【技术实现步骤摘要】
【国外来华专利技术】用于自组织网络的优化的过程
[0001]实施例的示例涉及装置、方法、系统、计算机程序、计算机程序产品和(非瞬态)计算机可读介质，可用于在基于LTE、5G或类似的基于网络的环境中进行用于自动优化通信网络(诸如，自组织网络)的过程，其也适用于未来的网络系统，诸如超过5G的网络。
技术介绍
[0002]对
技术介绍
的以下描述可以包括对由本专利技术提供的但是本专利技术的实施例的至少一些示例的见解、发现、理解或公开或关联，以及相关现有技术未知的公开。下面可以具体指出本专利技术的一些这样的贡献，而本专利技术的其他这样的贡献从相关的上下文将是明显的。
[0003]本说明书中的缩写的以下含义适用：
[0004]3GPP
ꢀꢀꢀꢀꢀ
第三代合作伙伴计划
[0005]4G
ꢀꢀꢀꢀꢀꢀꢀ
第四代
[0006]5G
ꢀꢀꢀꢀꢀꢀꢀ
第五代
[0007]BS
ꢀꢀꢀꢀꢀꢀꢀ
基站
[0008]CN
ꢀꢀꢀꢀꢀꢀꢀ
核心网络
[0009]CPU
ꢀꢀꢀꢀꢀꢀ
中央处理器
[0010]DRL
ꢀꢀꢀꢀꢀꢀ
深度强化学习
[0011]E
‑
UTRAN
ꢀꢀ
演进UMTS地面无线接入网
[0012]eNB
ꢀꢀꢀꢀꢀꢀ
演进节点B
[0013]EPC
ꢀꢀꢀꢀꢀꢀ
演进分组核心
[
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于由通信网络控制元件或功能使用的装置，所述通信网络控制元件或功能被配置为控制对自组织通信网络的参数的设置，所述装置包括：至少一个处理电路系统，以及至少一个存储器，用于存储要由所述处理电路系统执行的指令，其中所述至少一个存储器和所述指令被配置为与所述至少一个处理电路系统一起使所述装置至少：获得预训练的网络优化模型，所述网络优化模型指示在形成所述模型的输入的通信网络环境、形成所述模型的输出的优化动作或决定以及形成奖励的系统性能指示符之间的映射，使得向形成所述自组织通信网络的一部分的至少一个通信网络元件或功能发送针对为相似性分析提供相似性数据的请求，所述相似性分析允许确定所述自组织通信网络中的针对其得出所述预训练的网络优化模型的一部分与所述自组织通信网络中的所述请求被发送到的一部分之间的相似性，执行所述相似性分析，以用于确定所述自组织通信网络中的针对其得出所述预训练的网络优化模型的所述一部分与所述自组织通信网络中的接收到针对其的用于所述相似性分析的相似性数据的每个部分之间的相似性，基于所述相似性分析，至少确定一部分所述预训练的网络优化模型，所述一部分所述预训练的网络优化模型要被提供给从其接收到所述相似性数据的、形成所述自组织通信网络中的一部分的所述至少一个通信网络元件或功能，以及引起将所确定的一部分所述预训练的网络优化模型的发送给从其接收到所述相似性数据的、形成所述自组织通信网络的一部分的所述至少一个通信网络元件或功能。2.根据权利要求1所述的装置，其中所述至少一个存储器和所述指令还被配置为与所述至少一个处理电路系统一起使所述装置至少：通过从属于所述自组织通信网络的一部分的通信网络元件或功能接收包括所述预训练的网络优化模型的数据，来获得所述预训练的网络优化模型，其中所述装置被包括在中央单元中，所述中央单元负责收集和管理所述自组织通信网络中得出的预训练的网络优化模型的使用情况。3.根据权利要求1所述的装置，其中所述至少一个存储器和所述指令还被配置为与所述至少一个处理电路系统一起使所述装置至少：通过从在所述自组织通信网络的一部分中实施的数据和测量得出所述预训练的网络优化模型，来获得所述预训练的网络优化模型，其中所述装置被包括在以下通信网络元件或功能中，所述通信网络元件或功能形成用于管理所述自组织通信网络中得出的预训练的网络优化模型的使用情况的分布式系统的一部分。4.根据权利要求1至3中任一项所述的装置，其中所述预训练的网络优化模型通过使用基于多个卷积层和多个完全连接层的深度增强学习算法而被得出，所述多个卷积层被采用来捕获所述自组织通信网络的所述一部分的所述网络环境之间的空间和时间相关性，所述多个完全连接层被采用来将所述多个卷积层中的数据处理的维度减小到所期望的输出维度，其中所述预训练的网络优化模型由一组模型参数和超参数来定义。5.根据权利要求4所述的装置，其中用于得出所述预训练的网络优化模型，输入数据通
过以下操作被准备：确定所述通信网络部分的用户在所述自组织通信网络的所述一部分中在空间上如何分布，以及所述用户的所述空间分布如何随时间演变，确定所述用户在指定时间段内的用户活动级别，以及生成包括图像和图像序列中的至少一项的输入样本，其中每个像素的位置对应于所述用户的地理网格或物理地点，以及每个像素的强度或颜色值对应于在所述指定时间段、在所述地理网格上聚合的用户活动级别。6.根据权利要求4或5所述的装置，其中所述模型参数包括以下至少一项：所述多个卷积层和所述多个完全连接层的每两个连续层之间的权重矩阵，以及所述多个卷积层和所述多个完全连接层的每两个连续层之间的偏置向量，以及所述超参数包括以下至少一项：所述多个卷积层和所述多个完全连接层的层数、在所述多个卷积层和所述多个完全连接层中的每层处的单元数、激活函数的类型、所述多个卷积层的每层中的滤波器数目和滤波器大小、每个最大或平均池化层的步长大小。7.根据权利要求1至6中任一项所述的装置，其中被引起要被发送到至少一个通信网络元件或功能的、针对为相似性分析提供相似性数据的请求被包括在预训练的网络优化模型是存在的指示中，所述至少一个通信网络元件或功能形成所述自组织通信网络的一部分。8.根据权利要求1至7中任一项所述的装置，其中所述至少一个存储器和所述指令还被配置为与所述至少一个处理电路系统一起使所述装置至少：用于执行所述相似性分析以用于确定所述自组织通信网络中的针对其得出所述预训练的网络优化模型的所述一部分与所述自组织通信网络中的接收到针对其的用于相似性分析的相似性数据的一部分之间的相似性，基于所述自组织通信网络中的针对其得出所述预训练的网络优化模型的所述一部分、以及所述自组织通信网络中的接收到针对其的用于所述相似性分析的相似性数据的所述一部分的网络属性，来计算相似性测量，其中所述网络属性包括与单个数据点相关的数据和与统计测量相关的数据，并且包括以下至少一项：地点信息、地理特征、移动性模式、数据需求统计和近似于概率密度函数的直方图。9.根据权利要求8所述的装置，其中所述至少一个存储器和所述指令还被配置为与所述至少一个处理电路系统一起使所述装置至少：用于至少确定要被提供给从其接收到所述相似性数据的、形成所述自组织通信网络的一部分的所述至少一个通信网络元件或功能的一部分所述预训练的网络优化模型，处理所计算的所述相似性测量，以及用于形成要被提供的所述预训练的网络优化模型的所述一部分，选择参数和超参数中的定义所述预训练的网络优化模型的低层和中间层的子集，其中根据所述相似性测量，所述自组织通信网络中的针对其得出所述预训练的网络优化模型的所述一部分与所述自组织通信网络中的接收到针对其的用于所述相似性分析的相似性数据的所述一部分之间的相似性越高，则针对所述子集选择的参数和超参数的数目就变得越高。10.一种用于由通信网络元件或功能使用的装置，所述通信网络元件或功能被配置为
实施对自组织通信网络的参数的设置，所述装置包括：至少一个处理电路系统，以及至少一个存储器，用于存储要由所述处理电路执行的指令，其中所述至少一个存储器和所述指令被配置为与所述至少一个处理电路一起使所述装置至少：从形成所述自组织通信网络的一部分的通信网络控制元件或功能接收并处理针对为相似性分析提供相似性数据的请求，所述相似性分析允许确定所述自组织通信网络的部分之间的相似性，决定相似性数据是否需要被发送，在所述决定是肯定的情况下，引起将所请求的所述相似性数据发送到从其接收到所述请求的所述通信网络控制元件或功能，接收指示预训练的网络优化模型的至少一部分的数据，所述预训练的网络优化模型指示在形成所述模型的输入的通信网络环境、形成所述模型的输出的优化动作或决定以及形成奖励的系统性能指示符之间的映射，以及通过使接收到的所述预训练的网络优化模型适配于所述自组织通信网络的自身部分，处理指示预训练的网络优化模型的至少一部分的所述数据，以用于生成自身网络优化模型。11.根据权利要求10所述的装置，其中所述至少一个存储器和所述指令还被配置为与所述至少一个处理电路系统一起使所述装置至少：从中央单元或者通信网络元件或功能接收针对为所述相似性分析提供相似性数据的所述请求，所述中央单元负责收集和管理所述自组织通信网络中得出的预训练的网络优化模型的使用情况，所述通信网络元件或功能得出所述预训练的网络优化模型，并且形成用于管理所述自组织通信网络中得出的预训练的网络优化模型的使用情况的分布式系统的一部分，其中针对提供相似性数据的所述请求被包括在预训练的网络优化模型是存在的指示中。12.根据权利要求10或11所述的装置，其中所述至少一个存储器和所述指令还被配置为与所述至少一个处理电路系统一起使所述装置至少：用于决定相似性数据是否需要响应于所述请求而被发送，检查自身网络优化模型是否是可用的，在自身网络优化模型是不可用的情况下，决定所述相似性数据需要被发送，其中所述相似性数据与网络属性相关，并且包括与单个数据点相关的数据和与统计测量相关的数据，并且包括以下至少一项：地点信息、地理特征、移动性模式、数据需求统计和近似于概率密度函数的直方图，以及在自身网络优化模型是可用的情况下，决定相似性数据不需要被发送，并且引起发送拒绝针对相似性数据的所述请求的指示。13.根据权利要求10至12中任一项所述的装置，其中所述预训练的网络优化模型基于的是深度增强学习算法，所述深度增强学习算法基于多个卷积层和多个完全连接层，所述多个卷积层被采用来捕获所述自组织通信网络的一部分的网络环境之间的空间和时间相
关性，所述多个完全连接层被采用来将所述多个卷积层中的数据处理的维度减小到所期望的输出维度，其中所述预训练的网络优化模型由一组模型参数和超参数来定义。14.根据权利要求13所述的装置，其中所述模型参数包括以下至少一项：所述多个卷积层和所述多个完全连接层的每两个连续层之间的权重矩阵，以及所述多个卷积层和所述多个完全连接层的每两个连续层之间的偏置向量，以及所述超参数包括以下至少一项：所述多个卷积层和所述多个完全连接层中的层数、在所述多个卷积层和所述多个完全连接层中的每一层处的单元数、激活函数的类型、所述多个卷积层的每一层中的滤波器数目和滤波器大小、每个最大或平均池化层的步长大小。15.根据权利要求13和14中任一项所述的装置，其中所述至少一个存储器和所述指令还被配置为与所述至少一个处理电路一起使所述装置至少：用于处理指示预训练的网络优化模型的至少一部分的所述数据以用于生成自身网络优化模型，通过实施以下至少一项来修改所述预训练的网络优化模型的接收到的所述一部分将新的卷积层和新的完全连接层中的至少一个层添加到所述预训练的网络优化模型的所述一部分中，修改所述预训练的网络优化模型的所述一部分的卷积层和完全连接层中的至少一个层，以及通过使用在所述自组织通信网络的所述自身部分中获得的测量数据，来重新训练包括所添加或修改的所述层的所修改的所述网络优化模型。16.根据权利要求10至15中任一项所述的装置，其中所述至少一个存储器和所述指令还被配置为与所述至少一个处理电路一起使所述装置至少：用于处...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。