5G核心网业务模型的智能化预测研究

doi:10.11959/j.issn.1000-0801.2022046

电信科学 ›› 2022, Vol. 38 ›› Issue (8): 111-119.doi: 10.11959/j.issn.1000-0801.2022046

5G核心网业务模型的智能化预测研究

冯楠¹, 刘贺林¹, 周泉¹, 杨海俊¹, 付蜜能², 钟大平¹

¹ 中国移动通信有限公司研究院，北京 100053
² 中国移动通信集团有限公司，北京 100032

修回日期:2022-03-14 出版日期:2022-08-20 发布日期:2022-08-01
作者简介:冯楠（1994-），女，中国移动通信有限公司研究院助理工程师，主要研究方向为移动通信分组核心网架构演进、测试解决方案研究等
刘贺林（1979-），男，中国移动通信有限公司研究院资深研究员，主要研究方向为移动通信分组核心网架构演进、业务研究以及测试解决方案研究等
周泉（1975-），男，中国移动通信有限公司研究院高级工程师，主要研究方向为网络领域测试技术和测试工具开发
杨海俊（1984-），男，中国移动通信有限公司研究院高级工程师，主要研究方向为IP、核心网设备技术及测试
付蜜能（1989-），男，中国移动通信集团有限公司工程师，主要研究方向为 4G/5G核心网运维管理、网络演进和网络自智能力研究
钟大平（1979- ），男，中国移动通信有限公司研究院高级工程师、资深研究员，主要研究方向为移动核心网网络架构技术、核心网性能测试方法及测量仪表技术等

Research on 5G core network service model intelligent prediction

Nan FENG¹, Helin LIU¹, Quan ZHOU¹, Haijun YANG¹, Mineng FU², Daping ZHONG¹

¹ China Mobile Research Institute, Beijing 100053, China
² China Mobile Communications Co., Ltd., Beijing 100032, China

Revised:2022-03-14 Online:2022-08-20 Published:2022-08-01

摘要/Abstract

摘要：

摘要：核心网业务模型的建立是5G网络容量规划和网络建设的基础，通过现有方法得到的理论业务模型是静态不可变的且与实际网络存在偏离。为了克服现有5G核心网业务模型与现网模型适配性较差以及规划设备无法满足用户实际业务需求的问题，提出了一种长短期记忆（long short-term memory，LSTM）网络与卷积LSTM （convolution LSTM，ConvLSTM）网络双通道融合的 5G 核心网业务模型预测方法。该方法基于人工智能（artificial intelligence，AI）技术以实现高质量的核心网业务模型的智能预测，形成数据反馈闭环，实现网络自优化调整，助力网络智能化建设。

关键词: 核心网业务模型, 5G, LSTM, ConvLSTM, 网络智能化

Abstract:

Key words: core network service model, 5G, LSTM, ConvLSTM, network intelligence

中图分类号:

TN915

冯楠, 刘贺林, 周泉, 杨海俊, 付蜜能, 钟大平. 5G核心网业务模型的智能化预测研究[J]. 电信科学, 2022, 38(8): 111-119.

Nan FENG, Helin LIU, Quan ZHOU, Haijun YANG, Mineng FU, Daping ZHONG. Research on 5G core network service model intelligent prediction[J]. Telecommunications Science, 2022, 38(8): 111-119.

图/表 11

图1

表1

图2

图3

图4

表2

图5

表3

图6

图7

表4

参考文献 25

[1]	ALUIGI L , ORECCHINI G , LARCHER L . A 28 GHz scalable beamforming system for 5G automotive connectivity:an integrated patch antenna and power amplifier solution[C]// Proceedings of 2018 IEEE MTT-S International Microwave Workshop Series on 5G Hardware and System Technologies. Piscataway:IEEE Press, 2018: 1-3.
[2]	运行监测协调局. 2021年1-7月通信业经济运行情况[EB]. 2021.
	Operational Monitoring and Coordination Bureau. Economic operation of the communications industry from January to July 2021[EB]. 2021.
[3]	石红晓, 程永志 . 基于 5G 核心网的网络演进及策略研究[J]. 通信与信息技术, 2020(4): 39-41,50.
	SHI H X , CHENG Y Z . Research on network evolution and strategy based on 5G core network[J]. Communication ＆ Information Technology, 2020(4): 39-41,50.
[4]	BEEREDDY S , SIRUPA K . NFV use case—Delivering virtual CPE with multi-vendor VNF orchestration[C]// Proceedings of 2015 IEEE Conference on Network Function Virtualization and Software Defined Network. Piscataway:IEEE Press, 2015: 25-27.
[5]	MA L , WEN X M , WANG L H ,et al. An SDN/NFV based framework for management and deployment of service based 5G core network[J]. China Communications, 2018,15(10): 86-98.
[6]	梁雪梅, 方晓农, 朱林 . 3GPP R15冻结后的5G核心网关键技术研究[J]. 通信与信息技术, 2018(6): 33-35,70.
	LIANG X M , FANG X N , ZHU L . Research on key technologies of 5G core network after 3GPP R15 freeze[J]. Communication ＆ Information Technology, 2018(6): 33-35,70.
[7]	嵇夏 . 基于大数据的分组域容量分析系统设计与实现[J]. 电信快报, 2018(11): 28-32.
	JI X . System designing and implementing of packet switch domain capacity analysis based on big data[J]. Telecommunications Information, 2018(11): 28-32.
[8]	吕红卫, 冯征 . 核心网分组域引入EPC架构分析[J]. 电信科学, 2010,26(6): 116-120.
	LYU H W , FENG Z . Analysis of the introduction of EPC into the core network packet domain[J]. Telecommunication Science, 2010,26(6): 116-120.
[9]	雒江涛, 李晴川 . 基于云存储的分组域监测系统[J]. 重庆邮电大学学报(自然科学版), 2012,24(6): 675-681.
	LUO J T , LI Q C . Packet domain monitoring system based on cloud storage[J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2012,24(6): 675-681.
[10]	3GPP. General packet radio service (GPRS) enhancements for evolved universal terrestrial radio access network (E-UTRAN) access Release 8:TS 23.401[S]. 2015.
[11]	黄海, 周灵 . 基于曲线拟合的分组域业务分析模型及算法实现[J]. 现代计算机(专业版), 2016(23): 16-19.
	HUANG H , ZHOU L . Model and algorithm for capacity analysis in packet switch based on curve fitting[J]. Modern Computer, 2016(23): 16-19.
[12]	袁野, 孙迪科, 张荣 . 网络融合背景下的移动分组域网络负荷指标关联模型研究[J]. 移动通信, 2015,39(2): 34-39.
	YUAN Y , SUN D K , ZHANG R . Research on correlation model of network load index in mobile packet domain for integrated network[J]. Mobile Communications, 2015,39(2): 34-39.
[13]	ISTIAKE SUNNY M A , MASWOOD M M S , ALHARBI A G . Deep learning-based stock price prediction using LSTM and Bi-directional LSTM model[C]// Proceedings of 2020 2nd Novel Intelligent and Leading Emerging Sciences Conference (NILES). Piscataway:IEEE Press, 2020: 87-92.
[14]	KUMAR S D , SUBHA D . Prediction of depression from EEG signal using long short term memory(LSTM)[C]// Proceedings of 2019 3rd International Conference on Trends in Electronics and Informatics (ICOEI). Piscataway:IEEE Press, 2019: 1248-1253.
[15]	DAOUD N , ELTAHAN M , ELHENNAWI A . Aerosol optical depth forecast over global dust belt based on LSTM,CNN-LSTM,CONV-LSTM and FFT algorithms[C]// Proceedings of IEEE EUROCON 2021 - 19th International Conference on Smart Technologies. Piscataway:IEEE Press, 2021: 186-191.
[16]	王艺霏, 于雷, 滕飞 ,等. 基于长-短时序特征融合的资源负载预测模型[J]. 计算机应用, 2021.
	WANG Y F , YU L , TENG F ,et al. Resource-load prediction model based on long-short time series feature fusion[J]. Journal of Computer Applications, 2021.
[17]	ZHU H X , LU X H . The prediction of PM2.5 value based on ARMA and improved BP neural network model[C]// Proceedings of 2016 International Conference on Intelligent Networking and Collaborative Systems (INCoS). Piscataway:IEEE Press, 2016: 515-517.
[18]	NARENDRA BABU C , ESWARA REDDY B . Predictive data mining on Average Global Temperature using variants of ARIMA models[C]// Proceedings of IEEE-International Conference on Advances In Engineering,Science and Management (ICAESM -2012). Piscataway:IEEE Press, 2012: 256-260.
[19]	NOUREEN S , ATIQUE S , ROY V ,et al. Analysis and application of seasonal ARIMA model in Energy Demand Forecasting:a case study of small scale agricultural load[C]// Proceedings of 2019 IEEE 62nd International Midwest Symposium on Circuits and Systems. Piscataway:IEEE Press, 2019: 521-524.
[20]	CHOI D J , HAN J H , PARK S U ,et al. Comparative study of CNN and RNN for motor fault diagnosis using deep learning[C]// Proceedings of 2020 IEEE 7th International Conference on Industrial Engineering and Applications. Piscataway:IEEE Press, 2020: 693-696.
[21]	王振业, 叶成绪, 王文韬 ,等. 基于LSTM-Att方法的音乐流行趋势预测[J]. 计算机技术与发展, 2020,30(9): 188-193.
	WANG Z Y , YE C X , WANG W T ,et al. Music trend forecast based on LSTM-att method[J]. Computer Technology and Development, 2020,30(9): 188-193.
[22]	AKANDEH A , SALEM F M . Slim LSTM networks:LSTM_6 and LSTM_C6[C]// Proceedings of 2019 IEEE 62nd International Midwest Symposium on Circuits and Systems. Piscataway:IEEE Press, 2019: 630-633.
[23]	任君明 . 基于数据挖掘技术的移动通信话务预测模型[J]. 电信工程技术与标准化, 2015,28(6): 79-82.
	REN J M . Discussion on mobile communication traffic forecasting model based on data mining technology[J]. Telecom Engineering Technics and Standardization, 2015,28(6): 79-82.
[24]	欧大春 . 5G 时代利用人工智能提升运营商网络竞争力的研究[J]. 邮电设计技术, 2020(10): 1-4.
	OU D C . Research on using artificial intelligence to improve network competitiveness of operators in 5G era[J]. Designing Techniques of Posts and Telecommunications, 2020(10): 1-4.
[25]	韩炳涛, 屠要峰, 王永成 ,等. 人工智能技术助力通信网络智能化升级[J]. 人工智能, 2021,8(1): 107-116.
	HAN B T , TU Y F , WANG Y C ,et al. Artificial intelligence technology helps the intelligent upgrade of communication networks[J]. AI-View , 2021,8(1): 107-116.

参数类别	参数类型	话务模型
参数类别	参数类型	A省	B省
移动性管理信令参数	AMF内移动引起的注册更新	3.782 410 50	2.257 466 72
	忙时平均每用户系统内Xn接口切换次数	12.163 17	22.339 45
	忙时平均每用户AMF内N2接口切换次数	4.412 468	1.741 47
业务信令参数	忙时平均每用户AN释放次数	28.620 82	33.260 66
	忙时平均每用户PDU会话修改次数	2.248 356	0.701 742

通道	网络层	参数
LSTM通道	LSTM	隐藏层：38
	Dropout	丢失率：20%
	全连接（full	输出维度：36×4，
	connection，FC）	激活函数：elu
ConvLSTM通道	ConvLSTM2D	filters=30,
		kernel_size=(1,3)
	LSTM	隐藏层：38
	FC	输出维度：36×4，
		激活函数：elu
融合通道	FC	输出维度：36×2
	FC	输出维度：1～6

LSTM＆ConvLSTM	预测输入时长	预测指标容量输出长度
15 m粒度	2天	6个15 min颗粒度
1 h粒度	2天	6个1 h颗粒度
1天粒度	6天	4个1天颗粒度

5G核心网业务模型的智能化预测研究

Research on 5G core network service model intelligent prediction

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 25

相关文章 15

Metrics

推荐阅读 0

预测模型		MAPE区间
预测模型	小于6%	6%～10%	大于10%
S-ARIMA	5	2	15
LSTM	6	6	10
LSTM＆ConvLSTM	22	0	0

[1]	王妍, 彭莹. 国际电信联盟（ITU）6G标准化研究[J]. 电信科学, 2023, 39(6): 129-138.
[2]	张辰, 王红凯, 毛冬, 潘司晨, 赵帅. 面向电力终端的轻量化5G硬加密通信模组研究及应用[J]. 电信科学, 2023, 39(6): 159-169.
[3]	许浩, 吴琳. 基于5G网络的VoWi-Fi互操作研究[J]. 电信科学, 2023, 39(5): 144-154.
[4]	王建斌, 王淑春, 廖尚金, 施淑媛. 基于DCNN-LSTM负荷预测算法的5G基站节能系统研究[J]. 电信科学, 2023, 39(4): 133-141.
[5]	张乐, 马洪源. 运营商网络边缘云安全实践[J]. 电信科学, 2023, 39(4): 165-172.
[6]	刘思杨, 张云飞. 从智能网联1.0到智能网联2.0：面向双智的实时数字孪生城市构建[J]. 电信科学, 2023, 39(3): 32-44.
[7]	刘光海, 肖天, 李贝, 程新洲, 薛永备, 李一, 朱小萌, 郑雨婷. 4G载波向5G重耕之前的5G业务覆盖能力研究[J]. 电信科学, 2023, 39(3): 115-123.
[8]	巩传兵, 杨明帅, 吴松, 葛海平, 张守国, 刘磊, 祁云山, 徐辉. 基站价值评估模型的应用研究[J]. 电信科学, 2023, 39(1): 100-107.
[9]	张孟哲, 夏宜君. 5G在工业领域的应用现状、问题及推广建议[J]. 电信科学, 2023, 39(1): 126-135.
[10]	马洪源, 周维, 付艳, 邵永平, 黎丹. 蜂窝物联网核心网目标架构演进探讨[J]. 电信科学, 2023, 39(1): 153-161.
[11]	孙鹏飞, 林立, 司哲. 5GtoB规模复制方法论及标准化能力构建[J]. 电信科学, 2022, 38(Z1): 3-10.
[12]	潘峰, 刘嘉薇. 我国5GtoB应用发展演进及展望[J]. 电信科学, 2022, 38(Z1): 11-16.
[13]	郑师应, 李源, 杨博涵, 马帅, 肖善鹏. 5G+行业现场网技术与产业发展综述[J]. 电信科学, 2022, 38(Z1): 17-27.
[14]	李珊, 刘嘉薇. 5G行业应用规模化发展阶段与分析方法探析[J]. 电信科学, 2022, 38(Z1): 28-35.
[15]	于青民, 黄颖, 汪卫国, 张倩. “5G+工业互联网”行业应用综述[J]. 电信科学, 2022, 38(Z1): 36-42.