CN114073112A - 认知地控制数据传送 - Google Patents
认知地控制数据传送 Download PDFInfo
- Publication number
- CN114073112A CN114073112A CN202080049221.1A CN202080049221A CN114073112A CN 114073112 A CN114073112 A CN 114073112A CN 202080049221 A CN202080049221 A CN 202080049221A CN 114073112 A CN114073112 A CN 114073112A
- Authority
- CN
- China
- Prior art keywords
- people
- computer
- computer system
- processors
- users
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/12—Wireless traffic scheduling
- H04W72/121—Wireless traffic scheduling for groups of terminals or users
-
- 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
- H04W28/10—Flow control between communication endpoints
- H04W28/12—Flow control between communication endpoints using signalling between network elements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/50—Service provisioning or reconfiguring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- 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
- H04W28/0268—Traffic management, e.g. flow control or congestion control using specific QoS parameters for wireless networks, e.g. QoS class identifier [QCI] or guaranteed bit rate [GBR]
-
- 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
- H04W28/20—Negotiating bandwidth
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/06—Selective distribution of broadcast services, e.g. multimedia broadcast multicast service [MBMS]; Services to user groups; One-way selective calling services
- H04W4/08—User group management
Abstract
提供一种用于信道带宽的认知控制的方法。检测连接到网络的接入点的设备。检测设备的位置。基于(i)连接到接入点的设备和(ii)设备的位置,人员聚集被检测为在当前时间处于包括设备的位置的地理区域内操作检测到的设备的用户群体。检测设备的数据访问模式。基于所检测的数据访问模式和检测到的人员聚集,服务质量类别标识符(QCI)从正常设置被更新为新设置以满足设备的带宽需求。
Description
技术领域
本发明涉及对网络中的数据传输进行认知地控制,并且更具体地涉及5G电信网络中信道间带宽的认知分配。
背景技术
电信行业的进步一直是包括人工智能(Al)在内的许多技术通过打破静止操作、较低带宽等各种因素的障碍而取得成功的关键推动因素。4G电信技术通过物理信道的并行化将这些技术推向了更高的层次,从而带来了更高的带宽。5G电信技术可作为丰富的推动者通过诸如每秒1千兆字节(GBPS)的移动带宽、物联网(IoT)设备接入等的特征将前述技术推向更高水平。5G的关键特征之一是网络本身具有智能和认知能力。因此,5G网络可以是通过各种特征成为人类社区的一部分,包括观察周围环境、推理、推断和像人类一样做出决策。
已知带宽重新分配技术提供“在网络的逻辑网络段(LNS)之间动态地分配网络的带宽容量的处理”,其“可包括针对每个LNS确定往返于LNS穿过公共接口的数据报的新流量速率”以及“在检测到有关新流量速率之一的变化标准重新分配LNS之间的带宽容量”,美国专利申请公开号2015/0282180于2015年2月26日提交的“网络带宽的动态分配”,第[0003]段。
已知的网络带宽分配技术缺乏用于细粒度地重新分配网络带宽以有效地适应被大量意外聚集的人使用的计算设备的带宽需求的机制。
因此,在本领域中需要解决上述问题。
发明内容
从第一方面来看,本发明提供了一种用于控制网络中的数据传送的计算机实现的方法,该方法包括以下步骤:由一个或多个处理器检测连接到所述网络的一个或多个接入点的设备;由所述一个或多个处理器检测,所述设备的相应位置;基于(i)所述设备连接至所述一个或多个接入点,以及(ii)所述设备的位置,由所述一个或多个处理器检测作为用户群体的人员聚集,所述人员聚集正在包括所述设备的位置的地理区域内的当前时间下操作检测到的设备;由所述一个或多个处理器检测所述设备的各自的数据访问模式;以及基于检测到的数据访问模式和所检测的人员聚集,由所述一个或多个处理器将服务质量类别标识符(QCI)从正常设置更新为新设置以满足所述设备的带宽需求。
从另一方面来看,本发明提供了一种用于控制网络中的数据传送的计算机系统,所述系统包括:中央处理单元(CPU);耦合到所述CPU的存储器;以及耦合到所述CPU的计算机可读存储介质,所述计算机可读存储介质包含由所述CPU经由所述存储器执行以实现包括下述步骤的方法的指令:所述计算机系统检测连接到所述网络的一个或多个接入点的设备;所述计算机系统检测所述设备的相应位置;基于(i)所述设备连接到所述一个或多个接入点,以及(ii)所述设备的位置,所述计算机系统检测作为用户群体的人员聚集,所述人员聚集正在包括所述设备的位置的地理区域内的当前时间下操作检测到的设备;所述计算机系统检测所述设备的相应数据访问模式;以及基于所检测的数据访问模式和所检测的人员聚集,所述计算机系统将服务质量类别标识符(QCI)从正常设置更新为新设置以满足所述设备的带宽需求。
从另一方面来看,本发明提供了一种用于控制网络中的数据传送的计算机程序产品,该计算机程序产品包括可由处理电路读取并且存储用于由处理电路执行以执行用于执行本发明的步骤的方法的指令的计算机可读存储介质。
从另一方面来看,本发明提供一种存储在计算机可读介质上并且可加载到数字计算机的内部存储器中的计算机程序,该计算机程序包括当所述程序在计算机上运行时用于执行本发明的步骤的软件代码部分。
从另一方面来看,本发明提供一种计算机程序产品,包括:计算机可读存储介质,具有存储在所述计算机可读存储介质上的计算机可读程序代码,所述计算机可读程序代码被计算机系统的中央处理单元(CPU)执行以使所述计算机系统执行包括下述步骤的方法:所述计算机系统检测连接到网络的一个或多个接入点的设备;所述计算机系统检测所述设备的相应位置;基于(i)所述设备连接到所述一个或多个接入点,以及(ii)所述设备的位置,所述计算机系统检测作为用户群体的人员聚集,所述人员聚集正在包括所述设备的位置的地理区域内的当前时间下操作检测到的设备;所述计算机系统检测所述设备的相应数据访问模式;以及基于所检测的数据访问模式和检测到的人员聚集,所述计算机系统将服务质量类别标识符(QCI)从正常设置更新为新设置以满足所述设备的带宽需求。
从另一方面来看,本发明提供一种计算机实现的方法,包括以下步骤:由一个或多个处理器通过采用训练分类器来确定聚集的类型;由所述一个或多个处理器通过采用监督学习基于所述聚集类型来生成服务质量类别标识符(QCI)策略,所述QCI策略将所述聚集类型与相应的QCI值相关联;由所述一个或多个处理器通过检测连接到网络的一个或多个接入点的设备来检测用户群体,所述设备由所述用户群体中的所述用户操作;由所述一个或多个处理器检测所述设备的相应位置;响应于检测到所述用户群体并且检测所述设备的位置,由所述一个或多个处理器检测所述设备的相应数据访问模式;由所述一个或多个处理器确定所述用户群体具有超过阈值用户数的用户总数;基于(i)所述检测的数据接入模式,(ii)所述用户组具有超过所述阈值用户数的用户总数,以及(iii)所述QCI策略,由所述一个或多个处理器将包括在所述QCI值中的QCI值从正常设置更新为新设置以满足所述设备在所述网络中的信道上的带宽需求;在更新所述QCI值的步骤之后,由所述一个或多个处理器通过采用内联流分类器来监测跨所述信道的网络流量;基于所监测的网络流量,由所述一个或多个处理器检测一个或多个专用流量信道的内容的变化;基于所述一个或多个专用业务信道的内容的变化,通过所述一个或多个处理器将命令发送至5G服务编排中的事件验证管理器,以确定所述用户群体是否已经分散;基于所述事件验证管理器对连接到所述一个或多个接入点的一个或多个设备的新带宽需求的计算,由所述一个或多个处理器确定所述用户群体已经分散;以及响应于确定所述用户群体已分散,将所述QCI值恢复到所述正常设置。
从另一方面来看,本发明提供一种计算机程序产品,包括:计算机可读存储介质,所述计算机可读存储介质具有存储在所述计算机可读存储介质上的计算机可读程序代码,所述计算机可读程序代码被计算机系统的中央处理单元(CPU)执行以使所述计算机系统执行一种方法,所述方法包括以下步骤:所述计算机系统通过采用训练分类器来确定聚集的类型;所述计算机系统通过采用监督学习基于所述聚集类型来生成服务质量类别标识符(QCI)策略,所述QCI策略将所述聚类类型与相应QCI值相关联;所述计算机系统通过检测连接到网络的一个或多个接入点的设备来检测用户群体,所述设备由所述用户群体中的所述用户操作;所述计算机系统检测所述设备的相应位置;响应于检测到所述用户群体并检测所述设备的位置,所述计算机系统检测所述设备的相应数据访问模式;所述计算机系统确定所述用户群体具有超过阈值用户数的用户总数;基于(i)所述检测的数据接入模式,(ii)所述用户群体具有超过所述阈值用户数的用户总数,以及(iii)所述QCI策略,所述计算机系统将所述QCI值包括的QCI值从正常设置更新为新设置以满足所述设备在所述网络中的信道上的带宽需求;在更新所述QCI值的步骤之后,所述计算机系统通过使用内联流分类器来监视跨所述信道的网络流量;基于所监视的网络流量,所述计算机系统检测一个或多个专用话务信道的内容的改变;基于所述一个或多个专用业务信道的内容的变化,所述计算机系统向5G服务编排中的事件验证管理器发送命令以判定所述用户群体是否已经分散;基于所述事件验证管理器对连接到所述一个或多个接入点的一个或多个设备的新带宽需求的计算,所述计算机系统确定所述用户群体已分散;以及响应于确定所述用户群体已分散,所述计算机系统将所述QCI值恢复到所述正常设置。
在本发明的一个实施例中,提供了第一计算机实现的方法。该方法包括由一个或多个处理器检测连接到网络的一个或多个接入点的设备。所述方法进一步包含通过所述一个或多个处理器检测所述设备的相应位置。该方法进一步包括基于(i)设备连接至一个或多个接入点和(ii)设备的位置,通过一个或多个处理器检测作为用户群体的人员聚集,所述人员聚集正在包括所述设备的位置的地理区域内的当前时间下操作检测到的设备。该方法进一步包括通过一个或多个处理器检测设备的相应数据访问模式。该方法还包括基于所检测到的数据访问模式和正在检测到的人员聚集,由一个或多个处理器将服务质量类别标识符(QCI)从正常设置更新为新设置以满足设备的带宽需求。
提供第一计算机实现方法的前述实施例通过以比现有网络带宽分配技术更快且更细粒度、准确且可靠的方式切换QCI特性以满足带宽需求来有利地提供信道内带宽的认知分配。信道内带宽的认知分配可以与物联网环境集成,以改进资产维护、利用、和性能管理(例如,在用于能源和公用事业公司的开放的分析解决方案中)。
在本发明的一个可选方面,所述信道内带宽的认知分配包括检索历史数据,所述历史数据指定了在与当前时间匹配的时间处在所述地理区域中的预期人数。确定用户群体具有第一用户总数,该第一用户总数超过预期的人数至少阈值量。检测人员聚集的步骤进一步基于具有第一用户总数的用户群体,该第一用户总数超过预期人数至少阈值量。在更新QCI的步骤之后,检测到设备与一个或多个接入点断开连接,留下连接到一个或多个接入点的设备的适当子集。设备的适当子集由用户的适当子集操作。确定所述用户的所述适当子集具有不超过所述预期人数至少所述阈值量的第二用户总数。响应于确定用户的适当子集具有不超过预期人数至少阈值量的第二用户总数,QCI被恢复到正常设置。本发明的上述方面有利地提供了网络带宽的快速且高效的认知分配,包括基于人员聚集的分散的分配。
在本发明的一个可选的方面,所述信道内带宽的认知分配包括确定聚集的人已经聚集的事件的类型。更新QCI的步骤还基于事件的类型。本发明的上述方面有利地提供了网络带宽的认知分配,其中所述分配基于人员聚集已经聚集的事件的类型而变化。例如,网络带宽分配可在第一聚集和第二聚集之间变化,因为用于第一聚集的事件类型是婚礼庆祝,并且用于第二聚集的事件类型是正式会议,并且期望在婚礼庆祝比在正式会议捕获和共享更多的照片和视频。
在本发明的另一可选方面中,所述信道内带宽的认知分配包括确定设备的指定使用模式。响应于确定所述指定使用模式的步骤,动态地切换用于所述设备的信道以符合保证比特率。本发明的上述方面有利地减少了分组错误和减少了设备正在使用的信道上的延迟。
本发明的其他实施例提供采用与上述第一计算机实现方法类似的相应方法的计算机程序产品和计算机系统。上述第一计算机实现的方法的优点还适用于本发明的计算机程序产品和计算机系统实施例。
在本发明的另实施例中,提供了第二计算机实现的方法。该方法包括由一个或多个处理器通过使用训练分类器来确定聚会的类型。该方法进一步包括由一个或多个处理器通过采用监督的学习基于聚集的类型来生成服务质量类别标识符(QCI)策略。QCI策略将收集的类型与相应的QCI值相关联。该方法进一步包括由一个或多个处理器通过检测连接到网络的一个或多个接入点的设备来检测用户群体。设备由用户群体中的用户操作。所述方法进一步包含通过所述一个或多个处理器检测所述设备的相应位置。该方法进一步包括:响应于检测到用户的组并且检测设备的位置,通过一个或多个处理器检测设备的相应数据访问模式。该方法进一步包括通过一个或多个处理器确定用户群体具有超过阈值用户数的用户总数。该方法进一步包括基于(i)检测到的数据接入模式,(ii)用户的总数超过阈值数量的用户群体,以及(iii)QCI策略,由一个或多个处理器将包括在QCI值中的QCI值从正常设置更新为新设置以满足设备在网络中的信道上的带宽需求。所述方法还包括在更新所述QCI值的步骤之后,由所述一个或多个处理器通过采用内联流分类器来监测跨所述信道的网络流量。该方法进一步包括基于所监控的网络业务,由一个或多个处理器检测一个或多个专用业务信道的内容的变化。该方法进一步包括基于一个或多个专用业务信道的内容的变化,通过一个或多个处理器向5G服务编排中的事件验证管理器发送命令以确定用户群体是否已经分散。该方法还包括基于事件验证管理器对连接到一个或多个接入点的一个或多个设备的新带宽需求的计算,由一个或多个处理器确定用户群体已经分散。该方法还包括响应于确定用户群体已分散,将QCI值恢复到正常设置。
提供第二计算机实现的方法的前述实施例通过在5G技术的服务编排层中切换QCI特性来有利地提供信道内带宽的认知分配,5G技术的服务编排层以比现有网络带宽分配技术动态且更细粒度、准确且可靠的方式满足带宽需求。
本发明的另一实施例提供了采用类似于上述第二计算机实现的方法的计算机程序产品。上述第二计算机实现的方法的优点也适用于本发明的计算机程序产品实施例。
附图说明
现在将参考如在以下附图中所展示的优选实施例仅通过示例的方式来描述本发明:
图1是根据本发明的实施例的用于认知地分配信道内带宽的系统的框图。
图2A-2B描绘了根据本发明的实施例的认知地分配信道内带宽的过程的流程图,其中该过程在图1的系统中实现。
图3是根据本发明的实施方式的包括在图1的系统中并且实现图2A-2B的过程的计算机的框图。
具体实施方式
概述
已知的网络带宽分配技术包括网络带宽的动态重新分配,但是缺乏可用于5G网络编排中基于意外的人员聚集的检测、意外的人员聚集所针对的事件的类型的确定、以及由包括在聚集中的人员操作的设备的数据访问模式的检测来重新分配带宽的机制。用于网络带宽分配的已知解决方案的独特挑战由本发明的实施例解决。
本发明实施例通过使用基于人工智能(AI)的(即,认知的)和动态的信道内网络带宽分配,提供了5G电信网络中带宽分配的增强机制。
本发明的实施例检测人们在特定时间在给定地理区域内聚集的人员,确定人员聚集的类型,自主地检测聚集中人员使用的设备的网络需求和数据需求,并且基于收集的类型和所检测的网络需求和数据需求,快速有效地控制到设备的数据传输。对聚集的人的检测包括检测预期的人员聚集和/或检测非预期的人员聚集。例如,预期的人员聚集包括参与游行的用户,并且非预期的人员聚集包括沿特定方向移动两个城市街区以前往特定的地铁站的用户,因为另一地铁站意外地在高峰时间关闭。
在一个实施例中,5G网络中的数据传送的控制是通过基于网络需求动态地切换服务质量等级标识符(QCI)值来调整设备所使用的信道之间的网络带宽分配来提供的。
本发明的各实施例考虑软件定义联网(SDN)和网络功能虚拟化(NFV)以使联网服务(诸如内容分发网络(CDN)和其他)适应于用户聚集以成为人员聚集的事件类型的变化。
在一个实施例中,认知信道内带宽分配系统基于分类技术训练事件的预定义模型。认知信道内带宽分配系统使用分类器对象进行简档重复和调整QCI值。在一个实施例中,指定设备的使用模式、设备的优先级、用户的日历、环境特性、和关于用户的个性洞察的历史数据是(i)确定用户已聚集成为人员聚集的事件的类型,(ii)确定在该事件处由用户操作的设备的带宽需求,(iii)调整QCI值,以及(iv)在保证比特率(GBR)与非GBR模式之间切换以满足在智能网络中提供更好的服务质量(QoS)的义务的基础。
如本文所使用的,“认知的”和“认知地”被定义为与提供执行(i)使用分类算法的监督学习和(ii)其他机器学习任务的AI能力的系统或过程有关。如在此使用的,“认知的”及其变体不应被解释为或属于在人类思想中执行的心理过程或概念。
用于认知地分配信道内带宽的系统
图1是根据本发明的实施例的用于认知地分配信道内带宽的系统100的框图。系统100包括计算机102,其执行基于软件的认知信道内带宽分配系统104。计算机102可操作地耦合到接入点106。在一个实施例中,接入点106是5G基站。多个设备108-1、…、108-N(例如,移动设备、可穿戴计算机或物联网设备)连接至接入点106,其中N是大于或等于1的整数。设备108-1、…、108-N正由一组用户110操作。可替代地,系统100具有包括接入点106的一个或多个接入点,其中,计算机102操作地耦接至一个或多个接入点,并且其中,设备108-1、…、108-N连接至包括在一个或多个接入点中的相应接入点。
在一个实施例中,认知信道内带宽分配系统104由5G网络的服务编排层中的计算机102执行。
在一个实施例中,认知信道内带宽分配系统104包括承载信道监控器(未示出)、3D绘图仪和移动跟踪器(未示出)、物联网情绪跟踪器(未示出)、模式到数据分析器(未示出)、优先级引擎(未示出)、QCI更新器(未示出)和事件周期管理器(未示出)。
承载信道监控器是监控承载信道流量以确定设备108-1、…、108-N的数据访问模式的守护进程。3D绘图仪和移动跟踪器使用3D三边测量或另一个三角测量技术来跟踪设备108-1、…、108-N的位置和移动。
物联网情绪跟踪器通过从物联网设备(诸如活动跟踪器和其他启用无线的可穿戴技术设备)接收生物测定数据来收集用户群体110中用户的生物特征。在一个实施例中,认知信道内带宽分配系统104使用机器学习模型来确定如何在用户群体110中的用户之间分配信道内稀缺的带宽。机器学习模型基于生物特征来确定稀稀缺带宽的分配。在一个实施例中,认知信道内带宽分配系统104包括允许用户群体110中的每个用户选择加入和选择退出生物特征收集的特征。
数据分析器的模式检测设备108-1、…、108-N的数据访问模式,其中,模式与由承载信道监控器收集的数据相关联。数据分析器的模式分析数据访问模式以确定用户群体110已经聚集在地理区域中的事件的类型,并确定对QCI值的更新。确定事件的类型还可基于用户简档和用户的兴趣。
优先级引擎基于用户群体110已经聚集的事件的类型对设备108-1、…、108-N或网络的接入点进行优先级排序。在一个实施例中,网络带宽的分配基于设备的优先级。
QCI更新器基于(i)用户群体110是在给定时间在指定地理区域中的人员聚集、(ii)数据访问模式、以及(iii)事件的类型来更新QCI值。人员聚集可以是预期的聚集或非预期的聚集。
在一个实施例中,认知信道内带宽分配系统104基于用户群体110中的用户总数超出特定地理区域和特定时间的预期人数阈值量,以确定用户群体110是指定地理区域和指定时间的非预期的人员聚集。预期的人数是从包括在数据存储库116中的历史数据导出的。例如,特定地理区域和特定时间的预期人数是该地理区域中在与该特定时间匹配的时间的平均人数,其中,所述地理区域中在上述时间的平均人数和相关联的标准偏差是从数据库116中检索的历史数据确定的,该历史数据指定在不同时间连接到特定地理区域中的接入点的设备的数量。在该示例中,在用户群体110中的用户总数超过预期人数阈值量,因为用户总数超过地理区域中的平均人数多于一个标准偏差。
事件周期管理器确定人员聚集是否已经分散(即,在随后的时间在特定的地理区域中剩余的用户的数量不超过预期人数阈值量)。如果事件周期管理器确定人员聚集已分散,则事件周期管理器将QCI值恢复到其正常设置(即,先前已被更新为新设置的初始设置)。
认知信道内带宽分配系统104检测设备108-1、…、108-N与接入点106具有的连接。
认知信道内带宽分配系统104中的3D绘图仪和移动跟踪器使用3D三边测量或另一地理位置确定技术来确定设备108-1、…、108-N的地理位置。使用所检测的连接和位置,认知信道内带宽分配系统104检测设备108-1、…、108N的用户群体110。认知信道内带宽分配系统104确定用户群体110中的用户总数超过预定的用户阈值数量,由此指示用户群体110是具有足够规模的人员聚集来确保认知分配的带宽。
认知信道内带宽分配系统104中的承载信道监控器为设备108-1、…、108-N检测数据访问模式112,设备108-1、…、108-N由包括在检测的用户群体110中的用户群体110操作。使用检测到的数据接入模式112,认知信道内带宽分配系统104确定设备108-1、…、108-N的带宽需求,并更新QCI值114以满足带宽需求。
在一个实施例中,认知信道内带宽分配系统104从数据存储库116接收历史数据,其中历史数据指定用户群体110的数据访问以确定带宽需求。在一个实施例中,认知信道内带宽分配系统104接收用户群体110的日历数据118以确定用户群体110的聚集的类型以及聚集的时间线以确定带宽需求。例如,日历数据118指示队列已被安排为在指定时间段期间沿城市中的路线发生,由此指示用户群体110可能被聚集以参与或观看该队列。在一个实施例中,认知信道内带宽分配系统104包括允许用户群体110中的每个用户选择加入和选择退出日历数据集合118的特征。
在一个实施例中,认知信道内带宽分配系统104与共存智能承载信道监控工具一起在5G网络的服务编排层中操作,共存智能承载信道监控工具与现有4G网络一起使用以标识来自用户群体110中的人使用的移动设备和支持物联网的设备的洞察,其中设备连接eNodeB。
在一个实施例中,认知信道内带宽分配系统104通过检测到特定eNodeB的用户登录模式来检测聚集在用户群体110中的人。在认知信道内带宽分配系统104标识人员聚集之后,认知信道内带宽分配系统104基于由人在聚集中使用的设备108-1、…、108-N经由QCI分类的触发以及随后的由包括在认知信道内带宽分配系统104中的机器学习系统的推断而生成的流量来标识聚集的类型。在QCI分类生成洞察之后,认知信道内带宽分配系统104基于设备108-1、…、108-N的网络需求动态地切换QCI特性。
在一个实施例中,认知信道内带宽分配系统104考虑软件定义联网(SDN)和网络功能虚拟化(NFV)以适应联网服务(诸如内容分发网络(CDN))以及其他适配于组功能的事件类型的变化。在一个实施例中,认知信道内带宽分配系统104(见图1)使用CDN和其他外围集成器来收集情境洞察并提供内联媒体操纵。在一个实施例中,认知信道内带宽分配系统104(见图1)使用CDN来提供用于事件识别的内联媒体匹配服务的能力。5G电信网络的NFV平面提供地面级数据流量和洞察,其在5G服务编排的事件和优先级管理中被集成。NFV包括提供来自UE和相关联的eNodeB的越界互通的一组功能,并且用于跨网络的控制信息交换。在一个实施例中,事件的预定义模型基于已经可用的分类技术被训练到认知信道内带宽分配系统104。认知信道内带宽分配系统104使用分类器对象来进行QCI调谐的简档重复。在一个实施例中,认知信道内带宽分配系统104考虑用户行为的历史数据、基于设备108-1、…、108-N的使用模式的优先级、日历数据118、环境特性以及用户群体110中的人的个性洞察来确定人员聚集的类型和网络带宽需求,并基于在智能网络中提供更好的服务质量(QoS)的义务来调整QCI值114以及在保证比特率(GBR)与非GBR模式之间的切换。
在下面呈现的图2A-2B和图3的讨论中更详细地描述图1中示出的部件的功能。
信道内带宽的认知分配过程
图2A-2B描绘了认知地分配信道内带宽的过程的流程图,其中根据本发明的实施方式,在图1的系统中实施该过程。图2A-2B的过程在步骤200开始。在图2A中的步骤202中,认知信道内带宽分配系统104(见图1)在当前时间检测连接到网络的一个或多个接入点的设备108-1、…、108-N(见图1),其中一个或多个接入点包括接入点106(见图1)。设备108-1、…、108-N(见图1)由用户群体110(见图1)操作。在一个实施例中,网络是5G网络。在一个实施例中,认知信道内带宽分配系统104(见图1)通过集成设备108-1、…、108-N(见图1)与接入点106(见图1)的现有接口检测设备108-1、…、108-N(见图1)。
例如,操作系统集成器软件或从全球定位系统(GPS)互连收集信息的外部可安装编程接口获得用户细节,诸如位置、用户简档、活动应用的列表、基于日历数据118(参见图1)的互连的聚集类型、用户个性映射,并且通过入站或出站应用程序编程接口(API)发送用户细节,以为5G电信网络的编排层服务。对于绑定API互连,来自用户设备(UE)(即,图1中的设备108-1、…、108-N中的一个)的专用控制信道(DCCH)与无线电链路控制(RLC)通信,无线链路控制进一步使用功能专用传输信道(DTCH)将流转换成服务编排。包括在认知信道内带宽分配系统104(见图1)中的守护进程(即,承载信道监控器)通过监控转移的数据流的类型来确定承载信道使用,并基于位置使用DTCH。认知信道内带宽分配系统104(参见图1)使用UE的位置跟踪和UE的承载信道的传输捕获来构建位置到介质类型的映射。
在步骤204中,认知信道内带宽分配系统104(见图1)检测设备108-1、…、108-N(见图1)的相应位置并且确定位置在指定的地理区域中。在一个实施例中,认知信道内带宽分配系统104(见图1)中的3D绘图仪和移动跟踪器在步骤204中检测设备108-1、…、108-N(见图1)的位置。
在步骤206中,认知信道内带宽分配系统104(见图1)检索历史数据,其特定在与当前时间匹配的时间在前述特定的地理区域(其包括在步骤204中检测到的位置)中的预期人数。
在步骤208中,认知信道内带宽分配系统104(见图1)确定正在操作设备108-1、…、108-N(见图1)的用户群体110(见图1)中的用户总数超过预期人数至少预定阈值量,其中预期人数由步骤206中检索的历史数据特定。
在步骤210中,基于(i)如在步骤202中检测的设备108-1、…、108-N(见图1)连接至一个或多个接入点,(ii)在步骤204中检测的位置,以及(iii)用户群体110(见图1)中的用户总数超过在步骤208中确定的预期人数,认知信道内带宽分配系统104(见图1)检测人员聚集为操作设备108-1的用户群体110(见图1),……,108-N(见图1)在当前时间在地理区域内。
在步骤212中,响应于在步骤202中检测到连接至一个或多个接入点的设备108-1、…、108-N(见图1)并且确定在用户群体110(见图1)中的用户数量超过在步骤206中检索的历史数据特定的预期人数,认知信道内带宽分配系统104(见图1)检测设备108-1、…、108-N(见图1)的相应数据访问模式。在一个实施例中,承载信道监视器提供特定承载信道业务的数据,这是步骤212中检测数据接入模式的基础。在一个实施例中,在步骤212中,模式到数据分析器检测数据访问模式。
在步骤214中,基于在步骤212中检测的数据访问模式,认知信道内带宽分配系统104(见图1)确定人员聚集所针对的事件的类型。在一个实施例中,认知信道内带宽分配系统104中的模式到数据分析器(见图1)在步骤214中确定事件的类型。
在一个实施例中,认知信道内带宽分配系统104(见图1)使用内联数据流分类器来捕获从DTCH流出的数据流、读取元数据对象、以及通过演进型分组系统(EPS)承载跨DTCH发送(即,来自UE的逻辑连接,该连接已被分配了用于数据传送的服务质量)。基于从监测EPS承载的认知信道内带宽分配系统104(见图1)导出的统计数据,认知信道内带宽分配系统104(见图1)解释通过EPS承载和逻辑信道发送和接收的对象类型,并将来自UE的连接与位置和其他情境上下文进行映射。认知信道内带宽分配系统104(见图1)为给定位置推断要通过DTCH交换的内容的类型,从而基于信道使用来识别事件的可能类型。
在步骤216中,基于已经在步骤210中检测到的人员聚集、在步骤212中检测到的数据访问模式、以及在步骤214中确定的事件的类型,认知信道内带宽分配系统104(参见图1)预测设备108-1、…、108-N(参见图1)的带宽需求,并且确定对满足预测带宽需求所必需的QCI值114(参见图1)的更新。在一个实施例中,步骤216包括认知信道内带宽分配系统104(参见图1)确定对于将信道动态切换到GBR兼容所必需的QCI值114(参见图1)的更新。
在一个实施例中,带宽需求的预测和步骤216中对QCI值114(见图1)更新的确定进一步基于(i)由优先级引擎提供的设备108-1、…、108-N(见图1)的优先次序和(ii)由物联网情绪跟踪器提供的生物特征数据。在一个实施例中,认知信道内带宽分配系统104(见图1)分析承载信道的带宽需求,优先化设备108-1、…、108-N(见图1)并基于带宽需求和优先级化的设备选择QCI策略。在一个实施方式中,认知信道内带宽分配系统104(参见图1)从传输流监测器和其他设备集成平台收集承载信道的带宽需求,这些平台提供连接至eNodeB的每个UE(即,设备)的承载信道数据流的详细信息。在一个实施方式中,认知信道内带宽分配系统104(参见图1)使用互连的API来捕获通过S1承载至5G基础设施管理平面的传输,从而识别带宽需求。在一个实施方式中,认知信道内带宽分配系统104(见图1)通过在基础设施管理平面读取元数据映射器,基于事件的类型和通过EPS承载的输入/输出(I/O)流量,优先化设备108-1、…、108N。5G基础设施和物理接口层包括通过DTCH为媒体元数据提供监控能力的监控工具。认知信道内带宽分配系统104(参见图1)将元数据映射至事件类型并基于映射确定事件的优先级。事件的分配的优先级确定在网络拥塞期间的I/O流以及在网络拥塞期间可继续操作的优先事件。在一个实施例中,认知信道内带宽分配系统104(参见图1)基于事件类型和事件优先级识别QCI分类。在一个实施例中,认知信道内带宽分配系统104(参见图1)为选择的DTCH和EPS承载选择QCI分类,如GBR或非GBR。
在图2B的步骤218中,基于已经在步骤210中检测到的人员聚集、在步骤212中检测到的数据访问模式、以及在步骤214中确定的事件类型,认知信道内带宽分配系统104(参见图1)将QCI值从正常设置更新为新设置以满足在步骤216中预测的带宽需求。在步骤214中被更新的QCI值被包括在QCI值114中(参见图1)。在一个实施例中,认知信道内带宽分配系统104中包括的QCI更新器(参见图1)在步骤214中更新QCI值。
在一个实施例中,认知信道内带宽分配系统104(参见图1)标识当前逻辑信道的QCI水平,并指示地理区域中的UE使用公共控制信道(CCCH)共享QCI分类值。DCCH可以用作CCCH的替代。在一个实施例中,响应于共享QCI分类值的命令,UE使用DCCH发送针对所请求的承载信道的QCI分类值。在一个实施例中,认知信道内带宽分配系统104(参见图1)在5G架构中的物理网络功能管理器处将更新的QCI值连同GBR和非GBR兼容值分配给逻辑信道。认知信道内带宽分配系统104(见图1)使用地理区域中的设备108-1、…、108-N(见图1)的公共控制信道(CCCH)来通知每个设备关于更新的QCI值和GBR和非GBR兼容值的分配。接收经更新的QCI值改变了承载业务性能的性质,从而允许使用情境要求来传送信息。
在步骤220中,认知信道内带宽分配系统104(见图1)检测包括在设备108-1、…、108-N(见图1)中的一个或多个设备变得与一个或多个接入点断开,这使得设备108-1、…、108-N(见图1)的适当子集连接到一个或多个接入点。在一个实施例中,包括在认知信道内带宽分配系统104(见图1)中的事件周期管理器执行步骤220。
在步骤222中,认知信道内带宽分配系统104(参见图1)确定操作设备适当子集的用户总数不超过预期人数至少阈值量。在一个实施例中,包括在认知信道内带宽分配系统104(见图1)中的事件周期管理器执行步骤222。
在步骤224,响应于确定正在操作设备108-1、…、108-N的适当子集的用户数量不超过预期人数至少阈值量,认知信道内带宽分配系统104(参见图1)将QCI值恢复到正常设置,其中QCI值已在步骤218中更新。
在一个实施例中,认知信道内带宽分配系统104中的事件周期管理器和承载信道监控器(见图1)连续监控跨信道的输入/输出业务。响应于在步骤218中检测到QCI值的更新,内联流分类器继续监测即将到来的流量。响应于认知信道内带宽分配系统104(见图1)识别出EPS或DTCH内容已经改变,认知信道内带宽分配系统104(见图1)向5G服务编排中的事件确认管理器发送命令。事件验证管理器重新计算事件假象并检查事件有效性和带宽需求。如果针对事件聚集的人员聚集已分散,则认知信道内带宽分配系统104(参见图1)通过使用CCCH和专用控制信道(DCCH)消息通信请求相应的设备来将QCI值恢复到正常(即,原始)设置。
在步骤224之后,图2A-2B的过程在步骤226结束。
在另一个实施方式中,上述步骤212、214和216的替代方案包括:(1)使用从数据存储库116(参见图1)检索的历史数据,认知信道内带宽分配系统104(参见图1)确定设备108-1、…、108-N(参见图1)的历史数据访问模式;(2)使用由用户群体110(见图1)利用的日历应用程序生成的日历数据118(见图1),认知信道内带宽分配系统104(见图1)确定(i)聚集人员所聚集的事件的类型和(ii)聚集人员将保持聚集的时间线;以及(3)基于设备108-1、…、108-N的历史数据访问模式(参见图1)、事件的类型和时间线,认知信道内带宽分配系统104(参见图1)确定设备的带宽需求。在一个实施例中,认知信道内带宽分配系统104(参见图1)在5G电信网络的服务编排层收集上述历史数据并细化历史数据以确定基于时间的上下文分析。在确定信道使用之后,认知信道内带宽分配系统104(见图1)引入时间线约束来确定所选边界区域(即,地理区域)中的流量类别。边界区域可以基于事件的类型是静态的或动态的,并且包含流类型到时间线的映射。认知信道内带宽分配系统104(参见图1)可以使用机器学习机制从5G服务编排层的历史数据中学习以及对用户日历的额外认识并收集UE数据传送时间线。在一个实施方式中,认知信道内带宽分配系统104(参见图1)将事件映射到用户日历,并基于通过EPS承载传输的数据的重要性预测未来带宽需求。在一个实施例中,认知信道内带宽分配系统104为用户群体110(见图1)中的用户提供选项来选择加入和选择退出来自设备108-1、…、108-N(见图1)的日历数据118(见图1)的集合。
在一个实施例中,认知信道内带宽分配系统104(见图1)基于设备108-1、…、108-N(见图1)的历史数据访问模式并且进一步基于在步骤214中确定的事件类型来优先化设备108-1、…、108-N中的一个或多个(见图1)。基于在设备108-1、…、108-N(见图1)中包括的优先化的设备,认知信道内带宽分配系统104(见图1)向优先化的设备分配带宽以满足设备的带宽需求。
在一个实施例中,认知信道内带宽分配系统104(见图1)确定设备108-1(见图1)的指定使用模式。响应于确定指定的使用模式,认知信道内带宽分配系统104(见图1)为设备108-1(见图1)动态地切换信道以符合保证比特率,这减少了分组错误并减少了信道中的延迟。
在一个实施例中,包括在认知信道内带宽分配系统中的训练分类器104(参见图1)获得频繁观察到的聚会类型(例如,官方会议、婚礼等),并且包括这些聚会类型(即,训练事件)的训练QCI策略。认知信道内带宽分配系统104(见图1)使用训练分类器来创建事件的剖析和相应的签名。认知信道内带宽分配系统104(参见图1)响应于通过监督学习检测到事件中的一个事件的签名而分配预定义QCI值。
计算机系统
图3是根据本发明的实施方式的包括在图1的系统中并且实现图2A-2B的过程的计算机的框图。计算机102是计算机系统,其通常包括中央处理单元(CPU)302、存储器304、输入/输出(I/O)接口306和总线308。进一步,计算机102耦合到I/O设备310和计算机数据存储单元312。CPU 302执行计算机102的计算和控制功能,包括执行包括认知信道内带宽分配系统104(见图1)的系统的程序代码314中包括的指令以执行认知地分配信道内带宽的方法,其中指令由CPU 302通过存储器304执行。CPU302可包括单个处理单元或分布在一个或多个位置中的一个或多个处理单元上(例如,在客户端和服务器上)。
存储器304包括下面描述的已知的计算机可读存储介质。在一个实施例中,存储器304的高速缓冲存储器元件提供至少一些程序代码(例如,程序代码314)的临时存储,以便减少在执行程序代码的指令时必须从大容量存储检索代码的次数。此外,类似于CPU302,存储器304可以驻留在单个物理位置处,包括一个或多个类型的数据存储,或者以不同形式跨多个物理系统分布。进一步,存储器304可包括分布在例如局域网(LAN)或广域网(WAN)上的数据。
I/O接口306包括用于向外部源或从外部源交换信息的任何系统。I/O设备310包括任何已知类型的外部设备,包括显示器、键盘等。总线308提供计算机102中的每个部件之间的通信链路,并且可包括任何类型的传输链路,包括电、光、无线等。
I/O接口306还允许计算机102将信息(例如,数据或程序指令,诸如程序代码314)存储在计算机数据存储单元312或另一计算机数据存储单元(未示出)上并从其中检索信息。计算机数据存储单元312包括下面描述的已知的计算机可读存储介质。在一个实施例中,计算机数据存储单元312是非易失性数据存储设备,诸如例如固态驱动器(SSD)、网络附加存储(NAS)阵列、存储区域网络(SAN)阵列、磁盘驱动器(即,硬盘驱动器)或光盘驱动器(例如,接收CD-ROM盘的CD-ROM驱动器或接收DVD盘的DVD驱动器)。
存储器304和/或存储单元312可存储包括由CPU302通过存储器304执行以认知地分配信道内带宽的指令的计算机程序代码314。尽管图3将存储器304描述为包括程序代码,但是本发明设想存储器304不同时包括所有代码314,而是一次仅包括一部分代码314的实施方式。
此外,存储器304可包括操作系统(未示出)并且可包括图3中未示出的其他系统。
在一个实施例中,计算机数据存储单元312包括数据存储库112(见图1)和日历数据118(见图1)。
如本领域技术人员将理解的,在第一实施例中,本发明可以是方法;在第二实施例中,本发明可以是系统;在第三实施例中,本发明可以是计算机程序产品。
本发明的实施例的任何部件可以由服务提供商部署、管理、服务等,所述服务提供商针对认知地分配信道内带宽而提供部署或集成计算基础设施。由此,本发明的一个实施例公开了一种用于支持计算机基础设施的过程,其中该过程包括为包括一个或多个处理器(例如,CPU302)的计算机系统(例如,计算机102)中的计算机可读代码(例如,程序代码314)的集成、托管、维护和部署中的至少一者提供至少一个支持服务,其中处理器执行包含在代码中的指令,使得计算机系统认知地分配信道内带宽。另实施例公开了一种用于支持计算机基础设施的过程,其中该过程包括将计算机可读程序代码集成到包括处理器的计算机系统中。集成的步骤包括通过使用处理器将程序代码存储在计算机系统的计算机可读存储设备中。该程序代码在由处理器执行时实现认知地分配信道内带宽的方法。
虽然理解用于认知地分配信道内带宽的程序代码314可以通过经由加载计算机可读存储介质(例如,计算机数据存储单元312)手动地直接加载到客户机、服务器和代理计算机(未示出)中来部署,但是程序代码314也可以通过向中央服务器或一组中央服务器发送程序代码314来自动地或半自动地部署到计算机102中。然后将程序代码314下载到将执行程序代码314的客户计算机(例如,计算机102)中。可替代地,程序代码314经由电子邮件被直接发送到客户端计算机。然后通过执行将程序代码314分离到目录中的程序的电子邮件上的按钮将程序代码314分离到客户端计算机上的目录或者将程序代码314加载到客户端计算机上的目录中。另一替换方案是将程序代码314直接发送到客户端计算机硬盘驱动器上的目录。在存在代理服务器的情况下,该过程选择代理服务器代码,确定在哪些计算机上放置代理服务器代码,传输代理服务器代码,然后将代理服务器代码安装在代理服务器计算机上。程序代码314被传输至代理服务器,然后存储在代理服务器上。
本发明的另一实施例提供了一种在订阅、广告和/或费用的基础上执行过程步骤的方法。即,服务提供商可以提供创建、维持、支持等认知地分配信道内带宽的过程。在这种情况下,服务提供商可以为一个或多个客户创建、维护、支持等执行过程步骤的计算机基础设施。反过来,服务提供商可根据订阅和/或费用协议从消费者接收支付,和/或服务提供商可从广告内容向一个或多个第三方的销售接收支付。
本发明可以是任何可能的技术细节集成度的系统、方法和/或计算机程序产品。计算机程序产品可以包括其上具有用于使处理器(例如,CPU302)执行本发明的各方面的计算机可读程序指令314的计算机可读存储介质(或多个介质)(即,存储器304和计算机数据存储单元312)。
计算机可读存储介质可以是可保留和存储供指令执行设备(例如,计算机102)使用的指令(例如,程序代码314)的有形设备。计算机可读存储介质可以是,例如但不限于,电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备、或者上述的任意合适的组合。计算机可读存储介质的更具体示例的非穷尽列表包括以下各项:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式紧凑盘只读存储器(CD-ROM)、数字通用盘(DVD)、记忆棒、软盘、诸如穿孔卡之类的机械编码设备或具有记录在其上的指令的槽中的凸出结构、以及上述各项的任何合适的组合。如本文所使用的计算机可读存储媒体不应被解释为暂时性信号本身,例如无线电波或其他自由传播的电磁波、通过波导或其他传输媒体传播的电磁波(例如,穿过光纤电缆的光脉冲)或通过电线发射的电信号。
本文中所描述的计算机可读程序指令(例如,程序代码314)可以经由网络(未示出)(例如,互联网、局域网、广域网和/或无线网络)从计算机可读存储介质下载到相应计算/处理设备(例如,计算机102)或者下载到外部计算机或外部存储设备(例如,计算机数据存储单元312)。网络可以包括铜传输电缆、光传输纤维、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡(未示出)或网络接口(未示出)从网络接收计算机可读程序指令,并转发计算机可读程序指令以存储在相应计算/处理设备内的计算机可读存储介质中。
用于执行本发明的操作的计算机可读程序指令(例如,程序代码314)可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、集成电路的配置数据,或者以一种或多种编程语言的任何组合编写的源代码或目标代码,包括面向对象的编程语言(诸如Smalltalk、C++等)和过程编程语言(诸如“C”编程语言或类似编程语言)。计算机可读程序指令可以完全地在用户计算机上执行、部分在用户计算机上执行、作为独立软件包执行、部分在用户计算机上部分在远程计算机上执行或者完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机,或者可连接到外部计算机(例如,使用互联网服务提供商通过互联网)。在一些实施例中,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来使电子电路个性化来执行计算机可读程序指令,以便执行本发明的各方面。
在本文中参照根据本发明的实施方式的方法、装置(系统)和计算机程序产品的流程图示图(例如,图2A-2B)和/或框图(例如,图1和图3)描述本发明的方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令(例如,程序代码314)来实现。
这些计算机可读程序指令可被提供给通用计算机、专用计算机或其他可编程数据处理装置(例如,计算机102)的处理器(例如,CPU302)以产生机器,使得经由计算机或其他可编程数据处理装置的处理器执行的指令创建用于实现在流程图和/或框图的或多个框中指定的功能/动作的装置。这些计算机可读程序指令还可以存储在计算机可读存储介质(例如,计算机数据存储单元312)中,该计算机可读存储介质可以指引计算机、可编程数据处理装置、和/或其他设备以特定方式工作,使得具有存储在其中的指令的计算机可读存储介质包括制品,该制品包括实现流程图和/或框图的或多个框中所指定的功能/动作的各方面的指令。
计算机可读程序指令(例如,程序代码314)还可被加载到计算机(例如,计算机102)、其他可编程数据处理装置、或其他设备上,以使得一系列操作步骤在计算机、其他可编程装置或其他设备上执行以产生计算机实现的处理,使得在计算机、其他可编程装置或其他设备上执行的指令实现在流程图和/或框图的或多个框中指定的功能/动作。
附图中的流程图和框图示出了根据本发明的不同实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能和操作。对此,流程图或框图中的每个框可表示指令的模块、段或部分,其包括用于实现指定的逻辑功能的一个或多个可执行指令。在一些替代实施例中,框中所指出的功能可不按图中所指出的次序发生。例如,连续示出的两个方框实际上可以作为一个步骤完成,同时、基本上同时、以部分或完全时间上重叠的方式执行,或者方框有时可以以相反的顺序执行,这取决于所涉及的功能。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作或执行专用硬件与计算机指令的组合的专用的基于硬件的系统来实现。
虽然本文为了说明的目的描述了本发明的实施例,但是对于本领域技术人员而言,许多修改和变化将变得显而易见。因此,所附权利要求旨在涵盖落入本发明的范围内的所有此类修改和改变。
Claims (17)
1.一种用于控制网络中的数据传送的计算机实现的方法,所述方法包括以下步骤:
由一个或多个处理器检测连接到网络的一个或多个接入点的设备;
由所述一个或多个处理器检测所述设备的相应位置;
基于(i)所述设备连接至所述一个或多个接入点以及(ii)所述设备的位置,由所述一个或多个处理器检测作为用户群体的人员聚集,在当前时间下处在包括所述设备的位置的地理区域内,所述人员聚集正在操作检测到的设备;
通过所述一个或多个处理器检测所述设备的各自的数据访问模式;以及
基于所检测的数据访问模式和检测到的人员聚集,由所述一个或多个处理器将服务质量类别标识符(QCI)从正常设置更新为新设置以满足所述设备的带宽需求。
2.根据权利要求1所述的方法,进一步包括以下步骤:
由所述一个或多个处理器检索指定在与所述当前时间匹配的时间处在所述地理区域中的预期人数的历史数据;
由所述一个或多个处理器确定所述用户群体具有超过所述预期人数至少阈值量的第一用户总数,其中检测所述人员聚集的步骤进一步基于所述用户群体具有超过所述预期人数至少阈值量的所述第一用户总数;
在更新所述QCI的步骤之后,由所述一个或多个处理器检测所述设备中的一个或多个设备与所述一个或多个接入点断开连接,留下所述设备的适当子集连接至所述一个或多个接入点,所述设备的所述适当子集由用户的适当子集操作;
由所述一个或多个处理器确定所述用户的适当子集具有不超过所述预期人数至少所述阈值量的第二用户总数;以及
响应于确定所述用户的适当子集具有不超过所述预期人数至少所述阈值量的所述第二用户总数,由所述一个或多个处理器将所述QCI恢复到正常设置。
3.根据前述权利要求中任一项所述的方法,进一步包括以下步骤:基于所述数据访问模式,由所述一个或多个处理器确定所述人员聚集所针对的事件的类型,其中,更新所述QCI的步骤进一步基于所述事件的类型。
4.根据权利要求3所述的方法,进一步包括以下步骤:基于所述事件的类型、所检测的人员聚集以及所述设备的所述数据访问模式,由所述一个或多个处理器预测所述设备的带宽需求,其中响应于预测所述设备的所述带宽需求的步骤,执行更新QCI的步骤以满足所述预测的带宽需求。
5.根据前述权利要求中任一项所述的方法,进一步包括以下步骤:
由所述一个或多个处理器使用历史数据确定所述设备的历史数据访问模式;
使用用户的日历,由所述一个或多个处理器确定所述人员聚集所针对的事件的类型,并且由所述一个或多个处理器确定所述人员聚集的时间线;以及
基于所述设备的所述历史数据访问模式、所述事件的类型和收集的时间线,由所述一个或多个处理器确定所述设备的所述带宽需求。
6.根据权利要求5所述的方法,进一步包括以下步骤:
基于所述设备的所述历史数据访问模式和所述事件的类型,由所述一个或多个处理器对所述设备划分优先级;以及
基于优先级化的设备,向所述设备分配带宽以满足所述设备的所述带宽需求。
7.根据前述权利要求中任一项所述的方法,进一步包括以下步骤:
由所述一个或多个处理器确定在所述设备中包括的设备的特定使用模式;以及
响应于确定所述特定的使用模式的步骤,由所述一个或多个处理器动态地切换用于所述设备的信道以符合降低分组错误的保证比特率。
8.根据前述权利要求中任一项所述的方法,进一步包括以下步骤:
为所述计算机中的创建、集成、托管、维护和部署计算机可读程序代码中的至少一个提供至少一个支持服务,所述程序代码由所述计算机的处理器执行以实现检测所述设备、检测所述设备的所述相应位置、检测所述人员聚集、检测所述设备的所述相应数据访问模式以及更新所述QCI。
9.一种用于控制网络中的数据传送的计算机系统,所述系统包括:
中央处理单元(CPU);
存储器,耦接至所述CPU;以及
耦接到所述CPU的计算机可读存储介质,所述计算机可读存储介质包含由所述CPU经由所述存储器执行以实现包括下述步骤的方法的指令:
所述计算机系统检测连接到网络的一个或多个接入点的设备;
所述计算机系统检测所述设备的相应位置;
基于(i)设备连接至一个或多个接入点和(ii)设备的位置,计算机系统检测作为用户群体的人员聚集,在当前时间下处在包括所述设备的位置的地理区域内,所述人员聚集正在操作检测到的设备;
所述计算机系统检测所述设备的各自的数据访问模式;以及
基于所检测的数据访问模式和检测到的人员聚集,所述计算机系统将服务质量类别标识符(QCI)从正常设置更新为新设置以满足所述设备的带宽需求。
10.根据权利要求9所述的计算机系统,其中,所述方法进一步包括以下步骤:
所述计算机系统检索指定在与所述当前时间匹配的时间处在所述地理区域中的预期人数的历史数据;
所述计算机系统确定所述用户群体具有超过所述预期人数至少阈值量的第一用户总数,其中检测所述人员聚集的步骤进一步基于所述用户群体具有超过所述预期人数至少阈值量的所述第一用户总数;
在更新所述QCI的步骤之后,所述计算机系统检测所述设备中的一个或多个设备与所述一个或多个接入点断开,留下所述设备的适当子集被连接到所述一个或多个接入点,所述设备的所述适当子集由所述用户的适当子集操作;
所述计算机系统确定所述用户的适当子集具有不超过所述预期人数至少所述阈值量的第二用户总数;以及
响应于确定所述用户的适当子集具有不超过所述预期人数至少所述阈值量的所述第二用户总数,所述计算机系统将所述QCI恢复到正常设置。
11.根据权利要求9或10所述的计算机系统,其中,所述方法进一步包括基于所述数据访问模式,所述计算机系统确定所述人员聚集所针对的事件的类型的步骤,其中,更新QCI的步骤进一步基于所述事件的类型。
12.根据权利要求11所述的计算机系统,其中,所述方法进一步包括基于所述事件的类型、所检测的人员聚集以及所述设备的所述数据访问模式的步骤,所述计算机系统预测所述设备的带宽需求,其中,响应于预测所述设备的所带宽需求的步骤,执行更新QCI的步骤以满足所述预测的带宽需求。
13.根据权利要求9至12中任一项所述的计算机系统,其中,所述方法进一步包括以下步骤:
使用历史数据,计算机系统确定设备的历史数据访问模式;
使用用户的日历,所述计算机系统确定所述人员聚集所针对的事件的类型,并且确定所述人员聚集的时间线;以及
基于所述设备的所述历史数据访问模式、所述事件的类型和收集的时间线,所述计算机系统确定所述设备的所述带宽需求。
14.根据权利要求13所述的计算机系统,其中,所述方法进一步包括以下步骤:
基于所述设备的所述历史数据访问模式和所述事件的类型,所述计算机系统对所述设备划分优先级;以及
基于优先级化的设备,所述计算机系统向所述设备分配带宽以满足所述设备的所述带宽需求。
15.根据权利要求9至14中任一项所述的计算机系统,其中,所述方法进一步包括以下步骤:
所述计算机系统确定在所述设备中包括的设备的特定使用模式;以及
响应于确定所述特定使用模式的步骤,所述计算机系统动态地切换用于所述设备的信道以符合降低分组错误的保证比特率。
16.一种用于控制网络中的数据传送的计算机程序产品,所述计算机程序产品包括:
计算机可读存储介质,所述计算机可读存储介质可由处理电路读取并且存储用于由所述处理电路执行以执行根据权利要求1至8中任一项所述的方法的指令。
17.一种计算机程序,存储在计算机可读介质上并可加载到数字计算机的内部存储器中,所述计算机程序包括软件代码部分,当所述程序在计算机上运行时,所述软件代码部分用于执行根据权利要求1至8中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/519,582 | 2019-07-23 | ||
US16/519,582 US10735891B1 (en) | 2019-07-23 | 2019-07-23 | Cognitively controlling data delivery |
PCT/IB2020/056517 WO2021014267A1 (en) | 2019-07-23 | 2020-07-10 | Cognitively controlling data delivery |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114073112A true CN114073112A (zh) | 2022-02-18 |
Family
ID=71839000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080049221.1A Pending CN114073112A (zh) | 2019-07-23 | 2020-07-10 | 认知地控制数据传送 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10735891B1 (zh) |
JP (1) | JP7438608B2 (zh) |
CN (1) | CN114073112A (zh) |
DE (1) | DE112020002798T5 (zh) |
GB (1) | GB2601087B (zh) |
WO (1) | WO2021014267A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11381657B2 (en) * | 2019-04-05 | 2022-07-05 | Citrix Systems, Inc. | Enhanced file sharing systems and methods |
US11941445B2 (en) | 2021-09-13 | 2024-03-26 | International Business Machines Corporation | RLC channel management for low memory 5G devices |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU7495800A (en) | 1999-09-15 | 2001-04-17 | Tellabs Operations, Inc. | Allocating network bandwidth |
US7295119B2 (en) | 2003-01-22 | 2007-11-13 | Wireless Valley Communications, Inc. | System and method for indicating the presence or physical location of persons or devices in a site specific representation of a physical environment |
US9955332B2 (en) | 2009-01-28 | 2018-04-24 | Headwater Research Llc | Method for child wireless device activation to subscriber account of a master wireless device |
US9557889B2 (en) | 2009-01-28 | 2017-01-31 | Headwater Partners I Llc | Service plan design, user interfaces, application programming interfaces, and device management |
CN102857972A (zh) * | 2011-06-30 | 2013-01-02 | 中兴通讯股份有限公司 | 一种认知无线电系统资源重配的方法及系统 |
US9071985B2 (en) | 2012-02-01 | 2015-06-30 | Qualcomm Incorporated | Apparatus and method for user equipment assisted congestion control |
FI124467B (en) * | 2012-03-01 | 2014-09-15 | Innorange Oy | Procedure, arrangement and arrangement for estimating the number of persons |
US9147297B2 (en) | 2012-03-14 | 2015-09-29 | Flextronics Ap, Llc | Infotainment system based on user profile |
US9378528B2 (en) * | 2012-10-15 | 2016-06-28 | Nokia Technologies Oy | Method and apparatus for improved cognitive connectivity based on group datasets |
US9986563B2 (en) | 2014-02-28 | 2018-05-29 | Vicidiem Holdings, Llc | Dynamic allocation of network bandwidth |
US9860123B2 (en) * | 2014-04-11 | 2018-01-02 | International Business Machines Corporation | Role and proximity-based management of networks |
EP3030020B1 (en) * | 2014-12-01 | 2020-01-08 | Viavi Solutions UK Limited | Providing streaming geolocation infomation |
WO2017180034A1 (en) * | 2016-04-11 | 2017-10-19 | Telefonaktiebolaget Lm Ericsson (Publ) | Checking capacity for a multimedia session |
US10708147B2 (en) * | 2017-03-07 | 2020-07-07 | International Business Machines Corporation | Monitoring dynamic quality of service based on changing user context |
FI20175725A1 (en) * | 2017-08-14 | 2019-02-15 | Univ Of Jyvaeskylae | Customer-centered cognitive self-organizing networks |
US10477416B2 (en) * | 2017-10-13 | 2019-11-12 | At&T Intellectual Property I, L.P. | Network traffic forecasting for non-ticketed events |
CA3102846C (en) * | 2018-06-06 | 2023-04-04 | The Joan and Irwin Jacobs Technion-Cornell Institute | Telecommunications network traffic metrics evaluation and prediction |
-
2019
- 2019-07-23 US US16/519,582 patent/US10735891B1/en active Active
-
2020
- 2020-07-10 GB GB2202265.1A patent/GB2601087B/en active Active
- 2020-07-10 DE DE112020002798.8T patent/DE112020002798T5/de active Pending
- 2020-07-10 WO PCT/IB2020/056517 patent/WO2021014267A1/en active Application Filing
- 2020-07-10 CN CN202080049221.1A patent/CN114073112A/zh active Pending
- 2020-07-10 JP JP2022502806A patent/JP7438608B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2022541500A (ja) | 2022-09-26 |
DE112020002798T5 (de) | 2022-03-03 |
GB2601087A (en) | 2022-05-18 |
GB202202265D0 (en) | 2022-04-06 |
WO2021014267A1 (en) | 2021-01-28 |
JP7438608B2 (ja) | 2024-02-27 |
GB2601087B (en) | 2023-02-22 |
US10735891B1 (en) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11556856B2 (en) | Cloud assisted machine learning | |
US11010637B2 (en) | Generative adversarial network employed for decentralized and confidential AI training | |
US11729440B2 (en) | Automated resource management for distributed computing | |
Islam et al. | Context-aware scheduling in Fog computing: A survey, taxonomy, challenges and future directions | |
EP3673375B1 (en) | System and method for cloud-device collaborative real-time user usage and performance abnormality detection | |
TW202131661A (zh) | 用於網路最佳化的裝置及方法、以及非暫時性電腦可讀媒體 | |
US11902173B2 (en) | Dynamic allocation of network resources using external inputs | |
US10212194B2 (en) | Server controlled throttling of client to server requests | |
CN105229628A (zh) | 具有资源管理机制的计算系统及其操作方法 | |
Alfonso et al. | Self-adaptive architectures in IoT systems: a systematic literature review | |
US11617116B2 (en) | Optimizing private network during offload for user equipment performance parameters | |
CN114073112A (zh) | 认知地控制数据传送 | |
Ahammad et al. | Software-defined dew, roof, fog and cloud (SD-DRFC) framework for IoT ecosystem: the journey, novel framework architecture, simulation, and use cases | |
Raj et al. | Edge/Fog Computing Paradigm: The Concept, Platforms and Applications. | |
US11075817B1 (en) | Context aware network capacity augmentation using a flying device | |
Nasser et al. | An efficient Time-sensitive data scheduling approach for Wireless Sensor Networks in smart cities | |
US10827335B1 (en) | Cognitive emergency management on a 5G telecom network | |
US20230367790A1 (en) | System and method for time-spatial data partitioning in a blockchain network | |
US20220172078A1 (en) | Insight allotment to edged locations | |
Marques et al. | Proactive resource management for cloud of services environments | |
Kabashkin | Dependability of v2i services in the communication network of the intelligent transport systems | |
Agarwal et al. | ANN-Based Scalable Video Encoding Method for Crime Surveillance-Intelligence of Things Applications | |
US20220164826A1 (en) | Social media ai mitigation and masking | |
Xu et al. | Edge Video Analytics: A Survey on Applications, Systems and Enabling Techniques | |
US11855859B1 (en) | Computerized systems and methods for application prioritization during runtime |
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 |