CN113255953B - Rru欠压风险预测方法、装置、系统、设备及介质 - Google Patents
Rru欠压风险预测方法、装置、系统、设备及介质 Download PDFInfo
- Publication number
- CN113255953B CN113255953B CN202011357361.3A CN202011357361A CN113255953B CN 113255953 B CN113255953 B CN 113255953B CN 202011357361 A CN202011357361 A CN 202011357361A CN 113255953 B CN113255953 B CN 113255953B
- Authority
- CN
- China
- Prior art keywords
- local
- node
- rru
- model
- local node
- 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 53
- 230000006870 function Effects 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施方式涉及通信技术领域,公开了一种RRU欠压风险预测方法,包括:获取目标RRU的设备参数;将所述目标RRU的设备参数输入至预测模型,其中,所述预测模型为由一个公共节点和若干个局部节点通过联邦学习得到的模型,所述公共节点连接每一所述局部节点,每一所述局部节点包括若干个RRU;利用所述预测模型预测所述目标RRU的欠压风险。本发明实施方式还公开了一种RRU欠压风险预测装置、系统、设备及介质。本发明实施方式提供的RRU欠压风险预测方法、装置、系统、设备及介质,可以减少RRU欠压发生的概率。
Description
技术领域
本申请实施例涉及通信技术领域,特别涉及一种RRU欠压风险预测方法、装置、系统、设备及介质。
背景技术
RRU(Remote Radio Unit,射频拉远单元)的技术特点是将基站分成近端机即无线基带控制(Radio Server)和远端机即射频拉远(RRU)两部分,二者之间通过光纤连接;由于RS可以安装在合适的机房位置,RRU安装在天线端,因此可以将以前的基站分为RS与RRU两个分离部分,从而可以将烦琐的维护工作简化到RS端;另外,一个RS可以连接几个RRU,既可以节省空间,降低设置成本,又可以提高组网效率。
由于RRU的整流模块容量过低、电源线线长或线径不符合规范等原因,导致在外场经常会出现RRU满功率欠压或扩容欠压的情况,而RRU欠压会导致RRU功能出现波动或者异常,使RRU功能无法得到正常的发挥。
虽然目前在RRU欠压的情况下一般都会进行欠压告警,但是,欠压告警的方式并不能减少RRU发生欠压的概率。
发明内容
本申请实施例的主要目的在于提出一种RRU欠压风险预测方法、装置、系统、设备及介质,可以减少RRU欠压发生的概率。
为实现上述目的,本申请实施例提供了一种RRU欠压风险预测方法,包括:获取目标RRU的设备参数;将目标RRU的设备参数输入至预测模型,其中,预测模型为由一个公共节点和若干个局部节点通过联邦学习得到的模型,公共节点连接每一局部节点,每一局部节点包括若干个RRU;利用预测模型预测目标RRU的欠压风险。
为实现上述目的,本申请实施例还提供了一种RRU欠压风险预测装置,包括:获取模块,用于获取目标RRU的设备参数;输入模块,用于将目标RRU的设备参数输入至预测模型,预测模型为由一个公共节点和若干个局部节点通过联邦学习得到的模型,每一局部节点包括若干个RRU;预测模块,用于利用预测模型预测目标RRU的欠压风险。
为实现上述目的,本申请实施例还提供了一种RRU欠压风险预测系统,包括一个公共节点和若干个局部节点,公共节点和局部节点的初始的模型相同,每一局部节点包括若干个RRU;公共节点用于在局部节点的模型的损失函数收敛前,接收每一局部节点上报的模型参数,整合上报的模型参数并更新公共节点的模型的模型参数,将更新后的模型参数下发至每一局部节点;局部节点用于在损失函数收敛前,根据本局部节点RRU欠压的样本数据计算本局部节点的模型的模型参数,将计算得到的模型参数上报给公共节点,接收公共节点下发的模型参数,根据下发的模型参数更新本局部节点的模型;在损失函数收敛后,将本局部节点的模型作为预测模型,获取目标RRU的设备参数,将目标RRU的设备参数输入至预测模型,利用预测模型预测目标RRU的欠压风险。
为实现上述目的,本申请实施例还提供了一种电子设备,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述的RRU欠压风险预测方法。
为实现上述目的,本申请实施例还提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时实现上述的RRU欠压风险预测方法。
本申请提出的RRU欠压风险预测方法,通过获取目标RRU的设备参数,将目标RRU的设备参数输入至预测模型,预测模型为由一个公共节点和若干个局部节点通过联邦学习得到的模型,利用预测模型预测目标RRU的欠压风险。由于单一局部节点RRU欠压的样本数据通常有限,因此难以通过单一局部节点的样本数据训练出有效的预测模型来对RRU的欠压风险进行预测,而通过联邦学习的方法,则可以综合多个局部节点的样本数据来训练出有效的预测模型,从而可以对RRU的欠压风险进行有效预测;由于可以利用预测模型来预测RRU的欠压风险,因此可以使RRU的运维人员根据预测结果进行有效预防,从而减少RRU发生欠压的概率。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定。
图1是本发明第一实施方式提供的RRU欠压风险预测方法的流程示意图;
图2是本发明第一实施方式提供的RRU欠压风险预测方法的原理示例图;
图3是图2对应的流程示例图;
图4是本发明第一实施方式提供的RRU欠压风险预测方法的流程示例图;
图5是本发明第二实施方式提供的RRU欠压风险预测装置的模块结构示意图;
图6是本发明第三实施方式提供的RRU欠压风险预测系统的结构示意图;
图7是本发明第四实施方式提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图对本申请的各实施例进行详细的阐述。然而,本领域的普通技术人员可以理解,在本申请各实施例中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施例的种种变化和修改,也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便,不应对本申请的具体实现方式构成任何限定,各个实施例在不矛盾的前提下可以相互结合相互引用。
本发明第一实施方式涉及一种RRU欠压风险预测方法,通过获取目标RRU的设备参数,将目标RRU的设备参数输入至预测模型,其中,预测模型为由一个公共节点和若干个局部节点通过联邦学习得到的模型,公共节点连接每一局部节点,每一局部节点包括若干个RRU;利用预测模型预测目标RRU的欠压风险。由于单一局部节点RRU欠压的样本数据通常有限,因此难以通过单一局部节点的样本数据训练来有效的预测模型来对RRU的欠压风险进行预测,而通过联邦学习的方法,则可以综合多个局部节点的样本数据来训练出有效的预测模型,从而可以对RRU的欠压风险进行有效预测;由于可以利用预测模型预测RRU的欠压风险,因此可以使RRU的运维人员根据预测结果进行有效预防,从而减少RRU发生欠压的概率。
应当说明的是,本发明实施方式提供的RRU欠压风险预测方法的执行主体可以为某一局部节点,其中,该局部节点可以是参与联邦学习的局部节点,也可以是未参与联邦学习的局部节点;当该局部节点为未参考联邦学习的局部节点时,该局部节点可以从公共节点获取预测模型来对目标RRU的欠压风险进行预测。另外,之所以采用联邦学习的方法来对RRU欠压风险进行预测,除了单一局部节点RRU欠压的样本数据有限的原因之外,还有一个原因是近年来国际和国内分别相继出台了关于互联网信息安全和数据信息安全保护相关的法律法规,各个局部节点之间的数据无法直接互相共享使用;在各局部节点之间的数据无法直接共享使用的情况下,目标RRU为本局部节点中的RRU,即局部节点利用预测模型对本局部节点中的RRU的欠压风险进行预测。局部节点可以包括多个基站,每一基站包括若干个RRU。实际应用中,本发明实施方式提供的RRU欠压风险预测方法的执行主体也可以为基站。
本发明实施方式提供的RRU欠压风险预测方法的具体流程如图1所示,包括以下步骤:
S101:获取目标RRU的设备参数。
可选地,目标RRU的设备参数包括以下的任意一种或组合:整机功耗、整机输入电压、整机发射功率、RRU型号、RRU身份标识、载波最大可配置功率、载波实际发射功率、整流模块容量、线缆长度和线缆直径。
实际应用中,可以将局部节点包括的RRU形成一个列表,局部节点对RRU欠压风险进行预测时,可以根据RRU的列表逐一对RRU进行预测,在对某一个RRU进行预测时,获取该RRU的设备参数进行预测。
S102:将目标RRU的设备参数输入至预测模型,其中,预测模型为由一个公共节点和若干个局部节点通过联邦学习得到的模型,公共节点连接每一局部节点,每一局部节点包括若干个RRU。
可选地,公共节点和若干个局部节点采用横向联邦学习的方式,局部节点和公共节点的初始的模型相同,预测模型可以通过以下联邦学习过程得到:
每一所述局部节点根据本局部节点RRU欠压的样本数据计算本局部节点的模型的模型参数,将计算的模型参数上报给所述公共节点;
所述公共节点整合所述上报的模型参数以更新所述公共节点的模型的模型参数,并将更新后的模型参数下发给每一所述局部节点;
每一所述局部节点根据下发的所述模型参数更新本局部节点的模型;
重复执行以上过程,直至所述局部节点的模型的损失函数收敛;
根据所述公共节点的模型或所述局部节点的模型得到所述预测模型。
其中,局部节点与公共节点之间传递的模型参数可以包括梯度、损失函数等参数,可选地,模型参数为梯度值,即局部节点与公共节点之间仅传递梯度值即可。为了保护各局部节点的信息,局部节点可以将梯度值加密后再上报给公共节点,加密可以采用同态加密、差分隐私(Differential Privacy,DP)、RSA等方式进行加密。当然,由于梯度值的可知信息较少,为了降低公共节点与局部节点交互的复杂度,可以采用明文发送梯度值。
RRU欠压的样本数据可以包括RRU正常的样本或RRU欠压的样本。进一步地,RRU欠压的样本可以包括RRU满功率欠压的样本和RRU扩容欠压的样本,从而可以使预测模型输出更为细致的预测结果。RRU样本数据具体可以包括上述的RRU的设备参数和对应的RRU欠压的结果,从而可以使预测模型根据目标RRU的设备参数进行RRU欠压风险的预测。
实际应用中,可以采用开源的联邦学习框架进行联邦学习,例如FATE、TensorflowFederated或PaddleFL等框架。具体使用的机器学习算法可以是线性回归(LR)或深度神经网络(DNN),优选地,使用的机器学习算法为线性回归,即局部节点和公共节点的初始的模型为基于线性回归算法建立的模型。
为了使RRU欠压的样本数据更有代表性,联邦学习得到的预测模型的预测结果更加准确,可选地,可以设置参与联邦学习的局部节点的准入条件,具体可以是欠压告警占比达到预设阈值的局部节点,其中,欠压告警占比为局部节点中欠压告警的RRU数量占总的RRU数量的比例,预设阈值可以设置为20%、30%、40%等,具体可以根据实际需要进行设置一个较大的比例,使RRU欠压的样本数据更有代表性即可,此处不做具体限制。
公共节点具体可以是与各局部节点连接的北向服务器。优选地,公共节点为NWDAF(Network Data Analytics Function,网络数据分析功能)服务器,其中,NWDAF服务器为5G网络的新增功能,利用NWDAF服务器作为公共节点,由于NWDAF服务器相比北向服务器具有更高效的计算能力,更有利于数据的整合,因此可以使联邦学习的效率更高,得到的预测模型也更加准确。
请参考图2,其为本发明实施方式提供的RRU欠压风险预测方法的原理示例图,其对应的流程如图3所示,图2以两个局部节点为例:局部节点A和局部节点B,每一局部节点包括若干个基站,每一基站包括若干个RRU;局部节点A通过本局部节点的样本采集模块采集局部节点A的样本,局部节点B通过本局部节点的样本采集模块采集局部节点B的样本;局部节点A根据采集到的样本计算梯度值,并将计算得到的梯度A上传至公共节点,局部节点B根据采集到的样本计算梯度值,并将计算得到的梯度B上传至公共节点;公共节点对上传的梯度A和梯度B整合并重新计算梯度值,将重新计算得到的梯度值下发至局部节点A和局部节点B;局部节点A根据公共节点下发的梯度值更新本局部节点的模型A,局部节点B根据公共节点下发的梯度值更新本局部节点的模型B。
S103:利用预测模型预测目标RRU的欠压风险。
在RRU的样本数据包括RRU正常的样本、RRU满功率欠压的样本和RRU扩容欠压的样本时,欠压风险的预测结果可以包括正常、满功率欠压或扩容欠压。
在获得目标RRU的欠压风险的结果后,就可以根据RRU欠压风险的结果进行处理。例如,若目标RRU的欠压风险的结果为满功率欠压或扩容欠压时,则可以对目标RRU进行检查,根据检查的问题进行整改,从而防止RRU进行欠压的情况,以减少RRU欠压发生的概率。在检查时,可以对目标RRU的每一设备参数进行检查。由于RRU欠压大多是整流模块容量过低或电源线线长或线径不符合规范的原因导致的,因此在获得存在RRU欠压风险的结果后,可以重点对这些原因进行排查。
请参考图4,其为本发明实施方式提供的RRU欠压风险预测方法的流程示例图。具体地,局部节点获取目标RRU的设备参数,然后将目标RRU的设备参数输入本局部节点的预测模型中进行预测;局部节点利用预测模型对目标RRU进行预测后,获取预测模型输出的RRU欠压风险的预测结果;在RRU欠压风险的预测结果为存在风险时(如存在满功率欠压或扩容欠压的风险),则输出检查整流模块等设备参数是否符合规范的提示消息,例如将提示消息输出至RRU运维管理平台上,从而使RRU运维人员采取措施进行处理,减少RRU欠压实际的发生。
为了更清楚地说明以上过程,下面以几种场景为例来进一步说明。
场景一:
本场景描述的是某一局部节点的样本数量不足,难以训练出有效的预测模型来预测RRU欠压风险,通过与其它局部节点进行联邦学习,训练出有效的预测模型,达到扩充样本数量和训练出精确模型的目的。
本场景中,需要针对A局部节点中的RRU欠压风险进行预测,但是A局部节点的样本数量不足,因此需要通过联邦学习来训练出有效的预测模型。为了使样本更有代表性和训练得到的预测模型更加准确,将参与联邦学习的局部节点的准入条件为:欠压告警超过30%的局部节点,由于A局部节点有2000个RRU,欠压告警数量占比35%;B局部节点有3000个RRU,欠压告警数量占比30%;C局部节点有2400个RRU,欠压告警数量占比32%,因此选中A、B和C三个局部节点进行联邦学习。
具体步骤如下:
1、三个局部节点分别采集本局部节点的样本数据,其中,样本数据包括特征:整机功耗、整机输入电压、整机发射功率、RRU型号、线缆长度和直径等,对应的预期结果:正常、满功率欠压或扩容欠压。
2、分别在三个局部节点进行计算获得三个局部节点的梯度。
3、将三个梯度加密上传至北向服务器,通过北向服务器将三个局部节点的数据进行整合并重新计算梯度值,将重新计算得到的梯度值下发到三个局部节点。
4、A、B、C三个局部节点根据下发的梯度值更新各自的模型,并重复以上过程直至损失函数收敛,根据收敛后的模型得到预测模型。
5、将目标RRU的设备参数输入预测模型进行预测,运维工程师拿到预测结果后,对目标RRU的情况作出应对举措以避免RRU出现欠压的情况。
场景二:
本场景描述的是某一局部节点的样本数量充足但特征不足,难以训练出有效的预测模型来预测RRU欠压风险,通过与其它局部节点进行联邦学习,训练出有效的预测模型,达到弥补特征不足和训练出精确模型的目的。
本场景中,需要针对A局部节点中的RRU欠压风险进行预测,A局部节点包含20000个RRU,RRU欠压告警数量占比为40%,但是A局部节点因为工程实施的原因无法获取到样本的特征:线缆长度和线缆直径,因此A局部节点难以训练出有效的预测模型。为了使样本更有代表性和训练得到的预测模型更加准确,将参与联邦学习的局部节点的准入条件为:欠压告警超过30%的局部节点,由于局部节点B的样本包含了线缆长度和线缆直径两个特征,且B局部节点的RRU数量是5000个,RRU欠压告警数量占比为35%,因此选中A、B两个局部节点进行联邦学习。
具体步骤如下:
1、两个局部节点分别采集本局部节点的样本数据,其中,B局部节点特征包括整机功耗、整机输入电压、整机发射功率、RRU型号、线缆长度和直径等,A局部节点特征则包括除线缆长度和直径外的其它特征,两个局部节点的预期结果是一样的:正常、满功率欠压、扩容欠压。
2、分别在两个局部节点进行计算获得两个局部节点的梯度。
3、将两个梯度加密上传至北向服务器,通过北向服务器将两个局部节点的数据进行整合并重新计算梯度值,将重新计算得到的梯度值下发到各个计算节点。
4、A、B两个局部节点根据下发的梯度值更新各自的模型,并重复以上过程直至损失函数收敛,根据收敛后的模型得到预测模型。
5、将目标RRU的特征输入预测模型进行预测,运维工程师拿到预测结果后,对目标RRU的情况作出应对举措以避免RRU出现欠压的情况。
场景三:
本场景与场景一基本相同,区别在于使用NWDAF服务器作为公共节点。
本场景中,需要针对A局部节点中的RRU欠压风险进行预测,但是A局部节点的样本数量不足,因此需要通过联邦学习来训练出有效的预测模型。为了使样本更有代表性和训练得到的预测模型更加准确,将参与联邦学习的局部节点的准入条件为:欠压告警超过30%的局部节点,由于A局部节点有2000个RRU,欠压告警数量占比35%;B局部节点有3000个RRU,欠压告警数量占比30%;C局部节点有2400个RRU,欠压告警数量占比32%,因此选中A、B和C三个局部节点进行联邦学习。
具体步骤如下:
1、三个局部节点分别采集本局部节点的样本数据,其中,样本数据包括特征:整机功耗、整机输入电压、整机发射功率、RRU型号、线缆长度和直径等,对应的预期结果:正常、满功率欠压或扩容欠压。
2、分别在三个局部节点进行计算获得三个局部节点的梯度。
3、将三个梯度加密上传至NWDAF服务器,通过NWDAF服务器将三个局部节点的数据进行整合并重新计算梯度值,将重新计算得到的梯度值下发到三个局部节点。
4、A、B、C三个局部节点根据下发的梯度值更新各自的模型,并重复以上过程直至损失函数收敛,根据收敛后的模型得到预测模型。
5、将目标RRU的设备参数输入预测模型进行预测,运维工程师拿到预测结果后,对目标RRU的情况作出应对举措以避免RRU出现欠压的情况。
本发明实施方式提供的RRU欠压风险预测方法,通过获取目标RRU的设备参数,将目标RRU的设备参数输入至预测模型,预测模型为由一个公共节点和若干个局部节点通过联邦学习得到的模型,利用预测模型预测目标RRU的欠压风险。由于单一局部节点RRU欠压的样本数据通常有限,因此难以通过单一局部节点的样本数据训练出有效的预测模型来对RRU的欠压风险进行预测,而通过联邦学习的方法,则可以综合多个局部节点的样本数据来训练出有效的预测模型,从而可以对RRU的欠压风险进行有效预测;由于可以利用预测模型来预测RRU的欠压风险,因此可以使RRU的运维人员根据预测结果进行有效预防,从而减少RRU发生欠压的概率。
此外,本领域技术人员可以理解,上面各种方法的步骤划分,只是为了描述清楚,实现时可以合并为一个步骤或者对某些步骤进行拆分,分解为多个步骤,只要包括相同的逻辑关系,都在本专利的保护范围内;对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计,但不改变其算法和流程的核心设计都在该专利的保护范围内。
本发明第二实施方式涉及一种RRU欠压风险预测装置200,如图5所示,包括获取模块201、输入模块202和预测模块203,各模块功能详细说明如下:
获取模块201,用于获取目标RRU的设备参数;
输入模块202,用于将目标RRU的设备参数输入至预测模型,预测模型为由一个公共节点和若干个局部节点通过联邦学习得到的模型,每一局部节点包括若干个RRU;
预测模块203,用于利用预测模型预测目标RRU的欠压风险。
进一步地,局部节点和公共节点的初始的模型相同,预测模型通过以下联邦学习过程得到:
每一局部节点根据本局部节点RRU欠压的样本数据计算本局部节点的模型的模型参数,将计算的模型参数上报给公共节点;
公共节点整合上报的模型参数以更新公共节点的模型的模型参数,并将更新后的模型参数下发给每一局部节点;
每一局部节点根据下发的模型参数更新本局部节点的模型;
重复执行以上过程,直至局部节点的模型的损失函数收敛;
根据公共节点的模型或局部节点的模型得到预测模型。
进一步地,初始的模型为基于线性回归算法建立的模型。
进一步地,目标RRU的设备参数包括以下的任意一种或组合:整机功耗、整机输入电压、整机发射功率、RRU型号、载波最大可配置功率、载波实际发射功率、整流模块容量、线缆长度和线缆直径。
进一步地,欠压风险的结果包括正常、满功率欠压或扩容欠压。
进一步地,局部节点为欠压告警占比达到预设阈值的局部节点,欠压告警占比为局部节点中欠压告警的RRU数量占总的RRU数量的比例。
进一步地,公共节点为NWDAF服务器。
不难发现,本实施方式为与第一实施方式相对应的装置实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
值得一提的是,本实施方式中所涉及到的各模块均为逻辑模块,在实际应用中,一个逻辑单元可以是一个物理单元,也可以是一个物理单元的一部分,还可以以多个物理单元的组合实现。此外,为了突出本发明的创新部分,本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入,但这并不表明本实施方式中不存在其它的单元。
本发明第三实施方式涉及一种RRU欠压风险预测系统,如图6所示,包括一个公共节点301和若干个局部节点302,公共节点301和局部节点302的初始的模型相同,每一局部节点302包括若干个RRU;
公共节点301用于在局部节点302的模型的损失函数收敛前,接收每一局部节点302上报的模型参数,整合上报的模型参数并更新公共节点301的模型的模型参数,将更新后的模型参数下发至每一局部节点302;
局部节点302用于在损失函数收敛前,根据本局部节点RRU欠压的样本数据计算本局部节点的模型的模型参数,将计算得到的模型参数上报给公共节点301,接收公共节点301下发的模型参数,根据下发的模型参数更新本局部节点的模型;在损失函数收敛后,将本局部节点的模型作为预测模型,获取目标RRU的设备参数,将目标RRU的设备参数输入至预测模型,利用预测模型预测目标RRU的欠压风险。
进一步地,公共节点301或局部节点302的初始的模型为基于线性回归算法建立的模型。
进一步地,目标RRU的设备参数包括以下的任意一种或组合:整机功耗、整机输入电压、整机发射功率、RRU型号、载波最大可配置功率、载波实际发射功率、整流模块容量、线缆长度和线缆直径。
进一步地,欠压风险的结果包括正常、满功率欠压或扩容欠压。
进一步地,局部节点为欠压告警占比达到预设阈值的局部节点,欠压告警占比为局部节点中欠压告警的RRU数量占总的RRU数量的比例。
进一步地,公共节点为NWDAF服务器。
不难发现,本实施方式为与第一实施方式相对应的系统实施例,本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效,为了减少重复,这里不再赘述。相应地,本实施方式中提到的相关技术细节也可应用在第一实施方式中。
本发明的第四实施方式涉及一种电子设备,如图7所示,包括:至少一个处理器401;以及,与至少一个处理器401通信连接的存储器402;其中,存储器402存储有可被至少一个处理器401执行的指令,指令被至少一个处理器401执行,以使至少一个处理器401能够执行上述的RRU欠压风险预测方法。
其中,存储器和处理器采用总线方式连接,总线可以包括任意数量的互联的总线和桥,总线将一个或多个处理器和存储器的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件,也可以是多个元件,比如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。经处理器处理的数据通过天线在无线介质上进行传输,进一步,天线还接收数据并将数据传送给处理器。
处理器负责管理总线和通常的处理,还可以提供各种功能,包括定时,外围接口,电压调节、电源管理以及其他控制功能。而存储器可以被用于存储处理器在执行操作时所使用的数据。
本发明第五实施例涉及一种计算机可读存储介质,存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。
即,本领域技术人员可以理解,实现上述实施例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,该程序存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域的普通技术人员可以理解,上述各实施例是实现本发明的具体实施例,而在实际应用中,可以在形式上和细节上对其作各种改变,而不偏离本发明的精神和范围。
Claims (9)
1.一种RRU欠压风险预测方法,其特征在于,包括:
获取目标RRU的设备参数;
将所述目标RRU的设备参数输入至预测模型,其中,所述预测模型为由一个公共节点和若干个局部节点通过联邦学习得到的模型,所述公共节点连接每一所述局部节点,每一所述局部节点包括若干个RRU;所述局部节点为欠压告警占比达到预设阈值的局部节点,所述欠压告警占比为所述局部节点中欠压告警的RRU数量占总的RRU数量的比例;
其中,所述若干个局部节点构成局部节点的集合,所述局部节点的集合用于与所述公共节点通过联邦学习得到所述预测模型;在所述局部节点的集合中的局部节点A存在无法完成训练的特征的情况下,调整所述欠压告警占比的预设阈值;根据所述调整后的欠压告警占比的预设阈值更新所述局部节点的集合;根据所述更新后的局部节点的集合中除所述局部节点A之外的局部节点的特征训练所述局部节点A中无法完成训练的特征;
利用所述预测模型预测所述目标RRU的欠压风险。
2.根据权利要求1所述的RRU欠压风险预测方法,其特征在于,所述局部节点和所述公共节点的初始的模型相同,所述预测模型通过以下联邦学习过程得到:
每一所述局部节点根据本局部节点RRU欠压的样本数据计算本局部节点的模型的模型参数,将计算的模型参数上报给所述公共节点;
所述公共节点整合所述上报的模型参数以更新所述公共节点的模型的模型参数,并将更新后的模型参数下发给每一所述局部节点;
每一所述局部节点根据下发的所述模型参数更新本局部节点的模型;
重复执行以上过程,直至所述局部节点的模型的损失函数收敛;
根据所述公共节点的模型或所述局部节点的模型得到所述预测模型。
3.根据权利要求2所述的RRU欠压风险预测方法,其特征在于,所述初始的模型为基于线性回归算法建立的模型。
4.根据权利要求1所述的RRU欠压风险预测方法,其特征在于,所述目标RRU的设备参数包括以下的任意一种或组合:整机功耗、整机输入电压、整机发射功率、RRU型号、载波最大可配置功率、载波实际发射功率、整流模块容量、线缆长度和线缆直径。
5.根据权利要求1-4任一项所述的RRU欠压风险预测方法,其特征在于,所述公共节点为NWDAF服务器。
6.一种RRU欠压风险预测装置,其特征在于,包括:
获取模块,用于获取目标RRU的设备参数;
输入模块,用于将所述目标RRU的设备参数输入至预测模型,所述预测模型为由一个公共节点和若干个局部节点通过联邦学习得到的模型,每一所述局部节点包括若干个RRU;所述局部节点为欠压告警占比达到预设阈值的局部节点,所述欠压告警占比为所述局部节点中欠压告警的RRU数量占总的RRU数量的比例;
其中,所述若干个局部节点构成局部节点的集合,所述局部节点的集合用于与所述公共节点通过联邦学习得到所述预测模型;在所述局部节点的集合中的局部节点A存在无法完成训练的特征的情况下,调整所述欠压告警占比的预设阈值;根据所述调整后的欠压告警占比的预设阈值更新所述局部节点的集合;根据所述更新后的局部节点的集合中除所述局部节点A之外的局部节点的特征训练所述局部节点A中无法完成训练的特征;
预测模块,用于利用所述预测模型预测所述目标RRU的欠压风险。
7.一种RRU欠压风险预测系统,其特征在于,包括一个公共节点和若干个局部节点,所述公共节点和所述局部节点的初始的模型相同,每一所述局部节点包括若干个RRU;
所述公共节点用于在所述局部节点的模型的损失函数收敛前,接收每一所述局部节点上报的模型参数,整合上报的模型参数并更新所述公共节点的模型的模型参数,将更新后的模型参数下发至每一所述局部节点;
所述局部节点用于在所述损失函数收敛前,根据本局部节点RRU欠压的样本数据计算本局部节点的模型的模型参数,将计算得到的模型参数上报给所述公共节点,接收所述公共节点下发的模型参数,根据下发的模型参数更新本局部节点的模型;在所述损失函数收敛后,将本局部节点的模型作为预测模型,获取目标RRU的设备参数,将所述目标RRU的设备参数输入至所述预测模型,利用所述预测模型预测所述目标RRU的欠压风险;
所述局部节点为欠压告警占比达到预设阈值的局部节点,所述欠压告警占比为所述局部节点中欠压告警的RRU数量占总的RRU数量的比例;
其中,所述若干个局部节点构成局部节点的集合,所述局部节点的集合用于与所述公共节点通过联邦学习得到所述预测模型;在所述局部节点的集合中的局部节点A存在无法完成训练的特征的情况下,调整所述欠压告警占比的预设阈值;根据所述调整后的欠压告警占比的预设阈值更新所述局部节点的集合;根据所述更新后的局部节点的集合中除所述局部节点A之外的局部节点的特征训练所述局部节点A中无法完成训练的特征。
8.一种电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5任一项所述的RRU欠压风险预测方法。
9.一种计算机可读存储介质,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如权利要求1至5任一项所述的RRU欠压风险预测方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357361.3A CN113255953B (zh) | 2020-11-27 | 2020-11-27 | Rru欠压风险预测方法、装置、系统、设备及介质 |
US18/254,621 US20240005069A1 (en) | 2020-11-27 | 2021-10-09 | Rru undervoltage risk prediction method, apparatus, and system, device, and medium |
PCT/CN2021/122870 WO2022111068A1 (zh) | 2020-11-27 | 2021-10-09 | Rru欠压风险预测方法、装置、系统、设备及介质 |
EP21896570.5A EP4242939A4 (en) | 2020-11-27 | 2021-10-09 | METHOD, DEVICE AND SYSTEM FOR PREDICTING UNDERVOLTAGE RISK FOR RRU, DEVICE AND MEDIUM |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011357361.3A CN113255953B (zh) | 2020-11-27 | 2020-11-27 | Rru欠压风险预测方法、装置、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255953A CN113255953A (zh) | 2021-08-13 |
CN113255953B true CN113255953B (zh) | 2022-09-16 |
Family
ID=77180732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011357361.3A Active CN113255953B (zh) | 2020-11-27 | 2020-11-27 | Rru欠压风险预测方法、装置、系统、设备及介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240005069A1 (zh) |
EP (1) | EP4242939A4 (zh) |
CN (1) | CN113255953B (zh) |
WO (1) | WO2022111068A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255953B (zh) * | 2020-11-27 | 2022-09-16 | 中兴通讯股份有限公司 | Rru欠压风险预测方法、装置、系统、设备及介质 |
WO2023072436A1 (en) * | 2021-10-29 | 2023-05-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Managing operational temperature of base station |
CN116307347A (zh) * | 2021-12-06 | 2023-06-23 | 中兴通讯股份有限公司 | 设备风险预测方法、电子设备和计算机可读存储介质 |
DE102022213214A1 (de) * | 2022-12-07 | 2024-06-13 | Robert Bosch Gesellschaft mit beschränkter Haftung | Vorrichtung und computerimplementiertes Verfahren zum Betreiben eines mobilen Endgeräts, Vorrichtung und Verfahren zur Unterstützung des mobilen Endgeräts in diesem Verfahren |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3292726B1 (en) * | 2015-06-08 | 2019-12-25 | Huawei Technologies Co. Ltd. | Method and apparatus for connectivity adjustment in a wireless communication network |
CN108732413B (zh) * | 2017-04-18 | 2022-03-11 | 中兴通讯股份有限公司 | 用电设备的告警方法及装置 |
US11423254B2 (en) * | 2019-03-28 | 2022-08-23 | Intel Corporation | Technologies for distributing iterative computations in heterogeneous computing environments |
KR20190103090A (ko) * | 2019-08-15 | 2019-09-04 | 엘지전자 주식회사 | 연합학습(Federated learning)을 통한 단말의 POI 데이터를 생성하는 모델의 학습방법 및 이를 위한 장치 |
CN111143308B (zh) * | 2019-12-26 | 2023-04-28 | 许昌中科森尼瑞技术有限公司 | 基于联邦学习的高低压电动机数据处理方法、系统及装置 |
CN111382706A (zh) * | 2020-03-10 | 2020-07-07 | 深圳前海微众银行股份有限公司 | 基于联邦学习的预测方法、装置、存储介质及遥感设备 |
CN111737749A (zh) * | 2020-06-28 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 基于联邦学习的计量装置告警预测方法及设备 |
CN113255953B (zh) * | 2020-11-27 | 2022-09-16 | 中兴通讯股份有限公司 | Rru欠压风险预测方法、装置、系统、设备及介质 |
-
2020
- 2020-11-27 CN CN202011357361.3A patent/CN113255953B/zh active Active
-
2021
- 2021-10-09 EP EP21896570.5A patent/EP4242939A4/en active Pending
- 2021-10-09 US US18/254,621 patent/US20240005069A1/en active Pending
- 2021-10-09 WO PCT/CN2021/122870 patent/WO2022111068A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
EP4242939A4 (en) | 2024-05-15 |
WO2022111068A1 (zh) | 2022-06-02 |
CN113255953A (zh) | 2021-08-13 |
US20240005069A1 (en) | 2024-01-04 |
EP4242939A1 (en) | 2023-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255953B (zh) | Rru欠压风险预测方法、装置、系统、设备及介质 | |
CN110417565B (zh) | 一种模型更新方法、装置及系统 | |
CN110929880A (zh) | 一种联邦学习方法、装置及计算机可读存储介质 | |
CN111612153A (zh) | 训练模型的方法和装置 | |
DE112015006175B4 (de) | Kommunikationsvorrichtung, Kommunikationsverfahren und Kommunikationssystem | |
CN107800759B (zh) | 数据处理系统及管理设备网络中设备的方法 | |
CN111966289A (zh) | 基于Kafka集群的分区优化方法和系统 | |
CN111225004B (zh) | 一种服务器集群的扩容方法、装置和可读介质 | |
EP3985562A1 (en) | Model training method and apparatus, system, prediction method, and computer readable storage medium | |
CN115038088B (zh) | 一种智能网络安全检测预警系统和方法 | |
CN111064788B (zh) | 信号传输方法、机器人及计算机可读存储介质 | |
EP4346123A1 (en) | Method and apparatus for detecting fault of passive wavelength division device, and server and storage medium | |
CN113935390A (zh) | 数据处理方法、系统、设备及存储介质 | |
CN110996289A (zh) | 一种用于机器状态监测诊断仪的智能网关、方法及系统 | |
CN112988914B (zh) | 一种基于区块链的纺织检测方法、装置和网络侧服务端 | |
CN115689320A (zh) | 基站运行的健康管理方法、装置及计算机可读存储介质 | |
US20220286365A1 (en) | Methods for data model sharing for a radio access network and related infrastructure | |
CN112702751A (zh) | 无线通信模型的训练和升级方法、网络设备及存储介质 | |
EP4243360A1 (en) | Information processing method, method for generating and training module, electronic device, and medium | |
CN118316811A (zh) | 数字孪生网络的数字映射方法及通信装置 | |
CN114221874B (zh) | 流量分析及调度方法、装置、计算机设备及可读存储介质 | |
CN114611862A (zh) | 性能指标至差值的生成方法、装置、电子设备及存储介质 | |
CN117279014A (zh) | 故障预测方法、装置、电子设备及存储介质 | |
CN116307347A (zh) | 设备风险预测方法、电子设备和计算机可读存储介质 | |
KR20240093019A (ko) | IoT 라우터의 이상 감시를 위한 이상 감시 장치 및 방법 |
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 |