CN114286377A - 抑制5g上行空口时延抖动的参数确定方法及相关装置 - Google Patents
抑制5g上行空口时延抖动的参数确定方法及相关装置 Download PDFInfo
- Publication number
- CN114286377A CN114286377A CN202111623854.1A CN202111623854A CN114286377A CN 114286377 A CN114286377 A CN 114286377A CN 202111623854 A CN202111623854 A CN 202111623854A CN 114286377 A CN114286377 A CN 114286377A
- Authority
- CN
- China
- Prior art keywords
- parameter
- processed
- parameter set
- item
- delay jitter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000002401 inhibitory effect Effects 0.000 title description 4
- 230000006798 recombination Effects 0.000 claims abstract description 58
- 238000005215 recombination Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims description 93
- 230000008521 reorganization Effects 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 18
- 230000005540 biological transmission Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- 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
- Data Exchanges In Wide-Area Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种抑制5G上行空口时延抖动的参数确定方法及相关装置,该方法通过将待传输的数据量输入预先训练的预测模型以确定用于传输该数据量的多组待处理数据集和各待处理数据集对应的时延抖动值。若各待处理参数集的时延抖动值均大于目标时延抖动值,则对各待处理参数集进行重组,并将各重组参数集的延抖动值与目标时延抖动值进行比对。直至重组参数集中存在时延抖动值不大于目标时延抖动的第一参数集时,基于第一参数集的各参数项的赋值结果确定5G上行空口参数的最终取值。上述流程根据时延抖动值与目标时延抖动值的比对来确定满足目标时延抖动的5G上行空口参数,从而提高网络时延的稳定性。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种抑制5G上行空口时延抖动的参数确定方法及相关装置。
背景技术
随着5G(5G Network)网络时代的到来,越来越多的企业希望利用5G网络的高可靠、低时延的优势来促进企业的发展。为充分发挥5G在行业定制专网中网元可灵活解耦的优势,运营商需要对客户的无线网侧进行差异化定制。而对于如电力和钢铁等领域的企业客户对网络的时延抖动要求较高。
时延的稳定性受限于通信设备的硬件,运营商在硬件层面上难以通过定制化的商品设备定制以保证时延的稳定。相关技术中多通过以优化算法、新增硬件设备等方式来降低5G网络的平均延时,目前5G网络的平均时延已能够大多满足企业的需求,但时延的稳定性却难以保证,这导致在网络使用过程中,某些时刻的时延抖动无法达到企业需求。
发明内容
本申请实施例了提供一种抑制5G上行空口时延抖动的参数确定方法及相关装置,根据不同参数项赋值下的时延抖动值与目标时延抖动值进行比对来确定满足目标时延抖动值的5G上行空口参数,以提高网络时延的稳定性。
第一方面,本申请实施例提供了一种抑制5G上行空口时延抖动的参数确定方法,所述方法包括:
响应于参数确认指示,获取待传输的数据量以及目标时延抖动值;
将所述数据量输入预先训练的预测模型,以根据所述预测模型的输出结果确定用于传输所述数据量的多组待处理参数集,以及每组待处理参数集在传输所述数据量时产生的时延抖动值;其中,所述待处理参数集为所述5G上行空口所需参数项的集合;每一待处理参数集包含的参数项均相同,且不同待处理参数集间至少存在一个参数项的赋值结果不同;
将各待处理参数集的时延抖动值和所述目标时延抖动值进行比对,若各待处理参数集的时延抖动值均大于所述目标时延抖动值,则基于预设规则对各待处理参数集进行重组,并根据所述预测模型确定重组得到的重组参数集的时延抖动值;
若各重组参数集的延抖动值均大于所述目标时延抖动值,则将所述重组参数集作为待处理参数集,并基于所述预设规则从各待处理参数集中重新获取重组参数集,直至重组参数集中存在时延抖动值不大于所述目标时延抖动值的第一参数集;
基于所述第一参数集的各参数项的赋值结果,确定所述5G上行空口参数的最终取值。
本申请实施例获取待传输的数据量以及目标时延抖动值后,通过将该数据量输入预先训练的预测模型以确定用于传输该数据量的多组待处理数据集和各待处理数据集对应的时延抖动值。其中,待处理参数集为5G上行空口所需参数项的集合;每一待处理参数集包含的参数项均相同,且不同待处理参数集间至少存在一个参数项的赋值结果不同。若各待处理参数集的时延抖动值均大于目标时延抖动值,则对各待处理参数集进行重组,并将各重组参数集的延抖动值与目标时延抖动值进行比对。若均大于目标时延抖动值则将重组参数集作为待处理参数集,并从各待处理参数集中重新获取重组参数集,直至重组参数集中存在时延抖动值不大于目标时延抖动值的第一参数集时,基于第一参数集的各参数项的赋值结果确定5G上行空口参数的最终取值。
上述流程中基于待传输数据量的大小预测不同参数项赋值情况下的时延抖动值,并根据时延抖动值与目标时延抖动值的比对来确定满足目标时延抖动值的5G上行空口参数,提高时延的稳定性。
在一些可能的实施例中,所述预测模型是根据下述方式训练的:
获取训练集;其中,所述训练集中包含多个训练样本,每一训练样本包含参数集、所述参数集对应的数据量和时延抖动值;所述参数集是对所述5G上行空口所需参数项进行随机赋值得到的参数集合;
对所述训练集中的各训练样本执行有放回的抽样操作,针对每次抽取的训练样本构建分支树,以构建所述训练集对应的回归树模型;其中,每抽取一次训练样本,所述回归树模型中新增所述训练样本对应的分支树;
当所述回归树模型新增分支树时,基于最小均方误差函数确定所述回归树模型是否收敛;
若未收敛,则从所述训练集中重新抽取训练样本,并检测重新抽取训练样本后的回归树模型是否收敛,直至所述回归树模型收敛时将收敛的回归树模型作为所述预测模型。
本申请实施例通过对5G上行空口所需参数项进行随机赋值的方式构建参数集,并将每一参数集对应的数据量和时延抖动值作为一个训练样本。即每一训练样本表征该训练样本对应参数集下传输该数据量所产生的时延抖动值。进一步的,对各训练样本进行有放回的抽样操作,并针对每次抽取的训练样本构建分支树,以此构建训练集对应的回归树模型。其中,每抽取一次训练样本,该回归树模型中新增该训练样本对应的分支树。在回归树模型新增分支树时,基于最小均方误差函数确定该回归树模型是否收敛。若未收敛则从训练集中重新抽取训练样本,并检测重新抽取训练样本后的回归树模型是否收敛,直至回归树模型收敛时将收敛的回归树模型作为预测模型。
通过上述流程构建的回归树模型能够根据待传输的数据量预测出不同参数项赋值下,传输该数据量产生的时延抖动值。
在一些可能的实施例中,所述基于所述第一参数集的各参数项的赋值结果,确定所述5G上行空口参数的最终取值,包括:
若有一个所述第一参数集,则将所述第一参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值。
若有多个所述第一参数集,则将时延抖动值最小的第一参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值。
本申请实施例在确定存在时延抖动值满足目标时延抖动值的第一参数集后,若第一参数集仅有一个,则将该第一参数集中各参数项的赋值结果作为5G上行空口参数的最终取值。若不止一个,则将时延抖动值最小的第一参数集中各参数项的赋值结果作为5G上行空口参数的最终取值。以此在确定5G上行空口参数能够满足目标时延抖动值的基础上,尽可能的降低网络传输产生的时延抖动。
在一些可能的实施例中,所述将各待处理参数集的时延抖动值和所述目标时延抖动值进行比对之后,所述方法还包括:
若所述各待处理参数集中存在时延抖动值不小于所述目标时延抖动值的第二参数集,则根据下述方式确定所述5G上行空口参数的最终取值:
若有一个所述第二参数集,则将所述第二参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值。
若有多个所述第二参数集,则将时延抖动值最小的第二参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值。
本申请实施例在确定存在时延抖动值满足目标时延抖动值的第二参数集后,若第二参数集仅有一个,则将该第二参数集中各参数项的赋值结果作为5G上行空口参数的最终取值。若不止一个,则将时延抖动值最小的第二参数集中各参数项的赋值结果作为5G上行空口参数的最终取值。以此在确定5G上行空口参数能够满足目标时延抖动值的基础上,尽可能的降低网络传输产生的时延抖动。
在一些可能的实施例中,基于预设规则对各待处理参数集进行重组,包括:
从各待处理参数集中选取预设数量的待重组集合对,每一待重组集合对由两个不同的待处理参数集构成;任意两组待重组集合对之间至少存在一个不同的待处理参数集;
针对每一待重组集合对,对所述待重组集合对的两个待处理参数集进行重组,将重组结果作为所述重组参数集。
本申请实施例从各待处理参数集中选取预设数量的待重组集合对,每一待重组集合对由两个不同的待处理参数集构成,且任意两组待重组集合对之间至少存在一个不同的待处理参数集。进一步的,针对每一待重组集合对,将该待重组集合对的两个待处理参数集进行重组,以此构建重组参数集。
在一些可能的实施例中,任一参数项在不同待处理参数集中的排序位置相同,所述对所述待重组集合对的两个待处理参数集进行重组,将重组结果作为所述重组参数集,包括:
确定待处理参数集中的指定参数项,并构建待赋值参数集;其中,所述待赋值参数集与所述待处理参数集中包含的参数项均相同,且任一参数项在所述待赋值参数集中的排序位置与所述待处理参数集相同;
针对所述待重组集合对,将任一待处理参数集中的所述指定参数项以及排序在所述指定参数项之前的各参数项作为第一赋值参数项,并将另一待处理参数集中排序在所述指定参数项之后的各参数项作为第二赋值参数项;
根据所述第一赋值参数项和所述第二赋值结果参数项对所述待赋值结果参数集进行赋值,并将赋值后的所述待赋值参数集作为所述重组参数集。
本申请实施例中任一参数项在不同待处理参数集中的排序位置相同,由此可从待处理参数集中选取指定参数项,并构建待赋值参数集。构建重组参数集时,将待重组集合对中,任一待处理参数集中的指定参数项以及排序在指定参数项之前的各参数项作为第一赋值参数项,并将另一待处理参数集中排序在指定参数项之后的各参数项作为第二赋值参数项。然后根据第一赋值参数项和第二赋值结果参数项对待赋值结果参数集进行赋值,并将赋值后的待赋值参数集作为重组参数集。上述方式采用不同待处理参数集中各参数项的赋值结果进行重组,提高构建效率。
在一些可能的实施例中,所述根据所述第一赋值参数项和所述第二赋值参数项对所述待赋值参数集进行赋值,包括:
针对任一第一赋值参数项,将所述第一参数项的赋值结果作为所述待赋值参数集中与所述第一参数项排序位置相同的参数项的赋值结果;
针对任一第二赋值参数项,将所述第二参数项的赋值结果作为所述待赋值结果参数集中与所述第二参数项排序位置相同的参数项的赋值结果。
本申请实施例根据第一赋值参数项和第二赋值参数项对待赋值参数集进行赋值时,将第一参数项的赋值结果作为待赋值参数集中与第一参数项排序位置相同的参数项的赋值结果,并将第二参数项的赋值结果作为待赋值结果参数集中与第二参数项排序位置相同的参数项的赋值结果。即采用不同待处理参数集中各参数项的赋值结果进行重组,提高构建效率。
在一些可能的实施例中,所述方法还包括:
基于协方差公式确定待处理参数集中每一参数项的权重;每一参数项的权重表征所述参数项对时延抖动值的影响程度,所述权重与所述影响程度成正比;
所述根据所述第一赋值参数项和所述第二赋值参数项对所述待赋值参数集进行赋值之前,所述方法还包括:
针对任一待处理参数项,根据所述待处理参数项的权重对所述待处理参数项进行重新赋值;其中,所述待处理参数项包括第一赋值参数项和第二赋值参数项。
本申请实施例基于协方差公式确定待处理参数集中每一参数项的权重,该权重表征该参数项对实验抖动值的影响程度,该权重与该影响程度成正比。由此,根据第一赋值参数项和第二赋值参数项对待赋值参数集进行赋值前,可基于该权重对第一赋值参数项和第二赋值参数项进行重新赋值,以提高重组参数集的多样性。
在一些可能的实施例中,所述根据所述待处理参数项的权重对所述待处理参数项进行重新赋值之前,所述方法还包括:
根据所述权重确定对所述待处理参数项重新取值的取值概率;
所述根据所述待处理参数项的权重对所述待处理参数项进行重新赋值,包括:
根据所述取值概率确定是否对所述待处理参数项进行重新取值;
若是,则根据工程需求确定所述待处理参数项的取值区间,从所述取值取间中选取所述待处理参数项的新取值结果,并将所述新取值结果重新赋值给所述待处理参数项;
若不是,则将所述待处理参数项当前的赋值结果重新赋值给所述待处理参数项。
本申请实施例根据待处理参数项的权重对待处理参数项进行重新赋值之前,需根据权重确定对待处理参数项重新取值的取值概率。若该取值概率选定对该待处理参数项进行重新取值,则根据工程需求确定待处理参数项的取值区间,从取值取间中选取待处理参数项的新取值结果,并将新取值结果重新赋值给待处理参数项。相应的,若该未对该待处理参数项进行重新取值则将待处理参数项当前的赋值结果重新赋值给待处理参数项。以进一步提高重组参数集的多样性。
第二方面,本申请实施例提供了一种抑制5G上行空口时延抖动的参数确定装置,所述装置包括:
参数获取模块。被配置为执行响应于参数确认指示,获取待传输的数据量以及目标时延抖动值;
参数集生成模块,被配置为执行将所述数据量输入预先训练的预测模型,以根据所述预测模型的输出结果确定用于传输所述数据量的多组待处理参数集,以及每组待处理参数集在传输所述数据量时产生的时延抖动值;其中,所述待处理参数集为所述5G上行空口所需参数项的集合;每一待处理参数集包含的参数项均相同,且不同待处理参数集间至少存在一个参数项的赋值结果不同;
时延比对模块,被配置为执行将各待处理参数集的时延抖动值和所述目标时延抖动值进行比对,若各待处理参数集的时延抖动值均大于所述目标时延抖动值,则基于预设规则对各待处理参数集进行重组,并根据所述预测模型确定重组得到的重组参数集的时延抖动值;
参数集重组模块,被配置为若各重组参数集的延抖动值均大于所述目标时延抖动值,则将所述重组参数集作为待处理参数集,并基于所述预设规则从各待处理参数集中重新获取重组参数集,直至重组参数集中存在时延抖动值不大于所述目标时延抖动值的第一参数集;
参数确定模块,被配置为执行基于所述第一参数集的各参数项的赋值结果,确定所述5G上行空口参数的最终取值。
在一些可能的实施例中,所述预测模型是根据下述方式训练的:
获取训练集;其中,所述训练集中包含多个训练样本,每一训练样本包含参数集、所述参数集对应的数据量和时延抖动值;所述参数集是对所述5G上行空口所需参数项进行随机赋值得到的参数集合;
对所述训练集中的各训练样本执行有放回的抽样操作,针对每次抽取的训练样本构建分支树,以构建所述训练集对应的回归树模型;其中,每抽取一次训练样本,所述回归树模型中新增所述训练样本对应的分支树;
当所述回归树模型新增分支树时,基于最小均方误差函数确定所述回归树模型是否收敛;
若未收敛,则从所述训练集中重新抽取训练样本,并检测重新抽取训练样本后的回归树模型是否收敛,直至所述回归树模型收敛时将收敛的回归树模型作为所述预测模型。
在一些可能的实施例中,执行所述基于所述第一参数集的各参数项的赋值结果,确定所述5G上行空口参数的最终取值,所述参数确定模块被配置为:
若有一个所述第一参数集,则将所述第一参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值。
若有多个所述第一参数集,则将时延抖动值最小的第一参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值。
在一些可能的实施例中,执行所述将各待处理参数集的时延抖动值和所述目标时延抖动值进行比对之后,所述时延比对模块还被配置为:
若所述各待处理参数集中存在时延抖动值不小于所述目标时延抖动值的第二参数集,则根据下述方式确定所述5G上行空口参数的最终取值:
若有一个所述第二参数集,则将所述第二参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值。
若有多个所述第二参数集,则将时延抖动值最小的第二参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值。
在一些可能的实施例中,执行上述基于预设规则对各待处理参数集进行重组,所述参数集重组模块被配置为:
从各待处理参数集中选取预设数量的待重组集合对,每一待重组集合对由两个不同的待处理参数集构成;任意两组待重组集合对之间至少存在一个不同的待处理参数集;
针对每一待重组集合对,对所述待重组集合对的两个待处理参数集进行重组,将重组结果作为所述重组参数集。
在一些可能的实施例中,任一参数项在不同待处理参数集中的排序位置相同,执行所述对所述待重组集合对的两个待处理参数集进行重组,将重组结果作为所述重组参数集,所述参数集重组模块被配置为:
确定待处理参数集中的指定参数项,并构建待赋值参数集;其中,所述待赋值参数集与所述待处理参数集中包含的参数项均相同,且任一参数项在所述待赋值参数集中的排序位置与所述待处理参数集相同;
针对所述待重组集合对,将任一待处理参数集中的所述指定参数项以及排序在所述指定参数项之前的各参数项作为第一赋值参数项,并将另一待处理参数集中排序在所述指定参数项之后的各参数项作为第二赋值参数项;
根据所述第一赋值参数项和所述第二赋值结果参数项对所述待赋值结果参数集进行赋值,并将赋值后的所述待赋值参数集作为所述重组参数集。
在一些可能的实施例中,执行所述根据所述第一赋值参数项和所述第二赋值参数项对所述待赋值参数集进行赋值,所述参数集重组模块被配置为:
针对任一第一赋值参数项,将所述第一参数项的赋值结果作为所述待赋值参数集中与所述第一参数项排序位置相同的参数项的赋值结果;
针对任一第二赋值参数项,将所述第二参数项的赋值结果作为所述待赋值结果参数集中与所述第二参数项排序位置相同的参数项的赋值结果。
在一些可能的实施例中,所述参数集重组模块还被配置为:
基于协方差公式确定待处理参数集中每一参数项的权重;每一参数项的权重表征所述参数项对时延抖动值的影响程度,所述权重与所述影响程度成正比;
所述根据所述第一赋值参数项和所述第二赋值参数项对所述待赋值参数集进行赋值之前,所述方法还包括:
针对任一待处理参数项,根据所述待处理参数项的权重对所述待处理参数项进行重新赋值;其中,所述待处理参数项包括第一赋值参数项和第二赋值参数项。
在一些可能的实施例中,执行所述根据所述待处理参数项的权重对所述待处理参数项进行重新赋值之前,所述参数集重组模块还被配置为:
根据所述权重确定对所述待处理参数项重新取值的取值概率;
所述根据所述待处理参数项的权重对所述待处理参数项进行重新赋值,包括:
根据所述取值概率确定是否对所述待处理参数项进行重新取值;
若是,则根据工程需求确定所述待处理参数项的取值区间,从所述取值取间中选取所述待处理参数项的新取值结果,并将所述新取值结果重新赋值给所述待处理参数项;
若不是,则将所述待处理参数项当前的赋值结果重新赋值给所述待处理参数项。
第三方面,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本申请实施例第一方面提供的方法。
第四方面,本申请实施例还提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序用于使计算机执行本申请实施例第一方面提供的方法。
第五方面。本申请另一实施例还提供了一种计算机程序,所述计算机程序包括计算机指令,所述计算机指令用于使计算机执行本申请实施例提供的第一方面的方法。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例示出的时延补偿示意图;
图2为本申请实施例示出的5G网络中时延构成示意图;
图3a为本申请实施例示出一种5G上行空口参数的确定方法流程图;
图3b为本申请实施例示出的5G上行空口中的部分参数项示意图;
图3c为本申请实施例示出的5G系统内端到端时延的组成部分示意图;
图3d为本申请实施例示出的生成重组参数集示意图;
图3e为本申请实施例示出的基于取值概率对待赋值参数集赋值示意图;
图4a为本申请实施例示出的不同大小数据包下的绝对误差示意图;
图4b为本申请实施例示出的部分参数项权重示意图;
图4c为本申请实施例示出的优化前后的时延抖动值示意图;
图5为本申请实施例示出的相机检测装置500的结构图;
图6为本申请实施例示出的电子设备示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、详尽地描述。在本申请实施例的描述中,除非另有说明,“面将表示或的意思,例如,A/B可以表示A或B;文本中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,另外,在本申请实施例的描述中,“多个”是指两个或多于两个。
在本申请实施例的描述中,除非另有说明,术语“多个”是指两个或两个以上,其它量词与之类似应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。应理解的是,在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。方法在实际的处理过程中或者控制设备执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。
前文已提及,为充分发挥5G在行业定制专网中网元可灵活解耦的优势,运营商需要对客户的无线网侧进行差异化定制。
相较于设备制造商,运营商虽然受限于5G硬件基础和软件版本,但是基于设备制造商提供的网管平台,依旧有着很大的定制化部署优化空间。在5G定制专网中,企业对于上行数据的传输抖动相比时延有着更加异常严格的要求。例如电力行业对数据传输的平均时延要求小于12ms即为合格,但是不允许大幅度的时延抖动。
对于5G上行来说,它的抗抖动能力会受到参数配置的显著影响。然而巨大的参数空间和参数间的相互作用导致当前无法探索出所有的参数组合。具体的,上述参数空间中可包括控制信道参数3项(包括物理下行控制信道PDCCH误块率,控制信号单元CCE占用符号数和上下行CCE配比自适应开关等),业务差异化低时延参数15项(包括预调度相关参数和服务质量分类标识QCI相关参数等),互斥特性参数3项(包括非连续接收DRX开关和调度请求SR周期自适应开关等),参数间的组合能够高达1.72×1013种。同时,面对用户的不同需求,每个项目都由维护人员赴现场进行参数调优会极大降低工作效率,且由于现场网络、人员协调和设备等原因会造成调优失败的风险。因而随着5G定制专网项目的逐步普及,上述参数的调试方式必然会造成商机延误和维护人员不足的情况。
相关技术中多采用增加硬件的方式以使网络传输产生的时延满足企业需求。例如电力差动保护领域,业界提供了一种设备连接到差动保护装置的光口上,通过在数据转换装置中设置稳定时延参数,从而形成本侧到对侧的固定时延。而在无线通信领域,业界提供了一种增加时间戳的方式,各个网元通过识别出数据中携带的时间戳来实现时间同步,从而达到时延稳定的作用。除此以外,业界还提供了一种通过计算上行SRS(SoundingReference Signal,探测参考信号)序列与参考SRS序列之间的相关性,得到相关性结果中的峰值,最后通过峰值对应的时延偏移确定为所述时延补偿值。
通过上述内容可知,目前业界内普遍的做法是时延补偿,具体如图1所示,假设用户需要的时延为T0,在传输时的实际时延为T1(T1<T0),通过增加偏移值ΔT,从而满足用户对固定时延的要求。然而,对于当实际时延大于T0的数据(即图1中问号区域)上述方式则会缺少有效应对的策略。
为解决上述问题,本申请实施例的发明构思为:获取待传输的数据量以及目标时延抖动值后,通过将该数据量输入预先训练的预测模型以确定用于传输该数据量的多组待处理数据集和各待处理数据集对应的时延抖动值。其中,待处理参数集为5G上行空口所需参数项的集合;每一待处理参数集包含的参数项均相同,且不同待处理参数集间至少存在一个参数项的赋值结果不同。若各待处理参数集的时延抖动值均大于目标时延抖动值,则对各待处理参数集进行重组,并将各重组参数集的延抖动值与目标时延抖动值进行比对。若均大于目标时延抖动值则将重组参数集作为待处理参数集,并从各待处理参数集中重新获取重组参数集,直至重组参数集中存在时延抖动值不大于目标时延抖动值的第一参数集时,基于第一参数集的各参数项的赋值结果确定5G上行空口参数的最终取值。
上述流程中基于待传输数据量的大小预测不同参数项赋值情况下的时延抖动值,并根据时延抖动值与目标时延抖动值的比对来确定满足目标时延抖动值的5G上行空口参数,提高时延的稳定性。
为便于理解本申请实施例提供的技术方案,下面对5G网络中时延的构成进行简单说明,具体如图2所示:5G网络端到端时延分为3段:分别是空口上行用户时延、空口下行用户时延以及传输时延。其中,图2中示出的GNB为5G基站(gNodeB),BBU为基带处理单元(Building Base band Unit),5GC为核心网(5G core 5G)。
5G网络端到端所产生的总时延即为该三段时延之和。传输时延为数据通过光纤网络的时间,空口时延为数据在空中无线链路传输和处理的时间。5G网络的时延短板主要存在于空口时延,而空口时延又分为上行链路时延和下行链路时延,其中上行较下行传输更复杂,不确定因素更多,因此在抑制端到端的时延抖动中,应对上行链路产生时延的数据源头进行研究和分析。
发明人研究分析发现,空口侧出现时延抖动的根本原因在于调度顺序存在随机性,而调度顺序又和空口的配置强相关,因而如何进行针对性的空口配置来抑制时延抖动成为问题解决的关键。
基于此,本申请提供了一种抑制5G上行空口时延抖动的参数确定方法,该方法用于降低上行空口的时延抖动,从而提高5G网络时延的稳定性。具体如图3a所示,包括如下步骤:
步骤301:响应于参数确认指示,获取待传输的数据量以及目标时延抖动值;
预先获取企业用户的相关需求,该需求中包括企业用户需求的目标时延抖动值和待传输的数据量两项参数。本申请实施例基于上述参数通过已训练的预测模型确定不同待处理参数集在传输该数据量时所产生的时延抖动值,具体如下述步骤302所示。
步骤302:将所述数据量输入预先训练的预测模型,以根据所述预测模型的输出结果确定用于传输所述数据量的多组待处理参数集,以及每组待处理参数集在传输所述数据量时产生的时延抖动值;其中,所述待处理参数集为所述5G上行空口所需参数项的集合;每一待处理参数集包含的参数项均相同,且不同待处理参数集间至少存在一个参数项的赋值结果不同;
本申请实施例中的预测模型是根据下述方式训练的:
预先获取训练集,该训练集中包含多个训练样本,每一训练样本包含参数集、参数集对应的数据量和时延抖动值。需要说明的是,前文已提及参数空间中可包括控制信道参数3项(包括PDCCH误块率,CCE占用符号数和上下行CCE配比自适应开关等),业务差异化低时延参数15项(包括预调度相关参数和QCI相关参数等),互斥特性参数3项(包括DRX开关和SR周期自适应开关等),参数间的组合能够高达1.72×1013种。因而此处训练预测模型的目的在于通过多组随机组合的训练集,使该预测模型能够学习不同参数集、数据量以及时延抖动值间的关系。即,该预测模型可根据输入的数据量预测出多种不同参数集传输该数据量所产生的时延抖动值。
另需说明的是,上述参数集是对5G上行空口所需参数项进行随机赋值得到的参数集合。即不同参数集中包含相同的参数项,但同一参数项在不同参数集内的赋值不同。具体的,图3b中示出了5G上行空口中的部分参数项。如图3b所示,企业客户的不同可能导致所需5G上行空口的参数项不同,每一参数项根据工程需求设有对应的取值取间。本申请意在根据企业客户所需的参数项进行赋值,以使采用该参数项组成的参数集进行网络传输时产生的时延抖动值能够符合用户需求。
例如企业用户所需参数项即为图3b中示出的7项,则获取训练集时预先构建不同的参数集,每一参数集中均包含该7项参数项。然后为每一参数集中的7项参数项进行随机赋值,以生成赋值结果不同的多个参数集。进一步的,针对每一参数集,采用该参数集连续上传固定大小的数据包,在上传期间记录下每次上传所产生的时延抖动值,然后计算多次上传的时延抖动值的平均值。最后将该参数集、数据包的大小(即采用该参数集传输的数据量)和时延抖动值的平均值关联在一起,组成一个训练样本。
由此,得到不同参数集传输数据包时产生的时延抖动值。通过上述方式构建的每一训练样本包含了参数集、数据包大小以及时延抖动值。
接下来对训练集中的各训练样本执行有放回的抽样操作,针对每次抽取的训练样本构建分支树,以构建训练集对应的回归树模型。本申请实施例针对各训练样本进行有放回的抽样操作,目的在于保证每次随机抽取训练样本的概率均相同,以提高预测模型的预测精度。实施时,对抽样数据(即抽取的训练样本)进行回归树预测模型建模,然后自上而下建立节点并选择最小均方误差作为最优特征的判定条件进行划分。
上述训练集即为整个回归树,每次随机抽取的训练样本相当于向回归树添加分支,即每次抽取的训练样本作为该回归树的分支树。具体的,构建该回归树对应的训练矩阵T,该训练矩阵中每行均由若干变量组成,具体如下述公式(1)所示:
Vi=(ji,ti,pi),i∈[1,n] 公式(1)
其中,Vi为参数集的第i个实测值,ji为该参数集关联的时延抖动值,ti为该参数集关联的数据包大小,pi为该参数集关联的参数空间,即该参数集中包含的各参数项,n为测试数据的数量。
通过上述公式(1)可知,每项业务实际的时延抖动值J可如下述公式(2)所示:
J=RF(jk,tk,pk),k∈N 公式(2)
其中,RF为随机森林算法,k为训练样本的个数,N为自然数。
回归树预测模型中,上述公式(2)的k越大则理论上模型越收敛。前文已说明,每抽取一次训练样本即为向回归树模型中新增该训练样本对应的分支树。当回归树模型新增分支树时,可采用最小均方误差函数确定回归树模型是否收敛。收敛则表征该预测模型训练完成,若未收敛,则从训练集中重新抽取训练样本,并检测重新抽取训练样本后的回归树模型是否收敛,直至回归树模型收敛时将收敛的回归树模型作为预测模型。
下面以实测数据进行说明。以电信现网5G配置为例,某地区的电信5G网络采用的是3.5G频段的测试驱动开发模式(TDD,Test-Driven Development),该模式的时隙配比为2.5ms双周期的7:3的配置方式,具体如图3c所示,图3c展示了5G系统内端到端时延的组成部分。其中,图3c中gNB为5G基站,NW-TT为网络侧TSN转换器、TSN为时延敏感网络、DS-TT为设备侧TSN转换器、DN为数据网络。在TSN网络中,数据从终端发出经过gNB,传输网到UPF,之后通过UPF处理,返回给终端。整个时延叫做端到端时延,具体由空口时延和基站到锚定UPF的时延组成。本申请实施例通过合理的配置各参数项的赋值结果,从而减少端到端的时延抖动。并通过测量5G系统的端到端时延来确定上述各参数项赋值结果下产生的时延抖动值后,将该时延抖动值作为模型的历史输入,以此获得预测模型的训练数据。
通过上述流程构建的预测模型能够针对企业客户所需待传输数据量预测出不同待处理参数集传输该数据量所产生的时延抖动值。进而,可根据该时延抖动值与客户需求的目标时延抖动值进行比对,以确定采用该待处理参数集是否能够满足用户需求。
步骤303:将各待处理参数集的时延抖动值和目标时延抖动值进行比对,若各待处理参数集的时延抖动值均大于目标时延抖动值,则基于预设规则对各待处理参数集进行重组,并根据预测模型确定重组得到的重组参数集的时延抖动值;
实施时,将各待处理参数集的时延抖动值和目标时延抖动值进行比对,若各待处理参数集中存在时延抖动值不小于目标时延抖动值的第二参数集,则进一步确定第二参数集的个数。若仅有一个第二参数集,则将第二参数集中各参数项的赋值结果作为5G上行空口参数的最终取值。若有多个第二参数集,由于时延抖动值越小则表征网络传输时的网络延时越低,故应将时延抖动值最小的第二参数集中各参数项的赋值结果作为5G上行空口参数的最终取值。
相应的,若各待处理参数集中未含有第二参数集,则基于预设规则对各待处理参数集进行重组。实施时,首先从各待处理参数集中选取预设数量的待重组集合对。其中,每一待重组集合对由两个不同的待处理参数集构成,且任意两组待重组集合对之间至少存在一个不同的待处理参数集。
例如预测模型输出10个待处理参数集,每一待处理参数集中均包含A~E这5项参数项。可从10个待处理参数集中选出n组待重组集合对,n为正整数,且n∈[1,5]。假设n=2,即选出2组待重组集合对1和2。待重组集合对1由待处理参数集1和待处理参数集8组成,待重组集合对2由待处理参数集3和待处理参数集4构成。然后,针对每一待重组集合对,对待重组集合对的两个待处理参数集进行重组,并将重组结果作为重组参数集。
需要说明的是,任一参数项在不同待处理参数集中的排序位置均相同。即上述10个待处理参数集中,参数项A~E的排序均相同。对待重组集合对的两个待处理参数集进行重组,将重组结果作为重组参数集时,从确定待处理参数集中的指定参数项,并构建待赋值参数集。其中,待赋值参数集与待处理参数集中包含的参数项均相同,且任一参数项在待赋值参数集中的排序位置与待处理参数集相同。
针对待重组集合对,将任一待处理参数集中的指定参数项以及排序在指定参数项之前的各参数项作为第一赋值参数项,并将另一待处理参数集中排序在指定参数项之后的各参数项作为第二赋值参数项。进一步的,根据第一赋值参数项和第二赋值结果参数项对待赋值结果参数集进行赋值,并将赋值后的待赋值参数集作为重组参数集。
实施时,针对任一第一赋值参数项,将第一参数项的赋值结果作为待赋值参数集中与第一参数项排序位置相同的参数项的赋值结果。并针对任一第二赋值参数项,将第二参数项的赋值结果作为待赋值结果参数集中与第二参数项排序位置相同的参数项的赋值结果。
具体的,以待重组集合对1为例,假设待重组集合对1由待处理参数集1和8组成。待处理参数集1和8中均包含参数项A~E,其中,待处理参数集1中A~E的赋值结果分别为babab,待处理参数集8中A~E的赋值结果分别为abbaa。根据待重组集合对1构建重组参数集时可如图3d所示,预先构建一个待赋值参数集,待赋值参数集中包含的参数项与待处理参数集相同,即包含参数项A~E。不同的是,待赋值参数集中的参数项A~E当前未赋值。
然后,从A~E中选取一参数项作为指定参数项,例如指定参数项为C,可将待处理参数集1中的A~C作为第一参数赋值项,并将待处理参数集8中的D和E作为第二参数赋值项。参数赋值项即为将该参数项当前的赋值结果赋值到重组参数集中。实施时,可将待处理参数集1中的A~C赋值给重组参数集中的A~C,并将待处理参数集8中的D和E赋值给重组参数集中的D和E,赋值后的待赋值参数集即为根据待重组参数对A构建的重组参数集,该重组参数集中包含参数项A~E,且A~E的赋值结果为babaa。
通过上述方式即可从多个待处理参数集中构建新的重组参数集,然后根据预测模型确定该重组参数集传输待传输数据量时产生的时延抖动值。进而根据重组参数集的时延抖动值与目标时延抖动值的比对结果确定符合用户需求的各参数项,具体如下述步骤304所示。
此外,为丰富重组参数集的数量,可基于协方差公式确定待处理参数集中每一参数项的权重。然后针对任一待处理参数项,根据待处理参数项的权重对待处理参数项进行重新赋值;其中,待处理参数项包括第一赋值参数项和第二赋值参数项。
具体的,将待处理参数集用下述公式(3)表示:
parai=(p1,p2……pn) 公式(3)
其中,parai表征待处理参数集,p1~pn为待处理参数集i中的各参数项,n为参数项数量。
基于协方差公式确定待处理参数集中每一参数项的权重时,以公式(3)中p1为例,保持其他参数项的赋值结果,仅改变p1的赋值结果,并计算出p1与时延抖动值的方差,随后改变p2,并保持其他参数项的赋值结果不变,计算出p2与时延抖动值的方差,以此类推,最后根据协方差的绝对值的反比确定各参数项的权重,得到下述公式(4):
pi=(mp1,mp2……mpn) 公式(4)
其中,n为参数项数量,m为参数项权重,每一参数项的权重表征参数项对时延抖动值的影响程度,权重与影响程度成正比。
确定待处理参数集中各参数项的权重后,需根据该权重确定对待处理参数项重新取值的取值概率。所谓取值概率,即表征基于该参数项构建重组参数集时,对该参数项进行重新取值的概率。进一步的,根据待处理参数项的权重对待处理参数项进行重新赋值时,根据取值概率确定是否对待处理参数项进行重新取值。
为便于理解上述流程,以图3d中示出的待处理参数集1举例说明。具体如图3e所示,针对待处理参数集1中的参数项A,将该参数项A作为待处理参数项。该待处理参数项的赋值结果为a,假设该待处理参数项的取值概率为0.6,则将该待处理参数项赋值给待赋值参数集中的A时,可基于该取值概率确定是否对该待处理参数项重新取值。具体的,可采用人工概率筛选或机器概率筛选的方式,以0.6的概率对该待处理参数项进行重新取值。
前文已提及,根据工程需求可知企业客户定制5G网络中5G上行空口所需参数项,以及各参数项的取值取间(具体如图3b所示)。因而在判定对该待处理参数项进行重新取值时,可从该待处理参数项的取值取间中重新随机选取一个值,该值即为该待处理参数项的新取值结果,并将新取值结果重新赋值给该待处理参数项。
如图3e所示,原本该待处理参数项的赋值结果为a,重新取值后该待处理参数项的新取值结果为s,则将该待处理参数项赋值给待赋值参数集中的A时,最终赋予的值为s。相应的,若判定不对该待处理参数项进行重新取值,则将待处理参数项当前的赋值结果重新赋值给待处理参数项。即该待处理参数项的仍为a。
上述流程中,基于协方差公式确定待处理参数集中每一参数项的权重,进而根据该权重确定该参数项的取值概率。采用该参数项构建重组参数集时,可根据该取值概率确定是否重新对该参数项进行取值,以丰富重组参数集的数据量。
步骤304:若各重组参数集的延抖动值均大于所述目标时延抖动值,则将所述重组参数集作为待处理参数集,并基于所述预设规则从各待处理参数集中重新获取重组参数集,直至重组参数集中存在时延抖动值不大于所述目标时延抖动值的第一参数集;
具体的,假设向预测模型输入待传输数据量后得到1~10,共计10个待处理参数集。待处理参数集1~10对应的时延抖动值均大于目标时延抖动值,即不满足用户需求。此时,可先从待处理参数集1~10中随机选取多组待重组参数对,并通过上述步骤303确定每一待重组参数对所对应的重组参数集。假设,选出4组待重组参数对,得到重组参数集1~4。接下来根据预测模型确定重组参数集1~4对应的时延抖动值,并与目标时延抖动值进行比对。
假设重组参数集1~4的时延抖动值也均大于目标时延抖动值,则将重组参数集1~4作为待处理参数集。即此时待处理参数集共计14个。通过该方式能够提高待处理参数集的数量,从而丰富重组参数集的数量。进一步的,从该14个待处理参数集中再次随机选取多组待重组参数对,直至重组参数集中存在时延抖动值不大于所述目标时延抖动值的第一参数集。
步骤305:基于所述第一参数集的各参数项的赋值结果,确定所述5G上行空口参数的最终取值。
由于时延抖动值越小则表征网络传输时的网络延时越低。为进一步满足用户需求,实施时可预先确定第一参数集的数量。若有一个第一参数集,则将第一参数集中各参数项的赋值结果作为5G上行空口参数的最终取值。若有多个第一参数集,则将时延抖动值最小的第一参数集中各参数项的赋值结果作为5G上行空口参数的最终取值。
下面对本申请提供的一种5G上行参数的确定方法的效果评估,分别从参数项的权重、预测模型准的确性以及预测模型的有效性三个方面进行分析。
实施时,为评估不同数据量下此模型的准确性,需对每个训练样本进行多次预测和测试,然后通过下述公式(5)计算平均绝对误差MAPE:
其中,prei表示预测模型输出的时延抖动值,acti为实际执行的时间,erri为预测模型的预测误差,N为训练样本大小。
经过大量测试后,如图4a示出的柱形图所示,不同数据包情况下,绝对误差随着数据包大小的变大逐渐变小,这是由于当输入的数据包数量较少时,作业总时间小,MAPE分母较小,容易受波动影响,当数据量增大时,MAPE分母变大,进而对于异常数据有较强的抗干扰性,进而使得MAPE更低。
在参数优化部分(即上述步骤303~304处内容),预先获取每一参数项对时延抖动值的影响程度,并将之作为该参数项权重。其中部分参数项的影响程度如图4b所示,根据图4b可知,参数项5QI的取值对于时延抖动值的影响程度相对较高,达到了31.4%,DRX开关其次,为26.3%。这决定了采用该参数项构建重组参数集时,该参数项赋值结果的变化概率。
本申请提供的技术方案意在基于待传输数据量的大小预测不同参数项赋值情况下的时延抖动值,并根据时延抖动值与目标时延抖动值的比对来确定满足目标时延抖动值的5G上行空口参数,从而提高网络时延的稳定性。图4c中示出了多组待处理参数集优化前后的时延抖动值的对比,图4c中示出的多组示例中,对待处理参数集优化后的时延抖动值最高可降低88.75%,优化后的平均抖动为6.32ms,可见能够有效抑制网络传输产生的时延抖动情况。
上述流程从预测模型的绝对误差、参数项权重以及时延抖动的抑制效果三个方面体现了本申请技术方案的有效性,采用该方案能够快速地对大量空口参数进行自适应配置,来满足5G定制专网地上行抖动要求,大大减少部署的时间。
基于相同的发明构思,本申请实施例提供了一种抑制5G上行空口时延抖动的参数确定装置500,如图5所示,包括:
参数获取模块501。被配置为执行响应于参数确认指示,获取待传输的数据量以及目标时延抖动值;
参数集生成模块502,被配置为执行将所述数据量输入预先训练的预测模型,以根据所述预测模型的输出结果确定用于传输所述数据量的多组待处理参数集,以及每组待处理参数集在传输所述数据量时产生的时延抖动值;其中,所述待处理参数集为所述5G上行空口所需参数项的集合;每一待处理参数集包含的参数项均相同,且不同待处理参数集间至少存在一个参数项的赋值结果不同;
时延比对模块503,被配置为执行将各待处理参数集的时延抖动值和所述目标时延抖动值进行比对,若各待处理参数集的时延抖动值均大于所述目标时延抖动值,则基于预设规则对各待处理参数集进行重组,并根据所述预测模型确定重组得到的重组参数集的时延抖动值;
参数集重组模块504,被配置为若各重组参数集的延抖动值均大于所述目标时延抖动值,则将所述重组参数集作为待处理参数集,并基于所述预设规则从各待处理参数集中重新获取重组参数集,直至重组参数集中存在时延抖动值不大于所述目标时延抖动值的第一参数集;
参数确定模块505,被配置为执行基于所述第一参数集的各参数项的赋值结果,确定所述5G上行空口参数的最终取值。
在一些可能的实施例中,所述预测模型是根据下述方式训练的:
获取训练集;其中,所述训练集中包含多个训练样本,每一训练样本包含参数集、所述参数集对应的数据量和时延抖动值;所述参数集是对所述5G上行空口所需参数项进行随机赋值得到的参数集合;
对所述训练集中的各训练样本执行有放回的抽样操作,针对每次抽取的训练样本构建分支树,以构建所述训练集对应的回归树模型;其中,每抽取一次训练样本,所述回归树模型中新增所述训练样本对应的分支树;
当所述回归树模型新增分支树时,基于最小均方误差函数确定所述回归树模型是否收敛;
若未收敛,则从所述训练集中重新抽取训练样本,并检测重新抽取训练样本后的回归树模型是否收敛,直至所述回归树模型收敛时将收敛的回归树模型作为所述预测模型。
在一些可能的实施例中,执行所述基于所述第一参数集的各参数项的赋值结果,确定所述5G上行空口参数的最终取值,所述参数确定模块505被配置为:
若有一个所述第一参数集,则将所述第一参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值。
若有多个所述第一参数集,则将时延抖动值最小的第一参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值。
在一些可能的实施例中,执行所述将各待处理参数集的时延抖动值和所述目标时延抖动值进行比对之后,所述时延比对模块503还被配置为:
若所述各待处理参数集中存在时延抖动值不小于所述目标时延抖动值的第二参数集,则根据下述方式确定所述5G上行空口参数的最终取值:
若有一个所述第二参数集,则将所述第二参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值。
若有多个所述第二参数集,则将时延抖动值最小的第二参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值。
在一些可能的实施例中,执行上述基于预设规则对各待处理参数集进行重组,所述参数集重组模块504被配置为:
从各待处理参数集中选取预设数量的待重组集合对,每一待重组集合对由两个不同的待处理参数集构成;任意两组待重组集合对之间至少存在一个不同的待处理参数集;
针对每一待重组集合对,对所述待重组集合对的两个待处理参数集进行重组,将重组结果作为所述重组参数集。
在一些可能的实施例中,任一参数项在不同待处理参数集中的排序位置相同,执行所述对所述待重组集合对的两个待处理参数集进行重组,将重组结果作为所述重组参数集,所述参数集重组模块504被配置为:
确定待处理参数集中的指定参数项,并构建待赋值参数集;其中,所述待赋值参数集与所述待处理参数集中包含的参数项均相同,且任一参数项在所述待赋值参数集中的排序位置与所述待处理参数集相同;
针对所述待重组集合对,将任一待处理参数集中的所述指定参数项以及排序在所述指定参数项之前的各参数项作为第一赋值参数项,并将另一待处理参数集中排序在所述指定参数项之后的各参数项作为第二赋值参数项;
根据所述第一赋值参数项和所述第二赋值结果参数项对所述待赋值结果参数集进行赋值,并将赋值后的所述待赋值参数集作为所述重组参数集。
在一些可能的实施例中,执行所述根据所述第一赋值参数项和所述第二赋值参数项对所述待赋值参数集进行赋值,所述参数集重组模块504被配置为:
针对任一第一赋值参数项,将所述第一参数项的赋值结果作为所述待赋值参数集中与所述第一参数项排序位置相同的参数项的赋值结果;
针对任一第二赋值参数项,将所述第二参数项的赋值结果作为所述待赋值结果参数集中与所述第二参数项排序位置相同的参数项的赋值结果。
在一些可能的实施例中,所述参数集重组模块504还被配置为:
基于协方差公式确定待处理参数集中每一参数项的权重;每一参数项的权重表征所述参数项对时延抖动值的影响程度,所述权重与所述影响程度成正比;
所述根据所述第一赋值参数项和所述第二赋值参数项对所述待赋值参数集进行赋值之前,所述方法还包括:
针对任一待处理参数项,根据所述待处理参数项的权重对所述待处理参数项进行重新赋值;其中,所述待处理参数项包括第一赋值参数项和第二赋值参数项。
在一些可能的实施例中,执行所述根据所述待处理参数项的权重对所述待处理参数项进行重新赋值之前,所述参数集重组模块504还被配置为:
根据所述权重确定对所述待处理参数项重新取值的取值概率;
所述根据所述待处理参数项的权重对所述待处理参数项进行重新赋值,包括:
根据所述取值概率确定是否对所述待处理参数项进行重新取值;
若是,则根据工程需求确定所述待处理参数项的取值区间,从所述取值取间中选取所述待处理参数项的新取值结果,并将所述新取值结果重新赋值给所述待处理参数项;
若不是,则将所述待处理参数项当前的赋值结果重新赋值给所述待处理参数项。
下面参照图6来描述根据本申请的这种实施方式的电子设备130。图6显示的电子设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备130交互的设备通信,和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且,电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备130使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本申请提供的一种抑制5G上行空口时延抖动的参数确定方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种抑制5G上行空口时延抖动的参数确定方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、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)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于抑制5G上行空口时延抖动的参数确定的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
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。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和方框图来描述的。应理解可由计算机程序指令实现流程图和方框图中的每一流程和/或方框、以及流程图和方框图中的流程和方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种抑制5G上行空口时延抖动的参数确定方法,其特征在于,所述方法包括:
响应于参数确认指示,获取待传输的数据量以及目标时延抖动值;
将所述数据量输入预先训练的预测模型,以根据所述预测模型的输出结果确定用于传输所述数据量的多组待处理参数集,以及每组待处理参数集在传输所述数据量时产生的时延抖动值;其中,所述待处理参数集为所述5G上行空口所需参数项的集合;每一待处理参数集包含的参数项均相同,且不同待处理参数集间至少存在一个参数项的赋值结果不同;
将各待处理参数集的时延抖动值和所述目标时延抖动值进行比对,若各待处理参数集的时延抖动值均大于所述目标时延抖动值,则基于预设规则对各待处理参数集进行重组,并根据所述预测模型确定重组得到的重组参数集的时延抖动值;
若各重组参数集的延抖动值均大于所述目标时延抖动值,则将所述重组参数集作为待处理参数集,并基于所述预设规则从各待处理参数集中重新获取重组参数集,直至重组参数集中存在时延抖动值不大于所述目标时延抖动值的第一参数集;
基于所述第一参数集的各参数项的赋值结果,确定所述5G上行空口参数的最终取值。
2.根据权利要求1所述的方法,其特征在于,所述预测模型是根据下述方式训练的:
获取训练集;其中,所述训练集中包含多个训练样本,每一训练样本包含参数集、所述参数集对应的数据量和时延抖动值;所述参数集是对所述5G上行空口所需参数项进行随机赋值得到的参数集合;
对所述训练集中的各训练样本执行有放回的抽样操作,针对每次抽取的训练样本构建分支树,以构建所述训练集对应的回归树模型;其中,每抽取一次训练样本,所述回归树模型中新增所述训练样本对应的分支树;
当所述回归树模型新增分支树时,基于最小均方误差函数确定所述回归树模型是否收敛;
若未收敛,则从所述训练集中重新抽取训练样本,并检测重新抽取训练样本后的回归树模型是否收敛,直至所述回归树模型收敛时将收敛的回归树模型作为所述预测模型。
3.根据权利要求1所述的方法,其特征在于,所述基于所述第一参数集的各参数项的赋值结果,确定所述5G上行空口参数的最终取值,包括:
若有一个所述第一参数集,则将所述第一参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值;
若有多个所述第一参数集,则将时延抖动值最小的第一参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值。
4.根据权利要求1所述的方法,其特征在于,所述将各待处理参数集的时延抖动值和所述目标时延抖动值进行比对之后,所述方法还包括:
若所述各待处理参数集中存在时延抖动值不小于所述目标时延抖动值的第二参数集,则根据下述方式确定所述5G上行空口参数的最终取值:
若有一个所述第二参数集,则将所述第二参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值;
若有多个所述第二参数集,则将时延抖动值最小的第二参数集中各参数项的赋值结果作为所述5G上行空口参数的最终取值。
5.根据权利要求1所述的方法,其特征在于,所述基于预设规则对各待处理参数集进行重组,包括:
从各待处理参数集中选取预设数量的待重组集合对,每一待重组集合对由两个不同的待处理参数集构成;任意两组待重组集合对之间至少存在一个不同的待处理参数集;
针对每一待重组集合对,对所述待重组集合对的两个待处理参数集进行重组,将重组结果作为所述重组参数集。
6.根据权利要求5所述的方法,其特征在于,任一参数项在不同待处理参数集中的排序位置相同,所述对所述待重组集合对的两个待处理参数集进行重组,将重组结果作为所述重组参数集,包括:
确定待处理参数集中的指定参数项,并构建待赋值参数集;其中,所述待赋值参数集与所述待处理参数集中包含的参数项均相同,且任一参数项在所述待赋值参数集中的排序位置与所述待处理参数集相同;
针对所述待重组集合对,将任一待处理参数集中的所述指定参数项以及排序在所述指定参数项之前的各参数项作为第一赋值参数项,并将另一待处理参数集中排序在所述指定参数项之后的各参数项作为第二赋值参数项;
根据所述第一赋值参数项和所述第二赋值结果参数项对所述待赋值结果参数集进行赋值,并将赋值后的所述待赋值参数集作为所述重组参数集。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第一赋值参数项和所述第二赋值参数项对所述待赋值参数集进行赋值,包括:
针对任一第一赋值参数项,将所述第一参数项的赋值结果作为所述待赋值参数集中与所述第一参数项排序位置相同的参数项的赋值结果;
针对任一第二赋值参数项,将所述第二参数项的赋值结果作为所述待赋值结果参数集中与所述第二参数项排序位置相同的参数项的赋值结果。
8.根据权利要求6所述的方法,其特征在于,所述方法还包括:
基于协方差公式确定待处理参数集中每一参数项的权重;每一参数项的权重表征所述参数项对时延抖动值的影响程度,所述权重与所述影响程度成正比;
所述根据所述第一赋值参数项和所述第二赋值参数项对所述待赋值参数集进行赋值之前,所述方法还包括:
针对任一待处理参数项,根据所述待处理参数项的权重对所述待处理参数项进行重新赋值;其中,所述待处理参数项包括第一赋值参数项和第二赋值参数项。
9.根据权利要求8所述的方法,其特征在于,所述根据所述待处理参数项的权重对所述待处理参数项进行重新赋值之前,所述方法还包括:
根据所述权重确定对所述待处理参数项重新取值的取值概率;
所述根据所述待处理参数项的权重对所述待处理参数项进行重新赋值,包括:
根据所述取值概率确定是否对所述待处理参数项进行重新取值;
若是,则根据工程需求确定所述待处理参数项的取值区间,从所述取值取间中选取所述待处理参数项的新取值结果,并将所述新取值结果重新赋值给所述待处理参数项;
若不是,则将所述待处理参数项当前的赋值结果重新赋值给所述待处理参数项。
10.一种抑制5G上行空口时延抖动的参数确定装置,其特征在于,所述装置包括:
参数获取模块。被配置为执行响应于参数确认指示,获取待传输的数据量以及目标时延抖动值;
参数集生成模块,被配置为执行将所述数据量输入预先训练的预测模型,以根据所述预测模型的输出结果确定用于传输所述数据量的多组待处理参数集,以及每组待处理参数集在传输所述数据量时产生的时延抖动值;其中,所述待处理参数集为所述5G上行空口所需参数项的集合;每一待处理参数集包含的参数项均相同,且不同待处理参数集间至少存在一个参数项的赋值结果不同;
时延比对模块,被配置为执行将各待处理参数集的时延抖动值和所述目标时延抖动值进行比对,若各待处理参数集的时延抖动值均大于所述目标时延抖动值,则基于预设规则对各待处理参数集进行重组,并根据所述预测模型确定重组得到的重组参数集的时延抖动值;
参数集重组模块,被配置为若各重组参数集的延抖动值均大于所述目标时延抖动值,则将所述重组参数集作为待处理参数集,并基于所述预设规则从各待处理参数集中重新获取重组参数集,直至重组参数集中存在时延抖动值不大于所述目标时延抖动值的第一参数集;
参数确定模块,被配置为执行基于所述第一参数集的各参数项的赋值结果,确定所述5G上行空口参数的最终取值。
11.一种电子设备,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1-9中任何一项所述的方法。
12.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序用于使计算机执行如权利要求1-9任何一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111623854.1A CN114286377B (zh) | 2021-12-28 | 2021-12-28 | 抑制5g上行空口时延抖动的参数确定方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111623854.1A CN114286377B (zh) | 2021-12-28 | 2021-12-28 | 抑制5g上行空口时延抖动的参数确定方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114286377A true CN114286377A (zh) | 2022-04-05 |
CN114286377B CN114286377B (zh) | 2024-02-23 |
Family
ID=80877192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111623854.1A Active CN114286377B (zh) | 2021-12-28 | 2021-12-28 | 抑制5g上行空口时延抖动的参数确定方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114286377B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105794187A (zh) * | 2013-11-15 | 2016-07-20 | 微软技术许可有限责任公司 | 预测通话品质 |
US20190036788A1 (en) * | 2017-07-26 | 2019-01-31 | Citrix Systems, Inc. | Proactive link load balancing to maintain quality of link |
CN111212279A (zh) * | 2018-11-21 | 2020-05-29 | 华为技术有限公司 | 一种视频质量的评估方法及装置 |
CN113079421A (zh) * | 2020-01-03 | 2021-07-06 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置、设备及存储介质 |
CN113498099A (zh) * | 2020-04-08 | 2021-10-12 | 中国移动通信有限公司研究院 | 数据包时延抖动监测方法及设备 |
-
2021
- 2021-12-28 CN CN202111623854.1A patent/CN114286377B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105794187A (zh) * | 2013-11-15 | 2016-07-20 | 微软技术许可有限责任公司 | 预测通话品质 |
US20190036788A1 (en) * | 2017-07-26 | 2019-01-31 | Citrix Systems, Inc. | Proactive link load balancing to maintain quality of link |
CN111212279A (zh) * | 2018-11-21 | 2020-05-29 | 华为技术有限公司 | 一种视频质量的评估方法及装置 |
CN113079421A (zh) * | 2020-01-03 | 2021-07-06 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置、设备及存储介质 |
CN113498099A (zh) * | 2020-04-08 | 2021-10-12 | 中国移动通信有限公司研究院 | 数据包时延抖动监测方法及设备 |
Non-Patent Citations (2)
Title |
---|
KARIM HAMMAD等: "Analytical Approximation of Packet Delay Jitter in Simple Queues", IEEE WIRELESS COMMUNICATIONS LETTERS, vol. 5, no. 6, 31 December 2016 (2016-12-31), XP011637226, DOI: 10.1109/LWC.2016.2601609 * |
周启荣等: "预测反馈补偿法抑制帧中继网络时延抖动", 电子设计工程, vol. 19, no. 17, 30 September 2011 (2011-09-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN114286377B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schiessl et al. | Delay analysis for wireless fading channels with finite blocklength channel coding | |
US8909358B2 (en) | Method and system for complex smart grid infrastructure assessment | |
US9141653B2 (en) | Real-time data management for a power grid | |
CN109785183A (zh) | 一种考虑风电与负荷预测不确定性的鲁棒调度方法 | |
Park et al. | GRAF: A graph neural network based proactive resource allocation framework for SLO-oriented microservices | |
CN110662245B (zh) | 基于深度学习的基站负荷预警方法及装置 | |
Zyrianoff et al. | Scalability of real-time iot-based applications for smart cities | |
Ren et al. | A new scheme for IoT service function chains orchestration in SDN-IoT network systems | |
Li et al. | Data-driven optimization for cooperative edge service provisioning with demand uncertainty | |
CN115543577A (zh) | 基于协变量的Kubernetes资源调度优化方法、存储介质及设备 | |
Stricker et al. | Analysing and improving robustness of predictive energy harvesting systems | |
Shukla et al. | Fault tolerance based load balancing approach for web resources in cloud environment. | |
CN117560287B (zh) | 一种基于深度学习的集中器优化配置方法及集中器 | |
Song et al. | Performance evaluation of integrated smart energy solutions through large-scale simulations | |
Rafique et al. | An IoT-aware VNF placement proof of concept in a hybrid edge-cloud smart city environment | |
Li et al. | Characteristics analysis and optimization design of entities collaboration for cloud manufacturing | |
CN114286377B (zh) | 抑制5g上行空口时延抖动的参数确定方法及相关装置 | |
Lockhart et al. | Scission: Context-aware and performance-driven edge-based distributed deep neural networks | |
Pasias et al. | Cyber-Resilience Enhancement Framework in Smart Grids | |
CN112367628A (zh) | 一种电力物联网的智能化网络切片实例化方法及系统 | |
Li et al. | Computing-aware proactive network reconfiguration for optical networks interconnected edge computing system | |
Yao et al. | An efficient virtual machine allocation algorithm for parallel and distributed simulation applications | |
Aygün et al. | A Framework for Capacity Expansion Planning in Failure-Prone Flow-Networks via Systemic Risk Analysis | |
CN110955728A (zh) | 用电数据传输方法、服务器及存储介质 | |
Vasic et al. | ABEP of a NFV-based 5G network with L-branch SC diversity under combined effects of η-µ fading and η-µ CCI |
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 |