基于聚类分析和深度学习的多频多模网络负载均衡优化

doi:10.11959/j.issn.1000-0801.2020159

电信科学 ›› 2020, Vol. 36 ›› Issue (7): 156-162.doi: 10.11959/j.issn.1000-0801.2020159

基于聚类分析和深度学习的多频多模网络负载均衡优化

邱亚星¹,王希栋¹,边森¹,岳磊²

¹ 中国移动通信有限公司研究院，北京 100053
² 中国移动通信集团广西有限公司，广西南宁 530022

修回日期:2020-05-14 出版日期:2020-07-20 发布日期:2020-07-28
作者简介:邱亚星（1990- ），女，中国移动通信有限公司研究院工程师，主要从事无线大数据、无线网络智能优化技术以及无线网络智能化节能技术的研究与应用工作|王希栋（1984- ），男，中国移动通信有限公司研究院工程师，主要从事无线网络节能技术以及绿色业务、高效网络的协同优化研究工作|边森（1980- ），男，中国移动通信有限公司研究院工程师，主要从事TD-SCDMA/TD-LTE绿色通信、新能源基站等领域的研究工作|岳磊（1981- ），男，中国移动通信集团广西有限公司高级工程师，主要从事无线网络规划与优化领域的研究工作

Load balancing based on clustering analysis and deep learning for multi-frequency and multi-mode network

Yaxing QIU¹,Xidong WANG¹,Sen BIAN¹,Lei YUE²

¹ China Mobile Research Institute,Beijing 100053,China
² China Mobile Group Guangxi Co.,Ltd.,Nanning 530022,China

Revised:2020-05-14 Online:2020-07-20 Published:2020-07-28

摘要/Abstract

摘要：

负载均衡问题是LTE多频多模网络要解决的重大问题。多频多模网络结构复杂，负载均衡涉及的参数达数百个，仅依靠人工经验很难进行精细化配置。为解决多频多模网络的负载均衡问题，解决现网运维的难点与痛点，提出一种基于机器学习的多频多模网络负载均衡方案。首先选取关键指标对网络场景进行划分，然后利用机器学习技术挖掘出不同场景下的最佳参数配置建议。经验证，机器学习技术可以大大提高参数配置的质量和效率，做到精细化参数配置。

关键词: 多频多模网络, 机器学习, 负荷优化

Abstract:

Load balancing is a huge challenge for LTE multi-frequency and multi-mode network.Hundreds of parameters are involved in load balancing for the complex network structure.Therefore,it is difficult to perform precise and meticulous configuration only relying on human experience.In order to cope with the challenge,a load balancing scheme based on clustering analysis and deep learning was proposed.Firstly,the key indicators were selected to identify the network scenes,and then big data and deep learning technologies were used to mine the relationship between data.Finally,the optimum system parameters for different network scenes were found.It has been proved that machine learning technology can greatly improve the accuracy and the efficiency of parameter configuration.

Key words: multi-frequency and multi-mode network, machine learning, load optimization

中图分类号:

TN929.53

邱亚星,王希栋,边森,岳磊. 基于聚类分析和深度学习的多频多模网络负载均衡优化[J]. 电信科学, 2020, 36(7): 156-162.

Yaxing QIU,Xidong WANG,Sen BIAN,Lei YUE. Load balancing based on clustering analysis and deep learning for multi-frequency and multi-mode network[J]. Telecommunications Science, 2020, 36(7): 156-162.

图/表 8

图1

图2

图3

图4

表1

图5

表2

表3

参考文献 7

[1]	3GPP.Evolved universal terrestrial access network (E-UTRAN);layer 2 measurements:TS36.314[S]. 2010.
[2]	郭佳睿, 魏进武, 张云勇 . 大数据助力运营商提升规模化运营核心力策略[J]. 电信科学, 2018,34(1): 120-125.
	GUO J R , WEI J W , ZHANG Y Y . Strategies for enhancing core capability of large-scalely operation for national telecom operators assisted by big data[J]. Telecommunications Science, 2018,34(1): 120-125.
[3]	周一青, 李国杰 . 未来移动通信系统中的通信与计算融合[J]. 电信科学, 2018,34(3): 1-7.
	ZHOU Y Q , LI G J . Convergence of communication and computing in future mobile communication systems[J]. Telecommunications Science, 2018,34(3): 1-7.
[4]	王志宏, 杨震 . 人工智能技术研究及未来智能化信息服务体系的思考[J]. 电信科学, 2017,33(5): 1-11.
	WANG Z H , YANG Z . Research on artificial intelligence technology and the future intelligent information service architecture[J]. Telecommunications Science, 2017,33(5): 1-11.
[5]	许波, 付雷, 张强 . LTE多载波负荷均衡优化浅析[J]. 邮电设计技术, 2018(7): 31-35.
	XU B , FU L , ZHANG Q . Analysis of LTE multi-carrier load balancing optimization[J]. Posts and Telecommunications Design Technology, 2018(7): 31-35.
[6]	TIAN S , LI X , JI H . Mobility prediction scheme for optimized load balance in heterogeneous networks[C]// Proceedings of 2018 IEEE Globecom Workshops. Piscataway:IEEE Press, 2018: 1-6.
[7]	XU Y , XU W , WANG Z ,et al. Deep reinforcement learning based mobility load balancing under multiple behavior policies[C]// Proceedings of 2019 IEEE International Conference on Communications (ICC). Piscataway:IEEE Press, 2019: 1-6.

数据类别	数量/条
MR数据	33 839
配置数据	2 224
性能数据	64 655

评价指标	性能参数	A类场景	B类场景	C类场景	D类场景
MAE	F1	0.050 305 1	0.085 069	0.083 26	0.072
	D1	0.075 814 53	0.081 356	0.090 3	0.097 4
	D2	0.049 532 81	0.062 331	0.059 16	0.063 4
	FDD 900 MHz	0.066 624 23	0.056 063	0.077 29	0.082
MSE	F1	0.004 173 82	0.012 049	0.014 59	0.008 6
	D1	0.009 467 74	0.010 753	0.011 83	0.015 2
	D2	0.004 050 8	0.007 063	0.005 61	0.006 9
	FDD 900 MHz	0.006 955 2	0.004 995	0.009 56	0.011 6
R-squared	F1	0.041 087 96	0.072 958	0.111 81	0.122 8
	D1	0.287 457 44	0.287 098	0.233 28	0.146 1
	D2	0.296 022 1	0.197 456	0.290 42	0.150 5
	FDD 900 MHz	0.162 224 46	0.226 527	0.252 51	0.065 3

结果		A类场景	B类场景	C类场景	D类场景
优化配置参数		－103	－109	－107	－110
		－101	－103	－99	－92
		－87	－93	－86	－101
		－98	－101	－98	－88
		－88	－88	－80	－95
		－108	－85	－84	－97
		…	…	…	…
业务预测比例	F1	0.305	0.311	0.306	0.324
	D1	0.310	0.311	0.312	0.296
	D2	0.307	0.304	0.313	0.311
	FDD 900 MHz	0.077	0.071	0.068	0.067

[1]	郭泽华, 朱昊文, 徐同文. 面向分布式机器学习的网络模态创新[J]. 电信科学, 2023, 39(6): 44-51.
[2]	刘雅琼, 吕哲, 赵亚飞, 寿国础. AI技术在卫星通信/互联网领域的应用综述[J]. 电信科学, 2023, 39(2): 10-24.
[3]	章坚武, 安彦军, 邓黄燕. DNS攻击检测与安全防护研究综述[J]. 电信科学, 2022, 38(9): 1-17.
[4]	周志超, 冯毅, 夏小涵, 冯瑜瑶, 蔡超, 邱佳慧, 杨立辉, 乌云霄. 基于移动蜂窝网的机器学习室外指纹定位方案[J]. 电信科学, 2021, 37(8): 85-95.
[5]	李想,李原,张子飞,杨哲. 基于密度聚类的网络性能故障大数据分析方法[J]. 电信科学, 2020, 36(9): 51-58.
[6]	肖子玉. 面向2030的未来网络关键技术综述——Beyond 5G[J]. 电信科学, 2020, 36(9): 114-121.
[7]	欧阳晔,杨爱东,孟凡语. 一种博弈论辅助的机器学习算法检测用户流失行为[J]. 电信科学, 2020, 36(6): 79-89.
[8]	林锋,徐柳婧,陈晓华,戚伟强,陈可,朱添田. 一种基于多视角特征融合的Webshell检测方法[J]. 电信科学, 2020, 36(6): 125-132.
[9]	盛剑涛,陈茂飞,刘东鑫,汪来富,史国水,金华敏. 基于组合分类器的恶意域名检测技术[J]. 电信科学, 2020, 36(5): 47-55.
[10]	庞涛,丘海华,潘碧莹. 手机终端人工智能关键技术研究[J]. 电信科学, 2020, 36(5): 145-151.
[11]	钟其柱. 基于机器学习分析VoLTE视频通话质量的研究及应用[J]. 电信科学, 2020, 36(3): 156-165.
[12]	刘姿杉,程强,吕博. 面向机器学习的隐私保护关键技术研究综述[J]. 电信科学, 2020, 36(11): 18-27.
[13]	陈孝莲,秦奕,张杰,李亚杰,宋浩鲲,张会彬. 基于机器学习的光纤窃听检测方法[J]. 电信科学, 2020, 36(11): 61-67.
[14]	桂飞,程阳,李丹,洪思虹. 互联网智能路由架构及算法[J]. 电信科学, 2020, 36(10): 12-20.
[15]	李佳,丛犁,姜华,胡杨,徐梦. 基于DBN-Softmax的电力通信网络带宽预测[J]. 电信科学, 2020, 36(10): 153-158.

基于聚类分析和深度学习的多频多模网络负载均衡优化

Load balancing based on clustering analysis and deep learning for multi-frequency and multi-mode network

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 7

相关文章 15

Metrics

推荐阅读 0