CN114125932A - 数据分流的方法、装置及网络设备 - Google Patents
数据分流的方法、装置及网络设备 Download PDFInfo
- Publication number
- CN114125932A CN114125932A CN202010902147.5A CN202010902147A CN114125932A CN 114125932 A CN114125932 A CN 114125932A CN 202010902147 A CN202010902147 A CN 202010902147A CN 114125932 A CN114125932 A CN 114125932A
- Authority
- CN
- China
- Prior art keywords
- sample data
- communication
- parameter
- decision tree
- gini
- 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.)
- Granted
Links
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
- H04W28/0289—Congestion control
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种数据分流的方法、装置和网络设备,涉及无线通信技术领域。其中,所述方法包括:获取非独立组网NSA架构下的目标通信参数;将所述目标通信参数输入预训练的目标分类模型,以分析得到所述NSA架构下的通信数据分流预测结果;根据所述通信数据分流预测结果进行通信数据分流,从而改善NSA分流效果。
Description
技术领域
本申请涉及无线通信技术领域,尤其涉及一种数据分流的方法、装置及网 络设备。
背景技术
在第五代(5th-Generation,5G)新空口(NR)移动通信技术中,通常采 用非独立组网(NSA)架构实现数据通信。其中,在NSA架构下,当用户面 NR基站连接4G核心网时,用户数据流量的分流和聚合是在NR基站处完成, 例如,可以直接通过NR基站传送到终端,也可以通过NR基站的X2接口将 部分数据转发到4G基站再传送到终端。
但是,数据从核心网到终端的过程中,缺乏统一的数据分流方案,导致 NSA分流效果差,容易出现网络拥塞等问题。
发明内容
本申请实施例提供了一种数据分流的方法、装置及网络设备,能够改善 NSA架构下的分流效果,避免网络拥塞等问题出现。
为了解决上述问题,本申请是这样实现的:
第一方面,本申请实施例提供一种数据分流的方法,应用于网络设备,所 述方法包括:获取非独立组网NSA架构下的目标通信参数;将所述目标通信 参数输入预训练的目标分类模型,以分析得到所述NSA架构下的通信数据分 流预测结果;根据所述通信数据分流预测结果进行通信数据分流。
本申请的一个或多个实施例中,所述目标分类模型的训练过程包括:获取 NSA架构下的历史通信参数;对所述历史通信参数进行预处理,得到包含多个 样本数据的样本数据集,其中,每个所述样本数据包括流量标签、多个通信参 数以及各所述通信参数对应的参数等级标签,所述参数等级标签用于表征通信 质量;从所述样本数据集中随机有放回的抽取多份样本数据,以形成多个样本 数据子集;对于每个所述样本数据子集,以所述样本数据子集中的样本数据, 构建决策树模型,得到与各所述样本数据子集一一对应的多个决策树模型;对 各所述决策树模型进行模型评估,得到各所述决策树模型的准确率;从所述多 个决策树模型中选取准确率最高的决策树模型作为目标分类模型。
本申请的一个或多个实施例中,以所述样本数据子集中的样本数据,构建 决策树模型,包括:(1),以所述样本数据子集构建决策树,将所述样本数据 子集中的各样本数据作为所述决策树的当前叶节点;(2),根据每个所述样本 数据的流量标签计算所述样本数据集的第一基尼系数;(3),针对所述样本数 据中的每个通信参数对应的参数等级标签,计算该通信参数的第二基尼系数; (4),针对所述样本数据中的每个通信参数,根据所述第一基尼系数以及所述 通信参数对应的第二基尼系数计算所述通信参数的基尼增益;(5),以基尼增 益最大的通信参数来分裂当前叶节点,以形成决策树的下一层叶节点;(6), 将所述下一层叶节点作为所述当前叶节点,重复(2)至(5),直到满足决策 树停止分裂条件,得到所述决策树模型。
本申请的一个或多个实施例中,根据每个所述样本数据的流量标签计算所 述样本数据集的第一基尼系数,包括:统计所述样本数据子集中包括的样本数 据中不同类别的流量标签的数量;根据所述不同类别的流量标签的数量以及所 述样本数据子集中的样本数据的总量,计算第一基尼系数。
本申请的一个或多个实施例中,所述第一基尼系数GINI(N)通过如下公式 计算得到:其中,K表示所述样本数据子集中包括流量标 签的类别总量,N表示类别为N的流量标签,Ck表示所述样本数据子集中包 括类别为N的流量标签的数量。
本申请的一个或多个实施例中,所述第二基尼系数GINI(N,S)通过如下公式 计算得到:其中,N表示 样本数据子集,S表示所述样本数据子集中的通信参数S,mi表示通信参数S对 应的各参数等级标签的数量,GINI(Ai)表示参数等级标签为A1的基尼系数, i=1,2,……,n,。
本申请的一个或多个实施例中,所述基尼增益gain(N,S)通过如下公式计算 得到:gain(N,S)=GINI(N)-GINI(N,S)其中,GINI(N)表示第一基尼系数,GINI(N,S) 表示第二基尼系数。
本申请的一个或多个实施例中,所述目标通信参数至少包括:新空口NR 覆盖参数、长期演进TE锚点覆盖参数、NR资源利用率、辅节点SN添加成功 率、LTE小区切换成功率、NR小区切换成功率、辅小区组SCG掉线、LTE 物理资源块PRB下行利用率、NR-PRB下行利用率中的一种。
第二方面,本申请实施例提供一种数据分流的装置,所述装置包括:获取 模块,用于获取NSA架构下的目标通信参数;计算模块,用于将所述目标通 信参数输入预训练的目标分类模型,以分析得到所述NSA架构下的通信数据 分流预测结果,分流模块,用于根据所述通信数据分流预测结果进行通信数据 分流。
第三方面,本申请实施例提供一种网络设备,包括处理器,存储器及存储 在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所 述处理器执行时实现如第一方面所述的数据分流的方法的步骤。第四方面,本 申请实施例还提供一种计算机可读存储介质,当所述存储介质中的指令由网络 设备中的处理器执行时,使得网络设备能够执行如第一方面所述的数据分流的 方法的步骤。本申请实施例采用的上述至少一个技术方案能够达到以下有益效 果:
本申请提供一种数据分流的方法、装置及网络设备中,通过预配置的目标 分类模型对获取到的目标通信参数进行分析,以得到所述NSA架构下的通信 数据分流预测结果,进而根据所述通信数据分流预测结果进行通信数据分流, 由此,能够改善NSA架构下的分流效果,避免网络拥塞等问题出现。
上述说明仅是申请技术方案的概述,为了能够更清楚了解本申请的技术手 段,可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特 征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分, 本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限 定。在附图中:
图1是根据一示例性实施例提供的数据分流的方法的流程示意图。
图2a、图2b、图2c分别是根据一示例性实施例提供的三种数据分流场景 示意图。
图3a是根据另一示例性实施例提供的数据分流的方法的流程示意图。
图3b是根据一示例性实施例提供的目标分类模型构造流程示意图。
图4a是根据另一示例性实施例提供的数据分流结果示意图。
图4b、图4c、图4d、图4e分别是根据一示例性实施例提供的数据分流验 证结果示意图。
图5为根据另一示例性实施例提供的数据分流的装置的框图。
图6为根据一示例性实施例提供的网络设备的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实 施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的 实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施 例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施 例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
如图1所示,为根据本申请一示例性实施例提供的数据分流的方法100的 流程示意图,该方法可应用于网络设备,具体可由安装于所述网络设备中的软 件或/和硬件执行,可选地,所述网络设备可以是基站等。所述方法至少可包括 如下步骤。
S110,获取非独立组网NSA架构下的目标通信参数。
其中,所述目标通信参数用于反映NSA架构下的无线通信质量,如网络 负荷、网络性能等。可选的,所述目标通信参数至少可以包括:NR覆盖参数、 LTE锚点覆盖参数、NR资源利用率、辅节点(Secondary Node,SN)添加成 功率、LTE小区切换成功率、NR小区切换成功率、辅小区组(Secondary Cell Group,SCG)掉线、LTE物理资源块(Physical ResourceBlock,PRB)下行 利用率、NR-PRB下行利用率中的一种。
在一种实现方式中,在获取到目标通信参数后,可对所述目标通信参数进 行预处理,如按照预设的通信质量划分区间对目标通信参数进行参数等级划分, 以得到各所述通信参数对应的参数等级标签,其中,所述参数等级标签可以包 括但不限于极好、好、一般、差、极差等。
另外,通信质量划分区间可根据参数类型的不同进行灵活设计,例如,在 所述目标通信参数为参考信号接收功率(Reference Signal Received Power, RSRP)时,所述通信质量划分区间可以包括:RSRP>85dBm、-95dBm< RSRP<-85dBm、-105dBm<RSRP<-95dBm等。
S120,将所述目标通信参数输入预训练的目标分类模型,以分析得到所述 NSA架构下的通信数据分流预测结果。
其中,所述目标分类模型的模型类型在此不做限制,例如,所述目标分类 模型可以是决策树、向量机等。所述通信数据分流预测结果是指所述NSA架 构下的LTE网络(也即LTE基站)和NR网络(也即NR基站)的分流比,例 如,LTE网络和NR网络的分流比可以包括如下几种情况:
(1)NR基站分流比为100%,流量标签为“0”
(2)LTE基站分流100%,NR基站仅做流量转发,流量标签为“1”。
(3)NR基站和LTE基站按比例分流,如9:1、8:2、7:3、6:4、5:5、4:6、 3:7、2:8、1:9。一种实现方式中,可通过对前述的分流比进行离散化编码得到 对应的流量标签,例如,离散编码化处理得到的流量标签如表1所示。
表1
可以理解的是,在将预处理后的目标通信参数输入所述目标分类模型后, 所述目标分类模型的输出为流量标签等,以用于表征通信数据分流预测结果。
S130,根据所述通信数据分流预测结果进行通信数据分流。
其中,在根据所述通信数据分流预测结果进行分流时,其分流结果的示意 提可如图2a、2b、2c所示,具体如下。
(1)在图2a中,LTE锚点站(也即4G基站,LTE eNB)无需分流,NR 基站(也即NR gNB)全部分流,流量路径为:演进型分组核心网(Evolved Packet Core,EPC)-NR-终端,NR基站分流比例:100%。
(2)在图2b中,LTE锚点站参与部分分流,流量路径为: EPC-NR-ENodeB-UE,NR基站按比例分流,如S120中所述的9:1、8:2、7:3、 6:4、5:5、4:6、3:7、2:8、1:9等。
(3)在图2c中,5G无法完成用户面数据分流,流量路径全部从LTE转 发至NR,即:EPC-NR-EnodeB-UE,LTE基站分流100%,5G基站仅做流量 转发。
本实施例给出的数据分流的方法中,通过预配置的目标分类模型对获取到 的目标通信参数进行分析,以得到所述NSA架构下的通信数据分流预测结果, 进而根据所述通信数据分流预测结果进行通信数据分流,由此,能够改善NSA 架构下的分流效果,避免网络拥塞等问题出现。
如图3a示,为根据本申请一示例性实施例提供的数据分流的方法200的 流程图,该方法可应用于网络设备,具体可由安装于所述网络设备中的软件或 /和硬件执行,可选地,所述网络设备可以是基站等。所述方法至少可包括如下 步骤。
S310,获取非独立组网NSA架构下的目标通信参数。
其中,S310的实现方式可参照前述S110的详细描述,本实施例在此不再 赘述。
S320,将所述目标通信参数输入预训练的目标分类模型,以分析得到所述 NSA架构下的通信数据分流预测结果。
其中,S320的实现方式除可参照前述S120的详细描述之外,在一种实现 方式中,所述目标分类模型的训练过程可通过图3b所示的下述步骤实现。
S3201,获取NSA架构下的历史通信参数。
其中,所述历史通信参数的相关描述可参照前述S110中对目标通信参数 的描述,在此不再赘述。
S3202,对所述历史通信参数进行预处理,得到包含多个样本数据的样本 数据集。
其中,每个所述样本数据包括流量标签、多个通信参数以及各所述通信参 数对应的参数等级标签,所述参数等级标签用于表征通信质量。
具体的,为了确保数据分流效果,一种实现方式中,可按照预设的通信质 量划分区间对历史通信参数进行参数等级划分,以得到各所述通信参数对应的 参数等级标签。
例如,假设所述历史通信参数包括覆盖类参数(如RSRP、信号与干扰加 噪声比(Signal-to-Noise and Interference Ratio,SINR))、接入类参数(如接入 成功率(success_rate))、负荷类参数(如PRB_rate),且NR覆盖和LTE覆盖 标准定为一致,那么参数等级标签可以如表2、表3、表4中所示。应注意, 表2、表3、表4中所示的“极好、好、中、差、极差”为参数等级标签。可以 理解,本实施例中所示的参数等级标签、划分区间可以是但不限于表2、表3、 表4中所示。
表2
表3
接入类/切换类 | 区间划分 |
好 | success_rate>98% |
中 | success_rate=95%~98% |
差 | success_rate=90%~95% |
极差 | success_rate<90% |
表4
另外,前述的所述流量标签的相关描述可参照前述S120中的详细描述, 本实施例在此不再赘述。
S3203,从所述样本数据集中随机有放回的抽取多份样本数据,以形成多 个样本数据子集。
其中,假设所述样本数据集中有N个样本,那么,随机从所述N各样本 数据中抽取m(m≤N)个样本,如此重复多次,以得到多个样本数据子集。
S3204,对于每个所述样本数据子集,以所述样本数据子集中的样本数据, 构建决策树模型,得到与各所述样本数据子集一一对应的多个决策树模型。
其中,决策树模型是一种基本的分类与回归方法,呈树形结构,在分类问 题中,表示基于特征对实例进行分类的过程。主函数本质上是个递归函数,该 函数主要功能是根据某种规则生长出决策树的各个分支节点,并根据终止条件 结束算法,数据输入为待分类的样本数据集和类别标签。
本实施例的一种实现方式中,以基尼系数作为度量构造决策树模型,以简 化决策树构造过程中的大量的对数运算,基于此,S3204中所述的以所述样本 数据子集中的样本数据,构建决策树模型可以包括如下步骤。
(1),以所述样本数据子集构建决策树,将所述样本数据子集中的各样本 数据作为所述决策树的当前叶节点。
(2),根据每个所述样本数据的流量标签计算所述样本数据集的第一基尼 系数。
其中,基尼系数越大,说明不确定性就越大;基尼系数越小,不确定性越 小,数据分割越彻底,越干净。一种实现方式中,前述(2)中所述的根据每 个所述样本数据的流量标签计算所述样本数据集的第一基尼系数的实现过程, 包括:统计所述样本数据子集中包括的样本数据中不同类别的流量标签的数量; 根据所述不同类别的流量标签的数量以及所述样本数据子集中的样本数据的 总量,计算第一基尼系数。
示例性的,所述第一基尼系数GINI(N)通过如下公式计算得到:
其中,K表示所述样本数据子集中包括流量标签的类别总量,N表示类别 为N的流量标签,Ck表示所述样本数据子集中包括类别为N的流量标签的数 量。
(3),针对所述样本数据中的每个通信参数对应的参数等级标签,计算该 通信参数的第二基尼系数。
一种实现方式中,所述第二基尼系数GINI(N,S)通过如下公式计算得到:
其中,N表示样本数据子集,S表示所述样本数据子集中的通信参数S,mi表示通信参数S对应的各参数等级标签的数量,GINI(Ai)表示参数等级标签为A1的基尼系数,i=1,2,……,n,。
(4),针对所述样本数据中的每个通信参数,根据所述第一基尼系数以及 所述通信参数对应的第二基尼系数计算所述通信参数的基尼增益。
其中,所述基尼增益gain(N,S)通过如下公式计算得到: gain(N,S)=GINI(N)-GINI(N,S),GINI(N)表示第一基尼系数,GINI(N,S)表示第二 基尼系数。
(5),以基尼增益最大的通信参数来分裂当前叶节点,以形成决策树的下 一层叶节点。
(6),将所述下一层叶节点作为所述当前叶节点,重复(2)至(5),直 到满足决策树停止分裂条件,得到所述决策树模型。
其中,前述的每棵决策树模型都是通过不断遍历这棵树的特征子集的所有 可能的分割点,寻找基尼系数最小的特征的分割点,将数据集分成两个子集, 直至满足决策树停止分裂条件。可选的,所述决策树停止条件可以根据实际需 求进行设定,例如,本实施例中可以是以基尼系数最小原则选取最优通信参数 进行决策树分裂,直至基尼系数为0。也就是,决策树停止分裂条件可以是第 二基尼系数为0。
一种实现方式中,假设样本数据子集如下表5所示,该样本数据子集中包 括6个样本,每个样本包括NR覆盖、LTE锚点覆盖、NR-PRB资源利用率共 三个通信参数,另外,表5所示的“好、一般、差、充足、不足”为对应通信参 数的参数等级标签,0、1为流量标签。
基于表5所示的样本数据子集,决策树模型的构建构成可以包括以下三步。
表5
第二步:结合参阅表6,在此以通信参数NR覆盖为例计算第二基尼系数, 该第二基尼系数为其 中样本总数m=A+B+C。需要注意的是,在计算第二基尼系数时,以通信参数 NR覆盖为例,可根据表5所示的枚举值对流量标签进行统计,结果可如表6 所示。
表6
需要说明的是,LTE锚点覆盖及NR-PRB资源利用率对应的第二基尼系数 (平均加权基尼杂质)的计算过程与以上计算方法一致,在此不再赘述。
第三步:计算各通信参数的基尼增益。各通信参数对应的基尼增益如下:
gain(N,NR覆盖)=GINI(N)-GINI(N,NR覆盖);
gain(N,LTE锚点覆盖)=GINI(N)-GINI(N,LTE锚点覆盖);
gain(N,NR-PRB资源利用率)=GINI(N)-GINI(N,NR-PRB资源利用率);
第四步:选取基尼增益最大的通信参数作为根节点,来分裂当前叶节点, 引出两个分支,在针对各分支对应的样本数据子集重复前述过程,直到满足决 策树停止分裂条件,以得到决策树型。
S3205,对各所述决策树模型进行模型评估,得到各所述决策树模型的准 确率。
S3206,从所述多个决策树模型中选取准确率最高的决策树模型作为目标 分类模型。
本实施例给出的前述目标分类模型训练过程中,考虑到决策树模型是建立 在已知的历史通信参数及概率上,一颗决策树模型的预测可的准确率较低,因 此,为了提高模型预测准确性,可通过构建多个决策树模型并从中选取一个准 确率最高的模型作为目标分类模型。
经验证,在前述给出的目标分类模型训练过程中,假设样本数据集中的样本总数为101112, 按8:2拆分成训练集和测试集建立模型进行评估,在测试集上面的准确率可达到85%,也即 本实施例给出的目标分类模型拟合、泛化性能较好,预测结果的可靠性高。
S330,根据所述通信数据分流预测结果进行通信数据分流。
其中,S330的实现方式可参照前述S130的详细描述,本实施例在此不再 赘述。
一种实现方式中,基于前述S310至S330给出的数据分流的方法,通过使 用决策树模型对数据进行分析,剔除了其它非主要因子,主要因子包括NR覆 盖(SS-RSCP)及NR-PRB资源利用率,得出的结论可如图4a所示。
此外,为了验证前述分流方案的适用性,本申请找出了367组策略组合, 重点针对LTE分流和LTE&NR按比例分流两种策略的网络情况进行评估优化, 重点对NR覆盖进行优化,经过优化处理后,如图4b、图4c所示,采用NR 分流策略比例从26.98%提升到46.05%,LTE分流策略比例从13.62%降低到 5.45%,此外组合分流策略比例从59.40%降低到48.50%,降低了4G网络的负 荷情况,从整体均衡了网络资源。相应的,如图4c、4d、4e所示,网络资源 效果(如LTE高负荷小区占比、NR资源利用率低小区占比)、5G综合覆盖率、 5G下载速率均有所改善。
本实施例给出的数据分流的方法中,利用历史通信参数和决策树模型训练 得到目标分类模型,进而利用目标分类模型实现通信数据分流预测,能够有效 提高分流效率。
此外,本实施例采用人工智能技术实现数据分流预测,能够准确分析出影 响网络流量分流的因子,对通信参数进行映射量化评估,根据实际情况调整参 数,不断提升分流策略的有效性,以实现快速、合理、动态的分流策略方案。
如图5所示,为本申请的一示例性实施例提供的数据分流的装置的框图, 该数据分流的装置可以包括:获取模块510,用于获取NSA架构下的目标通信 参数;计算模块520,用于将将所述目标通信参数输入预训练的目标分类模型, 以分析得到所述NSA架构下的通信数据分流预测结果;分流模块530,用于根 据所述通信数据分流预测结果进行通信数据分流。
关于本实施例中的数据分流的装置,其中各个模块执行操作的具体方式已 经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
请参阅图6,为根据一示例性实施例提供的一种网络设备600的框图,
该网络设备600包括:天线601、射频装置602、基带装置603。天线601 与射频装置602连接。在上行方向上,射频装置602通过天线601接收信息, 将接收的信息发送给基带装置603进行处理。在下行方向上,基带装置603对 要发送的信息进行处理,并发送给射频装置602,射频装置602对收到的信息 进行处理后经过天线601发送出去。
上述频带处理装置可以位于基带装置603中,以上实施例中网络侧设备执 行的方法可以在基带装置603中实现,该基带装置603包括处理器604和存储 器605。
基带装置603例如可以包括至少一个基带板,该基带板上设置有多个芯片, 如图6所示,其中一个芯片例如为处理器604,与存储器605连接,以调用存 储器605中的程序,执行以上方法实施例中所示的网络设备操作。
该基带装置603还可以包括网络接口606,用于与射频装置602交互信息, 该接口例如为通用公共无线接口(common public radio interface,简称CPRI)。
具体地,本发明实施例的网络侧设备还包括:存储在存储器605上并可在 处理器604上运行的指令或程序,处理器604调用存储器605中的指令或程序 执行图2、图3、图4所示各模块执行的方法,并达到相同的技术效果,为避 免重复,故不在此赘述。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序 或指令,该程序或指令被处理器执行时实现上述信号传输方法实施例的各个过 程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的终端中的处理器。所述可读存储 介质,包括计算机可读存储介质,如计算机只读存储器(Read-Only Memory, ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
本申请实施例还提供了一种芯片,所述芯片包括处理器和通信接口,所述 通信接口和所述处理器耦合,所述处理器用于运行网络侧设备程序或指令,实 现上述信号传输方法实施例的各个过程,且能达到相同的技术效果,为避免重 复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片,系统芯片,芯 片系统或片上系统芯片等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计 算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他 性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那 些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方 法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一 个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还 存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程 序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和 硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算 机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、 光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人 员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的 任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种数据分流的方法,其特征在于,应用于网络设备,所述方法包括:
获取非独立组网NSA架构下的目标通信参数;
将所述目标通信参数输入预训练的目标分类模型,以分析得到所述NSA架构下的通信数据分流预测结果;
根据所述通信数据分流预测结果进行通信数据分流。
2.如权利要求1所述的方法,其特征在于,所述目标分类模型的训练过程包括:
获取NSA架构下的历史通信参数;
对所述历史通信参数进行预处理,得到包含多个样本数据的样本数据集,其中,每个所述样本数据包括流量标签、多个通信参数以及各所述通信参数对应的参数等级标签,所述参数等级标签用于表征通信质量;
从所述样本数据集中随机有放回的抽取多份样本数据,以形成多个样本数据子集;
对于每个所述样本数据子集,以所述样本数据子集中的样本数据,构建决策树模型,得到与各所述样本数据子集一一对应的多个决策树模型;
对各所述决策树模型进行模型评估,得到各所述决策树模型的准确率;
从所述多个决策树模型中选取准确率最高的决策树模型作为目标分类模型。
3.如权利要求2所述的方法,其特征在于,以所述样本数据子集中的样本数据,构建决策树模型,包括:
(1),以所述样本数据子集构建决策树,将所述样本数据子集中的各样本数据作为所述决策树的当前叶节点;
(2),根据每个所述样本数据的流量标签计算所述样本数据集的第一基尼系数;
(3),针对所述样本数据中的每个通信参数对应的参数等级标签,计算该通信参数的第二基尼系数;
(4),针对所述样本数据中的每个通信参数,根据所述第一基尼系数以及所述通信参数对应的第二基尼系数计算所述通信参数的基尼增益;
(5),以基尼增益最大的通信参数来分裂当前叶节点,以形成决策树的下一层叶节点;
(6),将所述下一层叶节点作为所述当前叶节点,重复(2)至(5),直到满足决策树停止分裂条件,得到所述决策树模型。
4.如权利要求3所述的方法,其特征在于,根据每个所述样本数据的流量标签计算所述样本数据集的第一基尼系数,包括:
统计所述样本数据子集中包括的样本数据中不同类别的流量标签的数量;
根据所述不同类别的流量标签的数量以及所述样本数据子集中的样本数据的总量,计算第一基尼系数。
7.如权利要求4所述的方法,其特征在于,所述基尼增益gain(N,S)通过如下公式计算得到:
gain(N,S)=GINI(N)-GINI(N,S)
其中,GINI(N)表示第一基尼系数,GINI(N,S)表示第二基尼系数。
8.如权利要求1-7中任一项所述的方法,其特征在于,所述目标通信参数至少包括:新空口NR覆盖参数、长期演进LTE锚点覆盖参数、NR资源利用率、辅节点SN添加成功率、LTE小区切换成功率、NR小区切换成功率、辅小区组SCG掉线、LTE物理资源块PRB下行利用率、NR-PRB下行利用率中的一种。
9.一种数据分流的装置,其特征在于,所述装置包括:
获取模块,用于获取NSA架构下的目标通信参数;
计算模块,用于将将所述目标通信参数输入预训练的目标分类模型,以分析得到所述NSA架构下的通信数据分流预测结果;
分流模块,用于根据所述通信数据分流预测结果进行通信数据分流。
10.一种网络设备,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至8任一项所述的数据分流的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010902147.5A CN114125932B (zh) | 2020-09-01 | 2020-09-01 | 数据分流的方法、装置及网络设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010902147.5A CN114125932B (zh) | 2020-09-01 | 2020-09-01 | 数据分流的方法、装置及网络设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114125932A true CN114125932A (zh) | 2022-03-01 |
CN114125932B CN114125932B (zh) | 2023-08-15 |
Family
ID=80360581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010902147.5A Active CN114125932B (zh) | 2020-09-01 | 2020-09-01 | 数据分流的方法、装置及网络设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114125932B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040214577A1 (en) * | 2003-04-24 | 2004-10-28 | Lucent Technologies, Inc. | Methods and apparatus for planning wireless data networks using analytical modeling of user level performance |
CN102014412A (zh) * | 2010-12-10 | 2011-04-13 | 上海百林通信软件有限公司 | 一种基于天线参数调整的无线网络话务均衡优化方法 |
CN103702337A (zh) * | 2014-01-03 | 2014-04-02 | 北京邮电大学 | 一种小型基站部署位置的确定方法 |
CN104618046A (zh) * | 2015-02-10 | 2015-05-13 | 广东省电信规划设计院有限公司 | 基于无线传播模型校正的信号强度预测方法和系统 |
CN105050170A (zh) * | 2015-06-30 | 2015-11-11 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
EP2959621A1 (en) * | 2014-04-30 | 2015-12-30 | Huawei Technologies Co., Ltd. | Computer program product and apparatus for fast link adaptation in a communication system |
CN105578579A (zh) * | 2016-03-02 | 2016-05-11 | 桂林电子科技大学 | 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法 |
US20170116793A1 (en) * | 2015-10-21 | 2017-04-27 | Leauto Intelligent Technology (BEIJING) Co., Ltd. | Method for generating vehicle health parameters, method for displaying vehicle health parameters and devices thereof |
CN107643027A (zh) * | 2017-10-25 | 2018-01-30 | 南京卓砾智测控技术有限公司 | 一种侵彻过程弹药动态参数存储无线测试装置 |
CN110061935A (zh) * | 2019-03-13 | 2019-07-26 | 平安科技(深圳)有限公司 | 流量源配比调整方法、装置、计算机设备及存储介质 |
CN110266528A (zh) * | 2019-06-12 | 2019-09-20 | 南京理工大学 | 基于机器学习的车联网通信的流量预测方法 |
CN110445653A (zh) * | 2019-08-12 | 2019-11-12 | 灵长智能科技(杭州)有限公司 | 网络状态预测方法、装置、设备及介质 |
CN111147387A (zh) * | 2019-12-19 | 2020-05-12 | 北京邮电大学 | 一种混合sdn网络的流量控制方法及装置 |
-
2020
- 2020-09-01 CN CN202010902147.5A patent/CN114125932B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040214577A1 (en) * | 2003-04-24 | 2004-10-28 | Lucent Technologies, Inc. | Methods and apparatus for planning wireless data networks using analytical modeling of user level performance |
CN102014412A (zh) * | 2010-12-10 | 2011-04-13 | 上海百林通信软件有限公司 | 一种基于天线参数调整的无线网络话务均衡优化方法 |
CN103702337A (zh) * | 2014-01-03 | 2014-04-02 | 北京邮电大学 | 一种小型基站部署位置的确定方法 |
EP2959621A1 (en) * | 2014-04-30 | 2015-12-30 | Huawei Technologies Co., Ltd. | Computer program product and apparatus for fast link adaptation in a communication system |
CN104618046A (zh) * | 2015-02-10 | 2015-05-13 | 广东省电信规划设计院有限公司 | 基于无线传播模型校正的信号强度预测方法和系统 |
CN105050170A (zh) * | 2015-06-30 | 2015-11-11 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
US20170116793A1 (en) * | 2015-10-21 | 2017-04-27 | Leauto Intelligent Technology (BEIJING) Co., Ltd. | Method for generating vehicle health parameters, method for displaying vehicle health parameters and devices thereof |
CN105578579A (zh) * | 2016-03-02 | 2016-05-11 | 桂林电子科技大学 | 基于业务流量预测的蜂窝网基站和中继站联合休眠调度方法 |
CN107643027A (zh) * | 2017-10-25 | 2018-01-30 | 南京卓砾智测控技术有限公司 | 一种侵彻过程弹药动态参数存储无线测试装置 |
CN110061935A (zh) * | 2019-03-13 | 2019-07-26 | 平安科技(深圳)有限公司 | 流量源配比调整方法、装置、计算机设备及存储介质 |
CN110266528A (zh) * | 2019-06-12 | 2019-09-20 | 南京理工大学 | 基于机器学习的车联网通信的流量预测方法 |
CN110445653A (zh) * | 2019-08-12 | 2019-11-12 | 灵长智能科技(杭州)有限公司 | 网络状态预测方法、装置、设备及介质 |
CN111147387A (zh) * | 2019-12-19 | 2020-05-12 | 北京邮电大学 | 一种混合sdn网络的流量控制方法及装置 |
Non-Patent Citations (1)
Title |
---|
谢慧芝: "\"NSA 架构分流模式\"", 《电子技术与软件工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114125932B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109195170B (zh) | 小区扩容方法、装置及存储介质 | |
CN109996238B (zh) | 一种c-ran网络规划方法及装置 | |
CN109151881B (zh) | 一种基于用户数据的网络负荷均衡优化方法 | |
US10285186B2 (en) | System and method for grouping and selecting transmission points | |
CN108243435B (zh) | 一种lte小区场景划分中的参数优化方法及装置 | |
CN112469133B (zh) | 一种载波资源调度方法和装置 | |
CN107484209A (zh) | 一种考虑用户QoS的网络负载均衡垂直切换方法 | |
EP3451731A1 (en) | Cell clustering method, spectrum overlapping multiplexing method based on method, and device thereof | |
WO2020092541A2 (en) | Optimization of 5g (fifth generation) beam coverage and capacity and nsi (network slice instance) resource allocation | |
CN113891336B (zh) | 通信网络减频退网方法、装置、计算机设备和存储介质 | |
Svahn et al. | Inter-frequency radio signal quality prediction for handover, evaluated in 3GPP LTE | |
CN106686668B (zh) | 一种语音回落小区的选择方法及装置 | |
CN105517000B (zh) | 一种小区分裂的方法及装置 | |
Peng et al. | Ultra-dense heterogeneous relay networks: A non-uniform traffic hotspot case | |
JP6096952B1 (ja) | スケジューリング装置および方法 | |
US20160295518A1 (en) | Method and System for Self-Optimized Uplink Power Control | |
CN113728673A (zh) | 用于估计被无线电问题抑制的数据业务的方法和装置 | |
CN114125932A (zh) | 数据分流的方法、装置及网络设备 | |
CN115865781A (zh) | 一种配电网台区双模混合数据传输控制方法及装置 | |
CN113115401B (zh) | 一种蜂窝网络中最大化满意用户数的接入控制方法 | |
CN107294672B (zh) | 一种小区载波聚合的调度方法及装置 | |
CN109586861B (zh) | 一种载波聚合系统负载均衡方法和装置 | |
CN113709814A (zh) | 负荷均衡的方法、装置、计算设备及计算机可读存储介质 | |
US20210176701A1 (en) | Scheduling apparatus and method, and program | |
CN113556801B (zh) | 超密集网络中的用户接入方法、装置、终端设备及介质 |
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 |