CN111356148B - 一种实现网络优化的方法及相关设备 - Google Patents
一种实现网络优化的方法及相关设备 Download PDFInfo
- Publication number
- CN111356148B CN111356148B CN201811571783.3A CN201811571783A CN111356148B CN 111356148 B CN111356148 B CN 111356148B CN 201811571783 A CN201811571783 A CN 201811571783A CN 111356148 B CN111356148 B CN 111356148B
- Authority
- CN
- China
- Prior art keywords
- load
- data
- optimization
- cell
- data set
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例公开了一种实现网络优化的方法及相关设备,其该方法包括:根据规约后的历史数据,确定需要优化的第一数据集;基于所述第一数据集,确定预优化的第二数据集;根据所述第二数据集,基于预测算法生成预优化策略。如此,基于全网历史数据生成预优化策略,提高了优化性能。
Description
技术领域
本发明实施例涉及但不限于无线通信领域,更具体的涉及一种实现网络优化的方法及相关设备。
背景技术
服务网络通常资源有限,随着用户数以及业务量增加,接入节点与全网负荷会逐渐增加。以蜂窝通信系统为例,小区负荷超过一定程度时,将会降低小区中用户的业务性能(例如出现延迟、卡顿),严重时会导致系统基础指标急剧恶化以致用户业务无法正常进行。
传统方案一般基于检测与上报信息的小范围分布式操作,例如蜂窝系统协议采用的为接纳控制、负载均衡(Load Balancing,,LB)与移动负载均衡(Mobility LoadBalancing,,MLB)。此类方案一般只考虑单个节点或相邻节点,或者单一负荷指标进行系统调整优化,优化性能不高。
发明内容
有鉴于此,本发明实施例提供了一种实现网络优化的方法,包括:
根据规约后的历史数据,确定需要优化的第一数据集;
基于所述第一数据集,确定预优化的第二数据集;
根据所述第二数据集,基于预测算法生成预优化策略。
本发明实施例还提供了一种实现网络优化的装置,包括:
第一确定单元,用于根据规约后的历史数据,确定需要优化的第一数据集;
第二确定单元,用于基于所述第一数据集,确定预优化的第二数据集;
生成单元,用于根据所述第二数据集,基于预测算法生成预优化策略。
本发明实施例还提供了一种实现网络优化的设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述实现网络优化的方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有信息处理程序,所述信息处理程序被处理器执行时实现上述实现网络优化的方法的步骤。
与相关技术相比,本发明实施例提供了一种实现网络优化的方法及相关设备,其该方法包括:根据规约后的历史数据,确定需要优化的第一数据集;基于所述第一数据集,确定预优化的第二数据集;根据所述第二数据集,基于预测算法生成预优化策略。如此,基于全网历史数据生成预优化策略,提高了优化性能。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为本发明实施方式一提供的实现网络优化的方法的流程示意图;
图2为本发明实施例一提供的实现网络优化的系统的逻辑架构示意图;
图3为蜂窝通信网络的底层架构示意图;
图4为本发明实施例二提供的实现网络优化的方法的流程示意图;
图5为本发明实施例二中负荷均衡策略预测及执行前后的优化示意图;
图6为本发明实施例二提供的实现网络优化的方法的流程示意图;
图7为本发明实施例二中涉及的负荷预测结果示例图;
图8为本发明实施例三提供的实现网络优化的方法的流程示意图;
图9为本发明实施例四提供的实现网络优化的方法的流程示意图;
图10为本发明实施例四涉及的商圈的有向图模型;
图11为本发明实施例五提供的实现网络优化的方法的流程示意图;
图12为本发明实施例五中涉及的传感器信号的示意图;
图13为本发明实施方式二提供的实现网络优化的装置的结构示意图。
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,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
针对无线网络优化,相关方案主要包括如下三类:
1、仅与邻节点交互更多信息。主小区和邻小区交互更多或更高频度的小区指标信息;或由本节点将特定用户组的信息通知目标节点。
此类方案,只考虑单个节点或相邻节点,没有基于全局最优准则。
2、人工选择节点,并对节点本身负荷数据进行时间序列预测,且仅用单一算法,根据预测结果进行负荷均衡。
此类方案,仅用单一负荷指标判决高负荷并进行系统调整,且该指标没有全局准则指导。
3、利用区域/全网历史数据进行单一算法的聚类。
此类方案,没有系统准则指导与评估;没有自适应判决场景并提供对应策略以优化系统性能或降低全局复杂度。
因此,本发明实施例提供了一种实现网络优化的方法及相关设备,基于全网历史数据生成预优化策略,大大提升网络优化性能,尤其适合大规模复杂网络。
实施方式一
图1为本发明实施方式一提供的实现网络优化的方法的流程示意图,如图1所示,该方法包括:
步骤101,根据规约后的历史数据,确定需要优化的第一数据集;
步骤102,基于所述第一数据集,确定预优化的第二数据集;
步骤103,根据所述第二数据集,基于预测算法生成预优化策略。
其中,在确定需要优化的第一数据集之前,该方法还包括:
收集网络的历史数据,所述历史数据包括以下至少之一:结构化静态数据、非结构化静态数据、流数据、维护管理中心OMM的数据库中的数据、平台资源占用率数据、商圈范围内小区与底层平台的历史负荷数据、网管数据库中商圈内基站与小区的参数表和历史测量上报测量报告MR信息、商圈内无限保真wifi路由器历史数据和过道摄像头监控采样数据、系统数据库中存储的传感器/计数器数据;
对所述历史数据进行数据健康度检验与数据规约得到所述规约后的历史数据,所述数据健康度检验与数据规约包括以下至少之一:缺失率识别与处理、时间轴对齐与填补完整、数据字段错误检测与修正、缺失填补完整、异常值检测并替换、节假日数据与普通数据分离、识别异常值与告警、数据预处理、基本统计分析、分钟粒度到天粒度的负荷预测、数据可用性判断。
其中,所述历史数据为网管性能数据,所述第一数据集为需要优化的高负荷小区集,所述第二数据集为预优化小区列表,所述预测算法为负荷预测算法。
其中,所述根据规约后的历史数据,确定需要优化的第一数据集,包括:
统计所述网管性能数据的每一个性能指标的恶化分割点ν,将低于恶化分割点ν的数据中每个负荷指标的最大概然值作为各自对应的νL值,所述νL值指当一个节点的一个负荷指标低于该负荷指标对应的νL值时,认为所述一个节点不会因该负荷指标的负荷因素影响频谱效率γ;
确定受系统运营限制的高负荷节点的比例η;
计算每个时段每个负荷指标判为高的门限νH,νH≈max{νL,η对应分位数的负荷值Vη};
基于νH,生成分时段动态负荷门限表,将所述动态负荷门限表涉及的所有小区作为高负荷小区集。
其中,所述统计所述性能数据的每一个性能指标的恶化分割点ν,包括:
小区综合拥塞程度ρ表示归一化的小区拥塞度,当ρ=0则小区中无用户,当ρ=1则小区彻底瘫痪、用户无法收发数据;
ρ与频谱效率γ的关系包括:
当ρ很低,即ρ≤ν1时,小区频谱效率γ不受ρ影响且数值较高;
当ρ中等,即ν1≤ρ≤ν2时,小区频谱效率γ随着ρ约为线性降低;
当ρ较高,即ρ≥ν2时,小区频谱效率γ随着ρ约为指数级降低,且γ值较低;
取ν1≤ν≤ν2,ν作为恶化分割点,代表拥塞度ρ的分割门限。
其中,基于所述第一数据集,确定预优化的第二数据集,包括:
将至少一个负荷的归一化指标进行余弦距离的K均值Kmeans聚类,确定每个节点的高负荷时段高负荷判决依据;
根据业务指标和门限组[A1,A2,A3,A4],自适应划分负荷场景;其中,A1门限代表负荷序列是否稳定,A2和A3门限共同判定负荷序列近期是否波动剧烈,A4门限判定业务分布稳定度;
根据所述自适应划分负荷场景的划分结果,确定预优化小区列表。
其中,所述根据所述第二数据集,基于预测算法生成预优化策略,包括:
基于负荷预测算法,对预优化小区进行负荷预测,预测所述预优化小区出现高负荷的量级与时段;
基于负荷预测算法,对预优化小区的邻节点进行负荷预测,预测邻节点在预优化小区高负荷时段的负荷量级;
根据预测的所述预优化小区出现高负荷的量级与时段,以及预测的邻节点在预优化小区高负荷时段的负荷量级,为每个需要进行负荷分担的预优化小区选择分担负荷的邻节点;根据所述负荷期望值和当前系统状态,计算预优化小区需要均衡出去的量化负荷总量,以及每个分担负荷的邻节点接受的负荷归一化权重,其中,预优化小区包含了高负荷时段与非高负荷时段数据,将预优化小区集的数据进行聚类,采用高斯聚类,聚类数KGMM=2,2类数据的分布交界处近似为所需的负荷期望值。
其中,在计算待优化节点需要分担出去的量化负荷总量,以及分配每个分担负荷的邻节点接受的负荷归一化权重之后,该方法还包括:
根据所述计算的待分担负荷量化和分配的邻节点权重,在预测的预优化小区高负荷时刻到来前提前调整小区参数,进行负荷分担。
其中,该方法还包括:
评估进行负荷分担之后的区域或小区的性能指标;
当所述性能指标满足系统优化目标与约束条件时,则维持进行所述负荷均衡;
当所述性能指标不满足系统优化目标与约束条件时,则重新进行网络优化或停止进行后续负荷均衡。
其中,所述历史数据为平台数据,所述第一数据集为需要优化的节点集,所述第二数据集为预优化节点列表,所述预测算法为容量预测算法。
其中,所述根据规约后的历史数据,确定需要优化的第一数据集,包括:
根据所述平台数据,识别出高于资源占用指标的物理或逻辑节点,作为需要优化的节点集。
其中,所述基于所述第一数据集,确定预优化的第二数据集,包括:
结合告警与性能指标,从需要优化的节点集中,筛选出预优化节点列表。
其中,所述根据所述第二数据集,基于预测算法生成预优化策略,包括:
基于容量预测算法,预测预优化节点的存储或CPU资源占用趋势;
根据所述存储或CPU资源占用趋势和系统目标,确定所述预优化节点的磁盘备份和清理周期。
其中,该方法还包括:根据所述预优化节点的磁盘备份和清理周期进行磁盘备份和清理。
其中,所述历史数据包括以下至少之一:商圈范围内小区与底层平台的历史负荷数据、专用数据和额外参考信息,所述第一数据集为商圈的有向图模型,所述第二数据集为空间-时间维度的统计分析库,所述预测算法为深度神经网络算法。
其中,所述根据规约后的历史数据,确定需要优化的第一数据集,包括:
根据以下数据至少之一:所述商圈范围内小区与底层平台的历史负荷数据、专用数据、额外参考信息及其变化趋势,建立所述商圈的有向图模型。
其中,所述基于所述第一数据集,确定预优化的第二数据集,包括:
基于商圈的有向图模型,识别客流高峰时段、热门区域、通道利用率与拥塞情形,建立空间-时间维度的统计分析库。
其中,所述根据所述第二数据集,基于预测算法生成预优化策略,包括:
采用深度神经网络对历史数据进行建模分析,根据商圈需求,预测以下至少之一:空间资源利用率、顾客驻留比、商铺平均获客率、顾客分布与客流分析、商圈空间布局合理程度、商铺布局合理性、用户消费习惯。
其中,所述历史数据为收集的硬件模块传感器数据,所述第一数据集为传感器信号分类集,所述第二数据集为传感器信号序列类别,所述预测算法为趋势预测算法。
其中,所述根据规约后的历史数据,确定需要优化的第一数据集,包括:
基于收集的硬件模块传感器数据,检测传感器信号特征;
根据取值个数区分离散状态数据或连续数据;根据傅里叶变换检测并区分周期性/非周期性序列;根据极差及滑动窗扫描到的突发频率判断是否突发脉冲数据;
结合硬件类型ID、来源ID记录分类结果,作为传感器信号分类集。
其中,所述基于所述第一数据集,确定预优化的第二数据集,包括:
根据信号所属类别与系统当前负载/性能状态,调用对应动态阈值算法进行异常值剔除与噪声滤波;
若数据序列为周期性信号或服从特定分布,调用基于分布的无偏估计填补方法进行填补,否则使用牛顿插补法进行填补;
将异常值剔除与噪声滤波以及缺失值填补后的数据序列,作为传感器信号序列类别。
其中,所述根据所述第二数据集,基于预测算法生成预优化策略,包括:
基于自回归移动平均模型ARIMA算法拟合数据序列的趋势序列A,记录残差序列、置信度下限与置信度上限;
将残差序列作为回归对象,将置信度上下限、硬件模块相关的其他信号与计数器数据作为输入特征,进行支持向量回归SVR回归建模,拟合残差中的剩余不确定性,得到残差回归序列B;
将序列C=A+B作为所述硬件模块传感器序列的最终拟合序列。
其中,该方法还包括:
根据所述最终拟合序列,结合所述硬件模块的预测性维护与网络高层的智能运维算法,提高网络的健壮性并降低软硬件维护成本。
下面通过几个具体的实施例详细阐述本发明实施方式一提供的技术方案。
实施例一
本发明实施例一应用于无线通信网络中区域容量优化的场景。
图2为本发明实施例一提供的实现网络优化的系统的逻辑架构示意图,整体逻辑架构遵循数据挖掘的业界通用架构,其中,业务规则库、预处理单元、探索单元、综合策略判决模块、发布与展示模块为本发明实施例一提供的技术方案而独立设计。本系统与异系统产生的各种数据通过数据库(对应于公共数据库、专用数据库、其他数据源)、数据接口等进行传递、保存,并通过数据集成模块转化为适合本发明实施例一提供的方案进行处理的形式,以达到利用全网数据信息的目的。对应于业务规则库,行业或具体业务领域通常存在可利用的规则,结合业务专家经验(对应于专家接口)提炼出全局业务目标与(部分)参考准则(可映射为优化边界等),应用于集成后的数据时需要使用各种数据挖掘算法。因此,通过数据预处理(对应于预处理单元)、数据与规则探索(对应于探索单元)后,根据业务目标训练出模型(可能有多个)(对应于模型训练单元),经过测试评估调优后生成业务应用模型(或模型组)(对应于模型评估单元)。由于网络全局最优还会涉及其他业务或流程,可能需要对当前业务模型进行集成、提升等综合判决(对应于综合策略判决模块)。同时整个过程经常涉及向用户展示的沟通环节,因此需要对应的可视化面板(对应于发布与展示模块);此外,为提高系统灵活性,模型/策略的得出需要具备离线训练与在线应用分离功能,所以还可以提供在线应用的发布(或提交)接口。
无线通信网络,以蜂窝通信网络为例,系统架构与实体间连接关系如图3所示,图3为蜂窝通信网络的底层架构示意图。其中,LTE层对应物理设备与网络;采集层采集网络数据,可以实时发送数据给图2中所述的“公共数据库、专用数据库”或“其他数据源”,并存储在其中;数据层对应图2中的“数据集成模块”,分析层对应图2中的逻辑架构上三层。另外,图3中的应用层为运营商向消费者提供的应用服务,由于图2并没有涉及向用户提供服务,因此并没有对应。
基于图2和图3,图4为本发明实施例一提供的实现网络优化的方法的流程示意图,如图4所示,该方法包括:
步骤401,历史数据收集与集成;
其中,历史数据可以包含负荷、容量指标的数据或数据集,以及相关的系统关键性能指标用于生成评价准则。数据来源包括:结构化静态数据(公共,系统/模块私有),非结构化静态数据(日志文件等),流数据等。
其中,本步骤发生在图3所示的采集层。
步骤402,数据健康度检验与数据规约;
其中,本步骤发生在图3所示的数据层;对应图2中的数据集成模块,同时需要业务规则库的支持,可能用到专家接口与算法池。
其中,数据规约包括时间轴填补完整、缺失填补完整等,得到异常值已修正的小区数据集{CellData}。
步骤403,负荷准则自适应判决;
其中,本步骤发生在图3所示的分析层,使用一种快速且低复杂度的方法进行负荷准则自适应判决。
其中,基于区域容量最大,且考虑网络约束的负荷准则包括:分时段高负荷值判定,高负荷节点列表生成,系统ν值自动判决,每个节点高负荷时段负荷准则判决。
其中,本发明实施例一提供的技术方案,基于的系统评价准则为:区域容量C区域最大化(例如一个子网段作为一个区域,包括N个小区)。
以LTE(Long Term Evolution,长期演进)蜂窝通信系统接入网为例,区域容量等于每个小区容量之和;每个小区容量近似于每个激活用户能达到的最大吞吐量之和,等于小区激活用户数*每个用户平均能达到的最大吞吐量。区域容量计算方法如下。
其中,i表示区域内第i个小区,NumAu表示小区激活用户的数量,BwAu表示每个激活用户(正在进行收发)分配到的带宽,γi j表示第i个小区第j个用户的频谱效率(bit/s/Hz)。影响γi j的因素有:<1>小区规划,<2>覆盖地形,<3>系统能力与基础参数,<4>小区综合拥塞程度ρ;其中,<1><2>和<3>对于运营中的LTE系统已固定,<4>会随着用户、业务、时段等变化。
当系统综合负载高于一定程度处于拥塞状态时,系统容量或频谱利用率(实际工程中常用区域总吞吐量表示)下降。系统中,负荷指标可能有好几种,例如用户数、业务流量字节数、硬件负载比例、逻辑负载等。现有方案固定使用一种负荷指标作为高负荷准则,带来的局限如下表1所示。即,单一指标无法令系统容量全时段全局最优。
表1:
时间段 | 1 | 2 | 3 | 4 |
存在拥塞? | N | Y | N | Y |
负荷指标1 | 低 | 高 | 低 | 低 |
负荷指标2 | 低 | 低 | 高 | 低 |
负荷指标3 | 低 | 低 | 低 | 高 |
由此,本发明实施例一步骤403可以采取以下子步骤发掘某个时段某个节点对频谱效率γ影响最大的负荷指标,结合业务与系统准则,使用正则、数据挖掘算法、专家判决或组合方式,得到符合业务目标的负荷准则(或准则组合)。
步骤403-1,区域内,小区性能指标辅助的单个负荷指标的νL值发掘。原理上,νL值由系统硬件能力与策略设计(软件版本)决定。实际实施时,通过系统关键性能指标有无恶化来体现。统计历史数据丢包率、重传率、时延的恶化分割点,低于恶化分割点v的数据中,每个负荷指标的最大概然值作为各自的νL值(即,节点负荷低于自己的νL值,认为不会因负荷因素影响频谱效率γ)。
其中,ρ表示归一化的小区拥塞度,即:当ρ=0小区中无用户,当ρ=1,小区彻底瘫痪、用户无法收发数据。ρ与γ的关系大致分为三段:
1、当ρ很低,即ρ≤ν1时,小区频谱效率γ不受ρ影响且数值较高;
2、当ρ中等,即ν1≤ρ≤ν2时,小区频谱效率γ随着ρ约为线性降低;
3、当ρ较高,即ρ≥ν2时,小区频谱效率γ随着ρ约为指数级降低,且γ值较低。
为简化计算复杂度,令本发明实施例一提供的技术方案适用于极大规模网络并兼容现有系统,取ν1≤ν≤ν2;其中ν作为“恶化分割点”,代表拥塞度ρ的分割门限。
其中,基于系统容量最大化的负荷预优化系统流程,方案设计为:
1、尽量把归一化综合负载ρ超过以及接近ν2的小区负荷降低到ν1或以下,需要分担出去的归一化负荷记为θ;
2、尽量选择ρ低于ν1的邻区来分担θ对应的用户。
步骤403-2,区域内,受系统运营限制的预优化(判为高负荷)节点比例η发掘;
其中,由于预优化节点数可能影响切换成功率等网络KPI,因此在执行节点数、参数幅度方面存在限制;根据关联分析结论,区域内最多有多少百分比的节点可以进行预优化操作可以体现这些影响因素,为了简化复杂度,与运营商限制比例取最小值,即为最终的η,例如top 12%与10%,最终η取10%。
步骤403-3,区域内,分时段动态负荷门限表与高负荷小区列表自适应生成;
其中,每个时段每个负荷指标判为高的门限νH计算方法为:νH≈max{νL,η对应分位数的负荷值Vη};基于νH,通过数据查找即可生成分时段动态负荷门限表;动态负荷门限表涉及的所有小区,作为高负荷小区。
步骤403-4,当前区域当前系统的归一化值近似判定;
其中,基于上面生成的高负荷小区数据集,归一化的负荷期望值,用高斯混合聚类(GMM,Gaussian Mixture Model,优选)的方式获取,聚类数KGMM=2。高负荷小区包含了高负荷时段与非高负荷时段数据,其分布交界处近似为所需的负荷期望值:[GmmClst1,GmmClst2]=GMM(某个负荷指标,ClstNum=2)。对均值高的GmmClst进行频度分布拟合,根据期望值估算每个负荷指标的负荷期望值。
步骤403-5,每个节点的高负荷时段高负荷准则依据,即根据哪个负荷准则启动均衡流程。
基于上面生成的高负荷小区数据集,取主要负荷的归一化指标(X个,取值范围0~1之间)进行余弦距离的K均值Kmeans聚类,聚类数KKM=X+1。即距离哪个轴(代表某个负荷指标)最近(即夹角最小)的类中数据点,就以该轴代表的负荷指标为判决准则。最后剩余的那类,合并到与其平均距离最近的那类。由此就把每个节点每个高负荷时段的数据点映射到了不同负荷判决准则。
步骤404,负荷场景自适应划分;
其中,本步骤发生在图3所示的分析层。
其中,大型服务网络的节点数很多,数量级往往在10的4次方以上。网络维护优化过程中出现的情形很多,而每种业务目标相关的节点通过传统人工判别已无法实现或成本过高。对于网络负荷、容量相关的场景,本步骤基于如下准则设计:
1、支持基于区域容量最大化的负荷预优化流程;
2、分割出当前业务不需要关注的负荷低于ν1的节点,不参与高负荷类流程运算,极大降低复杂度;
3、依据当前业务规则,识别出异常、潜在风险的节点。例如体现在负荷突变的割接、断链、扩容等;
4、依据业务规则与系统硬件能力,自动识别出负荷上升、将来可能需要扩容的节点。
由此,本发明实施例一步骤404可以采取以下子步骤:
步骤404-1,准备数据集:存在高负荷记录点的小区,
其中,可以提取过去4个预测周期的数据,例如4周;
步骤404-2,去除高负荷记录点太少的节点;
其中,去除的原因是代价大于收益,例如去除比例采用5%。
步骤404-3,统计每个高负荷记录点足够的小区;
其中,可以记为CellHl。高负荷准则项的相对极差=极差/均值。设置门限为A1。
步骤404-4,统计每个CellHl,4个周期中最后一个周期(记为P4)所有数据点相对偏移上限;
其中,相对偏移=(样本数据值-均值)/均值。设置门限A2。
步骤404-5,统计每个CellHl,4个周期中最后一个周期(记为P4)所有数据点相对偏移下限;
其中,相对偏移=(样本数据值-均值)/均值。设置门限A3。
步骤404-6,统计每个CellHl,P4到P1~P3,4个S034中Kmeans聚类所属数据点频数的余弦距离均值;
其中,例如,P4的高负荷记录中,属于CLST1~CLST4类的个数(频数)组成向量[8,0,10,31],而D1的频数向量为[9,0,11,32]。设置门限A4。
步骤404-7,生成场景编码表;
其中,A1门限代表负荷序列是否稳定,大于A1编码1,小于A1编码0。A2和A3门限共同判定负荷序列近期是否波动剧烈。A2和A3间编码为0,大于A2编码为1,小于A3编码为2。A4门限判定业务分布稳定度。小于A4编码为0,大于A4编码为1。则原始场景划分表如下表2所示,原始场景在特定网络中对应特定处理情形。
表2:
场景编号 | 负荷稳定度 | 近期波动度 | 业务稳定度 | 场景描述 |
01 | 0 | 0 | 0 | 负荷数值平稳 |
02 | 0 | 0 | 1 | 数值平稳,分布变化 |
03 | 0 | 1 | 0 | 负荷上升,分布平稳 |
04 | 0 | 1 | 1 | 负荷上升,分布变化 |
05 | 0 | 2 | 0 | 负荷下降,分布平稳 |
06 | 0 | 2 | 1 | 负荷下降,分布变化 |
07 | 1 | 0 | 0 | 负荷突变,分布平稳 |
08 | 1 | 0 | 1 | 负荷突变,分布变化 |
09 | 1 | 1 | 0 | 负荷暴升,分布平稳 |
10 | 1 | 1 | 1 | 负荷暴升,分布不稳 |
11 | 1 | 2 | 0 | 负荷暴降,分布平稳 |
12 | 1 | 2 | 1 | 负荷暴降,分布不稳 |
步骤404-8,搜索最佳[A1,A2,A3,A4]门限组;
其中,搜索算法可以优选:随机森林。
其中,A1门限根据CellHl小区的负荷时间序列的稳定性检验是否p值低于0.1的标注确定。A2根据统计学经验与网络现状在0.1~0.2间搜索,A3=-A2,以每个周期长期趋势斜率的导数为标注。A4根据统计学经验可定位0.2。搜索模型选择标准:平稳序列的识别率最高。
步骤405,基于动态负荷门限与动态高负荷时段,预优化节点判决;
其中,本步骤发生在图3所示的分析层。根据步骤403、403的结果,选择适用于进行预优化方案的节点(可结合专家经验)。例如判决出需要进行均衡以缓解负荷过高情形的节点集合。然后,对预优化节点进行负荷预测,预估这些节点后续出现高负荷的量级与时段。
步骤406,负荷均衡邻节点判决;
其中,本步骤发生在图3所示的分析层。根据步骤405的结果,结合业务规则,对负荷均衡邻节点进行负荷预测/预估,预估这些节点在待优化小区高负荷时段的负荷数值/量级。然后根据预测结果,为每个需要进行负荷均衡的待优化节点选择分担负荷的邻节点。通用规则一般为有效邻节点中负荷差最大的若干节点。
步骤407,待均衡负荷量化计算与邻节点权重分配。
本步骤发生在图3所示的分析层。根据步骤406的结果,计算待优化节点需要均衡出去的量化负荷总量,以及每个分担邻区接受的负荷归一化权重。权重的计算需要在规则库与当前系统状态的指导下进行,例如数值限制、边界条件等。
步骤408,系统执行负荷均衡策略;
其中,本步骤发生在图3所示的分析层,对应图2中的综合策略模块、发布与展示模块。根据步骤407的结果,更新系统运行参数以期望消除或减轻预优化节点在预测高负荷时段的性能恶化。
步骤409,负荷均衡策略执行后的性能监测评估;
其中,本步骤发生在图3所示的分析层,对应图2中的综合策略模块、发布与展示模块。检测在预测出的高负荷时段是否准确,对应调整策略生效情形,并进行记录。结合评估规则(通常对应系统级统一目标函数)对负荷均衡预优化策略进行评估。
其中,记ρ>ν的需要优化的高负荷小区数量为NH,则对于某个时段[t,t+1],负荷优化后的区域容量增益为:
NH与ν的数值关系记为f,γ与与ν的数值关系记为g,分担小区频谱效率降低的用户数与ν的数值关系记为h,则全局优化目标函数如公式3,
约束条件通常是网络运营商的强制性策略(例如安全门限、网络KPI(KeyPerformance Indicator,关键绩效指标)硬性保护)。其中,f(ν)代表的NH、与NH有关的h(ν)可通过工程方式(数据查找、计算)从系统中得到。如图5所示,即为负荷均衡策略预测及执行前后的优化示意图。
步骤410,维持/回退/重新计算。
本步骤发生在图3所示的分析层,对应图2中的综合策略模块。根据步骤409的评估结果,判决当前预优化策略是否维持(良好生效中)、回退(失败)、重新计算策略(误差超过预定门限)。
即,预优化后的系统区域容量是否符合区域容量最大化准则,如果符合,则可以继续执行优化策略,否则可以重新优化或停止优化。
本发明实施例一提供的技术方案,达到的有益效果如下:
1、提供相应策略的全局量化解决方案与流程,可以进行量化的动态评估与调整。以往技术只能局部定性分析
2、利用全局(网络、系统或区域)数据信息,可以量化定义全局优化与评估目标,进而达到全局优化的目标;识别出大量以往策略遗漏的时段与高负荷节点,显著提升了系统吞吐量;识别出新的系统与业务规则,同时对其他业务与场景有指导作用于增益效果;
3、本系统可作为智能运维的整体框架,方案作为一个实施子集。本方案可与其他智能方法共存、共享架构且联合优化。
4、自动判决可量化的负荷评价准则,选择最适合当前业务情形的准则;进一步,可按时段分别给出合适的负荷评价准则;
5、自适应判决业务场景,为网络运维提供有效指导,提升精度并大大降低人工工作量。
实施例二
本发明实施例二应用于蜂窝通信系统的预优化移动负荷均衡场景。
本发明实施例二可以应用图2、3所示的系统中。
本发明实施例二中,在不更改LTE系统设备硬件与原件版本的前提下,对国内某省会城市进行网络指标性能数据分析后,发现覆盖交通枢纽的某些小区在上下班高峰期负荷很高导致拥塞,而它们的某些邻区负荷却较低。因此本实施例用于缓解全网范围的小区业务负载不均衡问题,采用移动负荷均衡(MLB)为业务切入点。
图6为本发明实施例二提供的实现网络优化的方法的流程示意图,如图6所示,该方法包括:
步骤601,小区历史数据采集;
其中,可以查询运行维护管理中心(OMM,Operation Maintenance Module)的数据库采集历史数据。例如,发现涉及小区负荷指标的数据历史存放跨度为1个月,存储粒度为15分钟;因此采集数据字段包括:日期时间索引、小区唯一标识码、小区名、小区级负荷类指标、小区级服务质量参考指标;此外涉及移动性管理与小区能力的配置参数、邻区列表,也从其他数据库位置一并获取。其中,运营商规范中可作为负荷准则的字段有如下三种:RRC(Radio Resource Control,无线资源控制层)连接用户平均数占比、上行PRB(PhysicalResource Block,物理层资源块)利用率、下行PRB占用率;以往都是人工指定其中一种并执行基于X2口消息传递的MLB策略。本实施例则综合考虑这三种负荷准则进行负荷均衡。
步骤602,数据健康度检验与数据规约;
其中,该步骤根据规则(可结合图2所示的专家接口)自动执行。
由于可能出现有关模块临时失效,数据传递链路拥塞、通讯失灵、解码错误等事件,所以采集到的小区级数据可能出现若干健康度问题需要根据规则库进行检验和预处理;之后根据特征生成规则,从原始数据字段产生用于后续计算的特征。本发明实施例二步骤602可以采取以下子步骤:
步骤602-1,高缺失率识别与处理、时间轴对齐;
其中,例如采集的数据集为15分钟粒度网管数据,持续4周,因此无缺失的数据记录条数应为:4条/小时*24小时*7天*4周=2688条。
步骤602-2,检测数据字段是否存在错误,异常值检测并替换,填补缺失值;
其中,主要指数值与字段名无法对应、交叉表错乱、超出上下界等。
步骤602-3,节假日数据与普通数据分离;
其中,负荷的节假日部分需要单独进行处理,例如,把国庆黄金周的负荷单独分析并用前后各一周的均值代入普通负荷时间序列。
步骤602-4,分布检验与基础统计量汇总;
例如,本实施例中区域负荷较高的小区,上行与下行PRB利用率分布经统计检验为显著双峰特性;因此在步骤603中,负荷准则判决的聚类数以此为依据,结合轮廓系数检验,聚类数K=3+1=4合理。
步骤603,负荷准则自适应判决;
其中,评估小区负荷的指标,在规则库中有三种:RRC连接占比、上行PRB利用率、下行PRB利用率。但不同小区不同时段以哪个指标为准需要对全局数据进行挖掘与综合判断。本实施例中,取整个区域每种指标前10%高负荷的并集为评估数据集,即η=0.1,某负荷指标Xi的VL=0.2,则其动态高负荷VH表如表3所示:
表3:
获取RRC连接占比、上行PRB利用率、下行PRB利用率存在高负记录的小区所构成的数据集,进行GMM(Gaussian Mixture Model,高斯混合模型)聚类后,取均值高的类别。以上行PRB利用率为例,进行分布拟合后,取期望值位置点为上行PRB利用率的负荷期望值,约等于0.42。即:当某小区需要预优化的时段,负荷准则为上行PRB利用率时,希望把上行PRB利用率降到0.42以下。
另外,在RRC连接占比、上行PRB利用率、下行PRB利用率三维空间中,认为样本点靠哪个轴显著最近便以哪个轴为负荷评价准则(优选)。因此根据规则库中的聚类规则树,符合该物理意义的聚类方式为:使用余弦距离进行KMEANS(K均值)聚类(优选)。由此自动判决出:
1、菱形样本点集合显著以负荷指标a为判决准则;
2、*形样本点集合显著以负荷指标b为判决准则;
3、圆形和点形样本点合并,以负荷指标c为判决准则。
其中,聚类的前提与准则也存储在规则库中,并不局限于本实施例的优选准则。不同业务自动进行优选方式判决。
步骤604,负荷场景自适应划分;
其中,本实施例二种,运维规则主要有:负荷是否大致稳定,近期负荷平稳上升/下降或剧烈变化,是否存在业务分布突变。基于实施例一中步骤404中的计算方法,计算得到的门限为:A1=0.21,A2=0.14,A3=-0.14,A4=0.25。
因而,最终根据业务合影后的场景自适应判决结果如表4所示:
表4:
步骤605,预优化节点判决;
其中,根据表4的场景划分结果,需要负荷预优化的小区对应场景编号1和2,存储预优化小区列表。两种场景在规则库中对应不同的参数组合。(优选)负荷预测算法:周期ARIMA((Autoregressive Integrated Moving Average Model,自回归移动平均模型)算法,备选算法:SVR。本实施例的负荷预测结果示例如图7所示。
步骤606,负荷均衡邻节点判决;
其中,基于尽量选择ρ低于ν1的邻区来分担θ对应的用户,例如,从步骤605得到的预优化小区列表,查询预优化小区的有效邻区负荷,可以从中选择最多3个负荷差高于预设门限的邻区,作为负荷分担小区。负荷分担小区的负荷序列往往随机性较大,因此其(优选)负荷预测算法为:SVR(Support Vector Regression,支持向量回归)算法,备选算法:随机森林回归树。
步骤607,待均衡负荷量化计算与邻节点权重分配;
其中,设定全局评价准则:系统频谱效率提升度,等价于区域吞吐量提升比例。根据负荷预测的结果,自动识别预优化高负荷小区的高负荷时段、主小区需要被分担的负荷值、以及与有效邻区的负荷差。根据负荷差的量化值,计算分担邻区的负荷均衡归一化权重。根据CIO(Cell Ind Offset,小区个体偏移)、Qoffset(小区偏置)与负荷差间的映射规则,确定每个邻区对的CIO、Qoffset调整值。尽量把归一化综合负载ρ超过以及接近ν2的小区负荷降低到ν1或以下,需要分担出去的归一化负荷记为θ。
步骤608,系统执行负荷均衡策略;
其中,根据步骤607的计算、分配结果,网管系统提前将高负荷时段与邻区对负荷调整量配置给eNB(Evolved Node B,演进型Node B),eNB在预测的预优化小区高负荷时刻到来前提前进行调整小区参数,令负荷调整策略生效。达到的有益效果:显著减缓了负荷潮汐效应。
步骤609,负荷均衡策略执行后的性能监测评估;
其中,约束条件:区域或小区的关键性能指标,例如掉线效率、切换增加比例等。辅助约束条件(评估指标):高负荷识别准确率、误判率等。整体在系统吞吐量性能与网络指标/计算资源消耗之间取得折中,通常需要考虑客户的意见。
步骤610,维持/回退/重新计算。
其中,若策略生效期间同时满足系统优化目标与约束条件,则维持当前策略,包括高负荷时段正常结束后的按计划参数回退。否则根据外场准则选择直接回退/关闭策略,或重新计算策略参数(触发或者周期执行)。
本发明实施例一、三提供的技术方案,通过统计性能恶化分割点对应的负荷指标,取最大概然值作为单指标门限V1.取TOP N%高负荷节点的数据,TOP N%为预优化节点比例。其中TOP N分位对应的负荷门限为V2;确定分时段高负荷门限VH=max(V1,V2),每个时段的不同;基于门限VH确定高负荷时段,有高负荷时段的的节点为高负荷节点。获得高负荷节点的数据;对高负荷节点的数据进行聚类,分2类,2类分界为负荷期望值v。该门限不是评估高负荷的,而是作为负荷均衡的目标负荷,即“用于调整CIO,是调整CIO的目标负荷”;对高负荷时段的数据进行Kmeans聚类,得到高负荷时段应该采纳的判决负荷指标等等手段确定什么是高负荷节点(高负荷自适应判决,确定相关的负荷指标、门限值),以及基于高负荷节点数据集确定需要优化的小区数据集(排除掉不稳定,低负荷的小区,得到可进行负荷预测的高负荷小区),然后根据预算算法生成预优化策略。从而基于全网历史数据生成预优化策略,提高了优化性能。
实施例三
本发明实施例三应用于平台硬件资源预测与预优化场景。
本发明实施例三可以应用图2所示的系统中。
本发明实施例三可以应用于系统的数据平台,例如,网管系统需要存储大量历史指标数据或日志,数据服务器的磁盘容量可以进行预测并提前进行自动备份、回滚、分担等操作。基站单板的内存占用量、CPU利用率也可以用本发明实施例三提供的技术方案进行提前预警与优化。
图8为本发明实施例三提供的实现网络优化的方法的流程示意图,如图11所示,该方法包括:
步骤801,平台资源占用率数据采集;
其中,可以直接从数据库以SQL(Structured Query Language,结构化查询语言)方式读取平台的历史数据。
步骤802,数据健康度检验与数据规约;
其中,平台数据与网管性能数据有所不同,健康度检测以识别异常值与告警为主。例如需要识别周期性、平稳性、脉冲特性等,同时与告警模块关联。
步骤803,负载指标的类型与动态阈值自适应;
其中,平台的资源占用指标通常固定,只需要针对指标序列本身情形进行统计检验与类型识别,例如基站单板的内存占用量、CPU利用率等指标。
步骤804,预优化节点判决;
其中,平台(尤其是虚拟化平台)的物理或逻辑节点数量更多。因此结合告警与性能模块的实时流数据上报进行筛选需要优化的节点。例如根据各个指标的阈值,判断哪些节点超过阈值需要优化。例如本实施例中,指标选取为存储或CPU资源占用率,可以将存储或CPU资源占用率超过预先设定的阈值的节点作为预优化节点集。
步骤805,预优化节点负荷预测;
其中,对于存储或CPU资源占用情况,通常更关注长期的趋势分量。因此预测算法以加权指数平滑为优选。备选算法:移动平均、多项式拟合。网管系统某磁盘分区的容量预测如图12所示。
步骤806,预优化策略生成;
其中,例如磁盘分区只有120G,且需要预留20G临时空间,因此根据预测增长率可以得出,约45天后磁盘需要进行备份并清理(业务优选)。不同平台不同业务的处理策略不同,都存储在平台规则库中。当磁盘容量还与I/O(输入/输出input/output)读写速率、流媒体解码速率、系统缓存等能力或指标联合判决后续策略时,依据系统目标规则进行判决。优选算法:GBDT(Gradient Boosting Decison Tree,梯度提升树)/XBOOST(eXtremeGradient Boosting,梯度增强)。例如,日志系统接收非结构化流数据并存储为解析后的结构化数据时,每秒入库率为全局准则。
步骤807,平台执行预优化策略。
其中,本实施例中,该磁盘剩余容量还与告警模块的入库增长速率挂钩。最终依据转储备份模块的操作周期,判决45天后对该磁盘进行备份并清理;同时积累了系统告警量的分布与消息载荷特征。本发明方案应用于平台,主要有益效果为智能自动优化、避免人工无法及时发现或响应。主要评价指标:入库速率、虚警率、漏警率、故障率等。
实施例四
本发明实施例四应用于热点商圈的顾客分布及流向分析场景。
本发明实施例四可以应用图2、3所示的系统中,本发明实施例四的技术方案与系统架构,可同时用于面向消费者的应用,即可以直接作用于图3所示的应用层。
本发明实施例四可以基于实施例一与实施例三,利用其系统结构、功能模块与处理流程,衍生出面向消费者的应用场景(向客户提供服务方案,进而服务客户的客户)。
图9为本发明实施例四提供的实现网络优化的方法的流程示意图,如图10所示,该方法包括:
步骤901,所需数据采集与准备;
其中,本发明实施例四步骤901可以采取以下子步骤:
步骤901-1,集成其他实施例生成的数据与规则;
例如,实施例一至实施例三实现过程中,已获取商圈范围内小区与底层平台的历史负荷数据,并完成数据预处理、基本统计分析、分钟粒度到天粒度的负荷预测。
步骤901-2,获取本系统内的本实施例专用数据;
其中,可以从网管中读取商圈内基站与小区的工参表,包含经纬度具体信息(优选)。从网管数据库中读取历史测量上报(MR,Measurement Report,测量报告)信息,包含场强、信噪比、各种事件上报详情。结合网规网优人员的标注(优选),标注覆盖重点特征区域的小区,例如商场入口、扶梯位置、明星商铺位置等。
步骤901-3,获取本系统之外的额外参考信息。
其中,优选地,接受本实施例协议服务的商圈提供的信息:
1、wifi路由器历史数据,例如ID(identification,身份)编号、接入时长、接入地点、在每个节点停留时间;
2、过道摄像头监控采样数据;
3、其他诸如,商圈周围的居民区分布,天气信息,当地消费水平,重大庆典信息等。
步骤902,建立有向图模型;
其中,基于步骤901采集和准备的数据,根据负荷数据、上报数据及其变化趋势,建立商圈的有向图模型,如图10所示。
步骤903,用户分布与流向统计;
其中,根据步骤1002建立的模型,建立空间-时间维度的统计分析库。例如识别客流高峰时段、热门区域、通道利用率与拥塞情形等。
步骤904,客流预测与用户画像;
其中,可以采用深度神经网络(优选)对历史数据进行建模分析,全局目标根据商圈需求而定。例如空间资源利用率、顾客驻留比、商铺平均获客率等。
步骤905,提供增值服务。
其中,可以通过步骤902-904的结果,为以下服务提供支撑:
1、顾客分布与客流分析及预测;
2、商圈空间布局合理程度辅助评估。例如入口数量、电梯位置与运行频次;
3、商铺布局合理性。用于提高商圈日营收、优化租金配比等;
4、用户消费习惯辅助估计与预测;
5、其他增值服务。
实施例五
本发明实施例五应用于系统内硬件模块的预测性维护场景。
本发明实施例五可以应用图2所示的系统中。
本发明实施例五提供的技术方案,可以用于系统内硬件模块的预测性维护,例如供电电源的电池寿命、剩余电量时间,电调天线传动模块磨损度、天线方向误差等。
图11为本发明实施例五提供的实现网络优化的方法的流程示意图,如图11所示,该方法包括:
步骤1101,硬件模块传感器数据收集;
其中,预测性维护数据通常来自传感器,与网管性能数据不同之处在于信号级别成分不可忽视,通常带有较明显的噪声,如图12所示。
本实施例五的数据来源对应于图2中的“其他数据源”,需要从算法库中调用滤波等信号处理算法。
其中,业务目标为加强系统内的硬件单元额鲁棒性,进而提升网络健壮性并降低维护成本。根据业务目标确定涉及的硬件模块,以及对应传感器/计数器。采集传感器/计数器数据并存储在系统数据库内。
步骤1102,数据可用性判断;
其中,本发明实施例五步骤1102可以采取以下子步骤:
步骤1102-1,判断非流程原因缺失或错误的比例是否高于阈值;
例如,若非流程原因缺失或错误的比例高于10%,认为在信号级别该序列无法提供正常趋势分析,舍弃;否则进入步骤1102-2;
步骤1102-2,传感器信号特征检测,若与专家或工程积累经验严重不符,舍弃;否则将未舍弃的数据作为可用的数据。
步骤1103,传感器信号分类识别;
其中,基于可用的数据,根据取值个数(例如以12个为门限)区分离散状态数据或连续数据;根据傅里叶变换检测并区分周期性/非周期性序列;根据极差及滑动窗扫描到的突发频率判断是否突发脉冲数据。结合硬件类型ID、来源ID等信息,将分类结果记录并匹配历史特征,或作为新特征存入数据库。
步骤1104,根据信号所属类别与系统当前负载/性能状态,调用对应动态阈值算法进行异常值剔除与噪声滤波;
步骤1105,缺失值填补;
其中,若数据序列为周期性信号或服从特定分布,调用基于分布的无偏估计填补方法进行填补,否则使用牛顿插补法进行填补。
步骤1106,根据信号序列类别进行趋势预测;
其中,以以图12所示的信号经过滤波、填补后的序列为例,步骤1106可以采取以下子步骤:
步骤1106-1,使用ARIMA(Autoregressive Integrated Moving Average Model,自回归移动平均模型)算法拟合历史序列的主要趋势序列A,记录残差序列、置信度下限与置信度上限;
其中,例如,置信度下限与置信度上限可以为95%等,优选为95%。
步骤1106-2,将残差序列作为回归对象,将步骤1206-1得到的置信度上下限、硬件模块相关的其他信号与计数器数据作为输入特征,进行SVR回归建模,拟合残差中的剩余不确定性,得到残差回归序列B;
步骤1106-3,用序列C=A+B作为该硬件模块传感器/计数器序列的最终拟合序列;
步骤1106-4,将C同时输入硬件模块的后续维护流程,以及该硬件模块对应的子网高层处理流程。
步骤1107,同时结合底层硬件模块的预测性维护与网络高层的智能运维算法,提高网络的健壮性并降低软硬件维护成本。
实施方式二
图13为本发明实施方式二提供的实现网络优化的装置的结构示意图,如图13所示,该装置包括:
第一确定单元,用于根据规约后的历史数据,确定需要优化的第一数据集;
第二确定单元,用于基于所述第一数据集,确定预优化的第二数据集;
生成单元,用于根据所述第二数据集,基于预测算法生成预优化策略。
其中,还包括:
收集单元,用于在确定需要优化的第一数据集之前,收集网络的历史数据,所述历史数据包括以下至少之一:结构化静态数据、非结构化静态数据、流数据、维护管理中心OMM的数据库中的数据、平台资源占用率数据、商圈范围内小区与底层平台的历史负荷数据、网管数据库中商圈内基站与小区的参数表和历史测量上报测量报告MR信息、商圈内无限保真wifi路由器历史数据和过道摄像头监控采样数据、系统数据库中存储的传感器/计数器数据;
检验和规约单元,用于对所述历史数据进行数据健康度检验与数据规约得到所述规约后的历史数据,所述数据健康度检验与数据规约包括以下至少之一:缺失率识别与处理、时间轴对齐与填补完整、数据字段错误检测与修正、缺失填补完整、异常值检测并替换、节假日数据与普通数据分离、识别异常值与告警、数据预处理、基本统计分析、分钟粒度到天粒度的负荷预测、数据可用性判断。
其中,所述历史数据为网管性能数据,所述第一数据集为需要优化的高负荷小区集,所述第二数据集为预优化小区列表,所述预测算法为负荷预测算法。
其中,所述第一确定单元,具体用于
统计所述网管性能数据的每一个性能指标的恶化分割点ν,将低于恶化分割点ν的数据中每个负荷指标的最大概然值作为各自对应的νL值,所述νL值指当一个节点的一个负荷指标低于该负荷指标对应的νL值时,认为所述一个节点不会因该负荷指标的负荷因素影响频谱效率γ;
确定受系统运营限制的高负荷节点的比例η;
计算每个时段每个负荷指标判为高的门限νH,νH≈max{νL,η对应分位数的负荷值Vη};
基于νH,生成分时段动态负荷门限表,将所述动态负荷门限表涉及的所有小区作为高负荷小区集。
其中,所述统计所述性能数据的每一个性能指标的恶化分割点ν,包括:
小区综合拥塞程度ρ表示归一化的小区拥塞度,当ρ=0则小区中无用户,当ρ=1则小区彻底瘫痪、用户无法收发数据;
ρ与频谱效率γ的关系包括:
当ρ很低,即ρ≤ν1时,小区频谱效率γ不受ρ影响且数值较高;
当ρ中等,即ν1≤ρ≤ν2时,小区频谱效率γ随着ρ约为线性降低;
当ρ较高,即ρ≥ν2时,小区频谱效率γ随着ρ约为指数级降低,且γ值较低;
取ν1≤ν≤ν2,ν作为恶化分割点,代表拥塞度ρ的分割门限。
其中,所述第二确定单元,具体用于
将至少一个负荷的归一化指标进行余弦距离的K均值Kmeans聚类,确定每个节点的高负荷时段高负荷判决依据;
根据业务指标和门限组[A1,A2,A3,A4],自适应划分负荷场景;其中,A1门限代表负荷序列是否稳定,A2和A3门限共同判定负荷序列近期是否波动剧烈,A4门限判定业务分布稳定度;
根据所述自适应划分负荷场景的划分结果,确定预优化小区列表。
其中,所述生成单元,具体用于
基于负荷预测算法,对预优化小区进行负荷预测,预测所述预优化小区出现高负荷的量级与时段;
基于负荷预测算法,对预优化小区的邻节点进行负荷预测,预测邻节点在预优化小区高负荷时段的负荷量级;
根据预测的所述预优化小区出现高负荷的量级与时段,以及预测的邻节点在预优化小区高负荷时段的负荷量级,为每个需要进行负荷分担的预优化小区选择分担负荷的邻节点;根据所述负荷期望值和当前系统状态,计算预优化小区需要均衡出去的量化负荷总量,以及每个分担负荷的邻节点接受的负荷归一化权重,其中,预优化小区包含了高负荷时段与非高负荷时段数据,将预优化小区集的数据进行聚类,采用高斯聚类,聚类数KGMM=2,2类数据的分布交界处近似为所需的负荷期望值。
其中,还包括执行单元,用于在计算待优化节点需要分担出去的量化负荷总量,以及分配每个分担负荷的邻节点接受的负荷归一化权重之后,根据所述计算的待分担负荷量化和分配的邻节点权重,在预测的预优化小区高负荷时刻到来前提前调整小区参数,进行负荷分担。
其中,还包括评估单元,用于
评估进行负荷分担之后的区域或小区的性能指标;
当所述性能指标满足系统优化目标与约束条件时,则维持进行所述负荷均衡;
当所述性能指标不满足系统优化目标与约束条件时,则重新进行网络优化或停止进行后续负荷均衡。
其中,所述历史数据为平台数据,所述第一数据集为需要优化的节点集,所述第二数据集为预优化节点列表,所述预测算法为容量预测算法。
其中,所述第一确定单元,具体用于
根据所述平台数据,识别出高于资源占用指标的物理或逻辑节点,作为需要优化的节点集。
其中,所述第二确定单元,具体用于
结合告警与性能指标,从需要优化的节点集中,筛选出预优化节点列表。
其中,所述生成单元,具体用于
基于容量预测算法,预测预优化节点的存储或CPU资源占用趋势;
根据所述存储或CPU资源占用趋势和系统目标,确定所述预优化节点的磁盘备份和清理周期。
其中,还包括执行单元,用于根据所述预优化节点的磁盘备份和清理周期进行磁盘备份和清理。
其中,所述历史数据包括以下至少之一:商圈范围内小区与底层平台的历史负荷数据、专用数据和额外参考信息,所述第一数据集为商圈的有向图模型,所述第二数据集为空间-时间维度的统计分析库,所述预测算法为深度神经网络算法。
其中,所述第一确定单元,具体用于
根据以下数据至少之一:所述商圈范围内小区与底层平台的历史负荷数据、专用数据、额外参考信息及其变化趋势,建立所述商圈的有向图模型。
其中,所述第二确定单元,具体用于
基于商圈的有向图模型,识别客流高峰时段、热门区域、通道利用率与拥塞情形,建立空间-时间维度的统计分析库。
其中,所述生成单元,具体用于
采用深度神经网络对历史数据进行建模分析,根据商圈需求,预测以下至少之一:空间资源利用率、顾客驻留比、商铺平均获客率、顾客分布与客流分析、商圈空间布局合理程度、商铺布局合理性、用户消费习惯。
其中,所述历史数据为收集的硬件模块传感器数据,所述第一数据集为传感器信号分类集,所述第二数据集为传感器信号序列类别,所述预测算法为趋势预测算法。
其中,所述第一确定单元,具体用于
基于收集的硬件模块传感器数据,检测传感器信号特征;
根据取值个数区分离散状态数据或连续数据;根据傅里叶变换检测并区分周期性/非周期性序列;根据极差及滑动窗扫描到的突发频率判断是否突发脉冲数据;
结合硬件类型ID、来源ID记录分类结果,作为传感器信号分类集。
其中,所述第二确定单元,具体用于
根据信号所属类别与系统当前负载/性能状态,调用对应动态阈值算法进行异常值剔除与噪声滤波;
若数据序列为周期性信号或服从特定分布,调用基于分布的无偏估计填补方法进行填补,否则使用牛顿插补法进行填补;
将异常值剔除与噪声滤波以及缺失值填补后的数据序列,作为传感器信号序列类别。
其中,所述生成单元,具体用于
基于自回归移动平均模型ARIMA算法拟合数据序列的趋势序列A,记录残差序列、置信度下限与置信度上限;
将残差序列作为回归对象,将置信度上下限、硬件模块相关的其他信号与计数器数据作为输入特征,进行支持向量回归SVR回归建模,拟合残差中的剩余不确定性,得到残差回归序列B;
将序列C=A+B作为所述硬件模块传感器序列的最终拟合序列。
其中,还包括执行单元,用于
根据所述最终拟合序列,结合所述硬件模块的预测性维护与网络高层的智能运维算法,提高网络的健壮性并降低软硬件维护成本。
本发明实施例还提供了一种实现网络优化的设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述任一项所述实现网络优化的方法。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有信息处理程序,所述信息处理程序被处理器执行时实现上述任一项所述实现网络优化的方法的步骤。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
虽然本发明所揭露的实施方式如上,但所述的内容仅为便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式及细节上进行任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (15)
1.一种实现网络优化的方法,包括:
根据规约后的历史数据,确定需要优化的第一数据集;
基于所述第一数据集,确定预优化的第二数据集;
根据所述第二数据集,基于预测算法生成预优化策略;
其中,所述历史数据为网管性能数据,所述第一数据集为需要优化的高负荷小区集,所述第二数据集为预优化小区列表,所述预测算法为负荷预测算法;所述根据规约后的历史数据,确定需要优化的第一数据集包括:统计所述网管性能数据的每一个性能指标的恶化分割点ν,将低于恶化分割点ν的数据中每个负荷指标的最大概然值作为各自对应的νL值,所述νL值指当一个节点的一个负荷指标低于该负荷指标对应的νL值时,认为所述一个节点不会因该负荷指标的负荷因素影响频谱效率γ;确定受系统运营限制的高负荷节点的比例η;计算每个时段每个负荷指标判为高的门限νH,νH≈max{νL,η对应分位数的负荷值Vη};基于νH,生成分时段动态负荷门限表,将所述动态负荷门限表涉及的所有小区作为高负荷小区集。
2.根据权利要求1所述的方法,其特征在于,在确定需要优化的第一数据集之前,该方法还包括:
收集网络的历史数据,所述历史数据包括以下至少之一:结构化静态数据、非结构化静态数据、流数据、维护管理中心OMM的数据库中的数据、平台资源占用率数据、商圈范围内小区与底层平台的历史负荷数据、网管数据库中商圈内基站与小区的参数表和历史测量上报测量报告MR信息、商圈内无线保真wifi路由器历史数据和过道摄像头监控采样数据、系统数据库中存储的传感器/计数器数据;
对所述历史数据进行数据健康度检验与数据规约得到所述规约后的历史数据,所述数据健康度检验与数据规约包括以下至少之一:缺失率识别与处理、时间轴对齐与填补完整、数据字段错误检测与修正、缺失填补完整、异常值检测并替换、节假日数据与普通数据分离、识别异常值与告警、数据预处理、基本统计分析、分钟粒度到天粒度的负荷预测、数据可用性判断。
3.根据权利要求1所述的方法,其特征在于,所述统计所述性能数据的每一个性能指标的恶化分割点ν,包括:
小区综合拥塞程度ρ表示归一化的小区拥塞度,当ρ=0则小区中无用户,当ρ=1则小区彻底瘫痪、用户无法收发数据;
ρ与频谱效率γ的关系包括:
当ρ很低,即ρ≤ν1时,小区频谱效率γ不受ρ影响且数值较高;
当ρ中等,即ν1≤ρ≤ν2时,小区频谱效率γ随着ρ约为线性降低;
当ρ较高,即ρ≥ν2时,小区频谱效率γ随着ρ约为指数级降低,且γ值较低;
取ν1≤ν≤ν2,ν作为恶化分割点,代表拥塞度ρ的分割门限。
4.根据权利要求1所述的方法,其特征在于,基于所述第一数据集,确定预优化的第二数据集,包括:
将至少一个负荷的归一化指标进行余弦距离的K均值Kmeans聚类,确定每个节点的高负荷时段高负荷判决依据;
根据业务指标和门限组[A1,A2,A3,A4],自适应划分负荷场景;其中,A1门限代表负荷序列是否稳定,A2和A3门限共同判定负荷序列近期是否波动剧烈,A4门限判定业务分布稳定度;
根据所述自适应划分负荷场景的划分结果,确定预优化小区列表。
5.根据权利要求1所述的方法,其特征在于,所述根据所述第二数据集,基于预测算法生成预优化策略,包括:
基于负荷预测算法,对预优化小区进行负荷预测,预测所述预优化小区出现高负荷的量级与时段;
基于负荷预测算法,对预优化小区的邻节点进行负荷预测,预测邻节点在预优化小区高负荷时段的负荷量级;
根据预测的所述预优化小区出现高负荷的量级与时段,以及预测的邻节点在预优化小区高负荷时段的负荷量级,为每个需要进行负荷分担的预优化小区选择分担负荷的邻节点;根据负荷期望值和当前系统状态,计算预优化小区需要均衡出去的量化负荷总量,以及每个分担负荷的邻节点接受的负荷归一化权重,其中,预优化小区包含了高负荷时段与非高负荷时段数据,将预优化小区集的数据进行聚类,采用高斯聚类,聚类数KGMM=2,2类数据的分布交界处近似为所需的负荷期望值。
6.根据权利要求5所述的方法,其特征在于,在计算待优化节点需要分担出去的量化负荷总量,以及分配每个分担负荷的邻节点接受的负荷归一化权重之后,该方法还包括:
根据所述计算的待分担负荷量化和分配的邻节点权重,在预测的预优化小区高负荷时刻到来前提前调整小区参数,进行负荷分担。
7.根据权利要求6所述的方法,其特征在于,该方法还包括:
评估进行负荷分担之后的区域或小区的性能指标;
当所述性能指标满足系统优化目标与约束条件时,则维持进行负荷均衡;
当所述性能指标不满足系统优化目标与约束条件时,则重新进行网络优化或停止进行后续负荷均衡。
8.根据权利要求1所述的方法,其特征在于,
所述历史数据为平台数据,所述第一数据集为需要优化的节点集,所述第二数据集为预优化节点列表,所述预测算法为容量预测算法;
所述根据规约后的历史数据,确定需要优化的第一数据集,包括:
根据所述平台数据,识别出高于资源占用指标的物理或逻辑节点,作为需要优化的节点集;
所述基于所述第一数据集,确定预优化的第二数据集,包括:
结合告警与性能指标,从需要优化的节点集中,筛选出预优化节点列表;
所述根据所述第二数据集,基于预测算法生成预优化策略,包括:
基于容量预测算法,预测预优化节点的存储或CPU资源占用趋势;
根据所述存储或CPU资源占用趋势和系统目标,确定所述预优化节点的磁盘备份和清理周期。
9.根据权利要求8所述的方法,其特征在于,该方法还包括:根据所述预优化节点的磁盘备份和清理周期进行磁盘备份和清理。
10.根据权利要求1所述的方法,其特征在于,
所述历史数据包括以下至少之一:商圈范围内小区与底层平台的历史负荷数据、专用数据和额外参考信息,所述第一数据集为商圈的有向图模型,所述第二数据集为空间-时间维度的统计分析库,所述预测算法为深度神经网络算法;
所述根据规约后的历史数据,确定需要优化的第一数据集,包括:
根据以下数据至少之一所述商圈范围内小区与底层平台的历史负荷数据、专用数据和额外参考信息及其变化趋势,建立所述商圈的有向图模型;
所述基于所述第一数据集,确定预优化的第二数据集,包括:
基于商圈的有向图模型,识别客流高峰时段、热门区域、通道利用率与拥塞情形,建立空间-时间维度的统计分析库;
所述根据所述第二数据集,基于预测算法生成预优化策略,包括:
采用深度神经网络对历史数据进行建模分析,根据商圈需求,预测以下至少之一:空间资源利用率、顾客驻留比、商铺平均获客率、顾客分布与客流分析、商圈空间布局合理程度、商铺布局合理性、用户消费习惯。
11.根据权利要求1所述的方法,其特征在于,
所述历史数据为收集的硬件模块传感器数据,所述第一数据集为传感器信号分类集,所述第二数据集为传感器信号序列类别,所述预测算法为趋势预测算法;
所述根据规约后的历史数据,确定需要优化的第一数据集,包括:
基于收集的硬件模块传感器数据,检测传感器信号特征;
根据取值个数区分离散状态数据或连续数据;根据傅里叶变换检测并区分周期性/非周期性序列;根据极差及滑动窗扫描到的突发频率判断是否突发脉冲数据;
结合硬件类型ID、来源ID记录分类结果,作为传感器信号分类集;
所述基于所述第一数据集,确定预优化的第二数据集,包括:
根据信号所属类别与系统当前负载/性能状态,调用对应动态阈值算法进行异常值剔除与噪声滤波;
若数据序列为周期性信号或服从特定分布,调用基于分布的无偏估计填补方法进行填补,否则使用牛顿插补法进行填补;
将异常值剔除与噪声滤波以及缺失值填补后的数据序列,作为传感器信号序列类别;
所述根据所述第二数据集,基于预测算法生成预优化策略,包括:
基于自回归移动平均模型ARIMA算法拟合数据序列的趋势序列A,记录残差序列、置信度下限与置信度上限;
将残差序列作为回归对象,将置信度上下限、硬件模块相关的其他信号与计数器数据作为输入特征,进行支持向量回归SVR回归建模,拟合残差中的剩余不确定性,得到残差回归序列B;
将序列C=A+B作为所述硬件模块传感器序列的最终拟合序列。
12.根据权利要求11所述的方法,其特征在于,该方法还包括:
根据所述最终拟合序列,结合所述硬件模块的预测性维护与网络高层的智能运维算法,提高网络的健壮性并降低软硬件维护成本。
13.一种实现网络优化的装置,其特征在于,包括:
第一确定单元,用于根据规约后的历史数据,确定需要优化的第一数据集;
第二确定单元,用于基于所述第一数据集,确定预优化的第二数据集;
生成单元,用于根据所述第二数据集,基于预测算法生成预优化策略;
其中,所述历史数据为网管性能数据,所述第一数据集为需要优化的高负荷小区集,所述第二数据集为预优化小区列表,所述预测算法为负荷预测算法;所述第一确定单元具体用于:统计所述网管性能数据的每一个性能指标的恶化分割点ν,将低于恶化分割点ν的数据中每个负荷指标的最大概然值作为各自对应的νL值,所述νL值指当一个节点的一个负荷指标低于该负荷指标对应的νL值时,认为所述一个节点不会因该负荷指标的负荷因素影响频谱效率γ;确定受系统运营限制的高负荷节点的比例η;计算每个时段每个负荷指标判为高的门限νH,νH≈max{νL,η对应分位数的负荷值Vη};基于νH,生成分时段动态负荷门限表,将所述动态负荷门限表涉及的所有小区作为高负荷小区集。
14.一种实现网络优化的设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至12中任一项所述实现网络优化的方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有信息处理程序,所述信息处理程序被处理器执行时实现如权利要求1至12中任一项所述实现网络优化的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811571783.3A CN111356148B (zh) | 2018-12-21 | 2018-12-21 | 一种实现网络优化的方法及相关设备 |
PCT/CN2019/126646 WO2020125716A1 (zh) | 2018-12-21 | 2019-12-19 | 一种实现网络优化的方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811571783.3A CN111356148B (zh) | 2018-12-21 | 2018-12-21 | 一种实现网络优化的方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111356148A CN111356148A (zh) | 2020-06-30 |
CN111356148B true CN111356148B (zh) | 2023-03-24 |
Family
ID=71100652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811571783.3A Active CN111356148B (zh) | 2018-12-21 | 2018-12-21 | 一种实现网络优化的方法及相关设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111356148B (zh) |
WO (1) | WO2020125716A1 (zh) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113179525B (zh) * | 2020-08-27 | 2023-04-07 | 几维通信技术(深圳)有限公司 | 终端设备及接入网设备 |
CN112100225B (zh) * | 2020-09-18 | 2023-12-15 | 国网辽宁省电力有限公司电力科学研究院 | 基于大数据的配网线路全景可视化数据监控与分析系统 |
CN114338416B (zh) * | 2020-09-29 | 2023-04-07 | 中国移动通信有限公司研究院 | 一种时空多指标预测方法、装置和存储介质 |
CN112257760B (zh) * | 2020-09-30 | 2022-06-03 | 北京航空航天大学 | 一种基于时序模体的主机网络通信行为异常检测方法 |
CN114449549A (zh) * | 2020-11-05 | 2022-05-06 | 中国移动通信集团广西有限公司 | 一种小区休眠控制方法和电子设备 |
CN114554536B (zh) * | 2020-11-25 | 2024-04-09 | 亚信科技(中国)有限公司 | 网络资源分配方法、装置以及电子设备 |
CN112469075B (zh) * | 2020-12-16 | 2023-06-30 | 中国联合网络通信集团有限公司 | 节能小区的业务预测方法和装置 |
CN112749071B (zh) * | 2020-12-30 | 2023-11-14 | 中国人寿保险股份有限公司上海数据中心 | 一种用于检测应用集群健康度的系统及方法 |
CN115119237B (zh) * | 2021-03-17 | 2024-07-05 | 中国移动通信集团福建有限公司 | 一种室分隐性故障识别方法及装置 |
CN113448805A (zh) * | 2021-06-29 | 2021-09-28 | 中国工商银行股份有限公司 | 基于cpu动态阈值的监控方法、装置、设备及存储介质 |
CN113490228B (zh) * | 2021-07-23 | 2023-08-04 | 成都壹唯视信息技术有限公司 | 一种基于场景训练的移动传输策略辅助决策方法 |
CN114071515B (zh) * | 2021-11-08 | 2023-07-04 | 北京东土拓明科技有限公司 | 网络优化方法、装置、设备和存储介质 |
CN114298165B (zh) * | 2021-12-09 | 2024-04-30 | 国网浙江省电力有限公司宁波供电公司 | 区域综合能源系统多能负荷态势感知模型的构建方法 |
CN114202242A (zh) * | 2021-12-30 | 2022-03-18 | 安徽中杰信息科技有限公司 | 一种基于资产配置的全生命周期管理系统 |
CN114336651B (zh) * | 2022-01-04 | 2023-08-01 | 国网四川省电力公司营销服务中心 | 一种基于削峰潜力的电力调度方法及装置 |
CN114581252B (zh) * | 2022-03-03 | 2024-04-05 | 平安科技(深圳)有限公司 | 目标案件的预测方法和装置、电子设备、存储介质 |
CN114511040A (zh) * | 2022-03-31 | 2022-05-17 | 北京邮电大学 | 基于ap聚类的网络流量分类方法及装置 |
CN115250495A (zh) * | 2022-06-08 | 2022-10-28 | 浪潮通信信息系统有限公司 | 无线高负荷小区多维扩容评估方法及系统 |
CN115801639B (zh) * | 2022-08-01 | 2024-06-07 | 天翼云科技有限公司 | 一种带宽探测方法、装置、电子设备及存储介质 |
CN115202889B (zh) * | 2022-09-13 | 2022-12-09 | 阿里巴巴(中国)有限公司 | 计算资源调整方法及计算系统 |
CN115883366B (zh) * | 2023-01-29 | 2023-05-12 | 河北六联通信科技有限公司 | 基于通信网络优化的数据安全监管系统及方法 |
CN116820766A (zh) * | 2023-06-29 | 2023-09-29 | 黑龙江起速网络科技有限公司 | 基于大数据技术的计算机资源分配系统及方法 |
CN116560949B (zh) * | 2023-07-10 | 2023-09-29 | 南瑞轨道交通技术有限公司 | 一种数据采集与接收的实现方法、系统、设备及存储介质 |
CN116646933B (zh) * | 2023-07-24 | 2023-10-10 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
CN116705180B (zh) * | 2023-08-08 | 2023-10-31 | 山东北国发展集团有限公司 | 基于多维数据分析的n2o催化分解监测方法及系统 |
CN116881744B (zh) * | 2023-09-07 | 2023-12-22 | 北京中科朗易科技有限责任公司 | 一种基于物联网的运维数据分发方法、装置、设备及介质 |
CN116956203B (zh) * | 2023-09-21 | 2023-12-15 | 山东和兑智能科技有限公司 | 一种变压器分接开关动作特性测量方法及系统 |
CN116979529B (zh) * | 2023-09-22 | 2023-11-24 | 国网山西省电力公司太原供电公司 | 电力负荷评估方法、系统、设备及存储介质 |
CN117035697B (zh) * | 2023-10-09 | 2023-12-15 | 天津云起技术有限公司 | 基于历史动态分析的itsm平台优化方法及系统 |
CN117149746B (zh) * | 2023-10-30 | 2024-02-02 | 山东海博科技信息系统股份有限公司 | 基于云原生和存算分离的数据仓库管理系统 |
CN117193624B (zh) * | 2023-11-06 | 2024-02-27 | 深圳市海星信力德智能系统工程有限公司 | 一种智慧建筑的能源数据采集方法及系统 |
CN117412315B (zh) * | 2023-12-12 | 2024-03-15 | 深圳通诚无限科技有限公司 | 一种基于数据分析的无线通讯网络数据优化方法 |
CN117827467B (zh) * | 2024-03-05 | 2024-05-10 | 南京群顶科技股份有限公司 | 一种基于动态画像的虚拟机资源调配方法 |
CN118139392A (zh) * | 2024-05-08 | 2024-06-04 | 广东欢联电子科技有限公司 | 一种数据中心冷却系统的优化节能控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104768171A (zh) * | 2014-01-08 | 2015-07-08 | 中国移动通信集团海南有限公司 | 一种网络优化方法及装置 |
CN107277844A (zh) * | 2017-07-25 | 2017-10-20 | 山东浪潮商用系统有限公司 | 一种基于时间序列的电信网络高负荷小区预警方法 |
CN107580329A (zh) * | 2017-10-20 | 2018-01-12 | 北京神州泰岳软件股份有限公司 | 一种网络分析优化方法及装置 |
CN108495341A (zh) * | 2018-02-08 | 2018-09-04 | 西安电子科技大学 | 一种基于流向预测的资源预留方法及系统、移动通信系统 |
EP3382938A1 (en) * | 2017-03-31 | 2018-10-03 | Telefonica Digital España, S.L.U. | A computer implemented method, a system and computer programs to forecast the performance of a network |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102883352B (zh) * | 2012-09-10 | 2015-09-09 | 北京拓明科技有限公司 | 基于话务建模与话务预测的gsm小区参数优化方法 |
EP3349500A1 (en) * | 2017-07-26 | 2018-07-18 | smartTECH GmbH | Enhancement of a cellular mobile network |
-
2018
- 2018-12-21 CN CN201811571783.3A patent/CN111356148B/zh active Active
-
2019
- 2019-12-19 WO PCT/CN2019/126646 patent/WO2020125716A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104768171A (zh) * | 2014-01-08 | 2015-07-08 | 中国移动通信集团海南有限公司 | 一种网络优化方法及装置 |
EP3382938A1 (en) * | 2017-03-31 | 2018-10-03 | Telefonica Digital España, S.L.U. | A computer implemented method, a system and computer programs to forecast the performance of a network |
CN107277844A (zh) * | 2017-07-25 | 2017-10-20 | 山东浪潮商用系统有限公司 | 一种基于时间序列的电信网络高负荷小区预警方法 |
CN107580329A (zh) * | 2017-10-20 | 2018-01-12 | 北京神州泰岳软件股份有限公司 | 一种网络分析优化方法及装置 |
CN108495341A (zh) * | 2018-02-08 | 2018-09-04 | 西安电子科技大学 | 一种基于流向预测的资源预留方法及系统、移动通信系统 |
Non-Patent Citations (1)
Title |
---|
数据挖掘在网络优化平台中的应用策略研究;刘海林等;《电信快报》;20151210(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111356148A (zh) | 2020-06-30 |
WO2020125716A1 (zh) | 2020-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111356148B (zh) | 一种实现网络优化的方法及相关设备 | |
US9900790B1 (en) | Prediction of performance indicators in cellular networks | |
WO2021052394A1 (zh) | 模型训练方法、装置及系统 | |
Manogaran et al. | Machine learning assisted information management scheme in service concentrated IoT | |
CN111385128B (zh) | 突发负荷的预测方法及装置、存储介质、电子装置 | |
US20220329524A1 (en) | Intelligent Capacity Planning and Optimization | |
CN108768695B (zh) | Kqi的问题定位方法及装置 | |
US11576187B2 (en) | Radio frequency resource allocation method, apparatus, device and system, and storage medium | |
CN108243435B (zh) | 一种lte小区场景划分中的参数优化方法及装置 | |
CN112101692B (zh) | 移动互联网质差用户的识别方法及装置 | |
EP3382938A1 (en) | A computer implemented method, a system and computer programs to forecast the performance of a network | |
Shinkuma et al. | Data assessment and prioritization in mobile networks for real-time prediction of spatial information with machine learning | |
US11425635B2 (en) | Small cell identification using machine learning | |
Rajesh et al. | Achieving QoS in GSM Network by Efficient Anomaly Mitigation and Data Prediction Model | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
CN110555037B (zh) | 智慧城市数据共享系统 | |
CN113038537B (zh) | 分配移动网络频谱资源的方法和电子设备 | |
WO2020215282A1 (en) | Method and apparatus for evaluate data traffic depressed by radio issues | |
Wang et al. | A model of telecommunication network performance anomaly detection based on service features clustering | |
CN111343664A (zh) | 用户定位方法、装置、设备及介质 | |
CN108090617A (zh) | 一种城市内涝监测点的优化布置方法 | |
US11122446B2 (en) | Method and system for managing a plurality of Wi-Fi access points considering backhauls and energy consumption using a cloud based adaptive software defined network | |
CN112867110B (zh) | 通信小区的效能识别方法、装置及电子设备 | |
Okic et al. | Forecasting mobile cellular traffic sampled at different frequencies | |
CN114079997B (zh) | 一种基于wsn改进路由协议的高性能通信方法 |
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 |