基于流量预测的移动前传光网络带宽调整方法及装置制造方法及图纸

本发明专利技术公开了一种基于流量预测的移动前传光网络带宽调整方法及装置。所述方法包括：获取当前时刻的真实流量数据；根据所述当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，获取下一时刻的预测流量数据；根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整，从而基于流量预测主动调整带宽，极大的降低带宽重配置时延，并且提高前传光网络带宽的利用率。

Bandwidth adjustment method and device of mobile optical network based on traffic prediction

【技术实现步骤摘要】
基于流量预测的移动前传光网络带宽调整方法及装置
本专利技术涉及移动通信网络
，特别是指一种基于流量预测的移动前传光网络带宽调整方法及装置。
技术介绍
近年来，为满足急剧增长的流量需求，无线接入网(radioaccessnetwork，RAN)架构逐步从4G时代的C-RAN架构演化到下一代RAN(nextgenerationRAN，NG-RAN)，无线接入网被分割为三个功能单元，分别是AAU(activeantennaunit)、DU(distributedunit)和CU(centralunit)。在NG-RAN中，通用公共无线接口(commonpublicradiointerface，CPRI)演变到e-CPRI，BBU(basebandunit)侧的部分无线功能迁移到RRU(remoteradiounit)中。完成功能分割后，来自AAU的前端流量是用户负载相关的带宽需求，前传流量的带宽需求与实际流量负载直接相关，即实际占用的资源块数量(ResourceBlocks，RBs)。在DU-CU的分离架构中，5G承载网逻辑上分为前传(Fronthaul)、中传(Midhaul)和回传(Backhaul)3部分，分别对应了AAU和DU之间，DU和CU之间，CU至核心网之间的通信承载。5G网络中，移动终端的急剧增长和业务种类的多样化带动了流量需求的急剧增加，光前传网络面临着两个主要的问题，一方面，前传带宽需求的急剧增长带来了带宽有限的提供能力上的瓶颈，另一方面，用户移动性的加快导致了用户侧流量的突发性、不确定性以及高动态性，从而导致前传带宽的动态变化。目前，在5G网络资源动态优化方面，可分为两个优化思路：第一种优化思路是一种非预测的优化方法。例如针对IP光网络中的虚拟链路进行动态带宽调整，部分解决方案考虑业务优先级特征，控制器根据网络和服务状态来动态调整带宽。非预测的优化方法处理集中对于业务特性进行处理，主要业务优先级、业务加载状态和包大小等特性进行考虑，并未从资源预测和动态预留的角度实现资源优化。而且非预测的优化方法是一种被动式带宽调整方案，针对已到来业务的特性进行相关调整，并未从用户行为侧考虑，未根据用户流量的变化特性进行主动式的调整，导致带宽重配置时延长，前传光网络带宽的利用率低。另一种优化思路是基于预测过程的优化方法。例如针对移动用户业务，运营商将用户区分为优先用户和非优先用户，为确保给优先用户提供更好的服务质量，部分方案利用机器学习方法预测用户流量模式，采用朴素贝叶斯分类器和逻辑回归两种监督学习方法预测优先用户处于活跃状态的可能时间，将预测结果应用到用户调度策略中进行有效的带宽管理。预测过程的优化方法是应用监督学习方法对业务请求的准入进行决策控制，并未尝试利用神经网络对于业务特性的动态感知，以及并未考虑流量特性中长时间序列的流量变化，导致前传光网络带宽的利用率低。
技术实现思路
有鉴于此，本专利技术的目的在于提出一种基于流量预测的移动前传光网络带宽调整方法及装置，能够基于流量预测主动调整带宽，极大的降低带宽重配置时延，并且提高前传光网络带宽的利用率。基于上述目的本专利技术提供的基于流量预测的移动前传光网络带宽调整方法，包括：获取当前时刻的真实流量数据；根据所述当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，获取下一时刻的预测流量数据；根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整。进一步地，在所述获取当前时刻的真实流量数据之前，还包括：构建长短期记忆神经网络；获取历史基站流量数据；所述历史基站流量数据包括多个历史时刻及每一历史时刻的真实流量数据；根据所述历史基站流量数据，对长短期记忆神经网络进行训练。进一步地，所述获取历史基站流量数据，具体包括：获取历史基站流量原始数据；对所述历史基站流量原始数据进行预处理；对预处理后的历史基站流量原始数据进行筛选，得到历史基站流量数据。进一步地，所述对所述历史基站流量原始数据进行预处理，具体包括：对所述历史基站流量原始数据进行数据集成、数据清洗、数据转换、数据降维和缺失值处理。进一步地，所述根据所述历史基站流量数据，对长短期记忆神经网络进行训练，具体包括：将多个历史时刻及多个每一历史时刻的真实流量数据输入至长短期记忆神经网络进行训练；在每次训练过程中，通过历史时刻t-1的真实流量数据，得到历史时刻t的预测流量数据；根据所述历史时刻t的预测流量数据与真实流量数据之间的误差，对所述长短期记忆神经网络的参数进行更新，实现所述长短期记忆神经网络的训练。进一步地，所述根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整，具体包括：根据所述下一时刻的预测流量数据，计算移动前传光网络的带宽需求；根据所述带宽需求，向移动前传光网络分配至少一个基本带宽。进一步地，所述预测流量数据包括预测的资源块数量，所述带宽需求的计算公式为：L＝PRB/MRB；其中，Rfronthaul表示带宽需求，B表示无线频谱带宽，L表示资源块的利用率，PRB表示预测的资源块数量，MRB表示最大可用的资源块数量，A表示一个小区内的天线数。进一步地，所述根据所述带宽需求，向移动前传光网络分配至少一个基本带宽，具体包括：根据所述带宽需求，确定所需分配的最小基本带宽数量，并向移动前传光网络分配所述数量的基本带宽。进一步地，所述基本带宽为一个时隙带宽。本专利技术还提供一种基于流量预测的移动前传光网络带宽调整装置，包括：获取模块，用于获取当前时刻的真实流量数据；预测模块，用于根据所述当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，获取下一时刻的预测流量数据；以及，调整模块，用于根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整。从上面所述可以看出，本专利技术提供的基于流量预测的移动前传光网络带宽调整方法及装置，能够获取当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，进而获取下一时刻的预测流量数据，进而对对移动前传光网络带宽进行调整，极大的降低带宽重配置时延，实现更为高效的带宽分配，并且提高前传光网络带宽的利用率，满足不同业务多样化的服务质量需求，同时降低运营商的链路成本。附图说明图1为本专利技术实施例提供的基于流量预测的移动前传光网络带宽调整方法的流程示意图；图2为本专利技术实施例提供的基于流量预测的移动前传光网络带宽调整方法中长短期记忆神经网络的训练示意图；图3为本专利技术实施例提供的基于流量预测的移动前传光网络带宽调整方法的另一流程示意图；图4为本专利技术实施例提供的基于流量预测的移动前传光网络带宽调整装置的结构示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。参见图1，是本文档来自技高网...

【技术保护点】
1.一种基于流量预测的移动前传光网络带宽调整方法，其特征在于，包括：/n获取当前时刻的真实流量数据；/n根据所述当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，获取下一时刻的预测流量数据；/n根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整。/n

【技术特征摘要】
1.一种基于流量预测的移动前传光网络带宽调整方法，其特征在于，包括：
获取当前时刻的真实流量数据；
根据所述当前时刻的真实流量数据，并基于预先训练的长短期记忆神经网络，获取下一时刻的预测流量数据；
根据所述下一时刻的预测流量数据，对移动前传光网络带宽进行调整。


2.根据权利要求1所述的基于流量预测的移动前传光网络带宽调整方法，其特征在于，在所述获取当前时刻的真实流量数据之前，还包括：
构建长短期记忆神经网络；
获取历史基站流量数据；所述历史基站流量数据包括多个历史时刻及每一历史时刻的真实流量数据；
根据所述历史基站流量数据，对长短期记忆神经网络进行训练。


3.根据权利要求2所述的基于流量预测的移动前传光网络带宽调整方法，其特征在于，所述获取历史基站流量数据，具体包括：
获取历史基站流量原始数据；
对所述历史基站流量原始数据进行预处理；
对预处理后的历史基站流量原始数据进行筛选，得到历史基站流量数据。


4.根据权利要求3所述的基于流量预测的移动前传光网络带宽调整方法，其特征在于，所述对所述历史基站流量原始数据进行预处理，具体包括：
对所述历史基站流量原始数据进行数据集成、数据清洗、数据转换、数据降维和缺失值处理。


5.根据权利要求2所述的基于流量预测的移动前传光网络带宽调整方法，其特征在于，所述根据所述历史基站流量数据，对长短期记忆神经网络进行训练，具体包括：
将多个历史时刻及多个每一历史时刻的真实流量数据输入至长短期记忆神经网络进行训练；
在每次训练过程中，通过历史时刻t-1的真实流量数据，得到历史时刻t的预测流量数据；
根据所述历史时刻t的预测流量数据与真实流...

【专利技术属性】
技术研发人员：纪越峰，张佳玮，张少蕾，柏琳，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11