License动态调整的方法与流程

本发明属于移动通信行业技术领域，尤其是涉及一种license动态调整的方法。

背景技术：

lte网络，lte就是通用移动通信技术的长期演进，简单的理解就是3g技术的升级版本，一般人们认为的4g,严格意义上来讲，lte只是3.9g，未达到4g标准。

小区，也称蜂窝小区，是指在蜂窝移动通信系统中，其中的一个基站或基站的一部分(扇形天线)所覆盖的区域，在这个区域内移动台可以通过无线信道可靠地与基站进行通信。

license，即版权许可证，是指基站加载小区数据时，需要配置相应的license，小区才可以激活。

负荷，参照集团公司门限与省公司门限，对小区特定时间区间内统计的指标(无线利用率、rrc连接数、流量等)情况进行判定，判定出高负荷小区、低效小区。

负荷潮汐特性，小区负荷情况呈现周期性的波动，比如早忙时与晚忙时小区满足高负荷标准；夜间小区负荷情况满足低效标准，此小区负荷情况即为潮汐特性。

多层网配置，即基站在某一扇区方向上配置了多层频点情况，比如某扇区配置了一层f1频点，又配置了一层d1频点，多层网配置即为f1+d1。

拓扑配置表，基站小区数据绑定在基站硬件上，比如a小区数据是绑定在特定的rru设备上，rru设备通过光模块连接到指定的基带板上。识别rru、光模块、基带板等信息的配置表。

扩容是指通过增加频点的方式增加小区的总带宽，来增加系统的容量，比如某小区现网配置的频点为f1，用户增加到一定门限，此时需要增加系统容量来满足用户需求，可以再添加一个频点d1，增加系统容量。

基带板是指通信基站内一类通信模块,负责所有的数据发送与接受。基带板对小区数据存在一定的容量上限。

rru是指射频拉远单元，主要功能是在远端将基带光信号转成射频信号放大传送出去。

目前lte网络，4g用户快速增长，伴随着不限流量套餐的推广，移动互联网时代用户的上网行为也发生了转变，热门视频业务快速拉动了流量的增长，高负荷问题日趋严峻。但目前现网部分区域潮汐效应明显，大量小区处于周期性空闲状态。

因此，为了盘活现网存量资源，快速的反应网络负荷需求，最大化lincese资源的效益，建立license动态调整系统；有必要开发一种license动态调整的方法。

技术实现要素：

本发明要解决的技术问题是，提供一种license动态调整的方法，解决目前lte网络高负荷问题日趋严峻，但目前现网部分区域潮汐效应明显，大量小区处于周期性空闲状态；为了盘活现网存量资源，快速的反应网络负荷需求，最大化license资源的效益，建立license动态调整系统。

为解决上述技术问题，本发明采用的技术方案是：该license动态调整的方法，具体包括以下步骤：

(1)负荷潮汐性识别：首先判定小区是否是负荷潮汐性小区，若不是潮汐小区，则舍弃；若是潮汐小区，则判定该潮汐小区的负荷特性为高负荷还是低效；

(2)多层网识别：采用数据库技术根据小区命名规则辅助小区射频拉远单元rru绑定情况，输出小区的级别多层网配置；

(3)硬件识别：首先根据现网基站配置表识别基站的小区硬件配置信息，然后根据基站硬件设备特性对步骤(1)中判定出的潮汐小区进行扩容或缩容的可行性评估；若可以，则输出方案；若否，则输出原因；

(4)智能匹配：根据步骤(2)和步骤(3)得到的该潮汐小区的特性匹配license调度小区对，并进行license互调度。

采用上述技术方案，采用大数据技术算法识别出潮汐小区后，再输出潮汐小区的多层网配置，然后智能识别小区的硬件特性；合理的规划license在不同小区之间的复用，为最大化license效益提供了一种高效益、高效率的方案；解决了目前lte网络高负荷问题日趋严峻，但目前现网部分区域潮汐效应明显，大量小区处于周期性空闲状态；为了盘活现网存量资源，快速的反应网络负荷需求，最大化license资源的效益，建立license动态调整系统。

作为本发明的优选技术方案，所述步骤(1)具体包括以下步骤：

s11采用大数据决策树算法进行模型训练，判定为潮汐小区后，则根据高负荷标准、低效小区标准进行是否为潮汐小区的判定，若为潮汐小区，再判断为高负荷潮汐小区还是低效潮汐小区；

s12根据话统数据过滤的标准输出潮汐高负荷潮汐小区、低效潮汐小区列表及特性。

作为本发明的优选技术方案，所述步骤(2)具体包括以下步骤：

s21对于步骤s12中判断出的高负荷潮汐小区和低效潮汐小区分别进行多层网配置识别，根据小区命名规则与小绑定的射频拉远单元rru绑定情况识别小区对应的多层网配置的情况；

s22根据步骤s21中获取的多层网配置情况，评估高负荷潮汐小区是否可以扩容，若能，则输出对应的扩容方案，若不能，则输出对应的具体原因；评估低效潮汐小区是否可以缩容，并输出对应的缩容方案，若不能缩容，则输出对应的具体原因。其中步骤s22中评估高负荷潮汐小区是否可以扩容和评估低效潮汐小区是否可以缩容是分开独立进行的。

作为本发明的优选技术方案，所述步骤(3)具体包括以下步骤：

s31根据步骤s22中输出的扩容方案，对照基站硬件设备特性，评估是否可以进行软扩，若可以进行软扩，则给出可软扩小区列表；若不可以进行软扩，则给出对应受限项目；

s32根据步骤s22和步骤s31的结果，判断出高负荷潮汐小区与低效潮汐小区的分别对应的可软扩小区列表与可缩容小区列表。

作为本发明的优选技术方案，所述步骤(4)具体包括以下步骤：

s41根据步骤s32输出的可软扩小区列表与可缩容小区列表，根据潮汐时段匹配原则、需求与释放license匹配原则、同站优先策略进行智能匹配；

s42匹配成功的小区则输出匹配可调度的高负荷潮汐小区与对应的低效潮汐小区对进行调度实施；

s43调度实施后，则进行调度结果的评估。

作为本发明的优选技术方案，所述步骤(3)中的所述基站硬件设备特性包括基带板型号、射频拉远单元rru型号、光模块功率和负荷分担方式。

作为本发明的优选技术方案，所述步骤s12识别高负荷与低效的潮汐小区是根据高负荷标准与高利率标对指定时间段的话统数据进行算法识别的。其中指定时间段为一周或者其他自定义时间区间。

作为本发明的优选技术方案，所述步骤s22中评估高负荷潮汐小区是否可以扩容，或/和评估低效潮汐小区是否可以缩容是通过评估该潮汐小区是否存在频点资源进行扩容或/和是否存在多层网缩容资源实现的。

作为本发明的优选技术方案，所述步骤s11中的采用大数据决策树算法进行模型训练，具体过程为：

s111数据采集：将采集到的潮汐小区的数据作为正样本，采集到的非潮汐小区数据作为负样本，然后从正样本和负样本中按比例选取数据，对选取的部分数据分别作为训练数据、验证数据和测试数据进行处理；

s112算法设计：所述步骤s111中处理过后的训练数据，首先生成特征分位数，再进行数据压缩，使其适合于快速构建决策树，决策树构建过程中，采用梯度评估的方式进行多次迭代，以便构建出准确率更高的决策树集成模型；所述步骤s111中处理过的验证数据，通过初步已构建的所述决策树集成模型进行数据验证，再次采用预测得分的方式进行迭代以提高决策树模型的准确性；最后将得到的决策树模型对未知测试数据进行测试，使决策树模型得到最佳状态并输出；

s113数据预测：根据步骤s112中的决策树训练模型判定是否为负荷潮汐性小区，再判定潮汐特性。其中步骤s111中的从正样本和负样本中按比例选取数据，可以是随机选取，也可以是按一定预设的比例进行选取；步骤s112中的最佳状态为迭代预测模型中损值函数最小趋于稳定时，验证数据进行验证时正确率最高的模型。

相比现有技术，该技术方案具有的有益效果是：采用大数据技术算法识别出潮汐小区后，再输出潮汐小区的多层网配置，然后智能识别小区的硬件特性；合理的规划license在不同小区之间的复用，为最大化license效益提供了一种高效益、高效率的方案；解决了目前lte网络高负荷问题日趋严峻，但目前现网部分区域潮汐效应明显，大量小区处于周期性空闲状态；为了盘活现网存量资源，快速的反应网络负荷需求，最大化license资源的效益，建立license动态调整系统。

附图说明

下面结合附图和本发明的实施方式进一步详细说明：

图1是license动态调整的方法的流程示意图；

图2是license动态调整的方法中的步骤(1)中的大数据决策树算法的具体流程图。

具体实施方式

实施例：如图1所示，该license动态调整的方法，具体包括以下步骤：

(1)负荷潮汐性识别：首先判定小区是否是潮汐小区，若不是潮汐小区，则舍弃；若是潮汐小区，则判定该潮汐小区的负荷特性为高负荷还是低效；

s11采用大数据决策树算法进行模型训练，判定为潮汐小区后，则根据高负荷标准、低效小区标准进行是否为潮汐小区的判定，若为潮汐小区，再判断为高负荷潮汐小区还是低效潮汐小区；

如图2所示，所述步骤s11中的采用大数据决策树算法进行模型训练，具体过程为：

s111数据采集：将采集到的潮汐小区的数据作为正样本，采集到的非潮汐小区数据作为负样本，然后从正样本和负样本中按比例选取数据，对选取的部分数据分别作为训练数据、验证数据和测试数据进行处理；

s112算法设计：所述步骤s111中处理过后的训练数据，首先生成特征分位数，再进行数据压缩，使其适合于快速构建决策树，决策树构建过程中，采用梯度评估的方式进行多次迭代，以便构建出准确率更高的决策树集成模型；所述步骤

s111中处理过的验证数据，通过初步已构建的所述决策树集成模型进行数据验证，再次采用预测得分的方式进行迭代以提高决策树模型的准确性；最后将得到的决策树模型对未知测试数据进行测试，使决策树模型得到最佳状态并输出；

s113数据预测：根据步骤s112中的决策树训练模型判定是否为负荷潮汐性小区，再判定潮汐特性；

s12根据话统数据过滤的标准输出潮汐高负荷潮汐小区、低效潮汐小区列表及特性；

(2)多层网识别：采用数据库技术根据小区命名规则辅助小区射频拉远单元rru绑定情况，输出小区的多层网配置；

s21对于步骤s12中判断出的高负荷潮汐小区和低效潮汐小区分别进行多层网配置识别，根据小区命名规则与小绑定的射频拉远单元rru绑定情况识别小区对应的多层网配置的情况；

s22根据步骤s21中获取的多层网配置情况，评估高负荷潮汐小区是否可以扩容，若能，则输出对应的扩容方案，若不能，则输出对应的具体原因；评估低效潮汐小区是否可以缩容，并输出对应的缩容方案，若不能缩容，则输出对应的具体原因；

(3)硬件识别：首先根据现网基站配置表识别基站的小区硬件配置信息，然后根据基站硬件设备特性对步骤(1)中判定出的潮汐小区进行扩容或缩容的可行性评估；若可以，则输出方案；若否，则输出原因；

s31根据步骤s22中输出的扩容方案，对照基站硬件设备特性，评估是否可以进行软扩，若可以进行软扩，则给出可软扩小区列表；若不可以进行软扩，则给出对应受限项目；

s32根据步骤s22和步骤s31的结果，判断出高负荷潮汐小区与低效潮汐小区的分别对应的可软扩小区列表与可缩容小区列表；

(4)智能匹配：根据步骤(2)和步骤(3)得到的该潮汐小区的特性匹配license调度小区对，并进行license互调度；

s41根据步骤s32输出的可软扩小区列表与可缩容小区列表，根据潮汐时段匹配原则、需求与释放license匹配原则、同站优先策略进行智能匹配；

s42匹配成功的小区则输出匹配可调度的高负荷潮汐小区与对应的低效潮汐小区对进行调度实施；

s43调度实施后，则进行调度结果的评估；

所述步骤(3)中的所述基站硬件设备特性包括基带板型号、射频拉远单元rru型号、光模块功率和负荷分担方式；

所述步骤s12识别高负荷与低效的潮汐小区是根据高负荷标准与高利率标对一周小时级别的话统数据进行算法识别的；

所述步骤s22中评估高负荷潮汐小区是否可以扩容，或/和评估低效潮汐小区是否可以缩容是通过评估该潮汐小区是否存在频点资源进行扩容或/和是否存在多层网缩容资源实现的。

上面结合附图对本发明的实施方式作了详细的说明，但是本发明不限于上述实施方式，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。