CN111446985A - 一种面向工业无线网络的预测性抗干扰方法及网关设备 - Google Patents
一种面向工业无线网络的预测性抗干扰方法及网关设备 Download PDFInfo
- Publication number
- CN111446985A CN111446985A CN202010456224.9A CN202010456224A CN111446985A CN 111446985 A CN111446985 A CN 111446985A CN 202010456224 A CN202010456224 A CN 202010456224A CN 111446985 A CN111446985 A CN 111446985A
- Authority
- CN
- China
- Prior art keywords
- csi
- channels
- database
- idle
- interference
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/10—Dynamic resource partitioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/713—Spread spectrum techniques using frequency hopping
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/713—Spread spectrum techniques using frequency hopping
- H04B1/715—Interference-related aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
- H04B1/69—Spread spectrum techniques
- H04B1/713—Spread spectrum techniques using frequency hopping
- H04B1/715—Interference-related aspects
- H04B2001/7152—Interference-related aspects with means for suppressing interference
Abstract
本发明提出一种面向工业无线网络的预测性抗干扰方法:将工厂内网络划分为3个切片分别用于传递不同的信息;将所有频段划分为k个信道;用户设备(UE)将其获得的i个瞬时CSI上传至边缘节点汇总;基于强化学习和边缘计算、根据历史CSI和瞬时CSI进行预测CSI的计算并据此建立空闲CSI数据库和在用CSI数据库;从空闲CSI数据库中挑选出p个可用的空闲信道;从在用CSI数据库中选出预测CSI质量倒数的p个信道作为可能遇到干扰的信道;将选出的p个信道上的b个UE平移分配至选出的p个可用的空闲信道上,进行规避性跳频抗干扰。本发明的有益效果是:极大地提高了抗干扰跳频的灵敏度和实时性,显著提高抗干扰质量,有效地解决了工业制造频谱资源紧张、通信环境恶劣等问题。
Description
技术领域
本发明涉及本发明涉及无线通信领域,特别涉及一种抗干扰方法及网关设备。
背景技术
近年来,随着无线通信技术的不断发展,工业物联网(IIoT)也在诸如智能电网、智能制造等工业领域得到了更加广泛的应用,包括802.11标准在内的认知无线电因其智能的学习认知能力极大地促进了工厂车间内感知终端、通信终端和控制终端的灵活部署和自适应通信。但由于工业产线终端数量众多、通信交互频繁,有限的频谱资源被尽可能多的分配给了不同的应用,导致相邻频谱之间的通信干扰问题愈发严重,极大地影响了具有低时延、高可靠要求的工业通信质量。
此外,由于工业现场存在大量密集的电磁设备,其作为障碍物会导致工厂内无线信号产生固定的路径损耗、折射、衰退等影响。同时,与室外环境相比,工业现场虽然无需考虑天气、空气密度/湿度变化等的影响,但其人流、自动寻迹机器人(Automated GuidedVehicle,AGV)等随着时间呈现周期性或非周期性的变化和移动,会对无线通信产生干扰。这些干扰都极大地影响了无线通信在工业制造领域的应用进程,不便于进一步提高工业生产的自动化水平。
2018年中New Radio(NR)release-15的制定完成,标志着独立(Standalone,SA)架构的5G技术已经可以正式进入商用阶段,5G技术自带的高带宽低时延等特性极其符合工业制造业对于无线通信的需求,但随着5G中毫米波技术(mmWave)、正交频分复用技术(OFDM)、大规模多输入多输出(MIMO)等新技术的提出,信道数量大幅增加,信道估计的计算复杂度显著上升,传统的诸如最大似然估计、最小二乘法、最小均方误差(MMSE)估计、循环特征谱检测、能量感知等信道估计方法已无法很好的应用于复杂的5G技术。例如,专利号为:201780090360.7,名称为:基于谱估计的工作无线通信信道选择,其在每个无线通信信道上执行噪声水平测量,以获得针对该子集中的每个无线通信信道的谱估计结果,并据此进行谱密度分布计算,但由于5G采用毫米波技术,信道数量剧增,其计算实时性难以得到保证。因此,如何结合5G技术以解决由动态干扰造成工业无线通信可靠性问题是极具挑战性的。
此外,传统的“信道估计-干扰检测-跳频躲避”的抗干扰策略是在已知信道状态信息(CSI)的情况下进行的,此时信道已经遭受干扰,通信质量也已经受到影响,如何进行预测性干扰规避仍是一个亟待解决的关键问题。
经对现有文献检索发现,最相近似的实现方案为中国专利申请号为:201910431474.4,名称为:基于深度强化学习的专用自组网抗干扰方法,其具体做法为:不断学习历史样本,调整神经网络的参数,直至收敛,得到最优的DQN抗干扰模型,将当前时刻输入对应的最大Q值作为输出,基于此进行下一时刻的抗干扰动作。但是其DQN抗干扰模型是基于历史数据训练获得,只有在干扰发生变化时才进行重新学习,无法更好的适应并刻画工业现场时变的干扰模型,且其是选择上一时刻的Q值作为下一时刻的抗干扰动作,抗干扰效果存在偏差。专利申请号为:201310578411.4,名称为:基于共享基站建立频谱池数据库的方法,其具体做法为:以OFDM调制的正交子载波作为数据库对象,共享基站对当前OFDM符号周期内的忙碌子载波和空闲子载波进行统计,根据用户请求进行空闲子载波分配,此方法由用户进行抗干扰决策,对于用户的计算负担较重,不适用于终端功能简单、规模大的工业现场。
现有技术有以下缺点:
现有的频谱数据库大多通过多种模块(感知模块、计算模块、通信交互模块、数据库模块等)完成基站的部署和数据库的建立,系统结构复杂,通信指令繁复,对于不断产生海量数据的工业现场不适用。
现有的基于强化学习的信道选择策略多为基于信道感知结果进行信道选择,其运行时延取决于算法的复杂度和数据量,且计算速度极大地影响了抗干扰质量
现有技术将感知和信道选择功能集成在终端,数据库仅根据终端的申请进行信道分配,因此终端需兼顾实时感知和计算分析的功能,这极大地增加了终端的计算负荷,且信道感知质量受终端所处环境和其本身的计算能力影响,抗干扰效果差。
现有技术多为利用学习方法感知当前时刻受干扰信道,再作出跳频决策,无法通过预测信道质量实现干扰规避,抗干扰效果受限。
发明内容
本发明的目的在于克服现有抗干扰技术的缺陷,提供一种面向工业无线网络的预测性抗干扰网关,可实现工厂设备信道状态信息的预测和干扰规避。
为实现上述目的,本发明提出了一种面向工业无线网络的预测性抗干扰方法,包括以下步骤:
步骤1、根据服务水平协议(Service Level Agreement,SLA),利用5G切片功能,将工厂内网络划分为三个切片(slice),分别用于传递不同的信息,切片1用于各UE感知到的瞬时CSI上传及UE间信息交互,切片2用于跳频决策指令下发,切片3用于数据库间的信息交互。
步骤2、对边缘节点和n个UE(n=1,2,3……)进行初始化配置,同一车间内感知终端、通信中继终端和控制终端获得的信息除了在相互之间进行交流通信之外,均直接/间接的传输至边缘节点进行进一步的处理。
步骤3、将车间内所有频段划分为k个信道(k=1,2,3……),即k为工厂内总的信道数,k个信道并不完全被占用,存在忙碌信道和空闲信道。
步骤4、n个UE在执行正常功能(感知、通信、控制)时不断地产生数据并向外交互,获得其当前所用的i个信道(i=1,2,3……)的瞬时CSI,进而将其获得的i个瞬时CSI上传至边缘节点汇总。
步骤5、基于强化学习和边缘计算、根据历史CSI和瞬时CSI进行预测CSI的计算并据此建立空闲CSI数据库和在用CSI数据库。
步骤6、边缘节点依据预测CSI质量自高至低对两个数据库进行排序,按照预设的阈值,从空闲CSI数据库中挑选出p个可用的空闲信道。
步骤7、边缘节点从在用CSI数据库中选出预测CSI质量倒数的p个信道作为可能遇到干扰的信道。
步骤8、边缘节点将步骤7选出的p个信道上的b个UE(b≥p),按照当前的信道共用情况和预测CSI质量高低,平移分配至步骤6选出的p个可用的空闲信道上,进行规避性跳频抗干扰。
步骤9、边缘节点更新两数据库并重新按照预测CSI质量自高至低排序。
步骤10、返回执行步骤4。
进一步地,边缘节点和其下所直属的感知、通信和控制终端分布在同一个网络小区(cell)内,边缘节点进行本网络小区(cell)内所有数据的汇总和处理。
进一步地,k个信道分属3个切片,n和k并无数量大小关系,多个UE可在相互影响较小的情况下共用同一个信道(以TDMA等方式)。
进一步地,在步骤4中,各个终端感知到的是此时其所在用的下行链路的瞬时信道状态信息CSI,再将感知到的瞬时CSI上行发送至边缘节点,由于UE产生数据频繁且量大,此处不考虑上行链路的干扰问题。
进一步地,步骤5中所述两个数据库建立方法,包括以下步骤:
步骤5.1、边缘节点收集得到n个在工作的UE所占用的i个信道的瞬时CSI;
步骤5.2、边缘节点利用强化学习方法对此前获得的k个信道的长期CSI(历史CSI)进行离线训练,获得k个信道的初始预测CSI;
步骤5.3、边缘节点将得到的k个预测CSI与收集得到的i个瞬时CSI进行在线比较训练,进一步提高预测CSI的准确度,得到k个最终预测CSI;
步骤5.4、边缘节点将i个忙碌信道的预测CSI作为对象记入在用CSI数据库,将(k-i)个空闲信道的预测CSI作为对象记入空闲CSI数据库。
步骤5.5、将建立得到的两个CSI数据库按照CSI质量自高至低排序。
进一步地,在步骤5中,i≤k,且没有获得瞬时CSI的(k-i)个信道,即当前空闲信道,不进行在线学习,将其初始预测CSI作为最终预测CSI计入空闲CSI数据库。
进一步地,步骤7中,在用CSI数据库中倒数的p个信道为下一时刻可能遇到干扰的信道,基于空闲CSI数据库中的可用信道数进行预测性抗干扰跳频,实现对于干扰的提前规避。
进一步地,步骤8中,p个可能被干扰的信道可以被b个UE共用,且b≥p,在跳频过程中,按照p个信道本身的优先级情况和b个设备在p个信道的共用情况进行信道选择,简化分配问题。
一种面向工业无线网络的预测性抗干扰网关设备,用于收集处理底层设备(工业现场感知设备、现场控制设备等)的数据,并与云服务端进行通信,包括:
实时存储模块:存储工业现场的实时信息,包括但不限于当前输入的瞬时CSI信息、现场感知数据、实时控制指令等。
累积存储模块:负责汇总历史信息,包括但不限于此前得到的历史CSI信息和新得到的瞬时CSI信息以及通信数据等。
计算模块:负责抗干扰网关内部的计算功能,负责数据分析与计算、自主强化学习训练、下一时刻信道CSI的预测和微调以及数据库搭建和管理等功能。
通信模块:负责进行各模块之间的通信功能,辅助网关完成数据清洗、智能计算、数据库建立以及数据上传至云端等复杂功能,特别的,本网关设备支持基于5G的切片技术,可以将工厂内的复杂网络按需切片,独立按需传输数据,通信快速可靠。
进一步地,本网关部署在工厂本地,其内含的具有强大智能计算能力的计算模块可以高效快速地处理工厂本地的各类型数据,并按需调度,同时本网关支持与时间敏感网络(TSN)设备相连,共同实现工厂内部数据的确定性传输和自主管理,并与工业本地云相连,可进行面向应用的数据调度和计算卸载,适用于多种异构数据并存的复杂工业现场。
本申请的有益效果是:
根据历史/瞬时CSI进行各信道的CSI预测,将预测CSI作为跳频判断依据,有效地弥补了在检测干扰后再进行信道策略制定的计算时延,极大地提高了抗干扰跳频的灵敏度和实时性。
根据强化学习输出的预测CSI对各信道进行评估排序,分别建立空闲数据库和在用数据库,相较于只建立一个数据库,本发明进一步优化了系统结构,提高了系统的跳频处理性能,显著提高抗干扰质量。
优化信道估计性能,采用强化学习方法,有效解决了5G技术导致的信道数量增加以及信道状态快速变化带来的传统估计方法计算复杂度过长、估计时间过高的问题,有利于将5G技术更好地应用于工业生产领域。
引入基于边缘计算的具有强大计算能力的抗干扰网关设备,可以有效处理工业现场数据量大、信息交互频繁、信道共用情况复杂的场景,基于全局信息,利用网关集中式地进行信道优化分配,有效地解决了工业制造频谱资源紧张、通信环境恶劣等问题。
结合5G切片功能,按照数据的重要程度和实时性要求划分网络切片,相互隔离的网络切片可以满足工业产生的不同类型的数据QoS要求。
附图说明
图1是本申请的一个较佳实施例的5G网络切片划分示意图;
图2是本申请的一个较佳实施例的工业抗干扰通信系统结构示意图;
图3是本申请的一个较佳实施例的CSI数据库建立及跳频抗干扰流程图;
图4是本申请的一个较佳实施例的UE和抗干扰网关的功能流程及信令示意图;
图5是本申请的一个较佳实施例的抗干扰网关内部模块及功能图;
图6是本申请的一个较佳实施例的抗干扰网关内部各模块运作流程图;
图7是本申请的一个较佳实施例的强化学习大体结构示意图;
图8是本申请的一个较佳实施例的两数据库运行流程及信令示意图。
具体实施方式
以下参考说明书附图介绍本申请的优选实施例,使其技术内容更加清楚和便于理解。本申请可以通过许多不同形式的实施例来得以体现,本申请的保护范围并非仅限于文中提到的实施例。
本发明的一个实施例中,如图2所示,系统整体由预测性抗干扰网关、用户设备(UE)、5G蜂窝网、时间敏感主干网(TSN)和工厂本地云共同组成。
如图5所示,预测性抗干扰网关,作为边缘节点,包含:数据库模块、通讯模块、存储模块和计算模块,其中数据库模块负责在用CSI数据库和空闲CSI数据库的建立和管理,通信模块负责网关与用户设备以及网关内部之间的通信功能,存储模块负责包括CSI数据在内的存储,计算模块负责学习算法的运行等计算功能。预测性抗干扰网关可以完成获取的海量数据的清洗、初步在线学习、CSI数据库建立和控制决策下发等功能,具有较高的计算处理能力和数据存储容量,可以较好的实现小区内UE产生的数据的管理和利用。
UE包括同一工厂车间内存在的感知、控制和通信终端,如:传感器、执行器、控制器和通信中继节点等,可用来收集工厂内温湿度等环境信息、执行控制决策以及感知信道状态信息CSI和上传。
预测性抗干扰方法,包含以下步骤:
第一步:如图1所示,根据服务水平协议(Service Level Agreement,SLA),利用5G切片功能,将工厂内网络划分为三个切片(slice),分别用于传递不同的信息,切片1用于各UE感知到的瞬时CSI上传及UE间信息交互,切片2用于跳频决策指令下发,切片3用于数据库间信息交互的功能。
三个切片的重要性排序为:切片3>切片2>切片1,本实施例的通信信息总共有三类,分别为:①各UE感知到的瞬时CSI上传及UE间的交互信息、②跳频决策下发的指令信息以及③两个数据库之间的交互信息,根据这三类信息对数据库建立及抗干扰跳频过程的影响程度不同,给出每类数据的服务质量(Quality of Service,QoS),可以据此判断其数据重要性排序为:③>②>①。
第二步:对网关和UE进行初始化配置,本实施例中共45个UE,同一车间内感知终端、通信中继终端和控制终端获得的信息除了在相互之间进行交流通信之外,均直接/间接的传输至网关进行进一步的处理。
第三步:将车间内所有频段划分为20个信道,即20为工厂内总的信道数,这20个信道并不完全被占用,存在忙碌信道和空闲信道。
20个信道分属3个切片,多个UE可在相互影响较小的情况下共用同一个信道(以TDMA等方式)。
第四步:45个UE在执行正常功能(感知、通信、控制)时不断地产生数据并向外交互,获得其当前所用的共i个信道(i=1,2,3,…,20)的瞬时CSI,进而将瞬时CSI上传至网关汇总。
第五步:在每个瞬时CSI测量周期内包括步骤:
步骤5.1网关收集得到45个UE所占用的i个信道的瞬时CSI。
步骤5.2如图7所示,网关将此前收集得到的瞬时CSI汇总得到该小区内各信道的历史CSI数据(长期CSI),存储于累积存储模块中,作为计算模块强化学习离线训练的样本,对各信道下一时刻的CSI进行预测,得到初级预测CSI。
步骤5.3网关将得到的20个初始预测CSI与收集得到的i个瞬时CSI进行在线比较训练,进一步提高预测CSI的准确度,得到20个最终预测CSI。
步骤5.4网关将收到瞬时CSI的i个信道的预测CSI作为对象记入在用CSI数据库;没有获得瞬时CSI的(20-i)个信道为当前空闲信道,不进行在线学习,将其初始预测CSI作为最终预测CSI,并作为对象记入空闲CSI数据库。
第六步:将在用CSI数据库和空闲CSI数据库,分别按照预测CSI的质量自高至低排序,设定一质量阈值,从空闲CSI数据库中挑选出p个CSI的质量大于质量阈值的信道作为可用的空闲信道;p值的设定可以一定程度影响抗干扰的效果。
第七步:网关从排序后的在用CSI数据库中选出倒数p个信道,作为可能被干扰的信道。
第八步:将第七步选出的p个信道上的b个UE(b≥p),按照当前的信道共用情况和预测CSI质量高低,平移分配至第六步选出的p个可用的空闲信道上,进行规避性跳频抗干扰。数据库间的信息通信通过切片3进行,跳频决策指令的下发通过切片2进行。
第九步:更新数据库,将p个原先在用的信道CSI数据添加至空闲CSI数据库并从在用CSI数据库中移除,将p个新占用的信道CSI数据添加至在用CSI数据库并从空闲CSI数据库中移除,并重新按照预测CSI质量自高至低排序。
第十步:返回执行第四步。
整个干扰规避流程如图3所示,对应步述步骤第四步至第十步,规避流程中UE和抗干扰网关之间的信令交互如图4所示。
图6是本申请的一个较佳实施例的抗干扰网关内部各模块运作流程图;
图7是本申请的一个较佳实施例的强化学习大体结构示意图;
图8是本申请的一个较佳实施例的两数据库运行流程及信令示意图,对应第六步至第九步的步骤。
以上详细描述了本申请的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本申请的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本申请的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种面向工业无线网络的预测性抗干扰方法,其特征在于,包括以下步骤:
步骤1、根据服务水平协议,利用5G切片功能,将工厂内网络划分为3个切片,即切片1、切片2、切片3,分别用于传递不同的信息;所述切片1用于各UE感知到的瞬时CSI上传及所述UE间信息交互,所述切片2用于跳频决策指令下发,所述切片3用于数据库间信息交互;
步骤2、对边缘节点和n个所述UE进行初始化配置,同一车间内的所述UE获得的信息除了在相互之间进行交流通信之外,均直接或间接地传输至所述边缘节点进行进一步的处理;
步骤3、将车间内所有频段划分为k个信道,即k为工厂内总的信道数;所述k个信道并不全部被占用,其中i个忙碌信道和k-i个空闲信道;
步骤4、n个所述UE在执行正常功能时不断地产生数据并向外交互,获得所述i个忙碌信道的所述瞬时CSI,进而将其获得的i个所述瞬时CSI上传至所述边缘节点汇总;
步骤5、基于强化学习和边缘计算、根据历史CSI和瞬时CSI进行各信道预测CSI的计算,并据此建立空闲CSI数据库和在用CSI数据库;
步骤6、所述边缘节点依据预测CSI质量自高至低分别对所述空闲CSI数据库和所述在用CSI数据库进行排序;按照预设的阈值,从所述空闲CSI数据库中挑选出p个可用的空闲信道;
步骤7、所述边缘节点从所述在用CSI数据库中选出预测CSI质量倒数的p个信道作为可能遇到干扰的信道;
步骤8、所述边缘节点将所述步骤7中选出的所述p个信道上的b个所述UE,按照当前的信道共用情况和预测CSI质量高低,平移分配至所述步骤6中选出的所述p个可用的空闲信道上,进行规避性跳频抗干扰;
步骤9、所述边缘节点更新所述空闲CSI数据库和所述在用CSI数据库,并重新按照预测CSI质量自高至低排序;
步骤10、返回执行所述步骤4。
2.如权利要求1所述的面向工业无线网络的预测性抗干扰方法,其特征在于,所述边缘节点和其下所直属的所述UE分布在同一个网络小区内,所述边缘节点进行本网络小区内所有数据的汇总和处理。
3.如权利要求1所述的面向工业无线网络的预测性抗干扰方法,其特征在于,所述k个信道分属所述切片1、所述切片2、所述切片3,n和k并无数量大小关系,每个所述UE使用所述k个信道之中的1个,或多个所述UE共用所述k个信道之中的1个,共用的方式包括TDMA。
4.如权利要求1所述的面向工业无线网络的预测性抗干扰方法,其特征在于,在所述步骤4中,各个所述UE感知到的是此时其在用的下行链路的瞬时信道状态信息CSI,再将感知到的所述瞬时CSI上行发送至所述边缘节点,此处不考虑上行链路的干扰问题。
5.如权利要求1所述的面向工业无线网络的预测性抗干扰方法,其特征在于,所述步骤5中所述空闲CSI数据库和所述在用CSI数据库建立方法,包括以下步骤:
步骤5.1、所述边缘节点收集得到n个工作中的所述UE所占用的所述i个忙碌信道的所述瞬时CSI;
步骤5.2、所述边缘节点利用强化学习方法对此前获得的所述k个信道的长期CSI进行离线训练,获得所述k个信道的初始预测CSI;
步骤5.3、所述边缘节点将得到的k个所述初始预测CSI与收集得到的i个所述瞬时CSI进行在线比较训练,进一步提高预测CSI的准确度,得到k个最终预测CSI;
步骤5.4、所述边缘节点将所述i个忙碌信道的所述最终预测CSI作为对象记入所述在用CSI数据库,将所述k-i个空闲信道的所述最终预测CSI作为对象记入所述空闲CSI数据库;
步骤5.5、将所述空闲CSI数据库和所述在用CSI数据库按照CSI质量自高至低排序。
6.如权利要求5所述的面向工业无线网络的预测性抗干扰方法,其特征在于,在所述步骤5中,没有获得所述瞬时CSI的所述k-i个空闲信道,即当前空闲信道,不进行在线学习,将其所述初始预测CSI作为所述最终预测CSI记入所述空闲CSI数据库。
7.如权利要求1所述的面向工业无线网络的预测性抗干扰方法,其特征在于,在所述步骤6、7中,所述在用CSI数据库中倒数的p个信道为下一时刻可能遇到干扰的信道,基于所述空闲CSI数据库中的可用信道数进行预测性抗干扰跳频,实现对于干扰的提前规避。
8.如权利要求1所述的面向工业无线网络的预测性抗干扰方法,其特征在于,在所述步骤8中,所述p个信道可以被b个所述UE共用,且b≥p,在跳频过程中,按照所述p个信道本身的优先级情况和b个所述UE在所述p个信道的共用情况进行信道选择,简化分配问题。
9.一种面向工业无线网络的预测性抗干扰网关设备,其特征在于,用于收集处理UE的数据,并与云服务端进行通信,包括:
实时存储模块:存储工业现场的实时信息,包括当前输入的瞬时CSI信息、现场感知数据、实时控制指令;
累积存储模块:负责汇总历史信息,包括此前得到的历史CSI信息和新得到的所述瞬时CSI信息以及通信数据;
计算模块:负责所述网关内部的计算功能,负责数据分析与计算、自主强化学习训练、下一时刻信道CSI的预测和微调以及数据库搭建和管理等功能;
通信模块:负责进行各模块之间的通信功能,辅助所述网关完成数据清洗、智能计算、数据库建立以及数据上传至云端的功能;所述网关支持基于5G的切片技术,将工厂内的复杂网络按需切片,独立按需传输数据。
10.如权利要求9所述的面向工业无线网络的预测性抗干扰网关设备,其特征在于,部署在工厂本地,其内含的具有智能计算能力的计算模块用以处理工厂本地的数据,并按需调度;同时支持与时间敏感网络设备相连,共同实现工厂内部数据的传输和自主管理;并与工业本地云相连,进行面向应用的数据调度和计算卸载。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010456224.9A CN111446985B (zh) | 2020-05-26 | 2020-05-26 | 一种面向工业无线网络的预测性抗干扰方法及网关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010456224.9A CN111446985B (zh) | 2020-05-26 | 2020-05-26 | 一种面向工业无线网络的预测性抗干扰方法及网关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111446985A true CN111446985A (zh) | 2020-07-24 |
CN111446985B CN111446985B (zh) | 2021-07-23 |
Family
ID=71653790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010456224.9A Active CN111446985B (zh) | 2020-05-26 | 2020-05-26 | 一种面向工业无线网络的预测性抗干扰方法及网关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111446985B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114006864A (zh) * | 2020-12-23 | 2022-02-01 | 技象科技(浙江)有限公司 | 基于时间均衡的信道调度方法、装置、系统和存储介质 |
CN116455490A (zh) * | 2023-06-09 | 2023-07-18 | 深圳沛喆微电子有限公司 | 智能路由器系统无线信号传输除干扰的方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107071782A (zh) * | 2017-04-01 | 2017-08-18 | 北京邮电大学 | 基于网络切片的无线资源分配方法 |
US20190081659A1 (en) * | 2017-09-11 | 2019-03-14 | University Of Southern California | Method for an optical achievable data rate for wireless communications |
CN109690969A (zh) * | 2016-07-29 | 2019-04-26 | Lg电子株式会社 | 在无线通信系统中由终端报告信道状态信息的方法以及支持该方法的装置 |
CN110213025A (zh) * | 2019-05-22 | 2019-09-06 | 浙江大学 | 基于深度强化学习的专用自组网抗干扰方法 |
CN110463245A (zh) * | 2017-03-17 | 2019-11-15 | 华为技术有限公司 | 用于基于切片的网络中的无线接入网络(ran)配置的技术 |
CN111082895A (zh) * | 2012-06-18 | 2020-04-28 | 富士通互联科技有限公司 | 多点协作传输中的非周期反馈的触发方法和装置 |
-
2020
- 2020-05-26 CN CN202010456224.9A patent/CN111446985B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111082895A (zh) * | 2012-06-18 | 2020-04-28 | 富士通互联科技有限公司 | 多点协作传输中的非周期反馈的触发方法和装置 |
CN109690969A (zh) * | 2016-07-29 | 2019-04-26 | Lg电子株式会社 | 在无线通信系统中由终端报告信道状态信息的方法以及支持该方法的装置 |
CN110463245A (zh) * | 2017-03-17 | 2019-11-15 | 华为技术有限公司 | 用于基于切片的网络中的无线接入网络(ran)配置的技术 |
CN107071782A (zh) * | 2017-04-01 | 2017-08-18 | 北京邮电大学 | 基于网络切片的无线资源分配方法 |
US20190081659A1 (en) * | 2017-09-11 | 2019-03-14 | University Of Southern California | Method for an optical achievable data rate for wireless communications |
CN110213025A (zh) * | 2019-05-22 | 2019-09-06 | 浙江大学 | 基于深度强化学习的专用自组网抗干扰方法 |
Non-Patent Citations (1)
Title |
---|
唐琪: "云无线接入网络的资源分配和节能优化", 《中国优秀硕士论文电子期刊网信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114006864A (zh) * | 2020-12-23 | 2022-02-01 | 技象科技(浙江)有限公司 | 基于时间均衡的信道调度方法、装置、系统和存储介质 |
CN114006864B (zh) * | 2020-12-23 | 2024-05-03 | 技象科技(南京)有限公司 | 基于时间均衡的信道调度方法、装置、系统和存储介质 |
CN116455490A (zh) * | 2023-06-09 | 2023-07-18 | 深圳沛喆微电子有限公司 | 智能路由器系统无线信号传输除干扰的方法、装置及设备 |
CN116455490B (zh) * | 2023-06-09 | 2023-08-22 | 深圳沛喆微电子有限公司 | 智能路由器系统无线信号传输除干扰的方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111446985B (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | A deep-learning-based radio resource assignment technique for 5G ultra dense networks | |
Liu et al. | Deep reinforcement learning for communication flow control in wireless mesh networks | |
Sun et al. | Autonomous resource slicing for virtualized vehicular networks with D2D communications based on deep reinforcement learning | |
CN110620611B (zh) | 一种基于geo与leo双层卫星网络的协同频谱感知方法 | |
EP3742669B1 (en) | Machine learning in radio access networks | |
CN111446985B (zh) | 一种面向工业无线网络的预测性抗干扰方法及网关设备 | |
CN103716123A (zh) | 一种传感器网络中分组丢失和错误的原因识别方法和系统 | |
Azari et al. | User traffic prediction for proactive resource management: Learning-powered approaches | |
Zhu et al. | Machine-learning-based opportunistic spectrum access in cognitive radio networks | |
CN113727306B (zh) | 一种基于深度强化学习的解耦c-v2x网络切片方法 | |
Dawaliby et al. | Network slicing optimization in large scale lora wide area networks | |
Sakib et al. | A deep learning method for predictive channel assignment in beyond 5G networks | |
Hlophe et al. | QoS provisioning and energy saving scheme for distributed cognitive radio networks using deep learning | |
Barrachina-Muñoz et al. | Multi-armed bandits for spectrum allocation in multi-agent channel bonding WLANs | |
CN104080091A (zh) | 分层异构网络中基于负载预测分组的家庭基站频谱分配方法 | |
Ganjalizadeh et al. | Interplay between distributed AI workflow and URLLC | |
Mei et al. | Semi-decentralized network slicing for reliable V2V service provisioning: A model-free deep reinforcement learning approach | |
Mudvari et al. | ML-driven scaling of 5G Cloud-Native RANs | |
CN116567843A (zh) | 一种无线资源分配优化装置及方法 | |
Ding et al. | Energy-efficient topology control mechanism for IoT-oriented software-defined WSNs | |
CN116054880A (zh) | 一种多模异构网络的组网及维护方法 | |
Bhat et al. | Correlating the Ambient Conditions and Performance Indicators of the LoRaWAN via Surrogate Gaussian Process-Based Bidirectional LSTM Stacked Autoencoder | |
CN104779973B (zh) | 基于马尔科夫决策的自适应跳频方法 | |
CN115811788A (zh) | 一种深度强化学习联合无监督学习的d2d网络分布式资源分配方法 | |
Burgueño et al. | Distributed deep reinforcement learning resource allocation scheme for industry 4.0 device-to-device scenarios |
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 |