CN117896779B

CN117896779B - 基于5.5g自治网络的负载均衡方法、装置及设备

Info

Publication number: CN117896779B
Application number: CN202311635902.8A
Authority: CN
Inventors: 黄妙娜
Original assignee: Dongguan University of Technology
Current assignee: Dongguan University of Technology
Priority date: 2023-11-30
Filing date: 2023-11-30
Publication date: 2024-07-23
Anticipated expiration: 2043-11-30
Also published as: CN117896779A

Abstract

本发明提出了一种基于5.5G自治网络的负载均衡方法、装置及设备，涉及移动通信无线网络的技术领域，包括建立5.5G运营支撑平台，利用网络数据平台获取用户轨迹信息；将用户轨迹信息输入至网络AI平台中预训练的用户轨迹预测模型，输出基于分数位回归的负载控制指令；令用户轨迹预测模型考虑由小区组成的异构无线网络，以异构无线网络的资源分配指数最大作为用于决定负载控制指令的目标函数，设置目标函数的资源分配约束条件，构建优化问题；利用内点策略优化对优化问题进行求解，得到异构无线网络的最大资源分配指数。本发明考虑了移动鲁棒性的同时优化自治网络的负载，实现5.5G场景下超密集网络的负载均衡。

Description

基于5.5G自治网络的负载均衡方法、装置及设备

技术领域

本发明涉及移动通信无线网络的技术领域，特别涉及一种基于5.5G自治网络的负载均衡方法、装置及设备。

背景技术

为了支撑未来5.5G或6G无线网络中提供每秒10千兆字节的体验，全场景物联、通信感知一体化、网络L4级的自动驾驶、未来的5.5G以及6G均会在基站(Base Station，BS)中引入超宽频、超大规模天线阵列以及基站BS的超密集部署等技术，这使得5G网络的规模和复杂性急剧上升。面向新的网络功能和架构，运营商需要进一步提升网络状态实时感知、网络故障自动定位、业务流量精准预测、网络和业务质量自动优化等能力，而自优化的网络是提供零等待、零接触、零故障业务服务的基础，因此基于自服务、自组织、自保障的网络，即自治网络成为全球运营商共同期待的发展方向，也是5.5G时代运营商自身的重要核心竞争力之一。

自治网络理念的核心理念为通过人工智能等技术的引入推动通信网络向自配置、自治愈、自优化、自演进的新一代网络发展，在5.5G自治网络中引入毫米波技术同时采用基站BS的超密集部署时，小区间距离将缩小到100米左右设置更短的距离，而由于基站BS具有高度密集部署和用户设备(User Equipment，UE)具有移动性的特点，很容易导致网络的负载不均衡，网络的负载不均衡会使得系统资源利用率低、切换失败率高，甚至是无线链路故障(Radio Link Failure，RLF)，从而导致用户的业务会发生中断，体验不连续。

现有技术公开了无线通信标准3GPP R17或R18，3GPP R17或R18支持基于机器学习的无线接入网络控制管理，但缺乏针对移动负载管理的系统的方案，无线通信在移动环境下无法保持稳定性和可靠性，因此该无线通信标准在超密集网络场景中容易出现移动负载不均衡与鲁棒性问题；现有技术还公开了基于4G或5G网络系统的负载均衡方法，4G或5G网络系统又基于传统的网络架构3GPP，但网络架构3GPP对基于机器学习(Machine Learning，ML)或深度学习等人工智能技术的方案，缺乏原生平台良好的支持，如基于机器学习ML的移动均衡负载管理难以部署和实现。

发明内容

为解决现有超密集网络中的负载不均衡和移动鲁棒性的问题，本发明提出一种基于5.5G自治网络的负载均衡方法、装置及设备，考虑了移动鲁棒性的同时优化自治网络的负载，实现5.5G场景下超密集网络的负载均衡。

为了达到上述技术效果，本发明的技术方案如下：

一种基于5.5G自治网络的负载均衡方法，包括以下步骤：

S1.建立5.5G运营支撑平台，所述5.5G运营支撑平台包括网络数据平台和网络AI平台；

S2.利用所述网络数据平台获取用户轨迹信息；

S3.将所述用户轨迹信息输入至所述网络AI平台中预训练的用户轨迹预测模型，利用所述用户轨迹预测模型输出基于分数位回归的负载控制指令；

S4.令所述用户轨迹预测模型考虑由小区组成的异构无线网络，以异构无线网络的资源分配指数最大作为用于决定所述负载控制指令的目标函数，设置所述目标函数的资源分配约束条件，基于所述目标函数和所述资源分配约束条件构建优化问题；

S5.利用内点策略优化对所述优化问题进行求解，得到异构无线网络的最大资源分配指数。

在本技术方案中，

优选地，所述用户轨迹信息包括用户设备UE的位置信息、用户设备UE的移动速度、用户设备UE的移动方向、接收信号强度RSRP、信干噪比SINR、干扰信息和时间信息。

优选地，所述用户轨迹预测模型包括变量选择网络、静态协变量编码器、时间处理模块和多水平预测区间预测模块；

变量选择网络，用于在每个时间步从所述用户轨迹信息中选择相关的输入变量；

静态协变量编码器，用于对所述用户轨迹信息中的静态特征进行整合，将所述静态特征融入至所述用户轨迹预测模型中。

时间处理模块，用于处理观察到的和先验知道的随时间变化的用户轨迹信息；

多水平预测区间预测模块，用于在每个预测区间的预测水平产生多个分位数预测结果，将所述分位数预测结果记为所述负载控制指令。

优选地，所述负载控制指令包括小区个性偏移量CIO，基站的发射功率p，用户设备UE与基站BS的关联系数α、用户轨迹预测结果。

优选地，利用所述用户轨迹预测模型输出基于分数位回归的用户轨迹预测结果，所述用户轨迹预测结果的计算公式具体如下：

Y＝f(X₁,…,X_p)+∈,∈～N(0,σ)

其中，Y为用户设备在下一时刻t+1、··、t+n的位置，t为时刻，n为自然数，∈为误差项，N(0,σ)为均值为0、方差为σ的正态分布，f()为拟合的预测函数，X_p为输入预测函数的第p组特征，p为正整数；

所述用户轨迹预测模型在预训练过程使用的损失函数为：

其中，L(W)为损失函数，q为分位数的取值，τ为对预测未来对应的时间步长，τ∈{1,...,τ_max}，τ_max为最大的时间步长，M为采样的数据样本点，为基于时间t-τ到τ预测的值，y_t为真值，y为真实值，下标+为若计算得出的值为正，就取计算得出的值，若计算得出的值为负，就取计算得出的值为0。

优选地，所述资源分配指数为Jain指数，以异构无线网络的Jain指数最大作为决定所述负载控制指令的目标函数如下：

其中，α为用户设备UE和基站BS的关联系数，p为基站的发射功率，CIO为小区个性偏移量，δ(η)为目标函数，δ(η)的计算表达式如下：

其中，M为小区的总数，η_i为第i个基站的负载因子。

优选地，所述资源分配约束条件的具体表达式如下：

v_j≥γ_j,j∈u_i,i∈M

其中，p_k为第k个基站的发射功率，g_k,j为第k个基站和第j个用户设备之间的信道增益，p_i为第i个基站的发射功率，g_i,j为第i个基站和第j个用户设备之间的信道增益，所述小区包括若干个微小区和宏小区，H_i为第i个微小区的迟滞，H_k为第k个微小区的迟滞，为第k个微小区与第i个微小区之间可调整的CIO值，为第i个微小区与第k个微小区之间可调整的CIO值，与为满足MRO的可行区域的下界，与为满足MRO的可行区域的上界，MRO为移动性鲁棒性优化，α_i,j为第i个用户设备UE和第j个基站BS的关联系数，u_i为第i个基站BS服务的用户设备UE集合，v_j为每个用户设备UE的最小数据速率要求，γ_i为第i个用户设备的最低需求速率。

优选地，所述利用内点策略优化对所述优化问题进行求解，具体求解过程包括：

S51.定义第i个基站BS的状态，定义用于确定所述发射功率p、所述小区个性偏移量CIO和所述用户设备UE与基站BS的关联系数α的动作，定义用于表示最大化整个异构无线网络的Jain指数的奖励；

S52.利用所述状态、动作和奖励，将所述优化问题转换为约束马尔可夫决策过程；

S53.基于所述马尔可夫决策过程，利用强化学习选择用于最大化累积折扣所述奖励的政策；

S54.基于所述政策中的最大化累积折扣，得到整个异构无线网络的最大Jain指数，记所述最大Jain指数为最大资源分配指数。

本发明还提出了一种基于5.5G自治网络的负载均衡装置，包括：

平台建立模块，用于建立5.5G运营支撑平台，所述5.5G运营支撑平台包括网络数据平台和网络AI平台；

信息获取模块，用于利用所述网络数据平台获取用户轨迹信息；

输出模块，用于将所述用户轨迹信息输入至所述网络AI平台中预训练的用户轨迹预测模型，利用所述用户轨迹预测模型输出基于分数位回归的负载控制指令；

优化问题构建模块，用于令所述用户轨迹预测模型考虑由小区组成的异

构无线网络，以异构无线网络的资源分配指数最大作为用于决定所述负载控制指令的目标函数，设置所述目标函数的资源分配约束条件，基于所述目标函数和所述资源分配约束条件构建优化问题；

求解模块，用于利用内点策略优化对所述优化问题进行求解，得到异构无线网络的最大资源分配指数。

本发明还提出了一种计算机设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如所述的基于5.5G自治网络的负载均衡方法的操作。

与现有技术相比，本发明技术方案的有益效果是：

本发明提出一种基于5.5G自治网络的负载均衡方法，首先建立5.5G运营支撑平台，所述5.5G运营支撑平台包括网络数据平台和网络AI平台，然后网络数据平台获取用户轨迹信息，将所述用户轨迹信息输入至所述网络AI平台中预训练的用户轨迹预测模型，利用所述用户轨迹预测模型输出基于分数位回归的负载控制指令，用户轨迹预测模型通过负载控制指令能够精准预测用户设备移动性，考虑用户设备历史数据的时空特性，有助于用户设备和小区之间的负载变化和关联，再通过设置以异构无线网络的资源分配指数最大作为目标函数和资源分配约束条件，构建优化问题；进一步利用内点策略优化对所述优化问题进行求解，得到异构无线网络的最大资源分配指数，内点策略优化考虑了移动鲁棒性的同时优化自治网络的负载，实现5.5G场景下超密集网络的负载均衡，提升用户体验。

附图说明

图1表示本发明实施例提供的一种基于5.5G自治网络的负载均衡方法流程图；

图2表示本发明实施例提供的5.5G运营支撑平台框图；

图3表示本发明实施例提供的用户轨迹预测模型的预测原理图；

图4表示本发明实施例提供的一种基于5.5G自治网络的负载均衡装置框图；

图5表示本发明实施例提供的一种计算机设备框图；

501.处理器；502存储器；503.通信接口；504.通信总线；505.可执行指令。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好地说明本实施例，附图某些部位会有省略、放大或缩小，并不代表实际尺寸，“上”“下”等部位方向的描述非对本专利的限制；

对于本领域技术人员来说，附图中某些公知内容说明可能省略是可以理解的；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，本实施例提出了一种基于5.5G自治网络的负载均衡方法，包括以下步骤：

在步骤S1中，参见图2，所述5.5G运营支撑平台还包括设计编排系统、资源管理系统、故障管理系统、性能管理系统、网络规划优化系统、运维调度系统、随愿意图网络、网络生命周期管理应用和网络数字孪生能力模块。

网络数据平台，用于通过统一数据采集、处理与共享，打破系统间的信息壁垒，实现网络域及外部数据的融合、汇聚、存储，为网络应用提供统一、高效、低成本的数据服务；

网络AI平台，用于通过网络数据平台从各网元或网络系统统一收集数据信息，基于自治网络的各领域模型按需进行AI训练，实时及离线推理，向各网络智能化应用注智赋能；

设计编排系统，为了适应5G应用场景多样，业务需求多变的实际情况，设计编排系统提供通用设计工具，支持快速完成业务功能、网络能力、资源关联、调用接口等设计工作；同时基于设计结果快速的完成业务、网络、资源的组合和生命周期流程编排；实现灵活的业务发放和网络资源调用；

资源管理系统，用于资源开通、资源变更、资源维护和模型管理；

故障管理系统，用于告警监控、告警关联、告警派单和告警处理；

性能管理系统，用于客户体验、性能分析、性能监控、专题分析；

网络规划优化系统，用于参数优化、容量规划、效能评估和模拟仿真；

运维调度系统，用于管理故障流程、投诉流程、割切流程和考核流程；

随愿意图网络，用于意图转译、意图实施管理和意图保障；

网络生命周期管理应用，用于网络规划、网络建设、网络维护、网络优化和网络运营；

网络数字孪生能力模块，用于提供数字孪生场景构建工具和数字孪生设计开发工具；

S2.利用所述网络数据平台获取用户轨迹信息；

在步骤S2中，所述用户轨迹信息包括用户设备UE通过GPS或北斗定位的位置信息、用户设备UE的移动速度、用户设备UE的移动方向、接收信号强度RSRP、信干噪比SINR、干扰信息和时间信息；时间信息为星期一到星期天或一天中的具体时间；

在步骤S3中，所述用户轨迹预测模型为基于分位数回归和Transformer网络的模型，所述用户轨迹预测模型为5.5G网络或是6G网络设计一种主动、交互式的负载均衡策略，所述负载控制指令包括小区个性偏移量CIO，基站的发射功率，用户设备UE与基站BS的关联系数、用户轨迹预测结果；在实际应用中，每个用户设备UE只能由其服务的基站BS和相邻基站BS服务，所有这些基站BS都由接收信号强度选择，这与用户设备的位置高度相关，为了每个用户设备UE选择这些潜在基站BS并减少可能性的数量，需要利用用户轨迹预测模型预测用户设备的位置，即用户轨迹预测结果，首先使用基于Transformer网络的用户轨迹预测模型预测每个用户设备UE的轨迹，在预测轨迹的基础上，用户设备UE进一步划分为两组；第一组是这些用户设备UE的服务基站BS很容易地确定，因为这些用户设备UE在基站BS的小区中心或小区边缘，而这些用户设备UE的速度很高或正在移动，故能够高概率预测方向；第二组是最难的部分，这些用户设备UE的相关基站BS不能使用预测的轨迹容易地确定，例如，用户设备UE停留在两个相邻基站BS的重叠会聚区域中，同时它们的速度相对较低，所以用户轨迹预测不准确；

接下来进行解释如何利用基于分位数回归和Transformer网络的用户轨迹预测模型预测用户设备移动性，基于分位数回归和Transformer网络的用户轨迹预测模型预测用户设备移动性的优点是解决时序多步预测任务中面对的两个问题，分别是：如何利用多个数据源和如何解释用户轨迹预测模型的预测结果，所提出的用户轨迹预测模型基于Transformer网络为每个输入类型，包括静态、已知输入、观察输入高效地构建特征表示，使其能够在广泛的问题上获得高预测性能，所述用户轨迹预测模型包括变量选择网络、静态协变量编码器、时间处理模块和多水平预测区间预测模块；

静态协变量编码器，用于通过上下文向量进行编码对所述用户轨迹信息中的静态特征进行整合，将所述静态特征融入至所述用户轨迹预测模型中。

时间处理模块，用于处理观察到的和先验知道的随时间变化的用户轨迹信息；同时学习长期和短期的时间关系；

多水平预测区间预测模块，用于在每个预测区间的预测水平产生多个分位数预测结果，将所述分位数预测结果记为所述负载控制指令；

参见图3，所述用户轨迹预测模型在预测时，首先检查每个输入变量在预测中的重要性，将输入数据根据时间信息如一个星期的每一天进行分类，得到一定规律性的输入变量；然后利用所述用户轨迹预测模型输出基于分数位回归的用户轨迹预测结果，所述用户轨迹预测结果的计算公式具体如下：

Y＝f(X₁,…,X_p)+∈,∈～N(0,σ)

其中，Y为用户设备在下一时刻t+1、··、t+n的位置，t为时刻，n为自然数，∈为误差项，N(0,σ)为均值为0、方差为σ的正态分布，f()为拟合的预测函数，X_p为输入预测函数的第p组特征，p为正整数；所述特征包括具有时间范围t-i、···、t和p的历史位置以及移动速度、接收信号强度等其他特征；为了利用用户设备移动模式的固有周期性，首先基于一周中的每一天对所有特征进行分类，然后相应地预测用户从周一到周日的下一个轨迹，f(X₁,…,X_p)为预测过程需要拟合的预测函数，这个过程是必要的，因为它能够提高预测精度；所述用户轨迹预测模型在预训练过程使用的损失函数为：

其中，L(W)为损失函数，q为分位数的取值，有q∈{0.1,0.5,....,0.9}，τ为对预测未来对应的时间不长，有τ∈{1,...,τ_max}，τ_max为最大的时间步长，M为采样的数据样本点，为基于时间t-τ到τ预测的值，y_t为真值，y为真实值，下标+为若计算得出的值为正，就取计算得出的值，若计算得出的值为负，就取计算得出的值为0，预测使用的分位数包括25％，50％，以及95％分位数的值。

在本实施例中，自治网络理念在被提出一种全新的无线接入网自优化的方案，是一种智能无线接入网的新范本，受到工业界和学术界的广泛关注，本实施例提出了一种基于5.5G自治网络的负载均衡方法，基于5.5G的自治网络架构，面向未来的5.5G网络或是6G网络，

首先建立5.5G运营支撑平台，所述5.5G运营支撑平台包括网络数据平台和网络AI平台，然后网络数据平台获取用户轨迹信息，将所述用户轨迹信息输入至所述网络AI平台中预训练的用户轨迹预测模型，利用所述用户轨迹预测模型输出基于分数位回归的负载控制指令，用户轨迹预测模型通过负载控制指令能够精准预测用户设备移动性，考虑用户设备历史数据的时空特性，有助于用户设备和小区之间的负载变化和关联，再通过设置以异构无线网络的资源分配指数最大作为目标函数和资源分配约束条件，构建优化问题；进一步利用内点策略优化对所述优化问题进行求解，得到异构无线网络的最大资源分配指数，内点策略优化考虑了移动鲁棒性的同时优化自治网络的负载，实现5.5G场景下超密集网络的负载均衡，提升用户体验。

实施例2

参见图1，在步骤S4中，所述小区包括多个微小区和宏小区，小区的集合为M＝{1，··，M}，M为小区的总数，用户设备的集合为N＝{1，··，N}，N为用户设备的总数，这里将小区和基站BS的定义互换使用，每个基站BS为至少一个用户设备提供服务，每个用户设备均有最小数据速率要求υ_j，j∈N，为了评估M个小区之间的负载平衡和公平性，选择所述资源分配指数为Jain指数，以异构无线网络的Jain指数最大作为决定所述负载控制指令的目标函数如下：

其中，α为用户设备UE和基站BS的关联系数，p为基站的发射功率，CIO为小区偏执参数，δ(η)为目标函数，δ(η)的计算表达式如下：

其中，M为小区的总数，η_i为第i个基站的负载因子；

负载因子η_i的具体表达式如下：

其中，α_i,j为第i个用户设备UE和第j个基站BS的关联系数，K_i和K分别是分配给由第i个基站BS服务的所有用户设备UE的资源块的数量和每个基站的最大资源块的数量，K_i必须小于或等于K，w_i,j为第i个基站BS和第j个用户设备UE之间链路的频谱效率；当第i个基站BS为第j个用户设备UE服务时，α_i,j＝1，当第i个基站BS不为第j个用户设备UE服务时，α_i,j＝0；

频谱效率w_i,j的具体表达式如下：

其中，B为第i个基站BS的带宽，p_i为第i个基站的发射功率，g_i,j为第i个基站和第j个用户设备之间的信道增益，η_k为第k个基站的负载因子，g_k,j为第k个基站和第j个用户设备之间的信道增益，为噪声功率；

由于移动负载均衡的不当调整可能会导致切换问题，即切换太早或太晚，如果移动负载均衡能够正确修改相关参数，所述切换问题就不会发生，移动负载均衡和移动性鲁棒性优化冲突也可以避免，小区偏执参数CIO的可行区域的表达式如下：

基于小区偏执参数CIO的可行区域，得到所述资源分配约束条件的具体表达式如下：

v_j≥γ_j,j∈u_i,i∈M

其中，p_k为第k个基站的发射功率，g_k,j为第k个基站和第j个用户设备之间的信道增益，p_i为第i个基站的发射功率，g_i,j为第i个基站和第j个用户设备之间的信道增益，所述小区包括若干个微小区和宏小区，H_i为第i个微小区的迟滞，H_k为第k个微小区的迟滞，为第k个微小区与第i个微小区之间可调整的CIO值，为第i个微小区与第k个微小区之间可调整的CIO值，与为满足MRO的可行区域的下界，与为满足MRO的可行区域的上界，MRO为移动性鲁棒性优化，α_i,j为第i个用户设备UE和第j个基站BS的关联系数，u_i为第i个基站BS服务的用户设备UE集合，υ_j为每个用户设备UE的最小数据速率要求，γ_i为第i个用户设备的最低需求速率；由于α_i,j∈{0,1}的组合结构和负载η的耦合公式，使得所述优化问题具有挑战性；

步骤S5所述利用内点策略优化对所述优化问题进行求解，具体求解过程包括：

在步骤S51中，定义过程具体如下：

定义状态：一组特征用作超密集网络UDN的状态，特别是第i个基站BS的状态由负载因子ηi和小区边界用户设备UE的平均数据速率γ决定，因为具有更多小区边界的重载基站UE需要做负载均衡策略，故将第i个基站BS的状态向量s_t定义为：

其中，η_M为第M个基站BS的负载因子，为第M个用户设备UE的平均数据速率；

定义动作：由于强化学习用于确定所述发射功率p、所述小区个性偏移量CIO和所述用户设备UE与基站BS的关联系数α，因此动作a_t定义为：

其中，为相邻小区集合；

定义奖励：因为最终目标是最大化整个异构无线网络的Jain指数，所以直接奖励表示为：

R(s_t,a_t,s_t+1)＝δ(η)

在步骤S53中，马尔可夫决策过程是强化学习的基本理论框架之一，基于transformer和分位数回归的移动性预测极大地减少了状态和动作空间，但是对于超密集网络UDN来说，状态和动作空间仍然是巨大的，因为超密集网络UDN中基站BS和用户设备UE的数量很大，容易出现移动负载不均衡问题，为了有效地解决上述问题，利用强化学习来解决，利用强化学习有两个优点，一是，它可以避免不期望的后果，如乒乓球切换，甚至快速学习故障RLF，而无需太多的先验知识和外部知识；二是强化学习适合多种场景，能在线调整，强化学习目标是选择一个政策π_θ，旨在最大化累积折扣奖励：

D_KL(π||π_k)≤σ (2)

其中，E[]为求期望，为对应的动作，D_KL为KL散度，γ为平均速率，d_i，σ为对应的上界，算法可以调整的参数；基于强化学习的移动负载均衡算法参见表1：

表1基于内点策略优化IPO的算法

实施例3

参见图4，本实施例提出了一种基于5.5G自治网络的负载均衡装置，包括：

在本实施例中，首先建立5.5G运营支撑平台，所述5.5G运营支撑平台包括网络数据平台和网络AI平台，然后网络数据平台获取用户轨迹信息，将所述用户轨迹信息输入至所述网络AI平台中预训练的用户轨迹预测模型，利用所述用户轨迹预测模型输出基于分数位回归的负载控制指令，用户轨迹预测模型通过负载控制指令能够精准预测用户设备移动性，考虑用户设备历史数据的时空特性，有助于用户设备和小区之间的负载变化和关联，再通过设置以异构无线网络的资源分配指数最大作为目标函数和资源分配约束条件，构建优化问题；进一步利用内点策略优化对所述优化问题进行求解，得到异构无线网络的最大资源分配指数，内点策略优化考虑了移动鲁棒性的同时优化自治网络的负载，实现5.5G场景下超密集网络的负载均衡，提升用户体验。

实施例4

本实施例还提出了一种计算机设备，参见图5，包括：处理器501、存储器502、通信接口503和通信总线504，所述处理器501、所述存储器502和所述通信接口503通过所述通信总线504完成相互间的通信；

其中：处理器501、存储器502以及通信接口503通过通信总线504完成相互间的通信。通信接口503，用于与其它设备比如客户端或其它服务器等的网元通信。处理器501，用于执行可执行指令505，具体可以执行上述基于结构化数据微调预训练语言大模型的方法实施例中的相关步骤。

具体地，可执行指令505可以包括程序代码。处理器501可能是中央处理器CPU，或者是特定集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器502，用于存放可执行指令505。存储器502可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

可执行指令505具体可以被处理器501调用使计算机设备执行以下操作：

S2.利用所述网络数据平台获取用户轨迹信息；

显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims

1.一种基于5.5G自治网络的负载均衡方法，其特征在于，包括以下步骤：

S2.利用所述网络数据平台获取用户轨迹相关信息；所述用户轨迹相关信息包括用户设备UE的位置信息、用户设备UE的移动速度、用户设备UE的移动方向、接收信号强度RSRP、信干噪比SINR、干扰信息和时间信息；

S3.将所述用户轨迹相关信息输入至所述网络AI平台中预训练的用户轨迹预测模型，利用所述用户轨迹预测模型输出基于分位数回归的负载控制指令；所述负载控制指令包括小区个性偏移量CIO，基站的发射功率p，用户设备UE与基站BS的关联系数α、用户轨迹预测结果；

S5.利用内点策略优化对所述优化问题进行求解，得到异构无线网络的最大资源分配指数；

所述利用内点策略优化对所述优化问题进行求解，具体求解过程包括：

2.根据权利要求1所述的基于5.5G自治网络的负载均衡方法，其特征在于，所述用户轨迹预测模型包括变量选择网络、静态协变量编码器、时间处理模块和多水平预测区间预测模块；

变量选择网络，用于在每个时间步从所述用户轨迹相关信息中选择相关的输入变量；

静态协变量编码器，用于对所述用户轨迹相关信息中的静态特征进行整合，将所述静态特征融入至所述用户轨迹预测模型中；

时间处理模块，用于处理观察到的和先验知道的随时间变化的用户轨迹相关信息；

多水平预测区间预测模块，用于在每个预测区间的预测水平产生用户轨迹预测模型输出的负载控制指令。

3.根据权利要求1所述的基于5.5G自治网络的负载均衡方法，其特征在于，利用所述用户轨迹预测模型输出基于分位数回归的用户轨迹预测结果，所述用户轨迹预测结果的计算公式具体如下：

Y＝f(X₁,…,X_p)+∈,∈～N(0,σ)

其中，Y为用户设备在下一时刻t+1、··、t+n的位置，t为时刻，n为自然数，∈为误差项，N(0,σ)为均值为0、方差为σ的正态分布，f()为拟合的预测函数，X_p为输入拟合的预测函数f()的第p组特征，p为正整数；

所述用户轨迹预测模型在预训练过程使用的损失函数为：

4.根据权利要求3所述的基于5.5G自治网络的负载均衡方法，其特征在于，所述资源分配指数为Jain指数，以异构无线网络的Jain指数最大作为决定所述负载控制指令的目标函数如下：

其中，M为小区的总数，η_i为第i个基站的负载因子。

5.根据权利要求4所述的基于5.5G自治网络的负载均衡方法，其特征在于，所述资源分配约束条件的具体表达式如下：

v_j≥γ_j,j∈u_i,i∈M

其中，p_k为第k个基站的发射功率，g_k,j为第k个基站和第j个用户设备之间的信道增益，p_i为第i个基站的发射功率，g_i,j为第i个基站和第j个用户设备之间的信道增益，所述小区包括若干个微小区和宏小区，H_i为第i个微小区的迟滞，H_k为第k个微小区的迟滞，为第k个微小区与第i个微小区之间可调整的CIO值，为第i个微小区与第k个微小区之间可调整的CIO值，与为满足MRO的可行区域的下界，与为满足MRO的可行区域的上界，MRO为移动性鲁棒性优化，α_i,j为第i个用户设备UE和第j个基站BS的关联系数，u_i为第i个基站BS服务的用户设备UE集合，υ_j为每个用户设备UE的最小数据速率要求，γ_i为第i个用户设备的最低需求速率。

6.一种基于5.5G自治网络的负载均衡装置，其特征在于，包括：

信息获取模块，用于利用所述网络数据平台获取用户轨迹相关信息；所述用户轨迹相关信息包括用户设备UE的位置信息、用户设备UE的移动速度、用户设备UE的移动方向、接收信号强度RSRP、信干噪比SINR、干扰信息和时间信息；

输出模块，用于将所述用户轨迹相关信息输入至所述网络AI平台中预训练的用户轨迹预测模型，利用所述用户轨迹预测模型输出基于分位数回归的负载控制指令；所述负载控制指令包括小区个性偏移量CIO，基站的发射功率p，用户设备UE与基站BS的关联系数α、用户轨迹预测结果；

优化问题构建模块，用于令所述用户轨迹预测模型考虑由小区组成的异构无线网络，以异构无线网络的资源分配指数最大作为用于决定所述负载控制指令的目标函数，设置所述目标函数的资源分配约束条件，基于所述目标函数和所述资源分配约束条件构建优化问题；

求解模块，用于利用内点策略优化对所述优化问题进行求解，得到异构无线网络的最大资源分配指数；

7.一种计算机设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-5任一项所述的基于5.5G自治网络的负载均衡方法的操作。