是传输块大小未来值。
5.根据权利要求4所述的方法，其中所述平滑的传输块大小的所述预测还包括平滑所述传输块大小未来值，所述平滑利用平滑带宽和距离度量经由内核而被完成，所述平滑带宽和所述距离度量是预先选择的、可调节的和可适配的中的一项。
6.一种网络节点(105a/105b/240b)，包括：
一个或多个处理器(210)，被配置为：
获取历史时间序列数据，所述历史时间序列数据包括历史传输块大小信息(S500)、历史调制和编码方案信息、以及历史物理资源块利用信息，
基于所述历史时间序列数据来预测未来值信息(S504)，所述未来值信息包括调制和编码方案未来值和物理资源块未来值，
产生使第一输入数据回归到第一输出数据的映射函数(S506)，所述第一输入数据包括所述历史调制和编码方案信息以及所述历史物理资源块利用信息，所述第一输出数据包括所述历史传输块大小信息，
通过向所述映射函数中输入所述未来值信息来预测平滑的传输块大小(S508)，以及
向网络节点导出所述平滑的传输块大小以控制应用的操作。
7.根据权利要求6所述的网络节点，其中所述一个或多个处理器还被配置为：基于所述历史时间序列数据来预测所述未来值信息包括使用自回归积分移动平均(ARIMA)回归建模来预测所述未来值信息。
8.根据权利要求7所述的网络节点，其中所述一个或多个处理器还被配置为：通过所述未来值信息被量化为第一离散数字集合和第二离散数字集合来基于所述历史时间序列数据而预测所述未来值信息，所述第一离散数字集合是所述调制和编码方案未来值，并且所述第二离散数字集合是所述物理资源块未来值。
9.根据权利要求8所述的网络节点，其中所述一个或多个处理器还被配置为：通过向所述映射函数输入所述第一离散数字集合和所述第二离散数字集合而预测第三离散数字集合来预测所述平滑的传输块大小，所述映射函数是函数回归模型，所述第三离散数字集合是传输块大小未来值。
10.根据权利要求9所述的网络节点，其中所述一个或多个处理器还被配置为：通过平滑所述传输块大小未来值来预测所述平滑的传输块大小，所述平滑利用平滑带宽和距离度量经由内核而被完成，所述平滑带宽和所述距离度量是预先选择的、可调节的、以及可适配的中的一项。
CN201680007265.1A 2015-01-28 2016-01-26 通过预测平滑的传输块大小来控制应用的操作的系统和方法 Expired - Fee Related CN107210852B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/607,990 2015-01-28
US14/607,990 US9474064B2 (en) 2015-01-28 2015-01-28 System and method for controlling an operation of an application by forecasting a smoothed transport block size
PCT/IB2016/000288 WO2016120731A1 (en) 2015-01-28 2016-01-26 System and method for controlling an operation of an application by forecasting a smoothed transport block size

Publications (2)

Publication Number Publication Date
CN107210852A true CN107210852A (zh) 2017-09-26
CN107210852B CN107210852B (zh) 2020-04-07

Family

ID=55586343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680007265.1A Expired - Fee Related CN107210852B (zh) 2015-01-28 2016-01-26 通过预测平滑的传输块大小来控制应用的操作的系统和方法

Country Status (5)

Country Link
US (1) US9474064B2 (zh)
EP (1) EP3251251B1 (zh)
CN (1) CN107210852B (zh)
TW (1) TWI619399B (zh)
WO (1) WO2016120731A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10700988B2 (en) 2015-03-05 2020-06-30 Cisco Technology, Inc. System and method for dynamic bandwidth adjustments for cellular interfaces in a network environment
US10460010B2 (en) * 2016-07-05 2019-10-29 Oracle Financial Services Software Limited Computing scenario forecasts using electronic inputs
US10206131B2 (en) 2016-09-12 2019-02-12 Nokia Technologies Oy System and method for programmable native analytics in 5G mobile networks
JP6803241B2 (ja) * 2017-01-13 2020-12-23 アズビル株式会社 時系列データ処理装置および処理方法
WO2021155911A1 (en) * 2020-02-04 2021-08-12 Telefonaktiebolaget Lm Ericsson (Publ) Technique for determining segmentation parameters for use in segmenting rlc pdus
CN113824533A (zh) * 2020-06-19 2021-12-21 中兴通讯股份有限公司 确定调制编码方式mcs的方法、设备和存储介质
CN113965291A (zh) * 2020-07-20 2022-01-21 中兴通讯股份有限公司 通信控制方法、基站、终端及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1178623A2 (en) * 2000-07-31 2002-02-06 Sony Corporation System for transmitting encoded signals using multiple block lengths
CN101639793A (zh) * 2009-08-19 2010-02-03 南京邮电大学 一种基于支持向量回归机的网格负载预测方法
CN101697141A (zh) * 2009-10-30 2010-04-21 清华大学 网格中基于历史数据建模的作业性能预测方法
US20130258926A1 (en) * 2012-03-30 2013-10-03 Fujitsu Limited Apparatus and method for adjusting transmission power of a terminal in a wireless communication system
CN103378924A (zh) * 2012-04-18 2013-10-30 中兴通讯股份有限公司 传输块大小的确定方法及装置、同步方法、装置及系统
CN103516473A (zh) * 2012-06-28 2014-01-15 华为技术有限公司 确定传输块大小的方法和基站

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1709001B (zh) * 2002-11-01 2010-04-14 美商内数位科技公司 无线通信系统信道品质预测的方法
CN101527673B (zh) * 2008-03-04 2012-01-11 大唐移动通信设备有限公司 单用户mimo的资源分配方法及系统
CN101552649B (zh) * 2008-03-31 2012-03-28 大唐移动通信设备有限公司 基于正交频分复用多用户多天线的资源调度方法和装置
US8645529B2 (en) * 2010-10-06 2014-02-04 Infosys Limited Automated service level management of applications in cloud computing environment
US9014135B2 (en) * 2012-01-03 2015-04-21 Telefonaktiebolaget L M Ericsson (Publ) Methods and apparatus for link adaptation for single user and multi-user MIMO
US9961575B2 (en) * 2013-03-15 2018-05-01 Qualcomm Incorporated Predicting channel state
US20150112766A1 (en) * 2013-10-22 2015-04-23 Leaderamp, Inc. Method and Apparatus for Rapid Metrological Calibration, Intervention Assignment, Evaluation, Forecasting and Reinforcement

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1178623A2 (en) * 2000-07-31 2002-02-06 Sony Corporation System for transmitting encoded signals using multiple block lengths
CN101639793A (zh) * 2009-08-19 2010-02-03 南京邮电大学 一种基于支持向量回归机的网格负载预测方法
CN101697141A (zh) * 2009-10-30 2010-04-21 清华大学 网格中基于历史数据建模的作业性能预测方法
US20130258926A1 (en) * 2012-03-30 2013-10-03 Fujitsu Limited Apparatus and method for adjusting transmission power of a terminal in a wireless communication system
CN103378924A (zh) * 2012-04-18 2013-10-30 中兴通讯股份有限公司 传输块大小的确定方法及装置、同步方法、装置及系统
CN103516473A (zh) * 2012-06-28 2014-01-15 华为技术有限公司 确定传输块大小的方法和基站

Also Published As

Publication number Publication date
EP3251251B1 (en) 2019-02-27
WO2016120731A1 (en) 2016-08-04
CN107210852B (zh) 2020-04-07
TWI619399B (zh) 2018-03-21
US20160219563A1 (en) 2016-07-28
US9474064B2 (en) 2016-10-18
EP3251251A1 (en) 2017-12-06
TW201639399A (zh) 2016-11-01

Similar Documents

Publication Publication Date Title
CN107210852A (zh) 通过预测平滑的传输块大小来控制应用的操作的系统和方法
US10187899B2 (en) Modeling network performance and service quality in wireless networks
US10841817B2 (en) Network anomaly detection and network performance status determination
Samba et al. Instantaneous throughput prediction in cellular networks: Which information is needed?
US8483702B2 (en) Chromatic scheduler for network traffic with disparate service requirements
Giannopoulos et al. Supporting intelligence in disaggregated open radio access networks: Architectural principles, AI/ML workflow, and use cases
CN107864478B (zh) 数据驱动的推出规划优化方法
US10798537B2 (en) Next generation fixed wireless qualification tool for speed-tier based subscription
Bernal et al. Near real-time estimation of end-to-end performance in converged fixed-mobile networks
Khatibi et al. Modelling of virtual radio resource management for cellular heterogeneous access networks
Hu et al. A study of LTE network performance based on data analytics and statistical modeling
Habib et al. Hierarchical reinforcement learning based traffic steering in multi-RAT 5G deployments
WO2019114947A1 (en) Technique for analyzing quality of service in a telecommunications network
Guerra-Gómez et al. Dynamic resource allocation in C-RAN with real-time traffic and realistic scenarios
Singh et al. A learning based mobile user traffic characterization for efficient resource management in cellular networks
US20220377616A1 (en) Method and apparatus for service level agreement monitoring and violation mitigation in wireless communication networks
US11564117B2 (en) User equipment based network capability scoring for wireless wide area network management
Sayeed et al. Cloud analytics for wireless metric prediction-framework and performance
Parracho et al. An improved capacity model based on radio measurements for a 4G and beyond wireless network
US11838766B2 (en) Facilitating implementation of communication network deployment through network planning in advanced networks
Dababneh Lte traffic generation and evolved packet core (epc) network planning
Elayoubi et al. Flow level performance evaluation in mobile networks: Analytical modeling and empirical validation
Raida Data-driven estimation of spatiotemporal performance maps in cellular networks
Zhou et al. Deprioritization of heavy users in wireless networks
Al-Shehri et al. Metrics for broadband networks in the context of the digital economies

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200407

Termination date: 20220126