CN116506047A - 网络资源分配方法、装置和非易失性计算机可读存储介质 - Google Patents
网络资源分配方法、装置和非易失性计算机可读存储介质 Download PDFInfo
- Publication number
- CN116506047A CN116506047A CN202310755575.3A CN202310755575A CN116506047A CN 116506047 A CN116506047 A CN 116506047A CN 202310755575 A CN202310755575 A CN 202310755575A CN 116506047 A CN116506047 A CN 116506047A
- Authority
- CN
- China
- Prior art keywords
- user
- signal quality
- network
- resource allocation
- cell
- 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
- 238000013468 resource allocation Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001228 spectrum Methods 0.000 claims abstract description 91
- 230000006870 function Effects 0.000 claims description 40
- 238000010801 machine learning Methods 0.000 claims description 33
- 238000007726 management method Methods 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 44
- 239000011159 matrix material Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 102100029651 Arginine/serine-rich protein 1 Human genes 0.000 description 7
- 101000728589 Homo sapiens Arginine/serine-rich protein 1 Proteins 0.000 description 7
- 238000010276 construction Methods 0.000 description 4
- 239000000969 carrier Substances 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 2
- XCWPUUGSGHNIDZ-UHFFFAOYSA-N Oxypertine Chemical compound C1=2C=C(OC)C(OC)=CC=2NC(C)=C1CCN(CC1)CCN1C1=CC=CC=C1 XCWPUUGSGHNIDZ-UHFFFAOYSA-N 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000002346 layers by function Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000411 transmission spectrum Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开涉及一种网络资源分配方法、装置和非易失性计算机可读存储介质，涉及通信技术领域。该网络资源分配方法，包括：预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率；根据第一信号质量和下行频谱效率，以最大化小区的网络容量为目标为用户分配网络资源。本公开的技术方案能够均衡用户分布和负载，从而提高网络性能。
Description
技术领域
本公开涉及通信技术领域，特别涉及一种网络资源分配方法、网络资源分配装置和非易失性计算机可读存储介质。
背景技术
LTE（Long Term Evolution，长期演进）宽波束走向NR（New Radio，新空口）Massive MIMO（Massive multiple-in multiple-out，大规模多入多出）过程中，无线网络引入了空域新维度。例如，在5G共建共享后，针对TDD（Time Division Duplexing，时分双工）3.5G 2100为了+2.1G网络，存在264个窄波束和1个宽波束。
5G共建共享能在一套网络基础设施和设备的条件下，同时共享双方频谱资源。这样，在降低成本的同时频谱可用资源翻倍，从而让客户可以享受到容量翻倍、速率翻倍、服务更优的5G体验。
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：各频段间法高效的统筹调度，使得各网络资源上的用户分布和负载不均衡，导致网络性能下降。
鉴于此，本公开提出了一种网络资源分配技术方案，能够均衡用户分布和负载，从而提高网络性能。
根据本公开的一些实施例，提供了一种网络资源分配方法，包括：预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率；根据第一信号质量和下行频谱效率，以最大化小区的网络容量为目标为用户分配网络资源。
在一些实施例中，以最大化小区的网络容量为目标为用户分配网络资源包括：根据拟为用户配置的网络资源分配情况和下行频谱效率，建立目标函数，目标函数能够表征在网络资源分配情况下小区的网络容量；以网络资源分配情况为变量，最大化目标函数为目标，求解目标函数；根据求解的结果，为用户分配网络资源。
在一些实施例中，预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率包括：根据第一信号质量，预测用户与第一信号质量对应的频率资源的相关参数，相关参数能够表征用户是否会使用第一信号质量对应的频率资源；以最大化小区的网络容量为目标为用户分配网络资源包括：根据相关参数和下行频谱效率，以最大化小区的网络容量为目标为用户分配网络资源。
在一些实施例中，以最大化小区的网络容量为目标为用户分配网络资源包括：根据拟为用户配置的网络资源分配情况、相关参数和下行频谱效率，建立目标函数，目标函数能够表征在网络资源分配情况下小区的网络容量；以网络资源分配情况为变量，最大化目标函数为目标，求解目标函数；根据求解的结果，为用户分配网络资源。
在一些实施例中，预测用户与第一信号质量对应的频率资源的相关参数包括：在第一信号质量小于阈值的情况下，将相关参数预测为第一相关参数，第一相关参数能够表征用户不会使用第一信号质量对应的频率资源；在第一信号质量大于或等于阈值的情况下，将相关参数预测为第二相关参数，第二相关参数能够表征用户会使用第一信号质量对应的频率资源。
在一些实施例中，预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率包括：根据第一信号质量，预测用户是否会使用第一信号质量对应的频率资源；在用户会使用第一信号质量对应的频率资源的情况下，预测下行频谱效率。
在一些实施例中，预测第一信号质量和下行频谱效率包括：利用异频频点对应的第一机器学习模型，预测第一信号质量；利用异频频点对应的第二机器学习模型，预测下行频谱效率。
在一些实施例中，第一机器学习模型和第二机器学习模型，根据小区的相邻小区的波束协同区域的网管历史数据训练。
在一些实施例中，述第一机器学习模型和第二机器学习模型，根据网管历史数据构建的栅格模型训练，栅格模型包括相邻小区的多个波束的标识信息和多个波束中的每一个对应的信号质量。
在一些实施例中，网管历史数据包括RRC（Radio Resource Control，无线资源控制）连接用户数、待调度用户数、相邻小区的平均MCS（Modulation and Coding Scheme，调制编码策略）、相邻小区的PRB（Physical Resource Block，物理资源模块）利用率、PDCCH（Physical Downlink Control Channel，物理下行控制信道）CCE（Control ChannelElement，控制信道元素）利用率或者相邻小区的最后TTI（Transmission Time Interval，传输时间间隔）比例中的至少一项。
在一些实施例中，预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率包括：根据SSB（Synchronization Signal Block，同步信号块）的相关信息和相邻小区的第二信号质量，预测第一信号质量和下行频谱效率。
在一些实施例中，SSB的相关信息包括SSB的波束标识或SSB的索引信息中的至少一项，第一信号质量包括第一RSRP（Reference Signal Receiving Power，参考信号接收功率），第二信号质量包括第二RSRP。
根据本公开的另一些实施例，提供一种网络资源分配装置，包括：预测单元，用于预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率；分配单元，用于根据第一信号质量和下行频谱效率，以最大化小区的网络容量为目标为用户分配网络资源。
在一些实施例中，分配单元根据拟为用户配置的网络资源分配情况和下行频谱效率，建立目标函数，目标函数能够表征在网络资源分配情况下小区的网络容量，以网络资源分配情况为变量，最大化目标函数为目标，求解目标函数，根据求解的结果，为用户分配网络资源。
在一些实施例中，预测单元根据第一信号质量，预测用户与第一信号质量对应的频率资源的相关参数，相关参数能够表征用户是否会使用第一信号质量对应的频率资源；分配单元根据相关参数和下行频谱效率，以最大化小区的网络容量为目标为用户分配网络资源。
在一些实施例中，分配单元根据拟为用户配置的网络资源分配情况、相关参数和下行频谱效率，建立目标函数，目标函数能够表征在网络资源分配情况下小区的网络容量，以网络资源分配情况为变量，最大化目标函数为目标，求解目标函数，根据求解的结果，为用户分配网络资源。
在一些实施例中，预测单元在第一信号质量小于阈值的情况下，将相关参数预测为第一相关参数，第一相关参数能够表征用户不会使用第一信号质量对应的频率资源，在第一信号质量大于或等于阈值的情况下，将相关参数预测为第二相关参数，第二相关参数能够表征用户会使用第一信号质量对应的频率资源。
在一些实施例中，预测单元根据第一信号质量，预测用户是否会使用第一信号质量对应的频率资源，在用户会使用第一信号质量对应的频率资源的情况下，预测下行频谱效率。
在一些实施例中，预测单元利用异频频点对应的第一机器学习模型，预测第一信号质量；利用异频频点对应的第二机器学习模型，预测下行频谱效率。
在一些实施例中，第一机器学习模型和第二机器学习模型，根据小区的相邻小区的波束协同区域的网管历史数据训练。
在一些实施例中，第一机器学习模型和第二机器学习模型，根据网管历史数据构建的栅格模型训练，栅格模型包括相邻小区的多个波束的标识信息和多个波束中的每一个对应的信号质量。
在一些实施例中，网管历史数据包括RRC连接用户数、待调度用户数、相邻小区的平均MCS、相邻小区的PRB利用率、PDCCH CCE利用率或者相邻小区的最后TTI比例中的至少一项。
在一些实施例中，预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率包括：根据SSB的相关信息和相邻小区的第二信号质量，预测第一信号质量和下行频谱效率。
在一些实施例中，SSB的相关信息包括SSB的波束标识或SSB的索引信息中的至少一项，第一信号质量包括第一RSRP，第二信号质量包括第二RSRP。
根据本公开的又一些实施例，提供一种网络资源分配装置，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网络资源分配方法。
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网络资源分配方法。
在上述实施例中，以最大化网络容量为优化目标，为用户分配网络资源。这样，能够均衡用户分布和负载，实现网络资源的有效使用，从而提高网络性能。
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示出本公开的网络资源分配方法的一些实施例的流程图。
图2a~2d示出本公开的网络资源分配方法的一些实施例的示意图。
图3示出本公开的网络资源分配方法的另一些实施例的流程图。
图4示出本公开的网络资源分配装置的一些实施例的框图。
图5示出本公开的网络资源分配装置的另一些实施例的框图。
图6示出本公开的网络资源分配装置的又一些实施例的框图。
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，5G共建共享的各个频段间缺乏高效统筹调度，会引起不同频段用户分布、空域负载不均衡和频谱利用率无法达到最大化的技术问题。也就是说，缺乏高效统筹调度，会导致频段间用户分布、空域负载不均衡，空域上多用户配对能力无法进一步释放，频谱利用率无法达到最大化等成为共建共享优势的掣肘。
例如，因为频段优先级等原因，会导致用户优先驻留在TDD小区的有限的几个波束上，容易出现部分区域资源拥塞但其他资源空闲的情况；如果其中一个小区同时存在很多个用户，则调度资源受限，导致部分用户调度时间延迟 ，从而影响用户体验。
靠人工经验加上实地路测得出优化参数的模式，是一种基于大尺度、长周期、单目标的统一网络参数基线范式。这种模式在面对小区层、系统层、功能层等多对象、多目标、多参数复杂场景，束缚了网络能力充分发挥，网络实际上提供的能力大打折扣。
因此，需要一种网络级最优化理论，以此为顶层设计，从上而下指导共建共享下时频空资源的分配。本公开利用类香农定理，结合神经网络预测模型，提供一种这样的时频空3D波束协同方法，可实现时频空资源的有效使用，解决以上技术问题。
针对上述技术问题，本公开的技术方案能够在面对共建共享后空口资源翻倍且小区服务用户数成倍叠加的情况下，实现时频空资源的更加有效的利用。
例如，可以通过下面的实施例，实现本公开的技术方案。
图1示出本公开的网络资源分配方法的一些实施例的流程图。
如图1所示，在步骤110中，预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率。
在一些实施例中，利用异频频点对应的第一机器学习模型，预测第一信号质量；利用异频频点对应的第二机器学习模型，预测下行频谱效率。
在一些实施例中，第一机器学习模型和第二机器学习模型，根据小区的相邻小区的波束协同区域的网管历史数据训练。例如，述第一机器学习模型和第二机器学习模型，根据网管历史数据构建的栅格模型训练，栅格模型包括相邻小区的多个波束的标识信息和多个波束中的每一个对应的信号质量（如RSRP等）。
在一些实施例中，针对任一个异频频点，以波束横轴（x轴）坐标，RSRP为纵轴（y轴）坐标，小区为竖轴（z轴）坐标，将用户所在小区的相邻小区的进行时频空三维波束协同的区域，划分为多个栅格，以形成栅格模型（如图2b所示）。
例如，在与网管系统连接的其中一个基站中，根据网管历史数据，构建栅格模型和区域内的基于栅格模型的RSRP预测模型（即第一机器学习模型）和下行频谱效率预测模型（即第二机器学习模型）。
例如，网管历史数据包括RRC连接用户数、待调度用户数、相邻小区的平均MCS、相邻小区的PRB利用率、PDCCH CCE利用率或者相邻小区的最后TTI比例中的至少一项。
例如，区域内有M个异频频点，则有M个RSRP预测模型和M个下行频谱效率预测模型。
在一些实施例中，根据SSB的相关信息和相邻小区的第二信号质量，预测第一信号质量和下行频谱效率。
例如，SSB的相关信息包括SSB的波束标识（Beam ID）或SSB的索引信息（Index）中的至少一项，第一信号质量包括第一RSRP，第二信号质量包括第二RSRP。
在一些实施例中，根据第一信号质量，预测用户与第一信号质量对应的频率资源的相关参数，相关参数能够表征用户是否会使用第一信号质量对应的频率资源。
例如，基站将用户上报的所在小区的SSB Beam ID、SSB Index和用户测量的相邻小区Cell1的RSRP1、Cell2的RSRP2、Cell3的RSRP3......作为RSRP预测模型的输入，预测用户所在小区的RSRP。
这样，通过查询某个异频频点的RSRP预测模型，可以实现UE（User Equipment，用户设备）在该异频频点覆盖位置RSRP的快速预测。
例如，在第一信号质量小于阈值的情况下，将相关参数预测为第一相关参数，第一相关参数能够表征用户不会使用第一信号质量对应的频率资源；在第一信号质量大于或等于阈值的情况下，将相关参数预测为第二相关参数，第二相关参数能够表征用户会使用第一信号质量对应的频率资源。
例如，将预测出的RSRP与可配置的最小驻留门限（即阈值）相比，得出取值为0或1。区域内有M个异频频点，则有M个RSRP预测模型，用户可进行M次预测，M为正整数。为用户k在时刻t的相关参数，0为第一相关参数，1为第二相关参数。
在一些实施例中，根据第一信号质量，预测用户是否会使用第一信号质量对应的频率资源；在用户会使用第一信号质量对应的频率资源的情况下，预测下行频谱效率。在用户不会使用第一信号质量对应的频率资源的情况下，说明不必为用户分配该频率资源，无需预测下行频谱效率。
例如，鉴于网络级的类“香农定理”，当预测出值为0时，不进行下行频谱效率预测模型的使用；当预测出/>值为1时，进行下行频谱效率预测模型的使用。
例如，基站将用户上报的所在小区的SSB Beam ID、SSB Index和用户测量的相邻小区Cell1的RSRP1、Cell2的RSRP2、Cell3的RSRP3......作为下行频谱效率预测模型的输入，预测用户所在小区的下行频谱效率。
这样，通过查询该频点的下行频谱效率模型，可以实现UE在该异频频点覆盖位置频谱效率的快速预测。区域内有M个异频频点，则有M个下行频谱效率模型，用户可进行M次预测。
在步骤120中，根据第一信号质量和下行频谱效率，以最大化小区的网络容量为目标为用户分配网络资源。
在一些实施例中，根据相关参数和下行频谱效率，以最大化小区的网络容量为目标为用户分配网络资源。即，以最大化小区的网络容量为优化目标，将为用户分配网络资源的最优化问题，建模为优化模型。
例如，根据拟为用户配置的网络资源分配情况和下行频谱效率，建立目标函数，目标函数能够表征在网络资源分配情况下小区的网络容量；以网络资源分配情况为变量，最大化目标函数为目标，求解目标函数；根据求解的结果，为用户分配网络资源。
例如，根据拟为用户配置的网络资源分配情况、相关参数和下行频\效率，建立目标函数，目标函数能够表征在网络资源分配情况下小区的网络容量；以网络资源分配情况为变量，最大化目标函数为目标，求解目标函数；根据求解的结果，为用户分配网络资源。
在信息论里，有噪信道编码定理指出：尽管噪声会干扰通信信道，但还是有可能在信息传输速率小于信道容量的前提下，以任意低的错误概率传送数据信息。这被称为信息原理基本定理，也叫做香农定理。
香农公式指出，对于信噪比为S/N、带宽为B的加性高斯白噪声信道，其信道容量为C=Blog2（1+S/N）。
在一些实施例中，网络级的类“香农定理”在单链路性能已知的情况下，通过编排不同用户合理的使用时频空资源情况，达到网络级容量和体验最大化。以类“香农定理”作为指导，根据时频空三维波束协同技术，可以将网络级容量建模为网络级的多用户下时频空资源多维分配的组合优化问题。
例如，优化模型可以为公式（1）：
表示用户k在t时刻是否会使用空口资源，/>表示用户k在t时刻分配的频域资源，/>表示用户k在带宽资源b上的信号强度，/>表示用户k在带宽资源b上的干扰强度，/>表示用户k在带宽资源b上的噪声强度。/>表示下行频谱效率，表示为用户k分配波束n、带宽资源b的情况下，对应的预编码矩阵。
表示总调度时长，t表示时刻；/>表示总调度的用户数量，k表示用户编号；/>表示分配的带宽资源的总数，b表示带宽资源的编号。
例如，可以在同一时刻分配的频谱资源之和不超过总频谱资源的限制条件下，求解上面公式的目标函数。限制条件可以表示为：
在一些实施例中，对于5G网络来说，相对4G最重要的一个变化是大规模使用了Massive MIMO技术，通过Massive MIMO的Beamforming（波束形成）可以同时发送多个业务波束，提升用户发送频谱效率及网络容量。因此，需要将空域的复用建模到上面的公式中。
在一些实施例中，对于，考虑不同波束上用户可以通过MU（多用户）配对的方式复用相同频谱资源。可以将该情况建模为：
复用相同频谱资源的用户BeamID不同。限制条件可以为在同一时刻各波束上分配的频谱资源之和等于总频谱资源。
在一些实施例中，对于下行频谱效率，考虑最终基站发送的用户信号等于BF波束叠加信道传输矩阵，则下行频谱效率可以建模为：
为/>的转置，/>表示为用户k分配波束n、带宽资源b的情况对应的信道矩阵，/>表示底噪。/>为取行列式的平方运算，/>为取个元素的平方和的平方根运算。
下行频谱效率与为用户分配的波束、带宽资源对应的预编码矩阵、信道矩阵正相关，与为其他用户分配的波束、带宽资源对应的预编码矩阵、信道矩阵负相关，与底噪负相关。
下行频谱效率与为其他用户分配的波束、带宽资源对应的预编码矩阵、信道矩阵组成的行列式与为用户分配的波束、带宽资源对应的预编码矩阵的转置组成的行列式的平方和负相关。
在一些实施例中，将上面的公式带入公式（1），可以得到公式（2）所示的优化模型：
例如，公式（2）中的下行频谱效率可以通过栅格模型训练的下行频谱效率预测模型获得。
例如，公式（2）中的通过栅格模型，预测每个用户的波束标识信息，综合考虑相同波束标识上的用户综合，以RBG（Resource Block Group，资源块组）为粒度，确定这些用户的频域资源分配方法（例如，根据历史业务资源调度情况，实现资源分配）。
例如，公式（2）中的通过栅格模型来确定取值。在预测的RSRP小于最小驻留门限的情况下，/>取值为0。
这样，能够将上述网络级类“香农”公式简化为一个二次整数规划问题求解，最终求得每个用户的最优化资源分配。
例如，在公式（2）中，t、k、n和b在参与三维偶数协同的多个小区中的编号统一；取值为0或1，取值为0时表示后面的频谱资源与第k个用户无关，取值为1时表示后面的频谱资源可以分给第k个用户。可以先求出UE在其他载波上的RSRP值，如果这个RSRP值大于阈值，则/>=1，否则/>=0。
在一些实施例中，求解上述数学组合优化公式（2）的前提是需要知道每个用户的和下行频谱效率。但是，因为UE能力有限，不能同时驻留在多个载波，此时就需要预测UE如果驻留到其他载波上的频谱效率以及RSRP，从而求出/>值。
例如，以栅格模型作为基础，可实现对不同频段间的RSRP、下行频谱效率的预测。从而，为网络级的类“香农”定理求解提供了必要的输入。
在一些实施例中，本公开提供的网络资源分配方法可以由基站侧主动发起，而不是由新用户接入时触发。
图2a~2d示出本公开的网络资源分配方法的一些实施例的示意图。
如图2a所示，划定进行时频空三维波束协同的区域，如共3个基站，在这个区域中所有的时频空资源的编号统一。
如图2b所示，针对任一个异频频点，以波束横轴（x轴）坐标，RSRP为纵轴（y轴）坐标，小区为竖轴（z轴）坐标，将用户所在小区的相邻小区的进行时频空三维波束协同的区域，划分为多个栅格，以形成栅格模型。
在一些实施例中，栅格模型还可以包括多个维度的，例如，小区、RSRP、波束标识和RBG编号等。
基站将栅格作为关键特征量，挖掘出小区内所有栅格到某个异频频点的信号特征的映射关系。该映射关系的载体可以为一个栅格模型。例如，某5G小区配置M个异频邻频点，则有M个虚拟栅格模型。
如图2c所示，基于上述多个异频频点的栅格模型，根据区域内网管历史数据，训练并构建出两类机器学习预测模型：RSRP预测模型和下行频谱效率预测模型。
如图2d所示，RSRP预测模型可预测网络级的类“香农公式”，即公式（2），中的与带宽资源和波束号相关的值（0或1）；通过下行频谱效率预测模型可预测出公式（2）中的下行频谱效率。这两类预测模型的个数与异频邻区（如异频频点）数量相等。
基站将用户上报的所在小区的SSB Beam ID、SSB Index和用户测量的相邻小区Cell1的RSRP1、Cell2的RSRP2、Cell3的RSRP3......作为RSRP预测模型的输入，预测用户所在小区的RSRP。
这样，通过查询某个异频频点的RSRP预测模型，可以实现UE在该异频频点覆盖位置RSRP的快速预测。
将预测出的RSRP与可配置的最小驻留门限（即阈值）相比，得出取值为0或1。区域内有M个异频频点，则有M个RSRP预测模型，用户可进行M次预测，M为正整数。
基站将用户上报的所在小区的SSB Beam ID、SSB Index和用户测量的相邻小区Cell1的RSRP1、Cell2的RSRP2、Cell3的RSRP3......作为下行频谱效率预测模型的输入，预测用户所在小区的下行频谱效率。
这样，通过查询该频点的下行频谱效率模型，可以实现UE在该异频频点覆盖位置频谱效率的快速预测。区域内有M个异频频点，则有M个下行频谱效率模型，用户可进行M次预测。
图3示出本公开的网络资源分配方法的另一些实施例的流程图。
如图3所示，划定进行时频空三维波束协同的区域，如共3个基站，在这个区域中所有的时频空资源的编号统一。
建立虚拟的栅格模型与基于栅格的RSRP预测模型和下行频谱效率预测模型。根据网管历史数据，在与网管系统连接的其中一个基站中，构建栅格模型和区域内的基于栅格的RSRP预测模型和下行频谱效率预测模型。
历史数据包括：RRC连接用户数、待调度用户数、所有小区平均MCS、所有小区PRB利用率、PDCCH CCE利用率、小区Last TTI比例等。区域内有M个异频，则有M个RSRP 预测模型和下行频谱效率预测模型。
用户使用RSRP预测模型和下行频谱效率预测模型。预测区域中的用户测量区域内Cell1的RSRP得到RSRP1，预测Cell2的RSRP得到RSRP2，预测Cell3的RSRP得到RSRP3......。
用户将所在小区的SSB Beam ID、SSB Index和RSRP1、 RSRP2、 RSRP3……作为输入值，带入RSRP预测模型。当预测出值为0时，不进行下行频谱效率预测模型的运用；当预测出/>值为1时，需进行下行频谱效率预测模型的运用，得出下行频谱效率。
基站将和下行频谱效率带入公式（2）中，求出可使类香农公式最大化的中的n和b值。这样，可以得到最优时频空资源分配下的每个用户对应的波束及频谱资源。
基站将求解到的资源告知用户；如果该资源是另一个小区的资源，那么由原基站发起切换，将用户切换到最合适的小区的相应频谱、波束资源上。
在一些实施例中，可以更新预测模型。上述两个预测模型应用阶段会每隔一个周期持续进行模型的检测，当发现模型恶化时会重新构建模型。
在一些实施例中，上述技术方案可以应用于共建共享的多个TDD 3.5G 基站和FDD（Frequency Division Duplexing，频分双工）2.1G基站混合组网的情况。
上述实施例中，根据网络级的类“香农定理”，求解多个小区中每个用户应分配的时频空资源，使时频空资源的利用达到最大化；将虚拟栅格作为关键特征量，挖掘出小区内所有虚拟栅格到某个频点的信号特征的映射关系，形成多维虚拟栅格模型；根据网管历史数据，构建基于虚拟栅格的RSRP预测模型和下行频谱效率预测模型；区域内用户将所在小区的SSB Beam ID、SSB Index和前述RSRP1、RSRP2、 RSRP3作为输入值，带入RSRP预测模型和下行频谱效率预测模型，得出结合虚拟栅格模型的αk(t)和频谱效率，从而可在网络级的类“香农定理” 中同时求解出所有用户最合适的波束/频谱资源；基站将求解到的资源告知用户；如果该资源是另一个小区的资源，那么由原基站发起切换，将用户切换到最合适的小区的相应频谱/波束资源上。
图4示出本公开的网络资源分配装置的一些实施例的框图。
如图4所示，网络资源分配装置4包括：预测单元41，用于预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率；分配单元42，用于根据第一信号质量和下行频谱效率，以最大化小区的网络容量为目标为用户分配网络资源。
在一些实施例中，分配单元42根据拟为用户配置的网络资源分配情况和下行频谱效率，建立目标函数，目标函数能够表征在网络资源分配情况下小区的网络容量，以网络资源分配情况为变量，最大化目标函数为目标，求解目标函数，根据求解的结果，为用户分配网络资源。
在一些实施例中，预测单元41根据第一信号质量，预测用户与第一信号质量对应的频率资源的相关参数，相关参数能够表征用户是否会使用第一信号质量对应的频率资源；分配单元42根据相关参数和下行频谱效率，以最大化小区的网络容量为目标为用户分配网络资源。
在一些实施例中，分配单元42根据拟为用户配置的网络资源分配情况、相关参数和下行频谱效率，建立目标函数，目标函数能够表征在网络资源分配情况下小区的网络容量，以网络资源分配情况为变量，最大化目标函数为目标，求解目标函数，根据求解的结果，为用户分配网络资源。
在一些实施例中，预测单元41在第一信号质量小于阈值的情况下，将相关参数预测为第一相关参数，第一相关参数能够表征用户不会使用第一信号质量对应的频率资源，在第一信号质量大于或等于阈值的情况下，将相关参数预测为第二相关参数，第二相关参数能够表征用户会使用第一信号质量对应的频率资源。
在一些实施例中，预测单元41根据第一信号质量，预测用户是否会使用第一信号质量对应的频率资源，在用户会使用第一信号质量对应的频率资源的情况下，预测下行频谱效率。
在一些实施例中，预测单元41利用异频频点对应的第一机器学习模型，预测第一信号质量；利用异频频点对应的第二机器学习模型，预测下行频谱效率。
在一些实施例中，第一机器学习模型和第二机器学习模型，根据小区的相邻小区的波束协同区域的网管历史数据训练。
在一些实施例中，第一机器学习模型和第二机器学习模型，根据网管历史数据构建的栅格模型训练，栅格模型包括相邻小区的多个波束的标识信息和多个波束中的每一个对应的信号质量。
在一些实施例中，网管历史数据包括RRC连接用户数、待调度用户数、相邻小区的平均MCS、相邻小区的PRB利用率、PDCCH CCE利用率或者相邻小区的最后TTI比例中的至少一项。
在一些实施例中，预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率包括：根据SSB的相关信息和相邻小区的第二信号质量，预测第一信号质量和下行频谱效率。
在一些实施例中，SSB的相关信息包括SSB的波束标识或SSB的索引信息中的至少一项，第一信号质量包括第一RSRP，第二信号质量包括第二RSRP。
图5示出本公开的网络资源分配装置的另一些实施例的框图。
如图5所示，该实施例的网络资源分配装置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网络资源分配方法。
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示出本公开的网络资源分配装置的又一些实施例的框图。
如图6所示，该实施例的网络资源分配装置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网络资源分配方法。
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。
网络资源分配装置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。
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网络资源分配方法、网络资源分配装置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 (15)
1.一种网络资源分配方法，包括：
预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率；
根据所述第一信号质量和下行频谱效率，以最大化所述小区的网络容量为目标为所述用户分配网络资源。
2.根据权利要求1所述的网络资源分配方法，其中，所述以最大化所述小区的网络容量为目标为所述用户分配网络资源包括：
根据拟为所述用户配置的网络资源分配情况和所述下行频谱效率，建立目标函数，所述目标函数能够表征在所述网络资源分配情况下所述小区的网络容量；
以所述网络资源分配情况为变量，最大化所述目标函数为目标，求解所述目标函数；
根据求解的结果，为所述用户分配网络资源。
3.根据权利要求1所述的网络资源分配方法，其中，所述预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率包括：
根据所述第一信号质量，预测所述用户与所述第一信号质量对应的频率资源的相关参数，所述相关参数能够表征所述用户是否会使用所述第一信号质量对应的频率资源；
所述以最大化所述小区的网络容量为目标为所述用户分配网络资源包括：
根据所述相关参数和所述下行频谱效率，以最大化所述小区的网络容量为目标为所述用户分配网络资源。
4.根据权利要求3所述的网络资源分配方法，其中，所述以最大化所述小区的网络容量为目标为所述用户分配网络资源包括：
根据拟为所述用户配置的网络资源分配情况、所述相关参数和所述下行频谱效率，建立目标函数；
以所述网络资源分配情况为变量，最大化所述目标函数为目标，求解所述目标函数；
根据求解的结果，为所述用户分配网络资源。
5.根据权利要求3所述的网络资源分配方法，其中，所述预测所述用户与所述第一信号质量对应的频率资源的相关参数包括：
在所述第一信号质量小于阈值的情况下，将所述相关参数预测为第一相关参数，所述第一相关参数能够表征所述用户不会使用所述第一信号质量对应的频率资源；
在所述第一信号质量大于或等于阈值的情况下，将所述相关参数预测为第二相关参数，所述第二相关参数能够表征所述用户会使用所述第一信号质量对应的频率资源。
6.根据权利要求1-5任一项所述的网络资源分配方法，其中，所述预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率包括：
根据所述第一信号质量，预测所述用户是否会使用所述第一信号质量对应的频率资源；
在所述用户会使用所述第一信号质量对应的频率资源的情况下，预测所述下行频谱效率。
7.根据权利要求1-5任一项所述的网络资源分配方法，其中，所述预测所述第一信号质量和所述下行频谱效率包括：
利用所述异频频点对应的第一机器学习模型，预测所述第一信号质量；
利用所述异频频点对应的第二机器学习模型，预测所述下行频谱效率。
8.根据权利要求7所述的网络资源分配方法，其中，所述第一机器学习模型和所述第二机器学习模型，根据所述小区的相邻小区的波束协同区域的网管历史数据训练。
9.根据权利要求8所述的网络资源分配方法，其中，述第一机器学习模型和所述第二机器学习模型，根据所述网管历史数据构建的栅格模型训练，所述栅格模型包括所述相邻小区的多个波束的标识信息和所述多个波束中的每一个对应的信号质量。
10.根据权利要求9所述的网络资源分配方法，其中，所述网管历史数据包括无线资源控制RRC连接用户数、待调度用户数、所述相邻小区的平均调制编码策略MCS、所述相邻小区的物理资源模块PRB利用率、物理下行控制信道元素PDCCH CCE利用率或者所述相邻小区的最后传输时间间隔TTI比例中的至少一项。
11.根据权利要求1-5任一项所述的网络资源分配方法，其中，所述预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率包括：
根据同步信号块SSB的相关信息和所述小区的相邻小区的第二信号质量，预测所述第一信号质量和所述下行频谱效率。
12.根据权利要求11所述的网络资源分配方法，其中，所述SSB的相关信息包括SSB的波束标识或SSB的索引信息中的至少一项，所述第一信号质量包括第一参考信号接收功率RSRP，所述第二信号质量包括第二RSRP。
13.一种网络资源分配装置，包括：
预测单元，用于预测用户所在小区的异频频点的覆盖位置的第一信号质量和下行频谱效率；
分配单元，用于根据所述第一信号质量和下行频谱效率，以最大化所述小区的网络容量为目标为所述用户分配网络资源。
14.一种网络资源分配装置，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1-12任一项所述的网络资源分配方法。
15.一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1-12任一项所述的网络资源分配方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310755575.3A CN116506047B (zh) | 2023-06-26 | 2023-06-26 | 网络资源分配方法、装置和非易失性计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310755575.3A CN116506047B (zh) | 2023-06-26 | 2023-06-26 | 网络资源分配方法、装置和非易失性计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116506047A true CN116506047A (zh) | 2023-07-28 |
| CN116506047B CN116506047B (zh) | 2023-09-15 |
Family
ID=87318713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310755575.3A Active CN116506047B (zh) | 2023-06-26 | 2023-06-26 | 网络资源分配方法、装置和非易失性计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116506047B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080198906A1 (en) * | 2007-02-16 | 2008-08-21 | Byung-Jik Kim | Apparatus and method for increasing cell capacity through optional signal combining between relay stations in a cellular system using wired relay stations |
| CN103503498A (zh) * | 2011-07-21 | 2014-01-08 | 华为技术有限公司 | 一种移动网络中容量和覆盖的自优化方法和装置 |
| CN104540139A (zh) * | 2014-12-04 | 2015-04-22 | 北京邮电大学 | 异构融合网络资源分配方法和系统 |
| CN105430753A (zh) * | 2015-12-31 | 2016-03-23 | 中国科学技术大学 | 一种提高密集小小区网络中系统吞吐量的方法 |
| CN105636057A (zh) * | 2016-01-04 | 2016-06-01 | 南京邮电大学 | 超密集网络中一种基于非协作博弈的资源分配方法 |
| CN110290540A (zh) * | 2018-03-19 | 2019-09-27 | 中国移动通信集团吉林有限公司 | 一种确定小区容量的方法及装置 |
| CN112654063A (zh) * | 2020-12-15 | 2021-04-13 | 中国联合网络通信集团有限公司 | 一种上行容量的评估方法及装置 |
| US20210400501A1 (en) * | 2020-06-23 | 2021-12-23 | Verizon Patent And Licensing Inc. | Upgrade recommendations for wireless wide area networks |
-
2023
- 2023-06-26 CN CN202310755575.3A patent/CN116506047B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080198906A1 (en) * | 2007-02-16 | 2008-08-21 | Byung-Jik Kim | Apparatus and method for increasing cell capacity through optional signal combining between relay stations in a cellular system using wired relay stations |
| CN103503498A (zh) * | 2011-07-21 | 2014-01-08 | 华为技术有限公司 | 一种移动网络中容量和覆盖的自优化方法和装置 |
| CN104540139A (zh) * | 2014-12-04 | 2015-04-22 | 北京邮电大学 | 异构融合网络资源分配方法和系统 |
| CN105430753A (zh) * | 2015-12-31 | 2016-03-23 | 中国科学技术大学 | 一种提高密集小小区网络中系统吞吐量的方法 |
| CN105636057A (zh) * | 2016-01-04 | 2016-06-01 | 南京邮电大学 | 超密集网络中一种基于非协作博弈的资源分配方法 |
| CN110290540A (zh) * | 2018-03-19 | 2019-09-27 | 中国移动通信集团吉林有限公司 | 一种确定小区容量的方法及装置 |
| US20210400501A1 (en) * | 2020-06-23 | 2021-12-23 | Verizon Patent And Licensing Inc. | Upgrade recommendations for wireless wide area networks |
| CN112654063A (zh) * | 2020-12-15 | 2021-04-13 | 中国联合网络通信集团有限公司 | 一种上行容量的评估方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116506047B (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102208117B1 (ko) | 무선 자원 관리 방법 및 이를 위한 장치 | |
| US20160286425A1 (en) | Method and system for wireless network optimization | |
| US8190168B2 (en) | Enhanced scheduling techniques for wireless communication networks | |
| EP2842030B1 (en) | System and method for interference coordination | |
| EP2929633B1 (en) | Coordinated transmission and reception in a wireless telecommunications network | |
| US11218192B2 (en) | Uplink active set management for multiple-input multiple-output communications | |
| US9955489B2 (en) | Small cell system and method for allocating resource thereof | |
| US9338686B2 (en) | Method for operating a wireless network, a wireless network and a device | |
| WO2020154564A1 (en) | Methods for the enforcement of network slicing policies in virtualized cellular networks | |
| CN109996248A (zh) | 用于无线通信的电子设备和方法以及计算机可读存储介质 | |
| CN104412647B (zh) | 用于帮助解决通信系统中的边界问题的集群优化的方法 | |
| JP2018516498A (ja) | アダプティヴダウンリンクＣｏＭＰ伝送方法及び装置 | |
| CN104168656A (zh) | 一种探测参考信号srs资源分配方法及装置 | |
| US11032841B2 (en) | Downlink active set management for multiple-input multiple-output communications | |
| US20220394736A1 (en) | Scheduling Enhanced Mobile Broadband Transmissions | |
| WO2020156397A1 (zh) | 频谱管理设备、电子设备、无线通信方法和存储介质 | |
| CN116506047B (zh) | 网络资源分配方法、装置和非易失性计算机可读存储介质 | |
| Chen et al. | Resource allocation with CoMP transmission in ultra dense cloud-based LTE small cell networks | |
| CN103442365B (zh) | 一种降低站内CoMP系统干扰的频率复用方法 | |
| Zhu et al. | Coordinated resource allocation in centralized radio access networks with dynamic downlink/uplink reconfiguration | |
| Liu et al. | Performance analysis of CoMP in ultra-dense networks with limited backhaul capacity | |
| US20210282051A1 (en) | Method and apparatus for selecting carrier in mobile communication system | |
| KR102480496B1 (ko) | 사용자 중심 무선 네트워크의 자원 관리 방법 및 장치 | |
| US20230217312A1 (en) | Adaptive radio access network bit rate scheduling | |
| US20230327844A1 (en) | Time division duplex pattern configuration for cellular networks |
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 |