CN114339772B - 一种资源配置方法、装置及电子设备 - Google Patents
一种资源配置方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114339772B CN114339772B CN202111402842.6A CN202111402842A CN114339772B CN 114339772 B CN114339772 B CN 114339772B CN 202111402842 A CN202111402842 A CN 202111402842A CN 114339772 B CN114339772 B CN 114339772B
- Authority
- CN
- China
- Prior art keywords
- bandwidth
- equipment
- target
- similarity
- correction parameter
- 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.)
- Active
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供了一种资源配置方法、装置及电子设备，该方法包括：获取任一待配置设备与至少一个候选设备之间的相似度；根据所述相似度，选取与所述任一待配置设备对应的目标设备；获取所述目标设备的带宽，并根据所述带宽确定所述任一待配置设备的初始带宽；对所述初始带宽进行修正，以获取所述任一待配置设备的目标带宽。本申请基于协同过滤算法可以将带宽进行合理分配，提升了传输速率，保障了待配置设备的稳定工作，满足了待配置设备的传输需求。
Description
技术领域
本申请涉及人工智能技术领域，尤其涉及一种资源配置方法、装置及电子设备。
背景技术
煤炭是我国的主体能源，在推动全国工业发展和国民经济进步等方面发挥了重要作用。近年来，随着第五代移动通信技术(5th Generation Mobile CommunicationTechnology，简称5G)的快速发展，矿用5G基站也越来越多。然而在矿用5G基站的部署过程中，往往存在多个技术难点有待攻克。特别地，如何合理地分配带宽是主要的研究方向之一。
相关技术中，通常采用的方式为修改时隙比，将上下行时隙比倒换达到增加上行带宽的目的，修改后上行速率可以达到450Mbps，然而前述技术均不能发挥出5G技术优势，不能满足井下设备的传输需求。由此，如何合理、准确地对带宽进行分配，进而满足井下应用的传输需求，已成为了亟待解决的问题。
发明内容
本申请提供了一种资源配置方法、装置及电子设备，基于协同过滤算法可以将带宽进行合理分配，提升了传输速率，保障了待配置设备的稳定工作，满足了待配置设备的传输需求。
根据本申请的第一方面，提供了一种资源配置方法，包括：获取任一待配置设备与至少一个候选设备之间的相似度；根据所述相似度，选取与所述任一待配置设备对应的目标设备；获取所述目标设备的带宽，并根据所述带宽确定所述任一待配置设备的初始带宽；对所述初始带宽进行修正，以获取所述任一待配置设备的目标带宽。
另外，根据本申请上述实施例的一种资源配置方法，还可以具有如下附加的技术特征：
根据本申请的一个实施例，所述获取任一待配置设备与至少一个候选设备之间的相似度，包括：获取至少一个第一维度，并根据所有的所述第一维度对所述任一待配置设备进行特征提取，以获取所述任一待配置设备的第一特征向量；获取至少一个第二维度，并根据所有的所述第二维度对所有的所述候选设备进行特征提取，以获取所述候选设备的第二特征向量；根据所述第一特征向量和所述第二特征向量，获取所述任一待配置设备与每个所述候选设备之间的所述相似度。
根据本申请的一个实施例，所述对所述初始带宽进行修正，以获取所述任一待配置设备的目标带宽，包括：获取修正参数，并根据所述修正参数对所述初始带宽进行修正，以获取所述目标带宽。
根据本申请的一个实施例，所述获取修正参数，包括：将所述初始带宽输入至训练好的带宽修正参数获取模型中，以输出所述初始带宽对应的所述修正参数。
根据本申请的一个实施例，所述对所述初始带宽进行修正，以获取所述任一待配置设备的目标带宽，包括：获取所述初始带宽和目标相似度的乘积，并将所述修正参数与所述乘积相乘，以获取所述目标带宽以获取所述目标带宽，其中，所述目标相似度为所述目标设备与所述任一待配置设备之间的相似度。
根据本申请的一个实施例，所述带宽修正参数获取模型的训练过程，包括：获取样本初始带宽，其中，所述样本初始带宽包括已标注的修正参数真实值；将所述样本初始带宽输入至待训练的带宽修正参数获取模型中，以输出所述样本初始带宽对应的修正参数训练值；获取所述修正参数真实值和所述修正参数训练值之间的差异，并根据所述差异调整所述待训练的带宽修正参数获取模型的模型参数，直至满足训练结束条件，将最后一次调整所述模型参数后的所述待训练的带宽修正参数获取模型确定为所述带宽修正参数获取模型。
根据本申请的一个实施例，所述对所述初始带宽进行修正，以获取所述任一待配置设备的目标带宽，包括：将所述初始带宽输入至训练好的带宽修正模型中，以输出所述目标带宽。
根据本申请的一个实施例，所述将所述初始带宽输入至训练好的带宽修正模型中，以输出所述目标带宽，包括：由所述带宽修正模型获取所述初始带宽对应的修正参数，并根据所述修正参数对所述初始带宽进行修正，以获取所述任一待配置设备的所述目标带宽。
根据本申请的第二方面，提供了一种资源配置装置，包括：第一获取模块，用于获取任一待配置设备与至少一个候选设备之间的相似度；选取模块，用于根据所述相似度，选取与所述任一待配置设备对应的目标设备；确定模块，用于获取所述目标设备的带宽，并根据所述带宽确定所述任一待配置设备的初始带宽；修正模块，用于对所述初始带宽进行修正，以获取所述任一待配置设备的目标带宽。
另外，根据本申请上述实施例的一种资源配置装置，还可以具有如下附加的技术特征：
根据本申请的一个实施例，所述第一获取模块，还用于：获取至少一个第一维度，并根据所有的所述第一维度对所述任一待配置设备进行特征提取，以获取所述任一待配置设备的第一特征向量；获取至少一个第二维度，并根据所有的所述第二维度对所有的所述候选设备进行特征提取，以获取所述候选设备的第二特征向量；根据所述第一特征向量和所述第二特征向量，获取所述任一待配置设备与每个所述候选设备之间的所述相似度。
根据本申请的一个实施例，所述修正模块，还用于：获取修正参数，并根据所述修正参数对所述初始带宽进行修正，以获取所述目标带宽。
根据本申请的一个实施例，所述修正模块，还用于：将所述初始带宽输入至训练好的带宽修正参数获取模型中，以输出所述初始带宽对应的所述修正参数。
根据本申请的一个实施例，所述修正模块，还用于：获取将所述修正参数与所述初始带宽和目标相似度的乘积相乘，以获取所述目标带宽，其中，所述目标相似度为所述目标设备与所述任一待配置设备之间的相似度。
根据本申请的一个实施例，所述修正模块，还用于：所述获取样本初始带宽，其中，所述样本初始带宽包括已标注的修正参数真实值；将所述样本初始带宽输入至待训练的带宽修正参数获取模型中，以输出所述样本初始带宽对应的修正参数训练值；获取所述修正参数真实值和所述修正参数训练值之间的差异，并根据所述差异调整所述待训练的带宽修正参数获取模型的模型参数，直至满足训练结束条件，将最后一次调整所述模型参数后的所述待训练的带宽修正参数获取模型确定为所述带宽修正参数获取模型。
根据本申请的一个实施例，所述修正模块，还用于：将所述初始带宽输入至训练好的带宽修正模型中，以输出所述目标带宽。
根据本申请的一个实施例，所述修正模块，还用于：由所述带宽修正模型获取所述初始带宽对应的修正参数，并根据所述修正参数对所述初始带宽进行修正，以获取所述任一待配置设备的所述目标带宽。
为了实现上述目的，本申请第三方面实施例提出了一种资源配置系统，包括：地面资源配置组件、井下资源配置组件以及如权利要求9所述的资源配置装置。
为了实现上述目的，本申请第四方面实施例提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现前述的资源配置方法。
为了实现上述目的，本申请第五方面实施例提出了非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述的资源配置方法。
为了实现上述目的，本申请第六方面实施例提出了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时，实现如上所述的资源配置方法。
本申请实施例提供的技术方案至少包括如下有益效果：
本申请提供了一种资源配置方法，获取任一待配置设备与至少一个候选设备之间的相似度；根据所述相似度，选取与所述任一待配置设备对应的目标设备；获取所述目标设备的带宽，并根据所述带宽确定所述任一待配置设备的初始带宽；对所述初始带宽进行修正，以获取所述任一待配置设备的目标带宽。本申请基于协同过滤算法可以将带宽进行合理分配，提升了传输速率，保障了待配置设备的稳定工作，满足了待配置设备的传输需求。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请实施例提供的一种资源配置方法的流程示意图；
图2为本申请实施例提供的另一种资源配置方法的流程示意图；
图3为本申请实施例提供的另一种资源配置方法的流程示意图；
图4为本申请实施例提供的一种带宽修正参数获取模型的训练方法的流程示意图；
图5为本申请实施例提供的一种带宽修正参数获取模型的训练过程的示意图；
图6为本申请实施例提供的一种资源配置系统的结构示意图；
图7为本申请实施例提供的一种资源配置装置的结构示意图；
图8为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面采用实施例对本申请的资源配置方法、装置及电子设备进行详细说明。
图1为本申请实施例提供的一种资源配置方法的流程示意图。其中，需要说明的是，本实施例的资源配置方法的执行主体为资源配置装置，资源配置装置具体可以为硬件设备，或者硬件设备中的软件等。其中，硬件设备例如终端设备、服务器等。
如图1所示，本实施例提出的资源配置方法，包括以下步骤：
S101、获取任一待配置设备与至少一个候选设备之间的相似度。
其中，相似度，即个体(待配置设备与每个候选设备)之间的相似程度。
其中，待配置设备，指的是待进行带宽分配的设备，例如摄像仪、智能终端、人员定位基站等；候选设备，指的是在之前的历史运行周期下存在带宽分配记录的设备，即具有已知的“感兴趣的内容”的设备，也可以为摄像仪、智能终端、人员定位基站等。
需要说明的是，相关技术中，针对合理分配带宽以提升上传速率，普遍采用的方式为修改时隙比，即将上下行时隙比倒换达到增加上行带宽的目的，修改后上行速率可以达到450Mbps，但是由于煤矿井下特殊的组网方式、基站设计的局限性，存储节点与设备之间的传输带宽分配需求更加严格和复杂，前述技术不能合理地分配带宽，不能满足井下设备的传输需求，不能保障智能矿山主要系统数据的低时延、大带宽的高速通信。
由此，本申请提出一种类基于用户的协同过滤算法，可以将井下设备带宽合理分配，保障井下缓存节点与设备之间通信，保障设备的稳定工作和传输。
其中，通过类基于用户的协同过滤算法，可以比对用户之间的相似度将该用户感兴趣的内容推荐给另一位用户，在申请中，可以将井下设备作为用户，带宽作为推荐内容进行分析。
需要说明的是，本申请中对于获取任一待配置设备与至少一个候选设备之间的相似度不作限定。
作为一种可能的实现方式，可以提取待配置设备的特征和候选设备的特征，以获取待配置设备的特征向量和候选设备的特征向量，并通过待配置设备的特征向量和候选设备的特征向量，获取任一待配置设备与至少一个候选设备之间的相似度。
其中，通过待配置设备的特征向量和候选设备的特征向量获取相似度的具体方式不做限定。可选地，可以通过计算待配置设备的特征向量和候选设备的特征向量的夹角余弦值来获取待配置设备与每个候选设备之间的相似程度；可选地，可以通过计算待配置设备的特征向量和候选设备的特征向量的距离来获取待配置设备与每个候选设备之间的相似程度。
作为另一种可能的实现方式，可以利用相似度模型，获取任一待配置设备与至少一个候选设备之间的相似度。
S102、根据相似度，选取与任一待配置设备对应的目标设备。
其中，目标设备，即为满足相似度要求的候选设备。
在本申请实施例中，在获取到任一配置设备与至少一个候选设备之间的相似度后，可以根据相似度的大小，选取与任一待配置设备对应的目标设备。
可选地，当任一待配置设备与任一候选设备之间的相似度越高时，说明该待配置设备与该候选设备感兴趣的内容一致的可能性更高，即该待配置设备与该候选设备对带宽的需求更一致；当任一待配置设备与任一候选设备之间的相似度越低时，说明该待配置设备与该候选设备感兴趣的内容一致的可能性更低，即该待配置设备与该候选设备对带宽的需求更不一致。
需要说明的是，本申请中对于根据相似度，选取与任一待配置设备对应的目标设备的具体方式不作限定，可以根据实际情况进行设定。作为一种可能的实现方式，可以对相似度进行正序排序，以选取相似度处于预设排序位置的候选设备作为与任一待配置设备对应的目标设备。
举例而言，获取到待配置设备与5个候选设备(候选设备1～5)之间的相似度依次为0.7、0.8、0.5、0.9、0.7时，可以对相似度进行正序排序，进而选取相似度处于第一位(预设排序位置)的候选设备4作为与待配置设备对应的目标设备。
S103、获取目标设备的带宽，并根据带宽确定任一待配置设备的初始带宽。
在本申请实施例中，在获取到目标设备后，可以根据目标设备的传输带宽要求，以获取目标设备的带宽。
需要说明的是，本申请中对于根据带宽确定任一待配置设备的初始带宽的具体方式不作限定。
可选地，可以将目标设备的带宽作为待配置设备的初始带宽。
举例而言，若获取到目标设备的带宽为A，则可以直接将A作为待配置设备的初始带宽。
可选地，在获取目标带宽后，可以根据待配置设备与每个候选设备之间的相似度，对目标设备的带宽进行初次修正，以确定待配置设备的初始带宽。
举例而言，若获取到目标设备的带宽为A，且待配置设备与目标设备之间的相似度为0.9，此种情况下，可以根据相似度，查询预先设定的相似度与调整值之间的映射关系，以获取调整值+k。进一步地，可以将A+k作为待配置设备的初始带宽。
S104、对初始带宽进行修正，以获取任一待配置设备的目标带宽。
需要说明的是，在获取到任一待配置设备的初始带宽后，为了提高任一待配置设备的目标带宽的准确性，可以对初始带宽进行修正。
需要说明的是，本公开中对初始带宽进行修正，以获取任一待配置设备的目标带宽的具体方式不作限定，可以根据实际情况进行设定。
可选地，可以获取修正参数，并根据修正参数对初始带宽进行修正，以获取任一待配置设备的目标带宽。
本申请提供的资源配置方法，通过获取任一待配置设备与至少一个候选设备之间的相似度，并根据相似度，选取与任一待配置设备对应的目标设备，然后获取目标设备的带宽，并根据带宽确定任一待配置设备的初始带宽，最后对初始带宽进行修正，以获取任一待配置设备的目标带宽。本申请基于协同过滤算法，可以根据已知的目标设备的带宽分配情况，对待配置设备进行更加合理的带宽分配，进而通过为待配置设备分配更加准确的带宽提升传输速率，保障待配置设备的稳定工作，满足待配置设备的传输需求。
需要说明的是，本申请中，在试图获取任一待配置设备与至少一个候选设备之间的相似度时，可以通过特征提取获取任一待配置设备的第一特征向量和候选设备的第二特征向量，并根据第一特征向量和第二特征向量，获取任一待配置设备与至少一个候选设备之间的相似度。
作为一种可能实现的方式，如图2所示，在上述实施例的基础上，上述步骤中获取任一待配置设备与至少一个候选设备之间的相似度的具体过程，包括以下步骤：
S201、获取至少一个第一维度，并根据所有的第一维度对任一待配置设备进行特征提取，以获取任一待配置设备的第一特征向量。
本申请实施例中，可以获取任一待配置设备的至少一个第一维度。其中，待配置设备的第一维度，至少包括以下之一：设备类型、数据类型、传输带宽要求、运行状态、设备位置等。
进一步地，在根据所有的第一维度对任一待配置设备进行特征提取后，可以通过数字对待配置设备的特征进行标注代替，以获取第一特征向量。
S202、获取至少一个第二维度，并根据所有的第二维度对所有的候选设备进行特征提取，以获取候选设备的第二特征向量。
本申请实施例中，可以获取候选设备的至少一个第二维度。
需要说明的是，候选设备的第二维度与待配置设备的第一维度可以是相同的，也可以是不同的。可选地，候选设备的第二维度，可以至少包括以下之一：设备类型、数据类型、传输带宽要求、运行状态、设备位置等。
进一步地，在根据所有的第二维度对所有的候选设备进行特征提取后，可以通过数字对候选设备的特征进行标注代替，以获取第二特征向量。
下面针对通过数字对特征进行标注的具体过程进行解释说明。
举例而言，如表1所示，第一维度和/或第二维度可以包括以下5个维度，分别为设备类型、数据类型、传输带宽要求、运行状态和设备位置。
表1
进一步地，如表2所示，将表1中的特征进行量化，以通过数字进行标注代替，以得到特征向量的量化结果。
| 设备类型 | 数据类型 | 传输带宽要求 | 运行状态 | 设备位置 | |
| 设备1 | 1 | 1 | 4 | 1 | 7 |
| 设备2 | 1 | 1 | 5 | 1 | 7 |
| 设备3 | 4 | 3 | 2 | 2 | 6 |
| 设备4 | 5 | 2 | 1 | 2 | 7 |
| 设备5 | 4 | 1 | 1 | 1 | 5 |
表2
由上可知，针对设备1(待配置设备)，第一特征向量可以表示为Qu(1，1，4，1，7)；针对设备2(候选设备)，第二特征向量可以表示为Qv(1，1，5，1，7)；针对设备3(候选设备)，第二特征向量可以表示为Qv(4，3，2，2，6)；针对设备4(候选设备)，第二特征向量可以表示为Qv(5，2，1，2，7)；针对设备5(候选设备)，第二特征向量可以表示为Qv(4，1，1，1，5)。
S203、根据第一特征向量和第二特征向量，获取任一待配置设备与每个候选设备之间的相似度。
在本申请实施例中，在获取到第一特征向量和第二特征向量后，可以根据以下公式获取任一待配置设备与每个候选设备之间的相似度：
其中，u为待配置设备、v为任一候选配置、Sim(u,v)为u和v之间的相似度、
为u的特征值、
为v的特征值、
为u的特征值和v特征值之间取值更小的特征值、
为u的特征值和v特征值之间取值更大的特征值，且Sim(u,v)为一个0-1之间的数值。
本申请提供了一种资源配置方法，通过获取任一待配置设备至少一个维度和每个候选设备的至少一个第二维度，并根据所有的第一维度和所有的第二维度对任一待配置设备和每个候选设备进行特征提取以获取待配置设备的第一特征向量和候选设备的第二特征向量，最后根据任一待配置设备的第一特征向量和候选设备的第二特征向量，获取任一待配置设备与每个候选设备之间的相似度，能够基于至少一个第一维度和至少一个第二维度，分别对待配置设备和候选设备进行特征提取，进而根据提取到的特征向量确定两者之间的相似度，提高了获取的相似度的准确性和可靠性，进一步提高了带宽分配的合理性。
进一步地，本申请中，在获取到任一待配置设备的初始带宽之后，可以对初始带宽进行修正，以获取任一待配置设备的目标带宽。可选地，可以获取修正参数，并根据修正参数对初始带宽进行修正，以获取目标带宽。
需要说明的是，本申请中，可以通过多种方式获取修正参数，并根据修正参数对初始带宽进行修正，以获取目标带宽。
可选地，可以根据带宽修正参数获取模型获取修正参数，并根据修正参数对初始带宽进行修正，以获取目标带宽；可选地，可以将初始带宽输入至训练好的带宽修正模型中，以获取目标带宽。
下面分别针对前述两种获取目标带宽的方法，对步骤104中对初始带宽进行修正，以获取任一待配置设备的目标带宽的具体过程进行解释说明。
作为一种可能的实现方式，如图3所示，在上述实施例的基础上，上述步骤104中对初始带宽进行修正，以获取任一待配置设备的目标带宽的具体过程，包括以下步骤：
S301、将初始带宽输入至训练好的带宽修正参数获取模型中，以输出初始带宽对应的修正参数。
在本申请实施例中，在获取到训练好的带宽修正参数获取模型后，可以将初始带宽输入至训练好的带宽修正参数获取模型中，以获取初始带宽对应的修正参数。
下面采用实施例对本申请的带宽修正参数获取模型的训练方法进行解释说明。
图4为本申请实施例提供的一种带宽修正参数获取模型训练方法的流程示意图。
S401、获取样本初始带宽，其中，样本初始带宽包括已标注的修正参数真实值。
在本申请实施例中，如图5所示，可以利用三层反向传播(Back-propagation，简称BP)神经网络进行模型训练，其中，三层BP神经网络主要包含输入层，隐含层以及输出层。
需要说明的是，样本初始带宽组成的特征向量L(l1,l2,l3,...,ln)即为输入层，其中，样本初始带宽包括已标注的修正参数真实值。
S402、将样本初始带宽输入至待训练的带宽修正参数获取模型中，以输出样本初始带宽对应的修正参数训练值。
在本申请实施例中，在将样本初始带宽输入至待训练的带宽修正参数获取模型中后，输出层为K(k1,k2,k3,...,kn)，即输出样本初始带宽对应的修正参数训练值。
S403、获取修正参数真实值和修正参数训练值之间的差异，并根据差异调整待训练的带宽修正参数获取模型的模型参数，直至满足训练结束条件，将最后一次调整模型参数后的待训练的带宽修正参数获取模型确定为带宽修正参数获取模型。
在本申请实施例中，在获取到修正参数真实值和修正参数训练值后，可以获取修正参数真实值和修正参数训练值之间的差异。
需要说明的是，模型的期望输出为L(l1,l2,l3,...,ln)，因此，可以根据修正参数真实值和修正参数训练值之间的差异，调整模型参数，使得修正参数训练值接近模型的期望输出，可选地，可以通过Sigmoid激活函数，对输入层数据进行非线性转换，在隐含层中调整权重Wi，使得修正参数训练值接近模型的期望输出。
进一步地，在根据差异调整待训练的带宽修正参数获取模型的模型参数后，当满足训练结束条件，可以将最后一次调整模型参数后的待训练的带宽修正参数获取模型确定为带宽修正参数获取模型。
其中，训练停止条件可以根据实际情况进行设定。例如可以设定训练停止条件为修正参数真实值和修正参数训练值之间的差异值小于预设训练差异值阈值；又例如可以设定训练停止条件为模型的参数的调整次数达到预设次数阈值。
本申请提供的带宽修正参数获取模型训练方法，确保了带宽修正参数获取模型的训练效果，提高了输出的带宽修正参数的准确性、可靠性以及有效性，为准确地获取任一待配置设备的目标带宽奠定了基础。
S302、根据修正参数对初始带宽进行修正，以获取目标带宽。
在本申请实施例中，在获取到待配置设备和候选设备之间的相似度后，可以对待配置设备带宽进行预估分配，即可以获取初始带宽和目标相似度的乘积[Sim(u,v)×L(u)]，即为初始带宽，进一步地，在获取到初始带宽后，可以将修正参数与初始带宽相乘，以获取目标带宽L(v)＝μ[Sim(u,v)×L(u)]，其中，L(u)表示待配置设备u在当前状态下所需要的带宽，Sim(u,v)为待配置设备和候选设备之间的相似度，μ为修正参数，L(v)为目标带宽。
作为另一种可能的实现方式，可以将初始带宽输入至训练好的带宽修正模型中，以输出目标带宽。
可选地，可以由带宽修正模型获取初始带宽对应的修正参数，并根据修正参数对初始带宽进行修正，以获取任一待配置设备的目标带宽。
需要说明的是，带宽修正模型为训练好的、收敛的模型。下面采用实施例对本申请的带宽修正模型的训练方法进行解释说明。
可选地，可以获取样本初始带宽，其中，样本初始带宽包括已标注的目标带宽真实值。
进一步地，可以将样本初始带宽输入至待训练的带宽修正模型中，以输出样本初始带宽对应的目标带宽训练值。
进一步地，可以获取目标带宽真实值和目标带宽训练值之间的差异，并根据差异调整待训练的带宽修正模型的模型参数，直至满足训练结束条件，将最后一次调整模型参数后的待训练的带宽修正模型确定为带宽修正模型。
本申请提供的目标带宽的获取方法，确保了获取目标带宽的准确性、可靠性以及有效性，可以将带宽进行合理分配，提升了传输速率，保障了待配置设备的稳定工作，满足了待配置设备的传输需求。
为了实现上述实施例，本实施例提供了一种资源配置系统，图6为本申请实施例提供的一种资源配置系统的结构示意图。
如图6所示，该资源配置系统2000，包括：地面资源配置组件210、井下资源配置组件220、以及资源配置装置1000。
其中，地面资源配置组件210，至少包括核心网。
其中，井下资源配置组件220，至少包括万兆环网对应的处理单元，例如，基带处理单元(Base Band Unit，简称BBU)、射频拉远单元集线器(Remote Radio Unit Hub，简称RHUB)和射频拉远单元(RemoteRadioUnit，简称RRU)。
需要说明的是，核心网通常安装在地面中心机房；BBU、RHUB、RRU等处理单元通常安装在井下，可选地，BBU通过光纤与RHUB连接，RHUB通过光缆与更小的射频拉远单元(PicoRemote Radio Unit，简称PRRU)和定向天线连接，以实现5G信号覆盖。
需要说明的是，为了防止大功率无线发射引起瓦斯爆炸，按照相关规定，煤矿井下无线发射设备的射频阈功率(无线发射设备的有效输出功率与天线增益的乘积)不得大于6W。
相关技术中，通常会采用修改时隙(slot)比的方式，将上、下行时隙比进行倒换，以达到增加上行带宽的目的，这样一来，修改后的上行速率可以达到约450Mbps。然而，由于相关技术中煤矿井下几乎全部使用室分小站，因此，即便在调整参数后，也不能发挥出5G技术优势，不能满足井下应用的传输需求。
进一步地，相关技术中，地面资源配置组件210，往往注重于下行效率，与井下应用场景需求相反，这样一来，导致设备下井后不能完全发挥性能，造成大部分带宽、性能资源浪费。同时，目前也没有针对井下应用场景的优化策略，例如资源动态分配策略、井下边缘计算、边缘缓存等策略，导致井下数据处理时延增大，传输效率低下，而且隔爆设备体积及重量大，安装不便，不能满足井下全场景应用需求。
由此，本申请中，可以在资源有限的条件下，最大限度的提升矿用5G通信基站的带宽利用率，保障智能矿山主要系统数据的低时延、大带宽的高速通信。
为了实现上述实施例，本实施例提供了一种资源配置装置，图7为本申请实施例提供的一种资源配置装置的结构示意图。
如图7所示，该资源配置装置1000，包括：第一获取模块110、选取模块120、确定模块130和修正模块140。其中，
第一获取模块110，用于获取任一待配置设备与至少一个候选设备之间的相似度；
选取模块120，用于根据所述相似度，选取与所述任一待配置设备对应的目标设备；
确定模块130，用于获取所述目标设备的带宽，并根据所述带宽确定所述任一待配置设备的初始带宽；
修正模块140，用于对所述初始带宽进行修正，以获取所述任一待配置设备的目标带宽。
根据本申请实施例，第一获取模块110，还用于：获取至少一个第一维度，并根据所有的所述第一维度对所述任一待配置设备进行特征提取，以获取所述任一待配置设备的第一特征向量；获取至少一个第二维度，并根据所有的所述第二维度对所有的所述候选设备进行特征提取，以获取所述候选设备的第二特征向量；根据所述第一特征向量和所述第二特征向量，获取所述任一待配置设备与每个所述候选设备之间的所述相似度。
根据本申请实施例，修正模块140，还用于：获取修正参数，并根据所述修正参数对所述初始带宽进行修正，以获取所述目标带宽。
根据本申请实施例，修正模块140，还用于：获取所述初始带宽和目标相似度的乘积，并将所述修正参数与所述乘积相乘，以获取所述目标带宽以获取所述目标带宽，其中，所述目标相似度为所述目标设备与所述任一待配置设备之间的相似度。
根据本申请实施例，修正模块140，还用于：获取样本初始带宽，其中，所述样本初始带宽包括已标注的修正参数真实值；将所述样本初始带宽输入至待训练的带宽修正参数获取模型中，以输出所述样本初始带宽对应的修正参数训练值；获取所述修正参数真实值和所述修正参数训练值之间的差异，并根据所述差异调整所述待训练的带宽修正参数获取模型的模型参数，直至满足训练结束条件，将最后一次调整所述模型参数后的所述待训练的带宽修正参数获取模型确定为所述带宽修正参数获取模型。
根据本申请实施例，修正模块140，还用于：将所述初始带宽输入至训练好的带宽修正模型中，以输出所述目标带宽。
根据本申请实施例，修正模块140，还用于：由所述带宽修正模型获取所述初始带宽对应的修正参数，并根据所述修正参数对所述初始带宽进行修正，以获取所述任一待配置设备的所述目标带宽。
根据本申请提供的资源配置装置，通过获取任一待配置设备与至少一个候选设备之间的相似度，并根据相似度，选取与任一待配置设备对应的目标设备，然后获取目标设备的带宽，并根据带宽确定任一待配置设备的初始带宽，最后对初始带宽进行修正，以获取任一待配置设备的目标带宽。本申请基于协同过滤算法可以将带宽进行合理分配，提升了传输速率，保障了待配置设备的稳定工作，满足了待配置设备的传输需求。
为了实现上述实施例，本申请还提出了一种电子设备3000，如图8所示，包括存储器310、处理器320及存储在存储器310上并可在处理器320上运行的计算机程序，处理器执行程序时，实现前述的资源配置方法。
为了实现上述实施例，本申请还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述的资源配置方法。
为了实现上述实施例，本申请还提出一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时，实现如上所述的资源配置方法。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (9)
1.一种资源配置方法，包括：
获取任一待配置设备与至少一个候选设备之间的相似度；
根据所述相似度，选取与所述任一待配置设备对应的目标设备；
获取所述目标设备的带宽，并根据所述带宽确定所述任一待配置设备的初始带宽；
对所述初始带宽进行修正，以获取所述任一待配置设备的目标带宽；
其中，所述获取任一待配置设备与至少一个候选设备之间的相似度，包括：
获取至少一个第一维度，并根据所有的所述第一维度对所述任一待配置设备进行特征提取，以获取所述任一待配置设备的第一特征向量，其中，所述任一待配置设备的第一维度，包括：设备类型、数据类型、传输带宽要求、运行状态、设备位置；
获取至少一个第二维度，并根据所有的所述第二维度对所有的所述候选设备进行特征提取，以获取所述候选设备的第二特征向量；
根据所述第一特征向量和所述第二特征向量，获取所述任一待配置设备与每个所述候选设备之间的所述相似度；
根据以下公式获取所述任一待配置设备与每个所述候选设备之间的所述相似度：
其中，u为待配置设备，v为任一候选配置，Sim(u,v)为u和v之间的相似度，
为u的特征值，
为v的特征值，
为u的特征值和v特征值之间取值最小的特征值，
为u的特征值和v特征值之间取值最大的特征值。
2.根据权利要求1所述的资源配置方法，其中，所述对所述初始带宽进行修正，以获取所述任一待配置设备的目标带宽，包括：
获取修正参数，并根据所述修正参数对所述初始带宽进行修正，以获取所述目标带宽。
3.根据权利要求2所述的资源配置方法，其中，所述获取修正参数，包括：
将所述初始带宽输入至训练好的带宽修正参数获取模型中，以输出所述初始带宽对应的所述修正参数。
4.根据权利要求1或2或3所述的资源配置方法，其中，所述对所述初始带宽进行修正，以获取所述任一待配置设备的目标带宽，包括：
获取所述初始带宽和目标相似度的乘积，并将所述修正参数与所述乘积相乘，以获取所述目标带宽以获取所述目标带宽，其中，所述目标相似度为所述目标设备与所述任一待配置设备之间的相似度。
5.根据权利要求3所述的资源配置方法，其中，所述带宽修正参数获取模型的训练过程，包括：
获取样本初始带宽，其中，所述样本初始带宽包括已标注的修正参数真实值；
将所述样本初始带宽输入至待训练的带宽修正参数获取模型中，以输出所述样本初始带宽对应的修正参数训练值；
获取所述修正参数真实值和所述修正参数训练值之间的差异，并根据所述差异调整所述待训练的带宽修正参数获取模型的模型参数，直至满足训练结束条件，将最后一次调整所述模型参数后的所述待训练的带宽修正参数获取模型确定为所述带宽修正参数获取模型。
6.根据权利要求1所述的资源配置方法，其中，所述对所述初始带宽进行修正，以获取所述任一待配置设备的目标带宽，包括：
将所述初始带宽输入至训练好的带宽修正模型中，以输出所述目标带宽。
7.根据权利要求6所述的资源配置方法，其中，所述将所述初始带宽输入至训练好的带宽修正模型中，以输出所述目标带宽，包括：
由所述带宽修正模型获取所述初始带宽对应的修正参数，并根据所述修正参数对所述初始带宽进行修正，以获取所述任一待配置设备的所述目标带宽。
8.一种资源配置装置，包括：
第一获取模块，用于获取任一待配置设备与至少一个候选设备之间的相似度；
选取模块，用于根据所述相似度，选取与所述任一待配置设备对应的目标设备；
确定模块，用于获取所述目标设备的带宽，并根据所述带宽确定所述任一待配置设备的初始带宽；
修正模块，用于对所述初始带宽进行修正，以获取所述任一待配置设备的目标带宽；
其中，所述获取任一待配置设备与至少一个候选设备之间的相似度，包括：
获取至少一个第一维度，并根据所有的所述第一维度对所述任一待配置设备进行特征提取，以获取所述任一待配置设备的第一特征向量，其中，所述任一待配置设备的第一维度，包括：设备类型、数据类型、传输带宽要求、运行状态、设备位置；
获取至少一个第二维度，并根据所有的所述第二维度对所有的所述候选设备进行特征提取，以获取所述候选设备的第二特征向量；
根据所述第一特征向量和所述第二特征向量，获取所述任一待配置设备与每个所述候选设备之间的所述相似度；
根据以下公式获取所述任一待配置设备与每个所述候选设备之间的所述相似度：
其中，u为待配置设备，v为任一候选配置，Sim(u,v)为u和v之间的相似度，
为u的特征值，
为v的特征值，
为u的特征值和v特征值之间取值最小的特征值，
为u的特征值和v特征值之间取值最大的特征值。
9.一种资源配置系统，包括：
地面资源配置组件、井下资源配置组件以及如权利要求8所述的资源配置装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111402842.6A CN114339772B (zh) | 2021-11-19 | 2021-11-19 | 一种资源配置方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111402842.6A CN114339772B (zh) | 2021-11-19 | 2021-11-19 | 一种资源配置方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114339772A CN114339772A (zh) | 2022-04-12 |
| CN114339772B true CN114339772B (zh) | 2023-04-07 |
Family
ID=81046307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111402842.6A Active CN114339772B (zh) | 2021-11-19 | 2021-11-19 | 一种资源配置方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114339772B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104115165A (zh) * | 2012-02-15 | 2014-10-22 | 阿尔卡特朗讯 | 使用机器学习来用于映射媒体组件的方法 |
| CN105940680A (zh) * | 2013-09-11 | 2016-09-14 | 爱立信股份有限公司 | 流播政策管理系统和方法 |
| CN109151911A (zh) * | 2018-10-26 | 2019-01-04 | 国网江苏省电力有限公司信息通信分公司 | 一种电力无线专网混合通信业务中的干扰协同方法 |
| CN110704739A (zh) * | 2019-09-30 | 2020-01-17 | 汉海信息技术(上海)有限公司 | 资源推荐方法、装置及计算机存储介质 |
| CN111010735A (zh) * | 2019-11-20 | 2020-04-14 | 京信通信系统（中国）有限公司 | 资源配置方法、装置、基站和存储介质 |
| CN112367708A (zh) * | 2020-10-30 | 2021-02-12 | 新华三技术有限公司 | 一种网络资源分配方法及装置 |
| CN113158124A (zh) * | 2021-02-19 | 2021-07-23 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的数据处理方法、装置及存储介质 |
| CN113220452A (zh) * | 2021-05-10 | 2021-08-06 | 北京百度网讯科技有限公司 | 资源分配方法、模型训练方法、装置和电子设备 |
| CN113395674A (zh) * | 2021-05-13 | 2021-09-14 | 深圳大学 | 带宽分配方法、带宽分配装置、多波束卫星及存储介质 |
-
2021
- 2021-11-19 CN CN202111402842.6A patent/CN114339772B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104115165A (zh) * | 2012-02-15 | 2014-10-22 | 阿尔卡特朗讯 | 使用机器学习来用于映射媒体组件的方法 |
| CN105940680A (zh) * | 2013-09-11 | 2016-09-14 | 爱立信股份有限公司 | 流播政策管理系统和方法 |
| CN109151911A (zh) * | 2018-10-26 | 2019-01-04 | 国网江苏省电力有限公司信息通信分公司 | 一种电力无线专网混合通信业务中的干扰协同方法 |
| CN110704739A (zh) * | 2019-09-30 | 2020-01-17 | 汉海信息技术(上海)有限公司 | 资源推荐方法、装置及计算机存储介质 |
| CN111010735A (zh) * | 2019-11-20 | 2020-04-14 | 京信通信系统（中国）有限公司 | 资源配置方法、装置、基站和存储介质 |
| CN112367708A (zh) * | 2020-10-30 | 2021-02-12 | 新华三技术有限公司 | 一种网络资源分配方法及装置 |
| CN113158124A (zh) * | 2021-02-19 | 2021-07-23 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的数据处理方法、装置及存储介质 |
| CN113220452A (zh) * | 2021-05-10 | 2021-08-06 | 北京百度网讯科技有限公司 | 资源分配方法、模型训练方法、装置和电子设备 |
| CN113395674A (zh) * | 2021-05-13 | 2021-09-14 | 深圳大学 | 带宽分配方法、带宽分配装置、多波束卫星及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114339772A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chae et al. | Content placement for wireless cooperative caching helpers: A tradeoff between cooperative gain and content diversity gain | |
| CN107947878B (zh) | 一种基于能效和谱效联合优化的认知无线电功率分配方法 | |
| US20170201892A1 (en) | Beam adjustment method, user equipment, and base station | |
| CN108738151B (zh) | 一种基于粗略信息的无线预测资源分配方法 | |
| CN109743713B (zh) | 一种电力物联网系统的资源分配方法及装置 | |
| CN110380762B (zh) | 一种计算与通信融合的大规模接入方法 | |
| WO2015096472A1 (zh) | 天线分配方法及装置 | |
| Yao et al. | Energy efficiency characterization in heterogeneous IoT system with UAV swarms based on wireless power transfer | |
| CN110167176A (zh) | 一种基于分布式机器学习的无线网络资源分配方法 | |
| CN105451244A (zh) | 一种小型基站协作的覆盖概率估计方法 | |
| US20240211770A1 (en) | Communication method and apparatus | |
| CN109451569A (zh) | 一种无线携能异构网络中的资源分配方法 | |
| CN107104711B (zh) | 一种大规模非正交多接入方法 | |
| Ren et al. | Computing offloading in vehicular edge computing networks: Full or partial offloading? | |
| US11961409B1 (en) | Air-ground joint trajectory planning and offloading scheduling method and system for distributed multiple objectives | |
| CN114339772B (zh) | 一种资源配置方法、装置及电子设备 | |
| US11770717B2 (en) | Systems and methods for designing a distributed MIMO network | |
| CN108064070B (zh) | 一种用于大规模mimo多小区网络的用户接入方法 | |
| CN107249212B (zh) | 一种d2d通信中能效最大化的功率分配方法 | |
| US20180351712A1 (en) | Assigning method of pilot signals and base station using the same | |
| WO2022193717A1 (zh) | 权值优化方法、装置、通信设备及计算机可读存储介质 | |
| CN113824486A (zh) | 无人机通信系统的性能评估方法、装置、计算机设备和存储介质 | |
| CN108848519A (zh) | 一种基于交叉熵学习的异构网络用户接入方法 | |
| KR20190093019A (ko) | 클라우드 무선 접속 네트워크의 수신 간섭 상관도에 따른 신호 송수신 방법 및 장치 | |
| CN106788624A (zh) | 用于接入点集群进行通信的方法和装置 |
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 |