CN118251931A - 网络能耗管理***、方法和存储介质 - Google Patents
网络能耗管理***、方法和存储介质 Download PDFInfo
- Publication number
- CN118251931A CN118251931A CN202180104239.1A CN202180104239A CN118251931A CN 118251931 A CN118251931 A CN 118251931A CN 202180104239 A CN202180104239 A CN 202180104239A CN 118251931 A CN118251931 A CN 118251931A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- network node
- unit
- training
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 249
- 238000000034 method Methods 0.000 title description 29
- 238000012549 training Methods 0.000 claims abstract description 212
- 238000007726 management method Methods 0.000 claims description 272
- 230000004044 response Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 description 27
- 230000011664 signaling Effects 0.000 description 25
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000013473 artificial intelligence Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 239000013256 coordination polymer Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供了一种网络能耗管理***。包括:训练单元,其被配置为从至少一个网络节点获取训练数据,并且使用训练数据对能耗管理模型进行训练,以得到经训练的能耗管理模型;预测单元,其被配置为从至少一个网络节点获取输入数据,并且将输入数据提供给经训练的能耗管理模型,以得到输出的决策数据;以及执行单元,其被配置为控制至少一个网络节点基于决策数据执行节能操作。
Description
本公开涉及无线网络节能领域,具体涉及一种基于人工智能算法的网络能耗管理***、方法和存储介质。
近年来,随着工业互联网的发展,无线网络的能耗占比逐年增长。据统计,***在2020年的总电能消耗为292.3亿度,其中无线网络占用的能耗约为190亿度,占比高达65%。基站的耗电量是无线网络能耗中最主要的部分,从2011年至2020年,***的总耗电量年均增长为9.69%,基站耗电量年均增长高达10.89%。相比于上一代基站,5G基站设备发射功率高、通道数多,单站功耗是4G基站的3~4倍,更加迫切需要更高效的节能技术。
现有的针对无线网络的能耗管理技术通常是网络级的静态的、人工的基站开关技术,或者是站点级的载波/时隙/通道/符号的开关技术。这种传统的技术无法适应无线网络业务的动态变化,会降低服务质量和用户体验。
在无线网络中引入人工智能(AI)算法,以便对业务、负载、用户移动进行预测,并根据预测的结果精细化、动态化地定制节电决策是近年来的研究热点。然而,如果要引入AI算法来管理无线网络的能耗,则需要在站点内部(例如,在中央单元(CU)和分布单元(DU)之间)或在站点之间进行信令交互,当前的标准中还不支持相关的信令。
发明内容
本公开是鉴于上述问题做出的。本公开的目的在于,提供一种基于人工智能算法的网络能耗管理***、方法和存储介质,其中提出了多种AI模型的部署架构,在每种部署架构中,定义了AI模型的训练/更新、预测、执行所需要的数据,以及为了传输这些数据对于无线网络接口的影响。
在一个示例性方面,本公开提供了一种网络能耗管理***,包括:训练单元,其被配置为从至少一个网络节点获取训练数据,并且使用所述训练数据对能耗管理模型进行训练,以得到经训练的能耗管理模型;预测单元,其 被配置为从所述至少一个网络节点获取输入数据,并且将所述输入数据提供给经训练的能耗管理模型,以得到输出的决策数据;以及执行单元,其被配置为控制所述至少一个网络节点基于所述决策数据执行节能操作。
在一些实施例中,网络能耗管理***还包括:管理单元,其被配置为对所述至少一个网络节点进行维护和管理。其中,所述至少一个网络节点中要进行能耗管理的目标网络节点包括中央单元和分布单元。
在一些实施例中,所述训练单元和所述预测单元被布置在所述管理单元中。
在一些实施例中,所述训练单元被布置在所述管理单元中,并且所述预测单元被布置在所述目标网络节点的中央单元中。
在一些实施例中,所述训练单元和所述预测单元被布置在所述目标网络节点的中央单元中。
在一些实施例中,所述训练单元通过所述管理单元和所述至少一个网络节点之间的第一接口向所述至少一个网络节点发送训练数据需求。响应于所述训练数据需求,所述至少一个网络节点通过所述第一接口将所述训练数据发送给所述训练单元。
在一些实施例中,所述训练单元通过所述目标网络节点与其它网络节点之间的第二接口向所述其它网络节点发送训练数据需求。响应于所述训练数据需求,所述其它网络节点通过所述第二接口将所述训练数据发送给所述训练单元。
在一些实施例中,所述预测单元通过所述管理单元和所述至少一个网络节点之间的第一接口向所述至少一个网络节点发送输入数据需求。响应于所述输入数据需求,所述至少一个网络节点通过所述第一接口将所述输入数据发送给所述预测单元。
在一些实施例中,所述预测单元通过所述目标网络节点与其它网络节点之间的第二接口向所述其它网络节点发送输入数据需求。响应于所述输入数据需求,所述其它网络节点通过所述第二接口将所述训练数据发送给所述预测单元。
在一些实施例中,所述预测单元还通过所述管理单元和所述目标网络节点之间的第一接口向所述管理单元发送能耗管理模型需求。响应于所述能耗 管理模型需求,所述管理单元通过所述第一接口将经训练的能耗管理模型发送给所述预测单元。
在一些实施例中,在得到所述决策数据后,所述预测单元通过所述管理单元和所述目标网络节点之间的第一接口将所述决策数据发送给所述目标网络节点。
在一些实施例中,网络能耗管理***还包括:模型更新单元,其被配置为响应于更新需求从所述至少一个网络节点获取所述反馈数据,并将所述反馈数据发送给所述训练单元,使所述训练单元基于所述反馈数据更新所述能耗管理模型。
在一些实施例中,基于以下方式中的一种从所述至少一个网络节点获取所述训练数据或所述输入数据:a)通过发送需求信令;b)以预定的周期;和c)通过以预定的周期发送需求信令。
在一些实施例中,基于以下方式中的一种从所述至少一个网络节点获取所述反馈数据:a)通过发送需求信令;b)以预定的周期;和c)通过以预定的周期发送需求信令。
在一些实施例中,所述训练数据或所述输入数据包括所述至少一个网络节点的业务负载、资源状态、能耗、移动轨迹预测、移动历史信息中的一种或多种。
在一些实施例中,所述决策数据包括关闭设备、关闭通道、切换节点和定时启动中的一种或多种。
在一些实施例中,所述反馈数据包括所述至少一个网络节点的负载测量数据、虚拟存储使用数据、能耗和用户服务质量中的一种或多种。
在一些实施例中,所述执行单元还被配置为响应于特定事件或特定定时控制所述至少一个网络节点停止执行所述节能操作。
在另一示例性方面,本公开还提供了一种网络能耗管理方法。该方法包括:从至少一个网络节点获取训练数据,并且使用所述训练数据对能耗管理模型进行训练,以得到经训练的能耗管理模型;从所述至少一个网络节点获取输入数据,并且将所述输入数据提供给经训练的能耗管理模型,以得到输出的决策数据;以及控制所述至少一个网络节点基于所述决策数据执行节能操作。
在另一示例性方面,本公开还提供了一种非暂时性计算机可读存储介质,其上存储有指令,当所述指令被处理器执行时,使所述处理器:从至少一个网络节点获取训练数据,并且使用所述训练数据对能耗管理模型进行训练,以得到经训练的能耗管理模型;从所述至少一个网络节点获取输入数据,并且将所述输入数据提供给经训练的能耗管理模型,以得到输出的决策数据;以及控制所述至少一个网络节点基于所述决策数据执行节能操作。
图1示出了根据本公开原理的实施例的网络能耗管理***的示意图。
图2示出了根据本公开原理的实施例的网络能耗管理***中的能耗管理模型的部署架构的示例的示意图。
图3示出了根据本公开原理的实施例的网络能耗管理***中的能耗管理模型的部署架构的另一示例的示意图。
图4示出了根据本公开原理的实施例的网络能耗管理***中的能耗管理模型的部署架构的又一示例的示意图。
图5示出了根据本公开原理的实施例的网络能耗管理***中的能耗管理处理的示例流程图。
图6示出了根据本公开原理的实施例的网络能耗管理***中的能耗管理处理的另一示例流程图。
图7示出了根据本公开原理的实施例的网络能耗管理***中的能耗管理处理的又一示例流程图。
图8示出了根据本公开原理的实施例的网络能耗管理***中的能耗管理处理的又一示例流程图。
图9示出了根据本公开原理的实施例的网络能耗管理***中的能耗管理模型的功能模块的示意图。
图10示出了根据本公开原理的实施例的网络能耗管理方法的示例流程图。
图11示出了根据本公开原理的实施例的计算机可读存储介质的示意图。
下面将参照附图更详细地描述本公开的实施例。虽然附图中示出了本公开的一些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反地,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解的是,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施例可以包括其它的步骤和/或省略某些步骤。另外,本公开的实施方式中记载的各个元素或部件可以以软件、硬件、或其组合的形式实现,也可以将各个元素或部件集成在同一个芯片、电路板或设备中。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
应当理解的是,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开的实施例提供了一种网络能耗管理***。图1示出了根据本公开原理的实施例的网络能耗管理***100的示意图。
如图1所示,网络能耗管理***100至少包括训练单元101、预测单元102以及执行单元104。应当理解的是,本实施例中提及的训练单元、预测单元以及执行单元都应被视为功能性单元或模块,并不意味着上述单元都以相互独立的硬件实体的形式实现。实际上,训练单元、预测单元以及执行单元可以以任何可能的方式被部署,例如,将训练单元和预测单元都部署在网络管理模块中,而将执行单元部署在相应的网络节点中。或者,可以同时将训练单元、预测单元以及执行单元都部署在同一个网络节点中。以上各个功能模块的部署方式不限于上述方式,稍后将详细描述可能的部署架构。
本公开的网络能耗管理***100引入人工智能(AI)算法模型来对各网络节点业务、负载、用户移动等方面进行预测,并根据预测的结果定制节电决策。在本文中,将网络能耗管理***100中引入的人工智能(AI)算法模型统称为“能耗管理模型”,即如图1所示的能耗管理模型103。
在一些实施例中,能耗管理模型103可以由神经网络来实现,例如卷积神经网络CNN或循环神经网络RNN。例如,能耗管理模型103可包含输入层、隐藏层和输出层。其中,输入层用于接收用于能耗管理的输入数据,在隐藏层上,存在着依靠激活函数来进行运算的“神经元”,通过神经元的计算之后,在输出层上输出用于能耗管理的决策数据。
为了使能耗管理模型103能够依据输入数据输出有效的能耗管理决策数据,首先需要对能耗管理模型103进行训练。对能耗管理模型103进行训练的一般方法是,向能耗管理模型103输入足够多的样本数据,通过一定的算法来调整网络的参数(主要是调节各个权重值),使网络的输出与预期值相符。
如图1所示,训练单元101被配置为控制对能耗管理模型103的训练。在一些实施例中,训练单元101被配置为从至少一个网络节点(例如,如图1所示的多个5G基站gNB,或用户设备UE(未示出))获取训练数据,并且使用所述训练数据对能耗管理模型103进行训练,以得到经训练的能耗管理模型103。
在一些实施例中,训练数据例如可包括至少一个网络节点的业务负载、资源状态、能耗、移动轨迹预测、移动历史信息中的一种或多种。
例如,训练数据可以包括需要对其进行能耗管理的目标基站的历史业务负载、当前业务负载和预测业务负载。此外,训练数据还可以包括由上述目标基站服务的用户设备的历史业务负载、当前业务负载和预测业务负载。除此之外,考虑到能耗管理模型103的切换决策的需要,训练数据还可以包括上述目标基站的相邻基站的当前业务负载和预测业务负载,以及由上述相邻基站服务的用户设备的当前业务负载和预测业务负载。对于如上所述的预测业务负载,需要将与预测业务负载相对应的精度级别一并提供给训练单元101,以便做出更加精确的能耗管理决策。
除了如上所述的业务负载相关数据之外,训练数据还可以包括需要对其进行能耗管理的目标基站的历史资源状态、当前资源状态和预测资源状态。 此外,训练数据还可以包括由上述目标基站服务的用户设备的历史资源状态、当前资源状态和预测资源状态。类似地,考虑到能耗管理模型103的切换决策的需要,训练数据还可以包括上述目标基站的相邻基站的当前资源状态和预测资源状态,以及由上述相邻基站服务的用户设备的当前资源状态和预测资源状态。对于如上所述的预测资源状态,需要将与预测资源状态相对应的精度级别一并提供给训练单元101,以便做出更加精确的能耗管理决策。
此外,例如,训练数据还可以包括上述目标基站的当前能耗、与目标基站相邻的相邻基站的预测能耗等。同样地,对于如上所述的预测能耗,需要将与预测能耗相对应的精度级别一并提供给训练单元101,以便做出更加精确的能耗管理决策。
此外,例如,训练数据还可以包括目标基站及其相邻基站所服务的用户设备的移动轨迹预测、移动历史信息等。
此外,其它可作为训练数据的信息包括但不限于目标基站及其相邻基站的ID、位置、载波、电压、温度、湿度、存储使用量,目标基站及其相邻基站的UE测量报告(例如,RSRP、RSRQ、SINR报告),目标基站及其相邻基站的用户数量的实时信息,目标基站及其相邻基站的请求能耗决策的时间戳,目标基站及其相邻基站的节能场景,目标基站及其相邻基站的UE历史业务信息(例如,业务模式、上行/下行业务量)等。
此外,还可将用户设备自行反馈的UE需求信息或意愿信息作为训练数据,例如终端的剩余电量,以及希望省电的强度的意愿等。例如,如果用户随身携带了充电宝,则可以反馈性能优先的意愿信息。相反地,如果用户未随身携带充电宝,则可以反馈省电优先的意愿信息。
训练单元101可以以各种方式从至少一个网络节点获取如上所述的训练数据。在一些实施例中,训练单元101可以通过发送需求信令来获取训练数据。例如,训练单元101可以通过预定的接口向需要进行能耗管理的目标基站、其相邻基站、以及目标基站和相邻基站所服务的用户设备发送相应的需求信令,以获得诸如上述至少一个网络节点的业务负载、资源状态、能耗、移动轨迹预测、移动历史信息等训练数据。
可选地,训练单元101也可以以预定的周期或频率来自动获取上述训练数据。例如,可以以每分钟一次的频率来自动获取训练数据。
除此之外,训练单元101也可以结合上述两种方式来获取训练数据。例如,可以定期地发送需求信令,来触发节电决策所需要的信息,从而从各个网络节点获取训练所需的数据。
在训练单元101利用如上所述的方式获取了训练所需的数据并且使用上述训练数据完成了对能耗管理模型103的训练之后,即可得到经训练的能耗管理模型103,该经训练的能耗管理模型103可用于在实际场景中对各个网络节点(例如,基站)的能耗进行预测并做出决策,促使各个网络节点执行节能操作,从而使整个网络的能耗得到优化。
在本公开中,利用经训练的预测单元能耗管理模型103对各个网络节点的能耗进行预测并做出决策是由预测单元102来执行控制的。具体地,如图1所示的预测单元102被配置为从至少一个网络节点获取输入数据,并且将所述输入数据提供给经训练的能耗管理模型103,以得到输出的决策数据。
在本公开中,预测单元102获取的输入数据可以具有与上述训练数据相同或相似的类型。
例如,在一些实施例中,输入数据例如可包括至少一个网络节点的业务负载、资源状态、能耗、移动轨迹预测、移动历史信息中的一种或多种。
例如,输入数据可以包括需要对其进行能耗管理的目标基站的历史业务负载、当前业务负载和预测业务负载。此外,输入数据还可以包括由上述目标基站服务的用户设备的历史业务负载、当前业务负载和预测业务负载。除此之外,考虑到能耗管理模型103的切换决策的需要,输入数据还可以包括上述目标基站的相邻基站的当前业务负载和预测业务负载,以及由上述相邻基站服务的用户设备的当前业务负载和预测业务负载。对于如上所述的预测业务负载,需要将与预测业务负载相对应的精度级别一并提供给预测单元102,以便做出更加精确的能耗管理决策。
除了如上所述的业务负载相关数据之外,输入数据还可以包括需要对其进行能耗管理的目标基站的历史资源状态、当前资源状态和预测资源状态。此外,输入数据还可以包括由上述目标基站服务的用户设备的历史资源状态、当前资源状态和预测资源状态。类似地,考虑到能耗管理模型103的切换决策的需要,输入数据还可以包括上述目标基站的相邻基站的当前资源状态和预测资源状态,以及由上述相邻基站服务的用户设备的当前资源状态和预测 资源状态。对于如上所述的预测资源状态,需要将与预测资源状态相对应的精度级别一并提供给预测单元102,以便做出更加精确的能耗管理决策。
此外,例如,输入数据还可以包括上述目标基站的当前能耗、与目标基站相邻的相邻基站的预测能耗等。同样地,对于如上所述的预测能耗,需要将与预测能耗相对应的精度级别一并提供给预测单元102,以便做出更加精确的能耗管理决策。
此外,例如,输入数据还可以包括上述目标基站及其相邻基站所服务的用户设备的移动轨迹预测、移动历史信息等。
此外,其它可作为输入数据的信息包括但不限于上述目标基站及其相邻基站的ID、位置、载波、电压、温度、湿度、存储使用量,上述目标基站及其相邻基站的UE测量报告(例如,RSRP、RSRQ、SINR报告),上述目标基站及其相邻基站的用户数量的实时信息,上述目标基站及其相邻基站的请求能耗决策的时间戳,上述目标基站及其相邻基站的节能场景,上述目标基站及其相邻基站的UE历史业务信息(例如,业务模式、上行/下行业务量)等。
此外,还可将用户设备自行反馈的UE需求信息或意愿信息作为输入数据,例如终端的剩余电量,以及希望省电的强度的意愿等。例如,如果用户随身携带了充电宝,则可以反馈性能优先的意愿信息。相反地,如果用户未随身携带充电宝,则可以反馈省电优先的意愿信息。
预测单元102可以以各种方式从至少一个网络节点获取如上所述的输入数据。在一些实施例中,预测单元102可以通过发送需求信令来获取输入数据。例如,预测单元102可以通过预定的接口向需要进行能耗管理的目标基站、其相邻基站、以及目标基站和相邻基站所服务的用户设备发送相应的需求信令,以获得诸如上述至少一个网络节点的业务负载、资源状态、能耗、移动轨迹预测、移动历史信息等输入数据。
可选地,预测单元102也可以以预定的周期或频率来自动获取上述输入数据。例如,可以以每分钟一次的频率来自动获取输入数据。
除此之外,预测单元102也可以结合上述两种方式来获取输入数据。例如,可以定期地发送需求信令,来触发节电决策所需要的信息,从而从各个网络节点获取训练所需的数据。
在预测单元102利用如上所述的方式获取了预测所需的输入数据并且将 上述输入数据提供给经训练的能耗管理模型103之后,该经训练的能耗管理模型103基于输入数据对各个网络节点(例如,基站)的能耗进行预测并做出决策,从而输出可用于节能目的的决策数据。
在本公开中,经训练的能耗管理模型103输出的决策数据包括关闭设备、关闭通道、切换节点和定时启动中的一种或多种。
例如,在一些实施例中,经训练的能耗管理模型103输出的决策数据可以包括网络级的节能决策数据,例如打开或关闭基站设备、使基站设备进入休眠状态等。此外,决策数据还可以包括站点级的节能决策数据,例如,时间/频率/空间/功率域的关闭或调整(或新的开/关模式)、通道关闭、载波关闭等。
此外,经训练的能耗管理模型103输出的决策数据还可以包括切换决策数据,例如,为目标节能节点推荐接管其业务的候选节点。
在一些实施例中,经训练的能耗管理模型103输出的决策数据还可以包括以下中的一种或多种:休眠模式的推荐时间段、节能决策的启动时间、节能决策的有效时间窗口、预估的能耗、节能决策的预估精度等。
在经训练的能耗管理模型103输出上述决策数据之后,如图1所述的执行单元104即可基于决策数据针对一个或多个网络节点执行节能操作,从而优化整个网络的能耗。
如上基于图1描述了本公开提供的能耗管理***100的整体架构。应当理解的是,虽然在上文中分别针对各个功能模块进行了分别描述,这仅仅是为了便于理解,并不意味着如上所述的训练单元101、预测单元102、能耗管理模型103和执行单元104一定是相互独立地部署的。实际上,根据场景需要,可以将上述功能单元中的一个或多个集成部署在同一设备上,也可以将其分别部署在不同的设备中。
在3GPP 5G***架构中,通常将网络的管理工作划分为三大类:操作、管理和维护,简称OAM。操作主要完成日常网络和业务进行的分析、预测、规划和配置工作;维护主要是对网络及其业务的测试和故障管理等进行的日常操作活动。5G独立部署时,基于协议栈功能的配置,gNB的逻辑体系采用CU(即中央单元)和DU(分布单元)分离模式或融合模式。在CU-DU分离架构中,NR协议栈的功能可以动态配置和分割,其中一些功能在CU中实现,剩余功能在DU中实现。为满足不同分割选项的需求,需要支持理想传输网 络和非理想传输网络。CU与DU之间的接口应当遵循3GPP规范要求。在CU-DU融合架构中,CU和DU的逻辑功能整合在同一个gNB中,这个gNB实现协议栈的全部功能。
此外,O-RAN联盟推动下,全球运营商正在推动采用适用于5G的开放式RAN。O-RAN联盟定义了5G RAN架构,该架构将曾经以单一供应商,以硬件为中心的RAN分解为几个部分,可互操作的标准精确定义了这些部分之间的接口。O-RAN联盟提出了一种将gNB分解为3个特定组件的模型:处理上层协议的中央单元(O-CU),分布式单元(O-DU)和无线单元(O-RU)。此外,O-RAN对这些标准网元进行了开放性的扩展,以支持通过服务管理和编排(SMO)对其进行智能化管理。SMO的功能相当于传统的封闭的RAN接入网设备的网络运营和管理子***OAM或NMS,即网管。SMO包括如下功能:云基础实施的操作、维护、管理,无线接入网的操作、维护、管理,以及充当非实时的RAN智能控制器(Non RT RIC)。在O-RAN中,新增了无线接入网-非实时控制和优化接口(A1接口),用于SMO对O-RAN内部的无线资源进行智能化和动态的细粒度的控制。
需要说明的是,本公开所述的网络能耗管理***既可以部署在3GPP标准架构中,又可以部署在O-RAN标准架构中,除非文中另有说明或根据上下文明显不适用。
此外,虽然附图中未示出,根据本公开的网络能耗管理***还可包括管理单元,其被配置为对网络中的至少一个网络节点进行维护和管理。例如,在3GPP标准架构下,管理单元可以是如上所述实现操作、管理和维护功能的OAM。此外,在O-RAN标准架构中,管理单元可以是如上所述的服务管理和编排(SMO)或非实时的RAN智能控制器(Non RT RIC)。在下文中,将OAM、SMO或Non RT RIC统称为“管理单元”。
此外,应当理解的是,虽然在上文中示出了本公开中网络节点可包括gNB或UE,但是在实际设计中,要进行能耗管理或者要执行节能操作的目标网络节点可以仅包括gNB,而不包括被gNB服务的用户设备。上文中之所以讨论了用户设备,主要是针对获取训练数据和输入数据的处理来说的,因为被gNB服务的用户设备的各种状态信息作为输入数据,会对gNB本身的节电决策造成影响。也就是说,本公开所述的能耗管理模型是综合考虑了gNB本身的状 态信息、以及被gNB服务的用户设备的状态信息,同时还考虑相邻gNB及其服务的用户设备的状态信息来做出针对目标gNB的节电决策的。在将gNB类型的节点作为要进行能耗管理的目标网络节点的情况下,如上所述,该目标网络节点可包括中央单元(CU)和分布单元(CU)。在3GPP标准架构下,中央单元和分布单元可以是如上所述的CU和DU。在O-RAN标准架构中,中央单元和分布单元可以是如上所述的O-CU和O-DU。在下文中,将两种标准架构下的中央单元和分布单元统称为CU和DU。
此外,在一些部署架构下,本公开中的网络能耗管理***也可以针对用户设备做出节点决策。例如,如上所述,当用户设备向预测单元提供UE需求信息或意愿信息时,本公开中的网络能耗管理***也可以针对UE做出节电决策。
以下将结合附图2-8描述本公开的能耗管理***100中各个功能模块的不同部署架构及其对应的操作流程。
图2示出了根据本公开原理的实施例的网络能耗管理***中的能耗管理模型的部署架构200的示例的示意图。图3示出了根据本公开原理的实施例的网络能耗管理***中的能耗管理模型的部署架构300的示例的示意图。图4示出了根据本公开原理的实施例的网络能耗管理***中的能耗管理模型的部署架构400的示例的示意图。
图2示出了将训练单元和预测单元同时部署在网络能耗管理***中的管理单元中的部署架构200。
如图2所示,训练单元和预测单元被同时部署在管理单元(OAM或SMO)中。E1接口主要功能是为NG-RAN的gNB-CU的CU-CP和CU-UP之间提供互联。F1接口支持gNB-CU和gNB-DU之间的信令交换和数据传输、分离无线网络层和传输网络层、交换用户终端相关信息或非用户终端相关信息。另外,F1接口的功能分为F1-C(控制面)功能和F1-U(用户面)功能,分别为DU和CU-CP、DU和CU-UP之间提供互联。
在网络能耗管理***中的能耗管理模型为部署架构200的情况下,能耗管理处理的示例流程图如图5所示。在图5所示的示例中,假设gNB2为要进行节电的目标节点,gNB1为其相邻节点。应当理解的是,在图5中仅示出gNB1一个相邻节点是为了便于描述而非限制,在实际情况中,目标节点的相 邻节点的数量不限于一个,并且类型也不限于gNB。此外,也可以从目标节点和相邻节点所服务的用户设备获取训练数据和输入数据,这在上文中已详细描述,在此不再赘述。
由于训练单元被部署在管理单元中,如图5所示,在训练阶段,训练单元需要从gNB1和gNB2获取训练数据(如S501所示)。训练数据包括预测的/当前的用户位置信息、负载和资源使用情况、能量消耗情况,节能场景分类等,在此不再赘述。
在一些实施例中,训练单元需要从gNB1和gNB2获取训练数据的操作需要由训练单元向gNB1和gNB2发送需求信令来触发。例如,位于管理单元中的训练单元通过管理单元和gNB1/gNB2之间的第一接口(例如,如上所述的A1接口)向gNB1和gNB2发送训练数据需求,响应于训练数据需求,gNB1和gNB2通过上述第一接口将训练数据发送给训练单元。
可选地,训练单元也可以以预定的周期或频率来自动地从gNB1和gNB2获取上述训练数据。例如,可以以每分钟一次的频率来自动获取训练数据。
除此之外,训练单元也可以结合上述两种方式来从gNB1和gNB2获取训练数据。例如,可以定期地发送需求信令,来触发节电决策所需要的信息,从而从各个网络节点获取训练所需的数据。
在训练单元利用获取的训练数据对能耗管理模型进行训练之后,部署在管理单元中的预测单元可直接调用经训练的能耗管理模型,以便对目标节点gNB2的能耗进行预测,从而输出决策数据。经训练的能耗管理模型的预测同样依赖于来自gNB1和gNB2的输入数据(S502中获取的),输入数据的类型类似于训练数据的类型,在此不再赘述。
在一些实施例中,预测单元从gNB1和gNB2获取输入数据的操作需要由预测单元向gNB1和gNB2发送需求信令来触发。例如,位于管理单元中的预测单元通过管理单元和gNB1/gNB2之间的第一接口(例如,如上所述的A1接口)向gNB1和gNB2发送输入数据需求,响应于输入数据需求,gNB1和gNB2通过上述第一接口将输入数据发送给预测单元。
可选地,预测单元也可以以预定的周期或频率来自动地从gNB1和gNB2获取上述输入数据。例如,可以以每分钟一次的频率来自动获取输入数据。
除此之外,预测单元也可以结合上述两种方式来从gNB1和gNB2获取 输入数据。例如,可以定期地发送需求信令,来触发节电决策所需要的信息,从而从各个网络节点获取预测所需的数据。
在能耗管理模型基于输入数据输出决策数据时,预测单元进行控制以将节电决策数据发送给目标节点gNB2(S503),以便执行单元根据该决策数据来执行节能操作,从而降低目标节点gNB2的能耗。
在架构200中,由于预测单元被部署在管理单元中,并且决策数据也产生于管理单元中,而真正需要使用决策数据执行节电操作的处理是在目标节点gNB2中进行的,因此需要通过管理单元和目标节点gNB2之间的接口将决策数据发送给目标节点gNB2。
发送决策数据可以是即时的,即预测单元获得决策数据以后立即发送。可选地,发送决策数据也可以由特定的事件触发,特定的事件例如目标节点gNB2的功耗超过某个阈值、或者gNB2的当前业务负载超过某个阈值等。
在本公开中,决策数据可以包括网络级的节能决策数据,例如打开或关闭基站设备、使基站设备进入休眠状态等,还可以包括站点级的节能决策数据,例如,符号/通道/载波层面的关闭或调整等。输出的决策数据还可以包括切换决策数据,例如,为目标节能节点推荐接管其业务的候选节点后负载转移的小区。此外,决策数据还可以包括休眠模式的推荐时间段、节能决策的启动时间、持续时间等。
例如,在决策数据包括切换决策数据的情况下,可以在gNB1和gNB2之间进行业务切换,使gNB1承载目标节点gNB2的部分或全部业务。
例如,在决策数据包括休眠决策数据的情况下,可以使目标节点gNB2进入休眠模式。在目标节点gNB2进入节能状态之后,管理单元可以基于决策数据(例如,持续时间等)或其它事件来唤醒处于节能状态的目标节点gNB2(S504),也可以由代为承载其业务的节点gNB1来向gNB2发送唤醒事件(S505),从而使处于节能状态的gNB2结束节电状态。此外,也可以由目标节点gNB2将决策数据中的唤醒定时数据通知给接管其业务的节点gNB1(S506),从而可以在该定时结束后自行恢复到非节能的状态。
在一些实施例中,在节能操作结束以后,如图5所示的节点gNB1和目标节点gNB2还可以向位于管理单元中的模型更新单元反馈性能收据(S507),当模型更新单元接收到该反馈数据后,可将其发送到训练单元,使训练单元 基于反馈数据更新能耗管理模型。因此,本公开所述的能耗管理***同时具备在线更新的能力,其可以在针对各个节点的能耗管理结束后不断更新能耗管理模型,从而使能耗管理模型的预测和决策能力进一步得到提升。
应当理解的是,以上提及了用于更新能耗管理模型的模型更新单元,该模型更新单元可以是独立于训练单元和预测单元的独立的功能模块,也可以是训练单元或预测单元的附加功能模块。例如,训练单元可同时具备模型更新单元的功能,从而可以直接利用训练单元来获取反馈数据,进而实现模型的更新。
在一些实施例中,如上所述的反馈数据包括至少一个网络节点的负载测量数据、虚拟存储使用数据、能耗和用户服务质量(QoS)中的一种或多种。例如,如图5所示的反馈数据可以包括gNB1和gNB2的带宽使用情况、虚拟存储使用情况、能耗和用户QoS(例如,掉包率、延时、平均速率、数据传输量等)。此外,反馈数据还可以包括gNB1和gNB2的其它KPI信息,例如失败/成功切换的数量或比率、CQI/MCS分布、SS-RSRP分布等。
以上结合图2和图5描述了训练单元和预测单元都部署在管理单元中的部署架构和能耗管理流程。下面将结合图3和图6来描述训练单元部署在管理单元、并且预测单元部署在gNB的CU中的模型架构和能耗管理流程。
图3示出了将训练单元部署在网络能耗管理***中的管理单元中、并且将预测单元部署在目标节点的CU中的部署架构300。
图3中各个功能模块和接口的描述类似于图2,在此不再赘述。与图2中的部署架构200相比,部署架构300的不同之处在于将预测单元转移到了目标节点的CU中。
在网络能耗管理***中的能耗管理模型为部署架构300的情况下,能耗管理处理的示例流程图如图6所示。在图6所示的示例中,同样假设gNB2为要进行节电的目标节点,gNB1为其相邻节点。应当理解的是,在图6中仅示出gNB1一个相邻节点是为了便于描述而非限制,在实际情况中,目标节点的相邻节点的数量不限于一个,并且类型也不限于gNB。此外,也可以从目标节点和相邻节点所服务的用户设备获取训练数据和输入数据,这在上文中已详细描述,在此不再赘述。
由于训练单元被部署在管理单元中,如图6所示,在训练阶段,训练单 元需要从gNB1和gNB2获取训练数据(如S601所示)。训练数据包括预测的/当前的用户位置信息、负载和资源使用情况、能量消耗情况,节能场景分类等,在此不再赘述。
在一些实施例中,训练单元需要从gNB1和gNB2获取训练数据的操作需要由训练单元向gNB1和gNB2发送需求信令来触发。例如,位于管理单元中的训练单元通过管理单元和gNB1/gNB2之间的第一接口(例如,如上所述的A1接口)向gNB1和gNB2发送训练数据需求,响应于训练数据需求,gNB1和gNB2通过上述第一接口将训练数据发送给训练单元。
可选地,训练单元也可以以预定的周期或频率来自动地从gNB1和gNB2获取上述训练数据。例如,可以以每分钟一次的频率来自动获取训练数据。
除此之外,训练单元也可以结合上述两种方式来从gNB1和gNB2获取训练数据。例如,可以定期地发送需求信令,来触发节电决策所需要的信息,从而从各个网络节点获取训练所需的数据。
在训练单元利用获取的训练数据对能耗管理模型进行训练之后,由于预测单元并非如图2所示部署在管理单元中,而是部署在目标节点gNB2的CU中,因此预测单元需要通过管理单元和gNB2之间的接口来获得经训练的能耗管理模型(S602)。
在一些实施例中,预测单元通过管理单元和gNB2之间的第一接口向所述管理单元发送能耗管理模型需求,响应于所述能耗管理模型需求,所述管理单元通过所述第一接口将经训练的能耗管理模型发送给所述预测单元,或者将更新后的能耗管理模型发送给所述预测单元。
可选地,预测单元也可以以预定的周期或频率来自动地从管理单元获取上述能耗管理模型或获取更新后的能耗管理模型。例如,可以以每24小时一次的频率来自动获取上述能耗管理模型或获取更新后的能耗管理模型。
除此之外,预测单元也可以结合上述两种方式来从管理单元获取能耗管理模型。例如,可以定期地发送需求信令,来触发能耗管理模型的部署或更新,从而从管理单元获得经训练的能耗管理模型或更新后的能耗管理模型。
在目标节点gNB2从管理单元获得了经训练的能耗管理模型或更新后的能耗管理模型之后,预测单元可以通过目标节点gNB2与相邻节点gNB1之间的第二接口(例如,Xn接口)来从gNB1获得输入数据(S603)、将输入数 据输入能耗管理模型以进行预测,从而得到决策数据,然后基于决策数据执行节能操作。然而,应当注意的是,由于在部署架构300中,预测单元被部署在目标节点gNB2的CU中,因此不再需要如图5所示那样通过基站之间的接口获取来自gNB2的输入数据,而是可以直接从gNB2的相关存储位置中读取相应的输入数据,来自目标节点gNB2的输入数据同样被能耗管理模型用于预测和决策。图6中所述的步骤S605至S607类似于图5中的步骤S505至S507,在此不再赘述。
此外,还应当注意的是,由于在部署架构300中,预测单元被部署在目标节点的CU中并且决策数据也产生于目标节点的CU中,而不是如架构200所示的管理单元中,因此如图5的步骤S504中所示的来自管理单元的唤醒处理也不再存在于架构300的对应处理流程中。
应当理解的是,在图3所示的部署架构300中,通过将预测单元部署在目标节点gNB2中,可以免去如图5的步骤S503所示的从管理单元向目标节点传输决策数据的步骤。但是由于训练单元与预测单元的分离,与图5的流程相比,又增加了向gNB2部署或传输能耗管理模型的步骤(例如,S602)。因此,图2中的部署架构200与图3中的部署架构300相比,各自具有其不同的优缺点。图2中的部署架构200将训练单元和预测单元都集中部署在管理单元中,由管理单元统一进行训练和预测,有利于有效利用管理单元的计算能力,各个节电节点仅需要基于收到的决策数据执行节电操作并终止节电操作,部署方式相对简单,也不会占用各个节点的计算能力。相比之下,图3中的部署架构300将训练单元和预测单元分别部署在管理单元和节点的CU中,有利于平衡网络节点和管理单元的计算任务,同时因为避免了在管理单元和节电节点之间传输决策数据,不仅能够避免传输数据引起的操作的时延,还有效提高了网络的安全性,但是部署的方式相对复杂。
除了上述两种部署方式之外,本公开还提出了另一种更为分布并且更灵活的能耗管理模型的部署方法。下面将结合图4和图7来描述将训练单元和预测单元都部署在目标节点的CU中的模型架构和能耗管理流程。
图4示出了将训练单元和预测单元都部署在目标节点的CU中的部署架构400。
图4中各个功能模块和接口的描述类似于图2和图3,在此不再赘述。 与图2和3中的部署架构200和300相比,部署架构400的不同之处在于将训练单元和预测单元二者都部署在了目标节点的CU中。
在网络能耗管理***中的能耗管理模型为部署架构400的情况下,能耗管理处理的示例流程图如图7所示。在图7所示的示例中,同样假设gNB2为要进行节电的目标节点,gNB1为其相邻节点。应当理解的是,在图7中仅示出gNB1一个相邻节点是为了便于描述而非限制,在实际情况中,目标节点的相邻节点的数量不限于一个,并且类型也不限于gNB。此外,也可以从目标节点和相邻节点所服务的用户设备获取训练数据和输入数据,这在上文中已详细描述,在此不再赘述。
由于训练单元和预测单元都被部署在目标节点gNB2中,如图7所示,在训练阶段,训练单元需要从gNB1获取训练数据(如S701所示)。训练数据包括预测的/当前的用户位置信息、负载和资源使用情况、能量消耗情况,节能场景分类等,在此不再赘述。
在一些实施例中,训练单元需要从gNB1获取训练数据的操作需要由训练单元向相邻gNB1发送需求信令来触发。例如,位于目标gNB2的CU中的训练单元通过gNB1和gNB2之间的第二接口(例如,Xn接口)向gNB1发送训练数据需求,响应于训练数据需求,gNB1通过上述第二接口将训练数据发送给训练单元。与先前的部署架构200和300相比,来自目标节点gNB2的训练单元不再需要通过发送需求信令以及在设备之间传输而获得,相反地,训练单元可以直接从目标节点gNB2的内部的存储位置读取相应的训练数据。
可选地,训练单元也可以以预定的周期或频率来自动地从gNB1获取上述训练数据。例如,可以以每分钟一次的频率来自动获取训练数据。
除此之外,训练单元也可以结合上述两种方式来从gNB1获取训练数据。例如,可以定期地发送需求信令,来触发节电决策所需要的信息,从而从各个网络节点获取训练所需的数据。
在训练单元利用获取的训练数据对能耗管理模型进行训练之后,由于预测单元并非如图3所示与训练单元分离地部署,因此不需要额外地传输经训练的能耗管理模型,而是直接在目标节点gNB2的CU中获得经训练的能耗管理模型。
之后,预测单元可以与图6中类似的方式从gNB1获取输入数据(S702)、 将输入数据输入能耗管理模型以进行预测,从而得到决策数据,然后基于决策数据执行节能操作。图7中所述的步骤S703和S704分别类似于图5中的步骤S505和S506,在此不再赘述。此外,应当注意的是,由于在部署架构400中,管理单元不再参与能耗管理模型的训练和预测,因此如步骤S705中所示的性能反馈处理会将反馈数据通过上述第二接口发送给位于目标节点gNB2的CU中的模型更新单元,而不是如图5和6所示发送给管理单元。此外,还应当注意的是,由于在部署架构400中,管理单元不再参与能耗管理模型的训练和预测,因此如图5的步骤S504中所示的来自管理单元的唤醒处理也不再存在于架构400的对应处理流程中。
以上结合图4和图7描述了将训练单元和预测单元都部署在目标节点的CU中的模型架构400及其能耗管理流程。与先前的部署架构200和300相比,这种将训练单元和预测单元都部署在目标节点的CU中的架构由于不再受管理单元的统一管理和训练而显得更加灵活。例如,可以同时在每个有节电需求的gNB上都训练出其各自的能耗管理模型,然后每个gNB可以利用其各自的能耗管理模型来对本节点实施能耗管理,从而使得能耗管理更具针对性,有利于提高能耗管理的精度。
本领域技术人员可以根据应用场景和网络的各项能力来选择上述三种部署架构中的任何一种,也可以根据需要来进行各种可能的组合,进而实现能耗管理的目的。基于本公开实施例对各种变型或组合同样落入本公开的保护范围内。
如上所述,5G的基站功能被重构为CU和DU两个功能实体;CU与DU功能的切分以处理内容的实时性进行区分。CU主要包括非实时的无线高层协议栈功能,同时也支持部分核心网功能下沉和边缘应用业务的部署。DU主要处理物理层功能和实时性需求的功能。5G基站的CU和DU有多种部署方式,例如可采用分离模式或融合模式。在CU-DU分离架构中,NR协议栈的功能可以动态配置和分割。
以上虽然基于CU-DU融合模式的基站介绍了本公开中网络能耗管理模型的不同部署架构和处理流程,但是并不意味着以上三种结构仅适用于CU-DU融合模式。在CU-DU分离的基站架构中,以上三种部署架构同样适用。
在一些实施例中,针对CU-DU分离的基站架构,由于基站的实时性能 需求相关的功能被部署在DU中,针对上述三种不同的部署架构,当对能耗管理模型进行训练以及利用经训练的能耗管理模型进行预测时,还需要额外的数据传输步骤来将训练数据和输入数据从DU发送给CU,并且也需要额外的步骤将反馈数据从DU发送给CU。
图8所示的流程图示出了在CU-DU分离的基站架构中适用于以上三种不同的训练单元/预测单元部署架构的附加流程。
例如,由于基站的CU和DU是分离部署的,因此在训练阶段,需要首先通过特定接口(例如,F1接口)将训练数据从DU发送到CU(S801),该步骤中的训练数据类似于图5-7所示的训练数据,同样包括预测的/当前的用户位置信息、负载和资源使用情况、能量消耗情况,节能场景分类等。类似的,在预测阶段,也需要通过特定接口(例如,F1接口)将输入数据从DU发送到CU(S802),该步骤中的输入数据也类似于图5-7所示的输入数据,同样包括预测的/当前的用户位置信息、负载和资源使用情况、能量消耗情况,节能场景分类等。
在基站的CU和DU是分离部署的情况下,执行节能操作时,CU会通过F1接口配置DU,从而关掉部分资源以进行节电,比如关掉部分频率、天线、传输时间等等。此外,执行节能操作还可以包括向DU推荐休眠模式的时间段、给出节能决策的启动时间、持续时间等。
此外,在执行节能操作之后,DU会将反馈数据通过上述特定接口(例如,F1接口)发送给CU,以使CU将该反馈数据进一步提供给模型更新单元,用以更新网络能耗模型。
应当理解的是,在CU-DU分离的基站架构中,训练数据/输入数据/反馈数据的获取或发送同样可以基于上文所述的三种方式,即通过发送需求信令、以预定的频率或周期自动获取或发送、或者以混合的方式获取或发送(例如,已预定的频率或周期发送需求信令)。
以上结合附图描述了能耗管理模型的各种部署机构及其数据流程。如上所述,本公开的能耗管理模型是基于人工智能算法的模型,具体地,能耗管理模型诸如卷积神经网络CNN或循环神经网络RNN等实现。在功能上,本公开中的能耗管理模型可包括预测功能模块和决策功能模块。图9示出了根据本公开原理的实施例的网络能耗管理***中的能耗管理模型900的功能模 块的示意图。
如图9所示,能耗管理模型900在功能上包括用户位置预测模块901、业务负载预测模块902、能量消耗预测模块903以及节能决策模块904。用户位置预测模块901被配置为基于如上所述的各种类型的输入数据预测用户位置信息、QoS测量信息等,业务负载预测模块902被配置基于如上所述的各种类型的输入数据预测基站的业务负载和资源使用情况,并且能量消耗预测模块903被配置为预测能量消耗情况(包括时间戳、精度水平和有效时间等)和节能场景分类。当用户位置预测模块901、业务负载预测模块902和能量消耗预测模块903得到各自的预测结果之后,将上述预测结果提供给节能决策模块904,节能决策模块904利用各种预测结果以及其它的输入数据(例如,目标节点和相邻节点的当前的业务负载等)做出节能决策,并且将决策数据输出。
上述用户位置预测模块901、业务负载预测模块902和能量消耗预测模块903执行的各种预测操作同样体现在图5-8的流程图中。以图5为例,在步骤S501将训练数据发送到训练单元之前,在节点gNB1和gNB2中首先进行了用户位置/业务负载/能量损耗预测,之后,各个节点会将包括该预测的用户位置/业务负载/能量损耗数据的训练数据发送给训练单元。其它流程图中同样存在类似的操作,在此不再赘述。
以上结合附图描述了能耗管理模型的各种部署机构及其数据流程。如上所述,本领域技术人员可以根据应用场景和网络的各项能力来选择各种部署架构中的任何一种,以使其适应各个应用场景,并且能够适当地发挥能耗管理的作用。
应当理解的是,上述实施例虽然只针对一个目标网络节点描述了本公开的能耗管理***,但是这仅仅是为了便于描述。在实际应用中,本领域技术人员可以根据需要,针对网络中的多个网络节点、甚至为每个网络节点都部署类似的能耗管理模型,从而使本公开所述的网络能耗管理***能够对整个网络中多个网络节点或者所有网络节点的能耗进行管理,从而达到网络级别的节能目标。
此外,应当理解的是,在针对多个网络节点部署网络模型的情况下,不一定针对每个网络节点都采取同样的部署架构。例如,对于自身运算能力较 强的节点,可以采取将训练和预测都集中在节点本身的架构,从而提高节能的精确性和灵活度。相反地,对于自身运算能力有限的节点,可以考虑将训练部署在管理单元中,或者将训练和预测都部署在管理单元中,从而使模型部署更加便捷。本领域技术人员也可以采取各种组合、或者基于其它需求或指标来灵活地在整个网络中部署上述能耗管理模型。
本公开还提供了一种网络能耗管理方法。图10示出了根据本公开原理的实施例的网络能耗管理方法1000的示例流程图。
如图10所示,网络能耗管理方法1000包括:
S1010:从至少一个网络节点获取训练数据,并且使用所述训练数据对能耗管理模型进行训练,以得到经训练的能耗管理模型;
S1020:从所述至少一个网络节点获取输入数据,并且将所述输入数据提供给经训练的能耗管理模型,以得到输出的决策数据;以及
S1030:控制所述至少一个网络节点基于所述决策数据执行节能操作。
以上步骤S1010-S1030分别对应于上文中关于训练单元、预测单元和执行单元所述的各项功能,并且上文中关于训练单元、预测单元和执行单元所述的其它附加功能或处理也可视为方法1000的以上各个步骤的附加步骤或细分步骤,除非文中另有说明或根据上下文明显不适用,在此不再赘述。
本公开还提供一种非暂时性计算机可读存储介质。图11示出了根据本公开原理的实施例的计算机可读存储介质1100的示意图。其中,计算机可读存储介质1100上存储有计算机程序指令1101,其中,计算机程序指令1101被处理器执行时执行本公开实施例提供的网络能耗管理方法。
在上述描述中,已经基于实施例描述了本发明。本实施例仅是说明性的,并且本领域技术人员应当理解,可以以各种方式修改本实施例的构成元素和处理的组合,并且这种修改也在本发明的范围内。
Claims (13)
- 一种网络能耗管理***,包括:训练单元,其被配置为从至少一个网络节点获取训练数据,并且使用所述训练数据对能耗管理模型进行训练,以得到经训练的能耗管理模型;预测单元,其被配置为从所述至少一个网络节点获取输入数据,并且将所述输入数据提供给经训练的能耗管理模型,以得到输出的决策数据;以及执行单元,其被配置为控制所述至少一个网络节点基于所述决策数据执行节能操作,其中,所述能耗管理模型包括:状态预测模块,其被配置为基于所述输入数据预测所述至少一个网络节点的用户位置信息、业务负载和能量消耗中的一种或多种;以及节能决策模块,其被配置为基于所述至少一个网络节点的预测的用户位置信息、预测的业务负载、预测的能量消耗、以及要进行能耗管理的目标网络节点的当前状态做出节能决策。
- 根据权利要求1所述的***,还包括:管理单元,其被配置为对所述至少一个网络节点进行维护和管理,并且其中,所述至少一个网络节点中要进行能耗管理的所述目标网络节点包括中央单元和分布单元。
- 根据权利要求2所述的***,其中,所述训练单元和所述预测单元被布置在所述管理单元中。
- 根据权利要求2所述的***,其中,所述训练单元被布置在所述管理单元中,并且所述预测单元被布置在所述目标网络节点的中央单元中。
- 根据权利要求2所述的***,其中,所述训练单元和所述预测单元被布置在所述目标网络节点的中央单元中。
- 根据权利要求3或4所述的***,其中,所述训练单元通过所述管理单元和所述至少一个网络节点之间的第一接口向所述至少一个网络节点发送训练数据需求,响应于所述训练数据需求,所述至少一个网络节点通过所述第一接口将 所述训练数据发送给所述训练单元。
- 根据权利要求5所述的***,其中,所述训练单元通过所述目标网络节点与其它网络节点之间的第二接口向所述其它网络节点发送训练数据需求,响应于所述训练数据需求,所述其它网络节点通过所述第二接口将所述训练数据发送给所述训练单元。
- 根据权利要求3所述的***,其中,所述预测单元通过所述管理单元和所述至少一个网络节点之间的第一接口向所述至少一个网络节点发送输入数据需求,响应于所述输入数据需求,所述至少一个网络节点通过所述第一接口将所述输入数据发送给所述预测单元。
- 根据权利要求4或5所述的***,其中,所述预测单元通过所述目标网络节点与其它网络节点之间的第二接口向所述其它网络节点发送输入数据需求,响应于所述输入数据需求,所述其它网络节点通过所述第二接口将所述训练数据发送给所述预测单元。
- 根据权利要求4所述的***,其中,所述预测单元还通过所述管理单元和所述目标网络节点之间的第一接口向所述管理单元发送能耗管理模型需求,响应于所述能耗管理模型需求,所述管理单元通过所述第一接口将经训练的能耗管理模型发送给所述预测单元。
- 根据权利要求3所述的***,其中,在得到所述决策数据后,所述预测单元通过所述管理单元和所述目标网络节点之间的第一接口将所述决策数据发送给所述目标网络节点。
- 一种网络能耗管理方法,包括:从至少一个网络节点获取训练数据,并且使用所述训练数据对能耗管理模型进行训练,以得到经训练的能耗管理模型;从所述至少一个网络节点获取输入数据,并且将所述输入数据提供给经训练的能耗管理模型,以得到输出的决策数据;以及控制所述至少一个网络节点基于所述决策数据执行节能操作,其中,所述能耗管理模型适于执行以下操作:基于所述输入数据预测所述至少一个网络节点的用户位置信息、业务负载和能量消耗中的一种或多种;以及基于所述至少一个网络节点的预测的用户位置信息、预测的业务负载、预测的能量消耗、以及要进行能耗管理的目标网络节点的当前状态做出节能决策。
- 一种非暂时性计算机可读存储介质,其上存储有指令,当所述指令被处理器执行时,使所述处理器:从至少一个网络节点获取训练数据,并且使用所述训练数据对能耗管理模型进行训练,以得到经训练的能耗管理模型;从所述至少一个网络节点获取输入数据,并且将所述输入数据提供给经训练的能耗管理模型,以得到输出的决策数据;以及控制所述至少一个网络节点基于所述决策数据执行节能操作,其中,所述能耗管理模型适于执行以下操作:基于所述输入数据预测所述至少一个网络节点的用户位置信息、业务负载和能量消耗中的一种或多种;以及基于所述至少一个网络节点的预测的用户位置信息、预测的业务负载、预测的能量消耗、以及要进行能耗管理的目标网络节点的当前状态做出节能决策。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/130921 WO2023087138A1 (zh) | 2021-11-16 | 2021-11-16 | 网络能耗管理***、方法和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118251931A true CN118251931A (zh) | 2024-06-25 |
Family
ID=86396103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180104239.1A Pending CN118251931A (zh) | 2021-11-16 | 2021-11-16 | 网络能耗管理***、方法和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN118251931A (zh) |
WO (1) | WO2023087138A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113132945B (zh) * | 2019-12-30 | 2023-07-18 | ***通信集团辽宁有限公司 | 一种铁路专网基站小区节能调度方法和*** |
CN113543284A (zh) * | 2020-04-17 | 2021-10-22 | 中兴通讯股份有限公司 | 节能方法、基站、控制单元及存储介质 |
CN111918370A (zh) * | 2020-07-27 | 2020-11-10 | 东联信息技术有限公司 | 基于大数据挖掘及ai调度的无线基站的节能降耗方法 |
CN112714488A (zh) * | 2020-12-23 | 2021-04-27 | 东联信息技术有限公司 | 基于能耗数据的网络节能方法及装置 |
-
2021
- 2021-11-16 CN CN202180104239.1A patent/CN118251931A/zh active Pending
- 2021-11-16 WO PCT/CN2021/130921 patent/WO2023087138A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023087138A1 (zh) | 2023-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
López-Pérez et al. | A survey on 5G radio access network energy efficiency: Massive MIMO, lean carrier design, sleep modes, and machine learning | |
Shen et al. | AI-assisted network-slicing based next-generation wireless networks | |
Li et al. | Intelligent 5G: When cellular networks meet artificial intelligence | |
Jerbi et al. | O-LEACH of routing protocol for wireless sensor networks | |
CN104581845B (zh) | 一种5g***中基于成簇的超密集小网络移动性管理办法 | |
Qiu et al. | A novel QoS-enabled load scheduling algorithm based on reinforcement learning in software-defined energy internet | |
CN106464543A (zh) | 用于移动网络中的无线电资源控制的方法和装置 | |
CN104769998A (zh) | 用于无线网络中的自适应和重配置的***和方法 | |
US20230388817A1 (en) | Activating intelligent wireless communciation device reporting in a wireless network | |
CN110149680A (zh) | 省电处理方法、服务器、基站及终端设备 | |
US11647457B2 (en) | Systems and methods for performance-aware energy saving in a radio access network | |
El Amine et al. | Reinforcement learning for delay-constrained energy-aware small cells with multi-sleeping control | |
US20220104127A1 (en) | Method and apparatus for power management in a wireless communication system | |
Hlophe et al. | QoS provisioning and energy saving scheme for distributed cognitive radio networks using deep learning | |
Lopez-Perez et al. | A survey on 5g energy efficiency: Massive mimo, lean carrier design, sleep modes, and machine learning | |
CN115066006A (zh) | 一种基于强化学习的基站休眠方法、设备和介质 | |
CN114339971A (zh) | 基站节能控制方法、装置、存储介质及电子设备 | |
De Domenico et al. | Reinforcement learning for interference-aware cell DTX in heterogeneous networks | |
Qazzaz et al. | Machine learning-based xApp for dynamic resource allocation in O-RAN networks | |
Alavirad et al. | O-RAN architecture, interfaces, and standardization: Study and application to user intelligent admission control | |
Ferrús et al. | Data analytics architectural framework for smarter radio resource management in 5G radio access networks | |
De Domenico et al. | Backhaul-aware small cell DTX based on fuzzy Q-Learning in heterogeneous cellular networks | |
CN118251931A (zh) | 网络能耗管理***、方法和存储介质 | |
Murudkar et al. | Network Architecture for Machine Learning: A Network Operator's Perspective | |
López-Pérez et al. | Data-driven Energy Efficiency Modelling in Large-scale Networks: An Expert Knowledge and ML-based Approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |