CN112804074B

CN112804074B - 网络参数配置方法及装置

Info

Publication number: CN112804074B
Application number: CN201911115070.0A
Authority: CN
Inventors: 程敏; 李超; 杨林; 陈志堂
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2019-11-14
Filing date: 2019-11-14
Publication date: 2022-08-09
Anticipated expiration: 2039-11-14
Also published as: CN112804074A

Abstract

本发明涉及人工智能，应用于智能网络领域，具体公开了一种网络参数配置方法，包括：获取n个AP设备的运行状态信息、候选配置参数集合及候选配置参数集合中每个候选配置参数的置信度；n为大于0的整数；根据n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从候选配置参数集合中确定出n个AP设备中每个AP设备的目标配置参数。本发明还公开了一种参数配置装置。采用本发明实施例提高了配置参数的准确性。

Description

网络参数配置方法及装置

技术领域

本发明涉及通信网络，尤其涉及一种网络参数配置方法及装置。

背景技术

人工智能(artificial intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索，AI基础理论等。

无线局域网(wireless local area network,WLAN)利用射频传输技术进行数据的传送，为用户提供无线宽带接入服务。WLAN无需布线，网络成本大幅降低，且可移动性强，这些优点使得WLAN广泛普及，越来越多的办公室、学校、家庭等开始使用WLAN。随着移动互联网技术的日益发展，特别是移动终端的普及，用户产生的海量数据对WLAN造成的压力越来越大，而用户对WLAN的服务质量要求却越来越高。为了满足用户对网络性能的要求，需要对WLAN中接入点(Access Point，AP)设备的参数进行优化调整，以提高网络服务质量。

然而，由于用户的移动性、业务的多样性以及用户的不同偏好，导致不同场景下网络的状态在不断变化，最佳参数值也会发生相应改变。因此很难存在一个固定的参数值，以保证不同网络状态下的网络性能都达到最优。同时为了保证网络的覆盖范围，AP设备之间存在着明显的相互影响并有严重的信号干扰。

因此，WLAN中AP设备的参数值需要适应网络状态的变化不断进行调整。但是传统基于专家规则的参数调整方案很难达到最优的调整效果，而且难以推广。

发明内容

本发明实施例提供一种网络配置参数方法及装置，采用本发明实施例提高了配置参数的准确性，易于推广。

第一方面，本发明实施例提供一种网络参数配置方法，包括：

获取n个AP设备的运行状态信息、候选配置参数集合及候选配置参数集合中每个候选配置参数的置信度；n为大于0的整数；根据n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从候选配置参数集合中确定出n个AP设备中每个AP设备的目标配置参数；其中，候选配置参数的增益值是在AP设备的配置参数为该候选配置参数时该AP设备的接收的信号强度指示(received signal strength indication，RSSI)的预测值。

通过基于候选配置参数的置信度和增益值从候选配置参数中获取AP设备的目标配置参数，提高了配置参数的准确性。

在一个可行的实施例中，n个AP设备的运行状态信息包括n个AP设备的拓扑结构、n个AP设备中每个AP设备的历史状态信息和历史配置参数，根据n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从候选配置参数集合中确定出n个AP设备中每个AP设备的目标配置参数，包括：

根据n个AP设备的拓扑结构、n个AP设备中每个AP设备的历史状态信息、历史配置参数和候选配置参数集合进行t次迭代计算，以得到t个推荐配置参数组，t个推荐配置参数组中的每个推荐配置参数组中包括n个推荐配置参数，n个推荐配置参数与n个AP设备一一对应，t为大于0的整数；从t个推荐配置参数组中获取目标配置参数组，目标配置参数组中包括每个AP设备的目标配置参数。

基于AP设备的历史配置参数和历史状态信息获取AP设备的目标配置参数，实现了配置参数可以基于网络状态的变化进行调整，并且提高了配置参数的精确性。

在一个可行的实施例中，候选配置参数集合中包括m个候选配置参数，m为大于0的整数，根据n个AP设备的拓扑结构、n个AP设备中的每个AP设备的历史状态信息、历史配置参数和候选配置参数集合进行t次迭代计算，以得到t个推荐配置参数组，包括：

S1：在进行第k次迭代计算时，将n个AP设备均标记为未推荐AP设备，k＝1,2,…,t；

S2：从未推荐的AP设备中任选一个AP设备j，根据n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合获取AP设备j的增益集合，

其中，AP设备j的增益集合包括m个增益值，m个增益值与AP设备j的候选配置参数集合中m个候选配置参数一一对应；n-1个AP设备为n个AP设备中除了AP设备j之外的AP设备；

S3：根据每个候选配置参数对应的增益值与置信度获取该候选配置参数的推荐值，将最大推荐值对应的候选配置参数确定为AP设备j的推荐配置参数

并将AP设备j标记为推荐AP设备；

S4：重复执行S2和S3，直至n个AP设备均被标记为推荐AP设备，获取t个推荐配置参数组中的第k个推荐配置参数组，第k个推荐配置参数组包括AP设备j的推荐配置参数

其中，当k＝1时，n-1个AP设备中任一AP设备s的第一配置参数为AP设备s的历史配置参数；当k大于1且不大于t时，AP设备s的第一配置参数为在进行第k-1次迭代计算得到的AP设备s的推荐配置参数

通过进行多次迭代，可得到多个推荐配置参数，再从多个推荐配置参数中获取目标配置参数，进一步提高了配置参数的精确性。

在一个可行的实施例中，根据n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合获取AP设备j的增益集合，包括：

将n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合中的第i个候选配置参数输入到图卷积模型中进行计算，以得到AP设备j的增益集合中的第i个增益值；其中，i＝1,2,…,m。

在一个可行的实施例中，图卷积模型包括表征模型和预测模型，表征模型是由图注意力网络构成的，将n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合中的第i个候选配置参数输入到图卷积模型中进行计算，以得到AP设备j的增益集合中的第i个增益值，包括：

将n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合中的第i个候选配置参数输入到表征模型中进行计算，以得到AP设备j的特征向量；

将AP设备j的特征向量输入到预测模型中进行计算，以得到AP设备j的增益值。

在一个可行的实施例中，在获取n个AP设备的运行状态信息、候选配置参数集合及候选配置参数集合中每个候选配置参数的置信度之前，本申请的方法还包括：

根据n个AP设备中每个AP设备的历史状态信息、历史配置参数及n个AP设备的拓扑结构进行训练得到图卷积模型；

或者从其他训练设备中获取图卷积模型。

通过引入基于网络拓扑结构、历史配置参数和历史状态信息得到的图卷积模型，基于AP设备之间的干扰和影响进行建模是实现了对真是环境的模型，在后续进行配置参数推荐时，减少了与真实环境的交互，提高了推荐算法的收敛速度，提高了配置参数的精确性。

在一个可行的实施例中，从t个推荐配置参数组中获取目标配置参数组，包括：

从t个推荐配置参数组中获取n个参考参数集合，n个参考参数集合中的第g个参考参数集合中的元素为在t个推荐配置参数组中n个AP设备中第g个AP设备的推荐配置参数，其中，g＝1,2,…,n；

将第g个参考参数集合中出现频率最多的推荐配置参数确定为第g个AP设备的目标配置参数，目标配置参数组包括第g个AP设备的目标配置参数。

第二方面，本发明实施例提供一种参数配置装置，包括：

获取单元，用于获取n个AP设备的运行状态信息、候选配置参数集合及候选配置参数集合中每个候选配置参数的置信度；n为大于0的整数；

确定单元，用于根据n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从候选配置参数集合中确定出n个AP设备中每个AP设备的目标配置参数；其中，候选配置参数的增益值是在AP设备的配置参数为该候选配置参数时该AP设备的RSSI的预测值。

在一个可行的实施例中，n个AP设备的运行状态信息包括n个AP设备的拓扑结构、n个AP设备中每个AP设备的历史状态信息和历史配置参数，确定单元具体用于：

在一个可行的实施例中，候选配置参数集合中包括m个候选配置参数，m为大于0的整数，在根据n个AP设备的拓扑结构、n个AP设备中的每个AP设备的历史状态信息、历史配置参数和候选配置参数集合进行t次迭代计算，以得到t个推荐配置参数组的方面，确定单元具体用于：

并将AP设备j标记为推荐AP设备；

S4：重复执行步骤S2和S3，直至n个AP设备均被标记为推荐AP设备，获取t个推荐配置参数组中的第k个推荐配置参数组，第k个推荐配置参数组包括AP设备j的推荐配置参数

在一个可行的实施例中，在根据n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合获取AP设备j的增益集合的方面，确定单元具体用于：

在一个可行的实施例中，图卷积模型包括表征模型和预测模型，表征模型是由图注意力网络构成的，在将n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合中的第i个候选配置参数输入到图卷积模型中进行计算，以得到AP设备j的增益集合中的第i个增益值的方面，确定单元具体用于：

在一个可行的实施例中，参数配置装置还包括：训练单元

训练单元，用于在获取n个AP设备的运行状态信息、候选配置参数集合及候选配置参数集合中每个候选配置参数的置信度之前，根据n个AP设备中每个AP设备的历史状态信息、历史配置参数及n个AP设备的拓扑结构进行训练得到图卷积模型；

或者获取单元，还用于在获取n个AP设备的运行状态信息、候选配置参数集合及候选配置参数集合中每个候选配置参数的置信度之前，从其他训练设备中获取图卷积模型。

在一个可行的实施例中，在从t个推荐配置参数组中获取目标配置参数组的方面，确定单元具体用于：

第三方面，提供一种参数配置装置，该装置包括：存储器，用于存储程序；处理器，用于执行存储器存储的程序，当存储器存储的程序被执行时，处理器用于执行第一方面中的方法。

第四方面，提供一种计算机可读介质，该计算机可读介质存储用于设备执行的程序代码，该程序代码包括用于执行第一方面中的方法。

第五方面，提供一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述第一方面中的方法。

第六方面，提供一种芯片，该芯片包括处理器与数据接口，所述处理器通过所述数据接口读取存储器上存储的指令，执行第一方面中的方法。

可选地，作为一种实现方式，所述芯片还可以包括存储器，所述存储器中存储有指令，所述处理器用于执行所述存储器上存储的指令，当所述指令被执行时，所述处理器用于执行第一方面中的方法。

本发明的这些方面或其他方面在以下实施例的描述中会更加简明易懂。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种参数配置方法的应用场景示意图；

图2本申请实施例提供的一种系统示意图；

图3为本申请实施例提供的一种芯片结构示意图；

图4为本申请实施例提供的一种参数配置方法的流程示意图；

图5为本申请实施例提供的一种图卷积模型架构示意图；

图6为本申请实施例提供的表征模型功能示意图；

图7为本申请实施例提供的一种效果示意图；

图8为本申请实施例提供的另一种效果示意图；

图9为本申请实施例提供的一种参数配置装置的结构示意图；

图10为本申请实施例提供的另一种参数配置装置的结构示意图；

图11为本申请实施例提供的一种图卷积模型更新流程示意图；

图12为本申请实施例提供的另一种参数配置装置的结构示意图。

具体实施方式

下面结合附图对本申请的实施例进行描述。

参见图1，图1为本发明实施例提供的一种网络结构示意图。如图1所示，该网络包括中心控制平台101、参数配置装置103和多个AP设备102。

其中，中心控制平台101为具有收发数据能力的设备。参数配置装置103可以为具有数据处理能力的设备，比如计算机、服务器等设备。AP设备102可以为交换机、路由器和中继器等设备。

参数配置装置103获取n个AP设备102的运行状态信息、候选配置参数集合及候选配置参数集合中每个候选配置参数的置信度；n为大于0的整数；根据n个AP设备102的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从候选配置参数集合中确定出n个AP设备102中每个AP设备102的目标配置参数，并将获取的每个AP设备102的目标配置参数发送至中央控制平台101；中央控制平台101向n个AP设备102发送配置指令，该配置指令用于每个AP设备102按照接收到的配置指令中携带的目标配置参数进行参数配置。

参见附图2，本发明实施例提供了一种系统架构200。数据采集设备260用于采集训练数据并存入数据库230，训练设备220基于数据库230中维护的训练数据生成图卷积模型201，训练数据包括AP设备的历史配置参数、历史状态信息及AP设备的拓扑结构。下面将更详细地描述训练设备220如何基于训练数据得到图卷积模型201，基于图卷积模型201能够得到AP设备的候选配置参数的增益值。

深度神经网络中的每一层的工作可以用数学表达式

来描述：从物理层面深度神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作，完成输入空间到输出空间的变换(即矩阵的行空间到列空间)，这五种操作包括：1、升维/降维；2、放大/缩小；3、旋转；4、平移；5、“弯曲”。其中1、2、3的操作由

完成，4的操作由

完成，5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物，而是一类事物，空间是指这类事物所有个体的集合。其中，W是权重向量，该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换，即每一层的权重W控制着如何变换空间。训练深度神经网络的目的，也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。因此，神经网络的训练过程本质上就是学习控制空间变换的方式，更具体的就是学习权重矩阵。

因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为深度神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到神经网络能够预测出真正想要的目标值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objectivefunction)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。

训练设备220得到的图卷积模型201中可以应用不同的系统或设备中。在附图2中，执行设备210配置有I/O接口212，与外部设备进行数据交互。

执行设备210可以调用数据存储系统250中的数据、代码等，也可以将数据、指令等存入数据存储系统250中。

计算模块211使用图卷积模型201对输入的数据进行处理，具体是将n个AP设备240的拓扑结构、n个AP设备中每个AP设备的候选配置参数集合、历史配置参数和历史状态信息输入到图卷积模型201中进行计算，以得到每个AP设备的候选配置参数的增益值；计算模块211获取每个AP设备的候选配置参数集合中每个候选配置参数的置信度，基于候选配置参数的增益值和置信度获取每个AP设备的推荐配置参数组，从每个AP设备的推荐配置参数组获取该AP设备的目标配置参数，并通过I/O接口将目标配置参数发送至AP设备或者通过中央控制平台转发至AP设备。

更深层地，训练设备220可以针对不同的目标，基于不同的数据生成相应的图卷积模型201，以给用户提供更佳的结果。

AP设备240实时向数据库230发送当前的配置参数和状态信息，当配置参数和状态信息积累到一定程度时，训练设备220基于数据库230中存储的配置参数和状态信息训练图卷积模型，以得到新的图卷积模型。

值得注意的，附图2仅是本发明实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在附图2中，数据存储系统250相对执行设备210是外部存储器，在其它情况下，也可以将数据存储系统250置于执行设备210中。

图3，是本发明实施例提供的一种芯片硬件结构图。

神经网络处理器NPU 50作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路503，控制器504控制运算电路503提取存储器(权重存储器或输入存储器)中的数据并进行运算。

在一些实现中，运算电路503内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路503是二维脉动阵列。运算电路503还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路503是通用的矩阵处理器。

举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器502中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器501中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器508accumulator中。

向量计算单元507可以对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。例如，向量计算单元507可以用于神经网络中非卷积/非FC层的网络计算，如池化(Pooling)，批归一化(Batch Normalization)，局部响应归一化(Local Response Normalization)等。

在一些实现种，向量计算单元能507将经处理的输出的向量存储到统一缓存器506。例如，向量计算单元507可以将非线性函数应用到运算电路503的输出，例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元507生成归一化的值、合并值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路503的激活输入，例如用于在神经网络中的后续层中的使用。

例如NPU50中的向量计算单元507或者运算电路503用于执行将AP设备拓扑结构、AP设备的候选配置参数集合、历史配置参数和历史状态信息输入到图卷积模型中进行计算过程中的相关步骤。

统一存储器506用于存放输入数据以及输出数据。

存储单元访问控制器505(Direct Memory Access Controller，DMAC)将外部存储器中的输入数据搬运到输入存储器501和/或统一存储器506、将外部存储器中的权重数据存入权重存储器502，以及将统一存储器506中的数据存入外部存储器。

总线接口单元(Bus Interface Unit，BIU)510，用于通过总线实现主CPU、DMAC和取指存储器509之间进行交互。

与控制器504连接的取指存储器(instruction fetch buffer)509，用于存储控制器504使用的指令；

控制器504，用于调用指存储器509中缓存的指令，实现控制该运算加速器的工作过程。

一般地，统一存储器506，输入存储器501，权重存储器502以及取指存储器509均为片上(On-Chip)存储器，外部存储器为该NPU外部的存储器，该外部存储器可以为双倍数据率同步动态随机存储器(Double Data Rate Synchronous Dynamic Random AccessMemory，简称DDR SDRAM)、高带宽存储器(High Bandwidth Memory，HBM)或其他可读可写的存储器。

NPU50用于将n个AP设备240的拓扑结构、n个AP设备的候选配置参数集合、历史配置参数和历史状态信息输入到图卷积模型201中进行计算，以得到每个AP设备的候选配置参数的增益值；主CPU获取每个AP设备的候选配置参数集合中每个候选配置参数的置信度，基于候选配置参数的增益值和置信度获取每个AP设备的推荐配置参数组，从每个AP设备的推荐配置参数组获取该AP设备的目标配置参数。

参见图4，图4为本发明实施例提供的一种网络参数配置方法的流程示意图。如图4所示，该方法包括：

S401、获取n个AP设备的运行状态信息、候选配置参数集合及候选配置参数集合中每个候选配置参数的置信度。

其中，上述每个AP设备的候选配置参数集合中包括m个候选配置参数，m和n均为大于0的整数。

其中，n个AP设备的运行状态信息包括n个AP设备的拓扑结构、n个AP设备中每个AP设备的历史状态信息和历史配置参数。

AP设备的状态信息用于表征AP设备的工作状态，比如当前的在线用户数可用来确定当前AP设备是否处于过载状态，或者处于一个比较隔离的状态。

在此需要说明的是，配置参数具体是指AP设备工作时的发射功率。

在一个可行的实施例中，在使用n个AP设备的历史状态信息之前，对n个AP设备的历史状态信息进行预处理，以得到预处理后的历史状态信息。

其中，预处理包括筛选、提取、标准化处理等。比如对历史状态信息进行筛选具体包括：基于历史状态信息中每一维度的状态信息的方差，或者与配置参数的相关性，筛选出与配置参数相关的状态信息。

筛选后的状态信息包括带宽(bandwidth)、射频标识(radioID)、在线用户数(usercount)、丢包率(packet loss rate)、上传速率(uplink speed)、下载速率(downlinkspeed)和延时(latency)等。

在另一个实施例中，在使用n个AP设备的历史状态信息之前，对n个AP设备的历史状态信息中的无效数据进行过滤。例如由于AP设备的状态信息是统计一段时间内用户的行为的数据，如果没有用户接入AP设备，则该AP设备的状态信息无效。

在一个可行的实施例中，根据各AP设备之间的干扰信号测量信息及AP设备的实际分布情况构建AP设备的拓扑结构。比如根据是否接收到对方的信号以及信号的强度来确定这对AP设备之间是否相邻。

S402、根据n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从候选配置参数集合中确定出n个AP设备中每个AP设备的目标配置参数。

其中，AP设备的候选配置参数的增益值是在该AP设备的配置参数为该候选配置参数时该AP设备的RSSI的预测值。

根据n个AP设备的拓扑结构、n个AP设备中每个AP设备的历史状态信息、历史配置参数和候选配置参数集合进行t次迭代计算，以得到t个推荐配置参数组；从t个推荐配置参数组中获取目标配置参数组，目标配置参数组中包括每个AP设备的目标配置参数。

其中，t个推荐配置参数组中的每个推荐配置参数组包括n个推荐配置参数，该n个推荐配置参数与n个AP设备一一对应，且t为大于0的整数。

在一个可行的实施例中，根据n个AP设备的拓扑结构、n个AP设备中的每个AP设备的历史状态信息、历史配置参数和候选配置参数集合进行t次迭代计算，以得到t个推荐配置参数组，包括：

S2：从未推荐的AP设备中任选一个AP设备j，根据n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合中的每个候选配置参数获取AP设备j的增益集合，

并将AP设备j标记为推荐AP设备；

具体地，在进行第k次迭代时，将n个AP设备均标记为未推荐AP设备；从该n个AP设备中任选一个AP设备j，然后将AP设备j的候选配置参数集合中的每个候选配置参数分别与n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数输入到图卷积模型中进行计算，以得到AP设备j的增益集合。

AP设备j的候选配置参数集合可表示为A＝(A₁,A₂,A₃…A_m)AP设备j的增益集合可表示为

其中，

…

然后根据获取AP设备j的候选配置参数集合中每个候选配置参数历史被选择次数n_i和该候选配置参数集合中所有候选配置参数历史被选择次数之和N，其中，N＝n₁+n₂+n₃+n₄+n₅，再计算AP设备j的候选配置参数集合中每个候选配置参数的置信度，该集合中第i个候选配置参数的置信度为σ_i。

其中，第i个候选配置参数的置信度

C为常数。

基于此设置，在进行参数推荐时，当某个候选配置参数在当前的模型输出一个较差的反馈但是历史选择过程中被选中的概率较小时，模型会赋予该候选配置参数更高的权重，以使该候选配置参数被选中的概率增加，从而达到探索的效果。如果某个候选配置参数输出一个较差的反馈且在历史推荐中被选中多次，模型会赋予该候选配置参数更高的权重，以使该候选配置参数被选中的概率增加，也可以达到开发和利用该参数的效果。

根据AP设备j的候选配置参数集合中每个候选配置参数的增益值和置信度获取该候选配置参数的推荐值；其中，该候选配置参数推荐值为该候选配置参数的置信度与增益值之和，将最大推荐值对应的候选配置参数确定为AP设备j为第k次迭代计算的推荐配置参数

将AP设备j标记为推荐AP设备。

重复上述步骤，直至n个AP设备均被标记为推荐AP设备，至此可得到第k次迭代计算的推荐配置参数组，该推荐配置参数组中的元素为n个AP设备在第k次迭代计算得到的推荐配置参数。

举例说明，假设n＝4，m＝5，t＝3，即对4个AP设备进行3次迭代计算，得到3个推荐配置参数组。该4个AP设备分别称为AP设备1，AP设备2，AP设备3和AP设备4。图卷积模型可表示为r＝g(s,a)，r表示增益值，s和a分别表示状态信息和配置参数。

在进行第1次迭代计算时，将4个AP设备均标记为未推荐AP设备；从未推荐AP设备中任选一个AP设备，比如AP设备2；根据4个AP设备的拓扑结构、AP设备2的候选配置参数集合中的候选配置参数Ax、AP设备1、3和4的历史状态参数和历史配置参数输入到图卷积模型中进行计算，以得到候选配置参数Ax的增益值

x＝1,2,…,5，按照该方法可得到AP设备2的增益集合，该增益集合中的元素为AP设备2的候选配置参数集合中所有候选配置参数的增益值。

其中，AP设备2的候选配置参数集合可表示为A＝(A₁,A₂,A₃,A₄,A₅)，AP设备2的增益集合可表示为

其中，

分别表示为AP设备1、AP设备3和AP设备4的历史配置参数。

然后根据获取AP设备2的候选配置参数集合中每个候选配置参数历史被选择次数n_i和该候选配置参数集合中所有候选配置参数历史被选择次数之和N，其中，N＝n₁+n₂+n₃+n₄+n₅，再计算AP设备2的候选配置参数集合中每个候选配置参数的置信度，该集合中第i个候选配置参数的置信度为σ_i。

其中，第i个候选配置参数的置信度

C为常数。

根据AP设备2的候选配置参数集合中每个候选配置参数的增益值和置信度获取该候选配置参数的推荐值；将最大推荐值对应的候选配置参数确定为AP设备2为第1次迭代计算的推荐配置参数

将AP设备2标记为推荐AP设备。

重复上述步骤，直至4个AP设备均被标记为推荐AP设备，至此可得到第1次迭代计算的推荐配置参数组，该推荐配置参数组中的元素为AP设备1的推荐配置参数

AP设备2的推荐配置参数

AP设备3的推荐配置参数

和AP设备4的推荐配置参数

在进行第2次迭代计算时，将4个AP设备均标记为未推荐AP设备；从未推荐AP设备中任选一个AP设备，比如AP设备3；根据4个AP设备的拓扑结构、AP设备3的候选配置参数集合中的候选配置参数Bx、AP设备1、2和4的历史状态参数和第1次迭代计算得到的推荐配置参数输入到图卷积模型中进行计算，以得到候选配置参数Bx的增益值

x＝1,2,…,5，按照该方法可得到AP设备3的增益集合，该增益集合中的元素为AP设备3的候选配置参数集合中所有候选配置参数的增益值。

其中，AP设备3的候选配置参数集合可表示为B＝(B₁,B₂,B₃,B₄,B₅)，AP设备3的增益集合可表示为

然后按照上述方法获取AP设备3的候选配置参数集合中每个候选配置参数的置信度，在根据每个候选配置参数的置信度和增益值获取该候选配置参数的推荐值；将最大推荐值对应的候选配置参数确定为AP设备3为第2次迭代计算的推荐配置参数

将AP设备3标记为推荐AP设备。

重复上述步骤，直至4个AP设备均被标记为推荐AP设备，至此可得到第2次迭代计算的推荐配置参数组，该推荐配置参数组中的元素为AP设备1的推荐配置参数

AP设备2的推荐配置参数

AP设备3的推荐配置参数

和AP设备4的推荐配置参数

在进行第3次迭代计算时，将4个AP设备均标记为未推荐AP设备；从未推荐AP设备中任选一个AP设备，比如AP设备4；根据4个AP设备的拓扑结构、AP设备4的候选配置参数集合中的候选配置参数Dx、AP设备1、2和3的历史状态参数和第2次迭代计算得到的推荐配置参数输入到图卷积模型中进行计算，以得到候选配置参数Dx的增益值

x＝1,2,…,5，按照该方法可得到AP设备4的增益集合，该增益集合中的元素为AP设备4的候选配置参数集合中所有候选配置参数的增益值。

其中，AP设备4的候选配置参数集合可表示为D＝(D₁,D₂,D₃,D₄,D₅)，AP设备4的增益集合可表示为

然后按照上述方法获取AP设备4的候选配置参数集合中每个候选配置参数的置信度，在根据每个候选配置参数的置信度和增益值获取该候选配置参数的推荐值；将最大推荐值对应的候选配置参数确定为AP设备4为第3次迭代计算的推荐配置参数

将AP设备4标记为推荐AP设备。

重复上述步骤，直至4个AP设备均被标记为推荐AP设备，至此可得到第3次迭代计算的推荐配置参数组，该推荐配置参数组中的元素为AP设备1的推荐配置参数

AP设备2的推荐配置参数

AP设备3的推荐配置参数

和AP设备4的推荐配置参数

至此可得到3个推荐配置参数组，分别为

和

在一个可行的实施例中，图卷积模型包括表征模型和预测模型，表征模型是由图注意力网络构成的，将n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合中的第i个候选配置参数输入到图卷积模型中进行计算，以得到AP设备j的增益集合中的第i个增益值，具体包括：

将n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合中的第i个候选配置参数输入到表征模型中进行计算，以得到AP设备j的特征向量；将AP设备j的特征向量输入到预测模型中进行计算，以得到AP设备j的增益值。

具体地，本发明方案中的图卷积模型使用的是一种图注意力机制(graphattention,GAT)的增益预测模型，该模型能够充分探索相邻AP设备之间的信息，对于找到最优的配置参数、加快收敛起着至关重要的作用。其中，图卷积模型包括输入层、表征模型、预测模型和输出层。表征模型包括多个图注意力层，预测模型包括多个DENSE模块。如图5所示，表征模型包括m个图注意力层，预测模型包括2个DENSE模块。

需要指出的是，本申请中的图注意力层和图注意力网络是同一结构的网络。

输入层，用于输入n个AP设备的拓扑结构、n个AP设备中每个AP设备的历史状态信息和历史配置参数。

表征模型，包括图注意力层1，图注意力层2，…，图注意力层m。图注意力层用于根据相邻的AP设备的状态信息确定当前AP设备的状态向量；其中，图注意力层1用于根据当前AP设备的1跳内所有相邻AP设备的状态信息确定当前AP设备的第一特征向量，按照该方法，可以得到n个AP设备的第一特征向量，并输出到图注意力层2；图注意力层2用于根据当前AP设备的1跳内所有相邻AP设备的第一特征向量确定当前AP设备的第二特征向量，按照该方法可以得到n个AP设备的第二特征向量，并输出到下一个图注意力层，…，图注意力层m的输入数据为n个AP设备的第m-1特征向量，图注意力层m用于根据当前AP设备的1跳内所有相邻AP设备的第m-1特征向量确定当前AP设备的第m特征向量，按照该方法可得到n个AP设备的第m特征向量。

因为单个图注意力层的默认范围为1跳。通过叠加m个图注意力层，可以使得范围扩展至m跳之内所有相邻AP设备。这里m的值可以根据具体应用场景，具体可通过crossvalidation等方法进行选择。

预测模型，包括DENSE模块1和DENSE模块2，用于根据预测模型输出的n个AP设备中每个AP设备的第m特征向量计算得到每个AP设备的增益值。

需要指出的是，上述AP设备的增益值为AP设备的接收的信号强度指示(receivedsignal strength indication，RSSI)。

可选地，预测模型是基于神经外网络的全连接层实现的，还可以为任何基于神经网络的回归模型。

输出层，用于输出每个AP设备的增益值。

举例说明，如图6所示，有5个AP设备，第1个AP设备的相邻AP设备包括第2个AP设备、第3个AP设备、第4个AP设备和第5个AP设备。其中，第i个AP设备的特征向量可表示为：

其中，i＝1,2,3,4,5，j＝1,2,3,4,5，且i和j不相同。第i个AP设备与第j个AP设备为相邻AP设备，第i个AP设备与第j个AP设备之间的信息交互通过注意力机制可描述为：

其中，

和W为权重矩阵，LeakyReLU为激活函数，如图6所示，当i＝1时，分别根据上述公式计算第1个AP设备与其他AP设备的注意力权重，并通过叠加多头注意力机制K来增加对复杂关系的表达能力。

在此需要说明的是，为了保证现网关键绩效指标(key performance indicator,KPI)的稳定性、减少对配置参数探索的次数，需要对配置参数能带来的增益进行准确预测。然而，WLAN网络中AP设备之间存在着复杂的相互干扰/协同关系，建模时应充分考虑到对周边邻区的影响，因此提出用图卷积模型来刻画这些因素。

在一个可行的实施例中，在使用图卷积模型之前，从训练设备中获取图卷积模型，或者根据n个AP设备的历史状态信息和历史配置参数训练初始模型，以得到图卷积模型。

具体地，根据n个AP设备的历史状态信息和历史配置参数训练初始模型，以得到图卷积模型，包括：

对n个AP设备的历史状态信息进行预处理，得到n个AP设备的预处理后的状态信息；将n个AP设备的预处理后的状态信息、n个AP设备的历史配置参数和AP设备拓扑结构输入到初始模型中进行计算，以得到n个AP设备中每个AP设备的第一增益值；根据n个AP设备的第一增益值调整初始模型中的参数，以得到第一模型；然后再将n个AP设备的预处理后的状态信息、n个AP设备的历史配置参数和AP设备拓扑结构输入到第一模型中进行计算，以得到n个AP设备中每个AP设备的第二增益值；若根据n个AP设备的第二增益值确定第一模型满足训练条件，则将第一模型确定为图卷积模型，即图卷积模型训练完毕；若根据n个AP设备的增益值确定第一模型满足训练条件，则根据n个AP设备的第二增益值调整第一模型中的参数，以得到第二模型，并按照上述方法重新计算得到n个AP设备的增益值，直至得到的模型满足训练条件。

举例说明，假设对4个AP设备进行3次迭代计算，得到3个推荐配置参数组，分别为

和

从上述3个推荐配置参数组中，分别获取AP设备1、AP设备2、AP设备3和AP设备4的推荐配置参数，将该4个AP设备中每个AP设备的推荐配置参数构成一个参考参数集合。比如AP设备1的参考参数集合为

AP设备2的参考参数集合为

AP设备3的参考参数集合为

AP设备4的参考参数集合为

从每个AP设备的参考参数集合中选取出现频率最高的参数，并将该参数确定为该AP设备的目标配置参数。比如在AP设备3的参考参数集合中，

与

相同，

与

和

均不相同，则可确定

或

在AP设备3的参考参数集合中出现频率最高，因此AP设备3的目标配置参数为

或

在一个可行的实施例中，在使用候选配置参数集合中每个候选配置参数的置信度之前，获取候选配置参数集合中候选配置参数的历史被选中的次数，基于每个候选配置参数被选中的次数获取每个候选配置参数的置信度。

在一个可行的实施例中，在获取每个AP的目标配置参数后，基于每个AP设备的目标配置参数更新候选配置参数被选中的次数。

需要指出的是，候选配置参数被选中是指该候选配置参数被确定为目标配置参数。

在一种可行的实施例中，在获取每个AP设备的目标配置参数后，要将该每个AP设备的目标配置参数分别发送至该AP设备，可以是指直接向每个AP设备发送该AP设备的目标配置参数，还可以是指向中央控制平台发送n个AP设备中每个AP设备的目标配置参数，然后中央控制平台分别向每个AP设备发送配置指令，该配置指令携带有AP设备j的目标配置参数，AP设备j接收到该AP设备后，将其参数配置为目标配置参数。

在一个可行的实施例中，在n个AP设备运行过程中，实时获取训练数据，该训练数据包括各AP的状态信息和配置参数，及各AP设备之间的干扰信号测量信息。

当训练数据积累到一定程度时，基于n个AP的实际分布信息及各AP设备之间的干扰信号测量信息获取AP设备的拓扑结构；对各AP设备的状态信息进行预处理，以得到预处理后的状态信息；基于AP设备的拓扑结构、历史状态信息、历史配置参数、预处理后的状态信息及该预处理后的状态信息对应的配置参数重新不断训练图卷积模型，直至新的图卷积模型满足训练条件，或者对图卷积模型的训练次数达到预设次数，此时得到新的图卷积模型，并以模型名称和时间戳为名称的文件夹来保存该新的图卷积模型。

在使用图卷积模型之前，先判断图卷积模型所存储文件夹的时间戳是否为最新的；若不是最新的，则按照上述方法重新训练图卷积模型。

如图7所示，给出了本申请的方案在2018年南京N5建筑物现网测试的部分结果。其中，整网平均RSSI达标率提升了约3.5％，对于边缘AP的提升效果显著：性能增益平均为15.9％，最高可达21.6％。

图8示意了本申请方案2019年6月在南京N3建筑物现网测试的部分结果。其中信道已调整成一样的，测试最开始时所有AP设备的功率都设为16。本申请的算法开启后先进行10次随机探索，然后根据训练的模型进行参数推荐。对比测试开始时5个AP的性能，实现了5.6％(-53dB->-50dB)的性能提升。

可以看出，在本申请的方案中，首先基于各AP设备的历史状态信息和各历史配置参数构建图卷积模型，然后基于图卷积模型获取各AP的增益值，再根据各AP设备的候选配置参数的历史被选中次数计算各候选配置参数的置信度，根据增益值和置信度获取各AP设备的推荐配置参数组，最后从各AP设备的推荐配置参数组中获取各AP设备的目标配置参数。通过各AP设备历史状态信息和历史配置参数训练得到图卷积模型，实现了对各AP设备的真实环境的模拟，与传统模型的强化学习方法相比，减少了与真实环境的交互，提高了推荐配置参数的效率。在构建图卷积模型时，充分考虑相邻AP设备之间的影响，从而提高了配置参数的准确性。基于候选配置参数的置信度和增益值进行参数推荐，使得在博弈场景下能有效地收敛，进一步提高了参数推荐的准确性。

参见图9，图9为本发明实施例提供的一种参数配置装置的结构示意图。如图9所示，该参数配置装置900包括：

获取单元901，用于获取n个AP设备的运行状态信息、候选配置参数集合及候选配置参数集合中每个候选配置参数的置信度；n为大于0的整数；

确定单元902，用于根据n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从候选配置参数集合中确定出n个AP设备中每个AP设备的目标配置参数；其中，候选配置参数的增益值是在AP设备的配置参数为该候选配置参数时该AP设备的RSSI的预测值。

在一个可行的实施例中，n个AP设备的运行状态信息包括n个AP设备的拓扑结构、n个AP设备中每个AP设备的历史状态信息和历史配置参数，确定单元902具体用于：

在一个可行的实施例中，候选配置参数集合中包括m个候选配置参数，m为大于0的整数，在根据n个AP设备的拓扑结构、n个AP设备中的每个AP设备的历史状态信息、历史配置参数和候选配置参数集合进行t次迭代计算，以得到t个推荐配置参数组的方面，确定单元902具体用于：

并将AP设备j标记为推荐AP设备；

在一个可行的实施例中，在根据n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合获取AP设备j的增益集合的方面，确定单元902具体用于：

在一个可行的实施例中，图卷积模型包括表征模型和预测模型，表征模型是由图注意力网络构成的，在将n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合中的第i个候选配置参数输入到图卷积模型中进行计算，以得到AP设备j的增益集合中的第i个增益值的方面，确定单元902具体用于：

在一个可行的实施例中，参数配置装置900还包括：训练单元903

训练单元903，用于在获取n个AP设备的运行状态信息、候选配置参数集合及候选配置参数集合中每个候选配置参数的置信度之前，根据n个AP设备中每个AP设备的历史状态信息、历史配置参数及n个AP设备的拓扑结构进行训练得到图卷积模型；

或者获取单元901，还用于在获取n个AP设备的运行状态信息、候选配置参数集合及候选配置参数集合中每个候选配置参数的置信度之前，从其他训练设备中获取图卷积模型。

在一个可行的实施例中，在从t个推荐配置参数组中获取目标配置参数组的方面，确定单元902具体用于：

需要说明的是，上述各单元(获取单元901、确定单元902和训练单元903)用于执行上述方法的相关步骤。比如获取单元901用于执行步骤S401的相关内容，确定单元902和训练单元903用于执行步骤S402的相关内容。

在本实施例中，参数配置装置900是以单元的形式来呈现。这里的“单元”可以指特定应用集成电路(application-specific integrated circuit，ASIC)，执行一个或多个软件或固件程序的处理器和存储器，集成逻辑电路，和/或其他可以提供上述功能的器件。此外，以上获取单元901、确定单元902和训练单元903可通过图12所示的参数配置装置的处理器1201来实现。参见图10，图10为本申请实施例提供的另一种参数配置装置的结构示意图。如图10所示，该参数配置装置包括：数据采集模块1001、数据预处理模块1002、图卷积模型构建模块1003、在线寻优控制模块1004、多AP参数联合推荐模块1005和拓扑生成模块1006。

其中，数据采集模块1001，用于获取n个AP设备中每个AP设备的历史配置参数及历史状态信息。

数据预处理模块1002，用于对数据采集模块1001获取的AP的历史状态信息进行预处理，以得到预处理后的状态特征。预处理包括但不限于筛选、提取、标准化等处理。例如基于每一维度的状态信息的方差或者与配置参数的相关性，筛选出与配置参数相关的状态信息。

筛选后的状态信息包括带宽、射频标识、在线用户数、丢包率、上传速率、下载速率和延时等。

拓扑生成模块1006，用于根据n个AP设备中相邻AP之间的干扰信号测量信息和n个AP设备的实际分布信息获取n个AP设备的拓扑结构。

图卷积模型构建模块1003包括训练模块10031和更新模块10032。

其中，训练模块10031，用于基于n个AP设备的拓扑结构、状态信息及配置参数进行训练，以得到图卷积模型，具体训练过程可参见图4所示实施例中的相关描述，在此不再叙述。

更新模块10032，用于定期对图卷积模型进行更新处理，以得到新的图卷积模型。

具体地，如图11所示，更新模块实时获取n个AP中相邻AP之间干扰信号测量信息，AP设备的状态信息和配置参数；当干扰信号测量信息，A状态信息和配置参数累积到一定程度时，则基于该干扰信号测量信息及n个AP设备的实际分布信息获取新的n个AP设备的拓扑结构；对n个AP设备的状态信息进行预处理，以得到预处理后的状态信息；训练模块10031基于新的n个AP设备的拓扑结构、获取的n个AP设备的预处理后状态信息及配置参数对图卷积模型进行迭代训练，得到第一图卷积模型；当训练未达到迭代停止条件时，继续基于获取的该干扰信号测量信息及n个AP设备的实际分布信息获取新的n个AP设备的拓扑结构；对n个AP设备的状态信息进行预处理，以得到预处理后的状态信息；训练模块10031基于新的n个AP设备的拓扑结构、获取的n个AP设备的预处理后的状态信息及配置参数对第一图卷积模型进行迭代训练，得到第二图卷积模型；当训练达到迭代停止条件时，将得到的图卷积模型作为新的图卷积模型并保存，同时将新的图卷积模型提供给多AP参数联合推荐模块使用。

其中，迭代停止条件为得到的图卷积模型达到使用需求，或者迭代训练次数为I。

在此需要指出的是，两次相邻训练中使用的干扰信号测量信息、状态信息和配置参数是不同的，且在相邻两次训练中，后一次训练使用的信息包含前一次训练使用的信息，原因是这些信息是实时获取的，因此在进行前一次训练期间，也会获取新的信息，该新的信息和前一次训练时使用的信息作为后一次训练时使用的信息。

多AP参数联合推荐模块1005包括决策模块10051和参数寻优模块10052，其中，决策模块10051用于获取n个AP设备中每个AP设备对应的候选配置参数集合中每个候选配置参数的置信度。

决策模块10051主要采用了置信区间上限方法。与传统的上下文无关的多臂老虎机算法相比，使用上下文信息和历史计数分布的算法，如置信区间上限(upper confidencebound)方法，能对每个候选配置参数计算回报均值的置信区间(不确定度)，并以此来平衡探索(Exploration)和开发利用(Exploitation)。随着试验次数增加，置信区间变窄，置信区间上限算法选择上限最大的候选配置参数。在本实验方案中，第i个候选配置参数的置信区间计算公式为：

其中N是所有候选配置参数选择次数，n_i是第i个候选配置参数被选过的次数。C为常数。在进行参数推荐时，当某个候选配置参数在当前的模型输出一个较差的反馈但是历史选择过程中被选中的概率较小时，模型会赋予该候选配置参数更高的权重，以使该候选配置参数被选中的概率增加，从而达到探索的效果。如果某个候选配置参数输出一个较差的反馈且在历史推荐中被选中多次，模型会赋予该候选配置参数更高的权重，以使该候选配置参数被选中的概率增加，也可以达到开发和利用该参数的效果。

参数寻优模块10052，用于计算n个AP设备中每个AP设备的对应的候选配置参数集合中每个候选配置参数的增益值；基于AP设备的候选配置参数的增益值和置信度获取该AP设备的推荐配置参数，在进行t次迭代计算后，可得到t个由n个AP设备的推荐配置参数构成的推荐配置参数组，从t个推荐配置参数组中获取目标配置参数组，该目标配置参数组中包括n个AP设备中每个AP设备的目标配置参数；将每个AP设备的目标配置参数发送至中央控制平台，该中央控制平台分别向n个AP设备发送配置指令，配置指令用于指示AP设备将参数配置为该配置指令中携带的目标配置参数。

在线寻优控制模块1004主要负责协调图卷积模型构建模块1003和多AP参数联合推荐模块1005。在线寻优控制模块1004中常驻多进程实例，例如某个进程负责统计历史数据的累计，并每隔一段时间发起更新请求对图卷积模型进行增量式的更新；某个进程负责调用最新的图卷积模型，并将新的图卷积模型的参数传递给参数联合推荐模块进行参数寻优。在线寻优控制模块1004通过调度进程，从而实现对图卷积模型构建模块1003和多AP参数联合推荐模块1005的控制。

在此需要说明的是，本实施例的参数配置装置中的各模块的具体实现过程可参见图4所示实施例的具体相关描述，在此不再叙述。

如图12所示参数配置装置1200可以以图12中的结构来实现，该参数配置装置1200包括至少一个处理器1201，至少一个存储器1202以及至少一个通信接口1203。所述处理器1201、所述存储器1202和所述通信接口1203通过所述通信总线连接并完成相互间的通信。

处理器1201可以是通用中央处理器(CPU)，微处理器，特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制以上方案程序执行的集成电路。

通信接口1203，用于与其他设备或通信网络通信，如以太网，无线接入网(RAN)，无线局域网(Wireless Local Area Networks，WLAN)等。

存储器1202可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。

其中，所述存储器1202用于存储执行以上方案的应用程序代码，并由处理器1201来控制执行。所述处理器1201用于执行所述存储器1202中存储的应用程序代码。

存储器1202存储的代码可执行以上提供的网络参数配置方法，包括：

获取n个AP设备的运行状态信息、候选配置参数集合及候选配置参数集合中每个候选配置参数的置信度；n为大于0的整数；根据n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从候选配置参数集合中确定出n个AP设备中每个AP设备的目标配置参数。

本发明实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种网络参数配置方法的部分或全部步骤。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。

以上对本发明实施例进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上上述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种网络参数配置方法，其特征在于，包括：

获取n个接入点AP设备的运行状态信息、候选配置参数集合及所述候选配置参数集合中每个候选配置参数的置信度；所述n为大于0的整数；

根据所述n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从所述候选配置参数集合中确定出所述n个AP设备中每个AP设备的目标配置参数；其中，所述候选配置参数的增益值是在AP设备的配置参数为该候选配置参数时该AP设备的接收的信号强度指示RSSI的预测值。

2.根据权利要求1所述的方法，其特征在于，所述n个AP设备的运行状态信息包括所述n个AP设备的拓扑结构、所述n个AP设备中每个AP设备的历史状态信息和历史配置参数，所述根据所述n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从所述候选配置参数集合中确定出所述n个AP设备中每个AP设备的目标配置参数，包括：

根据所述n个AP设备的拓扑结构、所述n个AP设备中每个AP设备的历史状态信息、历史配置参数和候选配置参数集合进行t次迭代计算，以得到t个推荐配置参数组，所述t个推荐配置参数组中的每个推荐配置参数组中包括n个推荐配置参数，所述n个推荐配置参数与所述n个AP设备一一对应，所述t为大于0的整数；

从所述t个推荐配置参数组中获取目标配置参数组，所述目标配置参数组中包括所述每个AP设备的目标配置参数。

3.根据权利要求2所述的方法，其特征在于，所述候选配置参数集合中包括m个候选配置参数，所述m为大于0的整数，所述根据所述n个AP设备的拓扑结构、所述n个AP设备中的每个AP设备的历史状态信息、历史配置参数和候选配置参数集合进行t次迭代计算，以得到t个推荐配置参数组，包括：

S1：在进行第k次迭代计算时，将所述n个AP设备均标记为未推荐AP设备，所述k＝1,2,…,t；

S2：从所述未推荐的AP设备中任选一个AP设备j，根据所述n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及所述AP设备j的候选配置参数集合获取AP设备j的增益集合，

其中，所述AP设备j的增益集合包括m个增益值，所述m个增益值与所述AP设备j的候选配置参数集合中m个候选配置参数一一对应；所述n-1个AP设备为所述n个AP设备中除了AP设备j之外的AP设备；

S3：根据所述每个候选配置参数对应的增益值与置信度获取该候选配置参数的推荐值，将最大推荐值对应的候选配置参数确定为AP设备j的推荐配置参数

并将所述AP设备j标记为推荐AP设备；

S4：重复执行所述S2和S3，直至所述n个AP设备均被标记为推荐AP设备，获取所述t个推荐配置参数组中的第k个推荐配置参数组，所述第k个推荐配置参数组包括AP设备j的推荐配置参数

其中，当k＝1时，所述n-1个AP设备中任一AP设备s的第一配置参数为所述AP设备s的历史配置参数；当所述k大于1且不大于t时，所述AP设备s的第一配置参数为在进行第k-1次迭代计算得到的所述AP设备s的推荐配置参数

4.根据权利要求3所述的方法，其特征在于，所述根据所述n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及所述AP设备j的候选配置参数集合获取AP设备j的增益集合，包括：

将所述n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及所述AP设备j的候选配置参数集合中的第i个候选配置参数输入到图卷积模型中进行计算，以得到所述AP设备j的增益集合中的第i个增益值；

其中，所述i＝1,2,…,m。

5.根据权利要求4所述的方法，其特征在于，所述图卷积模型包括表征模型和预测模型，所述表征模型是由图注意力网络构成的，所述将所述n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及所述AP设备j的候选配置参数集合中的第i个候选配置参数输入到图卷积模型中进行计算，以得到所述AP设备j的增益集合中的第i个增益值，包括：

将所述n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及所述AP设备j的候选配置参数集合中的第i个候选配置参数输入到所述表征模型中进行计算，以得到所述AP设备j的特征向量；

将所述AP设备j的特征向量输入到所述预测模型中进行计算，以得到所述AP设备j的增益值。

6.根据权利要求2-5任一项所述的方法，其特征在于，所述从所述t个推荐配置参数组中获取目标配置参数组，包括：

从所述t个推荐配置参数组中获取n个参考参数集合，所述n个参考参数集合中的第g个参考参数集合中的元素为在所述t个推荐配置参数组中所述n个AP设备中第g个AP设备的推荐配置参数，其中，所述g＝1,2,…,n；

将所述第g个参考参数集合中出现频率最多的推荐配置参数确定为所述第g个AP设备的目标配置参数；所述目标配置参数组包括所述第g个AP设备的目标配置参数。

7.根据权利要求4或5所述的方法，其特征在于，在所述获取n个接入点AP设备的运行状态信息、候选配置参数集合及所述候选配置参数集合中每个候选配置参数的置信度之前，所述方法还包括：

根据所述n个AP设备中每个AP设备的历史状态信息、历史配置参数及所述n个AP设备的拓扑结构训练得到所述图卷积模型；

或者从其他训练设备中获取所述图卷积模型。

8.一种参数配置装置，其特征在于，包括：

获取单元，用于获取n个接入点AP设备的运行状态信息、候选配置参数集合及所述候选配置参数集合中每个候选配置参数的置信度；所述n为大于0的整数；

确定单元，用于根据所述n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从所述候选配置参数集合中确定出所述n个AP设备中每个AP设备的目标配置参数，其中，所述候选配置参数的增益值是在AP设备的配置参数为该候选配置参数时该AP设备的接收的信号强度指示RSSI的预测值。

9.根据权利要求8所述的装置，其特征在于，所述n个AP设备的运行状态信息包括所述n个AP设备的拓扑结构，所述n个AP设备中每个AP设备的历史状态信息和历史配置参数，所述确定单元具体用于：

从所述t个推荐配置参数组中获取目标推荐配置参数组，所述目标推荐配置参数组中包括所述每个AP设备的目标配置参数。

10.根据权利要求9所述的装置，其特征在于，所述候选配置参数集合中包括m个候选配置参数，所述m为大于0的整数，在所述根据所述n个AP设备的拓扑结构、所述n个AP设备中每个AP设备的历史状态信息、历史配置参数和候选配置参数集合进行t次迭代计算，以得到t个推荐配置参数组的方面，所述确定单元具体用于：

并将所述AP设备j标记为推荐AP设备；

11.根据权利要求10所述的装置，其特征在于，在所述根据所述n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及所述AP设备j的候选配置参数集合获取AP设备j的增益集合的方面，所述确定单元具体用于：

其中，所述i＝1,2,…,m。

12.根据权利要求11所述的装置，其特征在于，所述图卷积模型包括表征模型和预测模型，所述表征模型是由图注意力网络构成的，在所述将所述n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及所述AP设备j的候选配置参数集合中的第i个候选配置参数输入到图卷积模型中进行计算，以得到所述AP设备j的增益集合中的第i个增益值的方面，所述确定单元具体用于：

13.根据权利要求9-12任一项所述的装置，其特征在于，在所述从所述t个推荐配置参数组中获取目标配置参数组的方面，所述获取单元具体用于：

14.根据权利要求11或12所述的装置，其特征在于，所述参数配置装置还包括：训练单元；

所述训练单元，用于所述获取n个接入点AP设备的运行状态信息、候选配置参数集合及所述候选配置参数集合中每个候选配置参数的置信度之前，根据所述n个AP设备中每个AP设备的历史状态信息、历史配置参数及所述n个AP设备的拓扑结构训练得到所述图卷积模型；

或者，所述获取单元，还用于所述获取n个接入点AP设备的运行状态信息、候选配置参数集合及所述候选配置参数集合中每个候选配置参数的置信度之前，从其他训练设备中获取所述图卷积模型。

15.一种计算机可读存储介质，其特征在于，该计算机可读存储介质存储用于设备执行的程序代码，该程序代码被设备执行时实现权利要求1-7任一项所述的方法。