CN117580107B - 针对绿色无线网状网流量领域的gnn基站关联方法、系统 - Google Patents

针对绿色无线网状网流量领域的gnn基站关联方法、系统 Download PDF

Info

Publication number
CN117580107B
CN117580107B CN202311419825.2A CN202311419825A CN117580107B CN 117580107 B CN117580107 B CN 117580107B CN 202311419825 A CN202311419825 A CN 202311419825A CN 117580107 B CN117580107 B CN 117580107B
Authority
CN
China
Prior art keywords
base station
time
node
isomorphic
bipartite graph
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
Application number
CN202311419825.2A
Other languages
English (en)
Other versions
CN117580107A (zh
Inventor
孟庆民
罗越
邹玉龙
陈文清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202311419825.2A priority Critical patent/CN117580107B/zh
Publication of CN117580107A publication Critical patent/CN117580107A/zh
Application granted granted Critical
Publication of CN117580107B publication Critical patent/CN117580107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0908—Management thereof based on time, e.g. for a critical period only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0917—Management thereof based on the energy state of entities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0925—Management thereof using policies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0958—Management thereof based on metrics or performance parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/10—Flow control between communication endpoints
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了针对绿色无线网状网流量领域的GNN基站关联方法、系统，将大时间、空间尺度的绿色无线网络流量时间序列分割成小时间、空间尺度的、动态异构的子集；将该子集经过第一步表征后得到动态的异构二部图，再利用第二步表征的边处理、设备标签选取、编码和优选的特征工程，获得边定义文件和节点定义文件，得到静态同构二部图；利用静态同构二部图对图神经网络进行训练，完成关联基站索引的下游任务的预测。本发明可同时提高绿色无线网流量预测的准确率与减少无线资源分配策略评估时间，并可推广至含有N个基站与M个设备的无线网状网配置以及更长的流量时间序列。

Description

针对绿色无线网状网流量领域的GNN基站关联方法、系统
技术领域
本发明涉及无线通信、图神经网络技术领域，尤其涉及针对绿色无线网状网流量领域的GNN基站关联方法、系统。
背景技术
绿色无线通信场景往往涉及可再生能源供电及其电池供电，这就为未来无线接入网子系统(如6G)引入低碳指标上的约束。传统流量预测策略制定与评估要么需要大量的运算时间，要么具有大的预测误差，因此这可能导致下游任务决策的低可靠性。传统的网络优化设计(如启发式算法、机器学习与深度学习方法等AI方法)过程需要大量评估，并且既有的AI方法未能充分考虑本领域知识与先验(如缺少绿色通信的网络状态数据)，因此在绿色无线网络流量预测及其相关的基站切换上难以达到令人满意的性能。
无线网络中的吞吐量受到移动性的影响，而移动性只能通过动态模型来捕获，现有的无线流量预测模型并未考虑无线流量图数据结构中蕴含的时空信息，因此仍有很大的改进空间。在目前的无线网络流量预测及其图神经网络应用等领域中，针对绿色无线通信场景的动态异构图数据结构的无线流量预测问题研究较少，需要提出一种新的图神经网络模型或对该场景下的动态异构图进行特殊的特征工程，以更好地满足未来绿色无线通信的需求。
发明内容
本发明所要解决的技术问题：提出了针对绿色无线网状网流量领域的GNN(GraphNeural Network,图神经网络)基站关联方法、系统，通过两步表征将，大时间空间尺度的无线网络流量时间序列分割成动态子数据集，并输出静态同构图数据文件，利用其对同构模型进行训练并进行预测关联基站索引的下游任务，提高了绿色无线网流量预测的准确率与减少无线资源分配策略评估时间。
本发明为解决以上技术问题而采用以下技术方案：
本发明提出的针对绿色无线网状网流量领域的GNN基站关联方法，包括：
S1、针对引入太阳能及其电池等供电约束时绿色无线网状网的无线资源管理，将大时间(例如8小时以上)、空间尺度的绿色无线网络流量时间序列分割成小时间(例如8分钟)、空间尺度的动态异构子集(下文中分割也称为切片)。
S2、对步骤S1中的子集进行第一步表征后得到动态的异构二部图(Heterogeneousbipartite graph)，每一个动态的异构二部图占用一个时间窗，其节点集合在数据构建时拆分成两个子集，即基站与设备。
S3、利用第二步表征对步骤S2的动态异构二部图进行边处理、设备标签选取、编码和优选的特征工程，获得边定义文件和节点定义文件，得到静态同构二部图。优选的特征工程，关联基站能效加权被指派给被关联的设备，则可以与被同一个基站关联的设备的关联基站能效加权相同，这个近似处理在一定程度上简化了特征过程计算量。
边定义文件的文件名称为edge.csv，节点定义文件的文件名称为node.csv。
S4、使用边定义文件与节点定义文件联合定义同构图数据，并输入同构的图神经网络模型中，使用GraphSAGE算法进行训练和下游的节点预测任务；在每一个时间窗内，GraphSAGE算法输出无标签节点的节点分类结果。
进一步的，步骤S1中，大时间与空间尺度的绿色无线网络流量时间序列来自于绿色无线接入网模拟器并且是一种流量类的时间序列，现有公开数据集没有包含这此类网格状的绿色无线接入网数据，是因为基站处太阳能供电动态性导致了可用下行无线信道数的动态性。原始数据集中的网络状态包含网络拓扑、能效、设备位置与无线基站位置、太阳能等级、切换索引对(切换时基站索引与设备索引)和链路接收信噪比等设计条件。初始设计条件可以简述为：基站能效、位置和太阳能等级等等，但是注意该初始设计条件并不等同于同构或者异构图数据。
大时间与空间尺度的绿色无线网络流量时间序列中纠缠的时空依赖关系需要一个特定的设计来建模，无法直接使用现成的图神经网络算法进行处理，所以需要以时间为轴，利用等频采样法将连续时间动态图结构数据切分为一系列均匀时间间隔的、离散时间的子类动态图结构数据。
进一步的，步骤S2中，第一步表征包括以下内容：
使用第一步表征将其简化为有一定时间间隔的时间窗，每一个时间窗即为一个动态异构二部图，其中时间窗长度Nw＝Ns/Np。其中，Ns表示绿色无线网状网流量数据集的总样本个数，Np表示时间窗数量。Np的优选值需要经过表征与下游任务评估及其这两阶段的迭代确定。
进一步的，步骤S3中，第二步表征包括以下内容：
S301、列出每个设备到基站所有的连接以构成一个表，嵌入语义信息的边定义为设备索引与它关联基站索引对，随着时间变化，设备不断进行着随机游走，设备将在不同的基站间进行切换(也称为基站到设备的关联)，即动态异构子集由节点与边的时间事件组成。因此需要对每一个动态异构子集进行边处理，获取每个基站与设备的初始关联集，通过降维将设备接收信号的信噪比加权设定为边的权重，在每一个动态异构子集中，将关联基站索引、设备索引与边权重3个边特征信息集合输出到边定义文件中，将根据最大信噪比加权确定基站与设备的标签。
S302、第二步表征中对设备标签选取是优选节点特征工程的关键要素。除了含有设备索引、关联基站索引和太阳能等级外，本实施所提出的节点特征还包含：关联基站能效加权和位置加权。在关联基站能效加权处理中，本发明没有直接使用单个基站与设备链路的接收信噪比或下行传输速率(本领域知识)，而是选取了多个设备与基站的下行和速率。该嵌入语义信息的特征抽取不仅实现了降维处理，而且通过聚合作用来减少噪声对特征质量的影响。位置加权指对设计条件中设备位置进行降维处理，这里考虑平均运算。
对设备索引和基站索引分别进行编码和优选的特征工程，该特征工程共定义了如下6个节点特征信息：设备索引、关联基站索引、位置加权X、位置加权Y、关联基站能效加权和太阳能等级；包含这些节点特征信息集合被输出到在节点定义文件中；其中，X、Y对应二维覆盖空间中设备的横、纵坐标。
S303、此时，动态异构图数据被转变为了特定的静态同构图数据。所提出的两步表征，不仅仅显著降低了计算复杂度，也减少了图数据转化过程中所带来的不可避免的信息损失和保证后续节点预测效果。
进一步的，步骤S4中，下游节点预测包括以下内容：
训练过程为：首先对动态异构二部图中每个节点邻居节点进行采样，其次根据聚合函数聚合邻居节点蕴含的信息，最后得到图中各节点的向量表示供下游任务使用。
将边定义文件和节点定义文件所定义的静态同构图数据输入至GraphSAGE算法中，经过多批次的训练后，该数据驱动方法将输出节点预测准确值的最大值与最小值；上述经过两步表征获取的切片将降低图神经网络下游任务的计算时间；这里特定下游任务指与现有无线接入网流量预测不同的任务，即考虑绿色能源供应所导致的信道数的变化。因此，对等频采样的大时间与空间尺度的流量时间序列任务而言，本发明提出的表征与下游任务的迭代是一个不可缺的基本设计原则。
进一步的，本发明还提出了针对绿色无线网状网流量领域的GNN基站关联系统，包括：
时间序列分割模块，用于将大时间与空间尺度的绿色无线网络流量时间序列分割成小时间与空间尺度的动态异构子集。
第一步表征处理模块，用于对小时间与空间尺度的动态异构子集进行第一步表征后得到动态的异构二部图，每一个动态的异构二部图占用一个时间窗，其节点集合在数据构建时拆分成两个子集，即基站与设备。
第二步表征处理模块，用于利用第二步表征对第一步表征处理模块中的动态异构二部图进行边处理、设备标签选取、编码和优选的特征工程，获得边定义文件和节点定义文件，得到静态同构二部图。
下游节点预测模块，用于使用边定义文件与节点定义文件联合定义同构图数据，并输入同构的图神经网络模型中，使用GraphSAGE算法单元进行训练和下游的节点预测任务；在每一个时间窗内，输出无标签节点的节点分类结果。
进一步的，本发明还提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前文所述的针对绿色无线网状网流量领域的GNN基站关联方法的步骤。
进一步的，本发明还提出了一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，所述计算机程序被处理器运行时执行前文所述的针对绿色无线网状网流量领域的GNN基站关联方法。
本发明采用以上技术方案，与现有技术相比，其显著技术效果如下：
(1)本发明对大时间与空间动态性的流量时间序列建模具有创新性，所提出的第一步表征以低实现复杂度实现了大尺度连续时间动态异构图等频率采样和输出动态异构子集，从而便于随后第二步表征中优选的特征工程和基于GraphSAGE算法的节点分类。
(2)所提出优选的特征工程含有特征降维及特征抽取，它使得第二步表征处理有效地把动态异构子图转换为静态同构二部图，从而完成图结构数据的标记。这里的节点定义比较充分考虑了本领域的语义信息并且实现一个一种含有特定聚合的表征处理。
(3)在快速评估绿色无线资源管理的切换策略上，本发明提出了表征与下游任务的迭代是一个不可缺的基本设计原则具有创新性，因为现有技术尚没有讨论含有能源供应动态性的无线网状网流量预测及其异构二部图。本发明提出基站关联方法在保证流量预测效果的前提下，兼顾了评估时间约束。等频率采样图处理与基本设计原则将输出一个基线，为未来的非等频率采样图处理提供有益见解。
附图说明
图1为本发明的整体实施流程图。
图2为本发明实施例中在t＝8490时间序号附近，N＝9，M＝20配置时无线网状网中设备的位置图。
图3为本发明实施例中基站与设备和速率表示示意图。
图4为本发明实施例中GraphSAGE节点聚合原理示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。
为实现上述目的，本发明提出针对绿色无线网状网流量领域的GNN基站关联方法，如图1所示，包括：
S1、针对引入太阳能及其电池等供电约束时绿色无线网状网的无线资源管理，将大时间与空间尺度的绿色无线网络流量时间序列分割成小时间与空间尺度的动态异构子集。本实施例中，大时间段设置为上午8点至下午4点，该时间段也可以扩展至太阳能输出较强或者强的12小时。
S2、对步骤S1中的子集进行第一步表征后得到动态的异构二部图，每一个动态的异构二部图占用一个时间窗，其节点集合在数据构建时拆分成两个子集，即基站与设备。
利用第一步表征将小时间与空间尺度的动态异构子集简化为有一定时间间隔的时间窗，这使得网络状态参数变化尺度变小。每一个时间窗即为一个动态异构二部图，其中时间窗长度Nw＝Ns/Np。其中，Ns表示绿色无线网状网流量数据集的总样本个数，Np表示时间窗数量。
本实施例中，在多轮训练仿真中，时间窗数量取优选60时节点分类效果最好，则Np＝60。采样间隔为1.875秒，绿色无线网状网流量数据集含有15360个样本点，共划分为60个动态子数据集，即60个时间窗，每个时间窗含有256个样本点。
S3、利用第二步表征对步骤S2的动态异构二部图进行边处理、设备标签选取、编码和优选的特征工程，获得边定义文件和节点定义文件，得到静态同构二部图，具体内容为：
S301、如图2所示，最下面一行基站(从左到右)的序号为基站1、基站2、基站3；(向上)第2行基站的序号为基站4、基站5、基站6；(向上)第三行基站的序号为基站7、基站8、基站9。基站N取不同值时网络拓扑定义以此类推。
S302、设备平均分为两组，一组进行随机游走，另一组向上游走一定距离后向右进行游走。图2为N＝9，M＝180配置时无线网状网中设备的位置图，一段时间后，两组设备间的位置有较大的差异，这使流量数据集更具有代表性。网络设置也容易扩展到其他N、M参数及其设备轨迹情况，但是这往往需要借助数字孪生框架来构建全生命周期的流量时间序列和完成人工智能数据分析，这属于一个未来的相关工作。
S303、在t＝7319时间序号附近，N＝9，M＝20配置时无线网状网中设备的位置图及其覆盖区域中基站拓扑。设备中小组1的设备向右上方运动并且位于4个基站之间，小组2的大部分设备位于BS1、BS2附近。BS1、BS2、BS3和BS4都可能是激活基站，这些基站需要做信道切换或者基站与设备之间的关联。
S304、在t＝10000时间序号附近，N＝9，M＝20配置时无线网状网中设备的位置图及其覆盖区域中基站拓扑。此时小组1中运行模型参数发生变化，即小组1以靠近0度方向运动。注意该时间序号对应中午，此时太阳能等级值最高(如参数值等于4)，每个激活基站可以支持更多的下行数据传输和基站能效值将达到一个峰值。
S305、通过计算机模拟仿真得到大时间与空间尺度的自建无线网状网络流量数据集，将其离散化为小尺度的动态异构子图或者切片(每个切片占用一个时间窗)以及每个切片被表征为静态异构的图数据，表征后的初始条件等被更新为边定义和节点定义文件。
S306、在不同的时间窗内，设备位置按照时间的不同而更新，频繁的设备位置变化可能带来了冗余的二维坐标特征，这大大增加了训练过程和预测过程的计算复杂度。为此我们选取位置加权来表示节点的特征，位置加权包含着设备坐标加权和。在优选方案中，我们简单地取其时间窗内的位置平均值，以进行特征降维。
S307、如图3所示，在第tp时间窗内，假定MTj设备和MTj+k设备都被基站i(BSi)关联，直觉上下行链路传输速率Cij和Ci(j+k)是候选的节点特征。但是由于无线信道中阴影的影响，下行传输速率有大的动态范围,这可能导致特征分量中噪声的增加。此时，如果采用BSi的下行和速率Ci(tp)或者能效值，作为各链路下行传输速率的替代，则可能兼顾特征抽取和特征质量。因为Ci(tp)是多个链路传输速率之和，和运算所产生聚合作用可以减少阴影的效应。与此同时，BS含有各个链路传输速率的贡献，它在语义上可以代表各链路下行传输速率。可以用公式表示为：
cij+ci(j+k)→ci(t)
S4、使用边定义文件与节点定义文件联合定义同构图数据，并输入同构的图神经网络模型中，使用GraphSAGE算法进行训练和下游的节点预测任务；在每一个时间窗内，GraphSAGE算法输出无标签节点的节点分类结果。具体内容为：
S401、把异构图数据转化为同构图数据需要优选。本发明设计考虑了如下两种方案，以展现优选过程。方案1对基站索引和设备索引进行了统一编码，它把图结构处理看作为同构图处理。在下游任务的验证中，我们发现方案1对无标签节点预测的效果较差；方案2对基站索引和设备索引分别进行了编码，它把图结构处理看为特定二部图。这里补充说明激活基站的定义，即在一个时间窗内无设备下行数据包请求的基站被定义为未激活基站，以节省绿色基站电池的消耗。激活基站将实现下行连接和下行吞吐量，未激活基站将关闭下行数据传输功能但是有必要保留低传输速率的控制信道。为了便于无线接入网的无线资源管理，无线网状网中将会设立一个控制中心以及虚拟节点。当一个设备没有被基站关联时，假定这个设备能够以很低传输速率被连接到控制中心，从而使得控制中心可以收集各个基站和覆盖区域中所有设备的位置信息和进行基于深度学习的数据分析。
S402、本实施例采取但不限于one-hot编码技术，将设备与基站的标签中的字符型特征转换成了数字型特征。例如9个标签的类别特征转换为[0,0,0,0,0,0,0,0,1]、[0,0,0,0,0,0,0,1,0]、[0,0,0,0,0,0,1,0,0]等。
S403、如图4所示，GraphSAGE算法学到的节点嵌入，是根据节点的邻居关系的变化而变化的。对旧的节点而言，如果建立了新的连接，那么其对应的嵌入也会变化，并且能够很容易地得到一个新节点的表示。其中，每一层的节点表示都是由上一层节点生成的，与本层的节点无关。
S404、本实施例中，GraphSAGE算法模型构建中输入特征为6，隐藏层的特征维度为16，输出的类别数量根据不同的时间窗而变动，最大为N。设置了两个卷积层，第一个卷积层用于将输入特征转换为隐藏层特征，并使用平均聚合函数来聚合邻居节点的信息。第二个卷积层用于将隐藏层特征转换为最终的类别预测。这里，模型构建中参数也可以扩展到其他参数配置。
S5、进行模型进行训练后，输出基于节点分类的预测结果并且输出预测准确度。返回之步骤S1进行多轮循环(在本发明中epoch设定为100)，以进行系统参数的优选。
具体内容为：
S501、本发明的模型算法所使用的Loss函数为Pytorch中的torch.nn.NLLLOSS，这个损失函数通常用于多分类任务，特别是在分类问题的输出中使用了softmax激活函数时，它用来度量模型的预测和真实标签之间的差异，公式如下：
其中，N表示每一个batch的大小，W表示权值矩阵，yn表示目标值。
S502、本发明的准确率计算公式如下：
其中，正确分类的样本数为样本预测值与真实标签一致时的数量。在本发明中，图神经网络模型将输出计算多轮后的预测值的最大值与最小值。
S503、表1显示两种方案的节点分类准确率。两种方案均通过等频采样的切片(时间窗长度Nw＝Ns/Np)，来使得与基站关联相关的方案评估耗时缩短10倍以上。当等频采样的时间窗参数Nw＝Ns/Np＝15360/60＝256时，耗时Tw＝Nw×Ts＝480采样时间。这里，Ns和Np等参数可以通过如上的迭代来选取，因为实际无线网络流量数据的时间与空间动态性大不相同。Np的优选值需要经过表征与下游任务评估及其这两阶段的迭代才能确定，于是，迭代是等频采样的大时间与空间尺度的流量时间序列一个基本设计原则。表1显示优选的方案2准确率相较于方案1有着大幅度的提升。
表2是方案2中图结构构建中边定义、节点定义以及特征抽取，它显示图结构定义需要使用无线通信领域知识来进行精心设计，而不是显而易见地获取。表格中将自建无线流量数据集与一个电影点评公开数据集进行了对比。可以看出，电影点评公开数据集指含有多种边的、2种节点异构图数据，自建无线流量数据集指进行特定数据处理后得到特定的同构二部图数据。这样使得下游任务就可以直接使用同构图神经网络模型。参见前述的说明书的技术方案，将图数据中的节点与边的数据拆分为了两个文件进行存放，其中边定义文件主要包含基站索引、设备索引及边的权值，节点定义文件主要包含设备节点索引、标签和多个节点特征。
表1
表2
本发明实施例还提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。需要说明的是，上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
本发明实施例还提出一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序。需要说明的是，上述系统中的各个模块对应本发明实施例所提供的方法的具体步骤，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.针对绿色无线网状网流量领域的GNN基站关联方法，其特征在于，包括以下步骤：
S1、将大时间与空间尺度的绿色无线网络流量时间序列分割成小时间与空间尺度的动态异构子集；
S2、对步骤S1中的子集进行第一步表征后得到动态的异构二部图，其节点集合在数据构建时拆分成两个子集，即基站与设备；
S3、利用第二步表征对步骤S2的动态异构二部图进行边处理、设备标签选取、编码和优选的特征工程，获得边定义文件和节点定义文件，得到静态同构二部图；
S4、将静态同构二部图输入到同构的图神经网络模型中，使用GraphSAGE算法进行训练和下游的节点预测任务；在每一个时间窗内，输出无标签节点的节点分类结果。
2.根据权利要求1所述的针对绿色无线网状网流量领域的GNN基站关联方法，其特征在于，步骤S1包括以下内容：
以时间为轴，利用等频采样法将连续时间动态图结构数据切分为一系列均匀时间间隔的、离散时间的子类动态图结构数据。
3.根据权利要求1所述的针对绿色无线网状网流量领域的GNN基站关联方法，其特征在于，步骤S2中，第一步表征包括以下内容：
使用第一步表征将小时间与空间尺度的动态异构子集简化为有一定时间间隔的时间窗，每一个时间窗即为一个动态异构二部图，其中时间窗长度Nw＝Ns/Np；其中，Ns表示绿色无线网状网流量数据集的总样本个数，Np表示时间窗数量。
4.根据权利要求1所述的针对绿色无线网状网流量领域的GNN基站关联方法，其特征在于，步骤S3中，第二步表征包括以下子步骤：
S301、列出每个设备到基站的所有连接构成一个表，嵌入语义信息的边定义为设备索引与其关联基站索引对，随着时间变化，设备不断进行着随机游走，设备将在不同的基站间进行切换，即动态异构子集由节点与边的时间事件组成；对每一个动态异构子集进行边处理，获取每个基站与设备的初始关联集，通过降维将设备接收信号的信噪比加权设定为边的权重，在每一个动态异构子集中，将关联基站索引、设备索引与边权重3个边特征信息集合输出到边定义文件中，将根据最大信噪比加权确定基站与设备的标签；
S302、对设备索引和基站索引分别进行编码和优选的特征工程，该特征工程共定义了如下6个节点特征信息：设备索引、关联基站索引、位置加权X、位置加权Y、关联基站能效加权和太阳能等级；包含这些节点特征信息集合被输出到在节点定义文件中；其中，X、Y对应二维覆盖空间中设备的横、纵坐标；
S303、使用边定义文件与节点定义文件联合定义静态同构二部图，此时，动态异构图数据被转变为特定的静态同构图数据。
5.根据权利要求1所述的针对绿色无线网状网流量领域的GNN基站关联方法，其特征在于，步骤S4包括以下内容：
将静态同构二部图输入至GraphSAGE算法中，经过多批次的训练后，该数据驱动方法将输出节点预测准确值的最大值与最小值；其中，静态同构二部图将降低图神经网络下游任务的计算时间。
6.针对绿色无线网状网流量领域的GNN基站关联系统，其特征在于，包括
时间序列分割模块，用于将大时间与空间尺度的绿色无线网络流量时间序列分割成小时间与空间尺度的动态异构子集；
第一步表征处理模块，用于对小时间与空间尺度的动态异构子集进行第一步表征后得到动态的异构二部图，每一个动态的异构二部图占用一个时间窗，其节点集合在数据构建时拆分成两个子集，即基站与设备；
第二步表征处理模块，用于利用第二步表征对第一步表征处理模块中的动态异构二部图进行边处理、设备标签选取、编码和优选的特征工程，获得边定义文件和节点定义文件，得到静态同构二部图；
下游节点预测模块，用于将静态同构二部图输入到同构的图神经网络模型中，使用GraphSAGE算法单元进行训练和下游的节点预测任务；在每一个时间窗内，输出无标签节点的节点分类结果。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种计算机可读的存储介质，所述计算机可读的存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行所述权利要求1至5中任一项所述的方法。
CN202311419825.2A 2023-10-30 2023-10-30 针对绿色无线网状网流量领域的gnn基站关联方法、系统 Active CN117580107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311419825.2A CN117580107B (zh) 2023-10-30 2023-10-30 针对绿色无线网状网流量领域的gnn基站关联方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311419825.2A CN117580107B (zh) 2023-10-30 2023-10-30 针对绿色无线网状网流量领域的gnn基站关联方法、系统

Publications (2)

Publication Number Publication Date
CN117580107A CN117580107A (zh) 2024-02-20
CN117580107B true CN117580107B (zh) 2024-08-06

Family

ID=89861469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311419825.2A Active CN117580107B (zh) 2023-10-30 2023-10-30 针对绿色无线网状网流量领域的gnn基站关联方法、系统

Country Status (1)

Country Link
CN (1) CN117580107B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112468324A (zh) * 2020-11-11 2021-03-09 国网冀北电力有限公司信息通信分公司 基于图卷积神经网络的加密流量分类方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210326389A1 (en) * 2018-09-26 2021-10-21 Visa International Service Association Dynamic graph representation learning via attention networks
US20220124543A1 (en) * 2021-06-30 2022-04-21 Oner Orhan Graph neural network and reinforcement learning techniques for connection management
US20230093673A1 (en) * 2021-09-23 2023-03-23 Vasuki Narasimha Swamy Reinforcement learning (rl) and graph neural network (gnn)-based resource management for wireless access networks

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112468324A (zh) * 2020-11-11 2021-03-09 国网冀北电力有限公司信息通信分公司 基于图卷积神经网络的加密流量分类方法及装置

Also Published As

Publication number Publication date
CN117580107A (zh) 2024-02-20

Similar Documents

Publication Publication Date Title
Deng et al. A digital twin approach for self-optimization of mobile networks
CN101711032B (zh) 对未知环境模型特性的认知无线电动态智能频谱接入方法
Dai et al. Propagation-model-free base station deployment for mobile networks: Integrating machine learning and heuristic methods
CN112801411B (zh) 一种基于生成对抗网络的网络流量预测方法
CN113779247B (zh) 基于意图驱动的网络故障诊断方法及系统
Alsuhli et al. Mobility load management in cellular networks: A deep reinforcement learning approach
Gao et al. Accurate load prediction algorithms assisted with machine learning for network traffic
CN106604288B (zh) 无线传感器网络中节点自适应按需覆盖布设方法和装置
Wang et al. Extracting cell patterns from high-dimensional radio network performance datasets using self-organizing maps and K-means clustering
Miozzo et al. Distributed and multi-task learning at the edge for energy efficient radio access networks
Manalastas et al. Where to go next?: A realistic evaluation of AI-assisted mobility predictors for HetNets
Kirmaz et al. Mobile network traffic forecasting using artificial neural networks
CN113691993B (zh) 基于图神经网络的5g连通簇基站群流量预测方法及系统
CN118468186A (zh) 一种基于联邦学习机制的风电数据异常检测方法及系统
Nabi et al. Deep learning based fusion model for multivariate LTE traffic forecasting and optimized radio parameter estimation
Peng et al. Hmm-lstm for proactive traffic prediction in 6g wireless networks
CN117580107B (zh) 针对绿色无线网状网流量领域的gnn基站关联方法、系统
CN114980156B (zh) 一种无蜂窝毫米波大规模mimo系统的ap开关切换方法
Zhang et al. Map2Schedule: An End-to-End Link Scheduling Method for Urban V2V Communications
CN114126019B (zh) 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
Lotfi et al. Open RAN LSTM Traffic Prediction and Slice Management using Deep Reinforcement Learning
Ho et al. Energy efficiency learning closed-loop controls in O-RAN 5G network
Han et al. A novel handover detection model via frequent trajectory patterns mining
Zhu et al. Prediction of cellular network channel utilization based on graph convolutional networks
Zhang et al. Cellular traffic forecasting based on inverted transformer for mobile perception dual-level base station sleep control

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