CN114189888B - 基于数字孪生的5g融合网架构下多模终端接入系统及方法 - Google Patents

Abstract

本发明公开了一种基于数字孪生的5G融合网架构下多模终端接入系统及方法，系统为三层双闭环的数字孪生网络架构，该架构包括自顶向下的三层结构，依次为：网络应用层，该层级中描述实际物理网络中实际要解决的问题，等待下一步的映射；数字孪生网络层，在该层级中，数字网络将实时以及超前模拟实际物理网络的运作并根据模拟结果将控制下发到实际物理网络；底层是物理网络层，该层通过实际的接口与孪生网络层衔接，不断通过数据采集提供给数字孪生网络实际通信环境的情况，同时接收并执行数字孪生网络所模拟出的最佳决策结果。本发明有很好的实时性和可拓展性，有益于处理易变环境的网络情况。

Description

基于数字孪生的5G融合网架构下多模终端接入系统及方法

技术领域

本发明属于通信技术领域，具体涉及网络融合技术领域，特别是一种基于数字孪生的5G融合网架构下多模终端接入系统及方法。

背景技术

随着物联网的发展，现有网络无法满足大规模泛在连接需求、以及物联网多种应用对网络延迟、带宽等多元需求，因此5G技术被广泛应用在各垂直行业中提高现有网络性能。为降低网络部署成本，大部分垂直行业将5G与传统4G/WLAN网络进行融合组网，以此为系统中的设备提供满足其需求的网络服务。在异构组网的环境下的用户接入点的选择问题不仅会影响到用户设备(UE,User Equipment)的数据速率，网络稳定性以及网络延迟，也会影响到整个蜂窝网络基站(BS,Base Station)的负载状态和总网络吞吐量，因此合理的终端接入方案的研究可以有效提高用户的服务质量(QoS,Quality of Service)和整个网络的效率。

现有的融合网络接入选择技术虽然可以有效地提高网络性能，却存在以下问题：1)实时性差；2)遇到突发事件试错代价过高。目前国内外异构网络的多模终端接入的研究在根据实际环境设计系统模型的过程中仍然存在尚未解决的难题，有待进一步研究，具体如下：

一种在中国专利文献中公开的专利是根据一些具体的选网接入原则去给UE当前的所有选择派发优先级，UE根据优先级去选择当前最合适的无线接入点(AP,AccessPoint)进行接入。另一种在中国专利文献中公开的专利是依据参考信号的接收功率和终端驻留与切换相关数据构建基站基本接入准则进行终端接入选择。这些选网方法在网络环境相对稳定，突发故障相对较少的网络中拥有一定的优越性，但是动态性和鲁棒性不佳。具体来说，现有方案导致融合网络多模终端接入灵活性不强，无法适应动态变化的异构网络；同时，现有方案具有低容错性，错误接入方案的选择直接影响真实网络的性能。对于用户来说，用户的位置信息以及对于网络资源的需求量都是时刻在变化的，与此同时，整个小区(Cell)的频谱资源分配情况是未知的，那么考虑到网络状态的复杂性和可变性，需要实时获取网络状态数据，并根据实时网络状态动态为UE提供异构终端接入方案，因此数字孪生网络(DTN,Digital Twin Network)正好就可以解决这个问题，通过数字孪生技术去模拟网络运行情况可以很好的预知并在实际实现过程中规避掉一些固定算法的问题从而提升用户体验并降低网络拥塞率。同时数字孪生技术还具有物理层和孪生网络层的双向交互、实时数据模拟和可以根据模拟进行控制下发的优点。数字孪生技术一种将实际物理系统与大数据运算模拟相结合的一种新技术，关于数字孪生的研究还方兴未艾。数字孪生的关键技术涵盖了四个要素，分别是数据、模型、映射和交互。数据是构建数字孪生架构最基本的要素，在系统中会统一配置一个数字孪生仓库，在其中会集中高效存储物理网络中的配置、拓扑、状态、日志、用户业务等历史和实时数据，为数字孪生体提供数据支撑。模型作为数字孪生在实际应用中的外在表现形式，一般会根据实际应用场景的相关情况去创建模型实例。因此，模型就是将数据整合在一起共同工作从而进行相关模拟。映射是物理网络实体通过数字孪生体的高保真可视化呈现，是数字孪生网络区别于网络仿真的最典型特征。交互是达成虚实同步的关键，如果说网络仿真只是对于相关物理系统的一个模拟，那么数字孪生网络不仅通过对物理网络的实时信息采集模拟当前的系统状态，更是能借助数字孪生模型对网络进行直接的诊断、分析和控制。基于四要素构建的网络孪生体可借助优化算法、管理方法、专家知识等对物理网络进行全生命周期的分析、诊断、仿真和控制,实现物理网络与孪生网络的实时交互映射,帮助网络以更低成本、更高效率、更小的现网影响部署各种网络应用,助力网络实现极简化和智慧化运维。

发明内容

本发明的目的在于针对上述现有技术存在的问题，提供一种基于数字孪生的5G融合网架构下多模终端接入系统及方法，利用数字孪生技术对网络建模，通过对网络状态的实时采集与预测分析来实时控制多模终端接入选择策略。数字孪生网络可以很好的实现对网络层应用的控制、反馈和优化，通过数字孪生网络可以整体实现拓扑透视和流量全息，从设备到组网的全生命周期管理以及网络实时闭环控制，与此同时数字孪生体也降低了网络风险和网络成本。

实现本发明目的的技术解决方案为：一种基于数字孪生的5G融合网架构下多模终端接入系统，所述系统为三层双闭环的数字孪生网络架构，该架构包括自顶向下的三层结构，依次为：

网络应用层，该层级中描述实际物理网络中实际要解决的问题，等待下一步的映射；

数字孪生网络层，在该层级中，数字网络将实时以及超前模拟实际物理网络的运作并根据模拟结果将控制下发到实际物理网络；

底层是物理网络层，该层通过实际的接口与孪生网络层衔接，不断通过数据采集提供给数字孪生网络实际通信环境的情况，同时接收并执行数字孪生网络所模拟出的最佳决策结果；

整个数字孪生网络具有网络应用层将实际网络问题数据化到数字孪生网络层的上闭环，和数字孪生网络层通过数据采集到控制下发到物理网络层的下闭环。

一种基于数字孪生的5G融合网架构下多模终端接入方法，所述方法包括以下步骤：

步骤1，接收实际物理网络中用户的接入网需求；

步骤2，网络应用层分析需求，将5G融合网架构下多模终端接入问题具化为建立多用户最优化接入决策问题，同时采集实际物理网络中的参数和配置数据并储存到孪生网络层的数据共享仓库；其中孪生网络层记为数字孪生体；

步骤3，所述数据共享仓库将所有数据形成大数据集，在数字孪生体的服务映射模型模块中进行数字孪生网络映射，将实际物理网络的所有参数虚拟化表示，从而构造真实网络的运行情况；

步骤4，数字孪生网络的仿真运行起来后，通过模拟不同的UE接入选择对数字孪生网络进行深度学习模型训练，计算每次不同UE决策下网络的整体运行情况，获得决策最优解，形成数字孪生体内的最优决策；

步骤5，数字孪生体内闭环结束后，将相关的网络配置和接入选择通过控制下发的形式传递给实际物理网络的用户，用户根据数字孪生的情况做出这个时隙下的融合网接入选择；

步骤6，用户的决策时隙结束后，实际物理网络根据接入选择情况实时更新相关的网络配置和参数；随着用户位置的改变或者是用户网络需求的改变，用户和网络相关的信息实时更新给数据共享仓库；

步骤7，新的用户接入进来或者原先的用户需要重新更正原先的接入决策，则重新进行上述数字孪生模拟及根据深度学习得出的决策进行相应的控制下发，从而形成总的大闭环过程。

本发明与现有技术相比，其显著优点为：

(1)利用物理模型、传感器实时数据、历史数据等对融合网络的接入环境进行实时仿真映射，构建数字孪生体，通过数据交互模拟出决策结果最后将决策下发到实际物理网络中。5G融合网络的通信环境，包括信道中的各种干扰、辐射以及噪声，在多模终端接入的选择中能够很好的克服环境的变化给选择带来的不确定性。在保证原先选择接入的决策的优越性的基础上还能通过模拟规避很多由突发情况带来的故障。

(2)通过数字孪生技术实现5G融合网架构下多模终端接入，在UE对实际物理网络选择接入之前通过数字孪生体的模拟可以在当前情况下做到最优选，传统方法是根据一定的原则去挑选合适的接入点并不一定能达到全局最优，因此基于数字孪生网络的终端接入选择方法更加适合处理复杂场景决策问题。

(3)通过数字孪生技术可以帮助整个网络降低突发事件对网络的整体影响，提升接入选择的鲁棒性和动态性，即使网络出现问题也能通过数字孪生体的模拟做到预测、防范甚至是备案。除此之外通过数字孪生网络进行模拟试错可以降低试错代价。

(4)在数字孪生体内部署的数据采集系统和实际物理网络有很好的的交互性和实时性。数字孪生网络也可以根据实时的交互情况调整相关模型去进行网络仿真过程。因此本发明有很好的实时性和可拓展性，有益于处理易变环境的网络情况。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明一个实施例中基于数字孪生的5G融合网架构下多模终端接入系统框架。

图2为本发明一个实施例中基于数字孪生实现多模终端接入的流程图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在一个实施例中，结合图1，提供了一种基于数字孪生的5G融合网架构下多模终端接入系统，所述系统为三层双闭环的数字孪生网络架构，该架构包括自顶向下的三层结构，依次为：

网络应用层，该层级中描述实际物理网络中实际要解决的问题，等待下一步的映射；

数字孪生网络层，在该层级中，数字网络将实时以及超前模拟实际物理网络的运作并根据模拟结果将控制下发到实际物理网络；

底层是物理网络层，该层通过实际的接口与孪生网络层衔接，不断通过数据采集提供给数字孪生网络实际通信环境的情况，同时接收并执行数字孪生网络所模拟出的最佳决策结果；

整个数字孪生网络具有网络应用层将实际网络问题数据化到数字孪生网络层的上闭环，和数字孪生网络层通过数据采集到控制下发到物理网络层的下闭环。

本发明网络应用层等同于一个意图翻译器，应用层通过解读需要处理的任务转化为抽象化的需求输入，然后通过孪生北向接口传递给孪生网络层进行具体的任务处理，从而满足网络应用对数字孪生体的数据和模型调用。在本发明中，具体的应用层需求是处理5G融合网架构下多模终端接入问题。本质上来说就是UE在做出融合组网下的终端接入选择之后能够收获当前信道和频谱资源状况下的最佳通信质量，其中面对一些可能的突发情况，例如WLAN中一些AP由于系统故障或者负荷过高信号突然减弱，或者是在5G/LTE系统中由于接入同一个小区BS的UE过多而造成部分时隙的网络拥塞。诸如此类的突发故障都能通过模拟仿真的方式进行诊断从而做好修正保证通信的质量。

进一步地，在其中一个实施例中，所述数字孪生网络层包括数据共享仓库、网络孪生体管理模块、服务映射模型模块；

所述数据共享仓库，用于通过数据采集、数据存储、数据服务、数据管理记录历史数据和实时交互数据，以为实际模拟过程提供数据支撑；

所述网络孪生体管理模块，用于完成数字孪生网络的管理功能，全生命周期记录，可视化呈现和管控网络孪生体的各种元素；

这里，因为数字孪生体是一个很庞大的虚拟化数字框架，数据的采集会影响到仿真的结果，而仿真的结果又会直接影响控制下发。因此管理系统需要对于数字孪生体进行全生命周期记录，可视化呈现和全元素的管控；

所述服务映射模型模块，包括故障诊断、调度优化、流量分析、仿真验证、拓扑模型；具体地：针对特定的应用场景，服务映射模型模块利用数据共享仓库中的网络数据，建立网络分析、仿真、诊断、预测、保障及其他数据模型、拓扑模型，再通过深度神经网络进行网络仿真模拟进而实现调度优化以及故障诊断。

这里，在服务映射模型中，数字孪生网络引入了DNN进行相关的模拟和仿真。深度神经网络的训练过程是根据数字孪生体中具体的参数进行模拟，而通过多次反馈训练完成的深度神经网络将用于具体的实际调度。最终数字孪生体和环境交互，进一步更新神经网络。

进一步地，在其中一个实施例中，所述数据共享仓库通过孪生南向接口进行数据采集，包括实际物理网络的部署情况、信号强弱、频带资源的使用率，用户终端UE的实时位置、具体网络资源利用需求以及未来移动情况；所述实际物理网络包括蜂窝5G网络和WLAN网络。

进一步地，在其中一个实施例中，所述服务映射模型模块包括基础模型和功能模型两个模块，其中，所述基础模型模块用于根据所述数据共享仓库的数据建立关于网络基本配置、网络运行状况相关的拓扑结构，以描述反映实际物理网络的真实状态，即通过孪生南向接口采集到的数据刻画一个虚拟化的真实网络状态，这也就是所谓的虚实结合的“虚”的部分；所述功能模型模块，用于根据虚拟化结果真正的模拟运行状态建立起网络分析、仿真、诊断、预测、保障各种数据模型。

这里，考虑到5G融合网架构下多模终端接入，功能模型就要根据网络现有的运行情况仿真出所有用户的各种接入可能，也需要考虑到各种突发状况。这里使用深度学习作为基本手段，通过模拟不同的选择计算网络吞吐量从而量化比较用户体验，模型使用DL不断学习并纠正模型参数，当算法最终达到收敛之后则输出最终的决策结果。除此之外需要模拟可能出现的所有异常问题并生成解决方案，当物理网络中反馈出类似的异常情况，则由数字孪生体在满足用户业务意图且对其他业务没有影响之后，再将配置下发到下层对应的物理网络中。因此基本模型和功能模型通过实例或实例组合为上层网络应用程序提供服务，最大限度地提高网络服务的灵活性和可编程性。同时，模型实例需要由预测、预测和虚拟双网络元素或网络拓扑中的程序驱动。调度、配置、优化和其他目标完成足够的模拟和验证，以确保更改控制在发送到物理网络时的有效性和可靠性。

进一步地，在其中一个实施例中，所述网络孪生体管理模块的管理包括拓扑管理、模型管理和安全管理，其中所述拓扑管理是对服务映射模型模块中的虚拟拓扑的管理以及可视化呈现，即终端接入选择中的不同接入点与UE之间的相关关系和连接情况；所述模型管理是管理数字孪生体中众多数据模型的创建、储存和更新；所述安全管理是对整个数据共享仓库和数据模型进行安全保障，包括鉴权、认证、授权、加密和完整性保护。

在一个实施例中，提供了一种基于数字孪生的5G融合网架构下多模终端接入方法，结合图2，整个多模终端接入流程分为两大区域，左侧为实际物理网络侧，即真正的用户进行接入点决策的区域，右侧为数字孪生体侧，主要是通过数据采集和网络模拟进行控制下发，为左侧服务，因此，左侧是右侧的实体基础，右侧是左侧的虚拟化环境，整个框架虚实结合完成网络的不断运行；

所述方法包括以下步骤：

步骤1，接收左侧实际物理网络中用户的接入网需求；

步骤2，网络应用层分析需求，分析具体网络问题并建模成实际数学问题，将5G融合网架构下多模终端接入问题具化为建立多用户最优化接入决策问题，同时采集实际物理网络中的参数和配置数据并储存到右侧孪生网络层的数据共享仓库；其中孪生网络层记为数字孪生体；

这里，所述实际物理网络的参数和配置数据包括网络的部署情况、信号强弱、频带资源的使用率、用户的位置信息和移动信息。

步骤3，所述数据共享仓库将所有数据形成大数据集，在数字孪生体的服务映射模型模块中进行数字孪生网络映射，将实际物理网络的所有参数虚拟化表示，从而构造真实网络的运行情况；

步骤4，数字孪生网络的仿真运行起来后，通过模拟不同的UE接入选择对数字孪生网络进行深度学习模型训练，考虑相对可能的一些突发状况在内，计算每次不同UE决策下网络的整体运行情况，获得决策最优解，形成数字孪生体内的最优决策；

步骤5，数字孪生体内闭环结束后，将相关的网络配置和接入选择通过控制下发的形式传递给实际物理网络的用户，用户根据数字孪生的情况做出这个时隙下的融合网接入选择；

步骤6，用户的决策时隙结束后，实际物理网络根据接入选择情况实时更新相关的网络配置和参数；随着用户位置的改变或者是用户网络需求的改变，用户和网络相关的信息实时更新给数据共享仓库(做到数字孪生网络与实际物理网络的同步实时更新)；

步骤7，新的用户接入进来或者原先的用户需要重新更正原先的接入决策，则重新进行上述数字孪生模拟及根据深度学习得出的决策进行相应的控制下发，从而形成总的大闭环过程。

进一步地，在其中一个实施例中，在服务映射模型中，系统包括两种节点，分别是用户终端UE和接入点AP；步骤4所述通过模拟不同的接入选择对数字孪生网络进行深度学习模型训练，计算每次不同UE决策下网络的整体运行情况，获得决策最优解，形成数字孪生体内的最优决策，具体包括：

数字孪生网络将数据共享仓库中的实时网络数据作为深度学习网络输入，经过深度神经网络DNN的处理输出最优决策结果；

DNN的Input根据此时数据共享仓库的网络参数确定，参数包含融合网络中所有接入点的网络性能参数，该时隙需要进行终端接入选择的UE的数量、位置信息和网络需求量。DNN的输入用向量Input表示为：

式中，s_{UE_amount}、s_{AP_amount}分别为用户终端UE、接入点AP的数量，s_{AP_condition}为由接入点AP的拥塞率α、信道占空比β、基站信道容量C构成的向量，s_{UE_location}为一个s_{UE_amount}×s_{AP_amount}大小的矩阵，用于表示每个UE和每个AP的相对位置关系；其中，α、β、C分别满足以下关系式：

0≤α≤1

0≤β≤1

C≤C_max

选取梯度下降的优化函数定义为：

式中，x为输入，y为输出，w为权重系数；

选用ReLU作为激活函数；

最终的优化决策结果表示为w：

式中，R_n为第n个接入点的吞吐量，P为接入点的数量。

根据最大吞吐量作为优化目标进行训练的深度神经网络，Output就是Input经过神经网络输出的终端接入选择结果。

因此在根据数据共享仓库中的数据进行数字孪生时，最终还是要根据相关的模拟结果进行意图决策。在这里使用深度学习作为手段在每次模拟决策过程中不断自我学习，修改深度学习网络的相关参数，从而达到最终收敛的目标。

根据实际网络中的一些有起因的突发事件，模型建立一个神经网络对突发事件前的网络数据进行分析得到一个判断突发事件的阈值。在数字孪生网络模拟实际物理网络的过程中，如果网络参数通过神经网络后达到了突发事件的阈值则数字孪生网络就会实时给物理网络传递预警信息从而达到预测的目的。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种基于数字孪生的5G融合网架构下多模终端接入方法，其特征在于，所述方法包括以下步骤：

步骤1，接收实际物理网络中用户的接入网需求；

步骤2，网络应用层分析需求，将5G融合网架构下多模终端接入问题具化为建立多用户最优化接入决策问题，同时采集实际物理网络中的参数和配置数据并储存到孪生网络层的数据共享仓库；其中孪生网络层记为数字孪生体；

步骤3，所述数据共享仓库将所有数据形成大数据集，在数字孪生体的服务映射模型模块中进行数字孪生网络映射，将实际物理网络的所有参数虚拟化表示，从而构造真实网络的运行情况；

步骤4，数字孪生网络的仿真运行起来后，通过模拟不同的UE接入选择对数字孪生网络进行深度学习模型训练，计算每次不同UE决策下网络的整体运行情况，获得决策最优解，形成数字孪生体内的最优决策；

步骤5，数字孪生体内闭环结束后，将相关的网络配置和接入选择通过控制下发的形式传递给实际物理网络的用户，用户根据数字孪生的情况做出这个时隙下的融合网接入选择；

步骤6，用户的决策时隙结束后，实际物理网络根据接入选择情况实时更新相关的网络配置和参数；随着用户位置的改变或者是用户网络需求的改变，用户和网络相关的信息实时更新给数据共享仓库；

步骤7，新的用户接入进来或者原先的用户需要重新更正原先的接入决策，则重新进行上述数字孪生模拟及根据深度学习得出的决策进行相应的控制下发，从而形成总的大闭环过程。

2.根据权利要求1所述的基于数字孪生的5G融合网架构下多模终端接入方法，其特征在于，实现该方法的系统为基于数字孪生的5G融合网架构下多模终端接入系统，所述系统为三层双闭环的数字孪生网络架构，该架构包括自顶向下的三层结构，依次为：

网络应用层，该层中描述实际物理网络中实际要解决的问题，等待下一步的映射；

数字孪生网络层，在该层中，数字网络将实时以及超前模拟实际物理网络的运作并根据模拟结果将控制下发到实际物理网络；

底层是物理网络层，该层通过实际的接口与孪生网络层衔接，不断通过数据采集提供给数字孪生网络实际通信环境的情况，同时接收并执行数字孪生网络所模拟出的最佳决策结果；

整个数字孪生网络具有网络应用层将实际网络问题数据化到数字孪生网络层的上闭环，和数字孪生网络层通过数据采集到控制下发到物理网络层的下闭环。

3.根据权利要求1所述的基于数字孪生的5G融合网架构下多模终端接入方法，其特征在于，所述数字孪生网络层包括数据共享仓库、网络孪生体管理模块、服务映射模型模块；

所述数据共享仓库，用于通过数据采集、数据存储、数据服务、数据管理记录历史数据和实时交互数据，以为实际模拟过程提供数据支撑；

所述网络孪生体管理模块，用于完成数字孪生网络的管理功能，全生命周期记录，可视化呈现和管控网络孪生体的各种元素；

所述服务映射模型模块，包括故障诊断、调度优化、流量分析、仿真验证、拓扑模型；具体地：针对特定的应用场景，服务映射模型模块利用数据共享仓库中的网络数据，建立网络分析、仿真、诊断、预测、保障及其他数据模型、拓扑模型，再通过深度神经网络进行网络仿真模拟进而实现调度优化以及故障诊断。

4.根据权利要求3所述的基于数字孪生的5G融合网架构下多模终端接入方法，其特征在于，所述数据共享仓库通过孪生南向接口进行数据采集，包括实际物理网络的部署情况、信号强弱、频带资源的使用率，用户终端UE的实时位置、具体网络资源利用需求以及未来移动情况；所述实际物理网络包括蜂窝5G网络和WLAN网络。

5.根据权利要求4所述的基于数字孪生的5G融合网架构下多模终端接入方法，其特征在于，所述服务映射模型模块包括基础模型和功能模型两个模块，其中，所述基础模型模块用于根据所述数据共享仓库的数据建立关于网络基本配置、网络运行状况相关的拓扑结构，以描述反映实际物理网络的真实状态，即刻画一个虚拟化的真实网络状态；所述功能模型模块，用于根据虚拟化结果真正的模拟运行状态建立起网络分析、仿真、诊断、预测、保障各种数据模型。

6.根据权利要求5所述的基于数字孪生的5G融合网架构下多模终端接入方法，其特征在于，所述网络孪生体管理模块的管理包括拓扑管理、模型管理和安全管理，其中所述拓扑管理是对服务映射模型模块中的虚拟拓扑的管理以及可视化呈现，即终端接入选择中的不同接入点与UE之间的相关关系和连接情况；所述模型管理是管理数字孪生体中众多数据模型的创建、储存和更新；所述安全管理是对整个数据共享仓库和数据模型进行安全保障，包括鉴权、认证、授权、加密和完整性保护。

7.根据权利要求6所述的基于数字孪生的5G融合网架构下多模终端接入方法，其特征在于，步骤3中所述实际物理网络的参数和配置数据包括网络的部署情况、信号强弱、频带资源的使用率、用户的位置信息和移动信息。

8.根据权利要求7所述的基于数字孪生的5G融合网架构下多模终端接入方法，其特征在于，在服务映射模型中，系统包括两种节点，分别是用户终端UE和接入点AP；步骤4所述通过模拟不同的接入选择对数字孪生网络进行深度学习模型训练，计算每次不同UE决策下网络的整体运行情况，获得决策最优解，形成数字孪生体内的最优决策，具体包括：

数字孪生网络将数据共享仓库中的实时网络数据作为深度学习网络输入，经过深度神经网络DNN的处理输出最优决策结果；

(1)DNN的输入用向量Input表示为：

Input@{s_{UE_amount},s_{AP_amount},s_{AP_condition},s_{UE_location}}

式中，s_{UE_amount}、s_{AP_amount}分别为用户终端UE、接入点AP的数量，s_{AP_condition}为由接入点AP的拥塞率α、信道占空比β、基站信道容量C构成的向量，s_{UE_location}为一个s_{UE_amount}×s_{AP_amount}大小的矩阵，用于表示每个UE和每个AP的相对位置关系；其中，α、β、C分别满足以下关系式：

0≤α≤1

0≤β≤1

C≤C_max

(2)选取梯度下降的优化函数定义为：

式中，x为输入，y为输出，w为权重系数；

(3)选用ReLU作为激活函数；

最终的优化决策结果表示为w：

式中，R_n为第n个接入点的吞吐量，P为接入点的数量。