CN112153658A - 基于分组错误预测的延迟减少 - Google Patents
基于分组错误预测的延迟减少 Download PDFInfo
- Publication number
- CN112153658A CN112153658A CN201911397109.2A CN201911397109A CN112153658A CN 112153658 A CN112153658 A CN 112153658A CN 201911397109 A CN201911397109 A CN 201911397109A CN 112153658 A CN112153658 A CN 112153658A
- Authority
- CN
- China
- Prior art keywords
- data
- wireless communication
- network node
- communication links
- data packet
- 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
- 230000009467 reduction Effects 0.000 title description 4
- 238000004891 communication Methods 0.000 claims abstract description 183
- 238000010801 machine learning Methods 0.000 claims abstract description 88
- 238000005259 measurement Methods 0.000 claims abstract description 85
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims description 74
- 230000008569 process Effects 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 45
- 230000005540 biological transmission Effects 0.000 claims description 42
- 230000009471 action Effects 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 24
- 230000004044 response Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000306 recurrent effect Effects 0.000 claims description 11
- 230000002123 temporal effect Effects 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 26
- 210000004027 cell Anatomy 0.000 description 22
- 239000010410 layer Substances 0.000 description 12
- 238000003066 decision tree Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 230000011664 signaling Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000013106 supervised machine learning method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 208000032370 Secondary transmission Diseases 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001976 improved effect Effects 0.000 description 1
- 230000009349 indirect transmission Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 229920003087 methylethyl cellulose Polymers 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/12—Arrangements for detecting or preventing errors in the information received by using return channel
- H04L1/16—Arrangements for detecting or preventing errors in the information received by using return channel in which the return channel carries supervisory signals, e.g. repetition request signals
- H04L1/1607—Details of the supervisory signal
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/12—Arrangements for detecting or preventing errors in the information received by using return channel
- H04L1/16—Arrangements for detecting or preventing errors in the information received by using return channel in which the return channel carries supervisory signals, e.g. repetition request signals
- H04L1/18—Automatic repetition systems, e.g. Van Duuren systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/12—Arrangements for detecting or preventing errors in the information received by using return channel
- H04L1/16—Arrangements for detecting or preventing errors in the information received by using return channel in which the return channel carries supervisory signals, e.g. repetition request signals
- H04L1/18—Automatic repetition systems, e.g. Van Duuren systems
- H04L1/1812—Hybrid protocols; Hybrid automatic repeat request [HARQ]
- H04L1/1816—Hybrid protocols; Hybrid automatic repeat request [HARQ] with retransmission of the same, encoded, message
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/12—Arrangements for detecting or preventing errors in the information received by using return channel
- H04L1/16—Arrangements for detecting or preventing errors in the information received by using return channel in which the return channel carries supervisory signals, e.g. repetition request signals
- H04L1/18—Automatic repetition systems, e.g. Van Duuren systems
- H04L1/1812—Hybrid protocols; Hybrid automatic repeat request [HARQ]
- H04L1/1819—Hybrid protocols; Hybrid automatic repeat request [HARQ] with retransmission of additional or different redundancy
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/12—Arrangements for detecting or preventing errors in the information received by using return channel
- H04L1/16—Arrangements for detecting or preventing errors in the information received by using return channel in which the return channel carries supervisory signals, e.g. repetition request signals
- H04L1/18—Automatic repetition systems, e.g. Van Duuren systems
- H04L1/1825—Adaptation of specific ARQ protocol parameters according to transmission conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/12—Arrangements for detecting or preventing errors in the information received by using return channel
- H04L1/16—Arrangements for detecting or preventing errors in the information received by using return channel in which the return channel carries supervisory signals, e.g. repetition request signals
- H04L1/18—Automatic repetition systems, e.g. Van Duuren systems
- H04L1/1867—Arrangements specially adapted for the transmitter end
- H04L1/189—Transmission or retransmission of more than one copy of a message
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/22—Arrangements for detecting or preventing errors in the information received using redundant apparatus to increase reliability
-
- 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
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- 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
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
-
- 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
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
- H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
-
- 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
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/04—Error control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/26—Resource reservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
根据一方面,提供了一种网络节点,包括用于执行以下的部件。最初,用于基于测量来预测数据分组的失败传递的概率的经训练的机器学习算法被保持在数据库中。该网络节点针对其无线通信链路中的每个无线通信链路来执行以下。该网络节点引起执行与第一无线通信链路有关的测量以形成测量数据集合,并且使用经训练的机器学习算法和测量数据集合来预测在第一无线通信链路上的数据分组的失败传递的概率。该网络节点确定数据分组的失败传递的概率是否超过阈值。如果数据分组的失败传递的概率超过阈值,则网络节点在第一无线通信链路上向第一接收器传输数据分组,以及数据分组的副本和冗余数据中的一项。
Description
技术领域
各种示例实施例涉及无线通信。
背景技术
无线网络通常采用某种类型的重传过程以确保数据分组的成功传输。在这样的重传过程中,接收器经常请求它未能译码的每个数据分组的重传。通常指定传输参数,使得达到预定义的成功率(例如99%)。允许某些传输失败会产生较高的频谱效率,代价是一些额外的延迟和处理开销。无法保证100%的无线传输的成功率的主要原因是无线信道看似随机的性质。如果要涵盖所有在统计上可预见的情况,那么即使在最坏的场景下,由于要保证分组递送所需的冗余,数据速率将非常低。在大多数情况下,显然不需要这种极端冗余。
前面提到的一些问题仅仅是由于缺乏针对潜在现象的适当模型而引起的。换言之,通过标识这些物理现象并且通过某种方式对其进行建模,将有可能进一步提供无线系统的效率。
WO 2017127000 A1公开了用于确定实时媒体流的传输条件的无线通信网络的方法、系统和用户设备。所述系统支持基于无线电网络统计来针对实时媒体(诸如视频)选择合适的发送速率和错误校正。
发明内容
根据一方面,提供了独立权利要求的主题。实施例在从属权利要求中定义。本发明的各种实施例所寻求的保护范围由独立权利要求阐明。
本说明书中描述的不落入独立权利要求的范围的实施例和特征(如果存在)将被解释为对理解本发明的各种实施例有用的示例。
附图说明
在下文中,将参考附图更详细地描述示例实施例,在附图中:
图1示出了示例性无线通信系统;
图2至图7示出了根据实施例的示例性过程;以及
图8示出了根据实施例的装置。
具体实施方式
在下文中,将使用基于长期演进高级(LTE高级,LTE-A)或新无线电(NR,5G)的无线电接入架构作为可以应用实施例的接入架构的示例来描述不同的示例性实施例,然而,而不是将实施例限制为这样的架构。对于本领域技术人员而言显而易见的是,实施例还可以通过适当地调整参数和程序来应用于具有合适部件的其他种类的通信网络。合适系统的其他选项的一些示例是通用移动电信系统(UMTS)无线电接入网络(UTRAN或E-UTRAN)、长期演进(LTE,与E-UTRA相同)、无线局域网(WLAN或WiFi)、微波接入全球互操作(WiMAX),蓝牙个人通信服务(PCS)、宽带码分多址(WCDMA)、使用超宽带(UWB)技术的系统、传感器网络、移动自组织网络(MANET)和互联网协议多媒体子系统(IMS)或其任何组合。
图1描绘了简化的系统架构的示例,仅示出了一些元素和功能实体,所有这些都是逻辑单元,这些元素和功能实体的实现可能与所示的有所不同。图1所示的连接是逻辑连接;实际的物理连接可能有所不同。对于本领域技术人员而言显而易见的是,该系统通常还包括图1所示的功能和结构之外的其他功能和结构。
然而,实施例不限于作为示例给出的系统,而是本领域技术人员可以将解决方案应用于被提供有必要特性的其他通信系统。
图1的示例示出了示例性无线电接入网络的一部分。
图1示出了用户设备100和102(均称为终端设备),用户设备100和102被配置为在小区中的一个或多个通信信道上与提供小区的接入节点(诸如(e/g)NodeB)104处于无线连接。从用户设备到(e/g)NodeB的物理链路被称为上行链路或反向链路,而从(e/g)NodeB到用户设备的物理链路被称为下行链路或前向链路。应当理解,可以通过使用适合于这种用法的任何节点、主机、服务器或接入点等实体来实现(e/g)NodeB或其功能。
通信系统通常包括多于一个的(e/g)NodeB,在这种情况下,(e/g)NodeB也可以被配置为通过为此目的而设计的有线或无线链路相互通信。这些链路可以用于信令目的。(e/g)NodeB是被配置为控制其耦合到的通信系统的无线电资源的计算设备。NodeB还可以被称为基站、接入点或包括能够在无线环境中操作的中继站的任何其他类型的接口设备。(e/g)NodeB包括或耦合到收发器。从(e/g)NodeB的收发器,向天线单元提供连接,该连接建立到用户设备的双向无线电链路。天线单元可以包括多个天线或天线元件。(e/g)NodeB还连接到核心网络110(CN或下一代核心NGC)。取决于系统,CN侧的对等方可以是服务网关(S-GW,路由和转发用户数据分组)、分组数据网络网关(P-GW)(用于提供用户设备(UE)到外部分组数据网络的连接)、或移动管理实体(MME)等。
用户设备(也被称为UE、用户设备、用户终端或终端设备)示出了空中接口上的资源被分配和指派给其的一种类型的装置,并且因此本文所描述的与用户设备有关的任何特征可以由对应的装置(诸如中继节点)来实现。这种中继节点的示例是朝向基站的第3层中继(自回程中继)。
用户设备通常是指便携式计算设备,该便携式计算设备包括在具有或没有订户标识模块(SIM)的情况下操作的无线移动通信设备,包括但不限于以下类型的设备:移动站(移动电话)、智能手机、个人数字助理(PDA)、手机,使用无线调制解调器的设备(警报或测量设备等)、膝上型计算机和/或触摸屏计算机、平板电脑、游戏机、笔记本、以及多媒体设备。应当理解,用户设备也可以是几乎排他性的仅上行链路设备,其示例是将图像或视频剪辑加载到网络的照相机或摄像机。用户设备也可以是具有在物联网(IoT)网络中操作的能力的设备,在该场景中,对象被提供有无需人对人或人对计算机的交互就可以通过网络传送数据的能力。用户设备(或在一些实施例中,第3层中继节点)被配置为执行用户设备功能中的一个或多个。用户设备也可以被称为订户单元、移动站、远程终端、接入终端、用户终端或用户设备(UE),仅提及几个名称或装置。
本文描述的各种技术也可以应用于网络物理系统(CPS)(协作控制物理实体的计算元件的系统)。CPS可以支持被实施在不同位置处的物理对象中的大量互连ICT设备(传感器、致动器、处理器、微控制器等)的实现和开发。其中讨论中的物理系统具有固有的移动性的移动网络物理系统是网络物理系统的子类别。移动物理系统的示例包括由人或动物传送的移动机器人和电子设备。
应当理解,在图1中,仅为了清楚起见,将用户设备描绘为包括2个天线。接收天线和/或传输天线的数目可以根据当前实现而自然地变化。
另外,尽管装置已经被描绘为单个实体,但是可以实现为不同的单元、处理器和/或存储器单元(图1中未全部示出)。
5G支持使用多输入-多输出(MIMO)天线、比LTE多得多的基站或节点(所谓的小小区概念),包括与较小的站协作操作并且根据服务需求、用例和/或可用频谱而采用多种无线电技术的宏站点。5G移动通信支持广泛的用例和相关应用,包括视频流、增强现实、不同方式的数据共享以及各种形式的机器类型应用,包括车辆安全、不同的传感器和实时控制。预计5G将具有多个无线电接口(即低于6GHz,厘米波和毫米波),并且还可以与已有的传统无线电接入技术(诸如LTE)集成。可以至少在早期阶段将与LTE的集成实现为系统,在该系统中,LTE提供了宏覆盖,并且5G无线电接口接入通过聚合到LTE而来自小小区。换言之,5G计划支持RAT间可操作性(诸如LTE-5G)和RI间可操作性(无线电接口可操作性,诸如低于6GHz-厘米波、低于6GHz-厘米波-毫米波)。被认为在5G网络中使用的概念中的一个概念是网络切片,其中可以在相同的基础设施内创建多个独立且专用的虚拟子网络(网络实例),以运行对延迟、可靠性、吞吐量和移动性具有不同要求的服务。
LTE网络中的当前架构完全分布在无线电中,并且完全集中在核心网络中。5G中的低延迟应用和服务需要使内容接近于无线电,从而导致局部突发和多接入边缘计算(MEC)。5G使得分析和知识生成能够在数据源处进行。该方法需要利用可能无法连续连接到网络的资源,诸如膝上型电脑、智能手机、平板电脑和传感器。MEC为应用和服务托管提供了分布式计算环境。MEC还具有在接近于蜂窝订户处存储和处理内容的能力,以加快响应时间。边缘计算涵盖了广泛的技术,诸如无线传感器网络、移动数据采集、移动签名分析、协作式分布式对等自组织网络和处理,也可分为本地云/雾计算和网格/网状计算、露水计算、移动边缘计算、小云块、分布式数据存储和获取、自主自愈网络、远程云服务、增强和虚拟现实、数据高速缓存、物联网(大规模连接性和/或延迟关键)、关键通信(自动驾驶车辆、交通安全、实时分析、时间关键控制、医疗保健应用)。
通信系统还能够与其他网络(诸如公共交换电话网络或互联网112)通信,或者利用由它们提供的服务。通信网络也可能能够支持云服务的使用,例如核心网络操作的至少一部分可以被执行为云服务(这在图1中由“云”114描绘)。通信系统还可以包括中央控制实体等,其为不同运营方的网络提供设施以例如在频谱共享中协作。
可以通过利用网络功能虚拟化(NVF)和软件定义的网络(SDN)将边缘云引入无线电接入网络(RAN)。使用边缘云可能意味着将至少部分地在可操作地耦合到包括无线电部件的远程无线电头端或基站的服务器、主机或节点中执行接入节点操作。节点操作也可能将分布在多个服务器、节点或主机之间。cloudRAN架构的应用支持在RAN侧(在分布式单元DU 140中)执行的RAN实时功能,以及以集中的方式(在集中式单元CU 108中)执行的非实时功能。
还应当理解,核心网络操作和基站操作之间的劳动分配可能不同于LTE的劳动分配,或者甚至不存在。可能会使用的一些其他技术进步是大数据和全IP,这可能会改变网络被构建和管理的方式。5G(或新无线电NR)网络被设计成支持多种层次结构,其中MEC服务器可以放置在核心与基站或节点B(gNB)之间。应当理解,MEC也可以应用于4G网络。
5G还可以利用卫星通信来增强或补充5G服务的覆盖,例如通过提供回程。可能的用例是为机器到机器(M2M)或物联网(IoT)设备或为车辆上的乘客提供服务连续性,或确保关键通信、以及未来的铁路/海事/航空通信的服务可用性。卫星通信可以利用对地静止地球轨道(GEO)卫星系统,但也可以利用近地轨道(LEO)卫星系统,特别是巨型星座(mega-constellation)(其中部署了数百个(纳米)卫星的系统)。在巨型星座中的每个卫星106可以覆盖创建地面小区的若干启用卫星的网络实体。通过地面中继节点104或通过位于地面或卫星中的gNB来创建地面小区。
对于本领域技术人员显而易见的是,所描绘的系统仅仅是无线电接入系统的一部分的示例,并且在实践中,该系统可以包括多个(e/g)NodeB,用户设备可以具有对多个无线电小区的接入,并且该系统还可以包括其他装置,诸如物理层中继节点或其他网络元件等。(e/g)NodeB中的至少一个(e/g)NodeB或者可以是家庭(e/g)NodeB。另外,在无线电通信系统的地理区域中,可以提供多个不同种类的无线电小区以及多个无线电小区。无线电小区可以是宏小区(或伞形小区),它们是通常具有直径可达数十公里的大型小区,或者是较小小区,诸如微小区、毫微微小区或微微小区。图1的(e/g)NodeB可以提供任何种类的这些小区。蜂窝无线电系统可以被实现为包括若干种类的小区的多层网络。通常,在多层网络中,一个接入节点提供一种或多种小区,并且因此需要多个(e/g)NodeB来提供这种网络结构。
为了满足改善通信系统的部署和性能的需求,引入了“即插即用”(e/g)NodeB的概念。通常,能够使用“即插即用”(e/g)NodeB的网络,除了家庭(e/g)NodeB(H(e/g)NodeB)之外,还包括家庭节点B网关、或HNB-GW(图1中未示出)。通常安装在运营方的网络内的HNB网关(HNB-GW)可能会将业务从大量HNB聚合回核心网络。
下面要讨论的实施例具体涉及在诸如图1所示的系统的无线通信系统中提供传输的冗余,以便处理接收端中的译码错误。由于无线电(或无线)信道中的突然不利变化,会发生译码错误。通常,配置传输器的传输参数(例如,传输功率),使得在大多数情况下实现成功的传输。例如,可以配置传输器,使得平均1%的数据分组会由于噪声或干扰而丢失。为了确保最终将传输所有数据分组,无线通信网络通常依赖于某种类型的重传过程,其中接收器请求传输器重传已接收但未能译码的数据分组。允许某些传输失败会产生较高的频谱效率,但代价是一些额外的延迟和处理开销。
不能保证无线电传输的100%成功率的主要原因是无线信道的明显随机性。如果要涵盖所有统计上可预见的情况,那么即使在最坏的场景下,由于要保证分组递送所需的冗余,数据速率将非常低。针对大多数传输,显然将不需要这种极端冗余。因此,通常通过简单地接受某些传输失败并且采用重传过程来解决这种随机性。
然而,无线电信道的某些随机性或不可预测性仅是由于缺乏针对潜在现象的适当模型所致。换言之,通过标识这些物理现象并且通过某种方式对其进行建模,就有可能进一步提高无线系统的效率。然而,由于复杂的多径传播现象以及存在多个传输用户设备,大多数真实的无线电环境(例如,使能智能手机的环境)在传播和干扰行为方面极其复杂。确实存在统计传播模型(例如Okumura-Hata模型)来对这种场景进行建模。然而,在所述统计传播模型中,通常不考虑特定的地形数据,并且将信道参数建模为随机变量。因此,它们只能提供真实无线电信道中衰落行为的粗略估计。机器学习(ML)提供了较好的解决方案。机器学习的好处是它不一定需要了解潜在现象的(非常复杂的)模型。下面将要讨论的实施例提供了一种利用机器学习方法来使无线电信道较可预测并由此减轻一些随机性的解决方案。
下面将要讨论的实施例可以基于多种不同的机器学习算法或技术。在下文中,描述了可以在实施例中采用的机器学习算法的一些非限制性示例。
实施例可以采用有监督的机器学习方法,即,提供输入-目标对以用于训练的机器学习方法。通过将标签(即要预测的结果变量的离散值)移动一段时间t0>0,可以将任何时间序列预测问题转化为有监督的机器学习:
在上面的等式中,可以看到给定一些输入特征Xt和函数f,如果将输出标签移动时间t0,则可以预测因此,典型的时间序列预测问题可以视为有监督的机器学习。根据实施例,可以采用如朴素贝叶斯、逻辑回归、套索回归、随机决策树、XGBoost之类的不同的有监督的机器学习方法来进行时间序列预测。
下面讨论一种可伸缩的树提升法(boosting)系统XGBoost。然而,为了理解XGBoost,首先引入了决策树的概念。决策树是有监督的机器学习方法(用于分类和回归两者)的最受欢迎的选择中的一个,因为它们很容易理解并且很容易解释。通过决策树学习到的知识以分层树数据结构的形式保存。使用递归二叉树分解构建决策树。在该递归分解中,考虑所有特征并且尝试不同的分解。考虑具有最小成本函数的分解。每棵树都以末端节点(没有子节点的节点)结束,末端节点根据分类或回归问题来决定输入特征的类别或某个连续值。决策树以包括归纳步骤和修剪步骤的两步过程构建。在归纳期间,将期望的特征表示为分层结构,并且构建树。由于决策树可能受制于过度拟合,因此必须进行修剪以从树中移除多余的结构,即,以确保决策树不过度拟合训练数据。尽管进行了修剪,但决策树仍然倾向于过拟合,并且数据集合中的微小变化可能导致完全不同的树(所谓的方差)。决策树的偏差和方差可以使用boosting和通过训练多棵树来缓解。
XGBoost是一种流行的boosting集成学习方法。如上所述,有时仅依靠一种机器学习方法是不够的。取而代之的是,训练多个学习器/模型,并且将其预测能力组合为一个聚合的输出,诸如投票系统。常见的集成方法是装袋法(bagging)与boosting。这两种集成方法都使用自助法(boostrapping),随机选择特征并且进行替换。bagging(boostrap聚合的缩写)聚合了弱学习器的预测,以预测最终的输出。而在boosting中,不是简单的平均,而是使用弱学习器的预测来计算加权平均。在XGBoost中,树是顺序构建的,每个后续的树旨在减少前一棵树的错误。XGBoost中的基础学习器是具有较高偏差的弱学习器。通过对弱学习器的预测进行加权平均,可以获得具有低偏差和方差的强学习器。
实施例可以备选地或另外地采用一个或多个神经网络以用于机器学习。神经网络(特别是人工神经网络)是包括高度互连的“神经元”的计算系统,这些神经元由于其对外部输入的动态状态响应而能够进行信息处理。换言之,人工神经网络是互连的节点(或“神经元”)组,其中节点之间的每个连接都与权重(即加权因子)相关联,权重的值影响所述连接处信号的强度,并且因此还影响神经网络的总输出。通常,偏差项也被添加到节点处输入的总加权和中。神经网络的训练通常涉及调整所述权重和偏差,以便在给定某个已知输入的情况下匹配已知输出。实施例中采用的一个或多个神经网络可以包括一个或多个前馈神经网络和/或一个或多个递归神经网络。
可以在实施例中采用的前馈神经网络的示例是多层感知器模型或网络,其是简单感知器的网络。单层感知器可以用于学习线性可分函数,但不能用于执行复杂的任务,如学习分类中的非线性决策边界。另一方面,使用两层或更多层感知器的多层感知器网络可以用于学习复杂函数和高度非线性的决策边界。多层感知器网络是前馈神经网络的基本形式,通常包括输入层、一个或多个隐藏层和输出层。网络使用前向传递和反向传播来学习权重和偏差。前向传递(从输入到输出)计算输出,而反向传播基于输出层的错误来计算权重和偏差的必要更新
前馈神经网络不具有存储任何信息的能力,因为前馈神经网络中没有循环。另一方面,递归神经网络(RNN)中有循环,从而允许信息被保持。可以在实施例中采用的递归神经网络的一个示例是长短期记忆(LSTM),其是专用于学习长期依赖性的特殊类型的递归神经网络。单个LSTM单元包括三个门(输入门、输出门和遗忘门)和一个存储器单元。门作为信息的调节器,并且帮助LSTM单元移除旧信息或添加新信息。遗忘门控制已有的记忆被遗忘的程度。可以在实施例中采用并且还能够学习长期依赖性的递归神经网络的另一示例是门控递归单元(GRU)。虽然长短期记忆采用三个门,但是GRU中只有两个门(称为重置门和更新门),这使门控递归单元比长短期记忆更简单并且更快。
图2示出了根据实施例的过程,该过程用于预测要传输的数据分组的失败传递的概率,并且基于所述预测来主动地执行数据分组或其部分的重传,以便在不牺牲性能(例如,就数据速率而言)的情况下减少延迟并且提高效率。所说明的过程可以由(无线通信网络的)网络节点执行。具体地,执行过程的所述网络节点可以是用于在一个或多个无线通信链路上向一个或多个接收器传输数据分组的任何网络节点。该网络节点可以是基站(即,接入节点)。例如,执行该过程的网络节点可以是图1的元件104。网络节点(或者具体地,基站)可以被配置为采用多输入和单输出(MISO)、多输入和多输出(MIMO)和/或多用户MIMO(MU-MIMO)技术。网络节点和一个或多个接收器(或其子集)可以被配置为使用混合自动重传请求(HARQ)过程以用于错误控制和纠正。所述一个或多个接收器可以包括一个或多个终端设备和/或一个或多个基站。在一些实施例中,网络节点可以是终端设备,诸如图1的元件100、102中的任一个元件。在一些实施例中,一个或多个无线通信链路包括多个无线通信链路,并且一个或多个接收器包括多个接收器。
参考图2,最初假设在框201中,网络节点在数据库中保持经训练的机器学习算法,所述经训练的机器学习算法用于基于与一个或多个无线通信链路有关的测量来预测在一个或多个无线通信链路上的数据分组的失败递送的概率。具体地,所述测量可以包括网络节点的系统测量和/或一个或多个无线通信链路的无线电测量。数据分组的失败递送的概率具体对应于由于在接收器中对数据分组译码的失败(即,接收器中的译码错误)而导致的所述数据分组向目标接收器的初始递送失败的概率。因此,失败递送的所述概率不考虑数据分组的任何可能的重传,例如,使用HARQ过程。经训练的机器学习算法可以基于XGBoost算法、一个或多个多层感知器网络、一个或多个递归神经网络、一个或多个长短期记忆(LSTM)、一个或多个门控递归单元(GRU)或其组合。
经训练的机器学习算法的生成和训练可以由网络节点执行,例如,如下面关于图4所讨论的。在其他实施例中,经训练的机器学习算法可以由除执行图2的过程的网络节点以外的实体(例如,网络节点或计算设备)生成和/或训练。在这样的实施例中,用于训练机器学习算法的训练数据集合仍然可以由执行图2的过程的网络节点收集。
可以针对一个或多个无线通信链路中的每个无线通信链路(即,针对一个或多个接收器中的每个接收器)分隔开地(并行地)执行关于框202至208所描述的动作。在下文中,针对网络节点与第一接收器之间的所述一个或多个无线通信链路中的示例性第一无线通信链路来描述所述过程。换言之,第一无线通信链路可以对应于一个或多个无线通信链路中的任何无线通信链路。
在框202中,网络节点首先使执行与第一无线通信链路有关的测量(例如,无线电测量和系统测量)以形成用于第一无线通信链路的测量数据集合。所述测量可以由网络节点本身和/或由另一实体(例如,另一网络节点)执行。起作用的测量数据集合(将针对第一无线通信链路的用作经训练的机器学习算法的输入)可以包括网络节点的系统测量和/或第一无线通信链路的无线电测量。换言之,测量数据集合的测量可以包括量化第一无线通信链路的无线电信道的一个或多个测量、量化网络节点的状态的一个或多个测量(例如,就所使用/可用的资源而言)和/或与网络节点的当前配置有关的一个或多个测量(例如,用于传输的调制和编码)。在框202中执行的测量(形成测量数据集合并且将被使用作为经训练的机器学习算法的输入)可以对应于在预定义的时间窗口(例如,15ms)上执行的测量。所述预定义的时间窗口可以根据(连续的)时间传输间隔(TTI)来定义。例如,可以在要评估的数据分组之前针对15个连续的TTI收集测量。
在一些实施例中,在框202中形成(并且将被用作经训练的机器学习算法的输入)的测量数据集合可以包括以下类型中的一个或多个类型的测量的测量数据:
·一个或多个数据信道(例如,物理下行链路共享信道PDSCH)和/或一个或多个控制信道(例如,物理下行链路控制信道PDCCH)的信道质量指示符CQI补偿因子,
·与网络节点相关联的一个或多个空间流的复合CQI,
·调制和编码方案MCS,
·调制阶数,
·相关联的无线电承载组的平均信噪比SNR,
·物理下行链路共享信道PDSCH上接收器的平均吞吐量,
·针对第一接收器的被分配的PDSCH资源的平均数量,以及
·用于混合自动重复请求HARQ重传的推荐MCS。
上面列出的测量量或其子集可以对应于经训练的机器学习算法的特征(即,输入)。在机器学习术语中,特征是由所有独立单元共享的属性或性质,在这些独立单元上进行分析或预测。
在框203中,网络节点使用经训练的机器学习算法来预测在第一无线通信链路上到第一接收器的数据分组的失败递送的概率。在框203中使用在框202中计算的第一无线通信链路的测量数据集合作为经训练的机器学习算法的输入。所述数据分组具体可以是将由网络节点传输的下一数据分组。该测量数据集合可以对应于在预定义数目的先前数据分组的传输期间(或在预定义数目的先前TTI期间)收集(或测量)的测量数据。换言之,基于与第一无线通信链路有关的最近测量历史来执行预测。在一些实施例中,网络节点还可以在框203中计算度量值,该度量值量化预测的失败递送的概率(例如,方差或标准偏差)的可靠性。
在框204中,网络节点确定在第一无线通信链路上的数据分组的失败递送的概率是否超过阈值。该阈值可以是预定义的阈值(保持在数据库中)。该阈值可以特定于第一无线通信链路,即,一个或多个无线通信链路中的其他无线通信链路可以与不同的阈值相关联。在其他实施例中,可以针对网络节点的所有无线通信链路定义公共阈值。在一些实施例中,可以由网络节点基于网络节点的当前配置和网络节点的系统状态来动态地调整每个阈值。超过阈值指示存在很大的可能性数据分组的传输是不成功的,因此应采取特殊动作(即,应触发重传)以确保数据分组的成功传输而没有不适当的延迟。作为一般规则,可以定义阈值,使得仅当所执行的动作(特别是在框207中)很有可能改善相应的链路和/或网络性能而没有(显著)不利影响的情况下才超过该阈值。
在一些实施例中,该阈值可能受到相应的无线通信链路的延迟要求的影响。如果延迟要求是严格的,则可以设置阈值,使得即使失败分组递送的很小可能性也触发动作,而如果延迟要求较宽松,则可以以较保守的方式设置阈值。
响应于在框205中数据分组的失败递送的概率超过阈值,在框206中,网络节点在第一无线通信链路上向第一接收器传输数据分组。如上所述,超过阈值表示框206中的传输很有可能将不成功。因此,响应于在框205中数据分组的失败递送的概率超过阈值,网络节点在框207中进一步向第一接收器传输数据分组的副本和针对该数据分组的冗余数据中的一项。具体地,数据分组的冗余数据可以是用于在译码错误的情况下(在接收器中)用于译码所传输的数据分组的数据。网络节点在数据分组的初始传输之后立即(即,使用第一可用资源)传输数据分组的副本和冗余数据中的所述一个(例如,可以响应于数据分组的传输而执行所述二次传输)。应当注意,如果网络节点中存在拥塞,即,如果已经针对某一数目的进行中的TTI预留了所有资源,则不能立即执行重传,而是使用第一可用资源执行(或调度)重传。换言之,在译码错误的情况下,网络节点主动地重传数据分组或传输冗余数据,而无需等待将作为传统HARQ过程的一部分传输的潜在否定确认。如果在接收器中对初始数据分组的译码失败,则第一接收器可以丢弃所述初始数据分组并且译码重传的数据分组,或者接收器可以将初始不可译码数据分组与冗余数据组合以得出经译码的数据分组。如果初始数据分组的译码成功,则第一接收器可以忽略该数据分组的任何重传和/或冗余数据的任何传输。实施例所提供的主要优点之一是,减少的延迟是由于如下事实:预测允许重传数据分组或传输冗余数据而无需等待来自第一接收器的反馈(即,肯定/否定确认)。
在一些实施例中,冗余数据中的冗余信息的量可以由网络节点基于框203中的预测结果来调整(假设经训练的机器学习算法能够准确地提供这种信息)。为了实现该功能,在一些实施例中,机器学习算法可以将关于未来信道条件的信息编码为预测的失败递送的概率,使得失败的递送的高概率指示接收器处的极差的信号质量,而较低的概率指示较不严重的衰落和/或干扰。在前一种情况下,网络节点可以提供较多的冗余信息以确保数据分组可以被译码,而在后一种情况下,较少的冗余就足够了。可以根据已有的HARQ过程或某个其他方法来实现此功能,例如,利用Raptor码或任何其他解决方案以用于提供增量冗余。
可以在第一无线通信链路上执行框207中的传输。备选地,可以通过使用第二无线通信链路中继来执行框207中的传输,该第二无线通信链路是网络节点的两个或更多无线通信链路中的一个无线通信链路。第二无线通信链路是网络节点与一个或多个接收器中的第二接收器之间的无线通信链路。第二接收器具体可以是收发器或收发点,诸如接入节点、中继节点或终端设备。第二接收器可以直接在单个无线通信链路上或在两个或更多无线通信链路上使用多跳路由来向第一接收器传输数据分组的副本或冗余数据。数据分组的副本和/或冗余数据的非直接传输可以利用任何可用的建立的多点传输、双连接或设备到设备通信方案。
在一些实施例中,数据分组的副本和针对该数据分组的冗余数据中的所述一项的传输可以由网络节点(例如,接入节点)通过至少使用网络节点与有线接收器(或具体地,诸如接入节点的有线收发器)之间的固定有线通信链路(例如,回程链路)中继来执行。所述有线接收器可以经由至少一个无线通信链路来向第一接收器(例如,终端设备)传输副本和冗余数据中的所述一项。在一些实施例中,可以使用一个或多个有线通信链路和一个或多个无线通信链路来进行数据分组的副本和冗余数据中的所述一个到第一接收器的传输。
响应于在框205中数据分组的失败递送的概率未能超过阈值,在框208中,网络节点在第一无线通信链路上向第一接收器传输数据分组。换言之,网络节点通过传统方式传输数据分组。
在接收到数据分组以及数据分组的副本和冗余数据中的一项或者仅仅是该数据分组之后,如果数据分组的译码成功,则第一接收器可以根据HARQ过程传输肯定确认(ACK)确认,或者如果数据分组的译码失败,则传输否定确认(NACK)。所述ACK或NACK可以由网络节点接收。
在一些实施例中,在框203至205的过程中,网络节点可以使用成功递送的概率而不是失败递送的概率。在这样的实施例中,在框204中还应该以相反的方式定义阈值,这意味着,如果成功递送的概率未超过阈值,则执行框206、207,而如果成功递送的概率超过阈值,则执行框208。
在一些实施例中,可以省略图2的框208(例如,它可以在单独的过程中执行)。
图3示出了根据实施例的备选过程,该过程用于预测要传输的数据分组的失败递送的概率,并且基于所述预测来主动执行数据分组或其部分的重传。所图示的过程可以由关于图2描述为执行图2的过程的任何实体(即,任何网络节点)执行。通常,图3的过程在很大程度上对应于图2的过程。关于图2给出的任何定义都适用或可以与图3的过程结合(除非另有说明)。
参考图3,初始框301至303以及随后的框305、306、308、310可以完全对应于图2的框201至206、208。因此,为简洁起见,此处不讨论与所述框有关的动作。取而代之的是,讨论集中在图3中引入的两个附加特征,即框304和框307、309。在一些备选实施例中,可以仅实现所述附加特征中的一个。
在网络节点已经在框303中预测了数据分组的失败递送的概率之后,在框304中,网络节点基于网络节点的状态和/或配置来设置或定义阈值。换言之,与图2的过程中具有预定义值相反,动态地定义阈值。在已经设置或定义了阈值之后,以与关于图1所述类似的方式采用它。
在一些实施例中,可以具体地基于以下量中的一个或多个(或者具体地至少通过其当前值)动态地定义或设置阈值:
·网络节点中的可用资源(例如带宽)的数量,
·(第一)无线通信链路的预定义可靠性要求,
·(第一)无线通信链路的预定义(频谱)效率要求,
·(第一)无线通信链路和/或要传输的数据分组的延迟要求,以及
·经训练的机器学习算法的统计准确性。
应该注意,预定义的可靠性要求和预定义的效率要求是相互联系的,因为高可靠性不可避免地导致降低的效率,反之亦然。经训练的机器学习算法的统计准确性可以对应于数据分组的预测的失败递送的概率的统计准确性(可能在框203中计算的)或经训练的机器学习算法的整体统计准确性(例如,在机器学习算法的训练期间计算的)。
具体地,如果网络节点中存在很少的可用资源(即,网络节点在高负载下操作),则网络节点可以被配置为增加阈值。通过增加阈值,不必要的重传的数目被最小化。另一方面,如果在网络节点中存在大量可用资源,则网络节点可以被配置为减小阈值,因为在这种情况下,即使大量不必要的重传也不会导致拥塞。
备选地或另外地,网络节点可以被配置为响应于要传输的数据分组被配置为具有宽松的(即,高)延迟要求而增加阈值。相应地,网络节点可以被配置为响应于要传输的数据分组被配置为具有严格的(即,低)延迟要求而降低阈值(即使在拥塞的情况下)。
可以针对上面列出的任何其他量为网络节点配置如上所述的用于可用资源的数量和延迟要求的类似规则,其中由于高可靠性要求、低效率要求和/或低统计准确性而引起阈值降低,而由于低可靠性要求、高效率要求和/或高统计准确性而引起阈值增加。阈值的增加和减少可以基于针对每个量所定义的上限和下限来执行,或可以基于预定义的函数以较连续的方式来执行,其中每个量作为函数的自变量。例如,预定义的函数可以是具有针对每个量所定义的预定义加权因子的线性函数。
在一些实施例中,如上所述,可以不针对要传输的每个数据分组调整阈值。取而代之的是,可以针对每N个数据分组(N是整数)或者根据预定义的时段来周期性地调整阈值。
参考图3中引入的第二附加特征,响应于框306中数据分组的失败递送的概率超过阈值,在框307中,网络节点选择要执行的冗余动作,以用于在发起任何传输之前,按照预定义的选择标准在数据分组的递送中提供冗余。可以从关于图2的框207所描述的任何传输选项中选择冗余动作(例如,在第一无线通信链路上或一个或多个其他无线和/或有线通信链路的数据分组的副本或冗余数据的传输)。预定义的选择标准可以包括针对以下中的一项或多项的标准:每个动作的可用性、网络节点的系统状态以及网络节点的配置。在一些实施例中,基于框303中的预测来对冗余数据中包括的冗余信息的量的调整(如关于图1所描述的)可以作为框307的一部分来执行。
假设要向其传输数据分组的第一接收器是第一终端设备,则网络节点(例如,接入节点)可以遵循预定义的标准从多个冗余动作中选择冗余动作(框307),其中多个冗余动作(即,可供网络节点选择的冗余动作)可以包括以下冗余动作中的一项或多项:
·在第一无线通信链路上向第一终端设备传输数据分组的副本,
·在第一无线通信链路上向第一终端设备传输冗余数据,
·通过以下来向第一终端设备传输数据分组的副本:在网络节点与接入节点之间的第二无线通信链路上以及在接入节点与第一终端设备之间的一个或多个第三无线通信链路上中继副本,
·通过以下来向第一终端设备传输冗余数据:在网络节点与接入节点之间的第二无线通信链路上以及在接入节点与第一终端设备之间的一个或多个第三无线通信链路上中继冗余数据,
·通过以下来向第一终端设备传输数据分组的副本:在网络节点与第二终端设备之间的第二无线通信链路上以及在第二终端设备与第一终端设备之间的一个或多个第三无线通信链路上中继副本,
·通过以下来向第一终端设备传输冗余数据:在网络节点与第二终端设备之间的第二无线通信链路上以及在第二终端设备与第一终端设备之间的一个或多个第三无线通信链路上中继冗余数据,
·通过以下来向第一终端设备传输数据分组的副本:在网络节点与接入节点之间的固定有线通信链路上以及在接入节点与第一终端设备之间的一个或多个第四无线通信链路上传送副本,以及
·通过以下来向第一终端设备传输冗余数据:在网络节点与接入节点之间的固定有线通信链路上以及在接入节点与第一终端设备之间的一个或多个第四无线通信链路上传送冗余数据。
在以上冗余动作列表中,一个或多个第三无线通信链路具体对应于多跳场景中的连续无线通信链路。
在框307中已经选择了冗余动作之后,在框308中,网络节点在第一无线通信链路上传输数据分组,并且在框309中执行所选择的冗余动作。在框308、框309中执行的动作可以对应于在框206、框207中执行的动作(尽管在这种情况下,框207中的传输是根据框307中的选择进行的)。
图4示出了用于生成和训练在图2和/或图3的过程中采用的机器学习算法的过程。该过程可以由相同的网络节点执行,该网络节点随后使用根据实施例的(预)训练的机器学习算法来执行预测(例如,由根据实施例执行图2和/或图3所示的过程的任何实体)。备选地,可以由单独的设备(例如,网络节点或某个其他计算设备)利用关于存储到数据库的先前测量的信息来执行训练。
参考图4,在框401中,网络节点使执行测量以形成训练数据集合,该训练数据集合包括关于在一个或多个无线通信链路的数据分组的递送的信息以及关于与跟数据分组的递送并发的与一个或多个无线通信链路有关的测量的信息。可以在网络节点的正常操作期间由网络节点收集用于形成训练数据集合的测量(在已经建立根据实施例的任何递送预测方案之前)。训练数据集合可以存储到网络节点的数据库。原始测量数据可以在形成训练数据集合之前被处理成合适的机器学习的格式,例如,在将关于图5讨论的过程之后。
关于通过训练数据集合中包括的一个或多个无线通信链路的数据分组的递送的信息可以至少包括关于使用一个或多个无线通信链路中的任何无线通信链路的数据分组的每次递送是否成功的信息。可以基于由接收器根据HARQ过程传输并且在数据分组的初始传输之后在网络节点中接收的肯定确认或否定确认(即,ACK或NACK)来评估关于数据分组的递送的信息。因此,关于数据分组的递送的信息对应于数据分组的初始传输,而不考虑任何可能的重传(例如,使用HARQ)。例如,ACK的接收可以对应于数值零,并且NACK的接收可以对应于数值一。
训练数据集合中包括的关于与一个或多个无线通信链路有关的测量的信息可以对应于如关于以上实施例中所述的多个测量数据集合。换言之,虽然上面将测量数据集合定义为仅包括针对预测要传输的数据分组的失败递送的概率所必需的测量信息(例如,在预定义时间窗口(诸如15个TTI)上进行的测量),但是训练数据集合可以包括在较长的时间跨度(例如,在数万TTI)上收集或测量的测量信息,以便能够训练机器学习算法以达到足够高的预测准确性。
在框402中,网络节点初始化机器学习算法。机器学习算法可以是如上关于实施例所讨论的任何机器学习算法,例如,采用一个或多个前馈神经网络和/或一个或多个递归神经网络的XGBoost算法或基于神经网络的算法。初始化可以包括设置或选择机器学习算法的权重、参数和/或超参数(例如,一个或多个神经网络的权重或XGBoost算法的超参数)的初始值。在训练过程期间训练“正常”参数的值和权重的值(即它们改变)时,超参数是一个参数,其值在学习过程开始之前设置,并且在学习过程期间不会改变。初始值可以是随机值(尤其是权重和参数),或者它们可以对应于预定义的值的集合,这些值已知会引起性能良好的算法(尤其是超参数,但也可能是权重和参数)。在初始化中可以采用任何已知的初始化技术。
在框403中,网络节点使用训练数据集合来训练机器学习算法。具体地,关于与一个或多个无线通信链路有关的测量的信息可以定义机器学习算法的特征(即输入),以及关于在一个或多个无线通信链路上的数据分组的递送的信息可以定义机器学习算法的标签(即,输出)。在一些实施例中,训练数据集合可以在其被输入到机器学习算法之前被预处理成合适的格式,如将关于图5详细描述的。
最终,在框404中,网络节点将经训练的机器学习算法存储到数据库。随后,根据实施例,网络节点可以采用所述所存储的经训练过的机器学习算法来执行预测。
在一些实施例中,与框402至框404有关的动作可以离线地执行(即,当涉及网络节点的一个或多个无线通信链路已经被禁用或切断时)。在其他实施例中,可以在网络节点的正常操作期间在线地执行与框402至框404有关的动作。
在一些实施例中,网络节点可以被配置为仅执行框401。在根据框401形成训练数据集合之后,在这样的实施例中,网络节点可以向另一网络节点或计算设备传输训练数据集合,该另一网络节点或计算设备然后执行框402、框403,并且向网络节点传输经训练的学习算法。然后,网络节点可以将经训练的学习算法存储到数据库。
图5示出了用于训练在图2和/或图3的过程中采用的机器学习算法的另一过程。该过程可以由相同的网络节点执行,该网络节点随后使用根据实施例的(预)训练的机器学习算法来执行预测(例如,根据实施例,由任何实体执行图2所示的过程)。图5的过程可以对应于图4的框401至框403的较详细的视图。
在图5中,假设要训练的机器学习算法是XGBoost算法。然而,应当注意,与元素501至506有关的动作并非特定于XGBoost,因此它们可以应用于机器学习算法是除XGBoost之外的算法的实施例。
所示训练过程的起点或输入是由网络节点接收的原始训练数据流(即,TTI流原始数据)501。在将该数据501馈送到机器学习算法之前,应用了两个附加的处理阶段502、506。首先,在元素502中,网络节点预处理原始训练数据流501。具体地,该预处理包括从原始训练数据流中分隔开分别与一个或多个无线通信链路相关联的一个或多个数据流。一个或多个无线通信链路中的每个无线通信链路可以对应于不同的终端设备或用户。然后,如果原始训练数据流的一个或多个数据流中的任何一个数据流包括字符串数据,则预处理包括在元素504中针对所述字符串数据执行字嵌入。换言之,字符串数据被映射到数值,使得其可以被用作机器学习算法的输入。由于不同的终端设备或用户可能占用连续时隙之间具有不同间隔的不同时隙,因此一个或多个数据流不具有相同的形式(例如,具有均匀采样间隔的数据点)。为了使数据均匀化,预处理包括在元素505中利用替代值填充原始训练数据流的一个或多个数据流的每个数据流中的任何时间数据间隙。针对对应的数据流,每个替代值(或标签)可以对应于根据相关联的数据的类型而对应于零或先前值。具体地,填充时间数据间隙可以包括分别利用丢失的时间戳和替代标签来填充时间样本和对应的(数据)标签。
在元素502中进行预处理之后,网络节点在元素506中对一个或多个预处理数据流执行特征工程,并且将标签分配给一个或多个预处理数据流。根据一般定义,特征工程是选择和转换要用作机器学习算法输入的变量(即特征)的过程。具体地,所述变量是被认为包含用于预测结果变量的数据的预测变量(此处为数据分组的失败递送的概率)。标签是结果变量的离散值的名称。
为了准备用于预测(或专用于时间序列预测)的特征(或预测变量),通常的做法是使用特征(或可能还有标签)的滞后值来预测特征和标签或仅标签的未来值。在此特征的滞后值用于预测标签。可以将用于预测当前时间t的标签的滞后特征写入向量Xt=[Xt-N,...,Xt-1],其中N是在预测中考虑的先前特征的预定义数目。在框506中,标签的分配包括以对应的方式移动一个或多个预处理数据流中的(训练)标签,即,将标签设置为yt,其对应于最近特征之后的下一TTI。此外,在训练期间省略了具有替代标签的特征标签对,因为它们对应于真实标签未知的情况,从而从学习的角度来看不包含任何有用的数据。如关于以上实施例所讨论的,由元素506提供的输出可以对应于训练数据集合。
在元素506中的特征工程和标签分配之后,在元素507中,由网络节点使用形成的训练数据集合来执行机器学习算法的实际训练。在所示的示例中,机器学习算法是如上所述的XGBoost算法。训练包括将在元件506中定义的特征馈送到机器学习算法,以在元素507中预测对应的标签(即,预测的失败递送的概率)。在元素509中,将每个预测的标签与训练数据集合中的对应标签相比较,并且计算错误。取决于在传输对应的数据分组之后在网络节点中分别接收ACK还是NACK,训练数据集合中的所述对应标签可以具有零或一的值(对应于数据分组的失败递送的0%或100%的概率)。基于每个计算出的错误,在元素410中调整机器学习算法,以提高预测准确性。
图6示出了根据实施例的另一过程,该过程用于使用经训练的机器学习算法来预测失败递送的概率。图6的过程可以对应于图2的框202、框203和/或图3的框302、框303的较详细的视图。图6的过程可以具体对应于使用根据图5的过程所训练的机器学习算法执行的预测。
图6中的许多元素对应于关于图5所描述的类似动作,但是明显的区别在于,在这种情况下,输入TTI流原始数据601对应于没有可用标签的原始测量数据流(因为尚未发生数据分组的传输)。换言之,可以形成和处理用于一个或多个无线通信链路的一个或多个测量数据集合,而不是训练数据集合(还包括所有一个或多个无线通信链路)。所接收的原始测量数据流601可以对应于通过图2的框202和/或图3的框302中的一个或多个无线通信链路的测量收集的原始数据。
框602至框605可以分别对应于图5的框502至框505。尽管显然在框606中没有执行标签分配,但是可以如关于图5的框506所描述的那样执行框606中的特征工程。框606中的特征工程的结果或输出可以对应于一个或多个无线通信链路的一个或多个测量数据集合(如关于以上实施例所讨论的)。
在框606中的特征工程之后,特征[Xt-N,...,Xt-1]的过去值被输入到经训练的机器学习算法607(特别是图5中的经训练的XGBoost算法)。经训练的机器学习算法507提供预测的当前标签作为输出,即,要传输的数据分组的预测的失败递送的概率608。
图7示出了图示根据实施例的用于实现调整预测的过程的信令图。具体地,图7示出了在无线通信链路上在网络节点与终端设备之间的信令。终端设备仅被认为是用于执行所示过程的接收器类型的非限制性示例。在图7中假设所讨论的终端设备(或其他计算设备)被配置为使用HARQ过程。
参考图7,在框701中,网络节点执行图2的框201至框205(否),或备选地执行图3的框301至框306(否)。换言之,网络节点在数据库中保持经训练的机器学习算法,该经训练的机器学习算法用于预测至少在上述无线通信链路上到上述终端设备的数据分组的失败递送的概率,引起执行与所述无线通信链路有关的测量以形成所述无线通信链路的测量数据集合,基于测量数据集合来预测要传输到终端设备的下一数据分组的失败递送的概率,并且确定失败递送的概率未能超过(预定义的)阈值。如预期的那样,针对下一数据分组,不需要数据分组的主动重传或冗余数据的传输,因此网络节点在消息702中仅将数据分组在无线通信链路上传输到终端设备。在框703中,终端设备接收数据分组并且尝试译码它,但是失败(也在框703中)。因此,终端设备在消息704中在无线通信链路上向网络节点传输否定确认(NACK)。
在框705中,响应于从终端设备接收到否定确认,网络节点在框705中基于否定调整来调整经训练的机器学习算法和/或阈值。经训练的机器学习算法的调整可以包括调整经训练的机器学习算法的一个或多个权重和/或(超)参数(例如,一个或多个神经网络的一个或多个权重)。通常,可以执行框705中的调整,使得随着时间的推移,较多的数据分组至少针对所讨论的无线通信链路超过阈值。例如,这可以通过降低无线通信链路的阈值来实现。
以上借助于图2至图7所描述的框、相关功能、和信息交换没有绝对的时间顺序,并且它们中的一些可以同时执行或以与给定的顺序不同的顺序执行。也可以在它们之间或在它们内部执行其他功能,并且可以发送和/或接收其他信息。也可以省略某些框或部分框或一个或多个信息,或将其替换为相应的框或部分框或一个或多个信息。
例如,可以以硬件(一个或多个设备)、固件(一个或多个设备)、软件(一个或多个模块)或其组合来实现上述一个或多个部件。针对硬件实现,可以在以下中的一项或多项内实现:专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、逻辑门,译码器电路系统、编码器电路系统、被设计为借助于图2至图7执行本文中描述的功能的其他电子单元、或其组合。针对固件或软件,可以通过执行本文所述功能的至少一个芯片组的模块(例如,过程、功能等)来执行该实现。可以将软件代码存储在存储器单元中并且由处理器执行。存储器单元可以在处理器内部或在处理器外部实现。在后一种情况下,如本领域中已知的,它可以经由各种方式通信地耦合到处理器。另外,如本领域技术人员将理解的,本文描述的组件可以由附加组件重新布置和/或补充,以便促进关于其所描述的各方面等的实现,并且它们不限于给定附图中阐述的精确配置。
图8提供了根据一些实施例的网络节点801。图8可以示出被配置为至少结合预测数据分组的失败递送的概率并且基于该预测来执行主动重传来执行上述功能的网络节点。每个网络节点可以包括一个或多个通信控制电路系统系统820(诸如至少一个处理器),以及包括一个或多个算法831(诸如计算机程序代码(软件))的至少一个存储器830,其中至少一个存储器和计算机程序代码(软件)被配置为与至少一个处理器一起分别使网络节点执行上述网络节点的示例性功能中的任何一个示例性功能。
参考图8,网络节点的通信控制电路系统820至少包括机器学习电路系统821和延迟减少电路系统822。机器学习电路系统821可以被配置为执行根据实施例的与机器学习有关的功能,并且为此,使用一个或多个个体电路系统借助于以下中的任何一个来执行上述功能中的至少一些功能:图2的框203、图3的框303、图4、图5、图6和图7的框701(部分地)。延迟减少电路系统822可以被配置为执行根据实施例的其余功能,并且为此,使用一个或多个个体电路系统借助于以下中的任何一个来执行上述功能中的至少一些功能:图2的框201、202、205至208、图3的框301、302、304至310和图7的元素701(部分地)、702、705。
如结合先前实施例所描述的,存储器830可以包括数据库832,该数据库832可以包括例如(经训练的)机器学习算法、一个或多个测量数据集合和/或学习数据集合。存储器830还可以包括根据所提出的实施例中的任何一个的可能与网络节点的功能不相关的其他数据库。可以使用任何合适的数据存储技术来实现存储器830,诸如基于半导体的存储设备、闪存、磁存储器设备和系统、光学存储器设备和系统、固定存储器和可移动存储器。
参考图8,网络节点还可以包括不同的接口810,诸如一个或多个通信接口(TX/RX),该通信接口包括用于根据一种或多种通信协议在介质上实现通信连接的硬件和/或软件。具体地,通信接口810可以向网络节点提供通信能力以在无线通信系统中通信,并且实现与一个或多个接入节点、一个或多个终端设备以及与一个或多个其他网络节点或元件(例如,与一个或多个核心网络元件)的通信。通信接口可以包括标准的众所周知的组件,诸如由对应控制单元控制的放大器、滤波器、频率转换器、(解调)调制器和编码器/译码器电路系统、以及一个或多个天线。该网络节点还可能包括至少一个用户接口。
如在本申请所使用的,术语“电路系统”可以指以下的一个或多个或全部:(a)仅硬件的电路实现,诸如仅以模拟电路系统和/或数字电路系统的实现;以及(b)硬件电路和软件(和/或固件)的组合,诸如(如适用):(i)(多个)模拟和/或数字硬件电路与软件/固件的组合,以及(ii)具有软件的(多个)硬件处理器的任何部分,包括(多个)数字信号处理器、软件、和(多个)存储器,这些部分一起工作以使装置(诸如终端设备或接入节点)执行各种功能,以及(c)需要软件(例如,固件)才能操作的(多个)硬件电路和(多个)处理器(诸如(多个)微处理器或(多个)微处理器的一部分),但是在不需要软件就能操作时可能不存在该软件。“电路系统”的定义适用于本申请中该术语的所有使用,包括任何权利要求。作为另一示例,如在本申请中使用的,术语“电路系统”还涵盖仅硬件电路或处理器(或多个处理器)或硬件电路或处理器的一部分及其(或它们的)随附软件和/或固件的实现。术语“电路系统”还涵盖(例如并且如果适用于特定的权利要求元素)用于接入节点或终端设备或其他计算或网路设备的基带集成电路。
在实施例中,至少一个处理器、存储器、和计算机程序代码形式处理部件或包括一个或多个计算机程序代码部分,用于执行根据图2至图7的实施例中的任何一个或其操作的一个或多个操作。
在实施例中,结合图2至图7描述的过程中的至少一些过程可以由包括用于执行所描述的过程中的至少一些过程的对应部件的装置来执行。用于执行这些过程的一些示例部件可以包括以下的至少一个:检测器、处理器(包括双核处理器和多核处理器)、数字信号处理器、控制器、接收器、传输器、编码器、译码器、存储器、RAM、ROM、软件、固件、显示器、用户接口、显示电路系统、用户接口电路系统、用户接口软件、显示软件、电路、天线、天线电路系统、以及电路系统。在实施例中,至少一个处理器、存储器、和计算机程序代码形式处理部件或包括一个或多个计算机程序代码部分,用于执行根据图2至图7的实施例中的任何一个或其操作的一个或多个操作。
本文中所描述的技术和方法可以通过各种方式来实现。例如,可以以硬件(一个或多个设备)、固件(一个或多个设备)、软件(一个或多个模块)、或其组合来实现这些技术。对于硬件实现,实施例的(多个)装置可以在以下一个或多个内实现:专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计为执行本文中所描述的功能的其他电子单元、或其组合。对于固件或软件,可以通过执行本文中所描述的功能的至少一个芯片组的模块(过程、功能等)来执行该实现。可以将软件代码存储在存储器单元中并且由处理器执行。该存储器单元可以在处理器内部或在处理器外部实现。在后一种情况下,如本领域中已知的,它可以经由各种方式通信地耦合到处理器。另外,本文中所描述的系统的组件可以由附加组件重新布置和/或补充,以便实现关于其描述的各个方面等,并且如本领域技术人员将理解的,它们并不局限于给定附图中阐述的精确配置。
如所描述的实施例也可以以由计算机程序或其部分定义的计算机过程的形式来执行。结合图2至图7描述的方法的实施例可以通过执行包括对应指令的计算机程序的至少一部分来执行。该计算机程序可以被提供为包括存储在其上的程序指令的计算机可读介质、或者被提供为包括存储在其上的程序指令的非瞬态计算机可读介质。该计算机程序可以是源代码形式、目标代码形式、或某种中间形式,并且它可以存储在某种载体中,该载体可以是能够携带程序的任何实体或设备。例如,计算机程序可以存储在计算机或处理器可读的计算机程序分发介质上。计算机程序介质可以是例如但不限于记录介质、计算机存储器、只读存储器、电载波信号、电信信号和软件分发包。该计算机程序介质可以是非瞬态介质。用于执行所示和所描述的实施例的软件的编码完全在本领域普通技术人员的范围内
即使以上已经参考根据附图的示例描述了本发明,但是显然本发明不限于此,而是可以在所附权利要求的范围内以若干方式修改。因此,所有的词语和表达应当被广义地解释,并且它们旨在说明而不是限制实施例。对于本领域技术人员而言显而易见的是,随着技术的进步,可以以各种方式来实现本发明的构思。此外,对于本领域技术人员而言清楚的是,所描述的实施例可以但不必须以各种方式与其他实施例组合。
Claims (21)
1.一种用于在一个个或多个无线通信链路上向一个或多个接收器传输数据分组的网络节点(100、102、104、801),所述网络节点(100、102、104、801)包括用于以下的部件:
在数据库(832)中保持(201)经训练的机器学习算法,所述经训练的机器学习算法用于基于与所述一个或多个无线通信链路有关的测量来预测在所述一个或多个无线通信链路上的数据分组的失败递送的概率;
通过在所述一个或多个无线通信链路上执行测量来接收(601)原始测量数据流;
从所述原始测量数据流中分隔开(603)与所述一个或多个无线通信链路相关联的一个或多个数据流;
如果所述一个或多个数据流中的任何数据流包括字符串数据,则针对所述字符串数据执行(604)字嵌入,
利用替代值来填充(605)所述一个或多个数据流中的任何时间数据间隙,以形成一个或多个经预处理的数据流;
对所述一个或多个经预处理的数据流执行(606)特征工程,以形成针对所述一个或多个无线通信链路的每个无线通信链路的测量数据集合;以及
针对所述一个或多个无线通信链路中的每个无线通信链路,其作为第一无线通信链路,执行以下:
使用所述经训练的机器学习算法来预测(203)在所述第一无线通信链路上到第一接收器的数据分组的失败递送的概率,其中对应的测量数据集合被使用作为所述经训练的机器学习算法的输入,
确定(204)在所述第一无线通信链路上的所述数据分组的失败递送的所述概率是否超过阈值,以及
响应于所述数据分组的失败递送的所述概率超过所述阈值(205),在所述第一无线通信链路上向所述第一接收器传输(206)所述数据分组,并且向所述第一接收器传输(207)所述数据分组的副本和针对所述数据分组的冗余数据中的一项。
2.根据权利要求1所述的网络节点(100、102、104、801),其中所述部件进一步被配置为针对所述一个或多个无线通信链路中的每个无线通信链路执行以下:
响应于所述数据分组的失败递送的所述概率未超过所述阈值(205),在所述第一无线通信链路上向所述第一接收器传输(208)所述数据分组。
3.根据权利要求1或2所述的网络节点(100、102、104、801),其中所述部件进一步被配置为针对所述一个或多个无线通信链路中的每个无线通信链路执行以下:
响应于在所述数据分组的所述传输之后从所述第一接收器接收到否定确认(705),基于所述否定确认来调整(705)所述经训练的机器学习算法和/或所述阈值。
4.根据权利要求1或2所述的网络节点(100、102、104、801),其中针对所述第一无线通信链路的用作所述经训练的机器学习算法的所述输入的所述测量数据集合对应于在预定义时间窗上被执行的测量。
5.根据权利要求4所述的网络节点(100、102、104、801),其中所述预定义时间窗对应于预定义数目的先前的传输时间间隔。
6.根据权利要求1或2所述的网络节点(100、102、104、801),其中针对所述第一无线通信链路的所述经训练的机器学习算法的所述输入的所述测量数据集合包括所述网络节点(100、102、104、801)的系统测量和/或所述第一无线通信链路的无线电测量。
7.根据权利要求1或2所述的网络节点(100、102、104、801),其中针对所述第一无线通信链路的用作所述经训练的机器学习算法的所述输入的所述测量数据集合包括以下类型中的一个或多个类型的测量的测量数据:
用于一个或多个数据信道和/或一个或多个控制信道的信道质量指示符CQI补偿因子;
与所述网络节点(100、102、104、801)相关联的一个或多个空间流的复合CQI;
调制和编码方案MCS,
调制阶数,
相关联的无线电承载组的平均信噪比SNR,
物理下行链路共享信道PDSCH上所述第一接收器的平均吞吐量,
针对所述第一接收器的被分配的PDSCH资源的平均数量,以及
用于混合自动重复请求HARQ重传的推荐MCS。
8.根据权利要求1或2所述的网络节点(100、102、104、801),其中所述部件被配置为基于以下中的一项或多项来针对所述一个或多个无线通信链路中的每个无线通信链路动态地定义所述阈值:
所述网络节点(100、102、104、801)中的可用资源的数量,
对应的无线通信链路的预定义可靠性要求,
对应的无线通信链路的预定义效率要求,
对应的无线通信链路和/或要被传输的所述数据分组的延迟要求,以及
所述经训练的机器学习算法的统计准确性。
9.根据权利要求1或2所述的网络节点(100、102、104、801),其中所述部件被配置为在所述第一无线通信链路上和/或通过至少使用所述一个或多个无线通信链路中的第二无线通信链路中继和/或通过至少使用所述网络节点与有线接收器之间的固定有线通信链路中继,来执行将所述数据分组的所述副本和所述冗余数据中的所述一项到所述第一接收器的所述传输。
10.根据权利要求1或2所述的网络节点(100、102、104、801),其中所述第一接收器是第一终端设备,并且所述部件被配置为响应于所述数据分组的失败递送的所述概率超过所述阈值(306),按照预定义选择标准来选择(307)多个冗余动作中的一个冗余动作,并且相应地执行所述数据分组的所述副本和所述冗余数据中的所述一项的所述传输(309),所述多个冗余动作包括以下中的一项或多项:
在所述第一无线通信链路上向所述第一终端设备传输所述数据分组的所述副本,
在所述第一无线通信链路上向所述第一终端设备传输所述冗余数据,
通过以下来向所述第一终端设备传输所述数据分组的所述副本:在所述网络节点(100、102、104、801)与接入节点之间的第二无线通信链路上以及在所述接入节点与所述第一终端设备之间的一个或多个第三无线通信链路上中继所述副本,
通过以下来向所述第一终端设备传输所述冗余数据:在所述网络节点(100、102、104、801)与接入节点之间的第二无线通信链路上以及在所述接入节点与所述第一终端设备之间的一个或多个第三无线通信链路上中继所述冗余数据,
通过以下来向所述第一终端设备传输所述数据分组的所述副本:在所述网络节点(100、102、104、801)与第二终端设备之间的第二无线通信链路上以及在所述第二终端设备与所述第一终端设备之间的一个或多个第三无线通信链路上中继所述副本,
通过以下来向所述第一终端设备传输所述冗余数据:在所述网络节点(100、102、104、801)与第二终端设备之间的第二无线通信链路上以及在所述第二终端设备与所述第一终端设备之间的一个或多个第三无线通信链路上中继所述冗余数据,
通过以下来向所述第一终端设备传输所述数据分组的所述副本:在所述网络节点(100、102、104、801)与接入节点之间的固定有线通信链路上以及在所述接入节点与所述第一终端设备之间的一个或多个第四无线通信链路上传送所述副本,以及
通过以下来向所述第一终端设备传输所述冗余数据:在所述网络节点(100、102、104、801)与接入节点之间的固定有线通信链路上以及在所述接入节点与所述第一终端设备之间的一个或多个第四无线通信链路上传送所述冗余数据。
11.根据权利要求10所述的网络节点(100、102、104、801),其中所述预定义选择标准至少包括针对以下中的一项的标准:每个动作的可用性、所述网络节点(100、102、104、801)的系统状态以及所述网络节点(100、102、104、801)的配置。
12.根据权利要求1或2所述的网络节点(100、102、104、801),其中所述部件进一步被配置为:响应于所述数据分组的失败递送的所述概率超过所述阈值,基于所述预测的结果来调整在所述冗余数据中被包括的冗余信息的所述数量,并且执行所述冗余数据的所述传输。
13.根据权利要求1或2所述的网络节点(100、102、104、801),其中所述部件进一步被配置为通过执行以下来生成和训练所述经训练的机器学习算法:
引起(401)执行测量以形成训练数据集合,所述训练数据集合包括关于在所述一个或多个无线通信链路的数据分组的递送的信息以及关于跟所述数据分组的所述递送并发的与所述一个或多个无线通信链路有关的测量的信息;
初始化(402)机器学习算法;
使用所述训练数据集合来训练(403)所述机器学习算法,其中关于与所述一个或多个无线通信链路有关的所述测量的所述信息定义所述机器学习算法的特征,并且关于在所述一个或多个无线通信链路上的数据分组的所述递送的所述信息定义所述机器学习算法的标签;以及
将所述机器学习算法存储(404)到所述数据库(832)。
14.根据权利要求13所述的网络节点(100、102、104、801),其中所述部件进一步被配置为,在所述训练之前通过执行以下来处理原始训练数据流以形成所述训练数据集合:
从所述原始测量数据流中分隔开(503)与所述一个或多个无线通信链路相关联的一个或多个数据流;
如果从所述原始数据流被分隔开的所述一个或多个数据流中的任何数据流包括字符串数据,则针对所字符串数据执行(504)字嵌入;
利用替代值来填充(505)从所述原始数据流被分隔开的所述一个或多个数据流中的任何时间数据间隙,以形成所述原始训练数据流的一个或多个经预处理的数据流;以及
对所述原始训练数据流的所述一个或多个经预处理的数据流执行(506)特征工程并且分配标签。
15.根据权利要求1或2所述的网络节点(100、102、104、801),其中针对对应的数据流,每个替代值根据相关联的数据的类型而对应于零或先前值。
16.根据权利要求1或2所述的网络节点(100、102、104、801),其中所述经训练的机器学习算法基于XGBoost算法、一个或多个多层感知器网络、一个或多个递归神经网络、一个或多个长短期记忆(LSTM)、一个或多个门控递归单元(GRU)、或其组合。
17.根据权利要求1或2所述的网络节点(100、102、104、801),其中所述网络节点(100、102、104、801)是接入节点(104)或终端设备(100、102)。
18.根据权利要求1或2所述的网络节点(100、102、104、801),其中所述一个或多个接收器包括一个或多个接入节点(104)和/或一个或多个终端设备(100、102)。
19.根据任一前述权利要求所述的网络节点(100、102、104、801),其中所述部件包括:
至少一个处理器(820);以及
至少一个存储器(830),所述至少一个存储器包括计算机程序代码(831),所述至少一个存储器(830)和计算机程序代码(831)被配置为与所述至少一个处理器(820)一起引起所述网络节点(100、102、104、801)的所述执行。
20.一种用于在一个或多个通信链路上向一个或多个接收器传输数据分组的方法,所述方法包括:
在数据库(832)中保持(201)经训练的机器学习算法,所述经训练的机器学习算法用于基于与所述一个或多个无线通信链路有关的测量来预测在所述一个或多个无线通信链路上的数据分组的失败递送的概率;
通过在所述一个或多个无线通信链路上执行测量来接收(601)原始测量数据流;
从所述原始测量数据流中分隔开(603)与所述一个或多个无线通信链路相关联的一个或多个数据流;
如果所述一个或多个数据流中的任何数据流包括字符串数据,则针对所述字符串数据执行(604)字嵌入,
利用替代值来填充(605)所述一个或多个数据流中的任何时间数据间隙,以形成一个或多个经预处理的数据流;
对所述一个或多个经预处理的数据流执行(606)特征工程,以形成针对所述一个或多个无线通信链路的每个无线通信链路的测量数据集合;以及
针对所述一个或多个无线通信链路中的每个无线通信链路,其作为第一无线通信链路,执行以下:
使用所述经训练的机器学习算法来预测(203)在所述第一无线通信链路上到第一接收器的数据分组的失败递送的概率,其中对应的测量数据集合被使用作为所述经训练的机器学习算法的输入,
确定(204)在所述第一无线通信链路上的所述数据分组的失败递送的所述概率是否超过阈值,以及
响应于所述数据分组的失败递送的所述概率超过所述阈值(205),在所述第一无线通信链路上向所述第一接收器传输(206)所述数据分组,并且向所述第一接收器传输(207)所述数据分组的副本和针对所述数据分组的冗余数据中的一项。
21.一种计算机程序,包括存储在其上的指令,所述指令用于至少执行以下:
通过在一个或多个无线通信链路上执行测量来接收(601)原始测量数据流;
从所述原始测量数据流中分隔开(603)与所述一个或多个无线通信链路相关联的一个或多个数据流;
如果所述一个或多个数据流中的任何数据流包括字符串数据,则针对所述字符串数据执行(604)字嵌入,
利用替代值来填充(605)所述一个或多个数据流中的任何时间数据间隙,以形成一个或多个经预处理的数据流;以及
对所述一个或多个经预处理的数据流执行(606)特征工程,以形成针对所述一个或多个无线通信链路的每个无线通信链路的测量数据集合;
针对所述一个或多个无线通信链路中的每个无线通信链路,其作为第一无线通信链路,执行以下:
使用经训练的机器学习算法,其利用对应的测量数据集合作为输入,来预测(203)在所述第一无线通信链路上到第一接收器的数据分组的失败递送的概率,其中所述经训练的机器学习算法是经训练的算法,所述经训练的算法用于基于与所述一个或多个无线通信链路有关的测量来预测在所述一个或多个无线通信链路上的数据分组的失败递送的概率,
确定(204)在所述第一无线通信链路上的所述数据分组的失败递送的所述概率是否超过阈值,以及
响应于所述数据分组的失败递送的所述概率超过所述阈值(205),在所述第一无线通信链路上向所述第一接收器传输(206)所述数据分组,并且向所述第一接收器传输(207)所述数据分组的副本和针对所述数据分组的冗余数据中的一项。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FI20195586 | 2019-06-28 | ||
FI20195586 | 2019-06-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112153658A true CN112153658A (zh) | 2020-12-29 |
Family
ID=69416479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911397109.2A Pending CN112153658A (zh) | 2019-06-28 | 2019-12-30 | 基于分组错误预测的延迟减少 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10652782B1 (zh) |
CN (1) | CN112153658A (zh) |
DE (1) | DE102019135861B3 (zh) |
GB (1) | GB2582692B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112764923A (zh) * | 2021-01-12 | 2021-05-07 | 深圳市中博科创信息技术有限公司 | 计算资源分配方法、装置、计算机设备及存储介质 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11533217B2 (en) * | 2020-07-31 | 2022-12-20 | Hewlett Packard Enterprise Development Lp | Systems and methods for predictive assurance |
JP2023006210A (ja) * | 2021-06-30 | 2023-01-18 | 株式会社デンソー | 冗長通信装置、方法、及びプログラム |
WO2023066967A2 (en) * | 2021-10-20 | 2023-04-27 | Nokia Solutions And Networks Oy | Measurement relaxation |
CN114900859B (zh) * | 2022-07-11 | 2022-09-20 | 深圳市华曦达科技股份有限公司 | 一种easymesh网络管理方法及装置 |
US20240056511A1 (en) * | 2022-08-15 | 2024-02-15 | Capital One Services, Llc | Systems and methods to determine the loss of ability to notify customer through mobile app and prompt re-download |
GB2622868A (en) * | 2022-09-30 | 2024-04-03 | Nokia Technologies Oy | Devices, methods and apparatuses for channel prediction |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101938770A (zh) * | 2010-09-20 | 2011-01-05 | 南京邮电大学 | 基于网络信道状态的无线网络最大重传次数的优化方法 |
JP2011151752A (ja) * | 2010-01-25 | 2011-08-04 | Fujitsu Ltd | パケットトランスポート障害検出機能を含む通信ネットワークシステム |
US20150155978A1 (en) * | 2012-06-08 | 2015-06-04 | Telefonaktiebolaget L M Ericsson (Publ) | Methods and Arrangements for Supporting Retransmission |
US20170099683A1 (en) * | 2015-10-02 | 2017-04-06 | Thales | Method for dynamically adapting the capacity of a contention transmission channel |
US9992088B1 (en) * | 2014-11-07 | 2018-06-05 | Speedy Packets, Inc. | Packet coding based network communication |
CN108476091A (zh) * | 2016-01-20 | 2018-08-31 | 瑞典爱立信有限公司 | 无线通信网络的用于确定实时媒体流的传输条件的方法、系统和用户设备 |
WO2019101193A1 (en) * | 2017-11-27 | 2019-05-31 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for predicting a quality of experience of a service in a wireless network |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2081036C (en) * | 1991-12-19 | 1999-08-03 | Ahmed Hashem Abdelmonem | Method and apparatus for predicting transmission system errors and failures |
KR20170072788A (ko) * | 2015-12-16 | 2017-06-27 | 한국전자통신연구원 | 기계 학습 기반의 패킷 손실 예측 장치 및 방법 |
US11165522B2 (en) | 2017-10-12 | 2021-11-02 | Intel Corporation | Radio link quality prediction |
US10609119B2 (en) | 2017-11-03 | 2020-03-31 | Salesforce.Com, Inc. | Simultaneous optimization of multiple TCP parameters to improve download outcomes for network-based mobile applications |
CN110149238B (zh) * | 2019-06-18 | 2022-10-28 | 北京百度网讯科技有限公司 | 用于预测流量的方法和装置 |
-
2019
- 2019-12-06 US US16/705,965 patent/US10652782B1/en active Active
- 2019-12-30 DE DE102019135861.2A patent/DE102019135861B3/de active Active
- 2019-12-30 CN CN201911397109.2A patent/CN112153658A/zh active Pending
- 2019-12-31 GB GB1919451.3A patent/GB2582692B/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011151752A (ja) * | 2010-01-25 | 2011-08-04 | Fujitsu Ltd | パケットトランスポート障害検出機能を含む通信ネットワークシステム |
CN101938770A (zh) * | 2010-09-20 | 2011-01-05 | 南京邮电大学 | 基于网络信道状态的无线网络最大重传次数的优化方法 |
US20150155978A1 (en) * | 2012-06-08 | 2015-06-04 | Telefonaktiebolaget L M Ericsson (Publ) | Methods and Arrangements for Supporting Retransmission |
US9992088B1 (en) * | 2014-11-07 | 2018-06-05 | Speedy Packets, Inc. | Packet coding based network communication |
US20170099683A1 (en) * | 2015-10-02 | 2017-04-06 | Thales | Method for dynamically adapting the capacity of a contention transmission channel |
CN108476091A (zh) * | 2016-01-20 | 2018-08-31 | 瑞典爱立信有限公司 | 无线通信网络的用于确定实时媒体流的传输条件的方法、系统和用户设备 |
WO2019101193A1 (en) * | 2017-11-27 | 2019-05-31 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and apparatus for predicting a quality of experience of a service in a wireless network |
Non-Patent Citations (3)
Title |
---|
""36331v1501 CRxxxx_(REL-15)_R2-1803095 on Miscellaneous NR related corrections in preparation for ASN1 freeze"", 3GPP TSG_RAN\\WG2_RL2, 3 March 2018 (2018-03-03) * |
刘松林;秦晓卫;戴旭初;: "基于神经网络结构化组合的下行链路SINR预测", 遥测遥控, no. 04, 15 July 2018 (2018-07-15) * |
韩美芳;: "云计算下敏感数据安全传输可靠性评估仿真", 计算机仿真, no. 09, 15 September 2018 (2018-09-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112764923A (zh) * | 2021-01-12 | 2021-05-07 | 深圳市中博科创信息技术有限公司 | 计算资源分配方法、装置、计算机设备及存储介质 |
CN112764923B (zh) * | 2021-01-12 | 2023-11-21 | 深圳市中博科创信息技术有限公司 | 计算资源分配方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
DE102019135861B3 (de) | 2020-09-24 |
US10652782B1 (en) | 2020-05-12 |
GB2582692B (en) | 2021-09-15 |
GB2582692A (en) | 2020-09-30 |
GB201919451D0 (en) | 2020-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10652782B1 (en) | Latency reduction based on packet error prediction | |
CN112118203B (zh) | 具有可配置调制阶数的通信系统以及相关联的方法和装置 | |
US11070410B1 (en) | Transmitter | |
WO2021191176A1 (en) | Reporting in wireless networks | |
CN114389779B (zh) | 信道状态信息报告 | |
CN113302900B (zh) | 混合传输方案确定 | |
US20220329359A1 (en) | Apparatus, method and sw for harq control | |
CN114342293A (zh) | 用于harq控制的装置、方法和软件 | |
WO2020152389A1 (en) | Machine learning for a communication network | |
US20220094464A1 (en) | Detecting control information communicated in frame using a neural network | |
US11139866B2 (en) | Machine-learning-based detection and reconstruction from low-resolution samples | |
US11647532B1 (en) | Algorithm for mitigation of impact of uplink/downlink beam mismatch | |
US20220393795A1 (en) | Apparatuses and methods for providing feedback | |
US11888672B2 (en) | Predicting decodability of received data | |
US20220394509A1 (en) | Link adaptation | |
US20240089787A1 (en) | Determining Target Block Error Rate for Improved Radio Efficiency | |
US20230135872A1 (en) | Power saving in radio access network | |
CN116636187A (zh) | 网络状态建模 | |
CN116261210A (zh) | 功率控制参数的选择 | |
WO2023083431A1 (en) | Reconfigurable demodulation and decoding | |
WO2023147208A1 (en) | Interference distribution compression and reconstruction | |
WO2024025444A1 (en) | Iterative learning with adapted transmission and reception |
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 |