CN110572801B - 一种mMTC业务流量模型的建立方法 - Google Patents

一种mMTC业务流量模型的建立方法 Download PDF

Info

Publication number
CN110572801B
CN110572801B CN201910808522.7A CN201910808522A CN110572801B CN 110572801 B CN110572801 B CN 110572801B CN 201910808522 A CN201910808522 A CN 201910808522A CN 110572801 B CN110572801 B CN 110572801B
Authority
CN
China
Prior art keywords
mmtc
service
flow
calculating
timed
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.)
Active
Application number
CN201910808522.7A
Other languages
English (en)
Other versions
CN110572801A (zh
Inventor
史琰
郝琪
盛敏
刘俊宇
罗金松
耿佳博
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201910808522.7A priority Critical patent/CN110572801B/zh
Publication of CN110572801A publication Critical patent/CN110572801A/zh
Application granted granted Critical
Publication of CN110572801B publication Critical patent/CN110572801B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种mMTC业务流量模型的建立方法，旨在精确描述不同类别的海量机器类通信业务的突发性流量特征，实现步骤为：建立海量机械类通信mMTC的分段混沌映射方程；计算mMTC事件触发类业务的实际流量集和流量的平均速率；计算mMTC定时上传类业务的实际流量集和流量的平均速率；计算mMTC事件触发类业务流量模型的随机时延边界和mMTC定时上传类业务流量模型的随机时延边界；获取mMTC业务流量模型。

Description

一种mMTC业务流量模型的建立方法
技术领域
本发明属于5G物联网技术领域，特别涉及一种mMTC业务流量模型的建立方法，可用于机器类通信大规模突发的场景下进行有效资源分配的系统。
背景技术
机器类通信(MTC)或机器到机器通信(M2M)被视为一种不需要人互动参与的数据通信形式，预计到2020年将有500亿台连接设备。而当场景为海量MTC(mMTC)设备连接网络时，根据mMTC业务的属性和特征产生的突发性流量会严重的影响网络性能并造成网络拥塞等情况的发生，而mMTC业务接入网络的时延也是影响网络服务质量的因素之一，因此研究MTC的流量模型对于评估接入网的承载能力和弱化随机突发造成的影响具有重要意义。
目前对于mMTC业务流量建模，主要分为场景建模和业务建模两大类，场景建模主要有3GPP(3rd Generation Partnership Project)提出在大规模同步上传的场景下，建立服从Beta到达分布的mMTC业务流量模型，但由于具有任意参数的Beta到达分布的概率分布函数没有明确的解析表达式，因此仅提供整参的分布，对于非整参的分布，下限只能通过数值分析来估计，不能提供准确的参数。业务建模主要有泊松模型，MMPP(马尔可夫调制泊松过程)等，只能生成具有泊松到达特性的数据流，并不具有大数据业务流量的强突发性，不能准确描述mMTC业务的流量特征。每一种方法都有其优缺点，根据场景和业务的不同，建模得到的流量也不同，然而，没有任何一种流量建模的方法能够有效解决场景和业务共同影响的问题。
为了解决上述问题，对现有文献检索发现，Laner M,Svoboda P等人在其发表的论文“Traffic Models for Machine Type Communications”(Laner M,Svoboda P,NikaeinN,ISWCS 2013；The Tenth International Symposium on WirelessCommunication Systems.VDE,2013.)公开了一种mMTC流量模型的建模方法，具体内容是根据mMTC业务的属性和特征对mMTC业务分为三大类，分别是定时上传类业务，事件触发类业务和负载交换类业务，并设置一个充当主设备的后台进程，它可调制所有的MTC设备，并且每个MTC设备均建立MMPP模型，通过建立单个MTC设备状态转移矩阵P，以及多个MTC设备间的转移概率矩阵Pn[t]和平衡方程，经由CMMPP(耦合MMPP)计算得到海量并行上传的MTC流量模型。这个方法解决了在大规模场景下建立并行上传类业务的流量模型时无法提供准确参数的问题，并且描述了业务流量的基本特征，但是它的缺点是仅产生服从泊松过程的MTC业务流量，不能通过动态调整参数来生成不同的MTC业务流量生成具有较强自相似性的业务流量，无法评估接入网络对海量mMTC业务承载的能力。
发明内容
本发明的目的在于克服上述现有技术的不足，提出了一种mMTC业务流量模型的建立方法，旨在精确描述不同类别的海量机器类通信业务的突发性流量特征。
为实现上述目的，本发明采取的技术方案包括如下步骤：
(1)建立海量机械类通信mMTC的分段混沌映射方程：
(1a)设海量机械类通信mMTC事件触发类业务分段混沌映射方程的判断阈值为d1，定时上传类业务分段混沌映射方程的判断阈值为d2；n时刻mMTC事件触发类业务的状态变量为
Figure GDA0002984902450000021
n时刻mMTC定时上传类业务的状态变量为
Figure GDA0002984902450000022
(1b)获取分段线性混沌映射函数
Figure GDA0002984902450000023
和
Figure GDA0002984902450000024
分段非线性混沌映射函数
Figure GDA0002984902450000025
和
Figure GDA0002984902450000026
并通过
Figure GDA0002984902450000027
和
Figure GDA0002984902450000028
建立
Figure GDA0002984902450000029
映射到n+1时刻mMTC事件触发类业务的状态变量的分段混沌映射方程
Figure GDA00029849024500000210
通过
Figure GDA00029849024500000211
和
Figure GDA00029849024500000212
建立
Figure GDA00029849024500000213
映射到n+1时刻mMTC定时上传类业务的状态变量的分段混沌映射方程
Figure GDA00029849024500000214
Figure GDA0002984902450000031
Figure GDA0002984902450000032
其中，d1,d2∈(0,1)，m为表征自相似性程度的赫斯特指数H的自变量，
Figure GDA0002984902450000033
0.5＜H＜1；
(2)计算mMTC事件触发类业务的实际流量集X(1)和流量的平均速率a(1)：
(2a)设mMTC事件触发类业务的持续时间长度为p，d1为(0,1)内的随机数，R1为空数据集，0＜p＜1800，并令n＝0，
Figure GDA0002984902450000034
为(0,1)内的随机数；
(2b)判断
Figure GDA0002984902450000035
是否成立，若是，计算
Figure GDA0002984902450000036
否则，计算
Figure GDA0002984902450000037
(2c)判断n≥p是否成立，若是，执行步骤(2d)，否则，将
Figure GDA0002984902450000038
存储到数据集R1，同时令n＝n+1，并执行步骤(2b)；
(2d)对R1进行反归一化，得到mMTC事件触发类业务的实际流量集X(1)，并根据X(1)计算mMTC事件触发类业务流量的平均速率a(1)；
(3)计算mMTC定时上传类业务的实际流量集X(2)和流量的平均速率a(2)：
(3a)设mMTC定时上传类业务的持续时间长度为l，d2为(0,1)内的随机数，R2为空数据集，0＜l＜600，并令n＝0，
Figure GDA0002984902450000039
为(0,1)内的随机数；
(3b)截取[0,l]内mMTC定时上传类业务的原始时间序列rn，采用最大最小归一化法得到取值区间在[0,1]的时间序列
Figure GDA00029849024500000310
(3c)判断
Figure GDA0002984902450000041
是否成立，若是，计算
Figure GDA0002984902450000042
否则，计算
Figure GDA0002984902450000043
并计算
Figure GDA0002984902450000044
与
Figure GDA0002984902450000045
的均方根误差最小时所对应值d：
Figure GDA0002984902450000046
(3d)判断n≥l是否成立，若是，执行步骤(3e)，否则，将
Figure GDA0002984902450000047
存储到数据集R2，同时令d2＝d，令n＝n+1，并执行步骤(3c)；
(3e)对R2进行反归一化，得到mMTC定时上传类业务的实际流量集X(2)，并根据X(2)计算mMTC定时上传类业务流量的平均速率a(2)；
(4)计算mMTC事件触发类业务流量模型的随机时延边界D1(n)和mMTC定时上传类业务流量模型的随机时延边界D2(n)：
(4a)计算
Figure GDA0002984902450000048
的到达密度v1(n)和
Figure GDA0002984902450000049
的到达密度v2(n)；
(4b)根据v1(n)和v2(n)计算mMTC事件触发类业务流量模型的随机时延边界D1(n)和mMTC定时上传类业务流量模型的随机时延边界D2(n)：
Figure GDA00029849024500000410
Figure GDA00029849024500000411
其中，
Figure GDA00029849024500000412
为min-plus卷积，S(n)是服务速率曲线函数，S(n)＝Cn，Cn为n时刻的服务速率值；
(5)获取mMTC业务流量模型：
获取以X(1)为流量数据集、以a(1)为平均速率和以D1(n)为时延边界的mMTC事件触发类业务流量模型；同时获取以X(2)为流量数据集、以a(2)为平均速率和以D2(n)为时延边界的mMTC定时上传类业务流量模型。
本发明与现有技术相比，具有以下优点：
第一，本发明通过建立分段线性混沌映射方程和分段非线性混沌映射方程，分别建立了mMTC事件触发类业务流量模型和mMTC定时上传类业务流量模型，得到了mMTC事件触发类业务流量模型的特征数据和mMTC定时上传类业务流量模型的特征数据，其中mMTC事件触发类业务的流量集和mMTC定时上传类业务流量满足大规模场景下的到达过程，与现有技术相比，有效地提高了对mMTC业务在大规模并行上传场景下产生强突发性流量数据的精确性。
第二，本发明通过分段线性混沌映射方程的不变密度和分段非线性混沌映射方程的不变密度，分别计算mMTC事件触发类业务流量的到达密度和mMTC定时上传类业务流量的到达密度，并利用随机网络演算思想，得到不同服务速率下mMTC业务流量模型的随机时延边界，与现有技术相比，提高了mMTC业务流量模型中时延边界的准确性。
附图说明
图1是本发明的实现流程图。
图2是本发明计算mMTC业务流量模型中随机时延边界的实现流程图。
具体实施方式
以下结合附图和具体实施例，对本发明作进一步的详细描述：
参照图1，本发明包括如下步骤：
步骤1)建立海量机械类通信mMTC的分段混沌映射方程：
步骤1a)根据mMTC业务属性和特征，将mMTC业务分为事件触发类和定时上传类。选择智能电网业务作为具体实施例，其中电力分配业务作为事件触发类业务，抄表业务作为定时上传类业务。当MTC设备数量特别庞大时，mMTC业务流量会在极短的时间内迅速增长，并形成尖刺等现象，而这类突发的现象即使在较宽的时间尺度下依然存在。分段混沌映射方程建模即利用确定性的分段混沌映射方程来生成满足特定分布的随机到达过程，使得生成的流量集具有自相似性，并且仅通过简单的表达式即可描述复杂的流量生成过程，来缓解由海量业务流量造成的突发和预测网络对业务流量的承载，设海量机械类通信mMTC事件触发类业务分段混沌映射方程的判断阈值为d1，定时上传类业务分段混沌映射方程的判断阈值为d2；n时刻mMTC事件触发类业务的状态变量为
Figure GDA0002984902450000051
n时刻mMTC定时上传类业务的状态变量为
Figure GDA0002984902450000061
步骤1b)由于mMTC事件触发类业务仅会在事件触发的情况下才会产生数据并上传，其上传数据的可能性具有随机性，生成的流量并不会具有很强的突发性，因此，为了生成满足泊松分布的随机过程，获取分段线性混沌映射函数
Figure GDA0002984902450000062
和
Figure GDA0002984902450000063
并通过
Figure GDA0002984902450000064
和
Figure GDA0002984902450000065
建立
Figure GDA0002984902450000066
映射到n+1时刻mMTC事件触发类业务的状态变量的分段混沌映射方程
Figure GDA0002984902450000067
Figure GDA0002984902450000068
由于mMTC定时更新类业务会在规定的时刻同步上传数据，其它时刻保持静默，不产生数据。当海量MTC设备并行上传时，生成流量具有很强的突发性，因此，为了生成满足重尾分布的随机过程，获取分段非线性混沌映射函数
Figure GDA0002984902450000069
和
Figure GDA00029849024500000610
通过
Figure GDA00029849024500000611
和
Figure GDA00029849024500000612
建立
Figure GDA00029849024500000613
映射到n+1时刻mMTC定时上传类业务的状态变量的分段混沌映射方程
Figure GDA00029849024500000614
Figure GDA00029849024500000615
其中，d1,d2∈(0,1)，m为表征自相似性程度的赫斯特指数H的自变量，
Figure GDA00029849024500000616
当0.5＜H＜1时，表征业务流量具有长程相关性，通过mMTC定时上传类业务流量的自相似程度所对应的H值，计算得到m的值。
步骤2)计算mMTC事件触发类业务的实际流量集X(1)和流量的平均速率a(1)：
步骤2a)设mMTC事件触发类业务的持续时间长度为p，d1为(0,1)内的随机数，R1为空数据集，由于电力分配业务业务是事件触发类业务，该业务在15分钟内随机生成数据，p＝900即可表示电力分配业务的一个周期，并令n＝0，
Figure GDA0002984902450000071
为(0,1)内的随机数；
步骤2b)判断
Figure GDA0002984902450000072
是否成立，若是，计算
Figure GDA0002984902450000073
否则，计算
Figure GDA0002984902450000074
步骤2c)判断n≥p是否成立，若是，执行步骤(2d)，否则，将
Figure GDA0002984902450000075
存储到数据集R1，同时令n＝n+1，并执行步骤(2b)；
步骤2d)对
Figure GDA0002984902450000076
进行反归一化，X(1)＝R1·N，得到mMTC事件触发类业务的实际流量集X(1)，N为mMTC事件触发类业务终端设备的数量，并根据X(1)计算mMTC事件触发类业务流量的平均速率a(1)：
Figure GDA0002984902450000077
其中，
Figure GDA0002984902450000078
是X(1)数据集在n时刻mMTC事件触发类业务的实际流量值；
步骤3)计算mMTC定时上传类业务的实际流量集X(2)和流量的平均速率a(2)：
步骤3a)设mMTC定时上传类业务的持续时间长度为l，d2为(0,1)内的随机数，R2为空数据集，由于智能抄表业务是周期类业务，该业务从设定的时刻开始上传，上传的持续时间不超过3分钟，l＝180即可表示智能抄表业务的一个周期，并令n＝0，
Figure GDA0002984902450000079
为(0,1)内的随机数；
步骤3b)截取[0,l]内mMTC定时上传类业务的原始时间序列rn，采用最大最小归一化法得到取值区间在[0,1]的时间序列
Figure GDA00029849024500000710
Figure GDA0002984902450000081
步骤3c)判断
Figure GDA0002984902450000082
是否成立，若是，计算
Figure GDA0002984902450000083
否则，计算
Figure GDA0002984902450000084
并计算
Figure GDA0002984902450000085
与
Figure GDA0002984902450000086
的均方根误差最小时所对应值d：
Figure GDA0002984902450000087
步骤3d)判断n≥l是否成立，若是，执行步骤(3e)，否则，将
Figure GDA0002984902450000088
存储到数据集R2，同时令d2＝d，令n＝n+1，并执行步骤(3c)；
步骤3e)对R2进行反归一化，得到mMTC定时上传类业务的实际流量集X(2)，X(2)＝R2·M，M为mMTC定时上传类业务终端设备的数量，并根据X(2)计算mMTC定时上传类业务流量的平均速率a(2)；
Figure GDA0002984902450000089
其中
Figure GDA00029849024500000810
是X(2)数据集在n时刻mMTC定时上传类业务的实际流量值；
步骤4)计算mMTC事件触发类业务流量模型的随机时延边界D1(n)和mMTC定时上传类业务流量模型的随机时延边界D2(n)，实现步骤参照图2：
步骤4a)计算
Figure GDA00029849024500000811
的到达密度v1(n)和
Figure GDA00029849024500000812
的到达密度v2(n):
步骤4a1)根据分段混沌映射方程状态变量在间隔(0,1)的迭代密度，即不变密度，计算
Figure GDA00029849024500000813
的到达密度v1(n):
Figure GDA00029849024500000814
Figure GDA00029849024500000815
是
Figure GDA00029849024500000816
的不变密度，
Figure GDA00029849024500000817
步骤4a2)采用符号计算法计算
Figure GDA0002984902450000091
的到达密度v2(n)，计算公式为：
Figure GDA0002984902450000092
其中，
Figure GDA0002984902450000093
为是
Figure GDA0002984902450000094
的不变密度，j为迭代次数，y为分段非线性混沌映射函数
Figure GDA0002984902450000095
的反函数的自变量，
Figure GDA0002984902450000096
为初始迭代值，为简化计算，
Figure GDA0002984902450000097
并求解j次迭代后的
Figure GDA0002984902450000098
的解析式，即v2(n)；
步骤4b)利用随机网络演算思想，使用业务流量到达的随机过程和网络的服务速率曲线，采用min-plus代数卷积得到业务流量模型的随机时延边界，即根据v1(n)和v2(n)计算mMTC事件触发类业务流量模型的随机时延边界D1(n)和mMTC定时上传类业务流量模型的随机时延边界D2(n)：
Figure GDA0002984902450000099
Figure GDA00029849024500000910
其中，
Figure GDA00029849024500000911
为min-plus卷积，S(n)是服务速率曲线函数，S(n)＝Cn，Cn为n时刻的服务速率值；
步骤5)获取mMTC业务流量模型：
获取以X(1)为流量数据集、以a(1)为平均速率和以D1(n)为时延边界的mMTC事件触发类业务流量模型；同时获取以X(2)为流量数据集、以a(2)为平均速率和以D2(n)为时延边界的mMTC定时上传类业务流量模型。
以上描述仅是本发明的一个具体实例，不构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修改和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。

Claims (3)

1.一种mMTC业务流量模型的建立方法，其特征在于，包括如下步骤：
(1)建立海量机械类通信mMTC的分段混沌映射方程：
(1a)设海量机械类通信mMTC事件触发类业务分段混沌映射方程的判断阈值为d1，定时上传类业务分段混沌映射方程的判断阈值为d2；n时刻mMTC事件触发类业务的状态变量为
Figure FDA0002984902440000011
n时刻mMTC定时上传类业务的状态变量为
Figure FDA0002984902440000012
(1b)获取分段线性混沌映射函数
Figure FDA0002984902440000013
和
Figure FDA0002984902440000014
分段非线性混沌映射函数
Figure FDA0002984902440000015
和
Figure FDA0002984902440000016
并通过f1 (1)和
Figure FDA0002984902440000017
建立
Figure FDA0002984902440000018
映射到n+1时刻mMTC事件触发类业务的状态变量的分段混沌映射方程
Figure FDA0002984902440000019
通过f1 (2)和
Figure FDA00029849024400000110
建立
Figure FDA00029849024400000111
映射到n+1时刻mMTC定时上传类业务的状态变量的分段混沌映射方程
Figure FDA00029849024400000112
Figure FDA00029849024400000113
Figure FDA00029849024400000114
其中，d1,d2∈(0,1)，m为表征自相似性程度的赫斯特指数H的自变量，
Figure FDA00029849024400000115
(2)计算mMTC事件触发类业务的实际流量集X(1)和流量的平均速率a(1)：
(2a)设mMTC事件触发类业务的持续时间长度为p，d1为(0,1)内的随机数，R1为空数据集，0＜p＜1800，并令n＝0，
Figure FDA0002984902440000021
为(0,1)内的随机数；
(2b)判断
Figure FDA0002984902440000022
是否成立，若是，计算
Figure FDA0002984902440000023
Figure FDA0002984902440000024
否则，计算
Figure FDA0002984902440000025
(2c)判断n≥p是否成立，若是，执行步骤(2d)，否则，将
Figure FDA0002984902440000026
存储到数据集R1，同时令n＝n+1，并执行步骤(2b)；
(2d)对R1进行反归一化，得到mMTC事件触发类业务的实际流量集X(1)，并根据X(1)计算mMTC事件触发类业务流量的平均速率a(1)；
(3)计算mMTC定时上传类业务的实际流量集X(2)和流量的平均速率a(2)：
(3a)设mMTC定时上传类业务的持续时间长度为l，d2为(0,1)内的随机数，R2为空数据集，0＜l＜600，并令n＝0，
Figure FDA0002984902440000027
为(0,1)内的随机数；
(3b)截取[0,l]内mMTC定时上传类业务的原始时间序列rn，采用最大最小归一化法得到取值区间在[0,1]的时间序列
Figure FDA0002984902440000028
(3c)判断
Figure FDA0002984902440000029
是否成立，若是，计算
Figure FDA00029849024400000210
Figure FDA00029849024400000211
否则，计算
Figure FDA00029849024400000212
Figure FDA00029849024400000213
并计算
Figure FDA00029849024400000214
与
Figure FDA00029849024400000215
的均方根误差最小时所对应值d：
Figure FDA00029849024400000216
(3d)判断n≥l是否成立，若是，执行步骤(3e)，否则，将
Figure FDA00029849024400000217
存储到数据集R2，同时令d2＝d，令n＝n+1，并执行步骤(3c)；
(3e)对R2进行反归一化，得到mMTC定时上传类业务的实际流量集X(2)，并根据X(2)计算mMTC定时上传类业务流量的平均速率a(2)；
(4)计算mMTC事件触发类业务流量模型的随机时延边界D1(n)和mMTC定时上传类业务流量模型的随机时延边界D2(n)：
(4a)计算
Figure FDA0002984902440000031
的到达密度v1(n)和
Figure FDA0002984902440000032
的到达密度v2(n)：
Figure FDA0002984902440000033
v2(n)采用符号计算法，计算公式为：
Figure FDA0002984902440000034
其中，
Figure FDA0002984902440000035
是
Figure FDA0002984902440000036
的不变密度，
Figure FDA0002984902440000037
j为迭代次数，y为分段非线性混沌映射函数
Figure FDA0002984902440000038
的反函数的自变量，
Figure FDA0002984902440000039
为是
Figure FDA00029849024400000310
的不变密度，
Figure FDA00029849024400000311
为初始迭代值，
Figure FDA00029849024400000312
(4b)根据v1(n)和v2(n)计算mMTC事件触发类业务流量模型的随机时延边界D1(n)和mMTC定时上传类业务流量模型的随机时延边界D2(n)：
Figure FDA00029849024400000313
Figure FDA00029849024400000314
其中，
Figure FDA00029849024400000315
为min-plus卷积，S(n)是服务速率曲线函数，S(n)＝Cn，Cn为n时刻的服务速率值；
(5)获取mMTC业务流量模型：
获取以X(1)为流量数据集、以a(1)为平均速率和以D1(n)为时延边界的mMTC事件触发类业务流量模型；同时获取以X(2)为流量数据集、以a(2)为平均速率和以D2(n)为时延边界的mMTC定时上传类业务流量模型。
2.根据权利要求1所述的一种mMTC业务流量模型的建立方法，其特征在于，步骤(2d)中所述的根据X(1)计算mMTC事件触发类业务流量的平均速率a(1)，以及步骤(3d)中所述的根据X(2)计算mMTC定时上传类业务流量的平均速率a(2)，计算公式分别为：
Figure FDA0002984902440000041
Figure FDA0002984902440000042
其中，
Figure FDA0002984902440000043
是X(1)数据集在n时刻mMTC事件触发类业务的实际流量值，X(1)是mMTC事件触发类业务数据集R1的反归一化结果，X(1)＝R1·N，N为mMTC事件触发类业务终端设备的数量，p为mMTC事件触发类业务的持续时间长度，
Figure FDA0002984902440000044
是X(2)数据集在n时刻mMTC定时上传类业务的实际流量值，X(2)是mMTC定时上传类业务数据集R2的反归一化结果，X(2)＝R2·M，M为mMTC定时上传类业务终端设备的数量，l为mMTC定时上传类业务的持续时间长度。
3.根据权利要求1所述的一种mMTC业务流量模型的建立方法，其特征在于，步骤(3b)中所述的采用最大最小归一化法得到取值区间在[0,1]的时间序列
Figure FDA0002984902440000045
计算公式为：
Figure FDA0002984902440000046
其中rn为mMTC定时上传类业务的原始时间序列。
CN201910808522.7A 2019-08-29 2019-08-29 一种mMTC业务流量模型的建立方法 Active CN110572801B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910808522.7A CN110572801B (zh) 2019-08-29 2019-08-29 一种mMTC业务流量模型的建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910808522.7A CN110572801B (zh) 2019-08-29 2019-08-29 一种mMTC业务流量模型的建立方法

Publications (2)

Publication Number Publication Date
CN110572801A CN110572801A (zh) 2019-12-13
CN110572801B true CN110572801B (zh) 2021-06-25

Family

ID=68776749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910808522.7A Active CN110572801B (zh) 2019-08-29 2019-08-29 一种mMTC业务流量模型的建立方法

Country Status (1)

Country Link
CN (1) CN110572801B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113328879B (zh) * 2021-05-21 2022-08-23 西北工业大学 一种基于网络演算的云数据中心网络QoS保证方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102469547A (zh) * 2010-11-04 2012-05-23 中兴通讯股份有限公司 终端接入的控制方法、终端和系统
CN106101988A (zh) * 2016-06-15 2016-11-09 北京工业大学 一种降低机器类通信接入冲突概率及时延的方法
CN106899428A (zh) * 2016-09-27 2017-06-27 兰州交通大学 一种铁路环境下机器类通信业务预测模型分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10834482B2 (en) * 2017-12-05 2020-11-10 The Government of the United States of America, as represented by the Secretary of Homeland Security Systems and methods for integrating first responder technologies

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102469547A (zh) * 2010-11-04 2012-05-23 中兴通讯股份有限公司 终端接入的控制方法、终端和系统
CN106101988A (zh) * 2016-06-15 2016-11-09 北京工业大学 一种降低机器类通信接入冲突概率及时延的方法
CN106899428A (zh) * 2016-09-27 2017-06-27 兰州交通大学 一种铁路环境下机器类通信业务预测模型分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《State Modulated Traffic Models for Machine Type Communications》;Osterbo, ON;《2017 PROCEEDINGS OF THE 29TH INTERNATIONAL TELETRAFFIC CONGRESS (ITC 29)》;20170908;全文 *
Markus Laner.《Traffic Models for Machine Type Communications》.《 ISWCS 2013;The Tenth International Symposium on Wireless Communication Systems》.2013, *

Also Published As

Publication number Publication date
CN110572801A (zh) 2019-12-13

Similar Documents

Publication Publication Date Title
Reyes-Lecuona et al. A page-oriented WWW traffic model for wireless system simulations
Cao et al. Stochastic models for generating synthetic HTTP source traffic
CN111867139A (zh) 基于q学习的深度神经网络自适应退避策略实现方法及系统
CN103987056A (zh) 基于大数据统计模型的无线网络话务量预测方法
Jian et al. Beta/M/1 model for machine type communication
Centenaro et al. A study on M2M traffic and its impact on cellular networks
CN110572801B (zh) 一种mMTC业务流量模型的建立方法
CN101132362A (zh) 网络业务量产生的方法及系统
Maia et al. A mechanism for uplink packet scheduler in LTE network in the context of machine-to-machine communication
Tian et al. Accurate sensor traffic estimation for station grouping in highly dense IEEE 802.11 ah networks
Mikaeil et al. A low-latency traffic estimation based TDM-PON mobile front-haul for small cell cloud-RAN employing feed-forward artificial neural network
CN108471357A (zh) 一种基于窄带物联网的终端接入调度方法及装置
CN103987120A (zh) Lte公网下集群多媒体业务下行无线资源调度方法
Li Queuing theory with heavy tails and network traffic modeling
Maia et al. A dynamic lte uplink packet scheduler for machine-to-machine communication
Vieira et al. Loss probability estimation and control for OFDM/TDMA wireless systems considering multifractal traffic characteristics
CN102739508A (zh) 一种高速网络数据传输的方法及系统
Liu et al. RO‐RAW: Run‐Time Restricted Access Window Optimization in IEEE 802.11 ah Network with Extended Kalman Filter
CN101867391A (zh) 无线通信系统中的自适应信息处理方法
Bitorika et al. An evaluation framework for active queue management schemes
EP1817931A1 (en) Simulating a mobile network with shared access channels
Pyattaev et al. Client relay simulation model for centralized wireless networks
CN106101988A (zh) 一种降低机器类通信接入冲突概率及时延的方法
CN113811008B (zh) 一种快速响应的无线资源管理方法
Nichols Improving Network Simulation with Feedback

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