CN110839184A - 基于流量预测的移动前传光网络带宽调整方法及装置 - Google Patents

Abstract

本发明公开了一种基于流量预测的移动前传光网络带宽调整方法及装置。所述方法包括：获取当前时刻的真实流量数据；根据所述当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，获取下一时刻的预测流量数据；根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整，从而基于流量预测主动调整带宽，极大的降低带宽重配置时延，并且提高前传光网络带宽的利用率。

Description

基于流量预测的移动前传光网络带宽调整方法及装置

技术领域

本发明涉及移动通信网络技术领域，特别是指一种基于流量预测的移动前传光网络带宽调整方法及装置。

背景技术

近年来，为满足急剧增长的流量需求，无线接入网(radio access network，RAN)架构逐步从4G时代的C-RAN架构演化到下一代RAN(next generation RAN，NG-RAN)，无线接入网被分割为三个功能单元，分别是AAU(active antenna unit)、DU(distributed unit)和CU(central unit)。在NG-RAN中，通用公共无线接口(common public radio interface，CPRI)演变到e-CPRI，BBU(baseband unit)侧的部分无线功能迁移到RRU(remote radiounit)中。完成功能分割后，来自AAU的前端流量是用户负载相关的带宽需求，前传流量的带宽需求与实际流量负载直接相关，即实际占用的资源块数量(Resource Blocks，RBs)。在DU-CU的分离架构中，5G承载网逻辑上分为前传(Fronthaul)、中传(Midhaul)和回传(Backhaul)3部分，分别对应了AAU和DU之间，DU和CU之间，CU至核心网之间的通信承载。

5G网络中，移动终端的急剧增长和业务种类的多样化带动了流量需求的急剧增加，光前传网络面临着两个主要的问题，一方面，前传带宽需求的急剧增长带来了带宽有限的提供能力上的瓶颈，另一方面，用户移动性的加快导致了用户侧流量的突发性、不确定性以及高动态性，从而导致前传带宽的动态变化。目前，在5G网络资源动态优化方面，可分为两个优化思路：

第一种优化思路是一种非预测的优化方法。例如针对IP光网络中的虚拟链路进行动态带宽调整，部分解决方案考虑业务优先级特征，控制器根据网络和服务状态来动态调整带宽。非预测的优化方法处理集中对于业务特性进行处理，主要业务优先级、业务加载状态和包大小等特性进行考虑，并未从资源预测和动态预留的角度实现资源优化。而且非预测的优化方法是一种被动式带宽调整方案，针对已到来业务的特性进行相关调整，并未从用户行为侧考虑，未根据用户流量的变化特性进行主动式的调整，导致带宽重配置时延长，前传光网络带宽的利用率低。

另一种优化思路是基于预测过程的优化方法。例如针对移动用户业务，运营商将用户区分为优先用户和非优先用户，为确保给优先用户提供更好的服务质量，部分方案利用机器学习方法预测用户流量模式，采用朴素贝叶斯分类器和逻辑回归两种监督学习方法预测优先用户处于活跃状态的可能时间，将预测结果应用到用户调度策略中进行有效的带宽管理。预测过程的优化方法是应用监督学习方法对业务请求的准入进行决策控制，并未尝试利用神经网络对于业务特性的动态感知，以及并未考虑流量特性中长时间序列的流量变化，导致前传光网络带宽的利用率低。

发明内容

有鉴于此，本发明的目的在于提出一种基于流量预测的移动前传光网络带宽调整方法及装置，能够基于流量预测主动调整带宽，极大的降低带宽重配置时延，并且提高前传光网络带宽的利用率。

基于上述目的本发明提供的基于流量预测的移动前传光网络带宽调整方法，包括：

获取当前时刻的真实流量数据；

根据所述当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，获取下一时刻的预测流量数据；

根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整。

进一步地，在所述获取当前时刻的真实流量数据之前，还包括：

构建长短期记忆神经网络；

获取历史基站流量数据；所述历史基站流量数据包括多个历史时刻及每一历史时刻的真实流量数据；

根据所述历史基站流量数据，对长短期记忆神经网络进行训练。

进一步地，所述获取历史基站流量数据，具体包括：

获取历史基站流量原始数据；

对所述历史基站流量原始数据进行预处理；

对预处理后的历史基站流量原始数据进行筛选，得到历史基站流量数据。

进一步地，所述对所述历史基站流量原始数据进行预处理，具体包括：

对所述历史基站流量原始数据进行数据集成、数据清洗、数据转换、数据降维和缺失值处理。

进一步地，所述根据所述历史基站流量数据，对长短期记忆神经网络进行训练，具体包括：

将多个历史时刻及多个每一历史时刻的真实流量数据输入至长短期记忆神经网络进行训练；

在每次训练过程中，通过历史时刻t-1的真实流量数据，得到历史时刻t的预测流量数据；

根据所述历史时刻t的预测流量数据与真实流量数据之间的误差，对所述长短期记忆神经网络的参数进行更新，实现所述长短期记忆神经网络的训练。

进一步地，所述根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整，具体包括：

根据所述下一时刻的预测流量数据，计算移动前传光网络的带宽需求；

根据所述带宽需求，向移动前传光网络分配至少一个基本带宽。

进一步地，所述预测流量数据包括预测的资源块数量，所述带宽需求的计算公式为：

L＝P_RB/M_RB；

其中，R_fronthaul表示带宽需求，B表示无线频谱带宽，L表示资源块的利用率，P_RB表示预测的资源块数量，M_RB表示最大可用的资源块数量，A表示一个小区内的天线数。

进一步地，所述根据所述带宽需求，向移动前传光网络分配至少一个基本带宽，具体包括：

根据所述带宽需求，确定所需分配的最小基本带宽数量，并向移动前传光网络分配所述数量的基本带宽。

进一步地，所述基本带宽为一个时隙带宽。

本发明还提供一种基于流量预测的移动前传光网络带宽调整装置，包括：

获取模块，用于获取当前时刻的真实流量数据；

预测模块，用于根据所述当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，获取下一时刻的预测流量数据；以及，

调整模块，用于根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整。

从上面所述可以看出，本发明提供的基于流量预测的移动前传光网络带宽调整方法及装置，能够获取当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，进而获取下一时刻的预测流量数据，进而对对移动前传光网络带宽进行调整，极大的降低带宽重配置时延，实现更为高效的带宽分配，并且提高前传光网络带宽的利用率，满足不同业务多样化的服务质量需求，同时降低运营商的链路成本。

附图说明

图1为本发明实施例提供的基于流量预测的移动前传光网络带宽调整方法的流程示意图；

图2为本发明实施例提供的基于流量预测的移动前传光网络带宽调整方法中长短期记忆神经网络的训练示意图；

图3为本发明实施例提供的基于流量预测的移动前传光网络带宽调整方法的另一流程示意图；

图4为本发明实施例提供的基于流量预测的移动前传光网络带宽调整装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

参见图1，是本发明实施例提供的基于流量预测的移动前传光网络带宽调整方法及装置的流程示意图，所述方法包括：

S1、获取当前时刻的真实流量数据。

本实施例中，真实流量数据为实际产生的流量数据，当前时刻的真实流量数据是指当前时刻t所产生的流量数据。真实流量数据可以由平均资源块数量(mean-physicalresource blocks，mean-PRB)来表示。

S2、基于预先训练的长短期记忆神经网络，获取下一时刻的预测流量数据。

本实施例中，预测流量数据是指预测到的流量数据，下一时刻的预测流量数据是指预测当前时刻t的下一时刻t+1的流量数据。预测流量数据可以由平均资源块数量来表示。

进一步地，在步骤S2之前，还包括：

构建长短期记忆神经网络；

获取历史基站流量数据；所述历史基站流量数据包括多个历史时刻及每一历史时刻的真实流量数据；

根据所述历史基站流量数据，对长短期记忆神经网络进行训练。

本实施例中，历史基站流量数据为较长时间维度上用户与不同的基站在业务交互上的体现，历史基站流量数据具有时间长、数据量大的特点。

长短期记忆神经网络(Long Short Term Memory networks,LSTM)是循环神经网络(Recurrent Neural Network，RNN)的一种特殊类型。RNN具有较好的自编码性能，能适用于时序网络流量预测，在5G中充分利用机器学习来进行智能网络管理能够有效降低网络时延、提高网络资源利用率。RNN应用于各种问题上取得了很大的成功：语音识别、语言建模、翻译、图像字幕等。RNN的优势在于能够将先前的信息连接到当前的任务上，从而解决现在的问题，这使得RNN在预测领域的作用愈发增强，但是对于时间跨度较大，或者中间信息量较大导致的中间信息与所需信息间隔较大的情况，导致RNN很难准确的预测流量数据。因此，本实施例采用长短期记忆神经网络对基站流量数据进行预测。

长短期记忆神经网络用了四个相互作用的tanh层，通过门(gates)的结构实现选择性让信息通过，通过sigmoid神经层和一个＝逐点相乘的操作来实现。本实施例通过历史基站流量数据进行长短期记忆神经网络训练，目的是通过长短期记忆神经网络的智能预测提前感知用户行为的变化特性，从而在带宽分配过程中进行主动式的前传带宽调整。

进一步地，所述获取历史基站流量数据，具体包括：

获取历史基站流量原始数据；

对所述历史基站流量原始数据进行预处理；

对预处理后的历史基站流量原始数据进行筛选，得到历史基站流量数据。

需要说明的是，在获取历史基站流量数据时，一般先获取历史基站流量原始数据，即历史基站流量数据的原始数据。原始数据一般会存在数据缺失、数据异常值、数据冗余等问题，不能够直接反应用户行为特征，而且不能直接用来构建模型进行建模分析，因此必须对原始数据进行预处理。

具体地，所述对所述历史基站流量原始数据进行预处理，包括：

对所述历史基站流量原始数据进行数据集成、数据清洗、数据转换、数据降维和缺失值处理。

通过对历史基站流量原始数据进行数据预处理，以提取高质量数据，进而从中提取与移动用户行为分析目标紧密相关的结构化数据记录。

进而，对预处理后的历史基站流量原始数据进行筛选，选取特征明显、误差偏离较小的流量数据，将误差偏离较大的数据丢弃，并将选取的数据作为历史基站流量数据。数据预处理过程中的数据存储依赖数据库实现，将数据的筛选结果以及神经网络的预测输出结果都存储在数据库中。

进一步地，所述根据所述历史基站流量数据，对长短期记忆神经网络进行训练，具体包括：

将多个历史时刻及多个每一历史时刻的真实流量数据输入至长短期记忆神经网络进行训练；

在每次训练过程中，通过历史时刻t-1的真实流量数据，得到历史时刻t的预测流量数据；

根据所述历史时刻t的预测流量数据与真实流量数据之间的误差，对所述长短期记忆神经网络的参数进行更新，实现所述长短期记忆神经网络的训练。

需要说明的是，本实施例从原始数据中筛选出具有代表性的历史基站流量数据，历史基站流量数据分别代表不同地区，存储在数据库中以备调用。将历史基站流量数据中的90％作为长短期记忆神经网络的训练集合，10％作为测试集合。训练集合中的数据完成长短期记忆神经网络的训练，使用测试集合中的数据进行长短期记忆神经网络的测试。对历史基站流量数据进行集合划分，是为了防止模型的过拟合。

如图2所示，长短期记忆神经网络训练时输入的数据特征包括时间T和平均资源块数据mean-PRB两个特征，例如，时刻t-i及对应的mean-PRB₁、时刻t-i+1及对应的mean-PRB₂、…、时刻t及对应的mean-PRB_n。长短期记忆神经网络输入历史时刻的平均资源块数据，训练完成后即可输出未来时刻的预测平均资源块数据。

长短期记忆神经网络设计两个隐藏层，x_t表示长短期记忆神经网络的输入，h_t表示每个隐藏层的输出，y_t表示最终的输出结果。每次训练过程中，通过输入t-1时刻的流量数据，最终得到t时刻的流量预测结果，将t时刻的流量预测结果与该时刻真实的流量数据进行误差计算，通过长短期记忆神经网络的反向传播函数对长短期记忆神经网络的参数进行更新，以得到高精度的流量预测结果。对长短期记忆神经网络中的遗忘门(forget gate)、传入门(input gate)和输出门(output gate)中的参数进行更新，由此决定每个神经元(cell)的状态。长短期记忆神经网络最终的输出结果为未来时刻的mean-PRBs。

在获取长短期记忆神经网络的输出结果，即下一时刻的预测流量数据后，发送函数通过HTTP协议发送该预测流量数据以进行后续带宽分配策略的制定。

S3、根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整。

具体地，步骤S3包括：

根据所述下一时刻的预测流量数据，计算移动前传光网络的带宽需求；

根据所述带宽需求，向移动前传光网络分配至少一个基本带宽。

在带宽分配策略中，根据长短期记忆神经网络输出的预测流量数据，即mean-PRBs，计算移动前传光网络的带宽需求，该计算公式为：

L＝P_RB/M_RB。

其中，R_fronthaul表示带宽需求，B表示无线频谱带宽，L表示RB的利用率，P_RB表示预测的RB数量，M_RB表示最大可用RB数量，A表示一个小区内的天线数。4G网络中，20MHz载频对应的最大可用RB数量为100个；5G网络中，100MHz载频对应的最大可用RB数量为500个。

在计算出带宽需求后，即可向移动前传光网络分配满足该带宽需求的带宽。一般以基本带宽为最小分配单位对移动前传光网络进行带宽分配。

具体地，所述根据所述带宽需求，向移动前传光网络分配至少一个基本带宽，具体包括：

根据所述带宽需求，确定所需分配的最小基本带宽数量，并向移动前传光网络分配所述数量的基本带宽。

本实施例可以根据向上取整函数[R/Cslot]取整来计算需要分配的基本带宽的个数，R为当前的带宽需求，Cslot对应于单个基本带宽的容量，即设定的阈值。例如，带宽需求不足基本带宽容量时，分配一个基本带宽；带宽需求在一个基本带宽容量到两个基本带宽容量之间时，分配两个基本带宽，以此类推。其中，一个基本带宽优选为一个时隙带宽。通过这种分配方式，能够有效保证数据的传输。

本发明提供的基于流量预测的移动前传光网络带宽调整方法，能够获取当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，进而获取下一时刻的预测流量数据，进而对对移动前传光网络带宽进行调整，极大的降低带宽重配置时延，实现更为高效的带宽分配，并且提高前传光网络带宽的利用率，满足不同业务多样化的服务质量需求，同时降低运营商的链路成本。

参见图3，是本发明实施例提供的基于流量预测的移动前传光网络带宽调整方法的另一流程示意图，所述方法包括：

S301、对基站流量原始数据进行特征提取。

其中，提取的特征一般包括时间和流量数据，该流量数据一般为平均资源块数量。

S302、检测提取的特征数据是否符合特征要求，若是，则执行步骤S303，若否，则丢弃数据。

检测提取的特征数据是否特征明显、误差偏离较小的流量数据，若否，则可直接丢弃该特征数据。

S303、对数据进行分组。

将数据中的90％作为训练集合，10％作为测试集合。

S304、对长短期记忆神经网络进行训练，输出预测结果。

采用训练集合对长短期记忆神经网络进行训练，采用测试集合对长短期记忆神经网络进行测试，输出预测结果。

S305、传递预测结果，计算带宽需求。

根据长短期记忆神经网络输出的预测结果，计算未来时刻的带宽需求。

S306、检测带宽变化是否大于6.25Gbps，若是，则时隙分配不变，若否，则执行步骤S307。

根据当前时刻分配的带宽和未来时刻的带宽需求，计算带宽变化，若带宽变化小于或等于6.25Gbps，则说明未来时刻无需调整已分配的带宽，即时隙分配不变。

S307、在原有带宽基础上多分配至少一个时隙。

若带宽变化大于6.25Gbps，则说明需要增大未来时刻的分配带宽。若带宽变化在一个时隙的基本带宽容量以内，则在原有带宽基础上多分配一个时隙，若带宽变化在一个时隙至两个时隙的带宽容量之间，则在原有带宽基础上多分配两个时隙，后续依次类推，以保证数据的传输。

本实施例基于基站流量预测结果进行移动前传光网络带宽的动态调整，这种主动式带宽调整方案将极大的降低带宽重配置时延，并且提高移动前传光网络带宽的利用率。另外，将长短期记忆神经网络引入到5G前传光网络的带宽调整中，为人工智能与5G承载网络融合提供了参考及思路。

相应地，本发明还提供一种基于流量预测的移动前传光网络带宽调整装置，能够实现上述基于流量预测的移动前传光网络带宽调整方法的所有流程。

参见图4，是本发明实施例提供的基于流量预测的移动前传光网络带宽调整装置的结构示意图，该装置包括：

获取模块1，用于获取当前时刻的真实流量数据；

预测模块2，用于根据所述当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，获取下一时刻的预测流量数据；以及，

调整模块3，用于根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整。

本发明提供的基于流量预测的移动前传光网络带宽调整装置，能够获取当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，进而获取下一时刻的预测流量数据，进而对对移动前传光网络带宽进行调整，极大的降低带宽重配置时延，实现更为高效的带宽分配，并且提高前传光网络带宽的利用率，满足不同业务多样化的服务质量需求，同时降低运营商的链路成本。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于流量预测的移动前传光网络带宽调整方法，其特征在于，包括：

获取当前时刻的真实流量数据；

根据所述当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，获取下一时刻的预测流量数据；

根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整。

2.根据权利要求1所述的基于流量预测的移动前传光网络带宽调整方法，其特征在于，在所述获取当前时刻的真实流量数据之前，还包括：

构建长短期记忆神经网络；

获取历史基站流量数据；所述历史基站流量数据包括多个历史时刻及每一历史时刻的真实流量数据；

根据所述历史基站流量数据，对长短期记忆神经网络进行训练。

3.根据权利要求2所述的基于流量预测的移动前传光网络带宽调整方法，其特征在于，所述获取历史基站流量数据，具体包括：

获取历史基站流量原始数据；

对所述历史基站流量原始数据进行预处理；

对预处理后的历史基站流量原始数据进行筛选，得到历史基站流量数据。

4.根据权利要求3所述的基于流量预测的移动前传光网络带宽调整方法，其特征在于，所述对所述历史基站流量原始数据进行预处理，具体包括：

对所述历史基站流量原始数据进行数据集成、数据清洗、数据转换、数据降维和缺失值处理。

5.根据权利要求2所述的基于流量预测的移动前传光网络带宽调整方法，其特征在于，所述根据所述历史基站流量数据，对长短期记忆神经网络进行训练，具体包括：

将多个历史时刻及多个每一历史时刻的真实流量数据输入至长短期记忆神经网络进行训练；

在每次训练过程中，通过历史时刻t-1的真实流量数据，得到历史时刻t的预测流量数据；

根据所述历史时刻t的预测流量数据与真实流量数据之间的误差，对所述长短期记忆神经网络的参数进行更新，实现所述长短期记忆神经网络的训练。

6.根据权利要求1所述的基于流量预测的移动前传光网络带宽调整方法，其特征在于，所述根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整，具体包括：

根据所述下一时刻的预测流量数据，计算移动前传光网络的带宽需求；

根据所述带宽需求，向移动前传光网络分配至少一个基本带宽。

7.根据权利要求6所述的基于流量预测的移动前传光网络带宽调整方法，其特征在于，所述预测流量数据包括预测的资源块数量，所述带宽需求的计算公式为：

L＝P_RB/M_RB；

其中，R_fronthaul表示带宽需求，B表示无线频谱带宽，L表示资源块的利用率，P_RB表示预测的资源块数量，M_RB表示最大可用的资源块数量，A表示一个小区内的天线数。

8.根据权利要求6所述的基于流量预测的移动前传光网络带宽调整方法，其特征在于，所述根据所述带宽需求，向移动前传光网络分配至少一个基本带宽，具体包括：

根据所述带宽需求，确定所需分配的最小基本带宽数量，并向移动前传光网络分配所述数量的基本带宽。

9.根据权利要求6所述的基于流量预测的移动前传光网络带宽调整方法，其特征在于，所述基本带宽为一个时隙带宽。

10.一种基于流量预测的移动前传光网络带宽调整装置，其特征在于，包括：

获取模块，用于获取当前时刻的真实流量数据；

预测模块，用于根据所述当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，获取下一时刻的预测流量数据；以及，

调整模块，用于根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整。

Images