[发明专利]基于跨层的多维参数的5G网络带宽预测系统及方法

说明书

本发明提出一种基于跨层的多维参数的5G网络带宽预测系统及方法，包括：发送端、预测模型以及接收端；所述发送端采集不同基站服务区的流量数据，进行分类，并选取一组数据发送至预测模型；所述预测模型训练神经网络进行误差梯度下降时，反馈最新的误差数据给发送端；发送端进行精度分析以确定模型的预测效果和当前的物理层信息，随后对所发数据进行校正；所述接收端共有两个数据缓冲区，一个用于存储发送端发送给预测模型的实际流量数据，另一个用于存储预测模型所预测的数据；计算两者的MSE大小，再通过查阅奖励值r表，根据MES的大小给出相应的r值，与新预测状态一同反馈给预测网络的神经网络训练部分。能减少因位置变化造成突发流量而失准。

技术领域

本发明属于移动通信技术领域，涉及一种基于跨层的多维参数的5G网络带宽预测系统及方法。

背景技术

随着5G网络的发展和应用，移动终端和网络设备对带宽要求更为严格，用户体验质量(QoE)显得尤为重要。在5G高速高带宽的网络背景下，拥塞控制显得尤为重要，网络资源的合理分配更离不开精确的带宽预测。

传统的带宽预测方法是通过向网络内部注入探测包，分为主动探测和被动探测。利用传输过程中的探测包延时信息进行带宽预测。但在高速且带宽波动性强的5G网络下，单层的预测方法在面对突发流量时就显得捉襟见肘了。

现有技术中，包括：一种基于带宽预测的无线Ad Hoc网络实时视频传输方法，CN101345756A；一种基于RNN神经网络的RTT预测方法，CN111404751A；基于电力业务需求的通信带宽预测方法及装置，CN102938742A；基于电力业务需求的通信带宽预测方法及装置，CN102938742A；等方案虽然有考虑到采用预测模型或机器学习的方式对带宽进行处理，但仍有很大改进空间，且难以直接应用于5G高速高带宽的网络模型当中或效果不佳。

发明内容

考虑到现有技术存在的空白和不足，本发明的目的在于提供一种基于跨层的多维参数的5G网络带宽预测系统及方法。

其搭建一个基于多维参数的5G网络带宽预测模型：发送端采集不同基站服务区数据集，并与接收端共同构建基于深度强化学习的带宽预测模型。借助多维参数，实现跨层预测有效带宽，避免了单层预测因突发流量而导致的预测失准。实时性好，应用范围较广。在5G网络高速高带宽情况下仍可保持较好的预测精度，对于视频会议，多路传输的拥塞控制以及在线游戏的高带宽低延迟的需求，可以提前估计未来带宽，应用设备可以利用该估计来调整其数据传输策略，并显著提高用户QoE。

在实现上是基于物理层的无线信号强度、基站距离，以及上层的数据发包量，采用深度强化学习，建立带宽预测模型。采集多元的数据集(该数据集的采集来自于各个带宽波动情况不同的服务区)，对预测模型进行训练。训练完成的带宽预测模型即可应用不同基站服务区的带宽预测。模型使用的多维参数，可以有效避免因位置切换出现突发流量，而导致带宽预测失准，并且模型的预测精度可以在不断的训练中愈发精确，更符合当今5G网络高速高带宽的应用背景。

其具体采用以下技术方案：

一种基于跨层的多维参数的5G网络带宽预测系统，其特征在于，包括：发送端、预测模型以及接收端；

所述发送端采集不同基站服务区的流量数据，进行分类，并选取一组数据发送至预测模型；

所述预测模型训练神经网络进行误差梯度下降时，反馈最新的误差数据给发送端；发送端进行精度分析以确定模型的预测效果和当前的物理层信息，随后对所发数据进行校正；

所述接收端共有两个数据缓冲区，一个用于存储发送端发送给预测模型的实际流量数据，另一个用于存储预测模型所预测的数据；计算两者的MSE大小，再通过查阅奖励值r表，根据MES的大小给出相应的r值，与新预测状态一同反馈给预测网络的神经网络训练部分。

进一步地，所述发送端传输至预测模型的数据包括：位置信息、无线信号强度以及数据发包量；