CN117676704A - 网络负载平衡方法及基站 - Google Patents
网络负载平衡方法及基站 Download PDFInfo
- Publication number
- CN117676704A CN117676704A CN202211167924.1A CN202211167924A CN117676704A CN 117676704 A CN117676704 A CN 117676704A CN 202211167924 A CN202211167924 A CN 202211167924A CN 117676704 A CN117676704 A CN 117676704A
- Authority
- CN
- China
- Prior art keywords
- base station
- model
- information
- data
- measurement
- 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 title claims abstract description 120
- 238000005259 measurement Methods 0.000 claims abstract description 208
- 238000012549 training Methods 0.000 claims abstract description 149
- 230000006870 function Effects 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000000926 separation method Methods 0.000 claims description 6
- 239000000725 suspension Substances 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 claims 2
- 239000000758 substrate Substances 0.000 claims 2
- 241000283973 Oryctolagus cuniculus Species 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 14
- 230000000875 corresponding effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000003993 interaction Effects 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供了一种网络负载平衡方法及基站,属于无线通信技术领域。该方法包括:第一CU向第一DU发送第一输入数据请求消息;第一输入数据请求消息包括请求的测量对象;第一CU接收第一DU发送的第一输入数据回复消息;第一输入数据回复消息包括可提供的测量对象;第一CU接收第一DU发送的第一输入数据更新消息,以获取向OAM发送的用于网络负载平衡的模型训练的训练数据,以及第一CU确定网络负载平衡的模型推理输出所需的推理数据;模型推理输出用于第一CU进行网络负载平衡操作。基于本公开实施例提供的技术方案方法,可以提高整体网络服务质量。
Description
本公开要求于2022年8月9日提交的申请号为202210952979.7、名称为“网络负载平衡方法、基站及OAM”的中国专利申请的优先权,该中国专利申请的全部内容通过引用全部并入本文。
技术领域
本公开属于无线通信技术领域,具体涉及一种网络负载平衡方法及基站。
背景技术
随着无线通信技术的发展,5G(5th Generation Mobile CommunicationTechnology,第五代移动通信技术)网络相比于之前通信时代的网络具有高速率、低时延和大容量等特性。
目前,网络负载平衡主要依赖于当前或过去小区负载状态的上报,然后基于上报的情况确定是否需要切换等操作。
但是随着网络流量增加网络负载和资源状态变化的加快,对于高移动性和大连接场景,传统方式不能及时进行网络负载平衡,可能会导致不同小区之间的乒乓切换、小区过载或用户服务质量下降等问题,难以保证整体网络服务质量。
发明内容
本公开实施例的目的是提供一种网络负载平衡方法及基站,能够提高整体网络服务质量。
为了解决上述技术问题,本公开是这样实现的:
第一方面,本公开实施例提供了一种网络负载平衡方法,应用于第一基站,第一基站为锚点基站,第一基站包括第一CU(Centralized Unit,集中管理实体)和第一DU(Distributed Unit,分离管理实体),该方法包括:第一CU向第一DU发送第一输入数据请求消息;第一输入数据请求消息包括请求的测量对象;接收第一DU的第一输入数据回复消息;第一输入数据回复消息包括可提供的测量对象;第一CU接收第一DU发送的第一输入数据更新消息,以获取向OAM(Operation Administration and Maintenance,网管设备)发送的用于网络负载平衡的模型训练的训练数据,以及所述第一CU确定网络负载平衡的模型推理输出所需的推理数据;所述模型推理输出用于所述第一CU进行网络负载平衡操作。
第二方面,本公开实施例提供了一种基站,该基站为第一基站,第一基站包括第一CU和第一DU;第一CU向第一DU发送第一输入数据请求消息;第一输入数据请求消息包括请求的测量对象;接收第一DU的第一输入数据回复消息;第一输入数据回复消息包括可提供的测量对象;第一CU接收第一DU发送的第一输入数据更新消息,以获取向OAM发送的用于网络负载平衡的模型训练的训练数据,以及所述第一CU确定网络负载平衡的模型推理输出所需的推理数据;所述模型推理输出用于所述第一CU进行网络负载平衡操作。
第三方面,本公开实施例提供了一种基站,该基站包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如第一方面所述的网络负载平衡方法的步骤。
第四方面,本公开实施例提供了一种可读存储介质,所述可读存储介质上存储程序或指令,所述程序或指令被处理器执行时实现如第一方面所述的网络负载平衡方法的步骤。
第五方面,本公开实施例提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现如第一方面所述的网络负载平衡方法。
第六方面,本公开实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如第一方面所述的网络负载平衡方法的步骤。
本公开实施例提供了的网络负载平衡方法,通过将网络负载平衡的模型训练和模型推理的功能体分别部署于OAM和5G基站的CU,由OAM进行不同移动性场景和切换机制的分类和识别,CU做出切换参数、资源配置和移动性策略相关的推理分析,以供网络执行网络负载平衡相关操作。在执行网络负载平衡相关操作过程中,分离架构基站将网络负载平衡用例作为目标用例向OAM请求相关AI/ML模型,OAM根据请求消息中的模型指示信息,收集和处理网络各节点的测量统计数据以进行模型训练,并将训练好的模型向各CU进行部署和更新。基站CU基于OAM部署的模型指示信息向UE配置测量,并向邻基站集中管理实体发送数据请求消息以获得模型推理所需数据,即使用AI或ML模型充分利用无线网的先验数据,每次在网络负载平衡前更新最新的模型配置,并根据最新的模型对用户业务量以及用户轨迹等信息进行预测,生成负载平衡策略的推理输出信息,解决传统人工控制模式下进行负载平衡所面临的小区过载、UE切换不及时等问题,可以实现智能化网络负载平衡,通过准确预测提前采取有效措施,实现针对分离架构基站的智能化网络负载平衡。
附图说明
图1为本公开实施例提供的一种无线网络的架构示意图;
图2为本公开实施例提供的一种基于AI/ML技术的无线网智能化功能架构;
图3为本公开实施例提供的一种分离式基站的CU和DU交互流程示意图;
图4为本公开实施例提供的一种网络负载平衡的网络架构示意图;
图5为本公开实施例提供的网络负载平衡方法的交互流程示意图之一;
图6为本公开实施例提供的网络负载平衡方法的交互流程示意图之二;
图7为本公开实施例提供的网络负载平衡方法的交互流程示意图之三;
图8为本公开实施例提供的网络负载平衡方法的交互流程示意图之四;
图9为本公开实施例提供的一种基站可能的结构示意图;
图10为本公开实施例提供的一种基站的硬件示意图。
具体实施方式
为了便于理解,首先对本公开实施例中涉及的相关术语进行解释:
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。
本公开的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不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,以便本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
值得指出的是,本公开实施例所描述的技术不限于LTE(Long Term Evolution,长期演进型)/LTE-A(LTE-Advanced,LTE的演进)系统,还可用于其他无线通信系统,诸如CDMA(Code Division Multiple Access,码分多址)、TDMA(Time Division Multiple Access,时分多址)、FDMA(Frequency Division Multiple Access,频分多址)、OFDMA(OrthogonalFrequency Division Multiple Access,正交频分多址)、SC-FDMA(Single-carrierFrequency-Division Multiple Access,单载波频分多址)和其他系统。本申请实施例中的术语“系统”和“网络”常被可互换地使用,所描述的技术既可用于以上提及的系统和无线电技术,也可用于其他系统和无线电技术。然而,以下描述出于示例目的描述了NR系统,并且在以下大部分描述中使用NR术语,尽管这些技术也可应用于NR系统应用以外的应用,如6G(6th Generation,第6代)通信系统。
下面结合附图,通过具体的实施例及其应用场景对本公开实施例提供的网络负载平衡方法进行详细地说明。
图1为本公开实施例提供的一种无线网络的架构示意图。其中,5G-RAN(RadioAccess Network,无线接入网)101可以由一组通过NG接口连接到5GC(5G核心网)100的gNB102组成,gNB 102可以为分离式基站,如图1中所示,gNB 102可以包括gNB-CU 103和至少一个gNB-DU 104。其中,gNB-CU103与每个gNB-DU 104通过F1接口连接;F1接口用于gNB-CU103与gNB-DU104进行信令交互和数据传输。一个分离式基站的gNB-CU 103与另一个分离式基站的gNB-CU 103通过Xn-C接口连接。
需要说明的是,F1接口可以支持控制面和用户面、无线网络层和传输网络的分离,支持UE(User Equipment,用户设备)关联信息和非UE关联信息的交互。为了满足新服务和功能,一个gNB-CU和一组gNB-DU对其他逻辑节点可见,gNB-CU可以在控制平面(CP)和用户平面(UP)中分离。F1接口还有利于不同厂家提供的集中控制实体和分离控制实体间的互连。
为了便于说明,下面在本公开实施例中,以CU表示分离式基站的集中管理实体(或集中控制实体,或集中单元),以DU表示分离式基站的分离管理实体(或分离控制实体,或分离单元)。
图2为本公开实施例提供的一种基于AI/ML技术的无线网智能化功能架构,该架构中包含数据收集功能体201、模型训练功能体202、模型推理功能体203和执行功能体(Actor)204四大功能体。其中,数据收集功能体201向模型训练功能体202和模型推理功能体203提供输入数据;输入数据包含来自UE或不同网络实体的测量、来自执行功能体204的反馈以及来自AI/ML模型的输出。模型训练功能体202执行AI/ML模型训练、验证和测试功能,能够生成模型性能指标作为模型测试过程的一部分。模型训练功能体202还负责根据数据收集功能提供的训练数据进行数据预处理、清理、格式化和转换。模型推理功能体203基于训练好的模型提供AI/ML模型推理输出,模型推理输出包含预测和决策信息供网络各节点进行判断和执行。此外,模型推理功能体203也具备对数据的处理能力。执行功能体204接收模型推理功能体203的输出并触发或执行相应动作。
图3为本公开实施例中提供的一种分离式基站的CU和DU交互流程示意图,其中,如图3中所示,包括下述的S301和S303:
S301、gNB-CU向gNB-DU发送输入数据请求消息。
其中,输入数据请求消息包括请求的测量对象。
S302、gNB-DU向gNB-CU发送输入数据响应消息。
其中,输入数据响应消息,也可称为输入数据回复消息;输入数据回复消息包括可提供的测量对象。
S303、gNB-DU向gNB-CU发送输入数据更新消息。
其中,输入数据更新消息用于第一CU获取向OAM发送的用于网络负载平衡的模型训练的训练数据,以及所述第一CU确定网络负载平衡的模型推理输出所需的推理数据;所述模型推理输出用于所述第一CU进行网络负载平衡操作。
基于该方案,分离式基站的CU可以向该分离式基站的各个DU发送第一输入数据请求消息,以请求各个DU提供进行网络负载平衡操作的模型所需的训练数据,各个DU在接收到各个DU的第一输入数据回复消息之后,可以确定各个DU可以提供的测量对象,并和各个DU建立传输海量模型数据的传输通道,之后,各个DU可以通过与该分离式基站建立的传输通道通过第一输入数据更新消息上报各个DU以及各个DU下UE的上报数据,从而可以为训练模型和确定模型推理输出提供网络中最新的上报数据,使得基于该最新的上报数据进行在线训练得到的模型更匹配当前的网络情况,基于最新的上报数据确定模型推理输出,从而提高模型推理的准确性,使得网络负载均衡操作后的网络质量更佳。
图4为本公开实施例提供的一种网络负载平衡的网络架构示意图,如图4中所示,该网络架构包括OAM 400、基站401、基站402,以及各个基站覆盖范围内接入的UE;基站402为基站401的邻基站。其中,基站401包括:CU和DU;基站402包括:CU和DU。基站401的CU和基站402的CU分别向OAM 400发送模型请求消息,OAM 400根据接收到的模型请求消息,确定进行网络负载平衡的区域、网络负载平衡区域中的基站401为锚点基站、基站402为辅助基站,并进行网络负载平衡模型的离线模型训练。在离线模型训练完成之后,可以将训练好的模型的模型配置信息通过模型回复消息分别指示给基站401的CU和基站402的CU,以使得锚点基站和辅助基站进行模型训练数据的采集和上报。基站401的CU和基站402的CU根据模型回复消息分别统计自身的测量统计结果,并指示各自的DU触发UE测量,得到的模型训练数据上报给OAM 400,OAM 400在接收到基站401的CU和基站402的CU上报的模型训练数据之后,进行网络负载平衡模型的在线模型训练。在在线模型训练完成之后,OAM 400向基站401的CU和基站402的CU指示最新的模型的模型配置信息,以使得基站401的CU获取模型推理所需的部分数据,并向基站402的CU获取模型推理所需的部分数据,并基于最新的网络负载平衡的模型的模型配置信息和模型推理所需的数据进行模型推理,从而得到模型推理输出,并根据模型推理输出对基站401覆盖范围内的UE进行网络负载平衡操作;并且基站401的CU将模型推理输出发送给基站402的CU,以使得基站402的CU对基站402覆盖范围内的UE进行网络负载平衡操作。
图5为本公开实施例提供一种网络负载平衡方法的交互流程示意图,其中,第一基站包括第一CU和第一DU,第二基站包括第二CU和第二DU,第二基站为第一基站的邻基站,第二基站包括至少一个基站,如图5中所示,该方法可以包括下述的S501至S520:
可选地,该方法可以包括下述的S501至S505:
S501、第一CU向OAM发送第一模型请求消息。
S502、第二CU向OAM发送第二模型请求消息。
需要说明的是,在本公开实施例提供的网络负载平衡方法中,各个基站的CU发送的模型请求消息可以用于请求OAM触发网络负载平衡,触发OAM进行离线模型训练,以获得相关模型功能。
示例性地,本公开实施例中涉及的模型可以包括AL(Artificial Intelligence,机器学习)模型和ML(Machine Leaning人工智能)模型中的至少一个。
具体地,第一模型请求消息用于第一基站请求网络负载平衡,第二模型请求消息用于第二基站请求网络负载平衡。
可选地,目标模型请求消息(其中,目标模型请求消息为第一模型请求消息或第二模型请求消息)包括以下1-1至1-8中的至少一项:
1-1:发送方CU标识;
例如,第一模型请求消息中包括第一CU标识,第二模型请求消息中包括第二CU标识。
1-2:模型指示信息;
其中,模型指示信息指示启用的模型或函数。
可选地,启用的模型或函数包括以下至少一项关联的模型:基站无线资源预测、终端流量预测,以及终端轨迹预测。
示例性地,一条模型请求消息中可以至少包含一种相关模型的模型指示信息。模型指示信息可以为枚举型,例如模型请求消息中可以包括整数值0、1、2、3…,分别指示基站无线资源预测、终端流量预测、终端轨迹预测等关联的模型。
1-3:训练请求指示信息;
具体地,模型请求消息中可以携带训练请求指示标识,可以指示模型请求消息的发送者需要达到预期性能所需的信息。
其中,训练请求指示信息指示以下A1至A3中的至少一项:
A1、模型特征输入信息;
例如,模型请求消息中可以携带模型特征输入信息标识指示所需的模型特征输入信息。
A2、训练模式;
其中,训练模式标识用于获取模型算法。
例如,模型请求消息中可以携带训练模式标识指示所需的训练模式,可以为枚举型。
示例性地,训练模式可以包括以下至少一项:线性回归、逻辑回归、决策树、支持向量机,以及随机森林等算法。
A3、模型性能。
可选地,模型性能包括以下a11至a15中的至少一项:
a11、模型参数;其中,模型参数指示模型内部的配置变量,该配置变量包括以下至少一项:权重、偏置,以及学习速率等。
a12、推理输出名称;其中,推理输出名称指示模型功能体进行推理输出的名称,可以为枚举型。示例性地,推理输出包括以下至少一项:网络负载分析、网络性能分析,以及UE相关分析。
a13、性能指标;其中,性能指标指示评估模型功能体的性能指标。示例性地,性能指标包括准确度和精度中的至少一项。
a14、性能得分;其中,性能得分指示模型功能体在对特定数据集进行推理时的性能得分。示例性地,性能得分的允许值为0-100。根据模型的性质,不同类型的模型的性能指标可能会有所不同。例如,用于数字预测的模型、度量指标可以包括准确度;用户分类的模型,度量指标可以包括精度和召回率的组合。
a15、置信度得分。其中,置信度得分指示由模型功能体生成的给定决策的可靠性和质量中的至少一项的数值。示例性地,性能得分的允许值为0-100。最低值标识决策的最低可靠性水平。
示例性地,模型请求消息中可以携带模型性能标识,以指示所需的模型性能。例如,模型请求消息中可以携带模型参数标识、推理输出名称标识、性能指标标识、性能得分标识和置信度得分标识。
1-4:训练数据来源指示信息;
具体地,训练数据来源指示信息,指示获取模型请求消息发送者所请求的训练数据源的地址信息。
示例性地,可以通过训练数据源的地址信息指示和区分训练数据的来源;数据来源可以是不同网络功能体以及运营商等,其中,不同网络功能体可以包括基站、核心网等。详细的训练数据格式可以为厂商特定的数据格式。
1-5:模型功能体上下文;
可选地,模型功能体上下文包括以下至少一项:训练上下文、预期运行时间上下文,以及实际运行时间上下文。
其中,训练上下文指示与训练相关的状态和条件;预期运行时间上下文指示预期应用的AI/ML功能体的上下文,包含进行模型训练的特定时间条件等;实际运行时间上下文指示应用模型的上下文。
1-6:请求状态;
其中,请求状态指示训练请求状态,可以为枚举型。
示例性地,训练请求状态包括以下至少一项:“未开始”(NOT STARTED)、“训练中”(TRAINING IN PROGRESS)、“暂停”(SUSPENDED)、“完成”(FINISHED),以及“取消”(CANCELLED)。
1-7:取消请求指示信息;
其中,取消请求指示信息指示发送方是否取消训练请求。
示例性地,取消请求指示信息的属性设置为“TRUE”,则取消响应训练请求;取消请求指示信息的属性设置为“FALSE”,则指示需要响应训练请求。默认设置为“FALSE”。
1-8:暂停请求指示信息。
其中,暂停请求指示信息指示发送方是否暂停训练请求。
示例性地,当请求状态非“FINISHED”状态时,可以指示暂停,即将该暂停请求指示信息的属性可以设置为“TRUE”;若不需要暂停,则可以将暂停请求指示信息的属性可以设置为“FALSE”。
S503、OAM确定第一基站为锚点基站,第二基站为第一基站的辅助基站。
具体地,OAM在接收到各个基站的CU发送的模型请求消息之后,OAM确定网络进行负载平衡区域的范围、锚点基站,以及锚点基站的辅助基站;OAM根据模型请求消息将存储的历史数据作为训练数据,进行离线模型训练得到训练后的模型。在离线训练得到训练后的模型之后,OAM可以向进行网络负载平衡区域的范围中的锚点基站的CU和该锚点基站辅助基站的CU发送模型回复消息,以使得各个基站进行模型训练数据的收集。
示例性地,OAM根据模型请求消息中的指示信息可以设定第一基站为锚点基站,设定第二基站为辅助基站,以向第一基站提供模型所需的AL/ML数据信息。
可以理解,辅助基站可以包括锚点基站的至少一个邻基站。
S504、OAM向第一CU发送第一模型回复消息。
其中,第一模型回复消息包括第一锚点基站指示信息,第一锚点基站指示信息指示接收到第一模型回复消息的基站为锚点基站。
S505、OAM向第二CU发送第二模型回复消息。
其中,第二模型回复消息包括第二锚点基站指示信息和辅助基站指示信息,第二锚点基站指示信息指示OAM设置的锚点基站节点ID(Identification,标识);辅助基站指示信息指示接收到第二模型回复消息的基站为辅助基站。
可选地,目标模型回复消息(其中,目标模型回复消息为第一模型回复消息或第二模型回复消息),还包括2-1至2-8中的以下至少一项:
2-1:模型指示信息;
其中,模型指示信息指示启用的模型或函数。
2-2:优先级指示信息;
其中,优先级指示信息指示训练过程的优先级。
具体地,可以使用优先级安排AL/ML模型训练的训练过程。
例如,可以采用较低的值表示较高的优先级,采用较高的值表示较低的优先级。
2-3:训练请求指示信息;
其中,训练请求指示信息指示以下至少一项:模型特征输入信息、训练模式,以及模型性能。
可选地,模型特征输入信息可以包括以下B1至B3中的至少一项:
B1、UE特征输入信息;
可选地,UE特征输入信息包括以下b11至b13中的至少一项:
b11、UE位置信息;例如,UE位置信息可以包括以下至少一项:UE坐标、UE的服务小区ID,以及移动速度。
b12、UE无线测量信息;例如,UE无线测量信息包括以下至少一项:RSRP(ReferenceSignal Receiving Power,参考信号接收功率)、RSRQ(Reference Signal ReceivingQuality,参考信号接收质量),以及SINR(Signal to Interference plus Noise Ratio,信号与干扰加噪声比)。
b13、UE历史移动性信息。
B2:接收基站特征输入信息;
即,OAM可以指示接收到模型回复消息的基站(或CU)需要上报该基站的基站特征输入信息。
可以理解,接收基站为第一基站或第二基站。第一模型回复消息中包括第一基站特征输入信息,第二模型回复消息中包括第二基站特征输入信息。
可选地,接收基站特征输入信息包括以下至少一项:当前无线资源状态、当前接入基站的UE流量之和。
示例性地,无线资源状态包括以下至少一项:小区PRB(Physical ResourceBlock,物理资源块)利用率、平均RRC(Radio Resource Control,无线电资源控制)连接数,以及丢包率。
B3:接收基站的邻基站特征输入信息。
即,OAM可以指示接收到模型回复消息的基站(或CU)需要上报的该基站的邻基站的基站特征输入信息。其中,第一模型回复消息中包括第一基站的邻基站特征输入信息,第二模型回复消息中包括第二基站的邻基站特征输入信息。
可选地,接收基站的邻基站特征输入信息包括以下至少一项:当前无线资源状态、流量卸载至邻基站的UE性能测量。
2-4:训练数据提供者列表;
其中,训练数据提供者列表指示已经提供或应该提供模型相关数据的实体。例如,用于训练或推理的实体。
2-5:训练数据来源指示信息。
进而,第一CU接收OAM发送的包括用于网络负载平衡用例的模型配置信息的第一模型回复消息。同样地,第二CU接收OAM发送的包括用于网络负载平衡用例的模型配置信息的第二模型回复消息。
具体地,各个基站的CU在接收到OAM的模型回复消息之后,可以根据模型回复消息中最新的模型指示信息,向各个基站各自对应的DU发送输入数据请求消息,以触发该基站本地的测量、统计和记录过程。
S506、第一CU向第一DU发送第一输入数据请求消息。
其中,第一输入数据请求消息包括请求的测量对象。
同样的,第二CU向第二DU发送第三输入数据请求消息。
其中,第三输入数据请求消息包括请求的测量对象。
可选地,目标输入数据请求消息(其中,目标输入数据请求消息为第一输入数据请求消息或第三输入数据请求消息)可以包括以下3-1至3-4中的至少一项:
3-1:发送方CU标识;
例如,第一输入数据请求消息中包括第一CU标识,第三输入数据请求消息中包括第二CU标识。
3-2:发送方CU的IP地址(Internet Protocol Address,互联网协议地址)和端口地址;
需要说明的是,若输入数据请求消息中包括基站的CU的IP地址和端口地址,则指示接收节点(基站的DU)将通过建立的用户面通道进行海量模型数据的传输。
例如,第一输入数据请求消息中包括第一CU的IP地址和端口地址,第一CU的IP地址和端口地址用于与接收节点(即第一DU)建立传输模型数据的通道。第三输入数据请求消息中包括第二CU的IP地址和端口地址。第二CU的IP地址和端口地址用于与接收节点(即第二DU)建立传输模型数据的通道。
3-3:上报小区列表;
其中,上报小区列表包括小区上报信息和上报周期。
示例性地,小区上报信息包括以下至少一项:小区ID,SSB(SynchronizationSignal and PBCH Block,同步信号和物理广播信道块)上报列表,以及SSB指数;上报周期指示所有测量对象的平均窗口长度。
3-4:目标输入信息。
其中,目标输入信息指示发送方CU下至少一个小区提供的测量上报数据。
例如,第一输入数据请求消息中包括第一输入信息,第一输入信息指示第一CU下至少一个小区提供的测量上报数据。第三输入数据请求消息中包括第三输入信息,第三输入信息指示第二CU下至少一个小区提供的测量上报数据。
可选地,CU下至少一个小区提供的测量上报数据包括以下C1和C2中的至少一项:
C1:UE特征输入信息;
其中,测量上报数据中的UE特征输入信息包括以下至少一项:UE位置信息和UE无线测量信息。
示例性地,UE位置信息包括UE坐标、服务小区ID,以及移动速度等。
C2:基站特征输入信息。
其中,基站特征输入信息包括发送方基站特征输入信息和发送方基站的邻基站特征输入信息。
其中,若第一CU所属基站为第一基站,则上述发送方基站特征输入信息为第一基站特征输入信息;若第二CU所属基站为第二基站,则上述发送方基站特征输入信息为第二基站特征输入信息。若第一CU所属基站为第一基站,则上述发送方基站的邻基站特征输入信息为第一基站的邻基站特征输入信息;若第二CU所属基站为第二基站,则上述发送方基站的邻基站特征输入信息为第二基站的邻基站特征输入信息。
示例性地,基站特征输入信息可以包括以下至少一项:小区级UE轨迹预测、当前UE流量之和、预测UE流量之和、当前无线资源状态、预测无线资源状态,流量卸载至邻基站的UE性能测量以及预测邻区无线资源状态。
其中,小区级UE轨迹预测包括以下预测的至少一项:UE坐标、UE的服务小区ID,以及移动速度。
可选地,DU在接收到CU发送的输入数据请求消息之后,可以通过数据回复消息指示针对DU请求的测量对象,能够成功启动测量并提供测量信息的响应测量对象信息。例如,第一DU可以向第一CU发送第一输入数据回复消息,第二DU可以向第二CU发送第三输入数据回复消息。
S507、第一CU接收第一DU的第一输入数据回复消息。
同样的,第二CU接收第二DU的第三输入数据回复消息。
其中,DU发送的输入数据回复消息包括DU可提供的测量对象,用于与发送节点(CU)建立传输模型数据的通道的DU的IP地址和端口地址。
需要说明的是,若输入数据回复消息中包括DU的IP地址和端口地址,则可以指示接收CU将通过建立的用户面通道进行海量模型数据的传输。
例如,第一输入数据回复消息包括可提供的测量对象、用于与第一CU建立传输模型数据的通道的第一DU的IP地址和端口地址;第三输入数据回复消息包括可提供的测量对象、用于与第二CU建立传输模型数据的通道的第二DU的IP地址和端口地址。
可选地,目标输入数据回复消息(目标输入数据回复消息为第一输入数据回复消息或第三输入数据回复信息)可以包括以下4-1至4-3中的至少一项:
4-1:发送方DU标识;
例如,第一输入数据回复消息中包括第一DU标识,第三输入数据回复消息中包括第二DU标识。
4-2:发送方DU的IP地址和端口地址;
例如,第一输入数据回复消息中包括第一DU的IP地址和端口地址,第三输入数据回复消息中包括第二DU的IP地址和端口地址。
4-3:第一临界诊断标识。
例如,第一输入数据回复消息中的第一临界诊断标识指示第一DU接收到的信息中,未被理解或丢失的信息;第三输入数据回复消息中的第一临界诊断标识指示第二DU接收到的信息中,未被理解或丢失的信息。
S508、第一CU接收第一DU发送的第一输入数据更新消息。
同样地,第二CU接收第二DU发送的第三输入数据更新信息。
可以理解,目标输入数据更新消息(其中,目标输入数据更新消息为,第一输入数据更新消息或第二输入数据更新消息)包括输入信息上报数据,输入信息上报数据包括发送方DU下的至少一个小区提供的测量上报数据。
例如,第一输入数据更新消息中的输入信息上报数据包括第一DU下的至少一个小区提供的测量上报数据,该至少一个小区中每个小区提供的测量上报数据包括:C1对应的UE特征输入信息、C2对应的基站特征输入信息,以及时间戳;该基站特征输入信息包括:第一基站特征输入信息和第一基站的邻基站特征输入信息。第三输入数据更新消息中的输入信息上报数据包括第二DU下的至少一个小区提供的测量上报数据;该至少一个小区中每个小区提供的测量上报数据包括:C1对应的UE特征输入信息、C2对应的基站特征输入信息,以及时间戳;该基站特征输入信息包括:第二基站特征输入信息和第二基站的邻基站特征输入信息。
S509、第一CU向OAM发送包括训练数据的模型训练输入数据消息。
其中,第一CU发送的训练数据为第一CU根据UE测量上报数据和第一CU的测量统计结果确定的。
可选地,第一CU发送的模型训练输入数据消息包括以下至少一项:C1对应的UE特征输入信息C2对应的基站特征输入信息,以及时间戳;该基站特征输入信息包括:第一基站特征输入信息和第一基站的邻基站特征输入信息和时间戳。
同样地,第二CU向OAM发送包括训练数据的模型训练输入数据消息。第二CU发送的训练数据为第二CU根据UE测量上报数据和第二CU的测量统计结果确定的。第二CU发送的模型训练输入数据消息包括以下至少一项:C1对应的UE特征输入信息C2对应的基站特征输入信息,以及时间戳;该基站特征输入信息包括第二基站特征输入信息和第二基站的邻基站特征输入信息。
具体地,在OAM接收到来自网络负载平衡区域范围内锚点基站和辅助基站发送的模型训练输入数据消息之后,可以将接收到的数据集进行数据的处理和数据集的分割,形成训练数据集、验证数据集和测试数据集。OAM基于以上数据集进行在线模型训练,通过模型训练、验证和测试的过程进行参数调整和特征优化,从而获得更准确的模型。
进而,OAM可以将经过在线模型训练、验证和测试得到的最新的AL/ML模型信息,可以通过模型部署消息或者模型更新消息(在下述的解释中以部署消息为例进行说明)发送给锚点基站和辅助基站的集中管理实体。
S510、OAM向第一CU发送第一部署消息。
同样的,OAM向第二CU发送第二部署消息。进而,第一CU接收OAM发送的第一部署消息。第二CU接收OAM发送的第二部署消息。
其中,目标部署消息(目标部署消息为第一部署消息或第二部署消息)包括模型更新配置信息。
可选地,第一部署消息包括以下5-1至5-6中的至少一项,第二部署消息包括以下5-2至5-6中的至少一项:
5-1:辅助基站列表;
其中,辅助基站列表包括辅助基站节点ID,锚点基站基于辅助基站列表向包括的辅助基站收集模型所需数据。
5-2:模型指示信息;
5-3:优先级指示信息;
5-4:训练请求指示信息;
可选地,训练请求指示信息包括以下至少一项:新增模型特征输入信息、训练模式、模型性能;新增模型特征输入信息指示新增的用于模型训练和模型推理中的至少一项的数据。
需要说明的是,若部署消息中包括新增模型特征输入信息,则指示新增的用于模型训练和/或推理的数据。
可选地,新增模型特征输入信息包括以下E1至E3中的至少一项:
E1:UE的新增特征输入信息;
可以理解,UE的新增特征输入信息指示新增的需要提供的UE数据。
E2:接收基站的新增特征输入信息;
可以理解,接收基站的新增特征输入信息指示新增的需要提供的接收基站侧数据。
示例性地,接收基站的新增特征输入信息包括以下预测的至少一项:UE轨迹、UE流量,以及无线资源状态。
E3:接收基站的邻基站的新增特征输入信息;
可以理解,接收基站的邻基站的新增特征输入信息指示需要提供的邻基站侧数据。
示例性地,接收基站的邻基站的新增特征输入信息包括预测无线资源状态。
5-5:训练数据提供者列表;
5-6:训练数据来源指示信息。
需要说明的是,在实际应用中,可以重复执行上述的S506至S510,直至模型训练次数达到预设次数,或者模型性能满足预设性能。
S511、第一CU基于模型更新配置信息更新的模型、目标模型推理数据、UE测量上报数据和第一CU的测量统计结果确定模型推理输出。
其中,目标模型推理数据为第二CU通过第二输入数据更新消息发送的。
可选地,UE测量上报数据包括以下6-1至6-5中的至少一项:
6-1:UE位置信息;
6-2:UE移动速度;
6-3:UE无线测量信息;
6-4:UE历史移动性信息;
6-5:时间戳。
具体地,第一CU基于自身测量统计的特征输入信息、收集的UE测量上报数据、第二CU上报的测量数据,以及最新的模型进行模型推理,生成包含有网络负载平衡操作以及切换操作等信息的模型推理输出,以供网络进行分析或执行操作。
S512、第一CU基于模型推理输出进行网络负载平衡操作。
S513、第一CU向第二CU发送模型推理输出,以使得第二CU基于模型推理输出进行网络负载平衡操作。
S514、第二CU基于模型推理输出进行网络负载平衡操作。
具体地,若模型推理输出是切换策略,则第一基站和第二基站在UE执行切换前为每个UE选择最合适的目标小区(即待切换小区)。
可以理解,锚点基站的第一CU在接收到模型回复消息之后,可以向该锚点基站的第一DU发送第一输入数据请求消息,以指示第一DU请求的测量对象,并告知第一DU用于建立传输模型数据的通道的第一CU的IP地址和端口地址,第一DU可以向第一CU指示可以提供的测量对象,以及用于建立传输模型数据的通道的第二CU的IP地址和端口地址,在传输模型数据的通道建立之后,第一DU通过建立的通道向第一CU发送第一输入数据更新消息,第一CU在接收到第一DU发送的输入数据更新消息之后,向OAM发送包括UE测量上报数据和第一CU基于第一模型回复消息统计的第一CU的测量统计结果的训练数据,OAM在接收到锚点基站和辅助基站发送的训练数据之后,可以用于进行网络负载平衡的离线模型训练,并将训练后的模型配置信息更新至锚点基站和辅助基站,锚点基站和辅助基站根据更新后的模型配置信息更新基站中的模型,锚点基站的第一CU根据更新后的模型,获取本基站的测量统计结果,获取本基站覆盖范围内的UE测量上报数据,并向辅助基站的第二CU请求用于模型推理的数据,在获取到该三类数据之后,第一CU进行用于网络负载平衡的模型推理操作,以基于模型推理输出对锚点基站覆盖范围内的UE进行网络负载平衡操作,第一CU向辅助基站的CU发送模型推理输出,以使得第一基站的辅助基站的CU也可以基于该模型推理输出进行网络负载平衡操作。
本公开实施例提供一种网络负载平衡方法,通过将网络负载平衡的模型训练和模型推理的功能体分别部署于OAM和5G基站的CU,由OAM进行不同移动性场景和切换机制的分类和识别,CU做出切换参数、资源配置和移动性策略相关的推理分析,以供网络执行网络负载平衡相关操作。在执行网络负载平衡相关操作过程中,分离架构基站将网络负载平衡用例作为目标用例向OAM请求相关AI/ML模型,OAM根据请求消息中的模型指示信息,收集和处理网络各节点的测量统计数据以进行模型训练,并将训练好的模型向各CU进行部署和更新。基站CU基于OAM部署的模型指示信息向UE配置测量,并向邻基站集中管理实体发送数据请求消息以获得模型推理所需数据,即使用AI或ML模型充分利用无线网的先验数据,每次在网络负载平衡前更新最新的模型配置,并根据最新的模型对用户业务量以及用户轨迹等信息进行预测,生成负载平衡策略的推理输出信息,解决传统人工控制模式下进行负载平衡所面临的小区过载、UE切换不及时等问题,可以实现智能化网络负载平衡,通过准确预测提前采取有效措施,实现针对分离架构基站的智能化网络负载平衡。
可选地,在本公开实施例中,辅助基站和锚点基站的CU在接收到OAM发送的模型回复消息或者部署消息之后,可以根据消息中携带的模型的特征输入信息的指示信息进行测量,以收集基站特征输入信息,并向基站的DU发送测量配置信息,以收集该基站覆盖范围内的UE特征输入信息。
示例性地,UE的测量可以包括RRM(Radio Resource Management,无线资源管理)测量和MDT(Minimization of Drive-Tests,最小化路测)测量。
可选地,在本公开实施例提供的网络负载平衡方法中,辅助基站的测量与锚点基站的测量相似,以锚点基站的测量为例进行说明,本公开实施例中不再对辅助基站的测量进行赘述,进而,在上述的S506或S510之后,如图6中所示,还可以包括下述的S515至S518(其中,图6中以在S507之后且以目标消息为第一模型回复消息为例进行示例性说明):
S515、第一CU基于目标消息进行测量。
其中,目标消息为第一模型回复消息或第一部署消息。
需要说明的是,第一CU可以进行第一基站的基站特征输入信息的测量和收集,以及进行第一基站的邻基站特征输入信息的测量和收集。
可选地,上述S515可以在S516和S517前执行,也可以在S516和S517之后执行,也可以同时执行,本公开实施例对此不做具体限定。
S516、第一CU向第一DU发送根据目标消息确定的测量配置。
可选地,测量配置包括以下7-1至7-3中的至少一项:
7-1:UE历史移动性信息;
7-2:RRM测量配置;
其中,RRM测量配置包括以下至少一项:进行周期性测量触发的信息和UE无线测量信息。
示例性地,进行周期性测量触发的信息包括触发周期和记录周期。
7-3:MDT测量配置。
示例性地,MDT测量配置包括以下至少一项:支持周期性测量触发的信息、UE位置信息,以及UE移动速度。
S517、第一DU向覆盖范围内的UE发送测量触发消息,以使得UE基于测量配置向第一CU上报数据。
其中,测量触发消息包括UE追踪ID。
示例性地,第一DU在接收到测量配置之后,可以选择合适的UE进行测量触发。UE根据第一DU配置的测量配置进行相应的测量,收集第一DU所指示的测量信息,例如UE位置信息、UE的RSRP、RSRQ、SINR等的测量值,若测量配置中指示了MDT测量配置,则根据MDT测量配置完成相应的测量量的收集和记录。
具体地,UE根据测量配置,将收集到的用于模型训练的相关测量信息,周期性地向第一DU发送UE测量上报消息,UE测量上报消息包括UE测量上报数据。该UE测量上报数据用于模型训练和/或模型推理。第一DU接收UE基于测量配置发送的上报数据之后,可以根据模型回复消息中的模型特征输入信息指示信息,将相关信息的测量统计数据作为UE测量上报数据发送给第一CU。
需要说明的是,若UE不在指定区域或PLMN(Public Land Mobile Network,服务公共陆地移动网络)不在基于管理的PLMN列表,则UE不进行测量数据的上报。
S518、第一CU根据UE测量上报数据和第一CU的测量统计结果,确定训练模型所需的训练数据。
可选地,在目标消息为第一模型回复消息的情况下,S518可以在S508之后执行,在目标消息为第一部署消息的情况下,S518可以在第一DU向第一CU发送输入数据更新消息之后执行。
需要说明的是,在重复执行上述的S506至S510的过程中,可以周期性地进行上述的测量和上报过程。
基于该方案,第一CU在接收到模型回复消息或部署消息之后,可以触发相关的测量,该测量可以为周期性的测量,第一CU可以进行基站的测量和统计,且可以指示第一DU触发第一基站覆盖范围内的UE测量,以获取UE特征输入信息。
可选地,在本公开实施例提供的网络负载平衡方法中,第一CU接收OAM发送的第一部署消息之后,可以根据最新的模型指示信息,触发基站本地的测量、统计和记录过程,并向辅助基站发送输入数据请求消息,以获取辅助基站数据进行模型推理操作,进而,如图7所示,该方法还可以包括下述的S519至S521:
S519、第一CU向第二CU发送第二输入数据请求消息。
其中,第二输入数据请求消息包括请求的测量对象。
可选地,第二输入数据请求消息包括以下8-1至8-4中的至少一项:
8-1:第一CU标识;
8-2:第一CU的IP地址和端口地址;
其中,第一CU的IP地址和端口地址用于与接收节点(即第二CU)建立传输AI/ML数据的通道。
若第二输入请求消息包括第一CU的IP地址和端口地址,则指示第二基站将通过建立的用户面通道进行海量AL/ML数据的传输。
8-3:上报小区列表;
8-4:第二输入信息;
其中,第二输入信息指示第二CU下至少一个小区提供的测量上报数据。
S520、第二CU向第一CU发送第二输入数据回复消息。
进而,第一CU接收第二CU的第二输入数据回复消息。
具体地,第二CU在接收到第一CU发送的输入数据请求消息之后,可以通过输入数据回复消息指示针对请求的测量对象,能够成功启动测量并提供测量信息的测量对象的信息。
其中,第二输入数据回复消息包括可提供的测量对象。
可选地,第二输入数据回复消息还包括以下9-1至9-3中的至少一项:
9-1:第二CU标识;
9-2:第二CU的IP地址和端口地址;
其中,第二CU的IP地址和端口地址用于与接收节点建立传输模型数据的通道。
若第二输入数据回复消息包括第二CU的IP地址和端口地址,则指示第二基站(第二CU)与第一基站(或第一CU)将通过建立的用户面通道进行海量AL/ML数据的传输。
9-3:第二临界诊断标识;
其中,第二输入数据回复消息中的第二临界诊断标识指示第二CU接收到的信息中,未被理解或丢失的信息。
S521、第二CU向第一CU发送第二输入数据更新消息。
进而,第一CU接收第二CU的第二输入数据更新消息。
可以理解,第二CU向第一CU发送输入数据更新信息,以上报第一CU所请求的测量信息。
可选地,第二输入数据更新消息包括输入信息上报数据,该输入信息上报数据包括第二CU下的至少一个小区提供的测量上报数据。
其中,第二CU下的至少一个小区提供的测量上报数据可以参考上述的3-4中CU下的至少一个小区提供的测量上报数据的解释说明,此处不再赘述。
基于该方案,在锚点基站的CU接收到部署消息(包括最新的模型配置信息)之后,锚点基站的CU可以向辅助基站的CU发送输入数据获取消息,以实时获取辅助基站提供的模型推理所需的数据,从而可以使得模型推理输出更加符合当前进行网络负载平衡区域中网络情况的需求。
可选地,在本公开实施例提供的网络负载平衡方法中,DU在接收到CU发送的输入数据请求消息之后,若DU不能提供CU任何请求的测量对象,则DU向CU可以发送带有适当的原因值的输入数据失败消息。例如,以第一DU为例,在上述的S506之后,还可以包括下述的S522:
S522、第一DU向第一CU发送第一输入数据失败消息。
进而,第一CU接收第一DU的第一输入数据失败消息。同样地,第二DU向第二CU发送第三输入数据失败消息。第二CU接收第二DU的第三输入数据失败消息。
可选地,目标输入数据失败消息(目标输入数据失败消息为第一输入数据失败消息或第三输入数据失败消息)包括以下10-1至10-4中的至少一项:
10-1:发送方DU标识;
例如,第一输入数据失败消息中包括第一DU标识,第三输入数据失败消息中包括第二DU标识。
10-2:失败原因;
示例性地,失败原因包括以下至少一项:无线网络层原因、传输层原因,以及协议原因。
10-3:第三临界诊断标识;
例如,第一输入数据失败消息中的第三临界诊断标识指示第一DU接收到的消息中未被理解、丢失或包含逻辑错误的信息。第三输入数据失败消息中的第三临界诊断标识指示第二DU接收到的消息中未被理解、丢失或包含逻辑错误的信息。
10-4:等待重发时间。
其中,等待重发时间指示重新发起输入数据请求的时间。
基于该方案,在基站的CU向DU发送输入数据请求消息之后,若DU无法提供任何请求的测量对象,则DU可以向CU发送输入数据失败的消息,从而告知CU无法提供需求的测量数据。
可选地,在本公开实施例提供的网络负载平衡方法中,在上述的S519之后,该方法还包括下述的S523:
S523、第一CU接收第二CU发送的第二输入数据失败消息。
其中,第二输入数据失败消息包括以下11-1至11-4中的至少一项:
11-1:第二CU标识;
11-2:失败原因;
示例性地,失败原因包括以下至少一项:无线网络层原因、传输层原因、协议原因。
11-3:第四临界诊断标识;
其中,第四临界诊断标识指示第二CU接收到的消息中未被理解、丢失或包含逻辑错误的信息;
11-4:等待重发时间。
基于该方案,在锚点基站的CU向辅基站的CU发送输入数据请求消息之后,若辅助基站的无法提供任何请求的测量对象,则辅助基站的CU可以向锚点基站CU发送输入数据失败的消息,从而告知锚点无法提供需求的测量数据。
需要说明的是,本公开提供了一种针对分离架构基站的智能化网络负载平衡方案,该方案将模型训练和模型推理功能体分别部署于OAM和5G分离架构基站的CU。OAM负责收集网络各节点测量数据信息,确定网络负载平衡优化范围,并进行离线和/或在线训练,以将训练好的模型部署或更新到各CU。集中管理节点具有模型推理功能,能够对基站负载以及能UE轨迹做出准确预测并生成模型推理输出信息。网络基于模型推理产生的决策信息执行负载平衡相关操作,实现针对分离架构基站的智能化网络负载平衡。
另外,本公开还提供了各分离架构基站CU之间AI/ML数据的交互过程,通过在交互信令中传输各CU的IP地址和端口地址,建立用于传输AI/ML模型训练和推理所需数据的传输通道,实现基站间AI/ML数据的交互,使能分离架构基站CU基于各基站上报的数据信息进行模型推理功能。
示例:
图8为本公开实施例提供的一种网络负载平衡的交互流程示意图,可以包括下述的S801至S823:
S801、CU 1向OAM发送负载平衡用例的模型请求消息,触发OAM进行AI/ML离线模型训练,以获得负载平衡相关AI/ML功能。
其中,CU 1为第一基站的CU。
S802、OAM接收请求消息,确定网络进行负载平衡优化区域的范围并将第一基站设定为锚点基站。OAM根据请求消息指示信息将储存的历史数据作为训练数据,进行离线模型训练,并向CU 1发送模型回复消息。
S803、CU 2向OAM发送负载平衡用例的模型请求消息,以获得相关AI/ML功能。
S804、OAM接收请求消息,根据请求消息指示信息,将第二基站设定为辅助基站,以向第一基站提供网络负载平衡模型所需的AI/ML数据信息。OAM向CU 2发送模型回复消息。
其中,CU 2为第二基站的CU。
CU 1收到模型回复消息,根据模型特征输入信息相关指示信息,进行基站特征输入信息以及邻基站特征输入信息的测量和收集。
S805、CU 1向DU 1发送输入数据请求信息。
其中,若DU 1可以提供CU 1请求的部分或全部测量,则执行下述的S806a,若CU 1不能提供任何请求的测量,则执行下述的S806b。
S806a、DU 1向CU 1发送输入数据回复信息。
S806b、DU 1向CU 1发送输入数据失败消息。
S807、CU 1向DU 1发送测量配置消息,以进行终端特征输入信息的收集。终端测量配置包含RRM测量和MDT测量。
S808、DU 1接收测量配置消息,选择合适的UE进行测量触发。如果UE不在指定区域或服务PLMN不在基于管理的PLMN列表中,则此类UE将不进行测量数据的上报。
S809、终端根据第一基站配置信息进行相应测量,收集所指示的测量信息,比如UE位置信息,UE RSRP、RSRQ、SINR测量值等,同时根据MDT测量完成相应测量量的记录和收集。
S810、终端将收集到的用于模型训练的相关测量信息,通过UE测量上报消息发送给DU 1。
S811、DU 1接收终端测量上报数据,并根据模型回复消息中的模型特征输入信息指示信息,将相关信息的测量统计数据发送给CU 1。
S812、CU 1根据模型回复消息中的模型特征输入信息指示信息,将相关信息的测量统计数据发送给OAM。
S813、CU 2根据模型回复消息中的模型特征输入信息指示信息,将相关信息的测量统计数据发送给OAM。
S814、OAM接收来自网络负载平衡优化区域范围内基站的输入数据信息,将数据集进行数据的处理和数据集的分割,形成训练数据集、验证数据集和测试数据集。OAM基于以上数据集进行在线模型训练,通过模型训练、验证和测试过程进行参数调整和特征优化以获得更准确的模型。
S815、OAM将经过在线训练、验证和测试的AI/ML模型信息,通过模型部署/更新消息发送给CU 1。
S816、OAM将经过在线训练、验证和测试的AI/ML模型信息,通过模型部署/更新消息发送给CU 2。
S817、CU 1接收来自OAM的模型部署/更新消息,根据最新的模型指示信息,触发基站本地的测量、统计和记录过程,并向CU 2发送数据请求消息,以获取第二基站数据来进行模型推理操作。
S818、CU 2接收数据请求消息,通过数据回复消息来指示针对请求的测量对象,能够成功启动测量并提供测量信息的相应测量对象信息。
S819、CU 2向CU 1发送输入数据更新消息,以上报第一基站所请求的测量信息。
S820、终端根据配置信息,周期性的向DU 1发送模型训练和/或模型推理所需的终端测量上报数据。
S821、向DU 1周期性地向CU 1发送模型训练和/或模型推理所需的终端测量上报数据。
S822、CU 1基于自身测量统计的特征输入信息、收集的终端测量上报数据以及CU2上报的测量数据,执行模型推理功能,生成包含预测信息和决策信息在内的AI/ML模型推理输出,供网络进行分析或执行操作。
S823、根据模型推理信息,第一基站和第二基站执行网络负载平衡相关操作。如果模型推理输出是切换策略,第一基站节点和第二基站节点可以在终端执行切换前,为每个终端选择最合适的目标小区。
可选地,本公开实施例还提供一种基站,该基站为第一基站,该基站包括第一CU和第一DU;第一CU向第一DU发送第一输入数据请求消息;第一输入数据请求消息包括请求的测量对象;接收第一DU的第一输入数据回复消息;第一输入数据回复消息包括可提供的测量对象;第一CU接收第一DU发送的第一输入数据更新消息,以获取向OAM发送的用于网络负载平衡的模型训练的训练数据,以及所述第一CU确定网络负载平衡的模型推理输出所需的推理数据;所述模型推理输出用于所述第一CU进行网络负载平衡操作。
可选地,如图9所示,本公开实施例还提供一种基站900,包括处理器901,存储器902,存储在存储器902上并可在处理器901上运行的程序或指令,该程序或指令被处理器901执行时实现上述网络负载平衡方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,图10示出的网络实体或基站1000仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图10所示,基站1000包括中央处理单元(Central Processing Unit,CPU)1001,其可以根据存储在ROM(Read Only Memory,只读存储器)1002中的程序或者从存储部分1008加载到RAM(Random Access Memory,随机访问存储器)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有系统操作所需的各种程序和数据。CPU 1001、ROM1002以及RAM 1003通过总线1004彼此相连。I/O(Input/Output,输入/输出)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如CRT(Cathode Ray Tube,阴极射线管)、LCD(Liquid Crystal Display,液晶显示器)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN(Local AreaNetwork,无线网络)卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本公开的实施例,下文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU 1001)执行时,执行本申请的系统中限定的各种功能。
本公开实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述网络负载平衡方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,所述处理器为上述实施例中所述的电子设备中的处理器。所述可读存储介质,包括计算机可读存储介质,如ROM、RAM、磁碟或者光盘等。
本公开实施例另提供了一种芯片,所述芯片包括处理器和通信接口,所述通信接口和所述处理器耦合,所述处理器用于运行程序或指令,实现上述网络负载平衡方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本公开实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
本公开实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行如上述的网络负载平衡方法的步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外,需要指出的是,本公开实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能,还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能,例如,可以按不同于所描述的次序来执行所描述的方法,并且还可以添加、省去、或组合各种步骤。另外,参照某些示例所描述的特征可在其他示例中被组合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本公开各个实施例所述的方法。
上面结合附图对本公开的实施例进行了描述,但是本公开并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本公开的启示下,在不脱离本公开宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本公开的保护之内。
Claims (35)
1.一种网络负载平衡方法,应用于第一基站,其特征在于,所述第一基站为锚点基站,所述第一基站包括第一集中管理实体CU和第一分离管理实体DU,所述方法包括:
所述第一CU向所述第一DU发送第一输入数据请求消息;所述第一输入数据请求消息包括请求的测量对象;
所述第一CU接收所述第一DU发送的第一输入数据回复消息;所述第一输入数据回复消息包括可提供的测量对象;
所述第一CU接收所述第一DU发送的第一输入数据更新消息,以获取向OAM发送的用于网络负载平衡的模型训练的训练数据,以及所述第一CU确定网络负载平衡的模型推理输出所需的推理数据;所述模型推理输出用于所述第一CU进行网络负载平衡操作。
2.根据权利要求1所述的方法,其特征在于,所述第一输入数据请求消息包括以下至少一项:所述第一CU标识、所述第一CU的互联网协议IP地址和端口地址、上报小区列表、第一输入信息;
所述第一CU的IP地址和端口地址用于与接收节点建立传输模型数据的通道;所述上报小区列表包括小区上报信息和上报周期;所述小区上报信息包括以下至少一项:小区标识ID,同步信号和物理广播信道块SSB上报列表,以及SSB指数;所述上报周期指示所有测量对象的平均窗口长度;所述第一输入信息指示所述第一DU下至少一个小区提供的测量上报数据。
3.根据权利要求1所述的方法,其特征在于,所述第一输入数据回复消息包括以下至少一项:所述第一DU标识、所述第一DU的IP地址和端口地址、第一临界诊断标识;
其中,所述第一DU的IP地址和端口地址用于与接收节点建立传输模型数据的通道;所述第一临界诊断标识指示所述第一DU接收到的信息中,未被理解或丢失的信息。
4.根据权利要求1所述的方法,其特征在于,所述第一输入数据更新消息包括输入信息上报数据,所述输入信息上报数据包括所述第一DU下的至少一个小区提供的测量上报数据。
5.根据权利要求2或4所述的方法,其特征在于,所述至少一个小区中每个小区提供的测量上报数据包括:用户设备UE特征输入信息和基站特征属兔信息;其中,基站特征输入信息包括:第一基站特征输入信息和所述第一基站的邻基站特征输入信息;
所述UE特征输入信息包括以下至少一项:UE位置信息和UE无线测量信息;所述UE位置信息包括以下至少一项:UE坐标、UE的服务小区ID,以及移动速度;所述UE无线测量信息包括以下至少一项:参考信号接收功率RSRP、参考信号接收质量RSRQ,以及信号与干扰加噪声比SINR;
所述基站特征输入信息包括以下至少一项:小区级UE轨迹预测、当前UE流量之和、预测UE流量之和、当前无线资源状态、预测无线资源状态,流量卸载至邻基站的UE性能测量以及预测邻区无线资源状态;
所述小区级UE轨迹预测包括预测的以下至少一项:UE坐标、UE的服务小区ID,以及移动速度;无线资源状态包括以下至少一项:小区的物理资源块PRB利用率、平均无线电资源控制RRC连接数、丢包率。
6.根据权利要求1所述的方法,其特征在于,所述第一CU接收所述第一DU发送的第一输入数据更新消息之后,所述方法还包括:
所述第一CU向OAM发送模型训练输入数据消息,所述模型训练输入数据消息包括所述训练数据,所述训练数据为所述第一CU根据UE测量上报数据和所述第一CU的测量统计结果确定的;
所述第一CU接收所述OAM发送的第一部署消息,所述第一部署消息包括模型更新配置信息;
所述第一CU基于所述模型更新配置信息更新的模型、目标模型推理数据、所述第一CU的测量统计结果和UE测量上报数据,确定模型推理输出;所述目标模型推理数据为第二CU通过第二输入数据更新消息发送的,所述第二CU为第二基站的CU,所述第二基站为所述第一基站的邻基站;
所述第一CU基于所述模型推理输出进行网络负载平衡操作,并向所述第二CU发送所述模型推理输出,以使得所述第二CU基于所述模型推理输出进行网络负载平衡操作。
7.根据权利要求6所述的方法,其特征在于,所述第一部署消息包括以下至少一项:
辅助基站列表、模型指示信息、优先级指示信息、训练请求指示信息、训练数据提供者列表、训练数据来源指示信息。
8.根据权利要求7所述的方法,其特征在于,
所述辅助基站列表包括辅助基站节点ID,锚点基站基于所述辅助基站列表向包括的辅助基站收集模型所需数据;
所述模型指示信息指示启用的模型或函数,所述启用的模型或函数包括以下至少一项关联的模型:基站无线资源预测、终端流量预测,以及终端轨迹预测;
所述优先级指示信息指示训练过程的优先级;
所述训练数据提供者列表包括已经提供或应该提供模型相关数据的实体;
所述训练数据来源包括不同网络功能体或运营商中的至少一项,网络功能体包括基站或核心网中的至少一项;
所述训练请求指示信息包括以下至少一项:新增模型特征输入信息、训练模式、模型性能;所述新增模型特征输入信息指示新增的用于模型训练和模型推理中的至少一项的数据。
9.根据权利要求8所述的方法,其特征在于,所述新增模型特征输入信息包括以下至少一项:UE的新增特征输入信息、所述第一基站的新增特征输入信息以及所述第一基站的邻基站的新增特征输入信息;
其中,所述UE的新增特征输入信息指示新增的需要提供的UE数据;所述第一基站的新增特征输入信息指示新增的需要提供的第一基站侧数据;所述第一基站的邻基站的新增特征输入信息指示需要提供的邻基站侧数据。
10.根据权利要求9所述的方法,其特征在于,
所述第一基站的新增特征输入信息包括以下预测的至少一项:UE轨迹、UE流量、无线资源状态,以及邻区无线资源状态;
其中,无线资源状态包括以下至少一项:小区的PRB利用率、平均RRC连接数、丢包率。
11.根据权利要求9所述的方法,其特征在于,
所述第一基站的邻基站的新增特征输入信息包括预测无线资源状态。
12.根据权利要求1所述的方法,其特征在于,所述第一CU向所述第一DU发送第一输入数据请求消息之前,所述方法还包括:
所述第一CU向网管设备OAM发送第一模型请求消息,所述第一模型请求消息用于请求网络负载平衡;
所述第一CU接收所述OAM发送的包括用于网络负载平衡用例的模型配置信息的第一模型回复消息;
其中,所述第一模型回复消息包括第一锚点基站指示信息,所述第一锚点基站指示信息指示接收到所述第一模型回复消息的基站为锚点基站。
13.根据权利要求12所述的方法,其特征在于,所述第一模型请求消息,包括以下至少一项:所述第一CU标识、模型指示信息、训练请求指示信息、训练数据来源指示信息、模型功能体上下文、请求状态、取消请求指示信息和暂停请求指示信息。
14.根据权利要求13所述的方法,其特征在于,
所述模型指示信息指示启用的模型或函数,所述启用的模型或函数包括以下至少一项关联的模型:基站无线资源预测、终端流量预测,以及终端轨迹预测;
所述训练请求指示信息指示以下至少一项:模型特征输入信息、训练模式、模型性能;
所述模型功能体上下文包括以下至少一项:训练上下文、预期运行时间上下文、实际运行时间上下文;
所述请求状态指示训练请求状态,所述训练请求状态包括以下至少一项:未开始、训练中、暂停、完成和取消;
所述取消请求指示信息指示发送方是否取消训练请求;
所述暂停请求指示信息指示发送方是否暂停训练请求。
15.根据权利要求14所述的方法,其特征在于,所述模型特征输入信息,包括以下至少一项:UE特征输入信息、第一基站特征输入信息、所述第一基站的邻基站特征输入信息。
16.根据权利要求12所述的方法,其特征在于,所述第一模型回复消息,还包括以下至少一项:模型指示信息、优先级指示信息、训练请求指示信息、训练数据提供者列表、训练数据来源指示信息;
所述模型指示信息指示启用的模型或函数,所述启用的模型或函数包括以下至少一项关联的模型:基站无线资源预测、终端流量预测,以及终端轨迹预测;
所述优先级指示信息指示训练过程的优先级;
所述训练请求指示信息指示以下至少一项:模型特征输入信息、训练模式、模型性能;
所述训练数据提供者列表指示已经提供或应该提供模型相关数据的实体。
17.根据权利要求16所述的方法,其特征在于,所述模型特征输入信息,包括以下至少一项:UE特征输入信息、第一基站特征输入信息、所述第一基站的邻基站特征输入信息。
18.根据权利要求8、14或16所述的方法,其特征在于,所述模型性能包括以下至少一项:模型参数、推理输出名称、性能指标、性能得分、置信度得分;
其中,所述模型参数指示模型内部的配置变量,所述配置变量包括以下至少一项:权重、偏置、学习速率;
所述推理输出名称指示模型功能体进行推理输出的名称,所述推理输出包括以下至少一项:网络负载分析、网络性能分析、UE相关分析;
所述性能指标指示评估模型功能体的性能指标,所述性能指标包括准确度和精度中的至少一项;
所述性能得分指示模型功能体在对特定数据集进行推理时的性能得分;
所述置信度得分指示有模型功能体生成的给定决策的可靠性和质量中的至少一项的数值。
19.根据权利要求6所述的方法,其特征在于,所述模型训练输入数据消息包括以下至少一项:UE特征输入信息、基站特征输入信息以及时间戳;所述基站特征输入信息包括:第一基站特征输入信息和所述第一基站的邻基站特征输入信息;
所述UE特征输入信息包括以下至少一项:UE位置信息和UE无线测量信息;所述UE位置信息包括以下至少一项:UE坐标、UE的服务小区ID,以及移动速度;所述UE无线测量信息包括以下至少一项:RSRP、RSRQ,以及SINR;
所述基站特征输入信息包括以下至少一项:小区级UE轨迹预测、当前UE流量之和、预测UE流量之和、当前无线资源状态、预测无线资源状态,流量卸载至邻基站的UE性能测量以及预测邻区无线资源状态;
所述小区级UE轨迹预测包括预测的以下至少一项:UE坐标、UE的服务小区ID,以及移动速度;无线资源状态包括以下至少一项:小区的PRB利用率、平均RRC连接数、丢包率。
20.根据权利要求15或17所述的方法,其特征在于,所述UE特征输入信息包括以下至少一项:UE位置信息、UE无线测量信息,以及UE历史移动性信息;
其中,所述UE位置信息包括以下至少一项:UE坐标、UE的服务小区ID,以及移动速度;所述UE无线测量信息包括以下至少一项:RSRP、RSRQ,以及SINR。
21.根据权利要求15或17所述的方法,其特征在于,所述第一基站特征输入信息包括以下至少一项:当前无线资源状态、当前接入基站的UE流量之和;
其中,所述当前无线资源状态包括以下至少一项:小区的物理资源块PRB利用率、平均无线电资源控制RRC连接数、丢包率。
22.根据权利要求15或17所述的方法,其特征在于,所述第一基站的邻基站特征输入信息包括以下至少一项:当前无线资源状态、流量卸载至邻基站的UE性能测量;
其中,无线资源状态包括以下至少一项:小区的PRB利用率、平均RRC连接数、丢包率。
23.根据权利要求6所述的方法,其特征在于,所述第一CU接收所述OAM发送的第一部署消息之后,所述方法还包括:
所述第一CU向第二CU发送第二输入数据请求消息;所述第二输入数据请求消息包括请求的测量对象;
所述第一CU接收所述第二DU发送的第二输入数据回复消息;所述第二输入数据回复消息包括可提供的测量对象;
所述第一CU接收所述第二DU发送的所述第二输入数据更新消息。
24.根据权利要求23所述的方法,其特征在于,所述第二输入数据请求消息包括以下至少一项:所述第一CU标识、所述第一CU的IP地址和端口地址、上报小区列表、第二输入信息;
所述第一CU的IP地址和端口地址用于与接收节点建立传输模型数据的通道;所述上报小区列表包括小区上报信息和上报周期;所述小区上报信息包括以下至少一项:小区ID,SSB上报列表,以及SSB指数;所述上报周期指示所有测量对象的平均窗口长度;所述第二输入信息指示所述第二CU下至少一个小区提供的测量上报数据。
25.根据权利要求23所述的方法,其特征在于,所述第二输入数据回复消息还包括以下至少一项:所述第二CU标识、所述第一DU的IP地址和端口地址、第二临界诊断标识;
其中,所述第一DU的IP地址和端口地址用于与接收节点建立传输模型数据的通道;所述第二临界诊断标识指示所述第二CU接收到的信息中,未被理解或丢失的信息。
26.根据权利要求23所述的方法,其特征在于,所述第二输入数据更新消息包括输入信息上报数据,所述输入信息上报数据包括所述第二CU下的至少一个小区提供的测量上报数据。
27.根据权利要求24或26所述的方法,其特征在于,所述至少一个小区中每个小区提供的测量上报数据包括:UE特征输入信息和基站特征输入信息;所述基站特征输入信息包括:第二基站特征输入信息和所述第二基站的邻基站特征输入信息;
所述UE特征输入信息包括以下至少一项:UE位置信息和UE无线测量信息;所述UE位置信息包括以下至少一项:UE坐标、UE的服务小区ID,以及移动速度;所述UE无线测量信息包括以下至少一项:RSRP、RSRQ,以及SINR;
所述基站特征输入信息包括以下至少一项:小区级UE轨迹预测、当前UE流量之和、预测UE流量之和、当前无线资源状态、预测无线资源状态,流量卸载至邻基站的UE性能测量以及预测邻区无线资源状态;
所述小区级UE轨迹预测包括预测的以下至少一项:UE坐标、UE的服务小区ID,以及移动速度;无线资源状态包括以下至少一项:小区的PRB利用率、平均RRC连接数、丢包率。
28.根据权利要求6或12所述的方法,其特征在于,所述方法还包括:
所述第一CU基于目标消息进行测量,并向所述第一DU发送根据目标消息确定的测量配置,所述目标消息为第一模型回复消息或第一部署消息;
所述第一DU向覆盖范围内的UE发送测量触发消息,以使得UE基于所述测量配置向所述第一CU上报数据,所述测量触发消息包括UE追踪ID;
所述第一CU根据UE测量上报数据和所述第一CU的测量统计结果,确定训练模型所需的训练数据。
29.根据权利要求28所述的方法,其特征在于,所述测量配置包括以下至少一项:UE历史移动性信息、无线资源管理RRM测量配置、最小化路测MDT测量配置;
其中,所述RRM测量配置包括以下至少一项:进行周期性测量触发的信息和UE无线测量信息;所述MDT测量配置包括以下至少一项:支持周期性测量触发的信息、UE位置信息、UE移动速度;所述进行周期性测量触发的信息包括触发周期和记录周期;所述UE位置信息包括以下至少一项:UE坐标、UE的服务小区ID,以及移动速度;所述UE无线测量信息包括以下至少一项:RSRP、RSRQ,以及SINR。
30.根据权利要求28所述的方法,其特征在于,若UE不在指定区域或服务公共陆地移动网络PLMN不在基于管理的PLMN列表,则所述UE不进行测量数据的上报。
31.根据权利要求28所述的方法,其特征在于,所述UE测量上报数据包括以下至少一项:UE位置信息、UE移动速度、UE无线测量信息、UE历史移动性信息,以及时间戳;所述UE位置信息包括以下至少一项:UE坐标、UE的服务小区ID,以及移动速度;所述UE无线测量信息包括以下至少一项:RSRP、RSRQ,以及SINR。
32.根据权利要求1所述的方法,其特征在于,所述向第一DU发送第一输入数据请求消息之后,所述方法还包括:
接收所述第一DU发送的第一输入数据失败消息;
其中,所述第一输入数据失败消息包括以下至少一项:第一DU标识、失败原因、第三临界诊断标识以及等待重发时间;失败原因包括以下至少一项:无线网络层原因、传输层原因,以及协议原因;所述第三临界诊断标识指示所述第一DU接收到的消息中未被理解、丢失或包含逻辑错误的信息。
33.根据权利要求23所述的方法,其特征在于,所述向第二CU发送第二输入数据请求消息之后,所述方法还包括:
接收所述第二CU发送的第二输入数据失败消息;
其中,所述第二输入数据失败消息包括以下至少一项:第二CU标识、失败原因、第四临界诊断标识以及等待重发时间;失败原因包括以下至少一项:无线网络层原因、传输层原因、协议原因;所述第四临界诊断标识指示所述第二CU接收到的消息中未被理解、丢失或包含逻辑错误的信息。
34.一种基站,其特征在于,所述基站包括第一集中管理实体CU和第一分离管理实体DU;
所述第一CU向所述第一DU发送第一输入数据请求消息;所述第一输入数据请求消息包括请求的测量对象;
接收所述第一DU的第一输入数据回复消息;所述第一输入数据回复消息包括可提供的测量对象;
所述第一CU接收所述第一DU发送的第一输入数据更新消息,以获取向OAM发送的用于网络负载平衡的模型训练的训练数据,以及所述第一CU确定网络负载平衡的模型推理输出所需的推理数据;所述模型推理输出用于所述第一CU进行网络负载平衡操作。
35.一种基站,其特征在于,包括处理器,存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令,所述程序或指令被所述处理器执行时实现如权利要求1至33中任一项所述的网络负载平衡方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2022109529797 | 2022-08-09 | ||
CN202210952979 | 2022-08-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117676704A true CN117676704A (zh) | 2024-03-08 |
Family
ID=90070179
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211167924.1A Pending CN117676704A (zh) | 2022-08-09 | 2022-09-23 | 网络负载平衡方法及基站 |
CN202211168266.8A Pending CN117676635A (zh) | 2022-08-09 | 2022-09-23 | 网络移动性优化方法及基站 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211168266.8A Pending CN117676635A (zh) | 2022-08-09 | 2022-09-23 | 网络移动性优化方法及基站 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN117676704A (zh) |
-
2022
- 2022-09-23 CN CN202211167924.1A patent/CN117676704A/zh active Pending
- 2022-09-23 CN CN202211168266.8A patent/CN117676635A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN117676635A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2452133C2 (ru) | Способ и устройство для обработки исторической информации по мобильной станции в системе беспроводной связи | |
JP5314189B2 (ja) | 遠隔通信方法 | |
Han et al. | Measurement and stochastic modeling of handover delay and interruption time of smartphone real-time applications on LTE networks | |
US11496933B2 (en) | Method and apparatus for updating handover parameters in open-radio access network (O-RAN) environment | |
Jiang et al. | A SON decision-making framework for intelligent management in 5G mobile networks | |
Munoz et al. | Root cause analysis based on temporal analysis of metrics toward self-organizing 5G networks | |
Moysen et al. | Conflict resolution in mobile networks: a self-coordination framework based on non-dominated solutions and machine learning for data analytics [application notes] | |
US11606716B2 (en) | Configuring telecommunications network using data obtained from user equipment | |
Gómez-Andrades et al. | A method of assessment of LTE coverage holes | |
Aguilar-Garcia et al. | Location-aware self-organizing methods in femtocell networks | |
Prananto et al. | O-RAN intelligent application for cellular mobility management | |
Qu et al. | A hybrid handover forecasting mechanism based on fuzzy forecasting model in cellular networks | |
GB2536241A (en) | Self-organising network engine for per user optimisation in a telecommunications network | |
US11337131B1 (en) | Method and apparatus for recommending real-time handover to a target cell in open-radio access network (O-RAN) environment | |
JP2022105306A (ja) | オープン無線アクセスネットワーク(o-ran)環境でハンドオーバ(ho)手順を開始するための方法及び装置 | |
de la Bandera et al. | Improving cell outage management through data analysis | |
CN117676704A (zh) | 网络负载平衡方法及基站 | |
WO2023052010A1 (en) | Trajectory data collection in mobile telecommunication systems | |
US20200213874A1 (en) | System and method for applying operatibility experiences across different information domains | |
Seth | Vertical handoff decision algorithms for next generation wireless networks: some issues | |
CN117560719A (zh) | 负载均衡方法、基站及oam | |
EP4079029A1 (en) | Network entity, user equipment and method | |
da Silva et al. | Demonstration of open radio access network intelligent controllers | |
CN117812672A (zh) | 网络能耗优化方法及基站 | |
US20230362678A1 (en) | Method for evaluating action impact over mobile network performance |
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 |