CN116390165B - 一种数据驱动的蜂窝基站动态管理方法与系统 - Google Patents
一种数据驱动的蜂窝基站动态管理方法与系统 Download PDFInfo
- Publication number
- CN116390165B CN116390165B CN202310224248.5A CN202310224248A CN116390165B CN 116390165 B CN116390165 B CN 116390165B CN 202310224248 A CN202310224248 A CN 202310224248A CN 116390165 B CN116390165 B CN 116390165B
- Authority
- CN
- China
- Prior art keywords
- remote radio
- baseband processing
- processing unit
- base station
- radio head
- 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
- 230000001413 cellular effect Effects 0.000 title claims abstract description 71
- 238000007726 management method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 151
- 238000000034 method Methods 0.000 claims abstract description 101
- 238000005457 optimization Methods 0.000 claims abstract description 97
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000013507 mapping Methods 0.000 claims abstract description 32
- 230000009471 action Effects 0.000 claims abstract description 29
- 238000005265 energy consumption Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000002699 waste material Substances 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims 1
- 239000004065 semiconductor Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种数据驱动的蜂窝基站动态管理方法与系统，本方法获取包含射频拉远头和基带处理单元的蜂窝基站数据集，并从蜂窝基站数据集中获得射频拉远头的表示特征；根据射频拉远头的表示特征构建射频拉远头的流行度指标；采用带约束条件的聚类方法对射频拉远头的流行度指标进行分类，获得射频拉远头的分类结果；根据分类结果建立基带处理单元的总优化目标；根据基带处理单元的总优化目标建立马尔可夫决策过程模型；采用异步优势动作评价方法对马尔可夫决策过程模型进行网络训练，获得射频拉远头到基带处理单元的连接映射结果；根据连接映射结果动态管理蜂窝基站。本发明能提高基带处理单元的利用率，减少能耗，使用户连接负载更均衡。
Description
技术领域
本发明涉及无线通信技术领域，尤其是涉及一种数据驱动的蜂窝基站动态管理方法与系统。
背景技术
为应对快速增长的移动用户和激增的流量需求，网络运营商正在部署越来越多的基站以扩大网络覆盖规模，增加更强大的处理单元以增加网络容量。基站部署规模的增加导致运营商的运营支出大幅度上升，云无线接入网(C-RAN)的诞生能够使得蜂窝网络实现动态资源分配，更好的实现基站管理并节约成本。在C-RAN中传统基站被分为分布式射频拉远头(RRH)和集中式基带处理池(BBU Pool)，多个RRH可以连接到一个基带处理单元(BBU)上，共享处理能力以提高BBU的利用率和提高网络的成本效益。如何构建RRH到BBU之间的连接映射，成为C-RAN架构下基站管理的一个重要问题，主要包含三个优化目标：1)提高BBU的资源利用效率，2)使BBU整体能源消耗最小，3)使BBU用户连接负载均衡。
现有的RRH到BBU的连接映射方法有以下缺点：第一，大部分算法只考虑一个或者两个优化目标，很少同时考虑三个优化目标。同时对三个目标同时进行建模和优化是较为困难的。第二，目前大部分算法只在小规模的仿真数据下进行实验，很少有算法是针对大规模城市场景。在现实情况下进行城市级别的基站管理会出现基站数量庞大、数据特征维度多的问题，导致算法花费时间长，失去时效性，以及花费CPU资源过多，开销大的情况。在一些优化算法中，可能还会导致算法无法收敛，达不到最优解。因此，需要设计算法降低基站管理规模。第三，用户具有移动性，会在基站中高频切换。用户的移动性导致了基站的连接人数、连接流量等特征随时序高度变化，基站特征呈现高度动态性。因此以往静态的、一劳永逸的基站管理方案是不适用的。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种数据驱动的蜂窝基站动态管理方法与系统，能够提高基带处理单元的利用率，减少能耗，使用户连接负载更均衡。
第一方面，本发明实施例提供了一种数据驱动的蜂窝基站动态管理方法，所述数据驱动的蜂窝基站动态管理方法包括：
获取包含射频拉远头和基带处理单元的蜂窝基站数据集，并从所述蜂窝基站数据集中获得射频拉远头的表示特征；所述表示特征用于表征所述射频拉远头的连接流量大小特征、所述射频拉远头的连接人数特征和所述射频拉远头的特定用户占比特征；
根据所述射频拉远头的表示特征构建射频拉远头的流行度指标；所述流行度指标用于从多角度来表征蜂窝基站的偏好属性；
采用带约束条件的聚类方法对所述射频拉远头的流行度指标进行分类，获得射频拉远头的分类结果；
根据所述射频拉远头的分类结果建立基带处理单元的总优化目标；所述总优化目标用于优化所述基带处理单元的资源浪费率、用户连接负载均衡和能耗；
根据所述基带处理单元的总优化目标建立马尔可夫决策过程模型；
采用异步优势动作评价方法对所述马尔可夫决策过程模型进行网络训练，获得射频拉远头到基带处理单元的连接映射结果；
根据所述连接映射结果动态管理所述蜂窝基站。
与现有技术相比，本发明第一方面具有以下有益效果：
本方法通过获取包含射频拉远头和基带处理单元的蜂窝基站数据集，并从蜂窝基站数据集中获得射频拉远头的表示特征，根据射频拉远头的表示特征构建射频拉远头的流行度指标，采用带约束条件的聚类方法对射频拉远头的流行度指标进行分类，获得射频拉远头的分类结果，根据流行度指标通过带约束条件的聚类方法分类出连接偏好相似的射频拉远头，能够防止每一类射频拉远头数量相差过多，导致后续射频拉远头到基带处理单元映射时出现不均衡的现象；通过根据射频拉远头的分类结果建立基带处理单元的总优化目标，能够降低后续异步优势动作评价方法的时间复杂度，并达到总优化目标的最优值；根据基带处理单元的总优化目标建立马尔可夫决策过程模型，通过根据总优化目标建立的马尔可夫决策过程模型进行优化能够提高基带处理单元的利用率，减少能耗，使用户连接负载更均衡；采用异步优势动作评价方法对马尔可夫决策过程模型进行网络训练，获得射频拉远头到基带处理单元的连接映射结果，根据连接映射结果动态管理蜂窝基站，通过异步优势动作评价方法中的异步并行方式加快网络训练，有效解决动作空间过大的问题。
根据本发明的一些实施例，通过如下方式获得所述射频拉远头的表示特征：
其中，表示t时刻的射频拉远头n的连接流量大小特征，/>表示t时刻的射频拉远头n的连接人数特征，/>表示t时刻的射频拉远头n的特定用户占比特征。
根据本发明的一些实施例，通过如下方式构建所述射频拉远头的流行度指标：
其中，α表示所述射频拉远头的连接流量大小特征的加权权重，β表示所述射频拉远头的连接人数特征的加权权重，γ表示所述射频拉远头的特定用户占比特征的加权权重，N表示射频拉远头的总数。
根据本发明的一些实施例，所述采用带约束条件的聚类方法对所述射频拉远头的流行度指标进行分类，获得射频拉远头的分类结果，包括：
根据所述射频拉远头的流行度指标，获取预设时间段的流行度指标序列；
将所述流行度指标序列输入至带约束条件的聚类方法K-Means中进行分类，获得射频拉远头的分类结果。
根据本发明的一些实施例，通过如下方式定义所述约束条件：
其中，Nk表示被分到第k个类的射频拉远头集合，min表示第k个类的最小射频拉远头数量，max表示第k个类的最大射频拉远头数量，In,k＝1表示第n个射频拉远头属于第k类，In,k＝0表示第n个射频拉远头不属于第k类，K表示总类别数。
根据本发明的一些实施例，所述根据所述射频拉远头的分类结果建立基带处理单元的总优化目标，包括：
根据所述射频拉远头的分类结果建立t时刻的基带处理单元的资源浪费率最小优化目标：
根据所述射频拉远头的分类结果建立t时刻的基带处理单元的用户连接负载均衡优化目标：
根据所述射频拉远头的分类结果建立t时刻的基带处理单元的能耗最小优化目标：
根据所述资源浪费率最小优化目标、所述用户连接负载均衡优化目标和所述能耗最小优化目标，建立基带处理单元的总优化目标：
其中，K`(t)表示t时刻的资源浪费率最小优化目标，表示t时刻处于活跃状态的基带处理单元的集合，tramax表示基带处理单元能提供的最大流量资源，/>表示t时刻的射频拉远头n的连接流量大小特征，/>表示t时刻的第k类射频拉远头和第m个基带处理单元的连接状态，Q(t)表示t时刻的用户连接负载均衡优化目标，/>表示在t时刻基带处理单元中最大的用户数，M表示基带处理单元的总数，K表示总类别数，N表示射频拉远头的总数，/>表示t时刻的射频拉远头n的连接人数特征，In,k表示所述射频拉远头n的分类结果，C(t)表示t时刻的能耗最小优化目标，Pactive表示单个基带处理单元处于活跃状态的电能消耗，/>表示t时刻处于休眠状态的基带处理单元的集合，Psleep表示单个基带处理单元处于休眠状态的电能消耗。
根据本发明的一些实施例，所述根据所述基带处理单元的总优化目标建立马尔可夫决策过程模型，包括：
建立马尔可夫决策过程模型在时刻t的状态信息s(t)为：
s(t)＝[al(t),tr(t),ur(t),su(t)]
在时刻t，系统动作a(t)定义为：
a(t)＝[a1(t),…,aK(t)]
根据定义的所述系统动作，建立马尔可夫决策过程模型系统的动作空间为：
根据所述基带处理单元的总优化目标建立马尔可夫决策过程模型的奖励函数为：
R(t)＝-[K`(t)+C(t)+Q(t)]
其中，al(t)表示t时刻射频拉远头和基带处理单元的分配结果，tr(t)表示t时刻射频拉远头簇需要的流量，ur(t)表示t时刻射频拉远头簇连接的用户数量、su(t)表示t时刻基带处理单元剩余可分配流量，表示第k簇射频拉远头分配的基带处理单元序号， R(t)表示奖励值，ak(t)表示第k个类的射频拉远头对应的系统动作。
第二方面，本发明实施例还提供了一种数据驱动的蜂窝基站动态管理系统，所述数据驱动的蜂窝基站动态管理系统包括：
数据获取单元，用于获取包含射频拉远头和基带处理单元的蜂窝基站数据集，并从所述蜂窝基站数据集中获得射频拉远头的表示特征；所述表示特征用于表征所述射频拉远头的连接流量大小特征、所述射频拉远头的连接人数特征和所述射频拉远头的特定用户占比特征；
指标构建单元，用于根据所述射频拉远头的表示特征构建射频拉远头的流行度指标；所述流行度指标用于从多角度来表征基站的偏好属性；
数据分类单元，用于采用带约束条件的聚类方法对所述射频拉远头的流行度指标进行分类，获得射频拉远头的分类结果；
目标建立单元，用于根据所述射频拉远头的分类结果建立基带处理单元的总优化目标；所述总优化目标用于优化资源浪费率、用户连接负载均衡和能耗；
模型建立单元，用于根据所述基带处理单元的总优化目标建立马尔可夫决策过程模型；
网络训练单元，用于采用异步优势动作评价方法对所述马尔可夫决策过程模型进行网络训练，获得射频拉远头到基带处理单元的连接映射结果；
基站管理单元，用于根据所述连接映射结果动态管理所述蜂窝基站。
第三方面，本发明实施例还提供了一种数据驱动的蜂窝基站动态管理设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上所述的一种数据驱动的蜂窝基站动态管理方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的一种数据驱动的蜂窝基站动态管理方法。
可以理解的是，上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例的一种数据驱动的蜂窝基站动态管理方法的流程图；
图2是本发明一实施例的射频拉远头特定用户占比和连接流量关系的示意图；
图3是本发明一实施例的射频拉远头特定用户占比和连接用户数关系的示意图；
图4是本发明一实施例的A3C训练收敛的示意图；
图5是本发明一实施例的对比实验结果的示意图；
图6是本发明一实施例的一种数据驱动的蜂窝基站动态管理系统的结构图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
现有的RRH到BBU的连接映射方法有以下缺点：第一，大部分算法只考虑一个或者两个优化目标，很少同时考虑三个优化目标。同时对三个目标同时进行建模和优化是较为困难的。第二，目前大部分算法只在小规模的仿真数据下进行实验，很少有算法是针对大规模城市场景。在现实情况下进行城市级别的基站管理会出现基站数量庞大、数据特征维度多的问题，导致算法花费时间长，失去时效性，以及花费CPU资源过多，开销大的情况。在一些优化算法中，可能还会导致算法无法收敛，达不到最优解。因此，需要设计算法降低基站管理规模。第三，用户具有移动性，会在基站中高频切换。用户的移动性导致了基站的连接人数、连接流量等特征随时序高度变化，基站特征呈现高度动态性。因此以往静态的、一劳永逸的基站管理方案是不适用的。
为解决上述问题，本发明通过获取包含射频拉远头和基带处理单元的蜂窝基站数据集，并从蜂窝基站数据集中获得射频拉远头的表示特征，根据射频拉远头的表示特征构建射频拉远头的流行度指标，采用带约束条件的聚类方法对射频拉远头的流行度指标进行分类，获得射频拉远头的分类结果，根据流行度指标通过带约束条件的聚类方法分类出连接偏好相似的射频拉远头，能够防止每一类射频拉远头数量相差过多，导致后续射频拉远头到基带处理单元映射时出现不均衡的现象；通过根据射频拉远头的分类结果建立基带处理单元的总优化目标，能够降低后续异步优势动作评价方法的时间复杂度，并达到总优化目标的最优值；根据基带处理单元的总优化目标建立马尔可夫决策过程模型，通过根据总优化目标建立的马尔可夫决策过程模型进行优化能够提高基带处理单元的利用率，减少能耗，使用户连接负载更均衡；采用异步优势动作评价方法对马尔可夫决策过程模型进行网络训练，获得射频拉远头到基带处理单元的连接映射结果，根据连接映射结果动态管理蜂窝基站，通过异步优势动作评价方法中的异步并行方式加快网络训练，有效解决动作空间过大的问题。
参照图1，本发明实施例提供了一种数据驱动的蜂窝基站动态管理方法，本数据驱动的蜂窝基站动态管理方法包括但不限于步骤S100至步骤S700，其中：
步骤S100、获取包含射频拉远头和基带处理单元的蜂窝基站数据集，并从蜂窝基站数据集中获得射频拉远头的表示特征；表示特征用于表征射频拉远头的连接流量大小特征、射频拉远头的连接人数特征和射频拉远头的特定用户占比特征；
步骤S200、根据射频拉远头的表示特征构建射频拉远头的流行度指标；流行度指标用于从多角度来表征蜂窝基站的偏好属性；
步骤S300、采用带约束条件的聚类方法对射频拉远头的流行度指标进行分类，获得射频拉远头的分类结果；
步骤S400、根据射频拉远头的分类结果建立基带处理单元的总优化目标；总优化目标用于优化基带处理单元的资源浪费率、用户连接负载均衡和能耗；
步骤S500、根据基带处理单元的总优化目标建立马尔可夫决策过程模型；
步骤S600、采用异步优势动作评价方法对马尔可夫决策过程模型进行网络训练，获得射频拉远头到基带处理单元的连接映射结果；
步骤S700、根据连接映射结果动态管理蜂窝基站。
在一些实施例的步骤S100至步骤S700中，为了避免出现不均衡的现象，本实施例通过获取包含射频拉远头和基带处理单元的蜂窝基站数据集，并从蜂窝基站数据集中获得射频拉远头的表示特征，根据射频拉远头的表示特征构建射频拉远头的流行度指标，采用带约束条件的聚类方法对射频拉远头的流行度指标进行分类，获得射频拉远头的分类结果；为了降低后续异步优势动作评价方法的时间复杂度，并达到总优化目标的最优值，本实施例通过根据射频拉远头的分类结果建立基带处理单元的总优化目标；为了提高基带处理单元的利用率，减少能耗，使用户连接负载更均衡，本实施例通过根据基带处理单元的总优化目标建立马尔可夫决策过程模型；为了有效解决动作空间过大的问题，本实施例采用异步优势动作评价方法对马尔可夫决策过程模型进行网络训练，获得射频拉远头到基带处理单元的连接映射结果，根据连接映射结果动态管理蜂窝基站。
在一些实施例中，通过如下方式获得射频拉远头的表示特征：
其中，表示t时刻的射频拉远头n的连接流量大小特征，/>表示t时刻的射频拉远头n的连接人数特征，/>表示t时刻的射频拉远头n的特定用户占比特征。
在本实施例中，选取了多维度特征，为后续动态管理蜂窝基站提供基础。
在一些实施例中，通过如下方式构建射频拉远头的流行度指标：
其中，α表示射频拉远头的连接流量大小特征的加权权重，β表示射频拉远头的连接人数特征的加权权重，γ表示射频拉远头的特定用户占比特征的加权权重，N表示射频拉远头的总数。
在一些实施例中，采用带约束条件的聚类方法对射频拉远头的流行度指标进行分类，获得射频拉远头的分类结果，包括：
根据射频拉远头的流行度指标，获取预设时间段的流行度指标序列；
将流行度指标序列输入至带约束条件的聚类方法K-Means中进行分类，获得射频拉远头的分类结果。
在本实施例中，对每一个射频拉远头进行单独分配会有导致动作空间过于庞大和稀疏，使得算法无法收敛的问题存在。本实施例的流行度指标从多角度综合表征了蜂窝基站的偏好属性，采用带约束条件的聚类方法K-Means将具有相似连接偏好的射频拉远头分为一类，并以此作为后续映射的最小单位的方法可以解决这个问题。并根据流行度指标通过聚类方法分类出连接偏好的射频拉远头，能够防止每一类射频拉远头数量相差过多，导致后续射频拉远头到基带处理单元映射时出现不均衡的现象。
在一些实施例中，通过如下方式定义约束条件：
其中，Nk表示被分到第k个类的射频拉远头集合，min表示第k个类的最小射频拉远头数量，max表示第k个类的最大射频拉远头数量，In,k＝1表示第n个射频拉远头属于第k类，In,k＝0表示第n个射频拉远头不属于第k类，K表示总类别数。
在一些实施例中，根据射频拉远头的分类结果建立基带处理单元的总优化目标，包括：
根据射频拉远头的分类结果建立t时刻的基带处理单元的资源浪费率最小优化目标：
根据射频拉远头的分类结果建立t时刻的基带处理单元的用户连接负载均衡优化目标：
根据射频拉远头的分类结果建立t时刻的基带处理单元的能耗最小优化目标：
根据资源浪费率最小优化目标、用户连接负载均衡优化目标和能耗最小优化目标，建立基带处理单元的总优化目标：
其中，K`(t)表示t时刻的资源浪费率最小优化目标，表示t时刻处于活跃状态的基带处理单元的集合，tramax表示基带处理单元能提供的最大流量资源，/>表示t时刻的射频拉远头n的连接流量大小特征，/>表示t时刻的第k类射频拉远头和第m个基带处理单元的连接状态，Q(t)表示t时刻的用户连接负载均衡优化目标，/>表示在t时刻基带处理单元中最大的用户数，M表示基带处理单元的总数，K表示总类别数，N表示射频拉远头的总数，/>表示t时刻的射频拉远头n的连接人数特征，In,k表示射频拉远头n的分类结果，C(t)表示t时刻的能耗最小优化目标，Pactive表示单个基带处理单元处于活跃状态的电能消耗，/>表示t时刻处于休眠状态的基带处理单元的集合，Psleep表示单个基带处理单元处于休眠状态的电能消耗。
在本实施例中，建立了多目标的优化问题，包括资源浪费率最小优化目标、用户连接负载均衡优化目标和能耗最小优化目标，能够降低后续异步优势动作评价方法的时间复杂度，并达到总优化目标的最优值，从多个角度降低运营商的成本。
在一些实施例中，根据基带处理单元的总优化目标建立马尔可夫决策过程模型，包括：
建立马尔可夫决策过程模型在时刻t的状态信息s(t)为：
s(t)＝[al(t),tr(t),ur(t),su(t)]
在时刻t，系统动作a(t)定义为：
a(t)＝[a1(t),…,aK(t)]
根据定义的系统动作，建立马尔可夫决策过程模型系统的动作空间为：
根据基带处理单元的总优化目标建立马尔可夫决策过程模型的奖励函数为：
R(t)＝-[K`(t)+C(t)+Q(t)]
其中，al(t)表示t时刻射频拉远头和基带处理单元的分配结果，tr(t)表示t时刻射频拉远头簇需要的流量，ur(t)表示t时刻射频拉远头簇连接的用户数量、su(t)表示t时刻基带处理单元剩余可分配流量，表示第k簇射频拉远头分配的基带处理单元序号， R(t)表示奖励值，ak(t)表示第k个类的射频拉远头对应的系统动作。
在本实施例中，通过根据总优化目标建立的马尔可夫决策过程模型进行优化能够提高基带处理单元的利用率(即通过最小化资源浪费率来提高基带处理单元的利用率)，减少能耗，使用户连接负载更均衡。
为方便本领域人员理解，以下提供一组最佳实施例：
1、生成数据集。
获取3万基站一个星期的连接情况作为初始数据集，从初始数据集中筛选出活跃基站2.6万个，其中收集了一周以小时为单位的基站的流量连接情况、用户连接人数、用户年龄等信息，生成筛选后的数据集。
2、特征选择。
根据射频拉远头(Remote Radio Head，RRH)的流量连接情况和用户连接人数相关设计的优化目标，首先选取射频拉远头每个小时的流量连接情况和用户连接人数作为基本特征，然后选取特定用户占比加入基本特征。因为，本实施例认为特定用户在基站中占有的比例在一定程度上表征了基站的连接情况，例如，年轻用户占比。
以年轻用户占比作为例子，本实施例将射频拉远头连接中18至24岁的用户占比作为基站的年轻用户比例。通过图2和图3，可以看出年轻用户占比较高的射频拉远头在白天会有更多的流量和连接人数，活跃度更高。因此，本实施例认为射频拉远头年轻用户占比可以从侧面反映射频拉远头的连接偏好，具有连接特性，因此将年轻用户占比加入基本特征中。
在一个城市C-RAN架构中，总共收集了包含N个射频拉远头、M个基带处理单元(Baseband Unit，BBU)和T个小时的数据。选取好特征后，对于第n个射频拉远头n,n∈N，在时间t,t∈T，本实施例将选取好的特征表示如下：
其中，表示t时刻的射频拉远头n的连接流量大小特征，/>表示t时刻的射频拉远头n的连接人数特征，/>表示t时刻的射频拉远头n的特定用户占比特征。
3、射频拉远头的流行度指标构建。
通过步骤2的特征选择步骤后，了解到射频拉远头的流量连接情况、用户连接人数和特定用户占比都反映了基站的连接情况，本实施例使用这三个特征构建射频拉远头的流行度指标。射频拉远头的流行度指标从不同角度综合表征了基站的偏好属性，对于射频拉远头n在时间t下的流行度指标定义如下：
其中，α表示射频拉远头的连接流量大小特征的加权权重，β表示射频拉远头的连接人数特征的加权权重，γ表示射频拉远头的特定用户占比特征的加权权重，N表示射频拉远头的总数。
4、射频拉远头的聚类。
通过射频拉远头的流行度指标中所包含的流量连接情况、用户连接人数、特定用户占比等信息，将具有相似连接偏好的射频拉远头分为一类，可以降低后续射频拉远头到基带处理单元分配方法的复杂度，并且达到总优化目标的最优值。聚类特征为射频拉远头流行度指标基于时间构建的流行度指标序列:对流行度指标序列采用带有约束条件的K-Means聚类方法进行射频拉远头的聚类，使得射频拉远头共分为K个类，其中设定约束条件为：
/>
其中，Nk表示被分到第k个类的射频拉远头集合，min表示第k个类的最小射频拉远头数量，max表示第k个类的最大射频拉远头数量，In,k＝1表示第n个射频拉远头属于第k类，In,k＝0表示第n个射频拉远头不属于第k类，K表示总类别数。
5、建立优化目标。
将步骤4分类后的射频拉远头簇作为射频拉远头到基带处理单元映射的最小单位，这样有利于降低映射方法的状态空间和动作空间的大小。本实施例定义为t时刻射频拉远头类别k和第m个基带处理单元m的连接状态，/>表示第k类的射频拉远头被分配到了基带处理单元m上，/>表示第k类的射频拉远头没有被分配到基带处理单元m，t时刻的射频拉远头到基带处理单元的映射方案为：/>由于同一时刻一种射频拉远头只能连接一个基带处理单元，因此，具有如下约束：
本实施例整体的优化目标包括三个方面：基带处理单元的资源浪费率最小优化目标、基带处理单元的用户连接负载均衡优化目标、基带处理单元的能耗最小优化目标。具体为：
基带处理单元的电源消耗是运营商电力成本中的一个重要组成，在基带处理单元不使用的时候及时休眠基带处理单元可以节约大量的电力成本。基带处理单元主要由两个状态组成：活跃状态和休眠状态。定义为处于活跃状态的基带处理单元的集合，为处于休眠状态的基带处理单元的集合，Pactive和Psleep分别为单个基带处理单元在活跃和休眠时的电能消耗。t时刻的基带处理单元的能耗C(t)定义如下：
基带处理单元的资源利用率是一个重要的指标，用来衡量射频拉远头的流量占基带处理单元流量的大小，因此，t时刻的资源利用率K(t)定义如下：
本实施例的基带处理单元用户连接负载均衡用不同基带处理单元之间的连接用户数标准差去衡量，因此，t时刻的用户连接负载均衡Q(t)定义如下：
为了统一最大化或最小化优化目标，本实施例将资源利用率最大化优化目标K(t)转换为资源浪费率最小化优化目标K`(t)，K`(t)定义为：
根据资源浪费率最小优化目标、用户连接负载均衡优化目标和能耗最小优化目标，建立基带处理单元的总优化目标为：
其中，tramax表示基带处理单元能提供的最大流量资源，表示t时刻的射频拉远头n的连接流量大小特征，/>表示t时刻的第k类射频拉远头和第m个基带处理单元的连接状态，/>表示在t时刻基带处理单元中最大的用户数，M表示基带处理单元的总数，K表示总类别数，N表示被分到第k个类的射频拉远头集合的总数，/>表示t时刻的射频拉远头n的连接人数特征，In,k表示射频拉远头n的分类结果。
6、建立马尔可夫决策过程模型。
在本实施例中，射频拉远头到基带处理单元的映射问题可以描述为马尔可夫决策过程。马尔可夫决策过程模型包括状态空间、动作空间、奖励函数，具体表示如下：
1)状态空间
用al(t),tr(t),ur(t),su(t)分别表示t时刻射频拉远头到基带处理单元的分配结果、射频拉远头簇需要的流量、射频拉远头簇连接的用户数量、基带处理单元剩余可分配流量。具体定义如下：
其中，表示第k簇射频拉远头分配的基带处理单元序号，/>
在t时刻的状态信息可以描述为：
s(t)＝[al(t),tr(t),ur(t),su(t)]
2)动作空间
在t时刻，系统动作定义为：
a(t)＝[a1(t),…,aK(t)]
系统的动作空间可以表示为：
3)奖励函数
本实施例旨在降低整体系统的成本及资源浪费，而奖励值应该是以最大化为目标的，因此在t时刻返回的奖励值可以被定义为：
R(t)＝-[K`(t)+C(t)+Q(t)]
7、采用异步优势动作评价方法训练网络。
异步优势动作评价方法(A3C)是强化学习中的一种策略梯度方法，通过A3C方法来解决上述的马尔可夫决策过程问题。参照图4，通过A3C中异步并行的方式加快了网络训练，有效解决动作空间过大的问题。
8、蜂窝基站动态管理。
通过上述的射频拉远头分类和异步优势动作评价方法，本实施例得到了最终的射频拉远头到基带处理单元的连接映射结果，根据射频拉远头到基带处理单元的连接映射结果对蜂窝基站进行动态管理。
9、性能评估及对比方法。
本实施例从基带处理单元的利用率、基带处理单元的能耗、基带处理单元的用户连接标准差、算法的花费时间四个指标上对射频拉远头到基带处理单元的连接映射结果进行了多角度的评估，并且将本实施例的技术方案(即K-Means分类+A3C)与贪婪算法、随机对射频拉远头进行分类并使用A3C方法的算法(即随机分类+A3C)、不分类并使用A3C算法进行比较，比较结果如图5所示，从图5中可以看出本实施例技术方案通过对射频拉远头的流行度指标分类后使用A3C方法花费更少的时间，得到更高的基带处理单元利用率、更少的能耗和更均衡的用户连接负载。
本实施例是一种针对大规模城市级别场景下的蜂窝基站管理方法，有如下优点：
以节约运营商成本为总目标，构建了蜂窝基站的流行度指标，适用于具有多个优化目标、动态性高的大规模城市级别射频拉远头到基带处理单元的映射问题，使优化问题能够更快更好的到达收敛效果并得到最优解。本实施例的技术方案可广泛应用在各种场景下的蜂窝基站管理问题上，能够动态管理各种场景下的蜂窝基站。
参照图6，本发明实施例还提供了一种数据驱动的蜂窝基站动态管理系统，本数据驱动的蜂窝基站动态管理系统包括数据获取单元100、指标构建单元200、数据分类单元300、目标建立单元400、模型建立单元500、网络训练单元600以及基站管理单元700，其中：
数据获取单元100，用于获取包含射频拉远头和基带处理单元的蜂窝基站数据集，并从蜂窝基站数据集中获得射频拉远头的表示特征；表示特征用于表征射频拉远头的连接流量大小特征、射频拉远头的连接人数特征和射频拉远头的特定用户占比特征；
指标构建单元200，用于根据射频拉远头的表示特征构建射频拉远头的流行度指标；流行度指标用于从多角度来表征基站的偏好属性；
数据分类单元300，用于采用带约束条件的聚类方法对射频拉远头的流行度指标进行分类，获得射频拉远头的分类结果；
目标建立单元400，用于根据射频拉远头的分类结果建立基带处理单元的总优化目标；总优化目标用于优化资源浪费率、用户连接负载均衡和能耗；
模型建立单元500，用于根据基带处理单元的总优化目标建立马尔可夫决策过程模型；
网络训练单元600，用于采用异步优势动作评价方法对马尔可夫决策过程模型进行网络训练，获得射频拉远头到基带处理单元的连接映射结果；
基站管理单元700，用于根据连接映射结果动态管理蜂窝基站。
需要说明的是，由于本实施例中的一种数据驱动的蜂窝基站动态管理系统与上述的一种数据驱动的蜂窝基站动态管理方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本系统实施例，此处不再详述。
本发明实施例还提供了一种数据驱动的蜂窝基站动态管理设备，包括：至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的一种数据驱动的蜂窝基站动态管理方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的一种数据驱动的蜂窝基站动态管理方法，例如，执行以上描述的图1中的方法步骤S100至步骤S700。
以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的一种数据驱动的蜂窝基站动态管理方法，例如，执行以上描述的图1中的方法步骤S100至步骤S700的功能。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上是对本申请实施例的较佳实施进行了具体说明，但本申请实施例并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请实施例精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请实施例权利要求所限定的范围内。
Claims (10)
1.一种数据驱动的蜂窝基站动态管理方法，其特征在于，所述数据驱动的蜂窝基站动态管理方法包括：
获取包含射频拉远头和基带处理单元的蜂窝基站数据集，并从所述蜂窝基站数据集中获得射频拉远头的表示特征；所述表示特征用于表征所述射频拉远头的连接流量大小特征、所述射频拉远头的连接人数特征和所述射频拉远头的特定用户占比特征；
根据所述射频拉远头的表示特征构建射频拉远头的流行度指标；所述流行度指标用于从多角度来表征蜂窝基站的偏好属性；
采用带约束条件的聚类方法对所述射频拉远头的流行度指标进行分类，获得射频拉远头的分类结果；
根据所述射频拉远头的分类结果建立基带处理单元的总优化目标；所述总优化目标用于优化所述基带处理单元的资源浪费率、用户连接负载均衡和能耗；
根据所述基带处理单元的总优化目标建立马尔可夫决策过程模型；
采用异步优势动作评价方法对所述马尔可夫决策过程模型进行网络训练，获得射频拉远头到基带处理单元的连接映射结果；
根据所述连接映射结果动态管理所述蜂窝基站。
2.根据权利要求1所述的数据驱动的蜂窝基站动态管理方法，其特征在于，通过如下方式获得所述射频拉远头的表示特征：
其中，表示t时刻的射频拉远头n的连接流量大小特征，/>表示t时刻的射频拉远头n的连接人数特征，/>表示t时刻的射频拉远头n的特定用户占比特征。
3.根据权利要求2所述的数据驱动的蜂窝基站动态管理方法，其特征在于，通过如下方式构建所述射频拉远头的流行度指标：
其中，α表示所述射频拉远头的连接流量大小特征的加权权重，β表示所述射频拉远头的连接人数特征的加权权重，γ表示所述射频拉远头的特定用户占比特征的加权权重，N表示射频拉远头的总数。
4.根据权利要求1所述的数据驱动的蜂窝基站动态管理方法，其特征在于，所述采用带约束条件的聚类方法对所述射频拉远头的流行度指标进行分类，获得射频拉远头的分类结果，包括：
根据所述射频拉远头的流行度指标，获取预设时间段的流行度指标序列；
将所述流行度指标序列输入至带约束条件的聚类方法K-Means中进行分类，获得射频拉远头的分类结果。
5.根据权利要求4所述的数据驱动的蜂窝基站动态管理方法，其特征在于，通过如下方式定义所述约束条件：
其中，Nk表示被分到第k个类的射频拉远头集合，min表示第k个类的最小射频拉远头数量，max表示第k个类的最大射频拉远头数量，In,k＝1表示第n个射频拉远头属于第k类，In,k＝0表示第n个射频拉远头不属于第k类，K表示总类别数。
6.根据权利要求1所述的数据驱动的蜂窝基站动态管理方法，其特征在于，所述根据所述射频拉远头的分类结果建立基带处理单元的总优化目标，包括：
根据所述射频拉远头的分类结果建立t时刻的基带处理单元的资源浪费率最小优化目标：
根据所述射频拉远头的分类结果建立t时刻的基带处理单元的用户连接负载均衡优化目标：
根据所述射频拉远头的分类结果建立t时刻的基带处理单元的能耗最小优化目标：
根据所述资源浪费率最小优化目标、所述用户连接负载均衡优化目标和所述能耗最小优化目标，建立基带处理单元的总优化目标：
其中，K`(t)表示t时刻的资源浪费率最小优化目标，表示t时刻处于活跃状态的基带处理单元的集合，tramax表示基带处理单元能提供的最大流量资源，/>表示t时刻的射频拉远头n的连接流量大小特征，/>表示t时刻的第k类射频拉远头和第m个基带处理单元的连接状态，Q(t)表示t时刻的用户连接负载均衡优化目标，/>表示在t时刻基带处理单元中最大的用户数，M表示基带处理单元的总数，K表示总类别数，N表示射频拉远头的总数，/>表示t时刻的射频拉远头n的连接人数特征，In,k表示所述射频拉远头n的分类结果，C(t)表示t时刻的能耗最小优化目标，Pactive表示单个基带处理单元处于活跃状态的电能消耗，/>表示t时刻处于休眠状态的基带处理单元的集合，Psleep表示单个基带处理单元处于休眠状态的电能消耗。
7.根据权利要求6所述的数据驱动的蜂窝基站动态管理方法，其特征在于，所述根据所述基带处理单元的总优化目标建立马尔可夫决策过程模型，包括：
建立马尔可夫决策过程模型在时刻t的状态信息s(t)为：
s(t)＝[al(t),tr(t),ur(t),su(t)]
在时刻t，系统动作a(t)定义为：
a(t)＝[a1(t),…,aK(t)]
根据定义的所述系统动作，建立马尔可夫决策过程模型系统的动作空间为：
根据所述基带处理单元的总优化目标建立马尔可夫决策过程模型的奖励函数为：
R(t)＝-[K`(t)+C(t)+Q(t)]
其中，al(t)表示t时刻射频拉远头和基带处理单元的分配结果，tr(t)表示t时刻射频拉远头簇需要的流量，ur(t)表示t时刻射频拉远头簇连接的用户数量、su(t)表示t时刻基带处理单元剩余可分配流量，表示第k簇射频拉远头分配的基带处理单元序号， R(t)表示奖励值，ak(t)表示第k个类的射频拉远头对应的系统动作。
8.一种数据驱动的蜂窝基站动态管理系统，其特征在于，所述数据驱动的蜂窝基站动态管理系统包括：
数据获取单元，用于获取包含射频拉远头和基带处理单元的蜂窝基站数据集，并从所述蜂窝基站数据集中获得射频拉远头的表示特征；所述表示特征用于表征所述射频拉远头的连接流量大小特征、所述射频拉远头的连接人数特征和所述射频拉远头的特定用户占比特征；
指标构建单元，用于根据所述射频拉远头的表示特征构建射频拉远头的流行度指标；所述流行度指标用于从多角度来表征基站的偏好属性；
数据分类单元，用于采用带约束条件的聚类方法对所述射频拉远头的流行度指标进行分类，获得射频拉远头的分类结果；
目标建立单元，用于根据所述射频拉远头的分类结果建立基带处理单元的总优化目标；所述总优化目标用于优化资源浪费率、用户连接负载均衡和能耗；
模型建立单元，用于根据所述基带处理单元的总优化目标建立马尔可夫决策过程模型；
网络训练单元，用于采用异步优势动作评价方法对所述马尔可夫决策过程模型进行网络训练，获得射频拉远头到基带处理单元的连接映射结果；
基站管理单元，用于根据所述连接映射结果动态管理所述蜂窝基站。
9.一种数据驱动的蜂窝基站动态管理设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的数据驱动的蜂窝基站动态管理方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的数据驱动的蜂窝基站动态管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310224248.5A CN116390165B (zh) | 2023-03-09 | 2023-03-09 | 一种数据驱动的蜂窝基站动态管理方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310224248.5A CN116390165B (zh) | 2023-03-09 | 2023-03-09 | 一种数据驱动的蜂窝基站动态管理方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116390165A CN116390165A (zh) | 2023-07-04 |
| CN116390165B true CN116390165B (zh) | 2023-11-14 |
Family
ID=86970332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310224248.5A Active CN116390165B (zh) | 2023-03-09 | 2023-03-09 | 一种数据驱动的蜂窝基站动态管理方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116390165B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015057212A1 (en) * | 2013-10-16 | 2015-04-23 | Empire Technology Development, Llc | Dynamic frequency and power resource allocation with granular policy management |
| CN114126019A (zh) * | 2021-11-30 | 2022-03-01 | 北京邮电大学 | 一种基于能效优化的前传光网络动态资源映射方法及系统 |
-
2023
- 2023-03-09 CN CN202310224248.5A patent/CN116390165B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015057212A1 (en) * | 2013-10-16 | 2015-04-23 | Empire Technology Development, Llc | Dynamic frequency and power resource allocation with granular policy management |
| CN114126019A (zh) * | 2021-11-30 | 2022-03-01 | 北京邮电大学 | 一种基于能效优化的前传光网络动态资源映射方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于能效和用户服务质量的密集Macro-Femto蜂窝网络部署策略;李云;王春生;曹傧;刘期烈;;通信学报(第07期);全文 * |
| 密集小蜂窝网络中基于用户接入的能效优化研究;王俊社;蒋彤彤;张琛;段强;;计算机工程(第12期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116390165A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103702337B (zh) | 一种小型基站部署位置的确定方法 | |
| EP4138466A1 (en) | Energy-saving method, base station, control unit, and storage medium | |
| CN110351754B (zh) | 基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法 | |
| CN110968426B (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
| CN110839075A (zh) | 边缘计算环境下基于粒子群的服务迁移方法 | |
| CN109960279B (zh) | 一种基于启发式算法的无人机盘旋半径优化方法 | |
| CN110580199B (zh) | 边缘计算环境下基于粒子群的服务迁移方法 | |
| CN106792995B (zh) | 一种5g网络中保障内容低时延传输的用户接入方法 | |
| CN101784061A (zh) | 无线接入网的自主负载均衡的实现方法与装置 | |
| US10764859B2 (en) | Assigning a subset of access points in a wireless network to a high priority | |
| CN111147604A (zh) | 一种车联网边缘计算的负载均衡方法 | |
| CN115065678A (zh) | 一种基于深度强化学习的多智能设备任务卸载决策方法 | |
| CN113556750B (zh) | 基于联盟形成博弈的无人设备内容协同实现方法 | |
| CN105451268B (zh) | 一种高能效的异构小区接入方法 | |
| WO2021083230A1 (zh) | 功率调节方法和接入网设备 | |
| CN112887943B (zh) | 一种基于中心度的缓存资源分配方法及系统 | |
| CN116390165B (zh) | 一种数据驱动的蜂窝基站动态管理方法与系统 | |
| Yang et al. | A resource allocation method based on the core server in the collaborative space for mobile edge computing | |
| CN116367310A (zh) | 面向移动边缘计算的最大增益导向的信道分配方法 | |
| US20230047986A1 (en) | System and method for communication load balancing in unseen traffic scenarios | |
| CN116321189A (zh) | 一种面向边缘计算中基于深度强化学习的服务器部署方法 | |
| CN115545106A (zh) | 一种多无人机中的AoI敏感的数据收集方法及系统 | |
| CN108934054A (zh) | 一种基于节点数据值的Ad-hoc网络分簇算法 | |
| CN115766478A (zh) | 一种空地协同边缘计算服务器的卸载方法 | |
| CN109982336B (zh) | 一种在5g网络中超高频小基站构造虚拟宏基站的方法 |
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 |