网络参数配置方法及装置制造方法及图纸

本发明专利技术涉及人工智能，应用于智能网络领域，具体公开了一种网络参数配置方法，包括：获取n个AP设备的运行状态信息、候选配置参数集合及候选配置参数集合中每个候选配置参数的置信度；n为大于0的整数；根据n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从候选配置参数集合中确定出n个AP设备中每个AP设备的目标配置参数。本发明专利技术还公开了一种参数配置装置。采用本发明专利技术实施例提高了配置参数的准确性。发明专利技术实施例提高了配置参数的准确性。发明专利技术实施例提高了配置参数的准确性。

【技术实现步骤摘要】
网络参数配置方法及装置


[0001]本专利技术涉及通信网络，尤其涉及一种网络参数配置方法及装置。

技术介绍

[0002]人工智能(artificial intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索，AI基础理论等。
[0003]无线局域网(wireless local area network,WLAN)利用射频传输技术进行数据的传送，为用户提供无线宽带接入服务。WLAN无需布线，网络成本大幅降低，且可移动性强，这些优点使得WLAN广泛普及，越来越多的办公室、学校、家庭等开始使用WLAN。随着移动互联网技术的日益发展，特别是移动终端的普及，用户产生的海量数据对WLAN造成的压力越来越大，而用户对WLAN的服务质量要求却越来越高。为了满足用户对网络性能的要求，需要对WLAN中接入点(Access Point，AP)设备的参数进行优化调整，以提高网络服务质量。
[0004]然而，由于用户的移动性、业务的多样性以及用户的不同偏好，导致不同场景下网络的状态在不断变化，最佳参数值也会发生相应改变。因此很难存在一个固定的参数值，以保证不同网络状态下的网络性能都达到最优。同时为了保证网络的覆盖范围，AP设备之间存在着明显的相互影响并有严重的信号干扰。
[0005]因此，WLAN中AP设备的参数值需要适应网络状态的变化不断进行调整。但是传统基于专家规则的参数调整方案很难达到最优的调整效果，而且难以推广。

技术实现思路

[0006]本专利技术实施例提供一种网络配置参数方法及装置，采用本专利技术实施例提高了配置参数的准确性，易于推广。
[0007]第一方面，本专利技术实施例提供一种网络参数配置方法，包括：
[0008]获取n个AP设备的运行状态信息、候选配置参数集合及候选配置参数集合中每个候选配置参数的置信度；n为大于0的整数；根据n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从候选配置参数集合中确定出n个AP设备中每个AP设备的目标配置参数；其中，候选配置参数的增益值是在AP设备的配置参数为该候选配置参数时该AP设备的接收的信号强度指示(received signal strength indication，RSSI)的预测值。通过基于候选配置参数的置信度和增益值从候选配置参数中获取AP设备的目标配置参数，提高了配置参数的准确性。
[0009]在一个可行的实施例中，n个AP设备的运行状态信息包括n个AP设备的拓扑结构、n
个AP设备中每个AP设备的历史状态信息和历史配置参数，根据n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从候选配置参数集合中确定出n个AP设备中每个AP设备的目标配置参数，包括：
[0010]根据n个AP设备的拓扑结构、n个AP设备中每个AP设备的历史状态信息、历史配置参数和候选配置参数集合进行t次迭代计算，以得到t个推荐配置参数组，t个推荐配置参数组中的每个推荐配置参数组中包括n个推荐配置参数，n个推荐配置参数与n个AP设备一一对应，t为大于0的整数；从t个推荐配置参数组中获取目标配置参数组，目标配置参数组中包括每个AP设备的目标配置参数。
[0011]基于AP设备的历史配置参数和历史状态信息获取AP设备的目标配置参数，实现了配置参数可以基于网络状态的变化进行调整，并且提高了配置参数的精确性。
[0012]在一个可行的实施例中，候选配置参数集合中包括m个候选配置参数，m为大于0的整数，根据n个AP设备的拓扑结构、n个AP设备中的每个AP设备的历史状态信息、历史配置参数和候选配置参数集合进行t次迭代计算，以得到t个推荐配置参数组，包括：
[0013]S1：在进行第k次迭代计算时，将n个AP设备均标记为未推荐AP设备，k＝1,2,
…
,t；
[0014]S2：从未推荐的AP设备中任选一个AP设备j，根据n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合获取AP设备j的增益集合，
[0015]其中，AP设备j的增益集合包括m个增益值，m个增益值与AP设备j的候选配置参数集合中m个候选配置参数一一对应；n-1个AP设备为n个AP设备中除了AP设备j之外的AP设备；
[0016]S3：根据每个候选配置参数对应的增益值与置信度获取该候选配置参数的推荐值，将最大推荐值对应的候选配置参数确定为AP设备j的推荐配置参数并将AP设备j标记为推荐AP设备；
[0017]S4：重复执行S2和S3，直至n个AP设备均被标记为推荐AP设备，获取t个推荐配置参数组中的第k个推荐配置参数组，第k个推荐配置参数组包括AP设备j的推荐配置参数
[0018]其中，当k＝1时，n-1个AP设备中任一AP设备s的第一配置参数为AP设备s的历史配置参数；当k大于1且不大于t时，AP设备s的第一配置参数为在进行第k-1次迭代计算得到的AP设备s的推荐配置参数
[0019]通过进行多次迭代，可到到多个推荐配置参数，再从多个推荐配置参数中获取目标配置参数，进一步提高了配置参数的精确性。
[0020]在一个可行的实施例中，根据n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合获取AP设备j的增益集合，包括：
[0021]将n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合中的第i个候选配置参数输入到图卷积模型中进行计算，以得到AP设备j的增益集合中的第i个增益值；其中，i＝1,2,
…
,m。
[0022]在一个可行的实施例中，图卷积模型包括表征模型和预测模型，表征模型是由图注意力网络构成的，将n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息
和第一配置参数，及AP设备j的候选配置参数集合中的第i个候选配置参数输入到图卷积模型中进行计算，以得到AP设备j的增益集合中的第i个增益值，包括：
[0023]将n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及AP设备j的候选配置参数集合中的第i个候选配置参数输入到表征模型中进行计算，以得到AP设备j的特征向量；
[0024]将AP设备j的特征向量输入到预测模型中进行计算，以得到AP设备j的增益值。
[0025]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络参数配置方法，其特征在于，包括：获取n个接入点AP设备的运行状态信息、候选配置参数集合及所述候选配置参数集合中每个候选配置参数的置信度；所述n为大于0的整数；根据所述n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从所述候选配置参数集合中确定出所述n个AP设备中每个AP设备的目标配置参数；其中，所述候选配置参数的增益值是在AP设备的配置参数为该候选配置参数时该AP设备的接收的信号强度指示RSSI的预测值。2.根据权利要求1所述的方法，其特征在于，所述n个AP设备的运行状态信息包括所述n个AP设备的拓扑结构、所述n个AP设备中每个AP设备的历史状态信息和历史配置参数，所述根据所述n个AP设备的运行状态信息及候选配置参数集合中每个候选配置参数的置信度和增益值，从所述候选配置参数集合中确定出所述n个AP设备中每个AP设备的目标配置参数，包括：根据所述n个AP设备的拓扑结构、所述n个AP设备中每个AP设备的历史状态信息、历史配置参数和候选配置参数集合进行t次迭代计算，以得到t个推荐配置参数组，所述t个推荐配置参数组中的每个推荐配置参数组中包括n个推荐配置参数，所述n个推荐配置参数与所述n个AP设备一一对应，所述t为大于0的整数；从所述t个推荐配置参数组中获取目标配置参数组，所述目标配置参数组中包括所述每个AP设备的目标配置参数。3.根据权利要求2所述的方法，其特征在于，所述候选配置参数集合中包括m个候选配置参数，所述m为大于0的整数，所述根据所述n个AP设备的拓扑结构、所述n个AP设备中的每个AP设备的历史状态信息、历史配置参数和候选配置参数集合进行t次迭代计算，以得到t个推荐配置参数组，包括：S1：在进行第k次迭代计算时，将所述n个AP设备均标记为未推荐AP设备，所述k＝1,2,
…
,t；S2：从所述未推荐的AP设备中任选一个AP设备j，根据所述n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及所述AP设备j的候选配置参数集合获取AP设备j的增益集合，其中，所述AP设备j的增益集合包括m个增益值，所述m个增益值与所述AP设备j的候选配置参数集合中m个候选配置参数一一对应；所述n-1个AP设备为所述n个AP设备中除了AP设备j之外的AP设备；S3：根据所述每个候选配置参数对应的增益值与置信度获取该候选配置参数的推荐值，将最大推荐值对应的候选配置参数确定为AP设备j的推荐配置参数并将所述AP设备j标记为推荐AP设备；S4：重复执行所述S2和S3，直至所述n个AP设备均被标记为推荐AP设备，获取所述t个推荐配置参数组中的第k个推荐配置参数组，所述第k个推荐配置参数组包括AP设备j的推荐配置参数其中，当k＝1时，所述n-1个AP设备中任一AP设备s的第一配置参数为所述AP设备s的历史配置参数；当所述k大于1且不大于t时，所述AP设备s的第一配置参数为在进行第k-1次迭
代计算得到的所述AP设备s的推荐配置参数4.根据权利要求3所述的方法，其特征在于，所述根据所述n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及所述AP设备j的候选配置参数集合获取AP设备j的增益集合，包括：将所述n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及所述AP设备j的候选配置参数集合中的第i个候选配置参数输入到图卷积模型中进行计算，以得到所述AP设备j的增益集合中的第i个增益值；其中，所述i＝1,2,
…
,m。5.根据权利要求4所述的方法，其特征在于，所述图卷积模型包括表征模型和预测模型，所述表征模型是由图注意力网络构成的，所述将所述n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及所述AP设备j的候选配置参数集合中的第i个候选配置参数输入到图卷积模型中进行计算，以得到所述AP设备j的增益集合中的第i个增益值，包括：将所述n个AP设备的拓扑结构、n-1个AP设备中每个AP设备的历史状态信息和第一配置参数，及所述AP设备j的候选配置参数集合中的第i个候选配置参数输入到所述表征模型中进行计算，以得到所述AP设备j的特征向量；将所述AP设备j的特征向量输入到所述预测模型中进行计算，以得到所述AP设备j的增益值。6.根据权利要求2-5任一项所述的方法，其特征在于，所述从所述t个推荐配置参数组中获取目标配置参数组，包括：从所述t个推荐配置参数组中获取n个参考参数集合，所述n个参考参数集合中的第g个参考参数集合中的元素为在所述t个推荐配置参数组中所述n个AP设备中第g个AP设备的推荐配置参数，其中，所述g＝1,2,
…
,n；将所述第g个参考参数集合中出现频率最多的推荐配置参数确定为所述第g个AP设备的目标配置参数；所述目标配置参数组包括所述第g个AP设备的目标配置参数。7.根据权利要求4-6任一项所述的方法，其特征在于，在所述获取n个接入点AP设备的运行状态信息、候选配置参数集合及所述候选配置参数集合中每个候选配置参数的置信度之前，所述方法还包括：根据所述n个AP设备中每个AP设备的历史状态信息、历史配置参数及所述n个AP设备的拓扑结构训练得到所述图卷积模型；或者从其他训练设备中获取所述图卷积模型。8.一种参数配置装置，其特征在于，包括：获取单元，用于获取n个接入点AP设备的运行状态信息、候选配置参数集合及所述候选配置参数集合中每个候选配置参数的置信度；所述n为...

【专利技术属性】
技术研发人员：程敏，李超，杨林，陈志堂，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：