[发明专利]一种基于能效优化的前传光网络动态资源映射方法及系统

说明书

本发明涉及一种基于能效优化的前传光网络动态资源映射方法及系统。该方法包括：收集远端射频节点的历史流量数据；根据所述历史流量数据，训练深度学习中的长短期记忆网络模型，预测每个所述远端射频节点的下一时间节点的流量负载情况；根据所述流量负载情况，以最小化系统总能耗为目标，动态调整下一时间节点的基带处理池和远端射频节点之间的前传光链路的连接关系；所述最小化系统总能耗包括基带处理池的固有能耗、所述基带处理池执行基带信号处理过程中产生的能耗以及切换产生的能耗。本发明能够降低整个前传光链路的系统总能耗以及提高基带处理池资源利用率。

技术领域

本发明涉及移动通信网络技术领域，特别是涉及一种基于能效优化的前传光网络动态资源映射方法及系统。

背景技术

随着多样化网络业务的发展和智能终端设备的大规模普及，导致移动网络数据流量呈指数级增长，对5G移动网络各方面的性能提出了更高的要求。如何在满足急剧增长的无线服务要求的同时，降低网络的资本性支出(Capital Expenditure，CAPEX)和运营支出(Operating Expense，OPEX)是运营商需要重点关注的问题。移动接入网架构首先从早期2G时代的一体化的宏基站向3G时代的分布式基站组网发展，随后分布式基站组网又朝着4G时代的集中式接入网(Centralized Radio Access Network，C-RAN)架构演进，C-RAN的主要原理是在蜂窝小区中保留远端射频节点(Remote Radio Head，RRH))和用户建立连接，而传统基站中的基带处理(Baseband Unit，BBU)单元集中在一起形成一个BBU池，放置在中央机房(Central Office，CO)，对RRH中需要处理的基带资源进行统一调度。在C-RAN中，BBU池和RRH利用光纤链路进行数据传递，具备高带宽和高可靠性的传输能力，该链路称为前传(Fronthaul)光链路，随着密集化基站的部署，结构简单的RRH可以大幅度地降低了网络的部署和安装维护的成本。BBU池和RRH之间通过光纤链路建立前传连接。考虑到在降低CAPEX和OPEX方面的优势，C-RAN得到了广大网络运营商的关注。

前传光网络被看作是极具潜力的新型光接入网方案，也是C-RAN在5G移动通信中实现规模化和产业化部署的关键。然而，由于用户的移动性，移动数据流量会随着时间和空间不断迁移，网络服务区域中的流量变化具有明显的潮汐效应，也就是在白天，用户往往聚集在工作区，导致工作区用户密集，基站负载高，前传数据流量大，而居民区的基站处于相对空闲的状态。而到了夜间，大部分移动用户则返回居民区，又会造成工作区的基站闲置。C-RAN架构将网络中的基带资源集中在BBU池中，具备对整个网络资源进行集中调度和规划的能力，然而，由于目前的接入网结构不具备感知网络环境变化的能力，同时缺少统一的决策能力和智能管控能力对网络资源进行及时地调度和分配，导致目前的光网络仍然是相对固定的连接模式，无法及时地根据负载变化调整前传光链路的连接关系，造成和低负载RRH相连的BBU的带宽资源和处理能力没有得到充分利用，BBU池整体资源利用率较低。显然，静态配置的前传光网络没有充分利用C-RAN结构的灵活性和智能管理的优势。随着5G中密集化小区的部署，静态配置的C-RAN会导致BBU池产生巨大的资源浪费。

发明内容

本发明的目的是提供一种基于能效优化的前传光网络动态资源映射方法及系统，以解决整个前传光链路的系统总能耗高以及基带处理池资源利用率低的问题。

为实现上述目的，本发明提供了如下方案：

一种基于能效优化的前传光网络动态资源映射方法，包括：

收集远端射频节点的历史流量数据；所述历史流量数据的数据类型包括接收和发送的电话业务、短消息业务以及互联网业务；所述历史流量数据表征多个历史时间节点的真实流量负载情况；

根据所述历史流量数据，训练深度学习中的长短期记忆网络模型，预测每个所述远端射频节点的下一时间节点的流量负载情况；