CN115551055A - 基站的节能方法、系统和生产者网元 - Google Patents
基站的节能方法、系统和生产者网元 Download PDFInfo
- Publication number
- CN115551055A CN115551055A CN202110738874.7A CN202110738874A CN115551055A CN 115551055 A CN115551055 A CN 115551055A CN 202110738874 A CN202110738874 A CN 202110738874A CN 115551055 A CN115551055 A CN 115551055A
- Authority
- CN
- China
- Prior art keywords
- model
- prediction model
- network element
- base station
- energy saving
- 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 45
- 238000004458 analytical method Methods 0.000 claims description 70
- 238000010276 construction Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
- H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开涉及一种基站的节能方法、系统和生产者网元,涉及通信技术领域。该基站的节能方法包括:生产者网元接收消费者网元的服务请求,服务请求包括节能策略的预测模型的描述信息;生产者网元根据描述信息,获取预测模型候选集;生产者网元利用推荐算法,在预测模型候选集中确定至少一个最优预测模型,用于确定基站的节能策略。
Description
技术领域
本公开涉及通信技术领域,特别涉及一种基站的节能方法、基站的节能系统、生产者网元和非易失性计算机可读存储介质。
背景技术
随着5G商用的全面开展,无线网络覆盖越来越密集。如果基站长期处于高功率运行状态,会给运营商带来高昂的能耗成本。例如,可以依赖预先设定好的统一门限来决定基站功能开关与否。但是,这样无法适应复杂多变的无线环境。
AI(Artificial Intelligence,人工智能)和无线网络的融合已成为无线通信发展的方向之一。通过将AI技术引入无线网络,可以利用AI算法对海量数据进行分类、统计和推理,进而给出分析、预测和推荐等结论,从而可以适应复杂多变的网络环境。
基于AI的网络节能方案,不仅可以得到更精准有效的节能策略,还可以在有效降低运营商能耗的同时保障网络服务质量。
在相关技术中,有多种预测模型(如运用AI、机器学习算法的模型)可以对海量的无线网数据(如平均下行物理资源模块利用率、平均无线资源控制连接用户数等)进行分析和预测。
发明内容
本公开的发明人发现上述相关技术中存在如下问题:无法在多种预测模型中确定最优模型,导致节能效果差。
鉴于此,本公开提出了一种基站的节能技术方案,能够使得生产者网元获取预测模型候选集,从中确定最优模型,从而提高节能效果。
根据本公开的一些实施例,提供了一种基站的节能方法,包括:生产者网元接收消费者网元的服务请求,服务请求包括节能策略的预测模型的描述信息;生产者网元根据描述信息,获取预测模型候选集;生产者网元利用推荐算法,在预测模型候选集中确定至少一个最优预测模型,用于确定基站的节能策略。
在一些实施例中,描述信息包括模预测模型的构造信息、标识信息、分析需求中的至少一个。
在一些实施例中,根据描述信息获取预测模型候选集包括:根据服务请求中不同的描述信息,分别获取预测模型候选子集;根据多个预测模型候选子集,确定预测模型候选集。
在一些实施例中,根据描述信息,获取预测模型候选集包括:在服务请求中包含预测模型的构造信息的情况下,生产者网元从消费者网元,获取与模型的构造信息对应的预测模型候选子集,用于构成预测模型候选集。
在一些实施例中,根据描述信息,获取预测模型候选集包括:在服务请求中包含预测模型的标识信息的情况下,生产者网元从模型存储层,获取与标识信息对应的预测模型候选子集,用于构成预测模型候选集。
在一些实施例中,根据描述信息,获取预测模型候选集包括:在服务请求中包含预测模型的分析需求的情况下,生产者网元根据分析需求和标识信息的映射关系,确定与分析需求相应的标识信息;生产者网元从模型存储层,获取与标识信息对应的预测模型候选子集,用于构成预测模型候选集。
在一些实施例中,构造信息包括预测模型的模型参数、相应算法中的至少一个,标识信息包括预测模型的标识、模型准确率、模型性能信息中的至少一个,分析需求包括分析任务的标识符、分析任务的类型、分析任务的时间范围、分析任务的准确率要求、分析任务的性能需求中的至少一个。
在一些实施例中,从模型存储层,获取与标识信息对应的预测模型候选子集包括:生产者网元从自身的模型存储层、其他生产者网元的模型存储层、第三方平台的模型存储层中的至少一个,获取与标识信息对应的预测模型候选子集。
在一些实施例中,利用推荐算法,在预测模型候选集中确定至少一个最优预测模型,用于确定基站的节能策略包括:生产者网元通过策略推荐层,利用推荐算法确定至少一个最优预测模型;生产者网元通过策略推荐层,利用最优预测模型确定基站的节能策略。
在一些实施例中,节能方法还包括:生产者网元向消费者网元提供反馈结果,反馈结果包括最优预测模型和基站的节能策略。
根据本公开的另一些实施例,提供一种生产者网元,包括:接收单元,用于接收消费者网元的服务请求,服务请求包括节能策略的预测模型的描述信息;获取单元,用于根据描述信息,获取预测模型候选集;确定单元,用于利用推荐算法,在预测模型候选集中确定至少一个最优预测模型,用于确定基站的节能策略。
根据本公开的又一些实施例,提供一种基站的节能系统,包括:生产者网元,用于执行上述任一个实施例中的基站的节能方法;消费者网元,用于向生产者网元发送服务请求。
根据本公开的又一些实施例,提供一种生产者网元,包括:存储器;和耦接至存储器的处理器,处理器被配置为基于存储在存储器装置中的指令,执行上述任一个实施例中的基站的节能方法。
根据本公开的再一些实施例,提供一种非易失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上述任一个实施例中的基站的节能方法。
在上述实施例中,生产者网元能够根据消费者网元提供的预测模型的描述信息获取预测模型候选集,从中确定最优模型,从而提高节能效果。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开:
图1示出本公开的基站的节能方法的一些实施例的流程图;
图2示出本公开的基站的节能方法的一些实施例的示意图;
图3示出本公开的基站的节能方法的另一些实施例的示意图;
图4示出本公开的生产者网元的一些实施例的框图;
图5示出本公开的生产者网元的另一些实施例的框图;
图6示出本公开的生产者网元的又一些实施例的框图;
图7示出本公开的基站的节能系统的一些实施例的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
如前所述,基于预测模型的预测结果可以制定相应的节能策略。如果考虑多种预测模型之间的关联性,还可以利用AI算法在上述多种模型中确定最优的模型或最优的模型组合,最后根据最优的模型或模型组合来推荐节能策略。
但是,在确定最优的模型或模型组合的过程中,首先需要确定预测模型的候选集。若无法获取预测模型候选集,则无法在多种预测模型中确定最优的模型或模型组合,从而无法根据最优的模型或模型组合来推荐节能策略。
针对上述技术问题,本公开通过服务请求来获取预测模型候选集。
在一些实施例中,预测模型候选集的来源包括服务consumer(消费者网元)和服务producer(生产者网元)。服务请求包括模型的构造信息、模型的标识信息或分析需求等描述信息。
模型标识符等用来指定某一预测模型;分析需求用来指定某一类分析服务比如资源利用率分析、服务体验分析、业务流量预测等。
如果服务请求中包含模型的构造信息,则可以直接从consumer接收预测模型候选子集;如果服务请求者包含模型的标识信息,则可以通过模型标识符在producer中指定预测模型候选子集;如果无法直接获取模型或模型标识符,则通过分析需求来映射模型标识符,进而通过模型标识符来指定预测模型候选子集。
确定预测模型候选集之后,通过推荐算法在多种预测模型中确定最优的模型或模型组合;最后,根据最优的模型或模型组合来推荐节能策略。
例如,可以通过如下的实施例实现本公开的技术方案。
图1示出本公开的基站的节能方法的一些实施例的流程图。
如图1所示,在步骤110中,生产者网元接收消费者网元的服务请求,服务请求包括节能策略的预测模型的描述信息。
在一些实施例中,描述信息包括模预测模型的构造信息、标识信息、分析需求中的至少一个。
例如,构造信息包括预测模型的模型参数、相应算法中的至少一个,标识信息包括预测模型的标识、模型准确率、模型性能信息中的至少一个,分析需求包括分析任务的标识符、分析任务的类型、分析任务的时间范围、分析任务的准确率要求、分析任务的性能需求中的至少一个。
例如,服务consumer网元向服务producer网元发送服务请求,请求中包括关键属性:模型的构造信息、分析需求、模型标识符等。
在步骤120中,生产者网元根据描述信息,获取预测模型候选集。
在一些实施例中,根据服务请求中不同的描述信息,分别获取预测模型候选子集;根据多个预测模型候选子集,确定预测模型候选集。
在一些实施例中,在服务请求中包含预测模型的构造信息的情况下,生产者网元从消费者网元,获取与模型的构造信息对应的预测模型候选子集,用于构成预测模型候选集。
例如,如果服务请求中包含模型的构造信息,则可以直接从consumer网元接收预测模型候选子集。
在一些实施例中,在服务请求中包含预测模型的标识信息的情况下,生产者网元从模型存储层,获取与标识信息对应的预测模型候选子集,用于构成预测模型候选集。
例如,生产者网元从自身的模型存储层、其他生产者网元的模型存储层、第三方平台的模型存储层中的至少一个,获取与标识信息对应的预测模型候选子集。
例如,如果服务请求中包含模型标识符,则可以依据模型标识符在从模型存储层获取预测模型候选子集。
例如,模型训练与存储层训练并存储预测模型,为网络节能方案提供多种预测模型(比如节能场景识别模型、业务流量预测模型)。
在一些实施例中,在服务请求中包含预测模型的分析需求的情况下,生产者网元根据分析需求和标识信息的映射关系,确定与分析需求相应的标识信息;生产者网元从模型存储层,获取与标识信息对应的预测模型候选子集,用于构成预测模型候选集。
例如,如果服务请求中不包含模型标识符,则依据分析需求和模型标识符的映射关系,确定模型标识符,进而从模型存储层获取预测模型候选子集。
在一些实施例中,模型的构造信息可以是一个数据结构,模型参数、算法等;模型标识符可以是一个数据结构,包含模型的标识及其他可以标识模型的相关信息,比如模型参数、模型准确率、模型性能等;分析需求可以是一个数据结构,可以包含分析标识符以及其他与分析任务相关的信息,比如任务类型、时间范围、准确率要求、性能要求等。
在步骤130中,生产者网元利用推荐算法,在预测模型候选集中确定至少一个最优预测模型,用于确定基站的节能策略。
在一些实施例中,生产者网元通过策略推荐层,利用推荐算法确定至少一个最优预测模型;生产者网元通过策略推荐层,利用最优预测模型确定基站的节能策略。
在一些实施例中,生产者网元向消费者网元提供反馈结果,反馈结果包括最优预测模型和基站的节能策略。
例如,确定预测模型候选集后,利用推荐算法在预测模型候选集中确定最优的模型或最优的模型组合;根据最优的模型或模型组合来推荐节能策略,并向服务消费者提供反馈结果。
例如,策略推荐层基于预测模型的输出信息,运用推荐算法选择预测模型候选集,并在预测模型候选集中确定最优的模型或最优的模型组合,最后根据最优的模型或模型组合来推荐节能策略。
例如,输出信息包括下行PRB(Physical Resource Block,物理资源模块)平均利用率、平均RRC(Radio Resource Control,无线资源控制)连接用户数等。
图2示出本公开的基站的节能方法的一些实施例的示意图。
如图2所示,本公开的技术构架包括:服务Producer网元可以包括模型训练与存储层和策略推荐层;服务Producer网元可以与一个或多个服务consumer网元交互;模型训练与存储层,训练并存储预测模型,为网络节能方案提供多种预测模型(比如节能场景识别模型、业务流量预测模型);策略推荐层,基于预测模型的输出信息,运用推荐算法选择预测模型候选集,并在预测模型候选集中确定最优的模型或最优的模型组合,最后根据最优的模型或模型组合来推荐节能策略。
在步骤一中,服务consumer网元向服务producer网元发送服务请求,请求中包括关键属性:模型的构造信息、分析需求、模型标识符等。
在步骤二中,如果服务请求中包含模型的构造信息,则可以直接从consumer网元接收预测模型候选子集。
在步骤三中,如果服务请求中包含模型标识符,则可以依据模型标识符在从模型存储层获取预测模型候选子集。
在步骤四中,如果服务请求中不包含模型标识符,则依据分析需求和模型标识符的映射关系,确定模型标识符,进而从模型存储层获取预测模型候选子集。
在步骤五中,确定预测模型候选集后,利用推荐算法在预测模型候选集中确定最优的模型或最优的模型组合。
在步骤六中,根据最优的模型或模型组合来推荐节能策略,并向服务消费者提供反馈结果。
在一些实施例中,模型的构造信息可以是一个数据结构,模型参数、算法等;模型标识符可以是一个数据结构,包含模型的标识及其他可以标识模型的相关信息,比如模型参数、模型准确率、模型性能等;分析需求可以是一个数据结构,可以包含分析标识符以及其他与分析任务相关的信息,比如任务类型、时间范围、准确率要求、性能要求等。
图3示出本公开的基站的节能方法的另一些实施例的示意图。
如图3所示,Producer网元可以从自己的模型训练与存储层、其他Producer网元的模型训练与存储层、第三方平台的模型训练与存储层获取模型。
在一些实施例中,模型训练与存储层、节能策略推荐层可以被封装为一个MnS(Management Service,管理服务)。例如,可以利用MDAS(Management Data AnalysisService,管理数据分析服务)对网络数据进行分析,提供统计、分析结果以及推荐策略等。
在一些实施例中,当MnS Consumer网元向MnS Producer网元请求节能分析服务时,可以向MnS Producer网元发送模型的构造信息、模型标识符或者分析需求。
例如,模型标识符可以指定某一模型,可以是一个数据结构,可以包含模型标识符以及其他与模型相关的信息,如模型参数、模型准确率、模型性能等。
例如,分析需求可以指定某一类分析服务。分析服务的类型可以为节能分析服务。此外,分析需求还可以是一个数据结构,包含分析标识符以及其他与分析服务相关的信息,如时间范围、准确率要求、性能要求等。
在一些实施例中,依据模型标识符或分析需求从模型训练与存储层中获取预测模型候选集后,利用推荐算法在预测模型候选集中确定最优的模型或最优的模型组合;根据最优的模型或模型组合来推荐节能策略,并向服务请求者提供反馈结果。
在一些实施例中,MnS Producer网元也可以调用其他MnS Producer网元中模型训练与存储层中的模型。
在上述实施例中,通过服务请求(包括模型、模型标识符或分析需求)来确定预测模型候选集的方法中;通过接收服务请求来获取模型、模型标识符或分析需求。
如果服务请求中包含模型,则可以直接从consumer接收预测模型候选子集;如果服务请求中包含模型标识符,则通过模型标识符从模型训练与存储层中获取预测模型候选子集;如果服务请求中不包含模型标识符,则依据分析需求和模型标识符的映射关系,确定模型标识符,进而从模型训练与存储层中获取预测模型候选子集。
确定预测模型候选集后,利用推荐算法在预测模型候选集中确定最优的模型或最优的模型组合,根据最优的模型或模型组合来推荐节能策略,并向服务请求者提供反馈结果。
本公开的技术方案根据consumer网元提供的请求来指定预测模型候选集,可以节省随机筛选模型候选集所需的时间资源,从而高效准确地推荐节能策略。
在下面三种不同场景下,通过模型、模型标识符或分析需求来指定预测模型候选集:
Consumer网元可以提供预测模型:consumer网元提供模型作为预测模型候选集的子集,其中consumer网元提供的模型可以是其所有的预测模型,也可以是经过筛选的最优模型;Consumer网元可以提供模型标识符:producer通过模型标识符来确定预测模型候选子集;Consumer网元无法提供模型标识符:producer网元通过分析需求和模型标识符的映射关系来确定预测模型候选子集。
同时考虑上述场景,三种方式所确定的预测模型候选子集共同构成候选集,使解决方案更加完善。
图4示出本公开的生产者网元的一些实施例的框图。
如图4所示,生产者网元4包括接收单元41、获取单元42和确定单元43。
接收单元41接收消费者网元的服务请求,服务请求包括节能策略的预测模型的描述信息。
在一些实施例中,描述信息包括模预测模型的构造信息、标识信息、分析需求中的至少一个。
获取单元42根据描述信息,获取预测模型候选集。
在一些实施例中,获取单元42根据服务请求中不同的描述信息,分别获取预测模型候选子集;根据多个预测模型候选子集,确定预测模型候选集。
在一些实施例中,获取单元42在服务请求中包含预测模型的构造信息的情况下,从消费者网元,获取与模型的构造信息对应的预测模型候选子集,用于构成预测模型候选集。
在一些实施例中,获取单元42在服务请求中包含预测模型的标识信息的情况下,从模型存储层,获取与标识信息对应的预测模型候选子集,用于构成预测模型候选集。
在一些实施例中,获取单元42从自身的模型存储层、其他生产者网元的模型存储层、第三方平台的模型存储层中的至少一个,获取与标识信息对应的预测模型候选子集。
在一些实施例中,获取单元42在服务请求中包含预测模型的分析需求的情况下,根据分析需求和标识信息的映射关系,确定与分析需求相应的标识信息;从模型存储层,获取与标识信息对应的预测模型候选子集,用于构成预测模型候选集。
在一些实施例中,构造信息包括预测模型的模型参数、相应算法中的至少一个,标识信息包括预测模型的标识、模型准确率、模型性能信息中的至少一个,分析需求包括分析任务的标识符、分析任务的类型、分析任务的时间范围、分析任务的准确率要求、分析任务的性能需求中的至少一个。
确定单元43利用推荐算法,在预测模型候选集中确定至少一个最优预测模型,用于确定基站的节能策略。
在一些实施例中,确定单元43通过策略推荐层,利用推荐算法确定至少一个最优预测模型;通过策略推荐层,利用最优预测模型确定基站的节能策略。
在一些实施例中,生产者网元4还包括发送单元44,用于向消费者网元提供反馈结果,反馈结果包括最优预测模型和基站的节能策略。
图5示出本公开的生产者网元的另一些实施例的框图。
如图5所示,该实施例的生产者网元5包括:存储器51以及耦接至该存储器51的处理器52,处理器52被配置为基于存储在存储器51中的指令,执行本公开中任意一个实施例中的基站的节能方法。
其中,存储器51例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序Boot Loader、数据库以及其他程序等。
图6示出本公开的生产者网元的又一些实施例的框图。
如图6所示,该实施例的生产者网元6包括:存储器610以及耦接至该存储器610的处理器620,处理器620被配置为基于存储在存储器610中的指令,执行前述任意一个实施例中的基站的节能方法。
存储器610例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序Boot Loader以及其他程序等。
生产者网元6还可以包括输入输出接口630、网络接口640、存储接口650等。这些接口630、640、650以及存储器610和处理器620之间例如可以通过总线660连接。其中,输入输出接口630为显示器、鼠标、键盘、触摸屏、麦克、音箱等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口650为SD卡、U盘等外置存储设备提供连接接口。
图7示出本公开的基站的节能系统的一些实施例的框图。
如图7所示,基站的节能系统7包括:生产者网元71,用于执行上述任一个实施例中的基站的节能方法;消费者网元72,用于向生产者网元发送服务请求。
本领域内的技术人员应当明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开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,本公开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非瞬时性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。
至此,已经详细描述了根据本公开的基站的节能方法、基站的节能系统、生产者网元和非易失性计算机可读存储介质。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
可能以许多方式来实现本公开的方法和系统。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (14)
1.一种基站的节能方法,包括:
生产者网元接收消费者网元的服务请求,所述服务请求包括节能策略的预测模型的描述信息;
所述生产者网元根据所述描述信息,获取预测模型候选集;
所述生产者网元利用推荐算法,在所述预测模型候选集中确定至少一个最优预测模型,用于确定基站的节能策略。
2.根据权利要求1所述的节能方法,其中,所述描述信息包括模预测模型的构造信息、标识信息、分析需求中的至少一个。
3.根据权利要求1所述的节能方法,其中,所述根据所述描述信息获取预测模型候选集包括:
根据所述服务请求中不同的描述信息,分别获取预测模型候选子集;
根据所述多个预测模型候选子集,确定所述预测模型候选集。
4.根据权利要求2所述的节能方法,其中,所述根据所述描述信息,获取预测模型候选集包括:
在所述服务请求中包含预测模型的构造信息的情况下,所述生产者网元从所述消费者网元,获取与所述模型的构造信息对应的预测模型候选子集,用于构成所述预测模型候选集。
5.根据权利要求2所述的节能方法,其中,所述根据所述描述信息,获取预测模型候选集包括:
在所述服务请求中包含预测模型的标识信息的情况下,所述生产者网元从模型存储层,获取与所述标识信息对应的预测模型候选子集,用于构成所述预测模型候选集。
6.根据权利要求2所述的节能方法,其中,所述根据所述描述信息,获取预测模型候选集包括:
在所述服务请求中包含预测模型的分析需求的情况下,所述生产者网元根据分析需求和标识信息的映射关系,确定与所述分析需求相应的标识信息;
所述生产者网元从模型存储层,获取与所述标识信息对应的预测模型候选子集,用于构成所述预测模型候选集。
7.根据权利要求2所述的节能方法,其中,
所述构造信息包括预测模型的模型参数、相应算法中的至少一个,
所述标识信息包括预测模型的标识、模型准确率、模型性能信息中的至少一个,
所述分析需求包括分析任务的标识符、分析任务的类型、分析任务的时间范围、分析任务的准确率要求、分析任务的性能需求中的至少一个。
8.根据权利要求5或6所述的节能方法,其中,所述从模型存储层,获取与所述标识信息对应的预测模型候选子集包括:
所述生产者网元从自身的模型存储层、其他生产者网元的模型存储层、第三方平台的模型存储层中的至少一个,获取与所述标识信息对应的预测模型候选子集。
9.根据权利要求1-7任一项所述的节能方法,其中,所述利用推荐算法,在所述预测模型候选集中确定至少一个最优预测模型,用于确定基站的节能策略包括:
所述生产者网元通过策略推荐层,利用推荐算法确定至少一个最优预测模型;
所述生产者网元通过策略推荐层,利用所述最优预测模型确定基站的节能策略。
10.根据权利要求1-7任一项所述的节能方法,还包括:
所述生产者网元向所述消费者网元提供反馈结果,所述反馈结果包括所述最优预测模型和所述基站的节能策略。
11.一种生产者网元,包括:
接收单元,用于接收消费者网元的服务请求,所述服务请求包括节能策略的预测模型的描述信息;
获取单元,用于根据所述描述信息,获取预测模型候选集;
确定单元,用于利用推荐算法,在所述预测模型候选集中确定至少一个最优预测模型,用于确定基站的节能策略。
12.一种基站的节能系统,包括:
生产者网元,用于执行权利要求1-10任一项所述的基站的节能方法;
消费者网元,用于向所述生产者网元发送服务请求。
13.一种生产者网元,包括:
存储器;和
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器中的指令,执行权利要求1-10任一项所述的基站的节能方法。
14.一种非易失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权利要求1-10任一项所述的基站的节能方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738874.7A CN115551055B (zh) | 2021-06-30 | 2021-06-30 | 基站的节能方法、系统和生产者网元 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110738874.7A CN115551055B (zh) | 2021-06-30 | 2021-06-30 | 基站的节能方法、系统和生产者网元 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115551055A true CN115551055A (zh) | 2022-12-30 |
CN115551055B CN115551055B (zh) | 2024-09-03 |
Family
ID=84716873
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110738874.7A Active CN115551055B (zh) | 2021-06-30 | 2021-06-30 | 基站的节能方法、系统和生产者网元 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115551055B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110620822A (zh) * | 2019-09-27 | 2019-12-27 | 腾讯科技(深圳)有限公司 | 一种网元确定方法和装置 |
CN112866021A (zh) * | 2021-01-12 | 2021-05-28 | 中移(成都)信息通信科技有限公司 | 基于深度强化学习的ai智慧节能动态控制方法 |
CN113055903A (zh) * | 2019-12-26 | 2021-06-29 | 中国电信股份有限公司 | 用于基站的节能关断的方法、设备和介质 |
CN113055990A (zh) * | 2020-07-27 | 2021-06-29 | 东联信息技术有限公司 | 基于大数据挖掘及ai调度的无线基站的节能降耗方法及系统 |
-
2021
- 2021-06-30 CN CN202110738874.7A patent/CN115551055B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110620822A (zh) * | 2019-09-27 | 2019-12-27 | 腾讯科技(深圳)有限公司 | 一种网元确定方法和装置 |
CN113055903A (zh) * | 2019-12-26 | 2021-06-29 | 中国电信股份有限公司 | 用于基站的节能关断的方法、设备和介质 |
CN113055990A (zh) * | 2020-07-27 | 2021-06-29 | 东联信息技术有限公司 | 基于大数据挖掘及ai调度的无线基站的节能降耗方法及系统 |
CN112866021A (zh) * | 2021-01-12 | 2021-05-28 | 中移(成都)信息通信科技有限公司 | 基于深度强化学习的ai智慧节能动态控制方法 |
Non-Patent Citations (3)
Title |
---|
""SG2-LS155-Att1-TD1107R1"", 3GPP INBOX\\LSS_FROM_EXTERNAL_BODIES, 10 June 2020 (2020-06-10), pages 7 * |
HUAWEI, HISILICON: "S2-1907431 "Update to NF Load Analytics"", 3GPP TSG_SA\\WG2_ARCH, no. 2, 18 June 2019 (2019-06-18) * |
ITU-T SG2: "S5-204036 "Ls cc SA5 on LS on M.resm-AI "Requirements for energy saving management of 5G RAN system with AI""", 3GPP TSG_SA\\WG5_TM, no. 5, 21 July 2020 (2020-07-21) * |
Also Published As
Publication number | Publication date |
---|---|
CN115551055B (zh) | 2024-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11297601B2 (en) | Resource allocation method and orchestrator for network slicing in the wireless access network | |
US10805171B1 (en) | Understanding network entity relationships using emulation based continuous learning | |
KR102091126B1 (ko) | IoT 데이터 분석을 위한 에지-클라우드 협업 시스템 및 이의 운용방법 | |
US11539590B2 (en) | Detect impact of network maintenance in software defined infrastructure | |
KR101487579B1 (ko) | 디바이스 소셜리티 구성 시스템 및 방법 | |
US20150244645A1 (en) | Intelligent infrastructure capacity management | |
CN104981768A (zh) | 基于云的串流数据接收机和保存程序 | |
EP3818446A1 (en) | Methods and systems for dynamic service performance prediction using transfer learning | |
US20230412705A1 (en) | Methods and internet of things systems for information interaction management based on smart gas data centers | |
CN113688490A (zh) | 网络共建共享处理方法、装置、设备及存储介质 | |
CN115543577A (zh) | 基于协变量的Kubernetes资源调度优化方法、存储介质及设备 | |
CN111163482A (zh) | 数据的处理方法、设备及存储介质 | |
EP4222934A1 (en) | Determining conflicts between kpi targets in a communications network | |
CN114172819B (zh) | Nfv网元的需求资源预测方法、系统、电子设备和存储介质 | |
CN115150970A (zh) | 一种网络连接的方法及装置 | |
CN112925634A (zh) | 异构资源调度方法和系统 | |
CN108604996B (zh) | 一种nfv系统中的策略传输方法和装置 | |
CN114356712A (zh) | 数据处理方法、装置、设备、可读存储介质及程序产品 | |
Wu | Analysis of offloading decision making in mobile cloud computing | |
CN112541556A (zh) | 模型构建优化方法、设备、介质及计算机程序产品 | |
CN115551055B (zh) | 基站的节能方法、系统和生产者网元 | |
CN117294743A (zh) | 一种构建方法、第一通信节点、存储介质及构建系统 | |
CN115002215A (zh) | 面向云上政企的资源分配模型训练方法以及资源分配方法 | |
US20210103830A1 (en) | Machine learning based clustering and patterning system and method for network traffic data and its application | |
Mohandas et al. | Signal processing with machine learning for context awareness in 5G communication technology |
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 |