System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及通信领域,尤其是涉及一种配置方法、配置装置及存储介质。
技术介绍
1、在第五代移动通信系统(the fifith generation mobile network,5g)无线通信网络中,(the next generation node b,下一代通用基站,又称5g基站)通过调制与编码策略(modulation and coding scheme,mcs)保障ue业务的传输效率和传输质量,通过空分复用流数(rank,也称作秩)控制时频资源的复用。
2、当信道质量好时,采用更高阶的调制方式和更高的编码效率;当信道质量差时,采用更低阶的调制方式和更低的编码效率;在时频资源不变的情况下,码字通过层映射到各个流上,类似于串行到并行的变换,一般层数越多、速率越高;多流之间其相关性越低,抗干扰能力越强,rank越高。可见,mcs、rank和感知速率存在正相关的关系,对于mcs和rank而言,只要两者越大,感知速率原则上都会更大。因此,基于无线环境快速设置最优的mcs与rank参数组合是实现速率快速提升的关键。
3、在现有技术中,通常是无线算法工程师通过通信系统仿真以及外场测试的方式形成mcs与rank配置修正方案,其主要流程为:首先,基于一系列门限和仿真曲线构建专家系统;然后,依据终端上报的信道状态测量指标,以及基站小区测量或预测的终端信道状态信息设置mcs与rank的配置值;最后,根据终端传输反馈信息(例如ack/nack)进行mcs与rank修正。
4、然而,上述方案通常适用于用户场景
5、鉴于此,如何实时根据基站小区的终端环境为其反馈适宜的mcs与rank配置指标,以确保网络持续高效的运行,成为一个亟待解决的技术问题。
技术实现思路
1、本专利技术提供一种配置方法、配置装置及存储介质,用以解决现有技术中存在的无法实时为基站配置合适的mcs与rank指标,使网络持续高效运行的技术问题。
2、第一方面,为解决上述技术问题,本专利技术实施例提供的一种配置方法,应用于基站,该配置方法的技术方案如下:
3、向终端持续发送具有预设帧结构的数据包,使所述终端反馈对应的接收状态报告;其中,所述预设帧结构是根据调制与编码策略mcs与空分复用流数rank的当前调度值配置的;
4、根据所述接收状态报告,确定在所述当前调度值配置下所述基站的当前系统状态值;其中,所述当前系统状态值包括所述mcs与rank的当前上报值,及在所述当前调度值配置下所述基站的第一通信服务质量指标;
5、用所述mcs与rank的自优化模型对所述当前系统状态值及所述当前调度值进行计算,获得所述mcs与rank的调度修正值;其中,所述自优化模型用于根据所述当前调度值与所述当前系统状态值,预测所述当前调度值在使用不同调整量后产生的第二通信服务质量指标,并选取高于所述第一通信服务质量指标的第二通信服务质量指标对应的调整量作为所述修正值;
6、用所述调度修正值修正所述当前调度值,用修正后的所述当前调度值重新配置所述预设帧结构。
7、一种可能的实施方式,构建所述自优化模型,包括:
8、构建强化学习算法的输入参数、输出参数及评价体系;其中,所述输入参数包括所述当前系统状态值及所述当前调度值,所述输出参数为所述调整量,所述评价体系用于预测调整所述当前调度值后产生的所述第一通信服务质量指标;
9、用样本数据对所述强化学习算法进行迭代训练,直至训练后的强化学习算法的收益达到预设值,获得所述自优化模型。
10、一种可能的实施方式,用样本数据对所述强化学习算法进行迭代训练,直至训练后的强化学习算法的收益达到预设值,获得所述自优化模型,包括:
11、按时间序列,用历史样本数据对所述强化学习算法进行迭代训练,直至训练后的强化学习算法的收益达到所述预设值,获得所述自优化模型。
12、一种可能的实施方式,用样本数据对所述强化学习算法进行迭代训练,直至训练后的强化学习算法的收益达到预设值,获得所述自优化模型,包括:
13、将实时获得的系统状态值及对应的调度值作为所述样本数据,持续训练所述强化学习算法,直至训练后的强化学习算法的收益达到所述预设值,获得所述自优化模型。
14、一种可能的实施方式,所述强化学习算法,包括:
15、q学习q-learning、深度q学习deep q-learning、状态-动作-回报-状态-动作的链式算法sarsa、决策评价算法ac、异步优势的决策评价算法a3c、深度确定性策略梯度ddpg、置信域策略优化算法trpo、近端策略优化算法ppo。
16、一种可能的实施方式,所述第一通信服务质量指标和所述第二通信服务质量指标,包括:
17、误块率、频谱效率、单次修正吞吐量中的至少一个。
18、一种可能的实施方式,所述单次修正吞吐量的计算公式为:
19、th=eff×rank×(1-bler);
20、其中,所述eff为所述频谱效率,所述bler为所述误块率。
21、一种可能的实施方式,向终端持续发送具有预设帧结构的数据包之前,还包括:
22、获取所述mcs与rank的当前调度值;
23、根据所述当前调度值配置所述预设帧结构;
24、基于所述预设帧结构持续生成数据包。
25、一种可能的实施方式,获取所述mcs与rank的当前调度值,包括:
26、配置满足所述基站正常运行所需的基础参数;
27、唤醒或激活所述自优化模型;
28、从所述自优化模型获取所述mcs与rank的初始调度值;
29、将所述初始调度值作为所述mcs与rank的当前调度值。
30、一种可能的实施方式,所述基础参数,包括:
31、系统参数、高层参数、物理层参数。
32、第二方面,本专利技术实施例还提供一种配置装置,包括存储器,收发机,处理器:
33、存储器,用于存储计算机程序;收发机,用于在所述处理器的控制下收发数据;处理器,用于读取所述存储器中的计算机程序并执行以下操作:
34、向终端持续发送具有预设帧结构的数据包,使所述终端反馈对应的接收状态报告;其中,所述预设帧结构是根据调制与编码策略mcs与空分复用流数本文档来自技高网...
【技术保护点】
1.一种配置方法,其特征在于,应用于基站,包括:
2.如权利要求1所述的配置方法,其特征在于,构建所述自优化模型,包括:
3.如权利要求2所述的配置方法,其特征在于,用样本数据对所述强化学习算法进行迭代训练,直至训练后的强化学习算法的收益达到预设值,获得所述自优化模型,包括:
4.如权利要求2所述的配置方法,其特征在于,用样本数据对所述强化学习算法进行迭代训练,直至训练后的强化学习算法的收益达到预设值,获得所述自优化模型,包括:
5.如权利要求2所述的配置方法,其特征在于,所述强化学习算法,包括:
6.如权利要求1-5任一项所述的配置方法,其特征在于,所述第一通信服务质量指标和所述第二通信服务质量指标,包括:
7.如权利要求6所述的配置方法,其特征在于,所述单次修正吞吐量的计算公式为:
8.如权利要求1-5任一项所述的配置方法,其特征在于,向终端持续发送具有预设帧结构的数据包之前,还包括:
9.如权利要求8所述的配置方法,其特征在于,获取所述MCS与RANK的当前调度值,包括:
...【技术特征摘要】
1.一种配置方法,其特征在于,应用于基站,包括:
2.如权利要求1所述的配置方法,其特征在于,构建所述自优化模型,包括:
3.如权利要求2所述的配置方法,其特征在于,用样本数据对所述强化学习算法进行迭代训练,直至训练后的强化学习算法的收益达到预设值,获得所述自优化模型,包括:
4.如权利要求2所述的配置方法,其特征在于,用样本数据对所述强化学习算法进行迭代训练,直至训练后的强化学习算法的收益达到预设值,获得所述自优化模型,包括:
5.如权利要求2所述的配置方法,其特征在于,所述强化学习算法,包括:
6.如权利要求1-5任一项所述的配置方法,其特征在于,所述第一通信服务质量指标和所述第二通信服务质量指标,包括:
7.如权利要求6所述的配置方法,其特征在于,所述单次修正吞吐量的计算公式为:
8.如权利要求1-5任一项所述的配置方法,其特征在于,向终端持续发送具有预设帧结构的数据包之前,还包括:
9.如权利要求8所述的配置方法,其特征在于,获取所述mcs与rank的当前调度值,包括:
10.如权利要求9所述的配置方法,其特征在于,所述基础参数,包括:
1...
【专利技术属性】
技术研发人员:李高盛,常世元,徐溪明,张斌,李玉诗,
申请(专利权)人:大唐移动通信设备有限公司,
类型:发明
国别省市:
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。