一种基于流量预测的QoS流资源预分配方法及系统

本发明属于移动网络资源调度，尤其涉及一种基于流量预测的qos流资源预分配方法及系统。

背景技术：

1、随着科技的发展，移动终端的功能越来越强大，移动终端的服务越来越多样化，人们的生活质量得到了极大的提升，生活更加便捷。但是，随着新的应用和技术的出现，应用程序对通信业务质量的要求不断提高，这些服务和应用需要更高的数据速率、更低的延迟、更高的频谱效率、更高的能源效率和更大的网络容量。

2、为了实现三大用例在内的各种服务在同一基站的同时运行，研究人员提出了网络切片技术，3gpp规定了多种类型的qos流(qos flow)，通过将不同业务的数据流在基站端映射到不同qos流或者多条qos流之上，组成不同业务所需的承载，满足不同业务的qos需求，以此来实现网络切片的性能隔离和功能隔离。根据3gpp标准，目前在基站端，基站对于端到端的业务数据流是无法感知的，只能对各个qos流进行资源调度。在4g移动通信系统中，3gpp在ts23.203中规定了9种qos流(在4g中被称为承载)，每种qos流对于传输速率、延迟和包丢失率的要求不同；在5g移动通信系统中，3gpp在ts.23.501中提出了适用于5g移动通信系统的新的qos流表格，目前表格中已有26种不同的qos流。随着技术水平的增长和服务需求的增加，会有更多新的qos流加入其中。

3、虽然3gpp在标准中规定了各种qos流对于不同性能指标的需求，例如在ts23.501中规定，5qi value为1的业务流，它的资源类型为保证流比特速率(gbr)，默认优先级为20(值越小，优先级越高)，数据包的延迟阈值为100ms，数据包出错率阈值为10^(-2)，但是3gpp并没有给出具体的实现方案，它将调度器的设计和选择的问题留给了运营商。由于调度算法设计对网络性能的影响显著，调度器的设计一直是个热门的研究课题。

4、由于计算时间的限制，目前最常见的网络资源调度算法设计仍然是属于机会调度算法设计，在网络较为拥塞时，低优先级的qos流将面临饥饿问题，长时间无法得到服务，而高优先级的qos流却能获得超过其最低需求的服务。为了克服启发式资源调度算法设计无法保证qos流公平性与性能隔离的问题，许多学者提出了在大时间尺度上的基于最优化思想的资源调度算法设计。但是，由于现实场景中的网络流量变化迅速，不同时间段的业务流流量比例不尽相同，基于优化思想的资源调度算法设计面临着环境信息滞后的问题。因此，本发明提出了基于流量预测的qos流资源预分配方法，弥补上述两种类型调度算法设计的缺陷。

5、通过上述分析，现有技术存在的问题及缺陷为：

6、由于现实场景中的网络流量变化迅速，不同时间段的业务流流量比例不尽相同，基于优化思想的资源调度算法设计面临着环境信息滞后的问题。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种基于流量预测的qos流资源预分配方法。

2、本发明是这样实现的，一种构建xgboost预测模型，利用集成学习方案更新，对qos流的流量进行预测；将调度系统的数据分组服务过程建模为排队系统，构建以最小化分组平均时延为目标的优化问题并利用强化学习求解该离散空间下的组合优化问题；进行仿真实验，验证dqn的有效性与资源预分配方案的性能。一种基于流量预测的qos流资源预分配方法包括：

3、s1，利用xgboost完成对流量的时序预测；

4、利用基站中的信息采集模块完成对基站运行信息的收集及存储，将采集到的流量时序构建为数据集，利用cart作为xgboost的基学习器进行模型的训练，采用集成学习的方式更新预测模型；

5、s2，通过将调度系统的数据分组服务过程建模为m/m/1排队系统，建立了流量、信道质量与qos流的服务质量需求之间的关系并以最小化分组平均时延为目标构建了优化问题；

6、s3，通过离线学习的方式训练dqn，使得dqn能够根据网络流量信息和信道质量信息求解该离散空间下的组合优化问题，将训练完成后的神经网络模型加载到基站端，使得基站消耗较少的计算资源获得关于qos流的资源预分配方案；

7、s4，通过分析资源预分配方案的违约率，验证dqn的有效性，基于matlab搭建仿真平台。

8、进一步，利用xgboost完成对流量的时序预测，用表示第i种qos流的流量预测结果；具体包括以下步骤：

9、a1、利用基站中的信息采集模块完成对基站运行信息的收集及存储，采样周期最大为1小时；

10、a2、利用采集到的流量时序构建数据集；将作为标签的时隙的时间戳中的星期数1～7、作为标签的时隙的时间戳中的小时0～23、作为标签的时隙前的第一个时隙的值和作为标签的时隙前的第二十四个时隙的值作为输入，将作为标签的时隙的值作为标签值，构建数据集；

11、a3、利用分类回归树作为xgboost的基学习器。

12、进一步，利用集成学习方式更新预测模型；整个预测模型由n个子模型共同组成，最终的预测结果为n个子模型的均值；以7天作为数据集时间跨度训练子模型，当子模型的数目超过n时，删除最旧的子模型，增加新的子模型。

13、进一步，通过将调度系统的数据分组服务过程建模为m/m/1排队系统，建立了流量、信道质量与qos流的服务质量需求之间的关系并以最小化分组平均时延为目标构建了优化问题；具体包括以下步骤：

14、b1、对时频资源进行建模；设置子载波间隔为l，可以根据带宽得到系统的总的prb数目和每种qos流所分配的prb数目；用b表示系统的总prb数目，分配给第i个qos流的prb数目表示为bi；

15、b2、对服务过程进行建模；假设每种qos流的分组到达和服务过程是独立的，并且分组到达遵循泊松过程、服务时间遵循指数分布，排队规则采用先到先服务，将整个系统的服务过程表述为m/m/1排队系统；分组到达速率的预测结果为表示第i种qos流的bit级别的流量预测结果，t表示采样周期对应的时间长度，u表示最大传输单元包含的bit数；第i种qos流的传输速率即服务速率为βi为根据信道质量和对应的mcs表获得的prb传输效率，bi表示分配给第i种qos流的prb数目；分组的平均停留时间为分组的超时概率为为3gpp(3rd generationpartnership project,第三代合作伙伴计划)规定的第i种qos流的时延阈值；

16、b3、构建以最小化分组平均时延为目标的优化问题，优化问题表示为：

17、优化问题：

18、约束条件：

19、

20、

21、

22、其中m表示qos流的数目，εi为3gpp规定的第i种qos流的丢包率阈值，igbr为属于gbr型qos流的集合，为3gpp规定的第i种qos流的最低传输速率。

23、进一步，通过离线学习的方式训练dqn，使得dqn能够根据网络流量信息和信道质量信息求解该离散空间下的组合优化问题，将训练完成后的神经网络模型加载到基站端，使得基站消耗较少的计算资源获得关于qos流的资源预分配方案；具体包括以下步骤：

24、c1、dqn的状态空间设置为s(t)＝{λ1,λ2,…,λm,b}，λi代表每种qos流对应的未来的分组到达速率，b代表着整个系统可用的prb的数目；

25、c2、dqn的动作空间设置为a(t)＝{b1,b2,…,bm}，bi代表分配给每种qos流的prb数目，以5个prb为基本单元；

26、c3、dqn的动作选择策略设置为∈-greedy，以∈＝0.2的方式进行动作选择；

27、c4、dqn的奖励函数设置为：

28、

29、

30、其中，表示每种qos流的最大时延阈值；εi表示最大丢包率阈值；表示gbr类型qos流的最低传输速率要求，对于non-gbr类型qos流，该值为零；rpunish2是一个绝对值较大的负值，用于惩罚智能体选择了未满足服务质量约束的行动；rpunish1是一个绝对值更大的负值，用于惩罚智能体选择了分配的prb数目超出最大prb数目的行动；

31、c5、dqn的未来收益权重γ设置为0。

32、进一步，通过分析资源预分配方案的违约率，验证dqn的有效性，基于matlab搭建仿真平台。

33、本发明的另一目的在于提供一种基于流量预测的qos流资源预分配系统包括：

34、预测模块，用于利用xgboost完成对流量的时序预测；

35、建模模块，用于通过将调度系统的数据分组服务过程建模为m/m/1排队系统，建立了流量、信道质量与qos流的服务质量需求之间的关系并以最小化分组平均时延为目标构建了优化问题；

36、训练模块，用于通过离线学习的方式训练dqn，使得dqn能够根据网络流量信息和信道质量信息求解该离散空间下的组合优化问题，将训练完成后的神经网络模型加载到基站端，使得基站消耗较少的计算资源获得关于qos流的资源预分配方案；

37、验证模块，用于通过分析资源预分配方案的违约率，验证dqn的有效性，基于matlab搭建仿真平台。

38、本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于流量预测的qos流资源预分配方法的步骤。

39、本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述基于流量预测的qos流资源预分配方法的步骤。

40、本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述基于流量预测的qos流资源预分配系统。

41、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

42、第一、针对传统调度算法设计无法保证qos流间的公平性和性能隔离、基于最优化思想的资源分配算法设计存在信息滞后性问题，本发明提出了一种基于流量预测的qos流资源预分配方法，基于流量预测结果、信道质量和qos流的服务质量需求，生成较优的资源预分配方案，提高了qos流间的公平性，保证了qos流间的性能隔离。

43、本发明采用的技术方案为：利用xgboost完成对qos流的流量预测；将调度系统的数据分组服务过程建模为排队系统，构建了以最小化分组平均时延为目标的优化问题，并利用强化学习求解该离散空间下的组合优化问题；进行仿真实验，验证dqn的有效性与资源预分配方案的性能。

44、1、本发明综合考虑基站数据集的规模和特征，设计了以xgboost为核心的预测模型，显式地利用时间序列的时间信息，以较低的模型复杂度取得了较高的预测准确度。

45、2、本发明通过集成学习的方式更新预测模型，有效降低了时间序列非平稳性带来的影响，提高了模型的预测性能。

46、3、在完成流量预测的基础上，构建了以最小化分组平均时延为目标的优化问题，基于此获得的资源预分配方案，能够有效提高qos流间的公平性，保证qos流间的性能隔离。

47、4、利用离线学习的方式训练dqn求解上述离散空间下的组合优化问题，使得dqn能够根据预测流量、信道质量和服务质量需求快速获得资源预分配方案。将训练好后的模型加载到基站端，使得基站能够通过较少的计算资源和计算时间获得较优的资源预分配方案。

48、第二，本发明提供了一种基于流量预测的qos流资源预分配方法，旨在解决现有技术中在资源分配时未能充分考虑未来流量变化、信道质量变化以及qos流的服务质量需求，导致资源利用率不高、服务质量不稳定等问题。通过采用本发明所述的算法设计，可以实现更精确的资源预分配，从而提高网络资源的利用率和qos流的服务质量。

49、具体来说，本发明通过以下方式获得了显著的技术进步：

50、1.流量时序预测的准确性提升：利用xgboost算法对流量进行时序预测，通过构建包含多种影响因素(如星期数、小时数、历史流量值等)的数据集，并利用集成学习的方式更新预测模型，提高了流量预测的准确性和可靠性。这有助于更准确地预测未来的流量变化，为资源预分配提供更可靠的依据。

51、2.服务过程建模的优化：通过将调度系统的数据分组服务过程建模为m/m/1排队系统，建立了流量、信道质量与qos流的服务质量需求之间的关系，并以最小化分组平均时延为目标构建了优化问题。这种建模方式充分考虑了网络环境的实际情况，使得资源预分配更加符合实际需求。

52、3.利用dqn求解组合优化问题：通过离线学习的方式训练dqn，使其能够根据网络流量信息和信道质量信息求解离散空间下的组合优化问题。这种方法能够充分利用dqn在处理复杂优化问题上的优势，快速得到关于qos流的资源预分配方案，同时减少了基站端的计算资源消耗。

53、4.验证算法的有效性：通过分析资源预分配方案的违约率，验证了dqn的有效性。基于matlab搭建的仿真平台，可以模拟不同的网络环境和服务质量需求，进一步验证算法的可靠性和性能。

54、本发明通过采用基于流量预测的qos流资源预分配方法，提高了网络资源的利用率和qos流的服务质量，解决了现有技术中存在的问题，并获得了显著的技术进步。

55、第三，本发明的技术方案转化后的预期收益和商业价值为：本发明的技术方案有效提升了qos流之间的公平性，保证了qos流之间的性能隔离，为保证未来5g通信系统中越来越丰富的业务的服务质量提供了一种可行的技术方案，提高了被服务用户之间的公平性，大大增强了用户的服务体验。因此，本发明的技术方案可以有效提升运营商的行业竞争力。

56、本发明的技术方案填补了国内外业内技术空白：常见的基于最优化的资源分配算法通常是基于抽象化的网络切片进行资源分配。无论是切片的流量还是切片的服务质量需求都是研究人员手动生成的，离现实的实现具有较大的差距。本发明的技术方案是对基站系统的qos流进行资源预分配。qos流的流量采用真实的基站数据，qos流的服务质量需求采用3gpp的协议标准。本发明的技术方案更加贴合实际，离现实落地差距较小。

57、本发明的技术方案克服了技术偏见：本发明的技术方案从qos流的资源分配的角度设计算法，立足于网络切片技术的具体实现。克服了过去网络切片技术仅考虑抽象网络切片的流量假设和服务质量需求假设的技术偏见。

58、第四，本发明提出了一种基于流量预测的qos流资源预分配方法，旨在解决现有技术中资源分配不精确和计算资源消耗过大的问题。传统的qos资源分配方法通常依赖于简单的统计模型，无法准确预测网络流量的动态变化，导致资源分配效率低下。此外，现有的方法在处理复杂的网络环境时需要消耗大量的计算资源，增加了基站的负担。本发明通过引入先进的机器学习和深度强化学习技术，提供了一种更加高效和精确的资源预分配方案。

59、首先，本发明利用xgboost算法对流量进行时序预测。通过基站中的信息采集模块收集并存储基站运行信息，将流量时序数据构建为数据集，并使用cart作为xgboost的基学习器进行模型训练。通过集成学习方式更新预测模型，提高了流量预测的准确性。xgboost的引入不仅增强了对流量动态变化的捕捉能力，还减少了传统方法中对流量预测的误差，显著提高了资源分配的精准度。

60、其次，本发明通过将调度系统的数据分组服务过程建模为m/m/1排队系统，建立了流量、信道质量与qos流服务质量需求之间的关系，并以最小化分组平均时延为目标构建优化问题。这一建模方法能够更准确地反映实际网络环境中的服务需求和资源状态，为后续的优化提供了坚实的理论基础。相比传统的简单排队模型，这种精细化的建模方式能够更好地满足qos流的服务质量需求，减少了网络拥堵和延迟。

61、接下来，通过离线学习的方式训练dqn，使其能够根据网络流量信息和信道质量信息求解离散空间下的组合优化问题，并将训练完成后的神经网络模型加载到基站端。这种方法使基站在消耗较少计算资源的情况下，获得了关于qos流的资源预分配方案。dqn的引入显著提升了资源分配的效率和智能化程度，避免了传统方法中对计算资源的过度依赖，实现了高效的资源管理。

62、最后，通过分析资源预分配方案的违约率，验证了dqn的有效性，并基于matlab搭建仿真平台，进一步验证本发明的实用性和可靠性。仿真结果表明，本发明的方法不仅能够显著降低分组平均时延，还能有效减少资源分配过程中的违约率，确保了qos流服务质量的稳定性。相较于现有技术，本发明在资源分配的准确性、效率和计算资源的利用率方面均取得了显著的技术进步，具有广泛的应用前景。