CN112637904B - 负载均衡方法、装置及计算设备 - Google Patents
负载均衡方法、装置及计算设备 Download PDFInfo
- Publication number
- CN112637904B CN112637904B CN201910907060.4A CN201910907060A CN112637904B CN 112637904 B CN112637904 B CN 112637904B CN 201910907060 A CN201910907060 A CN 201910907060A CN 112637904 B CN112637904 B CN 112637904B
- Authority
- CN
- China
- Prior art keywords
- cell
- load balancing
- source cell
- neighbor
- users
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012546 transfer Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 38
- 238000005259 measurement Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims 1
- 230000008859 change Effects 0.000 description 16
- 238000003066 decision tree Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- 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
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Abstract
本发明实施例涉及无线通信技术领域，公开了一种负载均衡方法、装置及计算设备。其中，该方法包括：获取源小区和所述源小区的邻区的历史数据；根据所述历史数据，训练基于预设极端梯度提升算法构建的预测模型；根据训练后的所述预测模型，预测所述源小区和所述邻区的未来用户数；根据所述源小区和所述邻区的未来用户数，计算转移用户数；判断是否达到负载均衡触发门限；若是，则根据所述转移用户数，进行负载均衡。通过上述方式，本发明实施例能够提前预测小区用户数、并实现负载均衡参数调整频率高于业务模型变化频率的目的。
Description
技术领域
本发明实施例涉及无线通信技术领域，具体涉及一种负载均衡方法、装置及计算设备。
背景技术
随着移动互联网业务的快速发展以及运营商流量资费套餐的不断优化，LTE网络用户增长迅速，部分热点区域的LTE网络出现负荷过高、拥塞等现象，为了缓解热点区域的网络高负荷以及拥塞问题，运营商逐步部署了双层网或者多层网，同一区域的用户由多频段的多层网络承担，但是由于在蜂窝移动通信中，用户的到达率、传输业务类型都是随机变化的，即是不均衡的，热点小区的业务请求远远高于一个可接受的水平，而另一些小区则仍然具备可用资源来服务更多的用户。采取负载转移的方式把热点小区中过多的业务转移到业务量较轻的小区中的过程即为负载均衡。
目前的网络负载均衡方法是人工分析、人工调整，调整频率远低于业务模型变化，效果较差，且参数的调整是基于历史用户数据，负载均衡方案滞后于业务。
发明内容
鉴于上述问题，本发明实施例提供了一种负载均衡方法、装置及计算设备，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种负载均衡方法，所述方法包括：获取源小区和所述源小区的邻区的历史数据；根据所述历史数据，训练基于预设极端梯度提升算法构建的预测模型；根据训练后的所述预测模型，预测所述源小区和所述邻区的未来用户数；根据所述源小区和所述邻区的未来用户数，计算转移用户数；判断是否达到负载均衡触发门限；若是，则根据所述转移用户数，进行负载均衡。
在一种可选的方式中，所述根据所述历史数据，训练基于预设极端梯度提升算法构建的预测模型，进一步包括：按照预设比例将所述历史数据分为训练数据和验证数据；根据所述训练数据，训练所述预测模型；根据所述验证数据，对所述预测模型进行参数优化。
在一种可选的方式中，所述历史数据为当前时刻的前5个1440分钟内的用户数；所述未来用户数为下一15分钟的用户数。
在一种可选的方式中，所述根据所述源小区和所述邻区的未来用户数，计算转移用户数，进一步包括：获取所述源小区和所述邻区的占用资源块数；根据所述源小区和所述邻区的未来用户数以及所述占用资源块数，判断所述邻区是否具有负载均衡能力；若是，则根据所述源小区和所述邻区的未来用户数以及所述占用资源块数，计算所述转移用户数。
在一种可选的方式中，所述判断所述邻区是否具有负载均衡能力，进一步包括：根据所述源小区和所述邻区的未来用户数以及所述占用资源块数，计算所述源小区和所述邻区的用户数差值；若所述用户数差值大于预设差值阈值，则确定所述邻区具有负载均衡能力。
在一种可选的方式中，所述方法还包括：获取所述源小区和所述邻区的测量报告数据；根据所述测量报告数据，计算所述负载均衡触发门限。
在一种可选的方式中，所述根据所述测量报告数据，计算所述负载均衡触发门限，进一步包括：从所述测量报告数据获取所述源小区和所述邻区的若干采样点以及所述采样点的参考信号接收功率；根据所述采样点以及所述参考信号接收功率，判断所述邻区是否为连续覆盖小区；若是，则计算所述源小区和所述邻区的参考信号接收功率的差值，并确定所述差值在预设范围内的所述邻区的采样点；若确定的所述邻区的采样点的累积函数概率大于或者等于预设概率阈值，则将所述采样点的参考信号接收功率作为所述负载均衡触发门限。
根据本发明实施例的另一方面，提供了一种负载均衡装置，所述装置包括：历史数据获取模块，用于获取源小区和所述源小区的邻区的历史数据；模型训练模块，用于根据所述历史数据，训练基于预设极端梯度提升算法构建的预测模型；预测模块，用于根据训练后的所述预测模型，预测所述源小区和所述邻区的未来用户数；转移数计算模块，用于根据所述源小区和所述邻区的未来用户数，计算转移用户数；判断模块，用于判断是否达到负载均衡触发门限负载均衡模块，用于若是，则根据所述转移用户数，进行负载均衡。
根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上所述的负载均衡方法的操作。
根据本发明实施例的另一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上所述的负载均衡方法。
本发明实施例通过获取源小区和源小区的邻区的历史数据，根据历史数据，训练基于预设极端梯度提升算法构建的预测模型，根据训练后的预测模型，预测源小区和邻区的未来用户数，根据源小区和邻区的未来用户数，计算转移用户数，判断是否达到负载均衡触发门限，若是，则根据转移用户数，进行负载均衡，实现了十五分钟粒度的小区负载预测，保证了优化频率大于业务模型变化频率，能够提前预测小区用户数、并实现负载均衡参数调整频率高于业务模型变化频率的目的。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明其中一实施例提供的负载均衡方法的流程图；
图2示出了图1中步骤120的流程图；
图3示出了图1中步骤140的流程图；
图4示出了本发明另一实施例提供的负载均衡方法的流程图；
图5示出了图4中步骤180的流程图；
图6示出了本发明实施例提供的负载均衡方法的应用环境示意图；
图7示出了本发明实施例提供的负载均衡方法的应用的流程图；
图8示出了本发明实施例提供的负载均衡装置的结构示意图；
图9示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明其中一实施例提供的负载均衡方法的流程图。该方法应用于计算设备中。如图1所示，该方法包括以下步骤：
步骤110、获取源小区和源小区的邻区的历史数据。
其中，源小区和源小区的邻区为异频小区，当源小区负载较大、而邻区的负载较小，则将源小区的部分用户转移到邻区，从而实现负载均衡。源小区可以为一个或者多个，邻区也可以为一个或者多个，当源小区为多个时，则同时进行多个小区的负载均衡方法。
在步骤110中，获取源小区和邻区的历史数据，具体可以为：从操作维护中心(Operation and Maintenance Center，OMC)分别获取源小区的历史数据和邻区的历史数据。其中，OMC可以为不同厂家的网管系统。其中，历史数据可以为过去一周的小区十五分钟粒度负荷的相关参数中能够表征用户数变化的参数。由于对于规律性强的场景，用户数的变化较依赖于前几日该时刻的用户数，且当前时刻用户数受当天特有情况的影响而强烈依赖于前几个时刻的用户数，因此，在本实施例中，历史数据具体可以为当前时刻的前5个1440分钟内的用户数，例如，当前时刻为2:00，则历史数据为从2:00往前推算的5个1440分钟内的用户数。
可选地，步骤110具体还包括：对历史数据进行清洗整合，包括删除冗余数据、剔除异常数据等。
步骤120、根据历史数据，训练基于预设极端梯度提升算法构建的预测模型。
其中，根据历史数据，训练基于预设极端梯度提升算法构建的预测模型，具体包括：根据源小区的历史数据和邻区的历史数据，分别训练基于预设极端梯度提升算法构建的预测模型，从而获得源小区的预测模型和邻区的预测模型。
具体地，如图2所示，步骤120包括：
步骤121、按照预设比例将历史数据分为训练数据和验证数据；
步骤122、根据训练数据，训练预测模型；
步骤123、根据验证数据，对预测模型进行参数优化。
其中，预设比例可以为4:1，从而将历史数据分为两部分。训练数据用于训练预测模型，验证数据用于调整模型参数，从而优化预测模型。
其中，极端梯度提升(eXtreme Gradient Boosting，XGBoost)算法是在是在提升(Boosting)算法的基础上进行优化的。Boosting算法是对多个决策树的预测结果的结合。通常地，一个决策树的分类结果总是不尽人意，是弱学习器，容易产生过拟合，而多个决策树的分类结果是综合考虑后得到的，具有较强的泛化能力，是强学习器，能够得到准确的预测结果。因此，Boosting算法的基本思想为：先赋予每个训练样本相同的概率，然后进行T此迭代，每次迭代后，对分类错误的样本加大权重(重采样)，使得在下一次迭代中更加关注这些样本。但是，对于Boosting算法，仍需解决两个问题：一，如何调整训练数据，使得训练数据在训练的弱分类器上得以进行；二，如何将训练得到的各个弱分类器联合起来形成强分类器。针对Boosting算法存在的问题，XGBoost并不是简单地将几个决策树进行组合，而是每次加入一棵树，将其损失函数不断降低，在下一轮学习过程中努力纠正上一棵树模型的错误，具体表现为将模型预测值与真实值的残差作为下一棵树的输入数据，每个新分类器的建立都是为了使得之前弱分类器的残差往梯度方向减少；并且，使用累加机制来代替平均投票机制，将弱分类器联合起来。XGBoost算法是在Boosting算法的基础上，为增加模型的泛化能力而在目标函数增加正则项，模型的目标即计算该函数的最优化问题。因此，XGBoost算法的目标函数为：
其中，为损失函数，使得模型预测值和真实值误差尽可能小，/>为正则化项，使得模型不会过拟合，从而只对训练数据表现良好，对测试数据表现较差。
使用树的复杂度作为正则化项，即
则目标函数为：
利用t＝0处的泰勒二阶展开式，并将目标函数根据叶子结点重组，最终改写关于叶子结点分数ω的一元二次函数，最优的ω为：
代入目标函数，得到的最小损失为：
在获得最优的叶节点分数以及对应的最小损失值后，XGBoost利用贪婪算法，遍历所有特征的所有特征划分点，使用上式目标函数值作为评价函数，以寻找最近特征分裂点，具体为：比较分裂后的目标函数值比单子叶子节点的目标函数的增益，为防止过拟合，当增益大于某给定的阈值才进行分裂，直到到达一定深度或不能再分裂即停止，从而训练得到预测模型。
在步骤123中，根据验证数据，对预测模型进行参数优化，具体实施方式可以为：选择较高的学习速率(learning rate)；进行max_depth和min_child_weight参数调优；进行gamma参数调优；进行subsample和colsample_bytree参数调优；进行正则化参数alpha调优；降低学习速率和使用更多的决策树。
在完成参数优化后，得到训练后的预测模型。源小区的预测模型和邻区的预测模型均根据这种方法训练得到。
通过使用基于XGBoost算法构建的预测模型，很好地解决了GBDT模型面临的过拟合和效率低的问题，并且，基于XGBoost算法构建的预测模型的优化函数在最小化预测值与实际值的误差的同时还增加了评价模型复杂度的正则项，这就保证了模型具有很好地鲁棒性，在测试集上能得到很好的效果。此外，基于XGBoost算法构建的预测模型支持特征粒度上的并行计算，极大提高了速率。决策树的学习最耗时的一个步骤就是在确定最佳分割点时对特征值的排序，基于XGBoost算法构建的预测模型在训练之前，预先对数据进行了排序，然后保存为block结构，后面的迭代中重复地使用这个结构，大大减小计算量。这个block结构也使得并行成为了可能，在进行节点的分裂时，需要计算每个特征的增益，最终选增益最大的那个特征去做分裂，因此各个特征的增益计算就可以多线程进行。
步骤130、根据训练后的预测模型，预测源小区和邻区的未来用户数。
其中，未来用户数可以为下一15分钟的用户数。步骤130具体可以为：根据训练后的源小区的预测模型，预测源小区的未来用户数，并根据训练后的邻区的预测模型，预测邻区的未来用户数。其中，可以在预测模型输入小区前一天的历史用户数，或者在预测模型输入小区前五天的历史用户数，从而预测下一15分钟的用户数。
步骤140、根据源小区和邻区的未来用户数，计算转移用户数。
其中，转移用户数为源小区需要转移到邻区的用户数。根据源小区的未来用户数和邻区的未来用户数，能够计算转移用户数。
步骤150、判断是否达到负载均衡触发门限。
其中，负载均衡触发门限可以为触发进行负载均衡的门限，若达到负载均衡触发门限，则开始进行负载均衡，若未达到负载均衡触发门限，则不进行负载均衡。
步骤160、若是，则根据转移用户数，进行负载均衡。
本发明实施例通过获取源小区和源小区的邻区的历史数据，根据历史数据，训练基于预设极端梯度提升算法构建的预测模型，根据训练后的预测模型，预测源小区和邻区的未来用户数，根据源小区和邻区的未来用户数，计算转移用户数，判断是否达到负载均衡触发门限，若是，则根据转移用户数，进行负载均衡，实现了十五分钟粒度的小区负载预测，保证了优化频率大于业务模型变化频率，能够提前预测小区用户数、并实现负载均衡参数调整频率高于业务模型变化频率的目的。
在现网点频率资源配置中，各个小区的带宽可能并不相同，例如有20M带宽的小区，也有10M带宽的小区，如果让10M小区承载与20M小区相当的用户数，难以避免10M小区出现高负荷或者拥塞的现象，故在负载均衡能力判断上考虑到带宽。
在一些实施例中，如图3所示，步骤140具体包括：
步骤141、获取源小区和邻区的占用资源块数；
步骤142、根据源小区和邻区的未来用户数以及占用资源块数，判断邻区是否具有负载均衡能力；
步骤143、若是，则根据源小区和邻区的未来用户数以及占用资源块数，计算转移用户数。
在步骤141中，占用资源块(Resource Block，RB)数，即占用RB数。频率上连续12个子载波以及时域上一个slot，记为1个RB。可以从OMC分别获取源小区占用RB数和邻区的占用RB数。
在步骤142中，判断邻区是否具有负载均衡能力，具体可以包括：根据源小区和邻区的未来用户数以及占用资源块数，计算源小区和邻区的用户数差值；若用户数差值大于预设差值阈值，则确定邻区具有负载均衡能力。
具体地，可以根据以下公式计算源小区和邻区的用户数差值：
其中，Si为源小区和邻区的用户数差值，M为源小区的未来用户数，Ni为邻区的未来用户数，A为源小区的占用资源块数，Bi为邻区的占用资源块数。
其中，预设差值阈值为预先设置的用户数差值的阈值，可以根据实际情况自由设置。在本实施例中，预设差值阈值为15％，则当计算得到用户数差值Si大于15％时，确定邻区具有负载均衡能力。
在步骤143中，转移用户数同样考虑带宽的影响。则可以根据以下公式计算转移用户数U：
其中，根据转移用户数可以得出异频负载均衡用户数门限和负载均衡用户数偏置之和，即：
异频负载均衡用户数门限+负载均衡用户数偏置＝M-U
其中，负载均衡用户数偏置一般为固定设置。
本发明实施例通过获取源小区和邻区的占用资源块数，根据源小区和邻区的未来用户数以及占用资源块数，判断邻区是否具有负载均衡能力，若是，则根据源小区和邻区的未来用户数以及占用资源块数，计算转移用户数，能够基于带宽因素计算转移用户数，能够提高负载均衡优化效果。
在一些实施例中，如图4所示，该方法还包括：
步骤170、获取源小区和邻区的测量报告数据。
其中，测量报告(Measurement Report，MR)数据可以从MR服务器中获取。
步骤180、根据测量报告数据，计算负载均衡触发门限。
具体地，如图5所示，步骤180包括：
步骤181、从测量报告数据获取源小区和邻区的若干采样点以及采样点的参考信号接收功率；
步骤182、根据采样点以及参考信号接收功率，判断邻区是否为连续覆盖小区；
步骤183、若是，则计算源小区和邻区的参考信号接收功率的差值，并确定差值在预设范围内的邻区的采样点；
步骤184、若确定的邻区的采样点的累计函数概率大于或者等于预设概率阈值，则将采样点的参考信号接收功率作为负载均衡触发门限。
在步骤181中，在获取源小区和邻区的MR数据后，将HTML文件进行解析，进行数据清洗，从而获得源小区和邻区的若干采样点以及采样点的参考信号接收功率(ReferenceSignal Receiving Power，RSRP)。
在步骤182中，具体实施方式可以为：通过数据汇聚得到源小区的采样点数和邻区的采样点数，判断是否满足连续覆盖小区条件。其中，连续覆盖小区条件包括：条件一：邻区RSRP≥-95；条件二：-95≤邻区RSRP<-110，且邻区RSRP大于源小区3db；满足条件一或条件二的所有邻区采样点合计在总的邻区采样点中占比大于10％。若邻区满足连续覆盖小区条件，则邻区为连续覆盖小区，否则，邻区不为连续覆盖小区。
在步骤183中，预设范围可以为[0,3]，使得源小区和邻区的RSRP足够接近。则步骤183具体实施方式可以为：对于识别得到的连续覆盖小区，计算源小区的RSRP和邻区的RSRP的差值，筛选出差值的绝对值在[0,3]内的邻区的采样点，从而确定差值在预设范围内的邻区的采样点。
在步骤184中，预设概率阈值为90％，则若通过累积函数计算得到邻区的采样点的RSRP的概率大于或者等于90％，则将该RSRP值作为基于负载的异频RSRP触发门限，即负载均衡触发门限。
本发明实施例通过基于MR数据计算负载均衡触发门限，实现了参数方案的自动生成以及脚本的自动下发，从而能够在热点小区负荷升高之前提前完成参数配置，从而实现动态快速的负载均衡。
图6示出了本发明实施例提供的负载均衡方法的应用环境示意图。如图6所示，该应用环境包括计算设备21、MR服务器22、OMC网管23以及基站24。其中，MR服务器22、OMC网管23以及基站24通过蜂窝移动网络25连接，计算设备21分别与MR服务器22、OMC网管23通信连接。
图7示出了本发明实施例提供的负载均衡方法的应用的流程图。如图7所示，该方法应用于图6中的计算设备，该方法包括以下步骤：
步骤301、从OMC网管获取各个小区过去一周的历史用户数；
步骤302、将历史用户数按照4:1分为训练集和验证集；
步骤303、根据训练集，训练XGBoost预测模型；
步骤304、根据验证集，优化XGBoost预测模型；
步骤305、根据训练后的XGBoost预测模型，从OMC网管获取高负荷小区的用户数，预测该源小区及其邻区的下一15分钟的用户数；
步骤306、根据源小区和邻区的未来用户数，计算转移用户数；
步骤307、从OMC网管获取源小区和邻区的参数配置，并根据MR数据计算负载均衡触发门限；
步骤308、输出自动负载均衡方案：当达到负载均衡触发门限，根据转移用户数，进行负载均衡。
本发明实施例实现了十五分钟粒度的小区负载预测、保证了优化频率大于业务模型变化频率，提高了优化效率。提出了基于不同带宽的转移用户数计算方法和基于MR的触发门限计算方法，实现了参数方案的自动生成以及脚本的自动下发，全程实现自动化。
图8示出了本发明实施例提供的负载均衡装置的结构示意图。如图8所示，该装置400包括：历史数据获取模块410、模型训练模块420、预测模块430、转移数计算模块440、判断模块450和负载均衡模块460。
其中，历史数据获取模块410用于获取源小区和所述源小区的邻区的历史数据；模型训练模块420用于根据所述历史数据，训练基于预设极端梯度提升算法构建的预测模型；预测模块430用于根据训练后的所述预测模型，预测所述源小区和所述邻区的未来用户数；转移数计算模块440用于根据所述源小区和所述邻区的未来用户数，计算转移用户数；判断模块450用于判断是否达到负载均衡触发门限；负载均衡模块460用于若是，则根据所述转移用户数，进行负载均衡。
在一种可选的方式中，模型训练模块420具体用于：按照预设比例将所述历史数据分为训练数据和验证数据；根据所述训练数据，训练所述预测模型；根据所述验证数据，对所述预测模型进行参数优化。
在一种可选的方式中，所述历史数据为当前时刻的前5个1440分钟内的用户数；所述未来用户数为下一15分钟的用户数。
在一种可选的方式中，转移数计算模块440包括占用资源块数获取单元、判断单元和转移数计算单元。占用资源块数获取单元用于获取所述源小区和所述邻区的占用资源块数；判断单元用于根据所述源小区和所述邻区的未来用户数以及所述占用资源块数，判断所述邻区是否具有负载均衡能力；转移数计算单元用于若是，则根据所述源小区和所述邻区的未来用户数以及所述占用资源块数，计算所述转移用户数。
在一种可选的方式中，判断单元具体用于：根据所述源小区和所述邻区的未来用户数以及所述占用资源块数，计算所述源小区和所述邻区的用户数差值；若所述用户数差值大于预设差值阈值，则确定所述邻区具有负载均衡能力。
在一种可选的方式中，该装置400还包括：测量报告获取模块和触发门限计算模块。测量报告获取模块用于获取所述源小区和所述邻区的测量报告数据；触发门限计算模块用于根据所述测量报告数据，计算所述负载均衡触发门限。
在一种可选的方式中，触发门限计算模块具体用于：从所述测量报告数据获取所述源小区和所述邻区的若干采样点以及所述采样点的参考信号接收功率；根据所述采样点以及所述参考信号接收功率，判断所述邻区是否为连续覆盖小区；若是，则计算所述源小区和所述邻区的参考信号接收功率的差值，并确定所述差值在预设范围内的所述邻区的采样点；若确定的所述邻区的采样点的累积函数概率大于或者等于预设概率阈值，则将所述采样点的参考信号接收功率作为所述负载均衡触发门限。
需要说明的是，本发明实施例提供的负载均衡装置是能够执行上述负载均衡方法的装置，则上述负载均衡方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
本发明实施例通过获取源小区和源小区的邻区的历史数据，根据历史数据，训练基于预设极端梯度提升算法构建的预测模型，根据训练后的预测模型，预测源小区和邻区的未来用户数，根据源小区和邻区的未来用户数，计算转移用户数，判断是否达到负载均衡触发门限，若是，则根据转移用户数，进行负载均衡，实现了十五分钟粒度的小区负载预测，保证了优化频率大于业务模型变化频率，能够提前预测小区用户数、并实现负载均衡参数调整频率高于业务模型变化频率的目的。
本发明实施例提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行上述任意方法实施例中的负载均衡方法。
本发明实施例通过获取源小区和源小区的邻区的历史数据，根据历史数据，训练基于预设极端梯度提升算法构建的预测模型，根据训练后的预测模型，预测源小区和邻区的未来用户数，根据源小区和邻区的未来用户数，计算转移用户数，判断是否达到负载均衡触发门限，若是，则根据转移用户数，进行负载均衡，实现了十五分钟粒度的小区负载预测，保证了优化频率大于业务模型变化频率，能够提前预测小区用户数、并实现负载均衡参数调整频率高于业务模型变化频率的目的。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任意方法实施例中的负载均衡方法。
本发明实施例通过获取源小区和源小区的邻区的历史数据，根据历史数据，训练基于预设极端梯度提升算法构建的预测模型，根据训练后的预测模型，预测源小区和邻区的未来用户数，根据源小区和邻区的未来用户数，计算转移用户数，判断是否达到负载均衡触发门限，若是，则根据转移用户数，进行负载均衡，实现了十五分钟粒度的小区负载预测，保证了优化频率大于业务模型变化频率，能够提前预测小区用户数、并实现负载均衡参数调整频率高于业务模型变化频率的目的。
图9示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图9所示，该计算设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。处理器502，用于执行程序510，具体可以执行上述任意方法实施例中的负载均衡方法。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
本发明实施例通过获取源小区和源小区的邻区的历史数据，根据历史数据，训练基于预设极端梯度提升算法构建的预测模型，根据训练后的预测模型，预测源小区和邻区的未来用户数，根据源小区和邻区的未来用户数，计算转移用户数，判断是否达到负载均衡触发门限，若是，则根据转移用户数，进行负载均衡，实现了十五分钟粒度的小区负载预测，保证了优化频率大于业务模型变化频率，能够提前预测小区用户数、并实现负载均衡参数调整频率高于业务模型变化频率的目的。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (8)
1.一种负载均衡方法，其特征在于，所述方法包括：
获取源小区和所述源小区的邻区的历史数据；
根据所述历史数据，训练基于预设极端梯度提升算法构建的预测模型；
根据训练后的所述预测模型，预测所述源小区和所述邻区的未来用户数；
根据所述源小区和所述邻区的未来用户数，计算转移用户数；
判断是否达到负载均衡触发门限；
若是，则根据所述转移用户数，进行负载均衡；
所述方法还包括：获取所述源小区和所述邻区的测量报告数据；根据所述测量报告数据，计算所述负载均衡触发门限；
所述根据所述测量报告数据，计算所述负载均衡触发门限，进一步包括：从所述测量报告数据获取所述源小区和所述邻区的若干采样点以及所述采样点的参考信号接收功率；根据所述采样点以及所述参考信号接收功率，判断所述邻区是否为连续覆盖小区；若是，则计算所述源小区和所述邻区的参考信号接收功率的差值，并确定所述差值在预设范围内的所述邻区的采样点；若确定的所述邻区的采样点的累积函数概率大于或者等于预设概率阈值，则将所述采样点的参考信号接收功率作为所述负载均衡触发门限。
2.根据权利要求1所述的方法，其特征在于，所述根据所述历史数据，训练基于预设极端梯度提升算法构建的预测模型，进一步包括：
按照预设比例将所述历史数据分为训练数据和验证数据；
根据所述训练数据，训练所述预测模型；
根据所述验证数据，对所述预测模型进行参数优化。
3.根据权利要求1所述的方法，其特征在于，
所述历史数据为当前时刻的前5个1440分钟内的用户数；
所述未来用户数为下一15分钟的用户数。
4.根据权利要求1所述的方法，其特征在于，所述根据所述源小区和所述邻区的未来用户数，计算转移用户数，进一步包括：
获取所述源小区和所述邻区的占用资源块数；
根据所述源小区和所述邻区的未来用户数以及所述占用资源块数，判断所述邻区是否具有负载均衡能力；
若是，则根据所述源小区和所述邻区的未来用户数以及所述占用资源块数，计算所述转移用户数；
其中，根据以下公式计算转移用户数U：
其中，U为转移用户数，M为源小区的未来用户数，Ni为邻区的未来用户数，A为源小区的占用资源块数，Bi为邻区的占用资源块数。
5.根据权利要求4所述的方法，其特征在于，所述判断所述邻区是否具有负载均衡能力，进一步包括：
根据所述源小区和所述邻区的未来用户数以及所述占用资源块数，计算所述源小区和所述邻区的用户数差值；
若所述用户数差值大于预设差值阈值，则确定所述邻区具有负载均衡能力；
根据以下公式计算源小区和邻区的用户数差值：
其中，Si为源小区和邻区的用户数差值，M为源小区的未来用户数，Ni为邻区的未来用户数，A为源小区的占用资源块数，Bi为邻区的占用资源块数。
6.一种负载均衡装置，其特征在于，所述装置包括：
历史数据获取模块，用于获取源小区和所述源小区的邻区的历史数据；
模型训练模块，用于根据所述历史数据，训练基于预设极端梯度提升算法构建的预测模型；
预测模块，用于根据训练后的所述预测模型，预测所述源小区和所述邻区的未来用户数；
转移数计算模块，用于根据所述源小区和所述邻区的未来用户数，计算转移用户数；
判断模块，用于判断是否达到负载均衡触发门限；
负载均衡模块，用于若是，则根据所述转移用户数，进行负载均衡；
测量报告获取模块用于获取所述源小区和所述邻区的测量报告数据；触发门限计算模块用于根据所述测量报告数据，计算所述负载均衡触发门限；
触发门限计算模块具体用于：从所述测量报告数据获取所述源小区和所述邻区的若干采样点以及所述采样点的参考信号接收功率；根据所述采样点以及所述参考信号接收功率，判断所述邻区是否为连续覆盖小区；若是，则计算所述源小区和所述邻区的参考信号接收功率的差值，并确定所述差值在预设范围内的所述邻区的采样点；若确定的所述邻区的采样点的累积函数概率大于或者等于预设概率阈值，则将所述采样点的参考信号接收功率作为所述负载均衡触发门限。
7.一种计算设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-5中任意一项所述的负载均衡方法的操作。
8.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-5中任意一项所述的负载均衡方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910907060.4A CN112637904B (zh) | 2019-09-24 | 2019-09-24 | 负载均衡方法、装置及计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910907060.4A CN112637904B (zh) | 2019-09-24 | 2019-09-24 | 负载均衡方法、装置及计算设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112637904A CN112637904A (zh) | 2021-04-09 |
| CN112637904B true CN112637904B (zh) | 2024-04-12 |
Family
ID=75282829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910907060.4A Active CN112637904B (zh) | 2019-09-24 | 2019-09-24 | 负载均衡方法、装置及计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112637904B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116402316B (zh) * | 2023-06-01 | 2023-11-07 | 国网浙江宁波市鄞州区供电有限公司 | 一种基于人工智能的业务均衡分配方法及远程服务设施 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103179625A (zh) * | 2011-12-20 | 2013-06-26 | 华为技术有限公司 | 移动通信系统中的小区优化方法、装置和系统 |
| CN103313324A (zh) * | 2012-03-06 | 2013-09-18 | 普天信息技术研究院有限公司 | LTE系统的目标小区选择方法和eNB |
| CN103889001A (zh) * | 2014-03-13 | 2014-06-25 | 南京邮电大学 | 一种基于未来负载预测的自适应负载均衡方法 |
| CN107396376A (zh) * | 2016-05-16 | 2017-11-24 | 中兴通讯股份有限公司 | 小区预负荷均衡方法及装置 |
| CN107517481A (zh) * | 2017-09-21 | 2017-12-26 | 上海斐讯数据通信技术有限公司 | 一种基站负载均衡的管理方法及系统 |
| CN108271233A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团吉林有限公司 | 一种小区切换方法及网络设备 |
| CN108446794A (zh) * | 2018-02-25 | 2018-08-24 | 西安电子科技大学 | 一种基于多个卷积神经网络结合架构深度学习预测方法 |
| CN108495341A (zh) * | 2018-02-08 | 2018-09-04 | 西安电子科技大学 | 一种基于流向预测的资源预留方法及系统、移动通信系统 |
| CN109302719A (zh) * | 2018-11-05 | 2019-02-01 | 北京市天元网络技术股份有限公司 | 一种lte小区容量预测分析方法及装置 |
| CN109905889A (zh) * | 2017-12-08 | 2019-06-18 | 中国移动通信集团山西有限公司 | 无线资源均衡方法、装置、设备及介质 |
| CN109982375A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团公司 | 一种服务小区的负荷均衡调整方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2019
- 2019-09-24 CN CN201910907060.4A patent/CN112637904B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103179625A (zh) * | 2011-12-20 | 2013-06-26 | 华为技术有限公司 | 移动通信系统中的小区优化方法、装置和系统 |
| CN103313324A (zh) * | 2012-03-06 | 2013-09-18 | 普天信息技术研究院有限公司 | LTE系统的目标小区选择方法和eNB |
| CN103889001A (zh) * | 2014-03-13 | 2014-06-25 | 南京邮电大学 | 一种基于未来负载预测的自适应负载均衡方法 |
| CN107396376A (zh) * | 2016-05-16 | 2017-11-24 | 中兴通讯股份有限公司 | 小区预负荷均衡方法及装置 |
| CN108271233A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团吉林有限公司 | 一种小区切换方法及网络设备 |
| CN107517481A (zh) * | 2017-09-21 | 2017-12-26 | 上海斐讯数据通信技术有限公司 | 一种基站负载均衡的管理方法及系统 |
| CN109905889A (zh) * | 2017-12-08 | 2019-06-18 | 中国移动通信集团山西有限公司 | 无线资源均衡方法、装置、设备及介质 |
| CN109982375A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团公司 | 一种服务小区的负荷均衡调整方法及装置 |
| CN108495341A (zh) * | 2018-02-08 | 2018-09-04 | 西安电子科技大学 | 一种基于流向预测的资源预留方法及系统、移动通信系统 |
| CN108446794A (zh) * | 2018-02-25 | 2018-08-24 | 西安电子科技大学 | 一种基于多个卷积神经网络结合架构深度学习预测方法 |
| CN109302719A (zh) * | 2018-11-05 | 2019-02-01 | 北京市天元网络技术股份有限公司 | 一种lte小区容量预测分析方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| A distributed Fog node assessment model by using Fuzzy rules learned by XGBoost;Amin Shahraki;2019 4th International Conference on Smart and Sustainable Technologies;20190801;全文 * |
| 超密集无线网络业务流量预测及其应用;李伟民;中国优秀硕士学位论文全文数据库;20190215;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112637904A (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108121512B (zh) | 一种边缘计算服务缓存方法、系统、装置及可读存储介质 | |
| WO2021169577A1 (zh) | 一种基于加权联邦学习的无线业务流量预测方法 | |
| US10728773B2 (en) | Automated intelligent self-organizing network for optimizing network performance | |
| CN111726833A (zh) | 一种网络负载均衡方法、装置和存储介质 | |
| CN112738820A (zh) | 一种服务功能链的动态部署方法、装置及计算机设备 | |
| US11696153B2 (en) | Transfer learning of network traffic prediction model among cellular base stations | |
| CN112020098B (zh) | 负荷均衡方法、装置、计算设备及计算机存储介质 | |
| EP3931698A1 (en) | Dynamic network configuration | |
| CN113347267B (zh) | 一种移动边缘云计算网络中的mec服务器部署方法 | |
| CN106100922B (zh) | 列车通信网络的网络流量的预测方法和装置 | |
| CN114513470B (zh) | 网络流量控制方法、装置、设备及计算机可读存储介质 | |
| CN113869521A (zh) | 构建预测模型的方法、装置、计算设备和存储介质 | |
| CN112637904B (zh) | 负载均衡方法、装置及计算设备 | |
| CN111598457A (zh) | 一种电力无线网络质量的确定方法及装置 | |
| CN115967990A (zh) | 一种基于分类和预测的边端协同业务卸载方法 | |
| US20180060458A1 (en) | Using the information of a dependent variable to improve the performance in learning the relationship between the dependent variable and independent variables | |
| CN114978913B (zh) | 一种基于切链的服务功能链跨域部署方法及系统 | |
| CN107517474B (zh) | 一种网络分析优化方法及装置 | |
| CN103096380B (zh) | 无线接入点负载均衡优化方法 | |
| CN112085282B (zh) | 小区流量预测方法及服务器 | |
| CN106888237B (zh) | 一种数据调度方法及系统 | |
| CN112437469B (zh) | 服务质量保障方法、装置和计算机可读存储介质 | |
| US20230419172A1 (en) | Managing training of a machine learning model | |
| CN114281808A (zh) | 一种交通大数据清洗方法、装置、设备及可读存储介质 | |
| CN112965795A (zh) | 集群调度方法、电子设备及存储介质 |
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 |