[发明专利]基于保障SLA的RAN侧切片资源分配方法及系统

权利要求书

1.一种基于保障SLA的RAN侧切片资源分配方法，其特征在于，包括数据集采集阶段和切片资源预测阶段，其中：通过OAI系统，采集实际无线通信场景下用户终端与基站在无线通信过程中产生的信息交互数据，经预处理后匹配输入预测网络的数据格式；将信息交互数据输入训练后的预测网络得到资源分配方案。

2.根据权利要求1所述的基于保障SLA的RAN侧切片资源分配方法，其特征是，所述的数据集采集阶段包括：

步骤1.1、设置eNodeB为固定的无线频谱带宽：使用两个具有不同服务类型的UE，将不同的UE设置在不同的切片下，并将服务负载的差异对应于不同切片的业务附载；

步骤1.2、系统运行过程中，UE与eNodeB的交互数据由eNodeB上通过事先编写的日志信息保存程序进行保存，从而得到该无线通信场景下的实际切片数据集；

步骤1.3、对实际切片数据集进行数据清洗、格式化处理，将切片数据转换成匹配预测网络输入的数据格式。

3.根据权利要求1所述的基于保障SLA的RAN侧切片资源分配方法，其特征是，所述的切片资源预测阶段包括：构建基于LSTM的预测网络并进行离线训练并进行切片资源编排；

所述的构建基于LSTM的预测网络并进行离线训练包括：

步骤2.1、采用基于循环神经网络的LSTM作为预测网络的主要部分，以探索长时间尺度下用户的行为习惯等特征；在预测时间尺度的定义上，利用UE与eNodeB的历史交互信息，预测下一时刻内切片的资源编排策略；

步骤2.2、设计损失函数：将SLA保障指数和资源利用率转化到预测网络的损失函数中，具体为：其中：x为预测资源数与所需资源数的比值，0≤x，β＞0表示一个惩罚项，以表征eNodeB向用户提供不可接受的服务的情况；0＜α＜1用于描述用户对由于切片资源不足而不能完全满足服务质量要求的服务的容忍度；斜率k＞0用作资源过度分配情况下的惩罚项；

步骤2.3、预测网络收敛性判断：以数据集采集阶段得到的训练集训练预测网络，该预测网络根据每一步计算的损失值，更新预测网络各层权重参数，网络未收敛时，网络的输出会作为网络输入，重新进行下一轮预测网络训练，持续进行预测网络参数更新，网络收敛时，训练完成，预测网络的输出便可为切片资源编排提供依据。

4.根据权利要求3所述的基于保障SLA的RAN侧切片资源分配方法，其特征是，所述的步骤2.2中，通过在原损失函数中添加一个极小值ε，以不影响损失函数的形状，避免斜率为零或无穷大的情况；调整后的损失函数为：当数据经过预测网络计算后，当前步计算的输出值经过损失函数的性能度量，得到对应的损失值。

5.根据权利要求3所述的基于保障SLA的RAN侧切片资源分配方法，其特征是，所述的切片资源编排是指：当网络被输入前1秒的切片数据时，数据经过预测网络的计算，输出后100毫秒的资源预测结果，即可根据此结果完成切片资源编排方案。

6.一种实现权利要求1～5中任一所述方法的系统，其特征在于，包括：数据集采集与预处理单元、切片资源预测单元和切片资源编排单元，其中：数据集采集与预处理单元根据实际通信系统终端设备与基站的交互过程，采集相应的通信数据，并进行归一化等数据预处理，得到符合预测网络输入的数据集，切片资源预测单元，根据搭建的预测网络与重新定义的损失函数收敛算法，进行切片资源预测处理，根据历史资源分配数据，得到后一时刻的切片资源预测结果，切片资源编排单元，根据资源预测的结果与资源块间的映射规则，进行下一时刻的切片资源编排，得到更好的切片资源编排结果。