CN110191494B - 一种网络的选择方法、装置和设备 - Google Patents
一种网络的选择方法、装置和设备 Download PDFInfo
- Publication number
- CN110191494B CN110191494B CN201910310540.2A CN201910310540A CN110191494B CN 110191494 B CN110191494 B CN 110191494B CN 201910310540 A CN201910310540 A CN 201910310540A CN 110191494 B CN110191494 B CN 110191494B
- Authority
- CN
- China
- Prior art keywords
- network
- connectable
- target area
- target
- service
- 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.)
- Expired - Fee Related
Links
- 238000010187 selection method Methods 0.000 title abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000013507 mapping Methods 0.000 claims abstract description 30
- 230000002787 reinforcement Effects 0.000 claims description 13
- 230000003190 augmentative effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 12
- 239000003795 chemical substances by application Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/16—Performing reselection for specific purposes
- H04W36/165—Performing reselection for specific purposes for reducing network power consumption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/24—Reselection being triggered by specific parameters
- H04W36/26—Reselection being triggered by specific parameters by agreed or negotiated communication parameters
- H04W36/28—Reselection being triggered by specific parameters by agreed or negotiated communication parameters involving a plurality of connections, e.g. multi-call or multi-bearer connections
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/24—Reselection being triggered by specific parameters
- H04W36/30—Reselection being triggered by specific parameters by measured or perceived connection quality data
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Computer And Data Communications (AREA)
Abstract
本申请公开了一种网络的选择方法、装置和设备，用于解决现有技术中网络的选择方法不够优化使得用户的用户体验质量较低的问题，该方法包括：获取目标区域内目标业务类型的终端用户的用户数量、以及所述目标区域内其他业务类型的终端用户的用户数量和网络连接状态、以及所述目标区域内的可连接网络的网络状态，其中，所述目标业务类型的终端用户为待选择可连接网络的终端用户；输出所述可连接网络的网络状态与所述目标区域中存在的多个业务类型的终端用户的网络连接状态之间的映射关系表；基于所述映射关系表，从所述多个可连接网络中为所述目标业务类型的终端用户选择可连接的目标网络。
Description
技术领域
本申请涉及无线通信技术领域，尤其涉及一种网络的选择方法、装置和设备。
背景技术
随着无线通信技术的发展，以及各种新型业务的不断涌现，未来移动通信技术需要适应更加多样化的场景和业务需求。
目前，在从目标用户周边存在的多个可连接的候选网络中，为该目标用户选择可连接的网络时，往往是基于这多个候选网络的参考信号强度(Reference SignalStrength,RSS)来为目标用户选择最终可连接的候选网络。
然而，在上述这种方法中，由于用户的业务类型越来越丰富，仅根据候选网络的RSS来为目标用户选择最终可连接的候选网络，难以适应不同业务类型的用户，进而可能影响用户的用户体验质量(Quality of Experience,QoE)。
因此，亟需一种网络的选择方法来应对上述网络选择方法不够优化的问题。
发明内容
本发明实施例提供一种网络的选择方法、装置和设备，用于解决现有技术中网络的选择方法不够优化使得用户的用户体验质量较低的问题。
本发明实施例采用下述技术方案：
第一方面，提出了一种网络的选择方法，包括：
获取目标区域内目标业务类型的终端用户的用户数量、以及所述目标区域内其他业务类型的终端用户的用户数量和网络连接状态、以及所述目标区域内的可连接网络的网络状态，其中，所述目标业务类型的终端用户为待选择可连接网络的终端用户；
将所述目标业务类型的终端用户的用户数量、以及所述其他业务类型的终端用户的用户数量和网络连接状态、以及所述可连接网络的网络状态作为网络连接状态增强学习模型的输入，以输出所述可连接网络的网络状态与所述目标区域中存在的多个业务类型的终端用户的网络连接状态之间的映射关系表；
基于所述映射关系表，从所述多个可连接网络中为所述目标业务类型的终端用户选择可连接的目标网络。
第二方面，提出了一种网络的选择装置，包括：
获取单元，用于获取目标区域内目标业务类型的终端用户的用户数量、以及所述目标区域内其他业务类型的终端用户的用户数量和网络连接状态、以及所述目标区域内的可连接网络的网络状态，其中，所述目标业务类型的终端用户为待选择可连接网络的终端用户；
输出单元，用于将所述目标区域内目标业务类型的终端用户的用户数量、以及所述目标区域内其他业务类型的终端用户的用户数量和网络连接状态、以及所述目标区域内的可连接网络的网络状态作为网络连接状态增强学习模型的输入，以输出所述可连接网络的网络状态与所述目标区域中的多个业务类型的终端用户的网络连接状态之间的映射关系表；
选择单元，用于基于所述映射关系表，从所述可连接网络中为所述目标业务类型的终端用户选择可连接的目标网络。
第三方面，提出了一种网络侧设备，包括：
处理器；以及
被配置为存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如第一方面所述的网络的选择方法。
第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行如第一方面所述的网络的选择方法。
本发明实施例采用的上述至少一个技术方案能够达到以下有益效果：
本发明实施例中，在为目标业务类型的终端用户确定待选择的目标网络时，由于能够获取目标区域内目标业务类型的终端用户的用户数量、以及目标区域内其他业务类型的终端用户的用户数量和网络连接状态、以及目标区域内的可连接网络的网络状态；并将目标业务类型的终端用户的用户数量、以及其他业务类型的终端用户的用户数量和网络连接状态、以及可连接网络的网络状态作为网络连接状态增强学习模型的输入，输出得到可连接网络的网络状态与目标区域中存在的多个业务类型的终端用户的网络连接状态之间的映射关系表，由于该映射关系表能够反映不同业务类型的终端用户选择不同的可连接网络时的奖励，那么基于映射关系表，为目标业务类型的终端用户选择的可连接的目标网络则能够适应不同业务类型的终端用户，进而保证不同业务类型的终端用户的QoE。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例提供的一种网络的选择方法的实现流程示意图；
图2为本发明实施例提供的网络的选择装置的结构示意图；
图3为本申请实施例提供的一种终端设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本发明各实施例提供的技术方案。
为解决现有技术中网络的选择方法不够优化使得用户的用户体验质量较低的问题，本申请实施例提供一种网络的选择方法，该方法的执行主体可以是宏基站，也可以是任何实现本申请提供的方法的装置。下面，以该方法的执行主体是宏基站为例，对该方法的实施方式进行详细介绍，可以理解，该方法的执行主体是宏基站只是一种示例性的说明，并不应理解为对该方法的限定。
具体地，本说明书一个或多个实施例提供的一种网络的选择方法的实现流程示意图如图1所示，包括：
步骤110，获取目标区域内目标业务类型的终端用户的用户数量、以及目标区域内其他业务类型的终端用户的用户数量和网络连接状态、以及目标区域内的可连接网络的网络状态，其中，目标业务类型的终端用户为待选择可连接网络的终端用户；
可选地，可连接网络的网络状态为基于可连接网络的当前可用容量与可连接网络的网络总容量获取得到的。具体地，可连接网络的网络状态可以通过可连接网络的可用容量比(Available Capacity Ratio，ACR)来表示，该可连接网络的ACR等于可连接网络当前可用容量与可连接网络总容量的比值。
以目标区域内的可连接网络包括未来移动通信网络(简称为网络1)、LTE-A网络(简称为网络2)和基于IEEE 802.16m的WIMAX2.0网络(简称为网络3)为例，可以基于可连接网络的ACR数值，将各个可连接网络的ACR划分等级。比如，可以将ACR数值处于0到0.25区间中的可连接网络划分到等级1中，可以将ACR数值处于0.25到0.5区间中的可连接网络划分到等级2中，可以将ACR数值处于0.5到0.75区间中的可连接网络划分到等级3中，可以将ACR数值处于0.75到1区间中的可连接网络划分到等级4中。
可选地，目标区域中存在的多个业务类型包括下述至少一种：
交通服务业务；
工业自动化和公用事业服务业务；
医疗服务业务；
虚拟现实和增强现实服务业务；
智慧城市服务业务。
为便于描述，下文将交通服务业务简称为业务1，将工业自动化和公用事业服务业务简称为业务2，将医疗服务业务简称为业务3，将虚拟现实和增强显示服务业务简称为业务4，将智慧城市服务业务简称为业务5。
步骤120，将目标业务类型的终端用户的用户数量、以及其他业务类型的终端用户的用户数量和网络连接状态、以及可连接网络的网络状态作为网络连接状态增强学习模型的输入，以输出可连接网络的网络状态与目标区域中存在的多个业务类型的终端用户的网络连接状态之间的映射关系表；
可选地，该映射关系表中还包括基于可连接网络j的网络状态和业务类型i的终端用户对可连接网络j的偏好，确定的业务类型i的终端用户选择可连接网络j的奖励值；
其中，业务类型i为目标区域中存在的多个业务类型中的任意一个业务类型；该可连接网络j为目标区域内的可连接网络。
具体来说，业务类型i的终端用户选择可连接网络j的奖励值ri,j＝ACRj×θi,j，其中，ACRj为可连接网络j的网络状态，θi,j为业务类型i的终端用户对可连接网络j的偏好。
可选地，业务类型i的终端用户对可连接网络j的偏好为基于目标区域内的可连接网络的网络属性参数、以及目标区域中存在的多个业务类型的终端用户执行对应的业务所需的网络属性参数确定的；
其中，网络属性参数包括下述至少一种参数：
网络连接的吞吐量；
网络平均时延；
网络支持的移动性；
网络丢包率；
网络抖动；
网络能效；
网络资费。
下面以表1和表2为例，对业务类型i的终端用户对可连接网络j的偏好的确认过程进行详细描述。如下表所示，表1为本说明书提供的目标区域内的可连接网络(即网络1、网络2和网络3)的网络属性参数示例表格，表2为本说明书提供的目标区域中存在的多个业务类型(即业务1～业务5)的终端用户执行对应的业务所需的网络属性参数示例表格。
表1网络1、网络2和网络3的网络属性参数
表2 5种业务类型所需的网络属性参数
表1中考虑了7个不同的网络属性参数，为了消除不同网络属性参数的量纲效应，可以对这些网络属性参数进行归一化处理。可选地，这些网络属性参数首先被分为两类：效益型参数和成本型参数。其中，效益型参数可以是参数值越大越好的参数，成本型参数可以是参数值越小越好的参数。对于终端用户而言，效益型参数包括每条业务连接的吞吐量和网络支持的移动性，其余均为成本型参数。对于目标区域中的可连接网络而言，除了终端用户支付的网络资费为效益型参数，其余均为成本型参数。
若将表1中的数据记为矩阵B3×7(两种移动性情况分开考虑)，其中的每个元素记为bij，则上述网络属性参数(包括效益型参数和成本型参数)归一化公式计算如下：
其中，aij表示对应的元素归一化处理以后的值。
由于不同的业务类型对可连接网络的各项网络属性参数的要求不同，因此可以通过构建判决矩阵来表示不同的业务类型的终端用户对可连接网络不同网络属性参数重要程度的认识。其中，判决矩阵中的每个元素都是表1中7个网络属性相互比较的结果，采用的比较方法是如表3所示的1～9标度法。而如何比较不同业务下不同网络属性的重要性，则需要基于表2中所示的不同业务类型的网络属性参数的需求。
表3 1～9标度法
依据判决矩阵的构造方法，分别建立了5种业务类型对应的判决矩阵，其中，业务1的判决矩阵如表4所示，以此类推，可依次构建业务2～业务5的判决矩阵。
表4业务1的判决矩阵
| c<sub>ij</sub> | 参数1 | 参数2 | 参数3 | 参数4 | 参数5 | 参数6 | 参数7 |
| 参数1 | 1 | 1/9 | 1/7 | 1/9 | 1/7 | 1/3 | 1/3 |
| 参数2 | 9 | 1 | 3 | 1 | 3 | 7 | 7 |
| 参数3 | 7 | 1/3 | 1 | 1/3 | 1 | 5 | 5 |
| 参数4 | 9 | 1 | 3 | 1 | 3 | 7 | 7 |
| 参数5 | 7 | 1/3 | 1 | 1/3 | 1 | 5 | 5 |
| 参数6 | 3 | 1/7 | 1/5 | 1/7 | 1/5 | 1 | 1 |
| 参数7 | 3 | 1/7 | 1/5 | 1/7 | 1/5 | 1 | 1 |
其中，参数1-7分别对应了每条业务连接吞吐量、网络平均时延、网络支持的移动性、网络丢包率、网络抖动、网络能效和网络资费这7个网络属性参数。
根据业务1～业务5这5个业务的判决矩阵，可以通过公式(3)～(6)计算不同业务类型的终端用户对上述7个网络参数的权重向量。其中，Weight为决定网络选择结果的参数权重，np为网络属性参数的个数。
Weight＝(weight1,weight2,...,weightnp) (6)
再进行一致性检测来确定上述判决矩阵的设置是否合理，是否会造成较大的判断误差。其中，一致性检测的方法是判断一致性指标(Consistency Index，CI)与平均随机一致性指标(Average Random Consistency Index，RI)的比值结果，该比值称为检测系数(Check Ratio，CR)。当CR小于0.1时，可以认为判决矩阵的设定是合理的，否则就需要重新设定判决矩阵。
其中，一致性指标CI的值由判决矩阵的阶数n和对应的最大特征值λmax决定，平均随机一致性指标RI的值可以通过查表所示的平均随机一致性指标RI的标准值所得，CI和RI的计算公式如下所示：
CR＝CI/RI (8)
表5平均随机一致性指标RI的标准值
| 矩阵阶数 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
| RI | 0 | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 |
最后，可以通过简单加权法(Simple Additive Weighting，SAW)来确定业务类型j的终端用户对可连接网络i的偏好fi：
可选地，网络连接状态增强学习模型为基于目标区域中存在的多个业务类型的终端用户的网络连接状态、目标区域中存在的多个可连接网络的网络状态、以及业务类型i的终端用户选择可连接网络j的奖励值学习训练得到的。
具体来说，可以将相同业务类型的终端用户组成一个智能体队列，智能体i的队列的长度就是业务类型为i的终端用户的个数。首先，初始化Nash Q-Learning的学习速率α，折扣因子γ，探索速率ε和(ACR1,ACR2,ACR3)，其中ACR1为网络1的网络状态，ACR2为网络2的网络状态，ACR3为网络3的网络状态。
再在每个智能体中创建5个Q表，并将它们都初始化为0。例如在智能体i中存储所有5个智能体的Q表Qj,j＝1,2,n，其中n＝5。每一个Q表都代表智能体i对三个网络所采取动作、以及每种动作所对应的奖励。其中每一个Q表有：
“0”表示初始化，s是网络的状态，a1,an表示n个智能体各自对网络j所采取的动作，其中网络j为可连接网络即网络1～网络3中的任意一个网络。通过Nash Q-Learning强化学习模型，获取每个智能体对网络1～网络3所采取的所有动作以及对应的奖励，也就是可连接网络的网络状态与目标区域中存在的多个业务类型的终端用户的网络连接状态之间的映射关系表。
步骤130，基于映射关系表，从多个可连接网络中为目标业务类型的终端用户选择可连接的目标网络。
可选地，基于映射关系表，从多个可连接网络中为目标业务类型的终端用户选择可连接的目标网络，包括：
基于映射关系表，确定在目标区域内其他业务类型的终端用户当前的网络连接状态下，目标业务类型的终端用户所处的奖励值最大的网络连接状态；
基于奖励值最大的网络连接状态，从多个可连接网络中为目标业务类型的终端用户选择可连接的目标网络。
本发明实施例中，在为目标业务类型的终端用户确定待选择的目标网络时，由于能够获取目标区域内目标业务类型的终端用户的用户数量、以及目标区域内其他业务类型的终端用户的用户数量和网络连接状态、以及目标区域内的可连接网络的网络状态；并将目标业务类型的终端用户的用户数量、以及其他业务类型的终端用户的用户数量和网络连接状态、以及可连接网络的网络状态作为网络连接状态增强学习模型的输入，输出得到可连接网络的网络状态与目标区域中存在的多个业务类型的终端用户的网络连接状态之间的映射关系表，由于该映射关系表能够反映不同业务类型的终端用户选择不同的可连接网络时的奖励，那么基于映射关系表，为目标业务类型的终端用户选择的可连接的目标网络则能够适应不同业务类型的终端用户，进而保证不同业务类型的终端用户的QoE。
本申请实施例还提供一种网络的选择装置200，如图2所示，在一种软件实施方式中，该网络的选择装置200包括获取单元201、输出单元202、选择单元203，其中：
获取单元201，用于获取目标区域内目标业务类型的终端用户的用户数量、以及所述目标区域内其他业务类型的终端用户的用户数量和网络连接状态、以及所述目标区域内的可连接网络的网络状态，其中，所述目标业务类型的终端用户为待选择可连接网络的终端用户；
输出单元202，用于将所述目标区域内目标业务类型的终端用户的用户数量、以及所述目标区域内其他业务类型的终端用户的用户数量和网络连接状态、以及所述目标区域内的可连接网络的网络状态作为网络连接状态增强学习模型的输入，以输出所述可连接网络的网络状态与所述目标区域中的多个业务类型的终端用户的网络连接状态之间的映射关系表；
选择单元203，用于基于所述映射关系表，从所述可连接网络中为所述目标业务类型的终端用户选择可连接的目标网络。
可选地，在一种实施方式中，所述映射关系表中还包括基于可连接网络j的网络状态和业务类型i的终端用户对所述可连接网络j的偏好，确定的所述业务类型i的终端用户选择所述可连接网络j的奖励值；
其中，所述业务类型i为所述目标区域中存在的多个业务类型中的任意一个业务类型；所述可连接网络j为所述目标区域内的可连接网络。
可选地，在一种实施方式中，所述网络连接状态增强学习模型为基于所述目标区域中存在的多个业务类型的终端用户的网络连接状态、所述目标区域中存在的多个可连接网络的网络状态、以及所述业务类型i的终端用户选择所述可连接网络j的奖励值学习训练得到的。
可选地，在一种实施方式中，所述选择单元203，用于：
基于所述映射关系表，确定在所述目标区域内其他业务类型的终端用户当前的网络连接状态下，所述目标业务类型的终端用户所处的奖励值最大的网络连接状态；
基于所述奖励值最大的网络连接状态，从所述多个可连接网络中为所述目标业务类型的终端用户选择可连接的目标网络。
可选地，在一种实施方式中，所述业务类型i的终端用户对所述可连接网络j的偏好为基于所述目标区域内的可连接网络的网络属性参数、以及所述目标区域中存在的多个业务类型的终端用户执行对应的业务所需的网络属性参数确定的；
其中，所述网络属性参数包括下述至少一种参数：
网络连接的吞吐量；
网络平均时延；
网络支持移动性；
网络丢包率；
网络抖动；
网络能效；
网络资费。
可选地，在一种实施方式中，所述可连接网络的网络状态为基于所述可连接网络的当前可用容量与所述可连接网络的网络总容量获取得到的。
可选地，在一种实施方式中，所述目标区域中存在的多个业务类型包括下述至少一种：
交通服务业务；
工业自动化和公用事业服务业务；
医疗服务业务；
虚拟现实和增强现实服务业务；
智慧城市服务业务。
网络的选择装置200能够实现图1的网络的选择方法实施例的方法，具体可参考图1所示实施例的网络的选择方法，不再赘述。
图3示出了本发明另一实施例的终端设备的结构示意图，如图3所示，终端设备300包括：至少一个处理器310、存储器320、至少一个网络接口330和用户接口340。终端设备300中的各个组件通过总线系统350耦合在一起。可理解，总线系统350用于实现这些组件之间的连接通信。总线系统350除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图3中将各种总线都标为总线系统350。
其中，用户接口340可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
可以理解，本发明实施例中的存储器320可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synclink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DRRAM)。本发明实施例描述的系统和方法的存储器320旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中，存储器320存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集：操作系统321和应用程序322。
其中，操作系统321，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序322，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序322中。
在本发明实施例中，终端设备300还包括：存储在存储器上320并可在处理器310上运行的计算机程序，计算机程序被处理器310执行时实现上述网络的选择方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
上述本发明实施例揭示的方法可以应用于处理器310中，或者由处理器310实现。处理器310可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器310中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器310可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的计算机可读存储介质中。该计算机可读存储介质位于存储器320，处理器310读取存储器320中的信息，结合其硬件完成上述方法的步骤。具体地，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器310执行时实现如上述网络的选择方法中的方法实施例的各步骤。
总之，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，均应包含在本发明的保护范围之内。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他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、商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他要素，或者是还包括为这种过程、方法、商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、商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递进的方式描述，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他实施例的不同之处。尤其，对于系统实施例而言，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。
Claims (8)
1.一种网络的选择方法，其特征在于，包括：
获取目标区域内目标业务类型的终端用户的用户数量、以及所述目标区域内其他业务类型的终端用户的用户数量和网络连接状态、以及所述目标区域内的可连接网络的网络状态，其中，所述目标业务类型的终端用户为待选择可连接网络的终端用户；
将所述目标业务类型的终端用户的用户数量、以及所述其他业务类型的终端用户的用户数量和网络连接状态、以及所述可连接网络的网络状态作为网络连接状态增强学习模型的输入，以输出所述可连接网络的网络状态与所述目标区域中存在的多个业务类型的终端用户的网络连接状态之间的映射关系表；
基于所述映射关系表，从所述多个可连接网络中为所述目标业务类型的终端用户选择可连接的目标网络；
其中，所述映射关系表中还包括基于可连接网络j的网络状态和业务类型i的终端用户对所述可连接网络j的偏好，确定的所述业务类型i的终端用户选择所述可连接网络j的奖励值；
其中，所述业务类型i为所述目标区域中存在的多个业务类型中的任意一个业务类型；所述可连接网络j为所述目标区域内的可连接网络；
其中，所述网络连接状态增强学习模型为基于所述目标区域中存在的多个业务类型的终端用户的网络连接状态、所述目标区域中存在的多个可连接网络的网络状态、以及所述业务类型i的终端用户选择所述可连接网络j的奖励值学习训练得到的。
2.如权利要求1所述的方法，其特征在于，基于所述映射关系表，从所述多个可连接网络中为所述目标业务类型的终端用户选择可连接的目标网络，包括：
基于所述映射关系表，确定在所述目标区域内其他业务类型的终端用户当前的网络连接状态下，所述目标业务类型的终端用户所处的奖励值最大的网络连接状态；
基于所述奖励值最大的网络连接状态，从所述多个可连接网络中为所述目标业务类型的终端用户选择可连接的目标网络。
3.如权利要求1所述的方法，其特征在于，所述业务类型i的终端用户对所述可连接网络j的偏好为基于所述目标区域内的可连接网络的网络属性参数、以及所述目标区域中存在的多个业务类型的终端用户执行对应的业务所需的网络属性参数确定的；
其中，所述网络属性参数包括下述至少一种参数：
网络连接的吞吐量；
网络平均时延；
网络支持移动性；
网络丢包率；
网络抖动；
网络能效；
网络资费。
4.如权利要求1所述的方法，其特征在于，所述可连接网络的网络状态为基于所述可连接网络的当前可用容量与所述可连接网络的网络总容量获取得到的。
5.如权利要求1所述的方法，其特征在于，所述目标区域中存在的多个业务类型包括下述至少一种：
交通服务业务；
工业自动化和公用事业服务业务；
医疗服务业务；
虚拟现实和增强现实服务业务；
智慧城市服务业务。
6.一种网络的选择装置，包括：
获取单元，用于获取目标区域内目标业务类型的终端用户的用户数量、以及所述目标区域内其他业务类型的终端用户的用户数量和网络连接状态、以及所述目标区域内的可连接网络的网络状态，其中，所述目标业务类型的终端用户为待选择可连接网络的终端用户；
输出单元，用于将所述目标区域内目标业务类型的终端用户的用户数量、以及所述目标区域内其他业务类型的终端用户的用户数量和网络连接状态、以及所述目标区域内的可连接网络的网络状态作为网络连接状态增强学习模型的输入，以输出所述可连接网络的网络状态与所述目标区域中的多个业务类型的终端用户的网络连接状态之间的映射关系表；
选择单元，用于基于所述映射关系表，从所述可连接网络中为所述目标业务类型的终端用户选择可连接的目标网络；
其中，所述映射关系表中还包括基于可连接网络j的网络状态和业务类型i的终端用户对所述可连接网络j的偏好，确定的所述业务类型i的终端用户选择所述可连接网络j的奖励值；
其中，所述业务类型i为所述目标区域中存在的多个业务类型中的任意一个业务类型；所述可连接网络j为所述目标区域内的可连接网络；
其中，所述网络连接状态增强学习模型为基于所述目标区域中存在的多个业务类型的终端用户的网络连接状态、所述目标区域中存在的多个可连接网络的网络状态、以及所述业务类型i的终端用户选择所述可连接网络j的奖励值学习训练得到的。
7.一种网络侧设备，其特征在于，包括：
处理器；以及
被配置为存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1～5中任一所述的网络的选择方法。
8.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行如权利要求1～5中任一所述的网络的选择方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910310540.2A CN110191494B (zh) | 2019-04-17 | 2019-04-17 | 一种网络的选择方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910310540.2A CN110191494B (zh) | 2019-04-17 | 2019-04-17 | 一种网络的选择方法、装置和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110191494A CN110191494A (zh) | 2019-08-30 |
| CN110191494B true CN110191494B (zh) | 2020-09-01 |
Family
ID=67714661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910310540.2A Expired - Fee Related CN110191494B (zh) | 2019-04-17 | 2019-04-17 | 一种网络的选择方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110191494B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110933723B (zh) * | 2019-11-21 | 2022-01-04 | 普联技术有限公司 | 一种漫游切换控制方法、装置和无线ap |
| CN113873495B (zh) * | 2020-06-30 | 2023-06-13 | 中国联合网络通信集团有限公司 | eSIM卡的网络接入方法和装置 |
| CN112333755B (zh) * | 2020-11-27 | 2023-06-30 | 中国联合网络通信集团有限公司 | 待部署基站可接入用户数的预估方法和装置 |
| CN115086180A (zh) * | 2021-03-12 | 2022-09-20 | 中国电信股份有限公司 | 网络组网方法、网络组网装置及电子设备 |
| CN115119192B (zh) * | 2021-03-19 | 2023-06-16 | 中国联合网络通信集团有限公司 | 网络接入方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103686914A (zh) * | 2013-09-09 | 2014-03-26 | 镇江青思网络科技有限公司 | 基于服务偏好和网络条件的垂直切换方法snvho |
| CN106658624A (zh) * | 2016-11-29 | 2017-05-10 | 重庆大学 | 一种多无线网络共存场景下的用户与网络匹配方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102264033B (zh) * | 2010-05-27 | 2015-06-03 | 中兴通讯股份有限公司 | 一种mbms统计消息的处理方法和装置 |
| CN103150595B (zh) * | 2011-12-06 | 2016-03-09 | 腾讯科技（深圳）有限公司 | 数据处理系统中的自动配对选择方法和装置 |
-
2019
- 2019-04-17 CN CN201910310540.2A patent/CN110191494B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103686914A (zh) * | 2013-09-09 | 2014-03-26 | 镇江青思网络科技有限公司 | 基于服务偏好和网络条件的垂直切换方法snvho |
| CN106658624A (zh) * | 2016-11-29 | 2017-05-10 | 重庆大学 | 一种多无线网络共存场景下的用户与网络匹配方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于多属性决策的异构无线网络接入选择;陈芳;《中国优秀硕士学位论文全文数据库》;20150531(第5期);全文 * |
| 基于网络性能与业务特征感知的异构网络选择算法研究;孙寅彪;《中国优秀硕士学位论文全文数据库》;20120731(第7期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110191494A (zh) | 2019-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110191494B (zh) | 一种网络的选择方法、装置和设备 | |
| US10936765B2 (en) | Graph centrality calculation method and apparatus, and storage medium | |
| US20100191844A1 (en) | Cluster-based friend suggestion aggregator | |
| US20180211335A1 (en) | Method and apparatus for estimating user influence on social platform | |
| CN109257758B (zh) | 一种网络扩容方法及装置 | |
| US8229415B1 (en) | Wireless communication data store construction and analysis | |
| CN107451854B (zh) | 确定用户类型的方法及装置、电子设备 | |
| CN108694574B (zh) | 一种资源转移渠道的处理方法、装置及设备 | |
| CN110061930B (zh) | 一种数据流量的限制、限流值的确定方法和装置 | |
| CN106326062A (zh) | 应用程序的运行状态控制方法和装置 | |
| CN111932238B (zh) | 支付账户推荐方法、装置及电子设备 | |
| CN105488125A (zh) | 页面访问方法和装置 | |
| CN113222813B (zh) | 图像超分辨率重建方法、装置、电子设备及存储介质 | |
| CN111930859A (zh) | 一种基于异质图神经网络的节点处理方法、装置及设备 | |
| CN114218887A (zh) | 一种基于深度学习的芯片配置设计方法、装置及介质 | |
| US20170364478A1 (en) | Similarity measurement method and device | |
| CN104216903A (zh) | 评估用户间的关注度的方法及设备 | |
| US9565164B2 (en) | Techniques to rate-adjust data usage with a virtual private network | |
| CN111565065B (zh) | 一种无人机基站部署方法、装置及电子设备 | |
| CN111158907A (zh) | 数据处理方法及装置、电子设备和存储介质 | |
| CN115797267A (zh) | 图像质量评估方法、系统、电子设备和存储介质 | |
| CN111339643B (zh) | 资源消耗评估方法、装置、电子设备及存储介质 | |
| CN110443746B (zh) | 基于生成对抗网络的图片处理方法、装置及电子设备 | |
| CN112184074A (zh) | 一种提示信息输出方法及装置 | |
| CN112036418A (zh) | 用于提取用户特征的方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200901 |