CN114126019B - 一种基于能效优化的前传光网络动态资源映射方法及*** - Google Patents
一种基于能效优化的前传光网络动态资源映射方法及*** Download PDFInfo
- Publication number
- CN114126019B CN114126019B CN202111444691.0A CN202111444691A CN114126019B CN 114126019 B CN114126019 B CN 114126019B CN 202111444691 A CN202111444691 A CN 202111444691A CN 114126019 B CN114126019 B CN 114126019B
- Authority
- CN
- China
- Prior art keywords
- baseband processing
- radio frequency
- remote radio
- energy consumption
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000003287 optical effect Effects 0.000 title claims abstract description 57
- 238000013507 mapping Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 131
- 238000005265 energy consumption Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 35
- 230000015654 memory Effects 0.000 claims abstract description 32
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 230000007787 long-term memory Effects 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 16
- 230000006403 short-term memory Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- MWRWFPQBGSZWNV-UHFFFAOYSA-N Dinitrosopentamethylenetetramine Chemical compound C1N2CN(N=O)CN1CN(N=O)C2 MWRWFPQBGSZWNV-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 229940112112 capex Drugs 0.000 description 2
- FEBLZLNTKCEFIT-VSXGLTOVSA-N fluocinolone acetonide Chemical compound C1([C@@H](F)C2)=CC(=O)C=C[C@]1(C)[C@]1(F)[C@@H]2[C@@H]2C[C@H]3OC(C)(C)O[C@@]3(C(=O)CO)[C@@]2(C)C[C@@H]1O FEBLZLNTKCEFIT-VSXGLTOVSA-N 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 210000001744 T-lymphocyte Anatomy 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/25—Arrangements specific to fibre transmission
- H04B10/2575—Radio-over-fibre, e.g. radio frequency signal modulated onto an optical carrier
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/52—Allocation or scheduling criteria for wireless resources based on load
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于能效优化的前传光网络动态资源映射方法及***。该方法包括：收集远端射频节点的历史流量数据；根据所述历史流量数据，训练深度学习中的长短期记忆网络模型，预测每个所述远端射频节点的下一时间节点的流量负载情况；根据所述流量负载情况，以最小化***总能耗为目标，动态调整下一时间节点的基带处理池和远端射频节点之间的前传光链路的连接关系；所述最小化***总能耗包括基带处理池的固有能耗、所述基带处理池执行基带信号处理过程中产生的能耗以及切换产生的能耗。本发明能够降低整个前传光链路的***总能耗以及提高基带处理池资源利用率。
Description
技术领域
本发明涉及移动通信网络技术领域，特别是涉及一种基于能效优化的前传光网络动态资源映射方法及***。
背景技术
随着多样化网络业务的发展和智能终端设备的大规模普及，导致移动网络数据流量呈指数级增长，对5G移动网络各方面的性能提出了更高的要求。如何在满足急剧增长的无线服务要求的同时，降低网络的资本性支出(Capital Expenditure，CAPEX)和运营支出(Operating Expense，OPEX)是运营商需要重点关注的问题。移动接入网架构首先从早期2G时代的一体化的宏基站向3G时代的分布式基站组网发展，随后分布式基站组网又朝着4G时代的集中式接入网(Centralized Radio Access Network，C-RAN)架构演进，C-RAN的主要原理是在蜂窝小区中保留远端射频节点(Remote Radio Head，RRH))和用户建立连接，而传统基站中的基带处理(Baseband Unit，BBU)单元集中在一起形成一个BBU池，放置在中央机房(Central Office，CO)，对RRH中需要处理的基带资源进行统一调度。在C-RAN中，BBU池和RRH利用光纤链路进行数据传递，具备高带宽和高可靠性的传输能力，该链路称为前传(Fronthaul)光链路，随着密集化基站的部署，结构简单的RRH可以大幅度地降低了网络的部署和安装维护的成本。BBU池和RRH之间通过光纤链路建立前传连接。考虑到在降低CAPEX和OPEX方面的优势，C-RAN得到了广大网络运营商的关注。
前传光网络被看作是极具潜力的新型光接入网方案，也是C-RAN在5G移动通信中实现规模化和产业化部署的关键。然而，由于用户的移动性，移动数据流量会随着时间和空间不断迁移，网络服务区域中的流量变化具有明显的潮汐效应，也就是在白天，用户往往聚集在工作区，导致工作区用户密集，基站负载高，前传数据流量大，而居民区的基站处于相对空闲的状态。而到了夜间，大部分移动用户则返回居民区，又会造成工作区的基站闲置。C-RAN架构将网络中的基带资源集中在BBU池中，具备对整个网络资源进行集中调度和规划的能力，然而，由于目前的接入网结构不具备感知网络环境变化的能力，同时缺少统一的决策能力和智能管控能力对网络资源进行及时地调度和分配，导致目前的光网络仍然是相对固定的连接模式，无法及时地根据负载变化调整前传光链路的连接关系，造成和低负载RRH相连的BBU的带宽资源和处理能力没有得到充分利用，BBU池整体资源利用率较低。显然，静态配置的前传光网络没有充分利用C-RAN结构的灵活性和智能管理的优势。随着5G中密集化小区的部署，静态配置的C-RAN会导致BBU池产生巨大的资源浪费。
发明内容
本发明的目的是提供一种基于能效优化的前传光网络动态资源映射方法及***，以解决整个前传光链路的***总能耗高以及基带处理池资源利用率低的问题。
为实现上述目的，本发明提供了如下方案：
一种基于能效优化的前传光网络动态资源映射方法，包括：
收集远端射频节点的历史流量数据；所述历史流量数据的数据类型包括接收和发送的电话业务、短消息业务以及互联网业务；所述历史流量数据表征多个历史时间节点的真实流量负载情况；
根据所述历史流量数据，训练深度学习中的长短期记忆网络模型，预测每个所述远端射频节点的下一时间节点的流量负载情况；
根据所述流量负载情况，以最小化***总能耗为目标，动态调整下一时间节点的基带处理池和远端射频节点之间的前传光链路的连接关系；所述最小化***总能耗包括基带处理池的固有能耗、所述基带处理池执行基带信号处理过程中产生的能耗以及切换产生的能耗；所述切换产生的能耗包括所述基带处理池中的基带处理单元在激活状态和关闭状态之间切换产生的能耗和所述远端射频节点在不同的基带处理单元中切换时的能耗。
可选的，所述收集远端射频节点的历史流量数据，之后还包括：
对所述历史流量数据进行预处理，生成预处理后的历史流量数据；所述预处理包括数据归一化处理和数据升维处理。
可选的，所述根据所述历史流量数据，训练深度学习中的长短期记忆网络模型，预测每个所述远端射频节点的下一时间节点的流量负载情况，具体包括：
以每个所述远端射频节点的多个历史时间节点的真实流量负载情况为输入，以下一时间节点的流量负载情况为输出，对所述长短期记忆网络模型进行训练；
在每次迭代过程中，将预测得到的流量负载情况对应的预测值和真实流量负载情况对应的真实值进行比较，并根据所述预测值和所述真实值之间的误差，对所述长短期记忆网络模型的权重进行调整，直到满足训练的误差要求，完成训练后的长短期记忆网络模型；
利用所述训练后的长短期记忆网络模型预测每个所述远端射频节点的下一时间节点的流量负载情况。
可选的，所述基带处理池执行基带信号处理过程中产生的能耗是通过所述基带处理池中处于激活状态的基带处理单元的数量，使每个被激活的基带处理单元的资源被充分利用而产生的。
可选的，所述切换产生的能耗是基带处理池中的基带处理单元在激活状态和关闭状态之间切换产生的能耗和远端射频节点在不同的基带处理单元中切换时的能耗。
可选的，所述根据所述流量负载情况，以最小化***总能耗为目标，动态调整下一时间节点的基带处理池和远端射频节点之间的前传光链路的连接关系，动态调整方法看作装箱问题；箱子代表所述基带处理单元，箱子的体积为每个所述基带处理单元可承载的最大流量负载，物品的尺寸为每个所述远端射频节点当前时刻的负载情况，所述物品的尺寸随时间变化，装箱操作为调整所述基带处理单元和所述远端射频节点之间的连接关系。
可选的，利用基于最小切换数的降序首次适应资源映射算法解决所述装箱问题；
所述基于最小切换数的降序首次适应资源映射算法的步骤包括：
根据当前远端射频节点的流量负载情况，将所有所述远端射频节点的流量负载情况按照流量负载数值进行降序排列；
选取出未规划的远端射频节点中流量负载最大的执行装箱操作；
判断上一时间节点和所述当前远端射频节点相连的基带处理单元是否处于激活状态，得到第一判断结果；
若所述第一判断结果为是，判断选择的基带处理单元是否有足够的带宽资源处理所述当前远端射频节点的负载流量，得到第二判断结果；
若所述第二判断结果为是，保持选择的基带处理单元和取出的远端射频节点之间的连接关系；
若所述第二判断结果为否，遍历剩余已被激活的基带处理单元，判断是否有足够的带宽资源处理取出的远端射频节点的带宽资源，得到第三判断结果；
若所述第三判断结果为是，在遍历过程中将首次遇到的有足够带宽资源的基带处理单元和所述当前远端射频节点相连；
若所述第三判断结果为否，开启新的基带处理单元，并将新的基带处理单元和取出的远端射频节点相连；
若所述第一判断结果为否，执行第三判断过程；所述第三判断过程为遍历剩余已被激活的基带处理单元，判断是否有足够的带宽资源处理取出的远端射频节点的带宽资源，得到第三判断结果；
更新所有基带处理单元的工作状态和负载情况。
一种基于能效优化的前传光网络动态资源映射***，包括：
历史流量数据收集模块，用于收集远端射频节点的历史流量数据；所述历史流量数据的数据类型包括接收和发送的电话业务、短消息业务以及互联网业务；所述历史流量数据表征多个历史时间节点的真实流量负载情况；
流量负载情况预测模块，用于根据所述历史流量数据，训练深度学习中的长短期记忆网络模型，预测每个所述远端射频节点的下一时间节点的流量负载情况；
动态调整模块，用于根据所述流量负载情况，以最小化***总能耗为目标，动态调整下一时间节点的基带处理池和远端射频节点之间的前传光链路的连接关系；所述最小化***总能耗包括基带处理池的固有能耗、所述基带处理池执行基带信号处理过程中产生的能耗以及切换产生的能耗；所述切换产生的能耗包括所述基带处理池中的基带处理单元在激活状态和关闭状态之间切换产生的能耗和所述远端射频节点在不同的基带处理单元中切换时的能耗。
可选的，还包括：
预处理模块，用于对所述历史流量数据进行预处理，生成预处理后的历史流量数据；所述预处理包括数据归一化处理和数据升维处理。
可选的，所述流量负载情况预测模块，具体包括：
训练单元，用于以每个所述远端射频节点的多个历史时间节点的真实流量负载情况为输入，以下一时间节点的流量负载情况为输出，对所述长短期记忆网络模型进行训练；
训练后的长短期记忆网络模型构建单元，用于在每次迭代过程中，将预测得到的流量负载情况对应的预测值和真实流量负载情况对应的真实值进行比较，并根据所述预测值和所述真实值之间的误差，对所述长短期记忆网络模型的权重进行调整，直到满足训练的误差要求，完成训练后的长短期记忆网络模型；
流量负载情况预测单元，用于利用所述训练后的长短期记忆网络模型预测每个所述远端射频节点的下一时间节点的流量负载情况。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种基于能效优化的前传光网络动态资源映射方法及***，通过长短期记忆网络获得下一时间节点的流量负载情况，进而以最小化***总能耗为目标对前传光网络中的基带处理单元和远端射频节点之间的连接关系进行动态调整，极大地降低整个***的能量消耗，并且提高前传光网络的资源利用率，满足大规模智能设备的部署对于前传光网络高能效的要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的基于能效优化的前传光网络动态资源映射方法流程图；
图2为本发明所提供的基于能效优化的前传光网络动态资源映射方法中利用长短期记忆网络进行流量预测的工作示意图；
图3为本发明提供的基于能效优化的前传光网络动态资源映射方法中基于最小切换数的降序首次适应资源映射算法的流程示意图；
图4为本发明是所提供的基于能效优化的前传光网络动态资源映射***结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于能效优化的前传光网络动态资源映射方法及***，能够降低整个前传光链路的***总能耗以及提高基带处理池资源利用率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
随着C-RAN架构的提出和网络功能虚拟化(Network Functions Virtualization，NFV)技术的发展，有必要将人工智能方法和网络控制技术结合，针对业务的动态需求对网络资源进行统筹规划，构建能够对环境变化做出及时响应的智能化网络控制策略，提高频谱资源的利用率，进而提升整个***的性能。因此，该问题可以总结为以下两个子问题：1)探索业务需求的动态特性，例如通过对网络中资源需求的进行预测，为网络资源的按需分配和动态调整提供参考；2)需要根据预测结果，设计一种对网络资源进行动态调整和迁移的策略，最大化网络资源的利用率。
图1为本发明所提供的基于能效优化的前传光网络动态资源映射方法流程图，如图1所示，一种基于能效优化的前传光网络动态资源映射方法，包括：
步骤101：收集远端射频节点的历史流量数据；所述历史流量数据为较长时间内用户和基站进行业务交互的体现，所述历史流量数据的数据类型包括接收和发送的电话业务、短消息业务以及互联网业务等数据业务；所述历史流量数据表征多个历史时间节点的真实流量负载情况。
所述步骤101之后还包括：对所述历史流量数据进行预处理，生成预处理后的历史流量数据；所述预处理包括数据归一化处理和数据升维处理。
在实际应用中，由于收集到的历史流量数据维度和度量单位的不同，特征值的取值分布范围广，当利用梯度下降法求最优解时，特征值取值范围的不同会造成在许多位置上的梯度方向非最优的搜索方向。因此，在利用长短期记忆网络进行流量预测时，应该首先对数据样本进行预处理，将不同维度的特征值归一化到相同的取值范围内，才能提升收敛速度。
对所述收集到的历史流量数据进行预处理包括：
利用“缩放归一化”方法对数据集中RRH节点的流量数据归一化，将每一个特征的取值归一化到[0,1]之间，归一化后的特征x值可以表示为：
对训练数据按照相同的比例进行归一化，为归一化后的特征x值，x(i)为网络收集到的原始的流量负载数据，maxi(x(i))和mini(x(i))分别表示其中的最大值和最小值。
由于长短期记忆网络在训练过程中，需要判断本次迭代过程中的预测值与实际值的误差，而原始的流量负载变化情况是一个二维的随时间变化的序列，因此需要将原始数据集中二维的流量随时间变化数据转变为三维的时间序列数据集。三维数据中，长短期记忆网络的输入数据是二维数据，代表一段时间内流量数据随时间的变化情况，与二维数组所对应的目标流量值是这段连续时间序列后下一个时间节点的流量数据，每一组二维的训练数据都对应一个测试值。
步骤102：根据所述历史流量数据，训练深度学习中的长短期记忆网络模型，预测每个所述远端射频节点的下一时间节点的流量负载情况。
所述步骤102具体包括：以每个所述远端射频节点的多个历史时间节点的真实流量负载情况为输入，以下一时间节点的流量负载情况为输出，对所述长短期记忆网络模型进行训练；在每次迭代过程中，将预测得到的流量负载情况对应的预测值和真实流量负载情况对应的真实值进行比较，并根据所述预测值和所述真实值之间的误差，对所述长短期记忆网络模型的权重进行调整，直到满足训练的误差要求，完成训练后的长短期记忆网络模型；利用所述训练后的长短期记忆网络模型预测每个所述远端射频节点的下一时间节点的流量负载情况。
在实际应用中，所述收集到的历史流量数据具备时间长、数据量大的特点。
长短期记忆网络(Long Short-Term Memory，LSTM)是一种典型的循环递归神经网络(Recurrent Neural Network，RNN)，在用深度学习方法处理连续时间序列的问题时，RNN是较常用的模型，因为RNN在计算当前时间节点的内容时，同时也考虑到之前时间节点的信息，即在当前时间节点t进行数据运算时会将前一个时间节点t-1的隐节点的输出当作当前时间节点的输入。然而在RNN运算过程中，会存在“长期依赖”的问题，当经过许多时间节点的运算后，之前较长的时间节点的特征已经被遗忘，导致在使用误差反传方法计算梯度时，会存在梯度消失的问题，容易陷入局部最优解。而LSTM网络由于其独特的结构，可以解决许多以前的递归神经网络RNN学习算法无法解决的任务，对于预测时间间隔较长的事件有着非常好的效果。
长短期记忆网络引入门(gate)的概念用于控制特征值通过的比例。如图2所示，长短期记忆网络包含三个门：输入门(Input Gate)、输出门(Output Gate)和遗忘门(ForgetGate)。为了解决RNN遇到的早期记忆遗忘的问题，长短期记忆网络不仅包括每个隐含层产生的短期记忆值ht，还增加了一个贯穿整个网络的细胞状态链来存储长期记忆。
长短期记忆网络的第一步是利用遗忘门ft控制在当前隐含层的细胞中被遗忘的信息的比例，可以表示为：
ft＝σ(Wf[ht-1,xt]+bf)
其中，ht-1和xt分别表示前一个隐含层的输出值和当前隐含层新输入的信息，Wf和bf分别表示遗忘门的权值矩阵和贝叶斯向量，σ表示Sigmoid函数，遗忘门基于这两部分信息的内容，给出一个[0,1]之间的数值表示本次遗忘内容的比例。下一步是判断新输入的信息如何被加入到细胞状态中，这部分包括两方面，第一，“输入门”it决定输入值更新的方法；第二，利用tanh函数计算出候选向量值Ct，分别表示为：
it＝σ(Wi[ht-1,xt]+bi)
Ct＝tanh(WC[ht-1,xt]+bc)
其中，Wi,bi和WC,bc分别表示输入门和计算候选向量值时的权值矩阵和贝叶斯向量。
基于前面的步骤，在时刻t细胞的状态由Ct-1更新为Ct，表示为：
Ct＝ft*Ct-1+it*Ct
输出门ot用于计算每个隐含层输出的结果，可以表示为：
ot＝σ(Wo[ht-1,xt]+bo)
其中，Wo和bo分别表示输出门的权值矩阵和贝叶斯向量。
输出的结果由输出门和当前隐含层的细胞状态共同确定：
ht＝ot*tanh(Ct)
进一步地，通过对长短期记忆网络进行训练，更新权值矩阵W和贝叶斯变量b，在训练过程中，若输出层的输出结果和目标结果不同，开始利用误差反传来更新网络权值，每一个隐含层的权值利用梯度下降法更新:
W＝W-η▽Ep(W)
其中，η表示更新的步长，是样本p输入时，输出的偏差对某一个隐含层权值的偏导数，即每输入一个新的样本时更新一下权重。在训练过程中，不断调整权值大小，直到误差降低到能够接受的程度。
步骤103：根据所述流量负载情况，以最小化***总能耗为目标，动态调整下一时间节点的基带处理池和远端射频节点之间的前传光链路的连接关系；所述最小化***总能耗包括基带处理池的固有能耗、所述基带处理池执行基带信号处理过程中产生的能耗以及切换产生的能耗；所述切换产生的能耗包括所述基带处理池中的基带处理单元在激活状态和关闭状态之间切换产生的能耗和所述远端射频节点在不同的基带处理单元中切换时的能耗。
所述基带处理池执行基带信号处理过程中产生的能耗是通过所述基带处理池中处于激活状态的基带处理单元的数量，使每个被激活的基带处理单元的资源被充分利用而产生的。
所述切换产生的能耗是基带处理池中的基带处理单元在激活状态和关闭状态之间切换产生的能耗和远端射频节点在不同的基带处理单元中切换时的能耗。
本发明可以解释为一个装箱问题，箱子代表基带处理单元，箱子的体积就是每个基带处理单元可承载的最大流量负载，物品的大小是每个远端射频节点当前时刻的负载情况，物品的大小随时间变化，装箱操作表示调整基带处理单元和远端射频节点之间的连接关系。
与经典的装箱问题相比，本发明需要解决的基带处理单元和远端射频节点之间的动态资源映射的问题是以产生尽量少的切换能耗，进而最小化全部***能耗。若直接采用常用的解决装箱问题的近似算法降序首次适应算法(First-Fit decreasing，FFD)求解该问题，即不考虑前一个时间节点基带处理单元和远端射频节点之间的连接情况来决定激活和关闭哪些基带处理单元，可能会导致切换过于频繁产生过多的额外能耗。因此，本发明基于降序首次适应算法思想，提出一种基于最小切换数(Minimum Switches，MS)的降序首次适应资源映射算法(MS-FFD)。
参见图3，图3为本发明提供的基于能效优化的前传光网络动态资源映射方法中基于最小切换数的降序首次适应资源映射算法的流程示意图，具体步骤如下：
S301、根据远端射频节点的流量预测结果，将所有远端射频节点的流量负载按照数值大小进行降序排列。
S302、取出未规划远端射频节点中流量负载最大的执行装箱操作。
S303、判断上一时间节点和该远端射频节点相连的基带处理单元是否处于激活状态，若是，则执行步骤304。若否，则执行步骤306。
S304、判断S303中选择的基带处理单元是否有足够的带宽资源处理当前远端射频节点的负载流量，若是，则执行步骤S305，若否，则执行步骤306。
S305、保持S303中选择的基带处理单元和S302中取出的远端射频节点之间的连接关系。
S306、遍历其他已被激活的基带处理单元，判断是否有足够的带宽资源处理S302中取出的远端射频节点的带宽资源，若是，执行步骤S307，若否，执行步骤S308。
S307、在遍历过程中将首次遇到的有足够带宽资源的基带处理单元和该远端射频节点相连。
S308、开启新的基带处理单元，和S302中取出的远端射频节点相连。
S309、更新所有基带处理单元的工作状态和负载情况。
本发明基于能效优化的前传光网络动态资源映射方法，这种主动的前传光网络资源动态调整的方式将极大地降低基带处理池中的能量消耗，并且提高了前传光网络中的基带资源利用率。此外，将深度学习中的长短期记忆网络引入到面向5G的前传光网络的资源映射过程中，为未来人工智能技术在云无线接入网中产业化的应用提供了参考和思路。
相应地，本发明还提供了一种基于能效优化的前传光网络动态资源映射***，能够实现上述基于能效优化的前传光网络动态资源映射方法的所有流程。
图4为本发明是所提供的基于能效优化的前传光网络动态资源映射***结构图，如图4所示，一种基于能效优化的前传光网络动态资源映射***，包括：
历史流量数据收集模块401，用于收集远端射频节点的历史流量数据；所述历史流量数据的数据类型包括接收和发送的电话业务、短消息业务以及互联网业务；所述历史流量数据表征多个历史时间节点的真实流量负载情况。
流量负载情况预测模块402，用于根据所述历史流量数据，训练深度学习中的长短期记忆网络模型，预测每个所述远端射频节点的下一时间节点的流量负载情况。
动态调整模块403，用于根据所述流量负载情况，以最小化***总能耗为目标，动态调整下一时间节点的基带处理池和远端射频节点之间的前传光链路的连接关系；所述最小化***总能耗包括基带处理池的固有能耗、所述基带处理池执行基带信号处理过程中产生的能耗以及切换产生的能耗；所述切换产生的能耗包括所述基带处理池中的基带处理单元在激活状态和关闭状态之间切换产生的能耗和所述远端射频节点在不同的基带处理单元中切换时的能耗。
本发明还包括：预处理模块，用于对所述历史流量数据进行预处理，生成预处理后的历史流量数据；所述预处理包括数据归一化处理和数据升维处理。
所述流量负载情况预测模块402，具体包括：训练单元，用于以每个所述远端射频节点的多个历史时间节点的真实流量负载情况为输入，以下一时间节点的流量负载情况为输出，对所述长短期记忆网络模型进行训练；训练后的长短期记忆网络模型构建单元，用于在每次迭代过程中，将预测得到的流量负载情况对应的预测值和真实流量负载情况对应的真实值进行比较，并根据所述预测值和所述真实值之间的误差，对所述长短期记忆网络模型的权重进行调整，直到满足训练的误差要求，完成训练后的长短期记忆网络模型；流量负载情况预测单元，用于利用所述训练后的长短期记忆网络模型预测每个所述远端射频节点的下一时间节点的流量负载情况。
本发明提供的基于能效优化的前传光网络动态资源映射***，能够收集远端射频节点的长时间的历史流量数据，利用所属的历史流量数据训练长短期记忆网络，利用训练好的模型可以得到下一时间节点的流量预测结果，进而对前传光网络中基带处理单元和远端射频节点之间的连接关系进行动态调整，实现更为高效的资源分配，降低整个***的能耗，提高前传光网络的资源利用率，满足海量用户接入的需求。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于能效优化的前传光网络动态资源映射方法，其特征在于，包括：
收集远端射频节点的历史流量数据；所述历史流量数据的数据类型包括接收和发送的电话业务、短消息业务以及互联网业务；所述历史流量数据表征多个历史时间节点的真实流量负载情况；
根据所述历史流量数据，训练深度学习中的长短期记忆网络模型，预测每个所述远端射频节点的下一时间节点的流量负载情况；
根据所述流量负载情况，以最小化***总能耗为目标，动态调整下一时间节点的基带处理池和远端射频节点之间的前传光链路的连接关系；所述***总能耗包括基带处理池的固有能耗、所述基带处理池执行基带信号处理过程中产生的能耗以及切换产生的能耗；所述切换产生的能耗包括所述基带处理池中的基带处理单元在激活状态和关闭状态之间切换产生的能耗和所述远端射频节点在不同的基带处理单元中切换时的能耗；所述根据所述流量负载情况，以最小化***总能耗为目标，动态调整下一时间节点的基带处理池和远端射频节点之间的前传光链路的连接关系的动态调整方法看作装箱问题；箱子代表所述基带处理单元，箱子的体积为每个所述基带处理单元可承载的最大流量负载，物品的尺寸为每个所述远端射频节点当前时刻的负载情况，所述物品的尺寸随时间变化，装箱操作为调整所述基带处理单元和所述远端射频节点之间的连接关系。
2.根据权利要求1所述的基于能效优化的前传光网络动态资源映射方法，其特征在于，所述收集远端射频节点的历史流量数据，之后还包括：
对所述历史流量数据进行预处理，生成预处理后的历史流量数据；所述预处理包括数据归一化处理和数据升维处理。
3.根据权利要求1所述的基于能效优化的前传光网络动态资源映射方法，其特征在于，所述根据所述历史流量数据，训练深度学习中的长短期记忆网络模型，预测每个所述远端射频节点的下一时间节点的流量负载情况，具体包括：
以每个所述远端射频节点的多个历史时间节点的真实流量负载情况为输入，以下一时间节点的流量负载情况为输出，对所述长短期记忆网络模型进行训练；
在每次迭代过程中，将预测得到的流量负载情况对应的预测值和真实流量负载情况对应的真实值进行比较，并根据所述预测值和所述真实值之间的误差，对所述长短期记忆网络模型的权重进行调整，直到满足训练的误差要求，完成训练后的长短期记忆网络模型；
利用所述训练后的长短期记忆网络模型预测每个所述远端射频节点的下一时间节点的流量负载情况。
4.根据权利要求1所述的基于能效优化的前传光网络动态资源映射方法，其特征在于，所述基带处理池执行基带信号处理过程中产生的能耗是通过所述基带处理池中处于激活状态的基带处理单元的数量，使每个被激活的基带处理单元的资源被充分利用而产生的。
5.根据权利要求1所述的基于能效优化的前传光网络动态资源映射方法，其特征在于，利用基于最小切换数的降序首次适应资源映射算法解决所述装箱问题；
所述基于最小切换数的降序首次适应资源映射算法的步骤包括：
根据当前远端射频节点的流量负载情况，将所有所述远端射频节点的流量负载情况按照流量负载数值进行降序排列；
选取出未规划的远端射频节点中流量负载最大的执行装箱操作；
判断上一时间节点和所述当前远端射频节点相连的基带处理单元是否处于激活状态，得到第一判断结果；
若所述第一判断结果为是，判断选择的基带处理单元是否有足够的带宽资源处理所述当前远端射频节点的负载流量，得到第二判断结果；
若所述第二判断结果为是，保持选择的基带处理单元和取出的远端射频节点之间的连接关系；
若所述第二判断结果为否，遍历剩余已被激活的基带处理单元，判断是否有足够的带宽资源处理取出的远端射频节点的带宽资源，得到第三判断结果；
若所述第三判断结果为是，在遍历过程中将首次遇到的有足够带宽资源的基带处理单元和所述当前远端射频节点相连；
若所述第三判断结果为否，开启新的基带处理单元，并将新的基带处理单元和取出的远端射频节点相连；
若所述第一判断结果为否，执行第三判断过程；所述第三判断过程为遍历剩余已被激活的基带处理单元，判断是否有足够的带宽资源处理取出的远端射频节点的带宽资源，得到第三判断结果；
更新所有基带处理单元的工作状态和负载情况。
6.一种基于能效优化的前传光网络动态资源映射***，其特征在于，包括：
历史流量数据收集模块，用于收集远端射频节点的历史流量数据；所述历史流量数据的数据类型包括接收和发送的电话业务、短消息业务以及互联网业务；所述历史流量数据表征多个历史时间节点的真实流量负载情况；
流量负载情况预测模块，用于根据所述历史流量数据，训练深度学习中的长短期记忆网络模型，预测每个所述远端射频节点的下一时间节点的流量负载情况；
动态调整模块，用于根据所述流量负载情况，以最小化***总能耗为目标，动态调整下一时间节点的基带处理池和远端射频节点之间的前传光链路的连接关系；所述最小化***总能耗包括基带处理池的固有能耗、所述基带处理池执行基带信号处理过程中产生的能耗以及切换产生的能耗；所述切换产生的能耗包括所述基带处理池中的基带处理单元在激活状态和关闭状态之间切换产生的能耗和所述远端射频节点在不同的基带处理单元中切换时的能耗；所述根据所述流量负载情况，以最小化***总能耗为目标，动态调整下一时间节点的基带处理池和远端射频节点之间的前传光链路的连接关系的动态调整方法看作装箱问题；箱子代表所述基带处理单元，箱子的体积为每个所述基带处理单元可承载的最大流量负载，物品的尺寸为每个所述远端射频节点当前时刻的负载情况，所述物品的尺寸随时间变化，装箱操作为调整所述基带处理单元和所述远端射频节点之间的连接关系。
7.根据权利要求6所述的基于能效优化的前传光网络动态资源映射***，其特征在于，还包括：
预处理模块，用于对所述历史流量数据进行预处理，生成预处理后的历史流量数据；所述预处理包括数据归一化处理和数据升维处理。
8.根据权利要求7所述的基于能效优化的前传光网络动态资源映射***，其特征在于，所述流量负载情况预测模块，具体包括：
训练单元，用于以每个所述远端射频节点的多个历史时间节点的真实流量负载情况为输入，以下一时间节点的流量负载情况为输出，对所述长短期记忆网络模型进行训练；
训练后的长短期记忆网络模型构建单元，用于在每次迭代过程中，将预测得到的流量负载情况对应的预测值和真实流量负载情况对应的真实值进行比较，并根据所述预测值和所述真实值之间的误差，对所述长短期记忆网络模型的权重进行调整，直到满足训练的误差要求，完成训练后的长短期记忆网络模型；
流量负载情况预测单元，用于利用所述训练后的长短期记忆网络模型预测每个所述远端射频节点的下一时间节点的流量负载情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111444691.0A CN114126019B (zh) | 2021-11-30 | 2021-11-30 | 一种基于能效优化的前传光网络动态资源映射方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111444691.0A CN114126019B (zh) | 2021-11-30 | 2021-11-30 | 一种基于能效优化的前传光网络动态资源映射方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114126019A CN114126019A (zh) | 2022-03-01 |
| CN114126019B true CN114126019B (zh) | 2024-04-23 |
Family
ID=80368721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111444691.0A Active CN114126019B (zh) | 2021-11-30 | 2021-11-30 | 一种基于能效优化的前传光网络动态资源映射方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114126019B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116390165B (zh) * | 2023-03-09 | 2023-11-14 | 中南大学 | 一种数据驱动的蜂窝基站动态管理方法与*** |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103945548A (zh) * | 2014-04-29 | 2014-07-23 | 西安电子科技大学 | 一种c-ran网络中的资源分配***及任务/业务调度方法 |
| CN105050170A (zh) * | 2015-06-30 | 2015-11-11 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
| CN106374996A (zh) * | 2016-08-29 | 2017-02-01 | 北京邮电大学 | 一种光网络故障处理方法及装置 |
| CN106793045A (zh) * | 2017-03-01 | 2017-05-31 | 安徽工程大学 | 云无线入网***及其能耗分配方法 |
| WO2018093301A1 (en) * | 2016-11-16 | 2018-05-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods and devices for adapting load on a fronthaul network |
| WO2018113797A1 (zh) * | 2016-12-23 | 2018-06-28 | ***通信有限公司研究院 | 前传网络、数据传输方法及装置、计算机存储介质 |
| CN109639470A (zh) * | 2018-11-30 | 2019-04-16 | 四川安迪科技实业有限公司 | 基于星型组网的vsat卫星通信***带宽分配方法 |
| CN109831808A (zh) * | 2019-02-25 | 2019-05-31 | 重庆邮电大学 | 一种基于机器学习的混合供电c-ran的资源分配方法 |
| WO2019137513A1 (en) * | 2018-01-15 | 2019-07-18 | Huawei Technologies Co., Ltd. | Method and apparatus for front-haul network dependent wireless network control |
| CN110839184A (zh) * | 2019-10-15 | 2020-02-25 | 北京邮电大学 | 基于流量预测的移动前传光网络带宽调整方法及装置 |
| CN110915251A (zh) * | 2017-06-30 | 2020-03-24 | 意大利电信股份公司 | 移动通信网络中的前传拥塞控制 |
| CN111586502A (zh) * | 2020-03-26 | 2020-08-25 | 北京邮电大学 | 弹性光网络中的资源分配方法及*** |
| WO2020206705A1 (zh) * | 2019-04-10 | 2020-10-15 | 山东科技大学 | 一种基于集群节点负载状态预测的作业调度方法 |
| WO2020248574A1 (zh) * | 2019-06-12 | 2020-12-17 | 苏州大学 | 无线接入频谱灵活光网络的能耗优化方法、*** |
| CN112584386A (zh) * | 2020-11-17 | 2021-03-30 | 国网安徽省电力有限公司信息通信分公司 | 5g c-ran资源预测和分配方法及*** |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10271339B2 (en) * | 2013-09-26 | 2019-04-23 | Nec Corporation | Radio base station apparatus and resource allocation method |
| CN107615877A (zh) * | 2015-12-21 | 2018-01-19 | 华为技术有限公司 | 传输数据的方法、射频拉远单元rru和基带单元bbu |
| KR102396635B1 (ko) * | 2016-02-15 | 2022-05-12 | 주식회사 에치에프알 | 링 토폴로지로 구성된 프론트홀에서 절체로 인한 레이턴시 차이를 보상하는 시스템 |
| US10965786B2 (en) * | 2018-10-31 | 2021-03-30 | At&T Intellectual Property I, L.P. | Adaptive fixed point mapping for uplink and downlink fronthaul |
| CN111130839B (zh) * | 2019-11-04 | 2021-07-16 | 清华大学 | 一种流量需求矩阵预测方法及其*** |
-
2021
- 2021-11-30 CN CN202111444691.0A patent/CN114126019B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103945548A (zh) * | 2014-04-29 | 2014-07-23 | 西安电子科技大学 | 一种c-ran网络中的资源分配***及任务/业务调度方法 |
| CN105050170A (zh) * | 2015-06-30 | 2015-11-11 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
| CN106374996A (zh) * | 2016-08-29 | 2017-02-01 | 北京邮电大学 | 一种光网络故障处理方法及装置 |
| WO2018093301A1 (en) * | 2016-11-16 | 2018-05-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods and devices for adapting load on a fronthaul network |
| WO2018113797A1 (zh) * | 2016-12-23 | 2018-06-28 | ***通信有限公司研究院 | 前传网络、数据传输方法及装置、计算机存储介质 |
| CN106793045A (zh) * | 2017-03-01 | 2017-05-31 | 安徽工程大学 | 云无线入网***及其能耗分配方法 |
| CN110915251A (zh) * | 2017-06-30 | 2020-03-24 | 意大利电信股份公司 | 移动通信网络中的前传拥塞控制 |
| WO2019137513A1 (en) * | 2018-01-15 | 2019-07-18 | Huawei Technologies Co., Ltd. | Method and apparatus for front-haul network dependent wireless network control |
| CN109639470A (zh) * | 2018-11-30 | 2019-04-16 | 四川安迪科技实业有限公司 | 基于星型组网的vsat卫星通信***带宽分配方法 |
| CN109831808A (zh) * | 2019-02-25 | 2019-05-31 | 重庆邮电大学 | 一种基于机器学习的混合供电c-ran的资源分配方法 |
| WO2020206705A1 (zh) * | 2019-04-10 | 2020-10-15 | 山东科技大学 | 一种基于集群节点负载状态预测的作业调度方法 |
| WO2020248574A1 (zh) * | 2019-06-12 | 2020-12-17 | 苏州大学 | 无线接入频谱灵活光网络的能耗优化方法、*** |
| CN110839184A (zh) * | 2019-10-15 | 2020-02-25 | 北京邮电大学 | 基于流量预测的移动前传光网络带宽调整方法及装置 |
| CN111586502A (zh) * | 2020-03-26 | 2020-08-25 | 北京邮电大学 | 弹性光网络中的资源分配方法及*** |
| CN112584386A (zh) * | 2020-11-17 | 2021-03-30 | 国网安徽省电力有限公司信息通信分公司 | 5g c-ran资源预测和分配方法及*** |
Non-Patent Citations (6)
| Title |
|---|
| 5G前传光网络:关键问题、重要特征与发展目标;纪越峰;张佳玮;;中国科学:信息科学(第10期);全文 * |
| Bo Tian ; Qi Zhang ; Xiangjun Xin ; Qinghua Tian ; Xiangyu Wu ; Ying Tao ; Yufei Shen ; Guixing Cao ; Naijin Liu.Recursive_Neural_Network_Based_RRH_to_BBU_Resource_Allocation_in_5G_Fronthaul_Network.Recursive_Neural_Network_Based_RRH_to_BBU_Resource_Allocation_in_5G_Fronthaul_Network.2018,全文. * |
| Fu Wang ; Haipeng Yao ; Qi Zhang ; Jingjing Wang ; Ran Gao ; Dong Guo ; Mohsen Guizani.Dynamic Distributed Multi-Path Aided Load Balancing for Optical Data Center Networks.IEEE TRANSACTIONS ON NETWORK AND SERVICE MANAGEMENT.2021,全文. * |
| 一种基于C-RAN架构下资源负载预测方法;龙恳;胡渝纺;;科学技术与工程(第33期);全文 * |
| 云化移动接入网中前传链路负载自适应技术;李隆胜;毕美华;胡卫生;;聊城大学学报(自然科学版)(第02期);全文 * |
| 光通信中的新型复用形式;及睿，忻向军，张琦;新型工业化(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114126019A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111988796B (zh) | 基于双模通信的台区信息采集业务带宽优化***及方法 | |
| CN109947545A (zh) | 一种基于用户移动性的任务卸载及迁移的决策方法 | |
| CN102256266A (zh) | 一种面向用户应用的自适应接入网络选择实现装置及方法 | |
| CN111641681A (zh) | 基于边缘计算和深度强化学习的物联网服务卸载决策方法 | |
| Piovesan et al. | Joint load control and energy sharing for renewable powered small base stations: A machine learning approach | |
| CN112887142B (zh) | 一种虚拟化无线接入边缘云中web应用切片生成方法 | |
| Li et al. | Dynamic placement of multiple controllers based on SDN and allocation of computational resources based on heuristic ant colony algorithm | |
| CN106793031A (zh) | 基于集合竞优算法的智能手机能耗优化方法 | |
| Cicioğlu | Multi-criteria handover management using entropy‐based SAW method for SDN-based 5G small cells | |
| Hu et al. | Edge intelligence for real-time data analytics in an IoT-based smart metering system | |
| CN108834079A (zh) | 一种在异构网络中基于移动性预测的负载均衡优化方法 | |
| CN114126019B (zh) | 一种基于能效优化的前传光网络动态资源映射方法及*** | |
| CN114885388B (zh) | 联合rss预测的多业务类型自适应切换判决方法 | |
| Temesgene et al. | Dynamic control of functional splits for energy harvesting virtual small cells: A distributed reinforcement learning approach | |
| Sun et al. | MEET: Mobility-enhanced edge intelligence for smart and green 6G networks | |
| CN115622603A (zh) | 一种辅助传输信息年龄最小化优化方法 | |
| Li et al. | Task computation offloading for multi-access edge computing via attention communication deep reinforcement learning | |
| Tan et al. | Uav control in smart city based on space-air-ground integrated network | |
| CN117149351A (zh) | 一种基于预测的边缘协同计算迁移方法及*** | |
| CN111225398A (zh) | 一种基于协作覆盖的微电网无线传感器网络能耗优化方法 | |
| Chang et al. | Low-latency controller load balancing strategy and offloading decision generation algorithm based on lyapunov optimization in SDN mobile edge computing environment | |
| Maksymyuk et al. | Artificial intelligence based 5G coverage design and optimization using deep generative adversarial neural networks | |
| Abdullah et al. | Weather-aware fiber-wireless traffic prediction using graph convolutional networks | |
| Poulkov | Dynamic access points grouping for mobility driven user-centric wireless networks | |
| Lin et al. | Hypergraph-based autonomous networks: adaptive resource management and dynamic resource scheduling |
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 |