CN112954732A - 网络负载均衡方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种网络负载均衡方法、装置、设备及存储介质。其中，该方法包括：获取扇区的测量报告数据；基于所述扇区中每个小区的带宽对所述测量报告数据进行特征提取，得到所述扇区的用户分布的特征值；根据所述特征值和目标关联参数，确定出负载均衡的配置参数。本发明实施例可以根据扇区的用户分布的情况，自适应调整扇区内各小区间负载均衡的配置参数，利于改善扇区的网络性能。

Description

网络负载均衡方法、装置、设备及存储介质

技术领域

本发明涉及无线通信领域，尤其涉及一种网络负载均衡方法、装置、设备及存储介质。

背景技术

相关技术中，对于多频多模网络进行负荷优化，往往以网络优化工程师(又称为网优工程师)的经验为准绳，对参数进行配置。当网络出现负荷不均衡的情况时，通过人工经验进行参数的调整以改变网络负荷状况。网络负荷优化的效率和效果高度依赖于网优工程师的经验，需要耗费大量的人力资源；且配置参数的可移植性较差，难以满足不同站点的配置需求。

发明内容

有鉴于此，本发明实施例提供了一种网络负载均衡方法、装置、设备及存储介质，旨在优化网络的负荷分布，提升网络性能。

本发明实施例的技术方案是这样实现的：

本发明实施例提供了一种网络负载均衡方法，包括：

获取扇区的测量报告数据；

基于所述扇区中每个小区的带宽对所述测量报告数据进行特征提取，得到所述扇区的用户分布的特征值；

根据所述特征值和目标关联参数，确定出负载均衡的配置参数；

其中，所述目标关联参数为根据所述扇区的关系模型确定的，所述关系模型是基于所述扇区的网络性能评价数据与关联参数生成的，所述关联参数表征所述扇区的用户分布与配置参数间的关系。

本发明实施例还提供了一种网络负载均衡装置，包括：

获取模块，用于获取扇区的测量报告数据；

特征提取模块，用于基于所述扇区中每个小区的带宽对所述测量报告数据进行特征提取，得到所述扇区的用户分布的特征值；

配置模块，用于根据所述特征值和目标关联参数，确定出负载均衡的配置参数；

其中，所述目标关联参数为根据所述扇区的关系模型确定的，所述关系模型是基于所述扇区的网络性能评价数据与关联参数生成的，所述关联参数表征所述扇区的用户分布与配置参数间的关系。

本发明实施例又提供了一种网络负载均衡设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，所述处理器，用于运行计算机程序时，执行本发明任一实施例所述方法的步骤。

本发明实施例还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现本发明任一实施例所述方法的步骤。

本发明实施例提供的技术方案，通过获取扇区的测量报告数据，基于所述测量报告数据得到所述扇区的用户分布的特征值；根据所述特征值和目标关联参数，确定出负载均衡的配置参数，可以根据扇区的用户分布的情况，自适应调整扇区内各小区间负载均衡的配置参数，利于改善扇区的网络性能。

附图说明

图1为本发明一实施例中基站的扇区及小区的分布示意图；

图2为本发明实施例网络负载均衡方法的流程示意图；

图3为本发明一实施例中扇区内负载均衡的配置参数的原理示意图；

图4为本发明一实施例中扇区中各频点的带宽分布示意图；

图5为本发明一实施例中各频点的用户分布的电平值的分布示意图；

图6为本发明一实施例中生成关系模型的流程示意图；

图7为本发明一实施例中关系模型训练的原理示意图；

图8为本发明应用实施例网络负载均衡方法的流程示意图；

图9为本发明实施例网络负载均衡装置的结构示意图；

图10为本发明实施例网络负载均衡设备的结构示意图。

具体实施方式

下面结合附图及实施例对本发明再作进一步详细的描述。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。

随着无线流量卡的大规模应用，LTE(Long Term Evolution，长期演进)业务流量激增。为满足业务量上涨需求，TD-LTE(分时长期演进)网络增加了F频点、D频点小区，并增加FDD 900和FDD 1800小区，使得同一扇区同时被多个不同频点的小区覆盖，形成了复杂的多频多模网络。多频多模网络共覆盖场景复杂多样，如图1所示，基站上设置三副定向天线，形成三个扇区，分别为扇区A、B、C。以扇区A为例，同覆盖下的小区最多可达7个，比如，如图1所示的：D1、D2、D3、FDD1800、F1、F2、FDD 900。

各频点的覆盖特点如下：

FDD 900频段覆盖效果最好，优先级最低，城区深度覆盖层/郊区广覆盖；

F频段覆盖次之，用于基础覆盖，以及小区边缘业务；

D频段覆盖能力较差，用于近点/热点话务吸收；

E频段作为最高优先级，达到室分站点流量吸收最优的效果；

FDD1800承担热点均衡效果，与TDD2.6G的D频段共同承担容量层。

相关技术中，对于多频多模网络进行负荷优化，往往以网优工程师的经验为准绳，需要耗费大量的人力资源；且配置参数的可移植性较差，难以满足不同站点的配置需求。

基于此，在本发明的各种实施例中，基于扇区内不同频点的用户分布，为不同小区不同用户分布时段生成符合用户分布特点的负荷优化方案，利于改善网络性能。

本发明实施例提供了一种网络负载均衡方法，如图2所示，该方法包括：

步骤201，获取扇区的测量报告数据；

这里，所述扇区包括至少两个对应不同频点的小区。可以获取一个或者多个扇区的测量报告(MR)数据，以对一个扇区进行网络负载均衡或者同时对多个扇区进行网络负载均衡。

实际应用时，可以基于设定的时间粒度(比如，一小时)获取扇区内各小区的MR数据，并将同一扇区的各小区的MR数据基于频点折算得到该扇区的MR数据。

步骤202，基于所述扇区中每个小区的带宽对所述测量报告数据进行特征提取，得到所述扇区的用户分布的特征值；

这里，用户分布的特征值可以为电平值，可以基于所述扇区中每个小区的带宽确定各小区在总带宽中对应的占比；对所述测量报告数据基于所述占比进行分割，得到划分所述扇区的不同频点的用户分布的电平值。

步骤203，根据所述特征值和目标关联参数，确定出负载均衡的配置参数。

这里，所述目标关联参数为根据所述扇区的关系模型确定的，所述关系模型是基于所述扇区的网络性能评价数据与关联参数生成的，所述关联参数表征所述扇区的用户分布与配置参数间的关系。

实际应用时，扇区的用户分布与配置参数之间关系存在潜在关联，可以根据扇区内不同频点的用户分布的电平值和对应的配置参数确定表征该关系的关联参数。根据不同时段的关联参数、对应的网络性能评价数据，对初始模型进行训练得到所述关系模型。

这里，配置参数包括以下至少之一：小区重选参数、小区切换参数。

如图3所示，在一实施例中，配置参数为X(X1，X2，…X6)矩阵。定义FDD 900与F1之间的异频频点高优先级重选门限为X1，则对于FDD 900与F1之间的重选而言，若实时参数高于X1，则被重选到F1小区。定义FDD 900与D2之间的异频频点高优先级重选门限为X2，则对于FDD 900与D2之间的重选而言，若实时参数高于X2，则被重选到D2小区。定义FDD 900与D1之间的异频频点高优先级重选门限为X3，则对于FDD 900与D1之间的重选而言，若实时参数高于X3，则被重选到D1小区。定义F1与D2之间的异频频点高优先级重选门限为X4，则对于F1与D2之间的重选而言，若实时参数高于X4，则被重选到D2小区。定义F1与D1之间的异频频点高优先级重选门限为X5，则对于F1与D1之间的重选而言，若实时参数高于X5，则被重选到D1小区。定义D2与D1之间的异频频点高优先级重选门限为X6，则对于D2与D1之间的重选而言，若实时参数高于X6，则被重选到D1小区。

在一实施例中，扇区中每个小区的带宽分布如图4所示，该扇区下共覆盖4个频点：FDD900、F1、D2、D1，4个频点的占比为：5:20:20:20＝7.69％:30.77％:30.77％:30.77％。基于上述占比可以得到各频点对应的累积比例，根据该累积比例划分扇区的MR数据的分布，得到不同频点的用户分布的电平值M(m1，m2，m3)矩阵，如图5所示。图5中，横轴代表参考信号接收功率(RSRP)信号强度区间，纵轴代表MR数据数量，m1为MR数据累积比例占总体7.69％的横坐标位置：m1＝-106dB，即在区间[-115,-106]的MR数量之和占整体的7.69％。类似的计算出m2、m3，得到用户分布的电平值M矩阵。

在一实施例中，为分析电平值M与配置参数X的对应关系，以电平值M与配置参数X的关系值作为关联参数，定义与计算关联参数。

关联参数可以由差值、函数关系等得到，可表示为：关联参数ΔX＝f(M,X)。这里以差值为例进行详细说明：关联参数用ΔX(Δx1，Δx2，Δx3...)表示，其为X与M的对应差值：

假定根据关联参数ΔX和扇区的网络性能评价数据Y训练模型确定的关系模型为Y＝g(ΔX)，则可以根据获取的扇区的MR数据得到的当前的不同频点的用户分布的特征值和关系模型对应的目标关联参数，确定出负载均衡的配置参数。

具体地，根据所述扇区的关系模型的目标关联参数和所述特征值对所述扇区的关联参数计算模型(即生成关联参数的函数)进行反向计算，得到配置参数。其中，所述关联参数计算模型用于确定用户分布与相应配置参数间关系的关联参数。例如，针对新获取的扇区的MR数据，提取其用户分布的特征值，如：按照所述扇区中每个小区的带宽确定各小区在总带宽中对应的占比，计算MR数据分割比例对应电平值M，然后再对关联参数计算模型:关联参数ΔX＝f(M,X)反向计算，得到配置参数X：

X＝f^-1(M,目标关联参数)

得到配置参数X，并输出配置参数X。由于配置参数X随MR数据变化而变化，即小时级的MR数据可对应生成小时级的优化配置方案，分钟级的MR数据可对应生成分钟级的优化配置方案。需要说明的是，配置参数的时间粒度与MR数据的时间粒度保持一致，根据MR数据的变化生成其自适应的配置方案。

实际应用时，需要根据扇区的历史时段对应的数据训练得到关系模型，如图6所示，包括：

步骤601，获取所述扇区多个历史时段的历史测量报告数据、历史配置参数和历史网络性能评价数据；

这里，可以从离线数据中获取多个基于设定的时间粒度的MR数据、相应的配置数据和相应的网络性能评价数据，其中，网络性能可以包括以下至少之一：小区RRC(无线资源控制)最大连接用户数、PUSCH(物理上行共享信道)利用率、PDSCH(物理下行共享信道)利用率、PDCCH(物理下行控制信道)CCE(控制信道单元)利用率、小区峰值利用率、上行业务量和下行业务量。

步骤602，基于所述历史测量报告数据确定各历史时段所述扇区的用户分布的特征值；

这里，对于各基于设定的时间粒度的MR数据，可以基于所述扇区中每个小区的带宽确定各小区在总带宽中对应的占比；对MR数据基于所述占比进行分割，得到划分所述扇区的不同频点的用户分布的电平值。

步骤603，基于所述各历史时段所述扇区的用户分布的特征值和所述历史配置参数中各历史时段的配置参数，确定各历史时段的用户分布与相应的配置参数间关系的关联参数；

这里，可以根据各历史时段的用户分布的电平值和相应的配置参数的差值得到关联参数。

步骤604，对所述各历史时段的用户分布与相应的配置参数间关系的关联参数和所述历史网络性能评价数据中各历史时段的网络性能评价数据，基于机器学习进行训练，得到所述关系模型。

这里，基于机器学习算法挖掘关联参数与网络性能评价数据之间的关系，从而得到关系模型。具体地，挖掘上述各历史时段的关联值与网络性能评价数据之间的关系，将这些数据作为初始模型的训练数据，得到关系模型。

在一实施例中，可以使用深度神经网络(DNN)算法模型学习回归问题的内在关系，使用训练数据训练神经网络模型，如图7所示，得到关系模型Y＝f(ΔX)。其中，

m为训练数据的组数，n为ΔX矩阵对应的元素数量，k为Y矩阵对应的元素数量。

在一实施例中，可以基于MSE(Mean Squared Error，均方误差)判断模型训练的结束条件，MSE是指参数估计值与参数真值之差平方的期望值；MSE可以评价数据的变化程度，MSE的值越小，说明模型描述的数据具有更好的精确度，确定神经网络模型的精确度满足设定要求或者训练次数达到设定数量时，得到最终的关系模型。

在一实施例中，针对训练好的关系模型，基于搜索算法确定出所述关系模型输出的网络性能评价数据达到最优时的关联参数，将所述网络性能评价数据达到最优时的关联参数作为所述目标关联参数。搜索算法是利用计算机的高性能来有目的的穷举一个问题解空间的部分或所有的可能情况，从而求出问题的解的一种方法。该搜索算法包括：枚举算法、深度优先搜索、广度优先搜索、A*算法、回溯算法、蒙特卡洛树搜索、散列函数等算法。通过搜索算法，可以快速确定出网络性能达到最优时的关联参数，将该关联参数作为关系模型的目标关联参数。

在一实施例中，基于遗传算法确定出所述关系模型输出的网络性能评价数据达到最优时的关联参数。可以进一步提高确定目标关联参数的效率。

为了使得关系模型及对应的目标关联参数与最近的网络状态匹配，进而满足网络负载均衡的精确配置需求，在一实施例中，所述方法还包括：更新所述关系模型和所述目标关联参数。

实际应用时，关联参数与网络性能评价数据之间的关系训练可设定更新周期，最佳关联值的更新也可有一定的更新周期，如：一个月更新一次关联值与网络性能评价数据的关系模型，相应的产生一组对应的最佳关联值。

下面结合应用实施例对本发明再作进一步详细的描述。

如图8所示，本应用实施例中，网络负载均衡方法包括：离线数据挖掘和在线配置建议输出。其中，离线数据挖掘对应前述的根据扇区的历史时段对应的数据训练得到关系模型和确定关系的模型的目标关联参数(又称为最佳关联参数)。对于在线配置建议输出，首先，获取扇区的MR数据，量化分析各小区的用户分布特点，将用户分布的电平值与目标关联值基于关联参数计算模型进行反向计算，得到负载均衡的配置参数，输出配置参数，实现为不同小区不同用户分布特点生成自适应的负荷优化配置方案。

为了实现本发明实施例的方法，本发明实施例还提供一种网络负载均衡装置，如图9所示，该装置包括：获取模块901、特征提取模块902和配置模块903，其中，

获取模块901，用于获取扇区的测量报告数据；

特征提取模块902，用于基于所述扇区中每个小区的带宽对所述测量报告数据进行特征提取，得到所述扇区的用户分布的特征值；

配置模块903，用于根据所述特征值和目标关联参数，确定出负载均衡的配置参数。

这里，所述目标关联参数为根据所述扇区的关系模型确定的，所述关系模型是基于所述扇区的网络性能评价数据与关联参数生成的，所述关联参数表征所述扇区的用户分布与配置参数间的关系。

在一实施例中，所述装置还包括：关系模型生成模块904，关系模型生成模块904用于：

获取所述扇区多个历史时段的历史测量报告数据、历史配置参数和历史网络性能评价数据；

基于所述历史测量报告数据确定各历史时段所述扇区的用户分布的特征值；

基于所述各历史时段所述扇区的用户分布的特征值和所述历史配置参数中各历史时段的配置参数，确定各历史时段的用户分布与相应的配置参数间关系的关联参数；

对所述各历史时段的用户分布与相应的配置参数间关系的关联参数和所述历史网络性能评价数据中各历史时段的网络性能评价数据，基于机器学习进行训练，得到所述关系模型。

在一实施例中，所述装置还包括：搜索模块905，搜索模块905用于：

基于搜索算法确定出所述关系模型输出的网络性能评价数据达到最优时的关联参数，将所述网络性能评价数据达到最优时的关联参数作为所述目标关联参数。

在一实施例中，搜索模块905基于遗传算法确定出所述关系模型输出的网络性能评价数据达到最优时的关联参数。

在一实施例中，所述装置还包括：更新模块906，更新模块906用于：

更新所述关系模型和所述目标关联参数。

在一实施例中，特征提取模块902具体用于：

基于所述扇区中每个小区的带宽确定各小区在总带宽中对应的占比；

对所述测量报告数据基于所述占比进行分割，得到划分所述扇区的不同频点的用户分布的电平值。

在一实施例中，配置模块903具体用于：

根据所述扇区的关系模型的目标关联参数和所述特征值对所述扇区的关联参数计算模型进行反向计算，得到配置参数；其中，所述关联参数计算模型用于确定用户分布与相应配置参数间关系的关联参数，所述配置参数包括以下至少之一：小区重选参数、小区切换参数。

实际应用时，获取模块901、特征提取模块902、配置模块903、关系模型生成模块904、搜索模块905及更新模块906，可以由网络负载均衡装置中的处理器来实现。当然，处理器需要运行存储器中的计算机程序来实现它的功能。

需要说明的是：上述实施例提供的网络负载均衡装置在进行网络负载均衡时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的网络负载均衡装置与网络负载均衡方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供一种网络负载均衡设备。图10仅仅示出了该网络负载均衡设备的示例性结构而非全部结构，根据需要可以实施图10示出的部分结构或全部结构。

如图10所示，本发明实施例提供的网络负载均衡设备1000包括：至少一个处理器1001、存储器1002和至少一个网络接口1003。网络负载均衡设备1000中的各个组件通过总线系统1004耦合在一起。可以理解，总线系统1004用于实现这些组件之间的连接通信。总线系统1004除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图10中将各种总线都标为总线系统1004。

本发明实施例中的存储器1002用于存储各种类型的数据以支持网络负载均衡设备的操作。这些数据的示例包括：用于在网络负载均衡设备上操作的任何计算机程序。

本发明实施例揭示的网络负载均衡方法可以应用于处理器1001中，或者由处理器1001实现。处理器1001可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，网络负载均衡方法的各步骤可以通过处理器1001中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1001可以是通用处理器、数字信号处理器(DSP，Digital SignalProcessor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器1001可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器1002，处理器1001读取存储器1002中的信息，结合其硬件完成本发明实施例提供的网络负载均衡方法的步骤。

在示例性实施例中，网络负载均衡设备可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、FPGA、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。

可以理解，存储器1002可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read OnlyMemory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体可以是计算机可读存储介质，例如包括存储计算机程序的存储器1002，上述计算机程序可由网络负载均衡设备的处理器1001执行，以完成本发明实施例方法所述的步骤。计算机可读存储介质可以是ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。

需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

另外，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种网络负载均衡方法，其特征在于，包括：

获取扇区的测量报告数据；

基于所述扇区中每个小区的带宽对所述测量报告数据进行特征提取，得到所述扇区的用户分布的特征值；

根据所述特征值和目标关联参数，确定出负载均衡的配置参数；

其中，所述目标关联参数为根据所述扇区的关系模型确定的，所述关系模型是基于所述扇区的网络性能评价数据与关联参数生成的，所述关联参数表征所述扇区的用户分布与配置参数间的关系。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取所述扇区多个历史时段的历史测量报告数据、历史配置参数和历史网络性能评价数据；

基于所述历史测量报告数据确定各历史时段所述扇区的用户分布的特征值；

基于所述各历史时段所述扇区的用户分布的特征值和所述历史配置参数中各历史时段的配置参数，确定各历史时段的用户分布与相应的配置参数间关系的关联参数；

对所述各历史时段的用户分布与相应的配置参数间关系的关联参数和所述历史网络性能评价数据中各历史时段的网络性能评价数据，基于机器学习进行训练，得到所述关系模型。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

基于搜索算法确定出所述关系模型输出的网络性能评价数据达到最优时的关联参数，将所述网络性能评价数据达到最优时的关联参数作为所述目标关联参数。

4.根据权利要求3所述的方法，其特征在于，所述基于搜索算法确定出所述关系模型输出的网络性能评价数据达到最优时的关联参数，包括：

基于遗传算法确定出所述关系模型输出的网络性能评价数据达到最优时的关联参数。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

更新所述关系模型和所述目标关联参数。

6.根据权利要求1所述的方法，其特征在于，所述基于所述扇区中每个小区的带宽对所述测量报告数据进行特征提取，得到所述扇区的用户分布的特征值，包括：

基于所述扇区中每个小区的带宽确定各小区在总带宽中对应的占比；

对所述测量报告数据基于所述占比进行分割，得到划分所述扇区的不同频点的用户分布的电平值。

7.根据权利要求1所述的方法，其特征在于，所述根据所述特征值和所述扇区的关系模型对应的目标关联参数，确定出所述扇区当前时段负载均衡的配置参数，包括：

根据所述扇区的关系模型对应的目标关联参数和所述特征值对所述扇区的关联参数计算模型进行反向计算，得到配置参数；其中，所述关联参数计算模型用于确定用户分布与相应配置参数间关系的关联参数，所述配置参数包括以下至少之一：小区重选参数、小区切换参数。

8.一种网络负载均衡装置，其特征在于，包括：

获取模块，用于获取扇区的测量报告数据；

特征提取模块，用于基于所述扇区中每个小区的带宽对所述测量报告数据进行特征提取，得到所述扇区的用户分布的特征值；

配置模块，用于根据所述特征值和目标关联参数，确定出负载均衡的配置参数；

其中，所述目标关联参数为根据所述扇区的关系模型确定的，所述关系模型是基于所述扇区的网络性能评价数据与关联参数生成的，所述关联参数表征所述扇区的用户分布与配置参数间的关系。

9.一种网络负载均衡设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中，

所述处理器，用于运行计算机程序时，执行权利要求1至7任一项所述方法的步骤。

10.一种存储介质，所述存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7任一项所述方法的步骤。

Images