CN112738851A - 基于预测移动边缘网络的智能资源配置系统及其配置方法 - Google Patents
基于预测移动边缘网络的智能资源配置系统及其配置方法 Download PDFInfo
- Publication number
- CN112738851A CN112738851A CN202011488607.0A CN202011488607A CN112738851A CN 112738851 A CN112738851 A CN 112738851A CN 202011488607 A CN202011488607 A CN 202011488607A CN 112738851 A CN112738851 A CN 112738851A
- Authority
- CN
- China
- Prior art keywords
- real
- mobile terminal
- time
- base station
- edge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- 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]
- H04W28/18—Negotiating wireless communication parameters
-
- 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]
- H04W28/18—Negotiating wireless communication parameters
- H04W28/22—Negotiating communication rate
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明具体涉及基于预测移动边缘网络的智能资源配置系统及其配置方法,其中,系统包括边缘智能计算服务器、多个边缘基站、多个请求实时业务的移动用户终端和多个请求非实时业务的移动用户终端,基于本发明所述系统的方法为边缘智能计算服务器采集数据,根据数据进行需求预测,根据需求预测配置用户资源。本发明的积极效果为:有效地降低移动终端用户的服务时延,并且通过预测式资源配置方法,能够显著提高移动边缘网络的吞吐量,提高整个移动边缘网络的资源利用率,改善移动终端用户的服务质量。
Description
技术领域
本发明涉及无线通信技术领域,具体涉及基于预测移动边缘网络的智能资源配置系统及其配置方法。
背景技术
随着智能终端设备的大量涌现,移动数据流量正在呈现出爆炸性增长的趋势。思科公司 2019年发布的研究报告显示,在2020年移动业务流量占据全网IP流量的20%,从2017年到2022年间全球移动数据流量将会增长7倍。未来的移动边缘网络主流的发展趋势是在网络中部署更多的基站和天线,尽可能使得频谱宽带化,然而,根据现有的针对目前移动网络的使用状况进行的评估结果表明,目前在移动网络中无线资源块的平均利用率非常低。为了给移动终端用户带来更好的上网体验,增大整个网络的吞吐量,改善用户的服务质量,降低传输时延,基于机器学习技术充分利用无线的大数据在网络边缘进行预测式资源配置已经成为一个有望改善无线资源利用率的有效方法。
例如,申请号为CN201510316621.5的中国发明专利申请,公开了一种移动无线网络中的小小区资源配置方法及装置。其方法包括:接收终端发起的接入请求和终端上报的小小区的测量结果,该测量结果是终端在发起接入请求之前对小小区进行测量得到的;根据小小区的测量结果确定为终端服务的小小区;为终端配置在确定的小小区上的传输资源。或者,接收终端在小小区的频点上发起的接入请求,为终端配置该小小区上的传输资源。
目前,虽然很多学者已经提出有关移动终端用户行为信息和网络状态信息相关的预测模型,但是在移动网络边缘进行智能化资源配置需要如何利用可以获得的无线大数据预测哪些相关的信息仍然需要进行深入地探索研究,进而如何利用预测的相关信息协助进行预测式资源配置也成为急需解决的技术问题。
发明内容
针对现有技术的不足,本发明提供了基于预测移动边缘网络的智能资源配置系统及其配置方法。
所述配置系统包括:
边缘智能计算服务器、多个边缘基站、多个请求实施业务的移动用户终端和多个请求非实时业务的移动用户终端,其中,边缘智能计算服务器与多个边缘基站连通,多个边缘基站与多个请求实时业务的移动用户终端和多个请求非实时业务的移动用户终端连通;
所述边缘智能计算服务器,用于在观察窗口接收从多个边缘基站处采集的多个请求非实时业务的移动终端用户的历史移动性数据和从多个边缘基站处采集的请求实时业务的移动终端用户的历史请求速率数据,在预测窗口开始时,利用接收的从多个边缘基站处采集的多个请求非实时业务的移动终端用户的历史移动性数据预测多个请求非实时业务的移动终端用户在预测窗口时间尺度范围内的移动性,确定在预测窗口时间尺度范围内,边缘基站在每一帧中需要服务的请求非实时业务的移动终端用户的集合和大尺度信道增益,并将边缘基站在每一帧中需要服务的请求非实时业务的移动终端用户的集合和大尺度信道增益通知给多个边缘基站,利用从多个边缘基站处采集的请求实时业务的移动终端用户的历史请求速率数据,预测多个边缘基站在预测窗口时间尺度范围内的每一帧中能够提供给多个请求非实时业务的移动终端用户的平均可用带宽,并将预测多个边缘基站在预测窗口时间尺度范围内的每一帧中能够提供给多个请求非实时业务的移动终端用户的平均可用带宽通知给多个边缘基站;
多个边缘基站,用于在观察窗口将多个请求非实时业务的移动终端用户的历史移动性数据和请求实时业务的移动终端用户的历史请求速率数据提供给边缘智能计算服务器,在预测窗口开始时,接收边缘智能计算服务器传输的边缘基站在每一帧中需要服务的请求非实时业务的移动终端用户的集合、大尺度信道增益和多个边缘基站在预测窗口时间尺度范围内在每一帧中能够提供给多个请求非实时业务的移动终端用户的平均可用带宽;
多个请求实时业务的移动用户终端,在观察窗口和预测窗口根据自己的实时业务需求向其信号覆盖范围内的基站发出服务请求;
多个请求非实时业务的移动终端用户,在观察窗口和预测窗口,根据自身业务需求向信号覆盖范围的基站发出服务请求,在预测窗口所需要的频带资源会得到预先的分配。
本发明另提供基于预测的移动边缘网络智能资源,所述配置方法包括以下步骤:
步骤1、对请求实时业务的移动用户终端和请求非实时业务的移动终端用户进行数据采集和预测:
边缘智能计算服务器在观察窗口内从各个边缘基站采集历史数据,采集历史数据为在观察窗口内,预测请求非实时业务的移动用户终端的移动性和请求实时业务的移动用户终端的请求速率,进而预测在预测窗口内与智能资源配置相关的信息,然后将这些信息通知给各个边缘基站,边缘基站根据边缘智能计算服务器预测的信息,在预测窗口内,为未来一段时间内(分钟级尺度)向信号覆盖范围内的请求非实时业务的移动终端用户进行资源配置,设 M={m|m=1,2,...,S}表示边缘基站集合,m表示边缘基站,S表示边缘基站数目, K={k|k=1,2,...,U}表示请求非实时业务的移动用户终端的集合,k表示请求非实时业务的移动终端用户,U表示请求非实时业务的移动用户终端的数目,O={o|o=1,2,...}表示请求实时业务的移动用户终端的集合,o表示请求实时业务的移动用户终端,观察窗口为当前进行历史数据采集的某个时间段,时间段为分钟级尺度;
步骤2、在观察窗口边缘智能计算服务器从各个边缘基站采集请求非实时业务的移动终端用户的位置数据、时间数据、序列数据和请求实时业务的移动终端用户的请求速率数据,然后利用采集的位置数据、时间数据、序列数据和请求速率数据进行训练神经网络模型;
步骤3、在预测窗口开始时,边缘智能计算服务器基于神经网络模型预测在未来一段时间内请求非实时业务的移动终端用户将要进入的某个边缘基站,然后将预测的信息通知给各个边缘基站,确定各个边缘基站在预测窗口内在每一帧需要服务的请求非实时业务的移动终端用户的集合;
步骤4、在预测窗口的每一帧中,边缘智能计算服务器基于预测请求非实时业务的移动终端用户的移动性预测请求非实时业务的移动终端用户与为其提供服务的边缘基站之间的大尺度信道增益,边缘智能计算服务器基于神经网络模型预测每个边缘基站能够为请求非实时业务的移动终端用户配置的平均剩余频带资源;
步骤5、基于特定的比例因子模型确定在每一帧中,某个边缘基站为其连接的每一个请求非实时业务的移动终端用户配置的频带宽度的比例;
步骤6、在预测窗口中每一帧内的每一个时隙,基于预测的信息确定请求非实时业务的移动终端用户与能够配置的子载波之间的小尺度信道增益;
步骤7、某个边缘基站对当前时隙内处在其覆盖范围内满足某个时间段请求条件的请求非实时业务的移动终端用户进行资源配置;
步骤8、在一帧结束后,进入下一帧,边缘基站重复上述步骤4~步骤7对处在其信号覆盖范围内满足某个时间段请求条件的请求非实时业务的移动终端用户进行资源配置,直至所有请求非实时业务的移动终端用户所请求的业务均已完成传输后停止。
进一步地,步骤1中,与智能资源配置相关的信息为:在预测窗口内预测的未来一段时间范围内请求非实时业务的移动用户终端的移动性、请求非实时业务的移动用户终端与为其服务的基站之间的大尺度信道增益,和每个边缘基站在每一帧能够配置给请求非实时业务的移动用户终端的平均剩余频带资源,以及在每一个时隙请求非实时业务的移动用户终端与为其服务的基站的子载波之间的小尺度信道增益。
进一步地,步骤2中,在采集位置数据、时间数据、序列数据和请求实时业务的移动终端用户的请求速率数据的过程中,根据预测窗口长度设置合适的采样分辨率和采样数目,采样分辨率为两个连续的采样记录的时间间隔。
进一步地,步骤3中,预测请求非实时业务的移动终端用户将要进入的某个边缘基站的时间信息,使用一维向量表示为 为预测的请求非实时业务的移动终端用户即将进入的第n个基站,为预测的请求非实时业务的移动终端用户进入基站的时间,为预测的请求非实时业务的移动终端用户离开基站的时间,为预测的请求非实时业务的移动终端用户在基站停留的时间,请求非实时业务的移动终端用户在基站停留的时间为下式(1):
进一步地,步骤4中,基于预测的所请求非实时业务的移动终端用户的移动性以及其所要连接的边缘基站的位置确定请求非实时业务的移动终端用户与其将要连接的某个边缘基站之间的平均信道增益为下式(2):
进一步地,步骤4中,基于请求实时业务的移动终端用户的请求速率预测边缘基站每一帧的平均剩余带宽为下式(3):
上式(3)中:Wmax为边缘基站每个时隙拥有的全部频带资源,为边缘基站每个时隙配置给请求实时业务的移动终端用户的频带资源,为预测的边缘基站每个时隙可以配置给请求非实时业务的移动终端用户的频带资源,λo为请求实时业务的移动终端用户的泊松到达过程请求速率,Δf为一帧的时间长度,以秒为单位,Δb为请求实时业务的移动终端用户发出一次请求文件的大小。
进一步地,步骤5中,基于预测的大尺度信道增益以及请求非实时业务的移动终端用户的移动性设置,配置给每一个请求非实时业务的移动终端用户的频带资源的比例,基于为请求非实时业务的移动终端用户的服务质量需求高的移动终端用户配置更多的频带资源,为信道增益条件较好的移动终端用户配置更多的频带资源,为在边缘基站停留时间较短的移动终端用户配置更多的频带资源的原则,设置为请求非实时业务的移动终端用户配置剩余频带资源的比例因子为下式(4):
进一步地,在步骤7中,某个边缘基站对当前时隙内处在其覆盖范围内的满足条件的请求非实时业务的移动终端用户进行资源配置,资源配置的目标为最大化整个移动边缘网络的吞吐量计算方法,即为下式(5)、下式(6):
上式(5)中:为关联基站m的请求非实时业务的移动用户终端k在第j帧第t个时隙的数据传输速率,W0为子载波的频带宽度,Wmax为边缘基站最大的频带宽度,为请求非实时业务的移动终端用户与其将要连接的边缘基站之间的平均信道增益,为瞬时信道增益, pmax为边缘基站的最大发射功率,σ2为噪声功率;
上式(6)中:将资源配置的优化目标转化为最大化整个移动边缘网络的吞吐量,即为具有非实时业务的移动终端用户配置使数据传输速率最大化的边缘基站及其子载波,为第j 帧中第t个时隙为请求非实时业务的移动终端用户k配置的子载波集合,为为第j帧中第 t个时隙关联边缘基站m的请求非实时业务的移动终端用户的集合;
资源配置目标的约束条件为下式(7):
C1:j=1,2,...,Tf,t=1,2,...,Ts,k∈K,m∈M,
上式(7)中:约束条件C1限定了预测窗口的长度,C2、C3、C4保障了边缘基站传输频带资源不超过最大限制,C5保证了用户需要的文件得到完整的传输,C6保障了请求非实时业务的移动终端用户的服务质量需求,C7保障了请求非实时业务的移动终端用户在停留时间范围内得到服务。
进一步地,步骤7中,对当前时隙内处在其覆盖范围内满足某个时间段请求条件的请求非实时业务的移动终端用户进行资源配置的具体步骤:在每一个时隙基于预测的相关信息基于权利要求7确定的比例因确定请求非实时业务的移动终端用户与基站的子载波之间的小尺度信道增益,然后确定的配置个每一个请求非实时业务的移动终端用户的频带资源的比例因子,按照由多到少的顺序依次为请求非实时业务的移动终端用户配置子载波,使得边缘基站在此时隙达到最大数据传输速率,在这个时隙配置结束时,请求非实时业务的移动终端用户更新移动终端用户需要传输的文件大小以及剩余传输时间要求,在这一帧的其他时隙重复操作。
进一步地,步骤8中,对处在其信号覆盖范围内满足某个时间段请求条件的请求非实时业务的移动终端用户进行资源配置,在每一帧资源配置结束时请求非实时业务的移动终端用户更新移动终端用户需要传输的文件大小以及剩余传输时间要求。
本发明所提供的技术方案具有以下积极效果:
1、边缘智能计算服务器在观察窗口从边缘基站采集请求非实时业务的移动终端用户的移动性数据和请求非实时业务的移动终端用户的请求速率数据,基于采集的历史数据训练神经网络模型,在预测窗口基于训练好的神经网络模型预测请求非实时业务的移动终端用户未来的移动性、平均信道增益和平均剩余带宽,可以预先进行资源配置,从而有效地降低移动终端用户的服务时延,并且通过预测式资源配置方法,能够显著提高移动边缘网络的吞吐量。
2、剩余带宽资源配置的比例因子,基于为平均信道增益较好的移动终端用户配置更多的频带资源,可以充分利用移动终端用户的较优信道,可以改善整个移动边缘网络系统的吞吐量;基于为用户服务质量需求较高的用户或者在边缘基站停留时间较短的移动终端用户配置更多的频带资源的原则,可以减少由于不符合移动终端用户网络质量的要求或者由于移动终端用户传输过程中离开边缘基站信号覆盖范围的情况,因此提升移动终端用户的上网体验,而且,基于比例因子预先确定每一个移动终端用户即将分配的资源状况可以有效降低资源配置算法的复杂度。
3、本发明采用由基站级、每一帧、每一个时隙逐级分别预测并利用移动终端用户未来的移动性信息,边缘基站剩余的频带资源和平均信道增益状况以及顺势信道增益状况,可以充分利用不同时间尺度不同预测精度的无线大数据进行有效的预测式资源配置,提高整个移动边缘网络的资源利用率,改善移动终端用户的服务质量。
附图说明
图1为本发明第1个实施例所提供的基于预测移动边缘网络的智能资源配置系统连接关系示意图。
图2为本发明第2个实施例所提供的基于预测移动边缘网络的智能资源配置系统的配置方法。
图3为基于图2所示实施例的相关信息预测模型的训练方式的一种流程图。
具体实施方式
下面将结合说明书附图和具体实施例,对本发明实施例中的技术方案进行详细说明,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明的第1个实施例为,该基于预测的移动边缘网络智能资源配置系统包括:边缘智能计算服务器,边缘基站1,边缘基站2,边缘基站3,移动终端用户1(请求实时业务),移动终端用户2(请求非实时业务),移动终端用户3(请求非实时业务),移动终端用户4(请求非实时业务),移动终端用户5(请求实时业务)。以边缘基站1为例,在观察窗口时,边缘基站1向边缘智能计算服务器发送历史采样数据,即覆盖范围内的请求非实时业务的移动终端用户的移动性和覆盖范围内请求实施业务的移动终端用户的请求速率;
在观察窗口,边缘智能计算服务器基于接收到的各个边缘基站发送的各自覆盖范围内的请求非实时业务的移动终端用户的移动性数据和请求实时业务的移动终端用户的请求速率数据训练神经网络模型;
在预测窗口开始时,边缘智能计算服务器利用无线大数据基于训练好的神经网络模型预测请求非实时业务的移动终端用户未来的移动性和边缘基站1的平均剩余带宽,然后将预测的相关信息通知给边缘基站1;
在预测窗口时间范围内,边缘基站1接收边缘智能计算服务器预测的相关信息,基于预测信息预先为信号覆盖范围内的请求非实时业务的移动终端用户进行资源配置;
边缘基站2、边缘基站3和边缘智能计算服务器之间的信息传递过程与边缘基站1和边缘智能计算服务器之间的信息传递过程类似,不再赘述;
可见,基于本申请实施例提供的基于预测的移动边缘网络智能资源配置系统,因为边缘智能计算服务器可以预测请求非实时业务的移动终端用户的移动性和边缘基站的平均剩余带宽进而使得边缘基站可以预先进行可靠的资源配置,进而提高移动边缘网络的资源利用率,改善移动终端用户的服务质量。
如图2所示,本发明第2个实施例基于本发明所述方法的步骤1至步骤8,具体包括以下步骤:
S201:有多个所述边缘基站,每个所述边缘基站均与所述边缘智能计算服务器相连;
S202:在观察窗口,边缘智能计算服务器从边缘基站采集历史数据,以利用采样数据训练神经网络模型,其中,所述观察窗口为当前进行历史数据采集的一段时间,一般为分钟级尺度;
S203:在预测窗口开始时,边缘智能计算服务器利用训练好的神经网络模型和无线大数据预测用户的移动性,其中,所述预测窗口为未来某个时间段,时间段为分钟级尺度;所述移动性为所述边缘智能计算服务器基于所述神经网络模型预测在未来某个时间内所述请求非实时业务的移动终端用户将要进入的所述边缘基站,然后将预测的信息通知给各个所述边缘基站,确定各个所述边缘基站在预测窗口内在每一帧需要服务的所述请求非实时业务的移动终端用户的集合;
S204:在每一帧,预测各个移动终端用户的大尺度信道增益和各个边缘基站的平均剩余带宽,其中,所述边缘智能计算服务器基于预测所述请求非实时业务的移动终端用户的移动性预测所述请求非实时业务的移动终端用户与为其提供服务的所述边缘基站之间的大尺度信道增益,所述边缘智能计算服务器基于所述神将网络模型预测每个所述边缘基站可以为请求非实时业务的移动终端用户配置的平均剩余频带资源;
S205:在每一帧,基于特定的比例因子模型确定每一个边缘基站配置给移动终端用户的频带资源的比例;
S206:针对每一个时隙,预测每一个移动终端用户与子载波之间的瞬时信道增益;
S207:各边缘基站对当前时隙处在其覆盖范围内的满足条件的移动终端用户进行资源配置;
S208:一帧结束后,进入下一帧,重复进行资源配置直至完成所有用户的请求。
由此可见,本实施例所提供的一种基于预测的移动边缘网络智能资源配置方法中,边缘智能计算服务器在观察窗口从边缘基站采集请求非实时业务的移动终端用户的移动性数据和请求非实时业务的移动终端用户的请求速率数据,基于采集的历史数据训练神经网络模型,在预测窗口基于训练好的神经网络模型预测请求非实时业务的移动终端用户未来的移动性、平均信道增益和平均剩余带宽,可以预先进行资源配置,从而有效地降低移动终端用户的服务时延,并且通过预测式资源配置方法,能够显著提高移动边缘网络的吞吐量。本公开实施例提供了一种剩余带宽资源配置的比例因子,基于为平均信道增益较好的移动终端用户配置更多的频带资源,可以充分利用移动终端用户的较优信道,可以改善整个移动边缘网络系统的吞吐量;基于为用户服务质量需求较高的用户或者在边缘基站停留时间较短的移动终端用户配置更多的频带资源的原则,可以减少由于不符合移动终端用户网络质量的要求或者由于移动终端用户传输过程中离开边缘基站信号覆盖范围的情况,因此提升移动终端用户的上网体验,而且,基于比例因子预先确定每一个移动终端用户即将分配的资源状况可以有效降低资源配置算法的复杂度。本公开实施例采用由基站级、每一帧、每一个时隙逐级分别预测并利用移动终端用户未来的移动性信息,边缘基站剩余的频带资源和平均信道增益状况以及顺势信道增益状况,可以充分利用不同时间尺度不同预测精度的无线大数据进行有效的预测式资源配置,提高整个移动边缘网络的资源利用率,改善移动终端用户的服务质量。
较佳地,在上述步骤S202中,采集所述历史数据时,设定两个采样标准,分别为采样分辨率和采样数目,所述采样分辨率为两个连续的采样数据之间的时间间隔,采样数目为在观察窗口所述边缘智能计算服务器接收的所述边缘基站发送的历史数据的数目,所述采样分辨率和所述采样数目基于预测窗口的期望长度以及需要预测的所述相关信息进行合理地设置即可。
较佳地,在上述步骤S203中,在所述预测窗口开始时,边缘智能计算服务器调用已经训练好的深度神经网络模型,这里采用全连接的深度神经网络模型DNN,基于及时的无线大数据,预测所述请求非实时业务的移动终端用户的移动性。
较佳地,其中所述移动性为请求非实时业务的移动终端用户未来一段时间范围内即将进入的所述边缘基站,进入所述边缘基站的时间、离开所述边缘基站的时间以及在所述边缘基站停留的时间。
较佳地,在上述步骤S204中,在所述预测窗口时间范围内,在每一帧开始的时候,需要预测所述请求非实时业务的移动终端用户的平均信道增益和所属边缘基站的平均剩余带宽。
其技术效果为:所述平均信道增益基于所述请求非实时业务的移动终端用户与为其提供服务的所述边缘基站的距离以及设置的一定数值的路径损耗指数计算得到;由于在预测窗口用户的移动性可以进行预测,因此在每一帧,所述请求非实时业务的移动终端用户的平均信道增益可以进行间接预测;所述边缘基站的平均剩余带宽为所属边缘基站在每一帧的所有的频带资源减去预留给请求实时业务的移动终端用户的频带资源后剩余的频带资源;由于在预测的过程中采用长短期记忆深度神经网络模型(LSTM)基于所述请求实时业务的移动终端用户的请求速率可以预测出未来一段时间范围内所述请求实时业务的移动终端用户需求的频带资源,进而可以预测出所述边缘基站剩余的可以提供给所述请求非实时业务的移动端用户的频带资源。
较佳地,在上述步骤S205中,在每一帧,基于预测信息以及所述请求非实时业务的移动终端用户的需求可以预先确定配置给每一个处在所述边缘基站覆盖范围内满足条件的所述请求非实时业务的移动终端用户的剩余的频带资源的比例。
其技术效果为:基于为信道状态好的所述请求非实时业务的移动终端用户配置更多的频带资源,使得所述边缘基站可以充分利用所述请求非实时业务的移动终端用户的较优信道,提高频带资源的利用率;为所述请求非实时业务的移动终端用户需求的最小数据传输速率较大的移动终端用户配置更多的频带资源,减少因为不满足网络质量需求而中断连接的情况,提升用户成功接入网络的概率,改善所述请求非实时业务的移动终端用户的上网体验;为所述请求非实时业务的移动终端用户在所述边缘基站停留时间较短的用户配置更多的剩余频带资源,减少因为移动终端用户在服务过程中移动出所属边缘基站的副高范围而终端服务浪费频带资源且有损移动终端用户的网络体验的情况的发生。
基于上述三个针对所述边缘基站的平均剩余频带资源为每一个信号覆盖范围内的所述请求非实时业务的移动终端用户配置的比例的设置原则,确定在每一帧每一个满足条件的所述请求非实时业务的移动终端用户可以分配得到的子载波的数目。
较佳地,在所述步骤S206中,为了所述边缘基站在每一个时隙可以达到最大的总数据传输速率,基于已经预测得到的请非实时业务的移动终端用户的移动性信息以及每一个请求非实时业务的移动终端用户可以被分配得到的子载波的数目,预测每一个请求非实时业务的移动终端用户与子载波之间的瞬时信道增益。
其技术效果为:按照所述请求非实时业务的移动终端用户可以分配的子载波数目由多到少的顺序依次为所述请求非实时业务的移动终端用户选择瞬时信道增益较好的子载波。
较佳地,在所述步骤S207中,在每一个时隙,基于已经匹配好的所述请求非实时业务的移动终端用户和子载波组合,为所述边缘基站覆盖范围内满足条件的所述请求非实时业务的移动终端用户配置频带资源,每一次配置完成之后,所述请求非实时业务的移动终端用户更新自己剩余的有待传输的文件大小以及剩余的允许服务的时延。
在上述步骤S208中,所述边缘基站基于预测的相关信息,和所述请求非实时业务的移动终端用户更新的服务需求信息继续进行重复上述过程的资源配置。
如图3所示,根据本发明所述方法的步骤3,在本发明的第3个实施例中,上述预测所述请求非实时业务的移动终端用户的移动性和平均信道增益的深度神经网络模型的训练过程,包括:
S301:获取用户的移动性的历史数据集;
在观察窗口,所述边缘智能计算服务器基于预测窗口时间尺度和预测信息类型按照一定的采样分辨率和采样数目采集所述请求非实时业务的移动终端用户的位置时间序列,作为所述训练神经网络模型的输入样本;
S302:设计神经网络DNN基于用户移动性历史数据集进行训练;
所述神经网络DNN设计为由输入层、隐藏层、输出层组成的全连接的深度神经网络模型,输入参数为所述请求非实时业务的移动终端用户的位置时间序列,实际的输出参数为所述请求非实时业务的移动终端用户将要进入的基站的集合和所述请求非实时业务的终端用户的大尺度信道增益;
其中,预测平均信道增益属于回归问题,因此在输出层采用softplus,作为激励函数, y=log(1+exp(x));
深度神经网络训练的目标是最小化损失函数,损失函数由误差部分和正则化部分组成,误差部分使用实际输出数据与理想输出数据的均方误差进行计算,正则化部分防止深度神经网络模型训练过度拟合。在机器学习的模型中经常会出现过拟合训练的情况,因为在深度神经网络模型训练的过程中产生的过拟合会使得预测信息的准确率下降,因此,采用正则化方式规避过拟合导致的性能损失;
所述深度神经网络DNN模型中利用批梯度下降优化算法实现反向传播,采用Adam算法为不同的参数设计自适应学习速率;
S303:基于所述历史数据集,调整神经网络模型的参数,直至所述神将网络模型的预测准确度达到一定值,停止训练,得到所述训练好的神经网络模型;
其中,为了得到期望的输出数据集,采用蒙特卡洛模拟仿真方法得到期望的数据作为每个训练样本的标定标签,将所述历史数据集训练样本输入所述深度神经网络DNN训练模型中得到训练样本的预测标签;
基于所述样本的预测标签以及对应的训练样本的标定标签,调整所述深度神经网络DNN 模型的参数,所述深度神经网络DNN模型的参数包括输入层的节点数,隐藏层的层数和节点数,输出层的节点数,以及初始的学习速率等,直到所述神经网络DNN模型的准确度达到一定值或者所述深度神经网络DNN模型达到预设的迭代次数,停止训练,得到训练好的深度神经网络DNN模型;
上述预设迭代次数可以根据处理要求、模型结构等因素设定,例如,可以为5000次、10000 次、15000次等,在此不做具体限定;
S304:基于所述训练好的神将网络模型,利用无线大数据,预测所述请求非实时业务的移动终端用户未来的移动性;
在预测窗口开始时,将实时的无线大数据作为样本输入到深度神经网络DNN模型中,得到输出的预测信息,即所述请求非实时业务的移动终端用户未来一段时间范围内将要进入的所述边缘基站的集合和所述请求非实时业务的移动终端用户未来一段时间范围内的大尺度信道增益。
可见,在本实施例中,所述边缘智能计算服务器可以利用无线大数据按照上述方式对初始深度神经网络模型DNN进行训练,得到上述训练好的深度神经网络DNN模型,这样,所述边缘智能计算服务器可以在预测窗口时间尺度范围内利用训练好的深度神经网络DNN模型基于实时地无线大数据实时地预测所述与资源配置相关的信息,使得所述边缘基站可以预先进行可靠的资源配置,提高移动边缘网络系统的吞吐量,改善网络的性能。
根据本发明所述方法的步骤4,作为本发明实施例的第4种实施例,如图3所示,上述预测所述边缘基站的剩余频带资源的深度神经网络模型的训练过程,可以包括:
S301:获取用户业务负载的历史数据集;
在观察窗口,所属边缘智能计算服务器基于预测窗口的时间尺度和预测信息的类型按照一定的采样分辨率和采样数目采集所述请求实施业务的移动终端用户的请求速率,作为训练所述长短期记忆网络LSTM模型的输入样本;
S302:设计神经网络LSTM基于网络业务负载历史数据集进行训练;
所述长短期记忆网络LSTM模型设计为由输入层、隐藏层、输出层组成的全连接的长短期记忆网络LSTM模型,输入参数为所述请求实时业务的移动终端用户的请求速率,设计的输出参数为所述边缘基站的平均剩余频带资源;
其中,在输出层采用softplus作为激励函数,y=log(1+exp(x));
长短期记忆网络训练的目标是最小化损失函数,损失函数由实际输出数据与理想输出数据的均方误差进行计算,在机器学习的模型中经常会出现过拟合训练的情况,因为在深度神经网络模型训练的过程中产生的过拟合会使得预测信息的准确率下降,因此,在长短期记忆网络训练过程中采用Dropouts方法规避过拟合导致的性能损失;
所述长短期记忆网络LSTM模型中利用批梯度下降优化算法实现反向传播,采用Adam 算法为不同的参数设计自适应学习速率;
S303:基于所述历史数据集,调整神经网络模型的参数,直至所述神将网络模型的预测准确度达到一定值,停止训练,得到所述训练好的神经网络模型;
其中,为了得到期望的输出数据集,采用蒙特卡洛模拟仿真方法得到期望的数据作为每个训练样本的标定标签;将所述历史数据集样本作为训练样本输入所述长短期记忆网络 LSTM模型中得到训练样本的预测标签;
基于所述样本的预测标签以及对应的训练样本的标定标签,调整所述长短期记忆网络 LSTM模型的参数,所述长短期记忆网络LSTM模型的参数包括输入层的节点数,隐藏层的层数和节点数,输出层的节点数,以及初始的学习速率等,直到所述长短期记忆网络LSTM模型的准确度达到一定值或者所述长短期记忆网络LSTM模型达到预设的迭代次数,停止训练,得到训练好的长短期记忆网络LSTM模型;
在上述预设迭代次数可以根据处理要求、模型结构等因素设定,例如,可以为5000次、 10000次、15000次或若干次,在此不做具体限定;
S304:基于所述训练好的神将网络模型,利用无线大数据,预测所述边缘基站的平均剩余带宽;
在预测窗口的每一帧开始时,将实时的无线大数据作为样本输入到训练好的长短期记忆网络LSTM中,得到输出的预测信息,即所述的边缘基站剩余的频带资源。
本实施例的技术效果为:所述边缘智能计算服务器可以利用无线大数据按照上述方式对初始长短期记忆网络LSTM模型进行训练,得到上述训练好的长短期记忆网络LSTM模型,这样,所述边缘智能计算服务器可以在预测窗口时间尺度范围内利用训练好的长短期记忆网络 LSTM模型基于实时地无线大数据实时地预测所述与资源配置相关的信息,使得所述边缘基站可以预先进行可靠的资源配置,提高移动边缘网络系统的吞吐量,改善网络的性能。
根据本发明所述方法的步骤3,作为本发明实施例的第5种实施例,上述确定所述请求非实时业务的移动终端用户的移动性模式,可以设置为:
所述请求非实时业务的移动终端用户的移动性采用一维向量来表示,其中,表示第k个所述请求非实时业务的移动终端用户即将进入的第n个所述边缘基站,表示第k个所述请求非实时业务的移动终端用户进入所述边缘基站的时间,表示第k个所述请求非实时业务的移动终端用户离开所述边缘基站的时间,表示第k个所述请求非实时业务的移动终端用户在所述边缘基站停留的时间,因此基于上述信息有
可见,在本实施例中,通过将用户的移动性模式利用一维向量表示,利用所述深度神经网络DNN模型得到用户的移动性模式数据,进而,基于用户的移动性数据预先为所述请求非实时业务的移动终端用户进行资源配置,提高移动边缘网络系统的资源利用率。
根据本发明所述方法的步骤4,作为本发明实施例的第6种实施例,上述确定所述请求非实时业务的移动终端用户的平均信道增益的步骤,具体包括:
由于所述请求非实时业务的移动终端用户的大尺度信道增益计算公式为:
其中为在第j帧第k个所述请求与非实时业务的移动终端用户的大尺度信道增益,为在第j帧第k个所述请求与非实时业务的移动终端用户与所述边缘基站之间的距离,β为路径损耗指数,由于基于所述深度神经网络DNN模型可以预测出所述请求非实时业务的移动终端用户未来的移动性模式,并且所述边缘基站的位置是固定不变的,因此所述请求非实时业务的移动终端用户与所属边缘基站之间的距离是可以预测的,所以所述请求非实时业务的移动终端用户的大尺度信道增益也是可以基于所述深度神经网络DNN模型预测的;
本实施例的技术效果为:通过间接利用可预测的所述请求非实时业务的移动终端用户的移动性,基于所述深度神经网络DNN模型实现端到端的预测所述请求非实时业务的移动终端用户的大尺度信道增益,为预先进行资源配置提供了十分重要的参考信息,并且有效地降低了大尺度信道增益预测复杂度。
根据本发明的步骤4,作为本发明实施例的第7种实施例,上述确定所述边缘基站的平均剩余带宽的步骤,具体包括:
由于在所述基于预测的移动边缘网络智能资源配置的系统中,所述请求实时业务的移动终端用户对时延十分敏感,需要进行及时的服务,所述边缘基站需要预留一部分频带资源为满足所述请求实时业务的移动终端用户的服务需求;
在所述基于预测的移动边缘网络智能资源配置的系统中,每一个所述边缘基站可以配置给所述请求非实时业务的移动终端用户的频带资源为每一个所述边缘基站的总的频带资源减去预留给所述请求实时业务的移动终端用户的频带资源,即公式:其中Wmax为每一个所述边缘基站的总的频带资源,为预留给所述请求实时业务的移动终端用户的频带资源,为每一个所述边缘基站可以配置给所述请求非实时业务的移动终端用户的频带资源;
预留给所述请求实时业务的移动终端用户的频带资源取决于所述请求实时业务的移动终端用户的到达率,以及所述请求实时业务的移动终端用户请求的文件大小等,将所述请求实时业务的移动终端用户需求的频带资源量化为公式: 为第m 个边缘基站在第j帧剩余的可以配置给请求非实时业务的移动终端用户的频带宽度,λo为所述请求实时业务的移动终端用户的到达率,Δb为所述请求实时业务的移动终端用户请求的文件大小,Δf为一帧的时间间隔,单位为一秒,为第m个边缘基站在第j帧服务的请求实时业务的移动终端用户的集合;
基于上述计算公式进行蒙特卡洛仿真可以得到预期的训练样本的标定标签,与基于长短期记忆网络LSTM模型预测的预测标签结合,优化最小误差函数,得到准确率可以达到一定值的训练好的长短期记忆网络LSTM模型;
本实施例的技术效果为:通过将所述请求实时业务的移动终端用户占用的频带资源转为理论上可以计算并可以预测的信息,进而预测所述边缘基站剩余的频带资源,实现预先为所述请求非实时业务的移动终端用户可靠地配置频带资源,提高移动边缘网络频带资源的利用率,改善用户的上网体验。
本发明的第8个实施例,基于本发明所述方法的步骤5、步骤6和步骤7,在每一次进行资源分配时,在每一个时隙,每个所述边缘基站基于总的数据传输速率最大的目标为每一个处在信号覆盖范围内的满足条件的所述请求非实时业务的移动终端用户分配频带资源,具体步骤如下:
步骤701、针对第m个边缘基站,在预测窗口开始的时刻,边缘智能计算服务器预测所述请求非实时业务的移动终端用户的移动性,然后将在预测窗口时间范围内第m个所述边缘基站将要服务的所述请求非实时业务的移动终端用户的集合通知给所述边缘基站,为第m个边缘基站在第j帧将要服务的所述请求非实时业务的移动终端用户的集合;
步骤702、针对预测窗口范围内的第j帧,边缘智能计算服务器预测第m个所述边缘基站覆盖范围内的满足条件的所述请求非实时业务的移动终端用户的平均信道增益通知给第m个所述边缘基站。为第k个所述请求非实时业务的移动终端用户在第j帧的大尺度信道增益;
步骤703、针对预测窗口范围内的第j帧,边缘智能计算服务器预测第m个所述边缘基站剩余的平均频带资源通知给第m个所述边缘基站,为第m个边缘基站在第j帧剩余的可以配置给请求非实时业务的移动终端用户的频带宽度;
步骤705、基于上述相关信息,确定配置给在第m个所述边缘基站信号覆盖范围内的满足条件的所述请求非实时业务的移动终端用户的频带资源的比例因子;
步骤706、在第j帧的第t个时隙,预测在第m个所述边缘基站信号覆盖范围内的满足条件的所述请求非实时业务的移动终端用户的瞬时信道增益;
步骤707、在第j帧的第t个时隙,按照每个所述请求非实时业务的移动终端用户分得得频带资源的比例因子由大到小的顺序依次为每个所述请求非实时业务的移动终端用户配置可选的瞬时信道增益最好的子载波,满足瞬时数据速率最大化;
其中,为第j帧第t个时隙第m个所述边缘基站配置给第k个所述请求非实时业务的移动终端用户的子载波的数目,Pmax为第m个所述边缘基站的最大发射功率,W0为第m个所述边缘基站的每一个子载波的频带宽度,Wmax为第m个所述边缘基站的总的频带宽度,σ2为高斯噪声功率,为第k个所述请求非实时业务的移动终端用户在第j帧第t个时隙第n个子载波处的瞬时信道增益;
步骤708、所述请求非实时业务的移动终端用户更新待传输的文件的大小Bk和允许的传输时延Dk,所述边缘基站继续重复上述过程进行资源配置直至所述请求非实时业务的移动终端用户待传输的文件的大小为0。
可见,采用三步时间分层的模式进行资源配置方法,可以充分地利用三种具有不同时间尺度地无线大数据,协助进行与测试的资源配置,有效提高整个移动边缘网络系统的吞吐量。基于预先设置的比例因子为所述请求非实时业务的移动终端用户预先配置固定数目的子载波,在满足用户上网体验的同时,有效地降低了资源配置算法的复杂度。基于最大化每一个边缘基站每一个时隙资源配置的数据率的目标,改善了整个移动边缘网络的性能。
作为本发明的第8种实施例的另一种实施方式,上述确定所述请求非实时业务的移动终端用户可以分配得到的剩余频带资源的比例因子的原则,具体包括:
基于为信道状态好的所述请求非实时业务的移动终端用户配置更多的频带资源的原则,使得所述边缘基站可以充分利用所述请求非实时业务的移动终端用户的较优信道,提高频带资源的利用率;
基于为所述请求非实时业务的移动终端用户需求的最小数据传输速率较大的移动终端用户配置更多的频带资源原则,减少因为不满足网络质量需求而中断连接的情况,提升用户成功接入网络的概率,改善所述请求非实时业务的移动终端用户的上网体验。
基于为所述请求非实时业务的移动终端用户在所述边缘基站停留时间较短的用户配置更多的剩余频带资源的原则,减少因为移动终端用户在服务过程中移动出所属边缘基站的副高范围而终端服务浪费频带资源且有损移动终端用户的网络体验的情况的发生;
基于上述三个针对所述边缘基站的平均剩余频带资源为每一个信号覆盖范围内的所述请求非实时业务的移动终端用户配置的比例的设置原则,设定比例因子的计算公式为:其中,为第m个边缘基站在第j帧第t个时隙为第k个所述请求非实时业务的移动终端用户配置的剩余的频带资源的比例,为第k个所述请求非实时业务的移动终端用户需求的最小的数据传输速率,为第k个所述请求非实时业务的移动终端用户在第m个边缘基站停留的时间,为第m个边缘基站在第j帧第t个时隙服务的所述请求非实时业务的移动终端用户的集合,为第k个所述请求非实时业务的移动终端用户在第j帧的大尺度信道增益。从而确定在每一帧每一个满足条件的所述请求非实时业务的移动终端用户可以分配得到的子载波的数目。
本实施例的技术效果为:基于预测的所述请求非实时业务的移动终端用户的大尺度信道增益,以及所述请求非实时业务的移动终端用户在所述边缘基站的停留时间,和所述请求非实时业务的移动终端用户上传的对最小的数据传输速率的需求,可以预先确定每一个所述请求非实时业务的移动终端用户可以分配的子载波的数目,有效地降低了资源配置过程中由于过多的不确定性带来的计算复杂度,并且可以充分利用用户的较优信道提高网络吞吐量,充分利用用户的移动模式,实现完全的数据传输,保障所述请求非实时业务的移动终端用户的上网体验。
作为本发明实施例的第8种实施例的再一种实施方式,上述资源配置约束条件,可以包括:
C1:j=1,2,...,Tf,t=1,2,...,Ts,k∈K,m∈M,
约束条件C1限定了预测资源配置的时间尺度为所述预测窗口时间范围内,约束条件C2提供了确定所述请求非实时业务的移动终端用户可以配置的子载波的数目的方法,约束条件C3 和C4限定了配置的资源不大于所述边缘基站剩余的频带资源,覆盖范围内的满足条件的所述请求非实时业务的移动终端用户均可以分得频带资源,约束条件C5保证了所述请求非实时业务的移动终端用户的需求文件全部传输,约束条件C6保障了所述请求非实时业务的移动终端用户的服务质量需求,约束条件C7限定了服务时延在所述请求非实时业务的移动终端用户的限定时延之内。
下面对本发明提供的一种基于预测移动边缘网络智能资源配置方法的应用场景进行说明。
基于预测的移动边缘网络智能资源配置系统中有4个边缘基站,每个边缘基站均连接边缘智能计算服务器(在图中未画出),所述边缘基站信号覆盖半径为200米,边缘基站覆盖范围内有请求实时业务的移动终端用户散落分布在边缘基站周围,所述请求非实时业务的移动终端用户沿着两条图示的马路按照一定的方向和速度行进。
每一个所述请求实时业务的移动终端用户的请求以泊松过程分布到达,所述边缘基站需要预留一定的频带资源为所述请求实时业务的终端用户提供服务。每一个所述请求非实时业务的移动终端用户会发出请求传输一定大小的文件等待边缘基站服务,所述边缘基站预留服务所述请求实时业务的终端用户之后剩余的频带资源为所述请求非实时业务的移动终端用户提供服务。
预测窗口内的每一帧内的大尺度信道增益看作不变,预测窗口内的每一帧的每一时隙内的小尺度信道增益看作不变。
在预测窗口开始时,边缘智能计算服务器基于在观察窗口采集的所述请求非实时业务的移动终端用户的移动性,预测每一个所述请求实时业务的移动终端用户将要进入的边缘基站,从而得到每一个边缘基站在预测窗口每一帧将要服务的所述请求非实时业务的移动终端用户的集合。
在预测窗口内,每一帧开始时,边缘智能计算服务器基于在观察窗口采集的所述请求非实时业务的移动终端用户的移动性数据和信道的状态信息,预测所述请求非实时业务的移动终端用户的大尺度信道增益,基于在观察窗口采集的所述请求实时业务的移动终端用户的业务需求数据,预测所述边缘基站的剩余频带资源,进而基于比例因子的设定公式确定每一个所述请求非实时业务的移动终端用户配置的子载波的数目。
在每一帧的每一个时隙,预测所述边缘基站覆盖范围内满足条件的所述请求非实时业务的移动终端用户的瞬时信达增益,按照可以配置的剩余频带资源由多到少的顺序依次为每一个所述请求非实时业务的移动终端用户配置瞬时信道增益较好的子载波,实现最大的瞬时数据速率进行数据传输。
每一个时隙数据传输完成之后,所述请求非实施业务的移动终端用户更新自己的剩余待传输文件大小和允许服务时延。
所述边缘基站按照上述过程对满足条件的所述请求非实时业务的移动终端用户进行预测式的资源配置,直至所有用户所请求的文件均完成传输,若预测窗在传输完成前结束,则开始新一轮的重复上述过程的预测资源配置。
可见,本公开实施例所提供的一种基于预测的移动边缘网络智能资源配置方法中,边缘智能计算服务器在观察窗口从边缘基站采集请求非实时业务的移动终端用户的移动性数据和请求非实时业务的移动终端用户的请求速率数据,基于采集的历史数据训练神经网络模型,在预测窗口基于训练好的神经网络模型预测请求非实时业务的移动终端用户未来的移动性、平均信道增益和平均剩余带宽,可以预先进行资源配置,从而有效地降低移动终端用户的服务时延,并且通过预测式资源配置方法,能够显著提高移动边缘网络的吞吐量。本公开实施例提供了一种剩余带宽资源配置的比例因子,基于为平均信道增益较好的移动终端用户配置更多的频带资源,可以充分利用移动终端用户的较优信道,可以改善整个移动边缘网络系统的吞吐量;基于为用户服务质量需求较高的用户或者在边缘基站停留时间较短的移动终端用户配置更多的频带资源的原则,可以减少由于不符合移动终端用户网络质量的要求或者由于移动终端用户传输过程中离开边缘基站信号覆盖范围的情况,因此提升移动终端用户的上网体验,而且,基于比例因子预先确定每一个移动终端用户即将分配的资源状况可以有效降低资源配置算法的复杂度。本公开实施例采用由基站级、每一帧、每一个时隙逐级分别预测并利用移动终端用户未来的移动性信息,边缘基站剩余的频带资源和平均信道增益状况以及顺势信道增益状况,可以充分利用不同时间尺度不同预测精度的无线大数据进行有效的预测式资源配置,提高整个移动边缘网络的资源利用率,改善移动终端用户的服务质量。
进一步需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
本发明并不限于上述实施方式,在不背离本发明实质内容的情况下,本领域技术人员可以想到的任何变形、改进、替换均落入本发明的保护范围。
Claims (10)
1.基于预测移动边缘网络的智能资源配置系统,所述配置系统包括:
边缘智能计算服务器、多个边缘基站、多个请求实施业务的移动用户终端和多个请求非实时业务的移动用户终端,其特征在于,边缘智能计算服务器与多个边缘基站连通,多个边缘基站与多个请求实时业务的移动用户终端和多个请求非实时业务的移动用户终端连通;
所述边缘智能计算服务器,用于在观察窗口接收从多个边缘基站处采集的多个请求非实时业务的移动终端用户的历史移动性数据和从多个边缘基站处采集的请求实时业务的移动终端用户的历史请求速率数据,在预测窗口开始时,利用接收的从多个边缘基站处采集的多个请求非实时业务的移动终端用户的历史移动性数据预测多个请求非实时业务的移动终端用户在预测窗口时间尺度范围内的移动性,确定在预测窗口时间尺度范围内,边缘基站在每一帧中需要服务的请求非实时业务的移动终端用户的集合和大尺度信道增益,并将边缘基站在每一帧中需要服务的请求非实时业务的移动终端用户的集合和大尺度信道增益通知给多个边缘基站,利用从多个边缘基站处采集的请求实时业务的移动终端用户的历史请求速率数据,预测多个边缘基站在预测窗口时间尺度范围内的每一帧中能够提供给多个请求非实时业务的移动终端用户的平均可用带宽,并将预测多个边缘基站在预测窗口时间尺度范围内的每一帧中能够提供给多个请求非实时业务的移动终端用户的平均可用带宽通知给多个边缘基站;
多个边缘基站,用于在观察窗口将多个请求非实时业务的移动终端用户的历史移动性数据和请求实时业务的移动终端用户的历史请求速率数据提供给边缘智能计算服务器,在预测窗口开始时,接收边缘智能计算服务器传输的边缘基站在每一帧中需要服务的请求非实时业务的移动终端用户的集合、大尺度信道增益和多个边缘基站在预测窗口时间尺度范围内在每一帧中能够提供给多个请求非实时业务的移动终端用户的平均可用带宽;
多个请求实时业务的移动用户终端,在观察窗口和预测窗口根据自己的实时业务需求向其信号覆盖范围内的基站发出服务请求;
多个请求非实时业务的移动终端用户,在观察窗口和预测窗口,根据自身业务需求向信号覆盖范围的基站发出服务请求,在预测窗口所需要的频带资源会得到预先的分配。
2.基于权利要求1所述基于预测移动边缘网络的智能资源配置系统的配置方法,其特征在于,所述配置方法包括以下步骤:
步骤1、对请求实时业务的移动用户终端和请求非实时业务的移动终端用户进行数据采集和预测:
边缘智能计算服务器在观察窗口内从各个边缘基站采集历史数据,采集历史数据为在观察窗口内,预测请求非实时业务的移动用户终端的移动性和请求实时业务的移动用户终端的请求速率,进而预测在预测窗口内与智能资源配置相关的信息,然后将这些信息通知给各个边缘基站,边缘基站根据边缘智能计算服务器预测的信息,在预测窗口内,为未来一段时间内(分钟级尺度)向信号覆盖范围内的请求非实时业务的移动终端用户进行资源配置,设M={m|m=1,2,...,S}表示边缘基站集合,m表示边缘基站,S表示边缘基站数目,K={k|k=1,2,...,U}表示请求非实时业务的移动用户终端的集合,k表示请求非实时业务的移动终端用户,U表示请求非实时业务的移动用户终端的数目,O={o|o=1,2,...}表示请求实时业务的移动用户终端的集合,o表示请求实时业务的移动用户终端,观察窗口为当前进行历史数据采集的某个时间段,时间段为分钟级尺度;
步骤2、在观察窗口边缘智能计算服务器从各个边缘基站采集请求非实时业务的移动终端用户的位置数据、时间数据、序列数据和请求实时业务的移动终端用户的请求速率数据,然后利用采集的位置数据、时间数据、序列数据和请求速率数据进行训练神经网络模型;
步骤3、在预测窗口开始时,边缘智能计算服务器基于神经网络模型预测在未来一段时间内请求非实时业务的移动终端用户将要进入的某个边缘基站,然后将预测的信息通知给各个边缘基站,确定各个边缘基站在预测窗口内在每一帧需要服务的请求非实时业务的移动终端用户的集合;
步骤4、在预测窗口的每一帧中,边缘智能计算服务器基于预测请求非实时业务的移动终端用户的移动性预测请求非实时业务的移动终端用户与为其提供服务的边缘基站之间的大尺度信道增益,边缘智能计算服务器基于神经网络模型预测每个边缘基站能够为请求非实时业务的移动终端用户配置的平均剩余频带资源;
步骤5、基于特定的比例因子模型确定在每一帧中,某个边缘基站为其连接的每一个请求非实时业务的移动终端用户配置的频带宽度的比例;
步骤6、在预测窗口中每一帧内的每一个时隙,基于预测的信息确定请求非实时业务的移动终端用户与能够配置的子载波之间的小尺度信道增益;
步骤7、某个边缘基站对当前时隙内处在其覆盖范围内满足某个时间段请求条件的请求非实时业务的移动终端用户进行资源配置;
步骤8、在一帧结束后,进入下一帧,边缘基站重复上述步骤4~步骤7对处在其信号覆盖范围内满足某个时间段请求条件的请求非实时业务的移动终端用户进行资源配置,在每一帧资源配置结束时请求非实时业务的移动终端用户更新移动终端用户需要传输的文件大小以及剩余传输时间要求,直至所有请求非实时业务的移动终端用户所请求的业务均已完成传输后停止。
3.根据权利要求2所述的基于预测的移动边缘网络智能资源配置方法,其特征在于,步骤1中,与智能资源配置相关的信息为:在预测窗口内预测的未来一段时间范围内请求非实时业务的移动用户终端的移动性、请求非实时业务的移动用户终端与为其服务的基站之间的大尺度信道增益,和每个边缘基站在每一帧能够配置给请求非实时业务的移动用户终端的平均剩余频带资源,以及在每一个时隙请求非实时业务的移动用户终端与为其服务的基站的子载波之间的小尺度信道增益。
4.根据权利要求2所述的基于预测的移动边缘网络智能资源配置方法,其特征在于,步骤2中,在采集位置数据、时间数据、序列数据和请求实时业务的移动终端用户的请求速率数据的过程中,根据预测窗口长度设置合适的采样分辨率和采样数目,采样分辨率为两个连续的采样记录的时间间隔。
8.根据权利要求2所述的基于预测的移动边缘网络智能资源配置方法,其特征在于,步骤5中,基于预测的大尺度信道增益以及请求非实时业务的移动终端用户的移动性设置,配置给每一个请求非实时业务的移动终端用户的频带资源的比例,基于为请求非实时业务的移动终端用户的服务质量需求高的移动终端用户配置更多的频带资源,为信道增益条件较好的移动终端用户配置更多的频带资源,为在边缘基站停留时间较短的移动终端用户配置更多的频带资源的原则,设置为请求非实时业务的移动终端用户配置剩余频带资源的比例因子为下式(4):
9.根据权利要求2所述的基于预测的移动边缘网络智能资源配置方法,其特征在于,在步骤7中,某个边缘基站对当前时隙内处在其覆盖范围内的满足条件的请求非实时业务的移动终端用户进行资源配置,资源配置的目标为最大化整个移动边缘网络的吞吐量计算方法,即为下式(5)、下式(6):
上式(5)中:为关联基站m的请求非实时业务的移动用户终端k在第j帧第t个时隙的数据传输速率,W0为子载波的频带宽度,Wmax为边缘基站最大的频带宽度,为请求非实时业务的移动终端用户与其将要连接的边缘基站之间的平均信道增益,为瞬时信道增益,pmax为边缘基站的最大发射功率,σ2为噪声功率;
上式(6)中:将资源配置的优化目标转化为最大化整个移动边缘网络的吞吐量,即为具有非实时业务的移动终端用户配置使数据传输速率最大化的边缘基站及其子载波,为第j帧中第t个时隙为请求非实时业务的移动终端用户k配置的子载波集合,为为第j帧中第t个时隙关联边缘基站m的请求非实时业务的移动终端用户的集合;
资源配置目标的约束条件为下式(7):
C1:j=1,2,...,Tf,t=1,2,...,Ts,k∈K,m∈M,
上式(7)中:约束条件C1限定了预测窗口的长度,C2、C3、C4保障了边缘基站传输频带资源不超过最大限制,C5保证了用户需要的文件得到完整的传输,C6保障了请求非实时业务的移动终端用户的服务质量需求,C7保障了请求非实时业务的移动终端用户在停留时间范围内得到服务。
10.根据权利要求2所述的基于预测的移动边缘网络智能资源配置方法,其特征在于,步骤7中,对当前时隙内处在其覆盖范围内满足某个时间段请求条件的请求非实时业务的移动终端用户进行资源配置的具体步骤:在每一个时隙基于预测的相关信息基于权利要求7确定的比例因确定请求非实时业务的移动终端用户与基站的子载波之间的小尺度信道增益,然后确定的配置个每一个请求非实时业务的移动终端用户的频带资源的比例因子,按照由多到少的顺序依次为请求非实时业务的移动终端用户配置子载波,使得边缘基站在此时隙达到最大数据传输速率,在这个时隙配置结束时,请求非实时业务的移动终端用户更新移动终端用户需要传输的文件大小以及剩余传输时间要求,在这一帧的其他时隙重复操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011488607.0A CN112738851B (zh) | 2020-12-16 | 2020-12-16 | 基于预测移动边缘网络的智能资源配置系统及其配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011488607.0A CN112738851B (zh) | 2020-12-16 | 2020-12-16 | 基于预测移动边缘网络的智能资源配置系统及其配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112738851A true CN112738851A (zh) | 2021-04-30 |
CN112738851B CN112738851B (zh) | 2022-05-20 |
Family
ID=75603054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011488607.0A Active CN112738851B (zh) | 2020-12-16 | 2020-12-16 | 基于预测移动边缘网络的智能资源配置系统及其配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112738851B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269558A (zh) * | 2021-06-25 | 2021-08-17 | 中国银行股份有限公司 | 分布式系统中交易处理的方法及装置 |
CN113645642A (zh) * | 2021-08-16 | 2021-11-12 | 北京遥感设备研究所 | 一种无线资源分配预测方法及系统 |
CN113891359A (zh) * | 2021-10-11 | 2022-01-04 | 中国联合网络通信集团有限公司 | 一种数据处理方法、装置及存储介质 |
WO2023280032A1 (zh) * | 2021-07-05 | 2023-01-12 | 索尼集团公司 | 用于无线通信系统的电子设备、方法和存储介质 |
WO2023234815A1 (en) * | 2022-06-03 | 2023-12-07 | Telefonaktiebolaget Lm Ericsson (Publ) | Network node and method performed therein |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108738151A (zh) * | 2018-05-18 | 2018-11-02 | 北京航空航天大学 | 一种基于粗略信息的无线预测资源分配方法 |
CN109691147A (zh) * | 2016-08-30 | 2019-04-26 | 索尼移动通讯有限公司 | 移动边缘计算服务的重新定位 |
CN110427261A (zh) * | 2019-08-12 | 2019-11-08 | 电子科技大学 | 一种基于深度蒙特卡洛树搜索的边缘计算任务分配方法 |
CN111491312A (zh) * | 2019-01-28 | 2020-08-04 | 中国移动通信有限公司研究院 | 无线资源预测分配、获取、训练神经网络的方法及设备 |
CN111935825A (zh) * | 2020-06-19 | 2020-11-13 | 东南大学 | 移动边缘计算系统中基于深度值网络的协作资源分配方法 |
-
2020
- 2020-12-16 CN CN202011488607.0A patent/CN112738851B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109691147A (zh) * | 2016-08-30 | 2019-04-26 | 索尼移动通讯有限公司 | 移动边缘计算服务的重新定位 |
US20190191341A1 (en) * | 2016-08-30 | 2019-06-20 | Sony Mobile Communications Inc. | Relocation of mobile edge computing services |
CN108738151A (zh) * | 2018-05-18 | 2018-11-02 | 北京航空航天大学 | 一种基于粗略信息的无线预测资源分配方法 |
CN111491312A (zh) * | 2019-01-28 | 2020-08-04 | 中国移动通信有限公司研究院 | 无线资源预测分配、获取、训练神经网络的方法及设备 |
CN110427261A (zh) * | 2019-08-12 | 2019-11-08 | 电子科技大学 | 一种基于深度蒙特卡洛树搜索的边缘计算任务分配方法 |
CN111935825A (zh) * | 2020-06-19 | 2020-11-13 | 东南大学 | 移动边缘计算系统中基于深度值网络的协作资源分配方法 |
Non-Patent Citations (1)
Title |
---|
徐伟嘉等: "超密集网络中的绿色预测资源分配", 《信号处理》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113269558A (zh) * | 2021-06-25 | 2021-08-17 | 中国银行股份有限公司 | 分布式系统中交易处理的方法及装置 |
WO2023280032A1 (zh) * | 2021-07-05 | 2023-01-12 | 索尼集团公司 | 用于无线通信系统的电子设备、方法和存储介质 |
CN113645642A (zh) * | 2021-08-16 | 2021-11-12 | 北京遥感设备研究所 | 一种无线资源分配预测方法及系统 |
CN113645642B (zh) * | 2021-08-16 | 2023-08-15 | 北京遥感设备研究所 | 一种无线资源分配预测方法及系统 |
CN113891359A (zh) * | 2021-10-11 | 2022-01-04 | 中国联合网络通信集团有限公司 | 一种数据处理方法、装置及存储介质 |
CN113891359B (zh) * | 2021-10-11 | 2023-06-20 | 中国联合网络通信集团有限公司 | 一种数据处理方法、装置及存储介质 |
WO2023234815A1 (en) * | 2022-06-03 | 2023-12-07 | Telefonaktiebolaget Lm Ericsson (Publ) | Network node and method performed therein |
Also Published As
Publication number | Publication date |
---|---|
CN112738851B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112738851B (zh) | 基于预测移动边缘网络的智能资源配置系统及其配置方法 | |
WO2021169577A1 (zh) | 一种基于加权联邦学习的无线业务流量预测方法 | |
Zhou et al. | A deep-learning-based radio resource assignment technique for 5G ultra dense networks | |
Zhang et al. | Predictive deployment of UAV base stations in wireless networks: Machine learning meets contract theory | |
Bozorgchenani et al. | Computation offloading in heterogeneous vehicular edge networks: On-line and off-policy bandit solutions | |
CN105009475B (zh) | 考虑到用户设备(ue)移动性的用于准入控制和资源可用性预测的方法和系统 | |
CN113543074B (zh) | 一种基于车路云协同的联合计算迁移和资源分配方法 | |
CN112954651B (zh) | 一种基于深度强化学习的低时延高可靠性v2v资源分配方法 | |
CN111491312B (zh) | 无线资源预测分配、获取、训练神经网络的方法及设备 | |
Yu et al. | STEP: A spatio-temporal fine-granular user traffic prediction system for cellular networks | |
CN105657758B (zh) | 一种基于Markov模型的多AP自适应切换方法 | |
CN104349480A (zh) | 无线网络信道分配方法、装置及系统 | |
Guo et al. | Exploiting future radio resources with end-to-end prediction by deep learning | |
Qi et al. | Federated learning based proactive handover in millimeter-wave vehicular networks | |
CN111083724B (zh) | 一种雾计算网络下基于ocwg-topsis的用户关联方法 | |
Chu et al. | Semi-persistent resource allocation based on traffic prediction for vehicular communications | |
CN114118748B (zh) | 一种服务质量预测方法、装置、电子设备及存储介质 | |
CN113225773B (zh) | 超密集异构无线网络中网络环境感知自适应切换判决方法 | |
Mei et al. | Semi-decentralized network slicing for reliable V2V service provisioning: A model-free deep reinforcement learning approach | |
Liya et al. | A MADM-based handover management in software defined 5G network | |
Li et al. | Dynamic power allocation in IIoT based on multi-agent deep reinforcement learning | |
WO2023011371A1 (en) | Method and system for configuring a threshold value for a handover parameter of a wireless communication system | |
CN116484976A (zh) | 一种无线网络中异步联邦学习方法 | |
Jiang et al. | Learning on the fly: An RNN-based online throughput prediction framework for UAV communications | |
Youn et al. | MARL-based Random Access Scheme for Delay-constrained umMTC in 6G |
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 |