WO2025224040A1 - Gestion optimisée des ressources d'un site d'un réseau de radiocommunication cellulaire - Google Patents

Gestion optimisée des ressources d'un site d'un réseau de radiocommunication cellulaire

Info

Publication number
WO2025224040A1
WO2025224040A1 PCT/EP2025/060830 EP2025060830W WO2025224040A1 WO 2025224040 A1 WO2025224040 A1 WO 2025224040A1 EP 2025060830 W EP2025060830 W EP 2025060830W WO 2025224040 A1 WO2025224040 A1 WO 2025224040A1
Authority
WO
WIPO (PCT)
Prior art keywords
site
data traffic
elements
volume
prediction
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
Application number
PCT/EP2025/060830
Other languages
English (en)
Inventor
Imed HADJ KACEM
Maroua DRISSI
Sana Ben Jemaa
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.)
Orange SA
Original Assignee
Orange SA
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 Orange SA filed Critical Orange SA
Publication of WO2025224040A1 publication Critical patent/WO2025224040A1/fr
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition

Definitions

  • the field of the invention is that of cellular radio communication networks and more particularly the management of resources of such networks.
  • a mobile cellular radio communication network consumes a significant amount of electricity due to the operation of sites comprising one or more base stations, antennas, and other network infrastructure.
  • the continuous need for data transmission places a high energy demand on the cellular radio communication network.
  • Cellular radio communication networks continue to develop to support increased data traffic and new technologies, such as the 5G network generation. This results in an increased energy demand for cellular radio communication networks.
  • the manager of a cellular radiocommunication network seeks to ensure better management of energy consumption across all mobile network equipment.
  • Some solutions involve reducing the number of resources at a radio site by putting one or more cells into sleep mode.
  • the document "Energy Efficiency of 5G Mobile Networks with Base Station Sleep Modes," by P. Lähdekorpi, M. Hronec, P. Jolma, and J. Moilanen, published by the Conference of Standards for Communications and Networking (CSCN) in 2017, pages 163 to 168 describes such a solution.
  • the operator can decide to put the cell into sleep mode when traffic on the deactivated cell is low or medium, thus shifting the traffic to the other resources at the radio site.
  • putting the cell into sleep mode without prior knowledge of future traffic volume can lead to a loss of quality of service in the network, particularly if traffic increases after the cell is put into sleep mode and the remaining active resources at the radio site cannot carry all of the increased traffic.
  • One of the aims of the invention is to overcome at least one of the drawbacks of the aforementioned prior art by proposing a new resource management technique for a cellular radiocommunication site, adapted to changes in traffic volume at the site. This makes it possible to optimize the use of available resources at the site and consequently reduce its energy consumption without diminishing the quality of service delivered to site users.
  • an object of the present invention relates to a method for managing resources of a site of a cellular radiocommunication network according to claim 1.
  • Claims 2 to 10 describe preferred embodiments of said method.
  • the site includes radio resources for transporting user data from the site, said resources comprising K elements of the same type, K being an integer greater than or equal to 2.
  • the method may include: - a prediction of the volume of data traffic transported on said site for a future prediction horizon, based on indicators representative of the operation of the site; - a determination of a sufficient set of elements to carry the predicted volume of data traffic in the future prediction horizon; - for at least one element of the site not belonging to the sufficient resource set, a deactivation of the site element before a start time of the future prediction horizon.
  • the site's resources are adapted according to a prediction of the volume of data traffic in a future prediction horizon, which makes it possible to optimize the use of the site's resources, and in particular to reduce the overall energy consumption of the site.
  • all site elements not belonging to the determined sufficient set of elements can be deactivated before the start time of the future prediction horizon.
  • the determination of the sufficient element set may include obtaining the maximum traffic volumes of the site elements, and the determined sufficient element set may be the smallest set, in number of elements, for which a sum of the maximum traffic volumes of the elements in the set is greater than the data traffic volume predicted for the future prediction horizon.
  • indicators representing the operation of the site may include a history of past values of a site data traffic volume indicator.
  • Such a history allows for the consideration of the dynamic evolution of the volume of data traffic transported on the site, or for each element of the site, which improves the accuracy associated with the prediction of the volume of data traffic for the prediction horizon.
  • the indicators representing the operation of the site may also include at least one current value of at least one other indicator of the operation of the site in addition to the indicator of the site's data traffic volume.
  • Such complementary indicators make it possible to improve the accuracy associated with the prediction of the site's data traffic volume for the prediction horizon, which improves resource management based on such a prediction.
  • the prediction of the site's data traffic volume can be based on at least one predictive model defined by parameters associated respectively with past values of the historical data traffic volume indicator and/or at least one current value of at least one other site performance indicator.
  • the parameters can be defined by machine learning, from a training dataset and a test dataset.
  • the accuracy afforded by at least one predictive model is improved. Furthermore, when training and test data are collected on-site, the at least one predictive model developed is specific to that site.
  • the site can operate on at least one frequency band and/or at least one generation of cellular radio communication network
  • the site's operating indicators can be indicators associated with at least one frequency band and/or at least one generation of cellular radio communication network.
  • site operating indicators can be associated with respective "Remote Radio Units", RRUs, each RRU corresponding to a group of cells that operate on the same frequency band with different network generations (2G and 3G on the 900 MHz band for example).
  • RRUs Remote Radio Units
  • a predictive model is designed to determine the volume of data traffic carried by each frequency band and/or each network generation and/or each RRU.
  • the site's data traffic volume is then obtained by summing the predictions for all frequency bands and/or network generations and/or RRUs at the site.
  • a remote radio unit can be a group of radio cells operating on the same frequency band for at least two generations of cellular radio communication network, and the K elements of the site can be K RRUs.
  • Disabling at least one RRU has a significant impact on the site's energy consumption, due to the fixed portion of an RRU's energy consumption (called intercept), which is independent of the volume of data traffic carried by that RRU.
  • intercept the fixed portion of an RRU's energy consumption
  • Resource management according to the invention thus enables a significant reduction in energy consumption at the site.
  • the prediction of the traffic volume for the site can be based on K prediction models defined respectively for the K RRUs of the site.
  • the invention also relates to a resource management device for a site of a cellular radiocommunication network according to claim 11.
  • the site includes radio resources for transporting user data from the site, said resources comprising K elements of the same type, where K is an integer greater than or equal to 2.
  • the resource management system can be configured to: - predict a volume of data traffic transported on said site for a future prediction horizon, based on indicators representative of the operation of the site; - determine a sufficient set of elements to carry the predicted data traffic volume in the future prediction horizon; - for at least one site element not belonging to the sufficient resource set, disable the site element before a start time of the future prediction horizon.
  • Such a device is specifically configured to implement the aforementioned resource management process, according to one or the other of its implementation methods.
  • the invention also relates to a computer program comprising instructions for implementing the resource management method according to the invention, according to any one of the particular embodiments described above, when said program is executed by a processor.
  • Such instructions can be stored permanently in a non-transient memory medium of the resource management device implementing the resource management process according to the invention.
  • This program can use any programming language, and be in the form of source code, object code, or code somewhere between source code and object code, such as in a partially compiled form, or in any other desirable form.
  • the invention also relates to a recording medium or information medium readable by a computer, and comprising instructions for a computer program as mentioned above.
  • the recording medium can be any entity or device capable of storing the program.
  • the medium can include a storage means, such as a ROM, for example a CD-ROM or a microelectronic circuit ROM, or a magnetic recording means, for example a mobile device, a hard drive or an SSD.
  • the recording medium can be a transmissible medium such as an electrical or optical signal, which can be transmitted via an electrical or optical cable, by radio, or by other means, so that the computer program it contains can be executed remotely.
  • the program according to the invention can, in particular, be uploaded to a network, for example, an Internet-type network.
  • the recording medium may be an integrated circuit in which the program is incorporated, the circuit being adapted to execute or to be used in the execution of the aforementioned resource management process.
  • the present technique is implemented using software and/or hardware components.
  • the term “device” or “module” may refer in this document to a software component, a hardware component, or a set of hardware and software components.
  • a resource management method is implemented for a site S of a cellular RC radio communication network, according to an embodiment of the invention.
  • Such an RC network is, for example, of the 3G, 4G, 5G, etc. type.
  • Such an architecture includes: - a DGR resource management device, configured to manage radio resources of site S, based on DR data relating to the operation of the RC network, described below.
  • the DGR resource management device of site S is, for example, a server, a platform, for example of the type CSON (“ Centralized - self-organizing networks ”), RIC (“ Radio access network Intelligent Controller ”) or OSS (“ Operations Support System ”), etc. It can be installed on site S or remotely; - the radio resources of site S comprising K elements EL 1 , EL 2 , ..., E k , ..., EL K of the same nature.
  • the elements EL1 to ELK can also be K RRUs ( Remote Radio Units ), each operating on a different frequency band.
  • an RRU corresponds to a group of cells operating on the same frequency band with different network generations (2G and 3G on the 900 MHz band, for example).
  • the K elements are K RRUs.
  • the DGR resource management system includes: - a COL module for collecting DR data relating to the operation of said RC network, including in particular indicators representative of the operation of site S; - a PRED module for predicting a volume V i+h of data traffic transported on site S for a future prediction horizon H, based on DR data representative of the operation of site S; - a DET module for determining a set E of K* elements sufficient to carry the predicted data traffic volume in the future prediction horizon H, K* being strictly less than K when the predicted data traffic volume is medium or low (and K* being more generally less than or equal to K); - a DES module for deactivating at least one EL k element of the site not belonging to set E, before a start time of the future prediction horizon H.
  • PG computer program code instructions
  • DGR resource management device
  • the PROC processor in the processing unit (UTR) implements the following actions, as part of the resource management process described below, according to the instructions in the computer program (PG): - collect DR data relating to the operation of the RC network, in particular site S; - predict the volume of data traffic carried on site S for the future prediction horizon H, based on DR data representative of the operation of site S; - determine the set E of K* elements sufficient to carry the predicted data traffic volume in the future prediction horizon H, K* being strictly less than K when the predicted data traffic volume is medium or low; - deactivate at least one EL k element of the site not belonging to set E, before the start time of the future prediction horizon H.
  • the resource management system receives, or collects, the DR operating data of the RC network, including indicators representative of the operation of site S, at a current time.
  • Such DR data may include raw indicators relating to the operation of the RC network, particularly of site S, such as, for example, the number of resources occupied per cell covered by site S, the amount of data sent via the RC network, etc.
  • such DR data may include performance indicators or KPIs relating to the RC network, in particular to site S, such as, for example, for each RRU: throughput, average number of users, RRU load, RRU energy consumption, etc.
  • the KPI of data traffic volume transported is also collected by the resource management system.
  • the KPIs are sent back to the DGR system with a granularity which is variable depending on the context of the modeling, which can for example be a time interval of 15 minutes (mn), 30 min, 1 hour, etc.
  • the DGR resource management device predicts the data traffic volume of site S for a prediction horizon H, based on indicators representative of the operation of site S collected in the previous step 301.
  • the PR prediction is a prediction of the total data traffic volume of site S, which is obtained from K PR predictions k obtained each for one of the K RRUs of site S.
  • the PR k prediction is based on KPIs collected in step 301, which are rated in which corresponds to a temporal index, in which denotes a KPI index and in which the exponent refers to RRU of site S.
  • site S consists of RRUs, each RRU corresponding to a group of cells that operate on the same frequency band with different network generations (2G and 3G on the 900 MHz band for example).
  • step 301 For an RRU KPIs are obtained in step 301, which are noted in which corresponds to the temporal index, in which denotes the KPI index and in which the exponent refers to RRU of site S.
  • the PR prediction is obtained from a single prediction of the total data traffic volume of site S.
  • the PR prediction is then based on KPIs collected in step 301, which are rated in which corresponds to a temporal index, in which denotes a KPI index and in which the exponent refers to the entirety of the S site.
  • the KPIs considered can be any combination of the following indicators:
  • indicators relating to 5G network generation can be taken into account for the PR k predictions of data traffic volume of each RRU with index k in step 302.
  • a data traffic volume KPI is obtained, such a KPI being generally available per technology (per network generation).
  • the data traffic volume at a current time i is given by the following formula (1):
  • Data traffic volume KPIs can be stored by the DGR resource management device for the different times i, so as to constitute a history of the volume of data traffic for each RRU of index k and for each time i.
  • KPIs can be collected by the DGR resource management system with a granularity of ( min etc.).
  • min corresponds to the volume of data traffic carried by the RRU with index k during the reference period including instant i.
  • step 301 the index The various KPIs are incremented every period Thus, if the value of the index , then the measures were taken just now expressed in minutes or hours.
  • the prediction at the current time index (the current time of step 301) of the future PR k data traffic volume for the RRU of index k and for a horizon that is, for a horizon including the time index (for example, ending at time index i+h), is performed by considering a history of the data traffic volume of each RRU as well as the current values at time i of the KPIs according to the following prediction model, PR k being denoted for the RRU: (2)
  • the prediction horizon H is preferably a multiple of . If , then the prediction horizon If , SO , etc.
  • the prediction horizon H (and therefore the value h) can be determined from the current instant of index i in order to estimate the volume of data traffic in a future period of duration including the future instant i+h (for example ending at instant i+h).
  • the parameters are unknown, but can be obtained during a prior learning phase, not shown on the
  • the preliminary phase may include machine learning of the parameters, based on an artificial intelligence-based technique such as linear regression, LASSO regression, for "Least Absolute Shrinkage and Selection Operation", or any other technique.
  • Machine learning can be performed on a training database, storing values And , as well as the corresponding target values (the truth on the ground).
  • the future value (for the prediction horizon) is considered the variable of interest.
  • Historical data traffic volumes and the current values of the other KPIs are predictive variables as shown in Table 1 where is the number of observations used during the learning phase, i.e. the number of data sets in the training database.
  • Table 1 Predictive variables Variable of interest ... ... ... ... . . . . . . . . . ... ... ...
  • the DGR resource management system stores the parameters trained, and is thus able to implement, via the PRED prediction module, a prediction of the data traffic volume RRU by RRU.
  • a set of parameters can be determined for each RRU of index k, and the parameters can thus be denoted with (k) as a superscript, as in formula (3) below.
  • the value obtained is a prediction of the data traffic volume of the k-th RRU over a period for the prediction horizon H.
  • the prediction of the data traffic volume is given by the following formula (4), by summing the different predictions obtained for the K RRUs of site S:
  • the PRED prediction module obtains the data traffic volume prediction. from site S during step 302.
  • the prediction The predictions for the entire site are not obtained by determining them.
  • RRU by RRU but is obtained from a single model of formula (5): (5)
  • the parameters can be determined for the entire site, in the same way as the parameters described previously with the exponent (k) for each k-th RRU.
  • the DGR resource management system stores the predictive models corresponding to equations (2) in the PRED prediction module described above, and the prediction of the data traffic volume of site S over the period
  • the prediction horizon H can be obtained by summing all the individual predictions. K RRUs from site S.
  • the DGR resource management device stores the unique predictive model (5) in the PRED prediction module described above.
  • the DGR resource management device stores a data traffic volume prediction model for each network generation (e.g., 2G, 3G, 4G, 5G) at site S, and the data traffic volume prediction for site S over a period of time for the prediction horizon H can be obtained by summing all the individual predictions of the network generations of site S.
  • a data traffic volume prediction model for each network generation e.g., 2G, 3G, 4G, 5G
  • the test period includes data between 10am and 5pm on day d.
  • the parameter training period includes the two days preceding day d.
  • a learning model is created by RRU for the predictive model (2).
  • the rate is initially calculated on a set S1 of test samples from all radio sites in a cellular radio communication network, and then on a set S2 containing all traffic samples from all radio sites, removing samples for which the data traffic volume is very low (e.g., less than 5% of the maximum data traffic volume). For samples with very low data traffic volumes, a larger relative error is acceptable because the predicted data traffic volume remains low.
  • Table 2 shows that the error in predicting the data traffic volume for the entire site S is small.
  • predictive models (2) are particularly suited to predicting the volume of data traffic from RRUs of a site S, based on radio KPIs such as throughput, load and number of active users.
  • the resource management process further includes, following steps 301 and 302, a step 303 of determination, by the DET determination module, of a set E of K* elements sufficient to carry the volume of data traffic predicted within the prediction horizon H. Indeed, in many situations, particularly when the volume of data traffic If the predicted value is low or medium, it can be transmitted by a number K* of RRUs strictly less than K. This is particularly the case when the individual predictions of the RRUs are low or medium.
  • the set E can be determined from the maximum data traffic volumes that the K RRUs can respectively support.
  • the maximum data traffic volumes are denoted in what follows.
  • the values can be known in advance (predetermined) or can be obtained from collected data (for example, they can correspond to peak values of data traffic volume over a given period, for example, several days).
  • K* is the exact and minimum number of RRUs required to satisfy the predicted data traffic volume for site S over the prediction horizon H.
  • K* can be obtained as follows:
  • At a step 304 at least one of the RRUs indexed from K*+1 to K is deactivated (or switched off) by the DES deactivation module, before time i+h (for example, in the period preceding time i+h), which allows the energy consumption of site S to be reduced for the period of the prediction horizon H, while maintaining quality of service for users.
  • the DES deactivation module disables all RRUs indexed from K*+1 to K, before time i+h (for example, from the period preceding time i+h or at the beginning of the period including time i+h), which minimizes the energy consumption of site S for the period of the prediction horizon H, while maintaining quality of service for users.
  • the graph presents a curve representing the evolution, in a real-world situation, of energy consumption, for example per RRU, as a function of time over several days: Day 1, Day 2, Day 3, and Day 4. It is observed that the fixed energy value, which does not depend on the data traffic volume, is quite high compared to the consumption linked to the data traffic volume. It is noted that the intercept (the fixed energy consumption value of an RRU, independent of the data traffic volume) exceeds half of the total energy consumption.
  • the steps of the resource management process according to the invention can be iterated, so as to continuously adapt the activated and deactivated resources of site S, to the predicted evolution of the volume of data traffic.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

L'invention concerne un procédé de gestion de ressources d'un site d'un réseau de radiocommunication cellulaire, le site comprenant des ressources radio pour le transport de données d'utilisateurs du site, lesdites ressources comprenant K éléments de même nature, K étant un entier supérieur ou égal à 2, le procédé comprenant : - une prédiction (302) d'un volume de trafic de données transportées sur ledit site, en fonction d'au moins un indicateur représentatif d'un fonctionnement du site; - une détermination (303) d'un ensemble d'éléments suffisant pour transporter le volume de trafic de données prédit; - pour au moins un élément du site n'appartenant pas à l'ensemble de ressources suffisant, une désactivation (304) de l'élément du site avant un instant de début de la période de prédiction.

Description

Gestion optimisée des ressources d’un site d’un réseau de radiocommunication cellulaire Domaine de l’invention
Le domaine de l’invention est celui des réseaux de radiocommunication cellulaire et plus particulièrement de la gestion des ressources de tels réseaux.
Art antérieur
Un réseau de radiocommunication cellulaire mobile consomme une quantité importante d’électricité en raison du fonctionnement de sites comprenant une ou plusieurs stations de base, des antennes et d’autres infrastructures de réseau. Le besoin continu de transmission de données impose en effet une forte demande énergétique du réseau de radiocommunication cellulaire.
Les réseaux de radiocommunication cellulaire continuent de se développer pour prendre en charge une augmentation de trafic de données ainsi que de nouvelles technologies, telles que la génération de réseau 5G. Il en résulte une augmentation des besoins énergétiques des réseaux de radiocommunication cellulaires.
Le gestionnaire d’un réseau de radiocommunication cellulaire cherche à assurer une meilleure gestion de la consommation énergétique sur l’ensemble des équipements du réseau mobile.
Certaines solutions prévoient de réduire le nombre de ressources d’un site radio, en passant une cellule ou plusieurs cellules du site radio, en mode veille, aussi appelé « sleep mode » en anglais. Par exemple, le document « Energy Efficiency of 5G Mobile Networks with Base station Sleep Modes », P. Lähdekorpi, M. Hronec, P. Jolma, J. Moilanen, Conference of Standards for Communications and Networking (CSCN), 2017, pages 163 à 168, décrit une telle solution. En particulier, l’opérateur peut décider un tel passage en veille lorsque le trafic sur la cellule désactivée est faible ou moyen, ce qui reporte le trafic sur les autres ressources du site radio. Toutefois, une telle mise en veille, sans connaissance au préalable de l’évolution future du volume de trafic, peut engendrer une perte de qualité de service dans le réseau, notamment si le trafic augmente suite à la mise en veille, et que l’ensemble du trafic ne peut être transporté par les ressources restant activées sur le site radio.
D’autres solutions prévoient d’éteindre, pendant la nuit, les bandes de fréquence hautes, telles que 2600 MHz, dites capacitaires, en gardant activées les bandes de fréquence basses, telles que 800 MHz par exemple. A cet effet, une prédiction du volume de trafic de données peut être comparée avec un seuil de trafic bas, et si le trafic est inférieur au seuil de trafic, l’ensemble des couches capacitaires est désactivé. Si ensuite la prédiction du volume de trafic de données indique une charge moyenne ou élevée du site radio, toutes les couches capacitaires sont réactivées. Ainsi, en cas de charge moyenne, toutes les couches capacitaires sont activées, bien qu’elles ne soient pas toutes nécessaires au transport du trafic. Il en résulte une mauvaise gestion des ressources du réseau en fonction du volume de trafic de données.
Une autre solution pour réduire le nombre de ressources, notamment en cas de volume de trafic faible, est l’itinérance nationale, ou « roaming » national en anglais, qui est décrite dans le document « National roaming as a fallback or default ? », L. Weedage, S.R.C Magalhaes, S. Bayhan, IFIP Networking Conference, 2023. Selon une telle solution, en cas de volume de trafic faible dans une zone géographique Z donnée, les utilisateurs d’un opérateur A accédant à un premier site radio, peuvent basculer sur un deuxième site radio d’un opérateur B, ce qui permet de mettre en veille les ressources du premier site radio. A l’inverse, dans une autre zone géographique Z’, en cas de volume de trafic faible, les ressources d’un site radio de l’opérateur B sont mises en veille, les utilisateurs de l’opérateur B dans la zone Z’ basculant vers le site radio de l’opérateur A. Des solutions proches proposent de partager l’infrastructure réseau entre plusieurs opérateurs. Le document « Network sharing and its energy benefits : A study of European mobile network operators », IEEE Global Communications Conference (GLOBECOM), 2013, pages 2561-2567, décrit une telle solution.
Toutefois, ces dernières solutions ont pour inconvénient une grande complexité dans la gestion des ressources des sites de radiocommunication cellulaire des opérateurs.
Il en résulte un défaut d’optimisation dans la gestion des ressources d’un réseau de radiocommunication cellulaire en fonction des variations du volume de trafic sur chaque site du réseau.
Objet et résumé de l'invention
Un des buts de l'invention est de remédier à au moins l’un des inconvénients de l'état de la technique précité en proposant une nouvelle technique de gestion des ressources d’un site de radiocommunication cellulaire adaptée à l’évolution du volume de trafic sur le site. Il est ainsi permis d’optimiser l’utilisation des ressources disponibles sur le site et par conséquent de réduire sa consommation énergétique sans diminuer la qualité de service délivrée aux utilisateurs du site.
A cet effet, un objet de la présente invention concerne un procédé de gestion de ressources d’un site d’un réseau de radiocommunication cellulaire selon la revendication 1. Les revendications 2 à 10 décrivent des modes de réalisation préférés dudit procédé.
Le site comprend des ressources radio pour le transport de données d’utilisateurs du site, lesdites ressources comprenant K éléments de même nature, K étant un entier supérieur ou égal à 2. Le procédé peut comprendre :
- une prédiction d’un volume de trafic de données transportées sur ledit site pour un horizon futur de prédiction, en fonction d’indicateurs représentatifs d’un fonctionnement du site ;
- une détermination d’un ensemble d’éléments suffisant pour transporter le volume de trafic de données prédit dans l’horizon futur de prédiction ;
- pour au moins un élément du site n’appartenant pas à l’ensemble de ressources suffisant, une désactivation de l’élément du site avant un instant de début de l’horizon futur de prédiction.
Ainsi, les ressources du site sont adaptées en fonction d’une prédiction du volume de trafic de données dans un horizon futur de prédiction, ce qui permet d’optimiser l’utilisation des ressources du site, et notamment de diminuer la consommation énergétique globale du site.
Selon des modes de réalisation, tous les éléments du site n’appartenant pas à l’ensemble d’éléments suffisant déterminé peuvent être désactivés avant l’instant de début de l’horizon futur de prédiction.
Ainsi, il est rendu possible de minimiser la consommation énergétique globale du site en optimisant l’allocation de ressources en fonction d’une prédiction du volume de trafic de données transportées sur le site.
Selon des modes de réalisation, la détermination de l’ensemble d’éléments suffisant peut comprendre l’obtention des volumes de trafic maximums des éléments du site, et l’ensemble d’éléments suffisant déterminé peut être le plus petit ensemble, en nombre d’éléments, pour lequel une somme des volumes de trafic maximums des éléments de l’ensemble est supérieur au volume de trafic de données prédit pour l’horizon futur de prédiction.
Ainsi, il est rendu possible d’optimiser la gestion des ressources en fonction d’une prédiction du volume de trafic de données et sans diminuer la qualité de service pour les utilisateurs du site.
Selon des modes de réalisation, les indicateurs représentatifs du fonctionnement du site peuvent comprendre un historique de valeurs passées d’un indicateur de volume de trafic de données du site.
Un tel historique permet la prise en compte de l’évolution dynamique du volume de trafic de données transportées sur le site, ou pour chaque élément du site, ce qui améliore la précision associée à la prédiction du volume de trafic de données pour l’horizon de prédiction.
En complément, les indicateurs représentatifs du fonctionnement du site peuvent comprendre en outre au moins une valeur courante d’au moins un autre indicateur de fonctionnement du site que l’indicateur de volume de trafic de données du site.
De tels indicateurs complémentaires permettent d’améliorer la précision associée à la prédiction du volume de trafic de données du site pour l’horizon de prédiction, ce qui améliore la gestion des ressources basée sur une telle prédiction.
En complément ou en variante, la prédiction du volume de trafic de données du site peut être basée sur au moins un modèle prédictif défini par des paramètres associés respectivement à des valeurs passées de l’indicateur de volume de trafic de données de l’historique et/ou au moins une valeur courante d’au moins un autre indicateur de fonctionnement du site.
Ainsi, il est rendu possible de pondérer, par des paramètres, les contributions de chacun des indicateurs de fonctionnement dans la prédiction du volume de trafic de données du site pour l’horizon de prédiction, ce qui améliore la précision de la prédiction, et rend possible la détermination d’au moins un modèle prédictif propre à un site donné.
En complément, les paramètres peuvent être définis par apprentissage machine, à partir d’un ensemble de données d’entraînement et d’un ensemble de données de test.
Ainsi, la précision permise par l’au moins un modèle prédictif est améliorée. En outre, lorsque les données d’entraînement et de test sont collectées sur le site, l’au moins un modèle prédictif élaboré est propre au site.
Selon des modes de réalisation, le site peut fonctionner selon au moins une bande de fréquence et/ou au moins une génération de réseau de radiocommunication cellulaire, et les indicateurs de fonctionnement du site peuvent être des indicateurs associés à l’au moins une bande de fréquence et/ou à l’au moins une génération de réseau de radiocommunication cellulaire.
Par exemple, les indicateurs de fonctionnement du site peuvent être associés à des « Remote Radio Units », RRUs, respectifs, chaque RRU correspondant à un groupe de cellules qui fonctionnent sur la même bande de fréquence avec des générations de réseau différentes (2G et 3G sur la bande 900 MHz par exemple).
Ainsi, un modèle prédictif est prévu pour déterminer le volume de trafic de données transportées par chaque bande de fréquence et/ou chaque génération de réseau et/ou chaque RRU. La volume de trafic de données du site est ensuite obtenu en sommant les prédictions de l’ensemble des bandes de fréquence et/ou des générations de réseau et/ou des RRUs du site.
En complément, une unité radio distante, RRU, peut être un groupe de cellules radio fonctionnant selon une même bande de fréquence pour au moins deux générations de réseau de radiocommunication cellulaire, et les K éléments du site peuvent être K RRUs.
La désactivation d’au moins un RRU a un impact important sur la consommation énergétique du site, du fait de la partie fixe de la consommation énergétique d’un RRU (appelée intercept) qui est indépendante du volume de trafic de données transportées par ce RRU. La gestion de ressources selon l’invention permet ainsi une diminution de consommation énergétique importante sur le site.
En complément, la prédiction du volume de trafic pour le site peut être basée sur K modèles de prédiction définis respectivement pour les K RRUs du site.
Ainsi, la précision associée à la prédiction du volume de trafic pour le site est améliorée, ce qui permet une meilleure optimisation des ressources du site.
L’invention concerne également un dispositif de gestion de ressources d’un site d’un réseau de radiocommunication cellulaire selon la revendication 11.
Le site comprend des ressources radio pour le transport de données d’utilisateurs du site, lesdites ressources comprenant K éléments de même nature, K étant un entier supérieur ou égal à 2. Le dispositif de gestion de ressources peut être configuré pour :
- prédire un volume de trafic de données transportées sur ledit site pour un horizon futur de prédiction, en fonction d’indicateurs représentatifs d’un fonctionnement du site ;
- déterminer un ensemble d’éléments suffisant pour transporter le volume de trafic de données prédit dans l’horizon futur de prédiction ;
- pour au moins un élément du site n’appartenant pas à l’ensemble de ressources suffisant, désactiver l’élément du site avant un instant de début de l’horizon futur de prédiction.
Un tel dispositif est notamment configuré pour mettre en œuvre le procédé gestion de ressources précité, selon l’un ou l’autre de ses modes de réalisation.
L'invention concerne également un programme d'ordinateur comportant des instructions pour la mise en œuvre du procédé de gestion de ressources conforme à l'invention, selon l’un quelconque des modes particuliers de réalisation décrits précédemment, lorsque ledit programme est exécuté par un processeur.
De telles instructions peuvent être stockées durablement dans un support mémoire non transitoire du dispositif de gestion de ressources mettant en œuvre le procédé de gestion de ressources selon l’invention.
Ce programme peut utiliser n’importe quel langage de programmation, et être sous la forme de code source, code objet, ou de code intermédiaire entre code source et code objet, tel que dans une forme partiellement compilée, ou dans n’importe quelle autre forme souhaitable.
L’invention vise également un support d’enregistrement ou support d’informations lisible par un ordinateur, et comportant des instructions d’un programme d’ordinateur tel que mentionné ci-dessus.
Le support d'enregistrement peut être n'importe quelle entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, par exemple un CD ROM ou une ROM de circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple un support mobile, un disque dur ou un SSD.
D'autre part, le support d'enregistrement peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens, de sorte que le programme d’ordinateur qu’il contient est exécutable à distance. Le programme selon l'invention peut être en particulier téléchargé sur un réseau, par un exemple un réseau de type Internet.
Alternativement, le support d'enregistrement peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé de gestion de ressources précité.
Selon un exemple de réalisation, la présente technique est mise en œuvre au moyen de composants logiciels et/ou matériels. Dans cette optique, le terme « dispositif » ou « module » peut correspondre dans ce document aussi bien à un composant logiciel, qu'à un composant matériel ou à un ensemble de composants matériels et logiciels.
D'autres caractéristiques et avantages apparaîtront à la lecture de modes de réalisation particuliers de l'invention, donnés à titre d’exemples illustratifs et non limitatifs, et des dessins annexés, parmi lesquels :
  • La représente une architecture dans laquelle est mis en œuvre le procédé de gestion de ressources d’un site d’un réseau de radiocommunication cellulaire, selon un mode de réalisation particulier de l'invention,
  • La représente un dispositif de gestion de ressources d’un site d’un réseau de radiocommunication cellulaire, selon un mode de réalisation de l’invention ;
  • La représente les principales étapes mises en œuvre dans le procédé de gestion de ressources d’un site d’un réseau de radiocommunication cellulaire, selon un mode de réalisation de l’invention, tel que mis en œuvre dans l’architecture de la  ;
  • La représente une courbe de l’évolution, en situation réelle, de la consommation de l’énergie d’un élément du réseau de radiocommunication cellulaire, en fonction du temps.
Description détaillée d’un mode de réalisation de l’invention
La représente une architecture dans laquelle est mis en œuvre un procédé de gestion de ressources d’un site S d’un réseau de radiocommunication cellulaire RC, selon un mode de réalisation de l'invention. Un tel réseau RC est par exemple de type 3G, 4G, 5G, etc.
Une telle architecture comprend :
- un dispositif de gestion de ressources DGR, configuré pour gérer des ressources radio du site S, en fonction de données DR relatives au fonctionnement du réseau RC, décrites dans ce qui suit. Le dispositif de gestion de ressources DGR du site S est par exemple un serveur, une plateforme, par exemple du type CSON (« Centralized - self-organizing networks » en anglais), contrôleur intelligent RIC (« Radio access network Intelligent Controller » en anglais) ou OSS (« Operations Support System » en anglais), etc. Il peut être installé sur le site S ou à distance ;
- les ressources radio du site S comprenant K éléments EL1, EL2, …, Ek, …, ELK de même nature.
Le réseau RC étant un réseau de radiocommunication cellulaire, les K éléments EL1, EL2, …, ELK peuvent être respectivement K bandes de fréquences différentes, par exemple 1800 MHz et 2100 MHz ou au moins deux générations de réseau cellulaire différentes, par exemple 3G et 4G, dans le cas par exemple où K=2. Les éléments EL1 à ELKpeuvent être également K RRUs (en anglais « Remote radio Unit ») fonctionnant chacun sur une bande de fréquence différente. De manière classique, un RRU correspond à un groupe de cellules qui fonctionnent sur la même bande de fréquence avec des générations de réseau différentes (2G et 3G sur la bande 900 MHz par exemple).
Dans ce qui suit, il est considéré, à titre illustratif, que les K éléments sont K RRUs.
On va maintenant décrire, en référence à la , la structure simplifiée du dispositif de gestion de ressources DGR.
Le dispositif de gestion de ressources DGR comprend :
- un module COL de collecte de données DR relatives au fonctionnement dudit réseau RC, comprenant notamment des indicateurs représentatifs du fonctionnement du site S ;
- un module PRED de prédiction d’un volume Vi+h de trafic de données transportées sur le site S pour un horizon futur de prédiction H, en fonction des données DR représentatives du fonctionnement du site S ;
- un module DET de détermination d’un ensemble E de K* éléments suffisant pour transporter le volume de trafic de données prédit dans l’horizon futur de prédiction H, K* étant strictement inférieur à K lorsque le volume de trafic de données prédit est moyen ou faible (et K* étant plus généralement inférieur ou égal à K) ;
- un module DES de désactivation d’au moins un élément ELk du site n’appartenant pas à l’ensemble E, avant un instant de début de l’horizon futur de prédiction H.
A l’initialisation, des instructions de code de programme d’ordinateur PG sont par exemple chargées dans une mémoire RAM (non représentée) avant d’être exécutées par un processeur PROC du dispositif de gestion de ressources DGR. Le processeur PROC de l’unité de traitement UTR met notamment en œuvre les actions suivantes, dans le cadre du procédé de gestion de ressources, qui va être décrit ci-dessous, selon les instructions du programme d’ordinateur PG :
- collecter les données DR relatives au fonctionnement du réseau RC, notamment du site S ;
- prédire le volume de trafic de données transportées sur le site S pour l’horizon futur de prédiction H, en fonction des données DR représentatives du fonctionnement du site S ;
- déterminer l’ensemble E de K* éléments suffisant pour transporter le volume de trafic de données prédit dans l’horizon futur de prédiction H, K* étant strictement inférieur à K lorsque le volume de trafic de données prédit est moyen ou faible ;
- désactiver l’au moins un élément ELk du site n’appartenant pas à l’ensemble E, avant l’instant de début de l’horizon futur de prédiction H.
On décrit maintenant, en relation avec la , ensemble les figures 1 et 2, le déroulement d’un procédé de gestion de ressources d’un site S du réseau de radiocommunication cellulaire RC, selon un mode de réalisation particulier de l’invention.
A une étape 301, le dispositif de gestion de ressources reçoit, ou collecte, les données de fonctionnement DR du réseau RC, comprenant des indicateurs représentatifs du fonctionnement du site S, à un instant courant.
De telles données DR peuvent comprendre des indicateurs bruts relatifs au fonctionnement du réseau RC, notamment du site S, tels que par exemple le nombre de ressources occupées par cellule couverte par le site S, la quantité de données envoyées via le réseau RC, etc.
Alternativement, de telles données DR peuvent comprendre des indicateurs de performance ou KPIs relatifs au réseau RC, notamment au site S, tels que par exemple, pour chaque RRU : le débit, le nombre moyen d’utilisateurs, la charge du RRU, la consommation énergétique du RRU, etc.
Le KPI de volume de trafic de données transportées est également collecté par le dispositif de gestion de ressources.
Les KPIs sont remontés vers le dispositif DGR avec une granularité qui est variable selon le contexte de la modélisation, qui peut par exemple être un intervalle temporel de 15 minutes (mn), 30 mn, 1 heure, etc.
A une étape 302, le dispositif de gestion de ressources DGR prédit le volume de trafic de données du site S pour un horizon de prédiction H, à partir des indicateurs représentatifs du fonctionnement du site S collectés à l’étape 301 précédente.
Dans ce qui suit, un exemple de prédiction PR du volume de trafic de données du site S pour l’horizon de prédiction H, est décrit, à titre illustratif.
Dans cet exemple, la prédiction PR est une prédiction du volume total de trafic de données du site S, qui est obtenue à partir de K prédictions PRk obtenues chacune pour l’un des K RRUs du site S.
La prédiction PRk est basée sur KPIs collectés à l’étape 301, qui sont notés dans lequel correspond à un indice temporel, dans lequel désigne un indice du KPI et dans lequel l’exposant fait référence au RRU du site S.
Comme indiqué précédemment, le site S est constitué de RRUs, chaque RRU correspondant à un groupe de cellules qui fonctionnent sur la même bande de fréquence avec des générations de réseau différentes (2G et 3G sur la bande 900 MHz par exemple).
Pour un RRU KPIs sont obtenus à l’étape 301, qui sont notés dans lequel correspond à l’indice temporel, dans lequel désigne l’indice du KPI et dans lequel l’exposant fait référence au RRU du site S.
En variante, la prédiction PR est obtenue à partir d’une unique prédiction du volume total de trafic de données du site S. La prédiction PR est alors basée sur KPIs collectés à l’étape 301, qui sont notés dans lequel correspond à un indice temporel, dans lequel désigne un indice du KPI et dans lequel l’exposant fait référence à la totalité du site S.
A titre d’exemple, les KPIs considérés peuvent être n’importe quelle combinaison parmi les indicateurs suivants :
- Pour la génération de réseau 2G : débit pour chaque cellule ;
- Pour la génération de réseau 3G : débit et nombre moyen d’utilisateurs pour chaque cellule ;
- Pour la génération de réseau 4G : charge de la cellule et nombre moyen d’utilisateurs pour chaque cellule ;
- pour le RRU entier, un KPI de consommation énergétique du RRU.
Dans cet exemple, aucun indicateur n’est considéré pour la génération de réseau 5G. Toutefois, selon l’invention, des indicateurs relatifs à la génération de réseau 5G peuvent être pris en compte pour les prédictions PRk de volume de trafic de données de chaque RRU d’indice k de l’étape 302.
En outre, un KPI de volume de trafic de données est obtenu, un tel KPI étant généralement disponible par technologie (par génération de réseau). Ainsi, pour un RRU d’indice k donné, le volume de trafic de données à un instant courant i, noté , est donné par la formule (1) suivante :
(1)
dans laquelle i fait ainsi référence à l’indice temporel de la mesure, soit l’instant courant compris dans la période courante ;
dans laquelle l’indice n dans désigne la technologie (la génération de réseau), représentant le KPI de volume de trafic de données pour la génération d’indice n, sur la période comprenant l’instant courant d’indice i.
Les KPI de volume de trafic de données peuvent être stockés par le dispositif de gestion de ressources DGR pour les différents instants i, de manière à constituer un historique du volume de trafic de données pour chaque RRU d’indice k et pour chaque instant i.
Comme indiqué précédemment, tous les KPIs peuvent être collectés par le dispositif de gestion de ressources DGR avec une granularité de ( min etc.). Ainsi, correspond au volume de trafic de données transportées par le RRU d’indice k durant la période de référence comprenant l’instant i.
Pour tenir compte de granularité de mise en œuvre de l’étape 301, l’indice dans les différents KPI est incrémenté toutes les périodes Ainsi, si la valeur de l’indice , alors les mesures ont été prises à l’instant , exprimé en minutes ou en heures.
La prédiction à l’indice temporel courant (l’instant courant de l’étape 301) du futur volume de trafic de données PRk pour le RRU d’indice k et pour un horizon , c’est-à-dire pour un horizon comprenant l’indice temporel (par exemple se finissant à l’indice temporel i+h), est effectuée en considérant un historique du volume de trafic de données de chaque RRU ainsi que les valeurs courantes à l’instant i des KPIs selon le modèle de prédiction suivant, PRk étant noté pour le RRU :
(2)
dans lequel est l’historique des valeurs précédentes de volume de trafic de données pour le RRU d’indice k, l’historique étant constitué par mesures précédentes et dans lequel sont des paramètres. Pour tenir compte de la granularité de collecte des mesures de l’étape 301, l’horizon de prédiction H est de préférence un multiple de . Si , alors l’horizon de prédiction Si , alors , etc.
L’horizon de prédiction H (et donc la valeur h) peut être déterminé à partir de l’instant courant d’indice i de manière à estimer le volume de trafic de données dans une période future de durée comprenant l’instant futur i+h (par exemple se finissant à l’instant i+h).
Dans (2), les paramètres sont inconnus, mais peuvent être obtenus lors d’une phase préalable d’apprentissage, non représentée sur la . La phase préalable peut comprendre un apprentissage machine des paramètres, en fonction d’une technique basée sur l’intelligence artificielle telle que la régression linéaire, la régression LASSO, pour « Least Absolute Shrinkage and Selection Operation » en anglais, ou toute autre technique.
L’apprentissage machine peut être effectué sur une base de données d’entraînement, stockant des valeurs et , ainsi que les valeurs cibles correspondantes (la vérité de terrain).
Ainsi, durant la phase d’apprentissage, la valeur future (pour l’horizon de prédiction ) est considérée comme la variable d’intérêt. L’historique des volumes de trafic de données et les valeurs actuelles des autres KPIs sont des variables prédictives comme le montre le Tableau 1 où est le nombre d’observations utilisées durant la phase d’apprentissage, soit le nombre d’ensembles de données dans la base de données d’entraînement.
Tableau 1 :
Variables prédictives Variable d’intérêt
… …
… …
. . . . .
. . . . .
. . . . .
… …
Toutefois, aucune restriction n’est attachée à la manière dont sont déterminés les paramètres , qui peuvent être obtenus par une technique autre qu’une technique basée sur un apprentissage machine.
Suite à l’apprentissage, le dispositif de gestion de ressources DGR stocke les paramètres entraînés, et est ainsi apte à mettre en œuvre, par le module de prédiction PRED, une prédiction du volume de trafic de données RRU par RRU. A noter qu’un ensemble de paramètres peut être déterminé pour chaque RRU d’indice k, et les paramètres peuvent ainsi être notés avec (k) en exposant, comme dans la formule (3) ci-dessous.
Pour le RRU, on obtient :
La valeur obtenue est une prédiction du volume de trafic de données du k-ième RRU sur une période pour l’horizon de prédiction H.
Ainsi, pour le site S entier, la prédiction du volume de trafic de données, notée , est donnée par la formule (4) suivante, en sommant les différentes prédictions obtenues pour les K RRUs du site S :
(4)
Ainsi, le module de prédiction PRED obtient la prédiction de volume de trafic de données du site S lors de l’étape 302.
En variante, la prédiction pour le site entier n’est pas obtenue en déterminant les prédictions RRU par RRU, mais est obtenue à partir d’un modèle unique de la formule (5) :
(5)
dans lequel l’exposant T indique que les variables concernent le site entier, et non plus un unique RRU.
Les paramètres peuvent être déterminés pour le site entier, de la même manière que les paramètres décrits précédemment avec l’exposant (k) pour chaque k-ième RRU.
Ainsi, dans un premier mode de réalisation, le dispositif de gestion de ressources DGR stocke les modèles prédictifs correspondant aux équations (2) dans le module de prédiction PRED décrit précédemment, et la prédiction du volume de trafic de données du site S sur la période pour l’horizon de prédiction H peut être obtenue en sommant l’ensemble des prédictions individuelles des K RRUs du site S.
Dans un deuxième mode de réalisation, le dispositif de gestion de ressources DGR stocke le modèle prédictif unique (5) dans le module de prédiction PRED décrit précédemment.
Selon un autre mode de réalisation non décrit, le dispositif de gestion de ressources DGR stocke un modèle de prédiction du volume de trafic de données pour chaque génération de réseau (2G, 3G, 4G, 5G par exemple) sur le site S, et la prédiction du volume de trafic de données du site S pendant une durée pour l’horizon de prédiction H peut être obtenue en sommant l’ensemble des prédictions individuelles des générations de réseau du site S.
Les modèles prédictifs décrits ci-dessus ont été testés, après apprentissage des paramètres, sur un ensemble de données de test réelles d’un réseau de radiocommunication cellulaire, pour un horizon de prédiction H, avec une valeur de granularité de 60 minutes, et un horizon H également de 60 minutes (donc avec h=1).
La période de test comprend des données entre 10h et 17h d’un jour d. La période d’apprentissage des paramètres comprend les deux jours précédant le jour d.
Un modèle d’apprentissage est créé par RRU pour le modèle prédictif (2).
Les résultats montrent que les valeurs prédites de volume de trafic de données, par site ou par RRU, sont très proches voire identiques des valeurs réelles de volume de trafic de données.
Dans le Tableau 2 ci-dessous, considérons la métrique de la valeur absolue de l’erreur relative RE, entre les valeurs réelles de volume de trafic de données issues des données de test et les valeurs prédites de volume de trafic de données obtenues à partir des modèles prédictifs (2) :
(6)
Le Tableau 2 donne ainsi le taux (ou la probabilité ou le pourcentage) que l’erreur relative RE soit inférieure à 25% pour H=60min et . Le taux est calculé dans un premier temps sur un ensemble S1 des échantillons de test de tous les sites radio d’un réseau de radiocommunication cellulaire, puis sur un ensemble S2 contenant tous les échantillons du trafic de tous les sites radio en enlevant les échantillons pour lesquels le volume de trafic de données est très faible (par exemple inférieur à 5% du volume de trafic de données maximal). Pour les échantillons pour lesquels le volume de trafic de données est très faible, une erreur relative plus grande est acceptable car le volume de trafic de données prédit demeure faible.
Le Tableau 2 montre que l’erreur sur la prédiction du volume de trafic de données pour l’ensemble du site S est faible.
Tableau 2 :
Ensemble S1 Ensemble S2
Pourcentage que RE<25% 77% 91%
Ainsi, les modèles prédictifs (2) sont particulièrement adaptés à la prédiction du volume de trafic de données de RRUs d’un site S, en fonction de KPIs radio tels que le débit, la charge et le nombre d’utilisateurs actifs.
En se référant à nouveau à la figure 3, le procédé de gestion de ressources comprend en outre, suite aux étapes 301 et 302, une étape 303 de détermination, par le module de détermination DET, d’un ensemble E de K* éléments suffisant pour transporter le volume de trafic de données prédit dans l’horizon de prédiction H. En effet, dans de nombreuses situations, notamment lorsque le volume de trafic de données prédit est faible ou moyen, il peut être transmis par un nombre K* de RRUs strictement inférieur à K. C’est notamment le cas lorsque les prédictions individuelles des RRU sont faibles ou moyennes.
L’ensemble E peut être déterminé à partir des volumes de trafic de données maximums que peuvent respectivement supporter les K RRUs. Les volumes de trafic de données maximums sont notés  dans ce qui suit. Les valeurs peuvent être connues à l’avance (prédéterminées) ou peuvent être obtenues à partir des données collectées (par exemple, elles peuvent correspondre aux valeurs pics de volume de trafic de données sur une période donnée, de plusieurs jours par exemple).
Selon des modes de réalisation, K* est le nombre exact et minimal de RRUs permettant de satisfaire le volume de trafic de données prédit pour le site S pour l’horizon de prédiction H. Ainsi, K* peut être obtenu de la manière suivante :
ce qui signifie que K* est la plus petite valeur vérifiant , lorsque les indices des RRUs sont réordonnés (pour simplifier la compréhension de l’invention) pour que les K* premiers RRUs fassent partie de l’ensemble E. Dans ce cas, selon l’invention, à une étape 304, au moins l’un des RRUs indexés de K*+1 à K est désactivé (ou éteint) par le module de désactivation DES, avant l’instant i+h (par exemple dans la période précédant l’instant i+h), ce qui permet de réduire la consommation énergétique du site S pour la période de l’horizon de prédiction H, tout en maintenant la qualité de service pour les utilisateurs. De préférence, le module de désactivation DES désactive tous les RRUs indexés de K*+1 à K, avant l’instant i+h (par exemple à partir de la période précédant l’instant i+h ou au début de la période comprenant l’instant i+h), ce qui permet de minimiser la consommation énergétique du site S pour la période de l’horizon de prédiction H, tout en maintenant la qualité de service pour les utilisateurs.
Il convient de noter que l’erreur faible sur la prédiction de volume de trafic de données total du site, présentée dans le Tableau 2, n’impacte pas le nombre exact K* de RRUs permettant de transporter le volume prédit sur le site entier, puisque les expérimentations ayant conduit aux résultats du Tableau 2 montrent que le calcul de K* est précis dans presque 99% des cas.
A noter également que, comme illustré sur la , la partie fixe de la consommation d’énergie d’un RRU, qui ne dépend pas du volume de trafic de données, consomme beaucoup d’énergie : environ 50% voire plus de la consommation totale d’un RRU.
La présente une courbe représentant l’évolution, en situation réelle, de la consommation de l’énergie, par exemple par RRU, en fonction du temps et sur plusieurs jours « Jour 1 », « Jour 2 », « Jour 3 », « Jour 4 ». Il est constaté que la valeur fixe de l’énergie qui ne dépend pas du volume de trafic de données, est assez élevée par rapport à la consommation liée au volume de trafic de données. On remarque que l’intercept (la valeur fixe de consommation énergétique d’un RRU, indépendante du volume de trafic de données) dépasse la moitié de la consommation de l’énergie.
En se référant à nouveau à la , les étapes du procédé de gestion de ressources selon l’invention peuvent être itérées, de manière à adapter en continu les ressources activées et désactivées du site S, à l’évolution prédite du volume de trafic de données.

Claims (13)

  1. Procédé de gestion de ressources d’un site (S) d’un réseau de radiocommunication cellulaire (RC), le site comprenant des ressources radio pour le transport de données d’utilisateurs du site, lesdites ressources comprenant K éléments (EL1-ELK) de même nature, K étant un entier supérieur ou égal à 2, le procédé comprenant :
    - une prédiction (302) d’un volume de trafic de données transportées sur ledit site, en fonction d’au moins un indicateur représentatif d’un fonctionnement du site ;
    - une détermination (303) d’un ensemble d’éléments suffisant pour transporter le volume de trafic de données prédit ;
    - pour au moins un élément du site n’appartenant pas à l’ensemble de ressources suffisant, une désactivation (304) de l’élément du site avant un instant de début de la période de prédiction.
  2. Procédé selon la revendication 1, dans lequel tous les éléments (EL1-ELK) du site (S) n’appartenant pas à l’ensemble d’éléments suffisant déterminé sont désactivés avant l’instant de début de la période de prédiction.
  3. Procédé selon la revendication 1 ou la revendication 2, dans lequel la détermination (303) de l’ensemble d’éléments suffisant comprend l’obtention des volumes de trafic maximums des éléments (EL1-ELK) du site (S), et dans lequel l’ensemble d’éléments suffisant déterminé est le plus petit ensemble, en nombre d’éléments, pour lequel une somme des volumes de trafic maximums des éléments de l’ensemble est supérieur au volume de trafic de données prédit.
  4. Procédé selon l’une des revendications 1 à 3, dans lequel ledit au moins un indicateur représentatif du fonctionnement du site (S) comprend un historique d’au moins une valeur passée d’un indicateur de volume de trafic de données du site.
  5. Procédé selon la revendication 4, dans lequel ledit au moins un indicateur représentatif du fonctionnement du site (S) comprend en outre au moins une valeur courante d’au moins un autre indicateur de fonctionnement du site que l’indicateur de volume de trafic de données du site.
  6. Procédé selon la revendication 4 ou la revendication 5, dans lequel la prédiction du volume de trafic de données du site est basée sur au moins un modèle prédictif défini par des paramètres associés respectivement à au moins une valeur passée de l’indicateur de volume de trafic de données de l’historique et/ou au moins une valeur courante d’au moins un autre indicateur de fonctionnement du site.
  7. Procédé selon la revendication 6, dans lequel les paramètres sont définis par apprentissage machine, à partir d’un ensemble de données d’entraînement et d’un ensemble de données de test.
  8. Procédé selon l’une des revendications précédentes, dans lequel le site (S) fonctionne selon au moins une bande de fréquence et/ou au moins une génération de réseau de radiocommunication cellulaire, et dans lequel ledit au moins un indicateur de fonctionnement du site est un indicateur associé à l’au moins une bande de fréquence et/ou à l’au moins une génération de réseau de radiocommunication cellulaire.
  9. Procédé selon la revendication 8, dans lequel une unité radio distante, RRU, est un groupe de cellules radio fonctionnant selon une même bande de fréquence pour au moins deux générations de réseau de radiocommunication cellulaire, et dans lequel les K éléments (EL1-ELK) du site (S) sont K RRUs.
  10. Procédé selon la revendication 6 et la revendication 9, dans lequel la prédiction (302) du volume de trafic pour le site (S) est basée sur K modèles de prédiction définis respectivement pour les K RRUs du site.
  11. Dispositif de gestion de ressources (DGR) d’un site (S) d’un réseau de radiocommunication cellulaire (RC), le site comprenant des ressources radio pour le transport de données d’utilisateurs du site, lesdites ressources comprenant K éléments (EL1-ELK) de même nature, K étant un entier supérieur ou égal à 2, le dispositif de gestion de ressources étant configuré pour :
    - prédire un volume de trafic de données transportées sur ledit site, en fonction d’au moins un indicateur représentatif d’un fonctionnement du site ;
    - déterminer un ensemble d’éléments suffisant pour transporter le volume de trafic de données prédit ;
    - pour au moins un élément du site n’appartenant pas à l’ensemble de ressources suffisant, désactiver l’élément du site avant un instant de début de la période de prédiction.
  12. Programme d'ordinateur comportant des instructions de code de programme pour la mise en œuvre du procédé de gestion de ressources selon l’une quelconque des revendications 1 à 10, lorsqu'il est exécuté sur un ordinateur.
  13. Support d'informations lisible par un ordinateur, et comportant des instructions d'un programme d'ordinateur selon la revendication 12.
PCT/EP2025/060830 2024-04-23 2025-04-21 Gestion optimisée des ressources d'un site d'un réseau de radiocommunication cellulaire Pending WO2025224040A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2404195 2024-04-23
FR2404195A FR3161523A1 (fr) 2024-04-23 2024-04-23 Gestion optimisée des ressources d’un site d’un réseau de radiocommunication cellulaire

Publications (1)

Publication Number Publication Date
WO2025224040A1 true WO2025224040A1 (fr) 2025-10-30

Family

ID=91923882

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2025/060830 Pending WO2025224040A1 (fr) 2024-04-23 2025-04-21 Gestion optimisée des ressources d'un site d'un réseau de radiocommunication cellulaire

Country Status (2)

Country Link
FR (1) FR3161523A1 (fr)
WO (1) WO2025224040A1 (fr)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023141388A1 (fr) * 2022-01-19 2023-07-27 Commscope Technologies Llc Systèmes et procédés d'utilisation de ressources radio basée sur l'apprentissage automatique pour améliorer la couverture et la capacité

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023141388A1 (fr) * 2022-01-19 2023-07-27 Commscope Technologies Llc Systèmes et procédés d'utilisation de ressources radio basée sur l'apprentissage automatique pour améliorer la couverture et la capacité

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"Network sharing and its energy benefits : A study of European mobile network operators", 2013, IEEE GLOBAL COMMUNICATIONS CONFERENCE (GLOBECOM, pages: 2561 - 2567
DONEVSKI IGOR ET AL: "Neural Networks for Cellular Base Station Switching", IEEE INFOCOM 2019 - IEEE CONFERENCE ON COMPUTER COMMUNICATIONS WORKSHOPS (INFOCOM WKSHPS), IEEE, 29 April 2019 (2019-04-29), pages 738 - 743, XP033619507, DOI: 10.1109/INFCOMW.2019.8845250 *
L. WEEDAGES.R.C MAGALHAESS. BAYHAN: "National roaming as a fallback or default ?", 2023, IFIP NETWORKING CONFERENCE
P. UIHDEKORPIM. HRONECP. JOLMAJ. MOILANEN: "Energy Efficiency of 5G Mobile Networks with Base station Sleep Modes", 2017, CONFERENCE OF STANDARDS FOR COMMUNICATIONS AND NETWORKING (CSCN, pages: 163 - 168
WANG XINYU ET AL: "A Base Station Sleeping Strategy in Heterogeneous Cellular Networks Based on User Traffic Prediction", IEEE TRANSACTIONS ON GREEN COMMUNICATIONS AND NETWORKING, IEEE, vol. 8, no. 1, 12 October 2023 (2023-10-12), pages 134 - 149, XP011960007, DOI: 10.1109/TGCN.2023.3324486 *

Also Published As

Publication number Publication date
FR3161523A1 (fr) 2025-10-24

Similar Documents

Publication Publication Date Title
EP3066565B1 (fr) Procédé et programme d&#39;ordinateur pour l&#39;exécution déportée de tâches informatiques d&#39;un équipement sans fil
FR3072851A1 (fr) Procede d&#39;allocation de ressources de transmission a apprentissage par renforcement
Xiao et al. An in-depth study of commercial MVNO: Measurement and optimization
FR3095313A1 (fr) Procédé et dispositif de traitement d’un message d’alerte notifiant une anomalie détectée dans un trafic émis via un réseau
US11652709B2 (en) Managing computation load in a fog network
FR2885475A1 (fr) Procede et systeme de planification de puissance des porteuses dans un reseau cellulaire de telecommunication
WO2009053658A2 (fr) Configuration d&#39;une couverture radio
FR3114713A1 (fr) Méthode d’association d’équipements d’utilisateurs dans un réseau cellulaire selon une politique d’association transférable
CN111935825A (zh) 移动边缘计算系统中基于深度值网络的协作资源分配方法
EP4199462B1 (fr) Mise en oeuvre dynamique et conjointe de regroupement de noeuds et de sélection de configuration de groupe au sein d&#39;un réseau de communication sans fil ad hoc de noeuds mobiles
FR3161523A1 (fr) Gestion optimisée des ressources d’un site d’un réseau de radiocommunication cellulaire
CN112637904A (zh) 负载均衡方法、装置及计算设备
Lin et al. Improving robustness of learning-based adaptive video streaming in wildly fluctuating networks
WO2022258806A1 (fr) Procédé et système d&#39;exécution à distance de services requis par un dispositif mobile via un réseau de communication cellulaire
WO2007012751A1 (fr) Allocation de ressources radio pour reduire la puissance d &#39; emission d &#39; un terminal
EP2724575A1 (fr) Procede de contrôle de puissance dans les reseaux mobiles
WO2025202356A1 (fr) Gestion d&#39;une coupure de courant dans un réseau de radiocommunication cellulaire
US20220053046A1 (en) Optimization of files compression
WO2013093302A1 (fr) Procede de configuration de stations d&#39;un reseau de communications sans-fil
US20260067715A1 (en) Network churn generator
EP2649743A1 (fr) Procede, dispositifs et programme d&#39;ordinateur de selection dynamique de bandes de frequences pour la communication montante de terminaux de type ofdma ou sc-fdma controles en puissance
WO2023247303A1 (fr) Procédé de fourniture d&#39;informations, procédé de sélection, et entités configurées pour mettre en œuvre ces procédés
WO2007060317A2 (fr) Gestion de changement de canal radio
WO2025172472A1 (fr) Apprentissage fédéré pour la génération de données synthétiques de mobilité
EP3506703B1 (fr) Procédé d&#39;allocation de ressources radio dans un réseau sans fil, par apprentissage

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 25720403

Country of ref document: EP

Kind code of ref document: A1