CN110268749B - 基于动态准则的网络接入点之间的漫游 - Google Patents

Abstract

本文描述的电子设备被配置为当在接入点之间转换网络连接时增强与网络连接相关联的用户体验。用于扫描可用接入点并将网络连接转移到备用接入点的确定基于与扫描准则和转移准则进行比较的连接属性和/或接入点属性。此外，根据机器学习技术来更新或调整扫描准则和转移准则，使得用于扫描接入点的确定和在接入点之间的转移的确定在每设备和/或每用户级别上被调谐以适合特定设备和/或用户的使用的模式。随着时间的推移，基于机器学习对扫描准则和转移准则的更新提供了越来越一致的高质量用户体验，同时在接入点之间高效漫游。

Description

基于动态准则的网络接入点之间的漫游

背景技术

诸如个人计算机、膝上型计算机、移动电话等的电子设备越来越多地配备成使用多种类型的接入点来连接到网络并发送和接收数据。例如许多设备被配备成使用各种各样的Wi-Fi网络、蜂窝网络、蓝牙网络等。每个接入点可以包括不同的相关联的属性，并提供不同的范围、信号强度、连接速度等。在不同接入点之间漫游的同时维持高质量、一致的连接可能是困难的。

在接入点之间漫游的设备通常包括静态逻辑，该静态逻辑使得设备自动扫描可用接入点并且当满足或超过某些定义的准则或阈值时将连接转移到检测到的接入点。然而，静态逻辑不考虑不同用户的不同使用模式、特定接入点组的动态方面、基于一天中的时间使用的设备的差异等。当每个用户可能具有静态逻辑提供低级体验的专用使用模式时，用户基于静态逻辑接收“一刀切”(“one size fits all”)体验。

发明内容

提供本发明内容是为了以简化的形式介绍概念的选择，这些概念将在下面的具体实施方式中进一步描述。本发明内容不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。

一种计算机化方法，包括：收集与到第一接入点的网络连接相关联的至少一个连接属性，在基于所收集的至少一个连接属性，至少一个扫描准则被满足时扫描至少一个替代接入点，在扫描所述至少一个替代接入点之后收集扫描反馈，并基于所收集的扫描反馈来更新所述至少一个扫描准则，其中所述至少一个扫描准则是根据机器学习更新的。

通过参考结合附图考虑的以下具体实施方式，将更容易理解许多伴随特征，因为这些特征将变得更好理解。

附图说明

从以下根据附图阅读的具体实施方式将更好地理解本说明书，在附图中：

图1示出了根据实施例的包括机器学习引擎的电子设备的框图；

图2示出了根据实施例的位于多个网络接入点的范围内的电子设备的框图。

图3示出了根据实施例的当满足扫描准则时扫描替代接入点并基于扫描反馈来更新扫描准则的方法的流程图；

图4示出了根据实施例的基于转移准则将连接从第一接入点转移到替代接入点并基于转移反馈来更新转移准则的方法的流程图；

图5示出了根据实施例的基于扫描准则来扫描替代接入点、基于转移准则来将网络连接转移到替代接入点、并基于扫描反馈来更新扫描准则并基于转移反馈来更新转移准则的方法的流程图；

图6示出了根据实施例的交互图，其示出了基于扫描准则在扫描替代接入点期间在网络接口和机器学习引擎之间的交互，基于转移准则将网络连接转移到替代接入点，以及基于扫描反馈来更新扫描准则并基于转移反馈来更新转移准则；以及

图7将根据实施例的计算装置示出为功能框图。

在图1至7中，系统被示为示意图。附图可能不按比例绘制。

具体实施方式

以下结合附图提供的具体实施方式旨在作为多个实施例的描述，而不旨在表示可构造、实现或利用实施例的唯一形式。尽管本文可以将实施例描述和示出为在诸如服务器、个人计算机、移动设备等的设备中实现，但是这仅是示例性实现而非限制。如本领域技术人员将理解的，本实施例适用于各种不同类型的计算设备(例如PC、服务器、膝上型计算机、平板计算机等)的应用。

本文使用的术语“计算机”、“计算装置”、“移动设备”等是指具有处理能力使得其可以执行指令的任意设备。本领域技术人员将认识到，这种处理能力被结合到许多不同的设备中，因此术语“计算机”和“计算设备”各自可以包括PC、服务器、膝上型计算机、移动电话(包括智能电话)、平板计算机、媒体播放器、游戏机、个人数字助理和许多其他设备。

以下电子设备被配置为在转换接入点之间的网络连接时增强与网络连接相关联的用户体验。用于扫描可用接入点并将网络连接转移到替代接入点的确定基于与扫描准则和转移准则进行比较的连接属性和/或接入点属性。此外，根据机器学习技术更新或调整扫描准则和转移准则，使得用于扫描接入点和在接入点之间的转移的确定在每个设备和/或每个用户级别上调整以适合特定设备和/或用户的使用模式。随着时间的推移，基于机器学习的对扫描准则和转移准则的更新提供了越来越一致的高质量用户体验，同时在接入点之间有效漫游。

图1示出了根据实施例的包括机器学习引擎104的电子设备100的框图。电子设备100包括网络接口102，网络接口102通信地被耦合到机器学习引擎104和数据路径108。电子设备100包括其他设备系统110，诸如日期时间组件112、全球定位组件114、和/或运动检测组件116。

在示例中，电子设备100可以是如上所述的计算设备或计算装置。例如电子设备100可以包括PC、服务器、膝上型计算机、移动电话(包括智能手机)、平板计算机、媒体播放器、游戏机、个人数字助理等。

网络接口102可以包括用于通过网络进行通信的一个或多个物理接口(例如用于无线通信的天线/无线无线电、用于有线通信的插头或类似连接器等)。此外，网络接口102可以包括用于与一个或多个物理接口一起使用的一个或多个固件和/或软件接口，使得网络接口102能够使用物理接口来发送数据、接收数据、形成连接、解释数据等。网络接口102经由一个或多个网络上的通信来处理从其他实体发送到电子设备100的其他组件和/或从电子设备100的其他组件发送到其他实体的数据。

网络接口102还可以包括连接管理器，其与网络接口102的其他元件通信、控制和/或交互，以便经由网络通过物理接口将通信/数据业务引导到其他实体(例如接入点、服务器等)。

网络接口102可以能够连接到多种类型的网络接入点(例如Wi-Fi接入点、蜂窝接入点等)和/或与多种类型的网络接入点(例如Wi-Fi接入点、蜂窝接入点等)通信。网络接口102可以被配置为确定何时和/或如何检测可用接入点和/或何时将网络通信从一个可用接入点改变到另一个可用接入点。何时检测或扫描可用接入点以及何时将通信或连接从一个接入点转移到另一个接入点的确定可以基于定义的准则或阈值，网络接口102可以将其与和当前网络连接相关联的数据/属性(例如，连接属性等)、电子设备100内的其他系统的状态、与网络接口102和/或电子设备100相关联的历史数据、和接入点(例如，接入点属性等)等进行比较。例如当当前网络连接的信号强度值(例如，接收信号强度指示符(RSSI)等)是最大信号强度的50％或更小时，定义的扫描准则可以使网络接口102扫描替代的可用接入点。替代地或另外地，当到第二接入点的网络连接具有比到网络连接的网络连接更低的延迟时，定义的转移准则可以使网络接口102将网络连接从第一接入点转移到第二接入点。

扫描准则和/或转移准则可以基于一个或多个连接性能属性(例如信号强度、信号延迟、循环冗余校验(CRC)错误率、接入点负载、理论吞吐量、实际吞吐量、等等。)。另外地或替代地，扫描准则和/或转移准则可以基于记录的使用模式，检测到的接入点之间的关系、日期时间数据、位置数据、检测到的运动数据、频带/信道数据、排队要发送的数据量等

由网络接口102经由网络接收和/或收集的和/或与网络连接/接入点相关联的数据可以被路由到机器学习引擎104和/或数据路径108。机器学习引擎104可以进一步从诸如设备系统110的其他设备系统接收数据。在示例中，机器学习引擎104收集各种数据作为输入和/或反馈，并且基于所收集的数据，更新使得网络接口102扫描替代的可用接入点和/或将网络连接从第一接入点转移到第二接入点的准则。机器学习引擎104可以使用机器学习技术和/或算法来确定对扫描准则和/或转移准则的调整，扫描准则和/或转移准则可以改进对可用接入点的扫描以及将连接转移到替代接入点的方面。可以针对改进的一些方面包括减少扫描持续时间、减少典型或预期的延迟、增加典型或预期的吞吐量、和/或改进典型或预期的链路质量。例如机器学习引擎104可以基于机器学习算法来确定调整扫描准则使得可用接入点的扫描频率降低可以减少数据传输的中断，同时维持足够的连接质量。替代地或另外地，机器学习引擎104可以确定用于满足用于从第一接入点转移到第二接入点的准则的阈值应当被降低，以便减少使用劣质连接所花费的时间，从而改进用户经验。这些和其他预测是预期的。

收集的反馈数据可以与扫描过程和/或转移过程相关联。收集的反馈可以包括连接性能属性(例如信号强度、带宽等)、当前连接性能与先前连接性能的比较(例如与转移前信号质量或强度相比的转移后信号质量或强度等)、扫描或转移期间的传输停机时间、定义时间段内的传输停机时间、先前的准则调整、接入点故障或性能降低的确定原因(例如为什么接入点失败)、扫描或转移是否成功等。

在一些示例中，机器学习引擎104包括诸如随机决策森林的训练的回归量、有向无环图、支持向量机、神经网络或其他训练的回归量。可以使用上述输入和反馈数据来训练训练的回归量。训练的回归量的示例包括卷积神经网络和随机决策森林。还应该理解，在一些示例中，在不脱离本文描述的系统和/或方法的情况下，机器学习引擎104可以根据本领域已知的机器学习原理和/或技术来操作。

如图1所示，机器学习引擎104在电子设备100处可用。在替代示例中，机器学习引擎可以被布置在另一计算设备处，该计算设备接收并处理来自电子设备100的数据。机器学习引擎104在电子设备100处，它包括存储在存储器中并在某些情况下在处理器上执行的软件。在一些示例中，机器学习引擎104在FPGA或专用芯片上执行。例如机器学习引擎104的功能可以全部或部分地由一个或多个硬件逻辑组件实现。例如但非限制，可以使用的说明性类型的硬件逻辑组件包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)、图形处理单元(GPU)。

机器学习引擎104被布置为执行本文中关于图3-5描述的方法，以允许在接入点之间扫描和漫游时改进性能的方式计算扫描准则更新和/或转移准则更新。

当应用机器学习技术和/或算法时，机器学习引擎可以使用训练数据对。数百万个训练数据对(或更多)可以被存储在机器学习数据结构(例如机器学习数据结构106等)中。在一些示例中，训练数据对包括与准则更新值配对的输入或反馈数据值。两个值的配对示出了输入或反馈数据值与准则更新值之间的关系，机器学习引擎104可以使用该关系来根据机器学习技术和/或算法确定未来的准则更新。

由机器学习引擎104建立的扫描准则和/或转移准则可以与特定电子设备100相关联。替代地或另外地，扫描准则和/或转移准则可以与电子设备100的特定用户相关联。例如随着时间的推移，机器学习引擎104可以基于与特定用户相关联的使用模式来建立准则。当第一用户登录到电子设备100或以其他方式被识别为当前正在使用设备100时，可以在确定是否扫描接入点和/或转移接入点之间的连接时网络接口102使用与第一用户相关联的准则。当第二用户开始使用电子设备100时，可以使用与第二用户相关联的不同准则。

机器学习引擎104可以在机器学习数据结构106中存储输入数据/属性、反馈数据、当前扫描和转移准则、过去扫描和转移准则、过去扫描记录、过去连接转移记录等。当应用机器学习技术/算法来评估反馈并更新定义的扫描和转移准则时，机器学习数据结构106中存储的数据可以由机器学习引擎104使用。

由机器学习引擎104收集的数据可以包括设备系统110的状态数据和/或属性，包括日期时间组件112、全球定位组件114和/或运动检测组件116(例如加速度计等)。由机器学习引擎104从这些设备系统110收集的数据可以由机器学习引擎104使用以确定电子设备100的使用模式，其取决于星期/月中的第几天、一天中的时间、全球位置、持续运动等。所确定的使用模式可以用于建立取决于电子设备的位置等的扫描准则和/或转移准则。例如，这些动态准则可以使得电子设备100的网络接口102在确定是否根据电子设备100是靠近家还是未知位置、或者是在白天还是晚上来扫描接入点或者在接入点之间转移连接时表现不同。

准则(扫描准则或转移准则)可以基于检测到的接入点之间的关系。例如如果连接已经在过去成功地频繁地从第一接入点转移到第二接入点，则可以配置转移准则，使得当需要从第一个接入点转移走时，转移到第二接入点比转移到另一个可用接入更可能。替代地，可以配置转移准则，使得在存在从第一接入点到第二接入点的失败或质量差的转移历史时，在尝试转移到第二接入点之前尝试到其他可用接入点的转移。

应进一步理解，可以在其他设备上记录和/或与其他设备共享可由机器学习引擎104和/或电子设备100的其他组件收集的输入和/或反馈数据、属性更新、使用模式和其他数据。例如云服务器可以从引擎104收集机器学习引擎数据，并且所收集的数据可以用于改进由其他电子设备使用的准则。具有机器学习引擎的许多设备可以向云服务器提供机器学习引擎数据，其中数据被分析以便可以改进未来的准则。例如数据可以用于改进新电子设备上的网络接口在扫描接入点和/或在接入点之间转移时使用的默认准则。

扫描可用接入点可以包括多种扫描类型(例如Wi-Fi扫描、特定频率信道扫描、蜂窝网络扫描、已知接入点扫描等)。可以基于扫描类型的方面和/或属性来排列、排名、优先化或排序多个扫描类型。不同优先化扫描类型的使用可以用于扫描模式，其可以在扫描期间用于以最小扫描成本来最大化检测到足够质量的接入点的可能性。例如第一扫描类型可以比第二扫描类型更便宜、更快、更可靠或者更高效，并且第一扫描类型可以优先于第二扫描类型。替代地或另外地，第一扫描类型可以与一个或多个优选接入点相关联，而第二扫描类型可以不与一个或多个优选接入点相关联。可以使第一扫描类型优先于第二扫描类型，以使相关联的优选接入点优先。应当理解，根据机器学习技术更新的扫描准则可能导致扫描顺序或优先级或扫描模式随时间改变。例如由扫描准则定义的已知接入点(例如过去已成功使用的接入点等)的扫描可以在新接入点被成功使用并且被包括在已知接入点集合中时动态地改变。随着扫描准则被更新，新的已知接入点可以以比它们是已知接入点之前更高的优先级被扫描。

两个或更多个接入点可以具有亲和性或对应性，因为当在扫描中检测到一个接入点时，也检测到相应的接入点。基于历史对应模式，可以更新扫描准则，使得当网络接口连接到接入点时，扫描相应的接入点被优先化。

接入点可以提供特定范围内的其他接入点的“邻域地图”。扫描准则可以由机器学习引擎配置，以使“邻域地图”中的接入点的扫描优先化，因为邻居接入点可能具有可用性。

可以排列、排名、优先化或排序在扫描期间检测到的接入点。可以基于成本、可能的性能、过去的使用模式、过去的可靠性等来排列接入点。例如在过去的多个场合成功使用的第一接入点可以优先于从未使用过的第二接入点。替代地或另外地，提供免费数据传输的接入点(例如用户家中的Wi-Fi路由器等)可以优先于提供成本数据传输的接入点(例如蜂窝接入点等)。接入点的优先级可以确定网络接口102尝试到接入点的连接转移的顺序，使得最高优先级接入点可以首先作为连接转移的目标。如果接入点的连接转移失败，则可以尝试下一个最高优先级的接入点。类似于上述扫描优先级，机器学习引擎对转移准则的调整可能影响在转移连接时接入点的排名和/或优先级。

接入点或接入点组可以与单独的转移准则相关联，使得可以满足一个接入点的转移准则，而可以不满足另一个接入点的转移准则。例如高优先级接入点的转移准则可能更容易满足，反映出高优先级接入点可能提供可靠的连接，而较低优先级接入点的转移准则可能更难以满足，反映出较低优先级接入点可能不太可能提供对当前接入点的连接的改进的连接。

机器学习引擎104被配置为更新准则以平衡收集数据，以便确定针对这样做的资源成本的最佳扫描和/或连接转移。通过扫描接入点和将连接转移到其他接入点来收集数据可能导致与实际数据传输有关的停机时间。因此，机器学习引擎104可以被配置为调整准则，使得高效地找到提供足够质量的连接的接入点。

机器学习引擎104和网络接口102在没有来自电子设备100的用户的输入或直接交互的情况下如上所述操作。然而，在替代示例中，电子设备100的用户可以提供输入和/或反馈，其可以由机器学习引擎104使用。例如用户可以在网络接口扫描替代接入点和/或将连接转移到替代接入点的时间周围提供对电子设备100的网络连接的性能评级。

数据路径108表示可构成计算设备中的一般路径或数据流的模块和/或组件。例如数据路径108可以包括传输控制协议/网际协议(TCP/IP)堆栈、应用、接口等的层。应当理解，数据路径涵盖电子设备100的其他层、位置和/或组件，其中通过网络接口102发送和接收的数据可以发起和/或被绑定。

电子设备100包括至少一个网络接口102，其包括到第一接入点的第一网络连接，至少一个处理器，以及包括计算机程序代码的至少一个存储器。处理器执行计算机程序代码以执行流程图中所示的操作。例如执行计算机程序代码以收集与第一网络连接相关联的至少一个连接属性。当基于所收集的连接属性满足至少一个扫描准则时，代码进一步扫描第二接入点。扫描第二接入点包括从第二接入点收集至少一个接入点属性。当基于所收集的连接属性或来自第二接入点的收集的接入点属性中的至少一个满足至少一个传输准则时，该代码进一步断开来自第一接入点的第一网络连接，并形成从网络接口到第二接入点的第二网络连接。该代码还基于与扫描第二接入点相关联的扫描反馈来更新扫描准则，并基于与第一网络连接的断开相关联的转移反馈来更新转移准则。

在一些示例中，采用机器学习。例如更新扫描准则包括根据机器学习更新扫描准则，并且更新转移准则包括根据机器学习更新转移准则。

机器学习使得更新能够是每用户和/或每设备的。例如更新扫描准则包括基于每用户和/或基于每设备更新扫描准则。更新转移准则包括基于每用户和/或每设备来更新转移准则。

连接属性包括信号强度、信号延迟、CRC错误率、连接的接入点负载、吞吐量、传输层统计、应用层统计或使用模式中的至少一个。使用模式包括日期时间数据、GPS位置数据或加速度计移动数据中的至少一个。来自第二接入点的接入点属性包括信号强度、信号延迟、CRC错误率或使用模式中的至少一个。扫描反馈和转移反馈包括转移后信号质量、传输停机时间、先前准则调整、扫描持续时间、吞吐量延迟、传输层统计、应用层统计或接入点故障的至少一个确定原因中的至少一个。

在电子设备100上，第二接入点可以基于在第一接入点和第二接入点之间转移网络连接的电子设备的记录历史与第一接入点相关联。

图2示出了根据实施例的位于多个网络接入点的范围内的电子设备200的框图，多个网络接入点包括接入点218和220。电子设备200包括网络接口202，网络接口202具有通过接入点218路由到网络222的网络连接。网络接口202还在至少一个其他接入点220的范围内。应该理解，在一个示例中，在范围内也可能存在更多可用接入点，如接入点218和接入点220之间的“......”所示。接入点218和220都能够提供到网络222的连接。在示例中，网络222可以是内联网、因特网等。

当经由接入点218连接时，网络接口202可以扫描可用接入点并检测接入点220。此外，网络接口202可以将到网络222的网络连接从通过接入点218进行路由转移到通过接入点220进行路由。应当理解，网络连接的转移可以包括断开通过接入点218进行路由的网络连接并形成在接入点220上进行路由的类似网络连接，或者用于转移和/或重新路由网络连接的其他类似的和/或已知技术。

图3示出了根据实施例的当满足扫描准则时扫描替代接入点并且基于扫描反馈来更新扫描准则的方法300的流程图。

示例方法300包括在302处收集与到第一接入点的网络连接相关联的至少一个连接属性。在306，当在304处基于所收集的连接属性满足至少一个扫描准则时，扫描至少一个替代接入点。扫描替代接入点包括根据扫描模式来扫描多个替代接入点。根据扫描模式的扫描可以包括以排名顺序扫描多个替代接入点。在一些示例中，排名顺序将多个替代接入点从最便宜的成本接入点排列到最昂贵的成本接入点。在其他示例中，排名顺序将多个替代接入点从最可靠的接入点排列到最不可靠的接入点。基于接入点的使用历史来确定多个替代接入点的接入点的可靠性。

在308处，在扫描替代接入点之后收集扫描反馈。在310处，基于收集的扫描反馈(例如经由机器学习)更新扫描准则。基于收集的扫描反馈来更新扫描准则包括基于收集的扫描反馈来更新扫描模式。在一些示例中，更新扫描准则包括基于每用户或基于每设备来更新扫描准则。

应当理解，在304处，当没有满足扫描准则时，该方法可以返回到302处收集连接属性。

图4示出了根据实施例的基于转移准则将连接从第一接入点转移到替代接入点并基于转移反馈来更新转移准则的方法400的流程图。

方法400包括在402处收集与到第一接入点的网络连接相关联的至少一个连接属性。在404，从至少一个替代接入点收集至少一个接入点属性。接入点属性包括信号强度、信号延迟、CRC错误率或使用模式中的至少一个。替代地或补充地，接入点属性可以包括使用模式。示例使用模式包括日期时间数据、GPS位置数据或加速度计移动数据中的至少一个。

在408处，当在406处基于所收集的连接属性或替代接入点的所收集的接入点属性中的至少一个来满足至少一个转移准则时，将网络连接从第一接入点转移到替代接入点。在410处，在转移网络连接之后收集转移反馈。示例性转移反馈包括转移后信号质量、传输停机时间、先前准则调整或接入点故障的确定原因中的至少一个。

在412处，基于所收集的转移反馈(例如使用机器学习)来更新转移准则。基于每用户或每设备更新至少一个转移准则。

图5示出了根据一个实施例的基于扫描准则扫描替代接入点、基于转移准则将网络连接转移到替代接入点、以及基于扫描反馈来更新扫描准则并基于转移反馈来更新转移准则的方法500的流程图。

在示例中，方法500用于在502处收集与到第一接入点的网络连接相关联的至少一个连接属性。在506处，当在504处基于连接属性满足至少一个扫描准则时，从至少一个替代接入点收集至少一个接入点属性。在510处，当在508处基于连接属性或接入点属性中的至少一个满足至少一个转移准则时，将网络连接从第一接入点转移到替代接入点。在512处，收集扫描反馈。在514处，使用例如一个或多个机器学习算法基于所收集的扫描反馈来更新扫描准则。在516处，收集转移反馈。在518处，使用例如一个或多个机器学习算法基于所收集的转移反馈来更新转移准则。应当理解，如果在504处没有满足扫描准则，或者如果在508处没有满足转移准则，则方法500返回到502处收集连接属性。

在一个示例中，基于每设备和/或每用户中的至少一个来更新扫描准则和/或转移准则。

应该理解，以上关于图1描述的细节和/或示例也可以并入在方法500的示例中。

图6示出了根据实施例的交互图600，其示出了在基于扫描准则在扫描替代接入点期间网络接口和机器学习引擎之间的交互，基于转移准则将网络连接转移到替代接入点，基于扫描反馈来更新扫描准则并基于转移反馈来更新转移准则。

在602处，网络接口可以将连接属性发送到机器学习引擎。在604处，机器学习引擎可以接收连接属性并确定所接收的连接属性是否满足扫描准则。如果不是，则机器学习引擎可以返回到从网络接口接收连接属性。如果连接属性确实满足扫描准则，则机器学习引擎可以在606处发起网络扫描。网络接口从机器学习引擎接收指令以扫描网络并在608处扫描针对替代接入点的网络。

在扫描替代接入点时，网络接口收集扫描的接入点的接入点属性，并在610处将接入点属性发送到机器学习引擎。在612，机器学习引擎确定从网络接口接收的接入点属性和/或连接属性是否满足转移准则。如果不是，则机器学习引擎可以返回到从网络接口接收连接属性。如果接入点属性和/或连接属性确实满足转移准则，则机器学习引擎在614处发起连接转移。在616处，网络接口根据来自机器学习引擎的指令将连接从一个接入点转移到另一个接入点。

在618处，网络接口将与扫描和/或连接转移相关联的反馈提供给机器学习引擎。在620处，机器学习引擎基于从网络接口接收的反馈来更新扫描和转移准则。在示例中，机器学习引擎将机器学习技术和/或算法应用于所接收的反馈，以便确定更新的扫描和转移准则。替代地或另外地，机器学习引擎还可以使用所接收的连接属性和接入点属性来确定更新的扫描和转移准则。

在替代示例中，属性与准则的比较可以由网络接口或由连接管理器组件等完成。机器学习引擎可以简单地接收输入数据/属性和反馈数据，基于所接收的数据来确定对属性的更新和/或调整，并且将更新的准则提供给网络接口和/或连接管理器组件。

此外，可以使用混合方法，其中一些处理和/或比较由连接管理器或其他组件完成，而其他处理和/或比较由机器学习引擎完成。

图7将根据实施例的计算装置718示出为功能框图。在一个实施例中，根据本说明书中描述的一个或多个实施例，计算装置718的组件可以被实现为电子设备和/或计算设备的一部分。计算装置718包括一个或多个处理器719，其可以是微处理器、控制器或用于处理计算机可执行指令以控制电子设备的操作的任意其他合适类型的处理器。可以在装置718上提供包括操作系统720或任意其他合适的平台软件的平台软件，以使应用软件721能够在设备上执行。根据一个实施例，基于收集的数据/属性与定义的准则相比较来确定何时扫描替代接入点并确定何时将连接转移到替代接入点，以及根据机器学习基于收集的反馈来更新定义的准则可以是由软件完成。此外，它可以经由网络或其他类型的通信链路从其他计算设备接收网络业务。它可以基于如本文所述的动态更新的准则来控制去往和来自一个或多个接入点的网络业务流。

可以使用计算设备718可访问的任意计算机可读介质来提供计算机可执行指令。计算机可读介质可以包括例如计算机存储介质，诸如存储器722和通信介质。诸如存储器722的计算机存储介质包括以用于诸如计算机可读指令、数据结构、程序模块等信息的存储的任意方法或技术来实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括但不限于RAM、ROM、EPROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字通用盘(DVD)或其他光学存储装置、磁带盒、磁带、磁盘存储装置或其他磁存储设备、或可用于存储信息以供计算装置访问的任意其他非转移介质。相反，传输介质可以在诸如载波或其他输送机制的已调制数据信号中体现计算机可读指令、数据结构、程序模块等。如本文所定义的，计算机存储介质不包括通信介质。因此，计算机存储介质不应被解释为传播信号本身。传播信号本身不是计算机存储介质的示例。尽管计算机存储介质(存储器722)在计算装置718内示出，但是本领域技术人员将理解，存储装置可以远程分布或定位并且经由网络或其他通信链路访问(例如使用通信接口723)。

计算装置718可以包括输入/输出控制器724，其被配置为将信息输出到一个或多个输出设备725，例如显示器或扬声器，其可以与电子设备分离或集成。输入/输出控制器724还可以被配置为接收和处理来自一个或多个输入设备726的输入，例如键盘、麦克风或触摸板。在一个实施例中，输出设备725还可以用作输入设备。这种设备的示例可以是触敏显示器。输入/输出控制器724还可以将数据输出到除输出设备之外的设备，例如本地连接的打印设备。

本文描述的功能可以至少部分地由一个或多个硬件逻辑组件执行。根据实施例，计算装置718在由处理器719执行时由程序代码配置，以执行所描述的操作和功能的实施例。替代地或另外地，本文描述的功能可以至少部分地由一个或多个硬件逻辑组件执行。例如但非限制，可以使用的说明性类型的硬件逻辑组件包括现场可编程门阵列(FPGA)、专用集成电路(ASIC)、程序专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑器件(CPLD)、图形处理单元(GPU)。

尽管可以将一些本实施例描述和示出为在智能电话、移动电话或平板计算机中实现，但是这些仅是设备的示例而非限制。如本领域技术人员将理解的，本实施例适用于各种不同类型的设备，例如便携式和移动设备，例如膝上型计算机、平板计算机、游戏控制台或游戏控制器、各种可穿戴设备等。

替代地，或除了本文描述的其他示例之外，示例包括以下各项的任意组合：

一种电子设备，包括：

至少一个网络接口，包括到第一接入点的第一网络连接；

至少一个处理器；以及

至少一个存储器，包括计算机程序代码，所述至少一个存储器和所述计算机程序代码，被配置为与所述至少一个处理器一起使得所述电子设备至少执行：

收集与所述第一网络连接相关联的至少一个连接属性；

当基于所收集的至少一个连接属性至少一个扫描准则被满足时扫描第二接入点，其中扫描所述第二接入点包括从所述第二接入点收集至少一个接入点属性；

当基于所收集的至少一个连接属性或从所述第二接入点所收集的至少一个接入点属性中的至少一个至少一个转移准则被满足时，从所述第一接入点断开所述第一网络连接，并形成从所述至少一个网络接口到所述第二接入点的第二网络连接；

基于与扫描所述第二接入点相关联的扫描反馈来更新所述至少一个扫描准则；以及

基于与从所述第一接入点断开所述第一网络连接并且与形成从所述至少一个网络接口到所述第二接入点的所述第二网络连接相关联的转移反馈来更新所述至少一个转移准则。

上述电子设备，其中更新所述至少一个扫描准则包括根据机器学习来更新所述至少一个扫描准则，并且其中更新所述至少一个转移准则包括根据机器学习来更新所述至少一个转移准则。

上述电子设备，其中更新所述至少一个扫描准则包括基于每用户或每设备中的至少一个来更新所述至少一个扫描准则，并且其中更新所述至少一个转移准则包括基于每用户或基于每设备中的至少一个来更新所述至少一个转移准则。

上述电子设备，其中所述至少一个连接属性包括信号强度、信号延迟、CRC错误率或使用模式中的至少一个。

上述电子设备，其中所述至少一个连接属性包括使用模式，并且其中所述使用模式包括日期时间数据、GPS位置数据或加速度计移动数据中的至少一个。

上述电子设备，其中来自第二接入点的至少一个接入点属性包括信号强度、信号延迟、CRC错误率或使用模式中的至少一个。

如上所述的电子设备，其中扫描反馈或转移反馈中的至少一个包括转移后信号质量、传输停机时间、先前准则调整或接入点故障的至少一个确定原因中的至少一个。

如上所述的电子设备，其中基于在第一接入点和第二接入点之间转移网络连接的电子设备的记录历史，第二接入点与第一接入点相关联。

一种计算机化方法，包括：

收集与到第一接入点的网络连接相关联的至少一个连接属性；

当基于所收集的至少一个连接属性至少一个扫描准则被满足时扫描至少一个替代接入点；

在所述至少一个替代接入点被扫描之后收集扫描反馈；以及

基于所收集的扫描反馈来更新所述至少一个扫描准则，其中至少一个扫描准则是根据机器学习更新的。

上述计算机化方法，其中更新至少一个扫描准则包括基于每用户或每设备中的至少一个来更新至少一个扫描准则。

上述计算机化方法，其中扫描至少一个替代接入点包括根据扫描模式来扫描多个替代接入点，并且其中基于所收集的扫描反馈来更新所述至少一个扫描准则包括基于收集的扫描反馈来更新扫描模式。

如上所述的计算机化方法，其中根据扫描模式来扫描多个替代接入点包括以排名顺序来扫描所述多个替代接入点。

如上所述的计算机化方法，其中排名顺序将多个替代接入点从最便宜的成本接入点排列到最昂贵的成本接入点。

上述计算机化方法，其中排名顺序将多个替代接入点从最可靠的接入点排列到最不可靠的接入点。

如上所述的计算机化方法，其中多个替代接入点的接入点的可靠性是基于接入点的使用历史来确定的。

一个或多个计算机存储介质，具有计算机可执行指令，所述计算机可执行指令在由处理器执行时使得处理器至少：

收集与到第一接入点的网络连接相关联的至少一个连接属性；

从至少一个替代接入点收集至少一个接入点属性；

当基于所收集的至少一个连接属性或所述至少一个替代接入点的所收集的至少一个接入点属性中的至少一个，至少一个转移准则被满足时，将所述网络连接从所述第一接入点转移到所述至少一个替代接入点；

在所述网络连接被转移后收集转移反馈；以及

基于所收集的转移反馈来更新所述至少一个转移准则，其中所述至少一个转移准则是基于每用户或每设备中的至少一个来被更新的。

如上所述的一个或多个计算机存储介质，其中更新所述至少一个转移准则包括根据机器学习来更新所述至少一个转移准则。

如上所述的一个或多个计算机存储介质，其中所述至少一个接入点属性包括信号强度、信号延迟、CRC错误率或使用模式中的至少一个。

上述一个或多个计算机存储介质，其中所述至少一个接入点属性包括使用模式，并且其中所述使用模式包括日期时间数据、GPS位置数据或加速度计移动数据中的至少一个。

如上所述的一个或多个计算机存储介质，其中转移反馈包括转移后信号质量、传输停机时间、先前属性调整或接入点故障的至少一个确定原因中的至少一个。

如本领域技术人员显而易见的，在不丧失所寻求的效果的情况下，可以扩展或改变本文给出的任意范围或设备值。

尽管用结构特征和/或方法动作专用的语言描述了本主题，但应理解，所附权利要求书中定义的主题不必限于上述具体特征或动作。相反，公开了上述具体特征和动作作为实现权利要求的示例形式。

应当理解，上述益处和优点可以涉及一个实施例，或者可以涉及若干实施例。实施例不限于解决任意或所有所述问题的那些实施例或具有任意或所有所述益处和优点的那些实施例。将进一步理解，对“一个”项的引用是指那些项中的一个或多个。

本文示出和描述的实施例以及本文未具体描述但在权利要求的方面的范围内的实施例构成示例性装置，该装置用于基于所确定的准则确定何时扫描替代接入点以及何时来将连接转移到替代接入点，并根据机器学习来更新定义的准则，以改进确定能力。图示的一个或多个处理器719与存储在存储器722中的计算机程序代码一起构成示例性处理装置，用于收集与当前定义的准则相关联的数据和/或属性，并应用机器学习技术来更新定义的准则，以便改进扫描和转移确定。

在本说明书中使用的术语“包括”意味着包括其后的特征或动作，而不排除一个或多个附加特征或动作的存在。

Claims (20)

1.一种电子设备，包括：

至少一个网络接口，包括到第一接入点的第一网络连接；

至少一个处理器；以及

至少一个存储器，包括计算机程序代码，所述至少一个存储器和所述计算机程序代码被配置为与所述至少一个处理器一起使得所述电子设备：

收集与所述第一网络连接相关联的至少一个连接属性；

当基于所收集的所述至少一个连接属性，至少一个扫描准则被满足时扫描第二接入点，其中扫描所述第二接入点包括从所述第二接入点收集至少一个接入点属性；

当基于所收集的所述至少一个连接属性或从所述第二接入点所收集的所述至少一个接入点属性中的至少一个，至少一个转移准则被满足时，从所述第一接入点断开所述第一网络连接，并且形成从所述至少一个网络接口到所述第二接入点的第二网络连接；

基于与扫描所述第二接入点相关联的扫描反馈来更新所述至少一个扫描准则；以及

基于与从所述第一接入点断开所述第一网络连接相关联的、并且与形成从所述至少一个网络接口到所述第二接入点的所述第二网络连接相关联的转移反馈，来更新所述至少一个转移准则，所述至少一个扫描准则基于所述电子设备或者所述电子设备的用户的使用模式而被更新以调整所述至少一个转移准则，其中(i)所述至少一个扫描准则或者(ii)所述至少一个转移准则中的至少一个准则的所述更新包括：至少部分地基于所述电子设备或者所述电子设备的所述用户的所述使用模式，根据机器学习执行所述更新以改变优先级的顺序或者多个接入点的扫描模式，所述多个接入点包括所述第一接入点和所述第二接入点。

2.根据权利要求1所述的电子设备，其中更新所述至少一个扫描准则包括根据机器学习来更新所述至少一个扫描准则；以及

其中更新所述至少一个转移准则包括根据机器学习来更新所述至少一个转移准则，其中所述电子设备或者所述电子设备的所述用户的所述使用模式包括被输入到机器学习引擎以执行所述机器学习的日常模式信息，并且其中由所述机器学习引擎收集的数据从一个或多个设备系统被接收并且由所述机器学习引擎使用，以确定所述电子设备或者所述电子设备的所述用户的所述使用模式，所述使用模式至少部分地基于(i)一周中的一天或者一月中的一天，(ii)一天中的时间，(iii)全球位置，或者(iv)包括所述电子设备的持续运动的检测到的动作而被确定。

3.根据权利要求1所述的电子设备，其中(i)所述至少一个扫描准则或者(ii)所述至少一个转移准则中的至少一个准则的所述更新包括：根据机器学习执行所述更新，其中更新所述至少一个扫描准则包括：基于每用户或每设备中的至少一个来更新所述至少一个扫描准则以调整所述至少一个扫描准则以适合所述电子设备或者所述电子设备的所述用户的使用模式，其中更新所述至少一个转移准则包括：基于每用户或每设备中的至少一个来更新所述至少一个转移准则，并且其中所述机器学习被配置为在所述至少一个网络接口正在扫描替代接入点或者将连接转移到替代接入点的时间周围接收对所述第一网络连接或者所述第二网络连接的性能的评级，以及使用所接收的所述评级来更新至少一个扫描准则或者所述至少一个转移准则。

4.根据权利要求1所述的电子设备，其中所述至少一个连接属性包括以下项中的至少一项：信号强度、信号延迟、错误率、连接的接入点负载、吞吐量、传输层统计、应用层统计或者使用模式。

5.根据权利要求4所述的电子设备，其中所述使用模式包括以下项中的至少一项：日期时间数据、位置数据或加速度计移动数据。

6.根据权利要求1所述的电子设备，其中来自所述第二接入点的所述至少一个接入点属性包括以下项中的至少一项：信号强度、信号延迟、错误率或使用模式，并且基中所述至少一个扫描准则的所述更新包括：调整要被所述电子设备扫描的所述接入点或者在其之间所述电子设备基于所述使用模式能够转移的所述接入点的确定。

7.根据权利要求1所述的电子设备，其中所述扫描反馈或所述转移反馈中的至少一个包括以下项中的至少一项：转移后信号质量、传输停机时间、先前准则调整、扫描持续时间、吞吐量、延迟、传输层统计、应用层统计、或至少一个确定的接入点故障原因。

8.根据权利要求1所述的电子设备，其中基于所述电子设备在所述第一接入点和所述第二接入点之间转移网络连接的记录历史，所述第二接入点与所述第一接入点相关联。

9.一种计算机化方法，包括：

收集与到第一接入点的网络连接相关联的至少一个连接属性；

当基于所收集的至少一个连接属性，至少一个扫描准则被满足时扫描至少一个替代接入点；

在所述至少一个替代接入点被扫描之后收集扫描反馈；以及

基于所收集的所述扫描反馈来更新电子设备的所述至少一个扫描准则，其中所述至少一个扫描准则是根据机器学习并且基于所述电子设备或者所述电子设备的用户的使用模式而被更新以调整至少一个转移准则，并且其中所述更新还包括：至少部分地基于所述电子设备或者所述电子设备的所述用户的所述使用模式，根据机器学习执行所述更新以改变优先级的顺序或者多个接入点的扫描模式，所述多个接入点至少包括所述第一接入点和所述至少一个替代接入点。

10.根据权利要求9所述的计算机化方法，其中更新所述至少一个扫描准则包括：基于每用户或每设备中的至少一个来更新所述至少一个扫描准则，并且其中所述机器学习被配置为更新所述至少一个扫描准则以平衡收集数据，以便于确定针对执行所述更新的资源成本的最佳扫描或者最佳连接转移之一。

11.根据权利要求9所述的计算机化方法，其中扫描至少一个替代接入点包括根据扫描模式来扫描多个替代接入点；以及

其中基于所收集的所述扫描反馈来更新所述至少一个扫描准则包括：基于所收集的所述扫描反馈来更新所述扫描模式，并且其中所述机器学习被配置为在网络接口扫描替代接入点或者将连接转移到替代接入点的时间周围接收对所述网络连接的性能的评级，以及使用所接收的所述评级来更新所述至少一个扫描准则。

12.根据权利要求11所述的计算机化方法，其中根据扫描模式来扫描多个替代接入点包括：以排名顺序来扫描所述多个替代接入点。

13.根据权利要求12所述的计算机化方法，其中所述排名顺序将所述多个替代接入点从最便宜的成本接入点到最昂贵的成本接入点进行排列。

14.根据权利要求12所述的计算机化方法，其中所述排名顺序将所述多个替代接入点从最可靠的接入点到最不可靠的接入点进行排列，其中接入点的可靠性基于所述接入点的操作特征而被确定。

15.根据权利要求14所述的计算机化方法，其中所述多个替代接入点的接入点的可靠性是基于所述接入点的使用历史而被确定的。

16.一个或多个计算机存储介质，具有计算机可执行指令，所述计算机可执行指令在由处理器执行时使得处理器至少：

收集与到第一接入点的网络连接相关联的至少一个连接属性；

从至少一个替代接入点收集至少一个接入点属性；

当基于所收集的所述至少一个连接属性或所述至少一个替代接入点的所收集的所述至少一个接入点属性中的至少一个，至少一个转移准则被满足时，将所述网络连接从所述第一接入点转移到所述至少一个替代接入点；

在所述网络连接被转移后收集转移反馈；以及

基于所收集的所述转移反馈来更新所述至少一个转移准则，其中所述至少一个转移准则基于每用户的电子设备的使用模式或每设备的电子设备的使用模式中的至少一个而被更新以调整所述至少一个转移准则，并且其中所述更新包括至少部分地基于所述电子设备或者所述电子设备的所述用户的使用模式，根据机器学习执行所述更新以改变优先级的顺序或者多个接入点的扫描模式，所述多个接入点至少包括所述第一接入点和所述至少一个替代接入点。

17.根据权利要求16所述的一个或多个计算机存储介质，其中更新所述至少一个转移准则包括根据机器学习来更新所述至少一个转移准则。

18.根据权利要求16所述的一个或多个计算机存储介质，其中所述至少一个接入点属性包括以下项中的至少一项：信号强度、信号延迟、CRC错误率或使用模式。

19.根据权利要求18所述的一个或多个计算机存储介质，其中所述至少一个接入点属性包括使用模式；以及

其中所述使用模式包括以下项中的至少一项：日期时间数据、GPS位置数据或加速度计移动数据。

20.根据权利要求16所述的一个或多个计算机存储介质，其中所述转移反馈包括以下项中的至少一项：转移后信号质量、传输停机时间、先前准则调整、或者至少一个确定的接入点故障原因。

Images