CN111835545B - 一种网络的自适应配置方法和装置 - Google Patents
一种网络的自适应配置方法和装置 Download PDFInfo
- Publication number
- CN111835545B CN111835545B CN201910323228.7A CN201910323228A CN111835545B CN 111835545 B CN111835545 B CN 111835545B CN 201910323228 A CN201910323228 A CN 201910323228A CN 111835545 B CN111835545 B CN 111835545B
- Authority
- CN
- China
- Prior art keywords
- network parameters
- network
- value
- kpis
- baseline
- 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
- H04L41/0893—Assignment of logical groups to network elements
-
- 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
- H04L41/0836—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability to enhance reliability, e.g. reduce downtime
-
- 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
- H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
- H04L41/0816—Configuration setting characterised by the conditions triggering a change of settings the condition being an adaptation, e.g. in response to network events
-
- 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
- H04L41/0876—Aspects of the degree of configuration automation
- H04L41/0886—Fully automatic configuration
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5003—Managing SLA; Interaction between SLA and QoS
- H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例公开了一种网络的自适应配置方法和装置,所述方法包括:确定网络的N个网络参数的第i个取值;其中,i为大于或等于1的整数;根据以N个网络参数的第i个取值运行之后的X个基础关键绩效指标KPI和X个基线基础KPI确定是否更新X个基线基础KPI;其中,N,X为大于或等于1的整数;根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的第i个取值对应的增益;得到N个网络参数的所有取值对应的增益后,确定N个网络参数的最优取值为增益最大对应的取值。本发明实施例基于X个基础KPI实现了网络参数的自适应配置,而不需要人工不断调整网络参数,从而节省了大量的人力。
Description
技术领域
本发明实施例涉及但不限于通信领域,尤指一种网络的自适应配置方法和装置。
背景技术
窄带物联网(NB-IoT,Narrow Band Internet of Things)是一种新型的物联网协议,基于频分双工(FDD,Frequency Division Duplexing)长期演进(LTE,Long TermEvolved)实现180K赫兹(Hz)载波的无线收发技术。当前NB-IoT的基站商用版本已经满足NB-IoT协议13,14版本(Rel13,14),支持NB-IoT网络部署,现网全球移动通信系统(GSM,Global System For Mobile Communication)设备、GL(GSM LTE或2G4G)设备升级支持NB-IoT。
在设备开通方面,目前业界通用的做法是沿用之前LTE的一套方法,开通后网络参数配置需要人工持续不断的优化调整,浪费了大量的人力。
发明内容
本发明实施例提供了一种网络的自适应配置方法和装置,能够自动进行网络参数适配,从而节省人力。
本发明实施例提供了一种网络的自适应配置方法,包括:
确定网络的N个网络参数的第i个取值;其中,i为大于或等于1的整数;
根据以N个网络参数的第i个取值运行之后的X个基础关键绩效指标KPI和X个基线基础KPI确定是否更新X个基线基础KPI;其中,N,X为大于或等于1的整数;
根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的第i个取值对应的增益;
得到N个网络参数的所有取值对应的增益后,确定N个网络参数的最优取值为增益最大对应的取值
本发明实施例提供了一种网络的自适应配置装置,包括:
网络参数取值确定模块,用于确定网络的N个网络参数的第i个取值;其中,i为大于或等于1的整数;
基线基础KPI更新模块,用于根据以N个网络参数的第i个取值运行之后的X个基础关键绩效指标KPI和X个基线基础KPI确定是否更新X个基线基础KPI;其中,N,X为大于或等于1的整数;
增益确定模块,用于根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的第i个取值对应的增益;
网络参数最优取值确定模块,用于得到N个网络参数的所有取值对应的增益后,确定N个网络参数的最优取值为增益最大对应的取值。
本发明实施例提供了一种网络的自适应配置装置,包括处理器和计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令被所述处理器执行时,实现上述任一种网络的自适应配置方法。
本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种网络的自适应配置方法的步骤。
本发明实施例包括:确定网络的N个网络参数的第i个取值;其中,i为大于或等于1的整数;根据以N个网络参数的第i个取值运行之后的X个基础关键绩效指标KPI和X个基线基础KPI确定是否更新X个基线基础KPI;其中,N,X为大于或等于1的整数;根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的第i个取值对应的增益;得到N个网络参数的所有取值对应的增益后,确定N个网络参数的最优取值为增益最大对应的取值。本发明实施例基于X个基础KPI实现了网络参数的自适应配置,而不需要人工不断调整网络参数,从而节省了大量的人力。
本发明实施例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实施例而了解。本发明实施例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实施例技术方案的进一步理解,并且构成说明书的一部分,与本发明实施例的实施例一起用于解释本发明实施例的技术方案,并不构成对本发明实施例技术方案的限制。
图1为本发明一个示例性实施例提出的网络的自适应配置方法的流程图;
图2为本发明另一个示例性实施例提出的网络的自适应配置方法的流程图;
图3为本发明另一个示例性实施例提出的网络的自适应配置方法的流程图;
图4为本发明另一个示例性实施例提出的网络的自适应配置方法的流程图;
图5为本发明另一个示例性实施例提出的网络的自适应配置装置的结构组成示意图;
图6为本发明实施例示例1的基站的架构示意图。
具体实施方式
下文中将结合附图对本发明实施例进行详细说明。需要说明的是,在不冲突的情况下,本发明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。
在NB-IoT网络割接入网之后,开通时是采用一套系统默认的网络参数配置,但是NB-IoT在现场应用场景各种各样,如水表,电表,灯杆,井盖等,不同的应用场景下带来的网内的干扰程度不同,这些干扰包括应用场景外部的干扰环境,其他制式的无线网络,以及基站的配置密度;因此,系统默认的网络参数配置很大可能不是适合当前网络实际运行状况的网络参数配置,需要对网络参数进行自动调整。
本发明示例性实施例采用自适应调节控制(AMC,Adaptive Modulation Control)智能参数调整算法在N个网络参数的取值范围内进行网络参数训练得到N个网络参数的最优取值。
例如,马尔可夫决策过程(MDP,Markov Decision Process)是强化学习的基本理论。一般来说,MDP可以由一个四元组表示:(1)S为状态空间;(2)A为动作空间;(3)R为奖赏函数;(4)P为环境状态转移函数。
其中,N个网络参数每组取值为S=[s1,s2,...,si,...sn],si表示第i个网络参数的取值;网络参数调整方向为A(包括每个网络参数采用保持,增加一个步长,减少一个步长三个行为,可以认为是离散有限集合),调整后的综合KPI和基线综合KPI性能之差作为R,P为网络参数的一组取值S1转移到另一组取值S2的概率。
参见图1,本发明一个示例性实施例提出了一种网络的自适应配置方法,包括:
步骤100、确定网络的N个网络参数的第i个取值;其中,i为大于或等于1的整数。
在本发明示例性实施例中,网络可以是指一个或多个小区覆盖的网络。
在本发明示例性实施例中,网络可以是任意网络,例如NB-IoT网络。
在本发明示例性实施例中,N个网络参数是与综合KPI或基础KPI有较强相关度的网络参数。
其中,与综合KPI或基础KPI有较强相关度的N个网络参数可以通过仿真模拟获得,例如,综合KPI根据两个基础KPI(如NB-IoT小区无线信令承载(SRB,Signalling RadioBearer)上行有效吞吐率和NB-IoT小区SRB下行有效吞吐率)计算得到时,通过仿真模拟得出与综合KPI或基础KPI有较强相关度的N个网络参数包括:用户专有搜索空间(USS,UE-specific Search Space)的最大重复次数、USS的起始子帧、消息4(MSG4,Message4)混合自动重传请求(Harq,Hybrid Automatic Repeat Request)重复次数等等。
在本发明示例性实施例中,N个网络参数的第1个取值可以是默认配置的取值,N个网络参数的第i个取值可以通过离线学习的方法获得,N个网络参数的第i个取值在N个网络参数的初始取值范围内。
步骤101、根据以N个网络参数的第i个取值运行之后的X个基础关键绩效指标(KPI,Key Performance Indicator)和X个基线基础KPI确定是否更新X个基线基础KPI;其中,N,X为大于或等于1的整数。
在本发明示例性实施例中,第一次进行网络参数的自适应配置时,X个基线基础KPI是以N个网络参数的默认配置的取值运行之后获得的,后续X个基线基础KPI根据以N个网络参数的实际取值运行之后获得的X个基础KPI更新获得。
在本发明示例性实施例中,根据以N个网络参数的第i个取值运行之后的X个基础关键绩效指标KPI和X个基线基础KPI确定是否更新X个基线基础KPI包括以下至少之一:
当以N个网络参数的第i个取值运行之后的X个基础KPI对应的综合KPI与X个基线基础KPI对应的基线综合KPI之差大于或等于预设阈值时,更新所述X个基线基础KPI为以N个网络参数的第i个取值运行之后的X个KPI;
当以N个网络参数的第i个取值运行之后的X个基础KPI对应的综合KPI与X个基线基础KPI对应的基线综合KPI之差小于预设阈值时,保持所述X个基线基础KPI不变。
在本发明示例性实施例中,综合KPI根据X个基础KPI和基础KPI对应的权重计算得到,X为大于或等于1的整数。也就是说,综合KPI即为X个基础KPI的加权平均值。
其中,基础KPI可以是任意一个或多个KPI,例如,小区无线资源控制(RRC,RadioResource Control)连接建立成功率、小区S1接口UE相关逻辑信令连接建立成功率、小区无线掉线率、小区媒体访问控制(MAC,Media Access Control)层上行误块率、小区MAC层下行误块率、小区eNodeB寻呼拥塞率等。
其中,不同运营商可以采用不同的基础KPI。
步骤102、根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的第i个取值对应的增益。
在本发明示例性实施例中,根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的第i个取值对应的增益包括:
根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定所述N个网络参数的第i个取值对应的奖赏函数;
根据所述N个网络参数的第i个取值对应的奖赏函数确定所述N个网络参数的第i个取值对应的增益。
在本发明示例性实施例中,根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定所述N个网络参数的第i个取值对应的奖赏函数包括以下至少之一:
当所述误块率BLER在预设范围内时,按照公式计算所述N个网络参数的第i个取值对应的奖赏函数;其中,Ri为所述N个网络参数的第i个取值对应的奖赏函数,wj为第j个基础KPI的权重,KPIj,real为以所述N个网络参数的第i个取值运行之后的第j个基础KPI,KPIj,target为第j个基线基础KPI,norm(X)为对X的归一化;
当所述误块率不在预设范围内时,确定所述N个网络参数的第i个取值对应的奖赏函数为预设值(例如,为-100)。
其中,预设值小于0。
在本发明示例性实施例中,根据N个网络参数的第i个取值对应的奖赏函数确定所述N个网络参数的第i个取值对应的增益包括:
其中,Q(Si,Ai)为所述N个网络参数的第i个取值对应的增益,Si为所述N个网络参数的第i个取值,Ai为所述N个网络参数的第i个取值对应的动作,Q(Si-1,Ai-1)为所述N个网络参数的第(i-1)个取值对应的增益,Si-1为所述N个网络参数的第(i-1)个取值,Ai-1为所述N个网络参数的第(i-1)个取值对应的动作,Ri-1为所述N个网络参数的第(i-1)个取值对应的奖赏函数,Ri为所述N个网络参数的第i个取值对应的奖赏函数,α为学习率,γ为折扣率。
在上述方法中,奖赏函数Ri需要先根据BLER的值判断当前状态是否符合预期误块率(即是否在预设范围内)。当BLER在正常工作范围内(即在预设范围内)时,奖赏函数Ri是当前KPI统计值离基线值的差值,如果统计值都小于设定基线KPI值,则Ri值为负,如果统计值都大于设定基线KPI值(优化对象),则Ri值为正。所以每次状态获取都要获得最大的奖赏函数值R。
上述方法中,每一个Si对应的Ai可以通过离线学习的方法获得。
步骤103、得到N个网络参数的所有取值对应的增益后,确定N个网络参数的最优取值为增益最大对应的取值。
在本发明另一个示例性实施例中,步骤102可以先于步骤101执行。也就是说,步骤102中的基线基础KPI可以是更新之前的基线基础KPI,也可以是更新之后的基线基础KPI。
在本发明另一个示例性实施例中,可以通过无线网络参数人工智能(AI,Artificial Intelligence)开关来确定是否启动无线网络参数AI功能,也就是无线网络参数的自适应配置功能。其中,一个无线网络参数AI开关可以对应一个小区或多个小区。
也就是说,当根据无线网络参数AI开关确定启动无线网络参数AI功能时,该方法还包括:
继续执行确定网络的N个网络参数的第i个取值的步骤。
当根据无线网络参数AI开关确定启动无线网络参数AI功能时,结束本流程。
在本发明示例性实施例中,可以定时或固定周期(如15分钟)不断循环执行上述方法。
参见图2,本发明另一个示例性实施例提出了一种网络的自适应配置方法,包括:
步骤200、根据所述网络所在的干扰场景缩小所述N个网络参数的取值范围。
在本发明示例性实施例中,可以通过离线学习的方法缩小N个网络参数的取值范围。
步骤201、确定网络的N个网络参数的第i个取值;其中,N个网络参数的第i个取值在缩小后的取值范围内,i为大于或等于1的整数。
步骤202、根据以N个网络参数的第i个取值运行之后的X个基础KPI和X个基线基础KPI确定是否更新X个基线基础KPI;其中,N,X为大于或等于1的整数。
步骤203、根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的第i个取值对应的增益。
步骤204、得到N个网络参数的所有取值对应的增益后,确定N个网络参数的最优取值为增益最大对应的取值。
步骤202与前述实施例步骤101的具体实现过程相同,步骤203与前述实施例步骤102的具体实现过程相同,步骤204与前述实施例步骤103的具体实现过程相同,这里不再赘述。
在本发明另一个示例性实施例中,步骤203可以先于步骤202执行。也就是说,步骤203中的基线基础KPI可以是更新之前的基线基础KPI,也可以是更新之后的基线基础KPI。
在本发明另一个示例性实施例中,可以通过无线网络参数人工智能(AI,Artificial Intelligence)开关来确定是否启动无线网络参数AI功能,也就是无线网络参数的自适应配置功能。其中,一个无线网络参数AI开关可以对应一个小区或多个小区。
也就是说,当根据无线网络参数AI开关确定启动无线网络参数AI功能时,该方法还包括:
继续执行根据所述网络所在的干扰场景缩小所述N个网络参数的取值范围的步骤。
当根据无线网络参数AI开关确定启动无线网络参数AI功能时,结束本流程。
在本发明示例性实施例中,可以定时或固定周期(如15分钟)不断循环执行上述方法。
参见图3,本发明另一个示例性实施例提出了一种网络的自适应配置方法,包括:
步骤300、根据上行底噪和下行底噪进行干扰场景识别得到网络所在的干扰场景。
在本发明示例性实施例中,各子载波的上行底噪和下行底噪测量值可以用计数器来指示,利用这些计数器结合一些判断条件,识别出对应的干扰场景。
在本发明示例性实施例中,可以通过干扰场景识别算法,利用各层统计变量识别上、下行干扰。具体的,可以采用以下干扰场景识别方法得到网络所在的干扰场景:确定上行底噪和下行底噪所满足的条件;确定网络所在的干扰场景为所满足的条件对应的干扰场景。
例如,ul_noise表示上行底噪;dl_noise表示下行底噪,单位dBm。
ul_baseline_noise表示上行基准底噪;dl_baseline_noise表示下行基准底噪,单位dBm。
T表示场景识别更新周期,精度1小时,取值范围{1小时~100天}。
上行测量误差门限UlMeasErrorThr,默认取值2dB,取值范围{0~5dB};下行估算误差门限DlMeasErrorThr,默认取值2dB,取值范围{0~10dB}。
那么,上行基准底噪ul_baseline_noise取值=lin2db((db2lin(热噪声功率普密度+BS噪声系数))*系统带宽);其中,lin2db()为单位转换函数,db2lin()为单位转换函数;
下行基准底噪dl_baseline_noise取值=lin2db((db2lin(热噪声功率谱密度+UE噪声系数))*系统带宽)。
在场景识别更新周期T内,统计ul_noise和dl_noise;
上行底噪抬升delta_ul_noise=ul_noise-ul_baseline_noise;
下行底噪delta_dl_noise=dl_noise-dl_baseline_noise;
当上行底噪抬升delta_ul_noise大于或等于UlMeasErrorThr,且下行底噪抬升delta_dl_noise大于或等于DlMeasErrorThr,且delta_ul_noise大于或等于第一预设门限(如10)时,确定网络所在的干扰场景为场景4;
当上行底噪抬升delta_ul_noise小于UlMeasErrorThr,或下行底噪抬升delta_dl_noise小于DlMeasErrorThr,或delta_ul_noise小于第一预设门限(如10)时,确定网络所在的干扰场景为场景1;
当delta_ul_noise大于或等于第二预设门限(如30)时,确定网络所在的干扰场景为场景6;
当delta_ul_noise大于或等于第三预设门限(如20),且小于第二预设门限时,确定网络所在的干扰场景为场景5;
当delta_ul_noise大于或等于第四预设门限(如10),且小于第三预设门限时,确定网络所在的干扰场景为场景3;
当下行底噪抬升delta_dl_noise大于或等于DlMeasErrorThr时,确定网络所在的干扰场景为场景2;
当下行底噪抬升delta_dl_noise小于DlMeasErrorThr时,确定网络所在的干扰场景为场景0。
当然,本发明的一些示例性实施例中,网络所在的干扰场景也可以预先识别获得或设置或采用其他方式获得。
步骤301、根据所述网络所在的干扰场景缩小所述N个网络参数的取值范围。
在本发明示例性实施例中,可以通过离线学习的方法缩小N个网络参数的取值范围。
步骤302、确定网络的N个网络参数的第i个取值;其中,N个网络参数的第i个取值在缩小后的取值范围内,i为大于或等于1的整数。
步骤303、根据以N个网络参数的第i个取值运行之后的X个基础KPI和X个基线基础KPI确定是否更新X个基线基础KPI;其中,N,X为大于或等于1的整数。
步骤304、根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的第i个取值对应的增益。
步骤305、得到N个网络参数的所有取值对应的增益后,确定N个网络参数的最优取值为增益最大对应的取值。
步骤301与前述实施例步骤200的具体实现过程相同,步骤302与前述实施例步骤201的具体实现过程相同,步骤303与前述实施例步骤202的具体实现过程相同,步骤304与前述实施例步骤203的具体实现过程相同,步骤305与前述实施例步骤204的具体实现过程相同,这里不再赘述。
在本发明另一个示例性实施例中,步骤304可以先于步骤303执行。也就是说,步骤304中的基线基础KPI可以是更新之前的基线基础KPI,也可以是更新之后的基线基础KPI。
在本发明另一个示例性实施例中,可以通过无线网络参数人工智能(AI,Artificial Intelligence)开关来确定是否启动无线网络参数AI功能,也就是无线网络参数的自适应配置功能。其中,一个无线网络参数AI开关可以对应一个小区或多个小区。
也就是说,当根据无线网络参数AI开关确定启动无线网络参数AI功能时,该方法还包括:
继续执行根据上行底噪和下行底噪进行干扰场景识别得到网络所在的干扰场景的步骤。
当根据无线网络参数AI开关确定启动无线网络参数AI功能时,结束本流程。
在本发明示例性实施例中,可以定时或固定周期(如15分钟)不断循环执行上述方法。
参见图4,本发明另一个示例性实施例提出了一种网络的自适应配置方法,包括:
步骤400、当上行误块率和下行误块率在预设时间内的所有检测值均大于或等于预设门限时,根据上行底噪和下行底噪进行干扰场景识别得到网络所在的干扰场景。
当上行误块率和下行误块率在预设时间内持续大于或等于预设门限(比如1%)时,意味着干扰场景是一个稳态的场景,这时候才可以启动干扰场景识别;当上行误块率或下行误块率在预设时间内持续一直为0时,就不认为存在稳定的干扰场景,做场景识别没有意义。
步骤401、根据所述网络所在的干扰场景缩小所述N个网络参数的取值范围。
在本发明示例性实施例中,可以通过离线学习的方法缩小N个网络参数的取值范围。
步骤402、确定网络的N个网络参数的第i个取值;其中,N个网络参数的第i个取值在缩小后的取值范围内,i为大于或等于1的整数。
步骤403、根据以N个网络参数的第i个取值运行之后的X个基础KPI和X个基线基础KPI确定是否更新X个基线基础KPI;其中,N,X为大于或等于1的整数。
步骤404、根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的第i个取值对应的增益。
步骤405、得到N个网络参数的所有取值对应的增益后,确定N个网络参数的最优取值为增益最大对应的取值。
步骤401~405与前述实施例步骤301~305的具体实现过程相同,这里不再赘述。
在本发明另一个示例性实施例中,当上行误块率和下行误块率在预设时间内存在M次检测值小于预设门限时,执行步骤100~103。
在本发明另一个示例性实施例中,步骤404可以先于步骤403执行。也就是说,步骤404中的基线基础KPI可以是更新之前的基线基础KPI,也可以是更新之后的基线基础KPI。
在本发明另一个示例性实施例中,可以通过无线网络参数人工智能(AI,Artificial Intelligence)开关来确定是否启动无线网络参数AI功能,也就是无线网络参数的自适应配置功能。其中,一个无线网络参数AI开关可以对应一个小区或多个小区。
也就是说,当根据无线网络参数AI开关确定启动无线网络参数AI功能时,该方法还包括:
继续执行判断上行误块率和下行误块率在预设时间内是否持续大于或等于预设门限的步骤。
当根据无线网络参数AI开关确定启动无线网络参数AI功能时,结束本流程。
在本发明示例性实施例中,可以定时或固定周期(如15分钟)不断循环执行上述方法。
参见图5,本发明另一个示例性实施例提出了一种网络的自适应配置装置,包括:
网络参数取值确定模块501,用于确定网络的N个网络参数的第i个取值;其中,i为大于或等于1的整数;
基线基础KPI更新模块502,用于根据以N个网络参数的第i个取值运行之后的X个基础关键绩效指标KPI和X个基线基础KPI确定是否更新X个基线基础KPI;其中,N,X为大于或等于1的整数;
增益确定模块503,用于根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的第i个取值对应的增益;
网络参数最优取值确定模块504,用于得到N个网络参数的所有取值对应的增益后,确定N个网络参数的最优取值为增益最大对应的取值。
在本发明另一个示例性实施例中,还包括:
AI开关模块505,用于向网络参数取值确定模块501发送无线网络参数AI开关;
网络参数取值确定模块501还用于:当根据无线网络参数人工智能AI开关确定启动无线网络参数AI功能时,继续执行所述确定网络的N个网络参数的第i个取值的步骤。
在本发明另一个示例性实施例中,网络参数取值确定模块501还用于:
当上行误块率和下行误块率在预设时间内存在M次检测值小于预设门限时,继续执行所述确定网络的N个网络参数的第i个取值的步骤。
在本发明另一个示例性实施例中,所述网络参数取确定模块501还用于:
根据所述网络所在的干扰场景缩小所述N个网络参数的取值范围;
其中,所述N个网络参数的第i个取值在缩小后的取值范围内。
在本发明示例性实施例中,网络可以是指一个或多个小区覆盖的网络。
在本发明示例性实施例中,网络可以是任意网络,例如NB-IoT网络。
在本发明示例性实施例中,N个网络参数是与综合KPI或基础KPI有较强相关度的网络参数。
其中,与综合KPI或基础KPI有较强相关度的N个网络参数可以通过仿真模拟获得,例如,综合KPI根据两个基础KPI(如NB-IoT小区无线信令承载(SRB,Signalling RadioBearer)上行有效吞吐率和NB-IoT小区SRB下行有效吞吐率)计算得到时,通过仿真模拟得出与综合KPI或基础KPI有较强相关度的N个网络参数包括:用户专有搜索空间(USS,UE-specific Search Space)的最大重复次数、USS的起始子帧、消息4(MSG4,Message4)混合自动重传请求(Harq,Hybrid Automatic Repeat Request)重复次数等等。
在本发明示例性实施例中,N个网络参数的第1个取值可以是默认配置的取值,N个网络参数的第i个取值可以通过离线学习的方法获得,N个网络参数的第i个取值在N个网络参数的初始取值范围内。
在本发明示例性实施例中,网络参数训练模块501可以根据网络所在的干扰场景对网络的N个网络参数进行网络参数训练得到N个网络参数的新的取值;或者,网络参数训练模块501直接对网络的N个网络参数进行网络参数训练得到N个网络参数的新的取值;或者,网络参数训练模块501在上行误块率和下行误块率在预设时间内存在M次检测值小于预设门限时,对网络的N个网络参数进行网络参数训练得到N个网络参数的新的取值;其中,M为大于或等于1的整数。
在本发明示例性实施例中,第一次进行网络参数的自适应配置时,X个基线基础KPI是以N个网络参数的默认配置的取值运行之后获得的,后续X个基线基础KPI根据以N个网络参数的实际取值运行之后获得的X个基础KPI更新获得。
在本发明示例性实施例中,基线基础KPI更新模块502具体用于执行至少之一:
当以N个网络参数的第i个取值运行之后的X个基础KPI对应的综合KPI与X个基线基础KPI对应的基线综合KPI之差大于或等于预设阈值时,更新所述X个基线基础KPI为以N个网络参数的第i个取值运行之后的X个KPI;
当以N个网络参数的第i个取值运行之后的X个基础KPI对应的综合KPI与X个基线基础KPI对应的基线综合KPI之差小于预设阈值时,保持所述X个基线基础KPI不变。
在本发明示例性实施例中,综合KPI根据X个基础KPI和基础KPI对应的权重计算得到,X为大于或等于1的整数。也就是说,综合KPI即为X个基础KPI的加权平均值。
其中,基础KPI可以是任意一个或多个KPI,例如,小区无线资源控制(RRC,RadioResource Control)连接建立成功率、小区S1接口UE相关逻辑信令连接建立成功率、小区无线掉线率、小区媒体访问控制(MAC,Media Access Control)层上行误块率、小区MAC层下行误块率、小区eNodeB寻呼拥塞率等。
其中,不同运营商可以采用不同的基础KPI。
在本发明示例性实施例中,增益确定模块503具体用于:
根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定所述N个网络参数的第i个取值对应的奖赏函数;
根据所述N个网络参数的第i个取值对应的奖赏函数确定所述N个网络参数的第i个取值对应的增益。
在本发明示例性实施例中,增益确定模块503具体用于采用以下至少之一方式实现根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定所述N个网络参数的第i个取值对应的奖赏函数:
当所述误块率BLER在预设范围内时,按照公式计算所述N个网络参数的第i个取值对应的奖赏函数;其中,Ri为所述N个网络参数的第i个取值对应的奖赏函数,wj为第j个基础KPI的权重,KPIj,real为以所述N个网络参数的第i个取值运行之后的第j个基础KPI,KPIj,target为第j个基线基础KPI,norm(X)为对X的归一化;
当所述误块率不在预设范围内时,确定所述N个网络参数的第i个取值对应的奖赏函数为预设值(例如,为-100)。
其中,预设值小于0。
在本发明示例性实施例中,增益确定模块503具体用于采用以下方式实现根据N个网络参数的第i个取值对应的奖赏函数确定所述N个网络参数的第i个取值对应的增益:
其中,Q(Si,Ai)为所述N个网络参数的第i个取值对应的增益,Si为所述N个网络参数的第i个取值,Ai为所述N个网络参数的第i个取值对应的动作,Q(Si-1,Ai-1)为所述N个网络参数的第(i-1)个取值对应的增益,Si-1为所述N个网络参数的第(i-1)个取值,Ai-1为所述N个网络参数的第(i-1)个取值对应的动作,Ri-1为所述N个网络参数的第(i-1)个取值对应的奖赏函数,Ri为所述N个网络参数的第i个取值对应的奖赏函数,α为学习率,γ为折扣率。
在上述方法中,奖赏函数Ri需要先根据BLER的值判断当前状态是否符合预期误块率(即是否在预设范围内)。当BLER在正常工作范围内(即在预设范围内)时,奖赏函数Ri是当前KPI统计值离基线值的差值,如果统计值都小于设定基线KPI值,则Ri值为负,如果统计值都大于设定基线KPI值(优化对象),则Ri值为正。所以每次状态获取都要获得最大的奖赏函数值R。
上述方法中,每一个Si对应的Ai可以通过离线学习的方法获得。
在本发明另一个示例性实施例中,还包括:
在本发明另一个示例性实施例中,还包括:
场景识别模块506,用于根据上行底噪和下行底噪进行干扰场景识别得到网络所在的干扰场景。
在本发明示例性实施例中,各子载波的上行底噪和下行底噪测量值可以用计数器来指示,利用这些计数器结合一些判断条件,识别出对应的干扰场景。
在本发明示例性实施例中,场景识别模块506可以通过干扰场景识别算法,利用各层统计变量识别上、下行干扰。具体的,场景识别模块506可以采用以下干扰场景识别方法得到网络所在的干扰场景:确定上行底噪和下行底噪所满足的条件;确定网络所在的干扰场景为所满足的条件对应的干扰场景。
例如,ul_noise表示上行底噪;dl_noise表示下行底噪,单位dBm。
ul_baseline_noise表示上行基准底噪;dl_baseline_noise表示下行基准底噪,单位dBm。
T表示场景识别更新周期,精度1小时,取值范围{1小时~100天}。
上行测量误差门限UlMeasErrorThr,默认取值2dB,取值范围{0~5dB};下行估算误差门限DlMeasErrorThr,默认取值2dB,取值范围{0~10dB}。
那么,上行基准底噪ul_baseline_noise取值=lin2db((db2lin(热噪声功率普密度+BS噪声系数))*系统带宽);其中,lin2db()为单位转换函数,db2lin()为单位转换函数;
下行基准底噪dl_baseline_noise取值=lin2db((db2lin(热噪声功率谱密度+UE噪声系数))*系统带宽)。
在场景识别更新周期T内,统计ul_noise和dl_noise;
上行底噪抬升delta_ul_noise=ul_noise-ul_baseline_noise;
下行底噪delta_dl_noise=dl_noise-dl_baseline_noise;
当上行底噪抬升delta_ul_noise大于或等于UlMeasErrorThr,且下行底噪抬升delta_dl_noise大于或等于DlMeasErrorThr,且delta_ul_noise大于或等于第一预设门限(如10)时,确定网络所在的干扰场景为场景4;
当上行底噪抬升delta_ul_noise小于UlMeasErrorThr,或下行底噪抬升delta_dl_noise小于DlMeasErrorThr,或delta_ul_noise小于第一预设门限(如10)时,确定网络所在的干扰场景为场景1;
当delta_ul_noise大于或等于第二预设门限(如30)时,确定网络所在的干扰场景为场景6;
当delta_ul_noise大于或等于第三预设门限(如20),且小于第二预设门限时,确定网络所在的干扰场景为场景5;
当delta_ul_noise大于或等于第四预设门限(如10),且小于第三预设门限时,确定网络所在的干扰场景为场景3;
当下行底噪抬升delta_dl_noise大于或等于DlMeasErrorThr时,确定网络所在的干扰场景为场景2;
当下行底噪抬升delta_dl_noise小于DlMeasErrorThr时,确定网络所在的干扰场景为场景0。
当然,本发明的一些示例性实施例中,网络所在的干扰场景也可以预先识别获得或设置或采用其他方式获得。
在本发明另一个示例性实施例中,场景识别模块506还用于:
当上行误块率和下行误块率在预设时间内的所有检测值均大于或等于预设门限时,继续执行所述根据上行底噪和下行底噪进行干扰场景识别得到网络所在的干扰场景的步骤。
当上行误块率和下行误块率在预设时间内持续大于或等于预设门限(比如1%)时,意味着干扰场景是一个稳态的场景,这时候才可以启动干扰场景识别;当上行误块率或下行误块率在预设时间内持续一直为0时,就不认为存在稳定的干扰场景,做场景识别没有意义。
在本发明另一个示例性实施例中,可以通过无线网络参数人工智能(AI,Artificial Intelligence)开关来确定是否启动无线网络参数AI功能,也就是无线网络参数的自适应配置功能。其中,一个无线网络参数AI开关可以对应一个小区或多个小区。
也就是说,场景识别模块506还用于:当根据无线网络参数AI开关确定启动无线网络参数AI功能时,继续执行所述根据上行底噪和下行底噪进行干扰场景识别得到网络所在的干扰场景的步骤。
当根据无线网络参数AI开关确定启动无线网络参数AI功能时,结束本流程。
在本发明示例性实施例中,可以定时或固定周期(如15分钟)不断循环执行上述方法。
上述网络的自适应配置装置的具体实现过程与前述实施例网络的自适应配置方法的具体实现过程相同,这里不再赘述。
本发明另一个示例性实施例提出了一种网络的自适应配置装置,包括处理器和计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令被所述处理器执行时,实现上述任一种网络的自适应配置方法。
本发明另一个示例性实施例提出了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种网络的自适应配置方法的步骤。
下面通过举例说明本发明实施例的方法的具体实现,所举例子仅仅是为了帮助理解,不能用于限定本发明实施例的保护范围。
示例1
本示例介绍基站的架构组成。如图6所示,基站包括操作管理维护(OAM,OperationAdministration and Maintenance)模块、业务模块、媒体接入层控制面(CMAC,ControlSurface of Media Access Control)和物理层(PHY,Physical Layer);并且,在主控板上新设场景识别模块和参数训练模块(这里的参数训练模块包括上述网络参数取值确定模块501、基线基础KPI更新模块502、增益确定模块503和网络参数最优取值确定模块504)。
其中,OAM模块(即上述AI开关模块),用于配置无线网络参数AI开关,将无线网络参数AI开关发送给参数训练模块;
业务模块,用于将业务计数器发送给参数训练模块;业务计数器用于统计上行误块率(BLER,Block Error Ratio)和下行误块率;
场景识别模块,用于根据上行底噪和下行底噪进行干扰场景识别得到网络所在的干扰场景,将网络所在的干扰场景记录在日志记录中;
参数训练模块,用于当根据无线网络参数AI开关确定启动无线网络参数AI功能时,当根据业务计数器判断出进行场景识别时,通知场景识别模块进行场景识别;根据网络所在的干扰场景缩小N个网络参数的取值范围;其中,N为大于或等于1的整数;确定网络的N个网络参数的第i个取值;其中,N个网络参数的第i个取值在缩小后的取值范围内,i为大于或等于1的整数;将N个网络参数的第i个取值发送给CMAC,并将N个网络参数的第i个取值记录到日志记录中;根据以N个网络参数的第i个取值运行之后的X个基础KPI和X个基线基础KPI确定是否更新X个基线基础KPI;其中,N,X为大于或等于1的整数;根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的第i个取值对应的增益;得到N个网络参数的所有取值对应的增益后,确定N个网络参数的最优取值为增益最大对应的取值;
CMAC,用于将测量的上行底噪和下行底噪发送给场景识别模块;接收到N个网络参数的第i个取值,将N个网络参数的第i个取值配置到网络中;
PHY,用于测量上行底噪和下行底噪。
示例2
本示例介绍基站的实现过程,基站的实现过程包括两个过程:初始过程和参数训练过程。
其中,初始过程包括:基站上电或重启过程、小区的删除或重建过程、无线网络参数AI开关的配置过程。
在无线网络参数AI开关的配置过程中,OAM模块给参数训练模块发送无线网络参数AI开关,参数训练模块根据无线网络参数开关确定是否启动小区的无线网络参数AI功能。
具体的,当小区删除时,配置无线网络参数AI开关为0(即关);当新增小区(即小区重建)时,配置无线网络参数AI开关为1(即开);其他场景可以根据实际情况配置无线网络参数AI开关。
当无线网络参数AI开关配置为关时,OAM模块将后台配置的N个网络参数的取值发送给参数训练模块,参数训练模块将N个网络参数的取值发送给CMAC,CMAC将N个网络参数的取值配置到网络中;
当无线网络参数AI开关配置为开时,OAM模块将数据库保存的N个网络参数的取值(即默认配置的N个网络参数的取值)发送给参数训练模块,参数训练模块将N个网络参数的取值发送给CMAC,CMAC将N个网络参数的取值配置到网络中。
其中,在参数训练过程中,以15分钟为粒度(当然,也可以采用其他时间为粒度,具体的时间粒度不用于限定本发明实施例的保护范围),那么,CMAC将N个网络参数的取值配置到网络中,以默认配置的N个网络参数的取值运行的第一个15分钟后,参数训练模块采集所有基础KPI,基于采集的KPI计算综合KPI,在综合KPI稳定(如以连续一周的采样波动在允许的范围内)时将综合KPI作为基线综合KPI。
在以默认配置的N个网络参数的取值运行的第2i(i为大于或等于1的整数)个15分钟后,场景识别模块根据上行底噪和下行底噪进行干扰场景识别得到网络所在的干扰场景;参数训练模块根据网络所在的干扰场景缩小N个网络参数的取值范围,确定N个网络参数的新的取值,将N个网络参数的新的取值发送给CMAC,CMAC将N个网络参数的新的取值配置到网络中,以N个网络参数的新的取值运行;
在以默认配置的N个网络参数的取值运行的第(2i+1)个15分钟后,参数训练模块根据以N个网络参数的新的取值运行之后的X个基础KPI与X个基线基础KPI确定是否更新X个基线基础KPI;具体的,当以N个网络参数的新的取值运行之后的综合KPI与基线综合KPI之差大于或等于预设阈值时,更新X个基线基础KPI为以N个网络参数的新的取值运行之后的X个基础KPI,即N个网络参数的取值修改后,综合KPI有明显提升;当以N个网络参数的新的取值运行之后的综合KPI与基线综合KPI之差小于预设阈值时,保持X个基线基础KPI不变,即N个网络参数修改后,综合KPI没有明显的提升或者可以忽略,网络参数的修改无效;
根据以N个网络参数的新的取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的新的取值对应的增益;
得到N个网络参数的所有取值对应的增益后,确定N个网络参数的最优取值为增益最大对应的取值。
例如,当采用的基础KPI为NB-IoT小区SRB上行有效吞吐率和NB-IoT小区SRB下行有效吞吐率时,两个基础KPI权重各占50%,运行之后得到的综合KPI变化过程如表1所示。
表1
那么,通过仿真模拟得出这2个KPI指标是影响整个无线网络性能的关键指标,对上下行吞吐率有贡献的参数调整优化方向通常就是最正确的方向。例如通过仿真测试找出如表1所示的无线网络参数与这2个KPI指标有较强的相关性,通过调节这些无线网络参数,能够对这2个KPI指标产生明显的变化影响。
探索有如下可能:每一次修改N个网络参数的取值之后,下一个15分钟对齐的综合KPI和基线综合KPI相比,如果没有改善。则这次的修改网络参数的取值作废。标记已经使用过的N个网络参数的取值组合。进行下一次尝试。如果有改善,则记录这一次N个网络参数的新的取值,对应改善的综合KPI,指标提升的幅度。
特别地,对于修改网络参数的取值引起的指标变化,改善与否,系统会设定一个阈值。如在当前基线网络参数的配置条件下,运行获取的某一时段的综合KPI指标,通过自适应尝试参数变更,提升相对幅度在1%以上才会被计入有效改善。比这更微小的改变,被系统忽略不计为变化。
经过参数这样不断的遍历,选择在一周之内,最优的综合KPI对应的网络参数,配置下去。
然后如果系统持续运行达到一月,就在一月之内,选择4周当中,最优的综合KPI对应的网络参数配置下去。
如果系统继续运行满第二月,则进一步和前一个月进行对比,迭代选择N个网络参数的更优的取值作为实际使用的配置参数组合。在第2个月不满的时候,还在每一周之间进行对比。
这样只要在一键自动配置开关打开,系统运行就会这样持续迭代,总是能够得出当前最优网络参数配置,一旦现网运行的业务终端模型发生变化,系统能够自适应这些变化,得出新的终端部署特征下的最优网络参数配置,而无需人工优化参与。
示例3
本示例中介绍基础KPI的选择,基础KPI的选择不是一成不变的,不同运营商的业务终端类型和分布均有差异,由此带来对网络性能的不同诉求,本方案还可以针对不同运营商定制的基础KPI进行,比如中国移动通信集团有限公司(CMCC,China MobileCommunication Corporation),可以选择如表2所示的一组基础KPI。前两个KPI正向指标,权重分别占30%,后面4个KPI反向指标,权重各占10%。
表2
这样,通过选择不同运营商定制的基础KPI指标得到基线KPI,保证调整优化的效果对不同运营商网络都是有正面增益的。上述各基线KPI经过总体折算之后,得出一个综合KPI,作为参数自优化的进退的唯一标准。为保证实施效果,在改变上述基线KPI为运营商定制的基础KPI之后,仍然需要通过仿真平台测算出跟上述基础KPI强相关的另一组N个网络参数,系统的训练和AMC网络参数迭代在仿真选定后的强相关参数集合里取值尝试。避免无效的参数适配。
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。
虽然本发明实施例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实施例而采用的实施方式,并非用以限定本发明实施例。任何本发明实施例所属领域内的技术人员,在不脱离本发明实施例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,但本发明实施例的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (13)
1.一种网络的自适应配置方法,包括:
确定网络的N个网络参数的第i个取值;其中,i为大于或等于1的整数;
根据以N个网络参数的第i个取值运行之后的X个基础关键绩效指标KPI和X个基线基础KPI确定是否更新X个基线基础KPI;其中,N,X为大于或等于1的整数;
根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的第i个取值对应的增益;
得到N个网络参数的所有取值对应的增益后,确定N个网络参数的最优取值为增益最大对应的取值;
其中,所述根据以N个网络参数的第i个取值运行之后的X个基础关键绩效指标KPI和X个基线基础KPI确定是否更新X个基线基础KPI包括以下至少之一:
当以N个网络参数的第i个取值运行之后的X个基础KPI对应的综合KPI与X个基线基础KPI对应的基线综合KPI之差大于或等于预设阈值时,更新所述X个基线基础KPI为以N个网络参数的第i个取值运行之后的X个KPI;
当以N个网络参数的第i个取值运行之后的X个基础KPI对应的综合KPI与X个基线基础KPI对应的基线综合KPI之差小于预设阈值时,保持所述X个基线基础KPI不变;
其中,所述综合KPI根据X个基础KPI和所述基础KPI对应的权重计算得到。
2.根据权利要求1所述的方法,其特征在于,当根据无线网络参数人工智能AI开关确定启动无线网络参数AI功能时,该方法还包括:
继续执行所述确定网络的N个网络参数的第i个取值的步骤。
3.根据权利要求1或2所述的方法,其特征在于,该方法还包括:
当上行误块率和下行误块率在预设时间内存在M次检测值小于预设门限时,继续执行所述确定网络的N个网络参数的第i个取值的步骤。
4.根据权利要求1或2所述的方法,其特征在于,所述确定网络的N个网络参数的第1个取值之前,该方法还包括:
根据所述网络所在的干扰场景缩小所述N个网络参数的取值范围;
其中,所述N个网络参数的第i个取值在缩小后的取值范围内。
5.根据权利要求4所述的方法,其特征在于,所述根据所述网络所在的干扰场景缩小所述N个网络参数的取值范围之前,该方法还包括:
根据上行底噪和下行底噪进行干扰场景识别得到网络所在的干扰场景。
6.根据权利要求5所述的方法,其特征在于,其中,所述根据上行底噪和下行底噪进行干扰场景识别得到网络所在的干扰场景包括:
确定所述上行底噪和所述下行底噪所满足的条件;
确定所述网络所在的干扰场景为所述条件对应的干扰场景。
7.根据权利要求5所述的方法,其特征在于,该方法还包括:
当上行误块率和下行误块率在预设时间内的所有检测值均大于或等于预设门限时,继续执行所述根据上行底噪和下行底噪进行干扰场景识别得到网络所在的干扰场景的步骤。
8.根据权利要求1或2所述的方法,其特征在于,其中,所述根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的第i个取值对应的增益包括:
根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定所述N个网络参数的第i个取值对应的奖赏函数;
根据所述N个网络参数的第i个取值对应的奖赏函数确定所述N个网络参数的第i个取值对应的增益。
9.根据权利要求8所述的方法,其特征在于,其中,所述根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定所述N个网络参数的第i个取值对应的奖赏函数包括以下至少之一:
当所述误块率在预设范围内时,按照公式计算所述N个网络参数的第i个取值对应的奖赏函数;其中,Ri为所述N个网络参数的第i个取值对应的奖赏函数,wj为第j个基础KPI的权重,KPIj,real为以所述N个网络参数的第i个取值运行之后的第j个基础KPI,KPIj,target为第j个基线基础KPI,norm(X)为对X的归一化;
当所述误块率不在预设范围内时,确定所述N个网络参数的第i个取值对应的奖赏函数为预设值。
10.根据权利要求8所述的方法,其特征在于,其中,所述根据N个网络参数的第i个取值对应的奖赏函数确定所述N个网络参数的第i个取值对应的增益包括:
其中,Q(Si,Ai)为所述N个网络参数的第i个取值对应的增益,Si为所述N个网络参数的第i个取值,Ai为所述N个网络参数的第i个取值对应的动作,Q(Si-1,Ai-1)为所述N个网络参数的第(i-1)个取值对应的增益,Si-1为所述N个网络参数的第(i-1)个取值,Ai-1为所述N个网络参数的第(i-1)个取值对应的动作,Ri-1为所述N个网络参数的第(i-1)个取值对应的奖赏函数,Ri为所述N个网络参数的第i个取值对应的奖赏函数,α为学习率,γ为折扣率。
11.一种网络的自适应配置装置,包括:
网络参数取值确定模块,用于确定网络的N个网络参数的第i个取值;其中,i为大于或等于1的整数;
基线基础KPI更新模块,用于根据以N个网络参数的第i个取值运行之后的X个基础关键绩效指标KPI和X个基线基础KPI确定是否更新X个基线基础KPI;其中,N,X为大于或等于1的整数;其中,所述根据以N个网络参数的第i个取值运行之后的X个基础关键绩效指标KPI和X个基线基础KPI确定是否更新X个基线基础KPI包括以下至少之一:当以N个网络参数的第i个取值运行之后的X个基础KPI对应的综合KPI与X个基线基础KPI对应的基线综合KPI之差大于或等于预设阈值时,更新所述X个基线基础KPI为以N个网络参数的第i个取值运行之后的X个KPI;当以N个网络参数的第i个取值运行之后的X个基础KPI对应的综合KPI与X个基线基础KPI对应的基线综合KPI之差小于预设阈值时,保持所述X个基线基础KPI不变;其中,所述综合KPI根据X个基础KPI和所述基础KPI对应的权重计算得到;
增益确定模块,用于根据以N个网络参数的第i个取值运行之后的误块率和X个基础KPI以及X个基线基础KPI确定N个网络参数的第i个取值对应的增益;
网络参数最优取值确定模块,用于得到N个网络参数的所有取值对应的增益后,确定N个网络参数的最优取值为增益最大对应的取值。
12.一种网络的自适应配置装置,包括处理器和计算机可读存储介质,所述计算机可读存储介质中存储有指令,其特征在于,当所述指令被所述处理器执行时,实现如权利要求1~10任一项所述的网络的自适应配置方法。
13.一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如权利要求1~10任一项所述的网络的自适应配置方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910323228.7A CN111835545B (zh) | 2019-04-22 | 2019-04-22 | 一种网络的自适应配置方法和装置 |
PCT/CN2020/086036 WO2020216232A1 (zh) | 2019-04-22 | 2020-04-22 | 网络的自适应配置方法和装置 |
EP20795141.9A EP3961986A4 (en) | 2019-04-22 | 2020-04-22 | ADAPTIVE CONFIGURATION METHOD AND NETWORK DEVICE |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910323228.7A CN111835545B (zh) | 2019-04-22 | 2019-04-22 | 一种网络的自适应配置方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111835545A CN111835545A (zh) | 2020-10-27 |
CN111835545B true CN111835545B (zh) | 2023-03-24 |
Family
ID=72912658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910323228.7A Active CN111835545B (zh) | 2019-04-22 | 2019-04-22 | 一种网络的自适应配置方法和装置 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP3961986A4 (zh) |
CN (1) | CN111835545B (zh) |
WO (1) | WO2020216232A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024005562A1 (en) * | 2022-07-01 | 2024-01-04 | Samsung Electronics Co., Ltd. | Embedding neural networks as a matrix for network device in wireless network |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964985A (zh) * | 2010-09-29 | 2011-02-02 | 中国科学院声学研究所 | 一种lte/lte-a中自组织网络的覆盖与容量自优化装置及其方法 |
CN103096354A (zh) * | 2011-11-04 | 2013-05-08 | 上海湾流仪器技术有限公司 | Td-scdma的关键性能指标统计的钻取方法 |
CN103458444A (zh) * | 2012-05-29 | 2013-12-18 | 中国联合网络通信集团有限公司 | 设备配置自适应方法、装置及系统 |
WO2014176769A1 (zh) * | 2013-05-02 | 2014-11-06 | 华为技术有限公司 | 网络优化的方法、网络优化的装置和网络优化的设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2647239A1 (en) * | 2010-12-03 | 2013-10-09 | Huawei Technologies Co., Ltd. | Method and apparatus of communications |
CN103200624B (zh) * | 2012-01-10 | 2015-11-25 | 鼎桥通信技术有限公司 | 自适应上行增强方法和无线网络控制器 |
CN102904018B (zh) * | 2012-09-14 | 2016-12-21 | 中兴通讯股份有限公司 | 一种有源天线自适应调整下倾角的方法及装置 |
CN109845310B (zh) * | 2016-10-13 | 2021-10-22 | 华为技术有限公司 | 利用强化学习进行无线资源管理的方法和单元 |
US10064099B1 (en) * | 2017-05-16 | 2018-08-28 | At&T Intellectual Property I, L.P. | Method and apparatus for adaptive load balancing in wireless networks |
EP3635505B1 (en) * | 2017-07-06 | 2023-09-06 | Huawei Technologies Co., Ltd. | System and method for deep learning and wireless network optimization using deep learning |
US10785101B2 (en) * | 2017-08-23 | 2020-09-22 | Futurewei Technologies, Inc. | Automatically optimize parameters via machine learning |
-
2019
- 2019-04-22 CN CN201910323228.7A patent/CN111835545B/zh active Active
-
2020
- 2020-04-22 EP EP20795141.9A patent/EP3961986A4/en active Pending
- 2020-04-22 WO PCT/CN2020/086036 patent/WO2020216232A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964985A (zh) * | 2010-09-29 | 2011-02-02 | 中国科学院声学研究所 | 一种lte/lte-a中自组织网络的覆盖与容量自优化装置及其方法 |
CN103096354A (zh) * | 2011-11-04 | 2013-05-08 | 上海湾流仪器技术有限公司 | Td-scdma的关键性能指标统计的钻取方法 |
CN103458444A (zh) * | 2012-05-29 | 2013-12-18 | 中国联合网络通信集团有限公司 | 设备配置自适应方法、装置及系统 |
WO2014176769A1 (zh) * | 2013-05-02 | 2014-11-06 | 华为技术有限公司 | 网络优化的方法、网络优化的装置和网络优化的设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2020216232A1 (zh) | 2020-10-29 |
EP3961986A1 (en) | 2022-03-02 |
CN111835545A (zh) | 2020-10-27 |
EP3961986A4 (en) | 2023-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101969662B (zh) | 一种随机接入优化的终端测量上报的方法及系统 | |
CN102986280B (zh) | 无线网络中的最大功率降低与功率缩放之间的交互 | |
US11095393B2 (en) | Outer loop link adaptation adjustment method and apparatus | |
KR101098628B1 (ko) | 측정 보고를 처리하는 방법, 네트워크 장치, 네트워크 시스템 및 컴퓨터 판독가능 저장 매체 | |
US11569933B2 (en) | Method and apparatus for detecting physical downlink control channel based on predicted information | |
KR101567368B1 (ko) | 광대역 무선통신 시스템에서 셀 간 간섭 감소를 위한 자원 관리 장치 및 방법 | |
KR101057292B1 (ko) | 통신 시스템의 변조 및 코딩 세트를 설계하는 방법 및 장치 | |
EP2066058A2 (en) | Method and system for constructing channel quality indicator tables for feedback in a communication system | |
US20230189046A1 (en) | Cell measurement reporting schemes in wireless communications | |
CN104320856A (zh) | 一种drx态的终端调度的方法及装置 | |
CN111835545B (zh) | 一种网络的自适应配置方法和装置 | |
US10911083B2 (en) | Method of adjusting and controlling the receiver power adaptation according to the transmission environment in eNodeB LTE system | |
CN113411904B (zh) | 上行调度控制方法及装置、设备和存储介质 | |
CN110475363B (zh) | 随机接入资源的选择方法、装置及设备、存储介质 | |
US20230292229A1 (en) | Terminal scanning method, system, and apparatus, electronic device, and storage medium | |
US10951354B2 (en) | Method and apparatus for adjusting channel quality information (CQI) considering handover | |
CN104661295B (zh) | 基于速率集的逐包功率控制方法 | |
CN108768589B (zh) | 初始mcs配置的调节方法及装置 | |
CN112601276A (zh) | 一种时隙干扰的解决方法、终端设备和基站设备 | |
TWI724498B (zh) | 行動網路階層優化之系統及其方法 | |
CN112532363A (zh) | Srs传输方法、终端及存储介质 | |
CN114189883A (zh) | 天线权值调整方法、装置及计算机可读存储介质 | |
CN108886410B (zh) | 用于确定无线电装置的过功率签约调整的系统和方法 | |
CN108551687B (zh) | 一种用于lte通信系统的上行功率控制方法 | |
US20230361893A1 (en) | Method for adapting a communication channel for urllc services |
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 |