基于空口参数与机器学习的LTE下行干扰检测装置

本发明涉及的是一种无线通信领域的技术，具体是一种基于空口参数与机器学习的lte下行干扰检测装置。

背景技术：

1、干扰问题严重影响通信链路的通信质量。由于基站设备的密集分布或发射天线角度等参数不合适使得用户设备常常受到同频邻区的干扰，进而导致小区边缘用户信号质量下降、网速降低，影响用户体验。现有的下行干扰评价中往往使用信号与干扰加噪声比(sinr)进行描述。sinr值往往由用户设备进行测量，根据测量得到的数值映射为信道状态指示(cqi)，通过上行链路上报。基站获取cqi后映射为对应的调制与编码策略(mcs)，基站根据mcs信息进行后续的下行调度控制。但是，由于下行sinr在3gpp中没有规定为统一的标准，各个用户设备(ue)厂商在定义下行sinr的方法上不尽相同，且属于各个应用厂商的内部资料。因此从ue侧获取干扰信息进行基站的配置优化就较为困难。

技术实现思路

1、本发明针对现有技术存在的上述不足，提出一种基于空口参数与机器学习的lte下行干扰检测装置，通过基站感知ue上报的参数及基站自身的无线环境参数建立数据库，利用数据库训练低干扰或单一干扰场景下的机器学习模型，预测基站在低干扰或单一基站干扰条件下的重传率(prb)，得到基站的干扰强度及干扰源实现对基站的干扰检测及干扰源定位。

2、本发明是通过以下技术方案实现的：

3、本发明涉及一种基于空口参数与机器学习的lte下行干扰检测装置，包括：数据采集模块、干扰模型训练模块、干扰检测模块和干扰源定位模块，其中：数据采集模块从待测基站中实时获取基站侧和用户侧相关参数，经预处理后输出数据集至干扰模型训练模块；干扰模型训练模块根据收到的数据集依据随机森林回归算法进行模型训练，将训练得到的模型文件分别输出至干扰检测模块和干扰源定位模块；干扰检测模块将待测基站中实时获取基站侧和用户侧相关参数，输入第一干扰检测模型并预测得到在无干扰情况下的重传率后，通过干扰检测算法得到检测结果；干扰源定位模块根据中干扰和强干扰对应的检测结果，提取对应的基站侧和用户侧相关参数，输入来自干扰模型训练模块的第二干扰检测模型并预测得到在单一邻区基站高负载干扰情况下的重传率，进而通过干扰源定位算法判断干扰源。

4、所述的第一干扰检测模型，与所述实时获取基站侧和用户侧相关参数的主索引相同且副索引均为低负载。

5、所述的第二干扰检测模型，与所述对应的基站侧和用户侧相关参数的主索引相同且副索引对应两基站负载分别为低负载与高负载。

6、所述的重传率是指：通过周期采集prb重传总数这一数据，通过求差值得到测量时间窗内的prb的重传数量以描述下行干扰的大小，具体为：其中：rbretx_percycle为周期内重传rb的数量，rbdl_percycle为周期内发送rb的数量。经过相关实验及理论推导可证明重传率与下行sinr之间存在正相关关系。

7、所述的基站侧和用户侧相关参数包括：下行mcs、cqi、服务小区/邻区参考信号接收功率(rsrp)、服务小区/邻区参考信号接收质量(rsrq)、服务小区/邻区prb占用率、重传率、协议数据单元(pdu)占用量、传输块大小(tbs)占用量。

8、所述的预处理，包括数据异常值清洗和索引划分，其中：

9、数据异常值清洗包括：对测量得到的数据进行数值范围判定，当数值超出预定范围则被认为是异常值；对历史数据进行箱型图绘制，确定数据对应的上下边缘，对在线得到的数据与上下边缘做比较，超出上下边缘范围则被认定为异常值。

10、索引划分包括：对采集的数据按照服务小区和两个邻小区的rsrp大小进行区段划分得到数据的主索引，按照邻区prb占用率，即邻区负载按照区段进行划分得到副索引。

11、所述的随机森林回归算法进行模型训练的输入参数为：下行mcs、cqi、服务小区/邻区参考信号接收功率(rsrp)、服务小区/邻区参考信号接收质量(rsrq)、服务小区/邻区prb占用率、协议数据单元(pdu)占用量、传输块大小(tbs)占用量；输出参数为：重传率。

12、所述的模型训练的文件以索引命名保存，索引即为上文预处理中的索引划分结果。训练好的模型文件有多个，其按照索引名称分别保存，以供干扰检测模块获取。

13、所述的主索引相同且副索引均为低负载是指：将待检测的数据的rsrp数值进行划分得到对应的主索引，在训练得到的众多模型中寻找主索引相同且副索引均为低负载。

14、所述的干扰检测算法包括：0-1干扰检测算法、干扰强度检测算法和阈值选取算法，其中：

15、0-1干扰检测算法：将待测基站中实时获取基站侧和用户侧相关参数中的输入参数输入第一干扰检测模型中，利用模型和获取的参数预测得到在无干扰情况下的重传率，与当前测量得到的重传率做差值，将差值与检测阈值比较得到0-1干扰检测结果。

16、干扰强度检测算法：利用第一干扰检测模型和从待测基站中实时获取基站侧和用户侧相关参数预测得到在无干扰情况下的重传率，与当前测量得到的重传率做差值，将差值与多个设定阈值比较得到干扰强度检测结果。

17、阈值选取算法：对于0-1干扰检测阈值，利用虚拟栅格内已有的历史数据，画出预测重传率与测量重传率差值的cdf图，对应于30％所在的值，设置为阈值。对于干扰强度检测阈值，同样利用虚拟栅格内已有的历史数据，画出预测重传率与测量重传率差值的cdf图，对应于30％，50％，70％所在的值分别问三个分界阈值a1、a2、a3，小于a1为无干扰，a1～a2为弱干扰，a2～a3为中干扰，大于a3为强干扰。阈值选取根据已建立的数据集进行计算，更新周期为t。

18、所述的测量数据主索引相同且副索引对应两基站负载分别为低负载与高负载的第二干扰检测模型，将待检测的数据的rsrp数值进行划分得到对应的主索引，在训练得到的众多模型中寻找主索引相同且副索引对应为邻区一高负载、邻区二低负载，以及主索引相同且副索引对应为邻区一低负载、邻区二高负载。

19、所述的第二干扰检测模型用于干扰源定位算法：利用预测得到在单一邻区干扰情况下的重传率，对比两个单一邻区干扰条件差下重传率的大小，重传率较大的邻区为干扰邻区，实现干扰源定位。

20、技术效果

21、本发明通过干扰检测算法与干扰源定位算法，利用基站侧、ue侧参数与机器学习模型模拟多基站场景中不同负载下的无线环境，通过比较预测重传率与实际重传率间的差值来评价基站的下行干扰状况。相比现有技术仅考虑利用ue参数辅助sinr计算，本发明既考虑了ue参数，又对基站参数进行提取并用重传率实现对无线环境的描述。

技术特征：

1.一种基于空口参数与机器学习的lte下行干扰检测装置，其特征在于，包括：数据采集模块、干扰模型训练模块、干扰检测模块和干扰源定位模块，其中：数据采集模块从待测基站中实时获取基站侧和用户侧相关参数，经预处理后输出数据集至干扰模型训练模块；干扰模型训练模块根据收到的数据集依据随机森林回归算法进行模型训练，将训练得到的模型文件分别输出至干扰检测模块和干扰源定位模块；干扰检测模块将待测基站中实时获取基站侧和用户侧相关参数，输入第一干扰检测模型并预测得到在无干扰情况下的重传率后，通过干扰检测算法得到检测结果；干扰源定位模块根据中干扰和强干扰对应的检测结果，提取对应的基站侧和用户侧相关参数，输入来自干扰模型训练模块的第二干扰检测模型并预测得到在单一邻区基站高负载干扰情况下的重传率，进而通过干扰源定位算法判断干扰源；

2.根据权利要求1所述的基于空口参数与机器学习的lte下行干扰检测装置，其特征是，所述的预处理，包括数据异常值清洗和索引划分，其中：

3.根据权利要求1所述的基于空口参数与机器学习的lte下行干扰检测装置，其特征是，所述的主索引相同且副索引均为低负载是指：将待检测的数据的rsrp数值进行划分得到对应的主索引，在训练得到的众多模型中寻找主索引相同且副索引均为低负载；

4.根据权利要求1所述的基于空口参数与机器学习的lte下行干扰检测装置，其特征是，所述的数据采集模块，包括：数据采集单元、数据异常值清洗单元以及索引划分单元，其中：数据采集单元根据预设待采集参数列表，实时采集基站侧及ue侧上报的参数信息，得到未经预处理的初始数据集；数据异常值清洗单元根据数据采集单元采集的初始数据集进行数据清洗，除去数据中的异常值，得到不含异常值的数据集；索引划分单元根据不含异常值的数据集，参照数据中rsrp数值的大小及邻区负载大小，将不含异常值的数据划分为以索引命名的多个数据集以备模型训练使用。

5.根据权利要求1所述的基于空口参数与机器学习的lte下行干扰检测装置，其特征是，所述的干扰模型训练模块包括：模型训练单元和模型储存单元，其中：模型训练单元根据数据采集模块输出的数据集，根据索引号不同进行干扰模型训练，采用随机森林的算法，得到训练好的模型，模型以索引号为名称保存；模型储存单元将模型训练单元训练好的模型进行分类，按照主索引进行储存，得到以主索引为分类的模型库，以便于干扰检测及干扰源定位模块的查询。

6.根据权利要求1所述的基于空口参数与机器学习的lte下行干扰检测装置，其特征是，所述的干扰检测模块包括：干扰检测单元、干扰强度检测单元和阈值选取单元，其中：干扰检测单元根据基站的待测数据，计算待测数据对应的索引值，调取干扰模型训练模块中的训练完成的模型进行重传率预测，与重传率真实值做差值并与阈值比较后得到0-1干扰检测结果；干扰强度检测单元根据基站的待测数据，计算待测数据对应的索引值，调取干扰模型训练模块中的训练完成的模型进行重传率预测，与重传率真实值做差值并与阈值比较后得到干扰强度检测结果；阈值选取单元根据干扰检测单元与干扰强度检测单元中记录的历史数据，分析计算预测重传率与测量重传率差值的cdf图，定义30％，50％，70％所在的值分别问三个分界阈值，供后续干扰检测使用；在无历史数据时使用前100组数据做上述操作计算初始阈值。

7.根据权利要求1所述的基于空口参数与机器学习的lte下行干扰检测装置，其特征是，所述的干扰源定位模块根据干扰检测模块的输出结果，选取中干扰和强干扰的数据，进行干扰源定位算法实现，得到基站对应的干扰源结果。

8.一种根据权利要求1～7中任一所述装置的基于空口参数与机器学习的lte下行干扰检测方法，其特征在于，具体包括：

技术总结
一种基于空口参数与机器学习的LTE下行干扰检测装置，包括：数据采集模块、干扰模型训练模块、干扰检测模块和干扰源定位模块，本装置通过基站感知UE上报的参数及基站自身的无线环境参数建立数据库，利用数据库训练低干扰或单一干扰场景下的机器学习模型，预测基站在低干扰或单一基站干扰条件下的重传率，得到基站的干扰强度及干扰源实现对基站的干扰检测及干扰源定位。

技术研发人员：王喆,潘广进,张舜卿
受保护的技术使用者：上海大学
技术研发日：
技术公布日：2024/1/14