CN111010735A - 资源配置方法、装置、基站和存储介质 - Google Patents
资源配置方法、装置、基站和存储介质 Download PDFInfo
- Publication number
- CN111010735A CN111010735A CN201911142392.4A CN201911142392A CN111010735A CN 111010735 A CN111010735 A CN 111010735A CN 201911142392 A CN201911142392 A CN 201911142392A CN 111010735 A CN111010735 A CN 111010735A
- Authority
- CN
- China
- Prior art keywords
- resource
- historical
- resource pool
- capability
- base station
- 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.)
- Pending
Links
- 238000013468 resource allocation Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013136 deep learning model Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims description 58
- 238000004590 computer program Methods 0.000 claims description 23
- 230000004044 response Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/51—Allocation or scheduling criteria for wireless resources based on terminal or device properties
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
Abstract
本申请涉及一种资源配置方法、装置、基站和存储介质,基站获取当前接入基站的所有用户设备的能力参数;然后,将能力参数输入深度学习模型中,得到与能力系数参数匹配的资源配置方式;其中,资源配置方式包括不同资源类型对应的资源大小;最后,根据资源配置方式,配置信道资源池中的资源。采用上述方法可以提升资源配置的合理性。
Description
技术领域
本申请涉及通信技术领域,特别是涉及一种资源配置方法、装置、基站和存储介质。
背景技术
随着移动网络宽带化和移动终端智能化的快速普及,移动网络已经遍布在人类社会生活中的每一个角落,用户对移动通信有着更进一步的期待,对应用多样化、服务质量、业务体验的要求与日俱增。然而,由于移动通信系统的资源是受限的,而且将融合各种无线接入技术以及各种多媒体数据业务,如何在复杂多变的通信环境中,合理而有效地分配及调度无线资源,成为了未来移动通信领域亟待解决的重点问题。
现有技术中,基站根据业务质量等指示,在信道资源池中分配不同类型的资源的数量。但是,采用上述方法容易导致资源配置不合理。
发明内容
基于此,有必要针对上述技术问题,提供一种资源配置方法、装置、基站和存储介质。
一种资源配置方法,上述方法包括:
获取当前接入基站的用户设备的能力参数;
将能力参数输入深度学习模型中,得到与能力系数参数匹配的资源配置方式;资源配置方式包括不同资源类型对应的资源大小;
根据资源配置方式,配置信道资源池中的资源。
在一个实施例中,上述能力参数为所有用户设备的带宽能力、实时响应能力、数据处理能力以及业务续航能力形成的多维能力向量。
在一个实施例中,上述深度学习模型的建立方法包括:
在资源配置稳定的历史资源池中,获取训练样本集;训练样本集包括历史资源池对应的历史能力参数,以及历史能力参数对应的历史资源池的历史资源分配结果;
将历史能力参数作为初始深度学习模型的输入,将历史能力参数对应的历史资源分配结果作为初始深度学习模型的参考输出,对初始深度学习模型进行训练,得到深度学习模型。
在一个实施例中,上述在资源配置稳定的历史资源池中,获取训练样本集,包括:
根据历史资源池的调整时间间隔,确定历史资源池是否资源配置稳定;调整时间间隔为相邻两次对历史资源池进行资源配置调整的时间之间的间隔;
若是,则获取历史资源池对应的历史能力参数,以及历史资源池的历史资源分配结果。
在一个实施例中,上述根据历史资源池的调整时间间隔,确定历史资源池是否资源配置稳定,包括:
若调整时间间隔大于预设间隔阈值,则确定历史资源池在调整时间间隔内配置稳定。
在一个实施例中,上述对历史资源池进行资源配置调整,包括:
若历史资源池中,资源类型对应的空闲资源的比例大于预设的上限阈值,则根据预设的负值步进,减少资源类型的资源量;
若历史资源池中,资源类型对应的空闲资源的比例小于预设的下限阈值,则根据预设的正值步进,增大资源类型的资源量。
在一个实施例中,上述根据资源配置方式,配置信道资源池中的资源,包括:
确定信道资源池是否为训练样本集对应的历史资源池;
若否,则根据资源配置方式,配置信道资源池中的资源;
若是,则在当前时刻与训练样本集的获取时刻之间的时长大于预设的时长阈值时,根据资源配置方式,配置信道资源池中的资源。
在一个实施例中,上述资源类型为根据资源的周期、码率或跳频范围确定的。
一种资源配置装置,上述装置包括:
获取模块,用于获取当前接入基站的用户设备的能力参数;
匹配模块,用于将能力参数输入深度学习模型中,得到与能力系数匹配的资源配置方式;资源配置方式包括不同资源类型对应的资源大小;
配置模块,用于根据资源配置方式,配置信道资源池中的资源。
一种基站,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述资源配置方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,上计算机程序被处理器执行时实现上述资源配置方法的步骤。
上述资源配置方法、装置、基站和存储介质,基站获取当前接入基站的所有用户设备的能力参数;然后,将能力参数输入深度学习模型中,得到与能力系数参数匹配的资源配置方式;其中,资源配置方式包括不同资源类型对应的资源大小;最后,根据资源配置方式,配置信道资源池中的资源。由于基站获取了能力参数,并通过深度学习模型获得与能力参数匹配的资源配置方式,使得信道资源池的资源配置可以适应用户设备的能力参数的变化,提升了资源配置的合理性。
附图说明
图1为一个实施例中资源配置方法的应用环境图;
图2为一个实施例中资源配置方法的流程示意图;
图3为另一个实施例中资源配置方法的流程示意图;
图4为另一个实施例中资源配置方法的流程示意图;
图5为另一个实施例中资源配置方法的流程示意图;
图6为一个实施例中资源配置装置的结构框图;
图7为另一个实施例中资源配置装置的结构框图;
图8为另一个实施例中资源配置装置的结构框图;
图9为另一个实施例中资源配置装置的结构框图;
图10为另一个实施例中资源配置装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的资源配置方法,可以应用于如图1所示的应用环境中,基站100与终端设备200通信连接。其中,上述终端200可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等。上述基站可以但不限于宏基站、微基站以及小基站等类型的基站设备,可以是全球移动通讯(Global System of Mobile communication,简称GSM)或码分多址(Code Division Multiple Access,简称CDMA)中的基站(BaseTransceiver Station,简称BTS),也可以是宽带码分多址(Wideband Code DivisionMultiple Access,简称WCDMA)中的基站(NodeB,简称NB),还可以是LTE中的演进型基站(Evolutional Node B,简称eNB或eNodeB),或者中继站或接入点,或者未来5G网络中的基站、客户前置设备(Customer Premise Equipment,简称CPE)等,在此并不限定。
在一个实施例中,如图2所示,提供了一种资源配置方法,以该方法应用于图1中的基站为例进行说明,包括:
S101、获取当前接入基站的用户设备的能力参数。
其中,上述用户设备可以是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等,还可以是物联网设备等可以与基站通过网络连接的设备。
上述能力参数可以根据当前接入基站的各用户设备的带宽能力、实时响应能力、数据处理能力、业务续航能力中的至少一种参数确定。其中,上述带宽能力可以是根据用户设备的工作带宽。上述实时响应能力是指用户设备对网络信令的响应能力,可以是基站发送信令之后接收到用户设备响应之间的应答时长。上述数据处理能力可以是用户设备可以处理的最大数据量,也可以是用户设备的码率,还可以是用户设备的调制方式,例如64QAM或者256QAM。上述业务续航能力可以是用户设备的待机时长,例如手机设备的待机时长可以是48小时,物联网设备的待机时长可以是30天等。
具体地,基站在根据各用户设备的参数获取该能力参数时,可以将各用户设备的参数的和确定为当前基站的用户设备的能力参数,也可以将各用户设备的参数进行平均处理,获得上述能力参数;另外,还可以将各用户设备的参数组成的数列,确定为该能力参数。例如,上述能力参数可以是各用户设备的带宽的平均值以及各用户设备的码率的平均值。
可选地,能力参数可以是所有用户设备的带宽能力、实时响应能力、数据处理能力以及业务续航能力形成的多维能力向量。
S102、将能力参数输入深度学习模型中,得到与能力系数参数匹配的资源配置方式;资源配置方式包括不同资源类型对应的资源大小。
在获取了能力参数的基础上,基站可以将能力参数输入深度学习模型中,通过深度学习模型对能力参数进行分析,得到与能力系数参数匹配的资源配置方式。
其中,上述深度学习模型可以是卷积神经网络模型,也可以是自编码神经网络模型,还可以是深度置信神经网络模型,在此不作限定。
上述资源配置方式包括不同资源类型对应的资源大小,用于指示基站对资源池中的资源划分成不同的资源类型。
其中,上述资源大小可以是资源类型的资源量占据资源池总资源量的比例,也可以是该资源类型对应的资源个数,在此不作限定。
上述资源类型可以是根据资源的周期、码率或跳频范围确定的。例如,基站可以按照周期大小和预设周期阈值分为短周期资源和长周期资源,短周期资源用于实时响应能力比较强的用户,长周期资源用于实时响应能力比较弱的用户;还可以按照码率大小和预设码率阈值分为低码率资源和高码率资源,低码率资源用于数据处理能力、业务续航能力比较弱的用户,高码率资源用于数据处理能力、业务续航能力比较强的用户;也可以按照跳频范围大小和预设跳频阈值分为小带宽资源和大带宽资源,小带宽资源用于带宽能力比较弱的用户,大带宽资源用于带宽能力比较强的用户。
S103、根据资源配置方式,配置信道资源池中的资源。
基站获得资源配置方式之后,可以根据资源配置方式中携带的各个资源类型对应的资源大小,配置信道资源池中的资源;另外,基站也可以结合基站当前的资源配置状态以及资源配置方式,配置资源池中的资源。
上述信道资源池可以是新建小区的信道资源池,基站可以通过该资源配置方式直接配置该信道资源池中的资源;另外,该信道资源池也可以是已经运行的小区的信道资源池,基站可以根据该资源配置方式对资源池中的资源配置进行调整。
上述资源配置方法,基站获取当前接入基站的所有用户设备的能力参数;然后,将能力参数输入深度学习模型中,得到与能力系数参数匹配的资源配置方式;其中,资源配置方式包括不同资源类型对应的资源大小;最后,根据资源配置方式,配置信道资源池中的资源。由于基站获取了能力参数,并通过深度学习模型获得与能力参数匹配的资源配置方式,使得信道资源池的资源配置可以适应用户设备的能力参数的变化,提升了资源配置的合理性。
图3为另一个实施例中资源配置方法的流程示意图,本实施例涉及基站获得深度学习模型的一种方式,在上述实施例的基础上,如图3所示,深度学习模型的建立方法包括:
S201、在资源配置稳定的历史资源池中,获取训练样本集;训练样本集包括历史资源池对应的历史能力参数,以及历史能力参数对应的历史资源池的历史资源分配结果。
具体地,基站在建立深度学习模型时,可以获取训练样本集对初始模型进行训练,以获得最终模型。
其中,上述训练样本集包括历史资源池对应的历史能力参数,以及历史能力参数对应的历史资源池的历史资源分配结果。上述历史资源池是指资源配置稳定的资源池,也就是说历史资源池中各个类型的资源的量满足该历史资源池对应的用户设备的需求。
上述历史能力参数是指历史资源池对应的用户设备的能力参数,上述历史资源分配结果包括上述历史资源池在资源配置稳定的状态下,各个资源类型对应的资源大小。例如,基站在时刻A至时刻B之间,各个资源类型的资源量均可以满足用户设备的需求,那么基站可以认为该时间段内资源池的资源配置稳定,将该时间段内接入基站的用户设备的能力参数,以及该时间段内资源池的资源分配结果确定为训练样本集。
S202、将历史能力参数作为初始深度学习模型的输入,将历史能力参数对应的历史资源分配结果作为初始深度学习模型的参考输出,对初始深度学习模型进行训练,得到深度学习模型。
基站在获得训练样本集之后,可以将训练样本集中的历史能力参数作为初始深度学习模型的输入,然后将历史能力参数对应的历史资源分配结果作为初始深度学习模型的参考输出,对模型进行训练;直至初始深度学习模型的实际输出与参考输出匹配时,认为模型训练成功,然后将此时的模型参数确定为深度学习模型的最终参数,获得深度学习模型。
上述资源配置方法,基站在资源配置稳定的历史资源池中,获取训练样本集,然后对初始深度学习模型进行训练获得深度学习模型,使得深度学习模型可以提取能力参数与资源配置之间的关联关系,从而可以根据用户设备的能力参数获得与能力参数匹配的资源配置方式;使得资源池的资源配置可以适应用户设备的能力参数的变化,提升了资源配置的合理性。
图4为另一个实施例中资源配置方法的流程示意图,本实施例涉及基站获得深度学习模型的训练样本集的一种方式,在上述实施例的基础上,如图4所示,上述S201包括:
S301、根据历史资源池的调整时间间隔,确定历史资源池是否资源配置稳定;调整时间间隔为相邻两次对历史资源池进行资源配置调整的时间之间的间隔。
基站在运行过程中,可以根据各个资源类型的空闲状况对资源配置进行调整。例如,基站可以预设各资源类型对应的空闲比例的上限阈值和下限阈值,当资源池中其中一个或者多个类型的资源对应的空闲比例超过上述上限阈值或者下限阈值时,可以触发基站调整历史资源池的配置。
具体地,基站在调整历史资源池的配置时,可以根据接收到的触发信息进行调整,可以根据用户设备的需求增加或者减小该资源类型的资源量,也可以按照预设步进增加或者减小该资源类型的资源量。例如,若历史资源池中,资源类型对应的空闲资源的比例大于预设的上限阈值,则根据预设的负值步进,减少资源类型的资源量;若历史资源池中,资源类型对应的空闲资源的比例小于预设的下限阈值,则根据预设的正值步进,增大资源类型的资源量。
在上述步骤的基础上,基站可以根据历史资源池的调整时间间隔,来判断历史资源池是否资源配置稳定,进而可以在稳定状态下提取训练样本。具体地,基站可以在调整时间间隔大于预设间隔阈值时,确定历史资源池在调整时间间隔内资源配置稳定。
S302、若是,则获取历史资源池对应的历史能力参数,以及历史资源池的历史资源分配结果。
若上述历史资源池在调整时间内资源配置稳定,那么基站可以获取该调整时间内的历史能力参数以及历史资源分配结果,将其作为训练样本。
上述资源配置方法,基站通过调整时间间隔,可以准确地获得资源配置稳定的历史资源池,从而获得准确的训练样本。
图5为另一个实施例中资源配置方法的流程示意图,本实施例涉及基站配置信道资源池中的资源的一种方式,在上述实施例的基础上,如图5所示,上述S103包括:
S401、确定信道资源池是否为训练样本集对应的历史资源池。
基站在应用深度学习模型输出的资源配置方式进行资源配置调整时,可以先确定该基站的信道资源池是否为训练样本集对应的历史资源池,也就是说确定基站是否在当前的信道资源池中提取过训练样本。
具体地,基站可以根据样本提取时间以及该资源池的资源调整过程来确定,若训练样本集中包含该基站的信道资源池对应的训练样本,且基站提取了训练样本之后,该信道资源池的资源配置未被调整过,那么可以认为该信道资源池未训练样本集对应的历史资源池。
S402、若否,则根据资源配置方式,配置信道资源池中的资源。
若信道资源池不是训练样本集对应的历史资源池,那么基站可以根据深度学习模型获得对应的资源配置方式,然后根据该资源配置方式配置信道资源池中的资源。
S403、若是,则在当前时刻与训练样本集的获取时刻之间的时长大于预设的时长阈值时,根据资源配置方式,配置信道资源池中的资源。
若信道资源池是训练样本集对应的历史资源池,那么基站可以进一步确定当前时刻与训练样本集的获取时刻之间的时长,若该时长大于预设的时长阈值,可以根据深度学习模型获得对应的资源配置方式,然后根据该资源配置方式配置信道资源池中的资源;若若该时长大小于预设的时长阈值,那么基站认为信道资源池中资源配置稳定,不需要对该资源池中的资源配置进行调整。
上述资源配置方法,基站在应用深度学习模型输出的资源配置方式进行资源配置调整时,通过判断当前信道资源池是否为训练样本集对应的历史资源池,进一步确定是否对信道资源池的资源配置进行调整,使得基站可以在必要时对资源配置进行调整,节约系统资源。
应该理解的是,虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种资源配置装置,包括:获取模块10、匹配模块20和配置模块30,其中:
获取模块10,用于获取当前接入基站的用户设备的能力参数;
匹配模块20,用于将能力参数输入深度学习模型中,得到与能力系数匹配的资源配置方式;资源配置方式包括不同资源类型对应的资源大小;
配置模块30,用于根据资源配置方式,配置信道资源池中的资源。
本申请实施例提供的资源配置装置,可以实现上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在一个实施例中,在上述实施例的基础上,能力参数为所有用户设备的带宽能力、实时响应能力、数据处理能力以及业务续航能力形成的多维能力向量。
在一个实施例中,如图7所示,在上述实施例的基础上,上述装置还包括训练模块40,用于:在资源配置稳定的历史资源池中,获取训练样本集;训练样本集包括历史资源池对应的历史能力参数,以及历史能力参数对应的历史资源池的历史资源分配结果;将历史能力参数作为初始深度学习模型的输入,将历史能力参数对应的历史资源分配结果作为初始深度学习模型的参考输出,对初始深度学习模型进行训练,得到深度学习模型。
在一个实施例中,如图8所示,在上述实施例的基础上,上述训练模块40包括:
第一确定单元401,用于根据历史资源池的调整时间间隔,确定历史资源池是否资源配置稳定;调整时间间隔为相邻两次对历史资源池进行资源配置调整的时间之间的间隔;
获取单元402,用于在历史资源池资源配置稳定时,获取历史资源池对应的历史能力参数,以及历史资源池的历史资源分配结果。
在一个实施例中,在上述实施例的基础上,上述第一确定单元401具体用于:在调整时间间隔大于预设间隔阈值时,确定历史资源池在调整时间间隔内配置稳定。
在一个实施例中,如图9所示,在上述实施例的基础上,上述训练模块40还包括调整单元403,用于:当历史资源池中,资源类型对应的空闲资源的比例大于预设的上限阈值时,根据预设的负值步进,减少资源类型的资源量;当历史资源池中,资源类型对应的空闲资源的比例小于预设的下限阈值时,根据预设的正值步进,增大资源类型的资源量。
在一个实施例中,如图10所示,在上述实施例的基础上,上述配置模块30包括:
第二确定单元301,用于确定信道资源池是否为训练样本集对应的历史资源池;
第一配置单元302,用于在信道资源池不是训练样本集对应的历史资源池时,根据资源配置方式,配置信道资源池中的资源;
第二配置单元303,用于在信道资源池是训练样本集对应的历史资源池时,在当前时刻与训练样本集的获取时刻之间的时长大于预设的时长阈值时,根据资源配置方式,配置信道资源池中的资源。
在一个实施例中,在上述实施例的基础上,资源类型为根据资源的周期、码率或跳频范围确定的。
本申请实施例提供的资源配置装置,可以实现上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于资源配置装置的具体限定可以参见上文中对于资源配置方法的限定,在此不再赘述。上述资源配置装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种基站,其内部结构图可以如图11所示。该基站包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该基站的处理器用于提供计算和控制能力。该基站的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该基站的数据库用于存储资源配置数据。该基站的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种资源配置方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的基站的限定,具体的基站设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种基站,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取当前接入基站的用户设备的能力参数;
将能力参数输入深度学习模型中,得到与能力系数参数匹配的资源配置方式;资源配置方式包括不同资源类型对应的资源大小;
根据资源配置方式,配置信道资源池中的资源。
在一个实施例中,能力参数为所有用户设备的带宽能力、实时响应能力、数据处理能力以及业务续航能力形成的多维能力向量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在资源配置稳定的历史资源池中,获取训练样本集;训练样本集包括历史资源池对应的历史能力参数,以及历史能力参数对应的历史资源池的历史资源分配结果;将历史能力参数作为初始深度学习模型的输入,将历史能力参数对应的历史资源分配结果作为初始深度学习模型的参考输出,对初始深度学习模型进行训练,得到深度学习模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据历史资源池的调整时间间隔,确定历史资源池是否资源配置稳定;调整时间间隔为相邻两次对历史资源池进行资源配置调整的时间之间的间隔;若是,则获取历史资源池对应的历史能力参数,以及历史资源池的历史资源分配结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若调整时间间隔大于预设间隔阈值,则确定历史资源池在调整时间间隔内配置稳定。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若历史资源池中,资源类型对应的空闲资源的比例大于预设的上限阈值,则根据预设的负值步进,减少资源类型的资源量;若历史资源池中,资源类型对应的空闲资源的比例小于预设的下限阈值,则根据预设的正值步进,增大资源类型的资源量。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定信道资源池是否为训练样本集对应的历史资源池;若否,则根据资源配置方式,配置信道资源池中的资源;若是,则在当前时刻与训练样本集的获取时刻之间的时长大于预设的时长阈值时,根据资源配置方式,配置信道资源池中的资源。
在一个实施例中,资源类型为根据资源的周期、码率或跳频范围确定的。
本实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取当前接入基站的用户设备的能力参数;
将能力参数输入深度学习模型中,得到与能力系数参数匹配的资源配置方式;资源配置方式包括不同资源类型对应的资源大小;
根据资源配置方式,配置信道资源池中的资源。
在一个实施例中,能力参数为所有用户设备的带宽能力、实时响应能力、数据处理能力以及业务续航能力形成的多维能力向量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在资源配置稳定的历史资源池中,获取训练样本集;训练样本集包括历史资源池对应的历史能力参数,以及历史能力参数对应的历史资源池的历史资源分配结果;将历史能力参数作为初始深度学习模型的输入,将历史能力参数对应的历史资源分配结果作为初始深度学习模型的参考输出,对初始深度学习模型进行训练,得到深度学习模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据历史资源池的调整时间间隔,确定历史资源池是否资源配置稳定;调整时间间隔为相邻两次对历史资源池进行资源配置调整的时间之间的间隔;若是,则获取历史资源池对应的历史能力参数,以及历史资源池的历史资源分配结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若调整时间间隔大于预设间隔阈值,则确定历史资源池在调整时间间隔内配置稳定。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若历史资源池中,资源类型对应的空闲资源的比例大于预设的上限阈值,则根据预设的负值步进,减少资源类型的资源量;若历史资源池中,资源类型对应的空闲资源的比例小于预设的下限阈值,则根据预设的正值步进,增大资源类型的资源量。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定信道资源池是否为训练样本集对应的历史资源池;若否,则根据资源配置方式,配置信道资源池中的资源;若是,则在当前时刻与训练样本集的获取时刻之间的时长大于预设的时长阈值时,根据资源配置方式,配置信道资源池中的资源。
在一个实施例中,资源类型为根据资源的周期、码率或跳频范围确定的。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种资源配置方法,其特征在于,所述方法包括:
获取当前接入基站的用户设备的能力参数;
将所述能力参数输入深度学习模型中,得到与所述能力系数参数匹配的资源配置方式;所述资源配置方式包括不同资源类型对应的资源大小;
根据所述资源配置方式,配置信道资源池中的资源。
2.根据权利要求1所述的资源配置方法,其特征在于,所述能力参数为所述用户设备的带宽能力、实时响应能力、数据处理能力以及业务续航能力形成的多维能力向量。
3.根据权利要求1或2所述的资源配置方法,其特征在于,所述深度学习模型的建立方法包括:
在资源配置稳定的历史资源池中,获取训练样本集;所述训练样本集包括所述历史资源池对应的历史能力参数,以及所述历史能力参数对应的历史资源池的历史资源分配结果;
将所述历史能力参数作为初始深度学习模型的输入,将所述历史能力参数对应的历史资源分配结果作为所述初始深度学习模型的参考输出,对所述初始深度学习模型进行训练,得到所述深度学习模型。
4.根据权利要求3所述的资源配置方法,其特征在于,所述在资源配置稳定的历史资源池中,获取训练样本集,包括:
根据所述历史资源池的调整时间间隔,确定所述历史资源池是否资源配置稳定;所述调整时间间隔为相邻两次对所述历史资源池进行资源配置调整的时间之间的间隔;
若是,则获取所述历史资源池对应的历史能力参数,以及所述历史资源池的历史资源分配结果。
5.根据权利要求4所述的资源配置方法,其特征在于,所述根据所述历史资源池的调整时间间隔,确定所述历史资源池是否资源配置稳定,包括:
若所述调整时间间隔大于预设间隔阈值,则确定所述历史资源池在所述调整时间间隔内配置稳定。
6.根据权利要求4或5所述的资源配置方法,其特征在于,所述对所述历史资源池进行资源配置调整,包括:
若所述历史资源池中,所述资源类型对应的空闲资源的比例大于预设的上限阈值,则根据预设的负值步进,减少所述资源类型的资源量;
若所述历史资源池中,所述资源类型对应的空闲资源的比例小于预设的下限阈值,则根据预设的正值步进,增大所述资源类型的资源量。
7.根据权利要求3-5任一项所述的资源配置方法,其特征在于,所述根据所述资源配置方式,配置信道资源池中的资源,包括:
确定所述信道资源池是否为所述训练样本集对应的历史资源池;
若否,则所述根据所述资源配置方式,配置所述信道资源池中的资源;
若是,则在当前时刻与训练样本集的获取时刻之间的时长大于预设的时长阈值时,根据所述资源配置方式,配置所述信道资源池中的资源。
8.根据权利要求1所述的资源配置方法,其特征在于,所述资源类型为根据资源的周期、码率或跳频范围确定的。
9.一种资源配置装置,其特征在于,所述装置包括:
获取模块,用于获取当前接入基站的用户设备的能力参数;
匹配模块,用于将所述能力参数输入深度学习模型中,得到与所述能力系数匹配的资源配置方式;所述资源配置方式包括不同资源类型对应的资源大小;
配置模块,用于根据所述资源配置方式,配置信道资源池中的资源。
10.一种基站,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
11.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911142392.4A CN111010735A (zh) | 2019-11-20 | 2019-11-20 | 资源配置方法、装置、基站和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911142392.4A CN111010735A (zh) | 2019-11-20 | 2019-11-20 | 资源配置方法、装置、基站和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111010735A true CN111010735A (zh) | 2020-04-14 |
Family
ID=70113130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911142392.4A Pending CN111010735A (zh) | 2019-11-20 | 2019-11-20 | 资源配置方法、装置、基站和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111010735A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114339772A (zh) * | 2021-11-19 | 2022-04-12 | 煤炭科学技术研究院有限公司 | 一种资源配置方法、装置及电子设备 |
WO2023039728A1 (zh) * | 2021-09-14 | 2023-03-23 | 北京小米移动软件有限公司 | 一种基于用户设备ue能力的模型处理方法、装置、用户设备、基站及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105827455A (zh) * | 2016-04-27 | 2016-08-03 | 乐视控股(北京)有限公司 | 一种资源模型修正方法和装置 |
CN108882373A (zh) * | 2017-05-16 | 2018-11-23 | 维沃移动通信有限公司 | 一种资源配置方法、相关设备和系统 |
CN109857550A (zh) * | 2019-01-07 | 2019-06-07 | 平安科技(深圳)有限公司 | 基于机器学习的资源配置方法、装置、设备及存储介质 |
CN109978172A (zh) * | 2017-12-27 | 2019-07-05 | 中国移动通信集团设计院有限公司 | 一种基于极限学习机的资源池利用率预测方法及装置 |
CN110191159A (zh) * | 2019-05-09 | 2019-08-30 | 网宿科技股份有限公司 | 一种资源服务器的负载调节方法及系统、设备 |
US20190324805A1 (en) * | 2018-04-20 | 2019-10-24 | EMC IP Holding Company LLC | Method, apparatus and computer program product for resource scheduling |
-
2019
- 2019-11-20 CN CN201911142392.4A patent/CN111010735A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105827455A (zh) * | 2016-04-27 | 2016-08-03 | 乐视控股(北京)有限公司 | 一种资源模型修正方法和装置 |
CN108882373A (zh) * | 2017-05-16 | 2018-11-23 | 维沃移动通信有限公司 | 一种资源配置方法、相关设备和系统 |
CN109978172A (zh) * | 2017-12-27 | 2019-07-05 | 中国移动通信集团设计院有限公司 | 一种基于极限学习机的资源池利用率预测方法及装置 |
US20190324805A1 (en) * | 2018-04-20 | 2019-10-24 | EMC IP Holding Company LLC | Method, apparatus and computer program product for resource scheduling |
CN109857550A (zh) * | 2019-01-07 | 2019-06-07 | 平安科技(深圳)有限公司 | 基于机器学习的资源配置方法、装置、设备及存储介质 |
CN110191159A (zh) * | 2019-05-09 | 2019-08-30 | 网宿科技股份有限公司 | 一种资源服务器的负载调节方法及系统、设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023039728A1 (zh) * | 2021-09-14 | 2023-03-23 | 北京小米移动软件有限公司 | 一种基于用户设备ue能力的模型处理方法、装置、用户设备、基站及存储介质 |
CN114339772A (zh) * | 2021-11-19 | 2022-04-12 | 煤炭科学技术研究院有限公司 | 一种资源配置方法、装置及电子设备 |
CN114339772B (zh) * | 2021-11-19 | 2023-04-07 | 煤炭科学技术研究院有限公司 | 一种资源配置方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10285185B2 (en) | Resource allocation method and communications terminal | |
CN109644119B (zh) | 无线通信的方法、终端设备和网络设备 | |
CN114930945A (zh) | 信息上报方法、装置、设备和存储介质 | |
CN110267343B (zh) | 一种寻呼管理方法、网络数据分析功能及网络侧设备 | |
CN111010735A (zh) | 资源配置方法、装置、基站和存储介质 | |
CN112868265A (zh) | 网络资源的管理方法、管理装置、电子设备及存储介质 | |
US9191835B2 (en) | Method and apparatus for tracking area planning and optimization in a wireless network | |
CN110621072B (zh) | 资源调度方法、装置、基站设备和存储介质 | |
CN112566187A (zh) | 带宽分配方法、装置、计算机设备和计算机可读存储介质 | |
CN114158075A (zh) | 网络资源配置方法、装置、设备及存储介质 | |
CN110913487B (zh) | 资源分配方法、装置、基站和存储介质 | |
CN111163525B (zh) | 资源调度方法、装置、基站设备和存储介质 | |
CN111182566B (zh) | 上行时延的调整方法、装置、基站和存储介质 | |
CN110996397B (zh) | 资源调度方法、装置、基站和存储介质 | |
Chornaya et al. | Investigation of machine-to-machine traffic generated by mobile terminals | |
CN110267286B (zh) | 数据传输方法、装置、接入网设备和存储介质 | |
CN110636632B (zh) | 用户调度方法、装置、基站和存储介质 | |
CN112219425B (zh) | 调整功率的方法、终端设备、芯片和存储介质 | |
CN113810907A (zh) | 信令控制方法、装置、终端设备和计算机可读存储介质 | |
CN114980150A (zh) | 缓冲优化方法、装置、电子设备、通信系统和存储介质 | |
CN110933688B (zh) | 资源控制方法、装置、基站和存储介质 | |
US10244046B2 (en) | Managing traffic at a node within a wireless communication network upon the node entering service | |
CN111148102A (zh) | 网络鉴权方法、装置、计算机设备和存储介质 | |
CN112566259B (zh) | 数据传输方法、装置、基站和存储介质 | |
CN109358829B (zh) | 电子设备的显示控制方法、装置、电子设备和存储介质 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 510663 Shenzhou Road 10, Guangzhou Science City, Guangzhou economic and Technological Development Zone, Guangzhou, Guangdong Applicant after: Jingxin Network System Co.,Ltd. Address before: 510663 Shenzhou Road 10, Guangzhou Science City, Guangzhou economic and Technological Development Zone, Guangzhou, Guangdong Applicant before: COMBA TELECOM SYSTEMS (CHINA) Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200414 |