CN114462506B - 一种支持偏好策略的通信网络辅助规划方法及其应用 - Google Patents
一种支持偏好策略的通信网络辅助规划方法及其应用 Download PDFInfo
- Publication number
- CN114462506B CN114462506B CN202210021996.9A CN202210021996A CN114462506B CN 114462506 B CN114462506 B CN 114462506B CN 202210021996 A CN202210021996 A CN 202210021996A CN 114462506 B CN114462506 B CN 114462506B
- Authority
- CN
- China
- Prior art keywords
- evaluation index
- index data
- network
- factor
- preference
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000004891 communication Methods 0.000 title claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 200
- 238000010295 mobile communication Methods 0.000 claims abstract description 33
- 238000000556 factor analysis Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 230000004931 aggregating effect Effects 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000007621 cluster analysis Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 21
- 230000005540 biological transmission Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000010219 correlation analysis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 108010074506 Transfer Factor Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 230000008023 solidification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/60—Business processes related to postal services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种支持偏好策略的通信网络辅助规划方法及应用，该方法包括：分别对待评估的网络规划方案进行模拟，得到每个网络规划方案对应的模拟数据；根据模拟数据和指标模型计算每个网络规划方案对应的评估指标数据；采用因子分析法计算每个网络规划方案对应的评估指标数据在每个公因子上的因子得分；根据偏好策略从公因子中确定偏好因子，将各评估指标数据在偏好因子上的因子得分进行聚类，将各网络规划方案聚合为预设数量个类别并进行排序；选取一个或多个类别的网络规划方案作为优化结果输出；本发明可以适应不同任务场景的偏好需求，辅助为不同场景以及不同需求任务的目标移动通信系统进行网络结构规划，且具有较高的时效性和评估精度。
Description
技术领域
本申请涉及通信网络技术领域，更具体地，涉及一种支持偏好策略的通信网络辅助规划方法及其应用。
背景技术
移动通信系统是实际任务中指挥控制等信息传输的保障，它可以连接分散在多维度的各种侦察系统、信息处理系统、指挥控制系统和武器系统中，实现各要素之间的态势共享和协同控制。不同的移动通信系统支持不同的需求任务和服务不同的目标，并具有不同的网络结构；互连方式和监控方式也不同。在实际应用中，一般采用超短波无线电、短波无线电、集群移动通信系统和卫星通信。它们可以形成多层次的网络，以满足不同层次用户的信息传递需求。图1显示了在实际应用中的一个典型的移动通信网络结构。
机动通信网络的应用模式与具体的需求和应用环境密切相关，不同的需求和应用环境会导致不同的网络结构和不同的业务优先级，根据不同的任务需求、参与单位数量、地形限制、装备数量等条件，网络结构也会发生变化，而不同的网络结构也会导致不同的网络规划参数，如网络路由、接入方式、子网频率分布、加密机制、密钥分配方式等。这就需要一个半自动系统来支持网络方案设计。
目前已有半自动系统来支持网络方案设计，为机动通信网络规划不同的网络结构；对于这种自动规划形成的网络方案还需要对其进行网络性能评估，过去，研究人员提出了多种评估机动通信系统有效性的方法，大多数都是基于仿真方法。如中国专利“CN103178995一种体系化多尺度通信网效能评估方法”，针对通信网效能评估难以进行体系化、细致、全面评估的问题，提出了一套覆盖全面的、体系化的通信网效能评估指标数据体系，涵盖了通信传输能力、接入能力、信息处理能力、安全保密能力等多个方面。能够实现对大型复杂通信网整网、单网系、设备等各种组织斩多尺度效能评估。中国专利“CN106953748一种弹性光网络综合能效评估方法和系统”提供了一种弹性光网络综合能效评价方法和系统。该方法从网络的资源利用率、网络吞吐量、网络承载业务数量和容量、网络支持业务的传输距离和网络总能耗的角度对弹性光网络进行综合评价，得出网络综合效能值，使评价更加科学和全面。
从以上方案可以看出，根据不同的网络均应结合其特点做出符合其规律的效能评估方法，但目前常见的方案仅从效能评估的角度去考虑问题，评估模式固化且单一，导致所评估网络灵活性较低，评估结果不能给网络规划以反馈作用，无法发挥辅助规划作用。
此外，当前对移动通信网络的评估还没有统一固定的模式，评估方法和指标的选择与所承担的任务有很大的关系；对于此类问题，目前研究大多采用模拟的方法，根据比较矩阵或权重对指标进行统计计算，然后根据综合评分结果评估系统的优劣。在评估过程中需要处理大量源数据以及多种评估指标，数据运算量很大，导致通信网的效能评估的效率较低。如何提供一种简单、快速的通信网效能评估方式来辅助进行网络规划一直是研究的重点。
发明内容
针对现有技术的至少一个缺陷或改进需求，本发明提供了一种支持偏好策略的通信网络辅助规划方法及其应用，其目的在于解决现有机动通信网的评估模式固化单一以及时效性低的问题。
为实现上述目的，按照本发明的第一个方面，提供了一种支持偏好策略的通信网络辅助规划方法，其包括：
S1分别对待评估的若干网络规划方案进行模拟，得到每个网络规划方案对应的模拟数据；
S2根据所述模拟数据和预配置的指标模型分别计算每个网络规划方案对应的若干评估指标数据；
S3采用因子分析法分别计算每个网络规划方案对应的各个评估指标数据在每个公因子上的因子得分；
S4根据偏好策略从公因子中确定偏好因子，采用聚类分析法将各评估指标数据在所述偏好因子上的因子得分进行聚类，将各网络规划方案聚合为预设数量个类别并进行排序；
S5根据排序结果选取一个或多个类别的网络规划方案作为优化结果输出。
优选的，上述支持偏好策略的通信网络辅助规划方法，所述采用聚类分析法将各评估指标数据在所述偏好因子上的因子得分进行聚类，包括：
S41将每个评估指标数据作为一个样本，根据每个样本在所述偏好因子上的因子得分，采用欧几里得距离来计算任意两个样本之间的距离；
S42采用最短距离法，选择所述距离最小的两个样本合并为一个类别；
S43重复S41和S42，直至将各网络规划方案聚合为预设数量个类别。
优选的，上述支持偏好策略的通信网络辅助规划方法，其S2中，还包括将若干指标模型简化为关键指标模型的步骤：
S21获取机动通信系统网络的历史运行数据，根据所述历史运行数据和预配置的指标模型分别计算机动通信系统网络对应的若干历史评估指标数据；
S22计算每个历史评估指标数据对应的因子荷载矩阵，根据所述因子荷载矩阵获得每个历史评估指标数据对所有因子的重要性系数，并根据所述重要性系数计算对应历史评估指标数据的第一权重系数；
S23采用因子分析法确定若干关键因子，分别计算与所述关键因子关联的若干历史评估指标数据之间的相关系数，从中选择所述相关系数大于第一规定阈值的历史评估指标数据，将其对应的指标模型作为简化后的关键指标模型；
根据简化后的所述关键指标模型计算每个待评估的网络规划方案对应的评估指标数据。
优选的，上述支持偏好策略的通信网络辅助规划方法，其S23中，若各历史评估指标数据的相关系数之间的差异小于预设值，则对各历史评估指标数据的第一权重系数进行排序，选择第一权重系数大于第二规定阈值的历史评估指标数据对应的指标模型作为简化后的关键指标模型。
优选的，上述支持偏好策略的通信网络辅助规划方法，其S22中，所述根据因子荷载矩阵获得每个历史评估指标数据对所有因子的重要性系数，为：
定义每个历史评估指标数据对所有因子的载荷的平方和为该历史评估指标数据的重要性系数。
优选的，上述支持偏好策略的通信网络辅助规划方法，其S22中，所述根据重要性系数计算对应历史评估指标数据的第一权重系数，为：
定义每个历史评估指标数据的重要性系数与所有历史评估指标数据的重要性系数之和的比值为对应历史评估指标数据的第一权重系数。
优选的，上述支持偏好策略的通信网络辅助规划方法，其S22中，所述计算每个历史评估指标数据对应的因子荷载矩阵之前还包括：
对每个历史评估指标数据进行同化处理和无量纲处理，形成标准化数据。
按照本发明的第二个方面，还提供了一种支持偏好策略的通信网络辅助规划装置，其特征在于，包括；
仿真模拟模块，其被配置为分别对待评估的若干网络规划方案进行模拟，得到每个网络规划方案对应的模拟数据；
第一计算模块，其被配置为根据所述模拟数据和预配置的指标模型分别计算每个网络规划方案对应的若干评估指标数据；
第二计算模块，其被配置为采用因子分析法分别计算每个网络规划方案对应的各个评估指标数据在每个公因子上的因子得分；
聚类分析模块，其被配置为根据偏好策略从公因子中确定偏好因子，采用聚类分析法将各评估指标数据在所述偏好因子上的因子得分进行聚类，将各网络规划方案聚合为预设数量个类别并进行排序；
输出模块，其被配置为根据排序结果选取一个或多个类别的网络规划方案作为优化结果输出。
按照本发明的第三个方面，还提供了一种电子设备，其包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行上述任一项所述方法的步骤。
按照本发明的第四个方面，还提供了一种计算机可读介质，其存储有可由电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行上述任一项所述方法的步骤。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明提出了不同需求下的偏好策略，根据偏好策略来对网络规划方案进行评估：根据偏好策略从公因子中确定偏好因子，然后采用聚类分析法将各评估指标数据在偏好因子上的因子得分进行聚类，将各网络规划方案聚合为预设数量个类别，用户可以选择合适的类别数，便于提高后续推荐算法的准确率。该方法可以适应不同任务场景的偏好需求，使优化结果更加合理可行；支持不同的需求任务和服务不同的目标移动通信系统，根据网络结构的要求，互边方式与监控方式的不同，在实际需求中形成广泛多样的多层次网络，从而使依据本发明实际半自动规划的移动通信系统满足不同层次用户的信息传递需求。
(2)本发明有效地利用历史数据，通过指标重要性分析和相关性分析，将原始评估指标简化为少量的关键评估指标，基于关键评估指标对网络规划方案的效能进行评估，相比传统的因子分析法，大大地减少了数据的采集和计算量，减少了评估时间，具有较高的时效性，且评估精度较高，在确保准确度的前提下提高了评估的时效性，能够为机动通信网半自动网络方案规划设计提供辅助与参考。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中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为机动通信网络结构的示意图；
图2是本实施例提供的一种支持偏好策略的通信网络辅助规划方法的流程示意图；
图3是本实施例提供的以信息传播因素为偏好出发对各网络规划方案进行聚类分析的结果示意图；
图4是本实施例提供的以网络管理和控制因素为偏好出发对各网络规划方案进行聚类分析的结果示意图；
图5是本实施例提供的以安全防护因素为偏好出发对各网络规划方案进行聚类分析的结果示意图；
图6是本实施例提供的以综合性能因素出发对各网络规划方案进行聚类分析的结果示意图；
图7是本实施例提供的支持偏好策略的通信网络辅助规划装置的逻辑框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
此外，为了避免使技术人员对本发明的理解模糊，可能不详细地描述或示出公知的或广泛使用的技术、元件、结构和处理。尽管附图表示本发明的示例性实施例，但是附图不必按照比例绘制，并且特定的特征可被放大或省略，以便更好地示出和解释本发明。
图2是本实施例提供的一种支持偏好策略的通信网络辅助规划方法的流程示意图，如图2所示，该方法主要包括以下步骤：
S1分别对待评估的若干网络规划方案进行模拟，得到每个网络规划方案对应的模拟数据；
本实施例中，获取网络规划设备生成的若干网络规划方案，分别对每个网络规划方案进行仿真模拟，得到对应的模拟运行数据，作为对网络规划方案进行评估的基准数据。
S2根据所述模拟数据和预配置的指标模型分别计算每个网络规划方案对应的若干评估指标数据；
首先确定移动通信系统的评估指标，本实施例中，选取8个具有代表性的指标对系统运行效率进行评估；具体评估指标及定义下表1。
表1 指标名称及指标定义
根据移动通信系统的评估指标，可将各指标的计算模型(即指标模型)定义如下：
①用加密信息与原始信息的相关程度反映信息加密强度。
信道加密算法复杂度、加密密钥长度和密钥更新周期三个参数的加权和；计算公式如下：
在αcpl表示加密算法的类别，可选择三种不同的算法(DES、3DES和AES)，对应的分配值为1-3。αcpl表示加密密钥的长度，可以选择56、64、128和256，对应的值为1-4。tcyc表示密钥更新周期和tmin和tmax表示密钥更新的最长周期和最短周期，ω1，ω2，ω3为三个指标的权重，可以人为指定，也可以通过层次分析法等方法得到。
②用单位时间内整个网络的数据传输量反映网络吞吐量。
为了消除不同用户数量所造成的影响，计算所有节点所发送的信息总量，然后除以用户总数，计算公式如下：
式中其中表示节点i发送的信息，n为网络中节点总数，T为总工作时间。
③用各源节点向汇聚节点传输信息的效率反映端到端平均时延。
由于移动通信网络中存在不同级别的用户，不同级别用户之间信息时延损失的影响是不同的。骨干节点网络间信息传输时延对网络运行的影响与其在网络中的重要性有关。在数据处理时主要分为两类节点。对于指挥控制(C2)网络和独立网络节点，根据源节点和汇聚节点的级别进行加权计算。对于骨干节点，根据源节点和汇聚节点的链路数进行加权计算，计算公式如下。
nC2代表C2节点的数量，nDe代表访问节点的数量的独立网络，nBK代表了骨干网络节点的数量，reni代表了节点i收到的数据包的总数，代表的信息包的源节点j和/>代表的水平的水槽节点数据包j。根据总体水平，总共有八个层次，因此，收发节点和的最大级别为16。/>表示包j的时延，/>表示包j的源节点的连接数，/>表示包j的sink节点的连接数，cmax表示骨干网节点的最大连接数。ω1和ω2表示两类网络的权值，可以人工指定，也可以通过AHP等方法得到。
④用网络管理设备在网络节点状态变化时感知变化的能力反映网络状态感知，并以准确率和时延之和进行加权。
准确度表示为网管设备成功识别网络状态变化的次数除以网络代理感知到变化并触发trap报告的次数。延迟是指节点设备发送trap通知到网管设备识别变更之间的时间延迟，计算公式如下。
nsuccess表示网管设备成功识别变化的次数，ntrap表示节点设备发送trap通知的次数，表示状态变化通知的传输延迟时间，tsp max和tsp min分别表示状态变化通知传输延迟的最大值和最小值。ω1和ω2表示精度和延迟的权重，可以人工指定，也可以通过AHP等方法得到。
⑤用网络调整指令发送到网络调整成功之间的延迟反映网络调整的时效性。
与前文中时延计算方法相反，该指标计算的是网管设备发送调整指令与节点网络代理处理输出控制指令之间的时延，计算公式如下。
nnm表示网络调整指令的个数，表示网络调整指令的传输延迟，tnm max和tnm min分别表示传输延迟的最大值和最小值。
⑥用临时入网成功率反映临时访问成功率。
计算方法为节点成功接入网络与总应用次数的比值，网络访问成功是指分离节点收到网管设备发送的网络访问权限消息，计算公式如下。
naccess表示已成功访问的分离节点的数量。napply表示应用程序的数量。
⑦用语音通信的效果反映语音中断率。
与端到端平均延迟相似，不同级别用户之间话音中断损失的影响是不同的。在计算中还应考虑调用双方的节点级别。计算公式如下。
nC2表示C2节点的数量，nDe表示独立网络中的接入节点数量，ncalli表示节点i调用的总次数，si表示节点级别，i和表示第j次调用的用户级别。根据实际的移动通信网络等级，共有八个等级。因此，收发节点和的最大级别为16。CF(j)是一个指标函数，当调用j失败或中断时，CF(j)为1，其余为0。
⑧用从拨号到成功建立话音链路的平均时间反映话音链路建立时间。
通过呼叫方的两级权重之和计算得到，计算公式如下。
nC2表示C2节点的数量，nDe表示独立网络中的接入节点数量，ncalli表示来自节点i的呼叫总次数，si表示节点i的级别，表示第j次呼叫的用户级别。根据实际的移动通信网络等级，共有八个等级。因此，收发节点和的最大级别为16。/>表示调用j建立链的时间。
根据以上各评估指标的计算模型，可计算得到每个网络规划方案对应的若干评估指标数据。
在一般的评价方式中，某些评估指标数据的值越大，效果越好。而某些评估指标数据的值越大，有效性就越差。部分指标越接近中值，效果越好，越高于或低于中值，效果越差。因此，在进行后续处理之前，需要对每个网络规划方案对应的8个评估指标数据进行同化处理和无量纲处理，形成标准化数据。同化处理也称为前向处理，本实施例中，首先将各评估指标数据处理成同化矩阵，然后采用Z-score方法对同化矩阵数据进行无量纲处理。
S3采用因子分析法分别计算每个网络规划方案对应的各个评估指标数据在每个公因子上的因子得分；
因子分析是从评估数据集中提取公共因子，用公共因子描述原始变量的一种多元统计方法。其是一种完全从数据集出发的客观评估方法，能更好地克服人员主观意识的影响，提高评估结论的客观性和科学性。
因子分析模型定义为公共因素与变量关系的线性模型，因子分析模型一般如下式所示。
x1＝a11F1+a12F2+…+a1mFm+ε1
x2＝a21F1+a22F2+…+a2mFm+ε2
…
xp＝ap1F1+ap2F2+…+apmFm+εp
矩阵形式表示为：
X＝AF+ε
式中，x2…xp表示p个评估指标数据，F1，F2…Fm是提取出来的不可观察随机变量的公因子得分。ε为特殊因子，表示公共因子无法解释的部分。系数aij表示因子负荷，其大小表示第j个公因子相对于第i个评估指标数据的重要性。
本实施例中，采用因子分析法分别计算每个网络规划方案对应的各个评估指标数据在每个公因子上的因子得分，基本流程如下：
(1)计算评估指标数据对应的标准化数据的相关矩阵；
(2)求相关矩阵的特征值和特征向量；
(3)计算方差贡献率与累积方差贡献率；
(4)确定因子：其中前m个公因子包含的数据信息总量(其累积贡献率)不低于85％时，可取前m个公因子来反映原评价指标；
(5)因子旋转：若所得的m个公因子无法确定或其实际意义不是很明显，需将因子进行旋转以获得较为明显的实际意义；
(6)用评估指标数据的线性组合来求得各因子得分；在一个具体示例中，可采用回归估计法、Bartlett估计法等计算各个评估指标数据在每个公因子上的因子得分，具体计算过程不再赘述。
S4根据偏好策略从公因子中确定偏好因子，采用聚类分析法将各评估指标数据在所述偏好因子上的因子得分进行聚类，将各网络规划方案聚合为预设数量个类别并进行排序；
移动通信网络的应用模式与具体的需求和应用环境密切相关，不同的需求和应用环境会导致不同的网络结构和不同的业务优先级；如果按照常规的因子得分对各个网络规划方案进行排序，则排序结果是一个综合的排名结果，适用于大多数情况，网络方案各方面的性能表现比较均衡。但是在实际的应用过程中，在某些情况下可能更注重信息传递的效率，而在其他情况下，可能更强调网络的感知或安全性。因此，根据不同的业务需求来选择适应性的网络结构是非常重要的。
为此，本实施例提出了不同需求下的偏好策略，根据偏好策略来对网络规划方案进行评估。具体的，首先根据偏好策略从公因子中确定偏好因子，然后采用聚类分析法将各评估指标数据在偏好因子上的因子得分进行聚类，将各网络规划方案聚合为预设数量个类别。
在一个具体的示例中，聚类分析过程具体包括：
S41将每个评估指标数据作为一个样本，根据每个样本在所述偏好因子上的因子得分，采用欧几里得距离来计算任意两个样本之间的距离；
其中，di,j为样本i和j之间的距离，xit、xjt为分别表示样本i和j在偏好因子t上的因子得分。
S42采用最短距离法，选择所述距离最小的两个样本合并为一个类别；
S43重复S41和S42，每次减少一个类别，直至将各网络规划方案聚合为预设数量个类别。
由于数据源的多样性，很难提前确定合适的分组数(即类别个数)，选择合适的分类值会导致聚类结果不准确，影响后续推荐算法的准确性。因此，本实施例通过聚类和排序将结果呈现出来，用户可以选择合适的类别数，便于提高后续推荐算法的准确率。
S5根据排序结果选取一个或多个类别的网络规划方案作为优化结果输出。
具体的，根据排序结果，从聚类后的多个类别中选择用户需要的一个或多个类别，作为在当前偏好策略下性能最优的网络规划方案输出。
图3是以信息传播因素为偏好出发对各网络规划方案进行聚类分析的结果。首先从公因子中选择信息传递因子作为偏好因子，然后采用聚类分析法将31个网络规划方案对应的评估指标数据(以下简称样本)在信息传递因子上的因子得分进行聚类，请参阅图3，可以看出，样本19、样本9、样本26、样本13在信息传递因子上的得分较高。在信息传递因子上，样本19、样本9、样本26、样本13这四个样本与其他样本之间的距离也较大，说明这四个样本对应的网络规划方案具有数据传输容量大，时延小，话音中断率低，战场通信能力强，话音通信性能好的优点。其余的样本通过聚类后大致分为以下四个类别：样本1、2、11、18、20和25是第二层；样本10、12、14、21、22和23是第三层；样本5、6、7、15、16、24、29、31为第四层；样本3、4、8、27、28、30是第五层。
经过聚类之后，将31个样本划分为5个类别并根据得分进行了排序，当然聚类结果并不局限于5个类别，可以根据需求选择合适的类别数。
图4是以网络管理和控制因素为偏好出发对各网络规划方案进行聚类分析的结果。首先从公因子中选择网络管理控制因子作为偏好因子，然后采用聚类分析法将31个网络规划方案对应的评估指标数据(以下简称样本)在网络管理控制因子上的因子得分进行聚类，请参阅图4，可以看出，样本1、样本11、样本2和样本9在网络管理控制因子上得分较高。从图4中可以观察到四个样本和其他样本之间的距离较大，这表明样本1、样本11、样本2和样本9具有强壮的战场控制能力，可以更好地掌握整个网络运行状态，并可以根据需要及时调整网络，支持成员的随机访问和临时访问请求。其余的样本通过聚类后大致分为以下四层：第二层为样本3、10、15、22、27、28和30；样本4、18、23、29为第三层次；样本5、6、7、8、12、13、16、17、19、20、21、24、25、31为第四层；样本14和26是第五层。
图5是以安全防护因素为偏好出发对各网络规划方案进行聚类分析的结果。首先从公因子中选择安全防护因子作为偏好因子，然后采用聚类分析法将31个网络规划方案对应的评估指标数据(以下简称样本)在安全防护因子上的因子得分进行聚类，请参阅图5，可以看出，样本26和样本1在安全防护因子上得分较高，这两个样本与安全防护因子中其他样本的距离也较大，说明这样本26和样本1的安全防护能力强，网络健壮性高，信息加密能力强，可以用来传输更高安全级别的信息。其余的样本通过聚类后大致分为以下四个类别：样本5、6、7、9、15、25和28-31为第二层；样本4、8、10、17、22、24为三级；样本3、12、13、18、23是第四层；样本2、14、16、19-21和27是第五层。
另外，可以将每个网络评估方案对应的评估指标数据在各个公因子上的因子得分进行加权求和，从综合性能的角度对各网络评估方案进行评估。每个公因子具有预设的权重系数，根据该权重系数及其对应的因子得到计算每个网络评估方案对应的评估指标数据的综合得分。图6是从综合性能因素出发对各网络规划方案进行聚类分析的结果，从图6中可以看出，样本1、9、19、11的综合得分最高，这四个样本与其他样本的距离也较远，也就是说，这四个样本对应的移动通信系统的综合应用效果最好。其余的样本经聚类后大致分为以下四个类别：样本2、10、13、15、22、25和26是第二层；样本20、23、29-31为三级；样本3-8、12、17、24、27、28为第四层；样本14、16、21是第五层。
根据以上聚类分析的结果可以看出，综合评分偏好选择时，最优结果为样本1、9、19、11。在选择信息传播偏好时，最优结果分别为样本9、19、26、13。在选择网络控制偏好时，最优结果为样本1、11、2、9。在选择安全防护偏好时，最优结果分别为样本1、26。样本19的综合得分排名第三，其在信息传递因子上的得分最高，但在网络管理控制因子、安全防护因子上的得分非常低，这意味着样本19的信息传输能力很强，而网络控制能力和安全保护能力差。不同的偏好策略将得到不同的网络规划方案优化结果，因此，网络设计方案的优化应基于一定的偏好策略，并参考其他因素，使优化结果更加合理可行。
在一个可选的实施方式中，为了提高网络规划方案的评估效率，本实施例利用网络运行产生的历史数据，对常用的多个评估指标进行简化，依据简化后的关键评估指标对网络规划方案进行评估，将大量的数据转换成更少、更容易计算的指标，减少数据计算量，提高评估效率。
具体的，上述S2中，在根据预配置的指标模型分别计算每个网络规划方案对应的若干评估指标数据之前，还包括将若干指标模型简化为关键指标模型的步骤：
S21获取机动通信系统网络的历史运行数据，根据所述历史运行数据和预配置的指标模型分别计算机动通信系统网络对应的若干历史评估指标数据；
在图1所示的机动通信系统网络中，网络管理设备可以在网络中的任意节点上访问。该体系结构类似于MIML-IDPS系统，可以形成3层或2层的管理结构。三层网络管理架构包括一个一级网络管理中心、多个二级网络管理中心和三级节点设备。一级网络管理中心负责控制网络中的所有节点，将网络划分为不同的行政区域，由二级网络管理中心进行管理。最后一层设备是骨干网节点和分离网络接入节点。这些节点作为网络管理代理，可以控制网络管理设备对特定设备的指令，并向网络管理设备报告设备的状态。各级网络管理节点/设备采集网络实际运行中产生的各种数据并将其存储在历史数据库中。
从历史数据库中采集大量历史运行数据之后，根据历史运行数据和预配置的8个指标模型分别计算机动通信系统网络对应的历史评估指标数据；并对8个历史评估指标数据进行同化处理和无量纲处理，形成标准化数据。
S22计算每个历史评估指标数据对应的因子荷载矩阵，根据所述因子荷载矩阵获得每个历史评估指标数据对所有因子的重要性系数，并根据所述重要性系数计算对应历史评估指标数据的第一权重系数；
本实施例中，采用因子分析法计算每个历史评估指标数据对应的因子荷载矩阵；首先通过计算相关系数矩阵的特征值以及因子的方差贡献率，通常当几个因子的方差贡献率在85％以上时，可将该几个因子成分作为主要因子进行因子分析。根据所选因子对应的特征向量，生成非旋转因子加载矩阵。因子载荷是因子分析的重要指标之一，是因子命名的数据源。若某个因子在大多数指标上的载荷都很大，说明该因子是一个重要的综合因子；但如果有些指标，对某几个因子的载荷都较大，则不能直接解释因子，需要旋转因子载荷矩阵，使指标只能显示一个因子上的较大载荷和其他因子上的较小载荷，可采用最大方差正交旋转法对数据进行旋转。经过旋转后的因子载荷矩阵，可以分析某个因子所反映的具体指标，从而确定不同因子所表征的具体含义和特点。之后，使用Bartlett因子得分法计算旋转因子得分，生成因子荷载矩阵。
获得因子荷载矩阵之后，根据因子荷载矩阵对每个历史评估指标数据进行重要性分析，具体是根据所述因子荷载矩阵获得每个历史评估指标数据对所有因子的重要性系数，并根据所述重要性系数计算对应历史评估指标数据的第一权重系数；
在一个可选的实施方式中，定义每个历史评估指标数据对所有因子的载荷的平方和为该评估指标数据的重要性系数。根据重要性系数计算对应历史评估指标数据的权重系数为：定义每个历史评估指标数据的重要性系数与所有历史评估指标数据的重要性系数之和的比值为对应历史评估指标数据的权重系数。
第i个历史评估指标数据对所有因子的载荷的平方和定义为评估指标的共性，它反映了该评估指标对所有因子的影响，即各原始指标的重要性，表达式如下：
其中，aij表示第i个评估指标对第j个因子的载荷，来自于因子载荷矩阵；m为因子个数，p为评估指标个数。
通过比较各评估指标的共性，可以看出哪个指标的作用更大。因此，所有评估指标的共性可以归一化为评估指标的权重：
式中，Wi表示第i个历史评估指标的第一权重系数，Hi表示第i个历史评估指标的共性，p为历史评估指标个数。通过上述公式和因子载荷矩阵，可计算出各历史评估指标的权重，进而可分析出权重评估较高的指标在不同因子中的影响作用。
S23采用因子分析法确定若干关键因子，分别计算与所述关键因子关联的若干历史评估指标数据之间的相关系数，从中选择所述相关系数大于第一规定阈值的历史评估指标数据，将其对应的指标模型作为简化后的关键指标模型；
为了确保所选评估指标之间不存在信息重叠，需要进一步筛选各因子主要指标，本实施例对各历史评估指标进行相关性分析。在经过传统因子分析评估法确定出几个关键因子后，列出决定关键因子的各历史评估指标，分别对每个因子求出其所对应的历史评估指标之间的相关系数。若某个历史评估指标与其他历史评估指标的相关性大于规定的阈值，则对这些历史评估指标进行相关性分析。总体思路是若某个历史评估指标与其他历史评估指标均具有较大的相关性，对不同关键因子的影响也较大，则保留该历史评估指标，否则丢弃该历史评估指标；保留的历史评估指标即为关键评估指标。
在一个可选的实施方式中，若各历史评估指标数据的相关系数之间的差异小于预设值，则对各历史评估指标数据的第一权重系数进行排序，选择第一权重系数大于第二规定阈值的历史评估指标数据，，将其对应的指标模型作为简化后的关键指标模型。
在实际操作过程中，可能出现多个指标具有类似的相关性，且对因子的影响也趋于相同，其间的差异无法被有效区分，则通过上文指标重要性的分析结果来确定所保留的历史评估指标，在该情况下，历史评估指标权重大则保留，权重小则丢弃。
基于上述方式，可以将原始评价指标模型进行简化，获得少量的关键评价指标模型，根据简化后的所述关键指标模型计算每个待评估的网络规划方案对应的评估指标数据。
在实际运用中，在第一阶段，本方案基于历史运行数据对原始评估指标进行处理，生成简化的评估指标模型。第二阶段，采用简化的评估指标模型对网络规划方案的模拟运行数据进行评价，大大减少了数据记录、统计和计算的工作量，方便了后期评价的实施，具有较强的经济效益。
该方法可应用于机动通信网半自动网络辅助规划系统，利用存储在数据库中的历史数据，可以获得最新的简化指标。当再次进行网络规划时，将网络规划设备生成的网络规划方案导入系统，系统对所有网络规划方案进行模拟。根据简化的指标只需要收集少量的仿真模拟数据，可以直接根据简化的评估模型计算各个网络规划方案的有效性。
在一个优选的实施方式中，获取网络规划方案运行之后的实际数据，将实际数据作为历史运行数据，对关键评估指标数据进行实时更新。即在每次网络运行后，通过网管设备将数据导入系统，更新关键评估指标，使系统不断更新，从而获得更快速、准确的评估结果。
针对传统方法需要采集大量数据，评估耗时较长的缺点，本实施方式通过对评估指标的分析，根据网络特点确定了不同指标的重要性，并对因子分析中不同因子所涉及的指标进行了相关性分析，为后续评估奠定基础。本方案有效地利用历史数据，在传统的因子分析法的基础上，通过指标重要性分析和相关性分析，将原始评估指标简化为少量的关键评估指标，基于关键评估指标对网络规划方案的效能进行评估，相比传统的因子分析法，大大地减少了数据的采集和计算量，减少了评估时间，在确保准确度的前提下提高了评估的时效性，对于机动通信网的灵活配置具有较强的现实意义。
应当注意，尽管在上述的实施例中，以特定顺序描述了本说明书实施例的方法的操作，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。相反，流程图中描绘的步骤可以改变执行顺序。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。
本实施例提供了一种支持偏好策略的通信网络辅助规划装置，该装置可以采用软件和/或硬件的方式实现，并可集成在电子设备上；请参阅图7，该装置包括仿真模拟模块、第一计算模块、第二计算模块、聚类分析模块和输出模块；
其中，仿真模拟模块分别对待评估的若干网络规划方案进行模拟，得到每个网络规划方案对应的模拟数据；
第一计算模块根据所述模拟数据和预配置的指标模型分别计算每个网络规划方案对应的若干评估指标数据；
第二计算模块采用因子分析法分别计算每个网络规划方案对应的各个评估指标数据在每个公因子上的因子得分；
聚类分析模块根据偏好策略从公因子中确定偏好因子，采用聚类分析法将各评估指标数据在所述偏好因子上的因子得分进行聚类，将各网络规划方案聚合为预设数量个类别并进行排序；
输出模块根据排序结果选取一个或多个类别的网络规划方案作为优化结果输出。
关于通信网络辅助规划装置的具体限定可以参见上文中对于支持偏好策略的通信网络辅助规划方法的限定，在此不再赘述。上述通信网络辅助规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本实施例还提供了一种电子设备，其包括至少一个处理器、以及至少一个存储器，其中，存储器中存储有计算机程序，当计算机程序被处理器执行时，使得处理器执行上述支持偏好策略的通信网络辅助规划方法的步骤，此处不再赘述；本实施例中，处理器和存储器的类型不作具体限制，例如：处理器可以是微处理器、数字信息处理器、片上可编程逻辑系统等；存储器可以是易失性存储器、非易失性存储器或者它们的组合等。
该电子设备也可以与一个或多个外部设备(如键盘、指向终端、显示器等)通信，还可与一个或者多个使得用户能与该电子设备交互的终端通信，和/或与使得该电子设备能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且，电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(Local Area Network，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。
本实施例还提供了一种计算机可读介质，其存储有可由电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行上述支持偏好策略的通信网络辅助规划方法的步骤。计算机可读介质的类型包括但不限于SD卡、U盘、固定硬盘、移动硬盘等存储介质。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种支持偏好策略的通信网络辅助规划方法，其特征在于，包括：
S1分别对待评估的若干网络规划方案进行模拟，得到每个网络规划方案对应的模拟数据；
S2根据所述模拟数据和预配置的指标模型分别计算每个网络规划方案对应的若干评估指标数据；
S3采用因子分析法分别计算每个网络规划方案对应的各个评估指标数据在每个公因子上的因子得分；
S4 根据偏好策略从公因子中确定偏好因子，采用聚类分析法将各评估指标数据在所述偏好因子上的因子得分进行聚类，将各网络规划方案聚合为预设数量个类别并进行排序；
S5 根据排序结果选取一个或多个类别的网络规划方案作为优化结果输出；
其中，S2中还包括将若干指标模型简化为关键指标模型的步骤：
S21获取机动通信系统网络的历史运行数据，根据所述历史运行数据和预配置的指标模型分别计算机动通信系统网络对应的若干历史评估指标数据；
S22计算每个历史评估指标数据对应的因子荷载矩阵，根据所述因子荷载矩阵获得每个历史评估指标数据对所有因子的重要性系数，并根据所述重要性系数计算对应历史评估指标数据的第一权重系数；
S23采用因子分析法确定若干关键因子，分别计算与所述关键因子关联的若干历史评估指标数据之间的相关系数，从中选择所述相关系数大于第一规定阈值的历史评估指标数据，将其对应的指标模型作为简化后的关键指标模型；
根据简化后的所述关键指标模型计算每个待评估的网络规划方案对应的评估指标数据。
2.如权利要求1所述的支持偏好策略的通信网络辅助规划方法，其特征在于，所述采用聚类分析法将各评估指标数据在所述偏好因子上的因子得分进行聚类，包括：
S41将每个评估指标数据作为一个样本，根据每个样本在所述偏好因子上的因子得分，采用欧几里得距离来计算任意两个样本之间的距离；
S42采用最短距离法，选择所述距离最小的两个样本合并为一个类别；
S43 重复S41和S42，直至将各网络规划方案聚合为预设数量个类别。
3.如权利要求1所述的支持偏好策略的通信网络辅助规划方法，其特征在于，S23中，若各历史评估指标数据的相关系数之间的差异小于预设值，则对各历史评估指标数据的第一权重系数进行排序，选择第一权重系数大于第二规定阈值的历史评估指标数据对应的指标模型作为简化后的关键指标模型。
4.如权利要求1所述的支持偏好策略的通信网络辅助规划方法，其特征在于，S22中，根据因子荷载矩阵获得每个历史评估指标数据对所有因子的重要性系数，为：
定义每个历史评估指标数据对所有因子的载荷的平方和为该历史评估指标数据的重要性系数。
5.如权利要求1所述的支持偏好策略的通信网络辅助规划方法，其特征在于，S22中，根据重要性系数计算对应历史评估指标数据的第一权重系数，为：
定义每个历史评估指标数据的重要性系数与所有历史评估指标数据的重要性系数之和的比值为对应历史评估指标数据的第一权重系数。
6.如权利要求1所述的支持偏好策略的通信网络辅助规划方法，其特征在于，S22中，所述计算每个历史评估指标数据对应的因子荷载矩阵之前还包括：
对每个历史评估指标数据进行同化处理和无量纲处理，形成标准化数据。
7.一种支持偏好策略的通信网络辅助规划装置，其特征在于，包括：
仿真模拟模块，其被配置为分别对待评估的若干网络规划方案进行模拟，得到每个网络规划方案对应的模拟数据；
第一计算模块，其被配置为根据所述模拟数据和预配置的指标模型分别计算每个网络规划方案对应的若干评估指标数据；
第二计算模块，其被配置为采用因子分析法分别计算每个网络规划方案对应的各个评估指标数据在每个公因子上的因子得分；
聚类分析模块，其被配置为根据偏好策略从公因子中确定偏好因子，采用聚类分析法将各评估指标数据在所述偏好因子上的因子得分进行聚类，将各网络规划方案聚合为预设数量个类别并进行排序；
输出模块，其被配置为根据排序结果选取一个或多个类别的网络规划方案作为优化结果输出；
其中，所述第一计算模块还被配置为包括将若干指标模型简化为关键指标模型的步骤：
获取机动通信系统网络的历史运行数据，根据所述历史运行数据和预配置的指标模型分别计算机动通信系统网络对应的若干历史评估指标数据；
计算每个历史评估指标数据对应的因子荷载矩阵，根据所述因子荷载矩阵获得每个历史评估指标数据对所有因子的重要性系数，并根据所述重要性系数计算对应历史评估指标数据的第一权重系数；
采用因子分析法确定若干关键因子，分别计算与所述关键因子关联的若干历史评估指标数据之间的相关系数，从中选择所述相关系数大于第一规定阈值的历史评估指标数据，将其对应的指标模型作为简化后的关键指标模型；
根据简化后的所述关键指标模型计算每个待评估的网络规划方案对应的评估指标数据。
8.一种电子设备，其特征在于，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行权利要求1～6任一项所述方法的步骤。
9.一种计算机可读介质，其特征在于，其存储有可由电子设备执行的计算机程序，当所述计算机程序在电子设备上运行时，使得所述电子设备执行权利要求1～6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210021996.9A CN114462506B (zh) | 2022-01-10 | 2022-01-10 | 一种支持偏好策略的通信网络辅助规划方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210021996.9A CN114462506B (zh) | 2022-01-10 | 2022-01-10 | 一种支持偏好策略的通信网络辅助规划方法及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114462506A CN114462506A (zh) | 2022-05-10 |
| CN114462506B true CN114462506B (zh) | 2024-03-22 |
Family
ID=81409369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210021996.9A Active CN114462506B (zh) | 2022-01-10 | 2022-01-10 | 一种支持偏好策略的通信网络辅助规划方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114462506B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116668306B (zh) * | 2023-06-08 | 2024-02-23 | 中国人民解放军国防科技大学 | 一种基于三视角的机动通信网网络工程化规划方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103442346A (zh) * | 2013-08-27 | 2013-12-11 | 重庆邮电大学 | 基于动态模拟方法的应急通信网络实时评估系统 |
| CN111639237A (zh) * | 2020-04-07 | 2020-09-08 | 安徽理工大学 | 一种基于聚类和关联规则挖掘的电力通信网风险评估系统 |
| CN111953543A (zh) * | 2020-08-14 | 2020-11-17 | 国科量子通信网络有限公司 | 一种基于pca-ahp的量子通信网络可靠性状况的评估方法 |
| CN113079038A (zh) * | 2021-03-24 | 2021-07-06 | 广州市百果园信息技术有限公司 | 一种网络质量的评估方法、装置、服务器和存储介质 |
| RU2754271C1 (ru) * | 2021-03-10 | 2021-08-31 | Федеральное государственное казенное военное образовательное учреждение высшего образования Академия Федеральной службы охраны Российской Федерации | Способ предварительной целенаправленной реконфигурации сети связи с учетом оценки информированности источника информационно-технических воздействий о структуре сети связи |
-
2022
- 2022-01-10 CN CN202210021996.9A patent/CN114462506B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103442346A (zh) * | 2013-08-27 | 2013-12-11 | 重庆邮电大学 | 基于动态模拟方法的应急通信网络实时评估系统 |
| CN111639237A (zh) * | 2020-04-07 | 2020-09-08 | 安徽理工大学 | 一种基于聚类和关联规则挖掘的电力通信网风险评估系统 |
| CN111953543A (zh) * | 2020-08-14 | 2020-11-17 | 国科量子通信网络有限公司 | 一种基于pca-ahp的量子通信网络可靠性状况的评估方法 |
| RU2754271C1 (ru) * | 2021-03-10 | 2021-08-31 | Федеральное государственное казенное военное образовательное учреждение высшего образования Академия Федеральной службы охраны Российской Федерации | Способ предварительной целенаправленной реконфигурации сети связи с учетом оценки информированности источника информационно-технических воздействий о структуре сети связи |
| CN113079038A (zh) * | 2021-03-24 | 2021-07-06 | 广州市百果园信息技术有限公司 | 一种网络质量的评估方法、装置、服务器和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114462506A (zh) | 2022-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106101202B (zh) | 用于社交图数据分析以确定社区内的连接性的系统和方法 | |
| CN103412875B (zh) | 基于ahp决策模型的cdn策略调整方法 | |
| CN113037877B (zh) | 云边端架构下时空数据及资源调度的优化方法 | |
| Li et al. | Method of resource estimation based on QoS in edge computing | |
| CN116614385A (zh) | 基于数字孪生的业务调度路径规划方法、装置和设备 | |
| Skondras et al. | An analytic network process and trapezoidal interval‐valued fuzzy technique for order preference by similarity to ideal solution network access selection method | |
| CN114462506B (zh) | 一种支持偏好策略的通信网络辅助规划方法及其应用 | |
| CN105119751A (zh) | 一种基于环境实时感知的服务评估及选取方法 | |
| Ogundoyin et al. | An integrated Fuzzy-BWM, Fuzzy-LBWA and V-Fuzzy-CoCoSo-LD model for gateway selection in fog-bolstered Internet of Things | |
| CN117971173A (zh) | 基于物联网的智慧数据汇聚软件系统 | |
| CN117221295A (zh) | 一种基于边缘计算和网络切片的低延迟视频传输系统 | |
| Mahan et al. | A novel resource productivity based on granular neural network in cloud computing | |
| CN117203944A (zh) | 算力网络的资源调度方法 | |
| US20060149524A1 (en) | Network Management and control using collaborative on-line simulation | |
| Bantouna et al. | Network load predictions based on big data and the utilization of self-organizing maps | |
| CN109978333B (zh) | 众包系统中基于社区发现与链接预测的独立工人选择方法 | |
| CN114385359B (zh) | 一种物联网云边端任务时序协同方法 | |
| CN115037625B (zh) | 网络切片处理方法、装置、电子设备及可读存储介质 | |
| CN106209978B (zh) | 一种联盟关系服务组合选择系统及选择方法 | |
| Liu et al. | Towards dynamic reconfiguration of composite services via failure estimation of general and domain quality of services | |
| Yang et al. | The effect of QoS and QoE requirements for designing task processing controller based on fuzzy logic on IoT environments | |
| CN114462810A (zh) | 一种机动通信网半自动网络规划辅助优化方法及应用 | |
| CN117640386A (zh) | 网络切片资源自适应调整方法、装置、存储介质及电子设备 | |
| CN115221955A (zh) | 基于样本差异分析的多深度神经网络参数融合系统及方法 | |
| Sun et al. | Optimizing task-specific timeliness with edge-assisted scheduling for status update |
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 |