CN111357319A - 数据拥塞管理系统和方法 - Google Patents
数据拥塞管理系统和方法 Download PDFInfo
- Publication number
- CN111357319A CN111357319A CN201880073986.1A CN201880073986A CN111357319A CN 111357319 A CN111357319 A CN 111357319A CN 201880073986 A CN201880073986 A CN 201880073986A CN 111357319 A CN111357319 A CN 111357319A
- Authority
- CN
- China
- Prior art keywords
- time
- subset
- congestion
- data
- geographic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000004891 communication Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000005067 remediation Methods 0.000 claims 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 15
- 238000007726 management method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 10
- 238000013480 data collection Methods 0.000 description 10
- 238000010295 mobile communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0289—Congestion control
-
- 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
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0284—Traffic management, e.g. flow control or congestion control detecting congestion or overload during communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/18—Service support devices; Network management devices
-
- 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
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0226—Traffic management, e.g. flow control or congestion control based on location or mobility
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/042—Public Land Mobile systems, e.g. cellular systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/042—Public Land Mobile systems, e.g. cellular systems
- H04W84/045—Public Land Mobile systems, e.g. cellular systems using private Base Stations, e.g. femto Base Stations, home Node B
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本文描述了用于识别最大拥塞区域的系统和方法,使得可以在那些特定站点处部署小型小区,以消除网络拥塞问题。所述系统和方法识别可被用于识别数据拥塞的多个输入源(例如,呼叫数据记录,使用移动应用被动收集的数据等)。该系统和方法将特定的地理区域划分为具有一定形状(例如,六边形,正方形等)的较小块。对于每个地理块,系统和方法基于输入数据样本的相关的拥塞鉴别特性(例如,时间戳,输入数据的类型,等)对输入数据样本进行分类和分组。然后,该系统和方法基于分组的数据样本为每个地理块区域计算拥塞指数。以这种方式,该系统和方法识别出高度拥塞的地理块区域和时间段。
Description
背景技术
通过对跨地理区域部署的许多小区站点的复杂布置和配置来建立电信网络。例如,为了用于通过不同频带和无线网络,例如全球移动系统(GSM)移动通信网络),码/时分多址(CDMA/TDMA)移动通信网络,3G/4G(3G/4G)移动通信网络(例如,通用分组无线服务(GPRS/EGPRS)),用于GSM演进的增强数据速率(EDGE),通用移动电信系统(UMTS),或长期演进(LTE)网络,5G移动通信网络,IEEE802.11(WiFi),或其他通信网络提供足够的,可靠的用于移动设备(例如智能手机,平板电脑等)的覆盖范围,可能在特定地理位置(例如城市,邻里,等)中设置不同类型的小区站点(例如,宏小区,微小区,等)。设备可以为网络所提供的多种服务寻求对电信网络的访问,诸如促进通过网络传输数据和/或向设备提供内容的服务。
随着设备使用持续以惊人的速度增长,在电信网络的无线边缘容量有限或没有容量的地方,使用过多高需求(hungry)的网络(和/或数据)的应用的人太多了。结果,大多数电信网络不得不应对网络拥塞的问题。数据网络中的网络拥塞是当网络节点承载的数据量超出其处理能力时的降低的服务质量。典型的影响包括排队延迟,数据包丢失或新连接的阻塞。
典型的拥塞控制解决方案调制进入电信网络的流量,以避免由超额预订(oversubscription)导致的拥塞崩溃。这可以通过降低来自发送方的数据包速率来实现,这可以防止发送方压倒(overwhelming)网络。但是,这样的解决方案可能导致不良的用户体验并失去移动服务提供商的竞争优势。最近,服务提供商已经引入小小区(small cell)或异构网络(HetNets),以通过利用更高的无线频谱效率技术来提高网络容量或吞吐量,以解决拥塞问题。HetNet将较小的小区(例如,毫微微小区,微微小区,或微小区)引入电信网络,从而使服务提供商可以通过总共拥有更多的小区来缓解容量问题,这意味着每个小区更少的用户,或每个用户更多的可用网络资源。
然而,服务提供商在部署小小区网络时面临的最成问题和限制性最强的网络元素之一是回程,该回程在小区站点和移动交换中心(MSO)之间传输数据流量。此外,用于部署小小区的站点获取可能是艰苦的过程。服务提供商必须首先确定构建站点的所有者,并协商安装计划。站点通常归城市所有,因此在其管辖范围内放置设备可能有许多限制。此外,建立适当的回程也是昂贵且费时的。例如,从头到尾部署小小区网络需要数十万美元和数年的时间。因此,必须识别用于部署带来最大的收益的小小区的最佳站点。这样的站点通常倾向于出现在经历最大拥塞的位置。
小小区通常覆盖相对小的地理区域,例如100米x 100米,甚至更少。数据拥塞可能是由于一些因素造成的,例如数据量大的用户,有限的带宽,不利的无线电环境,以及当流量/活动用户数增加时来自其他小区的干扰。在如此小的区域内表征和测量数据拥塞是新的,且具有挑战性的。就最大的拥塞而言,没有直接的方法或度量可用于识别或评估站点。
附图的简要说明
将通过使用附图来描述和解释所公开技术的示例。
图1是示出在其中管理电信网络内的拥塞的合适的计算环境100的框图。
图2是示出了拥塞管理系统的组件的框图。
图3是流程图,示出了在电信网络中检测拥塞并识别潜在拥塞点的方法。
图4是示出在电信网络中检测拥塞并识别潜在拥塞点的方法的流程图。
图5是示出用于查看地理区域中的拥塞表示符的示例用户界面的显示图。
图6A-6D是示出数据消耗模式和流量数据样本的例子的显示图。
图7是示出了概括电信网络中的拥塞的图表的显示图。
附图不一定按比例绘制。类似地,出于讨论本技术的一些示例的目的,一些组件和/或操作可以被分离成不同的块或被组合成单个块。此外,尽管该技术可以进行多种修改和替代形式,但是在附图中通过例子的方式示出了具体的示例,并且在下面对其进行详细描述。然而,其目的不是将技术限于所描述的特定示例。相反,该技术旨在覆盖落入由所附权利要求限定的技术范围内的所有修改,等同形式,和替代形式。
具体实施方式
鉴于上述问题,以及其他,发明人已经认识到,识别最大拥塞区域将是有益的,使得可以将小小区部署在那些特定站点以消除拥塞问题。本文描述了用于自动检测和识别网络中的拥塞区域的系统和方法。该系统和方法识别可被用于识别数据拥塞的多个输入源(例如,呼叫详细记录,使用移动应用被动收集的数据等)。然后,该系统和方法将特定地理区域划分为具有一定形状(例如,六边形,正方形等)的较小块(tile)。对于每个地理块,系统和方法然后基于它们相关的拥塞鉴别特征(例如,时间戳(例如,划分为1小时的样本),输入数据样本的类型(例如,呼叫请求,内容请求),或流量数据样本类别(例如,流,音频,流视频,网络,电子邮件,文本),或内容类型(例如,约会,地图,社交,游戏,音乐,网络浏览),或应用协议类型(例如HTTP,DNS,SIP等),对在块边界内收集的输入数据样本进行分类和分组。然后,该系统和方法基于分组的数据样本为每个地理块区域计算拥塞指数。以这种方式,该系统和方法识别出高度拥塞的地理块区域和时间段。
现在将描述系统的多种示例。以下描述提供了具体细节,以用于对这些示例的透彻理解和能实施的描述。然而,本领域技术人员将理解,可以在没有许多这些细节的情况下实施该系统。另外,可能没有示出或详细描述一些众所周知的结构或功能,以避免不必要地混淆多个示例的相关描述。即使与本发明的某些特定示例的详细描述结合使用,但以下呈现的描述中使用的术语意图以其最广泛的合理方式来解释。
合适的计算环境
图1是示出合适的计算环境100的框图,在该计算环境中,可以检测电信网络内的拥塞并识别拥塞点。
与用户(例如,移动电话(例如,智能电话),平板计算机,膝上型计算机,等)相关联的一个或多个用户设备110,例如移动设备或用户设备(UE),接收并发送数据,流传输内容,和/或执行其他通信或在电信网络130上接收服务,该服务被用户设备110通过一个或多个小区站点120,125访问。例如,移动设备110可以通过包括该小区站点的地理位置处的小区站点访问电信网络130,以从多种实体,例如内容提供商140,云数据存储库145,和/或网络130上的其他用户155并通过小区站点120,发送和接收数据(例如,流传输或上载多媒体内容)。
小区站点可以包括诸如基站之类的宏小区站点120,诸如微微小区,微小区,或毫微微小区之类的小小区站点125,和/或其他网络接入组件或站点。小区站点120,125可以存储与其操作相关的数据,包括与所连接的用户的数量和类型相关的数据,与配置和/或使用频谱,无线电频带,频率信道等相关的数据,由小区站点120,125等提供。小区站点120,125可以监视它们的使用,诸如由LTE网络中的小区站点物理层提供的物理资源块(PRB)的配置或使用。例如,具有5MHz的信道带宽的小区站点120提供25个可用的物理资源块,通过该可用的物理资源块可以向/从用户设备110发送数据。
电信网络130提供的其他组件可以监视和/或测量小区站点120,125和其他网络接入组件的操作和传输特性。例如,电信网络130可以经由网络资源控制器(NRC)或网络性能和监视控制器,或其他网络控制组件来提供网络监视系统,以便测量和/或获得当数据在电信网络内传输时,与小区站点120,125的使用相关的数据。
在一些示例中,计算环境100包括拥塞管理系统150,其被配置成基于,例如从网络监视系统接收的数据来监视网络130中的拥塞。拥塞管理系统150可以测量小区站点(例如,小区站点120和125)的拥塞,并且检测某些小区站点何时变得拥塞。然后,拥塞管理系统150可以将高度拥塞的小区站点识别为部署额外小区站点(例如,小小区站点)的潜在位置。
图1和本文中的讨论提供了可在其中支持和实现拥塞管理系统150的适当计算环境100的简要,一般描述。尽管不是必需的,但是在计算机可执行指令的一般情境中描述拥塞管理系统150的方面,诸如由通用计算机(例如,移动设备,服务器计算机,或个人计算机)执行的例程。该系统可以用其他通信,数据处理,或计算机系统配置实施,包括:互联网设备,手持设备(包括平板电脑和/或个人数字助理(PDA)),各种蜂窝或移动电话,多处理器系统,基于微处理器或可编程消费电子产品,机顶盒,网络PC,微型计算机,大型计算机,等。实际上,术语“计算机”,“主机”和“主机计算机”,和“移动设备”和“手持设备”通常在本文中互换使用,并指代上述任何设备和系统,以及任何数据处理器。
该系统的方面可以体现在专用计算设备或数据处理器中,该专用计算设备或数据处理器被特别地编程,配置,或构造为执行在此详细解释的一个或多个计算机可执行指令。系统的方面也可以在分布式计算环境中实践,在分布式计算环境中,任务或模块由远程处理设备执行,该远程处理设备通过诸如局域网(LAN),广域网(WAN),或互联网的通信网络链接。在分布式计算环境中,程序模块可以位于本地和远程存储设备中。
系统的方面可以存储或分布在计算机可读介质(例如,物理和/或有形的非暂时性计算机可读存储介质)上,包括磁或光可读计算机磁盘,硬连线或预编程芯片(例如EEPROM半导体芯片),纳米技术存储器,或其他数据存储介质。实际上,系统方面的计算机实现的指令,数据结构,屏幕显示,和其他数据可以通过互联网或其他网络(包括无线网络)在一段时间上分布在传播介质(例如电磁波,声波等)上的传播信号上,也可以在任何模拟或数字网络(分组交换,电路交换,或其他方案)上提供它们。系统的部分驻留在服务器计算机上,而相应的部分驻留在诸如移动或便携式设备之类的客户端计算机上,因此,尽管本文描述了某些硬件平台,但是系统的方面同样适用于网络上的节点。在替代示例中,移动设备或便携式设备可以代表服务器部分,而服务器可以代表客户端部分。
在一些示例中,用户设备110和/或小区站点120,125可以包括网络通信组件,该网络通信组件使设备能够通过使用通信网络(例如网络130)上获得的许可的,半许可,或非许可频谱上发送和接收无线信号,与远程服务器或其他便携式电子设备通信。在某些情况下,通信网络130可能包含多个网络,甚至包括多个异构网络(例如一个或多个边界网络,语音网络,宽带网络,服务提供商网络,互联网服务提供商(ISP)网络,和/或公共交换电话网(PSTN)通过网关互连,这些网关可操作用于促进多种网络之间的通信。电信网络130还可以包括第三方通信网络,例如全球移动系统(GSM)移动通信网络,码/时分多址(CDMA/TDMA)移动通信网络,第三代或第四代(3G/4G)移动通信网络(例如,通用分组无线服务(GPRS/EGPRS)),用于GSM演进的增强数据速率(EDGE),通用移动电信系统(UMTS),或长期演进(LTE)网络),5G移动通信网络,IEEE 802.11(WiFi),或其他通信网络。因此,用户设备被配置为在多个频带中操作和切换以接收和/或发送数据。
现在将描述关于拥塞管理系统150的操作和实现的更多细节。
在电信网络中管理拥塞的例子
图2是示出了拥塞管理系统150的组件的框图。拥塞管理系统150可以包括通过软件(例如,可执行指令,或计算机代码)和硬件(例如,至少是存储器和处理器)实现的功能模块。因此,如本文所使用,在一些例子中,模块是处理器实现的模块或代码集,并且表示具有处理器的计算设备,该处理器至少由存储在存储器中的可执行指令临时配置和/或编程以执行一个或多个本文所述的特定功能。例如,拥塞管理系统150可以包括流量数据收集模块210,流量数据处理模块220,度量计算模块230,拥塞识别模块240,和报告模块245。
在一些示例中,流量据收集模块210被配置和/或编程为从一个或多个源接收流量数据。例如,流量数据收集模块210接收记录了通过电信网络的电话呼叫或其他电信业务的细节(例如,文本消息,数据会话流,持续时间,数据量,内容类别,等)的呼叫细节记录(CDR)。CDR可以包含通信的多种属性,例如通信类型(例如,呼叫,文本,内容,等),时间,持续时间,量,完成状态,源数量(source number),和目的数量(destination number)。流量数据收集模块210可以在用户设备处接收由一个或多个应用(例如,监视流量,网络使用,覆盖/接收的信号水平等的应用)收集和发送的与流量有关的数据。例如,电信服务提供商可以在其网络上的设备上安装应用,以跟踪和监视设备对网络的使用(例如,呼叫流量,数据流量等)。这样的应用可以定期(例如每天)向电信服务提供商发送包含类似于在CDR中的信息的信息的报告,数据使用,然后电信服务提供商再将其转发给拥塞管理系统150。流量数据收集模块210可以接收与流量有关的信息,该信息由从第三方(例如Netflix,Facebook,Google)下载并安装在用户设备处的一个或多个特定应用收集并传输。通过与相关第三方的协议,第三方可以定期(例如每天)将收集的数据转发到拥塞管理系统150。流量数据收集模块210可以从外部数据交换实体(新想法)接收与流量相关的数据,该外部数据交换实体共享由任何其他各方收集的数据。外部数据交换实体可以有规律地(例如每天)将收集的数据转发到拥塞管理系统150。在某些情况下,流量数据收集模块210对流量数据样本执行一些预处理,以识别流量数据中的某些属性,其可用于拥塞检测和识别。例如,流量数据收集模块210为每个流量数据记录识别位置信息,时间戳信息,和请求时间信息(如果可用)。在一些情况下,流量数据收集模块210将来自多个源的数据进行关联以识别该信息。例如,传统的CDR数据样本可能没有每个事件的位置信息。在这种情况下,流量数据收集模块210将对经由IMSI/MSISDN从设备或小区站点收集的数据进行关联,以获取/识别每个事件的位置信息。有时,数据源是互补的。
在一些示例中,流量数据处理模块220被配置和/或编程为处理流量数据以准备将它供度量计算模块230使用。例如,流量数据处理模块220基于数据样本位置信息,将流量数据分类和分为地理区域子集或块。可以将特定地理区域(例如,城市)划分为子集(例如,对应于固定和/或可变形状(例如,正方形,六边形,矩形等)和大小)。例如,如图5所示,将地理区域510分成形状为正方形,尺寸固定(例如50x50米)的地理子集。流量数据处理模块220将流量数据样本分成与每个特定地理子集中的流量数据样本相对应的地理区域子集。
流量数据处理模块220可以进一步基于附加的拥塞鉴别特征(例如,时间戳(例如,样本可以被划分为1小时组),呼叫请求(呼叫持续时间),数据请求(数据会话流,持续时间,数据量/大小),流量数据样本的类型或类别(例如,流,音频,流视频,网络,电子邮件,文本),内容(例如约会,地图,社交,游戏,音乐,网页浏览),应用协议(例如HTTP,DNS,SIP等)),将在每个地理区域子集中的流量数据划分为拥塞鉴别器特征子集。例如,如图3所示,流量数据处理模块220首先将流量数据样本(例如从应用数据302a,呼叫数据记录302b,等接收到的)划分为地理区域子集(例如,项目310),然后基于与地理区域子集中的每个流量数据样本相关联的时间戳,将每个流量数据样本进一步细分为基于时间的子集(例如,项目355a,355b…355n)。在一些情况下,流量数据处理模块220访问拥塞数据库250以与其他数据源相关联,以寻找与流量数据样本相关联的不完整/丢失的信息(例如,事件位置,传统CDR可能不具有位置标签)。如图3所示,流量数据处理模块220基于例如订户标识信息(例如,国际移动订户身份(IMSI))访问从拥塞数据库250中的设备或小区站点收集的数据,以确定呼叫/数据事件位置信息或数据会话属性,以便流量数据处理模块220可以首先将流量数据样本划分为地理区域子集(例如,项目310),然后进一步基于与地理区域子集中的每个流量数据样本相关联的时间戳,将每个流量数据样本划分为基于时间的子集(例如,项目355a,355b…355n)。
在一些示例中,流量数据处理模块220可以被配置为从流量数据样本中识别合格的数据样本。可以在将流量数据样本划分为地理区域子集和/或拥塞鉴别器特征子集(例如,基于时间的子集)之前,识别出合格的数据样本。例如,如图3所示,合格的数据样本用实心圆(例如305a,305b,…,305n)描绘,而不合格的数据样本用空心圈(例如310a,310b,……,310n)描绘。流量数据处理模块220可以从所有数据样本的集合中过滤合格数据样本,如项目305a,305b,…,305n所示(不合格的数据样本由项目310a,310b,…,310n所示)。通常,合格的数据样本是那些对于计算所需度量或得出有意义的见解有效的样本。例如,数据样本可以具有位置信息(例如,纬度/经度/精度),其位置精度为2000米。在这种情况下,由于数据样本可能位于远超出地理子集之外,因此该数据样本被认为是形状为正方形,大小固定的地理子集(例如50x50米)的不合格数据样本。对于另一个例子,如图6A-6D所示,流量数据处理模块220将图6A和6B所示的图表中的数据样本识别为合格的数据样本,因为它们表示设备在100毫秒的持续时间内可以实现的最大网络下载数据大小。另一方面,流量数据处理模块220将图6C和6D所示图表中圈出的数据样本识别为不合格的数据样本,因为它们不代表设备在持续时间为100毫秒中的时刻可以达到的最大网络下载数据大小。可以利用多种技术来识别合格的数据样本。
在一些示例中,度量计算模块230被配置和/或编程为评估每个拥塞鉴别器特征子集中的流量数据样本以计算度量值。度量计算模块230计算一个或多个度量值,例如平均数据速率,平均数据大小,平均会话时间,平均呼叫量,等。度量计算模块230可访问拥塞数据库250以确定哪个度量值需要被计算,和/或识别与每个度量相关联的一个或多个参数值。例如,度量计算模块230为具有M个合格数据样本的第i个拥塞鉴别器特征子集计算以下度量值:
Vj(i)=流量样本i的数据大小
Tj(i)=流量样本i的会话持续时间
作为另一例子,度量计算模块230为具有固定采样持续时间T(例如,T=100ms)的第i个拥塞鉴别器特征子集计算以下度量值:
Sj是合格的样本。T=100毫秒
其中N=第i个拥塞鉴别器特征子集中的流量数据样本的总数
度量计算模块230可以类似地计算平均数据大小和平均会话时间。
度量计算模块230还基于每个拥塞鉴别器特征子集的度量值来计算所有拥塞鉴别器特征子集(例如,所有基于时间的子集)上的最大度量值。例如,计算模块230如下计算所有拥塞鉴别器特征子集上的最大度量值Amax:
在i=k(即第k个拥塞鉴别器特征子集)处达到最大值
在一些示例中,拥塞识别模块240被配置和/或编程为针对每个基于地理的子集计算拥塞指数。例如,拥塞识别模块240为具有M个非零数据会话时间帧的给定的基于地理的子集计算拥塞指数C,如下所示:
拥塞指数C的值在0到1之间(即0≤C≤1)。
在一些示例中,拥塞识别模块240为每个地理区域子集计算拥塞指数的加权值。例如,拥塞识别模块240通过基于跨所有拥塞鉴别器特征子集(或基于时间的子集)的数据样本总数中的在拥塞鉴别器特征子集(或基于时间的子集)中的流量数据样本的数量来应用权重来计算拥塞指数。对于在基于时间的子集中的计算的度量或平均数据速率,拥塞识别模块240可以计算捕获所有基于时间的子集中的最大速率与每个基于时间的子集的平均数据速率之间的增量值。例如,如图7所示,拥塞识别模块240针对基于时间的子集中的每个平均数据速率计算增量值(增量1,增量2,增量3,…,增量n)作为所有基于时间的子集中的最大速率与每个基于时间的子集的数据速率之间的差。然后,拥塞识别模块240为每个基于时间的子集计算每个基于时间的子集值的拥塞,如下所示:
然后,拥塞识别模块240针对地理区域子集中的每个基于时间的子集,计算该地理区域子集的拥塞指数值,作为每个基于时间的子集值的所有拥塞的平均值。
基于拥塞指数的值,拥塞识别模块240可以检测特定地理区域子集是否被拥塞。例如,如果某个地理区域子集的拥塞指数的值C等于零(0)(即C=0),则该地理区域子集中不存在拥塞。另一方面,如果对于一个地理区域子集的拥塞指数的值C等于一(1)(即,C=1),则该地理区域子集被完全拥塞。介于零和一之间的值可以表示不同程度的拥塞。例如,如图5所示,地理区域510中的不同地理区域子集(例如505a,505b,505c,…,505n)可以具有不同的拥塞指数值(通过不同的等级示出,更暗的等级表示较高的拥塞指数值,而较浅的等级则表示较低的拥塞指数值)。拥塞识别模块240将拥塞指数值高于某个阈值的地理区域子集识别为潜在的拥塞点。阈值可以是预定的(例如,存储在拥塞数据库250中,存储在参数/设置文件中,等),或者可以基于网络参数(例如,一天中的时间,拥塞警报的频率等)动态确定。
在一些示例中,报告模块245被配置和/或编程为生成关于度量值,拥塞指数值,潜在拥塞点等的预定/临时(ad hoc)报告。报告模块245可以访问用于直接从上述一个或多个模块和/或从拥塞数据库250生成报告的信息。
图4是示出了检测拥塞并识别电信网络中的潜在的拥塞点的过程400的流程图。过程400开始于步骤405,其中拥塞管理系统150从一个或多个源接收和处理流量数据,诸如呼叫细节记录(CDR),由用户设备等(可能包括第三方数据或数据交换实体)处的一个或多个应用(例如,监视流量,网络使用等的应用)收集和传输的与流量相关的数据。可以处理流量数据以识别可以用于拥塞检测和识别的某些属性。例如,拥塞管理系统150识别每个流量数据记录的位置信息,时间戳信息,以及请求位置和时间信息(如果可用)。在一些情况下,拥塞管理系统150将来自多个源的数据进行关联以识别该信息。在步骤410,拥塞管理系统150将流量数据分类并将其划分为地理区域子集。特定地理区域(例如,城市)的流量数据可以被划分为子集(例如,对应于固定和/或可变的形状(例如,正方形,六边形,矩形等)和大小)。例如,如图5所示,地理区域510被分成形状为正方形且具有固定大小(例如50×50米)(例如正方形505a,505b,505c,…,505n)的有界区域。每个地理区域子集包括对应于每个有界区域(例如,图5中的每个正方形505a,505b,505c,…,505n)的流量数据样本。
从步骤415开始,过程400针对每个地理区域子集执行以下步骤。在步骤420,基于附加的拥塞鉴别特征(例如,时间戳(例如,样本可以被划分为1小时组),呼叫请求(呼叫持续时间),数据请求(数据会话流量,持续时间,数据量/大小),流量数据样本的类型或类别(例如,流,音频,流视频,网络,电子邮件,文本),内容(例如约会,地图,社交,游戏,音乐,网络浏览),应用协议(例如HTTP,DNS,SIP等),将每个地理区域子集划分为拥塞鉴别器特征子集。例如,每个地理区域子集被划分为基于时间的子集,每个子集包括与特定时间范围内的时间戳相关联的流量数据样本。例如,基于时间的子集可以每个对应一天中的小时数:基于时间的子集1=<具有时间戳从9am-10am的流量数据样本>(time-based subset1=<trafficdata samples with timestamps from 9am-10am>),基于时间的子集2=<具有时间戳从10am-11am的流量数据样本>(time-based subset2=<traffic data samples withtimestamps from 10am-11am>)等。其他例子包括根据时间范围(例如,早晨,下午,晚上等),一周中的某天(星期一,星期二等),或其他特征来划分流量数据样本。
在步骤425,过程400过滤每个拥塞鉴别器特征子集中的流量数据样本,以识别合格的数据样本。可以利用多种技术来识别合格的数据样本。例如,如图6所示,流量数据处理模块220将图6A和6B所示的图表中的数据样本识别为合格的数据样本。一旦识别出合格的数据样本,则在步骤430,过程400用阈值数量的合格样本为每个拥塞鉴别器特征子集计算度量值。合格样本的阈值数量表示为了该拥塞鉴别器特征子集中要用于拥塞识别的每个拥塞鉴别器特征子集中应存在的最小样本数。合格样本的阈值数量可以是预先确定的(例如,基于设置/参数值),或者可以是动态确定的(例如,基于网络条件,一天中的时间,等)。度量值的例子包括,但不限于,平均数据速率,平均数据大小,平均会话时间,平均呼叫量,等。在步骤435,过程400针对跨所有拥塞鉴别器特征子集(例如,基于时间的子集),为每个度量类型,识别最大度量值。在步骤440,使用最大度量值,过程400为每个基于地理的子集计算拥塞指数值,如上面详细讨论的。基于拥塞指数的值,过程400可以检测特定地理区域子集是否拥塞。例如,如果地理区域子集的拥塞指数C的值等于零(0)(即C=0),则该地理区域子集中不存在拥塞。另一方面,如果地理区域子集的拥塞指数C的值等于一(1)(即,C=1),则该地理区域子集被完全拥塞。介于零和一之间的值可以表示不同程度的拥塞。
图5是示出了用于查看地理区域中的拥塞表示符的示例用户界面500的显示图。如图5所示,用户可以查看地理区域的地图510。地图510可以被分成地理区域子集505a,505b,505c,…,505n,每个区域子集对应于特定形状和大小的块(例如50×50m正方形)。每个地理区域子集505a,505b,505c,...,505n可以进行视觉分级以表示其拥塞指数值(例如,较深的等级表示较高的拥塞指数值,以及较浅的等级表示较低的拥塞指数值)。用户可以选择地理区域子集(例如,通过单击,拖放位置标记等)。当用户选择地理区域子集时,可以显示显示子集的位置坐标的控件(控件515)。在一些示例中,用户可以在控件520中查看所选择的地理区域子集的拥塞指数值。例如,控件520显示具有唯一的纬度和经度坐标的所选择的地理区域子集(与控件515相关联)的拥塞指数值(0.930–可能高度拥塞)。
根据前述内容,将理解的是,出于说明的目的已经在本文中描述了本发明的特定示例,但是在不脱离本发明的精神和范围的情况下可以进行多种修改。因此,除了所附权利要求书的限制,本发明不受限制。
结论
除非情境清楚地另外地要求,否则在整个说明书和权利要求书中,词语“包括”,“包含”等应理解为包含性含义,而不是排他性或穷举性含义;也就是说,以“包括但不限于”的意义。如本文中所使用的,术语“连接”,“耦接”,或其任何变体是指两个或更多个元件之间的直接或间接的任何连接或耦接。元件之间的耦接或连接可以是物理的,逻辑的,或其组合。另外,当在本申请中使用时,词语“在此”,“以上”,“以下”,和类似含义的词语是指本申请整体上,而不是本申请的任何特定部分。在情境允许的情况下,在具体实施方式中使用单数或复数的词也可以分别包括复数或单数。涉及两个或多个项目的列表中的单词“或”涵盖该单词的以下所有解释:列表中的任何项目,列表中的所有项目,以及其中的所有项目的组合。
以上对系统的示例的细节描述并非旨在穷举或将系统限于以上公开的精确形式。尽管以上出于说明性目的描述了本系统的特定示例和例子,但是如相关领域的技术人员将认识到的,在系统的范围内可以进行多种等效修改。例如,一些网络元件在本文中被描述为执行某些功能。这些功能可以由相同或不同网络中的其他元件执行,这可以减少网络元件的数量。替代地或附加地,执行那些功能的网络元件可以被两个或更多个元件代替以执行那些功能的部分。另外,虽然以给定顺序呈现了过程,消息/数据流,或块,但是替代示例例可以以不同顺序执行具有步骤的例程,或采用具有块的系统,并且某些过程或块可以被删除,移动,添加,细分,组合,和/或修改以提供替代或子组合。这些过程,消息/数据流,或块中的每一个都可以以多种不同的方式实现。另外,虽然有时将过程或块示出为串行执行,但是这些过程或块可以替代地并行执行,或者可以在不同的时间执行。此外,本文中指出的任何特定数字仅是示例:替代实现可采用不同的值或范围。本领域技术人员还将理解,数据库的实际实现可以采用多种形式,并且术语“数据库”在本文中以一般意义使用,指的是允许数据被存储和访问的任何数据结构,例如表格,链表,数组等。
本文提供的方法和系统的教导可以应用于其他系统,不一定是上述系统。可以将上述多种示例的元件和动作进行组合以提供进一步的示例。
以上提及的任何专利和申请以及其他参考文献,包括可能在随附的申请文件中列出的任何项,都通过引用并入本文。如果需要,可以修改技术的方面以采用上述多种参考文献的系统,功能,和概念,以提供该技术的又一示例。
可以根据以上具体实施方式对技术进行这些和其他改变。尽管上面的描述描述了该技术的某些示例,并且描述了考虑的最佳模式,但是无论上面在文本中出现得多么详细,该发明都可以多种方式实践。该系统的细节在其具体实现中可能有很大变化,同时仍被本文公开的技术所涵盖。如上所述,在描述技术的某些特征或方面时使用的特定术语不应被认为暗示该术语在本文中被重新定义为限于与该术语相关联的技术的任何特定的特性,特征,或方面。通常,除非以上具体实施方式部分明确定义了这些术语,否则不应将以下权利要求中使用的术语解释为将本发明限制为说明书中公开的特定示例。因此,本发明的实际范围不仅涵盖所公开的示例,而且还包括实践或实施权利要求书下的发明的所有等同方式。
虽然以下以一定的权利要求的形式示出了该技术的某些方面,但是申请人以任何数量的权利要求的形式来考虑到该技术的多个方面。例如,虽然仅将该发明的一个方面记载为体现在计算机可读介质中,其他方面可以类似地体现在计算机可读介质中。因此,发明人保留在提交本申请以后增加额外的权利要求的权利,以为本技术的其他方面,寻求这种额外权利要求。
Claims (20)
1.一种用于提供呼叫和数据通信服务的电信网络,所述网络包括:
服务于移动设备的一组电信节点,其中每个电信节点在地理区域中提供电信服务;和
拥塞管理服务器,包括:
至少一个硬件处理器;和
至少一个存储器,其耦合到所述至少一个硬件处理器,并携带将由所述至少一个硬件处理器执行的指令,
其中所述指令执行操作:
以接收至少一组网络流量数据;
以基于与所述一组网络流量数据中的每个记录相关联的位置表示符,将所述至少一组网络流量数据划分为一个或多个地理区域子集;和
对于每个地理区域子集:
以基于与所述地理区域子集中的每个地理区域记录相关联的时间戳表示符,将所述地理区域子集划分为一个或多个基于时间的子集;
以计算每个基于时间的子集中的合格的基于时间的记录的度量值;
以基于每个基于时间的子集的所述度量值,计算所有基于时间的子集的最大度量值;
以基于每个基于时间的子集的所述度量值和所有基于时间的子集的所述最大度量值,计算用于所述地理子集的拥塞指数;和
以当用于所述地理区域子集的所述拥塞指数大于拥塞阈值量时,将所述地理区域子集识别为潜在的拥塞点。
2.根据权利要求1所述的电信网络,其中,在所述拥塞管理服务器处的所述至少一个存储器还包括指令:
以从所述一组电信节点中识别至少一个电信节点,其中,所识别的至少一个电信节点在与被识别为潜在拥塞点的至少一个地理区域子集相关联的地理区域中提供电信服务;和
以将拥塞补救消息发送到所识别的至少一个电信节点,以及
其中,所述拥塞补救消息包括指令以增加所识别的至少一个电信节点的带宽,增加所识别的至少一个电信节点的扇区,增加所识别的至少一个电信节点的每频谱的量,添加新的频带,或它们的任何组合。
3.根据权利要求1所述的电信网络,其中,所述拥塞管理服务器处的所述至少一个存储器还包括指令:
以从所述一组电信节点中识别至少一个电信节点,其中,所识别的至少一个电信节点在与被识别为潜在拥塞点的至少一个地理区域子集相关联的地理区域中提供电信服务;和
以将拥塞补救消息发送到所识别的至少一个电信节点。
4.根据权利要求1所述的电信网络,其中,所述度量值是以下各项之一:平均数据速率,平均数据大小,或平均会话时间。
5.根据权利要求1所述的电信网络,其中,所述位置表示符是:纬度坐标,经度坐标,海拔坐标,精度,地址,邮政编码,街道,城镇,城市,州,地标,或其任意组合。
6.根据权利要求1所述的电信网络,其中,每个基于时间的子集对应于时间帧,并且其中,所述时间帧具有开始时间和结束时间,并且其中,在所述开始时间与所述结束时间之间的差是秒数,分钟数,小时数,天数,一天中的时间,或其任意组合的函数。
7.根据权利要求6所述的电信网络,其中每个基于时间的子集对应于时间帧。
8.一种用于检测和识别电信网络中的拥塞点的方法,所述方法包括:
在拥塞管理服务器处接收至少一组网络流量数据;
基于与所述一组网络流量数据中的每个记录相关联的位置表示符,将所述至少一组网络流量数据划分为一个或多个地理区域子集;和
对于每个地理区域子集:
基于与所述地理区域子集中的每个地理区域记录相关联的时间戳表示符,将所述地理区域子集划分为一个或多个基于时间的子集;
计算每个基于时间的子集中的合格的基于时间的记录的度量值;
基于每个基于时间的子集的所述度量值,确定所有基于时间的子集的最大度量值;
基于每个基于时间的子集的所述度量值和所有基于时间的子集的所述最大度量值,计算用于所述地理子集的拥塞指数;和
当用于所述地理区域子集的所述拥塞指数大于拥塞阈值量时,将所述地理区域子集识别为潜在的拥塞点。
9.根据权利要求8所述的方法,其中,所述度量值是以下各项之一:平均数据速率,平均数据大小,或平均会话时间。
10.根据权利要求1所述的方法,其中,所述位置表示符是:纬度坐标,经度坐标,海拔坐标,精度,地址,邮政编码,街道,城镇,城市,州,地标,或其任意组合。
11.根据权利要求8所述的方法,其中,每个地理区域子集对应于地理区域。
12.根据权利要求8所述的方法,其中每个基于时间的子集对应于时间帧。
13.根据权利要求12所述的方法,其中,所述时间帧具有开始时间和结束时间,并且其中,在所述开始时间与所述结束时间之间的差是秒数,分钟数,小时数,天数,一天中的时间,或其任意组合的函数。
14.根据权利要求8所述的方法,其中,所述至少一组网络流量数据包括数据呼叫记录,使用在移动设备上的一个或多个应用收集的数据速度记录,第三方提供的信息,外部数据交换实体源提供的信息,或其任何组合。
15.根据权利要求8所述的方法,还包括:在与识别为潜在拥塞点的地理区域子集相关联的位置处发送消息以部署一个或多个小小区站点。
16.至少一种携带将由至少一个处理器执行的指令的计算机可读存储器,其中,所述指令将执行用于检测和识别电信网络中的拥塞点的方法,所述方法包括:
基于与至少一组网络流量数据中的每个记录相关联的位置表示符,将所述至少一组网络流量数据划分为一个或多个地理区域子集;和
对于每个地理区域子集:
基于与所述地理区域子集中的每个地理区域记录相关联的时间戳表示符,将所述地理区域子集划分为一个或多个基于时间的子集;
计算每个基于时间的子集中的合格的基于时间的记录的度量值;
计算所述地理区域子集的拥塞指数,其中所述拥塞指数是每个基于时间的子集的所述度量值的函数;和
当用于所述地理区域子集的所述拥塞指数大于拥塞阈值量时,将所述地理区域子集识别为潜在的拥塞点。
17.根据权利要求16所述的计算机可读存储器,其中,所述至少一组网络流量数据包括数据呼叫记录,使用在移动设备上的一个或多个应用收集的数据速度记录,第三方提供的信息,外部数据交换实体源提供的信息,或其任何组合。
18.根据权利要求16所述的计算机可读存储器,其中,所述度量值是以下各项之一:平均数据速率,平均数据大小,或平均会话时间。
19.根据权利要求16所述的计算机可读存储器,其中,所述位置表示符是:纬度坐标,经度坐标,海拔坐标,精度,地址,邮政编码,街道,城镇,城市,州,地标,或其任意组合。
20.根据权利要求16所述的计算机可读存储器,其中,每个基于时间的子集对应于时间帧,其中所述时间帧具有开始时间和结束时间,并且其中,在所述开始时间与所述结束时间之间的差是秒数,分钟数,小时数,天数,一天中的时间,或其任意组合的函数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/813,070 US10631198B2 (en) | 2017-11-14 | 2017-11-14 | Data congestion management system and method |
US15/813,070 | 2017-11-14 | ||
PCT/US2018/061136 WO2019099579A1 (en) | 2017-11-14 | 2018-11-14 | Data congestion management system and method |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111357319A true CN111357319A (zh) | 2020-06-30 |
Family
ID=66433672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880073986.1A Pending CN111357319A (zh) | 2017-11-14 | 2018-11-14 | 数据拥塞管理系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (2) | US10631198B2 (zh) |
EP (1) | EP3711348A1 (zh) |
KR (1) | KR20200071777A (zh) |
CN (1) | CN111357319A (zh) |
WO (1) | WO2019099579A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112953842A (zh) * | 2021-04-28 | 2021-06-11 | 中国工商银行股份有限公司 | 处理rdma网络拥塞的方法、装置、设备及介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10631198B2 (en) | 2017-11-14 | 2020-04-21 | T-Mobile Usa, Inc. | Data congestion management system and method |
US11856412B2 (en) | 2021-12-17 | 2023-12-26 | T-Mobile Usa, Inc. | Telecommunications network planning system |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100015926A1 (en) * | 2008-07-18 | 2010-01-21 | Luff Robert A | System and methods to monitor and analyze events on wireless devices to predict wireless network resource usage |
US8495196B2 (en) * | 2010-03-22 | 2013-07-23 | Opanga Networks, Inc. | Systems and methods for aligning media content delivery sessions with historical network usage |
US8773981B2 (en) * | 2010-12-06 | 2014-07-08 | Genbrand US LLC | Systems and methods for dynamic congestion management in communications networks |
US8442556B2 (en) * | 2010-12-13 | 2013-05-14 | Verizon Patent And Licensing Inc. | Detecting mobile device usage within wireless networks |
US8670385B2 (en) * | 2011-08-23 | 2014-03-11 | Verizon Patent And Licensing Inc. | Dynamic allocation of network resources for provisioning services to user devices |
US8942128B2 (en) | 2012-11-27 | 2015-01-27 | At&T Mobility Ii Llc | Detection and prevention of heavy congestion in a wireless network |
EP2962510B1 (en) | 2013-02-15 | 2018-10-03 | Telefonaktiebolaget LM Ericsson (publ) | Method for controlling user plane traffic flows in a wireless telecommunication network |
US9326185B2 (en) | 2013-03-11 | 2016-04-26 | Seven Networks, Llc | Mobile network congestion recognition for optimization of mobile traffic |
GB2512611A (en) | 2013-04-03 | 2014-10-08 | Sharp Kk | Wireless telecommunication cell detection technique |
US9706411B2 (en) | 2015-11-19 | 2017-07-11 | T-Mobile Usa, Inc. | Small cell planning tool |
US10749807B2 (en) * | 2016-08-30 | 2020-08-18 | Here Global B.V. | Wireless network optimization |
US10631198B2 (en) | 2017-11-14 | 2020-04-21 | T-Mobile Usa, Inc. | Data congestion management system and method |
-
2017
- 2017-11-14 US US15/813,070 patent/US10631198B2/en active Active
-
2018
- 2018-11-14 KR KR1020207016679A patent/KR20200071777A/ko not_active Application Discontinuation
- 2018-11-14 WO PCT/US2018/061136 patent/WO2019099579A1/en unknown
- 2018-11-14 CN CN201880073986.1A patent/CN111357319A/zh active Pending
- 2018-11-14 EP EP18877990.4A patent/EP3711348A1/en not_active Withdrawn
-
2020
- 2020-03-06 US US16/812,221 patent/US11277768B2/en active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112953842A (zh) * | 2021-04-28 | 2021-06-11 | 中国工商银行股份有限公司 | 处理rdma网络拥塞的方法、装置、设备及介质 |
CN112953842B (zh) * | 2021-04-28 | 2022-09-27 | 中国工商银行股份有限公司 | 处理rdma网络拥塞的方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
US10631198B2 (en) | 2020-04-21 |
US20200213900A1 (en) | 2020-07-02 |
WO2019099579A1 (en) | 2019-05-23 |
KR20200071777A (ko) | 2020-06-19 |
EP3711348A1 (en) | 2020-09-23 |
US20190150026A1 (en) | 2019-05-16 |
US11277768B2 (en) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11805006B2 (en) | Network fault detection and quality of service improvement systems and methods | |
KR102278362B1 (ko) | 최적 네트워크 성능 개선 해결책들 선택 시스템들 및 방법들 | |
US20100015926A1 (en) | System and methods to monitor and analyze events on wireless devices to predict wireless network resource usage | |
US11277768B2 (en) | Data congestion management system and method | |
CN104901827B (zh) | 一种基于用户业务结构的网络资源评估方法及装置 | |
CA3117514C (en) | Management of telecommunications network congestion on roadways | |
US11792662B2 (en) | Identification and prioritization of optimum capacity solutions in a telecommunications network | |
Mahimkar et al. | Robust assessment of changes in cellular networks | |
JP6499216B2 (ja) | 通信帯域算出装置、通信帯域算出方法、及びプログラム | |
Dahunsi et al. | Measuring mobile broadband performance in Nigeria: 2G and 3G | |
EP3908013B1 (en) | Management of telecommunications network congestion on roadways | |
US11350289B2 (en) | Identification of indoor and outdoor traffic usage of customers of a telecommunications network | |
US11917435B2 (en) | Network speed map | |
Oliveira et al. | Measurement-driven mobile data traffic modeling in a large metropolitan area | |
US20210035135A1 (en) | Dominant customer locations identification systems and methods | |
US11153765B1 (en) | Capacity planning of telecommunications network by detecting anomalies in site behavior | |
Adarsh | Autonomous and Predictive Systems to Enhance the Performance of Resilient Networks | |
Zanella et al. | Characterizing and Modeling Session-Level Mobile Traffic Demands from Large-Scale Measurements | |
Højgaard-Hansen et al. | Addressing the influence of hidden state on wireless network optimizations using performance maps | |
Said Ally et al. | Enhancing Communication Efficiency in Mobile Networks Using Smartphone-Enabled Edge Computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200630 |
|
WD01 | Invention patent application deemed withdrawn after publication |