CN113676953A - 为ran网络的移动负载均衡进行ue选择的方法和基站 - Google Patents
为ran网络的移动负载均衡进行ue选择的方法和基站 Download PDFInfo
- Publication number
- CN113676953A CN113676953A CN202010414719.5A CN202010414719A CN113676953A CN 113676953 A CN113676953 A CN 113676953A CN 202010414719 A CN202010414719 A CN 202010414719A CN 113676953 A CN113676953 A CN 113676953A
- Authority
- CN
- China
- Prior art keywords
- cell
- predicted
- base station
- candidate
- current
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 71
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 abstract description 13
- 230000003068 static effect Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241000338137 Teratosphaeria nubilosa Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/082—Load balancing or load distribution among bearers or channels
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明的目的是提供一种为RAN的移动负载均衡进行UE选择的方法、基站和RAN智能控制器。根据RAN的所有小区中每个UE在当前时间窗口的一组连续的信号相关测量信息,确定所述每个UE相对其服务小区的预测移动方向;当其中一个小区过载,确定该小区中待切换至其他小区的候选UE;根据所述候选UE相对当前小区的预测移动方向,从中确定目标UE。与现有技术相比,本发明引入对UE移动方向的预测,以在移动负载均衡过程中辅助进行切出UE的选择。该移动方向将被用作UE选择的一个关键标准。例如,向服务小区边缘移动的UE更可能被选择来从当前小区卸载。静态测量和未来方向预测的结合可以大幅提高UE选择的准确性,从而提高移动负载均衡的性能。
Description
技术领域
本发明涉及移动负载均衡技术领域,尤其涉及一种为RAN网络的移动负载均衡进行UE选择的技术。
背景技术
移动负载均衡(MLB,Mobility Load Balancing)是RAN(Radio Access Network,无线接入网络)网络的关键组成,其通过将过载小区的部分UE(User Equipment,用户设备)移动到适当的相邻空闲小区来提供在多个网络实体之间分配小区负载的服务。由此,每个网络实体的工作负荷可以得到平衡。从而,在该等场景下的最终用户体验(QoE)和网络质量(QoS)也可以得到改善。
UE选择(UE selection)是移动负载均衡过程的一个主要步骤。UE选择的目的是找到要从过载小区卸载(off-load)的候选UE。通常,一组UE选择标准是预定义的且其将用于决定哪个UE可以被加入MLB的候选列表。因此,如何设计UE选择的标准至关重要。
发明内容
本发明的目的是提供一种为RAN的移动负载均衡进行UE选择的方法、基站和RAN智能控制器。
根据本发明的一个方面,提供了一种为RAN的移动负载均衡进行UE选择的方法。当前小区发生过载时,基站确定该小区中待切换至其他小区的候选UE;基站获取所述候选UE相对当前小区的预测移动方向,所述预测移动方向根据所述候选UE在当前时间窗口的一组连续的信号相关测量信息来确定;基站根据所述预测移动方向,从所述候选UE中确定目标UE。
根据本发明的一个方面,还提供了一种为RAN的移动负载均衡辅助进行UE选择的方法。RAN智能控制器持续从各基站收集每个小区中每个UE在当前时刻的信号相关测量信息;RAN智能控制器根据所述每个UE在当前时间窗口的一组连续的信号相关测量信息,确定所述每个UE相对其服务小区的预测移动方向;RAN智能控制器将所确定的所述每个UE相对其服务小区的预测移动方向反馈至其对应基站。
根据本发明的一个方面,还提供了一种为RAN的移动负载均衡进行UE选择的基站。该基站包括选择装置、获取装置和筛选装置。其中,选择装置用于当其小区过载,确定该小区中待切换至其他小区的候选UE。获取装置用于获取所述候选UE相对当前小区的预测移动方向,所述预测移动方向根据所述候选UE在当前时间窗口的一组连续的信号相关测量信息来确定。筛选装置用于根据所述预测移动方向,从所述候选UE中确定目标UE。
根据本发明的一个方面,还提供了一种为RAN的移动负载均衡进行UE选择的RAN智能控制器。该RAN智能控制器包括收集装置和预测装置。其中,收集装置用于持续从各基站收集每个小区中每个UE在当前时刻的信号相关测量信息。预测装置用于根据所述每个UE在当前时间窗口的一组连续的信号相关测量信息,确定所述每个UE相对其服务小区的预测移动方向并将所确定的所述每个UE相对其服务小区的预测移动方向反馈至其对应基站。
与现有技术相比,本发明引入对UE移动方向的预测,以在移动负载均衡过程中辅助进行切出UE的选择。该移动方向将被用作UE选择的一个关键标准。例如,在满足负载均衡基本条件的UE中,向服务小区边缘移动的UE更可能被选择来从当前小区卸载。静态测量和未来方向预测的结合可以大幅提高UE选择的准确性,从而提高移动负载均衡的性能。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出现有UE选择算法未能考虑UE移动方向的效果示意图;
图2示出根据本发明的一个实施例的基站为移动负载均衡进行UE选择的方法流程图;
图3示出根据本发明的UE选择算法考虑UE移动方向的效果示意图;
图4示出根据本发明的一个实施例的由基站与RIC交互来获得UE预测移动方向的过程;
图5示出根据本发明的一个实施例的为移动负载均衡进行UE选择的基站的装置示意图;
图6(a)和(b)分别示出本发明的一个实施例的为RAN的移动负载均衡进行UE选择的装置的示意图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
在更加详细地讨论示例性实施例之前应当提到的是,本发明的一些示例性实施例被描述为由方框图表述的装置和由流程图表述的过程或方法。虽然流程图将本发明的操作过程描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。本发明的过程可在其操作执行完毕时被终止,但也可包括未在所述流程图中示出的额外步骤。本发明的过程可以对应于方法、功能、规程、子例程、子程序等。
以下讨论的由流程图示出的方法和由方框图示出的装置,可以通过硬件、软件、固件、中间件、微代码、硬件描述语言、或其任意组合实现。当以软件、固件、中间件或微代码实现时,执行必要任务的程序代码或代码段可被存储于机器或诸如存储介质的计算机可读介质。(一个或多个)处理器可以执行所述必要任务。
类似地,还将理解任何流程表、流程图、状态转换图,诸如此类,表示各种过程,其可以被充分地描述为存储于计算机可读介质内的程序代码并因此被计算设备或处理器执行,无论这些计算设备或处理器是否被明确示出。
本文中,术语“存储介质”可以表示一个或多个用于存储数据的设备,包括只读存储器(ROM),随机存取存储器(RAM),磁性RAM,内核存储器,磁盘存储介质,光存储介质,闪存设备和/或其他用于存储信息的机器可读介质。术语“计算机可读介质”可包括但不限于,便携的或固定的存储设备,光存储设备,及各种其他能够存储和/或包含指令和/或数据的介质。
代码段可表示规程、功能、子程序、程序、例程、子例程、模块、软件包、类,或指令、数据结构或程序描述的任一组合。一个代码段可以通过传递和/或接收信息、数据、自变量、参数或存储内容,与另一个代码段或硬件电路相耦合。信息、自变量、参数、数据等,可以经由包括存储共享、信息传递、令牌传递、网络传输等任一合适方式,被传递、转发或发射。
这里所公开的具体结构和功能细节仅仅是代表性的,并且是用于描述本发明的示例性实施例的目的。但是本发明可以通过许多替换形式来具体实现,并且不应当被解释成仅仅受限于这里所阐述的实施例。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
这里所使用的术语仅仅是为了描述具体实施例而不意图限制示例性实施例。除非上下文明确地另有所指,否则这里所使用的单数形式“一个”、“一项”还意图包括复数。还应当理解的是,这里所使用的术语“包括”和/或“包含”规定所陈述的特征、整数、步骤、操作、单元和/或组件的存在,而不排除存在或添加一个或更多其他特征、整数、步骤、操作、单元、组件和/或其组合。
还应当提到的是,在一些替换实现方式中,所提到的功能/动作可以按照不同于附图中标示的顺序发生。举例来说,取决于所涉及的功能/动作,相继示出的两幅图实际上可以基本上同时执行或者有时可以按照相反的顺序来执行。
以下将结合附图来进一步描述本发明的具体实施例。
UE选择的标准对于MLB的性能非常重要。当前UE选择标准存在的问题是其仅考虑UE状态的静态测量因素,而没有考虑诸如下一个UE位置以及UE的移动方向等因素。
例如,参阅图1,其中UE11当前向小区边缘方向移动,UE12向小区中心方向移动。当前的UE选择标准中,由于其不考虑UE的移动方向,更接近小区边缘的UE12被认为具有更高的优先级来从该小区中切出。但是实际上,在该场景下,UE11更应当被切出当前小区。并且,如果选择从当前小区切出UE12,接下来将发生类似乒乓切换(ping-pong handover)的操作。
当服务小区负载较高时,其将触发移动负载均衡。基站将选择目标用户进行卸载。UE选择算法的标准通常基于运营商配置和对服务小区或目标小区的UE测量,例如,RSRP(Reference Signal Receiving Power,参考信号接收功率)、RSRQ(Reference SignalReceiving Quality,参考信号接收质量)。
一旦基站检测到当前小区过载,部分UE将被卸载到其他小区。用于候选UE选择的标准是静态因素,例如A4测量报告。被选择的UE将通过切换被引导到具有更高可用容量的目标小区。
对于处于连接模式的UE,当前的移动负载均衡过程如下:
1.基站进行负载监控和小区可用容量计算,其中包括负载测量、小区负载评估、活动的负载平衡状态;
2.基站进行候选UE选择,其中,所有满足特定条件的UE均成为候选。为候选UE启动如A4测量,并将报告A4事件的UE作为目标UE;
3.基站进行目标小区选择,具有更高可用容量的小区将具有更高的优先级;
4.基站执行负载均衡,为目标UE朝向目标小区的切换被触发。
显然,上述现有的UE选择机制仅考虑服务小区/相邻小区负载、RSRP/RSRQ、运营商配置等。UE相对其服务小区的移动方向不是现有UE选择算法中的考量因素。
为此,本发明引入对UE移动方向的预测,以在移动负载均衡中辅助对卸载UE的选择。该移动方向将被用作UE选择的一个关键标准。例如,向服务小区边缘移动的UE具有更多的机会被选择用于卸载。静态测量和未来预测的结合可以大幅提高UE选择的准确性,从而提高移动性负载均衡的性能。
具体地,本发明引入基于深度学习的神经网络来对UE移动方向进行预测。该神经网络模型以下将被称为预测模型。RAN收集每个UE的测量报告,这些测量报告将用作预测模型的输入,以预测UE的移动方向。也即,收集到的UE历史测量被用作该预测模型的输入特征,同时将UE相对其服务小区的移动方向作为该预测模型的输出。在此,UE的信号相关测量信息可以包括诸如LTE RAN网络中的CQI(Channel Quality Indication,信道质量指示)/RSSI(Received Signal Strength Indication,接收信号强度指示)/RSRP/RSRQ。因此,本发明无需对UE侧进行改动,所有这些测量均已存在于当前网络中。
参阅图2,其中示出根据本发明的一个实施例的基站为移动负载均衡进行UE选择的方法流程图。
如图2所示,在步骤210中,当前小区发生过载时,基站确定该小区中待切换至其他小区的候选UE;在步骤220中,基站获取所述候选UE相对当前小区的预测移动方向,所述预测移动方向根据所述候选UE在当前时间窗口的一组连续的信号相关测量信息来确定;在步骤230中,基站根据所述预测移动方向,从所述候选UE中确定目标UE。
具体地,在步骤210中,当前小区发生过载时,基站确定该小区中待切换至其他小区的候选UE。服务小区处于活动的(active)负载均衡状态,基站对服务小区进行负载监控和小区可用容量计算,当发现服务小区过载,将符合负载均衡基本条件的UE作为待切换至其他小区的候选UE,例如基站根据小区中各UE的A4测量报告,从中选择待切换至其他小区的候选UE。
在步骤220中,基站获取候选UE相对当前小区的预测移动方向,该预测移动方向根据候选UE在当前时间窗口的一组连续的信号相关测量信息来确定。
基站中可以配置有一个预测模型,该预测模型可以根据UE在当前时间窗口的一组连续的信号相关测量信息来预测其相对当前小区的移动方向。
UE的信号相关测量信息可以包括以下至少任一项:CQI/RSSI/RSRP/RSRQ。
根据本发明的一个示例,预测移动方向可以包括两个方向:向服务小区中心的移动方向和向服务小区边缘的移动方向。
预测模型可以根据一个UE在当前时间窗口{t,t-1,t-2…}的一组连续的信号相关测量信息{Mt,Mt-1,Mt-2,…}来预测该UE在时刻t的移动方向Dt。其中,通过将UE的一组历史信号相关测量信息作为该预测模型的输入,同时将UE相对其服务小区的移动方向作为该预测模型的输出,预测模型可以被训练来对UE相对其服务小区的移动方向进行预测。
具体地,预测模型可以基于神经网络来构建。本发明可以使用深度神经网络(DeepNeural Network)或循环神经网络(Recurrent Neural Network)。在此,Mt表示一个UE在t时刻的信号相关测量值。类似地,Mt-1指示该UE在t-1时刻的信号相关测量值等。并且,Dt指示在t时刻的UE相对其服务小区的移动方向。
该预测模型使用在指定时间窗口中收集的一组UE信号相关测量信息{M}来预测UE相对其服务小区的移动方向D。例如,预测模型可以使用{Mt,Mt-1,Mt-2,…}来预测UE在t时刻的移动方向Dt,并可以使用{Mt+1,Mt,Mt-1,…}来预测UE在t+1时刻的移动方向Dt+1。时间窗口是预测模型的超参数,可以在训练过程中对其进行调整。
根据本发明的一个示例,例如,可以仅用两个方向{ToCenter,ToEdge}来定义D,ToCenter指示UE正在向服务小区的中心移动,而ToEdge指示UE正在向服务小区的边缘移动。因此,在机器学习中可以将其归类为二值化分类问题。但是,在实际实现中可能会定义更多的移动方向,这将成为一个多分类问题。
预测模型需要预先训练好,预测模型例如可以通过已标注的样本对分类神经网络进行训练来获得,其中,每个样本标注有一个UE在一个预定时间窗口的一组连续的信号相关测量信息和该UE相对其服务小区的移动方向。
存在多种方式来构建训练数据集。首先,可以使用RAN网络模拟器中的数据集,其具有不同路径损耗模型。其次,可以从RAN网络中的MDT(Minimization Drive Test,最小化路测)收集训练数据,其中可以从UE位置推断出信号相关测量值和标签。第三,对于启用了GPS的UE,可以从实时网络收集训练数据。最后,如果没有GPS可用,则可以通过切换状态从实时网络中收集训练数据。
在此,预测模型可以持续为当前小区中的每个UE预测其相对当前小区的移动方向,使得UE的预测移动方向总是保持最新,也可以仅为候选UE预测其移动方向,以供UE选择。
根据本发明的一个示例,基站可以仅在发生过载时,通过预测模型为候选UE确定其当前时刻t相对当前小区的预测移动方向Dt。
根据本发明的另一个示例,基站可以持续根据当前小区中每个UE在当前时间窗口的一组连续的信号相关测量信息,通过预测模型确定每个UE相对当前小区的最新的预测移动方向,并将最新确定的每个UE相对当前小区的预测移动方向更新到UE移动状态数据库中。据此,基站可以总是从该UE移动状态数据库获取到候选UE的最新的预测移动方向。
进一步地,该过程还可以包括以下步骤:持续收集当前小区中每个UE在当前时刻的信号相关测量信息。基站通过持续收集其中UE在每个时刻的信号相关测量信息,可以总是获得每个UE在一个当前时间窗口的一组UE信号相关测量信息,由此可以实时对候选UE的移动方向进行预测或持续对每个UE的最新移动方向进行预测。
在步骤230中,基站根据候选UE相对当前小区的预测移动方向,从候选UE中确定目标UE。
根据本发明的一个示例,基站遍历所有候选UE,将预测移动方向为向当前小区中心移动的候选UE移除,将预测移动方向为向当前小区边缘移动的候选UE标记为目标UE,从而获得待切换至其他小区的目标UE。
配合参阅图3,在“移动负载均衡”过程中进行UE选择时,存在两个候选UE满足卸载的基本条件。同时,UE 32被预测为正在从服务小区的边缘向小区中心移动,并且UE 31被预测为正在向小区边缘方向移动。在这种情况下,UE 32将不会被添加到目标UE列表中,而UE31将被添加到目标UE列表中。
接下来,根据本发明的一个实施例,图2所示的过程还可以包括以下步骤:将目标UE切换至其他目标小区。在此,具有更高可用容量的相邻小区将具有更高的优先级。在确定切换的目标小区之后,基站与目标基站之间就目标UE的切换过程进行通信,以触发目标UE朝向目标小区的切换。
根据本发明的另一个实施例,其中,预测模型被布置于RAN智能控制器(RIC,RANIntelligence Controller)中,RIC由ORAN(Open RAN organization)系统引入。配合参阅图2和图4,步骤220被进一步分为以下步骤4201-4203,使得基站通过与RAN智能控制器交互来从预测模型获得候选UE相对当前小区的预测移动方向。
在步骤4201中,基站持续将当前小区中每个UE在当前时刻的信号相关测量信息传递给RAN智能控制器;据此,RAN智能控制器可以持续从各基站收集每个小区中每个UE在当前时刻的信号相关测量信息。
在步骤4202中,RAN智能控制器根据每个小区中每个UE在当前时间窗口的一组连续的信号相关测量信息,通过预测模型确定每个UE相对其服务小区的预测移动方向。
在RAN智能控制器中的预测模型可以为所有小区的每个UE预测其移动方向。对于每个小区,预测模型可以为其中每个UE持续预测相对其相对当前小区的移动方向。
在步骤4203中,RAN智能控制器将所确定的每个小区中每个UE相对其服务小区的预测移动方向反馈至其对应基站;据此,当前基站可以获得其小区中每个UE相对当前小区的预测移动方向。
根据本发明的一个示例,基站可以布置有UE移动状态数据库,RAN智能控制器持续反馈的小区中每个UE相对其当前小区的预测移动方向可以被更新至该UE移动状态数据库。据此,基站可以总是获得其小区中每个UE相对当前小区的最新的预测移动方向,并从UE移动状态数据库中获取候选UE的最新预测移动方向,以用于后续步骤203中从候选UE筛选出待切换至目标小区的目标UE。
根据本发明的UE选择方案,目标UE的选择可以更加准确。与盲目的UE选择相比,本发明可以有效消除潜在的乒乓切换。
图5示出本发明的一个实施例的为RAN的移动负载均衡进行UE选择的基站的装置示意图。
如图5所示,基站包括选择装置521、获取装置522和筛选装置523。其中,当前小区发生过载时,选择装置521确定该小区中待切换至其他小区的候选UE;获取装置522获取所述候选UE相对当前小区的预测移动方向,所述预测移动方向根据所述候选UE在当前时间窗口的一组连续的信号相关测量信息来确定;筛选装置523根据所述预测移动方向,从所述候选UE中确定目标UE。
具体地,当前小区过载,选择装置521确定该小区中待切换至其他小区的候选UE。例如,选择装置521将当前小区中所有满足移动负载均衡基本条件的UE均作为候选UE。
随后,获取装置522获取候选UE相对当前小区的预测移动方向,预测移动方向根据候选UE在当前时间窗口的一组连续的信号相关测量信息来确定。
UE的信号相关测量信息可以包括以下至少任一项:CQI/RSSI/RSRP/RSRQ。
根据本发明的一个示例,预测移动方向可以包括两个方向:向服务小区中心的移动方向和向服务小区边缘的移动方向。
预测移动方向可以通过预测模型来确定。获取装置522可以集成有该预测模型,或者从预测模型获取其预测结果。
预测模型可以根据一个UE在当前时间窗口{t,t-1,t-2…}的一组连续的信号相关测量信息{Mt,Mt-1,Mt-2,…}来预测该UE在时刻t的移动方向Dt。
根据本发明的一个示例,获取装置522可以仅在当前小区发生过载时,调用预测模型来为候选UE确定其当前时刻t相对当前小区的预测移动方向Dt。
根据本发明的另一个示例,基站还配置有一UE移动状态数据库,该UE移动状态数据库中存储并更新当前小区中每个UE的最新的预测移动方向。预测模型持续为小区中每个UE预测其相对当前小区的移动方向,所预测的最新的移动方向被更新到UE移动状态数据库。获取装置522可以从该UE移动状态数据库读取候选UE的最新的预测移动方向。
进一步地,基站还可以包括收集装置(图5未示出)。收集装置持续收集当前小区中每个UE在当前时刻的信号相关测量信息。通过收集装置持续收集其中UE在每个时刻的信号相关测量信息,获取装置522可以总是获得每个UE在一个当前时间窗口的一组UE信号相关测量信息,由此可以调用预测模型来实时对候选UE的移动方向进行预测或持续对每个UE的最新移动方向进行预测。
筛选装置523根据候选UE相对当前小区的预测移动方向,从候选UE中确定目标UE。
根据本发明的一个示例,筛选装置523遍历所有候选UE,将预测移动方向为向当前小区中心移动的候选UE移除,将预测移动方向为向当前小区边缘移动的候选UE标记为目标UE,从而获得待切换至其他小区的目标UE。
随后,基站还可以包括切换装置(图5未示出),以将目标UE切换至待切换至的其他小区。也即,当前小区与目标小区之间的UE切换过程被触发。
参阅图6(a),其中具体示出根据本发明的一个实施例的为RAN中的移动负载均衡的基站的装置示意图。
如图6(a)所示,收集装置611持续收集当前小区中每个UE在当前时刻的信号相关测量信息;预测装置612根据其中每个UE在当前时间窗口的一组连续的信号相关测量信息,持续确定每个UE相对当前小区的预测移动方向,并将所确定的每个UE的最新的预测移动方法更新到UE移动状态数据库613。
其中,数据代理614和控制代理615被嵌入到基站中,以辅助数据收集以及转发预测服务的反馈。
收集装置611接收每个小区中所有UE的测量信息,诸如CQI、RSSI、RSRP、RSPQ等信号相关测量信息。每个小区定期通过数据代理614向收集装置611报告UE的测量结果。收集装置611对这些数据进行预处理并将格式化的数据存储到某种类型的存储中,例如UE移动状态数据库613。
预测装置612可以是一个预测模型,从而根据每个小区中每个UE在当前时间窗口的一组连续的信号相关测量信息{Mt,Mt-1,Mt-2,…},来预测最新的UE相对其服务小区的移动方向Dt。
预测装置612通过控制代理615将每个小区所有UE最新的预测移动方向更新到UE移动状态数据库613中。
基站同时对小区做负载均衡监控:
当前小区发生过载时,选择装置621确定该小区中待切换至其他小区的候选UE;获取装置622从UE移动状态数据库613中获取候选UE相对当前小区最新的预测移动方向;筛选装置623根据候选UE的预测移动方向,从候选UE中确定目标UE。
随后,切换装置624将目标UE切换至待切换至的其他小区。也即,当前小区与目标小区之间的UE切换过程被触发。
参阅图6(b),其中具体示出根据本发明的一个实施例的为RAN中的移动负载均衡的系统的装置示意图。其中,该系统包括基站和RAN智能控制器(RIC),RAN智能控制器中包括收集装置611和预测装置612。
由于RIC是ORAN中提出的新网元,对于不具有该网元的传统RAN网络,如果存在足够的计算资源,收集装置512和预测装置511则可以如图6(a)所示被部署到基站中。
如图6(b)所示,收集装置611持续从各基站收集每个小区中每个UE在当前时刻的信号相关测量信息;预测装置612根据每个小区中每个UE在当前时间窗口的一组连续的信号相关测量信息,持续确定每个UE相对当前小区的预测移动方向,并将所确定的每个小区中每个UE的最新的预测移动方法反馈至相应基站。
其中,数据代理614和控制代理615被嵌入到基站中,以辅助数据收集以及转发预测服务的反馈。
收集装置611持续从每个基站收集UE测量度量,诸如CQI、RSSI、RSRP、RSPQ等信号相关测量信息。每个小区定期通过数据代理514向收集装置611报告UE的测量结果。
收集装置611接收所有UE测量信息,对这些数据进行预处理并将格式化的数据存储到某种类型的存储中,例如UE移动状态数据库513。
预测装置612可以是一个预测模型,从而根据每个小区中每个UE在当前时间窗口的一组连续的信号相关测量信息{Mt,Mt-1,Mt-2,…},来预测最新的UE相对其服务小区的移动方向Dt。
预测装置612通过控制代理615将每个小区所有UE最新的预测移动方向反馈至相应基站。进一步地,预测装置612返回的小区中每个UE最新的预测移动方向被更新到基站的UE移动状态数据库613中。
基站同时对小区做负载均衡监控:
当前小区发生过载时,选择装置621确定该小区中待切换至其他小区的候选UE;获取装置622从UE移动状态数据库613中获取候选UE相对当前小区最新的预测移动方向;筛选装置623根据候选UE的预测移动方向,从候选UE中确定目标UE。
随后,切换装置624将目标UE切换至待切换至的其他小区。也即,当前小区与目标小区之间的UE切换过程被触发。
需要注意的是,本发明可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本发明的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本发明的至少一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算设备执行时,通过该计算设备的操作,可以调用或提供根据本发明的方法和/或技术方案。而调用/提供本发明的方法的程序指令,可能被存储在固定的或可移动的记录介质中,和/或通过广播或其他信号承载媒体中的数据流而被传输,和/或被存储在根据所述程序指令运行的计算设备的工作存储器中。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (16)
1.一种为RAN的移动负载均衡进行UE选择的方法,其中,在基站,该方法包括以下步骤:
当前小区发生过载时,确定该小区中待切换至其他小区的候选UE;
获取所述候选UE相对当前小区的预测移动方向,所述预测移动方向根据所述候选UE在当前时间窗口的一组连续的信号相关测量信息来确定;
根据所述预测移动方向,从所述候选UE中确定目标UE。
2.根据权利要求1的方法,其中,所述预测移动方向通过预测模型来确定,所述预测模型通过已标注的样本对分类神经网络进行训练来获得,其中,每个样本标注有一个UE在一个预定时间窗口的一组连续的信号相关测量信息和该UE相对其服务小区的移动方向。
3.根据权利要求2所述的方法,其中,该方法还包括以下步骤:
持续根据所述每个UE在当前时间窗口的一组连续的信号相关测量信息,通过所述预测模型确定所述每个UE相对当前小区的最新的预测移动方向;
将最新确定的所述每个UE相对当前小区的预测移动方向更新到UE移动状态数据库中;
其中,所述获取步骤具体包括:
从所述UE移动状态数据库获取所述候选UE相对当前小区的最新的预测移动方向。
4.根据权利要求1至3中任一项所述的方法,其中,该方法还包括以下步骤:
持续收集当前小区中每个UE在当前时刻的信号相关测量信息。
5.根据权利要求2所述的方法,其中,所述预测模型被布置于RAN智能控制器中;
其中,该方法还包括:
持续将当前小区中每个UE在当前时刻的信号相关测量信息传递给所述RAN智能控制器;
其中,所述获取步骤具体包括:
从UE移动状态数据库获取所述候选UE相对当前小区的最新的预测移动方向;
其中,所述UE移动状态数据库根据所述RAN智能控制器持续反馈的由所述预测模型最新确定的所述每个UE相对当前小区的预测移动方向来获得更新。
6.根据权利要求1所述的方法,其中,所述预测移动方向包括两个方向:向当前小区中心的移动方向和向当前小区边缘的移动方向。
7.根据权利要求1所述的方法,其中,该方法还包括以下步骤:
将所述目标UE切换至所述其他小区。
8.一种为RAN的移动负载均衡辅助进行UE选择的方法,其中,在RAN智能控制器,该方法包括以下步骤:
持续从各基站收集每个小区中每个UE在当前时刻的信号相关测量信息;
根据所述每个UE在当前时间窗口的一组连续的信号相关测量信息,确定所述每个UE相对其服务小区的预测移动方向;
将所确定的所述每个UE相对其服务小区的预测移动方向反馈至其对应基站。
9.根据权利要求8的方法,其中,所述预测移动方向通过预测模型来确定,所述预测模型通过已标注的样本对分类神经网络进行训练来获得,其中,每个样本标注有一个UE在一个预定时间窗口的一组连续的信号相关测量信息和该UE相对其服务小区的移动方向。
10.根据权利要求8或9所述的方法,其中,所述确定所述每个UE相对其服务小区的预测移动方向的操作持续执行,
其中,该方法还包括以下步骤:
将最新确定的所述每个UE相对其服务小区的预测移动方向更新到相应基站的UE移动状态数据库。
11.根据权利要求8所述的方法,其中,所述预测移动方向包括两个方向:向服务小区中心的移动方向和向服务小区边缘的移动方向。
12.根据权利要求8所述的方法,其中,所述信号相关测量信息包括以下至少任一项:CQI/RSSI/RSRP/RSRQ。
13.一种为RAN的移动负载均衡进行UE选择的基站,其中,所述基站包括:
选择装置,用于当其小区过载,确定该小区中待切换至其他小区的候选UE;
获取装置,用于获取所述候选UE相对当前小区的预测移动方向,所述预测移动方向根据所述候选UE在当前时间窗口的一组连续的信号相关测量信息来确定;
筛选装置,用于根据所述预测移动方向,从所述候选UE中确定目标UE。
14.根据权利要求所述的基站,其中,所述基站还包括:
切换模块,用于将所述目标UE切换至所述其他小区。
15.一种为RAN的移动负载均衡进行UE选择的RAN智能控制器,其中,该RAN智能控制器包括:
收集装置,用于持续从各基站收集每个小区中每个UE在当前时刻的信号相关测量信息;
预测装置,用于:
根据所述每个UE在当前时间窗口的一组连续的信号相关测量信息,确定所述每个UE相对其服务小区的预测移动方向;
将所确定的所述每个UE相对其服务小区的预测移动方向反馈至其对应基站。
16.根据权利要求15所述的RAN智能控制器,其中,所述预测移动方向通过预测模型来确定,所述预测模型通过已标注的样本对分类神经网络进行训练来获得,其中,每个样本标注有一个UE在一个预定时间窗口的一组连续的信号相关测量信息和该UE相对其服务小区的移动方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414719.5A CN113676953A (zh) | 2020-05-15 | 2020-05-15 | 为ran网络的移动负载均衡进行ue选择的方法和基站 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010414719.5A CN113676953A (zh) | 2020-05-15 | 2020-05-15 | 为ran网络的移动负载均衡进行ue选择的方法和基站 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113676953A true CN113676953A (zh) | 2021-11-19 |
Family
ID=78537757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010414719.5A Pending CN113676953A (zh) | 2020-05-15 | 2020-05-15 | 为ran网络的移动负载均衡进行ue选择的方法和基站 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113676953A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023198265A1 (en) * | 2022-04-11 | 2023-10-19 | Nokia Solutions And Networks Oy | Traffic load distribution based on predicted client device trajectories |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008259046A (ja) * | 2007-04-06 | 2008-10-23 | Matsushita Electric Ind Co Ltd | 無線制御装置、無線基地局、通信端末装置及び強制ハンドオーバー方法 |
CN102740364A (zh) * | 2012-06-21 | 2012-10-17 | 中兴通讯股份有限公司 | 负荷均衡方法及装置 |
CN103327533A (zh) * | 2013-05-20 | 2013-09-25 | 北京邮电大学 | 一种载波聚合系统中基于用户移动的成员载波选择方法 |
CN103781133A (zh) * | 2013-12-31 | 2014-05-07 | 北京邮电大学 | 一种异构蜂窝网下的切换方法 |
CN103974275A (zh) * | 2013-01-25 | 2014-08-06 | 索尼公司 | 无线通信系统中的装置和方法 |
CN105050141A (zh) * | 2015-08-13 | 2015-11-11 | 京信通信技术(广州)有限公司 | 一种小区切换方法及其基站 |
WO2016129957A1 (en) * | 2015-02-13 | 2016-08-18 | Samsung Electronics Co., Ltd. | Methods and apparatuses for processing ue context of ue |
CN110572765A (zh) * | 2018-05-17 | 2019-12-13 | 大唐移动通信设备有限公司 | 一种小区切换的方法及系统 |
CN110677886A (zh) * | 2019-09-27 | 2020-01-10 | 云南电网有限责任公司 | 一种面向边缘计算环境的无线通信接入网络切换调度方法 |
-
2020
- 2020-05-15 CN CN202010414719.5A patent/CN113676953A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008259046A (ja) * | 2007-04-06 | 2008-10-23 | Matsushita Electric Ind Co Ltd | 無線制御装置、無線基地局、通信端末装置及び強制ハンドオーバー方法 |
CN102740364A (zh) * | 2012-06-21 | 2012-10-17 | 中兴通讯股份有限公司 | 负荷均衡方法及装置 |
CN103974275A (zh) * | 2013-01-25 | 2014-08-06 | 索尼公司 | 无线通信系统中的装置和方法 |
CN103327533A (zh) * | 2013-05-20 | 2013-09-25 | 北京邮电大学 | 一种载波聚合系统中基于用户移动的成员载波选择方法 |
CN103781133A (zh) * | 2013-12-31 | 2014-05-07 | 北京邮电大学 | 一种异构蜂窝网下的切换方法 |
WO2016129957A1 (en) * | 2015-02-13 | 2016-08-18 | Samsung Electronics Co., Ltd. | Methods and apparatuses for processing ue context of ue |
CN105050141A (zh) * | 2015-08-13 | 2015-11-11 | 京信通信技术(广州)有限公司 | 一种小区切换方法及其基站 |
CN110572765A (zh) * | 2018-05-17 | 2019-12-13 | 大唐移动通信设备有限公司 | 一种小区切换的方法及系统 |
CN110677886A (zh) * | 2019-09-27 | 2020-01-10 | 云南电网有限责任公司 | 一种面向边缘计算环境的无线通信接入网络切换调度方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023198265A1 (en) * | 2022-04-11 | 2023-10-19 | Nokia Solutions And Networks Oy | Traffic load distribution based on predicted client device trajectories |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9216508B2 (en) | Connectivity maintenance using a quality of service-based robot path planning algorithm | |
US9544907B2 (en) | Method and apparatus for predicting mobile device wireless link quality of service requirements along a predicted path | |
US20120322497A1 (en) | Client side cellular handoff prediction | |
US9167591B2 (en) | Method and apparatus for determining optimized wireless link selection for a mobile device along a predicted path | |
US9119039B2 (en) | Method and apparatus for connection context aware radio communication management with predictive mobile path | |
RU2516448C1 (ru) | Способ и устройство для передачи отчетов о данных измерений | |
US7924788B2 (en) | Access areas in a mobile system | |
US20210099942A1 (en) | Context-specific customization of handover parameters using characterization of a device's radio environment | |
JP4642613B2 (ja) | 無線通信制御システム及び無線通信制御方法 | |
EP3804398A1 (en) | Reporting an indication of one or more estimated signal parameters | |
JP2011229084A (ja) | ハンドオーバ制御装置、ハンドオーバ制御方法、およびプログラム | |
US20230247512A1 (en) | Method and apparatus for managing conditional handover of a user equipment | |
JP2009182538A (ja) | 移動通信システム、ハンドオーバ性能監視方法及び管理装置 | |
CN113676953A (zh) | 为ran网络的移动负载均衡进行ue选择的方法和基站 | |
KR102398504B1 (ko) | 경험적 데이터를 이용한 학습 기반 핸드오버 장치 및 그 방법 | |
EP3849231B1 (en) | Configuration of a communication network | |
Toufga et al. | Effective prediction of V2I link lifetime and vehicle's next cell for software defined vehicular networks: A machine learning approach | |
WO2022135693A1 (en) | Method and apparatus for managing radio resources in a communication network | |
GB2577861A (en) | Measuring a network performance characteristic | |
WO2023052010A1 (en) | Trajectory data collection in mobile telecommunication systems | |
US20220014977A1 (en) | Terminal apparatus, communication system, communication method, and computer-readable storage medium | |
RU2751083C1 (ru) | Устройство сетевого переключения и способ работы устройства сетевого переключения | |
US20220240105A1 (en) | Measuring a network performance characteristic | |
JP7333387B2 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
US20230394032A1 (en) | Methods for processing data samples in communication networks |
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 |