基于空口参数与机器学习的LTE下行干扰检测装置制造方法及图纸

一种基于空口参数与机器学习的LTE下行干扰检测装置，包括：数据采集模块、干扰模型训练模块、干扰检测模块和干扰源定位模块，本装置通过基站感知UE上报的参数及基站自身的无线环境参数建立数据库，利用数据库训练低干扰或单一干扰场景下的机器学习模型，预测基站在低干扰或单一基站干扰条件下的重传率，得到基站的干扰强度及干扰源实现对基站的干扰检测及干扰源定位。干扰源定位。干扰源定位。

【技术实现步骤摘要】
基于空口参数与机器学习的LTE下行干扰检测装置


[0001]本专利技术涉及的是一种无线通信领域的技术，具体是一种基于空口参数与机器学习的LTE下行干扰检测装置。

技术介绍

[0002]干扰问题严重影响通信链路的通信质量。由于基站设备的密集分布或发射天线角度等参数不合适使得用户设备常常受到同频邻区的干扰，进而导致小区边缘用户信号质量下降、网速降低，影响用户体验。现有的下行干扰评价中往往使用信号与干扰加噪声比(SINR)进行描述。SINR值往往由用户设备进行测量，根据测量得到的数值映射为信道状态指示(CQI)，通过上行链路上报。基站获取CQI后映射为对应的调制与编码策略(MCS)，基站根据MCS信息进行后续的下行调度控制。但是，由于下行SINR在3GPP中没有规定为统一的标准，各个用户设备(UE)厂商在定义下行SINR的方法上不尽相同，且属于各个应用厂商的内部资料。因此从UE侧获取干扰信息进行基站的配置优化就较为困难。

技术实现思路

[0003]本专利技术针对现有技术存在的上述不足，提出一种基于空口参数与机器学习的LTE下行干扰检测装置，通过基站感知UE上报的参数及基站自身的无线环境参数建立数据库，利用数据库训练低干扰或单一干扰场景下的机器学习模型，预测基站在低干扰或单一基站干扰条件下的重传率(PRB)，得到基站的干扰强度及干扰源实现对基站的干扰检测及干扰源定位。
[0004]本专利技术是通过以下技术方案实现的：
[0005]本专利技术涉及一种基于空口参数与机器学习的LTE下行干扰检测装置，包括：数据采集模块、干扰模型训练模块、干扰检测模块和干扰源定位模块，其中：数据采集模块从待测基站中实时获取基站侧和用户侧相关参数，经预处理后输出数据集至干扰模型训练模块；干扰模型训练模块根据收到的数据集依据随机森林回归算法进行模型训练，将训练得到的模型文件分别输出至干扰检测模块和干扰源定位模块；干扰检测模块将待测基站中实时获取基站侧和用户侧相关参数，输入第一干扰检测模型并预测得到在无干扰情况下的重传率后，通过干扰检测算法得到检测结果；干扰源定位模块根据中干扰和强干扰对应的检测结果，提取对应的基站侧和用户侧相关参数，输入来自干扰模型训练模块的第二干扰检测模型并预测得到在单一邻区基站高负载干扰情况下的重传率，进而通过干扰源定位算法判断干扰源。
[0006]所述的第一干扰检测模型，与所述实时获取基站侧和用户侧相关参数的主索引相同且副索引均为低负载。
[0007]所述的第二干扰检测模型，与所述对应的基站侧和用户侧相关参数的主索引相同且副索引对应两基站负载分别为低负载与高负载。
[0008]所述的重传率是指：通过周期采集PRB重传总数这一数据，通过求差值得到测量时
间窗内的PRB的重传数量以描述下行干扰的大小，具体为：其中：rbRetx_PerCycle为周期内重传RB的数量，rbDl_PerCycle为周期内发送RB的数量。经过相关实验及理论推导可证明重传率与下行SINR之间存在正相关关系。
[0009]所述的基站侧和用户侧相关参数包括：下行MCS、CQI、服务小区/邻区参考信号接收功率(RSRP)、服务小区/邻区参考信号接收质量(RSRQ)、服务小区/邻区PRB占用率、重传率、协议数据单元(PDU)占用量、传输块大小(TBS)占用量。
[0010]所述的预处理，包括数据异常值清洗和索引划分，其中：
[0011]数据异常值清洗包括：对测量得到的数据进行数值范围判定，当数值超出预定范围则被认为是异常值；对历史数据进行箱型图绘制，确定数据对应的上下边缘，对在线得到的数据与上下边缘做比较，超出上下边缘范围则被认定为异常值。
[0012]索引划分包括：对采集的数据按照服务小区和两个邻小区的RSRP大小进行区段划分得到数据的主索引，按照邻区PRB占用率，即邻区负载按照区段进行划分得到副索引。
[0013]所述的随机森林回归算法进行模型训练的输入参数为：下行MCS、CQI、服务小区/邻区参考信号接收功率(RSRP)、服务小区/邻区参考信号接收质量(RSRQ)、服务小区/邻区PRB占用率、协议数据单元(PDU)占用量、传输块大小(TBS)占用量；输出参数为：重传率。
[0014]所述的模型训练的文件以索引命名保存，索引即为上文预处理中的索引划分结果。训练好的模型文件有多个，其按照索引名称分别保存，以供干扰检测模块获取。
[0015]所述的主索引相同且副索引均为低负载是指：将待检测的数据的RSRP数值进行划分得到对应的主索引，在训练得到的众多模型中寻找主索引相同且副索引均为低负载。
[0016]所述的干扰检测算法包括：0
‑
1干扰检测算法、干扰强度检测算法和阈值选取算法，其中：
[0017]0‑
1干扰检测算法：将待测基站中实时获取基站侧和用户侧相关参数中的输入参数输入第一干扰检测模型中，利用模型和获取的参数预测得到在无干扰情况下的重传率，与当前测量得到的重传率做差值，将差值与检测阈值比较得到0
‑
1干扰检测结果。
[0018]干扰强度检测算法：利用第一干扰检测模型和从待测基站中实时获取基站侧和用户侧相关参数预测得到在无干扰情况下的重传率，与当前测量得到的重传率做差值，将差值与多个设定阈值比较得到干扰强度检测结果。
[0019]阈值选取算法：对于0
‑
1干扰检测阈值，利用虚拟栅格内已有的历史数据，画出预测重传率与测量重传率差值的CDF图，对应于30％所在的值，设置为阈值。对于干扰强度检测阈值，同样利用虚拟栅格内已有的历史数据，画出预测重传率与测量重传率差值的CDF图，对应于30％，50％，70％所在的值分别问三个分界阈值a1、a2、a3，小于a1为无干扰，a1～a2为弱干扰，a2～a3为中干扰，大于a3为强干扰。阈值选取根据已建立的数据集进行计算，更新周期为T。
[0020]所述的测量数据主索引相同且副索引对应两基站负载分别为低负载与高负载的第二干扰检测模型，将待检测的数据的RSRP数值进行划分得到对应的主索引，在训练得到的众多模型中寻找主索引相同且副索引对应为邻区一高负载、邻区二低负载，以及主索引相同且副索引对应为邻区一低负载、邻区二高负载。
[0021]所述的第二干扰检测模型用于干扰源定位算法：利用预测得到在单一邻区干扰情
况下的重传率，对比两个单一邻区干扰条件差下重传率的大小，重传率较大的邻区为干扰邻区，实现干扰源定位。技术效果
[0022]本专利技术通过干扰检测算法与干扰源定位算法，利用基站侧、UE侧参数与机器学习模型模拟多基站场景中不同负载下的无线环境，通过比较预测重传率与实际重传率间的差值来评价基站的下行干扰状况。相比现有技术仅考虑利用UE参数辅助SINR计算，本专利技术既考虑了UE参数，又对基站参数进行提取并用重传率实现对无线环境的描述。
附图说明
[0023]图1为本专利技术基于空口参数与机器学习的LTE下行干扰检测装置示意图；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于空口参数与机器学习的LTE下行干扰检测装置，其特征在于，包括：数据采集模块、干扰模型训练模块、干扰检测模块和干扰源定位模块，其中：数据采集模块从待测基站中实时获取基站侧和用户侧相关参数，经预处理后输出数据集至干扰模型训练模块；干扰模型训练模块根据收到的数据集依据随机森林回归算法进行模型训练，将训练得到的模型文件分别输出至干扰检测模块和干扰源定位模块；干扰检测模块将待测基站中实时获取基站侧和用户侧相关参数，输入第一干扰检测模型并预测得到在无干扰情况下的重传率后，通过干扰检测算法得到检测结果；干扰源定位模块根据中干扰和强干扰对应的检测结果，提取对应的基站侧和用户侧相关参数，输入来自干扰模型训练模块的第二干扰检测模型并预测得到在单一邻区基站高负载干扰情况下的重传率，进而通过干扰源定位算法判断干扰源；所述的第一干扰检测模型，与所述实时获取基站侧和用户侧相关参数的主索引相同且副索引均为低负载；所述的第二干扰检测模型，与所述对应的基站侧和用户侧相关参数的主索引相同且副索引对应两基站负载分别为低负载与高负载；所述的重传率是指：通过周期采集PRB重传总数这一数据，通过求差值得到测量时间窗内的PRB的重传数量以描述下行干扰的大小，具体为：其中：rbRetx_PerCycle为周期内重传RB的数量，rbDl_PerCycle为周期内发送RB的数量；经过相关实验及理论推导可证明重传率与下行SINR之间存在正相关关系；所述的基站侧和用户侧相关参数包括：下行MCS、CQI、服务小区/邻区参考信号接收功率、服务小区/邻区参考信号接收质量、服务小区/邻区PRB占用率、重传率、协议数据单元占用量、传输块大小占用量。2.根据权利要求1所述的基于空口参数与机器学习的LTE下行干扰检测装置，其特征是，所述的预处理，包括数据异常值清洗和索引划分，其中：数据异常值清洗包括：对测量得到的数据进行数值范围判定，当数值超出预定范围则被认为是异常值；对历史数据进行箱型图绘制，确定数据对应的上下边缘，对在线得到的数据与上下边缘做比较，超出上下边缘范围则被认定为异常值；索引划分包括：对采集的数据按照服务小区和两个邻小区的RSRP大小进行区段划分得到数据的主索引，按照邻区PRB占用率，即邻区负载按照区段进行划分得到副索引。3.根据权利要求1所述的基于空口参数与机器学习的LTE下行干扰检测装置，其特征是，所述的主索引相同且副索引均为低负载是指：将待检测的数据的RSRP数值进行划分得到对应的主索引，在训练得到的众多模型中寻找主索引相同且副索引均为低负载；所述的干扰检测算法包括：0
‑
1干扰检测算法、干扰强度检测算法和阈值选取算法，其中：0
‑
1干扰检测算法：将待测基站中实时获取基站侧和用户侧相关参数中输入参数输入第一干扰检测模型中，利用模型和获取的参数预测得到在无干扰情况下的重传率，与当前测量得到的重传率做差值，将差值与检测阈值比较得到0
‑
1干扰检测结果；干扰强度检测算法：利用第一干扰检测模型和从待测基站中实时获取基站侧和用户侧相关参数预测得到在无干扰情况下的重传率，与当前测量得到的重传率做差值，将差值与
多个设定阈值比较得到干扰强度检测结果；阈值选取算法：对于0
‑
1干扰检测阈值，利用虚拟栅格内已有的历史数据，画出预测重传率与测量重传率差值的CDF图，对应于30％所在的值，设置为阈值；对于干扰强度检测阈值，同样利用虚拟栅格内已有的历史数据，画出预测重传率与测量重传率差值的CDF图，对应于30％，50％，70％所在的值分别问三个分界阈值a1、a2、a3，小于a1为无干扰，a1～a2为弱干扰，a2～a3为中干扰，大于a3为强干扰；阈值选取根据已建立的数据集进行计算，更新周期为T；所述的测量数据主索引相同且副索引对应两基站负载分别为低负载与高负载的第二干扰检测模型，将待检测的数据的RSRP数值进行划分得到对应的主索引，在训练得到的众多模型中寻找主索引相同且副索引对应为邻区一高负载、邻区二低负载，以及主索引相同且副索引对应为邻区一低负载、邻区二高负载；所述的第二干扰...

【专利技术属性】
技术研发人员：王喆，潘广进，张舜卿，
申请(专利权)人：上海大学，
类型：发明
国别省市：