CN108293005A - 用于共享状态相关信息的方法和设备 - Google Patents
用于共享状态相关信息的方法和设备 Download PDFInfo
- Publication number
- CN108293005A CN108293005A CN201680067656.2A CN201680067656A CN108293005A CN 108293005 A CN108293005 A CN 108293005A CN 201680067656 A CN201680067656 A CN 201680067656A CN 108293005 A CN108293005 A CN 108293005A
- Authority
- CN
- China
- Prior art keywords
- equipment
- parameter
- state
- model
- information
- 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
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
- H04L41/0816—Configuration setting characterised by the conditions triggering a change of settings the condition being an adaptation, e.g. in response to network events
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L5/00—Arrangements affording multiple use of the transmission path
- H04L5/003—Arrangements for allocating sub-channels of the transmission path
- H04L5/0058—Allocation criteria
- H04L5/006—Quality of the received signal, e.g. BER, SNR, water filling
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Mobile Radio Communication Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及用于在多个电子设备当中共享状态相关信息的方法和设备,并且更具体地,涉及用于基于在多个电子设备当中共享的信息来预测设备的状态的方法和设备。为了实现该目的,根据本发明实施例,用于共享设备的状态相关信息的方法包括以下步骤:基于状态相关数据生成设备的状态模型;基于所生成的状态模型来选择用于确定设备的状态的一个或多个参数;以及将一个或多个所选择的参数发送到至少一个其他设备。
Description
技术领域
本发明涉及一种用于在多个电子设备之间共享状态信息的方法和装置,并且更具体地,涉及一种用于基于在多个电子设备当中共享的信息来预测设备的状态的方法和装置。
背景技术
最近,随着移动通信设备的增加以及大数据和云计算技术的使用,业务量已经迅速增加。在这种趋势下,低延迟、高吞吐量和安全的端到端通信变得重要。同时,特别地,由于中继这种通信的基站系统(base station system,BSS)装备的作用变得重要,因此正在持续讨论关于连续实时资源分配的分析能力、性能优化、稳定性和异常原因。一般地,为了满足移动通信服务供应商的要求,定义了服务质量(quality of service,QoS)、体验质量(quality of experience,QoE)和服务级别协议(service level agreement,SLA)的值,并且基于它们操作移动通信设备。
在操作移动通信装置时,状态预测是指基于移动通信装置的先前的操作日志信息,预测未来该装置的软件和硬件状态。作为特定示例,移动通信装置中的状态可以包括网络资源分布的状态、电力使用的状态和维持吞吐量连接的状态。
对于性能装置的状态预测,可以收集可以从装置提取的各种元素的传感器数据。例如,统计分析和机器学习技术可以应用到传感器数据,以预测装置的状态。根据数据收集方法,传感器数据可以分类为周期性数据、事件数据和配置数据。例如,装置可以通过周期性地记录关于从软件和硬件提取的元素的信息(诸如温度、功率干扰和资源利用率)来收集周期性数据。例如,装置可以通过将某一元素超过预设阈值的情形配置为事件,来收集事件数据。装置可以通过记录关于固件版本、位置和其小区设置的信息来收集配置数据。
图1a和图1b示出了装置的一定状态的预测模型的使用。
在图1中,为了做出关于状态的预测,装置在学习时段100期间收集数据日志,并且基于所收集的数据日志来生成预测模型110。然后,装置通过将给定时段的数据日志输入到预测模型110中来预测在状态预测时段120期间其的状态。
图1b示出了基于使用预测模型做出关于状态的预测的装置的内部结构来导出预测结果的过程。更具体地,在收集数据日志之后,装置通过建模单元(modeling unit,MU)中的学习阶段和预测单元(prediction unit,PU)中的预测阶段产生预测结果。建模单元和预测单元是基于在本领域中广为人知的机器学习算法,并且机器学习算法包括朴素贝叶斯网络(naive Bayesian network)、支持向量机、和随机森林。根据由列出的算法产生的预测结果的预测准确度可以取决于数据日志的特性和数量而不同。
接下来,给出建模单元和预测单元的描述。
首先,建模单元使用数据和数据类创建模型。数据可以包括原始数据或处理过的数据日志。在本发明中,数据和数据日志可以互换地使用。数据类是指数据的期望输出值。例如,数据类可以是指属于过去的特定时段的数据值的结果值。基于数据类的随机性或确定性模式的数据来生成该模型。
接下来,在生成模型之后,预测单元将新数据日志输入到模型,以产生输出值作为预测结果。也就是说,预测单元使用模型的类决定规则来导出新数据日志的数据类。预测单元也导出预测结果的预测准确度。预测准确度可能根据机器学习算法、数据日志的特性和数量、参数的数量和数据处理精度而不同。通过使用特征工程或特征选择可以改善预测准确度。特别地,随着学习数据日志的数量和参数的数量增加,有可能提取和学习各种模式,从而收集和学习各种参数的数据日志可以提高预测准确度。布置典型机器学习操作的建模、预测和数据类的特征工程或特征选择是本发明的领域中的一般技术,并且不属于本发明的范围,并且将省略其详细描述。
图2示出了应用数据学习和预测模型的特定方法。
更具体地,给出分散式方法和集中式方法的描述,该方法是用于例如学习数据并生成预测模型以产生预测结果的多个基站的方法。
在图2的部分(a)中所示的分散式方法中,每个基站独立地学习生成的数据以生成预测模型,并且基于所生成的预测模型执行数据预测。每个基站还计算预测模型的准确度。也就是说,一个基站不向另一基站发送数据日志或从另一基站接收数据日志。在图2的部分(b)中所示的集中式方法中,每个基站将该处生成的数据日志发送到中央服务器,该中央服务器学习所收集的数据日志并生成预测模型。中央服务器基于预测模型执行数据预测并计算预测模型的准确度。也就是说,新数据日志也被发送到装置并且计算准确度。
更具体地,在分散式方法中,每个装置使用独立收集的数据日志来学习和预测。这使得有可能通过考虑每个装置的特性来创建预测模型,但是为了实际使用需要累积长时间段的数据日志。另外,由于可以通过具有关于数据日志的输出值(即,数据类)的信息来生成模型,所以对于新安装的装置的状态预测可能是不可能的,因为没有累积的数据日志。
在集中式方法中,中央服务器可以从各种基站收集大量的数据日志,并通过使用最近引入的大数据技术达到高的预测准确度。然而,如果根据特定的学习算法数据量增加,则需要更多用于学习的资源。另外,中央服务器的CPU、内存和磁盘容量需求增加;学习时间变长;很难实时地发送预测结果;并且很难在预测模型中反映每个基站的特性。
发明内容
技术问题
鉴于上述问题,已经做出了本发明。因此,本发明的一方面是为了提供一种用于共享状态相关信息的方法,该状态相关信息包括基于具有相似特性的不同的设备之间的设备状态模型而选择的参数。
技术方案
根据本发明的一方面,提供了一种共享设备的状态相关信息的方法。该方法可以包括:基于状态相关数据来生成设备的状态模型;基于所生成的状态模型来选择确定设备的状态的至少一个参数;以及将所选择的至少一个参数发送到至少一个不同的设备。
根据本发明的另一方面,提供了一种能够共享状态相关信息的设备。该设备可以包括:收发器单元,被配置为发送和接收信号;和控制器,被配置为基于状态相关数据来控制生成设备的状态模型,基于所生成的状态模型来选择确定设备的状态的至少一个参数,并且将所选择的至少一个参数发送到一个不同的设备。
发明的有益效果
在本发明的特征中,在具有相似特性的不同的设备当中共享包括基于状态模型而选择的参数的状态相关信息,,而不是全部数据日志。因此,有可能在设备当中使用少量的资源。即使在过去没有发生当前时间点要预测的特定状态,每个设备也可以做出预测。通过学习少量的数据日志可以实现高的预测准确度。另外,一个设备可以将从另一设备接收的状态相关信息与由其生成的状态模型进行组合以产生预测结果。因此,考虑到设备的特性,每个设备可以实时地获得预测结果。
附图说明
图1a和图1b示出了装置的一定的状态的预测模型的使用。
图2示出了应用数据学习和预测模型的特定方法。
图3是示出了根据本发明的实施例的设备的内部结构和操作的框图。
图4示出了根据本发明实施例的在设备的内部组件之间发送和接收的多条信息。
图5a和图5b示出了根据本发明的实施例的共享状态相关信息的设备的分组。
图6a和图6b示出了根据本发明的实施例的产生设备安装状态的预测结果和执行反馈操作。
图7示出了表示预测设备状态的状态模型的曲线图。
图8a、图8b和图8c示出了根据本发明的实施例的用于选择状态模型的要与另一设备共享的参数和确定是否共享状态模型的操作。
图9示出了根据本发明的实施例的确定是否与另一设备共享状态相关信息的操作。
图10示出了根据本发明的实施例的设备基于状态相关信息导出预测结果的操作。
图11示出了根据本发明的实施例的基于预测结果由设备执行的反馈操作。
具体实施方式
在下文中,参照附图详细描述本发明的优选实施例。贯穿附图使用相同或相似的附图标记来指代相同或相似的部分。可以省略公知的功能和结构的描述以避免模糊本发明的主题。
在下文中,参照附图详细描述本发明的优选实施例。贯穿附图使用相同或相似的附图标记来指代相同或相似的部分。众所周知可以省略公知的功能和结构的描述可以被省略以避免模糊本发明的主题。
以下描述集中于包括支持载波聚合的高级E-UTRA(Evolved UniversalTerrestrial Radio Access,演进通用陆地无线接入)(或LTE-A(Advanced Long TermEvolution,高级长期演进))系统的4G通信系统。然而,本领域技术人员应该理解的是,本发明的主题可应用于具有类似技术背景和信道配置的其他通信系统,而不会有偏离本发明的范围的重大修改。例如,本发明的主题可应用于支持载波聚合的多载波HSPA(High SpeedPacket Access,高速分组接入)系统和下一代5G通信系统。
为了清楚和简洁,也可以省略本领域公知的并且不直接涉及本发明的功能和结构的描述,而不会模糊本发明的主题。
在附图中,一些元素被夸大、省略或仅被简要概述,并且因此可能不是按比例绘制的。贯穿附图使用相同或相似的附图标记来指代相同或相似的部分。
根据下面结合附图的详细描述,本发明的方面、特征和优点将更加明显。各种实施例的描述仅被解释为示例性的,并不描述本发明的每个可能的实例。本领域技术人员应该清楚的是,提供本发明的各种实施例的以下描述仅用于说明目的,而不是为了限制由所附权利要求及其等同物限定的本发明的目的。贯穿说明书中使用相同的参考符号来指代相同的部分。
同时,本领域技术人员已知的是,可以由计算机程序指令来表示和运行流程图(或序列图)的框和流程图的组合。这些计算机程序指令可以被加载在通用计算机、专用计算机或可编程数据处理装备的处理器上。当加载的程序指令由处理器运行时,它们创建用于执行流程图中描述的功能的部件。由于计算机程序指令可以存储在可用于专用计算机或可编程数据处理装备中的计算机可读存储器中,因此也可以创建执行流程图中描述的功能的制品。由于计算机程序指令可以加载在计算机或可编程数据处理装备上,所以当作为进程运行时,它们可以执行流程图中描述的功能的步骤。
流程图的块可以对应于包含实现一个或多个逻辑功能的一个或多个可运行指令的模块、段或代码,或其一部分。在一些情况下,由块描述的功能可能会按不同于所列顺序的顺序运行。例如,按顺序列出的两个块可以同时运行或者按相反的顺序运行。
在本说明书中,单词“单元”、“模块”等可以是指能够执行功能或操作的软件组件或硬件组件,诸如FPGA或ASIC。但是,“单元”等不限于硬件或软件。单元等可以被配置为驻留在可寻址存储介质中或者驱动一个或多个处理器。单元等可以是指软件组件、面向对象的软件组件、类组件、任务组件、过程、功能、属性、程序、子例程、程序代码段、驱动、固件、微代码、电路、数据、数据库、数据结构、表格、数组或变量。由组件和单元提供的功能可以是较小的组件和单元的组合,并且可以与其他组件和单元组合以组成较大的组件和单元。组件和单元可以被配置为驱动安全多媒体卡中的设备或一个或多个处理器。
在本说明书中,通过学习过去的各种数据日志来生成确定设备的状态(诸如资源使用状态或电力使用状态)的“状态模型”。当输入一定量或更多的数据日志时,状态模型可以输出未来设备的状态的预测结果。
在本说明书中,“状态相关信息”是指关于确定设备的状态(例如,软件状态或硬件状态)的因素的信息。状态相关信息可以从基于学习状态的数据而生成的状态模型导出。状态相关信息可以包括确定状态的至少一个参数,并且还可以包括指示参数确定状态的程度的权重信息。
在本说明书中,“模型相关信息”可以包括关于在设备中数据日志的特性、算法和用于生成状态模型的参数的信息,或者关于状态模型的准确度的信息。
图3是示出了根据本发明实施例的设备的内部结构和操作的框图。
更具体地,该设备可以包括建模单元310、预测单元320、控制单元330和远程通信单元340。数据日志300可以被输入到设备,并且优化的设备配置信息350可以被输出。也就是说,可以看出,控制单元330被新添加到现有的预测模型方法中。在下文中,为了将设备与通过远程通信单元与设备交换信息的不同的设备或外部设备区分开,包括控制单元330的设备被指代为本地设备,并且另一设备被指代为远程设备。
建模单元310可以从控制单元330学习数据日志以生成本地设备的状态模型。在这种情况下,建模单元310可以使用通过远程通信单元340从远程设备接收的状态相关信息和模型相关信息来生成本地设备的状态模型。
预测单元320可以基于来自控制单元330的预设量或更多的数据日志和至少一个状态模型来产生每个状态模型的预测结果。也就是说,预测单元320可以将接收到的数据日志输入到在本地设备中生成的状态模型和在远程设备中生成的状态模型,以产生每个状态模型的预测结果。
控制单元330可以使得建模单元310和预测单元320一起工作以及通过远程通信单元340与远程设备交换信息。也就是说,控制单元330可以在设备中充当状态预测的积分器。具体地,控制单元330可以包括监控部分331、参数选择器333、预测结果确定器335和配置改变确定器337。
监控部分331共同管理控制单元330的内部模块之间的接口,并且可以不间断地监控本地设备的状况。监控部分331可以存储从附接到本地设备的传感器获得的数据日志300,并且可以存储从建模单元310接收的状态模型。状态模型可以包括确定状态的状态相关信息,并且可以由参数和参数的权重信息组成。例如,状态模型可以包括按权重的顺序布置的、确定设备的状态的参数的信息。
参数选择器333可以根据预设标准,从由建模单元310生成的状态模型中包括的一个或多个参数当中选择要与至少一个远程设备共享的参数。这里,参数选择器333可以基于权重和状态模型的准确度来动态地确定要共享参数的数量。状态模型的准确度指示通过将数据日志输入到状态模型中所计算的预测结果与实际结果之间的一致度,并且状态模型的准确度可以被包括在模型相关信息中。图7中示出了状态模型的示例,并且参照图8给出了更详细的描述。
预测结果确定器335可以使用基于由本地设备的建模单元310生成的状态模型而计算的预测结果和基于在远程设备中生成的状态模型而计算的预测结果两者,以产生本地设备的状态的预测结果。而且,预测结果确定器335可以使用本地设备的状态模型的准确度和远程设备的状态模型的可靠度来产生状态的预测结果。状态模型的准确度和可靠度指示预测结果和将值输入到状态模型的实际结果之间的一致度。在本说明书中,术语“准确度”用于在本地设备中生成的状态模型,并且术语“可靠度”用于在远程设备中生成的状态模型。参照图10,给出了预测结果确定器335的详细描述,预测结果确定器335基于本地设备的状态模型和远程设备的状态模型来产生预测结果。
配置改变确定器337可以使用由预测结果确定器335产生的其预测结果和可靠度来生成反馈值,并且基于反馈值来确定是否改变设备的配置。参照图11给出了确定是否改变设备的配置的详细描述。
控制单元330的组成模块可以执行上述操作。然而,本领域众所周知的是,控制单元330可以直接地执行所有上述操作。
远程通信单元340可以连接到至少一个远程设备,以与远程设备共享状态相关信息和模型相关信息。更具体地,远程通信单元340可以向至少一个远程设备发送基于状态模型所选择的参数。远程通信单元340可以将参数的权重信息和状态模型的准确度信息发送给至少一个远程设备。也就是说,远程通信单元340不发送从本地设备收集的数据日志本身,而是发送状态相关信息,从而消耗较少量的资源。
而且,远程通信单元340可以从至少一个远程设备接收状态相关信息和模型相关信息。控制单元330可以通过远程通信单元340从远程设备接收状态相关信息和模型相关信息,基于接收到的信息构建远程设备的模型,并且使用所构建的模型来产生本地设备的预测结果。
也就是说,远程通信单元340可以从至少一个远程设备接收模型相关信息和状态相关信息,该模型相关信息包括基于远程设备的状态模型而选择的参数和所选择的参数的权重信息,该状态相关信息包括状态模型的可靠度信息。
控制单元330可以通过使用其组成模块根据设备的预测状态最终产生优化的设备配置350。
控制器330可以控制:基于状态相关数据来生成设备的状态模型,基于所生成的状态模型来选择确定设备的状态的至少一个参数,以及将所选择的至少一个参数发送到至少一个不同的设备。
控制单元330还可以控制将与所选择的至少一个参数相对应的权重信息发送到不同的设备。控制单元330可以控制仅仅将状态相关数据和参数当中的参数发送到至少一个不同的设备。控制单元330可以控制:从至少一个不同的设备接收至少一个参数和权重信息,该参数确定不同的设备的状态并且基于在不同的设备中生成的状态模型而被选择,该权重信息对应于所选择的参数;以及基于确定设备的状态的至少一个参数和确定不同的设备的状态的至少一个参数来产生设备的状态的预测结果。
控制单元330可以控制从至少一个不同的设备接收关于从不同的设备中生成的状态模型导出的预测结果的可靠度的信息。控制单元330可以考虑到从设备中生成的状态模型导出的预测结果的准确度和从不同的设备中生成的状态模型导出的预测结果的可靠度,来控制产生设备的状态的预测结果。此外,控制单元330可以基于状态的预测结果来控制确定是否改变设备的配置。
图4示出了根据本发明实施例的在设备的内部组件之间发送和接收的多条信息。
更具体地,该设备还可以包括用于在建模单元410、预测单元420和控制单元430之间发送和接收信息的接口机制。
首先,用于将信息从控制单元430发送到建模单元410的接口可以被指代为“SND_to_MU”431。控制单元430可以发送从本地设备的各种传感器接收的数据日志。通常,数据日志作为输入值被流式发送到控制单元430,并且通过预处理步骤被处理。预处理不在本发明的范围内,并且本文不描述。此外,控制单元430可以发送通过远程通信单元440接收的状态相关信息和模型相关信息。状态相关信息可以包括基于在远程设备处生成的状态模型而选择的参数和参数的权重。模型相关信息可以包括关于数据日志的特性、算法和用于生成状态模型的参数的信息。模型相关信息还可以包括关于状态模型的可靠度的信息。建模单元410可以学习从本地设备接收的数据日志以生成状态模型。为了生成状态模型,建模单元410可以额外地使用通过远程通信单元440接收的状态相关信息和模型相关信息。学习算法可以包括,例如,机器学习算法。
用于将信息从建模单元410发送到控制单元430的接口可以被指代为RCV_from_MU433。建模单元410可以将所生成的状态模型和模型相关信息发送到控制单元430。控制单元430可以从状态模型导出状态相关信息。也就是说,控制器430可以产生关于确定状态的参数和参数的权重信息的信息。
接下来,用于将信息从控制单元430发送到预测单元420的接口可以被指代为SND_to_PU 435。控制单元430可以发送给定量或更多的当前时间的数据日志以用于预测作为SND_to_PU的部分的设备的状态。控制单元430可以发送从建模单元410接收的状态模型,也就是说,基于从本地设备收集的数据日志和从远程设备接收的状态模型而生成的状态模型。一旦接收到当前时间点的新数据日志、状态模型和状态相关信息,预测单元420就可以通过将预先存储的算法应用于每个状态模型来产生关于状态的预测结果。算法可以包括,例如,机器学习算法。
用于将信息从预测单元420发送到控制单元430的接口可以被指代为RCV_from_PU437。预测单元420可以在应用每个状态模型时发送设备的状态的预测结果。由此,控制单元430可以通过使用从本地设备的状态模型导出的预测结果和从远程设备的状态模型导出的预测结果两者,来产生本地设备的状态的预测结果。
接下来,用于将信息从控制单元430发送到远程通信单元440的接口可以被指代为SND_to_Remote 438。控制单元430可以通过连续监控基于从建模单元410接收的状态模型将状态相关信息传送到至少一个远程设备。远程设备可以是具有与本地设备相似的特性的一组设备的成员。控制单元430可以基于接收到的状态模型来选择状态相关信息,并且确定是否将状态相关信息发送到至少一个远程设备。这是参照图9详细描述的。
用于将信息从远程通信单元440发送到控制单元430的接口可以被指代为RCV_from_Remote 439。远程通信单元440可以将基于在远程设备中生成的状态模型的状态相关信息发送到控制单元430。更具体地,控制单元430可以接收基于状态模型选择的参数和指示参数确定状态的程度的权重信息。控制单元430还可以接收关于在远程设备处生成的状态模型的可靠度的信息。控制单元430可以使用接收到的状态相关信息来计算状态的预测结果。这是参照图10详细描述的。此外,点对点(P2P)共享方案可以用作用于通过远程通信单元440向其他远程设备发送信息和从其他远程设备接收信息的分布式算法。
图5a和图5b示出了根据本发明实施例的共享状态相关信息的设备的分组。
更具体地,假定该设备是基站,图5a示出了共享地图上模型的状态相关信息和模型相关信息的基站的分组。一个或多个设备的组可以被指代为共享模型组。图5b是示出基站的属性值的表格。基站可以基于安装区域、软件版本、分配的小区的数量等被分组,以创建共享模型组。
可以由基站管理系统基于如图5b中所示的基站的属性值来确定组信息。例如,可以执行k模式集群技术来对基站进行分组,并且可以向组中的基站通知关于共享模型组的信息。此后,属于相同共享模型组的基站可以共享状态相关信息。图6a和图6b示出了根据本发明实施例来产生设备安装状态的预测结果并执行反馈操作。
更具体地,图6a示出了新安装的本地设备中内部模块之间的操作,图6b示出了先前安装的本地设备中内部模块之间的操作。
在图6a的新安装的本地设备的情况下,很少或没有累积的数据日志。因此,控制单元610可以通过连接到远程通信单元600的接口(RCV_from_Remote 605),从属于相同共享模型组的远程设备接收状态相关信息和模型相关信息,并产生预测结果。也就是说,控制单元610可以通过远程通信单元600接收从远程基站选择的状态相关信息。控制单元610可以将在当前的本地基站的新数据日志和从至少一个远程基站接收的状态相关信息通过SND_to_PU 620发送到预测单元625。预测单元625可以基于接收到的当前时间点的新数据日志和至少一个远程基站的状态相关信息来产生预测结果,并且经由RCV_from_PU 627将预测结果发送回控制单元622。控制单元610可以利用由至少一个远程基站产生的预测结果和远程基站处的状态模型的可靠度,在本地基站中产生当前时间点的预测结果,并且执行反馈操作(630)。反馈操作可以包括确定是否改变设备的当前配置。
在图6b的先前安装的本地设备的情况下,存在累积的数据日志。因此,本地设备可以与至少一个远程设备共享从基于其中累积的数据日志生成的状态模型导出的状态相关信息。此外,本地设备可以基于从远程设备接收到的状态相关信息和本地设备中生成的状态模型在本地设备中产生当前时间的预测结果。
首先,给出了与至少一个远程设备共享从在本地设备中生成的状态模型导出的状态相关信息的描述。控制单元655可以经由SND_to_MU 660将累积的数据日志发送到建模单元665。建模单元665可以基于数据日志生成状态模型,并且经由RCV_from_MU 667将状态模型发送回控制单元655。控制单元655可以通过SND_to_PU 670将基于数据日志生成的状态模型发送到预测单元675。在这种情况下,控制单元655还可以发送在当前时间点收集的新数据日志。预测单元675可以基于新数据日志和状态模型产生预测结果。
预测单元675可以经由RCV_from_PU 677将预测结果发送到控制单元655。控制单元655可以基于从基于本地设备的数据日志生成的数据模型导出的预测结果来计算数据模型的预测准确度。获得预测准确度不在本发明的范围内,并且省略其描述。基于状态模型的预测准确度,控制单元677可以从被包括在状态模型的状态相关信息中的参数当中选择要与远程设备共享的参数,并且确定是否共享状态模型的状态相关信息。这是参照图8更详细地描述的。一旦确定共享在本地基站中生成的状态模型并选择状态相关信息当中要共享的参数,控制单元655就可以通过SND_to_Remote 680将所选择的参数和与所选择的参数相对应的权重信息发送到远程通信单元640。
接下来,给出了基于在本地设备中生成的状态模型在本地设备中产生当前时间点的预测结果的描述。控制单元655可以经由SND_to_Remote 680从远程通信单元640接收关于在远程设备中创建的状态模型的状态相关信息和模型相关信息。关于创建状态模型和选择要在本地设备中共享的参数的描述与远程设备中的相同。控制单元655可以经由SND_to_PU 670将从远程设备接收的状态相关信息转发到预测单元675。同时,控制单元655也可以发送直到当前时间点由本地设备收集的一定数量的数据日志。
预测单元675可以通过使用被包括在状态相关信息中的至少一个参数和与该参数相对应的权重来产生当前时间点的数据日志的预测结果。预测单元675可以通过RCV_from_PU 677将基于从远程设备接收到的状态相关信息的预测结果发送到控制单元655。控制单元655可以利用基于本地设备的状态模型的预测结果和基于远程设备的状态模型的预测结果两者,以产生本地设备的状态的预测结果。这是参照图10更详细地描述的。控制单元655可以基于所产生的预测结果执行反馈操作(690)。具体地,控制单元655可以基于预测结果确定是否执行反馈操作。
图7示出了表示预测设备状态的状态模型的曲线图。
更具体地,图7示出了由建模单元基于设备中收集的数据日志而生成的状态模型。设备可以基于状态模型来选择要与远程设备共享的参数。在状态模型的曲线图中,x轴指示参数的等级(705),并且y轴指示参数的权重的累积总和(700)。该参数是指确定设备状态的因素。例如,为了作出关于设备的网络吞吐量的预测,该参数可以包括参考信号接收功率(reference signal received power,RSRP)、参考信号接收质量(reference signalreceived quality,RSRQ)和信道质量指示(channel quality indication,CQI)。
在图7中,确定状态的参数的累积权重的曲线图是以累积分布函数(cumulativedistribution function,CDF)曲线图的形式。可以看出,随着参数的数量根据权重(710、720、730)的顺序而累积,曲线图的斜率减小。设备可以基于曲线图的斜率来确定要共享的参数的数量。这是参照图8更详细地描述的。
图8a、图8b和图8c示出了根据本发明实施例的用于选择要与另一设备共享的状态模型的参数和确定是否共享状态模型的操作。
更具体地,设备可以从传感器接收与状态相关联的数据日志(800)。设备可以基于数据日志生成状态模型,并且可以识别根据状态模型和参数的权重来确定状态的参数(805)。这里,状态模型可以是图7所示的状态模型,并且在下面的描述中假定状态模型与图7中所示的曲线图相同。
设备可以将Npre设置为0,N指示参数的数量(807)。设备可以将N设置为1(810)。为了计算在曲线图中相邻等级的参数之间的角度差,设备可以计算在曲线图中第N个参数和N+1个参数之间的角度差(度数=IN-IN+1)(820)。
然后,设备可以确定所计算的角度差是否小于斜率的预设阈值(thresholdD)(823)。如果所计算的角度差不小于thresholdD,则设备可以将参数的数量增加1(825),并且重复步骤820和823。设备重复步骤820至825直到满足步骤823的条件,并且可以确定权重大于或等于预设值的参数的数量。如果所计算的角度差(IN-IN+1)小于thresholdD,则设备可以学习第一至第N个参数以由此产生预测结果和预测准确度(830)。此后,设备可以确定所产生的预测准确度是否高于预测准确度的预设阈值(thresholdP)(833)。如果预测准确度低于thresholdP,则设备可以确定N的值是否等于参数的总数(835)。如果N等于参数的总数,则设备可以将状态模型确定为不可用(837)。也就是说,如果预测准确度低于thresholdP,尽管状态模型中的所有参数都被用于产生预测结果,但是状态模型不与远程设备共享,也不用于作出关于本地设备中的状态的预测。
如果N不等于参数的总数,设备可以确定标志是否被设置为1(840)。如果标志被设置为1,则充当thresholdD的调节间隔的步长可以被减半(843)。否则,可以跳过步骤840。这里,步长意味着间隔值,该间隔值为了识别预测准确度满足thresholdP的参数的最小数量而改变参数的数量。此后,设备可以通过从thresholdD减去步长来向下调节thresholdD(845)。这是当设备已经在步骤830学习了N个参数并且产生了具有低于thresholdP的预测准确度的预测结果时,通过降低thresholdD来增加要学习的参数的数量。然后,设备可以将标志设置为0,并且将Npre设置为N(847)。
此后,可以重复步骤810至830,以基于改变的thresholdD来确定参数的数量。
在另一方面,如果在步骤833预测准确度比thresholdP高,则设备可以确定N是否等于Npre(850)。如果N等于Npre,则设备可以将当前状态模型确定为可用的状态模型(855)。如果N不等于Npre,则设备可以确定标志是否被设置为0(860)。如果设备最初测试步骤833,则在步骤850处Npre为0,它是在步骤807设置的值;即使在步骤833第一次尝试中结果超过预测准确度,步骤850的结果也总是“否”;并且设备可以通过thresholdD的调节来减少参数的数量来再次启动学习。如果设备先前测试了步骤833并且通过了步骤847或870,则Npre是在前一阶段中所学习的参数的数量;并且如果在调节thresholdD之后在步骤850处N等于Npre,即当所学习的参数的数量等于前一阶段中所学习的参数的数量时,则设备可以将当前状态模型确定为可用的状态模型。
此后,如果在步骤860标志被设置为0,则设备可以将充当thresholdD的调节间隔的步长减半(863)。如果标志被设置为1,则设备可以保持步长。
此后,设备可以通过将thresholdD加上步长来向上调节thresholdD(865)。这是当设备已经在步骤830学习了N个参数并且产生了具有高于thresholdP的预测准确度的预测结果时,通过增加thresholdD来减少要学习的参数的数量。然后,装置可以将标志设置为1,并且将Npre设置为N(870)。此后,可以重复步骤810和随后的步骤,以基于改变的thresholdD来确定参数的数量。
这里,标志是用于确定用于调节thresholdD的步长是否减半的标准。当thresholdD被向下调节时,标志被设置为0(847);并且当thresholdD被向上调节时,标志被设置为1(870)。如果在thresholdD向下调节之前标志为1,则thresholdD向上调节。此时,步长减半。如果在thresholdD向上调节之前标志为0,则thresholdD向下调节。此时,步长减半。也就是说,当设备不同于前一阶段来调节thresholdD时,它可以将步长减半。
通过上述过程,设备可以选择达到期望的预测准确度的参数的最小数量。例如,在基于初始确定的thresholdD选择50个参数并学习之后,如果预测准确度满足thresholdP,则增加thresholdD以减少所选择的参数的数量。此后,设备可以基于向上调节的thresholdD来学习45个参数(排除5个参数)并计算预测结果。如果预测结果的预测准确度不满足thresholdP,则设备可以通过向下调节thresholdD选择增加的参数的数量并再次学习。
图9示出了根据本发明实施例的确定是否与另一设备共享状态相关信息的操作。
设备可以确定状态模型是否被更新(900)。也就是说,设备可以确定是否已经使用新累积的数据日志创建了新状态模型。此后,设备可以确定新生成的状态模型是否是可用的模型(910)。也就是说,该设备可以在新生成的状态模型上执行图8中所描述的操作,以确定其是否是可用的模型。如果新生成的状态模型不是可用的模型,则它不被共享,并且过程前进到步骤900,在步骤900设备可以检查是否生成新状态模型。如果新生成的状态模型是可用的模型,则设备可以经由远程通信单元与远程设备共享从状态模型选择的参数(920)。
图10示出了根据本发明的实施例的设备产生关于状态的预测结果的操作。
更具体地,设备可以基于在本地设备和远程设备中生成的状态模型的可靠度和准确度来产生本地设备的最终预测结果。也就是说,具有高可靠度或准确度的状态模型对最终预测结果具有大的影响,并且具有低可靠度或准确度的状态模型对最终预测结果具有小的影响。此外,如果状态模型的可靠度未超过预设阈值,则可以将其视为不准确的模型并且不用于计算预测结果。
设备可以从本地设备和远程设备获得状态相关信息、模型相关信息和状态预测结果(1000)。设备可以基于本地收集的数据日志生成状态模型,并且使用预测单元基于状态模型的状态相关信息来计算预测结果。此外,设备可以接收在远程设备中生成的状态模型的状态相关信息,并且可以使用预测单元基于远程设备的状态相关信息来计算预测结果。
然后,设备可以通过将w(累积权重)设置为0、将N(状态模型的索引)设置为1、以及将p(累积预测结果)设置为0来设置初始值(1010)。在本地设备和远程设备中生成的状态模型当中,设备可以仅仅利用可靠度大于thresholdR(可靠度的预设阈值)的状态模型。设备可以确定模型N的可靠度(或准确度)是否大于thresholdR(1020)。如果模型N的可靠度小于thresholdR,则设备可以将模型索引增加1(1025),并且可以确定下一模型的可靠度是否大于thresholdR(1020)。
如果在步骤1020模型N的可靠度大于thresholdR,则设备可以计算累积预测结果p(1030)。也就是说,p=p+模型N的可靠度*模型N的预测结果。此后,设备可以计算累积权重w(1040)。也就是说,w=w+模型N的可靠度(准确度)。
然后,设备可以确定模型索引N是否等于与在步骤1000获得的状态相关信息相对应的模型的总数(1050)。如果N小于模型的总数,则设备可以将模型索引增加1(1025),并且过程返回到下一模型的步骤1020。此后,如果基于所有模型的可靠度确定了累积预测结果p和累积权重w,则设备可以使用p/w来计算最终预测结果(1060)。
例如,假定[模型1,模型2,模型3]的可靠度为[0.9,0.2,0.1],以及其预测结果是[0.3,0.9,0.8]。假定thresholdR是0.1。这里,模型1具有远高于thresholdR的可靠度,并且其对计算预测结果具有较大影响。模型2具有比thresholdR稍高的可靠度,并且其对计算预测结果具有较小影响。模型3具有不高于thresholdR的可靠度,并且其对计算预测结果没有影响。在这种情况下,可以如下面的等式1所示计算累积预测结果p。
[等式1]
p=0.9(模型1的可靠度)×0.3(模型1的预测结果)+0.2(模型2的可靠度)×0.9(模型2的预测结果)=0.45
可以下面的等式2所示计算累积权重w。
[等式2]
w=0.9(模型1的可靠度)+0.2(模型2的可靠度)=1.1
因此,最终预测结果(p/w)为0.41。
如上所述,最终预测结果为0.41。可以看出,比模型2具有更高可靠度的模型1影响预测结果,并且最终预测结果比模型2的预测结果(0.9)更接近模型1的预测结果(0.3)。
图11示出了根据本发明的实施例的基于预测结果由设备执行的反馈操作。
在图10中,设备可以使用本地设备的状态预测结果和预测结果的可靠度来生成反馈值,并且确定是否使用反馈值来运行反馈操作。是否运行反馈操作可以包括确定是否改变设备的配置。
更具体地,如图10中所导出的,设备可以获得本地设备的状态预测结果和预测结果的可靠度(1100)。可以通过将累积权重w除以模型的数量来获得预测结果的可靠度。此后,设备可以确定反馈值f(1110)。反馈值f是设备确定是否执行反馈操作的标准值。设备可以使用下面的等式3来确定反馈值f。
[等式3]
反馈值(f)=预测结果×预测结果的可靠度+(1-预测结果)×(1-预测结果的可靠度)
设备可以确定所确定的反馈值f是否大于或等于预设的thresholdf(1120)。如果反馈值f小于thresholdf,则过程可以被终止,而不改变设备的配置。如果所确定的反馈值f大于或等于thresholdf,则设备可以基于反馈值f来改变设备的配置(1130)。
例如,假定设备是基站,并且要预测风扇的故障状态。当风扇的故障的预测结果为0.9,预测结果的可靠度为0.8,并且thresholdf是0.7时,如下给出反馈值f。
f=0.9*0.8+(1-0.9)*(1-0.8)
=0.74
由于这个值比thresholdf大,所以设备可以确定风扇故障会以很高的概率发生,并且确定改变基站的硬件或软件设置。通过使用当前预测结果的可靠度确定反馈值,设备可以实时地预测和准备更精确的状态。
可以如下应用共享状态包括基于具有相似特性的设备之间的状态模型选择的参数的相关信息、以及基于所共享的状态相关信息预测本地设备的状态的上述方法。
例如,为了通过使用本发明实时地分布网络资源,安装在相同的小区地点(即相同的物理区域)的基站,可以监控其可用资源和终端吞吐量。如果终端吞吐量超过给定阈值时,基站可以执行资源迁移。以这种方式,基站可以将用户的体验的质量(QoE)保持在高水平。通过使用关于与基站的组件资源有关的小状态的信息,可以在操作网络装置的同时提前预测并准备大问题。因此,可以减少基站的操作成本并保持装置的稳定。
为了通过利用智能电网技术优化基站的功耗,本发明可以被用来根据高峰/非高峰时间和每小时电费来引入可充电电池结构。更具体地,参数可以用于每小时服务的终端数量。此外,可以使用物理资源块(physical resource block,PRB)使用量、终端数据吞吐量、小区负载、硬件组件负载和回程负载的参数。额外地,可以使用相邻基站的数量的参数来说明当基站使用干扰控制模块时所消耗的功率。由于发送到终端的信号的强度可能受到信道条件的影响,所以可以使用信道状态的参数。基于上述参数可以预测功耗的模式(电压、安培、欧姆、干扰),并且可以基于所预测的电力使用模式来根据需要改变基站资源(无线电功率、频率带宽)。因此,可以操作更少的基站,减少不必要的设施投入,以及根据需要减少电力运营成本。
为了优化终端的网络吞吐量性能,基站可以监控无线电信息(例如,参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、信道质量指示(CQI))和预期的体验的质量(QoE)。由此,可以通过有效地分配资源来优化终端的性能。这里,可以根据计费计划、终端类型和吞吐量模式来确定终端的预期无线电信息和体验的质量(QoE)值。例如,如果订购了昂贵的计费计划的用户需要具有支持高容量下行链路和低延迟应用服务的调制解调器芯片组的终端,则基站可以提前识别未来的可用资源和预期资源,并且执行到具有最高性能的基站的资源迁移。
为了维持终端的连接性、高无缝切换率和高透明度,本发明可以用于启用与终端连接的基站以预测软件和硬件的状态。基站可以在内部监控各种软件模块和硬件模块的操作(例如,可用资源和稳定性)并作出关于正常操作预测。如果一定的特定组件出现异常情况(例如,光学错误、通信错误、存储器错误、风扇错误、存储器已满、CPU(中央处理单元)已满、DSP(数字信号处理)错误),则基站可以将终端切换到正常操作的基站。
在5G通信系统中,下一代网络近年来正变得流行,为了使用与网络(softwaredefined networking,SDN)技术定义的软件相结合的网络功能虚拟化(network functionvirtualization,NFV)技术,本发明可以被应用于通过中央SDN控制器灵活地控制网络吞吐量,以及通过NFV技术根据需要灵活地驱动装置资源。例如,可以基于基站之间的诸如带宽、吞吐量、延迟、抖动和错误率的参数的数据日志,来使用安装在基站上的深度包检测技术。由此,可以提取用户应用内容和关联模式。提取结果可以传送到SDN控制器,这可能导致更高的用户QoS和QoE,并减少运营商资本支出和运营支出(capital expenditure/operational expenditure,CapEx/OpEx)。
在上述实施例中,所有步骤和消息可能受到选择性运行或可能受到遗漏。每个实施例中的步骤不需要按所列顺序发生,但可以颠倒。消息不需要一定按顺序传递,但顺序可以颠倒。单独的步骤和消息可以独立地运行和传递。
为了便于理解,上述实施例中示出了表格的一些或全部以解释本发明的实施例。因此,表格的细节可以被视作表示由本发明提出的方法和装置的一部分。也就是说,本文中表格的内容的语义方法比其句法方法更令人期望。
在上文中,为了解释的目的已经示出和描述了本发明的各种实施例,而不限制本发明的主题。本领域技术人员应该理解的是,本文中描述的方法和装置的许多变化和修改仍将落入如所附权利要求及其等同物中所限定的本发明的精神和范围内。
Claims (15)
1.一种共享设备的状态相关信息的方法,所述方法包括:
基于状态相关数据,生成所述设备的状态模型;
基于所生成的状态模型来选择确定所述设备的状态的至少一个参数;以及
将所选择的至少一个参数发送到至少一个不同的设备。
2.根据权利要求1所述的方法,还包括将与所选择的至少一个参数相对应的权重信息发送到不同的设备。
3.根据权利要求1所述的方法,其中,发送所选择的至少一个参数包括仅仅发送状态相关数据和参数当中的参数。
4.根据权利要求1所述的方法,其中,基于被包括在所述状态模型中的参数的权重信息和从所述状态模型产生的预测结果的准确度,来选择要共享的所述至少一个参数。
5.根据权利要求2所述的方法,还包括:
从至少不同的设备接收至少一个参数和对应于参数的权重信息,所述至少一个参数确定所述至少一个不同的设备的状态并且基于在所述至少一个不同的设备中生成的状态模型而选择所述至少一个参数;以及
基于确定所述设备的状态的至少一个参数和确定所述至少一个不同的设备的状态的至少一个参数来产生所述设备的状态预测结果。
6.根据权利要求5所述的方法,还包括:从所述至少一个不同的设备接收关于从在所述至少一个不同的设备中生成的状态模型产生的预测结果的可靠度的信息,并且其中,产生所述设备的状态预测结果考虑从在所述设备中生成的状态模型产生的预测结果的准确度和接收到的可靠度信息两者。
7.根据权利要求1所述的方法,其中,基于设备属性来确定所述至少一个不同的设备,并且其中所述设备属性包括安装区域、软件版本和所分配的基站的小区的数量中的至少一个。
8.根据权利要求5所述的方法,还包括基于所述状态的预测结果来确定是否改变所述设备的配置。
9.根据权利要求1所述的方法,其中,所述设备的状态模型包括关于基站的功耗、基站的资源使用、基站的异常操作和终端的性能中的至少一个的信息。
10.根据权利要求9所述的方法,其中,当所述设备的状态模型是基站的功耗量的状态模型时,参数包括关于由基站服务的终端的数量、终端的数据吞吐量、小区负载的水平、硬件组件的负载水平、回程负载的水平、相邻基站的数量和信道条件中的至少一个的信息。
11.根据权利要求9所述的方法,其中,所述基站的异常操作的状态模型包括关于通信错误、存储器错误、风扇错误、存储器已满错误、CPU已满错误和DSP(数字信号处理)错误中的至少一个的信息。
12.根据权利要求9所述的方法,其中,所述终端的性能信息包括关于参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、信道质量指示(CQI)和体验的质量(QoE)中的至少一个的信息。
13.一种能够共享状态相关信息的设备,包括:
收发器单元,被配置为发送和接收信号;和
控制器,被配置为基于状态相关数据来控制生成所述设备的状态模型;基于所生成的状态模型来选择确定所述设备的状态的至少一个参数;并且将所选择的至少一个参数发送到至少一个不同的设备。
14.根据权利要求13所述的设备,其中,所述控制器还被配置为控制将与所选择的至少一个参数相对应的权重信息发送到不同的设备。
15.根据权利要求13所述的设备,其中,所述控制器被配置为控制仅仅将状态相关数据和参数当中的参数发送到至少一个不同的设备。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020150163556A KR102292990B1 (ko) | 2015-11-20 | 2015-11-20 | 상태 관련 정보 공유 방법 및 장치 |
KR10-2015-0163556 | 2015-11-20 | ||
PCT/KR2016/013347 WO2017086739A1 (ko) | 2015-11-20 | 2016-11-18 | 상태 관련 정보 공유 방법 및 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108293005A true CN108293005A (zh) | 2018-07-17 |
CN108293005B CN108293005B (zh) | 2022-03-29 |
Family
ID=58719106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680067656.2A Active CN108293005B (zh) | 2015-11-20 | 2016-11-18 | 用于共享状态相关信息的方法和设备 |
Country Status (5)
Country | Link |
---|---|
US (3) | US10880758B2 (zh) |
EP (2) | EP3352414B1 (zh) |
KR (1) | KR102292990B1 (zh) |
CN (1) | CN108293005B (zh) |
WO (1) | WO2017086739A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115003140A (zh) * | 2022-08-04 | 2022-09-02 | 浩鲸云计算科技股份有限公司 | 一种数据中心机房水冷机组末端空调协同控制节能方法 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018173121A1 (ja) * | 2017-03-21 | 2018-09-27 | 株式会社Preferred Networks | サーバ装置、学習済モデル提供プログラム、学習済モデル提供方法及び学習済モデル提供システム |
WO2018210876A1 (en) * | 2017-05-16 | 2018-11-22 | Tellmeplus | Process and system for remotely generating and transmitting a local device state predicting method |
US10817757B2 (en) * | 2017-07-31 | 2020-10-27 | Splunk Inc. | Automated data preprocessing for machine learning |
US10715633B2 (en) * | 2018-01-10 | 2020-07-14 | Cisco Technology, Inc. | Maintaining reachability of apps moving between fog and cloud using duplicate endpoint identifiers |
US10735274B2 (en) * | 2018-01-26 | 2020-08-04 | Cisco Technology, Inc. | Predicting and forecasting roaming issues in a wireless network |
US11169239B2 (en) * | 2018-09-28 | 2021-11-09 | Intel Corporation | Methods and apparatus to trigger calibration of a sensor node using machine learning |
US10602383B1 (en) | 2018-10-15 | 2020-03-24 | Microsoft Technology Licensing Llc | Application of machine learning for building predictive models enabling smart fail over between different network media types |
US20220070697A1 (en) * | 2018-12-21 | 2022-03-03 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods, Apparatus and Machine-Readable Mediums Relating to Power Failure Notifications in a Communication Network |
US11113653B2 (en) * | 2018-12-26 | 2021-09-07 | Accenture Global Solutions Limited | Artificial intelligence and machine learning based incident management |
KR102386382B1 (ko) * | 2019-01-09 | 2022-04-14 | 삼성전자 주식회사 | 무선 통신 시스템에서 셀 용량의 포화도를 예측하는 방법 및 장치 |
US11277499B2 (en) * | 2019-09-30 | 2022-03-15 | CACI, Inc.—Federal | Systems and methods for performing simulations at a base station router |
CN112886996A (zh) * | 2019-11-29 | 2021-06-01 | 北京三星通信技术研究有限公司 | 信号接收方法、用户设备、电子设备及计算机存储介质 |
EP4079028A4 (en) * | 2019-12-16 | 2023-09-06 | Telefonaktiebolaget Lm Ericsson (Publ) | CONFIGURING NETWORK NODES IN A COMMUNICATION NETWORK |
KR20220132934A (ko) * | 2021-03-24 | 2022-10-04 | 삼성전자주식회사 | 전자 장치 및 전자 장치의 동작 방법 |
KR102476700B1 (ko) | 2021-05-13 | 2022-12-12 | 서울대학교산학협력단 | 비정상 단말을 포함하는 무선 분산 학습 시스템 및 그의 동작 방법 |
KR102536005B1 (ko) * | 2021-12-23 | 2023-05-26 | 광운대학교 산학협력단 | 백스캐터 통신에서의 수신 임계값 설정 방법 및 그를 위한 장치 |
US20240098533A1 (en) * | 2022-09-15 | 2024-03-21 | Samsung Electronics Co., Ltd. | Ai/ml model monitoring operations for nr air interface |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101861744A (zh) * | 2007-12-27 | 2010-10-13 | 真实定位公司 | 用户选择的基于区域的服务控制 |
US20110300871A1 (en) * | 2009-01-05 | 2011-12-08 | Doettling Martin | Determining an Optimized Configuration of a Telecommunication Network |
US20120307662A1 (en) * | 2009-12-23 | 2012-12-06 | 7Signal Oy | Method for monitoring and intelligent control of the parameters in radio networks |
CN102948228A (zh) * | 2010-06-18 | 2013-02-27 | 京瓷株式会社 | 无线电通信系统、无线电基站和电力消耗控制方法 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5995805A (en) | 1997-10-17 | 1999-11-30 | Lockheed Martin Missiles & Space | Decision-theoretic satellite communications system |
US6353902B1 (en) | 1999-06-08 | 2002-03-05 | Nortel Networks Limited | Network fault prediction and proactive maintenance system |
US6892317B1 (en) | 1999-12-16 | 2005-05-10 | Xerox Corporation | Systems and methods for failure prediction, diagnosis and remediation using data acquisition and feedback for a distributed electronic system |
US7130805B2 (en) * | 2001-01-19 | 2006-10-31 | International Business Machines Corporation | Method and apparatus for generating progressive queries and models for decision support |
US7164919B2 (en) * | 2002-07-01 | 2007-01-16 | Qualcomm Incorporated | Scheduling of data transmission for terminals with variable scheduling delays |
DE10251993B4 (de) * | 2002-11-06 | 2012-09-27 | Actix Gmbh | Verfahren und Vorrichtung zur Optimierung von zellularen drahtlosen Nachrichtennetzen |
JP4333331B2 (ja) | 2002-12-20 | 2009-09-16 | セイコーエプソン株式会社 | 故障予測システム及び故障予測プログラム並びに故障予測方法 |
JP3922375B2 (ja) | 2004-01-30 | 2007-05-30 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 異常検出システム及びその方法 |
JP4626852B2 (ja) | 2005-07-11 | 2011-02-09 | 日本電気株式会社 | 通信網の障害検出システム、通信網の障害検出方法及び障害検出プログラム |
US7865089B2 (en) | 2006-05-18 | 2011-01-04 | Xerox Corporation | Soft failure detection in a network of devices |
JP5055221B2 (ja) * | 2008-08-01 | 2012-10-24 | 株式会社エヌ・ティ・ティ・ドコモ | 移動通信方法及びオペレーション装置 |
JP5228119B2 (ja) | 2009-03-13 | 2013-07-03 | テレフオンアクチーボラゲット エル エム エリクソン(パブル) | 基地局のエネルギー消費管理 |
US8837403B2 (en) | 2009-08-31 | 2014-09-16 | Telefonaktiebolaget L M Ericsson (Publ) | Methods and arrangements for scheduling radio resources in a wireless communication system |
JP5626219B2 (ja) * | 2009-11-11 | 2014-11-19 | 日本電気株式会社 | 無線通信システム、自律最適化システム、無線基地局および無線パラメータ設定方法 |
JP2011215964A (ja) * | 2010-03-31 | 2011-10-27 | Sony Corp | サーバ装置、クライアント装置、コンテンツ推薦方法及びプログラム |
JP5609974B2 (ja) * | 2010-06-17 | 2014-10-22 | 富士通株式会社 | 通信装置、制御装置、通信装置の制御方法 |
EP2719234B1 (en) * | 2011-06-10 | 2015-04-01 | Telefonaktiebolaget L M Ericsson (publ) | Closed control loop for uplink scheduling |
CN103369539B (zh) * | 2012-04-06 | 2016-10-05 | 华为技术有限公司 | 干扰协调的方法和装置 |
CN103384372B (zh) * | 2012-05-03 | 2016-08-10 | 华为技术有限公司 | 一种优化网络容量和覆盖折中的方法、装置及系统 |
US9119179B1 (en) * | 2012-06-06 | 2015-08-25 | Bae Systems Information And Electronic Systems Integration Inc. | Skypoint for mobile hotspots |
US8983486B2 (en) * | 2013-03-15 | 2015-03-17 | Blackberry Limited | Statistical weighting and adjustment of state variables in a radio |
DE102014205391A1 (de) | 2014-03-24 | 2015-09-24 | Bayerische Motoren Werke Aktiengesellschaft | Vorrichtung zur Vorhersage von Fahrzustandsübergängen |
EP2947910B1 (en) * | 2014-05-23 | 2017-06-07 | Accenture Global Services Limited | Performance optimizations for wireless access points |
US9769680B2 (en) * | 2014-08-21 | 2017-09-19 | Seven Networks, Llc | Modeling network signaling in a mobile network based on elapsed time |
US10327159B2 (en) * | 2014-12-09 | 2019-06-18 | Futurewei Technologies, Inc. | Autonomous, closed-loop and adaptive simulated annealing based machine learning approach for intelligent analytics-assisted self-organizing-networks (SONs) |
US9432901B1 (en) * | 2015-07-24 | 2016-08-30 | Cisco Technology, Inc. | System and method to facilitate radio access point load prediction in a network environment |
-
2015
- 2015-11-20 KR KR1020150163556A patent/KR102292990B1/ko active IP Right Grant
-
2016
- 2016-11-18 CN CN201680067656.2A patent/CN108293005B/zh active Active
- 2016-11-18 EP EP16866691.5A patent/EP3352414B1/en active Active
- 2016-11-18 US US15/776,528 patent/US10880758B2/en active Active
- 2016-11-18 EP EP19205827.9A patent/EP3654689A1/en active Pending
- 2016-11-18 WO PCT/KR2016/013347 patent/WO2017086739A1/ko active Application Filing
-
2020
- 2020-11-27 US US17/105,840 patent/US11758415B2/en active Active
-
2023
- 2023-09-06 US US18/462,065 patent/US20230422058A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101861744A (zh) * | 2007-12-27 | 2010-10-13 | 真实定位公司 | 用户选择的基于区域的服务控制 |
US20110300871A1 (en) * | 2009-01-05 | 2011-12-08 | Doettling Martin | Determining an Optimized Configuration of a Telecommunication Network |
US20120307662A1 (en) * | 2009-12-23 | 2012-12-06 | 7Signal Oy | Method for monitoring and intelligent control of the parameters in radio networks |
CN102948228A (zh) * | 2010-06-18 | 2013-02-27 | 京瓷株式会社 | 无线电通信系统、无线电基站和电力消耗控制方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115003140A (zh) * | 2022-08-04 | 2022-09-02 | 浩鲸云计算科技股份有限公司 | 一种数据中心机房水冷机组末端空调协同控制节能方法 |
Also Published As
Publication number | Publication date |
---|---|
US10880758B2 (en) | 2020-12-29 |
KR20170059315A (ko) | 2017-05-30 |
EP3352414A4 (en) | 2018-07-25 |
EP3654689A1 (en) | 2020-05-20 |
EP3352414B1 (en) | 2019-10-30 |
EP3352414A1 (en) | 2018-07-25 |
US11758415B2 (en) | 2023-09-12 |
KR102292990B1 (ko) | 2021-08-26 |
US20180332483A1 (en) | 2018-11-15 |
US20230422058A1 (en) | 2023-12-28 |
CN108293005B (zh) | 2022-03-29 |
US20210084505A1 (en) | 2021-03-18 |
WO2017086739A1 (ko) | 2017-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108293005A (zh) | 用于共享状态相关信息的方法和设备 | |
D’Oro et al. | OrchestRAN: Network automation through orchestrated intelligence in the open RAN | |
Cheng et al. | Network function virtualization in dynamic networks: A stochastic perspective | |
US10467040B2 (en) | Intelligent self-configuring decision method for the cloud resources management and orchestration | |
US10904125B2 (en) | Active probe construction using machine learning for measuring SD-WAN tunnel metrics | |
US8909358B2 (en) | Method and system for complex smart grid infrastructure assessment | |
US11411838B2 (en) | Adaptive stress testing of SD-WAN tunnels for what-if scenario model training | |
Azimi et al. | Energy-efficient deep reinforcement learning assisted resource allocation for 5G-RAN slicing | |
CN112929187B (zh) | 网络切片管理方法、装置和系统 | |
CN109219942B (zh) | 控制消息模式的方法及装置 | |
Rezazadeh et al. | On the specialization of fdrl agents for scalable and distributed 6g ran slicing orchestration | |
US10271226B2 (en) | Adaptation of a network based on a sub-network determined adaptation of the sub-network | |
US20230216737A1 (en) | Network performance assessment | |
US11240122B2 (en) | Event-triggered machine learning for rare event forecasting in a software defined wide area Network (SD-WAN) | |
CN112396070A (zh) | 一种模型训练方法、装置和系统,以及预测方法和装置 | |
Yu et al. | Digital twin driven service self-healing with graph neural networks in 6g edge networks | |
D'Oro et al. | OrchestRAN: Orchestrating network intelligence in the open RAN | |
Alavirad et al. | O-RAN architecture, interfaces, and standardization: Study and application to user intelligent admission control | |
US11622322B1 (en) | Systems and methods for providing satellite backhaul management over terrestrial fiber | |
US20230129290A1 (en) | Interpretable forecasting using path state transitions in application driven predictive routing | |
US20230027969A1 (en) | Using discretized state-transitions to explain and troubleshoot application experience degradation in predictive internet | |
Zhang et al. | RoNet: Toward Robust Neural Assisted Mobile Network Configuration | |
Min et al. | A Novel 5G Digital Twin Approach for Traffic Prediction and Elastic Network Slice Management | |
Haque et al. | Deep Learning for Network Slicing and Self-Healing in 5G Systems | |
US20230031470A1 (en) | Method and electronic device for managing machine learning services in wireless communication network |
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 |