CN112888076A - 一种调度方法及装置 - Google Patents

一种调度方法及装置 Download PDF

Info

Publication number
CN112888076A
CN112888076A CN201911205612.3A CN201911205612A CN112888076A CN 112888076 A CN112888076 A CN 112888076A CN 201911205612 A CN201911205612 A CN 201911205612A CN 112888076 A CN112888076 A CN 112888076A
Authority
CN
China
Prior art keywords
scheduled
scheduling
terminal devices
module
terminal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911205612.3A
Other languages
English (en)
Other versions
CN112888076B (zh
Inventor
王坚
徐晨
皇甫幼睿
李榕
王俊
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN201911205612.3A priority Critical patent/CN112888076B/zh
Priority to JP2022531592A priority patent/JP7425197B2/ja
Priority to PCT/CN2020/125882 priority patent/WO2021103947A1/zh
Priority to EP20894398.5A priority patent/EP4054148A4/en
Publication of CN112888076A publication Critical patent/CN112888076A/zh
Priority to US17/826,522 priority patent/US20220369332A1/en
Application granted granted Critical
Publication of CN112888076B publication Critical patent/CN112888076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/12—Wireless traffic scheduling
    • H04W72/1263—Mapping of traffic onto schedule, e.g. scheduled allocation or multiplexing of flows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/535—Allocation or scheduling criteria for wireless resources based on resource usage policies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/12—Wireless traffic scheduling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请提供一种调度方法及装置，用于优化MAC调度算法。该方法包括：网络设备使用适用于K个用户的调度模型一次或多次，并基于使用调度模型的一次或多次输出的调度权值确定被调度的终端设备。其中，每次使用调度模型时，向调度模型输入n个待调度的终端设备中K个终端设备的状态信息，调度模型输出K个终端设备分别对应的调度权值，K为大于1的整数，n为大于K的整数。因此，无论通信***中存在多少个待调度的终端设备，网络设备可以重复使用该调度模型，而无需重新建立，使得该调度模型适用待调度的终端设备数不同的场景，具有较好的可扩展性。

Description

一种调度方法及装置
技术领域
本发明涉及通信技术领域，特别涉及一种调度方法及装置。
背景技术
在蜂窝网络中，媒体访问控制(media access control，MAC)层调度主要解决时频资 源的分配、调制与编码策略(modulation and coding scheme，MCS)选择、用户配对、预编码等问题，通过调度来实现***吞吐和公平性的折中。
现有的MAC层调度算法往往将通信***建模为一个确定的模型，通过公式的推导得到调度方案。以蜂窝网络中的资源块组(resource block group，RBG)分配为例，比较 常用的调度算法有轮询(round Robin，RR)算法、最大载干比(maximum carrier-to-interference ratio，Max C/I)算法以及比例公平(proportional fair，PF)算法等。
由于通信***的复杂性，用闭式的模型和公式对其进行精确建模是不可能的。因此 PF算法等基于公式的调度算法并不能保证其最优性。
发明内容
本申请提供一种调度方法及装置，用于优化MAC调度算法。
第一方面，本申请实施例提供的调度方法，该方法可以应用于网络设备，也可以应用于网络设备中的芯片或者芯片组。该方法包括：使用调度模型M次，其中，每次使用 调度模型时，向调度模型输入n个待调度的终端设备中K个终端设备的状态信息，调度 模型输出K个终端设备分别对应的调度权值，调度模型为根据每次输入的终端设备的数 量K得到的神经网络模型，M为大于或等于1的整数，K为大于1的整数，n为大于K 的整数；基于调度模型的M次输出确定决策结果，决策结果用于指示被调度的终端设备。
本申请实施例中通过建立一个适用于K个用户的神经网络模型，可以理解的，神经网络模型包括适用于K个终端设备的参数集合，通信***中待调度的终端设备可以共享 该参数集合，即，进行调度决策时，该神经网络模型可以被多次使用。网络设备可以采 用该参数集合针对通信***中的待调度的终端设备每K个为一组逐组确定调度权值。因 此，无论通信***中存在多少个待调度的终端设备，网络设备可以重复使用该神经网络 模型，而无需重新建立神经网络模型，使得该神经网络适用待调度的终端设备数不同的 场景，具有较好的可扩展性。
在一种可能的设计中，基于调度模型的M次输出确定决策结果时，可以包括：使用决策模块M次，其中，第i次使用决策模块时，向决策模块输入第i次使用调度模型时 输出的调度权值，决策模块输出第i次使用调度模型时输入的K个终端设备中被调度的 终端设备，i＝{1,2,3，……，M}，决策模块用于根据终端设备的调度权值确定被调度的 终端设备；基于每次使用调度模型时输入的K个终端设备中被调度的终端设备确定L个 待调度的终端设备，L为正整数；若L小于或等于K，将L个待调度的终端设备的状态 信息输入所述调度模型，得到L个待调度的终端设备分别对应的调度权值；将L个待调 度的终端设备的调度权值输入决策模块，得到所述决策结果。
由于同时通过调度模型的K个终端设备是在同一个基准上确定的调度权值，而不同 次通过调度模型的终端设备可能不是在同一个基准上确定的调度权值，上述设计中，通过根据M次输出确定的终端设备进一步进行分组后通过调度模型重新确定调度权重，使 得M次输出确定的终端设备可以在同一个基准上确定调度权值，从而可以提高决策结果 的准确性，进而可以提高MAC调度的收益。
在一种可能的设计中，基于调度模型的M次输出确定第一调度决时，可以包括：使用决策模块M次，其中，第i次使用所述决策模块时，向所述决策模块输入第i次输出， 所述决策模块输出所述第i次输出对应的第二调度决策，第二调度决策用于指示第i次使 用调度模型时输入的K个终端设备中被调度的终端设备，i＝{1,2,3，……，M}，决策模 块用于根据终端设备的调度权值确定被调度的终端设备。基于M次输出分别对应的第二 调度决策确定多个待调度的终端设备。若确定的终端设备的数量大于K，则可以重复执 行如下过程，直到确定的终端设备的数量小于或等于K：使用调度模型至少一次，并将 至少一次输出逐个输入决策模块，得到该至少一次输出的第二决策结果，基于该至少一 次输出的第二决策结果确定多个终端设备。当确定的终端设备的数量小于或等于K时， 将确定的终端设备的状态信息输入调度模型，得到确定的终端设备分别对应的调度权值； 将确定的终端设备的调度权值输入决策模块，得到第一调度决策。
由于同时通过调度模型的K个终端设备是在同一个基准上确定的调度权值，而不同 次通过调度模型的终端设备可能不是在同一个基准上确定的调度权值，上述设计中，通过根据调度模型输出的结果确定的终端设备进一步进行分组后通过调度模型重新确定调度权重，使得待调度的终端设备的调度权值可以基于同一个基准确定，从而可以提高决 策结果的准确性，进而可以提高MAC调度的收益。
在一种可能的设计中，向调度模型输入n个待调度的终端设备中K个终端设备的状态信息，调度模型输出K个终端设备分别对应的调度权值时，可以将n个待调度的终端 设备中K个终端设备的状态信息输入调度模型的输入层进行维度转换；将K个终端设备 的经过维度转换后的状态信息输入调度模型的隐藏层进行特征提取，调度模型所包含隐 藏层的数量为一个或多个；将隐藏层提取的特征输入调度模型的输出层，得到K个终端 设备分别对应的调度权值。上述设计中，通过采用全连接神经网络确定终端设备的状态 信息，可以获得较优的调度决策。
在一种可能的设计中，输入层的尺寸为K×M，其中，M为状态信息所包含性能参 数的数量。
在一种可能的设计中，调度模型的第l层隐藏层的神经元的数量为K×M×al，其中， M为状态信息所包含性能参数的数量，al为正整数。
在一种可能的设计中，K为网络中活跃用户的最小的可能的数量。通过上述设计，使得建立的神经网络的规模(即神经网络的深度和每层神经元数量)较小，从而可以提 升训练效率，并且可以节省计算资源。
在一种可能的设计中，状态信息包括如下至少一项性能参数：终端设备的预估吞吐 量、终端设备的平均吞吐量、终端设备的缓存队列长度、终端设备的包时延、终端设备的标识、终端设备的丢包率、信道质量、终端设备的历史吞吐量。
第二方面，本申请实施例提供的调度方法，该方法可以应用于网络设备，也可以应用于网络设备中的芯片或者芯片组。该方法包括：在n个待调度的终端设备中筛选出K 个待调度的终端设备，K为大于1的整数，n为大于或等于K的整数；将K个待调度的 终端设备的状态信息输入调度模型，得到K个待调度的终端设备分别对应的调度权值， 调度模型为根据筛选出的终端设备的数量K得到的神经网络模型；基于K个待调度的终 端设备分别对应的调度权值确定决策结果，决策结果用于指示被调度的终端设备。
本申请实施例中通过建立一个适用于K个用户的神经网络模型，可以理解的，神经网络模型包括适用于K个终端设备的参数集合，通过对待调度的终端设备进行筛选，使 得在待调度的终端设备的数量大于K时也可以适用该神经网络模型而无需重新训练，从 而可以适用待调度的终端设备数不同的场景，具有较好的可扩展性。
在一种可能的设计中，在n个待调度的终端设备中筛选出K个待调度的终端设备时， 可以基于状态信息中的至少一个性能参数对n个待调度的终端设备进行排序；根据排序 后的n个待调度的终端设备确定K个待调度的终端设备。通过上述设计，可以初步筛选出K个较优的终端设备，从而可以采用这K个较优的终端设备通过调度模型确定各自对 应的调度权值，在适用待调度的终端设备数不同的场景的同时，可以提高MAC调度的 收益。
在一种可能的设计中，将K个待调度的终端设备的状态信息输入调度模型，可以将K个待调度的终端设备的状态信息输入调度模型的输入层进行维度转换；将K个待调度 的终端设备的经过维度转换后的状态信息输入调度模型的隐藏层进行特征提取，调度模 型所包含隐藏层的数量为一个或多个；将隐藏层提取的特征输入调度模型的输出层，获 得K个待调度的终端设备分别对应的调度权值。上述设计中，通过采用全连接神经网络 确定终端设备的状态信息，可以获得较优的调度决策。
在一种可能的设计中，输入层的尺寸为K×M，其中，M为状态信息所包含性能参 数的数量。
在一种可能的设计中，调度模型的第l层隐藏层的神经元的数量为K×M×al，其中， M为状态信息所包含性能参数的数量，al为正整数。
在一种可能的设计中，K为网络中活跃用户的最小的可能的数量。通过上述设计，使得建立的神经网络的规模(即神经网络的深度和每层神经元数量)较小，从而可以提 升训练效率，并且可以节省计算资源。
在一种可能的设计中，状态信息包括如下至少一项性能参数：终端设备的预估吞吐 量、终端设备的平均吞吐量、终端设备的缓存队列长度、终端设备的包时延、终端设备的标识、终端设备的丢包率、信道质量、终端设备的历史吞吐量。
第三方面，本申请实施例提供的调度方法，该方法可以应用于网络设备，也可以应用于网络设备中的芯片或者芯片组。该方法包括：将n个待调度的终端设备的状态信息 输入调度模型的第一模块进行关联，得到n个待调度的终端设备分别对应的第一数据， 第一数据为第一数据对应的终端设备的状态信息与其他终端设备的状态信息进行关联后 得到的数据，n为大于或等于1的整数；使用n次调度模型的第二模块，其中，每次使 用时，向第二模块输入n个待调度的终端设备中一个终端设备的第一数据，第二模块输 出终端设备的调度权值，第二模块用于确定调度权值；基于n个待调度的终端设备的调 度权值确定决策结果，决策结果用于指示被调度的终端设备。
本申请实施例中通过多个用户共享调度模型中除第一模块以外的其他模块的参数， 使得调度模型的规模(即神经网络的深度和每层神经元数量)较小，从而可以节省资源， 还可以提高调度效率。并且，通过用户共享调度模型中除第一模块以外的其他模块的参 数，使得调度模型适用待调度的终端设备数不同的场景时，而无需重新训练神经网络，具有较好的可扩展性。
在一种可能的设计中，第二模块可以为根据1个终端设备得到、用于确定调度权值的神经网络。上述设计中，第二模块根据一个终端设备得到(或者建立)的，该第二模 块包括适用于一个终端设备的参数集合，通信***中待调度的终端设备可以共享该参数 集合。网络设备可以采用该参数集合针对通信***中的待调度的终端设备逐个确定调度 权值。因此，无论通信***中存在多少个待调度的终端设备，网络设备可以重复使用该 第二模块，而无需重新建立神经网络。
在一种可能的设计中，调度模型还可以包括第三模块，第三模块用于进行特征提取； 在将n个待调度的终端设备的状态信息输入调度模型的第一模块进行关联之前，还包括： 使用n次第三模块，其中，每次使用第三模块时，向第三模块输入n个待调度的终端设备中一个终端设备的状态信息，第三模块输出终端设备的第二数据；将n个待调度的终 端设备的状态信息输入调度模型的第一模块进行关联，包括：将n个待调度的终端设备 的第二数据输入第一模块进行关联。上述设计中，通过在将各个待调度的终端设备的状 态信息进行关联之前，先进行特征提取，可以得到较优的调度决策。
在一种可能的设计中，第三模块为根据1个终端设备得到的、用于进行特征提取的神经网络。上述设计中，第三模块根据一个终端设备得到(或者建立)的，该第三模块 包括适用于一个终端设备的参数集合，通信***中待调度的终端设备可以共享该参数集 合。网络设备可以采用该参数集合针对通信***中的待调度的终端设备逐个提取特征。 因此，无论通信***中存在多少个待调度的终端设备，网络设备可以重复使用该第三模 块，而无需重新建立神经网络。
在一种可能的设计中，调度模型还包括第四模块，第四模块用于进行升维处理；在使用n次第三模块之前，还包括：使用n次第四模块，其中，每次使用第四模块时，向 第四模块输入n个待调度的终端设备中一个终端设备的状态信息，第四模块输出终端设 备经过升维后的状态信息；向第三模块输入n个待调度的终端设备中一个终端设备的状 态信息，包括：向第三模块输入n个待调度的终端设备中一个终端设备经过升维后的状 态信息。
在一种可能的设计中，第四模块为根据1个终端设备得到的、用于进行特征提取的神经网络。上述设计中，第四模块根据一个终端设备得到(或者建立)的，该第四模块 包括适用于一个终端设备的参数集合，通信***中待调度的终端设备可以共享该参数集 合。网络设备可以采用该参数集合针对通信***中的待调度的终端设备逐个进行升维处 理。因此，无论通信***中存在多少个待调度的终端设备，网络设备可以重复使用该第 四模块，而无需重新建立神经网络。
在一种可能的设计中，状态信息包括如下至少一项性能参数：终端设备的预估吞吐 量、终端设备的平均吞吐量、终端设备的缓存队列长度、终端设备的包时延、终端设备的标识、终端设备的丢包率、信道质量、终端设备的历史吞吐量。
第四方面，本申请提供一种调度装置，该装置可以是网络设备，也可以是网络设备内的芯片或芯片组。该装置可以包括处理单元，还可以包括通信单元。当该装置是网络 设备时，该处理单元可以是处理器，该通信单元可以是收发器；该装置还可以包括存储 模块，该存储模块可以是存储器；该存储模块用于存储指令，该处理单元执行该存储模 块所存储的指令，以使网络设备执行上述第一方面至第三方面任一方面中相应的功能。 当该装置是网络设备内的芯片或芯片组时，该处理单元可以是处理器，该通信单元可以 是输入/输出接口、管脚或电路等；该处理单元执行存储模块所存储的指令，以使网络设 备执行上述第一方面至第三方面任一方面中相应的功能。该存储模块可以是该芯片或芯 片组内的存储模块(例如，寄存器、缓存等)，也可以是该网络设备内的位于该芯片或芯 片组外部的存储模块(例如，只读存储器、随机存取存储器等)。
第五方面，提供了一种调度装置，包括：处理器、通信接口和存储器。通信接口用于该装置与其他装置之间传输信息、和/或消息、和/或数据。该存储器用于存储计算机执行指令，当该装置运行时，该处理器执行该存储器存储的该计算机执行指令，以使该装 置执行如上述第一方面至第三方面任一方面中任一设计所述的调度方法。
第六方面，本申请实施例提供的一种计算机可读存储介质，该计算机可读存储介质 存储有程序指令，当程序指令在网络设备上运行时，使得网络设备执行本申请实施例第一方面及其任一可能的设计、或者第二方面或第二方面中任一设计、或者第三方面或第 三方面中任一设计。示例性的，计算机可读存储介质可以是计算机能够存取的任何可用 介质。以此为例但不限于：计算机可读介质可以包括非瞬态计算机可读介质、随机存取 存储器(random-access memory，RAM)、只读存储器(read-only memory，ROM)、电可 擦除可编程只读存储器(electrically EPROM，EEPROM)、CD-ROM或其他光盘存储、 磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式 的期望的程序代码并能够由计算机存取的任何其他介质。
第七方面，本申请实施例提供一种通信装置，所述通信装置包括处理器，当所述处理器执行存储器中的计算机程序或指令时，如第一方面或第二方面或第三方面所述的方法被执行。
第八方面，本申请实施例提供一种通信装置，所述通信装置包括处理器和存储器，所述存储器用于存储计算机执行计算机程序或指令；所述处理器用于执行所述存储器所存储的计算机执行计算机程序或指令，以使所述通信装置执行如上述第一方面或第二方面或第三方面中所示的相应的方法。
第九方面，本申请实施例提供一种通信装置，所述通信装置包括处理器、存储器和收发器，所述收发器，用于接收信号或者发送信号；所述存储器，用于存储程序代码或 指令；所述处理器，用于从所述存储器调用所述程序代码或指令执行如上述第一方面或 第二方面或第三方面所述的方法。
第十方面，本申请实施例提供一种通信装置，所述通信装置包括处理器和接口电路， 所述接口电路，用于接收计算机程序代码或指令并传输至所述处理器；所述处理器运行 所述计算机程序代码或指令以执行如上述第一方面或第二方面或第三方面所示的相应的 方法。
第十一方面，本申请实施例提供一种包括计算机程序代码或指令的计算机程序产品， 当所述计算机程序代码或指令被执行时，使得上述第一方面或第二方面或第三方面所述 的方法被实现。示例性的，计算机程序产品可以是包括非暂时性计算机可读介质的计算机程序产品。
另外，第四方面至第十一方面所带来的技术效果可参见上述第一方面至第三方面的 描述，此处不再赘述。
附图说明
图1为本申请实施例提供的一种全连接神经网络的示意图；
图2为本申请实施例提供的一种通信***的架构示意图；
图3为本申请实施例提供的一种基站的结构示意图；
图4为本申请实施例提供的另一种基站的结构示意图；
图5为本申请实施例提供的一种调度方法的流程示意图；
图6为本申请实施例提供的一种调度过程的示意图；
图7为本申请实施例提供的另一种调度方法的流程示意图；
图8为本申请实施例提供的再一种调度方法的流程示意图；
图9为本申请实施例提供的一种调度模型的结构示意图；
图10为本申请实施例提供的一种编码器的结构示意图；
图11为本申请实施例提供的一种译码器的结构示意图；
图12为本申请实施例提供的一种调度模型的结构示意图；
图13为本申请实施例提供的一种调度过程的示意图；
图14为本申请实施例提供的一种训练及使用神经网络的示意图；
图15为本申请实施例提供的一种调度装置的结构示意图；
图16为本申请实施例提供的另一种调度装置的结构示意图；
图17为本申请实施例提供的一种网络设备的结构示意图。
具体实施方式
为了方便理解本申请实施例，下面介绍与本申请实施例相关的术语：
MAC层调度：MAC层调度主要解决时频资源的分配、MCS选择、用户配对、预 编码等问题，通过MAC调度来实现***吞吐和公平性的折中。
全连接神经网络又叫多层感知机(multi-layer perceptron，MLP)，一个MLP包含一 个输入层(左侧)，一个输出层(右侧)，及多个隐藏层(中间)，每层包含数个节点，称 为神经元。其中相邻两层的神经元间两两相连。以隐藏层的数量为2个为例，全连接神 经网络模型可以如图1所示，其中，w为权重矩阵，b为偏置向量。
需要说明的是，随着技术的不断发展，本申请实施例的术语有可能发生变化，但都在本申请的保护范围之内。
本申请提供的通信方法可以应用于各类通信***中，例如，可以是物联网(internet of things，IoT)、窄带物联网(narrow band internet of things，NB-IoT)、长期演进(long term evolution，LTE)，也可以是第五代(5G)通信***，还可以是LTE与5G混合架构、也 可以是5G NR***以及未来通信发展中出现的新的通信***等。本申请所述的5G通信 ***可以包括非独立组网(non-standalone，NSA)的5G通信***、独立组网(standalone， SA)的5G通信***中的至少一种。通信***还可以是公共陆地移动网络(public land mobile network，PLMN)网络、设备到设备(device-to-device，D2D)网络、机器到机 器(machine to machine，M2M)网络、卫星通信或者其他网络。只要通信***中存在通 信设备进行MAC调度，均可以采用本申请实施例提供的调度方法。
示例性的，图2示出一种适用本申请实施例的通信***100。该通信***100包括网络设备110和终端设备120，网络设备110向终端设备120提供通信服务。应理解， 图2仅以一个网络设备110和两个终端设备120为例进行说明，并不对通信***中网络 设备、终端设备的数量进行具体限定。
本申请实施例中涉及的终端设备，是用户侧的一种用于接收或发射信号的实体。终 端设备可以是一种向用户提供语音、数据连通性的设备，例如，具有无线连接功能的手持式设备、车载设备等。终端设备也可以是连接到无线调制解调器的其他处理设备。终 端设备可以通过无线接入网(radio access network，RAN)与一个或多个核心网进行通信。终端设备也可以称为无线终端、订户单元(subscriber unit)、订户站(subscriberstation)， 移动站(mobile station)、移动台(mobile)、远程站(remote station)、接入点(access point)、 远程终端(remote terminal)、接入终端(access terminal)、用户终端(user terminal)、用 户代理(user agent)、用户设备(user device)、或用户装备(userequipment)等等。终 端设备可以是移动终端，如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机， 例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无 线接入网交换语言、数据。例如，终端设备还可以是个人通信业务(personalcommunication service，PCS)电话、无绳电话、会话发起协议(session initiationprotocol，SIP)话机、 无线本地环路(wireless local loop，WLL)站、个人数字助理(personal digital assistant， PDA)、等设备。常见的终端设备例如包括：手机、平板电脑、笔记本电脑、掌上电脑、 移动互联网设备(mobile internet device，MID)、可穿戴设备，例如智能手表、智能手环、 计步器等，但本申请实施例不限于此。本申请实施例中涉及的终端设备还可以是未来演 进的PLMN中出现的终端设备等，本申请实施例对此并不限定。
此外，在本申请实施例中，终端设备还可以是IoT***中的终端设备，IoT是未来信息技术发展的重要组成部分，其主要技术特点是将物品通过通信技术与网络连接，从而 实现人机互连，物物互连的智能化网络。在本申请实施例中，IoT技术可以通过例如窄 带(narrow band，NB)技术，做到海量连接，深度覆盖，终端省电。
此外，在本申请实施例中，终端设备还可以包括智能打印机、火车探测器、加油站等传感器，主要功能包括收集数据(部分终端设备)、接收网络设备的控制信息与下行数据，并发送电磁波，向网络设备传输上行数据。
本申请实施例中所涉及的网络设备，是网络侧的一种用于发射或接收信号的实体。 本申请实施例中的网络设备可以是无线网络中的设备，例如将终端接入到无线网络的RAN节点。例如，网络设备可以是LTE中的演进型基站(evolutional Node B，eNB或 e-NodeB)，还可以是新无线控制器(new radio controller，NR controller)，可以是5G系 统中的gNode B(gNB)，可以是集中式网元(centralized unit，CU)，可以是新无线基站， 可以是射频拉远模块，可以是微基站，可以是中继(relay)，可以是分布式网元(distributedunit，DU)，可以是家庭基站，可以是传输接收点(transmission reception point，TRP) 或传输点(transmission point，TP)或者任何其它无线接入设备，但本申请实施例不限于此。网络设备可以覆盖1个或多个小区。
示例性的，本申请实施例中的网络设备的结构可以如图3所示。具体的，网络设备可以划分为CU和至少一个DU。其中，CU可以用于管理或者控制至少一个DU，也可 以称之为CU与至少一个DU连接。这种结构可以将通信***中网络的协议层拆开，其 中部分协议层放在CU集中控制，剩下部分或全部协议层功能分布在DU中，由CU集 中控制DU。以网络为gNB为例，gNB的协议层包括无线资源控制(radio resource control， RRC)层、业务数据适配协议(service data adaptation protocol，SDAP)层、分组数据汇 聚协议(packet dataconvergence protocol，PDCP)层、无线链路控制(radio link control， RLC)层、媒体访问控制子层(media access control，MAC)层和物理层。其中，示例性 的，CU可以用于实现RRC层、SDAP层和PDCP层的功能，DU可以用于实现RLC层、 MAC层和物理层的功能。本申请实施例不对CU、DU包括的协议栈做具体限定。
示例性的，本申请实施例中的CU可以进一步分为一个控制面(CU-control plane，CU-CP)网元和多个用户面(CU-user plane，CU-UP)网元。其中，CU-CP可以用于控 制面管理，CU-UP可以用于用户面数据传输。CU-CP与CU-UP之间的接口可以为E1 口。CU-CP与DU之间的接口可以为F1-C，用于控制面信令的传输。CU-UP与DU之间 的接口可以为F1-U，用于用户面数据传输。CU-UP与CU-UP之间可以通过Xn-U口进 行连接，进行用户面数据传输。例如，以gNB为例，gNB的结构可以如图4所示。
本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的 技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可 知，随着网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
现有的MAC层调度算法往往将通信***建模为一个确定的模型，通过公式的推导得到调度方案。以蜂窝网络中的RBG分配为例，比较常用的调度算法有RR算法、Max C/I算法以及PF算法。其中PF算法可以实现吞吐和公平性较好的折中，因此应用比较 广泛。下面以PF算法为例，介绍基于确定模型和公式的调度算法。PF算法可以按照以 下公式选择被调度用户：
Figure BDA0002296850510000081
其中，Ri(t)为用户i在时刻t的估计吞吐，它由信道条件、用户的缓存情况等因素决定，而Ti(t)为用户i在时刻t时的历史累积吞吐。由此可见，Ri(t)/Ti(t)是一种吞吐 和公平性兼顾的度量：当前估计吞吐Ri(t)越大，说明该用户信道条件较好，且缓存中又 足够的数据需要发送，因此度量值也越大；同时，累积吞吐Ti(t)越大，说明该用户已经 发送的数据量越多，为了公平起见，应减少其发送机会，因此度量值越小。通过选择度 量值最大的用户进行调度即实现了吞吐和公平性的折中。
由于通信***的复杂性，用闭式的模型和公式对其进行精确建模是不可能的。因此 PF算法等基于公式的调度算法并不能保证其最优性。
目前，可以采用深度神经网络进行MAC调度，深度神经网络的规模(即神经网络 的深度和每层神经元数量)根据实际通信***中待调度终端设备的数量确定。一般的， 待调度的终端设备数量较多时，调度问题的状态空间和动作空间都较大，需要较大的深 度神经网络；而待调度用户数较少时，较小的深度神经网络也可能胜任。当待调度用户 数量发生变化时，有两种解决方案：①重新确定深度神经网络规模，重新进行训练；② 根据最大可能用户数确定深度神经网络规模，进行训练。但是，第①种方法的泛化性较 差，用户数变化后需要重新训练深度神经网络。而第②种方法则需要训练一个极大的神 经网络，训练效率较低。
基于此，本申请实施例提供一种调度方法及装置。其中，方法和装置是基于同一技术构思的，由于方法及装置解决问题的原理相似，因此装置与方法的实施可以相互参见，重复之处不再赘述。
应理解，本申请实施例中“至少一个”是指一个或者多个，“多个”是指两个或两个以 上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可 以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A、B可以是单数或 者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一(项)个”或其 类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。 例如，a、b或c中的至少一项(个)，可以表示：a，b，c，a和b，a和c，b和c，或a、 b和c，其中a、b、c可以是单个，也可以是多个。
另外，需要理解的是，在本申请的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。
下面结合附图对本申请实施例提供的调度方法进行具体说明。
实施例一：
参见图5，为本申请提供的调度方法的流程图，该方法可以应用于网络设备，也可以应用于网络设备中的芯片或者芯片组，下面以应用于网络设备为例进行说明，该方法 包括：
S501，网络设备使用调度模型M次，其中，M为大于或等于1的整数。其中，调度 模型为根据每次输入的终端设备的数量K得到的神经网络模型，也可以理解为，调度模 型为适用于K个用户的神经网络模型，K为大于1的整数。其中，调度模型可以被顺序 使用，也可以被并行使用。
示例性的，K可以为预设值，也可以为协议中规定的值。K可以等于可能的网络中活跃用户的最小数量，该数量可以是根据历史数据确定的，或者，该数量也可以为协议 中规定的网络中活跃用户的最小数量。或者，K也可以是通过其他方法确定的，这里不 再一一列举。
网络设备每次使用调度模型时，向调度模型输入n个待调度的终端设备中K个终端设备的状态信息，调度模型输出K个终端设备分别对应的权值。
示例性的，n个待调度的终端设备可以为通信***中，针对相同的时频资源(如RBG) 进行调度的终端设备。或者，n个待调度的终端设备可以为注册在同一小区内通过时分、 频分、码分、空分或其他复用方式共享同一无线传输资源的活跃终端设备。所述活跃终端设备可以理解为有新数据和/或重传数据待发送或接收的终端设备。
n可以小于或等于K，这种情况下，网络设备可以使用调度模型一次，即向调度模型输入该n个待调度的终端设备，得到该n个待调度的终端设备分别对应的调度权值。 一种示例性说明中，若n等于1，网络设备可以将该终端设备的状态信息输入调度模型 确定调度权值，或者，也可以直接确定该终端设备为被调度的终端设备。
n也可以大于K，这种情况下，网络设备可以多次使用调度模型(即M大于1)，即 每次向调度模型输入K个待调度的终端设备，得到该K个待调度的终端设备分别对应的 调度权值。或者，网络设备也可以使用一次调度模型(即M等于1)，即在n个待调度的 终端设备中选出K个终端设备输入调度模型，得到该K个待调度的终端设备分别对应的 调度权值。
一种实现方式中，网络设备可以将n个待调度的终端设备分为多个终端设备组，其中每个终端设备组包括K个终端设备。针对每个终端设备组，网络设备将该终端设备组 包括的K个终端设备的状态信息输入调度模型，得到该终端设备组所包括K个终端设备 分别对应的调取权值。其中，一种可能的分组方法可以为将信道状态差异较大的终端设 备分在同一组。当然，也可以采用其他的分组方法，如任意K个终端设备为一组、根据 预设规则进行分组等等，这里不做具体限定。
需要说明，同一个终端设备的状态信息输入调度模型的次数可以为1次或多次，也可以为0次。换句话说，在对n个待调度的终端设备分为多个终端设备组的实现方式中， 同一个终端设备可以不属于任何终端设备组，也可以属于一个或多个终端设备组。
示例性的，状态信息可以但不限于包括如下至少一项性能参数：终端设备的预估吞 吐量、终端设备的平均吞吐量、终端设备的缓存队列长度、终端设备的包时延、终端设备的标识、终端设备的丢包率、信道质量、终端设备的历史吞吐量。
S502，网络设备基于调度模型M次输出的调度权值确定决策结果，决策结果用于指示被调度的终端设备。
其中，被调度的终端设备可以为1个，如，通信***中有一个可用的传输资源时，可以确定一个被调度的终端设备，将该可用的传输资源分配给该被调度的终端设备。
被调度的终端设备可以为多个，如，通信***中有L个可用的传输资源时，可以确定L个被调度的终端设备，将该L个可用的传输资源分别分配给该L个被调度的终端设 备。
一种实现方式中，步骤S502可以通过如下方式实现：
A1，网络设备使用决策模块M次，其中，第i次使用决策模块时，将第i次使用所 述调度模型时输出的调度权值输入决策模块，得到第i次使用调度模型时输入的K个终 端设备中被调度的终端设备，i＝{1,2,3，……，M}。A2，网络设备基于M次使用调度模 型时每次使用所述调度模型时输入的K个终端设备中被调度的终端设备确定L个待调度 的终端设备，L为正整数。其中，如果网络中存在未输入过调度模型的终端设备，则该L 个待调度的终端设备中可以包括该未输入过调度模型的终端设备。换句话说，在对n个 待调度的终端设备分为多个终端设备组的实现方式中，如果网络中存在未参与分组的终 端设备，则该L个待调度的终端设备中可以包括该未参与分组的终端设备。
A3，若L小于或等于K，则网络设备可以将该L个待调度的终端设备的状态信息输入调度模型，得到L个待调度的终端设备分别对应的调度权值。在一种实现方式中，若 L小于K，则网络设备还可以将在n个待调度的终端设备中选择一个或多个终端设备与 该L个终端设备组成K个终端设备，并将该K个待调度的终端设备的状态信息输入调度 模型，得到K个待调度的终端设备分别对应的调度权值。
若L大于K，则终端设备可以重复步骤S601、A1，直到确定出的终端设备的数量小于或等于K，将确定出的终端设备的状态信息输入调度模型，得到确定出的终端设备分 别对应的调度权值。
A4，网络设备将步骤A3得到的调度权值输入决策模块，得到决策结果。
如，通信***中有一个可用的传输资源时，可以根据步骤A3得到的调度权值确定一个被调度的终端设备，将该可用的传输资源分配给该被调度的终端设备。该被调度的 终端设备可以是步骤A3得到的调度权值中调度权值最大的终端设备。
又如，通信***中有F个可用的传输资源时，可以根据步骤A3得到的调度权值确定F个被调度的终端设备，将该F个可用的传输资源分别分配给该F个被调度的终端设 备。该F个被调度的终端设备可以是将步骤A3得到的调度权值从大到小排序的前F个 调度权值对应的终端设备。
一种示例性说明中，调度模型可以是全连接神经网络模型。调度模型可以包括一个 输入层、至少一个隐藏层以及一个输出层。其中，输入层可以用于将输入的数据维度转换为隐藏层输入维度，该至少一个隐藏层用于进行特征提取，输出层用于基于该至少一 个隐藏层提取的特征确定调度权值。
在该示例性说明中，网络设备每次使用调度模型时，可以将n个待调度的终端设备中K个终端设备的状态信息输入调度模型的输入层进行维度转换。并将K个终端设备的 经过维度转换后的状态信息输入调度模型的隐藏层进行特征提取，调度模型所包含隐藏 层的数量为一个或多个。将隐藏层提取的特征输入调度模型的输出层，得到K个终端设 备分别对应的调度权值。
示例性的，输入层的尺寸可以为K×M，其中，M为状态信息所包含性能参数的数量。例如，状态信息包括终端设备的预估吞吐量、终端设备的平均吞吐量、终端设备的 缓存队列长度、终端设备的包时延这4个性能参数，则M等于4。
隐藏层包括的神经元的数量可以为K×M×a，其中，不同隐藏层的a的取值可以相同也可以不同，这里不做具体限定。
为了更好的理解本申请实施例一，下面以K等于3为例，结合具体场景对实施例一的调度过程进行描述。
假设网络中存在11个待调度的终端设备，即终端设备1～11，通信***中有1个可用的传输资源。如图6所示，调度过程包括：
B1，网络设备将终端设备1～11的状态信息分三次输入调度模型，其中，每次输入3个终端设备的状态信息。
如，网络设备将终端设备1的状态信息s1、终端设备2的状态信息s2、终端设备3 的状态信息s3输入调度模型，得到终端设备1的调度权值M1、终端设备2的调度权值 M2、终端设备3的调度权值M3。并将终端设备4的状态信息s4、终端设备5的状态信 息s5、终端设备6的状态信息s6输入调度模型，得到终端设备4的调度权值M4、终端 设备5的调度权值M5、终端设备6的调度权值M6。将终端设备7的状态信息s7、终端 设备8的状态信息s8、终端设备9的状态信息s9输入调度模型，得到终端设备7的调度 权值M7、终端设备8的调度权值M8、终端设备9的调度权值M9。
B2，网络设备将M1、M2、M3输入决策模块确定调度权值最高的终端设备，假设 为终端设备2。将M4、M5、M6输入决策模块确定调度权值最高的终端设备，假设为终 端设备5。将M7、M8、M9输入决策模块确定调度权值最高的终端设备，假设为终端设 备8。
B3，网络设备将终端设备2、终端设备5、终端设备8、终端设备10、终端设备11 的状态信息分2次输入到调度模型，其中，每次输入3个终端设备的状态信息。
如，网络设备将终端设备2的状态信息s2、终端设备5的状态信息s5、终端设备10的状态信息s10输入调度模型，得到终端设备2的调度权值M2＇、终端设备5的调度权 值M5＇、终端设备10的调度权值M10。将终端设备5的状态信息s5、终端设备8的状 态信息s8、终端设备11的状态信息s11输入调度模型，得到终端设备5的调度权值M5＇＇、 终端设备8的调度权值M8＇、终端设备11的调度权值M11。
B4，网络设备将M2＇、M5＇、M10输入决策模块确定调度权值最高的终端设备，假 设为终端设备5。将M5＇＇、M8＇、M11输入决策模块确定调度权值最高的终端设备，假 设为终端设备11。
B5，网络设备将终端设备5的状态信息s5、终端设备11的状态信息s11输入到调度模型，得到终端设备5的调度权值M5＇′＇、终端设备11的调度权值M11＇。
B6，网络设备将M5＇＇＇、M11＇输入决策模块确定调度权值最高的终端设备，假设 为终端设备5，则终端设备5为被调度的终端设备。
B7，网络设备将通信***中可用的传输资源分配给终端设备5。
注意，在B5中，网络设备也可以将终端设备5的状态信息s5、终端设备11的状态 信息s11以及任一其他终端设备j的状态信息sj输入到调度模型，得到终端设备5的调 度权值M5＇′＇、终端设备11的调度权值M11＇和终端设备j的调度权值Mj。然后在B6 中将M5＇′＇、M11＇和Mj输入决策模块确定调度权值最高的终端设备。
本申请实施例中通过建立一个适用于K个用户的神经网络模型，可以理解的，神经网络模型包括适用于K个终端设备的参数集合，通信***中待调度的终端设备可以共享 该参数集合，即，进行调度决策时，该神经网络可以被多次使用。网络设备可以采用该 参数集合针对通信***中的待调度的终端设备每K个为一组逐组确定调度权值。因此， 无论通信***中存在多少个待调度的终端设备，网络设备可以重复使用该神经网络模型， 而无需重新建立，使得该神经网络模型可以适用待调度的终端设备数不同的场景，具有 较好的可扩展性。
并且，本申请实施例中K可以根据网络中活跃用户的最小数量确定，使得建立的神经网络的规模(即神经网络的深度和每层神经元数量)较小，从而可以提升训练效率， 并且可以节省计算资源。
实施例二：
参见图7，为本申请提供的调度方法的流程图，该方法可以应用于网络设备，也可以应用于网络设备中的芯片或者芯片组，下面以应用于网络设备为例进行说明，该方法 包括：
S701，网络设备在n个待调度的终端设备中筛选出K个待调度的终端设备。其中， K为调度模型可以适用的终端设备的数量。
其中，n个待调度的终端设备可以为通信***中，针对相同的时频资源(如RBG) 进行调度的终端设备。或者，n个待调度的终端设备可以为注册在同一小区内通过时分、 频分、码分、空分或其他复用方式共享同一无线传输资源的活跃终端设备。所述活跃终 端设备可以理解为有新数据和/或重传数据待发送或接收的终端设备。
n可以大于K，这种情况下，可以通过步骤S701筛选出K个终端设备。
n也可以小于或等于K，这种情况下，网络设备可以向调度模型输入该n个待调度的终端设备，得到该n个待调度的终端设备分别对应的调度权值。可以理解为筛选出的 终端设备即为该n个待调度的终端设备，或者，也可以理解为，在n可以小于或等于K 时可以不执行步骤S701，向调度模型输入该n个待调度的终端设备。
一种实现方式中，网络设备在n个待调度的终端设备中筛选出K个待调度的终端设备时，可以基于状态信息中的至少一个性能参数对n个待调度的终端设备进行排序，然 后根据排序后的n个待调度的终端设备确定K个待调度的终端设备。该至少一个性能参 数可以为如下性能参数中一个或多个：终端设备的预估吞吐量、终端设备的平均吞吐量、 终端设备的缓存队列长度、终端设备的包时延、终端设备的标识、终端设备的丢包率、 信道质量、终端设备的历史吞吐量等等。例如，网络设备可以根据终端设备的平均吞吐 量将n个待调度的终端设备从小到大进行排序，然后取前K个终端设备作为筛选出的终 端设备。
网络设备在n个待调度的终端设备中筛选出K个待调度的终端设备时，还可以基于终端设备的业务类型进行筛选，优先选择业务实时性要求高的终端设备，例如优先选择 虚拟现实(virtual reality，VR)/增强现实(augmented reality，AR)业务终端设备，其 次选择实时语音通话和视频业务的终端设备，再次选择网页浏览业务的终端设备。
网络设备在n个待调度的终端设备中筛选出K个待调度的终端设备时，还可以基于终端设备的优先级进行筛选，优先选择优先级较高的终端设备。其中，终端设备的优先 级由标准给定，或由服务提供商、电信运营商确定，或者根据地理位置确定，如距离网 络设备较近的终端设备的优先级较高，距离网络设备较远的终端设备的优先级较低。
S702，网络设备将K个待调度的终端设备的状态信息输入调度模型。其中，调度模型为根据筛选出的终端设备的数量K得到的神经网络模型，也可以理解为，调度模型为 适用于K个用户的神经网络模型，K为大于的整数。
示例性的，K可以为预设值，也可以为协议中规定的值。K可以等于可能的网络中活跃用户的最小数量，该数量可以是根据历史数据确定的，或者，该数量也可以为协议 中规定的网络中活跃用户的最小数量。或者，K也可以是通过方法确定的，这里不再一 一列举。
示例性的，状态信息可以但不限于包括如下至少一项性能参数：终端设备的预估吞 吐量、终端设备的平均吞吐量、终端设备的缓存队列长度、终端设备的包时延、终端设备的标识、终端设备的丢包率、信道质量、终端设备的历史吞吐量。
其中，本实施例二中调度模型的结构与上述实施一中调度模型的结构类似，相似之 处不再赘述。
S703，网络设备基于述K个待调度的终端设备分别对应的调度权值确定决策结果，决策结果用于指示被调度的终端设备。
其中，被调度的终端设备可以为1个，如，通信***中有一个可用的传输资源时，可以确定一个被调度的终端设备，将该可用的传输资源分配给该被调度的终端设备。该 被调度的终端设备可以是调度权值最大的终端设备。
被调度的终端设备可以为多个，如，通信***中有F个可用的传输资源时，可以确定F个被调度的终端设备，将该F个可用的传输资源分别分配给该F个被调度的终端设 备。该F个被调度的终端设备可以是按照调度权值从大到小排序的前F个终端设备。
本申请实施例中通过建立一个适用于K个用户的神经网络模型，可以理解的，神经网络包括适用于K个终端设备的参数集合，通过对待调度的终端设备进行筛选，使得在 待调度的终端设备的数量大于K时也可以使用该神经网络模型而无需重新建立，从而可 以适用待调度的终端设备数不同的场景，具有较好的可扩展性。
并且，本申请实施例中K可以根据网络中活跃用户的最小数量确定，使得建立的神经网络模型的规模(即神经网络的深度和每层神经元数量)较小，从而可以提升训练效 率，并且可以节省计算资源。
实施例三：
参见图8，为本申请提供的调度方法的流程图，该方法可以应用于网络设备，也可以应用于网络设备中的芯片或者芯片组，下面以应用于网络设备为例进行说明，该方法 包括：
S801，网络设备将n个待调度的终端设备的状态信息输入调度模型的第一模块进行 关联，得到n个待调度的终端设备分别对应的第一数据，第一数据为该第一数据对应的终端设备的状态信息与其他终端设备的状态信息进行关联后得到的数据，n为大于或等 于1的整数。
其中，n个待调度的终端设备可以为通信***中，针对相同的时频资源(如RBG) 进行调度的终端设备。或者，n个待调度的终端设备可以为注册在同一小区内通过时分、 频分、码分、空分或其他复用方式共享同一无线传输资源的活跃终端设备。所述活跃终 端设备可以理解为有新数据和/或重传数据待发送或接收的终端设备。
示例性的，状态信息可以但不限于包括如下至少一项性能参数：终端设备的预估吞 吐量、终端设备的平均吞吐量、终端设备的缓存队列长度、终端设备的包时延、终端设备的标识、终端设备的丢包率、信道质量、终端设备的历史吞吐量。
S802，网络设备使用n次调度模型的第二模块，其中，每次使用时，向第二模块输入n个待调度的终端设备中一个终端设备的第一数据，第二模块输出终端设备的调度权值。其中，第二模块可以被顺序使用，也可以被并行使用。
其中，第二模块为根据1个终端设备得到、用于确定调度权值的神经网络。可以理解的，第二模块根据一个终端设备得到(或者建立)的，该第二模块包括适用于一个终 端设备的参数集合，通信***中待调度的终端设备可以共享该参数集合。网络设备可以 采用该参数集合针对通信***中的待调度的终端设备逐个确定调度权值。因此，无论通 信***中存在多少个待调度的终端设备，网络设备可以重复使用该第二模块，而无需重 新建立。
S803，网络设备基于n个待调度的终端设备的调度权值确定决策结果，决策结果用于指示被调度的终端设备。
一种实现方式中，网络设备可以将n个待调度的终端设备的调度权值输入决策模块 以确定被调度的终端设备，决策模块用于基于n个待调度的终端设备的调度权值确定被调度的终端设备。
其中，被调度的终端设备可以为1个，如，通信***中有一个可用的传输资源时，可以确定一个被调度的终端设备，将该可用的传输资源分配给该被调度的终端设备。该 被调度的终端设备可以是调度权值最大的终端设备。
被调度的终端设备可以为多个，如，通信***中有L个可用的传输资源时，可以确定L个被调度的终端设备，将该L个可用的传输资源分别分配给该L个被调度的终端设 备。该L个被调度的终端设备可以是按照调度权值从大到小排序的前L个终端设备。
示例性的，调度模型还可以包括第三模块，第三模块为根据1个终端设备得到的、用于进行特征提取的神经网络。
其中，第三模块为根据1个终端设备得到的、用于进行特征提取的神经网络。可以理解的，第三模块根据一个终端设备得到(或者建立)的，该第三模块包括适用于一个 终端设备的参数集合，通信***中待调度的终端设备可以共享该参数集合。网络设备可 以采用该参数集合针对通信***中的待调度的终端设备逐个提取特征。因此，无论通信 ***中存在多少个待调度的终端设备，网络设备可以重复使用该第三模块，而无需重新 建立神经网络。
一种实现方式中，网络设备在将n个待调度的终端设备的状态信息输入调度模型的 第一模块进行关联之前，可以使用n次第三模块，其中，每次使用时，向第三模块输入 n个待调度的终端设备中一个终端设备的状态信息，第三模块输出终端设备的第二数据。 其中，第三模块可以被顺序使用，也可以被并行使用。
进一步的，网络设备将n个待调度的终端设备的状态信息输入调度模型的第一模块 进行关联时，可以将n个待调度的终端设备的第二数据输入第一模块进行关联。
调度模型还可以包括第四模块，第四模块为根据1个终端设备得到的、用于进行升维处理的神经网络。
其中，第四模块为根据1个终端设备得到的、用于进行特征提取的神经网络。可以理解的，第四模块根据一个终端设备得到(或者建立)的，该第四模块包括适用于一个 终端设备的参数集合，通信***中待调度的终端设备可以共享该参数集合。网络设备可 以采用该参数集合针对通信***中的待调度的终端设备逐个进行升维处理。因此，无论 通信***中存在多少个待调度的终端设备，网络设备可以重复使用该第四模块，而无需 重新建立神经网络。
一种实现方式中，网络设备在使用n次第三模块之前，可以使用n次第四模块，其中，每次使用时，向第四模块输入n个待调度的终端设备中一个终端设备的状态信息， 第四模块输出终端设备经过升维后的状态信息。其中，第四模块可以被顺序使用，也可 以被并行使用。
进一步的，网络设备每次使用第三模块时，可以向该第三模块输入n个待调度的终端设备中一个终端设备经过升维后的状态信息。
本申请实施例三中调度模型并不限于包括第一模块～第四模块，只要调度模型中存在 至少一个模块可以被重复使用，每次使用时输入一个终端设备的数据，均可以理解为本 申请实施例三所述的调度模型。
一种示例性说明中，调度模型可以是基于变形(Transformer)网络的神经网络模型， Transformer网络可以包括编码器(Encoder)和译码器(Decoder)，如图9所示。其中，Encoder用于进行特征提取，Decoder用于确定调度权值。
Encoder可以包括嵌入层(embedding layer)和多头注意力(Multi-headattention)网 络。其中，embedding layer用于进行升维处理，也可以理解为将输入数据的维度由a维 变换为b维，其中，a小于b。Multi-head attention网络用于对升维后的数据进行特征提 取。示例性的，embedding layer可以包括适用于一个终端设备的参数集，网络设备可以 重复使用该embedding layer对通信***中待调度的终端设备逐个进行升维处理。
Encoder中Multi-head attention网络的层数可以为一层也可以为多层，这里不做具体 限定。当Multi-head attention网络包括多层时，每层的结构可以相同。其中，每层Multi-head attention网络中可以包括至少一个头(head)、级联模块和第一MLP，其中，级联模块用 于将该至少一个头head的输出进行级联，第一MLP用于对级联模块输出的数据进行特 征提取。需要说明的是，Encoder中的第一MLP中包括的隐藏层的数量可以为1个也可以为多个，这里不做具体限定。示例性的，第一MLP可以包括适用于一个终端设备的参 数集，网络设备可以重复使用该第一MLP对通信***中待调度的终端设备逐个进行特征 提取。
各head的结构可以相同，一个head可以包括线性查询处理模块、线性键处理模块、线性值处理模块、按比例缩小的点积的关注(Scaled Dot-product attention)模块，其中，线性查询处理模块用于将该头的输入乘以线性查询矩阵W_Q，得到查询向量。线性键处 理模块用于将该头的输入乘以线性键矩阵W_U，得到键向量。线性值处理模块用于将该 头的输入乘以线性值矩阵W_V，得到值向量。Scaled Dot-product attention模块用于将由 多个用户的查询向量组成的查询矩阵Q、由多个用户的键向量组成的键矩阵K和由多个 用户的值向量组成的值矩阵V进行关联处理，得到处理结果，该处理结果可以满足如下 公式：
Figure BDA0002296850510000161
其中()T为矩阵转置操作，d是Q·UT的矩阵维度，softmax()用于确定每个终端设备对应的相关性概率(或者权值)。
示例性的，线性查询处理模块、线性键处理模块、线性值处理模块均为适用于一个终端设备的矩阵，网络设备可以重复使用该线性查询处理模块对通信***中待调度的终端设备逐个确定查询向量，重复使用线性键处理模块对通信***中待调度的终端设备逐个确定键向量，重复使用线性值处理模块对通信***中待调度的终端设备逐个确定值向量。
示例性的，以Encoder包括2层Multi-head attention网络，每层Multi-headattention 网络包括3个head为例，Encoder的结构可以如图10所示。各个Multi-headattention网 络的参数可以相同，也可以不同，这里不做具体限定。例如，图10所示的Encoder中第 一层Multi-head attention网络中各个模块的参数与第二层Multi-headattention网络中各个 模块的参数可以相同也可以不同。
Decoder可以包括第二MLP，该第二MLP用于基于Encoder提取的特征确定调度权值。需要说明的是，Decoder中的第二MLP中包括的隐藏层的数量可以为1个也可以为 多个，这里不做具体限定。以隐藏层的数量为两个为例，第二MLP可以如图11所示。
示例性的，第二MLP可以为适用于一个终端设备的矩阵，网络设备可以重复使用该第二MLP对通信***中待调度的终端设备逐个确定调度权值。
一种示例性说明中，本申请实施例三中的第四模块可以指Encoder的embeddinglayer。 本申请实施例三中的第三模块可以包括：Encoder中每个head包括的线性查询处理模块、 线性键处理模块、线性值处理模块。本申请实施例三中的第一模块可以包括：Encoder 中每个head包括的Scaled Dot-product attention模块。本申请实施例三中的第二模块可以 包括：Encoder中Multi-head attention网络包括的级联模块、Encoder中Multi-head attention 网络包括的第一MLP模块以及Decoder包括的第二MLP。以Encoder包括1层Multi-head attention网络，每层Multi-head attention网络包括3个head为例，可以如图12所示。
为了更好的理解本申请实施例三，下面结合图12所示的调度模型对实施例一的调度 过程进行描述。
假设网络中存在3个待调度的终端设备，即UE1～3，通信***中有1个可用的传输资源。如图13所示，调度过程包括：
C1，网络设备将UE1～3的状态信息s1～s3逐个输入embedding layer进行升维处理， 得到UE1～3的升维数据，S1～S3，其中，embedding layer可以用于对一个终端设备的状 态信息进行升维处理。网络设备可以并行使用embedding layer分别对UE1～3的状态信息 进行升维处理，也可以顺序使用embedding layer分别对UE1～3的状态信息进行升维处理。
C2，网络设备将UE1～3的升维数据分别划分为三部分，其中，可以按照预设规则进行划分，如将具有相似数量的性能参数对应的值划分在同一部分，或者，也可以随机进 行划分。
C3，网络设备将UE1～3的第一部分升维数据S11、S21、S31输入Multi-headattention 网络的第一个head进行处理，得到Z1。
其中，第一个head处理过程包括：S11、S21、S31分别通过线性查询处理模块(即S11、S21、S31分别乘以线性查询矩阵W_Q)，得到UE1～3的查询向量。S11、S21、S31分别通过线性键处理模块(即S11、S21、S31分别乘以线性键矩阵W_U)，得到UE1～3 的键向量。S11、S21、S31分别通过线性值处理模块(即S11、S21、S31分别乘以线性值 矩阵W_V)，得到UE1～3的值向量。并将由UE1～3的查询向量组成的查询矩阵Q1＝[UE1 的查询向量，UE2的查询向量，UE3的查询向量]、UE1～3的键向量组成的键矩阵U1＝[UE1 的键向量，UE2的键向量，UE3的键向量]、UE1～3的值向量组成的值矩阵V1＝[UE1的 值向量，UE2的值向量，UE3的值向量]经过Scaled Dot-product attention模块进行关联， 得到Z1。其中Scaled Dot-productattention模块操作如下：
Figure BDA0002296850510000171
其中，Q1·U1 T操作计算了各UE的查询向量和所有UE(包括自身)的键向量的点 乘结果，对该结果做归一化(即除
Figure BDA0002296850510000181
)操作，并计算softmax，可以得到各UE和所有 UE(包括自身)的两两相关性，这种关联情况可以以百分比的形式给出，值越大，说明 两个UE的相关性越大。将这种两两相关性结果和各UE的值向量相乘，即得到各UE和 所有UE(包括自身)的关联情况。Z1＝[UE1(1)，UE2(1)，UE3(1)]。
其中，UE1(1)＝UE1和UE1的相关性概率×S11对应的值向量+UE1和UE2的相关 性概率×S21对应的值向量+UE1和UE3的相关性概率×S31对应的值向量。
UE2(1)＝UE2和UE1的相关性概率×S11对应的值向量+UE2和UE2的相关性概率 ×S21对应的值向量+UE2和UE3的相关性概率×S31对应的值向量。
UE3(1)＝UE3和UE1的相关性概率×S11对应的值向量+UE3和UE2的相关性概率 ×S21对应的值向量+UE3和UE3的相关性概率×S31对应的值向量。
网络设备可以并行使用线性查询处理模块、线性键处理模块、线性值处理模块，也可以顺序使用线性查询处理模块、线性键处理模块、线性值处理模块。
网络设备将终端设备1～3的第二部分升维数据S12、S22、S32输入Multi-headattention 网络的第二个head进行处理，得到Z2。其中，Z2＝[UE1(2)，UE2(2)，UE3(2)]。
网络设备将终端设备1～3的第三部分升维数据S13、S23、S33输入Multi-headattention 网络的第三个head进行处理，得到Z3。其中，Z3＝[UE1(3)，UE2(3)，UE3(3)]。
其中，第二个head、第三个head的处理过程与第一个head的处理过程类似，重复之处不再赘述。
C4，网络设备将Z1、Z2、Z3数据经过Multi-head attention网络的级联模块，得到UE1 的级联数据R1＝[UE1(1，UE1(2)，UE1(3)]，UE2的级联数据R2＝[UE2(1)，UE2(2)，UE2 (3)]，UE3的级联数据R3＝[UE3(1，UE3(2)，UE3(3)]。
C5，网络设备将R1、R2、R2分别经过Multi-head attention网络的第一MLP进行特征提取，得到UE1～3分别对应的输出数据v1～v3。
网络设备可以并行使用第一MLP确定UE1～3的输出数据，也可以顺序使用第一MLP确定UE1～3的输出数据。
C6，网络设备将UE1～3的输出数据分别经过Decoder，确定UE1～3分别对应的调度权值M1～M3。
网络设备可以并行使用Decoder确定UE1～3的调度权值v1～v3，也可以顺序使用Decoder确定UE1～3的调度权值v1～v3。
C7，网络设备将v1～v3输入决策模块确定调度权值最高的终端设备，假设为UE3，则UE3为被调度的终端设备。
C8，网络设备将通信***中可用的传输资源分配给UE3。
本申请实施例三中通过多个用户共享调度模型中除Scaled Dot-productattention模块 以外的其他模块的参数，使得调度模型的规模(即神经网络的深度和每层神经元数量) 较小，从而可以适用待调度的终端设备数不同的场景，具有较好的可扩展性。并且，通 过用户共享调度模型中除Scaled Dot-product attention模块以外的其他模块的参数，使得 调度模型适用待调度的终端设备数不同的场景时，而无需重新训练神经网络，具有较好 的可扩展性。
需要说明的是，本申请任一实施例所涉及的神经网络，可以在预设场景中采用样本 数据对神经网络进行预训练，该样本数据可以指预设场景中待调度的终端设备。在进行调度决策时，网络设备可以采用训练好的神经网络，如图14所示。示例性的，预设场景 中待调度的终端设备的数量与实际使用场景中待调度的终端设备的数量可以不同。
或者，本申请任一实施例所涉及的神经网络，也可以采用在线训练的方法。例如，网络设备采用神经网络进行调度决策后，确定决策结果的收益，并根据该收益对神经网 络的参数进行调整，通过迭代式地与环境进行交互，不断调整神经网络的参数以获得更 大收益，收敛后可以得到较优的调度策略。
为了实现上述本申请实施例提供的方法中的各功能，网络设备可以包括硬件结构和/ 或软件模块，以硬件结构、软件模块、或硬件结构加软件模块的形式来实现上述各功能。 上述各功能中的某个功能以硬件结构、软件模块、还是硬件结构加软件模块的方式来执 行，取决于技术方案的特定应用和设计约束条件。
如图15所示，基于同一技术构思，本申请实施例还提供了一种调度装置1500，该装置1500可以是网络设备，也可以是网络设备中的装置(例如，芯片或者芯片***或芯 片组或芯片中用于执行相关方法功能的一部分)，或者是能够和网络设备匹配使用的装置。一种设计中，该装置1500可以包括执行上述方法实施例中网络设备执行的方法/操作/步骤/动作所一一对应的模块，该模块可以是硬件电路，也可是软件，也可以是硬件电路结 合软件实现。一种设计中，该装置可以包括处理单元1501和通信单元1502。
一种实现方式中，调度装置具体可以用于实现图5的实施例中网络设备执行的方法。 其中，通信单元1502，用于向处理单元1501输入n个待调度的终端设备中的状态信息。处理单元1501，用于使用调度模型M次，其中，每次使用调度模型时，向调度模型输入 n个待调度的终端设备中K个终端设备的状态信息，调度模型输出K个终端设备分别对 应的权值，调度模型为根据每次输入的终端设备的数量K得到的神经网络模型，M为大 于或等于1的整数，K为大于1的整数，n为大于K的整数；以及，基于调度模型的M 次输出确定决策结果，决策结果用于指示被调度的终端设备。通信单元1502，还用于输 出该决策结果。
一种示例性说明中，处理单元1501可以包括决策模块，决策模块用于根据终端设备 的调度权值确定被调度的终端设备；处理单元1501，在基于调度模型的M次输出确定决策结果时，具体用于：使用决策模块M次，其中，第i次使用决策模块时，向决策模块 输入第i次使用所述调度模型时输出的调度权值，决策模块输出第i次使用调度模型时输 入的K个终端设备中被调度的终端设备，i＝{1,2,3，……，M}，决策模块用于根据终端 设备的调度权值确定被调度的终端设备；基于每次使用所述调度模型时输入的K个终端 设备中被调度的终端设备确定L个待调度的终端设备，L为正整数；若L小于或等于K， 将L个待调度的终端设备的状态信息输入调度模型，得到L个待调度的终端设备分别对 应的调度权值；将L个待调度的终端设备的调度权值输入决策模块，得到决策结果。
一种示例性说明中，处理单元1501，在向调度模型输入n个待调度的终端设备中K个终端设备的状态信息，调度模型输出K个终端设备分别对应的调度权值时，具体用于： 将n个待调度的终端设备中K个终端设备的状态信息输入调度模型的输入层进行维度转 换；将K个终端设备的经过维度转换后的状态信息输入调度模型的隐藏层进行特征提取， 调度模型所包含隐藏层的数量为一个或多个；将隐藏层提取的特征输入调度模型的输出 层，得到K个终端设备分别对应的调度权值。
示例性的，输入层的尺寸为K×M，其中，M为状态信息所包含性能参数的数量。
示例性的，调度模型的第l层隐藏层的神经元的数量为K×M×al，其中，M为状态信息所包含性能参数的数量，al为正整数。
示例性的，K为网络中活跃用户的最小的可能的数量。
示例性的，状态信息包括如下至少一项性能参数：终端设备的预估吞吐量、终端设备的平均吞吐量、终端设备的缓存队列长度、终端设备的包时延、终端设备的标识、终 端设备的丢包率、信道质量、终端设备的历史吞吐量。
另一种实现方式中，调度装置具体可以用于实现图7的实施例中网络设备执行的方 法。其中，通信单元1502，用于向处理单元1501输入n个待调度的终端设备中的状态 信息。处理单元1501，用于在n个待调度的终端设备中筛选出K个待调度的终端设备， K为大于1的整数，n为大于或等于K的整数；以及，将K个待调度的终端设备的状态 信息输入调度模型，得到K个待调度的终端设备分别对应的调度权值，调度模型为根据 筛选出的终端设备的数量K得到的神经网络模型；以及，基于K个待调度的终端设备分 别对应的调度权值确定决策结果，决策结果用于指示被调度的终端设备。通信单元1502， 还用于输出该决策结果。
一种示例性说明中，处理单元1501，在n个待调度的终端设备中筛选出K个待调度的终端设备时，具体用于：基于状态信息中的至少一个性能参数对n个待调度的终端设 备进行排序；根据排序后的n个待调度的终端设备确定K个待调度的终端设备。
一种示例性说明中，处理单元1501，在将K个待调度的终端设备的状态信息输入调度模型时，具体用于：将K个待调度的终端设备的状态信息输入调度模型的输入层进行 维度转换；将K个待调度的终端设备的经过维度转换后的状态信息输入调度模型的隐藏 层进行特征提取，调度模型所包含隐藏层的数量为一个或多个；将隐藏层提取的特征输 入调度模型的输出层，获得K个待调度的终端设备分别对应的调度权值。
示例性的，输入层的尺寸为K×M，其中，M为状态信息所包含性能参数的数量。
示例性的，调度模型的第l层隐藏层的神经元的数量为K×M×al，其中，M为状态信息所包含性能参数的数量，al为正整数。
示例性的，K为网络中活跃用户的最小的可能的数量。
示例性的，状态信息包括如下至少一项性能参数：终端设备的预估吞吐量、终端设备的平均吞吐量、终端设备的缓存队列长度、终端设备的包时延、终端设备的标识、终 端设备的丢包率、信道质量、终端设备的历史吞吐量。
另一种实现方式中，调度装置具体可以用于实现图8的实施例中网络设备执行的方 法。其中，通信单元1502，用于向处理单元1501输入n个待调度的终端设备的状态信 息；处理单元1501，用于将n个待调度的终端设备的状态信息输入调度模型的第一模块 进行关联，得到n个待调度的终端设备分别对应的第一数据，第一数据为第一数据对应 的终端设备的状态信息与其他终端设备的状态信息进行关联后得到的数据，n为大于或 等于1的整数；以及，使用n次第二模块，其中，每次使用时，向第二模块输入n个待 调度的终端设备中一个终端设备的第一数据，第二模块输出终端设备的调度权值，第二 模块用于确定调度权值；以及，基于n个待调度的终端设备的调度权值确定决策结果， 决策结果用于指示被调度的终端设备。通信单元1502，还用于输出该决策结果。示例性 的，调度模型还包括第三模块，第三模块用于进行特征提取。
一种示例性说明中，处理单元1501，还用于：在将n个待调度的终端设备的状态信息输入第一模块进行关联之前，使用n次第三模块，其中，每次使用第三模块时，向第 三模块输入n个待调度的终端设备中一个终端设备的状态信息，第三模块输出终端设备 的第二数据。
处理单元1501，在将n个待调度的终端设备的状态信息输入调度模型的第一模块进 行关联时，可以具体用于：将n个待调度的终端设备的第二数据输入第一模块进行关联。
示例性的，调度模型还包括第四模块，第四模块用于进行升维处理。
一种示例性说明中，处理单元1501，还用于：在使用n次所述第三模块之前，使用 n次第四模块，其中，每次使用第四模块时，向第四模块输入n个待调度的终端设备中 一个终端设备的状态信息，第四模块输出终端设备经过升维后的状态信息。
处理单元1501，在向第三模块输入n个待调度的终端设备中一个终端设备的状态信 息时，可以具体用于：向第三模块输入n个待调度的终端设备中一个终端设备经过升维后的状态信息。
示例性的，状态信息包括如下至少一项性能参数：终端设备的预估吞吐量、终端设备的平均吞吐量、终端设备的缓存队列长度、终端设备的包时延、终端设备的标识、终 端设备的丢包率、信道质量、终端设备的历史吞吐量。
处理单元1501和通信单元1502还可以用于执行上述方法实施例网络设备执行的其 它对应的步骤或操作，在此不再一一赘述。
本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时 可以有另外的划分方式，另外，在本申请各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述 集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
如图16所示为本申请实施例提供的装置1600，用于实现上述方法中调度装置1500的功能。该装置可以是网络设备，也可以是网络设备中的装置(例如，芯片或者芯片系 统或芯片组或芯片中用于执行相关方法功能的一部分)，或者是能够和网络设备匹配使用 的装置。其中，该装置可以为芯片***。本申请实施例中，芯片***可以由芯片构成， 也可以包含芯片和其他分立器件。装置1600包括至少一个处理器1620，用于实现本申 请实施例提供的方法中网络设备的功能。装置1600还可以包括通信接口1610。在本申 请实施例中，通信接口1610可以是收发器、电路、总线、模块或其它类型的通信接口， 用于通过传输介质和其它设备进行通信。处理器1620利用通信接口1610收发数据，并 用于实现上述方法实施例网络设备所述的方法。处理器1620，用于使用调度模型M次， 等等。处理器1620和通信接口1610还可以用于执行上述方法实施例网络设备执行的其 它对应的步骤或操作，在此不再一一赘述。
装置1600还可以包括至少一个存储器1630，用于存储程序指令和/或数据。存储器1630和处理器1620耦合。本申请实施例中的耦合是装置、单元或模块之间的间接耦合 或通信连接，可以是电性，机械或其它的形式，用于装置、单元或模块之间的信息交互。 处理器1620可能和存储器1630协同操作。处理器1620可能执行存储器1630中存储的 程序指令。所述至少一个存储器中的至少一个可以包括于处理器中。
本申请实施例中不限定上述通信接口1610、处理器1620以及存储器1630之间的具体连接介质。本申请实施例在图16中以存储器1630、处理器1620以及通信接口1610 之间通过总线1640连接，总线在图16中以粗线表示，其它部件之间的连接方式，仅是 进行示意性说明，并不引以为限。所述总线可以分为地址总线、数据总线、控制总线等。 为便于表示，图16中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
在一实施例中，装置1500和装置1600具体是芯片或者芯片***时，通信模块1501和通信接口1610所输出或接收的可以是基带信号形式的信息。例如，装置1500和装置 1600在实现网络设备的功能时，通信接口1610接收到的是承载信息的基带信号。
在一实施例中，装置1500和装置1600具体是设备时，通信接口1610所输出或接收的可以是射频信号。例如，装置1500和装置1600在实现网络设备的功能时，通信接口 1610接收到的是承载信息的射频信号。
在本申请实施例中，处理器可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器 可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以 直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
在本申请实施例中，存储器可以是非易失性存储器，比如硬盘(hard disk drive，HDD) 或固态硬盘(solid-state drive，SSD)等，还可以是易失性存储器(volatilememory)，例 如随机存取存储器(random-access memory，RAM)。存储器是能够用于携带或存储具有 指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于 此。本申请实施例中的存储器还可以是电路或者其它任意能够实现存储功能的装置，用 于存储程序指令和/或数据。
图17是本申请实施例提供的一种网络设备的结构示意图，如可以为基站的结构示意 图。如图17所示，该网络可应用于如图1所示的***中，执行上述图5～图14所述方法 实施例中网络设备的功能。基站170可包括一个或多个分布单元(distributed unit，DU)1701和一个或多个集中单元(centralized unit，CU)1702。所述DU 1701可以包括至少 一个天线17011，至少一个射频单元17012，至少一个处理器17017和至少一个存储器 17014。所述DU 1701部分主要用于射频信号的收发以及射频信号与基带信号的转换， 以及部分基带处理。CU1702可以包括至少一个处理器17022和至少一个存储器17021。 CU1702和DU1701之间可以通过接口进行通信，其中，控制面(Control plan)接口可以 为Fs-C，比如F1-C，用户面(User Plan)接口可以为Fs-U，比如F1-U。
所述CU 1702部分主要用于进行基带处理，对基站进行控制等。所述DU 1701与 CU1702可以是物理上设置在一起，也可以物理上分离设置的，即分布式基站。所述CU 1702为基站的控制中心，也可以称为处理单元，主要用于完成基带处理功能。例如所述 CU 1702可以用于控制基站执行上述图5～图14所述方法实施例中关于网络设备的操作 流程。
具体的，CU和DU上的基带处理可以根据无线网络的协议层划分，例如PDCP层及 以上协议层的功能设置在CU，PDCP以下的协议层，例如RLC层和MAC层等的功能设 置在DU。又例如，CU实现RRC，PDCP层的功能，DU实现RLC、MAC和物理(physical， PHY)层的功能。
此外，可选的，基站170可以包括一个或多个射频单元(RU)，一个或多个DU和 一个或多个CU。其中，DU可以包括至少一个处理器17017和至少一个存储器17014， RU可以包括至少一个天线17011和至少一个射频单元17012，CU可以包括至少一个处 理器17022和至少一个存储器17021。
在一个实例中，所述CU1702可以由一个或多个单板构成，多个单板可以共同支持单一接入指示的无线接入网(如5G网)，也可以分别支持不同接入制式的无线接入网(如LTE网，5G网或其他网)。所述存储器17021和处理器17022可以服务于一个或多个单 板。也就是说，可以每个单板上单独设置存储器和处理器。也可以是多个单板共用相同 的存储器和处理器。此外每个单板上还可以设置有必要的电路。所述DU1701可以由一 个或多个单板构成，多个单板可以共同支持单一接入指示的无线接入网(如5G网)，也 可以分别支持不同接入制式的无线接入网(如LTE网，5G网或其他网)。所述存储器17014 和处理器17017可以服务于一个或多个单板。也就是说，可以每个单板上单独设置存储 器和处理器。也可以是多个单板共用相同的存储器和处理器。此外每个单板上还可以设 置有必要的电路。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算 机程序被通信装置执行时，使得该通信装置实现上述调度方法。示例性的，计算机可读存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于：计算机可读介质 可以包括非瞬态计算机可读介质、RAM、ROM、EEPROM、CD-ROM或其他光盘存储、 磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式 的期望的程序代码并能够由计算机存取的任何其他介质。本申请实施例还提供了一种计 算机程序产品，该计算机程序产品被通信装置执行时，使得该通信装置实现上述调度方 法。示例性的，计算机程序产品可以是包括非暂时性计算机可读介质的计算机程序产品。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面 的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的 计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的 计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和 /或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程 序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器 以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生 用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能 的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方 式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令 装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算 机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或 其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图 一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神 和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (30)

1.一种调度方法，其特征在于，包括：
使用调度模型M次，其中，每次使用所述调度模型时，向所述调度模型输入n个待调度的终端设备中K个终端设备的状态信息，所述调度模型输出所述K个终端设备分别对应的调度权值，所述调度模型为根据每次输入的终端设备的数量K得到的神经网络模型，所述M为大于或等于1的整数，所述K为大于1的整数，所述n为大于K的整数；
基于所述调度模型M次输出的调度权值确定决策结果，所述决策结果用于指示被调度的终端设备。
2.如权利要求1所述的方法，其特征在于，基于所述调度模型M次输出的调度权值确定决策结果，包括：
使用决策模块M次，其中，第i次使用所述决策模块时，向所述决策模块输入第i次使用所述调度模型时输出的调度权值，所述决策模块输出第i次使用所述调度模型时输入的K个终端设备中被调度的终端设备，所述i＝{1,2,3，……，M}，所述决策模块用于根据终端设备的调度权值确定被调度的终端设备；
基于每次使用所述调度模型时输入的K个终端设备中被调度的终端设备确定L个待调度的终端设备，所述L为正整数；
若所述L小于或等于K，将所述L个待调度的终端设备的状态信息输入所述调度模型，得到所述L个待调度的终端设备分别对应的调度权值；
将所述L个待调度的终端设备的调度权值输入所述决策模块，得到所述决策结果。
3.如权利要求1或2所述的方法，其特征在于，向所述调度模型输入n个待调度的终端设备中K个终端设备的状态信息，所述调度模型输出所述K个终端设备分别对应的调度权值，包括：
将所述n个待调度的终端设备中K个终端设备的状态信息输入所述调度模型的输入层进行维度转换；
将所述K个终端设备的经过维度转换后的状态信息输入所述调度模型的隐藏层进行特征提取，所述调度模型所包含隐藏层的数量为一个或多个；
将所述隐藏层提取的特征输入所述调度模型的输出层，得到所述K个终端设备分别对应的调度权值。
4.一种调度方法，其特征在于，包括：
在n个待调度的终端设备中筛选出K个待调度的终端设备，所述K为大于1的整数，所述n为大于或等于K的整数；
将所述K个待调度的终端设备的状态信息输入调度模型，得到所述K个待调度的终端设备分别对应的调度权值，所述调度模型为根据筛选出的终端设备的数量K得到的神经网络模型；
基于所述K个待调度的终端设备分别对应的调度权值确定决策结果，所述决策结果用于指示被调度的终端设备。
5.如权利要求4所述的方法，其特征在于，在n个待调度的终端设备中筛选出K个待调度的终端设备，包括：
基于所述状态信息中的至少一个性能参数对所述n个待调度的终端设备进行排序；
根据排序后的所述n个待调度的终端设备确定K个待调度的终端设备。
6.如权利要求4或5所述的方法，其特征在于，将所述K个待调度的终端设备的状态信息输入调度模型，包括：
将所述K个待调度的终端设备的状态信息输入所述调度模型的输入层进行维度转换；
将所述K个待调度的终端设备的经过维度转换后的状态信息输入所述调度模型的隐藏层进行特征提取，所述调度模型所包含隐藏层的数量为一个或多个；
将所述隐藏层提取的特征输入所述调度模型的输出层，获得所述K个待调度的终端设备分别对应的调度权值。
7.如权利要求3或6所述的方法，其特征在于，所述输入层的尺寸为K×M，其中，所述M为所述状态信息所包含性能参数的数量。
8.如权利要求3或6或7所述的方法，其特征在于，所述调度模型的第l层隐藏层的神经元的数量为K×M×al，其中，所述M为所述状态信息所包含性能参数的数量，所述al为正整数。
9.如权利要求1至8任一项所述的方法，其特征在于，所述K为网络中活跃用户的最小的可能的数量。
10.如权利要求1至9任一项所述的方法，其特征在于，所述状态信息包括如下至少一项性能参数：终端设备的预估吞吐量、终端设备的平均吞吐量、终端设备的缓存队列长度、终端设备的包时延、终端设备的标识、终端设备的丢包率、信道质量、所述终端设备的历史吞吐量。
11.一种调度方法，其特征在于，包括：
将n个待调度的终端设备的状态信息输入调度模型的第一模块进行关联，得到所述n个待调度的终端设备分别对应的第一数据，所述第一数据为所述第一数据对应的所述终端设备的状态信息与其他终端设备的状态信息进行关联后得到的数据，所述n为大于或等于1的整数；
使用n次所述调度模型的第二模块，其中，每次使用时，向所述第二模块输入所述n个待调度的终端设备中一个终端设备的第一数据，所述第二模块输出所述终端设备的调度权值，所述第二模块用于确定调度权值；
基于所述n个待调度的终端设备的调度权值确定决策结果，所述决策结果用于指示被调度的终端设备。
12.如权利要求11所述的方法，其特征在于，所述调度模型还包括第三模块，所述第三模块用于进行特征提取；
在将n个待调度的终端设备的状态信息输入所述调度模型的第一模块进行关联之前，还包括：
使用n次所述第三模块，其中，每次使用所述第三模块时，向所述第三模块输入所述n个待调度的终端设备中一个终端设备的状态信息，所述第三模块输出所述终端设备的第二数据；
将n个待调度的终端设备的状态信息输入调度模型的第一模块进行关联，包括：
将所述n个待调度的终端设备的第二数据输入所述第一模块进行关联。
13.如权利要求12所述的方法，其特征在于，所述调度模型还包括第四模块，所述第四模块用于进行升维处理；
在使用n次所述第三模块之前，还包括：
使用n次所述第四模块，其中，每次使用所述第四模块时，向所述第四模块输入所述n个待调度的终端设备中一个终端设备的状态信息，所述第四模块输出所述终端设备经过升维后的状态信息；
向所述第三模块输入所述n个待调度的终端设备中一个终端设备的状态信息，包括：
向所述第三模块输入所述n个待调度的终端设备中一个终端设备经过升维后的状态信息。
14.如权利要求11至13任一项所述的方法，其特征在于，所述状态信息包括如下至少一项性能参数：终端设备的预估吞吐量、终端设备的平均吞吐量、终端设备的缓存队列长度、终端设备的包时延、终端设备的标识、终端设备的丢包率、信道质量、所述终端设备的历史吞吐量。
15.一种调度装置，其特征在于，包括通信单元和处理单元，其中：
所述通信单元，用于向所述处理单元输入n个待调度的终端设备中的状态信息；
所述处理单元，用于使用调度模型M次，其中，每次使用所述调度模型时，向所述调度模型输入所述n个待调度的终端设备中K个终端设备的状态信息，所述调度模型输出所述K个终端设备分别对应的权值，所述调度模型为根据每次输入的终端设备的数量K得到的神经网络模型，所述M为大于或等于1的整数，所述K为大于1的整数，所述n为大于K的整数；以及，基于所述调度模型M次输出的调度权值确定决策结果，所述决策结果用于指示被调度的终端设备；
所述通信单元，还用于输出所述决策结果。
16.如权利要求15所述的装置，其特征在于，所述处理单元包括决策模块，所述决策模块用于根据终端设备的调度权值确定被调度的终端设备；
所述处理单元，在基于所述调度模型M次输出的调度权值确定决策结果时，具体用于：
使用决策模块M次，其中，第i次使用所述决策模块时，向所述决策模块输入第i次使用所述调度模型时输出的调度权值，所述决策模块输出第i次使用所述调度模型时输入的K个终端设备中被调度的终端设备，所述i＝{1,2,3，……，M}；
基于每次使用所述调度模型时输入的K个终端设备中被调度的终端设备确定L个待调度的终端设备，所述L为正整数；
若所述L小于或等于K，将所述L个待调度的终端设备的状态信息输入所述调度模型，得到所述L个待调度的终端设备分别对应的调度权值；
将所述L个待调度的终端设备的调度权值输入所述决策模块，得到所述决策结果。
17.如权利要求15或16所述的装置，其特征在于，所述处理单元，在向所述调度模型输入n个待调度的终端设备中K个终端设备的状态信息，所述调度模型输出所述K个终端设备分别对应的调度权值时，具体用于：
将所述n个待调度的终端设备中K个终端设备的状态信息输入所述调度模型的输入层进行维度转换；
将所述K个终端设备的经过维度转换后的状态信息输入所述调度模型的隐藏层进行特征提取，所述调度模型所包含隐藏层的数量为一个或多个；
将所述隐藏层提取的特征输入所述调度模型的输出层，得到所述K个终端设备分别对应的调度权值。
18.一种调度装置，其特征在于，包括通信单元和处理单元，其中：
所述通信单元，用于向所述处理单元输入n个待调度的终端设备中的状态信息；
所述处理单元，用于在所述n个待调度的终端设备中筛选出K个待调度的终端设备，所述K为大于1的整数，所述n为大于或等于K的整数；
以及，将所述K个待调度的终端设备的状态信息输入调度模型，得到所述K个待调度的终端设备分别对应的调度权值，所述调度模型为根据筛选出的终端设备的数量K得到的神经网络模型；
以及，基于所述K个待调度的终端设备分别对应的调度权值确定决策结果，所述决策结果用于指示被调度的终端设备；
所述通信单元，还用于输出所述决策结果。
19.如权利要求18所述的装置，其特征在于，所述处理单元，在n个待调度的终端设备中筛选出K个待调度的终端设备时，具体用于：
基于所述状态信息中的至少一个性能参数对所述n个待调度的终端设备进行排序；
根据排序后的所述n个待调度的终端设备确定K个待调度的终端设备。
20.如权利要求18或19所述的装置，其特征在于，所述处理单元，在将所述K个待调度的终端设备的状态信息输入调度模型时，具体用于：
将所述K个待调度的终端设备的状态信息输入所述调度模型的输入层进行维度转换；
将所述K个待调度的终端设备的经过维度转换后的状态信息输入所述调度模型的隐藏层进行特征提取，所述调度模型所包含隐藏层的数量为一个或多个；
将所述隐藏层提取的特征输入所述调度模型的输出层，获得所述K个待调度的终端设备分别对应的调度权值。
21.如权利要求17或20所述的装置，其特征在于，所述输入层的尺寸为K×M，其中，所述M为所述状态信息所包含性能参数的数量。
22.如权利要求17或20或21所述的装置，其特征在于，所述调度模型的第l层隐藏层的神经元的数量为K×M×al，其中，所述M为所述状态信息所包含性能参数的数量，所述al为正整数。
23.如权利要求15至22任一项所述的装置，其特征在于，所述K为网络中活跃用户的最小的可能的数量。
24.如权利要求15至23任一项所述的装置，其特征在于，所述状态信息包括如下至少一项性能参数：终端设备的预估吞吐量、终端设备的平均吞吐量、终端设备的缓存队列长度、终端设备的包时延、终端设备的标识、终端设备的丢包率、信道质量、所述终端设备的历史吞吐量。
25.一种调度装置，其特征在于，包括通信单元以及处理单元，其中：
所述通信单元，用于向所述处理单元输入n个待调度的终端设备的状态信息；
所述处理单元，用于将所述n个待调度的终端设备的状态信息输入调度模型的第一模块进行关联，得到所述n个待调度的终端设备分别对应的第一数据，所述第一数据为所述第一数据对应的所述终端设备的状态信息与其他终端设备的状态信息进行关联后得到的数据，所述n为大于或等于1的整数；
以及，使用n次所述调度模型的第二模块，其中，每次使用时，向所述第二模块输入所述n个待调度的终端设备中一个终端设备的第一数据，所述第二模块输出所述终端设备的调度权值，所述第二模块用于确定调度权值；
以及，基于所述n个待调度的终端设备的调度权值确定决策结果，所述决策结果用于指示被调度的终端设备；
所述通信单元，还用于输出所述决策结果。
26.如权利要求25所述的装置，其特征在于，所述调度模型还包括第三模块，所述第三模块用于进行特征提取；
所述处理单元，还用于：
在将n个待调度的终端设备的状态信息输入所述调度模型的第一模块进行关联之前，使用n次所述第三模块，其中，每次使用所述第三模块时，向所述第三模块输入所述n个待调度的终端设备中一个终端设备的状态信息，所述第三模块输出所述终端设备的第二数据；
所述处理单元，在将n个待调度的终端设备的状态信息输入调度模型的第一模块进行关联时，具体用于：
将所述n个待调度的终端设备的第二数据输入所述第一模块进行关联。
27.如权利要求26所述的装置，其特征在于，所述调度模型还包括第四模块，所述第四模块用于进行升维处理；
所述处理单元，还用于：
在使用n次所述第三模块之前，使用n次所述第四模块，其中，每次使用所述第四模块时，向所述第四模块输入所述n个待调度的终端设备中一个终端设备的状态信息，所述第四模块输出所述终端设备经过升维后的状态信息；
所述处理单元，在向所述第三模块输入所述n个待调度的终端设备中一个终端设备的状态信息时，具体用于：
向所述第三模块输入所述n个待调度的终端设备中一个终端设备经过升维后的状态信息。
28.如权利要求25至27任一项所述的装置，其特征在于，所述状态信息包括如下至少一项性能参数：终端设备的预估吞吐量、终端设备的平均吞吐量、终端设备的缓存队列长度、终端设备的包时延、终端设备的标识、终端设备的丢包率、信道质量、所述终端设备的历史吞吐量。
29.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储程序或指令，所述程序或所述指令在被一个或多个处理器读取并执行时可实现权利要求1至14任一项所述的方法。
30.一种通信装置，其特征在于，所述通信装置包括处理器，当所述处理器执行存储器中的计算机程序或指令时，执行权利要求1至14任一项所述的方法，其中，所述通信装置与所述存储器相连，或者，所述通信装置包括所述存储器。
CN201911205612.3A 2019-11-29 2019-11-29 一种调度方法及装置 Active CN112888076B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201911205612.3A CN112888076B (zh) 2019-11-29 2019-11-29 一种调度方法及装置
JP2022531592A JP7425197B2 (ja) 2019-11-29 2020-11-02 スケジューリング方法及び装置
PCT/CN2020/125882 WO2021103947A1 (zh) 2019-11-29 2020-11-02 一种调度方法及装置
EP20894398.5A EP4054148A4 (en) 2019-11-29 2020-11-02 PLANNING PROCESS AND MECHANISM
US17/826,522 US20220369332A1 (en) 2019-11-29 2022-05-27 Scheduling method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911205612.3A CN112888076B (zh) 2019-11-29 2019-11-29 一种调度方法及装置

Publications (2)

Publication Number Publication Date
CN112888076A true CN112888076A (zh) 2021-06-01
CN112888076B CN112888076B (zh) 2023-10-24

Family

ID=76039007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911205612.3A Active CN112888076B (zh) 2019-11-29 2019-11-29 一种调度方法及装置

Country Status (5)

Country Link
US (1) US20220369332A1 (zh)
EP (1) EP4054148A4 (zh)
JP (1) JP7425197B2 (zh)
CN (1) CN112888076B (zh)
WO (1) WO2021103947A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112996125B (zh) * 2019-12-13 2023-04-07 华为技术有限公司 一种调度方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017024583A1 (zh) * 2015-08-13 2017-02-16 华为技术有限公司 模型预测控制的方法和装置
CN106973413A (zh) * 2017-03-28 2017-07-21 重庆理工大学 面向无线传感器网络的自适应QoS控制方法
CN107360202A (zh) * 2016-05-09 2017-11-17 腾讯科技（深圳）有限公司 一种终端的接入调度方法和装置
WO2018126776A1 (zh) * 2017-01-05 2018-07-12 中兴通讯股份有限公司 一种用户终端调度方法及装置、通信***
WO2018149898A2 (en) * 2017-02-16 2018-08-23 Alcatel-Lucent Ireland Ltd Methods and systems for network self-optimization using deep learning
CN109799977A (zh) * 2019-01-25 2019-05-24 西安电子科技大学 指令程序开发调度数据的方法及***
US20190340492A1 (en) * 2018-05-04 2019-11-07 Microsoft Technology Licensing, Llc Design flow for quantized neural networks

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05284089A (ja) * 1992-04-01 1993-10-29 Fujitsu Ltd 無線基地局チャネル割当制御方式
JP5952419B2 (ja) * 2012-10-18 2016-07-13 京セラ株式会社 移動通信システム及び通信制御方法
CN103412795B (zh) * 2013-08-27 2016-12-28 中国科学院计算技术研究所 一种面向移动智能终端的协同下载任务调度方法及***
CN104980934B (zh) * 2015-07-08 2018-08-21 北京邮电大学 多业务资源调度方法及装置
GB2553077B (en) 2016-04-27 2019-07-24 Toshiba Kk Radio resource slicing in a radio access network
FR3072851B1 (fr) 2017-10-23 2019-11-15 Commissariat A L'energie Atomique Et Aux Energies Alternatives Procede d'allocation de ressources de transmission a apprentissage par renforcement
DE112018006743T5 (de) * 2017-12-30 2020-10-01 Intel Corporation Verfahren und geräte für drahtlose kommunikationen
CN111698789B (zh) * 2019-03-15 2022-05-13 华为技术有限公司 通信***中的调度方法、装置及存储介质
CN110011863B (zh) * 2019-05-05 2022-05-03 北京思特奇信息技术股份有限公司 一种网络带宽资源均衡调度方法及装置
CN111954309A (zh) * 2019-05-17 2020-11-17 株式会社Ntt都科摩 终端和基站
CN113709890A (zh) * 2020-05-20 2021-11-26 华为技术有限公司 调度方法、调度***和调度装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017024583A1 (zh) * 2015-08-13 2017-02-16 华为技术有限公司 模型预测控制的方法和装置
CN107360202A (zh) * 2016-05-09 2017-11-17 腾讯科技（深圳）有限公司 一种终端的接入调度方法和装置
WO2018126776A1 (zh) * 2017-01-05 2018-07-12 中兴通讯股份有限公司 一种用户终端调度方法及装置、通信***
WO2018149898A2 (en) * 2017-02-16 2018-08-23 Alcatel-Lucent Ireland Ltd Methods and systems for network self-optimization using deep learning
CN106973413A (zh) * 2017-03-28 2017-07-21 重庆理工大学 面向无线传感器网络的自适应QoS控制方法
US20190340492A1 (en) * 2018-05-04 2019-11-07 Microsoft Technology Licensing, Llc Design flow for quantized neural networks
CN109799977A (zh) * 2019-01-25 2019-05-24 西安电子科技大学 指令程序开发调度数据的方法及***

Also Published As

Publication number Publication date
CN112888076B (zh) 2023-10-24
EP4054148A4 (en) 2022-12-28
JP7425197B2 (ja) 2024-01-30
US20220369332A1 (en) 2022-11-17
EP4054148A1 (en) 2022-09-07
WO2021103947A1 (zh) 2021-06-03
JP2023503674A (ja) 2023-01-31

Similar Documents

Publication Publication Date Title
WO2022033456A1 (zh) 一种信道状态信息测量反馈方法及相关装置
CN111819872A (zh) 信息传输方法、装置、通信设备及存储介质
CN111698789B (zh) 通信***中的调度方法、装置及存储介质
EP4050812A1 (en) Method and device for transmitting channel state information
US20230189317A1 (en) User scheduling using a graph neural network
CN107005939A (zh) 经区分优先次序的rts‑cts资源
Al-Abiad et al. Rate aware network codes for cloud radio access networks
CN114219354A (zh) 一种基于联邦学习资源分配优化方法及***
CN116195288A (zh) 一种调制与编码策略mcs的选择方法及通信装置
CN114157328A (zh) 一种信道反馈方法及装置
US20220369332A1 (en) Scheduling method and apparatus
CN106452544A (zh) 一种无线通信方法、基站及终端
CN116368744A (zh) 一种信息指示方法及装置
CN112996125B (zh) 一种调度方法及装置
CN115665879A (zh) 资源调度方法、装置及存储介质
WO2021254211A1 (zh) 用于无线通信的电子设备和方法、计算机可读存储介质
WO2014067158A1 (zh) 调度方法、装置和基站
CN113541750B (zh) 协作波束赋形方法、通信装置、通信***及存储介质
WO2018231110A1 (en) Methods, apparatuses, and computer programs for link adaptation
WO2023006096A1 (zh) 一种通信方法及装置
CN110011711A (zh) 预编码的方法、网络设备和计算机可读存储介质
WO2024093686A1 (zh) 一种下行信道状态信息上报方法及装置
WO2024140116A1 (zh) 一种通信方法及装置
WO2024140578A1 (zh) 基于ai模型的csi反馈方法、终端及网络侧设备
WO2024008004A1 (zh) 一种通信方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant