CN109688597A - 一种基于人工智能的雾无线接入网络组网方法及装置 - Google Patents

一种基于人工智能的雾无线接入网络组网方法及装置 Download PDF

Info

Publication number
CN109688597A
CN109688597A CN201811548655.7A CN201811548655A CN109688597A CN 109688597 A CN109688597 A CN 109688597A CN 201811548655 A CN201811548655 A CN 201811548655A CN 109688597 A CN109688597 A CN 109688597A
Authority
CN
China
Prior art keywords
access network
radio access
edge
logic module
user terminal
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
CN201811548655.7A
Other languages
English (en)
Other versions
CN109688597B (zh
Inventor
彭木根
项弘禹
闫实
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.)
Beijing University of Posts and Telecommunications
Comba Network Systems Co Ltd
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201811548655.7A priority Critical patent/CN109688597B/zh
Publication of CN109688597A publication Critical patent/CN109688597A/zh
Priority to US16/718,457 priority patent/US11201784B2/en
Application granted granted Critical
Publication of CN109688597B publication Critical patent/CN109688597B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/0836—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability to enhance reliability, e.g. reduce downtime
    • 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
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • H04L41/0876—Aspects of the degree of configuration automation
    • H04L41/0886—Fully automatic configuration
    • 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
    • H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities
    • 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
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5003—Managing SLA; Interaction between SLA and QoS
    • H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/18—Service support devices; Network management devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提出了一种基于人工智能的雾无线接入网络组网方法及装置。其中方法包括：中央计算逻辑模块接收上报的数据，该上报的数据包括无线接入网络中用户终端上报的测量汇报数据、基站上报的无线传输数据和无线接入网络上报的运维数据。基于这些上报的数据，通过机器学习算法，中央计算逻辑模块配置与用户行为、业务属性及无线接入网络性能相匹配的无线接入网络工作模式。基于该接入网络工作模式，边缘计算逻辑模块判决优化边缘通信实体当前配置和无线资源、计算资源及缓存资源的调配方法。所提组网方法基于机器学习算法，能够自适应各种服务需求，灵活进行无线接入网络构造，满足不同应用场景和性能目标需求。

Description

一种基于人工智能的雾无线接入网络组网方法及装置
技术领域
本发明涉及无线通信技术领域，特别是涉及一种基于人工智能的雾无线接入网络组网方法及装置。
背景技术
目前使用雾无线接入网络(fog-radio access network，简称F-RAN)可以缓解无线接入网络中前传/回程链路压力。对于F-RAN来说，F-RAN可以包括用户终端及边缘通信实体。F-RAN通过借助用户终端及边缘通信实体的计算及缓存能力，缓解无线接入网络中前传/回程链路压力，提升网络频谱效率和能量效率。
对上述提及的雾无线接入网络组网方法，主要实现步骤如下：
首先，通过F-RAN中用户终端，将各类信息参数与对应信息参数的预设阈值进行比较，选择出用户终端的接入网络模式。基于这些接入网络模式，确定出与这些接入网络模式对应的边缘通信实体；然后将用户终端连接到所确定的边缘通信实体；最后，将所确定出的边缘通信实体形成雾无线接入网络。这里的边缘通信实体包括小基站、宏基站、远端射频头(Radio Remote Head，简称RRH)和雾接入节点(fog-ACCESS POINT，简称F-AP)等，信息参数包括移动速度、通信距离、位置、服务质量需求以及处理和缓存能力等，上述各类信息参数的预设阈值可以根据用户需求进行人工配置。
现有技术通过人工配置各类信息参数的预设阈值，随着F-RAN业务需求量的增大，人工参与组网的过程越来越多，人工成本也越来越大。
发明内容
本发明实施例的目的在于提供基于人工智能的雾无线接入网络组网方法及装置，用以解决现有技术中人工配置各类信息参数的预设阈值，人工参与组网的过程越来越多，人工成本越来越大的技术问题。具体技术方案如下：
第一方面，本发明实施提供了基于人工智能的雾无线接入网络组网方法，包括：
中央计算逻辑模块接收上报的数据，所述上报的数据包括：无线接入网络中用户终端上报的测量汇报数据，基站上报的无线传输数据以及无线接入网络上报的运维数据，所述测量汇报数据包含用户行为，所述无线传输数据包含业务属性，所述运维数据包含所述无线接入网络的性能指标；
所述中央计算逻辑模块在第一周期内基于所述上报的数据，通过机器学习算法，得到在所述无线接入网络的覆盖范围下，与所述用户行为、所述业务属性及所述性能指标相匹配的一种无线接入网络工作模式；
边缘通信实体的边缘计算逻辑模块接收来自所述中央计算逻辑模块的所述无线接入网络工作模式；在第二周期内依据所述无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的，所述第二周期小于所述第一周期；
若判定所述已配置边缘通信实体满足所述接入网络模式中的组网目的，则所述边缘计算逻辑模块为所述已配置边缘通信实体中的用户终端调配资源；将所述已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络，所述资源包含无线资源、计算资源及缓存资源。
进一步的，在所述第一周期内，采用的所述机器学习算法为表示学习的方法，所述表示学习的方法包括：
从所述上报的数据，通过数据特征分类，得到降维后数据；
对降维后数据存在的潜在因子进行解析并构造有效表示，输出在所述无线接入网络的覆盖范围下，与所述用户行为、所述业务属性及所述性能指标相匹配的一种无线接入网络工作模式。
进一步的，在所述无线接入网络工作模式为广域无缝覆盖模式的情况下，所述广域无缝覆盖模式中采用最强接收功率的宏基站，将所述无线接入网络中用户终端接入所述无线接入网络，所述最强接收功率的宏基站为配置有预设基站协议栈以及采用集中式部署的多输入多输出MIMO技术和多址接入技术的宏基站；
在所述无线接入网络工作模式为热点高容量模式的情况下，所述热点高容量模式中采用目标小基站，将所述无线接入网络中用户终端接入所述无线接入网络；所述目标小基站为干扰最集中区域内所述无线接入网络中用户终端平均容量高于第一预设门限值，或者与其余小基站之间的干扰大于第二预设门限值的小基站，所述其余小基站为在所述干扰最集中区域内所有小基站中除所述目标小基站以外的剩余的小基站；
在所述无线接入网络工作模式为大连接低功耗模式的情况下，所述大连接低功耗模式中采用借助预设区域内的无线接入网络中用户终端分簇得到的簇头，将同一簇内簇成员的请求，通过用户终端直通技术和中继多跳技术进行汇总，使得所述簇成员接入所述无线接入网络，所述簇头直接接入所述无线接入网络，所述簇头为接入节点的请求数量高于第三预设门限值的第一用户终端，所述簇成员为同一簇内所有无线接入网络中用户终端中除所述第一用户终端以外剩余的用户终端；
在所述无线接入网络工作模式为低时延高可靠模式的情况下，所述低时延高可靠模式中采用传输时延小于第四预设门限的雾接入节点F-AP，通过多址接入技术将所有无线接入网络中用户终端接入所述无线接入网络；或者
若判定所述F-AP的传输时延大于第四预设门限值，且第二用户终端与目标用户终端之间的传输时延小于所述第四预设门限值，则将所述目标用户终端接入所述第二用户终端，与所述第二用户终端进行终端直通建立通信。
进一步的，所述方法还包括：
所述中央计算逻辑模块监控在预设时间内汇总的所有无线接入网络中用户终端上报的测量汇报数据，得到的业务量和所有无线接入网络中用户终端的请求数量是否超出预设变化程度；若判定业务量和所有无线接入网络中用户终端的请求数量未超过预设变化程度，则延长所述第一周期的时长；若判定业务量和所有无线接入网络中用户终端的请求数量超过预设变化程度，则减短所述第一周期的时长。
进一步的，所述第二周期内依据所述无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的，包括：
在第二周期内依据所述无线接入网络工作模式，所述边缘计算逻辑模块监测所述边缘通信实体的预设性能参数是否超出预设变化程度；
位于所述在第二周期内依据所述无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的之后，所述方法还包括：
若监测并判定所述边缘通信实体的预设性能参数超出预设变化程度，则判定已配置边缘通信实体当前配置不满足所述无线接入网络工作模式中的组网目的，所述边缘计算逻辑模块在第二周期内采用为深度强化学习算法的机器学习算法，优化所述已配置边缘通信实体的当前配置。
进一步的，所述判定已配置边缘通信实体不满足所述无线接入网络工作模式中的组网目的，所述边缘计算逻辑模块在第二周期内采用为深度强化学习算法的机器学习算法，优化所述已配置边缘通信实体的当前配置，包括：
在所述无线接入网络工作模式为广域无缝覆盖模式的情况下，所述边缘计算逻辑模块利用第一深度强化学习算法，优化所述边缘通信实体中的宏基站的发射功率及切换参数配置；
在所述无线接入网络工作模式为热点高容量模式的情况下，所述边缘计算逻辑模块利用第二深度强化学习算法，优化所述边缘通信实体中的小基站或远端射频单元的激活数目和缓存内容的更新；
在所述无线接入网络工作模式为大连接低功耗模式的情况下，所述边缘计算逻辑模块采用决策树模型，确定满足预设条件的用户终端，将满足预设条件的用户终端作为所述簇头，利用预设学习算法优化簇内的簇成员到所述簇头的路由；
在所述无线接入网络工作模式为低时延高可靠模式的情况下，所述边缘计算逻辑模块采用深度贝叶斯学习方法，根据所述已配置边缘通信实体中的用户终端历史接入节点信息，预测所述已配置边缘通信实体中的用户终端未来接入节点的选择，优化所述接入节点的移动性参数；
监测优化后的已配置边缘通信实体是否满足组网目的，若判定优化后的已配置边缘通信实体满足组网目的，则所述边缘计算逻辑模块为所述已配置边缘通信实体中的用户终端调配资源；将所述已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络；若判定优化后的已配置边缘通信实体不满足组网目的，则返回执行所述边缘通信实体的边缘计算逻辑模块接收来自所述中央计算逻辑模块的所述无线接入网络工作模式的步骤。
进一步的，位于所述在第二周期内依据所述无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的之后，所述方法还包括：
若判定已配置边缘通信实体当前调配的所述资源不满足组网目的，则所述在第三周期内采用为深度强化学习算法的机器学习算法，优化对已配置边缘通信实体所述资源的调配，所述第三周期小于所述第二周期。
进一步的，所述在第三周期内采用为深度强化学习算法的机器学习算法，优化对已配置边缘通信实体所述资源的调配，包括：
在第三周期内，在所述无线接入网络工作模式为广域无缝覆盖模式的情况下，所述边缘计算逻辑模块利用第三深度强化学习算法，调配所述无线资源，所述第三深度强化学习算法的奖励函数为接入节点的覆盖状态，所述第三深度强化学习算法的状态为干扰分布及链路状况；
在第三周期内，在所述无线接入网络工作模式为热点高容量模式的情况下所述边缘计算逻辑模块，利用第四深度强化学习算法，调配所述无线资源及所述缓存资源，所述第四深度强化学习算法的奖励函数为所述已配置边缘通信实体中的用户终端的平均吞吐量及接入节点平均传输容量的加权和，所述第四深度强化学习算法的状态为干扰分布及缓存状态；
在第三周期内，在所述无线接入网络工作模式为大连接低功耗模式的情况下，所述边缘计算逻辑模块利用第五深度强化学习算法，调配所述无线资源及所述计算资源，所述第五深度强化学习算法的奖励函数为接入节点的激活链接数，所述第五深度强化学习算法的状态为干扰分布及可用计算资源；
在第三周期内，在所述无线接入网络工作模式为低时延高可靠模式的情况下，述边缘计算逻辑模块利用第六深度强化学习算法，调配所述无线资源及所述缓存资源，所述第六深度强化学习算法的奖励函数为接入节点的平均时延和时延抖动时长的加权和，所述第六深度强化学习算法的状态为干扰分布及缓存状态；以及若判定所述已配置边缘通信实体不满足组网目的，则所述返回所述边缘计算逻辑模块在第二周期内采用为深度强化学习算法的机器学习算法，优化所述已配置边缘通信实体的当前配置的步骤；
若判定所述已配置边缘通信实体满足组网目的，则所述边缘计算逻辑模块将所述已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络，直至则等待下一个第三周期到达，返回继续执行所述边缘计算逻辑模块为所述已配置边缘通信实体中的用户终端调配资源的步骤。
第二方面，本发明实施提供了基于人工智能的雾无线接入网络组网装置，包括：
中央计算逻辑模块接收上报的数据，所述上报的数据包括：无线接入网络中用户终端上报的测量汇报数据，基站上报的无线传输数据以及无线接入网络上报的运维数据，所述测量汇报数据包含用户行为，所述无线传输数据包含业务属性，所述运维数据包含所述无线接入网络的性能指标；
所述中央计算逻辑模块在第一周期内基于所述上报的数据，通过机器学习算法，得到在所述无线接入网络的覆盖范围下，与所述用户行为、所述业务属性及所述性能指标相匹配的一种无线接入网络工作模式；
边缘通信实体的边缘计算逻辑模块接收来自所述中央计算逻辑模块的所述无线接入网络工作模式；在第二周期内依据所述无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的，所述第二周期小于所述第一周期；
若判定所述已配置边缘通信实体满足所述接入网络模式中的组网目的，则所述边缘计算逻辑模块为所述已配置边缘通信实体中的用户终端调配资源；将所述已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络，所述资源包含无线资源、计算资源及缓存资源。
进一步的，所述边缘计算逻辑模块，用于：
在第二周期内依据所述无线接入网络工作模式，所述边缘计算逻辑模块监测所述边缘通信实体的预设性能参数是否超出预设变化程度；
所述边缘计算逻辑模块，还用于：
位于在第二周期内依据所述无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的之后，若监测并判定所述边缘通信实体的预设性能参数超出预设变化程度，则判定已配置边缘通信实体当前配置不满足所述无线接入网络工作模式中的组网目的，所述边缘计算逻辑模块在第二周期内采用为深度强化学习算法的机器学习算法，优化所述已配置边缘通信实体的当前配置。
本发明实施例提供的基于人工智能的雾无线接入网络组网方法及装置，中央计算逻辑模块接收上报的数据，基于这些上报的数据，通过机器学习算法，中央计算逻辑模块配置与用户行为、业务属性及无线接入网络性能相匹配的无线接入网络工作模式；边缘计算逻辑模块利用这个无线接入网络工作模式，若判定所述已配置边缘通信实体满足所述接入网络模式中的组网目的，则边缘计算逻辑模块为所述已配置边缘通信实体中的用户终端调配资源；将已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络，资源包含无线资源、计算资源及缓存资源。
由此可见，相较于现有技术，这样通过机器学习算法，自动地实现基于人工智能的雾无线接入网络的组网，能主动感知信息，完成无线接入网络与业务的适配。相较于现有技术，不需要人工参与，减少人工成本；每次也不需要根据信息参数去配置各类信息参数的预设阈值，适应性比较好，灵活性较高，也不需要人工在信息参数发生变化后配置各类信息参数的预设阈值，滞后性较小。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其余的附图。
图1为本发明实施例提供的基于人工智能的雾无线接入网络组网方法的第一流程示意图；
图2为本发明实施例中央计算逻辑模块中基于表示学习的无线接入网络工作模式选择示意图；
图3为本发明实施例在F-RAN架构中部署中央计算逻辑模块和边缘计算逻辑模块的示意图；
图4为本发明实施例的基于人工智能的雾无线接入网络组网方法的第二流程示意图；
图5为本发明实施例的中央计算逻辑模块触发无线接入网络工作模式选择和边缘计算逻辑模块触发功能配置的时间节点示意图；
图6为本发明实施例的边缘计算逻辑模块中基于深度强化学习的资源调度示意图；
图7为本发明实施例的边缘计算逻辑模块触发功能配置和资源调配优化的时间节点示意图；
图8为本发明实施例的雾无线接入组网方法应用实现流程图；
图9为本发明实施例的基于人工智能的雾无线接入网络组网装置的结构示意图；
图10为本发明实施例的基于中央计算逻辑模块统一管控的集中管理架构；
图11为本发明实施例基于人工智能的雾无线接入网络组网方法中无线接入网络工作模式对应的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其余实施例，都属于本发明保护的范围。
针对现有技术的人工配置各类信息参数的预设阈值，人工参与组网的过程越来越多，人工成本越来越大的问题，本发明实施例提供基于人工智能的雾无线接入网络组网方法及装置，通过机器学习算法，自动地实现基于人工智能的雾无线接入网络进行组网，能主动感知信息，完成无线接入网络与业务的适配。相较于现有技术，不需要人工参与，减少人工成本；每次也不需要根据信息参数去配置各类信息参数的预设阈值，适应性比较好，灵活性较高，也不需要人工在信息参数发生变化后配置各类信息参数的预设阈值，滞后性较小。
下面首先对本发明实施例提供的基于人工智能的雾无线接入网络组网方法进行介绍。
参见图1，图1为本发明实施例提供的基于人工智能的雾无线接入网络组网方法的第一流程示意图。本发明实施例所提供的基于人工智能的雾无线接入网络组网方法可以包括如下步骤：
步骤110，中央计算逻辑模块接收上报的数据，上报的数据包括：无线接入网络中用户终端上报的测量汇报数据，基站上报的无线传输数据以及无线接入网络上报的运维数据，测量汇报数据包含用户行为，无线传输数据包含业务属性，运维数据包含无线接入网络的性能指标。
上述中央计算逻辑模块位于集中式云或核心网，具备计算资源，能够承担相对于边缘通信实体的边缘计算逻辑模块资源开销较大的机器学习算法。随着不同信息的输入，中央计算逻辑模块负责进行无线接入网络工作模式的柔性重构置。所述柔性重构置是指在基于网络功能虚拟化的网络环境中，对网络进行网络功能的按需重编排与管理，实现网络的定制化。
机器学习算法包含但不限于：深度强化学习算法。本发明实施例以深度强化学习算法为例进行说明。上述所提及的深度强化学习算法包括表示学习，深度强化学习，但不局限于表示学习，深度强化学习，还可以用多任务学习、迁移学习、深度非监督学习，具体深度强化学习算法的选择依据组网需求和可用数据而定。
由于使用机器学习算法，能够进行学习，因此组网性能得到提升，并且算法的复杂度降低。
上述用户终端测量汇报数据可以包括但并不限于：用户终端接收信号功率、用户终端移动速率；无线传输数据可以包括但并不限于：无线接入网络的关键绩效指标(KeyPerformance Indicator，简称KPI)对应的性能指标。该无线接入网络的KPI对应的性能指标可以包括但并不限于：无线接入网络的干扰状态、无线接入网络的覆盖状态、无线接入网络的平均时延和时延抖动、无线接入网络的激活链接数、无线接入网络的单位面积吞吐量及用户平均传输容量。
上述无线接入网络上报的运维数据可以包括但并不限于：业务属性、用户移动和社会关系属性、业务和用户关系属性，相当于，由核心网存储的与用户终端和无线接入网络相关的历史数据。示例性的，能够说明业务属性比如用户终端过去使用过的业务种类，能够说明社会关系属性比如用户终端与用户终端之间的通信频率，能够说明业务和用户关系属性比如用户业务使用偏好。
上述用户终端的测量汇报数据、基站上传的无线传输数据及无线接入网络上报的运维数据，都是获得的上报的数据。将这些上报的数据作为中央计算逻辑模块学习方法的输入数据。将用户行为和业务种类，作为判决组网目的是否实现的参考依据之一，基于本发明实施例的组网方法要求是否满足用户体验和业务特征需求。
在本步骤110之前，所述方法还包括：根据当前无线接入网络中所有接入业务的业务属性、组网性能需求、干扰抑制需求，以及用户移动和社会关系属性，并且结合当前无线接入网络的状况，完成对中央计算逻辑模块和边缘计算逻辑模块的配置。上述计算逻辑模块主要用于深度强化学习算法的承载，用于执行模型训练和预测等任务。
步骤120，中央计算逻辑模块在第一周期内基于上报的数据，通过机器学习算法，得到在无线接入网络的覆盖范围下，与用户行为、业务属性及性能指标相匹配的一种无线接入网络工作模式。
其中，第一周期T1可以为根据用户需求进行设置，也可以是根据工业需求进行设置，还可以是根据网络实际状况和业务实际需求进行动态调配。示例性的，本发明实施例的基于人工智能的雾无线接入网络组网方法还包括：
第1步，中央计算逻辑模块监控在预设时间内汇总的所有用户终端上报的测量汇报数据，得到的业务量和用户终端的请求数量是否超出预设变化程度；上述预设时间可以是根据用户需要进行设置，也可以等于第一周期的时长，也可以小于第一周期的时长。如果得到的业务量和用户终端的请求数量未超过预设变化程度，则执行第2步，如果得到的业务量和用户终端的请求数量超过预设变化程度，则执行第3步。
第2步，延长第一周期的时长。
其中，上述预设变化程度用于可以是根据深度强化学习算法，得到与实际情况相适配的波动范围值。上述判定业务量和所有无线接入网络中用户终端的请求数量未超出预设变化程度可以用于表征在波动范围值内网络波动不明显，即认为在预设时间内无线接入网络状态稳定，业务需求变化不大，满足业务量和用户终端的请求数量，此时中央计算逻辑模块的无线接入网络工作模式选择第一周期T1可以适当延长，降低频繁地选择无线接入网络带来不必要的成本浪费。
第3步，减短第一周期的时长。
上述判定业务量和所有无线接入网络中用户终端的请求数量超出预设变化程度可以用于表征在波动范围值内网络波动明显，即认为在预设时间内当前网络状态不稳定。本发明实施例的基于人工智能的雾无线接入网络组网方法在预设时间内不能满足业务量和用户终端的请求数量，此时中央计算逻辑模块需要缩短无线接入网络工作模式选择第一周期T1以适应网络变化，从而有效保障无线接入网络工作模式能更好满足不同业务的实时需求，提升网络性能。
参见图2所示，为了能够在第一周期内，得到在无线接入网络的覆盖范围下，与用户行为、业务属性及性能指标相匹配的一种无线接入网络工作模式，可选的，本步骤120中的在第一周期内，采用的机器学习算法为表示学习的方法，该表示学习的方法包括：
第一步，从上述上报的数据，通过数据特征分类，得到降维后数据；第二步，对降维后数据存在的潜在因子进行解析并构造有效表示，输出在无线接入网络的覆盖范围下，与用户行为、业务属性及性能指标相匹配的一种无线接入网络工作模式，用以满足用户体验和业务特征需求。
上述无线接入网络工作模式可以包括以下之一，但并不限于此：广域无缝覆盖模式、热点高容量模式、大连接低功耗模式、低时延高可靠模式。具体的，
(一)、在无线接入网络工作模式为广域无缝覆盖模式的情况下，广域无缝覆盖模式中采用最强接收功率的宏基站，将无线接入网络中用户终端接入无线接入网络，最强接收功率的宏基站为配置有预设基站协议栈以及采用集中式部署的多输入多输出多输入多输出(Multiple-Input Multiple-Output，简称MIMO)技术和多址接入技术的宏基站，以提高小区容量和覆盖范围。上述预设基站协议栈中的基站可以为4G基站。
(二)、在无线接入网络工作模式为热点高容量模式的情况下，热点高容量模式中采用目标小基站，将无线接入网络中用户终端接入无线接入网络；目标小基站为干扰最集中区域内无线接入网络中用户终端平均容量高于第一预设门限值，或者与其余小基站之间的干扰大于第二预设门限值的小基站，其余小基站为在干扰最集中区域内所有小基站中除目标小基站以外的剩余的小基站。
上述目标小基站的功能退化为远端射频单元(Radio Remote Unit，简称RRH)，把目标基站的物理层、媒体介入控制层(Media Access Control，简称MAC)和无线资源控制(Radio Resource Control，简称RRC)层功能，根据深度强化学习算法上移到基带基础处理单元(Building Base band Unite，简称BBU)池，BBU Pool池通过前传链路与RRH相连。
(三)、在无线接入网络工作模式为大连接低功耗模式的情况下，大连接低功耗模式中采用借助预设区域内的无线接入网络中用户终端分簇得到的簇头，将同一簇内簇成员的请求，通过用户终端直通技术和中继多跳技术进行汇总，使得簇成员接入无线接入网络，簇头直接接入无线接入网络，簇头为接入节点的请求数量高于第三预设门限值的第一用户终端，簇成员为同一簇内所有无线接入网络中用户终端中除第一用户终端以外剩余的用户终端。
同一簇内通过用户终端直通技术和中继多跳技术，将簇成员的请求汇总到簇头，将簇成员通过簇头接入无线接入网络，进一步包括：同一簇内通过用户终端直通技术和中继多跳技术，利用深度强化学习算法选择合适路由，将簇成员的请求汇总到簇头，将簇成员通过簇头接入无线接入网络，这样保证大规模数量的用户终端能够同时接入网络；上述用户终端采用的传输子载波带宽更小，并通过优化基站功能配置，例如简化物理信道设计减少信令开销。路由的选取的选取方式是基于第一参考信息，依据深度强化学习算法得到的。第一参考信息包括当前节点待传输数据量及下一跳节点剩余能量。要求以最低总功耗完成数据的传输。
簇头直接接入无线接入网络，进一步包括：上述簇头与不具备组网能力的用户终端，通过免调度的竞争接入方式接入节点，这样使得用户终端能够快速接入网络；其中，簇头的选取方式是基于第二参考信息，依据深度强化学习算法得到的。第二参考信息包括节点的缓存能力，可连接数目，剩余能量，与无线接入网络连接状态。这样簇内第一用户终端缓存能力越强，业务处理能力越高，同时剩余能量充沛，所处位置合适，能够使得更多的其他用户终端同时接入该第一用户终端，而该第一用户终端与无线接入网络连接状态为正常，则该第一用户终端被选为簇头的概率越大，该簇头能够保证通信正常；簇内通过优化数据采集和上报频率，提高网络连接数量以及降低节点功耗。
(四)、在无线接入网络工作模式为低时延高可靠模式的情况下，低时延高可靠模式中采用传输时延小于第四预设门限的雾接入节点(Fog Radio Access Network，简称F-RAN)，通过多址接入技术将所有无线接入网络中用户终端接入无线接入网络；或者
若判定F-AP的传输时延大于第四预设门限值，且第二用户终端与目标用户终端之间的传输时延小于所述第四预设门限值，则将目标用户终端接入所述第二用户终端，与所述第二用户终端进行终端直通建立通信，其中目标用户终端是指任何需要使用低时延高可靠模式进行通信连接的用户终端。这样可以在基站的辅助下完成第二用户终端直通链路的建立与数据的传输。
上述F-AP具有前端无线射频信号和符号处理模块，也具有基带信号物理处理和无线资源管理控制模块，同时F-AP由于承载了应用层功能，具备控制管理功能，因此可以实现移动数据处理本地化，减少路由转发节点数，降低端到端时延；同时优化接入节点协议栈层数与功能，借助空口技术，减少空口时延；通过F-AP进行本地局部的协作通信，利用多址接入技术、编码方式和重传机制，提高链路可靠性。
通过深度强化学习把无线接入网络覆盖的环境，根据用户行为和业务属性，分成不同的服务环境，单个时间段不同服务环境只能工作在一种无线接入网络工作模式中，相邻时间可以执行不同的一种无线接入网络工作模式，按照第一周期T1进行更新。
如果上述四种无线接入网络工作模式无法满足用户更新的业务需求，所述方法还包括：中央计算逻辑模块根据业务更新后的用户终端测量汇报数据、上报的测量汇报数据，基站上报的无线传输数据以及无线接入网络上报的运维数据，采用上述的深度强化学习，进行更多模式的柔性重构。同时，边缘通信实体的边缘计算逻辑模块根据业务具体的性能指标要求，确定边缘通信实体的配置与优化，以及资源的分配。具体实现过程在下面进行详细介绍。
步骤130，边缘通信实体的边缘计算逻辑模块接收来自中央计算逻辑模块的无线接入网络工作模式；在第二周期内依据无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的，第二周期小于第一周期。上述第一周期T1可以是N倍的第二周期T2，即T1＝N×T2，其中N为正整数。
其中，将本发明实施例中边缘通信实体的计算逻辑模块，称为边缘计算逻辑模块。上述边缘计算逻辑模块位于网络边缘，结合F-RAN实例进行说明，参照图3所示，F-RAN包括：中央计算逻辑模块21，边缘计算逻辑模块22，F-AP23，宏基站24，RRH25，用户终端UE26，小基站27，BBU Pool28。具体部署在高功率节点(high power node，简称HPN)外接负责资源管理的设备，例如3G网络中的无线接入网络控制器(Radio Network Controller，简称RNC)、集中式云处理的BBU Pool28或者F-AP23。边缘通信实体包括分布式的雾，雾中设备资源有限，可以承担相对于中央计算逻辑模块计算资源开销较低的深度强化学习算法，但靠近网络边缘，实时性高且便于网络扩展。
所述组网目的是指在无线接入网络的覆盖范围下，业务性能需求得到满足，无线接入网络提供的性能指标大于阈值，无线接入网络中各维度的资源利用率大于阈值，从而保证各维度的资源得到优化，其中阈值可以根据实际需要进行设置，在此不一一说明。
步骤140，若判定已配置边缘通信实体满足接入网络模式中的组网目的，则边缘计算逻辑模块为已配置边缘通信实体中的用户终端调配资源；将已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络，资源包含无线资源、计算资源及缓存资源。
上述边缘计算逻辑模块根据中央计算逻辑模块的无线接入网络工作模式为已配置边缘通信实体中的用户终端调配资源，具体说明如下：
其中，已配置边缘通信实体是初始化后的边缘通信实体，这个初始化已配置边缘通信实体，可以完成对边缘通信实体的配置及调配资源。边缘通信实体的配置是指基于第一预设输入信息，完成数据的挖掘和模型训练，给出不同无线接入网络的性能指标在第二周期T2上的预测模型，用于边缘通信实体的配置。边缘计算逻辑模块的第一预设输入信息主要来自边缘通信实体覆盖下的用户终端和接入节点涉及的数据。这里边缘通信实体覆盖下的用户终端和接入节点涉及的数据可以包括但不限于：接入节点业务属性，接入节点的组网性能、以及接入节点的缓存状态等。边缘计算逻辑模块的输出信息可以包括但不限于：基站的开启和关闭，发射功率的优化，天线倾斜角的优化，缓存器内容更新优化，预存内容的预先推送缓存，以及移动性参数的优化；其中，接入节点的组网性能包括：接入节点业务干扰分布、覆盖状态、平均时延和时延抖动、激活链接数、平均吞吐量、用户平均传输容量。
需要对上述边缘通信实体的配置进行优化，边缘通信实体的配置优化具体包括接入节点的开启和关闭，发射功率的优化，天线倾斜角的优化，缓存器内容更新优化，预存内容的预先推送缓存，以及移动性参数的优化。
上述边缘通信实体的资源调配是基于第二预设输入信息，完成数据的挖掘和模型训练，给出无线接入网络的性能指标在第三周期T3上的预测模型，结合现有的资源调配算法，完成无线资源、计算资源、缓存资源的资源调配算法的优化。资源调配算法可以使用机器学习算法中的各种算法，本发明实施例以深度强化学习为例进行说明，该深度强化学习包含：状态、动作及奖励函数。其中，第二预设输入信息主要来自接入节点和接入节点间链路信息，第二预设输入信息可以为但不限于用户服务的接入节点负载和缓存状况等。边缘计算逻辑模块的输出信息是面向不同激活用户的无线资源、计算资源、缓存资源的分配策略。
本发明实施例，这样通过机器学习算法，自动地实现基于人工智能的雾无线接入网络的组网，能主动感知信息，完成无线接入网络与业务的适配。相较于现有技术，不需要人工参与，减少人工成本；每次也不需要根据信息参数去配置各类信息参数的预设阈值，适应性比较好，灵活性较高，也不需要人工在信息参数发生变化后配置各类信息参数的预设阈值，滞后性较小。
结合图1，参见图4，本发明实施例在上述130进一步的可以包括但不限于此：
步骤131，在第二周期内依据无线接入网络工作模式，边缘计算逻辑模块监测边缘通信实体的预设性能参数是否超出预设变化程度。
在上述步骤131之后，所述方法还可以包括但不限于：
步骤141，若监测并判定边缘通信实体的预设性能参数超出预设变化程度，则判定已配置边缘通信实体当前配置不满足无线接入网络工作模式中的组网目的，边缘计算逻辑模块在第二周期内采用为深度强化学习算法的机器学习算法，优化所述已配置边缘通信实体的当前配置。
其中，预设性能参数可以包括但不限于：用户数据速率明显降低、干扰水平或时延水平超过预定门限。预设变化程度可以根据用户需要进行设置。
上述预设变化程度用于可以是根据深度强化学习算法，得到与实际情况相适配的波动范围值。上述边缘通信实体的预设性能参数未超出预设变化程度可以用于表征在波动范围值内网络波动不明显，即认为在预设时间内无线接入网络状态稳定，业务需求变化不大，满足业务量和用户终端的请求数量，此时已配置边缘通信实体满足无线接入网络工作模式中的组网目的。
边缘通信实体的预设性能参数超出预设变化程度可以用于表征在波动范围值内网络波动明显，即认为在预设时间内当前网络状态不稳定，说明基于人工智能的雾无线接入网络组网方法在预设时间内不能满足业务量和用户终端的请求数量，即，已配置边缘通信实体不满足无线接入网络工作模式中的组网目的，此时边缘计算逻辑模块在第二周期内采用为深度强化学习算法的机器学习算法，优化所述已配置边缘通信实体的当前配置，直到边缘通信实体的预设性能参数低于或等于预设变化程度，以适应网络变化，从而有效保障无线接入网络工作模式能更好满足不同业务的实时需求，提升网络性能。
这样实时监测边缘通信实体的性能，一旦边缘通信实体的预设性能参数超出预设变化程度，则说明出现较大性能波动，则通过边缘通信实体的资源调配来稳定业务性能的变化。
本步骤141进一步可以包括但不限于：首先，对已配置边缘通信实体覆盖下的用户终端和接入用户涉及的数据进行深度强化学习，利用深度强化学习算法进行边缘通信实体的配置优化。
结合图5进行说明步骤141的具体实现流程，第1步，边缘计算逻辑模块接收到来自中央计算逻辑模块的无线接入网络工作模式信息后，启动计时器从T＝0开始计时；边缘计算逻辑模块根据边缘通信实体覆盖下的用户终端和接入点涉及的数据，进行配置优化；计时器每经过一个第二周期T2的时长，边缘计算逻辑模块需要依据当前通信实体覆盖范围下业务是否满足组网目的，从而判断是否需要触发边缘通信实体的配置优化的触发状态；
第2步，如果边缘计算逻辑模块进入触发状态，则边缘通信实体进行配置优化。
第3步，边缘计算逻辑模块如果未能满足组网目的，则进入事件触发模式，即直接跳至第一周期T1的触发模式，要求重新选择无线接入网络工作模式。若判定满足，则重复上述第1步至第3步。
为了更好的说明本步骤141，上述步骤141进一步可以包括但不限于如下步骤：
(一)、在无线接入网络工作模式为广域无缝覆盖模式的情况下，边缘计算逻辑模块利用第一深度强化学习算法，优化边缘通信实体中的宏基站的发射功率及切换参数配置。
此处第一深度强化学习算法的系统状态可以包括但不限于：接入节点的覆盖状况，服务用户终端的接入节点的干扰分布、接入节点与接入节点间链路信息；第一深度强化学习算法的系统动作可以是指接入节点的离散发射功率和切换参数的选择；第一深度强化学习算法的奖励函数可以是指所有接入节点下中断率大于门限值的用户终端数目；采用第一深度强化学习算法，能够以较低的计算复杂度，实现分布式的节点发射功率优化。
(二)、在无线接入网络工作模式为热点高容量模式的情况下，边缘计算逻辑模块利用第二深度强化学习算法，优化边缘通信实体中的小基站或RRH的激活数目和缓存内容的更新。
此处第二深度强化学习算法的系统状态可以包括但不限于：内容在预设请求时长内的接入请求数的缓存状态特征，以及该接入节点的干扰分布、接入节点与接入节点间链路信息；第二深度强化学习算法的系统动作可以是指文件替换以及接入节点开关；第二深度强化学习算法的奖励函数可以是指所有接入点的平均吞吐量；采用第二深度强化学习算法，能够以较低的计算复杂度，实现接入节点激活数目和缓存内容的优化；示例性的，预设时长可以是1小时、1天或1周。
(三)、在无线接入网络工作模式为大连接低功耗模式的情况下，边缘计算逻辑模块采用决策树模型，确定满足预设条件的用户终端，将满足预设条件的用户终端作为簇头，利用预设学习算法优化簇内的簇成员到簇头的路由。这里满足预设条件的用户终端，即上述第一用户终端。这里的预设学习算法可以是但不限于深度强化学习算法中的任一算法。
上述决策树模型的判决条件包括各节点距离簇头几何中心的距离，各用户终端的缓存能力，可连接数目，剩余能量。采用决策树选取簇头，能够快速完成簇头的选择，并保证簇内所有用户终端数据传输过程中能耗降低；簇头选取完毕后，采用预设学习算法选取簇成员到簇头的路由。其中，预设学习算法中状态定义为当前节点，动作定义为节点下一跳节点选择，奖励函数为数据推送至下一跳节点的成功与失败的奖励加权和。这样奖励由当前节点待传输数据量，节点剩余能量及簇内所有簇头和簇成员能量综合，采用预设学习算法的方法选择路由，兼顾了节点的计算能力，同时簇成员总能耗降低。当前节点为当前用户终端；节点下一跳节点为当前用户终端的下一跳相邻的用户终端。
(四)、在无线接入网络工作模式为低时延高可靠模式的情况下，采用深度贝叶斯学习方法，边缘计算逻辑模块采用深度贝叶斯学习方法，根据已配置边缘通信实体中的用户终端历史接入节点信息，预测已配置边缘通信实体中的用户终端未来接入节点的选择，优化接入节点的移动性参数，保证高速移动的用户终端的连接可靠性，同时采用深度强化学习进行分布式的资源分配；此处深度强化学习算法的系统状态可以包括但不限于：用户终端剩余传输数据量和时延，接入节点的干扰分布、接入节点与接入节点间链路信息；深度强化学习算法的系统动作可以是指接入节点的发射功率；深度强化学习算法的奖励函数可以是指所有接入点的平均吞吐量与时延约束加权和；采用深度强化学习算法，能够以较低的计算复杂度，实现分布式的节点发射功率优化；以及，
其次，边缘计算逻辑模块监测优化后的已配置边缘通信实体是否满足组网目的，若判定优化后的已配置边缘通信实体满足组网目的，则边缘计算逻辑模块为已配置边缘通信实体中的用户终端调配资源；将已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络；若判定优化后的已配置边缘通信实体不满足组网目的，则返回执行边缘通信实体的边缘计算逻辑模块接收来自中央计算逻辑模块的无线接入网络工作模式的步骤。
在一种可能的实现方式中，为了能够组成雾无线接入网络，结合图1，在步骤130之后，方法还包括如下第132步骤至第134步骤：
第132步骤，判断已配置边缘通信实体当前调配的资源是否满足组网目的。
其中，上述无线资源可以包括但不限于时域、频域、码域、空域和功率域资源；上述缓存资源包括可用存储空间、文件内容和缓存替换内容；上述计算资源可以是指各用户终端的本地数据处理能力和使用的深度强化学习算法，上述计算资源还可以包括但不限于支持机器学习模型训练的数据运算能力；资源调配相关的性能包括用户体验速率、峰值速率、传输时延等，所述资源调配相关的配置包括传输模式、频带资源、缓存配置等。
第133步骤，若判定已配置边缘通信实体当前调配的资源不满足组网目的，则边缘计算逻辑模块在第三周期内采用为深度强化学习算法的机器学习算法，优化对已配置边缘通信实体资源的调配，第三周期小于所述第二周期。
在无线接入网络工作模式不同的情况下，所述在第三周期内采用为深度强化学习算法的机器学习算法，优化对已配置边缘通信实体无线资源、计算资源及缓存资源的调配各不相同，参见图6，边缘计算逻辑模块根据当前状态下不同动作带来的奖励进行动作的选择，使得基于深度强化学习(Deep Q Network，简称DQN)的资源调配能够在连续的时间内获得效益最大化。其中，状态是由干扰分布，链路状况，缓存状态，可用计算资源等联合定义，动作为功率分配，信道选择，文件缓存，计算资源分配等，奖励函数是从速率，能量效率，时延等性能指标中选择的。
以下对在第三周期内采用为深度强化学习算法的机器学习算法，优化对已配置边缘通信实体无线资源、计算资源及缓存资源的调配进行详细说明：
在第三周期内，无线接入网络工作模式为广域无缝覆盖模式的情况下，边缘计算逻辑模块在利用第三深度强化学习算法，调配无线资源，第三深度强化学习算法的奖励函数为接入节点的覆盖状态，第三深度强化学习算法的状态为干扰分布及链路状况。第三深度强化学习算法的奖励函数为接入节点的覆盖状态示比如可以为中断概率。
在第三周期内，在无线接入网络工作模式为热点高容量模式的情况下，边缘计算逻辑模块利用第四深度强化学习算法，调配无线资源及缓存资源，第四深度强化学习算法的奖励函数为已配置边缘通信实体中的用户终端的平均吞吐量及接入节点平均传输容量的加权和，第四深度强化学习算法的状态为干扰分布及缓存状态。
在第三周期内，在无线接入网络工作模式为大连接低功耗模式的情况下，边缘计算逻辑模块利用第五深度强化学习算法，调配无线资源及计算资源，第五深度强化学习算法的奖励函数为接入节点的激活链接数，第五深度强化学习算法的状态为干扰分布及可用计算资源。
在第三周期内，在无线接入网络工作模式为低时延高可靠模式的情况下，边缘计算逻辑模块利用第六深度强化学习算法，调配无线资源及缓存资源，第六深度强化学习算法的奖励函数为接入节点的平均时延和时延抖动时长的加权和，第六深度强化学习算法的状态为干扰分布及缓存状态；以及
若判定已配置边缘通信实体不满足组网目的，则返回所述边缘计算逻辑模块在第二周期内采用为深度强化学习算法的机器学习算法，优化所述已配置边缘通信实体的当前配置的步骤；
若判定已配置边缘通信实体满足组网目的，则边缘计算逻辑模块将已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络，直至则等待下一个第三周期到达，返回继续执行所述边缘计算逻辑模块为所述已配置边缘通信实体中的用户终端调配资源的步骤。
其中，上述第一深度强化学习算法、第二深度强化学习算法、第三深度强化学习算法、第四深度强化学习算法、第五深度强化学习算法及第六深度强化学习算法中的“第一”“第二”“第三”“第四”、“第五”及“第六”只是为了区分这些深度强化学习算法，并没有顺序限制。上述无线资源的调配主要可以是但不限于：时域、频域、码域、空域和功率域资源的增加；上述缓存资源的调配主要可以是但不限于：缓存空间变更和缓存内容转移：缓存空间变更主要可以是但不限于：热点区域更多的缓存节点被利用，缓存空间被提升；缓存内容转移主要可以是但不限于：热点区域用户所需要的缓存内容，被替换更新成能带来更高奖励的缓存内容；上述计算资源的调配主要可以是但不限于：各用户终端的本地数据处理能力的提升，使用的深度强化学习算法的改进。
上述第二周期T2可以是M倍的第三周期T3，即T2＝M×T3，其中M为正整数。
第134步骤，若判定已配置边缘通信实体满足接入网络模式中的组网目的，则边缘计算逻辑模块为已配置边缘通信实体中的用户终端调配资源；将已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络，资源包含无线资源、计算资源及缓存资源，这些无线资源、计算资源及缓存资源也可以称为多维资源。
本发明实施例中，根据各无线接入网络工作模式中用户行为、业务属性及性能指标的动态变化，中央计算逻辑模块和边缘通信实体的边缘计算逻辑模块不断优化调整无线接入网络工作模式，优化边缘通信实体配置以及资源分配，使得无线接入网络始终能满足差异化的网络需求。
结合图7，具体说明在第三周期T3内所述边缘计算逻辑模块优化对已配置边缘通信实体无线资源、计算资源及缓存资源的调配：
第一步，在计时器从T＝0计时开始，边缘计算逻辑模块监督评估当前通信实体和接入用户的无线资源、计算资源、缓存资源调配相关的性能和配置。计时器每经过一个第三周期T3的时长，边缘计算逻辑模块需要判断当前调配的资源是否满足组网目的，从而判断是否需要触发边缘通信实体资源调配算法的优化；如果当前调配的资源能支持边缘通信实体运行，并保障业务都能达到性能要求，实现组网目的，所述边缘通信实体维持当前调配的资源，跳过第133步骤，继续计时；如果现有的边缘通信实体配置情况难以继续满足业务性能需求，组网目的不能保障，则此时执行如下第二步和第三步，边缘计算逻辑模块利用人工智能进行预测诊断，优化边缘通信实体的资源调度算法。
第二步，边缘计算逻辑模块进入触发状态，优化边缘通信实体的资源调配，在此以深度强化学习为例，参照图7，边缘计算逻辑模块根据当前状态下不同动作带来的奖励进行动作的选择，使得基于深度强化学习的资源调配策略能够在连续的时间内获得效益最大化。
第三步，资源调整完毕，边缘计算逻辑模块监测如果判定未已配置边缘通信实体能满足组网目的，则进入事件触发模式，即直接跳至第二周期T2触发模式，要求边缘通信实体进行重配置；若判定已配置边缘通信实体满足组网目的，则监测等待直至的时长达到第三周期T3的整数倍，进行下一轮资源调配；当计时达到第三周期T3的M倍(即第二周期T2)时，边缘计算逻辑模块进行确定是否需要进入第二周期T2触发模式，边缘通信实体进行配置优化。
参见图8所示，参见图8，基于人工智能，完整的给出了的无线接入组网方法总过程。
步骤31，开始计时T＝0，同时中央计算逻辑模块接收的上报的数据，选择无线接入网络覆盖范围下，与用户行为、业务属性及性能指标相匹配的一种无线接入网络工作模式。这样无线接入网络完成初始化，初始化的内容包括边缘通信实体的功能配置与资源的分配。
步骤32，当计时到达第三周期T3的整数倍时，边缘通信实体的边缘计算逻辑模块进入第三周期T3周期触发模式；
步骤33，根据用户终端和接入节点间状况，为用户服务的接入节点负载和缓存状况等，边缘计算逻辑模块利用基于深度强化学习算法的改进资源调度算法，为不同激活用户终端分配资源。
步骤34，监控已配置边缘通信实体是否满足组网目的。
步骤35，若判定已配置边缘通信实体未能满足组网目的，则进入事件触发模式，即直接跳至第二周期T2触发模式，需要优化所述已配置边缘通信实体的当前配置的调配；
步骤36，判定已配置边缘通信实体满足组网目的，则判断计时是否到达第三周期T3的整数倍，在计时没有到达第三周期T3的整数倍时，返回执行上述步骤32，重复上述步骤32至步骤36，直至判定计时达到第二周期T2(T2＝T3*M)时，执行步骤37。
步骤37，当计时达到第二周期T2(T2＝T3*M)时，此时边缘通信实体进入第二周期T2周期触发模式，根据边缘通信实体覆盖下的用户终端和接入节点涉及的数据，边缘计算逻辑模块对边缘通信实体进行配置与优化。
步骤38，监控已配置边缘通信实体是否满足组网目的，若判定已配置边缘通信实体满足组网目的，则判定计时达到第一周期T1(T1＝T2*N)时，执行步骤40。
步骤39，如果判定已配置边缘通信实体不满足组网目的，则进入事件触发模式，即直接跳至第一周期T1触发模式，要求重新选择无线接入网络工作模式。
步骤40，判断计时是否到达第二周期T2的整数倍，若计时未到达第二周期T2的整数倍，则返回步骤32继续执行；
步骤41，当计时达到第一周期T1(T1＝T2*N)时，此时中央计算逻辑模块进入第一周期T1触发模式，中央计算逻辑模块根据接收的上报的数据，中央计算逻辑模块决定无线接入网络覆盖范围下，与用户行为、业务属性及性能指标相匹配的一种无线接入网络工作模式。
本发明实施例，这样通过机器学习算法，自动地实现基于人工智能的雾无线接入网络的组网，能主动感知信息，完成无线接入网络与业务的适配。相较于现有技术，不需要人工参与，减少人工成本；每次也不需要根据信息参数去配置各类信息参数的预设阈值，适应性比较好，灵活性较高，也不需要人工在信息参数发生变化后配置各类信息参数的预设阈值，滞后性较小。
下面继续对本发明实施例提供的基于人工智能的雾无线接入网络组网装置进行介绍。
如图9所示，本发明实施例还提供一种基于人工智能的雾无线接入网络组网装置，包括：
中央计算逻辑模块21，用于中央计算逻辑模块接收上报的数据，上报的数据包括：无线接入网络中用户终端上报的测量汇报数据，基站上报的无线传输数据以及无线接入网络上报的运维数据，测量汇报数据包含用户行为，无线传输数据包含业务属性，运维数据包含无线接入网络的性能指标；
中央计算逻辑模块21，还用于中央计算逻辑模块在第一周期内基于上报的数据，通过机器学习算法，得到在无线接入网络的覆盖范围下，与用户行为、业务属性及性能指标相匹配的一种无线接入网络工作模式；
边缘通信实体的边缘计算逻辑模块22，用于接收来自中央计算逻辑模块的无线接入网络工作模式；在第二周期内依据无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的，第二周期小于第一周期；
边缘计算逻辑模块22，还用于若判定已配置边缘通信实体满足接入网络模式中的组网目的，则边缘计算逻辑模块为已配置边缘通信实体中的用户终端调配资源；将已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络，资源包含无线资源、计算资源及缓存资源。
上述中央计算逻辑模块与边缘通信实体之间存在信息交互接口，如图10所示，边缘通信实体有n个，各边缘通信实体有一个边缘计算逻辑模块，中央计算逻辑模块根据基于用户终端的测量汇报数据、基站上传的无线传输数据和无线接入网络上报的运维数据，通过数据挖掘和模型训练，获得无线接入网络工作模式的确认，并将无线接入网络工作模式发送给边缘通信实体，作为边缘通信实体功能配置和资源调配的参考依据；边缘通信实体在完成配置和资源调配后，测量接入用户和基站相关的无线数据，反馈汇报给中央计算逻辑模块，作为中央计算逻辑模块后续数据挖掘和模型训练的输入数据。
本发明实施例，这样通过机器学习算法，自动地实现基于人工智能的雾无线接入网络的组网，能主动感知信息，完成无线接入网络与业务的适配。相较于现有技术，不需要人工参与，减少人工成本；每次也不需要根据信息参数去配置各类信息参数的预设阈值，适应性比较好，灵活性较高，也不需要人工在信息参数发生变化后配置各类信息参数的预设阈值，滞后性较小。
在一种可能的实现方式中，在所述第一周期内，采用的所述机器学习算法为表示学习的方法，该表示学习的方法包括：
从上报的数据，通过数据特征分类，得到降维后数据；
对降维后数据存在的潜在因子进行解析并构造有效表示，输出在无线接入网络的覆盖范围下，与用户行为、业务属性及性能指标相匹配的一种无线接入网络工作模式。
在一种可能的实现方式中，在无线接入网络工作模式为广域无缝覆盖模式的情况下，广域无缝覆盖模式中采用最强接收功率的宏基站，将无线接入网络中用户终端接入无线接入网络，最强接收功率的宏基站为配置有预设基站协议栈以及采用集中式部署的多输入多输出MIMO技术和多址接入技术的宏基站；
在无线接入网络工作模式为热点高容量模式的情况下，热点高容量模式中采用目标小基站，将无线接入网络中用户终端接入无线接入网络；目标小基站为干扰最集中区域内无线接入网络中用户终端平均容量高于第一预设门限值，或者与其余小基站之间的干扰大于第二预设门限值的小基站，其余小基站为在干扰最集中区域内所有小基站中除目标小基站以外的剩余的小基站；
在所述无线接入网络工作模式为大连接低功耗模式的情况下，所述大连接低功耗模式中采用借助预设区域内的无线接入网络中用户终端分簇得到的簇头，将同一簇内簇成员的请求，通过用户终端直通技术和中继多跳技术进行汇总，使得所述簇成员接入所述无线接入网络，所述簇头直接接入所述无线接入网络，所述簇头为接入节点的请求数量高于第三预设门限值的第一用户终端，所述簇成员为同一簇内所有无线接入网络中用户终端中除所述第一用户终端以外剩余的用户终端；
在无线接入网络工作模式为低时延高可靠模式的情况下，低时延高可靠模式中采用传输时延小于第四预设门限的雾接入节点F-AP，通过多址接入技术将所有无线接入网络中用户终端接入无线接入网络；或者
若判定F-AP的传输时延大于第四预设门限值，且第二用户终端与目标用户终端之间的传输时延小于第四预设门限值，则将目标用户终端接入第二用户终端，与第二用户终端进行终端直通建立通信。
在一种可能的实现方式中，中央计算逻辑模块还用于监控在预设时间内汇总的所有无线接入网络中用户终端上报的测量汇报数据，得到的业务量和所有无线接入网络中用户终端的请求数量是否超出预设变化程度；若判定业务量和所有无线接入网络中用户终端的请求数量未超过预设变化程度，则延长第一周期的时长；若判定业务量和所有无线接入网络中用户终端的请求数量超过预设变化程度，则减短第一周期的时长。
在一种可能的实现方式中，边缘计算逻辑模块用于：
在第二周期内依据无线接入网络工作模式，边缘计算逻辑模块监测边缘通信实体的预设性能参数是否超出预设变化程度；
边缘计算逻辑模块还用于：
位于在第二周期内依据无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的之后，若监测并判定边缘通信实体的预设性能参数超出预设变化程度，则判定已配置边缘通信实体当前配置不满足无线接入网络工作模式中的组网目的，所述边缘计算逻辑模块在第二周期内采用为深度强化学习算法的机器学习算法，优化所述已配置边缘通信实体的当前配置。
参见图11，无线接入网络工作模式具体可以包括但不限于：广域无缝覆盖模式、热点高容量模式、大连接低功耗模式、低时延高可靠模式。在一种可能的实现方式中，边缘计算逻辑模块用于：
在无线接入网络工作模式为广域无缝覆盖模式的情况下，边缘计算逻辑模块利用第一深度强化学习算法，优化边缘通信实体中的宏基站的发射功率及切换参数配置；
在无线接入网络工作模式为热点高容量模式的情况下，边缘计算逻辑模块利用第二深度强化学习算法，优化边缘通信实体中的小基站或远端射频单元的激活数目和缓存内容的更新；
在无线接入网络工作模式为大连接低功耗模式的情况下，边缘计算逻辑模块采用决策树模型，确定满足预设条件的用户终端，将满足预设条件的用户终端作为簇头，利用预设学习算法优化簇内的簇成员到簇头的路由；
在无线接入网络工作模式为低时延高可靠模式的情况下，边缘计算逻辑模块采用深度贝叶斯学习方法，根据已配置边缘通信实体中的用户终端历史接入节点信息，预测已配置边缘通信实体中的用户终端未来接入节点的选择，优化接入节点的移动性参数；
监测优化后的已配置边缘通信实体是否满足组网目的，若判定优化后的已配置边缘通信实体满足组网目的，则边缘计算逻辑模块为已配置边缘通信实体中的用户终端调配资源；将已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络；若判定优化后的已配置边缘通信实体不满足组网目的，则返回执行边缘通信实体的边缘计算逻辑模块接收来自中央计算逻辑模块的无线接入网络工作模式的步骤。
在一种可能的实现方式中，边缘计算逻辑模块还用于：
位于在第二周期内依据所述无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的之后，若判定已配置边缘通信实体当前调配的资源不满足组网目的，则边缘计算逻辑模块在第三周期内采用为深度强化学习算法的机器学习算法，优化对已配置边缘通信实体资源的调配，第三周期小于第二周期。
在一种可能的实现方式中，边缘计算逻辑模块用于：
在第三周期内，在无线接入网络工作模式为广域无缝覆盖模式的情况下，边缘计算逻辑模块利用第三深度强化学习算法，调配无线资源，第三深度强化学习算法的奖励函数为接入节点的覆盖状态，第三深度强化学习算法的状态为干扰分布及链路状况；
在第三周期内，在无线接入网络工作模式为热点高容量模式的情况下边缘计算逻辑模块，利用第四深度强化学习算法，调配无线资源及缓存资源，第四深度强化学习算法的奖励函数为已配置边缘通信实体中的用户终端的平均吞吐量及接入节点平均传输容量的加权和，第四深度强化学习算法的状态为干扰分布及缓存状态；
在第三周期内，在无线接入网络工作模式为大连接低功耗模式的情况下，边缘计算逻辑模块利用第五深度强化学习算法，调配无线资源及计算资源，第五深度强化学习算法的奖励函数为接入节点的激活链接数，第五深度强化学习算法的状态为干扰分布及可用计算资源；
在第三周期内，在无线接入网络工作模式为低时延高可靠模式的情况下，述边缘计算逻辑模块利用第六深度强化学习算法，调配无线资源及缓存资源，第六深度强化学习算法的奖励函数为接入节点的平均时延和时延抖动时长的加权和，第六深度强化学习算法的状态为干扰分布及缓存状态；以及
若判定已配置边缘通信实体不满足组网目的，则返回所述边缘计算逻辑模块在第二周期内采用为深度强化学习算法的机器学习算法，优化所述已配置边缘通信实体的当前配置的步骤；
若判定已配置边缘通信实体满足组网目的，则边缘计算逻辑模块将已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络，直至则等待下一个第三周期到达，返回继续执行边缘计算逻辑模块为已配置边缘通信实体中的用户终端调配资源的步骤。
本发明实施例提供了一种计算机可读存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于人工智能的雾无线接入网络组网方法的步骤。本发明实施例提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述的基于人工智能的雾无线接入网络组网方法的步骤。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其余变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其余要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其余实施例的不同之处。尤其，对于装置/存储介质/计算机程序实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种基于人工智能的雾无线接入网络组网方法，其特征在于，包括：
中央计算逻辑模块接收上报的数据，所述上报的数据包括：无线接入网络中用户终端上报的测量汇报数据，基站上报的无线传输数据以及无线接入网络上报的运维数据，所述测量汇报数据包含用户行为，所述无线传输数据包含业务属性，所述运维数据包含所述无线接入网络的性能指标；
所述中央计算逻辑模块在第一周期内基于所述上报的数据，通过机器学习算法，得到在所述无线接入网络的覆盖范围下，与所述用户行为、所述业务属性及所述性能指标相匹配的一种无线接入网络工作模式；
边缘通信实体的边缘计算逻辑模块接收来自所述中央计算逻辑模块的所述无线接入网络工作模式；在第二周期内依据所述无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的，所述第二周期小于所述第一周期；
若判定所述已配置边缘通信实体满足所述接入网络模式中的组网目的，则所述边缘计算逻辑模块为所述已配置边缘通信实体中的用户终端调配资源；将所述已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络，所述资源包含无线资源、计算资源及缓存资源。
2.如权利要求1所述的方法，其特征在于，在所述第一周期内，采用的所述机器学习算法为表示学习的方法，所述表示学习的方法包括：
从所述上报的数据，通过数据特征分类，得到降维后数据；
对降维后数据存在的潜在因子进行解析并构造有效表示，输出在所述无线接入网络的覆盖范围下，与所述用户行为、所述业务属性及所述性能指标相匹配的一种无线接入网络工作模式。
3.如权利要求1所述的方法，其特征在于，在所述无线接入网络工作模式为广域无缝覆盖模式的情况下，所述广域无缝覆盖模式中采用最强接收功率的宏基站，将所述无线接入网络中用户终端接入所述无线接入网络，所述最强接收功率的宏基站为配置有预设基站协议栈以及采用集中式部署的多输入多输出MIMO技术和多址接入技术的宏基站；
在所述无线接入网络工作模式为热点高容量模式的情况下，所述热点高容量模式中采用目标小基站，将所述无线接入网络中用户终端接入所述无线接入网络；所述目标小基站为干扰最集中区域内所述无线接入网络中用户终端平均容量高于第一预设门限值，或者与其余小基站之间的干扰大于第二预设门限值的小基站，所述其余小基站为在所述干扰最集中区域内所有小基站中除所述目标小基站以外的剩余的小基站；
在所述无线接入网络工作模式为大连接低功耗模式的情况下，所述大连接低功耗模式中采用借助预设区域内的无线接入网络中用户终端分簇得到的簇头，将同一簇内簇成员的请求，通过用户终端直通技术和中继多跳技术进行汇总，使得所述簇成员接入所述无线接入网络，所述簇头直接接入所述无线接入网络，所述簇头为接入节点的请求数量高于第三预设门限值的第一用户终端，所述簇成员为同一簇内所有无线接入网络中用户终端中除所述第一用户终端以外剩余的用户终端；
在所述无线接入网络工作模式为低时延高可靠模式的情况下，所述低时延高可靠模式中采用传输时延小于第四预设门限的雾接入节点F-AP，通过多址接入技术将所有无线接入网络中用户终端接入所述无线接入网络；或者
若判定所述F-AP的传输时延大于第四预设门限值，且第二用户终端与目标用户终端之间的传输时延小于所述第四预设门限值，则将所述目标用户终端接入所述第二用户终端，与所述第二用户终端进行终端直通建立通信。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：
所述中央计算逻辑模块监控在预设时间内汇总的所有无线接入网络中用户终端上报的测量汇报数据，得到的业务量和所有无线接入网络中用户终端的请求数量是否超出预设变化程度；若判定业务量和所有无线接入网络中用户终端的请求数量未超过预设变化程度，则延长所述第一周期的时长；若判定业务量和所有无线接入网络中用户终端的请求数量超过预设变化程度，则减短所述第一周期的时长。
5.如权利要求3所述的方法，其特征在于，所述第二周期内依据所述无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的，包括：
在第二周期内依据所述无线接入网络工作模式，所述边缘计算逻辑模块监测所述边缘通信实体的预设性能参数是否超出预设变化程度；
位于所述在第二周期内依据所述无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的之后，所述方法还包括：
若监测并判定所述边缘通信实体的预设性能参数超出预设变化程度，则判定已配置边缘通信实体当前配置不满足所述无线接入网络工作模式中的组网目的，所述边缘计算逻辑模块在第二周期内采用为深度强化学习算法的机器学习算法，优化所述已配置边缘通信实体的当前配置。
6.如权利要求5所述的方法，其特征在于，所述边缘计算逻辑模块在第二周期内采用为深度强化学习算法的机器学习算法，优化所述已配置边缘通信实体的当前配置，包括：
在所述无线接入网络工作模式为广域无缝覆盖模式的情况下，所述边缘计算逻辑模块利用第一深度强化学习算法，优化所述边缘通信实体中的宏基站的发射功率及切换参数配置；
在所述无线接入网络工作模式为热点高容量模式的情况下，所述边缘计算逻辑模块利用第二深度强化学习算法，优化所述边缘通信实体中的小基站或远端射频单元的激活数目和缓存内容的更新；
在所述无线接入网络工作模式为大连接低功耗模式的情况下，所述边缘计算逻辑模块采用决策树模型，确定满足预设条件的用户终端，将满足预设条件的用户终端作为所述簇头，利用预设学习算法优化簇内的簇成员到所述簇头的路由；
在所述无线接入网络工作模式为低时延高可靠模式的情况下，所述边缘计算逻辑模块采用深度贝叶斯学习方法，根据所述已配置边缘通信实体中的用户终端历史接入节点信息，预测所述已配置边缘通信实体中的用户终端未来接入节点的选择，优化所述接入节点的移动性参数；
监测优化后的已配置边缘通信实体是否满足组网目的，若判定优化后的已配置边缘通信实体满足组网目的，则所述边缘计算逻辑模块为所述已配置边缘通信实体中的用户终端调配资源；将所述已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络；若判定优化后的已配置边缘通信实体不满足组网目的，则返回执行所述边缘通信实体的边缘计算逻辑模块接收来自所述中央计算逻辑模块的所述无线接入网络工作模式的步骤。
7.如权利要求5或6所述的方法，其特征在于，位于所述在第二周期内依据所述无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的之后，所述方法还包括：
若判定已配置边缘通信实体当前调配的所述资源不满足组网目的，则所述边缘计算逻辑模块在第三周期内采用为深度强化学习算法的机器学习算法，优化对已配置边缘通信实体所述资源的调配，所述第三周期小于所述第二周期。
8.如权利要求7所述的方法，其特征在于，所述边缘计算逻辑模块在第三周期内采用为深度强化学习算法的机器学习算法，优化对已配置边缘通信实体所述资源的调配，包括：
在第三周期内，在所述无线接入网络工作模式为广域无缝覆盖模式的情况下，所述边缘计算逻辑模块利用第三深度强化学习算法，调配所述无线资源，所述第三深度强化学习算法的奖励函数为接入节点的覆盖状态，所述第三深度强化学习算法的状态为干扰分布及链路状况；
在第三周期内，在所述无线接入网络工作模式为热点高容量模式的情况下所述边缘计算逻辑模块，利用第四深度强化学习算法，调配所述无线资源及所述缓存资源，所述第四深度强化学习算法的奖励函数为所述已配置边缘通信实体中的用户终端的平均吞吐量及接入节点平均传输容量的加权和，所述第四深度强化学习算法的状态为干扰分布及缓存状态；
在第三周期内，在所述无线接入网络工作模式为大连接低功耗模式的情况下，所述边缘计算逻辑模块利用第五深度强化学习算法，调配所述无线资源及所述计算资源，所述第五深度强化学习算法的奖励函数为接入节点的激活链接数，所述第五深度强化学习算法的状态为干扰分布及可用计算资源；
在第三周期内，在所述无线接入网络工作模式为低时延高可靠模式的情况下，述边缘计算逻辑模块利用第六深度强化学习算法，调配所述无线资源及所述缓存资源，所述第六深度强化学习算法的奖励函数为接入节点的平均时延和时延抖动时长的加权和，所述第六深度强化学习算法的状态为干扰分布及缓存状态；以及
若判定所述已配置边缘通信实体不满足组网目的，则返回所述边缘计算逻辑模块在第二周期内采用为深度强化学习算法的机器学习算法，优化所述已配置边缘通信实体的当前配置的步骤；
若判定所述已配置边缘通信实体满足组网目的，则所述边缘计算逻辑模块将所述已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络，直至则等待下一个第三周期到达，返回继续执行所述边缘计算逻辑模块为所述已配置边缘通信实体中的用户终端调配资源的步骤。
9.一种基于人工智能的雾无线接入网络组网装置，其特征在于，包括：
中央计算逻辑模块接收上报的数据，所述上报的数据包括：无线接入网络中用户终端上报的测量汇报数据，基站上报的无线传输数据以及无线接入网络上报的运维数据，所述测量汇报数据包含用户行为，所述无线传输数据包含业务属性，所述运维数据包含所述无线接入网络的性能指标；
所述中央计算逻辑模块在第一周期内基于所述上报的数据，通过机器学习算法，得到在所述无线接入网络的覆盖范围下，与所述用户行为、所述业务属性及所述性能指标相匹配的一种无线接入网络工作模式；
边缘通信实体的边缘计算逻辑模块接收来自所述中央计算逻辑模块的所述无线接入网络工作模式；在第二周期内依据所述无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的，所述第二周期小于所述第一周期；
若判定所述已配置边缘通信实体满足所述接入网络模式中的组网目的，则所述边缘计算逻辑模块为所述已配置边缘通信实体中的用户终端调配资源；将所述已配置边缘通信实体及已配置边缘通信实体中已调配资源的用户终端，组成雾无线接入网络，所述资源包含无线资源、计算资源及缓存资源。
10.如权利要求9所述的装置，其特征在于，所述边缘计算逻辑模块，用于：
在第二周期内依据所述无线接入网络工作模式，所述边缘计算逻辑模块监测所述边缘通信实体的预设性能参数是否超出预设变化程度；
所述边缘计算逻辑模块，还用于：
位于在第二周期内依据所述无线接入网络工作模式，判断已配置边缘通信实体是否满足组网目的之后，若监测并判定所述边缘通信实体的预设性能参数超出预设变化程度，则判定已配置边缘通信实体当前配置不满足所述无线接入网络工作模式中的组网目的，所述边缘计算逻辑模块在第二周期内采用为深度强化学习算法的机器学习算法，优化所述已配置边缘通信实体的当前配置。
CN201811548655.7A 2018-12-18 2018-12-18 一种基于人工智能的雾无线接入网络组网方法及装置 Active CN109688597B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811548655.7A CN109688597B (zh) 2018-12-18 2018-12-18 一种基于人工智能的雾无线接入网络组网方法及装置
US16/718,457 US11201784B2 (en) 2018-12-18 2019-12-18 Artificial intelligence-based networking method and device for fog radio access networks

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811548655.7A CN109688597B (zh) 2018-12-18 2018-12-18 一种基于人工智能的雾无线接入网络组网方法及装置

Publications (2)

Publication Number Publication Date
CN109688597A true CN109688597A (zh) 2019-04-26
CN109688597B CN109688597B (zh) 2020-09-01

Family

ID=66186788

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811548655.7A Active CN109688597B (zh) 2018-12-18 2018-12-18 一种基于人工智能的雾无线接入网络组网方法及装置

Country Status (2)

Country Link
US (1) US11201784B2 (zh)
CN (1) CN109688597B (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110213716A (zh) * 2019-05-20 2019-09-06 北京邮电大学 一种基于雾无线接入网络的车联组网方法
CN110366134A (zh) * 2019-07-12 2019-10-22 北京邮电大学 一种车联组网方法及装置
CN110809306A (zh) * 2019-11-04 2020-02-18 电子科技大学 一种基于深度强化学习的终端接入选择方法
CN110890978A (zh) * 2019-11-06 2020-03-17 南京大学 基于模型重用的带隐私保护的跨区域通信质量预测方法
CN110891283A (zh) * 2019-11-22 2020-03-17 超讯通信股份有限公司 一种基于边缘计算模型的小基站监控装置及方法
CN110933687A (zh) * 2019-11-04 2020-03-27 北京工业大学 一种基于解耦的用户上下行接入方法及系统
CN111083710A (zh) * 2019-12-20 2020-04-28 大唐网络有限公司 一种用于5g系统的智慧组网方法
CN111324358A (zh) * 2020-02-14 2020-06-23 南栖仙策(南京)科技有限公司 一种用于信息系统自动运维策略的训练方法
CN111465055A (zh) * 2020-03-30 2020-07-28 广西民族大学 一种数据挖掘算法受控切换消息的传输方法及系统
CN111462798A (zh) * 2020-03-31 2020-07-28 复旦大学 一种用于存储器或存内计算的阵列单元结构及其工作方法
CN111932130A (zh) * 2020-08-12 2020-11-13 上海冰鉴信息科技有限公司 业务类型识别方法及装置
CN112188528A (zh) * 2020-10-22 2021-01-05 中国联合网络通信集团有限公司 微基站的奖励方法及注册管理服务器
WO2021107608A1 (ko) * 2019-11-25 2021-06-03 삼성전자 주식회사 무선 통신 시스템에서 핸드오버를 수행하기 위한 장치 및 방법
WO2021109499A1 (en) 2020-05-29 2021-06-10 Zte Corporation A method and apparatus for a secure connection between an artificial intelligence server and a base station node
WO2021128110A1 (zh) * 2019-12-25 2021-07-01 华为技术有限公司 通信方法及装置
CN113391888A (zh) * 2020-03-12 2021-09-14 北京京东振世信息技术有限公司 业务资源的调度方法、装置、设备及存储介质
WO2021238397A1 (zh) * 2020-05-24 2021-12-02 中兴通讯股份有限公司 网络优化方法、服务器、客户端设备、网络侧设备、网络设备、系统和介质
EP3869849A4 (en) * 2019-06-24 2021-12-29 ZTE Corporation Method, apparatus and radio network optimization control function unit (rcf) for network optimization
CN113873434A (zh) * 2021-08-27 2021-12-31 北京邮电大学 面向通信网络热点区域容量增强的多空中基站部署方法
WO2022022334A1 (zh) * 2020-07-30 2022-02-03 华为技术有限公司 基于人工智能的通信方法和通信装置
CN114389726A (zh) * 2022-01-18 2022-04-22 即刻雾联科技(北京)有限公司 一种基于边缘设备的智能组网方法、系统及存储介质
CN114554573A (zh) * 2020-11-26 2022-05-27 中国电信股份有限公司 接入网络的预测方法和装置
CN115102970A (zh) * 2022-06-15 2022-09-23 中国电信股份有限公司 一种资源的缓存方法、装置、设备以及存储介质
WO2023098586A1 (zh) * 2021-11-30 2023-06-08 维沃移动通信有限公司 信息交互方法、装置及通信设备
CN116866253A (zh) * 2023-09-04 2023-10-10 中科浩成(北京)科技产业发展有限公司 一种基于边缘计算的网络链路远程切换系统

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11277499B2 (en) * 2019-09-30 2022-03-15 CACI, Inc.—Federal Systems and methods for performing simulations at a base station router
US11678272B2 (en) * 2019-10-30 2023-06-13 University Of Ottawa System and method for joint power and resource allocation using reinforcement learning
US11509498B1 (en) * 2020-05-26 2022-11-22 Cox Communications, Inc. Access network connectivity optimization engine
CN112235835A (zh) * 2020-09-09 2021-01-15 广州大学 一种时变移动边缘计算网络的动态卸载方法
US20230319597A1 (en) * 2020-09-23 2023-10-05 Telefonaktiebolaget Lm Ericsson (Publ) Network node and a method performed in a wireless communication network for handling configuration of radio network nodes using reinforcement learning
CN115004755A (zh) * 2020-10-13 2022-09-02 中兴通讯股份有限公司 无线多载波配置和选择
EP4061048A4 (en) * 2021-01-22 2022-09-21 Shenzhen Consys Science&Technology Co., Ltd. METHOD, DEVICE AND SYSTEM FOR WIRELESS INTELLIGENT DECISION MAKING
CN112996058B (zh) * 2021-02-23 2022-09-16 哈尔滨工业大学（深圳） 基于多无人机网络的用户QoE优化方法、无人机及系统
CN115134418B (zh) * 2021-03-23 2023-10-27 中国移动通信集团江苏有限公司 一种多接入边缘计算的协同存储方法、系统及电子设备
CN112949752B (zh) * 2021-03-25 2022-09-06 支付宝(杭州)信息技术有限公司 业务预测系统的训练方法及装置
CN113115461B (zh) * 2021-04-23 2023-04-07 北京科技大学 一种基于qmix的无线资源分配优化方法及装置
KR20240024319A (ko) * 2021-07-26 2024-02-23 텔레폰악티에볼라겟엘엠에릭슨(펍) 하나 이상의 무선 액세스 네트워크 기능을 사용하기 위한 무선 액세스 노드의 설정
CN113747499B (zh) * 2021-08-17 2023-08-15 南京邮电大学 一种基于移动边缘计算的任务迁移方法
US20240098533A1 (en) * 2022-09-15 2024-03-21 Samsung Electronics Co., Ltd. Ai/ml model monitoring operations for nr air interface
US11956673B1 (en) 2022-12-16 2024-04-09 King Faisal University Caching method for F-RAN based communications

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101094503A (zh) * 2006-06-23 2007-12-26 大唐移动通信设备有限公司 一种无线通信系统的组网切换方法及装置
CN101137162A (zh) * 2006-11-22 2008-03-05 中兴通讯股份有限公司 时分复用前向信道的链路级仿真系统
US20130114442A1 (en) * 2011-11-08 2013-05-09 Electronics And Telecommunications Research Institute Apparatus and method for estimating channel based on weather data
CN103220666A (zh) * 2012-01-20 2013-07-24 国际商业机器公司 移动数据网络及其设备
US20140122695A1 (en) * 2012-10-31 2014-05-01 Rawllin International Inc. Dynamic resource allocation for network content delivery
CN104796918A (zh) * 2015-03-17 2015-07-22 无锡北邮感知技术产业研究院有限公司 无线通信组网的方法
CN105517059A (zh) * 2014-09-22 2016-04-20 电信科学技术研究院 一种车联网终端的设备到设备d2d资源分配方法及设备
US20170019291A1 (en) * 2015-07-15 2017-01-19 TUPL, Inc. Wireless carrier network performance analysis and troubleshooting
CN106792888A (zh) * 2017-01-18 2017-05-31 北京邮电大学 一种基于信息感知的无线通信组网方法及装置
CN106954267A (zh) * 2017-04-14 2017-07-14 北京邮电大学 一种基于无线网络切片的资源管理方法
CN107018031A (zh) * 2017-06-07 2017-08-04 济南浪潮高新科技投资发展有限公司 一种基于雾计算的车联网快速优化方法
US20170272365A1 (en) * 2016-03-15 2017-09-21 Hon Hai Precision Industry Co., Ltd Method and appratus for controlling network traffic
CN107222843A (zh) * 2017-06-30 2017-09-29 西安电子科技大学 面向室内定位的雾网络实现系统和方法
CN107249169A (zh) * 2017-05-31 2017-10-13 厦门大学 车载网络环境下基于雾节点的事件驱动的数据收集方法
US20180020062A1 (en) * 2016-07-18 2018-01-18 Smartiply, Inc. System and Method for Work Distribution in a Fog Network via Code Offloading
US20180067779A1 (en) * 2016-09-06 2018-03-08 Smartiply, Inc. AP-Based Intelligent Fog Agent
CN107945053A (zh) * 2017-12-29 2018-04-20 广州思泰信息技术有限公司 一种多源配电网数据融合分析平台及其控制方法
US20180124688A1 (en) * 2016-10-31 2018-05-03 Cisco Technology, Inc. Virtual access point (vap) formation
US20180176967A1 (en) * 2016-12-20 2018-06-21 Intel Corporation Reestablishment of a network connection with an end device node methods and apparatuses
CN108430081A (zh) * 2018-02-28 2018-08-21 北京科技大学 一种网络虚拟化雾无线接入网络中的切换方法
US20180270121A1 (en) * 2017-03-20 2018-09-20 Stanley George Stringfellow Information processing architecture for network edge-based optimization problems
CN108600310A (zh) * 2018-03-21 2018-09-28 南京邮电大学 一种物联网环境下的雾计算体系架构
US10122604B2 (en) * 2014-02-28 2018-11-06 Cisco Technology, Inc. Emergency network services by an access network computing node
CN108833113A (zh) * 2018-06-08 2018-11-16 北京大学 一种基于雾计算的增强通讯安全的认证方法及系统
CN108848170A (zh) * 2018-06-22 2018-11-20 山东大学 一种基于nagios监控的雾集群管理系统与方法
CN108881355A (zh) * 2017-05-16 2018-11-23 纬创资通股份有限公司 基于物联网架构的监控方法、雾运算终端以及物联网系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9942085B2 (en) * 2016-07-13 2018-04-10 Incelligent P.C. Early warning and recommendation system for the proactive management of wireless broadband networks

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101094503A (zh) * 2006-06-23 2007-12-26 大唐移动通信设备有限公司 一种无线通信系统的组网切换方法及装置
CN101137162A (zh) * 2006-11-22 2008-03-05 中兴通讯股份有限公司 时分复用前向信道的链路级仿真系统
US20130114442A1 (en) * 2011-11-08 2013-05-09 Electronics And Telecommunications Research Institute Apparatus and method for estimating channel based on weather data
CN103220666A (zh) * 2012-01-20 2013-07-24 国际商业机器公司 移动数据网络及其设备
US20140122695A1 (en) * 2012-10-31 2014-05-01 Rawllin International Inc. Dynamic resource allocation for network content delivery
US10122604B2 (en) * 2014-02-28 2018-11-06 Cisco Technology, Inc. Emergency network services by an access network computing node
CN105517059A (zh) * 2014-09-22 2016-04-20 电信科学技术研究院 一种车联网终端的设备到设备d2d资源分配方法及设备
CN104796918A (zh) * 2015-03-17 2015-07-22 无锡北邮感知技术产业研究院有限公司 无线通信组网的方法
US20160278061A1 (en) * 2015-03-17 2016-09-22 Institute of Sensing Technology and Business, Beijing University of Posts and Telecommunications Service transmission method and device
US20170019291A1 (en) * 2015-07-15 2017-01-19 TUPL, Inc. Wireless carrier network performance analysis and troubleshooting
US20170272365A1 (en) * 2016-03-15 2017-09-21 Hon Hai Precision Industry Co., Ltd Method and appratus for controlling network traffic
US20180020062A1 (en) * 2016-07-18 2018-01-18 Smartiply, Inc. System and Method for Work Distribution in a Fog Network via Code Offloading
US20180067779A1 (en) * 2016-09-06 2018-03-08 Smartiply, Inc. AP-Based Intelligent Fog Agent
US20180124688A1 (en) * 2016-10-31 2018-05-03 Cisco Technology, Inc. Virtual access point (vap) formation
US20180176967A1 (en) * 2016-12-20 2018-06-21 Intel Corporation Reestablishment of a network connection with an end device node methods and apparatuses
CN106792888A (zh) * 2017-01-18 2017-05-31 北京邮电大学 一种基于信息感知的无线通信组网方法及装置
US20180270121A1 (en) * 2017-03-20 2018-09-20 Stanley George Stringfellow Information processing architecture for network edge-based optimization problems
CN106954267A (zh) * 2017-04-14 2017-07-14 北京邮电大学 一种基于无线网络切片的资源管理方法
CN108881355A (zh) * 2017-05-16 2018-11-23 纬创资通股份有限公司 基于物联网架构的监控方法、雾运算终端以及物联网系统
CN107249169A (zh) * 2017-05-31 2017-10-13 厦门大学 车载网络环境下基于雾节点的事件驱动的数据收集方法
CN107018031A (zh) * 2017-06-07 2017-08-04 济南浪潮高新科技投资发展有限公司 一种基于雾计算的车联网快速优化方法
CN107222843A (zh) * 2017-06-30 2017-09-29 西安电子科技大学 面向室内定位的雾网络实现系统和方法
CN107945053A (zh) * 2017-12-29 2018-04-20 广州思泰信息技术有限公司 一种多源配电网数据融合分析平台及其控制方法
CN108430081A (zh) * 2018-02-28 2018-08-21 北京科技大学 一种网络虚拟化雾无线接入网络中的切换方法
CN108600310A (zh) * 2018-03-21 2018-09-28 南京邮电大学 一种物联网环境下的雾计算体系架构
CN108833113A (zh) * 2018-06-08 2018-11-16 北京大学 一种基于雾计算的增强通讯安全的认证方法及系统
CN108848170A (zh) * 2018-06-22 2018-11-20 山东大学 一种基于nagios监控的雾集群管理系统与方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张朝亮: "雾无线接入网络的关系感知和资源分配", 《信息科技辑》 *

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110213716A (zh) * 2019-05-20 2019-09-06 北京邮电大学 一种基于雾无线接入网络的车联组网方法
EP3869849A4 (en) * 2019-06-24 2021-12-29 ZTE Corporation Method, apparatus and radio network optimization control function unit (rcf) for network optimization
CN110366134A (zh) * 2019-07-12 2019-10-22 北京邮电大学 一种车联组网方法及装置
CN110809306A (zh) * 2019-11-04 2020-02-18 电子科技大学 一种基于深度强化学习的终端接入选择方法
CN110933687A (zh) * 2019-11-04 2020-03-27 北京工业大学 一种基于解耦的用户上下行接入方法及系统
CN110890978A (zh) * 2019-11-06 2020-03-17 南京大学 基于模型重用的带隐私保护的跨区域通信质量预测方法
CN110890978B (zh) * 2019-11-06 2021-06-22 南京大学 基于模型重用的带隐私保护的跨区域通信质量预测方法
CN110891283A (zh) * 2019-11-22 2020-03-17 超讯通信股份有限公司 一种基于边缘计算模型的小基站监控装置及方法
WO2021107608A1 (ko) * 2019-11-25 2021-06-03 삼성전자 주식회사 무선 통신 시스템에서 핸드오버를 수행하기 위한 장치 및 방법
CN111083710A (zh) * 2019-12-20 2020-04-28 大唐网络有限公司 一种用于5g系统的智慧组网方法
WO2021128110A1 (zh) * 2019-12-25 2021-07-01 华为技术有限公司 通信方法及装置
CN111324358B (zh) * 2020-02-14 2020-10-16 南栖仙策(南京)科技有限公司 一种用于信息系统自动运维策略的训练方法
CN111324358A (zh) * 2020-02-14 2020-06-23 南栖仙策(南京)科技有限公司 一种用于信息系统自动运维策略的训练方法
CN113391888B (zh) * 2020-03-12 2024-05-17 北京京东振世信息技术有限公司 业务资源的调度方法、装置、设备及存储介质
CN113391888A (zh) * 2020-03-12 2021-09-14 北京京东振世信息技术有限公司 业务资源的调度方法、装置、设备及存储介质
CN111465055A (zh) * 2020-03-30 2020-07-28 广西民族大学 一种数据挖掘算法受控切换消息的传输方法及系统
CN111465055B (zh) * 2020-03-30 2020-10-09 广西民族大学 一种数据挖掘算法受控切换消息的传输方法及系统
CN111462798A (zh) * 2020-03-31 2020-07-28 复旦大学 一种用于存储器或存内计算的阵列单元结构及其工作方法
WO2021238397A1 (zh) * 2020-05-24 2021-12-02 中兴通讯股份有限公司 网络优化方法、服务器、客户端设备、网络侧设备、网络设备、系统和介质
WO2021109499A1 (en) 2020-05-29 2021-06-10 Zte Corporation A method and apparatus for a secure connection between an artificial intelligence server and a base station node
WO2022022334A1 (zh) * 2020-07-30 2022-02-03 华为技术有限公司 基于人工智能的通信方法和通信装置
CN111932130A (zh) * 2020-08-12 2020-11-13 上海冰鉴信息科技有限公司 业务类型识别方法及装置
CN111932130B (zh) * 2020-08-12 2024-01-19 上海冰鉴信息科技有限公司 业务类型识别方法及装置
CN112188528B (zh) * 2020-10-22 2023-05-05 中国联合网络通信集团有限公司 微基站的奖励方法及注册管理服务器
CN112188528A (zh) * 2020-10-22 2021-01-05 中国联合网络通信集团有限公司 微基站的奖励方法及注册管理服务器
CN114554573A (zh) * 2020-11-26 2022-05-27 中国电信股份有限公司 接入网络的预测方法和装置
CN113873434A (zh) * 2021-08-27 2021-12-31 北京邮电大学 面向通信网络热点区域容量增强的多空中基站部署方法
WO2023098586A1 (zh) * 2021-11-30 2023-06-08 维沃移动通信有限公司 信息交互方法、装置及通信设备
CN114389726B (zh) * 2022-01-18 2023-03-10 即刻雾联科技(北京)有限公司 一种基于边缘设备的智能组网方法、系统及存储介质
CN114389726A (zh) * 2022-01-18 2022-04-22 即刻雾联科技(北京)有限公司 一种基于边缘设备的智能组网方法、系统及存储介质
CN115102970A (zh) * 2022-06-15 2022-09-23 中国电信股份有限公司 一种资源的缓存方法、装置、设备以及存储介质
CN116866253A (zh) * 2023-09-04 2023-10-10 中科浩成(北京)科技产业发展有限公司 一种基于边缘计算的网络链路远程切换系统
CN116866253B (zh) * 2023-09-04 2023-12-01 中科浩成(北京)科技产业发展有限公司 一种基于边缘计算的网络链路远程切换系统

Also Published As

Publication number Publication date
US11201784B2 (en) 2021-12-14
US20200195506A1 (en) 2020-06-18
CN109688597B (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN109688597A (zh) 一种基于人工智能的雾无线接入网络组网方法及装置
US10939309B2 (en) Intent-driven radio access networking method and system
CN106792888B (zh) 一种基于信息感知的无线通信组网方法及装置
CN106954267B (zh) 一种基于无线网络切片的资源管理方法
CN107846714B (zh) 一种可见光通信与WiFi异构系统的切换方法及设备
CN112673593B (zh) 在电信网络中的和与电信网络相关的改进
Zhao et al. Joint power control and channel allocation for interference mitigation based on reinforcement learning
CN103262597B (zh) 基于业务状况的调度请求触发方法及用户装置
CN103281734B (zh) 一种分布式认知无线网络中主动频谱切换的方法
Yu et al. A hierarchical SDN architecture for ultra-dense millimeter-wave cellular networks
CN102256309B (zh) 协作多基站组网环境下的主从基站选择与切换方法
CN105376748A (zh) 虚拟小区的构建、协作节点的选择方法及装置
CN105406978A (zh) 数据转发设备工作模式的配置方法及装置
CN110225570A (zh) 无线接入电信系统中的系统信息的分配
KR20130008026A (ko) 통신 제어 방법 및 중소 규모 기지국
Dryjanski et al. A unified traffic steering framework for LTE radio access network coordination
Rezazadeh et al. Actor-critic-based learning for zero-touch joint resource and energy control in network slicing
CN111465066A (zh) 面向电力物联网多连接技术的网络选择和移动性管理方法
CN105554770B (zh) 基于频谱态势综合感知的多点集中式抗干扰方法及系统
CN104683029B (zh) 一种用于可见光通信异构组网中的垂直切换方法
El Amine et al. Reinforcement learning for delay-constrained energy-aware small cells with multi-sleeping control
CN101801034B (zh) 无线传感器网络有服务保障的快速切换方法
CN106572475A (zh) 接入节点管理方法、接入网管理实体、设备及接入节点
GB2597931A (en) Configuring resources in a self-organizing network
CN102883450B (zh) 一种灵活子帧配置方法、设备及系统

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
TR01 Transfer of patent right

Effective date of registration: 20220628

Address after: 100876 Beijing city Haidian District Xitucheng Road No. 10

Patentee after: Beijing University of Posts and Telecommunications

Patentee after: Jingxin Network System Co., Ltd

Address before: 100876 Beijing city Haidian District Xitucheng Road No. 10

Patentee before: Beijing University of Posts and Telecommunications

TR01 Transfer of patent right