通信方法及装置制造方法及图纸

本发明专利技术公开了一种控制电信网络的方法，所述网络包括至少一个设备，该设备被安排用于网络配置参数的交互。在运行期间，提供了学习系统和网络优化的示例以促进对系统状态的适应。

Communication method and apparatus

The present invention discloses a method for controlling a telecommunications network comprising at least one device, which is arranged for interaction of network configuration parameters. During the run, examples of learning systems and network optimization are provided to facilitate adaptation to the system state.

【技术实现步骤摘要】
【国外来华专利技术】通信方法及装置
本专利技术实施例涉及多用户通信的
，为本专利技术的详细说明提供了相关领域的技术。本专利技术还涉及小范围的无线通信或表面覆盖无线通信的
，或无线通信网络的操作、管理或配置。本专利技术尤其涉及关于通信网络的本地感知及本地或分布式控制的
。
技术介绍
无线通信通过电磁信号提供一种远距离通信方式。随着用户接入通信网络的无线程度不断增加，为提升网络维护和管理提供增长的自动化，因此技术15中将面临表面覆盖无线通信的一些挑战，如资源传感和分配、干扰预测、决策。3GPP TR36.902V9.2.0,技术报告，第三代合作伙伴项目，第三代合作伙伴项目，技术规范组无线接入网络，演进的通用陆地无线接入网络(E-UTRAN)，自我配置及自我优化网络(SON)使用案例和解决方案(第9版)，法国，2010年6月讨论了如下问题，如物理小区标识的自动配置，移动鲁棒性和切换参数的设置，移动负载均衡，RACH (随机接入信道)配置，维护和建立邻区关系，及小区间干扰协调。特别地，推断出以下结论:操作人力和复杂性的减少可在多厂商设备对接情况下提高系统的可操作性。Andreas Lobinger 等在'Load Balancing in Downlink LTE Self-OptimizingNetworks/VTC2010-Spring Taipei 19May中提到:自优化、自愈和自构建网络是接受欧盟资助项目的一部分。作者详细讨论了负载均衡及切换参数设置。美国专利US6829491提供了一种通信网络，该网络服从于使用网络运行度量值进行的动态优化。如，它可以从一个网络控制器，如移动交换中心获得。参数调整是是否要对进一步的或不同的运行参数进行调整的基础。该文件提到，由于用户群体的异常密集(如举办体育赛事期间的体育场馆)，网络负载可能是不平衡的。据推断，将一种方法和系统用于网络通信度量值的动态监测是有利的，所述度量值包括由多个网络资源提供的与通信相关的度量值。因此，作为网络性能信息的函数，在网络系统参数的建模和估计的影响下，运行参数可以被动态地重新分配。
技术实现思路
本专利技术公开了一种控制电信网络的方法，所述网络包括至少一个用于安排网络配置的20参数交互的设备。在运行期间，提供了学习系统和网络优化的示例以促进对系统状态的适应。【附图说明】图1表示根据本专利技术的一个典型的认知引擎CE ；图2表示两个独立的CSONE实体功能示例中的一个系统结构；图3是模型中优先描述的一个系统的示意图；图3是确定一个最佳动作的示意图；图5表示合作操作的三个不同维度中的实现技术及解决措施的一些关键示例；图6是传感监测接口的示意图；图7表示一个配置/决策和/或执行模块的通信接口 ；图8是根据本专利技术的两个通信/合作/执行模块示例的示意图。图9表示一个优化模块(91)及各种实体的接口的示意图；图10表示一个学习示例；图11表不另一个学习模块；图12表示一个认知SON的集中式结构；图13表示一个有样例自主认知引擎的认知SON的分布式结构；图14表示一个认知SON的混合网络结构；[0021 ] 图15表示认知SON的SON功能；图16是两个独立的自治节点中运行的两个独立进程之间的交互的示意图。图17表不与本专利技术相关的一个系统；图18表示与本专利技术相关的操作的三个级别；图19表示与本专利技术相关的合作决策和控制的维度；图20表不与本专利技术相关的一个系统；图21表示认知SON的优化过程；图22表示两个独立的自治节点中运行的两个独立进程之间的交互；图23表示根据本专利技术的优化程序；图24表示根据本专利技术的两个独立的CSONE实体中的功能；图25表不根据本专利技术的一个系统；图26表不根据本专利技术的一个系统；图27表示根据本专利技术的一个系统；图28表示根据本专利技术的一个优化功能元件；图29表示学习任务的程序；图30表不根据本专利技术的一个学习不例；图31表示一个认知SON的集中式结构；图32表示仅由CSONE实体组成的结构的部署；图33表示一个认知SON的分布式结构；图34表示一种仅由CSONE实体组成的上述结构的部署；[0041 ] 图35表示一种集中协调的CSONE混合结构；图36表不一种分布协调的CSONE混合结构；图37表示一个仅由CSONE实体组成的结构的部署。【具体实施方式】未来网络中的无线网络的作用，将以一种最动态的形式实现由异构无线网络和从小范围的无线到蜂窝系统的各种技术组成的多跳网络拓扑。符合不同的QoS (服务质量)策略的不同功能的用户设备及话务量需求、以及多个控制和管理机构可能干预并争夺一组通用的无线资源。这种向更复杂系统的演化使对能在复杂、不利或不可预知的环境中运行良好的适应性和/或可扩展的系统的需要变得十分迫切，不排除通过无线或有线回程连接进行的操作和交互。认知、自治和自我管理的网络的基础是关于本地物理环境和网络环境、以及一些相应的全局网络状态的认识的一个高层次的本地节点感知。由于认知无线电和认知网络的一个显着特点是根据过去的经验值、目前的运营状况及对未来行为的预测进行决策和适应的能力，为使这样一个认知水平成为可能，认知节点要有效地表达和存储环境和运营信息。每个节点的深层环境的模型只提供了部分知识。因此，为共同获得一个全球性的或广泛的环境知识，各节点可以合作，实现分布式的操作。图1表示根据本专利技术的一个典型的认知发动引擎，CE，下面将对其进行详细描述。通过认知引擎，认知节点可以保持当地环境的模型，从而轮流允许基于动作影响的有根据的通信决策。认知节点决定或选择决策变量，以最大限度地提高性能度量值，例如，确定或选择能最大限度地利用网络资源的功率设定值。由于CE提供学习及适应不断变化的环境的能力，认知节点自主采取动作。为允许这些认知节点，认知引擎优先适应:通过性能度量值及动态的物理环境信息(物理环境一无线资源)为各个动态及其环境的一个或多个状态精确建模；认知节点(网络环境一相邻节点)之间的模型推导出的知识/信息交换；进行动作选择；考虑其物理和网络环境，将其动作的预期效用最大化，从过去的动作、事件、影响及(延迟的)反馈中学习。一个系统可能会改变在任何时间点上的状态。受内部流程(在系统内)或外部进程(在外部环境中)的影响，系统的状态通常在其使用寿命期间可以改变多次。一般来说，一些系统状态对映射一个动作决策变量是有用的，而另一些系统状态则非如此。此外，一些系统状态是有针对性的，而另一些则没有。执行对过程的控制目的在于将系统转换到目标系统状态，例如，系统运行良好的状态。图2表示一个说明两个独立的示例CSONE实体中功能的系统结构。认知SON引擎CSONE的操作通过存储在知识库中的知识得以支持和实现。更具体地，以上所述的各种元件或模块的每个节点优先维护一个由事实和规则组成的知识库(111)。所述知识库可能是分布式或集中式的。事实是通过参数值对表示的，这些参数对为环境及其本身，即事实和知识库的所有者建模。事实用来表示以下信息，如检测参数，如无线环境，包括负载和干扰级别，KPIs及其性能度量值；发现参数，如相邻节点和相邻节点能力；配置参数，提供例如数据配置，如发射功率设定。规则优先由前提——暗示——结论形式(如果〈前提 > 那么〈结论 >)的参数本文档来自技高网...

【技术保护点】
一种控制电信网络的方法，所述网络包括：至少一个用于网络配置参数交互的设备；所述方法，其特征在于，在给定的运行参数集合的条件下，定义一个（子）系统状态的电信网络的一个或多个关键的性能指标被映射到经过修改的运行参数；其特征在于，根据动态动作决策确定被修改的运行参数，所述决策在优化模块中被确定，所述模块为指定映射规则的（子）系统状态分类或作区分，该映射规则根据一个递归的过程学习过去的映射规则，为一个或多个状态集合的电信网络进行动作控制。

【技术特征摘要】
【国外来华专利技术】2010.12.03 SE PCT/SE2010/000285;2010.12.06 SE PCT1.一种控制电信网络的方法，所述网络包括: 至少一个用于网络配置参数交互的设备； 所述方法，其特征在于， 在给定的运行参数集合的条件下，定义一个(子)系统状态的电信网络的一个或多个关键的性能指标被映射到经过修改的运行参数；其特征在于， 根据动态动作决策确定被修改的运行参数，所述决策在优化模块中被确定，所述模块为指定映射规则的(子)系统状态分类或作区分，该映射规则根据一个递归的过程学习过去的映射规则，为一个或多个状态集合的电信网络进行动作控制。2.根据权利要求1所述方法，其特征在于， 根据所述决策对(子)系统状态或状态转换进行预测或识别。3.根据权利要求1所述方法，其特征在于， 所述动态动作决策由递归学习确定。4.根据权利要求1所述方法，其特征在于， 指定一个或多个状态所需的参数数量由递归学习动态确定。5.根据权利要求4所述方法，其特征在于， 参数静态在一个经常性的时间基础上被收集；其特征在于， 指定一个或多个状态所需的实 际参数被据此确定。6.根据权利要求4或5所述方法，其特征在于，所述学习为以下任意一种: 归纳学习或从可观察的事实中学习规则； 决策树学习； 贝叶斯学习，基于人工神经网络的学习或从已知观察中对控制功能的学习； 基于实例的学习，或从实例间的相似点和差异之间学习状态功能，或通过回归进行学习； 相关或统计学习，不排除由此形成的任何组合。7.根据权利要求1-3所述方法，其特征在于， 所述学习是强化学习、Q-学习或通过开发或利用进行的学习，不排除由此形成的任何组合。8.根据权利要求1所述方法，所述网络至少包括两个设备，其特征在于， 所述动作包括设备之间的交互。9.根据权利要求1所述方法，其特征在于， 所述交互包括网络运行参数的配置、说明或设置。10.根据权利要求1所述方法，所述网络至少包括两个设备，其特征在于， 所述交互包括设备间网络参数的协商。11.根据权利要求10所述方法，其特征在于， 所述协商包括对电信网络实体的一个联合动作方面的动作的通信或协调。12.根据权利要求8所述方法，所述网络包括至少两种设备: 被安排用于控制的第一设备； 用于被控制的第二设备；其特征在于， 所述动作包括用于控制第二设备运行第一设备之间的交互。13.根据权利要求1所述方法，其特征在于， 对学习一种协商策略或一个或多个状态集合，所述电信网络为以下任意一种: 一种贝叶斯信念网络； 一种动态贝叶...

【专利技术属性】
技术研发人员：乔治·库杜瑞迪斯，
申请(专利权)人：华为技术有限公司，
类型：
国别省市：