基于O-RAN的性能优化配置方法与设备与流程

基于o-ran的性能优化配置方法与设备
技术领域
1.本公开涉及o-ran网络系统，并且更具体地，涉及用于在o-ran系统中进行性能优化的方法与设备。


背景技术：

2.5g(5th-generation，第5代移动通信)核心网的变革已经悄然发生，而在无线接入网领域，5g无线接入网具有业务多、带宽大、频段高等特点，势必引起单站覆盖变小、设备复杂度增加、建网规模增大，导致网络成本巨大、投资回报风险增大。结合无线网这些具体的特征和需求，无线接入网领域势必需要引入新的it(information technology，信息技术)、ct(communication technology，通信技术)、dt(data technology，数字技术)融合的研发和设计思路，这与通信产业的宏观演进趋势一脉相承。
3.基于此，中国移动联合at&t等运营商整合c-ran联盟和xran论坛，主导创建o-ran(open radio access network)产业联盟，提出了“开放”和“智能”两大核心愿景，这符合通信产业大的发展趋势，也是运营商主导的又一次大的网络变革，希望利用大数据、机器学习和人工智能技术建设开放智慧无线网络，同步结合开放标准、白盒硬件和开源软件来降低无线网络成本。
4.公开内容
5.本公开的各方面要解决至少上述问题和/或缺点，并且提供至少下述优点。本公开涉及基于o-ran的网络系统，通过对网络负载、用户业务量、业务类型、移动性等测量和预测，为不同场景的用户选择不同的传输方式，并通过切片策略、rrc配置或mac调度策略等方式具体实现，从而达到提升基站系统的吞吐量，改善用户体验，帮助终端省电等性能方面的提升。
6.根据本公开的一方面，一种用于在o-ran系统中进行性能优化的方法，包括：创建至少两个网络子切片实例nssi；通过管理实体与网络功能之间或网络功能内部的接口请求信息上报；接收上报信息并且基于上报信息生成策略信息；以及通过相应接口下发策略信息。
7.根据本公开的一方面，不同的nssi对应于相应所选传输方式，并且其中，所述相应所选传输方式通过以下之一指示：nssi中新增的单独的信息单元ie；nssi名命字符串规则；以及nssi与相应所选传输方式的隐式关联。
8.根据本公开的一方面，接收上报信息包括以下中至少之一：通过相应接口来接收用户能力信息；通过相应接口来接收小区能力信息；和通过相应接口来接收切片测量信息。
9.根据本公开的一方面，所述方法还包括从外部服务器接收与用户场景相关的信息，其中，所述与用户场景相关信息包括以下中至少一个：用户移动性相关信息，用于切片中每个小区中每个用户的移动性估计和预测；和用户业务流量相关信息，用于切片中每个小区中每个用户的业务流量估计和预测。
10.根据本公开的一方面，接收上报信息并且基于上报信息生成策略信息还包括：基
于收集的与用户场景相关信息、采用人工智能/机器学习(ai/ml)模块生成策略信息。
11.根据本公开的一方面，所述策略信息包括以下中至少一个：用户移动性相关信息；用户业务流量相关信息；切片级配置信息；用户级配置信息；以及切片与用户之间的关联信息。
12.根据本公开的一方面，所述方法还包括：基于生成的策略信息来确定和发送rrc配置参数。
13.根据本公开的一方面，用于决策的智能控制器模块部署在一个模块中或者部署在多个模块中通过接口连接。
14.根据本公开的一方面，根据用于决策的智能控制模块的部署方式和生成的策略信息，在相应的接口上增加相应信息以及确定用于接收策略信息的接口。
15.根据本公开的一方面，一种用于在o-ran系统中进行性能优化的方法，包括：通过管理实体与网络功能之间或网络功能内部的接口请求信息上报；接收上报信息并且基于上报信息生成预测信息；以及通过相应接口下发预测信息，其中，所述预测信息由基站用来确定用户的传输方式。
16.根据本公开的一方面，接收上报信息包括以下中至少之一：通过相应接口来接收用户能力信息；通过相应接口来接收小区能力信息；和通过相应接口来接收切片测量信息。
17.根据本公开的一方面，所述还包括从外部服务器接收与用户场景相关的信息，其中，所述与用户场景相关信息包括以下中至少一个：用户移动性相关信息，用于切片中每个小区中每个用户的移动性估计和预测；和用户业务流量相关信息，用于切片中每个小区中每个用户的业务流量估计和预测。
18.根据本公开的一方面，所述预测信息包括以下中至少一个：用户移动性预测信息；和用户业务流量预测信息。
19.根据本公开的一方面，接收上报信息并且基于上报信息生成预测信息还包括：基于收集的与用户场景相关信息、采用人工智能/机器学习(ai/ml)模块生成预测信息。
20.根据本公开的一方面，所述方法还包括基站基于下发的预测信息来确定和发送rrc配置参数。
21.根据本公开的一方面，用于预测的智能控制器模块部署在一个模块中或者部署在多个模块中通过接口连接。
22.根据本公开的一方面，根据用于预测的智能控制模块的部署方式和生成的预测信息，在相应的接口上增加相应信息以及确定用于接收预测信息的接口。
23.根据本公开的一方面，接收上报信息并且基于上报信息生成预测信息还包括从基站接收预测反馈以更新预测信息。
24.根据本公开的一方面，一种用于在o-ran系统中进行性能优化的设备，包括：网络管理实体，通过管理实体与网络功能之间或网络功能之间的接口请求信息上报；ran智能控制器，包括非实时ran智能控制器(non-rt ric)和准实时智能控制器(near-rt ric)，被配置为基于上报信息生成策略信息或预测信息，并且通过相应接口下发策略信息或预测信息；以及基站，被配置为执下发的策略信息或根据下发的预测信息确定用于用户的传输方式。
25.根据本公开的一方面，一种用于在o-ran系统中进行性能优化的设备，包括存储
器、处理器，所述存储器上存储有指令，所述指令被处理器执行时实现前述方法。
附图说明
26.通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
27.图1示出了根据本公开的实施例的o-ran整体框架；
28.图2示出了示例的o-ran切片物理资源划分的流程图；
29.图3示出了根据本公开的实施例的基于切片的用户移动性场景下的系统性能优化；
30.图4示出了根据本公开的实施例的基于切片的用户业务预测场景下的系统性能优化；
31.图5示出了根据本公开的实施例的基于切片的用户移动性场景和业务场景下的系统性能优化；
32.图6示出了根据本公开的实施例的基于切片的配置参数优化；
33.图7示出了根据本公开的实施例的基于预测的用户移动性场景下的系统性能优化；
34.图8示出了根据本公开的实施例的基于预测的业务场景下的系统性能优化
35.图9示出了根据本公开的实施例的基于预测的配置参数优化；
36.图10示出了根据本公开的实施例的ran智能控制器进行决策的、基于切片的性能优化实现方式的一般流程图；以及
37.图11示出了根据本公开的实施例的ran智能控制器进行预测的、辅助ran节点的性能优化实现方式的一般流程图。
具体实施方式
38.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。尽管已经提供了某些实施例和示例，但是基于本文所公开的内容，对于本领域技术人员而言显而易见的是，在不脱离本公开的范围的情况下，可以对所示的实施例和示例进行改变。本领域技术人员将理解，本公开的原理可以在任何适当布置的系统或设备中实施。
39.本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本公开所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
40.图1示出了根据本公开的实施例的o-ran整体框架。o-ran参考架构的设计原则建立在无线网cu/du(centralized unit，集中单元/distribute unit，分布单元)架构和功能虚拟化的基础之上，引入开放接口和开放硬件参考设计，同时利用人工智能优化无线控制流程。以下将参考图1进行描述。
41.101指示服务管理与编排(service management and orchestration，smo)，其是提供多种管理服务和网络管理功能的实体。
42.101-1指示非实时的智能控制器(non-real time ran intelligent controller，non-rt ric)，具有微服务和策略管理、无线网络分析和人工智能模型的训练等功能，训练后的ai模型通过a1接口分发给准实时无线智能控制器进行在线推理和执行。
43.102指示o-ran网络功能，相比非o-ran系统，引入了准实时的智能控制器(near-real time ran intelligent controller，near-rt ric)，包括o-ran控制单元(o-ran-control unit，o-cu)，o-ran数据单元(o-ran-data unit，o-du)，o-ran射频单元(o-ran ratio unit，o-ru)等实体。
44.o-ran的网络功能部分可以是支持5g协议的gnb，也可以是支持4g(4th-generation，第4代移动通信)lte(long term evolution，，长期演进)协议的enb。
45.5g协议和4g协议有一个显著的不同在于，5g协议支持网络切片(network slice)，而4g协议不存在网络切片的概念。所以，gnb一般可以支持网络切片功能，而现有enb不具备网络切片功能。
46.102-1指示near-rt ric，o-ran架构中的准实时无线网络智能控制器组件嵌入到cu内运行，可理解为嵌入人工智能技术的下一代无线资源管理功能(radio resource management，rrm)增强功能实体。
47.102-2指示o-cu，相比非o-ran系统的cu，增加支持e2接口。
48.102-3指示o-du，相比非o-ran系统的du，增加支持e2接口。
49.103指示o-cloud，支持任务可编排的云系统。
50.104指示ng-core，其为5g核心网。
51.105指示外部系统，诸如各类应用app的服务器等，可以给smo提供丰富数据。
52.o1接口用于连接smo和o-ran网络功能实体。
53.o2接口用于连接smo和o-ran云(o-cloud)。
54.a1接口用于完成非实时无线智能控制器嵌入于网管功能，而准实时控制器嵌入于无线网元演进的基站(evolved node b，enb)/下一代基站(next generation node b，gnb)。由于人工智能的引入，网管与无线网元间的管理接口a1超出传统网管的错误、配置、计帐、性能和安全(fault，configuration，accounting，performance and security，fcaps)功能，扩展了基站运行策略的下发以及ai机器学习模型的下发等新的数据信息。
55.e2接口是介于near-rt ric与cu/du协议栈软件之间的标准接口。类比于传统设备的无线资源管理(radio resource management，rrm)与无线资源控制(radio resource control，rrc)之间的接口，near-rt ric不仅通过e2接口收集无线网各功能实体的测量信息，也通过这一接口下发控制命令字给基站，最终实现对基站行为的控制。在开放的软件架构下，通过e2接口的标准化，可实现near-rt ric功能软件独立于传统基站软件版本的迭代演进能力，缩短软件功能的上市时间。
56.5g支持网络切片功能。现有o-ran方案中通过non-rt ric评估网络拥塞情况来支持网络切片的物理资源划分。
57.图2示出了示例的o-ran切片物理资源划分的流程图。以下将参考图2进行描述。
58.步骤201由外部系统105触发。所述外部系统是能为smo提供丰富数据的外部系统，
mimo的传输效率将可能大幅度降低，甚至低于su-mimo传输方式。
68.在实际系统中，基站会尽量为用户选择合适的传输方式。然而在现有非o-ran系统中，基站虽然可以测量用户的csi，参考信号接收功率(reference signal received power，rsrp)等，却很难获得用户的移动速度相关信息，却很难对用户的移动情况进行预测；基站虽然可以获得用户当前的缓存占用(buffer occupy，bo)信息，却很难对用户后续的业务情况进行预测；基站虽然可以获得csi反馈，却很难对后续信道质量变化做出预测。而一般情况下，配置用户使用一种传输方式，需要通过无线资源控制(radio resource control，rrc)信令给出相关的配置：例如，基于srs的mu-mimo传输需要为用户配置srs参数。一旦配置使用某种传输方式，将在后续若干传输时间间隔(transport time interval，tti)内都使用该传输方式。也即，基站所决定的传输方式是应用于后续若干时间，而非仅当前时刻。所以，如果能基于预测的用户和场景信息来决定用户的传输方式会更加合适。
69.除此以外，o-ran的non-rt ric可以根据各小区上报的用户数等信息，为各基站的传输方式推荐优化的配置参数等。
70.o-ran的smo从应用服务器获得丰富的用户数据。基于这些数据，利用non-rt ric的ai/ml，或者near-rt ric的ai/ml可以得到用户移动性、信道质量、业务量的相关预测。如果用以上信息帮助实现用户传输方式的决策，将会大大提升决策的合理性和系统传输效率的提升。
71.一方面，5g定义了增强移动宽带(enhance mobile broadband，embb)、超可靠低时延通信(ultra reliable low latency communications，urllc)及超大连接机器通信(massive machine type communications，mmtc)三大应用场景。例如embb的应用场景主要是指4k/8k高清视频、增强现实/虚拟现实(augmented reality/virtual reality，ar/vr)、3d全息等移动互联网大流量类消费级应用。
72.在5g协议定义中，通过网络切片技术支持三大应用场景的共存，即，同一个网络实体，支持多个切片，每个切片针对一种应用场景。同时，5g网络也支持定制化的切片，可以由业务、实现需要定义专属切片。
73.同时，利用切片功能，o-ran可以将适合不同的传输方式的用户放入不同的子切片中，同时告知基站各子切片适合使用的传输方式。这样，一方面，基站为用户所使用的传输方式将更加合适，另一方面，不同的切片使用相互独立的资源，基站的调度和传输也将进一步简化。
74.另一方面，由于4g或者4.5g enb或者gnb不支持切片和/或者子切片功能，可以在o1或者e2接口上添加针对用户属性、业务情况、移动情况等信息，将这些信息提供给enb。enb可以通过更丰富的用户和场景信息来为用户选择合适的传输方式、合适的配置参数等，这样也将会大大提升决策的合理性和系统传输效率的提升。
75.针对上述问题，本公开提出了一种基于o-ran的系统性能优化方案，通过获取外部系统提供的丰富数据，如应用app的服务器提供的全球定位系统(global positioning system，gps)信息、业务服务器收集的业务信息等，结合ran节点上报的内部监测信息，使用non-rt ric或者near-rt ric中的ai模块(ai/ml function)进行预测或决策处理，然后将预测或决策的结果发给ran节点中的相关功能模块，从而实现用户传输方式选择或者配置参数(例如非连续接收(discontinuous reception，drx)配置)优化等目标。
76.根据ric(此处将non-rt ric和near-rt ric统称为ric)处理数据的方式不同，可以将本公开公开的实施例划分为两类，一类是ric直接参与决策并利用切片实现，记为a类；一种是ric进行预测，辅助ran节点中模块进行优化处理，记为b类。根据数据来源和数据分类不同，可以分为移动性场景，业务场景和移动性、业务混合场景。因此，基于分类和场景，本公开列举下述实施例进行说明：
77.实施例a-1：基于切片的用户移动性场景下的系统性能优化；
78.实施例a-2：基于切片的业务场景下的系统性能优化；
79.实施例a-3：基于切片的移动性、业务场景下的系统性能优化；
80.实施例a-4：基于切片的配置参数优化；
81.实施例b-1：基于预测的用户移动性场景下的系统性能优化；
82.实施例b-2：基于预测的业务场景下的系统性能优化；以及
83.实施例b-3：基于预测的配置参数优化。
84.本领域技术人员将理解，本公开不限于上述实施例，任何使用到本公开相关创新点或将本公开的创新点进行组合的案例，都属于本公开声明的保护范围内。
85.实施例a-1
86.图3示出了根据本公开的实施例的基于切片的用户移动性场景下的系统性能优化。以下将参考图3进行描述。
87.步骤301，在o-ran切片运行中开启。相比现有技术，本公开并非由拥塞事件触发，可以采用配置触发，或者周期运行的方式。例如，根据切片服务提供者或者切片客户的需求开启切片资源优化功能，或者在一个o-ran系统中，一直开启切片优化功能。
88.相比现有拥塞触发方式的切片资源划分方式，本公开的切片资源优化方法可以周期进行。对于non-rt ric，可以支持秒级别的策略预测，相比现有技术更加动态。具体地，现有技术以拥塞事件触发，其事件尺度可能是若干天，或者若干月，若干小时。而本公开中的实施例利用non-rt ric可以是秒级别，利用near-rt ric可以是毫秒级别。
89.步骤302，由网络子切片管理功能(network slice subnet management function，nssmf)创建网络子切片实例(network slice subnet instance，nssi)。
90.具体地，单一的网络切片选择辅助信息(single network slice selection assistance information，s-nssai)定义了一种端到端的网络切片，详见3gpp ts 23.003。
91.s-nssai是一个包含32比特的标识符，包含8比特的切片/服务类型(slice/service type，sst)和24比特的切片特色(slice differentiator，sd)。
92.多个s-nssai的集合构成网络切片选择辅助信息(network slice selection assistance information，nssai)。为了支持nssai的实现，网络会部署一个或多个网络切片实例(network slice instance，nsi)，同时部署一个或多个nssi。nssi是nsi的全部或部分组成模块。一个nssi可以属于一个nsi，也可以属于多个nsi。一个nsi可以由一个nssi组成，也可以由多个nssi组成。
93.本公开提出在一个o-ran系统中，至少需要创建两个nssi。在网络实现中，不同的nssi对应与不同的优选传输方式，例如，mu-mimo或su-mimo。
94.本所述的优选的传输方式，并非指在此nssi中所有的用户仅支持这一种传输方式，而不支持其他传输方式。
95.例如，采用基于srs的mu-mimo作为优选传输方式的nssi内，当用户的srs信息不完备时，可能会临时回落到使用su-mimo传输等。
96.子切片管理模块在ran侧创建至少两个子切片实例，分别支持不同的传输方式。子切片可以属于同一个切片实例，也可以属于不同的切片实例，但都属于同一个s-nssai。用户在子切片实例切换中，不需要更新s-nssai，从而减少信令开销，可以实现无缝软切换，尽可能减少对业务传输的影响。
97.在现有技术中，没有基于优选传输方式划分子切片的设计，因此在子切片属性里没有传输方式相关的信息。在本公开中，在o-ran系统的nssi信息接口中增加了代表nssi优选传输方式的信息。
98.具体地，可以在nssi中增加一个单独的信息单元(information element，ie)来标识此nssi的优选传输方式，也可以通过nssi命名字符串的规则来表示此nssi的优选传输方式，也可以用隐含的方式关联该nssi的优选传输方式，例如，nssi所支持的用户移动速度范围等。
99.本公开的实施例使用基于传输方式的子切片的优点在于从物理资源上将两种传输方式的用户分隔开，消除不同传输方式之间的相互影响，便于对不同传输方式的子切片分别管理和测量，降低基站的处理复杂度。同时，通过子切片的方式通知基站优选的传输方式，也可以节约信令开销。
100.步骤303，数据收集。smo模块从应用服务器收集用户移动性相关信息(例如空间坐标、gps、相对于基站的方位信息、周边环境分布信息、地图等)，以上信息用于实现切片中每个小区中每个用户的移动性估计和预测。
101.smo通过o1接口从网络功能，或者non-rt ric通过a1接口从nea-rt ric，或者near-rt ric通过e2接口从网络功能，获取用户的能力信息，例如srs上报能力、支持的解调参考信号(demodulation reference signal，dmrs)类型、支持的dmrs符号数等，以上信息用于实现切片中每个小区中每个用户的可支持的传输方式集合的确定。
102.smo通过o1接口从网络功能，或者non-rt ric通过a1接口从nea-rt ric，或者near-rt ric通过e2接口从网络功能，获取小区的能力信息，例如是否支持mu-mimo传输、是否支持su-mimo传输、mu-mimo最大传输层数、su-mimo最大传输层数、是否支持comp传输等，以上信息用于实现切片中每个小区中可支持的传输方式集合的确定。
103.smo通过o1接口从网络功能，或者non-rt ric通过a1接口从nea-rt ric，或者near-rt ric通过e2接口从网络功能，获取切片相关的测量信息，例如在线的用户数、吞吐量、物理资源块(physical resource block，prb)利用率等，以上信息用于实现确定切片的总体负载情况。
104.数据收集后汇总于进行ai处理的ric模块。
105.对于所述ric模块为non-rt ric的情况，smo通过内部总线将smo所收集的信息传递给non-rt ric模块，near rt-ric通过a1接口将smo所收集的信息传递给non-rt ric模块。
106.对于所述ric模块为near-rt ric的情况，smo通过内部总线将smo所收集的信息传递给non-rt ric模块以进一步由non-rt ric通过a1接口传递给near-rt ric模块，网络功能通过e2接口将信息传递给near-rt ric模块。
107.在现有技术中，没有用例说明需要采集与传输方式决策相关的信息，没有考虑利用ric对用户移动性估计和测量的能力确定传输方式。
108.本公开的实施例使用业务信息的优点在于，可以知道用户的业务模型，预测业务发生的时刻，提前给用户准备好资源，减少处理时延，提升用户的体验，满足sla需求。使用用户能力信息的优点在于，让高性能的终端使用mu-mimo，低性能的终端使用su-mimo，减少不必要的重传，提升资源利用率。不同等级的终端，其下行数据的传输能力不一样。根据3gpp协议，终端可以支持最少一层下行数据流，最多8层下行数据流。高性能的终端，在解调下行数据时，可以消除掉复用用户的干扰，解调出原始数据。
109.步骤304，确定用户子切片策略。ric(non-rt ric和/或near-rt ric)基于所收集的数据通过运行ai模块为切片中每个小区每个用户选择优选传输方式，将用户放入相应的子切片中。
110.具体地，可以由non-rt ric完成此决策过程，决策通过a1接口传递给near-rt ric，然后由near-rt ric通过e2接口传递给网络功能。
111.具体地，可以由non-rt ric完成此决策过程，决策通过smo内部总线分享给smo，然后由smo通过o1接口传递给网络功能。
112.具体地，可以由near-rt ric运行ai模块完成此决策过程，决策通过e2接口传递给网络功能。
113.具体地，可以由non-rt ric和near-rt ric分别运行ai模块完成此决策过程，non-rt ric将所做决策和完成的模型训练通过a1接口传递给near-rt ric，near-rt ric基于non-rt ric传递的信息和e2接口传递的信息进一步运行ai模块，完成最终决策并通过e2接口传递给网络功能。
114.具体地，决策后的用户传输方式通过子切片的方式传递给网络功能，例如，为每个子切片列举归属该子切片的用户标号，例如，为每个用户标注其归属的子切片标号等。
115.在现有技术中，没有传递用户优选传输方式信息的接口消息。本公开中引入以上接口消息传递以实现子切片优选传输方式选择功能。
116.具体地，对于non-rt ric运行ai模块确定优选传输方式的实现方式，需要在a1接口和e2接口上增加优选传输方式相关的信息。
117.具体地，对near-rt ric运行ai模块确定优选传输方式的实现方式，需要在e2接口上增加优选传输方式相关的信息。
118.具体地，对由non-rt ric和near-rt ric分别运行ai模块完成此决策的实现方式，需要在a1接口上增加non-rt ric训练结果和模型部署的信息，需要在e2接口上增加优选传输方式相关的信息。具体地，a1接口上增加的non-rt ric训练结果可以是每个用户的优选传输方式信息，也可以是每个用户的移动速度等级信息，也可以是每个用户的移动模型信息等。
119.步骤305，接收并应用用户子切片策略。网络功能通过o1接口或者e2收到用户的子切片信息后，删掉在原有子切片实例中的用户信息，在指示的子切片实例中建立用户的信息。
120.具体地，使用o1接口还是e2接口接收策略信息取决于步骤304中具体采用了哪种方法。对于通过non-rt ric决策的方式，网络功能可以通过o1接口接收，也可以通过e2接口
接收。对于通过near-rt ric决策，或者non-rt ric与near-rt ric联合决策的方式，网络功能可以通过e2接口接收策略。
121.网络功能完成策略接收后，将按照子切片策略完成用户的rrc配置或者媒体接入控制(media access control，mac)调度。
122.本公开的实施例基于子切片实例操作，可以将传输方式从物理资源上分开，消除不同传输方式之间的相互影响。给出了用户在子切片切换过程中的操作。
123.为了支持以上过程的实现，还可以添加其他辅助步骤。
124.例如，网络功能模块可以通过o1接口告知smo，网络功能模块或者小区是否支持基于优选传输方式的子切片功能。对于支持该功能的网络功能模块或者小区才进行上述图3中的流程。
125.例如，网络功能模块可以进一步上报一些测量数据，帮助ric评估优选传输方式策略的效果，从而帮助ric优化算法或终止基于优选传输方式的子切片功能。
126.根据上述实施例，通过对移动性的测量，为不同场景的用户选择不同的传输方式，并通过切片策略、rrc配置或mac调度策略等方式具体实现，从而达到提升基站系统的吞吐量，改善用户体验，帮助终端省电等性能方面的提升。
127.实施例a-2
128.图4示出了根据本公开的实施例的基于切片的用户流量预测场景下的系统性能优化。以下将参考图4进行描述。
129.步骤401，在o-ran切片运行中开启，与301步骤相同。
130.步骤402，与302步骤相同。
131.步骤403，数据收集。smo模块从应用服务器收集用户流量预测相关信息(例如正在使用的移动应用，正在办公室还是正在开车等)，以上信息用于实现切片中每个小区中每个用户的流量估计和预测。
132.smo通过o1接口从网络功能，或者non-rt ric通过a1接口从nea-rt ric，或者near-rt ric通过e2接口从网络功能，获取用户的能力信息，例如srs上报能力、支持的dmrs类型、支持的dmrs符号数等，以上信息用于实现切片中每个小区中每个用户的可支持的传输方式集合的确定。
133.smo通过o1接口从网络功能，或者non-rt ric通过a1接口从nea-rt ric，或者near-rt ric通过e2接口从网络功能，获取小区的能力信息，例如是否支持mu-mimo传输、是否支持su-mimo传输、mu-mimo最大传输层数、su-mimo最大传输层数、是否支持comp传输等，以上信息用于实现切片中每个小区中可支持的传输方式集合的确定。
134.smo通过o1接口从网络功能，或者non-rt ric通过a1接口从nea-rt ric，或者near-rt ric通过e2接口从网络功能，获取切片相关的测量信息，例如在线的用户数、吞吐量、prb利用率等，以上信息用于实现确定切片的总体负载情况。
135.数据收集后汇总于进行ai处理的ric模块。
136.对于所述ric模块为non-rt ric的情况，smo通过内部总线将smo所收集的信息传递给non-rt ric模块，near rt-ric通过a1接口将smo所收集的信息传递给non-rt ric模块。
137.对于所述ric模块为near-rt ric的情况，smo通过内部总线将smo所收集的信息传
递给non-rt ric模块以进一步由non-rt ric通过a1接口传递给near-rt ric模块，网络功能通过e2接口将信息传递给near-rt ric模块。
138.在现有技术中，没有用例说明需要采集与传输方式决策相关的信息，没有考虑利用ric对用户流量估计和测量的能力确定传输方式。
139.本公开的实施例使用业务信息的优点在于，可以知道用户的业务模型，预测业务发生的时刻，提前给用户准备好资源，减少处理时延，提升用户的体验，满足sla需求。使用用户能力信息的优点在于，让高性能的终端使用mu-mimo，低性能的终端使用su-mimo，减少不必要的重传，提升资源利用率。不同等级的终端，其下行数据的传输能力不一样。根据3gpp协议，终端可以支持最少一层下行数据流，最多8层下行数据流。高性能的终端，在解调下行数据时，可以消除掉复用用户的干扰，解调出原始数据。
140.步骤404，与步骤304相同。
141.步骤405，与步骤305相同。
142.为了支持以上过程的实现，还可以添加其他辅助步骤。
143.例如，网络功能模块可以通过o1接口告知smo，网络功能模块或者小区是否支持基于优选传输方式的子切片功能。对于支持该功能的网络功能模块或者小区才进行上述图4中的流程。
144.例如，网络功能模块可以进一步上报一些测量数据，帮助ric评估优选传输方式策略的效果，从而帮助ric优化算法或终止基于优选传输方式的子切片功能。
145.根据上述实施例，通过对业务类型流量的测量，为不同场景的用户选择不同的传输方式，并通过切片策略、rrc配置或mac调度策略等方式具体实现，从而达到提升基站系统的吞吐量，改善用户体验，帮助终端省电等性能方面的提升。
146.实施例a-3
147.图5示出了根据本公开的实施例的基于切片的用户移动性场景和业务场景下的系统性能优化。以下将参考图5进行描述。
148.步骤501，在o-ran切片运行中开启，与301步骤相同。
149.步骤502，与302步骤相同。
150.步骤503，数据收集。smo模块从应用服务器收集：用户移动性相关信息(例如空间坐标、gps、相对于基站的方位信息、周边环境分布信息、地图等)，以上信息用于实现切片中每个小区中每个用户的移动性估计和预测；用户流量预测相关信息(例如正在使用的移动应用，正在办公室还是正在开车等)，以上信息用于实现切片中每个小区中每个用户的流量估计和预测。
151.smo通过o1接口从网络功能，或者non-rt ric通过a1接口从nea-rt ric，或者near-rt ric通过e2接口从网络功能，获取用户的能力信息，例如srs上报能力、支持的dmrs类型、支持的dmrs符号数等，以上信息用于实现切片中每个小区中每个用户的可支持的传输方式集合的确定。
152.smo通过o1接口从网络功能，或者non-rt ric通过a1接口从nea-rt ric，或者near-rt ric通过e2接口从网络功能，获取小区的能力信息，例如是否支持mu-mimo传输、是否支持su-mimo传输、mu-mimo最大传输层数、su-mimo最大传输层数、是否支持comp传输等，以上信息用于实现切片中每个小区中可支持的传输方式集合的确定。
153.smo通过o1接口从网络功能，或者non-rt ric通过a1接口从nea-rt ric，或者near-rt ric通过e2接口从网络功能，获取切片相关的测量信息，例如在线的用户数、吞吐量、prb利用率等，以上信息用于实现确定切片的总体负载情况。
154.数据收集后汇总于进行ai处理的ric模块。
155.对于所述ric模块为non-rt ric的情况，smo通过内部总线将smo所收集的信息传递给non-rt ric模块，near rt-ric通过a1接口将smo所收集的信息传递给non-rt ric模块。
156.对于所述ric模块为near-rt ric的情况，smo通过内部总线将smo所收集的信息传递给non-rt ric模块以进一步由non-rt ric通过a1接口传递给near-rt ric模块，网络功能通过e2接口将信息传递给near-rt ric模块。
157.在现有技术中，没有用例说明需要采集与传输方式决策相关的信息，没有考虑利用ric对用户移动性和流量估计以及测量的能力确定传输方式。
158.本公开的实施例使用业务信息的优点在于，可以知道用户的业务模型，预测业务发生的时刻，提前给用户准备好资源，减少处理时延，提升用户的体验，满足sla需求。使用用户能力信息的优点在于，让高性能的终端使用mu-mimo，低性能的终端使用su-mimo，减少不必要的重传，提升资源利用率。不同等级的终端，其下行数据的传输能力不一样。根据3gpp协议，终端可以支持最少一层下行数据流，最多8层下行数据流。高性能的终端，在解调下行数据时，可以消除掉复用用户的干扰，解调出原始数据。
159.步骤504，与步骤304相同。
160.步骤505，与步骤305相同。
161.为了支持以上过程的实现，还可以添加其他辅助步骤。
162.例如，网络功能模块可以通过o1接口告知smo，网络功能模块，或者小区是否支持基于优选传输方式的子切片功能。对于支持该功能的网络功能模块或者小区才进行上述图4中的流程。
163.例如，网络功能模块可以进一步上报一些测量数据，帮助ric评估优选传输方式策略的效果，从而帮助ric优化算法或终止基于优选传输方式的子切片功能。
164.根据上述实施例，通过对用户业务量、业务类型、移动性等测量和预测，为不同场景的用户选择不同的传输方式，并通过切片策略、rrc配置或mac调度策略等方式具体实现，从而达到提升基站系统的吞吐量，改善用户体验，帮助终端省电等性能方面的提升。
165.实施例a-4
166.图6示出了根据本公开的实施例的基于切片的配置参数优化。以下将参考图6进行描述。
167.步骤601，在o-ran切片运行中开启，与301步骤相同。
168.步骤602，与302步骤相同。
169.步骤603，数据收集。smo模块从应用服务器收集用户场景相关信息，例如移动性预测、流量预测、网络拥塞预测等。
170.smo通过o1接口从网络功能，或者non-rt ric通过a1接口从nea-rt ric，或者near-rt ric通过e2接口从网络功能，获取用户的能力信息，例如srs上报能力、支持的dmrs类型、支持的dmrs符号数等，以上信息用于实现切片中每个小区中每个用户的可支持的传
输方式集合的确定。
171.smo通过o1接口从网络功能，或者non-rt ric通过a1接口从nea-rt ric，或者near-rt ric通过e2接口从网络功能，获取小区的能力信息，例如是否支持mu-mimo传输、是否支持su-mimo传输、mu-mimo最大传输层数、su-mimo最大传输层数、是否支持comp传输等，以上信息用于实现切片中每个小区中可支持的传输方式集合的确定。
172.smo通过o1接口从网络功能，或者non-rt ric通过a1接口从nea-rt ric，或者near-rt ric通过e2接口从网络功能，获取切片相关的测量信息，例如在线的用户数、吞吐量、prb利用率等，以上信息用于实现确定切片的总体负载情况。
173.数据收集后汇总于进行ai处理的ric模块。
174.对于所述ric模块为non-rt ric的情况，smo通过内部总线将smo所收集的信息传递给non-rt ric模块，near rt-ric通过a1接口将smo所收集的信息传递给non-rt ric模块。
175.对于所述ric模块为near-rt ric的情况，smo通过内部总线将smo所收集的信息传递给non-rt ric模块以进一步由non-rt ric通过a1接口传递给near-rt ric模块，网络功能通过e2接口将信息传递给near-rt ric模块。
176.步骤604，确定用户子切片策略。ric(non-rt ric和/或near-rt ric)基于所收集的数据通过运行ai模块为切片中不同传输方式的子切片优选rrc配置参数，或者切片中不同传输方式的子切片的每个用户优选rrc配置参数。
177.具体地，可以由non-rt ric完成此决策过程，决策通过a1接口传递给near-rt ric，然后由near-rt ric通过e2接口传递给网络功能。
178.具体地，可以由non-rt ric完成此决策过程，决策通过smo内部总线分享给smo，然后由smo通过o1接口传递给网络功能。
179.具体地，可以由near-rt ric运行ai模块完成此决策过程，决策通过e2接口传递给网络功能。
180.具体地，可以由non-rt ric和near-rt ric分别运行ai模块完成此决策过程，non-rt ric将所做决策和完成的模型训练通过a1接口传递给near-rt ric，near-rt ric基于non-rt ric传递的信息和e2接口传递的信息进一步运行ai模块，完成最终决策并通过e2接口传递给网络功能。
181.具体地，决策后的rrc配置参数可以通过子切片的方式传递给网络功能，例如，为每个子切片列举相应的rrc配置参数信息，诸如用于终端节点的drx信息、用于信道测量的srs信息、用于信道估计的dmrs信息、用于csi测量的csi-rs信息和码本配置信息等。
182.具体地，决策后的rrc配置参数可以通过每个用户的rrc参数的方式传递给网络功能模块，例如，为每个子切片中的每个用户列举相应的rrc配置参数信息，诸如用于终端节点的drx信息、用于信道测量的srs信息、用于信道估计的dmrs信息、用于csi测量的csi-rs信息和码本配置信息等。
183.在现有技术中，没有传递用户rrc配置参数的接口消息。本公开中引入以上接口消息传递以实现子切片优选rrc配置参数功能。
184.具体地，对于non-rt ric运行ai模块确定优选rrc配置参数的实现方式，需要在a1接口和e2接口上增加优选传输方式相关的信息。
185.具体地，对near-rt ric运行ai模块确定优选rrc配置参数的实现方式，需要在e2接口上增加优选传输方式相关的信息。
186.具体地，对由non-rt ric和near-rt ric分别运行ai模块完成此决策的实现方式，需要在a1接口上增加non-rt ric训练结果和模型部署的信息，需要在e2接口上增加优选rrc配置参数相关的信息。具体地，a1接口上增加的non-rt ric训练结果可以是每个用户的优选rrc配置参数信息，也可以是每个用户的移动速度等级信息，也可以是每个用户的移动模型信息等。
187.步骤605，与步骤505相同。
188.为了支持以上过程的实现，还可以添加其他辅助步骤。
189.例如，网络功能模块可以通过o1接口告知smo，网络功能模块，或者小区是否支持基于优选传输方式的子切片功能。对于支持该功能的网络功能模块或者小区才进行上述图6中的流程。
190.例如，网络功能模块可以进一步上报一些测量数据，帮助ric评估优选传输方式策略的效果，从而帮助ric优化算法或终止基于优选传输方式的子切片功能。
191.根据上述实施例，通过对用户业务量、业务类型、移动性等测量，为不同场景的用户选择不同的传输方式，并通过切片策略、rrc配置或mac调度策略等方式具体实现，从而达到提升基站系统的吞吐量，改善用户体验，帮助终端省电等性能方面的提升。
192.实施例b-1
193.图7示出了根据本公开的实施例的基于预测的用户移动性场景下的系统性能优化。以下将参考图7进行描述。
194.步骤701为触发方式。相比现有技术，本公开的实施例并非由事件触发，而是基于配置周期性运行。可以采用配置触发，或者周期运行的方式。例如，根据服务提供者或者客户的需求开启功能。或者在一个o-ran系统中，一直开启此功能。
195.步骤702，数据收集。相比现有技术，本公开不仅包括smo利用o1接口收集的ran内部数据，还包括ran外部提供的丰富数据。
196.收集数据主要包括通过gps直接提供或计算获得的用户的移动速度、移动方向、方位、加速度等；如果能够获得用户的导航信息，车辆的传感器信息等，则可以获取更丰富数据。
197.数据收集后汇总于进行ai处理的ric模块。
198.对于所述ric模块为non-rt ric的情况，smo通过内部总线将smo所收集的信息传递给non-rt ric模块，near rt-ric通过a1接口将其所收集的信息传递给non-rt ric模块。
199.对于所述ric模块为near-rt ric的情况，smo通过内部总线将smo所收集的信息传递给non-rt ric模块以进一步由non-rt ric通过a1接口传递给near-rt ric模块，网络功能通过e2接口将信息传递给near-rt ric模块。
200.步骤703为ric进行ai/ml模型训练。
201.ai模型可以部署到non-rt ric或/和near-rt ric。non-rt ric和near-rt ric主要是实时性区别，non-rt ric是秒级，near-rt ric是10ms～1s，无论ai模型部署在哪里都落入本专利保护范围内。
202.ai模型训练可以是周期性触发的，也可以是事件触发的，例如ran内部性能测量数
据低于某一指标时，小区中用户增加或减少时。
203.步骤704，采用ml模型进行预测。
204.ai模型可以部署到non-rt ric或/和near-rt ric。non-rt ric和near-rt ric主要是实时性区别，non-rt ric是秒级，near-rt ric是10ms～1s，无论ai模型部署在哪里都落入本专利保护范围内。
205.以下将以near-rt ric为例进行描述，而near-rt ric的处理类似，不再单独描述。
206.smo周期性地将数据通过a1接口发送到near-rt ric，near-rt ric采用ai模型进行准实时预测。基于下述原因，进行下一周期的预测而不是直接将外部数据发送给ran节点是必要的。
207.第一，实时性原因，near-rt ric(10ms～1s)和non-rt ric(>1s)都无法保证绝对实时，如果直接发数据给ran节点，则会因为时间滞后产生误差。
208.第二，通过ai/ml预测可以获得直接数据无法反映的信息，例如用户加速度、下一时刻的位置等，或通过用户目前的业务应用层信息推断业务类型属于视频还是通话。
209.第三，可以将数据加工成ran节点所需要的格式，降低ran处理复杂度。
210.步骤705，ran节点中的功能模块使用预测信息辅助决策。利用预测信息进行用户传输方式的决策。
211.具体地，ran节点通过e2接口接收移动性预测信息。
212.所述移动性预测信息可以包括，用户当前的移动速度、移动方向、加速度、加速度方向、移动速度将持续多久等详细的移动速度相关信息。
213.所述移动性预测信息也可以包括大致的用户移动速度相关信息，例如用户的移动性等级，诸如，静止、缓慢移动、中等速度移动或者高速移动等。
214.所述移动性预测信息也可以包括大致的用户移动速度区间的相关信息，例如用户的移动速度在1千米每小时以下，介于1千米每小时到3千米每小时之间等。
215.相比现有技术，本公开在e2接口上引入用户级别移动性相关信息。
216.具体地，ran节点接收到用户移动性相关信息后会基于以上信息确定用户的优选传输方式。
217.例如，对于低速用户，优选mu-mimo传输方式。对于高速用户，优选su-mimo移动方式等。
218.为了支持以上过程的实现，还可以添加其他辅助步骤。
219.例如，网络功能模块可以通过o1接口告知smo，网络功能模块或者小区是否支持基于接收用户移动性信息的功能。对于支持该功能的网络功能模块或者小区才进行上述图7中的流程。
220.例如，网络功能模块可以进一步上报一些测量数据，帮助ric评估优选传输方式策略的效果，从而帮助ric优化算法或终止功能。
221.根据上述实施例，通过移动性的预测，为不同场景的用户选择不同的传输方式，并通过切片策略、rrc配置或mac调度策略等方式具体实现，从而达到提升基站系统的吞吐量，改善用户体验，帮助终端省电等性能方面的提升。
222.实施例b-2
223.图8示出了根据本公开的实施例的基于预测的业务场景下的系统性能优化。以下
将参考图8进行描述。
224.步骤801为触发方式。相比现有技术，本公开的实施例并非由事件触发，而是基于配置周期性运行。可以采用配置触发，或者周期运行的方式。例如，根据服务提供者或者客户的需求开启功能。或者在一个o-ran系统中，一直开启此功能。
225.步骤802，数据收集。相比现有技术，本公开不仅包括smo利用o1接口收集的ran内部数据，还包括ran外部提供的丰富数据。
226.收集数据主要包括用户当前业务的类型和流量信息，例如正在进行语音通话、文件传输或视频观看等，并且获取例如传输文件大小，视频时长等信息。
227.数据收集后汇总于进行ai处理的ric模块。
228.对于所述ric模块为non-rt ric的情况，smo通过内部总线将smo所收集的信息传递给non-rt ric模块，near rt-ric通过a1接口将smo所收集的信息传递给non-rt ric模块。
229.对于所述ric模块为near-rt ric的情况，smo通过内部总线将smo所收集的信息传递给non-rt ric模块以进一步由non-rt ric通过a1接口传递给near-rt ric模块，网络功能通过e2接口将信息传递给near-rt ric模块。
230.步骤803为ric进行ai/ml模型训练。
231.ai模型可以部署到non-rt ric或/和near-rt ric。non-rt ric和near-rt ric主要是实时性区别，non-rt ric是秒级，near-rt ric是10ms～1s，无论ai模型部署在哪里都落入本专利保护范围内。
232.ai模型训练可以是周期性触发的，也可以是事件触发的，例如ran内部性能测量数据低于某一指标时，小区中用户增加或减少时。
233.步骤804为采用ml模型进行预测。
234.ai模型可以部署到non-rt ric或/和near-rt ric。non-rt ric和near-rt ric主要是实时性区别，non-rt ric是秒级，near-rt ric是10ms～1s，无论ai模型部署在哪里都落入本专利保护范围内。
235.以下将以near-rt ric为例进行描述，而near-rt ric的处理类似，不再单独描述。
236.smo周期性地将数据通过a1接口发送到near-rt ric，near-rt ric采用ai模型进行准实时预测。基于下述原因，进行下一周期的预测而不是直接将外部数据发送给ran节点是必要的。
237.第一，实时性原因，near-rt ric(10ms～1s)和non-rt ric(>1s)都无法保证绝对实时，如果直接发数据给ran节点，则会因为时间滞后产生误差。
238.第二，通过ai/ml预测可以获得直接数据无法反映的信息，例如用户加速度、下一时刻的位置等，或通过用户目前的业务应用层信息推断业务类型属于视频还是通话。
239.第三，可以将数据加工成ran节点所需要的格式，降低ran处理复杂度。
240.步骤805，ran节点中的功能模块使用预测信息辅助决策。利用预测信息进行用户传输方式的决策。
241.具体地，ran节点通过e2接口接收流量预测信息。
242.所述流量预测信息可以包括，用户当前的缓存占用(buffer occupy，bo)、业务模型、业务到达间隔、业务平均bo、业务bo方差等。
243.所述流量信息也可以包括大致的用户流量相关信息，例如用户的流量等级，诸如，小流量业务、中等流量业务或者高流量业务等。
244.所述流量预测信息也可以包括大致的流量区间的相关信息，例如用户的流量速度在10字节每毫秒，介于10字节每毫秒到300字节每毫秒等。
245.相比现有技术，本公开在e2接口上引入用户级别流量相关信息。
246.具体地，ran节点接收到流量相关信息后会基于以上信息确定用户的优选传输方式。
247.例如，对于低流量用户，优选su-mimo传输方式。对于高流量用户，优选mu-mimo移动方式等。
248.为了支持以上过程的实现，还可以添加其他辅助步骤。
249.例如，网络功能模块可以通过o1接口告知smo，网络功能模块或者小区是否支持基于接收用户流量信息的功能。对于支持该功能的网络功能模块或者小区才进行上述图8中的流程。
250.例如，网络功能模块可以进一步上报一些测量数据，帮助ric评估优选传输方式策略的效果，从而帮助ric优化算法或终止功能。
251.根据上述实施例，通过对用户业务量、业务类型的预测，为不同场景的用户选择不同的传输方式，并通过切片策略、rrc配置或mac调度策略等方式具体实现，从而达到提升基站系统的吞吐量，改善用户体验，帮助终端省电等性能方面的提升。
252.实施例b-3
253.图9示出了根据本公开的实施例的基于预测的配置参数优化。以下将参考图9进行描述。
254.步骤901为触发方式。相比现有技术，本公开的实施例并非由事件触发，而是基于配置周期性运行。可以采用配置触发，或者周期运行的方式。例如，根据服务提供者或者客户的需求开启功能。或者在一个o-ran系统中，一直开启此功能。
255.步骤902，数据收集。相比现有技术，本公开不仅包括smo利用o1接口收集的ran内部数据，还包括ran外部提供的丰富数据。
256.用户业务相关数据收集，收集数据主要包括用户当前业务的类型和流量信息，例如正在进行语音通话、文件传输或视频观看等，并且获取例如传输文件大小，视频时长等信息。
257.数据收集后汇总于进行ai处理的ric模块。
258.对于所述ric模块为non-rt ric的情况，smo通过内部总线将smo所收集的信息传递给non-rt ric模块，near rt-ric通过a1接口将smo所收集的信息传递给non-rt ric模块。
259.对于所述ric模块为near-rt ric的情况，smo通过内部总线将smo所收集的信息传递给non-rt ric模块以进一步由non-rt ric通过a1接口传递给near-rt ric模块，网络功能通过e2接口将信息传递给near-rt ric模块。
260.步骤903为ric进行ai/ml模型训练。
261.ai模型可以部署到non-rt ric或/和near-rt ric。non-rt ric和near-rt ric主要是实时性区别，non-rt ric是秒级，near-rt ric是10ms～1s，无论ai模型部署在哪里都
落入本专利保护范围内。
262.ai模型训练可以是周期性触发的，也可以是事件触发的，例如ran内部性能测量数据低于某一指标时，小区中用户增加或减少时。
263.步骤904为采用ml模型进行预测。
264.ai模型可以部署到non-rt ric或/和near-rt ric。non-rt ric和near-rt ric主要是实时性区别，non-rt ric是秒级，near-rt ric是10ms～1s，无论ai模型部署在哪里都落入本专利保护范围内。
265.以下将以near-rt ric为例进行描述，而near-rt ric的处理类似，不再单独描述。
266.smo周期性地将数据通过a1接口发送到near-rt ric，near-rt ric采用ai模型进行准实时预测。基于下述原因，进行下一周期的预测而不是直接将外部数据发送给ran节点是必要的。
267.第一，实时性原因，near-rt ric(10ms～1s)和non-rt ric(>1s)都无法保证绝对实时，如果直接发数据给ran节点，则会因为时间滞后产生误差。
268.第二，通过ai/ml预测可以获得直接数据无法反映的信息，例如用户加速度、下一时刻的位置等，或通过用户目前的业务应用层信息推断业务类型属于视频还是通话。
269.第三，可以将数据加工成ran节点所需要的格式，降低ran处理复杂度。
270.步骤905，ran节点中的功能模块使用预测信息辅助决策。利用预测信息进行用户rrc配置的决策。
271.具体地，ran节点通过e2接口接收流量预测信息。
272.所述流量预测信息可以包括，用户当前的缓存占用(bo，buffer occupy)、业务模型、业务到达间隔、业务平均bo、业务bo方差等。
273.所述流量信息也可以包括大致的用户流量相关信息，例如用户的流量等级，诸如，小流量业务、中等流量业务或者高流量业务等。
274.所述流量预测信息也可以包括大致的流量区间的相关信息，例如用户的流量速度在10字节每毫秒，介于10字节每毫秒到300字节每毫秒等。
275.相比现有技术，本公开在e2接口上引入用户级别流量相关信息。
276.具体地，ran节点接收到流量相关信息后会基于以上信息确定用户的rrc配置参数。
277.例如，对于低流量用户，优选长drx周期参数，长srs周期配置。对于高流量用户，优选短drx周期参数，短srs周期配置等。
278.为了支持以上过程的实现，还可以添加其他辅助步骤。
279.例如，网络功能模块可以通过o1接口告知smo，网络功能模块，或者小区是否支持基于接收用户流量信息的功能。对于支持该功能的网络功能模块或者小区才进行上述图9中的流程。
280.例如，网络功能模块可以进一步上报一些测量数据，帮助ric评估优选传输方式策略的效果，从而帮助ric优化算法或终止功能。
281.根据上述实施例，通过对用户业务量、业务类型、移动性的预测，为不同场景的用户选择不同的传输方式，并通过切片策略、rrc配置或mac调度策略等方式具体实现，从而达到提升基站系统的吞吐量，改善用户体验，帮助终端省电等性能方面的提升。
282.为了实现根据以上描述的本公开的实施例的系统性能优化，需要引入以下消息(列举一些具体接口信息作为示例)。
283.a1接口，下行方向。如果non-rt ric不执行ml模型，则需要提供以下数据，包括：用户gps，导航路线，传感器信息(车辆或其他移动设备)，用户业务软件应用层信息，诸如业务类型，视频大小和时长，文件大小等。如果non-rt ric执行ml模型进行预测，则需要提供以下预测数据：对于实施例b-1，移动性数据、每个用户在下一个周期内(例如1s为周期)所有时间点的速度(例如以1ms划分时间点)、运动方向、加速度、方位、高度等可能的信息；对于实施例b-2，业务模型数据，包括业务类型，传输速率和时长。
284.e2接口，下行方向。如果near-rt ric执行ml模型，则需要提供以下数据：对于实施例b-1，移动性数据、每个用户在下一个周期内(例如100ms为周期)所有时间点的速度(例如以1ms划分时间点)、运动方向、加速度、方位、高度等可能的信息；对于实施例b-2，业务模型数据，包括业务类型，传输速率和时长。
285.e2接口，上行方向。提供ran功能模块的能力描述，包括mac调度模块描述自己有能力处理用户移动性信息，rrc模块描述自己有能力处理用户业务模型信息。
286.o1接口，上行方向，需要支持上报相关测量数据，例如系统总吞吐量，用户的平均吞吐量，用户mimo传输方式，平均层数等。
287.更进一步地，为了支持本公开的实施例，需要针对接口进行以下修改：
288.1.增加一个子切片实例信息结构体，定义如下。
[0289][0290]
该结构体至少包括传输方式和子切片实例标识号。这个结构体在测量上报和决策消息下发都会用到。涉及到的接口是e2，a1。
[0291]
2.增加用户关于massive mimo的能力信息
[0292][0293][0294]
3.移动性数据定义(a1，e2接口下行)
[0295][0296]
4.业务模型数据定义(a1，e2接口下行)
[0297][0298]
以上参考图3至图9描述了根据本公开的具体实施例。以下将参考图10和图11来描述针对a类(即，是ric直接参与决策并利用切片实现)和b类(ric进行预测，辅助ran节点中模块进行优化处理)实施例的一般流程。
[0299]
图10示出了根据本公开的实施例的ran智能控制器进行决策的、基于切片的性能优化实现方式的一般流程图。以下将参考图10进行描述。
[0300]
针对a类实施例的操作流程，一般地包括以下步骤。
[0301]
步骤1，创建支持mu传输方式的子切片和支持su传输方式的子切片，对应于步骤
301(以实施例a-1为例进行描述)。基于子切片，将不同传输方式的用户从无线资源上分开。有利于提高频谱效率，也有利于后续对子切片的优化管理。
[0302]
步骤2，smo向e2 nodes请求上报需要的数据信息。
[0303]
步骤3，e2 nodes上报信息给smo，对应于步骤302。在本公开的实施例中，non-rt ric需要基于e2 nodes提供的用户的能力信息等决定该用户应该使用哪种类型的传输方式。
[0304]
步骤4和步骤5，smo从外部的服务器获取gps信息和业务信息。对应于步骤302。在本方案中，non-rt ric的ai/ml模块基于gps信息获取用户的移动模型，为non-rt ric决策提供速度，移动方向，空间坐标，周围建筑等信息。non-rt ric的ai/ml模块基于业务信息获取用户的业务模型，为non-rt ric决策提供业务类型，业务数据量，业务qos需求等信息。
[0305]
步骤6，non-rt ric基于移动信息，业务信息，用户能力信息等，给用户分配最优的传输方式，对应于步骤303。在本公开的实施例中，用户根据场景动态调整其传输方式，从而减少不必要的重传，提高系统的吞吐量和资源利用率。
[0306]
步骤7和步骤8，将non-rt ric的决策结果下发到e2 nodes(o-du和o-cu-cp)，对应于步骤304。o-du负责调度和无线资源的管理。o-cu-cp负责配置参数的管理。
[0307]
smo从外部的应用软件或应用服务器获gps(global positioning system，全球定位系统)信息和业务信息，从e2 nodes获取用户能力信息、切片相关的测量信息和用户性能的测量信息；non-rt ric中的ai/ml模块基于上述信息得到移动模型和业务模型；non-rt ric中的ai/ml模块基于移动模型、业务模型、切片相关的测量信息、用户性能的测量信息和用户能力信息等给用户选出最佳的传输方式(比如su-mimo或mu-mimo)及最优的配置参数(drx(discontinuous reception，不连续接收)，sr(scheduling request，调度请求)，pdsch(physical downlink shared channel，物理下行共享信道)等)；non-rt ric将配置参数发给o-cu-cp，将用户归属的切片信息告诉o-du.o-cu-cp将配置参数通过信令消息配给ue，同时更新o-du侧该用户的配置参数。o-du根据收到的切片配置通知，在所属切片中建立该用户的承载信息。配置完成后，在该切片中为用户做业务。
[0308]
图11示出了根据本公开的实施例的ran智能控制器进行预测的、辅助ran节点的性能优化实现方式的一般流程图。以下将参考图11进行描述。
[0309]
针对b类实施例的操作流程，一般地包括以下步骤。
[0310]
步骤1：周期性请求o1接口上报ran内部测量数据。
[0311]
步骤2：o1接口上报ran内部测量数据。
[0312]
步骤3：周期性请求获取ran外部丰富数据。
[0313]
步骤4：收集ran外部数据，包括gps等移动性相关数据，传输速率等业务模型相关数据。
[0314]
步骤5：非实时智能控制器进行ai/ml模型训练，是必要步骤。非实时智能控制器执行ml推导，对移动性，业务模型进行预测，是可选步骤。
[0315]
步骤6：发送预测信息到准实时智能控制器。
[0316]
步骤7：准实时智能控制器控制器执行ml推导，对移动性，业务模型进行预测，是可选步骤。
[0317]
步骤8：准实时智能控制器发送预测结果到ran节点中的功能模块，是必要步骤。
[0318]
步骤9：o1接口反馈ran参数调整或mac调度策略调整后的性能测量。
[0319]
步骤10：准实时智能控制器获取ran性能测量信息和更新后的ran外部信息。
[0320]
步骤11：非实时智能控制器根据性能反馈衡量预测信息对系统的影响，进而判断ml模型是否合理。
[0321]
步骤12：如果非实时智能控制器认为ml模型不合理，需要触发重新训练，是可选步骤。
[0322]
步骤13：对ml模型进行更新。
[0323]
以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。
[0324]
本技术领域技术人员可以理解，本公开包括涉及用于执行本公开中所述操作中的一项或多项的设备。这些设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中，所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、cd-rom、和磁光盘)、rom(read-only memory，只读存储器)、ram(random access memory，随即存储器)、eprom(erasable programmable read-only memory，可擦写可编程只读存储器)、eeprom(electrically erasable programmable read-only memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。
[0325]
本技术领域技术人员可以理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解，可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现，从而通过计算机或其他可编程数据处理方法的处理器来执行本公开公开的结构图和/或框图和/或流图的框或多个框中指定的方案。
[0326]
本技术领域技术人员可以理解，本公开中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本公开中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本公开中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
[0327]
以上所述仅是本公开的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本公开原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本公开的保护范围。