CN107211294A - 智能自组织网络的分析辅助、多主体、自学习、自管理、易扩展和自适应的框架 - Google Patents
智能自组织网络的分析辅助、多主体、自学习、自管理、易扩展和自适应的框架 Download PDFInfo
- Publication number
- CN107211294A CN107211294A CN201680005848.0A CN201680005848A CN107211294A CN 107211294 A CN107211294 A CN 107211294A CN 201680005848 A CN201680005848 A CN 201680005848A CN 107211294 A CN107211294 A CN 107211294A
- Authority
- CN
- China
- Prior art keywords
- replacement
- value
- self
- prioritization scheme
- credit value
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Abstract
替代自组织网络(self‑organizing‑network,SON)技术的优势可以通过从由每个SON技术生成的替代结果中获取折中结果来体现。具体地,可以基于为用于生成对应的结果的替代SON技术分配的信誉值,从该替代结果中获取该折中结果。可以基于该替代结果(例如,方案,诊断结果,预测值等)的加权平均数,或该替代结果指定的参数(例如,参数调整,潜在原因,KPI值等)的加权平均数,计算该折中结果。在这种实施例中,应用于该替代结果的权重可以基于用于生成该对应的替代结果的该相应的SON技术的信誉值。
Description
本专利申请要求于2016年1月13日提交的申请号为14994942、发明名称为“智能自组织网络的分析辅助、多主体、自学习、自管理、易扩展和自适应的框架”的美国非临时专利申请的优先权,该美国非临时专利申请又要求于2015年1月14日提交的申请号为62/103,452、发明名称为“智能自组织网络的分析辅助、多主体、自学习、自管理、易扩展和自适应的框架”的美国非临时专利申请的优先权,该在先申请专利的全部内容通过引用结合在本申请中。
技术领域
本发明涉及通信领域,且在具体实施例中,涉及一种智能自组织网络(self-organizing-network,SON)的分析辅助、多主体、自学习、自管理、易扩展和自适应的框架。
背景技术
现代移动通信网络变得日益庞大和复杂,因为工业开始向密集部署的网络迁移,该密集部署的网络包括能够提供接近普遍覆盖的大量高度集中的小区,以及能够支持不同空中接口技术的异构网络(heterogeneous networks,Het-Nets)。随着移动网络变得日益庞大和复杂,移动网络的管理和操作变得日益困难,因为控制决策通常是基于不完全的、陈旧的以及在一些情况下不准确的信息做出的。由于移动网络的规模和复杂性的增加,使得识别、诊断以及解决质量和性能相关问题(例如覆盖和容量、干扰以及移动性相关的问题)也更具挑战性。为了更便于管理这些挑战,自组织网络(SON)自动化技术正被开发。
发明内容
本公开的实施例的技术优势通过大致描述的一种智能自组织网络(SON)的辅助分析、多主体、自学习、自管理、易扩展和自适应的框架实现。
根据一个实施例,提供了一种自优化的方法。在本示例中,该方法包括在第一时段,从无线网络中的设备接收信息,以及基于在该第一时段接收的该信息,利用替代自优化技术生成该无线网络的替代优化方案。该替代优化方案中的至少一些替代优化方案指示用于调整该无线网络的一个或多个无线配置参数的不同值。该方法还包括基于用于生成每个替代优化方案的替代自优化技术的信誉值,计算该替代优化方案之间的折中方案,以及向该无线网络中的一个或多个接入点发送该折中方案,该折中方案用于在第二时段在该无线网络中使用。
该方法还包括基于由该替代自优化技术生成的在先的优化方案的效力,为所述替代自优化技术分配信誉值。在一个实施例中,当在所述无线网络中执行由给定的自优化技术生成的在先的优化方案,或执行由所述在先的优化方案指定的参数调整,提高了相应的质量或性能指标时,增大所述给定的自优化技术的信誉值;以及当在所述无线网络中执行所述在先的优化方案,或执行由所述在先的优化方案指定的参数调整,降低了对相应的质量或性能指标的影响时,减小所述给定的自优化技术的信誉值。
在一个实施例中,计算该折中方案包括基于该相应的替代自优化技术的信誉值,计算由该替代优化方案指定的无线配置参数的值的加权平均数,以及基于该替代优化方案指定的值的加权平均数,设置该折中方案以调整该无线配置参数。在这种实施例中,相比具有较低信誉值的替代自优化技术生成所述替代优化方案的值,具有较高信誉值的替代自优化技术生成所述替代优化方案的值被分配更大的权重。
在另一实施例中,计算该折中方案包括确定该替代优化方案中的大多数或极少数要增大、减小还是保持无线配置参数的值,以及根据该确定设置该折中方案。具体地,当该替代优化方案中的大多数或极少数的替代优化方案要增大该无线配置参数时,设置该折中方案以增大该无线配置参数;当该替代优化方案中的大多数或极少数的替代优化方案要减小该无线配置参数时,设置该折中方案以减小该无线配置参数;以及当该替代优化方案中的大多数或极少数的替代优化方案要保持该无线配置参数的值时,设置该折中方案以保持该无线配置参数的值。
在再一实施例中,计算该折中方案包括基于用于生成该每个替代优化方案的该相应的替代自优化技术的该信誉值,为该替代优化方案分配加权票数,确定该替代优化方案中的加权的大多数或加权的极少数要增大、减小还是保持给定的无线配置参数的值,并基于该确定设置该折中方案。相比具有较低信誉值的替代自优化技术生成的替代优化方案,具有较高信誉值的替代自优化技术生成的替代优化方案被分配更多的加权票数。基于该确定设置该折中方案可包括当该替代优化方案中的加权的大多数或加权的极少数替代优化方案要增大该给定的无线配置参数时,设置该折中方案以增大该给定的无线配置参数;当该替代优化方案中的加权的大多数或加权的极少数替代优化方案要减小该给定的无线配置参数时,设置该折中方案以减小该给定的无线配置参数;当该替代优化方案中的加权的大多数或加权的极少数替代优化方案要保持该给定的无线配置参数的该值时,设置该折中方案以保持该给定的无线配置参数的值。
根据另一实施例,提供一种用于自诊断的方法。在本示例中,该方法包括在第一时段,从无线网络中的设备接收信息,基于从该设备接收的该信息,利用替代诊断技术生成替代诊断结果,以及基于为该替代自诊断技术分配的信誉值,计算该替代诊断技术之间的折中诊断结果。该替代诊断结果中的至少一些替代诊断结果指示质量或性能问题的不同潜在原因。该折中诊断结果可用于在第二时段重新配置该无线网络中的一个或多个接入点,以便至少部分地减轻质量或性能问题。
在一个实施例中,该替代诊断结果中的至少一些替代诊断结果是基于该第一时段生成的不同类型的信息而生成的。
该方法还可包括基于由该替代自诊断技术生成的在先的诊断结果的效力,为该替代自诊断技术分配信誉值。在一个实施例中,分配信誉值包括当给定的替代诊断技术生成的在先的诊断结果被认为正确识别出该质量或性能问题的潜在原因时,增大该给定的替代诊断技术的信誉值;以及当该给定的替代诊断技术生成的在先的诊断结果被认为未能识别出该质量或性能问题的潜在原因时,减小该给定的替代诊断技术的该信誉值。
在一个实施例中,计算该折中诊断结果包括设置该折中诊断结果以识别该替代诊断结果中的大多数或极少数替代诊断结果指示的质量或性能问题的原因。在另一实施例中,计算该折中诊断结果包括基于该相应的替代自诊断技术的该信誉值,为该替代诊断结果中的每个替代诊断结果分配加权票数,以及设置该折中诊断结果以识别该替代诊断结果中的加权的大多数或加权的极少数替代诊断结果指示的该质量或性能问题的潜在原因。相比具有较低信誉值的替代自诊断技术生成的替代诊断结果,具有较高信誉值的替代自诊断技术生成的替代诊断结果被分配更多的加权票数。
根据另一实施例,提供一种用于预测未来关键值的方法。在本示例中,该方法还包括在第一时段,从无线网络中的设备接收信息,利用替代预测技术预测未来时段的替代值,其中该替代值中的至少一些替代值与其他替代值不相同,以及基于该替代预测技术的信誉值,计算该替代值之间的折中值。该折中值用于适配在该未来时段该无线网络中的一个或多个接入点的无线配置参数。
附图说明
为了更完整地理解本发明及其优点,现结合附图参考以下描述,其中:
图1示出了一个实施例的无线通信网络的示意图;
图2示出了另一个实施例的包括一组小区的无线通信网络的示意图;
图3示出了一个实施例的基于用于生成替代结果的替代SON技术的信誉值计算替代结果之间的折中结果的控制器的框图;
图4示出了一个实施例的基于为用于生成替代结果的替代SON技术分配的信誉值生成替代结果之间的折中结果的方法的流程图;
图5示出了一个实施例的基于为用于生成替代结果的替代SON技术分配的信誉值生成替代结果之间的折中结果的方法的流程图;
图6示出了一个实施例的基于为用于生成替代诊断结果的替代自诊断技术分配的信誉值生成替代诊断结果之间的折中诊断结果的方法的流程图;
图7示出了一个实施例的基于为用于预测KPI值的替代预测技术分配的信誉值来生成替代KPI值之间的折中KPI值的方法的流程图;
图8示出了一个实施例的基于由替代SON技术生成的在先的结果的效力,为替代SON技术分配信誉值的方法的流程图,该方法可以由控制器执行;
图9示出了一个实施例的基于替代结果指定的参数的加权平均数来计算优化结果的方法的流程图;
图10示出了一个实施例的用于利用加权共识方法来计算优化结果的方法的流程图;
图11示出了一个实施例的用于协调在同一网络中实施的多个SON主体的行为的架构图;
图12示出了一个实施例的基于用于生成替代结果的替代SON技术的信誉值计算替代结果之间的折中结果的控制器的框图;
图13示出了一个实施例的处理系统的示意图;以及
图14示出了一个实施例的收发机的示意图。
除非另行指示,否则不同附图中的相应数字和符号通常指的是其相应的部分。附图以清楚地描述实施例的相关方面进行绘制,且这些附图并不一定按比例绘制。
具体实施方式
下面详细讨论本公开的实施例的制造和使用。然而,应理解,本公开提供了可体现在各种具体场景中的许多应用性发明概念。本文讨论的具体实施例仅仅是对制造和使用在此公开的各种实施例的具体方法的说明,并不限定本公开保护的范围。
控制器可使用SON技术来执行移动无线接入网络中的各种SON相关任务,例如,自规划任务、自管理任务、自优化任务、或自诊断任务。本文所使用的术语“SON技术”通常指代用于执行移动无线接入网络中的与SON相关任务的任何自主技术,术语“结果”通常指代SON技术的输出。在一个示例中,SON技术是自优化技术,结果是由自优化技术生成的优化方案。在另一示例中,SON技术是自诊断技术,结果是由自诊断技术生成的诊断结果。在再一示例中,SON技术是当执行与SON相关的任务(例如,自规划等)时所使用的预测技术,结果是由预测技术生成的预测结果。其他示例也是可能的。
替代SON技术也可以解决与SON相关的问题。例如,覆盖容量优化(coveragecapacity optimization,CCO)算法可使用负载均衡策略以尝试实现期望的覆盖/吞吐量性能水平,而另一种CCO算法可严重依赖降低干扰以尝试通过管理/降低小区间干扰来实现类似的性能水平。在这种示例中,前一种CCO算法可通过以跨多个覆盖区域分布业务的方式调整天线倾角和/或发射功率电平来寻求提高覆盖/吞吐量,而后一种CCO算法可通过以降低小区间干扰的方式调整天线倾角和/或发射功率电平来寻求提高覆盖/吞吐量。再如,各种自修复技术可用于小区中断补偿(cell outage compensation,COC)(例如,基于强化学习的COC技术、基于模拟退火的技术以及基于域知识的COC技术)。再如,各种诊断技术可用于识别问题小区(例如,基于卡尔曼滤波器的异常检测技术、基于主成分分析的异常检测技术等),并查明造成识别出的问题的根本原因(例如,基于决策树的分类技术、基于专家系统的根本原因分析技术、基于随机森林的分类技术等)。又如,各种预测技术可用于预测利益实体,例如,KPIs(例如,基于时间序列的KPI预测技术、基于主成分回归的预测技术、基于偏最小二乘法的技术)、UE位置(例如,基于指纹的UE定位技术、基于高斯混合模型的技术)等等。
由于使用不同的策略,替代SON技术可在不同的网络环境中产生不同程度的有效性。参照上述讨论的示例,严重依赖负载均衡的CCO算法可在经历不稳定业务分布(例如,新用户流入)的无线网络中提供更好的覆盖和/或吞吐量性能,而严重依赖降低干扰的CCO算法可在经历高业务量的无线网络中提供更好的覆盖和/或吞吐量性能。因此,网络运营商可根据他们选择使用的SON技术来实现完全不同的性能。
本公开的各方面通过从由每个SON技术生成的替代结果中获得的折中结果来利用替代SON技术的优势。具体地,折中结果可以基于为用于生成每个替代结果的替代SON技术分配的信誉值从替代结果中获得。该折中结果可基于上述信誉值以各种方式被计算/确定。在一个实施例中,折中结果基于替代结果(例如,方案、诊断、预测值等)的加权平均数、或基于替代结果指定的参数(例如,参数调整、潜在原因、KPI值等)的加权平均数被计算。在这种实施例中,应用到替代结果的权重可基于用于生成每个替代结果的相应的SON技术的信誉值。
在另一实施例中,使用“大多数原则”方法确定折中结果,使得折中结果基于不同的SON技术生成的替代结果中的大多数或极少数替代结果被设置。在这种实施例中,为每个SON技术分配的信誉值可近似相等,使得每个替代结果对折中结果具有相同的影响。在再一实施例中,使用“加权共识”方法确定折中结果,使得折中结果基于替代结果中的加权的大多数或加权的极少数替代结果被设置。在这种实施例中,加权的大多数或加权的极少数替代结果可通过基于为替代SON技术分配的信誉值,为替代结果中的每一个替代结果分配的加权票数被确定,其中,相比具有较低信誉值的替代SON技术生成的替代结果,具有较高信誉值的替代SON技术生成的替代结果被分配更多的加权票数。
基于由替代SON技术生成的在先的结果的效力,可以为替代SON技术分配信誉值。例如,基于由替代SON技术生成的在先的结果在提高或保持质量/性能指标上的有效程度,可以为替代SON技术分配信誉值。质量/性能指标可以是基于计算目标函数的成本指标或效用指标。目标函数在申请号为14/988,512、发明名称为“用于智能分析辅助的自组织网络(SONs)的自学习和自适应的方法”的美国专利申请中被给予更详细的讨论,该专利申请的全部内容通过引用结合在本申请中。
在一个实施例中,当在先的结果、或在先的结果指定的参数对相应的质量/性能指标(例如,降低成本指标、增加效用指标、提高利益KPI、提高诊断分类精度、提高预测精度等)产生了正面影响时,增大给定的SON技术的信誉值。同样地,当在先的结果、或在先的结果指定的参数对相应的质量/性能指标(例如,增加成本指标、减少效用指标等)产生了负面影响时,减小给定的SON技术的信誉值。至于由给定的SON技术生成的在先的结果对质量/性能指标产生了正面影响还是负面影响,可通过记录实例进行确定,其中,相应的折中结果(例如,部分结果从上述在先的结果中获得)的参数与在先的方案的参数相同或实质上相似。在这种情况下,折中结果的在线评估可被用于评估由给定的SON技术计算的在先的结果的效力。可选地,至于在先的方案对质量/性能指标产生了正面影响还是负面影响,可通过离线仿真进行确定。在其他实施例中,基于从过去的结果中获得的概率(例如,贝叶斯概率)或置信水平来分配给定的SON技术的信誉值。下面将更详细地讨论这些和其他方面。
图1是用于传送数据的无线网络100的示意图。无线网络100包括具有无线覆盖区域101的接入点(access point,AP)110、多个移动设备120、回程网络130和控制器190。如图所示,AP 110与移动设备120建立上行链路(虚线)和/或下行链路(点线)连接,用于将数据从移动设备120携带到AP 110,反之亦然。通过上行链路/下行链路连接携带的数据可包括移动设备120之间传送的数据,以及通过回程网络130传送到远端(未示出)或从远端(未示出)传送到回程网络130的数据。正如本文所使用的,术语“接入点(AP)”指代被配置为在网络中提供无线接入的任何组件(或组件的集合),例如,演进节点B(evolved NodeB,eNB)、宏小区、微小区、Wi-Fi接入点(AP)、或其他能够用于无线通信的设备。术语“接入点(AP)”和“基站”在本文中可互换使用。接入点(AP)可根据一个或多个无线通信协议提供无线接入,例如,长期演进(long term evolution,LTE)、高级LTE(LTE advanced,LTE-A)、高速分组接入(High Speed Packet Access,HSPA)以及无线保真(Wi-Fi)802.11a/b/g/n/ac。正如本文所使用的,术语“移动设备”指代能够与AP建立无线连接的任何组件(或组件的集合),例如用户设备(user equipment,UE)、移动站(station,STA)、继电器、参与机器类型通信的设备或其他能够用于无线通信的设备。控制器190可以是被适配执行用于无线覆盖区域101的网络优化的任何组件或组件的集合。控制器190可与AP 110共址。可选地,控制器190可与AP110分离并区别于AP 110,这种情况下,控制器190可通过回程网络130与AP 110进行通信。在一些实施例中,网络100可包括各种其他无线设备,例如低功率节点等。
图2示出了包括本地覆盖区域201,202,203,204,205的无线网络200,其中通过APs210,220,230,240,250(分别地)向移动设备提供无线接入。应理解,为了简洁和清楚,无线网络200示出了包括五个本地覆盖区域201,202,203,204,205,但所提供的发明方面可在具有任意数量的本地覆盖区域的无线网络中使用。还应理解,在一些实现中,无线网络200可以是异构网络(Het-Net),其中APs 210,220,230,240,250中的至少一些APs使用不同的无线接入技术进行通信。
改变本地覆盖区域201,202,203,204,205中的任一个本地覆盖区域的无线配置参数都可能影响这个本地覆盖区域以及其他本地覆盖区域中的其他性能。例如,增大本地覆盖区域205内的发射功率电平可以提高本地覆盖区域205内的覆盖范围和容量,同时也会增加本地覆盖区域201,202,203,204之间的小区间干扰。本地覆盖区域201,202,203,204,205中的无线配置参数还可以以影响无线网络的整体性能的方式彼此互补。例如,相邻的本地覆盖区域201,202,203,204,205的滞后余量可以影响整个无线网络200上的移动负载均衡(mobility load balancing,MLB)和移动鲁棒性优化(mobility robustnessoptimization,MRO)性能。
控制器290可以是SON控制器,被配置为使用不同的SON技术处理从APs 210,220,230,240,250接收的信息(例如,测量报告、KPI等)来生成结果(例如,优化方案、诊断结果、预测值等)。在一个实施例中,控制器290利用替代SON技术生成多个替代结果,并基于为替代SON技术分配的信誉值计算替代结果之间的折中结果。
图3示出了实施例的用于利用不同的SON技术310,312,318计算生成的替代结果之间的折中结果的控制器300的示意图。在这个示例中,实施例的控制器300利用SON技术310,312,318生成替代结果。此后,折中结果生成器320基于为SON技术310,312,318分配的信誉值,计算替代结果之间的折中结果。信誉值可在信誉数据库320中存储和更新。
图4示出了实施例的用于基于为用于生成替代结果的替代SON技术分配的信誉值,生成替代结果之间的折中结果的方法400,该方法可以由控制器执行。在步骤410中,控制器从无线网络中的设备接收信息。该信息可能在初始时段就已经被生成。在步骤420中,控制器利用替代SON技术从该信息中生成替代结果。在步骤430中,控制器为替代SON技术分配信誉值。在一些实施例中,SON技术已被预先分配信誉值,这种情况下,省略步骤430。在一些实施例中,基于网络针对由SON技术生成的在先的方案的在线反馈,可动态地为SON技术分配信誉值。在步骤440中,控制器基于为替代SON技术分配的信誉值来计算替代结果之间的折中结果。
在一个实施例中,控制器基于为用于生成每个优化方案的自优化技术分配的信誉值来计算替代优化方案之间的折中优化方案。图5示出了实施例的基于为用于生成替代优化方案的替代自优化技术分配的信誉值从替代优化方案中生成折中优化方案的方法500,该方法可以由控制器执行。在步骤510中,控制器从无线网络中的设备接收信息。该信息可能在初始时段就已经被生成。在步骤520中,控制器利用替代自优化技术从该信息中生成替代优化方案。该优化方案可以指定无线网络中的一个或多个无线配置参数的调整或初始值。该自优化技术通常可被设计为确定如何以寻求减轻特定自优化问题的方式或以其它提高与特定自优化问题相关联的性能指标的方式来调整无线参数。表1提供了无线配置参数可被调整以解决不同的自优化问题的示例。在步骤530中,控制器为替代自优化技术分配信誉值。在一些实施例中,自优化技术已被预先分配信誉值,这种情况下,省略步骤530。在一些实施例中,基于网络针对由自优化技术生成的在先的方案的在线反馈,可动态地为自优化技术分配信誉值。在步骤540中,控制器基于为替代自优化技术分配的信誉值来计算替代自优化方案之间的折中优化方案。
表1
在另一个实施例中,控制器基于为用于生成每个诊断结果的自诊断技术分配的信誉值计算替代诊断结果之间的折中诊断结果。图6示出了实施例的基于为用于生成替代诊断结果的替代自诊断技术分配的信誉值从替代诊断结果中生成折中诊断结果的方法600,该方法可以由控制器执行。在步骤610中,控制器从无线网络中的设备接收信息。该信息可能在初始时段就已经被生成。在步骤620中,控制器利用替代自诊断技术从该信息中生成替代诊断结果。该替代诊断结果可以指定网络在在先的时段体验的质量或性能问题的不同潜在原因。该替代自诊断技术可以指定不同的方式来评估由设备提供的信息和/或其他信息(例如,关于网络拓扑、环境条件等的信息),以便确定质量或性能问题的潜在原因(例如,根本原因)。例如,诊断问题可寻求识别哪个设备或小区负责小区中断或网络故障。在一些实施例中,自诊断技术还可通过识别基于诊断结果要执行的恢复动作来提供自修复功能。表2提供了一些自诊断问题的说明。在步骤630中,控制器为替代自诊断技术分配信誉值。在一些实施例中,自诊断技术已被预先分配信誉值,这种情况下,省略步骤630。在一些实施例中,基于网络针对由自诊断技术生成的在先的方案的在线反馈,可动态地为自诊断技术分配信誉值。在步骤640中,控制器基于为替代自诊断技术分配的信誉值来计算替代诊断结果之间的折中诊断结果。
表2
在再一实施例中,控制器基于为用于预测每个利益值的预测技术分配的信誉值,计算预测值之间的折中值(例如,KPI、UE位置等)。图7示出了实施例的基于为用于预测KPI值的替代预测技术分配的信誉值从替代KPI值中生成折中KPI值的方法700,该方法可以由控制器执行。在步骤710中,控制器从无线网络中的设备接收信息。该信息可能在初始时段就已经被生成。在步骤720中,控制器利用替代预测技术从该信息中预测替代KPI值。KPI可以是无线网络的任何特定性能指标。在一些实施例中,KPIs可以与用于测量由无线网络中的用户/设备共同观察到的服务/体验的质量的质量指标(例如,关键质量指示符(KQI))具有因果关系或相关关系。例如,感知到的语音业务的质量可能在很大程度上取决于上行链路丢包率,上行链路丢包率可以与指示干扰和路径损耗的KPIs高度相关。表3识别了与上行链路丢包率相关的KPIs的示例。本领域技术人员将理解其他KPIs可以与其他质量指标相关。在步骤730中,控制器为替代预测技术分配信誉值。在一些实施例中,预测技术已被预先分配信誉值,这种情况下,省略步骤730。在一些实施例中,基于网络针对由预测技术生成的在先的预测值的在线反馈,可动态地为预测技术分配信誉值。在步骤740中,控制器基于为替代预测技术分配的信誉值来计算替代KPI值之间的折中KPI值。
表3
各种方法可以被用来为替代SON技术分配信誉值。例如,基于由替代SON技术生成的在先的结果的效力,为替代SON技术分配信誉值。在一个实施例中,基于由给定的SON技术生成的在先的结果对相应的质量/性能指标产生了正面影响还是负面影响,增大或减小给定的SON技术的信誉值。图8示出了实施例的基于由替代SON技术生成的在先的结果的效力,为替代SON技术分配信誉值的方法800的流程图,该方法可以由控制器执行。在步骤810中,控制器在当前迭代期间使用替代技术生成替代结果。在步骤820中,控制器计算折中结果,并在当前迭代期间在无线网络中实施该折中结果。在无线网络中实施折中结果可包括为调整、重新配置、移除、替代或评估无线网络中的设备而采取的任何动作。例如,如果折中结果是优化方案,则实施可包括调整无线网络中的一个或多个设备(例如,APs)的一个或多个无线配置参数。再如,如果折中结果是识别质量/性能问题的潜在原因的诊断结果,则实施可包括为确定所检测的异常是否实际存在,或者所识别的原因是否实际造成了该质量/性能问题而采取的任何步骤。在小区中断检测的情况下,实施诊断结果可包括派出技术员来确认所识别的小区是否正常工作。再如,如果折中结果是针对未来时段的预测KPI值,则实施可能需要等待未来时段出现,并确定该预测的KPI值是否落入未来时段的KPI测量的门限(例如,范围)。
在步骤830中,控制器确定折中结果是否与由给定的替代SON技术生成的替代结果相同或基本相似。在一些实施例中,折中结果必须与由给定的替代SON技术生成的替代结果相同,以便控制器在步骤830确定“是”。在其他实施例中,折中结果的参数必须落入由给定的替代SON技术生成的替代结果的参数的门限,以便控制器在步骤830确定“是”。例如,当折中结果和替代结果落入一定范围内的预测KPI值时,控制器在步骤830确定“是”。
如果折中结果与替代结果不相同或基本不相似,则控制器进入步骤880中的下一次迭代,并且方法800返回到步骤810。如果折中结果与替代结果相同或基本相似,则控制器确定是否在当前迭代期间实施无线网络中的折中效果/结果中存在可测量的效果/结果。在一个实施例中,当实施折中方案造成质量/性能指标改变并超过门限时,控制器确定存在可测量的效果/结果。在另一实施例中,当折中方案所指定的诊断结果的后续评估(具有门限置信水平)确定诊断结果所指定的原因是相应的质量/性能问题的根本原因或主要原因,或者诊断结果所指定的原因都不是相应的质量/性能问题的根本原因或主要原因时,控制器确定存在可测量的效果/结果。
如果折中效果/结果的实施不存在可测量的效果/结果,则控制器进入步骤880中的下一次迭代,并且方法800返回到步骤810。如果折中效果/结果的实施存在可测量的效果/结果,则控制器在步骤850确定该效果/结果是正面的还是负面的。如果效果/结果是负面的,则控制器在步骤860减小替代技术的信誉值。如果效果/结果是正面的,则控制器在步骤870增大替代技术的信誉值。在一个实施例中,当对质量/性能指标产生了正面影响时(例如,成本指标被降低、效用指标被增加等),控制器确定效果/结果是正面的;而当对质量/性能指标产生了负面影响时(例如,成本指标被降低、效用指标被增加等),控制器确定效果/结果是负面的。在另一实施例中,当折中诊断结果所指定的原因是相应的质量/性能问题的根本原因或主要原因时,控制器确定效果/结果是正面的;而当诊断结果所指定的原因都不是相应的质量/性能问题的根本原因或主要原因时,控制器确定效果/结果是负面的。在另一实施例中,当未来时段的预测KPI值落入未来时段所测量的或以其他方式从收集的信息中获取的KPI值的门限阈值时,控制器确定效果/结果是正面的;而当未来时段的预测KPI值未落在未来时段所测量的或以其他方式从收集的信息中获取的KPI值的门限阈值时,控制器确定效果/结果是负面的。在减小或增大信誉值后,控制器进入步骤880中的下一次迭代,并且方法800返回到步骤810。作为自优化或自修复的示例,替代技术1和替代技术2可建议小区1的倾角+1,替代技术3建议同一小区的倾角-1,则基于大多数票数(两个替代技术建议小区1的倾角+1),+1可作为最终动作;并且如果发现正增益(基于与具体SON问题或KPIs相关的一些成本函数),则可以对替代技术1和替代技术2的可靠性/信誉值进行奖励+1,并对替代技术3进行处罚-1。如果发现负增益,则可以对代理3进行奖励+1,并对替代技术1和替代技术2进行处罚-1。然后,可以基于在一个时间段通过一组实体(例如,小区、市场)接收的每个替代技术的奖励和惩罚来计算或更新信誉值。作为自诊断的另一示例,替代技术1可能基于网络的相关在线反馈(例如,KPIs、MR)将小区1识别为异常小区,而替代技术2可能将小区1标记为正常,如果替代技术1具有比替代技术2更高的信誉值或可靠性,则我们可以最终标记小区1为异常。然而,如果证明小区1实际上是正常的(例如,工程师后期发现该小区没有任何问题),则我们使用预测事实和实际事实之间的差异来计算一些指标(例如,分类错误率、置信水平、贝叶斯概率、奖励、惩罚),以量化信誉值或为替代技术1和替代技术2调整信誉值。作为自预测的另一示例,替代技术1可以为小区1的KPI(例如,将在半小时后发生的吞吐量或负载)或UE 1的UE位置预测一个值,而替代技术2预测另一个值。如果实际测量的KPI或UE位置与替代技术1预测的值完全不同,但接近替代技术2预测的值,则我们可以使用针对一组利益实体(例如,小区、UEs)的预测值和测量值之间的差异来计算一些指标(例如,置信水平、预测错误、奖励、惩罚),以量化信誉值或为替代技术1和2调整/更新信誉值。
不同的方法可用于计算/确定替代结果之间的折中结果。图9示出了实施例的基于替代结果指定的参数的加权平均数计算优化结果的方法900的流程图,该方法可以由控制器执行。在步骤910中,控制器利用替代SON技术从信息中生成替代结果。在步骤920中,控制器基于为替代SON技术分配的信誉值来计算替代结果的参数的加权平均数。在一个实施例中,在步骤930中,控制器基于由替代结果指定的参数的加权平均数的函数来设置折中结果。
图10示出了实施例的利用加权共识方法来计算优化结果的方法1000的流程图。在步骤1010中,控制器利用替代SON技术从信息中生成替代结果。在步骤1020中,控制器基于为替代SON技术分配的信誉值,为替代结果分配加权票数。在步骤1030中,控制器基于替代结果中的加权的大多数或加权的少数来设置折中结果。
在一个实施例中,基于替代结果(例如,方案、诊断结果、预测值等)或替代结果指定的参数(例如,参数调整、潜在原因、KPI值等)的加权平均数,计算折中结果。
存在可用于实施SON策略的多种SON技术,包括自配置、自优化、自诊断以及自修复。每种SON技术都有其固有的优点和缺点。例如,一些主体在开始时执行的比其他主体差,但当这些主体基于从系统中收集的信息或反馈而学习系统并从其所依赖的信息中拥有更准确的信息(例如,工程参数、传播模型)后,则可以提供更好的长期性能。每种SON技术可以使用有关系统(例如,网络、过程、进程、环境、情形、条件)或子系统的部分信息,并且可以“擅自地”起作用或发起可能与其他SON技术的动作/预测相冲突的动作/预测。
在相同网络中实施的单独的SON技术可能偶尔相互冲突。本公开的各方面通过协调在相同网络环境中操作的各种SON技术所执行的动作来防止不期望的冲突。这尤其有利于复杂的网络环境,例如,具有许多小小区和/或多种不同的接入技术(例如,2G/3G/4G)的异构网络(HetNets)、物联网、软件定义网络(software defined networks,SDNs)等。
本公开的各方面提供了一种能够迅速适应新兴的和/或变化的网络环境的易扩展的自学习和自管理框架。实施例的协调方法可以在各种情形下评估用于相同任务的各种SON技术的性能。实施例的协调方法包括如何结合各种SON技术的力量以便例如做出更好的决策、开发系统的全局视图或改进的局部视图、在复杂网络中提供更好的控制和优化。实施例的协调机制可以足够健壮以无缝处理不同的网络场景或情形,以及自适应不可预见的情况。
本公开的各方面提供一种用于SON实施的分析辅助、多主体、自学习、易扩展和自适应的框架。实施例的协调机制可以协调和结合多个SON主体的力量。SON主体可以包括适配于在主机网络中执行给定的SON功能、操作、技术、方法或模拟的SON应用或实体。例如,一个SON主体可被适配为在网络中执行自修复,而另一SON主体可被适配为在网络中执行自优化。本公开的各方面可提供对新兴的和快速变化的网络环境的自动适应性。实施例可提供受益于多个SON主体的体验的自学习方案(例如,决策、评估、动作、预测)。实施例可利用实时反馈(例如,测量报告(measurement reports,MRs)、关键性能指标(key performanceindicators,KPIs)、错误、奖励等)以及来自主动离线仿真(例如,校园网、网络实验室、Atol等)的数据。
实施例的协调机制可以基于不同情形的各种标准来连续且动态地重新评估多个SON主体的性能,以便选择最有效的SON技术,并降低较弱的SON技术随时间对不同场景的影响。实施例协调机制可以动态地重新权衡多个SON主体的有效性,并相应地向其适配置信。实施例协调机制可以通过结合多个SON主体的结果、预测和/或动作来提高性能和鲁棒性。实施例协调机制可以提供稳定性和易扩展性,以便例如容忍来自各种情形或复杂的网络的不准确和/或不完全的信息,例如,不准确的工程参数、缺失的或不准确的UE位置信息等。
实施例的协调机制可以通过结合多个SON主体和大数据的优点来校准、估计以及预测利益信息(例如,不准确的工程参数、UE位置、小区标记、KPIs、KQIs、小区中断检测)。
图11示出了实施例的协调在公共网络中操作的多个SON主体的行为的框架。在一个实施例中,该框架提供一种用于SON的分析辅助、多主体、自学习和自适应的框架。如图所示,实施例框架包括SON管理层、SON智能层以及SON通信层。
SON通信层的不同模块中的主体可以与系统组件(例如,实体网络、进程、UEs、环境、模拟器、数据库、知识库)和/或第三方服务交互。这些模块可以尤其检索用于预处理和/或后处理的相关信息,对系统进行改变,以及更新系统组件或第三方设备的数据库或知识库中的信息。
相同模块中的主体可以实施一个或多个模块相关任务。在一些实施例中,每个任务可以由一个或多个主体执行。SON通信层中的主体可以与其它层(例如,SON智能层、SON管理层)中的主体协作以执行各种任务,尤其包括:与系统、子系统和/或在线/离线模拟器交互,自评估各个主体的性能,选择用于不同类型的任务、动作、情形的最佳执行主体,随时间对在各种情形或条件下用于相同任务的每个竞争主体进行自调整权重和/或置信,从系统的反馈中自学习和/或自培训,使用在线/离线模拟来选择应用于系统的最佳动作并与其他主体竞争,模拟/预测在采取这些动作之前的任何动作(例如,由不同层中的主体所建议的动作)的效果,以及对将要被其它层中的主体使用的相关信息进行预处理或后处理。
SON通信层可包括信息检索主体。信息检索主体可以从系统(例如,用户、实体网络、模拟器、进程、环境)和/或第三方服务(例如,社交网络、云服务、搜索引擎)中检索相关信息(例如,数据、反馈),以便例如监测系统、为其它层中主体收集并提供数据/反馈。不同的信息检索主体可以从一个或多个传感器、探测器(例如,SDN或NFV中的虚拟探测器)、部件/单元/部分、或系统层级、第三方中检索相关信息,并提供整个系统的各种局部或全局视图。一个或多个主体可用于检索相同信息或相似信息,例如,涉及同一部件或层级的信息、同一类型的信息等。信息检索主体还可以供应或更新数据库和/或知识库中的信息,以及向第三方提供服务。
SON通信层还可包括预处理主体。预处理主体可以预处理从一个或多个监测主体检索的信息,以便例如检查离群值、过滤或估计缺失数据以及验证传感器数据。预处理主体可以对由其它层中的主体生成的信息进行后处理。预处理主体可以使用一种或多种方法来提取和验证关于系统的各种层级或各种类型的信息(例如,统计数据)。预处理主体可用于检索相同信息或相似信息,例如,涉及相同部件或相同层级的信息、相同类型的信息等。
SON通信层还可包括致动主体。致动主体可以执行相关动作以便对系统进行改变,例如,将新配置应用于系统、检索新版本的软件、将相关信息记录到数据库中以及调度监测主体进行运行。致动主体还可以与不同模块和不同层中的主体协作以执行各种任务,尤其包括:为不同情况或系统的不同状态/条件选择适当的控制策略或主体、通过在线/离线模拟来适应新类型的情形/条件、评估主体采取的动作的性能、以及基于历史动作和/或性能来学习和适应。
SON智能层的不同模块中的主体可使用各种方法(例如,机器学习、人工智能、统计、优化、专家系统)来分析信息,检测/诊断系统问题,查明根本原因,做出预测或决策,以及优化、控制并适应系统。SON智能层中的主体可以与SON通信层中的主体交互,以便与实体/模拟网络进行通信。该层的主体可以与其它层中的主体协作以执行各种任务,例如,评估每个主体的性能,选择用于特定类型的动作、任务、或情形的最佳执行主体,随时间对用于相同任务的每个竞争主体进行自调整权重和/或置信,从系统的反馈中学习,通过合并从系统或第三方的新收集的信息来实时再培训或细化每个主体中使用的模型,使用在线/离线模拟来选择应用于系统的最佳动作并与其他主体竞争,以及模拟/预测在采取这些动作之前任何动作(例如,由不同层中的主体所建议的动作)的效果。在主体、模块和系统级提供智能和适应。同一模块中的每个主体可以使用各种方法(例如,机器学习、统计、人工智能、优化、强化学习、专家系统)来执行一个或多个模块相关的任务。相同或不同模块和/或相同或不同层中的主体可相互协作和/或协调来执行一个或多个任务,或相互竞争以满足一个或多个局部或全局目标。多个主体可用于执行特定的任务,以便不仅通过共识决策提高性能,而且随时间降低较弱主体的影响。SON智能层中的主体可以容忍来自不同情形或复杂网络的不准确和/或不完全的信息(例如,不准确的工程参数、缺失或不准确的UE位置信息)。
SON智能层可包括自配置主体。自配置主体可执行自规划(例如,获取每个新网络节点的恰当设置)和自部署(例如,准备、安装、认证以及校验每个新网络节点)任务。
SON智能层还可包括自诊断主体。自诊断主体可以主动检测或诊断系统问题,并查明根本原因,例如,小区标记、错误检测/诊断、面向连接的数据(connection orienteddata,COD)、SON中待调整的小区识别等等。自诊断主体可以与各层中的其它模块中的主体(例如,自配置、自优化、自修复以及自预测)协作以执行上下文相关的任务。
SON智能层还可包括自预测主体。自预测主体可使用各种方法来执行估计、校准以及预测任务,例如,校准不准确的工程参数、估计UE位置、以及预测KPIs/KQIs/通信量等等。
SON智能层还可包括自优化主体。自优化主体可以基于来自环境的反馈(例如,在采取动作之后的KPIs/KQIs或MR的变化),在各种情形(例如,网络的不同操作状态)中自动采取适当的动作(例如,RF配置的改变)以实现一个或多个目标(例如,更好的性能、更低的CAPEX)。
自优化主体可以与其他模块或层中的主体协作以在对实体网络采取动作之前经由一个或多个模拟器进行各种在线或离线模拟,以便例如通过模拟找到最佳动作并与其他主体竞争、调查由其它主体建议的动作的效果等。
SON智能层还可包括自修复主体。自修复主体可以执行适当的动作(例如,改变网络设置)以保持系统可操作和/或防止出现破坏性问题。当识别出问题时,自修复主体可以由自诊断主体触发。
SON管理层中的主体使用各种方法、工具、指标和/或标准(例如,机器学习、人工智能、强化学习、概率与统计、优化、专家系统)来随时间监测系统或子系统的特定状态下的SON智能层中的主体的性能,以及评估或评分这些主体的性能,并且基于类似的条件、状态或情形下的以往性能,调整它们的权重和/或优先级和/或置信水平。
SON管理层中的主体可以与其他层中的一个或多个主体协作以执行上下文相关的任务,例如,克服针对特定任务依赖单个智能或通信主体的缺点,实现相比单独使用这些主体情况下更好的整体性能,动态地识别最佳执行智能主体/方法,通过使用主体性能评估和基于性能的共识来提供准确的结果,以及基于性能的先前经验和递归评估以上下文相关的方式来适配对不同主体的依赖。SON管理层中的主体还可以与用户交互以管理不同层中的主体、标准、指标、策略、政策、可调参数、设置、偏好、工具和方法。同一模块中的每个主体可以执行一个或多个模块相关的任务。各层中的相同或不同模块中的主体可以相互协作和/或协调以执行一个或多个任务。SON管理层中的主体可以与不同层中的主体协作来进行自学习、自管理和自适应结构或环境中的任何新类型的情形或新变化,该结构或环境并未在之前被考虑或预期过(例如,在设计或早期阶段未被主体考虑过的情形或条件,未包含在知识库中的规则或条件),以实现普遍性、鲁棒性和适应性。
SON管理层可包括决策主体。决策主体可以和/或其它层中的主体协作来作出决策(例如,选择最佳执行主体、结合来自多个主体的决策/动作)并执行上下文相关的任务(例如,信息检索、预处理、致动、自-x)。主体可以使用各种机器学习、统计、人工智能、SON技术、方法或标准做决策,例如,来自多个主体的多数票数、加权共识、基于贝叶斯概率的策略、强化学习、在一个时段内每个主体的以往性能历史、门限、概率(例如,默察波利斯标准)等等。决策主体可以使用在线/离线模拟、知识库和/或第三方服务来学习不同情形下的用于不同主体的最佳决策,模拟/预测正在或将要用于不同层中的主体的决策的效果等等。决策可以在各种情况下针对各种任务在各种级别中执行,例如,系统级(例如,由全部主体建议的整个方案的整体决策)、子系统级(例如,由主体的全部或子集建议的方案的子集或方案的组成部分的子集的决策)、方案的每个组成部分的级别(例如,方案可以包括30个小区的功率建议,可以在小区级别对全部主体建议的全部方案做出决策)。
SON管理层还可包括性能评估主体。基于随时间变化的相关信息(例如,系统的实时反馈、在先信息、以往历史、在线/离线模拟、运营商的政策或偏好、第三方信息),性能评估主体可以和/或其它层中的主体协作以在系统的各种情形或状态下动态地再评估每个主体或策略的性能。主体可以使用各种机器学习、统计、人工智能、SON技术、方法或标准来进行性能评估,例如,瞬时性能奖励或惩罚、随时间累积的奖励/惩罚、强化学习、基于贝叶斯概率的策略、门限、概率(例如,默察波利斯标准)等等。性能评估主体可以使用在线/离线模拟、知识库和/或第三方服务来评估在各种情况下针对各种任务的各种主体的性能,模拟/预测正在或将要用于不同层中的主体的性能评估的效果等。
性能评估主体还可以与其他主体(例如,决策主体、预处理/在后处理主体、模拟器)协作,以便例如在试用期评估其它主体的性能,例如,在将新主体加入到工作主体库中之前,评估新主体连同在不同情况下执行各种任务的其他工作主体的性能。性能评估主体还可以与其他主体协作来处理系统的反馈、相应地计算奖励/惩罚(例如,性能主体可以根据系统的反馈以及决策执行主体从全部主体中选择的方案和每个主体建议的方案之间的相似性来计算奖励/惩罚),并提供相关信息(例如,无论来自系统的反馈/增益是正的还是负的,提出错误建议的主体总是负增益/反馈)给各种主体作为用于学习和更新其模型的反馈(例如,一些主体可能需要记住并从系统反馈的以往历史中学习,以便为新方案做出更好的决策)。可以在各种情况下针对各种任务在各种级别执行性能评估,例如,系统级(例如,由每个主体建议的整个方案的整体评估)、子系统级(例如,由每个主体建议的方案的子集或方案的组成部分的子集的评估)、方案的每个组成部分的级别(例如,方案可包括30个小区的电调下倾角(eTilt)建议,可以在小区级别对每个主体执行评估)。
SON管理层还可包括自学习主体。自学习主体可以和/或各种SON层中的主体协作,进而通过合并从系统、模拟网络或第三方新收集的信息来实时更新、再培训或细化不同层中的主体使用的模型(例如,更新模拟器中使用的传播模型,再培训预测、分类或聚类模型)。主体可以使用各种机器学习、统计、人工智能、SON技术、方法或标准进行自学习。自学习主体可以使用在线/离线模拟、知识/数据库和/或第三方服务来学习用于各种类型的情形、条件或任务的最佳动作、策略或主体模型,并模拟/预测/评估正在或将要用于不同层中的主体的任意集合的策略、规则、设置或可调参数(例如,权重、置信、先验概率、惩罚/奖励)的效果。
SON管理层还可包括自适应主体。自适应主体可以和/或不同层中的主体协作来进行自学习、自管理和自适应环境中的任何新类型的情形或新变化,该环境并未在之前被考虑或预期过(例如,在设计或早期阶段未被主体考虑过的情形或条件,未包含在知识库中的规则或条件),以实现普遍性和鲁棒性。自适应主体可使用在线/离线模拟、知识库和/或第三方服务来学习用于新类型的情形或条件的最佳动作、策略或主体,并模拟/预测不同层中的主体正在或将要使用的任意集合的权重、置信或策略的效果。
SON管理层还可包括用户界面主体。用户界面主体可以提供允许用户(例如,运营商、API开发者)与各种SON层中的主体交互的界面(例如,GUI、网络/移动应用、API)。这些主体可以向用户提供创建、读取、更新、删除(CRUD)功能,以允许用户创建、修改或移除由各种主体使用的标准、政策、方法和/或设置,以及指定可调参数的值,并且指定相关主体从其开始的先验概率、初始置信/权重或奖励/惩罚。
图12示出了实施例的适配生成替代结果之间的折中结果的控制器1200的框图。如图所示,实施例的控制器1200包括一个或多个入接口1201、一个或多个出接口1202、替代结果生成器1210和折中结果生成器1240。一个或多个入接口1201可被配置为从无线网络中的设备(例如,APs)接收信息(例如,测量报告等),一个或多个出接口1202可被配置为向无线网络中的设备(例如,APs)发送结果或指令。替代结果生成器1210可以包括硬件和/或软件,该硬件和/或软件被适配为至少部分地基于在一个或多个入接口1201接收的信息,利用替代SON技术1222,1224,1232,1234生成替代结果。SON技术1222,1224,1232,1234可以利用不同的策略和/或依赖不同类型的信息来生成与其对应的结果。折中结果生成器1240可以包括硬件和/或软件,该硬件和/或软件被适配为获取由替代结果生成器1210生成的替代结果之间的折中结果。折中结果生成器1240可以使用信誉分配单元1252为存储在信誉存储库中的SON技术1222,1224,1232,1234分配和/或更新信誉值。折中结果生成器1240可以使用加权平均单元1262、多数原则单元1264和加权共识单元1266中的一个单元基于为SON技术1222,1224,1232,1234分配的信誉值,计算替代结果之间的折中结果。如上所述,实施例的控制器1200的组件可以是硬件、软件或两者的结合。每个组件可以被称为单元或模块。在一个实施例中,实施例的控制器1200的一个或多个组件是集成电路,例如,现场可编程门阵列(field programmable gate arrays,FPGAs)或特定集成电路(application-specificintegrated circuits,ASICs)。
图13示出了实施例的实施本文描述方法的处理系统1300的框图,该处理系统可以被安装在主机设备中。如图所示,处理系统1300包括处理器1304、存储器1306和接口1310-1314,其可以(或可以不)布置为如图13所示。处理器1304可以是适配为执行计算和/或其他处理相关的任务的任何组件或组件的集合,存储器1306可以是适配为存储由处理器1304执行的程序和/或指令的任何组件或组件的集合。在一个实施例中,存储器1306包括非临时性计算机可读介质。接口1310,1312,1314可以是允许处理系统1300与其他设备/组件和/或用户通信的任何组件或组件的集合。例如,接口1310,1312,1314中的一个或多个接口可以被适配为将数据、控制或管理消息从处理器1304传送到安装在主机设备和/或远程设备上的应用。再如,接口1310,1312,1314中的一个或多个接口可以被适配为允许用户或用户设备(例如,个人计算机(personal computer,PC)等)与处理系统1300交互/通信。处理系统1300可以包括图13中未示出的附加组件,例如,长期存储器(例如,非易失性存储器等)。
在一些实施例中,处理系统1300被包含在正在接入通信网络或以其他方式成为通信网络的部分的网络设备中。在一个示例中,处理系统1300位于无线或有线通信网络中的网络侧设备中,例如,基站、中继站、调度器、控制器、网关、路由器、应用服务器或通信网络中的任何其他设备。在其它示例中,处理系统1300位于接入无线或有线通信网络中的用户侧设备中,例如,移动站、用户设备(UE)、个人计算机(PC)、平板电脑、可穿戴通信设备(例如,智能手表等)或适配为接入通信网络的任何其他设备。
在一些实施例中,接口1310,1312,1314中的一个或多个接口将处理系统1300连接到被适配为通过通信网络发送和接收信令的收发机。图14示出了被适配为通过通信网络发送和接收信令的收发机1400的框图。收发机1400可以被安装在主机设备中。如图所示,收发机1400包括网络侧接口1402、耦合器1404、发射机1406、接收机1408、信号处理器1410和设备侧接口1412。网络侧接口1402可以包括被适配为通过无线或有线通信网络发送和接收信令的任何组件或组件的集合。耦合器1404可以包括被适配为促进通过网络侧接口1402的双向通信的任何组件或组件的集合。发射器1406可以包括被适配为将基带信号转换成适合于通过网络侧接口1402传输的调制载波信号的任何组件或组件集合(例如,上变频器、功率放大器等)。接收器1408可以包括被适配为将通过网络侧接口1402接收的载波信号转换成基带信号的任何组件或组件的集合(例如,下变频器、低噪声放大器等)。信号处理器1410可以包括被适配为将基带信号转换为适合于通过设备侧接口1412进行通信的数据信号的任何组件或组件集合,反之亦然。设备侧接口1412可以包括被适配为在信号处理器1410和主机设备内的组件(例如,处理系统1300、局域网(local area network,LAN)端口等)之间传送数据信号的任何组件或组件集合。
收发机1400可以通过任何类型的通信介质发送和接收信令。在一些实施例中,收发机1400通过无线介质发送和接收信令。例如,收发机1400可以是被适配为根据无线通信协议进行通信的无线收发机,例如蜂窝协议(例如,长期演进(LTE)等)、无线局域网(wireless local area network,WLAN)协议(例如,Wi-Fi等)或任何其它类型的无线协议(例如,蓝牙,近场通信(near field communication,NFC)等)。在这种实施例中,网络侧接口1402包括一个或多个天线/辐射元件。例如,网络侧接口1402可以包括被配置用于多层通信的单个天线、多个分离的天线、或多天线阵列,例如单输入多输出(single inputmultiple output,SIMO)、多输入单输出(multiple input single output,MISO)、多输入多输出(multiple input multiple output,MIMO)等。在其他实施例中,收发机1400通过有线介质发送和接收信令,例如,双绞线电缆、同轴电缆、光纤等。特定的处理系统和/或收发机可以利用图示的所有组件或组件的子集,且集成程度可以随设备而变化。
在一个实施例中,系统包括接收装置,用于在第一时段,从无线网络中的设备接收信息;以及预测装置,用于利用替代预测技术预测未来时段内在无线网络中的替代值,其中该替代值中的至少一些替代值与其他替代值不相同。该系统还包括计算装置,用于基于替代预测技术的信誉值,计算替代值之间的折中值,其中折中值用于适配未来时段无线网络中的一个或多个接入点的无线配置参数。在一个实施例中,该系统还包括分配装置,用于基于由替代预测技术生成的在先的预测结果的效力,为替代预测技术分配信誉值。在一个实施例中,该分配装置还用于通过当给定的替代预测技术预测的值被认为已落入实际值的门限时,增大给定的替代预测技术的信誉值,来基于由替代预测技术生成的在先的诊断的效力,为替代预测技术分配信誉值。在一个实施例中,该系统包括计算装置,用于通过计算替代值的加权平均数,基于替代预测技术的信誉值来计算替代值之间的折中值,其中应用于替代值的权重基于相应的预测技术的信誉值,以及通过基于替代值的加权平均数来设置折中值。
说明本专利文件通篇使用的某些词语和短语的定义可能是有利的。术语“包括”和“包含”及其派生词表示包括但不限定。术语“或”是包含的,表示和/或。短语“与……相关”和“与其相关”及其派生词表示包括、包括在其内、与其互连、包含、包含在其内、连接到或与……连接,耦合到或与……耦合、与……可通信、与……合作、交织、并置、接近、结合到……或与……结合、具有、具有……的属性等等。
虽然已经详细描述了本发明,但应理解,在不脱离由所附权利要求书限定的本公开的精神和范围的情况下,可以进行各种改变、替换和更改。此外,本公开的范围不旨在限于本文所描述的特定实施例,因为本领域的普通技术人员将从本公开容易地理解,目前存在的或未来开发的过程、机器、制造、物质组成、装置、方法或步骤可以执行与本文描述的相应实施例基本相同的功能或实现基本相同的结果。因此,所附权利要求书旨在将这些过程、机器、制造、物质组成、装置、方法或步骤包括在其范围内。本发明的实施例具体包括被配置为执行所描述的步骤的装置和系统,具体包括诸如磁盘、光盘以及包括存储器的存储介质等的非临时性计算机可读介质的制造品,该存储介质包括计算机指令,当由一个或多个处理器执行该计算机指令时该非临时性计算机可读介质的制造品执行在说明书中描述和在附图中示出的操作。所有这些实施例和权利要求,尤其是包括非临时性计算机可读介质的实施例和权利要求,均特别地排除信号。
以下参考文献与本申请的主题相关。这些参考文献中的每一篇通过引用全文结合在本申请中:
题为“监测、故障诊断、容错控制和优化:数据驱动方法(Monitoring,FaultDiagnosis,Fault Tolerant Control and Optimization:Data Driven Methods)”的出版物
题为“监测、分析和诊断具有基于主体的系统的分布进程(Monitoring,Analysisand Diagnosis of Distributed Processes with Agent-Based Systems)”的出版物
尽管已经参考示例性实施例描述了本发明,但是该描述并不旨在以限制的意义来解释。说明性实施例的各种修改和组合以及本发明的其他实施例对于本领域技术人员在参考该描述时将是显而易见的。因此,所附权利要求书旨在涵盖任何这样的修改或实施例。
Claims (20)
1.一种非临时性计算机可读介质,所述非临时性计算机可读介质用于存储由处理器执行的程序,所述程序包括指令用于:
在第一时段,从无线网络中的设备接收信息;
基于在所述第一时段接收的所述信息,利用替代自优化技术生成所述无线网络的替代优化方案,其中所述替代优化方案中的至少一些替代优化方案指示用于调整所述无线网络的一个或多个无线配置参数的不同值;
基于生成每个替代优化方案的替代自优化技术的信誉值,计算所述替代优化方案之间的折中方案;以及
向所述无线网络中的一个或多个接入点发送所述折中方案,所述折中方案用于在第二时段在所述无线网络中使用。
2.如权利要求1所述的非临时性计算机可读介质,其中,所述替代优化方案的至少一些替代优化方案是基于在所述第一时段生成的不同类型的信息生成的。
3.如权利要求1或2所述的非临时性计算机可读介质,其中,所述程序还包括指令用于:
基于由所述替代自优化技术生成的在先的优化方案的效力,为所述替代自优化技术分配信誉值。
4.如权利要求1至3中任一项所述的非临时性计算机可读介质,其中,所述基于由所述替代自优化技术生成的在先的优化方案的效力,为该替代自优化技术分配信誉值的指令包括指令具体用于:
当在所述无线网络中执行由给定的自优化技术生成的在先的优化方案,或执行由所述在先的优化方案指定的参数调整,提高了相应的质量或性能指标时,增大所述给定的自优化技术的信誉值;以及
当在所述无线网络中执行所述在先的优化方案,或执行由所述在先的优化方案指定的参数调整,降低了对相应的质量或性能指标的影响时,减小所述给定的自优化技术的信誉值。
5.如权利要求1至4中任一项所述的非临时性计算机可读介质,其中,所述基于替代自优化技术的信誉值,计算所述替代优化方案之间的折中方案的指令包括指令具体用于:
基于所述相应的替代自优化技术的信誉值,计算由所述替代优化方案指定的无线配置参数的值的加权平均数,其中,相比具有较低信誉值的替代自优化技术生成所述替代优化方案的值,具有较高信誉值的替代自优化技术生成所述替代优化方案的值被分配更大的权重;以及
基于所述替代优化方案指定的值的加权平均数,设置所述折中方案以调整所述无线配置参数。
6.如权利要求1至5中任一项所述的非临时性计算机可读介质,其中,所述基于替代自优化技术的信誉值,计算所述替代优化方案中的折中方案的指令包括指令具体用于:
确定所述替代优化方案中的大多数或极少数的替代优化方案要增大、减小还是保持无线配置参数的值;
当所述替代优化方案中的大多数或极少数的替代优化方案要增大所述无线配置参数时,设置所述折中方案以增大所述无线配置参数;
当所述替代优化方案中的大多数或极少数的替代优化方案要减小所述无线配置参数时,设置所述折中方案以减小所述无线配置参数;以及
当所述替代优化方案中的大多数或极少数的替代优化方案要保持所述无线配置参数的值时,设置所述折中方案以保持所述无线配置参数的值。
7.如权利要求1至6中任一项所述的非临时性计算机可读介质,其中,所述基于替代自优化技术的信誉值,计算所述替代优化方案中的折中方案的指令包括指令具体用于:
基于用于生成所述每个替代优化方案的所述相应的替代自优化技术的所述信誉值,为所述替代优化方案分配加权票数,其中,相比具有较低信誉值的替代自优化技术生成的替代优化方案,具有较高信誉值的替代自优化技术生成的替代优化方案被分配更多的加权票数;
确定所述替代优化方案中的加权的大多数或加权的极少数替代优化方案要增大、减小还是保持给定的无线配置参数的值;
当所述替代优化方案中的加权的大多数或加权的极少数替代优化方案要增大所述给定的无线配置参数时,设置所述折中方案以增大所述给定的无线配置参数;
当所述替代优化方案中的加权的大多数或加权的极少数替代优化方案要减小所述给定的无线配置参数时,设置所述折中方案以减小所述给定的无线配置参数;
当所述替代优化方案中的加权的大多数或加权的极少数替代优化方案要保持所述给定的无线配置参数的值时,设置所述折中方案以保持所述给定的无线配置参数的值。
8.如权利要求1至7中任一项所述的非临时性计算机可读介质,其中,所述替代自优化技术中的至少一些替代自优化技术与其他替代自优化技术具有不相同的信誉值。
9.一种装置,包括:
处理器;以及
非临时性计算机可读介质,所述非临时性计算机可读介质用于存储由处理器执行的程序,所述程序包括指令用于:
在第一时段,从无线网络中的设备接收信息;
基于从所述设备接收的所述信息,利用替代诊断技术生成替代诊断结果,其中所述替代诊断结果中的至少一些替代诊断结果指示质量或性能问题的不同潜在原因;以及
基于为所述替代自诊断技术分配的信誉值,计算所述替代诊断技术之间的折中诊断结果。
10.如权利要求9所述的装置,其中,所述折中诊断结果用于在第二时段重新配置所述无线网络中的一个或多个接入点,以便至少部分地减轻质量或性能问题。
11.如权利要求9或10所述的装置,其中,所述替代诊断结果中的至少一些替代诊断结果是基于所述第一时段生成的不同类型的信息而生成的。
12.如权利要求9至11中任一项所述的装置,其中,所述程序进一步包括指令用于:
基于由所述替代自诊断技术生成的在先的诊断结果的效力,为所述替代自诊断技术分配信誉值。
13.如权利要求9至12中任一项所述的装置,其中,基于所述在先的诊断结果的所述效力,为所述替代自诊断技术分配所述信誉值的所述指令包括指令具体用于:
当给定的替代诊断技术生成的在先的诊断结果被认为正确识别出所述质量或性能问题的潜在原因时,增大所述给定的替代诊断技术的信誉值;以及
当所述给定的替代诊断技术生成的在先的诊断结果被认为未能识别出所述质量或性能问题的潜在原因时,减小所述给定的替代诊断技术的所述信誉值。
14.如权利要求9至13中任一项所述的装置,其中,基于所述替代技术的所述信誉值,计算所述替代诊断结果之间的所述折中诊断结果的所述指令包括指令具体用于:
设置所述折中诊断结果以识别所述替代诊断结果中的大多数或极少数替代诊断结果指示的质量或性能问题的原因。
15.如权利要求9至14中任一项所述的装置,其中,基于所述替代自诊断技术的所述信誉值,计算所述替代诊断结果之间的所述折中诊断结果的所述指令,包括指令具体用于:
基于所述相应的替代自诊断技术的信誉值,为每个替代诊断结果分配加权票数,其中相比具有较低信誉值的替代自诊断技术生成的替代诊断结果,具有较高信誉值的替代自诊断技术生成的替代诊断结果被分配更多的加权票数;以及
设置所述折中诊断结果以识别所述替代诊断结果中的加权的大多数或加权的极少数替代诊断结果指示的所述质量或性能问题的潜在原因。
16.如权利要求9至15中任一项所述的装置,其中,所述替代自诊断技术中的至少一些替代自诊断技术与其他替代自诊断技术具有不相同的信誉值。
17.一种方法,包括:
在第一时段,从无线网络中的设备接收信息;
利用替代预测技术预测所述无线网络的未来时段的替代值,其中所述替代值中的至少一些替代值与其他替代值不相同;以及
基于所述替代预测技术的信誉值,计算所述替代值之间的折中值,其中所述折中值用于适配在所述未来时段所述无线网络中的一个或多个接入点的无线配置参数。
18.如权利要求17所述的方法,进一步包括:
基于所述替代预测技术生成的在先的预测结果的效力,为所述替代预测技术分配信誉值。
19.如权利要求17或18所述的方法,其中,基于所述替代预测技术生成的所述在先的诊断的所述效力,为所述替代预测技术分配所述信誉值包括:
当给定的替代预测技术预测的值被认为已落入实际值的门限时,增大所述给定的替代预测技术的信誉值。
20.如权利要求17至19中任一项所述的方法,其中,基于所述替代预测技术的所述信誉值,计算所述替代值之间的所述折中值,包括:
计算所述替代值的加权平均数,其中,适用于所述替代值的权重基于所述对应预测技术的信誉值;以及
基于所述替代值的加权平均数,设置所述折中值。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562103452P | 2015-01-14 | 2015-01-14 | |
US62/103,452 | 2015-01-14 | ||
US14/994,942 | 2016-01-13 | ||
US14/994,942 US10200884B2 (en) | 2015-01-14 | 2016-01-13 | Analytics-assisted, multi-agents, self-learning, self-managing, flexible and adaptive framework for intelligent SON |
PCT/CN2016/070866 WO2016112858A1 (en) | 2015-01-14 | 2016-01-14 | Analytics-assisted, multi-agents, self-learning, self-managing, flexible and adaptive framework for intelligent son |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107211294A true CN107211294A (zh) | 2017-09-26 |
Family
ID=56368507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680005848.0A Pending CN107211294A (zh) | 2015-01-14 | 2016-01-14 | 智能自组织网络的分析辅助、多主体、自学习、自管理、易扩展和自适应的框架 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10200884B2 (zh) |
EP (1) | EP3241379B1 (zh) |
CN (1) | CN107211294A (zh) |
WO (1) | WO2016112858A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109980367A (zh) * | 2019-03-28 | 2019-07-05 | 中国人民解放军陆军工程大学 | 具有快速自修复能力的阵列天线及其自修复方法 |
CN110139325A (zh) * | 2018-02-09 | 2019-08-16 | 华为技术有限公司 | 一种网络参数调优方法及装置 |
CN110865544A (zh) * | 2018-08-27 | 2020-03-06 | 格力电器(武汉)有限公司 | 智能家居系统连接关系的预测方法和装置 |
CN113556287A (zh) * | 2021-06-15 | 2021-10-26 | 南京理工大学 | 一种基于多智能体强化学习的软件定义网络路由方法 |
Families Citing this family (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107534570B (zh) * | 2015-06-16 | 2021-08-24 | 慧与发展有限责任合伙企业 | 用于虚拟化网络功能监控的计算机系统、方法和介质 |
US10219261B2 (en) | 2015-12-08 | 2019-02-26 | At&T Mobility Ii Llc | Method and apparatus for transmitting a control signal to a self organizing network controller |
US9756518B1 (en) * | 2016-05-05 | 2017-09-05 | Futurewei Technologies, Inc. | Method and apparatus for detecting a traffic suppression turning point in a cellular network |
US10671928B2 (en) | 2016-08-30 | 2020-06-02 | International Business Machines Corporation | Adaptive analytical modeling tool |
EP3507941B1 (en) * | 2016-09-02 | 2022-11-16 | Nokia Technologies Oy | Method and apparatus for providing cognitive functions and facilitating management in cognitive network management systems |
US10515318B2 (en) * | 2016-09-30 | 2019-12-24 | Fortinet, Inc. | Automated resolution of Wi-Fi connectivity issues over SMS |
US11503478B2 (en) * | 2016-12-27 | 2022-11-15 | Ambeent Inc. | Method and system for managing a plurality of Wi-Fi access points using a cloud based adaptive software defined network |
US10361922B2 (en) | 2017-01-31 | 2019-07-23 | Sprint Communications Company L.P. | Software defined network (SDN) proxy correlation index (PCI) data-plane control |
CN106899595B (zh) * | 2017-02-28 | 2018-06-29 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 基于强化学习的不完全信息网络安全分析方法及装置 |
US20180315001A1 (en) * | 2017-04-26 | 2018-11-01 | Hrb Innovations, Inc. | Agent performance feedback |
US10313193B1 (en) | 2017-06-29 | 2019-06-04 | Sprint Communications Company L.P. | Software defined network (SDN) proxy correlation index (PCI) information distribution across an SDN data-plane |
US10506616B2 (en) | 2017-08-04 | 2019-12-10 | Charter Communications Operating, Llc | Prioritizing preferred networks |
US11160003B2 (en) * | 2017-08-04 | 2021-10-26 | Charter Communications Operating, Llc | Connecting to a wireless network based on a device mobility state |
US11109290B2 (en) | 2017-08-04 | 2021-08-31 | Charter Communications Operating, Llc | Switching connections over frequency bands of a wireless network |
US10785101B2 (en) * | 2017-08-23 | 2020-09-22 | Futurewei Technologies, Inc. | Automatically optimize parameters via machine learning |
US10701546B2 (en) | 2017-10-06 | 2020-06-30 | Cisco Technology, Inc. | Redrawing roaming boundaries in a wireless network |
US10728773B2 (en) * | 2018-01-26 | 2020-07-28 | Verizon Patent And Licensing Inc. | Automated intelligent self-organizing network for optimizing network performance |
WO2019144401A1 (en) | 2018-01-29 | 2019-08-01 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods, apparatuses, computer programs and computer program products for load balancing |
CN110121180B (zh) * | 2018-02-05 | 2020-12-15 | 华为技术有限公司 | 一种数据分析装置、系统及方法 |
US11301776B2 (en) * | 2018-04-14 | 2022-04-12 | International Business Machines Corporation | Memory-based data selection scheme for machine learning training on limited memory resources |
CN112335278A (zh) * | 2018-06-22 | 2021-02-05 | 上海诺基亚贝尔股份有限公司 | 用于网络优化的方法、装置和计算机可读介质 |
US10966108B2 (en) * | 2018-07-11 | 2021-03-30 | Netscout Systems, Inc | Optimizing radio cell quality for capacity and quality of service using machine learning techniques |
US10728954B2 (en) | 2018-08-07 | 2020-07-28 | At&T Intellectual Property I, L.P. | Automated network design and traffic steering |
US11711709B2 (en) | 2018-08-23 | 2023-07-25 | Tracfone Wireless, Inc. | System and process for using cellular connectivity analysis to determine optimal wireless equipment and service for a geographical area |
US11403552B2 (en) | 2018-09-04 | 2022-08-02 | International Business Machines Corporation | Collaborative cognition platform for creating and hosting social machines |
WO2020103443A1 (en) | 2018-11-20 | 2020-05-28 | Huawei Technologies Co., Ltd. | Self-learning home system and framework for autonomous home operation |
US10785664B2 (en) | 2018-12-17 | 2020-09-22 | Loon Llc | Parameter selection for network communication links using reinforcement learning |
US10477418B1 (en) | 2018-12-17 | 2019-11-12 | Loon Llc | Operation of sectorized communications from aerospace platforms using reinforcement learning |
US20220237637A1 (en) * | 2018-12-18 | 2022-07-28 | Meta Platforms, Inc. | Systems and methods for real time crowdsourcing |
US10959137B2 (en) | 2019-02-07 | 2021-03-23 | Cisco Technology, Inc. | Procedures for interaction between the radio controller and the subordinated base station |
US10985969B2 (en) | 2019-02-19 | 2021-04-20 | Juniper Networks, Inc. | Systems and methods for a virtual network assistant |
US11490453B2 (en) * | 2019-05-16 | 2022-11-01 | Apple Inc. | Self-organizing device |
US11321635B2 (en) | 2019-05-29 | 2022-05-03 | United States Of America As Represented By The Secretary Of The Navy | Method for performing multi-agent reinforcement learning in the presence of unreliable communications via distributed consensus |
KR20200138565A (ko) | 2019-05-31 | 2020-12-10 | 삼성전자주식회사 | 통신 네트워크에서 복수의 원격 무선 헤드들을 관리하기 위한 방법 및 장치 |
EP3761561B1 (en) | 2019-07-03 | 2022-09-14 | Hewlett Packard Enterprise Development LP | Self-learning correlation of network patterns for agile network operations |
US11388615B2 (en) * | 2019-08-14 | 2022-07-12 | Cisco Technology, Inc. | Interaction between radio controller platform and third party applications |
US11577859B1 (en) | 2019-10-08 | 2023-02-14 | Rockwell Collins, Inc. | Fault resilient airborne network |
US11551242B2 (en) * | 2019-12-13 | 2023-01-10 | Jpmorgan Chase Bank, N.A. | System and method for providing intelligent dashboards for critical business flows |
US11665531B2 (en) * | 2020-06-05 | 2023-05-30 | At&T Intellectual Property I, L.P. | End to end troubleshooting of mobility services |
US11330451B2 (en) * | 2020-07-20 | 2022-05-10 | Vmware, Inc. | Service aware closed loop uplink power control optimization |
KR20220042928A (ko) | 2020-09-28 | 2022-04-05 | 삼성전자주식회사 | 복수의 액세스 네트워크 장치들에 대한 자동 구성 네트워크를 구현하는 방법 및 이를 수행하는 전자 장치 |
US11074533B1 (en) * | 2020-10-12 | 2021-07-27 | Cognizant Technology Solutions India Pvt. Ltd. | System and method for creating an optimized actionable interface for data access and visualization |
CN112714165B (zh) * | 2020-12-22 | 2023-04-04 | 声耕智能科技(西安)研究院有限公司 | 一种基于组合机制的分布式网络协作策略优化方法和装置 |
US20220210682A1 (en) * | 2020-12-30 | 2022-06-30 | Samsung Electronics Co., Ltd. | SYSTEM AND METHOD FOR ARTIFICIAL INTELLIGENCE (AI) DRIVEN VOICE OVER LONG-TERM EVOLUTION (VoLTE) ANALYTICS |
US11770290B2 (en) | 2021-08-13 | 2023-09-26 | Juniper Networks, Inc. | Network management actions based on access point classification |
US11568345B1 (en) * | 2021-08-20 | 2023-01-31 | Dish Wireless L.L.C. | Cognitive-defined network management |
US11800398B2 (en) | 2021-10-27 | 2023-10-24 | T-Mobile Usa, Inc. | Predicting an attribute of an immature wireless telecommunication network, such as a 5G network |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964985A (zh) * | 2010-09-29 | 2011-02-02 | 中国科学院声学研究所 | 一种lte/lte-a中自组织网络的覆盖与容量自优化装置及其方法 |
US20130122885A1 (en) * | 2011-11-14 | 2013-05-16 | Fujitsu Limited | Parameter setting apparatus and parameter setting method |
CN103139803A (zh) * | 2013-02-07 | 2013-06-05 | 南京邮电大学 | 一种基于多因素的无线传感器网络信任管理模型 |
US20130315077A1 (en) * | 2012-05-24 | 2013-11-28 | Koike-Akino Toshiaki | Reputation-Based Routing and Error-Correction Coding in Ad Hoc Networks |
CN103617569A (zh) * | 2013-12-10 | 2014-03-05 | 积成电子股份有限公司 | 基于质量评价的配网状态估计数据辨识与修正方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140000440A1 (en) * | 2003-01-07 | 2014-01-02 | Alaine Georges | Systems and methods for creating, modifying, interacting with and playing musical compositions |
WO2012176010A2 (en) | 2011-06-21 | 2012-12-27 | Nokia Corporation . | Methods, apparatuses and computer program products for providing an optimized handover preparation and execution operation |
CN105517023B (zh) | 2012-01-19 | 2020-06-26 | 华为技术有限公司 | 评估网络性能的方法和装置 |
WO2015135116A1 (zh) | 2014-03-10 | 2015-09-17 | 华为技术有限公司 | 自组织网络的系统架构以及优化方法 |
-
2016
- 2016-01-13 US US14/994,942 patent/US10200884B2/en active Active
- 2016-01-14 EP EP16737083.2A patent/EP3241379B1/en active Active
- 2016-01-14 WO PCT/CN2016/070866 patent/WO2016112858A1/en active Application Filing
- 2016-01-14 CN CN201680005848.0A patent/CN107211294A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964985A (zh) * | 2010-09-29 | 2011-02-02 | 中国科学院声学研究所 | 一种lte/lte-a中自组织网络的覆盖与容量自优化装置及其方法 |
US20130122885A1 (en) * | 2011-11-14 | 2013-05-16 | Fujitsu Limited | Parameter setting apparatus and parameter setting method |
US20130315077A1 (en) * | 2012-05-24 | 2013-11-28 | Koike-Akino Toshiaki | Reputation-Based Routing and Error-Correction Coding in Ad Hoc Networks |
CN103139803A (zh) * | 2013-02-07 | 2013-06-05 | 南京邮电大学 | 一种基于多因素的无线传感器网络信任管理模型 |
CN103617569A (zh) * | 2013-12-10 | 2014-03-05 | 积成电子股份有限公司 | 基于质量评价的配网状态估计数据辨识与修正方法 |
Non-Patent Citations (1)
Title |
---|
OVIDIU IACOBOAIEA等: "SON Coordination for parameter conflict resolution: A reinforcement learning framework", 《2014 IEEE WIRELESS COMMUNICATIONS AND NETWORKING CONFERENCE WORKSHOPS (WCNCW)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110139325A (zh) * | 2018-02-09 | 2019-08-16 | 华为技术有限公司 | 一种网络参数调优方法及装置 |
CN110139325B (zh) * | 2018-02-09 | 2021-08-13 | 华为技术有限公司 | 一种网络参数调优方法及装置 |
US11240103B2 (en) | 2018-02-09 | 2022-02-01 | Huawei Technologies Co., Ltd. | Network parameter optimization method and apparatus |
CN110865544A (zh) * | 2018-08-27 | 2020-03-06 | 格力电器(武汉)有限公司 | 智能家居系统连接关系的预测方法和装置 |
CN109980367A (zh) * | 2019-03-28 | 2019-07-05 | 中国人民解放军陆军工程大学 | 具有快速自修复能力的阵列天线及其自修复方法 |
CN109980367B (zh) * | 2019-03-28 | 2020-12-29 | 中国人民解放军陆军工程大学 | 具有快速自修复能力的阵列天线及其自修复方法 |
CN113556287A (zh) * | 2021-06-15 | 2021-10-26 | 南京理工大学 | 一种基于多智能体强化学习的软件定义网络路由方法 |
CN113556287B (zh) * | 2021-06-15 | 2022-10-14 | 南京理工大学 | 一种基于多智能体强化学习的软件定义网络路由方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3241379B1 (en) | 2020-09-16 |
EP3241379A4 (en) | 2018-02-07 |
US20160205697A1 (en) | 2016-07-14 |
US10200884B2 (en) | 2019-02-05 |
WO2016112858A1 (en) | 2016-07-21 |
EP3241379A1 (en) | 2017-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107211294A (zh) | 智能自组织网络的分析辅助、多主体、自学习、自管理、易扩展和自适应的框架 | |
EP3635505B1 (en) | System and method for deep learning and wireless network optimization using deep learning | |
US10375585B2 (en) | System and method for deep learning and wireless network optimization using deep learning | |
CN110786046B (zh) | 使用深度学习优化蜂窝网络 | |
Fourati et al. | A survey of 5G network systems: challenges and machine learning approaches | |
EP3847841B1 (en) | Procedure for optimization of self-organizing network | |
Onireti et al. | A cell outage management framework for dense heterogeneous networks | |
Angjo et al. | Handover management of drones in future mobile networks: 6G technologies | |
WO2016150395A1 (en) | Adaptive, anomaly detection based predictor for network time series data | |
CN107113635A (zh) | 用于确定小区状态以调整天线配置参数的方法和装置 | |
Khatib et al. | Diagnosis based on genetic fuzzy algorithms for LTE self-healing | |
US20230015965A1 (en) | Systems and methods for performing simulations at a base station router | |
Xu et al. | Data-cognition-empowered intelligent wireless networks: Data, utilities, cognition brain, and architecture | |
US20210076229A1 (en) | Executing analysis and management of a mobile communication network based on performance information, configuration information and environmental information | |
Asghar et al. | Towards proactive context-aware self-healing for 5G networks | |
Qureshi et al. | Towards addressing training data scarcity challenge in emerging radio access networks: A survey and framework | |
EP4156631A1 (en) | Reinforcement learning (rl) and graph neural network (gnn)-based resource management for wireless access networks | |
CN109993185A (zh) | 无线信令分析方法、装置、计算设备及存储介质 | |
Adeel et al. | Performance analysis of random neural networks in lte-ul of a cognitive radio system | |
Ju et al. | A joint jamming detection and link scheduling method based on deep neural networks in dense wireless networks | |
CN112913274B (zh) | 用于自组织网络的优化的过程 | |
US20220131764A1 (en) | Method of controlling state control parameter for adjusting state of network of base station by using any one of plurality of models and electronic device performing the method | |
WO2024067281A1 (zh) | Ai模型的处理方法、装置及通信设备 | |
EP4195791A1 (en) | Selection of power control parameters | |
Asghar | Design and evaluation of self-healing solutions for future wireless networks |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170926 |
|
WD01 | Invention patent application deemed withdrawn after publication |