CN116489752B - 基站节能方法、装置、设备以及存储介质 - Google Patents
基站节能方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN116489752B CN116489752B CN202310756539.9A CN202310756539A CN116489752B CN 116489752 B CN116489752 B CN 116489752B CN 202310756539 A CN202310756539 A CN 202310756539A CN 116489752 B CN116489752 B CN 116489752B
- Authority
- CN
- China
- Prior art keywords
- base station
- model
- service quality
- hardware
- hardware resource
- 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 54
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 11
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 abstract description 4
- 238000005265 energy consumption Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 201000007795 Bietti crystalline corneoretinal dystrophy Diseases 0.000 description 2
- 208000008319 Bietti crystalline dystrophy Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供了一种基站节能方法、装置、设备以及存储介质，涉及通信技术领域。该方法包括：获取业务服务质量要求，将业务服务质量要求输入预训练的第一模型，基于第一模型的输出信息确定基站的工作模式；其中，第一模型通过下述步骤训练而得：获取基站的训练数据，根据预设的优化目标、训练数据进行模型训练生成第一模型。本申请的实施能够根据业务服务质量要求调整基站的工作模式，从而可以在满足业务服务质量要求的同时降低基站的功耗，节能方式灵活、便捷，适应范围广，通用性好。
Description
技术领域
本申请涉及通信技术领域，具体而言，本申请涉及一种基站节能方法、装置、设备以及存储介质。
背景技术
移动通信网络的部署与普及给人们生活与工作带来的各种好处，比如更高的速率、更宽的带宽、更低的延时，以及更高的连接密度，而忽略了如此高性能需要付出的代价。例如，由移动通信大带宽、高速率、低时延的通信优势而衍生的大量创新业务需要进行更多的数据处理，从而引发基站的电能消耗持续增长。因此，基站的节能减排是必须解决的问题。
目前，基站的节能方法就是基站以固定的工作模式工作，并实时判断流量的平均值来设置门限值，当基站的流量小于门限值自动关闭基站的小区，基站的流量大于门限值就开启小区，这种方式过于简单粗暴，导致使用移动终端的对象无法及时享受网络服务，即基站不能满足业务服务质量要求。因而这些节能技术只能够在人烟稀少区域的基站或者客户感知要求低的区域使用。也即现有的基站节能方法不具备通用性。
发明内容
本申请实施例提供了一种基站节能方法、装置、设备以及存储介质，可以解决现有基站节能方式简单粗暴，适应范围窄，通用性差的问题。为了实现该目的，本申请实施例提供了如下几个方案。
根据本申请实施例的一个方面，提供了一种基站节能方法，该方法包括：获取业务服务质量要求，将所述业务服务质量要求输入预训练的第一模型，基于所述第一模型的输出信息确定基站的工作模式；
其中，所述第一模型通过下述步骤训练而得：
获取基站的训练数据，根据预设的优化目标、所述训练数据进行模型训练生成所述第一模型，其中，所述训练数据包括基站历史运行数据、业务服务质量要求、网络性能指标，所述优化目标包括满足业务服务质量要求。
在一个可能的实现方式中，所述方法还包括：
检测是否预存有规则配置信息，所述规则配置信息包括所述基站的网络性能指标；
若是，则根据所述规则配置信息确定所述基站的工作模式；
若否，则执行获取业务服务质量要求的步骤。
在一个可能的实现方式中，所述获取基站的训练数据，根据预设的优化目标、所述训练数据进行模型训练生成所述第一模型，包括：
根据基站的历史信息获取训练数据；
以满足业务服务质量为优化目标，使用预设的人工智能算法训练所述第一模型，直至达到预设的收敛条件，所述基站历史运行数据、所述网络性能指标为所述第一模型的输入数据，所述人工智能算法包括深度学习算法、梯度下降算法、随机森林算法中的任一种。
在一个可能的实现方式中，所述基于所述第一模型的输出信息确定基站的工作模式，包括：
根据所述输出信息获取所述基站中硬件运行模式的决策信息，基于所述决策信息确定基站的工作模式。
在一个可能的实现方式中，所述基于所述第一模型的输出信息确定基站的工作模式，包括：
根据所述输出信息获取基站的硬件资源消耗信息，通过所述硬件资源消耗信息以及硬件类型确定基站的工作模式，所述硬件资源消耗信息包括消耗的硬件资源种类以及每种硬件资源在不同时间段的硬件资源消耗量或硬件资源消耗区间，所述硬件类型包括所述硬件的品牌、型号中的至少一种。
在一个可能的实现方式中，所述方法还包括：
根据所述工作模式控制所述基站工作，获取基站运行期间的实际业务服务质量，获取所述实际业务服务质量与所述业务服务质量要求的偏差；
若确定所述偏差满足预设条件，则重新训练模型，得到更新后的第二模型；
通过所述第二模型确定所述基站的工作模式，所述预设条件包括所述偏差大于预设门限值。
在一个可能的实现方式中，所述重新训练模型，得到更新后的第二模型，包括：
保存每次更新的模型，获取模型训练和更新的次数，若所述次数达到预设次数，则根据保存的模型的性能信息得到更新后的第二模型。
根据本申请的另一个方面，提供一种基站节能装置，所述装置，包括：
工作模式确定模块，用于获取业务服务质量要求，将所述业务服务质量要求输入预训练的第一模型，基于所述第一模型的输出信息确定基站的工作模式；
其中，所述第一模型通过下述步骤训练而得：
获取基站的训练数据，根据预设的优化目标、所述训练数据进行模型训练生成所述第一模型，其中，所述信息包括基站运行数据、业务服务质量要求、网络性能指标，所述优化目标包括满足业务服务质量要求。
根据本申请的再一个方面，提供一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现如上所述方法的步骤。
根据本申请实施例的再一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
本申请实施例提供的技术方案带来的有益效果是：
本申请提供的方法在获取基站的业务服务质量要求后，将该业务服务质量要求输入利用基站运行数据、网络性能指标以及优化目标预训练的第一模型，通过该第一模型的输出信息确定基站的工作模式。本申请实施例预训练以满足业务服务质量要求为优化目标训练的第一模型，将获取的业务服务质量要求输入该第一模型，根据第一模型的输出信息得到满足业务服务质量要求的工作模式。因此，本申请实施例能够根据业务服务质量要求调整基站的工作模式，从而可以在满足业务服务质量要求的同时降低基站的功耗，节能方式灵活、便捷，适应范围广，通用性好。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单的介绍。
图1为本申请实施例提供的基站节能方法的流程图；
图2为本实施例实施例提供的规则配置信息检测的流程图；
图3为本申请提供的基站节能方法另一实施例的流程图；
图4为本申请实施例提供的基站节能方法的总体流程图；
图5为本申请实施例提供的基站节能装置的结构图；
图6为本申请实施例提供的电子设备的结构图。
具体实施方式
下面结合本申请中的附图描述本申请的实施例。应理解，下面结合附图所阐述的实施方式，是用于解释本申请实施例的技术方案的示例性描述，对本申请实施例的技术方案不构成限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件，但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解，当我们称一个元件被“连接”或“耦接”到另一元件时，该一个元件可以直接连接或耦接到另一元件，也可以指该一个元件和另一元件通过中间元件建立连接关系。此外，这里使用的“连接”或 “耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个，例如“A和/或B”指示实现为“A”，或者实现为“A”，或者实现为“A和B”。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式做进一步的详细描述。
下面通过对几个示例性实施方式的描述，对本发明实施例的技术方案以及本发明的技术方案产生的技术效果进行说明。需要指出的是，下述实施方式之间可以相互参考、借鉴或结合，对于不同实施方式中相同的术语、相似的特征以及相似的实施步骤等，不再重复描述。
基站节能是节省网络运行能耗成本的重要目标之一。传统的基站节能主要考虑无线通信功能方面的能耗节省，例如控制基站的开启与关闭、控制基站射频通道的开启与关闭、控制基站使用的无线信号带宽或OFDM符号数量等方式，达到节省基站能耗的目的。
上述节能方法对于需要大量射频有源器件的基站型号的效果相对明显。但对于小功率基站、以无源射频器件为主的基站型号，由于基站本身功率以及射频消耗功率在基站总能耗中占比较低，因此上述既有方案无法得到明显的能耗节省效果。
本申请提供的基站节能方法、装置、设备以及存储介质，旨在解决现有技术中存在的至少一个技术问题。
本申请实施例中提供了一种基站节能方法，该基站节能方法的思路为：基站基带处理功能依托于计算机硬件之上运行。计算机硬件厂商提供不同的硬件工作模式配置，例如高性能、低噪音、均衡等工作模式。不同工作模式会控制包括CPU工作核心数量、CPU工作主频值、CPU主频是否自变频，对应的，不同工作模式对内存资源的消耗也存在差异，I/O读写需求也会有所不同。这些不同的工作模式下，对电能的消耗也有差异。基站如果可以结合自身业务服务质量的动态需求，对应动态地控制硬件运行模式，在低业务质量需求等级情况下，通过选择相对低能耗的硬件工作模式，在保障基站业务服务质量满足对应业务服务等级要求的前提下，节省不必要的计算机硬件能耗，可明显节省基站总体能耗。
基于上述思路，本申请的基站节能方法如图1所示，该方法包括：
S101：获取业务服务质量要求，将业务服务质量要求输入预训练的第一模型，基于第一模型的输出信息确定基站的工作模式。
可选地，基站的工作模式包括基站中各硬件的硬件运行模式，该硬件包括基站自身的基带处理器件，其包括但不限于CPU、RAM等计算机器件，通过调节硬件工作模式的方式调节其运行功耗，从而实现在基站基带处理环节能耗降低的效果。
可选地，第一模型通过下述步骤训练而得：获取基站的训练数据，根据预设的优化目标、训练数据进行模型训练生成第一模型，其中，训练数据包括基站运行数据、业务服务质量要求、网络性能指标，优化目标包括满足业务服务质量要求。
其中，基站历史运行数据为该基站的历史运行数据，训练数据中的业务服务质量要求、网络性能指标与该历史运行数据相对应，每个时段的历史运行数据、网络性能指标对应一个业务服务质量要求。
可选地，业务服务质量要求包括业务量大小、并发服务的用户数等信息，分为多个类别上的要求，其可以包括业务量大小数据，相应的网络性能指标设计区域的覆盖率，其也包括多个类别上的指标，根据基站相关的运营商的企业标准规范确定不同类别上的要求、指标以及相关的计算方法。其中，这些类别包括接入类、连通类、移动类、质量类、持续性类中的至少一种。
可选地，基站的历史运行数据包括基站上各硬件的历史运行数据，如CPU、RAM等计算机器件的配置信息以及功耗、运行频率、工作核心数量等数据。
在一个实施例中，若需要确定工作模式的基站不存在相关的历史运行数据，或历史运行数据的数量不满足要求，还可以获取与该基站的部署环境类似或相同的其他基站的历史运行数据，将该历史运行数据作为当前需要确定工作模式的基站的历史运行数据。其中，部署环境包括高校、BCD、居民区、高铁等。也可以获取该需要确定工作模式的基站的分类，将相同的分类的基站的历史运行数据作为该需要确定工作模式的基站的历史运行数据。该分类可以为根据运营商运营和管理需求对基站部署和服务环境特征的分类，也可以是根据其他划分基站场景的分类规则确定的分类。
可选地，优化目标包括最优化目标，该最优化目标包括足够满足业务服务质量要求。具体的，根据该最优化目标进行模型训练时，记录历史运行数据、网络性能指标与对应的业务服务质量要求的匹配度（如不满足业务服务质量要求，超出业务服务质量要求以及刚好与业务服务质量要求匹配等），基于该匹配度进行模型训练。
可选地，第一模型的输出信息包括基站中各硬件的运行模式的决策信息，根据该信息确定基站的工作模式。其中，第一模型确定与该业务服务质量要求最匹配的工作模式（即满足该业务服务质量要求，且与该业务服务质量要求的偏差最小的工作模式），输出该工作模式，以确定基站的工作模式。其中，该决策信息包括但不限于CPU的核数、CPU的工作频率、CPU是否变频运行、RAM使用量、I/O读写量。
在一个实施例中，也可以组合基站中硬件的运行模式得到多个基站的工作模式，每个基站的工作模式包括每个硬件的一种工作模式，第一模型从基站的工作模式中得到与该业务服务质量要求最匹配的基站的工作模式，输出该工作模式的信息。
相比于现有技术，本申请的基站节能方法在获取基站的业务服务质量要求后，将该业务服务质量要求输入利用基站运行数据、网络性能指标以及优化目标预训练的第一模型，通过该第一模型的输出信息确定基站的工作模式。本申请实施例预训练以满足业务服务质量要求为优化目标训练的第一模型，将获取的业务服务质量要求输入该第一模型，根据第一模型的输出信息得到满足业务服务质量要求的工作模式。因此，本申请实施例能够根据业务服务质量要求调整基站的工作模式，从而可以在满足业务服务质量要求的同时降低基站的功耗，节能方式灵活、便捷，适应范围广，通用性好。
在一个可行的实施例中，如图2所示，本申请基站节能方法还包括：
S201：检测是否预存有规则配置信息，若是，则执行S202，若否，则执行S203。
S202：则根据规则配置信息确定基站的工作模式；
S203：则执行获取业务服务质量要求的步骤。
可选地，规则配置信息包括基站的网络性能指标，其中，该网络性能指标包括基站服务性能指标。该规则配置信息可以包括判定规则信息，该判定规则信息包括不同条件下，基站所需执行的配置操作。
在一个实施例中，网络性能指标可以包括基站服务性能指标，该基站服务性能指标具体包括并发用户数量所在区间、基站硬件的工作参数（如CPU工作频率要求、工作核心数量等）等指标数据。
可选地，若基站检测到预置有规则配置信息，则读取该规则配置信息，根据读取结果以及当前条件确定基站的工作模式。其中，不同工作模式下，基站的网络性能指标存在差异。基站根据读取结果以及当前条件确定基站各硬件当前需要开启或关闭的工作模式，从而根据该配置信息控制基站中硬件的不同工作模式的开启和关闭。
可选地，若当前未检测到基站预置有规则配置信息，则确定需要根据当前的业务服务质量要求确定基站的工作模式，执行获取业务服务质量要求的操作。其中，可以从基站中的指定存储位置获取该业务服务质量要求，也可以与发送该业务服务质量要求的设备（如控制平台）连接，向该设备发送业务服务质量要求获取请求，根据该设备的反馈信息确定业务服务质量要求。
在一个可行的实施例中，本申请提供了一种基站节能方法，如图3、图4所示，该方法包括：
S301：根据基站的历史信息获取训练数据。
可选地，基站在检测到当前未预置规则配置信息后，查找基站的历史信息，并通过该历史信息获取基站历史运行数据、网络性能指标以及业务服务质量要求。其中，该历史信息可以存储在基站的本地存储上，也可以存储在外部设备上。并且，还可以将部署环境相同或分类相同的基站的历史信息作为该基站的历史信息。
可选地，也可以在基站出厂前、安装后或每隔预定时间段获取基站的历史信息。
S302：以满足业务服务质量为优化目标，使用预设的人工智能算法训练第一模型，直至达到预设的收敛条件。
可选地，基站历史运行数据、网络性能指标为第一模型的输入数据，人工智能算法包括深度学习算法、梯度下降算法、随机森林算法中的任一种，且该人工智能算法也可以为线性回归、逻辑回归、决策树、支持向量机以及其他种类能够用于确定基站的工作模式的算法。
可选地，预设的收敛条件包括：误差小于某个预先设定的较小的值、两次迭代之间权值的变化已经小于预定值、迭代次数超过预设的最大次数以及其他收敛条件中的至少一种，将满足收敛条件的模型确定为第一模型。其中，可以为每个人工智能算法设定相应的收敛条件，根据模型训练所使用的人工智能算法确定收敛条件，从而判断模型是否收敛。
可选地，也可以收集不同类型或型号的硬件在不同运行模式下对应的训练数据，根据该训练数据训练模型得到对应的第一模型，并将该第一模型与硬件的类型或型号对应。检测到基站不存在预置的规则配置信息后，搜集基站中硬件的类型或型号的信息，获取该信息对应的第一模型，通过该第一模型决策基站的工作模式。
S303：获取业务服务质量要求，将业务服务质量要求输入预训练的第一模型，基于第一模型的输出信息确定基站的工作模式。
可选地，第一模型的输出信息包括基站中硬件工作模式的决策信息，基于第一模型的输出信息确定基站的工作模式，包括：根据输出信息获取基站中硬件运行模式的决策信息，基于决策信息确定基站出的工作模式。其中，通过决策信息确定每个硬件当前满足业务服务质量要求且节能的工作模式，进而通过这些硬件运行模式确定基站的工作模式。
在一个实施例中，硬件运行模式包括CPU的核数、CPU的工作频率、CPU是否变频运行、RAM使用量、I/O读写量以及其他与基站工作相关的硬件的信息。
可选地，第一模型的输出信息也可以包括基站的硬件资源消耗信息，因此，基于第一模型的输出信息确定基站的工作模式，包括：根据输出信息获取基站的硬件资源消耗信息，通过硬件资源消耗信息以及硬件类型确定基站的工作模式，硬件资源消耗信息包括消耗的硬件资源种类以及每种硬件资源在不同时间段的硬件资源消耗量或硬件资源消耗区间，硬件类型包括硬件的品牌、型号中的至少一种，利用该硬件资源消耗信息预留出与足够的可变化的适用范围。
其中，不同的硬件类型可提供的硬件资源种类以及可支持的硬件资源消耗量存在差别，根据该硬件资源消耗信息中的硬件资源种类以及该硬件资源种类的资源消耗信息选择硬件类型和确定该类型的硬件的运行模式。通过该硬件资源消耗信息实现对不同品牌和型号的硬件的运行模式选用。
S304：根据工作模式控制基站工作，获取基站运行期间的实际业务服务质量，获取实际业务服务质量与业务服务质量要求的偏差。
在一个实施例中，根据该工作模式控制基站的硬件工作，收集基站执行该工作模式后的基站运行数据、网络性能指标，根据该基站运行数据以及网络性能指标确定基站当前的实际业务服务质量。将该实际业务服务质量与获取的业务服务质量进行相差处理得到二者的偏差。具体的，将实际业务服务质量中各项指标的数值与业务服务质量要求中对应的指标的数值进行相减，得到实际业务服务质量与获取的业务服务质量的偏差，该偏差为相减结果的绝对值。其中，可以每隔预定时间段后，计算基站的实际业务服务质量，也可以在接收到偏差检测指令后，计算偏差，还可以在接收到新的业务服务质量要求后，计算偏差。
S305：若确定偏差满足预设条件，则重新训练模型，得到更新后的第二模型，通过第二模型确定基站的工作模式。
可选地，将重新训练得到的模型确定为第二模型，使用第二模型作为新的第一模型，以替代旧的第一模型，并且还可以继续检测该替换后的模型对应的偏差，并在确定当前使用的第一模型，通过依次替换的方式实现模型的更新。预设条件包括该偏差大于预设门限值，其中，可以针对不同算法形成的模型设置不同的预设门限值。
可选地，为了减少模型调整的频度，还可以每隔预定时间段计算偏差，并在得到的偏差的数量达到预设数量后，判断该偏差的平均值或方差是否大于预设门限值，若是，则确定满足预设条件，若否，则确定不满足预设条件。或者判断预定时间长度内容，大于预设门限值的偏差的数量是否达到预设值，若是，则确定满足预设条件，若否，则确定不满足预设条件。
在一个实施例中，记录模型重新训练的次数，并保存每次重新训练生成的模型，判断该次数是否达到预设次数，若确定达到预设次数，从保存的模型中选择性能信息最好（如偏差最小、出现偏差次数最少以及其他描述性能信息的数据）的模型，通过该模型获取每个业务服务质量要求对应的基站的工作模式。通过该方式选择的模型虽然不是模型算法角度的最优模型，但在实际应用中可以达到最好效果。
通过上述方法控制基站的CPU、RAM等计算机器件的性能上限（即运行模式），调节其运行功耗，从而实现基站能耗降低的效果。由于任何型号的基站均存在基站基带处理及自身硬件计算机器件，因此本方案具有对基站节能的普适性。
下面通过基站的具体工作过程对基站节能方法进行说明。
在一个实施例中，如图4所示，基站检测是否预置有规则配置信息，其中，该规则配置信息可以包括具体基站服务性能指标，如要求并发用户数量处于给定的区间内，硬件的参数设置信息，例如CPU工作频率为固定频率或变频工作。也可以是CPU的具体运行频率值设置信息，或CPU工作的核心数量的控制信息等。规则配置是基于明确的判定条件执行预先规定的配置操作的一系列判定条件和配置规则。
若检测到预置的规则配置信息，读取该规则配置信息，根据规则配置信息中的判定条件以及相应的配置规则控制基站中硬件运行模式的开启和关闭。
相应的，若未检测到预置的规则配置信息，则获取基站历史运行数据（如果站在网络的角度，可以参考跟与这个基站的部署环境类似的其他基站的历史运行数据，也可以参考和这个基站所处的场景相同的其他基站的配置和历史数据。上述的基站所处的场景，可以是诸如高校、BCD、居民区、高铁等场景，根据运营商运营和管理需求对基站部署和服务环境特征的分类得到的场景，也可以是其他划分基站场景的分类规则确定的场景）、业务服务质量要求及网络性能指标，将该基站运行数据、业务服务质量要求以及网络性能指标作为训练数据，以用于人工智能算法模型训练。其中，模型训练过程中，以足够满足业务服务质量为最优化目标，以基站历史运行数据和网络性能指标为输入数据，训练模型。训练模型中判定模型是否达到算法预设的收敛条件，若达到，确定得到第一模型。本申请不限制所使用的人工智能算法，可以使用但不限于深度学习、梯度下降、随机森林等算法。启用训练完毕的第一模型，该第一模型用于根据基站当前的业务服务质量要求决策基站硬件运行模式的开启和关闭，从而通过该第一模型选择满足服务质量要求的工作模式。
基站运行期间，收集基站运行数据及网络性能指标，并计算应用当前的第一模型得到的实际业务服务质量存在的偏差。判定该偏差与预设的门限值之间的关系。如果该偏差超过预设的门限值，则判定当前的第一模型不适合继续应用，需重新进行模型的训练和更新（其中，重新训练和更新达到预设次数后，从历史训练结果中，选取性能信息最好的结果对应的模型，通过该模型确定基站的工作模式，以便获取可以达到的最好的效果（尽管不是模型算法角度的最优，但是是实际情况可以达到的最好的结果）。
需要说明的是，在本申请的可选实施例中，所涉及到的数据（如基站运行数据、训练数据、业务服务质量要求等数据），当本申请以上实施例运用到具体产品或技术中时，需要获得使用对象许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。也就是说，本申请实施例中如果涉及到与对象有关的数据，这些数据需要经由对象授权同意、且符合国家和地区的相关法律法规和标准的情况下获取的。
本申请实施例提供了一种基站节能装置，如图5所示，基站节能装置300包括工作模式确定模块310；工作模式确定模块310，用于获取业务服务质量要求，将业务服务质量要求输入预训练的第一模型，基于第一模型的输出信息确定基站的工作模式；其中，第一模型通过下述步骤训练而得：获取基站的训练数据，根据预设的优化目标、训练数据进行模型训练生成第一模型，其中，信息包括基站运行数据、业务服务质量要求、网络性能指标，优化目标包括满足业务服务质量要求。
可选地，还包括：检测是否预存有规则配置信息，规则配置信息包括基站的网络性能指标；若是，则根据规则配置信息确定基站的工作模式；若否，则执行获取业务服务质量要求的步骤。
可选地，获取基站的训练数据，根据预设的优化目标、训练数据进行模型训练生成第一模型，包括：根据基站的历史信息获取训练数据；以满足业务服务质量为优化目标，使用预设的人工智能算法训练第一模型，直至达到预设的收敛条件，基站历史运行数据、所述网络性能指标为所述第一模型的输入数据，人工智能算法包括深度学习算法、梯度下降算法、随机森林算法中的任一种。
可选地，基于第一模型的输出信息确定基站的工作模式，包括：根据输出信息获取基站中硬件运行模式的决策信息，基于决策信息确定基站出的工作模式。
可选地，基于第一模型的输出信息确定基站的工作模式，包括：根据输出信息获取基站的硬件资源消耗信息，通过硬件资源消耗信息以及硬件类型确定基站的工作模式，硬件资源消耗信息包括消耗的硬件资源种类以及每种硬件资源在不同时间段的硬件资源消耗量或硬件资源消耗区间，硬件类型包括硬件的品牌、型号中的至少一种。
可选地，还包括：根据工作模式控制所述基站工作，获取基站运行期间的实际业务服务质量，获取实际业务服务质量与业务服务质量要求的偏差；若确定偏差满足预设条件，则重新训练模型，得到更新后的第二模型，通过第二模型确定基站的工作模式，预设条件包括偏差大于预设门限值。
可选地，重新训练模型，得到更新后的第二模型，包括：保存每次更新的模型，获取模型训练和更新的次数，若次数达到预设次数，则根据保存的模型的性能信息得到更新后的第二模型。
在一个可选实施例中提供了一种电子设备，如图6所示，图6所示的电子设备4000包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004，收发器4004可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质、其他磁存储设备或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质，在此不做限定。
存储器4003用于存储执行本申请实施例的计算机程序，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的计算机程序，以实现前述方法实施例所示的步骤。
其中，电子设备可以是任何一种可与对象进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备还可以包括网络设备和/或对象设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
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”、“第四”、“1”、“2”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除图示或文字描述以外的顺序实施。
应该理解的是，虽然本申请实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本申请实施例的一些实施场景中，各流程图中的实施步骤可以按照需求以其他的顺序执行。此外，各流程图中的部分或全部步骤基于实际的实施场景，可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以根据需求灵活配置，本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，采用基于本申请技术思想的其他类似实施手段，同样属于本申请实施例的保护范畴。
Claims (9)
1.一种基站节能方法，其特征在于，包括：
获取业务服务质量要求，将所述业务服务质量要求输入预训练的第一模型，所述业务服务质量要求包括业务量大小、并发服务的用户数中的至少一种；
基于所述第一模型的输出信息确定基站的工作模式，包括：根据所述输出信息获取基站的硬件资源消耗信息，通过所述硬件资源消耗信息以及硬件类型确定基站的工作模式，所述硬件资源消耗信息包括消耗的硬件资源种类以及每种硬件资源在不同时间段的硬件资源消耗量或硬件资源消耗区间，所述硬件类型包括所述硬件的品牌、型号中的至少一种，根据该硬件资源消耗信息中的硬件资源种类以及每种硬件资源在不同时间段的硬件资源消耗量或硬件资源消耗区间确定基站中参与工作的硬件的硬件类型和该硬件类型的硬件的运行模式；
其中，所述第一模型通过下述步骤训练而得：
获取基站的训练数据，根据预设的优化目标、所述训练数据进行模型训练生成所述第一模型，其中，所述训练数据包括基站历史运行数据、业务服务质量要求、网络性能指标，所述优化目标包括满足业务服务质量要求。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
检测是否预存有规则配置信息，所述规则配置信息包括所述基站的网络性能指标；
若是，则根据所述规则配置信息确定所述基站的工作模式；
若否，则执行获取业务服务质量要求的步骤。
3.根据权利要求2所述的方法，其特征在于，所述获取基站的训练数据，根据预设的优化目标、所述训练数据进行模型训练生成所述第一模型，包括：
根据基站的历史信息获取训练数据；
以满足业务服务质量为优化目标，使用预设的人工智能算法训练所述第一模型，直至达到预设的收敛条件，所述基站历史运行数据、所述网络性能指标为所述第一模型的输入数据，所述人工智能算法包括深度学习算法、梯度下降算法、随机森林算法中的任一种。
4.根据权利要求1所述的方法，其特征在于，所述基于所述第一模型的输出信息确定基站的工作模式，包括：
根据所述输出信息获取所述基站中硬件运行模式的决策信息，基于所述决策信息确定基站的工作模式。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述工作模式控制所述基站工作，获取基站运行期间的实际业务服务质量，获取所述实际业务服务质量与所述业务服务质量要求的偏差；
若确定所述偏差满足预设条件，则重新训练模型，得到更新后的第二模型；
通过所述第二模型确定所述基站的工作模式，所述预设条件包括所述偏差大于预设门限值。
6.根据权利要求5所述的方法，其特征在于，所述重新训练模型，得到更新后的第二模型，包括：
保存每次更新的模型，获取模型训练和更新的次数，若所述次数达到预设次数，则根据保存的模型的性能信息得到更新后的第二模型。
7.一种基站节能装置，其特征在于，所述装置，包括：
工作模式确定模块，用于获取业务服务质量要求，将所述业务服务质量要求输入预训练的第一模型，所述业务服务质量要求包括业务量大小、并发服务的用户数中的至少一种；
基于所述第一模型的输出信息确定基站的工作模式，包括根据所述输出信息获取基站的硬件资源消耗信息，通过所述硬件资源消耗信息以及硬件类型确定基站的工作模式，所述硬件资源消耗信息包括消耗的硬件资源种类以及每种硬件资源在不同时间段的硬件资源消耗量或硬件资源消耗区间，所述硬件类型包括所述硬件的品牌、型号中的至少一种，根据该硬件资源消耗信息中的硬件资源种类以及每种硬件资源在不同时间段的硬件资源消耗量或硬件资源消耗区间确定基站中参与工作的硬件的硬件类型和该硬件类型的硬件的运行模式；
其中，所述第一模型通过下述步骤训练而得：
获取基站的训练数据，根据预设的优化目标、所述训练数据进行模型训练生成所述第一模型，其中，所述训练数据包括基站历史运行数据、业务服务质量要求、网络性能指标，所述优化目标包括满足业务服务质量要求。
8.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310756539.9A CN116489752B (zh) | 2023-06-26 | 2023-06-26 | 基站节能方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310756539.9A CN116489752B (zh) | 2023-06-26 | 2023-06-26 | 基站节能方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116489752A CN116489752A (zh) | 2023-07-25 |
| CN116489752B true CN116489752B (zh) | 2023-09-12 |
Family
ID=87212356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310756539.9A Active CN116489752B (zh) | 2023-06-26 | 2023-06-26 | 基站节能方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116489752B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112512068A (zh) * | 2020-12-29 | 2021-03-16 | 中国联合网络通信集团有限公司 | 小区节能方法和基站 |
| 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 |
| CN113438719A (zh) * | 2021-06-23 | 2021-09-24 | 中国联合网络通信集团有限公司 | 一种节能方法、装置及可读存储介质 |
| WO2022057268A1 (zh) * | 2020-09-15 | 2022-03-24 | 中国电信股份有限公司 | 基站节能策略确定方法、装置以及存储介质 |
| CN115169212A (zh) * | 2021-04-06 | 2022-10-11 | 上海大唐移动通信设备有限公司 | 一种节能预测方法、装置及存储介质 |
-
2023
- 2023-06-26 CN CN202310756539.9A patent/CN116489752B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2022057268A1 (zh) * | 2020-09-15 | 2022-03-24 | 中国电信股份有限公司 | 基站节能策略确定方法、装置以及存储介质 |
| CN114269007A (zh) * | 2020-09-15 | 2022-04-01 | 中国电信股份有限公司 | 基站节能策略确定方法、装置以及方法存储介质 |
| CN112512068A (zh) * | 2020-12-29 | 2021-03-16 | 中国联合网络通信集团有限公司 | 小区节能方法和基站 |
| CN115169212A (zh) * | 2021-04-06 | 2022-10-11 | 上海大唐移动通信设备有限公司 | 一种节能预测方法、装置及存储介质 |
| CN113438719A (zh) * | 2021-06-23 | 2021-09-24 | 中国联合网络通信集团有限公司 | 一种节能方法、装置及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116489752A (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Senouci et al. | TOPSIS-based dynamic approach for mobile network interface selection | |
| Kang et al. | Autonomic personalized handover decisions for mobile services in heterogeneous wireless networks | |
| CN107113635A (zh) | 用于确定小区状态以调整天线配置参数的方法和装置 | |
| CN105682109B (zh) | 节能方法及装置 | |
| US20220286369A1 (en) | Quality of experience optimization system and method | |
| WO2021000757A1 (zh) | 一种网络优化方法、装置和存储介质 | |
| CN110519849B (zh) | 一种针对移动边缘计算的通信和计算资源联合分配方法 | |
| Peesapati et al. | Q-learning based radio resource adaptation for improved energy performance of 5G base stations | |
| CN112905315A (zh) | 移动边缘计算mec网络中的任务处理方法、装置及设备 | |
| Zhang et al. | Toward intelligent resource allocation on task-oriented semantic communication | |
| Jian et al. | Energy-efficient switching ON/OFF strategies analysis for dense cellular networks with partial conventional base-stations | |
| CN108521657B (zh) | 多业务数字分布系统上行底噪优化方法、装置和系统 | |
| CN116489752B (zh) | 基站节能方法、装置、设备以及存储介质 | |
| Guo et al. | An adaptive vertical handover algorithm based on the analytic hierarchy process for heterogeneous networks | |
| Tang et al. | A reinforcement learning approach for D2D-assisted cache-enabled HetNets | |
| Li et al. | Collaborative optimization of edge-cloud computation offloading in internet of vehicles | |
| Cai et al. | Game theory-based device-to-device network access algorithm for heterogeneous networks | |
| Zhang et al. | Optimal trade-off between power saving and QoS provisioning for multicell cooperation networks | |
| CN110177383B (zh) | 移动边缘计算中基于任务调度和功率分配的效率优化方法 | |
| Mazza et al. | A user-satisfaction based offloading technique for smart city applications | |
| CN104754669A (zh) | 基于网络QoS预测的异构无线网络垂直切换判决方法 | |
| CN115396955A (zh) | 一种基于深度强化学习算法的资源分配方法及装置 | |
| Chen et al. | Adaptive fuzzy-based rate management and power control in multimedia CDMA cellular systems | |
| WO2015073753A1 (en) | Adaptive generation of network scores from crowdsourced data | |
| Tran et al. | Energy-efficient handoff decision algorithms for CSH-MU mobility solution |
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 |