无线网络环境场景分类与子分类方法、系统及存储介质技术方案

本发明专利技术公开了无线网络环境场景分类与子分类方法、系统及存储介质，通过获取目标无线网络环境在设定时间间隔内介质访问控制层中BK帧、BE帧、VI帧和VO帧的数量，以及物理层空口利用率平均值，来导入相应的分类器模型中进行场景分类，得到目标无线网络环境的场景分类结果，再根据设定时间间隔内BK帧数量、BE帧数量、VI帧数量、VO帧数量、Data帧数量、BA帧数量、RTS帧数量、CTS帧数量、全部帧数量、物理层空口利用率平均值以及Payload的总长度和重传率，构建高维时间序列数据集，并采用TICC算法进行计算，得到目标无线网络环境的子场景分类结果。本发明专利技术可以有效解决无线网络环境的场景分类和子场景分类问题，能够极大的提升无线网络环境优化的性能和效率。境优化的性能和效率。境优化的性能和效率。

【技术实现步骤摘要】
无线网络环境场景分类与子分类方法、系统及存储介质


[0001]本专利技术属于无线网络
，具体涉及无线网络环境场景分类与子分类方法、系统及存储介质。

技术介绍

[0002]随着无线局域网络(Wireless Local Area Network,WLAN)技术的快速发展，由于Wi
‑
Fi设备具有通信效果良好、方便部署、性价比高等特点，逐渐成为接入无线互联网的优先选项；同时对诸如VR/AR、元宇宙等高质量业务需求的增加，对Wi
‑
Fi设备的性能参数提出更高的要求。尽管每一代IEEE 802.11协议都对物理(PHY)层和介质访问控制(MAC)层进行了优化，但目前为止最好的解决方案仍然是部署更多的AP(Access Point,接入点)。这将必然导致场景中节点数量过多，使得场景的无线网络环境变得愈发复杂。优化无线网络环境具有迫在眉睫的意义，而对场景进行精确的分类和子场景分类能够极大的提升无线网络环境优化的性能和效率。
[0003]不同场景中，AP的部署策略与数量一般不同，用户站点(Station,STA)随时间变化的均值与峰值也一般不同，这导致不同场景的无线网络特征一般不同。使用一个庞大而笼统的模型尝试去描述所有场景下的无线网络特征是困难且效果不理想的，如果事先完成了对场景的分类，再对单一场景进行分析和优化将大大降低难度。所以，无线网络场景分类有十分重要的意义。
[0004]在实际测试中发现，诸如食堂、卖场、游戏厅等场景，其无线网络环境的变化主要受到STA节点数量的影响，表现出强烈的时间波动特征：同一个场景的高峰时段和低谷时段的无线网络特征存在较大的区别，不同场景之间的高峰时段或低谷时段的无线网络特征反而存在某些相似之处；除了周期性的时间波动外，难以预测的突发事件也会使得无线网络环境特征发生剧变，使同一场景在突发事件前后的无线网络特征大相径庭。忽略时间维度上的区别，使用一个标签来描述一个无线网络环境是不合适的，需要在场景分类的基础上进行子场景分类。
[0005]现有对无线网络环境分析并分类的方法大多是专家知识驱动的传统模型，如马尔可夫模型(Markov Model)，分析通过设置一些非常强的假设并结合仿真数据集来验证模型。随着WLAN技术日新月异、无线网络环境日益复杂，一成不变且代价高昂的传统模型在面对新出现的复杂无线网络环境提出的巨大挑战时，显得缺乏科学性和自适应性，也无法从新的数据中提取和推广新的知识。

技术实现思路

[0006]本专利技术的目的是提供无线网络环境场景分类与子分类方法、系统及存储介质，用以解决现有技术中存在的上述问题。
[0007]为了实现上述目的，本专利技术采用以下技术方案：
[0008]第一方面，提供无线网络环境场景分类与子分类方法，包括：
[0009]获取目标无线网络环境的介质访问控制层帧信息以及物理层空口利用率信息；
[0010]计算设定时间间隔内介质访问控制层帧信息中BK帧的数量、BE帧的数量、VI帧的数量以及VO帧的数量，并根据物理层空口利用率信息计算设定时间间隔内物理层空口利用率平均值；
[0011]将设定时间间隔内BK帧的数量、BE帧的数量、VI帧的数量、VO帧的数量以及物理层空口利用率平均值导入预置的分类器模型中进行场景分类，得到目标无线网络环境的场景分类结果；
[0012]计算设定时间间隔内介质访问控制层帧信息中Data帧的数量、BA帧的数量、RTS帧的数量、CTS帧的数量、全部帧的总数以及Payload的总长度和重传率；
[0013]根据设定时间间隔内BK帧的数量、BE帧的数量、VI帧的数量、VO帧的数量、Data帧的数量、BA帧的数量、RTS帧的数量、CTS帧的数量、全部帧的总数、物理层空口利用率平均值以及Payload的总长度和重传率，构建高维时间序列数据集；
[0014]将高维时间序列数据集导入预置的时间序列分隔聚类算法TICC模型中，计算得到高维时间序列分割与聚类结果，将高维时间序列分割与聚类结果作为目标无线网络环境的子场景分类结果。
[0015]在一个可能的设计中，所述预置的分类器模型采用测试后的KNN模型。
[0016]在一个可能的设计中，所述KNN模型的测试过程包括：
[0017]构建初始KNN模型；
[0018]获取若干种无线网络环境场景的样本数据组，形成原始数据集；
[0019]将原始数据集的70％作为训练集，其余30％作为测试集；
[0020]利用训练集和测试集对初始KNN模型进行测试，得到测试后的KNN模型。
[0021]在一个可能的设计中，所述预置的分类器模型采用训练后的CART模型。
[0022]在一个可能的设计中，所述CART模型的训练过程包括：
[0023]构建初始CART模型；
[0024]获取若干种无线网络环境场景的样本数据组，形成原始数据集；
[0025]将原始数据集的70％作为训练集，其余30％作为测试集；
[0026]利用训练集和测试集对初始CART模型进行测试训练，得到训练后的CART模型。
[0027]在一个可能的设计中，所述预置的分类器模型采用训练后的SVM模型。
[0028]在一个可能的设计中，所述SVM模型的训练过程包括：
[0029]构建初始SVM模型；
[0030]获取若干种无线网络环境场景的样本数据组，形成原始数据集；
[0031]将原始数据集的70％作为训练集，其余30％作为测试集；
[0032]利用训练集和测试集对初始SVM模型进行测试训练，得到训练后的SVM模型。
[0033]在一个可能的设计中，所述将高维时间序列数据集导入预置的时间序列分隔聚类算法TICC模型中，计算得到高维时间序列分割与聚类结果，包括：设定时间序列分隔聚类算法TICC模型的聚类数量和滑动窗口长度，将高维时间序列数据集导入设定好聚类数量和滑动窗口长度的时间序列分隔聚类算法TICC模型进行计算，得到高维时间序列分割与聚类结果。
[0034]第二方面，提供无线网络环境场景分类与子分类系统，包括获取单元、第一计算单
元、第一分类单元、第二计算单元、构建单元和第二分类单元，其中：
[0035]获取单元，用于获取目标无线网络环境的介质访问控制层帧信息以及物理层空口利用率信息；
[0036]第一计算单元，用于计算设定时间间隔内介质访问控制层帧信息中BK帧的数量、BE帧的数量、VI帧的数量以及VO帧的数量，并根据物理层空口利用率信息计算设定时间间隔内物理层空口利用率平均值；
[0037]第一分类单元，用于将设定时间间隔内BK帧的数量、BE帧的数量、VI帧的数量、VO帧的数量以及物理层空口利用率平均值导入预置的分类器模型中进行场景分类，得到目标无线网络环境的场景分类结果；
[0038]第二计算单元，用于计算设定时间间隔内介质访问控制层帧信息中Data帧的数量、BA帧的数量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.无线网络环境场景分类与子分类方法，其特征在于，包括：获取目标无线网络环境的介质访问控制层帧信息以及物理层空口利用率信息；计算设定时间间隔内介质访问控制层帧信息中BK帧的数量、BE帧的数量、VI帧的数量以及VO帧的数量，并根据物理层空口利用率信息计算设定时间间隔内物理层空口利用率平均值；将设定时间间隔内BK帧的数量、BE帧的数量、VI帧的数量、VO帧的数量以及物理层空口利用率平均值导入预置的分类器模型中进行场景分类，得到目标无线网络环境的场景分类结果；计算设定时间间隔内介质访问控制层帧信息中Data帧的数量、BA帧的数量、RTS帧的数量、CTS帧的数量、全部帧的总数以及Payload的总长度和重传率；根据设定时间间隔内BK帧的数量、BE帧的数量、VI帧的数量、VO帧的数量、Data帧的数量、BA帧的数量、RTS帧的数量、CTS帧的数量、全部帧的总数、物理层空口利用率平均值以及Payload的总长度和重传率，构建高维时间序列数据集；将高维时间序列数据集导入预置的时间序列分隔聚类算法TICC模型中，计算得到高维时间序列分割与聚类结果，将高维时间序列分割与聚类结果作为目标无线网络环境的子场景分类结果。2.根据权利要求1所述的无线网络环境场景分类与子分类方法，其特征在于，所述预置的分类器模型采用测试后的KNN模型。3.根据权利要求2所述的无线网络环境场景分类与子分类方法，其特征在于，所述KNN模型的测试过程包括：构建初始KNN模型；获取若干种无线网络环境场景的样本数据组，形成原始数据集；将原始数据集的70％作为训练集，其余30％作为测试集；利用训练集和测试集对初始KNN模型进行测试，得到测试后的KNN模型。4.根据权利要求1所述的无线网络环境场景分类与子分类方法，其特征在于，所述预置的分类器模型采用训练后的CART模型。5.根据权利要求4所述的无线网络环境场景分类与子分类方法，其特征在于，所述CART模型的训练过程包括：构建初始CART模型；获取若干种无线网络环境场景的样本数据组，形成原始数据集；将原始数据集的70％作为训练集，其余30％作为测试集；利用训练集和测试集对初始CART模型进行测试训练，得到训练后的CART模型。6.根据权利要求1所述的无线网络环境场景分类与子分类方法，其特征在于，所述预置的分类器模型采用训练后的SVM模型。7.根据权利要求6所述的无线网络环境场景分类与子分类方法，...

【专利技术属性】
技术研发人员：邱才明，肖遥，刘峻铄，朱椿，
申请(专利权)人：华工未来科技江苏有限公司，
类型：发明
国别省市：