一种基于5G移动通信的智能网络资源分配方法及系统与流程

本发明涉及无线资源分配的，具体为一种基于5g移动通信的智能网络资源分配方法及系统。

背景技术：

1、中国专利cn113163498b公开了5g网络切片下基于遗传算法的虚拟网资源分配方法及装置，该方法具体包括，获取虚拟网请求集合中虚拟网请求节点所需要的资源规模，根据虚拟网请求节点所需要的资源规模，对虚拟网请求集合进行降序排列，得到排序后得到虚拟网请求集合；对所述排序后得到虚拟网请求集合使用遗传算法获取虚拟网资源分配策略集合，通过使用遗传算法保留种群中适应度最大的个体作为虚拟网资源分配策略集合中的元素，实现虚拟网资源分配；装置具体包括，获取模块、计算模块、排序模块和分配模块，通过获取模块得到网络资源和虚拟网请求集合，通过计算模块得到虚拟网请求集合中元素数量，通过排序模块将节点资源进行排序，通过分配模块得到虚拟网资源分配策略集合。

2、随着5g通信网络的不断发展，对网络资源分配提出了更高的要求，传统网络资源分配存在资源分配不公平、网络环境冗余和资源分配速度慢等问题；同时传统的基于5g通信网络的资源分配不能提高网络的整体性能，也没有相匹配的资源分配优化算法，网络资源分配后不进行性能测试，网络资源利用率低。

技术实现思路

1、针对相关技术中的问题，本发明提供了一种基于5g移动通信的智能网络资源分配方法及系统，以克服现有相关技术所存在的上述技术问题。

2、为解决上述技术问题，本发明是通过以下技术方案实现的：

3、本发明为一种基于5g移动通信的智能网络资源分配方法，包括如下步骤：

4、s1、对5g基站和用户分别进行编号生成网络通信矩阵，计算网络通信矩阵的网路数据传输速率，得到理论有效网络传输速率；

5、s2、设定时间序列矩阵，对时间序列矩阵进行空间重构得到网络传输数据矩阵，建立支持向量机数学模型，并使用旅行徒步优化算法调整优化支持向量机中的参数，对支持向量机进行训练后得到支持向量机模型，实现基于支持向量机模型对网络传输速率预测，得到预测有效网络传输速率；

6、s3、由理论有效网络传输速率和预测有效网络传输速率得到实际有效网络传输速率，使用实际有效网络传输速率和公平性指数作为筛选请求网络资源用户的指标，采用比例公平调度算法对网络资源进行分配调度，并基于北极海雀优化算法对网络资源分配调度进行优化找到网络资源分配调度优先级最高用户，完成网络资源分配调度；

7、s4、对完成网络资源分配调度的用户进行网络资源信道功效测试，并对网络资源信道功效进行评价。

8、该发明通过对5g基站和用户编号得到网络通信矩阵，通过网络通信矩阵建立网络通信系统的信道模型，计算理论有效网络传输速率；其次对时间序列矩阵进行空间重构，提高对网络传输速率的预测精度，并将往年网络传输数据输入到支持向量机进行训练，得到支持向量机模型，使用旅行徒步优化算法对于支持向量机中的惩罚参数和核宽度两个参数进行调整优化，该算法通过更新徒步旅行者的速度来模拟徒步旅行者行为得到位置，执行效率高，收敛速度快，得到预测有效网络传输速率；再根据理论有效网络传输速率和预测有效网络传输速率得到实际有效网络传输速率，结合系统吞吐量得到筛选后的网络资源用户；使用实际有效网络传输速率和公平性指数的和作为优先级评判依据，基于北极海雀优化算法划分优先级高的用户和优先级低的用户，并在优先级高的用户中找到优先级最高用户，该算法通过模仿北极海雀空中飞行和水下觅食行为，不断改变位置得到最优解，引入莱维飞行，搜索能力强并且迭代性能好；之后按照优先级分配网络资源信道，完成网络资源分配调度；最后进行网络资源信道功效测试，更换分配调度的网络资源。

9、优选地，所述s1包括以下步骤：

10、s11、依次设定5g基站编号，组成5g基站集合a＝{a1,a2,a3,...,ai}，其中ai表示编号为i的5g基站，对5g基站服务的用户进行编号，设定5g基站服务的用户数量为j，生成网络通信矩阵b如下，

11、

12、其中，aij表示5g基站编号为i、用户编号为j的用户；

13、选取所述网络通信矩阵的一行作为网络测试集合其中表示5g基站编号为用户编号为j的用户，设定小尺度衰落为b，路线损耗系数为α，所述网络测试集合的用户路径损耗c计算公式如下，

14、c＝α+10·log2b；

15、设定网络分配调度时间为t，t时刻网络频率响应为b′(t)，网络噪音功率密度为c，网络载波带宽为c′，网络均匀功率分配为网络干扰系数为β，则t时刻所述5g基站集合中的5g基站的瞬时信噪比c′(t)计算公式如下，

16、

17、s12、设定所述5g基站集合中的5g基站存在b″个子载波，t时间内所述网络测试集合的用户在5g基站集合中的5g基站的网路数据传输速率c″计算公式如下，

18、c″＝b″·c′(t)；

19、由于网络传输存在误差，设定误差系数为χ，所述误差系数在网路数据传输成功时取1，在网路数据传输不成功时取0，将t时间内所述网络测试集合的用户在5g基站集合中的5g基站的理论有效网路数据传输速率记为理论有效网络传输速率c″′，计算公式如下，

20、c″′＝b″·c′(t)·χ；

21、该发明通过对5g基站和用户编号得到网络通信矩阵，通过网络通信矩阵建立网络通信系统的信道模型，通过计算路径损耗和信噪比得到数据传输速率,去除误差后得到理论有效网络传输速率。

22、优选地，所述s2包括以下步骤：

23、s21、引入时间序列，设定网络传输时间序列个数为i′，得到网络传输时间序列集合a2＝{a′1,a′2,a′3,...,a′i′}，其中a′i′表示第i′个网络传输时间序列，设定所述网络传输时间序列集合中的网络传输时间序列的嵌入维度为j′，生成时间序列矩阵b′如下，

24、

25、其中，a′ij′表示第i′个、嵌入维度为j′的网络传输时间序列；

26、选取所述时间序列矩阵中一列作为网络传输速率集合其中表示第i′个、嵌入维度为的网络传输时间序列，

27、使用空间重构法计算所述网络传输速率集合中的网络传输时间序列的标准差，再计算时间序列矩阵中其他网络传输速率集合的标准差，找到最小标准差d′，所述最小标准差对应的网络传输时间序列即最优延迟时间，记为d，由所述最优延迟时间计算得到最优嵌入窗口，记为i″，则最佳嵌入维度将所述最佳嵌入维度作为网络传输数据集合中网络传输数据的维度；设定网络传输数据个数为i″，得到网络传输数据集合，所述网络传输数据集合中网络传输数据的维度为j″，构建网络传输数据矩阵b″如下，

28、

29、其中，a′i″j″表示第i″个、维度为j″的网络传输数据；

30、s22、选取往年网络传输数据作为支持向量机样本集，记为a4＝{a″1,a″2,a″3,...,a″e}，其中a″e表示第e个往年网络传输数据，将所述支持向量机样本集分成支持向量机训练集合和支持向量机测试集合；设定输出值为e′，实际值为e″，支持向量机的惩罚参数为δ，核宽度为e，建立支持向量机数学模型计算公式如下，

31、

32、其中，minc(δ,e)表示支持向量机数学模型，表示第i1个输出值，表示第i1个实际值，i1＝1,2,3,...,e；

33、将所述向量机训练集合归一化处理后得到归一化向量机训练集合，将所述归一化向量机训练集合输入到支持向量机中，设定最大迭代次数和当前迭代次数，支持向量机当前迭代次数等于最大迭代次数，停止迭代，得到训练好的支持向量机；再将所述支持向量机测试集合输入到训练好的支持向量机中，设定精度阈值为ω，当训练好的支持向量机的输出值和向量机训练集合的实际值的差的绝对值小于ω，得到支持向量机模型；否则调整优化支持向量机的惩罚参数和核宽度，直至输出值和实际值的差的绝对值小于ω，具体过程如下：

34、s221、将所述支持向量机数学模型作为适应度函数，设定旅行者群体，旅行者在徒步过程中，设定旅行者徒步走的海拔为g′，旅行者徒步走的水平距离为f′，第g次迭代时地形倾角为θg且θg∈[0,50°]，则第g次迭代时旅行者徒步的坡度计算公式如下，

35、

36、设定第g次迭代时旅行者徒步的速度为vg，计算第g次迭代适应度函数值，第g次迭代时旅行者徒步的速度计算公式如下，

37、

38、s222、所述旅行者群体中存在旅行者领队，设定第g-1次迭代时旅行者徒步的速度为vg-1，第g次迭代时旅行者领队位置为xg，第g次迭代时旅行者位置为x′g，旅行者跟随旅行者领队产生扫描因子ε且ε∈[1,2]，φ表示随机数且φ∈[0,1]，此时开始迭代更新适应度函数值，第g次迭代时旅行者徒步的速度vg更新计算公式如下，

39、vg＝vg-1+(xg-ε·x′g)·φ；

40、旅行者跟随旅行者领队，并接收随旅行者领队信号不断迭代更新旅行者位置，所述旅行者领队位置即最小适应度函数值，此时不断寻找最小适应度函数值，使用第g+1次迭代适应度函数值替换第g次迭代适应度函数值，设定第g+1次迭代时旅行者徒步的位置为x′g+1，第g+1次迭代时旅行者徒步的位置计算公式如下，

41、x′g+1＝x′g+fg；

42、设定表示在[0,1]内均匀分布数，初始旅行者位置上界为f″，初始旅行者位置下界为/f″′，则旅行者初始位置x′满足公式如下，

43、

44、根据旅行者徒步的速度对所述旅行者初始位置不断迭代，不断更新最小适应度函数值，设定最大迭代次数为c′，当前迭代次数为g，当当前迭代次数等于最大迭代次数时，停止迭代，得到旅行者领队位置，所述旅行者领队位置的直角坐标值分别对应支持向量机的惩罚参数和核宽度；

45、s23、选取所述网络传输数据矩阵的一列作为网络传输数据测试集合的一个样本数据，依次选取得到网络传输数据测试集合a5＝{(a″11,a″21,a″31,...,a″i″1),(a″12,a″22,a″32,...,a″i″2),...,(a″1j″,a″2j″,a″3j″,...,a″i″j″)}，将所述网络传输数据测试集合输入到支持向量机模型中，得到预测有效网络传输速率。

46、该发明通过将往年网络传输数据输入到支持向量机进行训练，并使用旅行徒步优化算法对于支持向量机中的惩罚参数和核宽度两个参数进行调整优化，该算法通过更新徒步旅行者的速度来模拟徒步旅行者行为得到位置，执行效率高，收敛速度快，得到支持向量机模型，实现对网络传输速率预测得到预测有效网络传输速率。

47、优选地，所述s3包括以下步骤：

48、s31、设定第一阈值为ω1，若所述理论有效网络传输速率和预测有效网络传输速率的差的绝对值小于ω1，则理论有效网络传输速率和预测有效网络传输速率符合要求；否则重新计算理论有效网络传输速率和预测有效网络传输速率；将理论有效网络传输速率和预测有效网络传输速率的平均值作为实际有效网络传输速率；

49、选取请求网络资源的用户得到请求网络资源用户集合d＝{g1,g2,g3,...,gh}，其中gh表示第h个请求网络资源用户，依次计算所述请求网络资源用户集合中请求网络资源用户的实际有效网络传输速率v和系统吞吐量w；设定请求网络资源的平均响应时间为则系统吞吐量将所述实际有效网络传输速率和系统吞吐量作为网络资源信道评价指标；得到实际有效网络传输速率集合和系统吞吐量集合，设定网络传输速率阈值ξ和系统吞吐量阈值ψ，当所述实际有效网络传输速率集合中的实际有效网络传输速率大于ξ且系统吞吐量集合中的系统吞吐量大于ψ时，保留实际有效网络传输速率集合中的实际有效网络传输速率和系统吞吐量集合中的系统吞吐量对应的请求网络资源用户；否则删去实际有效网络传输速率集合中的实际有效网络传输速率和系统吞吐量集合中的系统吞吐量对应的请求网络资源用户，得到筛选后的网络资源用户集合d′＝{g′1,g′2,g′3,...,g′h′}，其中g′h′表示第h′个筛选后的请求网络资源用户；

50、s32、设定所述筛选后的网络资源用户集合中的筛选后的网络资源用户带宽满足情况为c″，公平系数为γ，则公平性指数计算公式如下，

51、

52、其中，e表示公平性指数，表示筛选后的网络资源用户集合中的第i2个筛选后的网络资源用户带宽满足情况，i2＝1,2,3,...,h′；

53、得到公平性指数集合，网络资源调度器接收到所述实际有效网络传输速率集合和公平性指数集合，计算实际有效网络传输速率集合中的实际有效网络传输速率和公平性指数集合中的公平性指数的和，根据实际有效网络传输速率集合中的实际有效网络传输速率和公平性指数集合中的公平性指数的和将所述筛选后的请求网络资源用户划分优先级，找到网络资源分配调度优先级最高用户，具体过程如下：

54、s321、将实际有效网络传输速率集合中的实际有效网络传输速率和公平性指数集合中的公平性指数的和作为适应度函数，设定北极海雀种群个数为h′，北极海雀种群中第k只北极海雀上界为l，北极海雀种群中第k只北极海雀下界为l′，p1表示随机数且p1∈[0,1]，则北极海雀种群中第k只北极海雀初始位置yk计算公式如下，

55、yk＝l′+(l-l′)·p1；

56、北极海雀在飞行搜索食物过程中，此时开始迭代寻找适应度函数值，设定当前迭代次数为q，北极海雀种群中第k只北极海雀第q次迭代位置为引入莱维飞行，记为e′，莱维飞行产生的随机数为p2，在北极海雀种群中第只北极海雀第q次迭代位置为北极海雀种群中第k只北极海雀第q+1次迭代位置计算公式如下，

57、

58、s322、北极海雀在飞行捕猎食物过程中，不断迭代，提高寻找适应度函数值的能力，引入速度系数η对北极海雀种群中第k只北极海雀的位置进行调整，增加捕猎食物的成功性，设定p3表示随机数且p3∈[0,1]，则北极海雀种群中第k只北极海雀第q+1次再次迭代位置如下，

59、

60、北极海雀种群的适应度函数值寻找完毕，将所述北极海雀种群的适应度函数值从小到大排序，选取前h″个北极海雀种群的适应度函数值对应的北极海雀作为新的北极海雀种群，所述新的北极海雀种群即优先级高的用户，新的北极海雀种群中第k只北极海雀第q+1次迭代位置如下，

61、

62、s323、北极海雀在水下捕猎食物过程中，设定新的北极海雀种群中第k1只北极海雀第q次迭代位置为新的北极海雀种群中第k2只北极海雀第q次迭代位置为新的北极海雀种群中第k3只北极海雀第q次迭代位置为合作因子为λ，p4表示随机数且p4∈[0,1]，此时不断迭代寻找最大适应度函数值，新的北极海雀种群中第k只北极海雀第q+1次迭代更新位置计算公式如下，

63、

64、北极海雀在水下加强捕猎食物过程中，新的北极海雀种群中北极海雀改变位置寻找更多食物，此时加快迭代寻找最大适应度函数值，设定最大迭代次数为q，自适应因子为μ，p5表示随机数且p5∈[0,1]，新的北极海雀种群中第k只北极海雀第q+1次迭代更新位置计算公式如下，

65、

66、s324、北极海雀在逃避捕食者过程中，摆脱局部最优，设定μ表示0到1之间均匀分布的随机数，使用新的北极海雀种群中第k只北极海雀第q+1次迭代位置的适应度函数值替换新的北极海雀种群中第k只北极海雀第q次迭代更新位置适应度函数值，计算公式如下，

67、

68、不断迭代得到新的北极海雀种群中第k只北极海雀第q+1次迭代最终位置当当前迭代次数等于最大迭代次数时，停止迭代，新的北极海雀种群中第k只北极海雀位置的直角坐标值分别对应实际有效网络传输速率集合中的实际有效网络传输速率和公平性指数集合中的公平性指数，分别记为最佳实际有效网络传输速率和最佳公平性指数，将所述最佳实际有效网络传输速率和最佳公平性指数对应的优先级高的用户作为网络资源分配调度优先级最高用户；

69、s33、设定网络资源信道集合，将所述网络资源信道集合中的第一网络资源信道分配给网络资源分配调度优先级最高用户，并删去所述第一网络资源信道，得到候选网络资源信道集合，再将所述候选网络资源信道集合中的候选网络资源信道分配给优先级高的用户；当候选网络资源信道集合为空，结束网络资源分配调度，否则不断进行网络资源分配调度直至候选网络资源信道集合为空。

70、该发明通过实际有效网络传输速率和公平性指数的和作为适应度函数，并基于北极海雀优化算法划分优先级高的用户和优先级低的用户，并在优先级高的用户中找到优先级最高用户，该算法通过模仿北极海雀空中飞行和水下觅食行为，不断改变位置得到最优解，引入莱维飞行，搜索能力强并且迭代性能好；之后按照优先级分配网络资源信道，完成网络资源分配调度；最后进行网络资源信道功效测试，更换分配调度的网络资源。

71、优选地，所述s4包括以下步骤：

72、s41、设定网络资源信道数为m，网络资源信道参数包括网络带宽、网络时延、网络抖动和网络丢包率，在完成网络资源分配调度的用户使用网络资源信道的过程中，测量n个时刻的网络带宽、网络时延、网络抖动和网络丢包率，生成网络性能测试矩阵b″′如下，

73、

74、其中，rmn表示第m网络资源信道在第n时刻的网络带宽，smn表示第m网络资源信道在第n时刻的网络时延，umn表示第m网络资源信道在第n时刻的网络抖动，wmn表示第m网络资源信道在第n时刻的网络丢包率；

75、s42、计算所述网络性能测试矩阵中样本数据的功效分数，得到功效分数矩阵，对所述功效分数矩阵中每行样本数据进行加权平均处理，得到信道指标，设定指标阈值为σ，当信道指标大于σ时，更换所述信道指标对应的网络资源信道，更换分配调度的网络资源，否则不更换所述信道指标对应的网络资源信道。

76、本实施例还公开了一种基于5g移动通信的智能网络资源分配系统，具体包括：理论有效网络传输速率模块、预测有效网络传输速率模块、网络资源分配调度模块和网络资源信道功效测试模块；

77、所述理论有效网络传输速率模块用于建立网络通信系统的信道模型计算理论有效网络传输速率；

78、所述预测有效网络传输速率模块用于构建支持向量机数学模型实现网络传输速率预测并使用旅行徒步优化算法调整优化参数；

79、所述网络资源分配调度模块用于通过北极海雀优化算法划分优先级并寻找优先级最高用户，按照优先级依次对用户进行网络资源分配调度；

80、所述网络资源信道功效测试模块用于对网络资源信道功效进行评价，并更换分配调度的网络资源。

81、本发明具备以下有益效果：

82、1.该发明通过对5g基站和用户编号得到网络通信矩阵，通过网络通信矩阵建立网络通信系统的信道模型，通过计算路径损耗和信噪比得到数据传输速率,去除误差后得到理论有效网络传输速率。

83、2.该发明通过将往年网络传输数据输入到支持向量机进行训练，并使用旅行徒步优化算法对于支持向量机中的惩罚参数和核宽度两个参数进行调整优化，得到支持向量机模型，实现对网络传输速率预测得到预测有效网络传输速率，该算法执行效率高，收敛速度快。

84、3.该发明通过基于北极海雀优化算法划分优先级高的用户和优先级低的用户，并在优先级高的用户中找到优先级最高用户，该算法引入莱维飞行，搜索能力强并且迭代性能好；之后按照优先级分配网络资源信道，完成网络资源分配调度；最后进行网络资源信道功效测试，更换分配调度的网络资源。

85、当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。