CN116711278A - 通过调整流特性获得用于基于学习的资源管理的样本 - Google Patents
通过调整流特性获得用于基于学习的资源管理的样本 Download PDFInfo
- Publication number
- CN116711278A CN116711278A CN202180088028.3A CN202180088028A CN116711278A CN 116711278 A CN116711278 A CN 116711278A CN 202180088028 A CN202180088028 A CN 202180088028A CN 116711278 A CN116711278 A CN 116711278A
- Authority
- CN
- China
- Prior art keywords
- data
- flow
- samples
- processor
- base station
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 8
- 230000007812 deficiency Effects 0.000 claims description 5
- 210000004027 cell Anatomy 0.000 description 58
- 238000007726 management method Methods 0.000 description 32
- 230000015654 memory Effects 0.000 description 29
- 238000012545 processing Methods 0.000 description 25
- 238000003860 storage Methods 0.000 description 23
- 238000013528 artificial neural network Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- QWXYZCJEXYQNEI-OSZHWHEXSA-N intermediate I Chemical compound COC(=O)[C@@]1(C=O)[C@H]2CC=[N+](C\C2=C\C)CCc2c1[nH]c1ccccc21 QWXYZCJEXYQNEI-OSZHWHEXSA-N 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- VIKNJXKGJWUCNN-XGXHKTLJSA-N norethisterone Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 VIKNJXKGJWUCNN-XGXHKTLJSA-N 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Abstract
一种用于在无线网络中获得用于动态资源管理系统的样本的系统(1,21)被配置为分析(101)用于动态资源管理系统的数据以确定在该数据中不存在或代表性不足的输入值的一个或多个组合。该动态资源管理系统使用监督式学习来估计资源需求。该系统进一步被配置为:调整(103)用户设备与基站之间的数据流的一种或多种流特性,以获得输入值的这些组合之一;确定用于该数据流的资源数量、以及与该数据流相关的实际状态和/或小区特性;基于该所使用的资源数量、这些经过调整的流特性和该实际状态和/或这些小区特性来创建新样本;以及将该新样本存储在该数据中。
Description
技术领域
本发明涉及一种用于在无线网络中获得用于动态资源管理系统的样本的系统,该动态资源管理系统使用监督式学习来估计资源需求。
本发明进一步涉及一种在无线网络中获得用于动态资源管理系统的样本的方法,该动态资源管理系统使用监督式学习来估计资源需求。
本发明还涉及一种使计算机系统能够执行这样的方法的计算机程序产品。
背景技术
在移动通信网络中,资源被动态地分配给用户设备。例如,在5G中,基站(gNodeB)运行调度器,该调度器例如每一毫秒将资源块指派给不同的用户设备(UE)。还可以将资源动态地指派给切片和/或小区。例如,5G网络切片是使得虚拟化和独立的逻辑网络能够在同一物理网络基础设施上进行复用的网络架构特征。切片可以涉及一个小区或多个小区。可以通过将资源动态地指派给不同切片来优化资源的利用。
通常,资源指派决策是基于对由(一类)用户或应用程序施加的资源需求的预测。机器学习可以用于预测这种资源需求。例如,Craig Gutterman等人在Mobihoc'19:Proceedings of the Twentieth ACM International Symposium on Mobile Ad HocNetworking and Computing[第20届ACM移动自组织网络与计算国际研讨会论文集](2019年7月)中的论文“RAN Resource Usage Prediction for a 5G Slice Broker[5G切片代理的RAN资源使用预测]”描述了使用机器学习来进行时间序列预测,其中,历史信息用于预测未来时间步长的资源需求。
尽管时间序列预测在可以观察到时间依赖性的场景中效果很好,但它无法有效地适用于预测罕见地发生的场景。在这样的情况下,比如人工神经网络等监督式机器学习模型可以用于基于比如服务要求、无线信道条件、干扰水平和小区负载等可观察网络因素进行资源需求的预测。
监督式机器学习模型学会基于一组带标签的观察来进行预测。该组还被称为数据或训练数据,在很大程度上决定了模型预测的准确性。一般来说,数据必须是大量的、多样的和无偏差的以使模型能够进行良好的预测。此外,数据必须充分地代表预期所得到的模型进行预测的场景。在这些情况下,良好的泛化确实是有帮助的,但众所周知的事实是,找到不对数据进行过拟合的模型与找到捕获数据的所有基本特性的模型是相矛盾的。因此,充足的泛化是在推导机器学习模型时的已知并且困难的问题。此外,数据或训练数据中的高偏差可能引起欠拟合,使所得到的机器学习模型可能错过观察变量与目标输出之间的相关关系。
发明内容
本发明的第一目的是提供一种可以用于改进用于基于监督式学习的资源需求估计的数据的系统。
本发明的第二目的是提供一种可以用于改进用于基于监督式学习的资源需求估计的数据的方法。
在本发明的第一方面,一种用于在无线网络中获得用于动态资源管理系统的样本的系统(该动态资源管理系统使用监督式学习来估计资源需求)包括至少一个处理器,该至少一个处理器被配置为分析动态资源管理系统的数据以确定在数据中不存在或代表性不足的输入值的一个或多个组合,该数据包括多个样本,这些样本中的每一个包括作为输入值的流特性和状态和/或小区特性、以及作为输出值的资源数量。
该至少一个处理器进一步被配置为:调整用户设备与基站之间的数据流的一种或多种流特性,以获得在数据中不存在或代表性不足的输入值的一个或多个组合之一;确定用于数据流的资源数量、以及与数据流相关的实际状态和/或小区特性;基于所使用的资源数量、经过调整的流特性和实际状态和/或小区特性来创建新样本;以及将新样本存储在数据中。
这种系统使得可以处理与给定的足够存在的第二应用场景相对应的流量的一部分(与输入值的组合相对应),就好像它与另一非足够存在的第一应用场景(即,需要将数据样本用于训练目的的应用场景)相对应一样。例如,第一应用场景可以包括占总处理流量的很小部分的应用程序(例如,需要延迟关键保证比特率流的应用程序)、计划用于未来使用的尚未使用的应用程序、或更常使用但现在具有相关联的不常见服务质量(QoS)要求或其他流特性的应用程序。
为了获得更佳数据,可以对第二应用场景的流量进行与例如基站处的调度器所预期的处理方式不同地处理,以便模仿与第一应用场景相对应的流的处理。作为具体示例,经过调整的流量处理可以需要QoS感知调度器通过与所关注的第一应用场景相关联的QoS要求临时地覆盖与第二应用场景的当前流相关联的实际QoS要求。利用这种方法,可以在无线网络的操作使用期间获得样本,而不需要产生任何附加的人工流量,这可能会更大地影响订户。数据可以是训练数据并且样本可以是训练样本。
数据流可以由例如用户设备或核心网功能(例如,SMF、UPF或AMF)发起。例如,数据流可以是5G服务质量(QoS)流。优选地,经过调整的流特性类似于未调整流特性,并且包括比未调整流特性中包括的QoS要求更严格或同样地严格的QoS要求。
可以按照数据流将作为输出值包括在样本中的资源数量指定为例如每个数据流的物理资源块(PRB)的数量。在这种情况下,可以使用监督式学习来估计每个数据流的资源需求,并且例如,然后可以例如使用聚合方法、使用每个数据流的这个资源需求来估计每个切片或小区的资源需求。如果在同一时间间隔内存在具有低时延要求的许多数据流,则可以将同时流的资源需求的总和乘以乘法因子,该乘法因子可以取决于状态和/或小区特性,或者可以将特定量的裕度与该总和相加以获得每个切片或小区的资源需求。然后可以例如使用强化学习方法将每个切片或小区的所估计资源需求指派给这些切片或小区。
可以估计当前和/或未来资源需求。对未来资源需求的估计还被称为所预测资源需求。资源需求预测和资源指派可以周期性地执行和/或可以由某些事件触发。例如,可以在(毫)秒、分钟或甚至更高的时间尺度上周期性地执行资源需求预测和资源指派。例如,监督式学习过程可以涉及训练神经网络。由调度器分配给数据流的PRB可以被假设为用于数据流的PRB,但例如由于设备的发射功率限制,并非指派给上行链路流量的所有PRB可以始终在实践中使用。
数据流可以是现有数据流或新数据流。流特性可以包括选自多个服务质量等级的一个服务质量等级。例如,该多个服务质量等级可以包括以下项中的一个或多个:非保证比特率、非延迟关键保证比特率、以及延迟关键保证比特率。例如,该多个服务质量等级可以是5G 5QI等级。
该至少一个处理器可以被配置为针对该多个服务质量等级中的每一个基于相应服务质量等级从流特性和状态和/或小区特性中选择多种特性,并且通过按照服务质量等级确定选定特性的组合在数据中是否不存在或代表性不足来确定输入值的一个或多个组合,该多种选定特性包括相应服务质量等级。例如,可以针对非保证比特率和非延迟关键保证比特率数据流选择RSRP、平均相邻小区负载和经历过的吞吐量,并且可以针对延迟关键保证比特率数据流选择RSRP、平均相邻小区负载、经历过的吞吐量和经历过的时延。
该至少一个处理器可以被配置为通过按照服务质量等级确定这些样本中有多少具有彼此偏离小于特定量(例如,类似25%或33%的特定百分比)的选定特性的组合来按照服务质量等级确定选定特性的组合在数据中是否不存在或代表性不足。可以将可以假设特性的值的范围划分(手动地或自动地)为特定数量的例如相等大小的组,并且同一组中的值可以被视为彼此偏离小于特定量。作为第一示例,如果QoS等级“延迟关键保证比特率”的样本中的任何一个都不具有-60dBm的RSRP、80%的平均相邻小区负载、20Mb/s的经历过的吞吐量、以及75ms的经历过的时延,则在实际RSRP是-60dBm或可选地靠近-60dBm并且实际平均相邻小区负载是80%或可选地靠近80%的情况下,可以将新或现有数据流的QoS等级从“非保证比特率”调整到“延迟关键保证比特率”。
作为第二示例,如果QoS等级“延迟关键保证比特率”的样本中的任何一个都不具有-50dBm与-70dBm之间的RSRP、65%与85%之间的平均相邻小区负载、15Mb/s与25Mb/s之间的经历过的吞吐量、以及60ms与90ms之间的经历过的时延,则在实际RSRP是在-50dBm与-70dBm之间并且平均相邻小区负载是在65%与85%之间的情况下,可以将新或现有数据流的QoS等级从“非保证比特率”调整到“延迟关键保证比特率”。作为第三示例,如果QoS等级“延迟关键保证比特率”的样本中的任何一个都不具有-50dBm与-70dBm之间的RSRP、65%与85%之间的平均相邻小区负载、15Mb/s与25Mb/s之间的经历过的吞吐量、以及60ms与90ms之间的经历过的时延,则在不考虑实际RSRP和实际平均相邻小区负载的情况下,可以将新或现有数据流的QoS等级从“非保证比特率”调整到“延迟关键保证比特率”。与在第一和第二示例中相比,在第三示例中,将需要更频繁地调整数据流的流特性。
作为输出值包括在样本中的资源数量可以按照时间间隔并且按照切片和/或小区指定,并且流特性可以包括至少指示在该时间间隔内每个服务质量等级的数据流数量的一个或多个值。代替使用监督式学习来估计每个数据流的资源需求并且然后基于每个数据流的这个资源需求以不同的方式(例如,使用聚合方法)估计每个切片或小区的资源需求,可以将监督式学习用于直接估计每个切片和/或小区的资源需求或甚至用于直接确定每个切片和/或小区的资源指派。
在这种情况下,性能指标可以作为输出值额外地包括在样本中,以便能够指定包括那些性能指标的损失函数以允许改进性能。切片利用率和每个切片中被拒绝的流的数量是这样的性能指标的示例。如果在样本中未代表或未充分代表每个QoS等级的数据流在同一时间间隔内的数量的特定组合,则可以调整流特性以获得这些样本。
状态和/或小区特性可以包括指示无线信道条件、干扰水平、吞吐量、时延、天线方向、调度器参数和双工模式中的一个或多个的一个或多个值。无线信道条件、干扰水平、吞吐量和时延都是状态特性的示例。天线方向、调度器参数和双工模式(例如FDD/TDD)是小区特性的示例。平均相邻小区负载是指示干扰水平的值的示例。RSRP是指示无线信道条件的值的示例。
该至少一个处理器可以被配置为通过向核心网功能发射使用至少一种经过调整的流特性的请求来引起对这些流特性中的至少一种流特性的调整。这可以用于确保核心网功能并且因此例如确保对应的应用程序知晓实际应用的服务质量。
该系统可以包括控制器和基站,该控制器包括第一处理器并且该基站包括第二处理器,该第一处理器被配置为确定在数据中不存在或代表性不足的输入值的一个或多个组合,并且向基站通知该一个或多个组合,并且该第二处理器被配置为调整数据流的一种或多种流特性,以获得在数据中不存在或代表性不足的输入值的一个或多个组合之一。
作为第一示例,控制器指定要进行哪些调整,并且基站仅对匹配这些调整的所有后续流遵从这个请求。作为第二示例,控制器仅向基站通知一个或多个组合和调整,并且基站决定在哪个(哪些)情况下执行调整。例如,如果从“非保证比特率”调整到“延迟关键保证比特率”,则基站可以决定仅在需要“非保证比特率”的所有数据流的10%中执行调整。这样做的原因可能是为了避免基于调整流特性而创建过多数据样本,这可能导致引入相反的偏差。
第二处理器可以被配置为向用户设备发射通知用户设备临时地使用数据流的经过调整的流特性的消息,经过调整的流特性包括在一种或多种经过调整的流特性中。消息可以包括与经过调整的流特性相关联的规则要由用户设备使用的时间间隔。临时调整可以有益于减少收集样本对所使用的资源的影响和/或减少服务质量对用户体验的影响。
该第二处理器可以被配置为向用户设备发射请求,接收对该请求的响应,并且取决于该响应是肯定的来调整该一种或多种流特性,该请求请求准许使用该一个或多个经过调整的流特性。例如,在需要放宽服务质量要求以获得期望样本的情况下,这可以是有益的。
在本发明的第二方面中,用于与上述系统一起使用或交互的用户设备包括至少一个处理器,该至少一个处理器被配置为从基站接收消息,该消息请求用户设备准许使用数据流的经过调整的流特性,或通知用户设备临时地使用数据流的经过调整的流特性,并且使用与经过调整的流特性相关联的规则。
在本发明的第三方面,一种在无线网络中获得用于动态资源管理系统(该动态资源管理系统使用监督式学习来估计资源需求)的样本的方法包括分析动态资源管理系统的数据以确定在数据中不存在或代表性不足的输入值的一个或多个组合,该数据包括多个样本,这些样本中的每一个包括作为输入值的流特性和状态和/或小区特性、以及作为输出值的资源数量。
该方法进一步包括:调整用户设备与基站之间的数据流的一种或多种流特性,以获得在数据中不存在或代表性不足的输入值的一个或多个组合之一;确定用于数据流的资源数量、以及与该数据流相关的实际状态和/或小区特性;基于所使用的资源数量、经过调整的流特性和实际状态和/或小区特性来创建新样本;以及将新样本存储在数据中。数据可以是训练数据并且样本可以是训练样本。该方法可以通过在可编程设备上运行的软件来执行。可以提供这个软件作为计算机程序产品。
此外,提供了一种用于执行本文描述的方法的计算机程序、以及存储该计算机程序的非暂态计算机可读存储介质。例如,计算机程序可以由现有设备下载或上传到现有设备,或者在制造这些系统时进行存储。
非暂态计算机可读存储介质存储至少第一软件代码部分,在由计算机执行或处理时,该第一软件代码部分被配置为执行用于在无线网络中获得用于动态资源管理系统的样本的可执行操作,该动态资源管理系统使用监督式学习来估计资源需求。
可执行操作包括在无线网络中获得用于动态资源管理系统的样本,该动态资源管理系统使用监督式学习来估计资源需求,这些可执行操作包括分析动态资源管理系统的数据以确定在数据中不存在或代表性不足的输入值的一个或多个组合,该数据包括多个样本,这些样本中的每一个包括作为输入值的流特性和状态和/或小区特性、以及作为输出值的资源数量。
可执行操作进一步包括:调整用户设备与基站之间的数据流的一种或多种流特性,以获得数据中不存在或代表性不足的输入值的一个或多个组合之一;确定用于数据流的资源数量、以及与数据流相关的实际状态和/或小区特性;基于所使用的资源数量、经过调整的流特性和实际状态和/或小区特性来创建新样本;以及将新样本存储在数据中。
如本领域技术人员将理解,本发明的各方面可以实施为设备、方法或计算机程序产品。因此,本发明的各方面可以采取完全硬件实施例、完全软件实施例(包括固件、驻留软件、微代码等)或者在本文通常可以全部被称为“电路”、“模块”或者“系统”的组合软件和硬件方面的实施例的形式。本披露内容中描述的功能可以实施为由计算机的处理器/微处理器执行的算法。此外,本发明的各方面可以采取在具有在其上实施的、例如存储的计算机可读程序代码的一个或多个计算机可读介质中实施的计算机程序产品的形式。
可以利用一个或多个计算机可读介质的任何组合。计算机可读介质可以是计算机可读信号介质或计算机可读存储介质。例如,计算机可读存储介质可以是例如但不限于电子、磁、光、电磁、红外、或半导体系统、装置或设备,或上述的任何合适的组合。计算机可读存储介质的更具体的示例可以包括但不限于以下:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪速存储器)、光纤、便携式紧凑光盘只读存储器(CD-ROM)、光存储设备、磁存储设备、或者上述的任何合适的组合。在本发明的上下文中,计算机可读存储介质可以是可以包含或存储用于由指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序的任何有形介质。
计算机可读信号介质可以包括具有在其中(例如,在基带中或作为载波的一部分)实施的计算机可读程序代码的传播数据信号。这种传播信号可以采取各种形式中的任何一种,包括但不限于,电磁的、光的或其任何合适的组合。计算机可读信号介质可以是不是计算机可读存储介质并且可以通信、传播、或传输程序以用于由指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的任何计算机可读介质。
可以使用任何适当的介质传输在计算机可读介质上实施的程序代码,这种介质包括但不限于无线、有线、光纤、电缆、RF等,或上述的任何合适的组合。用于执行本发明的各方面的操作的计算机程序代码可以以一种或多种编程语言的任何组合编写,该一种或多种编程语言包括比如Java(TM)、Smalltalk、C++等面向对象的编程语言以及比如“C”编程语言或类似的编程语言等常规过程编程语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为独立软件包执行、部分地在用户计算机上执行并部分地在远程计算机上执行、或完全地在远程计算机或服务器上执行。在后一种场景中,远程计算机可以通过包括局域网(LAN)或广域网(WAN)的任何类型的网络连接到用户计算机,或可以进行与外部计算机的连接(例如,使用互联网服务提供商、通过互联网)。
下面将参照根据本发明的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明的各方面。将理解的是流程图和/或框图的每个框以及流程图和/或框图中的框的组合可以由计算机程序指令实施。可以将这些计算机程序指令提供给通用计算机、专用计算机、或其他可编程数据处理装置的处理器,具体是微处理器或中央处理单元(CPU)以产生机器,使得经由计算机或其他可编程数据处理装置或其他设备的处理器执行的指令创建用于实施流程图和/或框图的一个或多个框中指定的功能/动作的装置。
这些计算机程序指令还可以存储在计算机可读介质中,该计算机可读介质可以指导计算机、其他可编程数据处理装置、或其他设备以用特殊的方式发挥功能,从而使得存储在该计算机可读介质中的指令产生制造的包括指令的物品,这些指令实施流程图和/或框图的一个或多个框中指定的功能/动作。
计算机程序指令还可以被加载到计算机、其他可编程数据处理装置或其他设备上,以引起在计算机、其他可编程装置或其他设备上执行一系列操作步骤以产生计算机实施的过程,从而使得在计算机或其他可编程装置上执行的指令提供用于实施在流程图和/或框图的一个或多个框中指定的功能/动作的过程。
附图中的流程图和框图展示了根据本发明的各实施例的设备、方法和计算机程序产品的可能实施方式的架构、功能和操作。在这方面,流程图或框图中的每个框可以表示包括用于实施(多个)指定逻辑功能的一个或多个可执行指令的代码的模块、片段或部分。还应当指出的是,在一些替代实施方式中,框中标明的功能可以不按图中标记的顺序发生。例如,根据涉及的功能,连续示出的两个框实际上可被大体同时执行,或者这些框可以有时以相反的顺序被执行。还将指出的是,可以通过执行指定功能或动作的基于专用硬件的系统或专用硬件和计算机指令的组合来实施框图和/或流程图的每个框及框图和/或流程图中框的组合。
附图说明
本发明的这些和其他方面参考附图通过示例的方式变得显而易见并且将进一步阐明,在附图中:
图1是方法的第一实施例的流程图;
图2是方法的第二实施例的流程图;
图3是用于获得样本的系统的实施例的框图;
图4示出了动态资源管理系统的第一示例;
图5示出了动态资源管理系统的第二示例;
图6示出了动态资源管理系统的第三示例;
图7示出了对网络发起的数据流的流特性的调整的第一示例;
图8示出了对用户设备发起的数据流的流特性的调整的第一示例;
图9示出了对网络发起的数据流的流特性的调整的第二示例;
图10示出了对用户设备发起的数据流的流特性的调整的第二示例;以及
图11是用于执行本发明的方法的示例性数据处理系统的框图。
附图中的对应要素由相同的附图标记表示。
具体实施方式
从实际无线/移动网络流量处理中为使用监督式学习的资源管理系统收集数据是有益的。尽管收集大量数据通常是可能的,但大部分无线/移动流量与包括以下项的一组有限的应用程序相关联:视频流(大约63%)、网络应用程序(社交网络、浏览、导航;大约19%)、音频流、消息传送和文件下载。
用于监督式学习的不良数据集的特点是不够广泛(包含的数据点不足以充分地代表给定的问题场景)和/或包括有偏差或不具代表性的数据。缺乏足够的数据点导致针对给定输入的模型预测的高可变性;即使该模型可以完美地拟合(甚至可能过拟合)数据,该模型也可能然后无法针对先前未见过的数据提供充分的预测。
由于大部分无线/移动流量与一组有限的应用程序相关联,因此在5G中,所收集的数据对几乎不具有代表性(或不具有代表性)的URLLC类型或mMTC类型的应用程序来说将是有偏差的。代表性不良的情况可以进一步包括在例如吞吐量、时延或可靠性方面具有不常见的服务质量(QoS)要求的罕见或甚至常见的应用程序,或者例如在其持续时间或大小方面不常见的另一应用程序/流特性。
下文所描述的方法使得可以创建包括足够数据样本(无线/移动网络统计)的数据或训练数据以用于在总的无线/移动流量中不具有代表性或代表性不足的情况。
在图1中示出了在无线网络中获得用于动态资源管理系统的样本的方法的第一实施例。该动态资源管理系统使用监督式学习来估计资源需求。步骤101包括分析动态资源管理系统的数据以确定在数据中不存在或代表性不足的输入值的一个或多个组合。
该数据或训练数据包括多个样本。这些样本中的每一个包括作为输入值的流特性和状态和/或小区特性、以及作为输出值的资源数量。例如,该状态和/或这些小区特性可以包括指示无线信道条件、干扰水平、吞吐量、时延、天线方向、调度器参数和双工模式中的一个或多个的一个或多个值。
步骤103包括调整用户设备与基站之间的数据流的一种或多种流特性(例如,QoS等级),以获得在数据中不存在或代表性不足的输入值的一个或多个组合之一。步骤105包括确定用于数据流的资源数量、以及与数据流相关的实际状态和/或小区特性。
步骤107包括基于所使用的资源数量、经过调整的流特性和实际状态和/或小区特性来创建新样本或训练样本。步骤109包括将新样本存储在数据中。
在图2中示出了在无线网络中获得用于动态资源管理系统的样本的方法的第二实施例。这个第二实施例是图1的第一实施例的扩展。在图2的实施例中,图1的步骤101由步骤121和步骤123来实施。在图2的实施例中,流特性包括选自多个服务质量等级的一个服务质量(QoS)等级。例如,多个服务质量等级可以包括非保证比特率、非延迟关键保证比特率和延迟关键保证比特率中的一个或多个。
步骤121包括针对多个服务质量等级中的每一个基于相应服务质量等级从流特性和状态和/或小区特性中选择多种特性。多种选定特性包括相应服务质量等级。将相对于图4描述这个选择的示例。步骤123包括按照服务质量等级确定选定特性的一个或多个组合在数据或训练数据中是否不存在或代表性不足,从而确定输入值的一个或多个组合。
在图2的实施例中,通过步骤131来实施步骤123。步骤131包括按照服务质量等级确定这些样本中有多少具有彼此偏离小于特定量的选定特性的值的组合。将相对于图4描述这个确定的示例。
图3示出了用于在无线网络中获得用于动态资源管理系统的样本的系统的实施例。在这个实施例中,该系统包括基站1和控制器21。该动态资源管理系统使用监督式学习来估计资源需求。无线网络31包括基站1、控制器21和核心网33。例如,无线网络31可以是5G网络。例如,基站1可以是gNodeB。在图3的实施例中,基站1包括单一单元。在替代性实施例中,例如,基站可以包括中心单元和一个或多个分布式单元。
基站1包括接收器3、发射器4、处理器5和存储器7。控制器21包括接收器23、发射器24、处理器25和存储器27。在图3的实施例中,处理器25被配置为分析动态资源管理系统的数据以确定在数据中不存在或代表性不足的输入值的一个或多个组合。例如,数据包括多个样本并且可以存储在存储器27中。这些样本中的每一个包括作为输入值的流特性和状态和/或小区特性、以及作为输出值的资源数量。
在图3的实施例中,处理器5被配置为调整用户设备与基站之间的数据流的一种或多种流特性,以获得在数据中不存在或代表性不足的输入值的一个或多个组合之一。优选地,经过调整的流特性类似于未调整流特性,并且包括比未调整流特性中包括的QoS要求更严格或同样地严格的QoS要求。基站1配备有QoS感知调度器并且与核心网33和用户设备11通信以交换信息。例如,可以将要进行调整的信息存储在存储器7中。
经过调整的流量处理可以需要QoS感知调度器通过与第一应用程序相关联的QoS要求临时地覆盖与第二应用程序的当前流相关联的实际QoS要求。利用这种方法,可以在无线网络的操作使用期间获得样本,而不需要产生任何附加的人工流量,这可能会更大地影响订户。例如,第一应用程序可以是占总处理流量的很小部分的应用程序(例如,需要延迟关键保证比特率流的应用程序)、计划用于未来使用的尚未使用的应用程序、或更常使用但现在具有相关联的不常见服务质量(QoS)要求或其他流特性的应用程序。
处理器5和25中的至少一个被配置为确定用于数据流的资源数量以及与数据流相关的实际状态和/或小区特性,基于所使用的资源数量、经过调整的流特性和实际状态和/或小区特性来创建新样本,并且将新样本存储在例如存储器27和/或存储器7中的数据中。例如,用于数据流的资源数量可以通过在基站1上运行的QoS感知调度器来确定。
用户设备11包括接收器13、发射器14、处理器15和存储器17。在图3的实施例或替代性实施例中,处理器15被配置为从基站1接收消息,该消息请求用户设备11准许使用数据流的经过调整的流特性或通知用户设备11临时地使用数据流的经过调整的流特性。处理器15进一步被配置为使用与经过调整的流特性相关联的规则。
在图3中所示出的实施例中,基站1包括一个处理器5。在替代性实施例中,基站1包括多个处理器。例如,基站1的处理器5可以是通用处理器(例如,英特尔或AMD处理器)或专用处理器。例如,处理器5可以包括多个核心。例如,处理器5可以运行基于Unix的操作系统或Windows操作系统。例如,存储器7可以包括固态存储器(例如,由闪速存储器制成的一个或多个固态盘(SSD))、或者一个或多个硬盘。
例如,接收器3和发射器4可以使用比如GPRS、CDMA、UMTS、LTE和/或5G新无线电等一种或多种蜂窝通信技术与用户设备11通信。例如,接收器3和发射器4可以使用一种或多种有线通信技术与控制器21和核心网33通信。接收器3和发射器4可以组合为收发器。基站1可以包括对于移动通信网络中的基站来说典型的其他部件,例如电源。
在图3中所示出的实施例中,控制器21包括一个处理器25。在替代性实施例中,控制器21包括多个处理器。例如,控制器21的处理器25可以是通用处理器(例如,英特尔或AMD处理器)或专用处理器。例如,处理器25可以包括多个核心。例如,处理器25可以运行基于Unix的操作系统或Windows操作系统。例如,存储器27可以包括固态存储器(例如,由闪速存储器制成的一个或多个固态盘(SSD))、或者一个或多个硬盘。
例如,接收器23和发射器24可以使用一种或多种有线通信技术与基站1通信。接收器23和发射器24可以组合为收发器。控制器21可以包括对于移动通信网络中的功能来说典型的其他部件,例如电源。
在图3的实施例中,控制器21是单独的网络节点并且位于核心网33外部。在替代性实施例中,控制器21根据功能位于基站1处或位于核心网33中。在图3中所示出的实施例中,控制器21是单一的、独立的设备。在另一实施例中,控制器21可以包括多个设备和/或可以与移动通信网络中的另一功能(例如,基站)组合。
本领域的技术人员还可以将用户设备称为移动站(MS)、用户站、移动单元、用户单元、无线单元、无线终端、无线设备、无线通信设备、远程设备、移动用户站、接入终端(AT)、移动终端、用户设备(UE)、远程终端、手机、终端、用户代理、移动客户端、客户端或某种其他合适的术语。
无线终端的示例包括蜂窝电话、智能电话、会话发起协议(SIP)电话、膝上型计算机、笔记本计算机、上网本、智能笔记本、个人数字助理(PDA)、平板计算机、卫星无线电、全球定位系统(GPS)设备、多媒体设备、视频设备、数字音频播放器、相机、游戏主机或任何其他类似的功能设备。例如,用户设备可以具有用于UICC(也被称为SIM卡)的插槽,或被预配成用于存储凭证的嵌入版本或其增强版本。
在图3中所示出的实施例中,用户设备11包括一个处理器15。在替代性实施例中,用户设备11包括多个处理器。处理器15可以是通用处理器(例如,ARM处理器或高通处理器)或专用处理器。例如,处理器15可以运行谷歌安卓或苹果iOS作为操作系统。
例如,用户设备11的接收器13和发射器14可以使用比如GPRS、CDMA、UMTS、LTE和/或5G新无线电等一种或多种蜂窝通信技术与基站1通信。接收器13和发射器14可以组合为收发器。用户设备11可以包括对于用户设备来说典型的其他部件,例如,显示器和电池。例如,用户设备11可以是移动电话。
图4示出了动态资源管理系统的第一示例。在该第一示例中,动态资源管理系统包括神经网络51。利用每个数据流的样本来训练神经网络51,每个样本与一个数据流相对应。每个样本包括每个数据流的特性(输入值)和资源数量(输出值)。图4描绘了数据61,该数据包括数据流DF1至DFn的每个数据流的特性C和资源数量#R。
在表1中示出了数据61的示例性样本。在表1中示出的样本用于六个不同用户设备的在六个不同时间(即,不同时)建立的六个数据流。在表1中示出的流特性包括选自多个服务质量等级的一个服务质量等级。数据流的QoS要求是具有或不具有最小保证吞吐量要求(GBR/非GBR)的延迟敏感(DS)或延迟容忍(DT)。所指派的无线电资源被指定为物理资源块(PRB)的数量。
表1
如关于图2的步骤121所描述的,可以针对多个服务质量等级中的每一个基于相应服务质量等级从流特性和状态和/或小区特性中选择多种特性。例如,可以针对非GBR和DT/GBR数据流选择RSRP、平均相邻小区负载和经历过的吞吐量,并且可以针对DS/GBR数据流选择RSRP、平均相邻小区负载、经历过的吞吐量和经历过的时延。
如关于图2的步骤123所描述的,该步骤然后可以按照服务质量等级确定这些样本中有多少具有彼此偏离小于特定量的选定特性的组合。例如,向下舍入到45Mb/s的经历过的吞吐量可以被视为从向下舍入到44Mb/s的经历过的吞吐量偏离超过特定量。替代性地,可以将可以假设特性的值的范围划分(手动地或自动地)为特定数量的例如相等大小的组,并且同一组中的值可以被视为彼此偏离小于特定量。
作为后者的示例,如果上述表1将包括所有样本,则QoS等级DS/GBR的样本中的任何一个都不具有-90dBm与-110dBm之间的RSRP、85%与100%之间的平均相邻小区负载、0Mb/s与10Mb/s之间的经历过的吞吐量以及60ms与90ms之间的经历过的时延,因此如果实际RSRP是在-90dBm与-110dBm之间并且平均相邻小区负载是在85%与100%之间,则可以将新或现有数据流的QoS等级从DT/非GBR调整到DS/GBR。
在已训练了神经网络51之后,该神经网络可以用于以推理模式估计资源需求。神经网络51按照数据流估计资源需求。针对切片Sp的多个数据流DFx…DFy中的每一个,提供特性(Cx…Cy)作为输入值。在图4中描绘了DFx的输入值71和DFy的输入值72。然后,神经网络51针对多个数据流中的每一个输出资源数量(#Rx…#Ry)。在图4中描绘了DFx的输出值74和DFy的输出值75。
然后将切片Sp的数据流DFx…DFy的所估计资源需求提供给聚合函数53,该聚合函数聚合针对数据流确定的资源需求,即资源数量。可以将同时流的资源需求的总和乘以乘法因子,该乘法因子可以取决于状态和/或小区特性,或者可以将特定量的裕度与该总和相加以获得每个切片或小区的资源需求。以这种方式,为了保证性能,可以将附加的资源分配给切片以考虑在需求估计步骤中可能的估计误差。例如,可能的估计误差可能因训练不足或建模不准确引起,例如,输入参数和/或机器学习算法的参数(例如,隐藏层的数量和/或每层神经元的数量)的次优选择。
聚合函数53的输出是切片Sp的资源需求81。将这个资源需求81连同其他切片的资源需求(以类似方式确定)一起提供给资源指派函数55。这个资源指派函数55基于资源需求81和其他切片的资源需求将资源指派给切片。例如,资源指派函数55可以使用强化学习。资源指派函数55的输出是切片Sp的资源指派83以及其他切片的资源指派。
图5示出了动态资源管理系统的第二示例。在这个第二示例中,动态资源管理包括神经网络57。利用每个切片的样本训练神经网络57。每个样本包括特性(输入值)和资源数量(输出值)。图5描绘了切片S1至Sn的样本,其中在图5中更详细地示出了切片S1的样本63和切片Sn的样本65。
这些样本中的每一个作为输入值包括每个服务质量等级(#QoS1、…、#QoSk)的数据流在特定时间间隔内的数量作为流特性的一部分,并且包括其他流、状态和/或小区特性(OC)。例如,其他特性可以包括平均RSRP和/或平均相邻小区负载。这些样本中的每一个作为输出值进一步包括针对相应切片在该时间间隔内使用的资源数量(#R)。
在表2中示出了神经网络57的样本的示例。数据流的QoS要求是具有或不具有保证最小吞吐量要求(GBR/非GBR)的延迟容忍(DT)或具有保证最小吞吐量要求的延迟敏感(DS)。所指派的无线电资源被指定为物理资源块(PRB)的数量。
表2
如果上述表2将包括所有样本,则具有大量DS/GBR数据流的切片的样本将是代表性不足的,因此可以将几个数据流的QoS等级从DT/非GBR或DT/GBR调整到DS/GBR以获得那些样本。
在已训练了神经网络57之后,该神经网络可以用于以推理模式估计资源需求。神经网络57估计每个切片的资源需求。针对切片Sp,每个服务质量等级(#QoS1、...、#QoSk)的数据流的数量、以及其他流、状态和/或小区特性(OC)作为输入值77被提供给神经网络57。在表2的示例中,这些其他特性包括小区的所有UE的平均RSRP、和平均相邻小区负载。然后,神经网络57输出切片Sp的资源需求81。
这个资源需求81以图4中示出的相同方式连同其他切片的资源需求一起提供给资源指派函数55。资源指派函数55的输出是切片Sp的资源指派83以及其他切片的资源指派。
图6示出了动态资源管理系统的第三示例。在这个第三示例中,动态资源管理包括神经网络59。与图5的神经网络57一样,用每个切片的样本训练神经网络59。然而,神经网络59输出切片Sp的资源指派83以及其他切片的资源指派,并且因此不需要单独的资源指派函数。在这种情况下,除了表2中提到的无线电资源指派的输出之外,还需要添加与性能指标相关的输出,以便能够指定包括那些性能指标的损失函数,从而可以改进性能。切片利用率和每个切片的被拒绝的流的数量是这样的性能指标的示例。如果该函数基于强化学习,则这些性能指标也可以用于图4和图5的资源指派函数55的奖励函数。
在图4至图6的示例中,按照切片按照小区估计资源需求,并针对该小区将资源指派给切片。替代性地,可以按照小区估计资源需求,并且即使不使用切片,也可以将资源指派给小区。
图7示出了对网络发起的数据流的流特性的调整的第一示例。首先,在步骤101中控制器21确定在数据中不存在或代表性不足的输入值的一个或多个组合。在该方法的第一实施例中,控制器21指定要进行哪些调整,并且基站1仅对匹配这些调整的所有后续流遵从这个请求。
在该方法的第二实施例中,控制器21仅向基站1通知一个或多个组合和调整,并且基站1决定在哪个(哪些)情况下执行调整。例如,如果从“非保证比特率”调整到“延迟关键保证比特率”,则基站1可以决定仅在需要“非保证比特率”的所有数据流的10%中执行调整。这样做的原因可能是为了避免基于调整流特性而创建过多数据样本,这可能导致引入相反的偏差。
在图7的示例中,控制器21决定具有与第一应用程序相关联的QoS1等级的数据流在数据中代表性不足,并且决定应该将QoS1等级而非与第二应用程序相关联的QoS2等级用于第二应用程序。在这个示例中,需要获得包括QoS1等级的输入值的组合。控制器21利用消息201向基站1通知这些一个或多个组合。
在步骤103中,当核心网33(例如,核心网33的会话管理功能)发射消息203为第二应用程序建立具有QoS2的QoS流时,基站1将这个QoS流的QoS等级从QoS2调整到QoS1。然后,基站1向用户设备11发射消息205以在基站1与用户设备11之间建立QoS流。例如,消息205可以是5G NR RRC重新配置消息。
消息205可以仅仅指定要使用与QoS1等级相关联的规则,并且然后用户设备11甚至可能不知晓这个QoS流将通常需要QoS2等级。替代性地,消息205可以通知用户设备11针对QoS流临时地使用QoS1等级,并且随后针对这个QoS流使用正常QoS2等级。在这种情况下,消息205可以包括与经过调整的流特性(即,QoS1等级)相关联的规则要由用户设备使用的时间间隔。后者可能需要RRC重新配置消息中的尚未标准化的字段。
接下来,用户设备11向基站1发射消息207以确认建立具有QoS1等级的QoS流。然后,基站1向核心网33发射消息209以确认建立具有QoS2等级的QoS流。因此,核心网33不知晓对图7的示例中的流特性的调整。
用户设备11按照与QoS1相关联的规则接收和处理第二应用程序的数据。因此,用户设备11根据QoS1而非QoS2应用资源映射,并且相应地将属于流上行链路的数据包发送到基站1。例如,不同的队列、不同的无线电承载和/或不同的频率可以用于QoS1流量而非用于QoS2流量。
图8示出了对用户设备发起的数据流的流特性的调整的第一示例。执行步骤101并且在这个示例中以与图7的示例相同的方式发射消息201。然而,在用户设备发起的数据流的这个示例中,用户设备11发射消息221为第二应用程序建立具有QoS2等级的QoS流。
然后,基站1向核心网33发射消息223以在基站1与核心网33之间建立具有QoS2等级的QoS流。接下来,核心网33向基站1发射消息225以确认建立具有QoS2等级的QoS流。
接下来,在步骤103中基站1将基站1与用户设备11之间的QoS流的QoS等级从QoS2等级调整到QoS1等级,并且基站1向用户设备11发射消息205以在基站1与用户设备11之间以经过调整的QoS等级(即,QoS1等级而非QoS2等级)来建立QoS流。然后,用户设备11向基站1发射消息207以确认建立具有QoS1等级的QoS流。
图9示出了对网络发起的数据流的流特性的调整的第二示例。执行步骤101并且在这个示例中以与图7的示例相同的方式发射消息201。然而,在这个示例中,不是基站1本身去调整QoS等级,而是基站1通过在步骤151中向核心网33(例如,第二应用程序的会话管理功能(SMF))发射请求241以在某些情况下使用QoS1等级来引起QoS等级的调整。
然后,核心网33在步骤103中遵从该请求,并且稍后发射消息243为第二应用程序建立具有QoS1的QoS流,从而用第一应用程序的期望QoS(QoS1)覆盖第二应用程序的原始QoS(QoS2)。在已利用消息205和消息207建立基站1与用户设备11之间的QoS流(具有QoS1等级)之后,基站1向核心网33发射消息225以确认建立具有QoS1等级的QoS流。因此,在这个示例中,并且在该方法的这个实施例中,核心网33知晓对流特性的调整。
在图9中所描绘的消息交换之后,核心网33(例如,如由SMF所指示的UPF)将属于现在与QoS1相关联的第二应用程序的流的下行数据包发送到基站1,并且在数据经由多个基站发送的情况下可选地发送到其他基站。
图10示出了对用户设备发起的数据流的流特性的调整的第二示例。这个示例类似于图8的示例,除了在步骤103中基站1调整QoS等级之前,基站1向用户设备11发射请求261。在这个示例中,请求261请求准许使用一种或多种经过调整的流特性,即,使用QoS1等级而非QoS2等级。然后,用户设备11向该请求261发射响应263并且基站1执行步骤103,即,取决于响应263是肯定的来调整QoS等级。
接下来,基站1取决于响应263向用户设备11发射消息205以在基站1与用户设备11之间以未调整的QoS等级(即,QoS2等级)或经过调整的QoS等级(即,QoS1等级)来建立QoS流。接下来,用户设备11向基站1发射消息207以确认建立具有在消息205中指定的QoS等级的QoS流。
在图8和图10的示例中,用户设备利用核心网中的应用程序建立QoS流。替代性地,用户设备可以利用另一用户设备建立QoS流。
图11描绘了展示可以执行如参考图1和图2描述的方法的示例性数据处理系统的框图。
如图11中所示出的,数据处理系统300可以包括通过系统总线306耦合至存储器元件304的至少一个处理器302。如此,数据处理系统可以将程序代码存储在存储器元件304内。进一步地,处理器302可以执行经由系统总线306从存储器元件304访问的程序代码。在一个方面,数据处理系统可以被实施为适合于存储和/或执行程序代码的计算机。然而,应当理解,数据处理系统300可以以包括处理器和存储器的、能够执行本说明书中所描述的功能的任何系统的形式来实施。
存储器元件304可以包括一个或多个物理存储器设备,比如本地存储器308和一个或多个大容量存储设备310。本地存储器可以指在程序代码的实际执行期间通常使用的随机存取存储器或其他(多个)非持久性存储器设备。大容量存储设备可以被实施为硬盘驱动器或其他持久性数据存储设备。处理系统300还可以包括一个或多个高速缓存存储器(未示出),这些高速缓存存储器提供至少一些程序代码的临时存储,以便减少在执行期间必须从大容量存储设备310检索程序代码的次数。
被描绘为输入设备312和输出设备314的输入/输出(I/O)设备可以可选地耦合到数据处理系统。输入设备的示例可以包括但不限于键盘、比如鼠标等定点设备等。输出设备的示例可以包括但不限于监视器或显示器、扬声器等。输入设备和/或输出设备可以直接或通过中间I/O控制器耦合到数据处理系统。
在实施例中,输入设备和输出设备可以被实施为组合的输入/输出设备(在图11中以围绕输入设备312和输出设备314的虚线展示)。这种组合设备的示例是触敏显示器,有时也称为“触摸屏显示器”或简称为“触摸屏”。在这样的实施例中,可以通过物理对象(比如,手写笔或用户的手指)在触摸屏显示器上或附近的移动来提供对设备的输入。
网络适配器316还可以耦合到数据处理系统,以使其能够通过中间私有或公共网络耦合到其他系统、计算机系统、远程网络设备和/或远程存储设备。网络适配器可以包括用于接收由所述系统、设备和/或网络向数据处理系统300发射的数据的数据接收器,以及用于从数据处理系统300向所述系统、设备和/或网络发射数据的数据发射器。调制解调器、电缆调制解调器和以太网卡是可以与数据处理系统300一起使用的不同类型的网络适配器的示例。
如在图11中所描绘的,存储器元件304可以存储应用程序318。在各种实施例中,应用程序318可以被存储在本地存储器308、一个或多个大容量存储设备310中,或者与本地存储器和大容量存储设备分开。应当理解,数据处理系统300可以进一步执行可以促进应用程序318的执行的操作系统(图11中未示出)。以可执行程序代码的形式实施的应用程序318可以由数据处理系统300(例如,由处理器302)执行。响应于执行应用程序,数据处理系统300可以被配置为执行本文描述的一个或多个操作或方法步骤。
本发明的各种实施例可以被实施为与计算机系统一起使用的程序产品,其中,程序产品的(多个)程序定义实施例的功能(包括本文描述的方法)。在一个实施例中,(多个)程序可以被包含在各种非暂态计算机可读存储介质上,其中,如本文所使用的,表述“非暂态计算机可读存储介质”包括所有计算机可读介质,唯一的例外是暂时传播的信号。在另一实施例中,(多个)程序可以被包含在各种暂态计算机可读存储介质上。说明性的计算机可读存储介质包括但不限于:(i)其上永久存储信息的不可写存储介质(例如,计算机内的只读存储器设备,比如CD-ROM驱动器可读的CD-ROM盘、ROM芯片或任何类型的固态非易失性半导体存储器);以及(ii)其上存储可变信息的可写存储介质(例如,闪速存储器、软盘驱动器或硬盘驱动器内的软盘、或任何类型的固态随机存取半导体存储器)。计算机程序可以在本文描述的处理器302上运行。
本文所使用的术语仅用于描述特定实施例的目的,并且不旨在限制本发明。如本文所使用的,单数形式“一个(a)”、“一种(an)”和“该(the)”旨在同样包括复数形式,除非上下文以其他方式清晰表明之外。将进一步理解的是,当在本说明书中使用术语“包括(comprises)”和/或“包括(comprising)”时,其指定所陈述的特征、整数、步骤、操作、元件和/或部件的存在,但不排除一个或多个其他特征、整数、步骤、操作、元件、部件和/或其组的存在或添加。
权利要求中所有装置或步骤加上功能元件的对应结构、材料、动作和等同物旨在包括用于与如具体要求保护的其他要求保护的元件结合执行功能的任何结构、材料或动作。已经出于说明的目的而呈现本发明的实施例的描述,但是该描述并不旨在穷举或将实施方式限于所披露的形式。在不脱离本发明的范围和精神的情况下,很多修改和变化对本领域普通技术人员都将是明显的。实施例的选择和描述是为了最佳地解释本发明的原理和一些实际应用,并且当适合于所构想的特定用途时,使得本领域的其他普通技术人员能够针对具有各种修改的各个实施例理解本发明。
Claims (17)
1.一种用于在无线网络中获得用于动态资源管理系统(51,53,55,57,59)的样本的系统(1,21),该动态资源管理系统(51,53,55,57,59)使用监督式学习来估计资源需求,该系统(1,21)包括至少一个处理器(5,25),该至少一个处理器被配置为:
-分析用于该动态资源管理系统(51,53,55,57,59)的数据以确定在该数据中不存在或代表性不足的输入值的一个或多个组合,该数据包括多个样本,这些样本中的每个样本包括作为输入值的流特性和状态和/或小区特性、以及作为输出值的资源数量,
-调整用户设备(11)与基站(1)之间的数据流的一种或多种流特性,以获得在该数据中不存在或代表性不足的输入值的该一个或多个组合之一,
-确定用于该数据流的资源数量、以及与该数据流相关的实际状态和/或小区特性,
-基于所使用的资源数量、这些经过调整的流特性以及该实际状态和/或这些小区特性来创建新样本,以及
-将该新样本存储在该数据中。
2.如权利要求1所述的系统(1,21),其中,作为输出值包括在这些样本中的该资源数量是按照数据流指定的。
3.如权利要求1或2所述的系统(1,21),其中,这些流特性包括选自多个服务质量等级的一个服务质量等级。
4.如权利要求3所述的系统(1,21),其中,该至少一个处理器(5,25)被配置为针对该多个服务质量等级中的每一个服务质量等级基于相应服务质量等级从这些流特性和该状态和/或这些小区特性中选择多种特性,并且通过按照服务质量等级确定这些选定特性的组合在该数据中是否不存在或代表性不足来确定输入值的该一个或多个组合,该多种选定特性包括该相应服务质量等级。
5.如权利要求4所述的系统(1,21),其中,该至少一个处理器(5,25)被配置为通过按照服务质量等级确定这些样本中有多少具有彼此偏离小于特定量的这些选定特性的组合来按照服务质量等级确定这些选定特性的组合在该数据中是否不存在或代表性不足。
6.如权利要求3至5中任一项所述的系统(1,21),其中,该多个服务质量等级包括以下项中的一个或多个:非保证比特率、非延迟关键保证比特率和延迟关键保证比特率。
7.如权利要求3至6中任一项所述的系统(1,21),其中,作为输出值包括在这些样本中的该资源数量是按照时间间隔并且按照切片或小区指定的,并且这些流特性包括至少指示在该时间间隔内每个服务质量等级的数据流数量的一个或多个值。
8.如前述权利要求中任一项所述的系统(1,21),其中,该状态和/或这些小区特性包括指示无线信道条件、干扰水平、吞吐量、时延、天线方向、调度器参数和双工模式中的一项或多项的一个或多个值。
9.如前述权利要求中任一项所述的系统(1,21),其中,该系统(1,21)包括控制器(21)和该基站(1),该控制器(21)包括第一处理器(25)并且该基站(1)包括第二处理器(5),
该第一处理器(25)被配置为确定在该数据中不存在或代表性不足的输入值的该一个或多个组合,并且向该基站通知该一个或多个组合,并且
该第二处理器(5)被配置为调整该数据流的一种或多种流特性,以获得在该数据中不存在或代表性不足的输入值的该一个或多个组合之一。
10.如权利要求9所述的系统(1,21),其中,该第二处理器(5)被配置为向该用户设备(11)发射通知该用户设备(11)临时地使用该数据流的经过调整的流特性的消息,该经过调整的流特性包括在该一种或多种经过调整的流特性中。
11.如权利要求10所述的系统(1,21),其中,该消息包括与该经过调整的流特性相关联的规则要由该用户设备使用的时间间隔。
12.如权利要求9至11中任一项所述的系统(1,21),其中,该第二处理器(5)被配置为向该用户设备(11)发射请求,接收对该请求的响应,并且取决于该响应是肯定的来调整该一种或多种流特性,该请求请求准许使用该一种或多种经过调整的流特性。
13.如前述权利要求中任一项所述的系统(1,21),其中,该至少一个处理器(5,25)被配置为通过向核心网功能(33)发射使用该至少一种经过调整的流特性的请求来引起对这些流特性中的至少一种流特性的调整。
14.如前述权利要求中任一项所述的系统(1,21),其中,该数据是训练数据并且这些样本是训练样本。
15.一种与系统(1,21)交互以在无线网络中获得用于动态资源管理系统(51,53,55,57,59)的样本的用户设备(11),该动态资源管理系统(51,53,55,57,59)使用监督式学习来估计资源需求,该系统(1,21)包括至少一个处理器(5,25),该至少一个处理器被配置为:
-分析用于该动态资源管理系统(51,53,55,57,59)的数据以确定在该数据中不存在或代表性不足的输入值的一个或多个组合,该数据包括多个样本,这些样本中的每个样本包括作为输入值的流特性和状态和/或小区特性、以及作为输出值的资源数量,
-调整用户设备(11)与基站(1)之间的数据流的一种或多种流特性,以获得在该数据中不存在或代表性不足的输入值的该一个或多个组合之一,
-确定用于该数据流的资源数量、以及与该数据流相关的实际状态和/或小区特性,
-基于所使用的资源数量、这些经过调整的流特性以及该实际状态和/或这些小区特性来创建新样本,以及
-将该新样本存储在该数据中,
并且其中,该系统(1,21)进一步包括控制器(21)和该基站(1),
该控制器(21)包括第一处理器(25),该第一处理器被配置为确定在该数据中不存在或代表性不足的输入值的该一个或多个组合,并且向该基站通知该一个或多个组合,以及
该基站(1)包括第二处理器(5),该第二处理器被配置为调整该数据流的一种或多种流特性,以获得在该数据中不存在或代表性不足的输入值的该一个或多个组合之一,
其中,该用户设备(11)包括至少一个处理器(15),该至少一个处理器被配置为:
-从该基站(1)接收消息,该消息请求该用户设备(11)准许使用数据流的经过调整的流特性或通知该用户设备(11)临时地使用该数据流的经过调整的流特性,以及
-使用与该经过调整的流特性相关联的规则。
16.一种在无线网络中获得用于动态资源管理系统的样本的方法,该动态资源管理系统使用监督式学习来估计资源需求,该方法包括:
-分析(101)用于该动态资源管理系统的数据以确定在该数据中不存在或代表性不足的输入值的一个或多个组合,该数据包括多个样本,这些样本中的每个样本包括作为输入值的流特性和状态和/或小区特性、以及作为输出值的资源数量;
-调整(103)用户设备与基站之间的数据流的一种或多种流特性,以获得在该数据中不存在或代表性不足的输入值的该一个或多个组合之一;
-确定(105)用于该数据流的资源数量、以及与该数据流相关的实际状态和/或小区特性;
-基于该所使用的资源数量、这些经过调整的流特性以及该实际状态和/或这些小区特性来创建(107)新样本;以及
-将该新样本存储(109)在该数据中。
17.一种计算机程序或计算机程序套件,包括至少一个软件代码部分或存储至少一个软件代码部分的计算机程序产品,该软件代码部分在计算机系统上运行时被配置用于执行如权利要求16所述的方法。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP20206693.2 | 2020-11-10 | ||
EP20210544.1 | 2020-11-30 | ||
EP20210544 | 2020-11-30 | ||
PCT/EP2021/080582 WO2022101080A1 (en) | 2020-11-10 | 2021-11-04 | Obtaining samples for learning-based resource management by adjusting flow characteristics |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116711278A true CN116711278A (zh) | 2023-09-05 |
Family
ID=73646124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180088028.3A Pending CN116711278A (zh) | 2020-11-10 | 2021-11-04 | 通过调整流特性获得用于基于学习的资源管理的样本 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116711278A (zh) |
-
2021
- 2021-11-04 CN CN202180088028.3A patent/CN116711278A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10999854B2 (en) | Method and user equipment for predicting available throughput for uplink data | |
US9936458B2 (en) | Battery power management for a mobile device | |
EP3244650A1 (en) | Device-based architecture for self organizing networks | |
CN107547745B (zh) | 资源配置方法及相关产品 | |
CN112236989A (zh) | 用于无线网络的移动边缘计算应用管理 | |
EP3962171A1 (en) | User equipment centric wide area optimization method and system thereof | |
US11290921B2 (en) | Management server, wireless access node, communication system, communication method, resource management method, and computer readable medium | |
CN112868265A (zh) | 网络资源的管理方法、管理装置、电子设备及存储介质 | |
WO2022001555A1 (zh) | 无线资源管理方法、存储介质和电子设备 | |
CN112291796B (zh) | 小区网络扩容方法、装置、设备及可存储介质 | |
EP3366060B1 (en) | Allocating radio resources in a cellular network | |
CN113315773B (zh) | 一种码率调整方法、装置、电子设备及存储介质 | |
CN116711278A (zh) | 通过调整流特性获得用于基于学习的资源管理的样本 | |
CN114158104B (zh) | 网络选择方法、装置、终端及存储介质 | |
US20230413063A1 (en) | Obtaining Samples for Learning-Based Resource Management by Adjusting Flow Characteristics | |
Lee et al. | CASTLE over the air: Distributed scheduling for cellular data transmissions | |
EP2930617A1 (en) | Resource management method and device | |
CN114828050A (zh) | 业务容量的确定方法、装置、设备及介质 | |
CN106961694B (zh) | 一种评估ptn接入环传输带宽的方法及装置 | |
CN109951329B (zh) | 一种网络资源调度方法及装置 | |
CN108513727B (zh) | 建立缺省数据无线承载的方法和装置 | |
CN114788330A (zh) | 网络实体、用户设备和方法 | |
US10244046B2 (en) | Managing traffic at a node within a wireless communication network upon the node entering service | |
Theera-Ampornpunt et al. | TANGO: Toward a more reliable mobile streaming through cooperation between cellular network and mobile devices | |
KR20190031766A (ko) | 무선 자원 조절 장치 및 방법 |
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 |