[go: up one dir, main page]

TWI787095B - 調整無線接取網路資源的方法、裝置及相關無線接取網路 - Google Patents

調整無線接取網路資源的方法、裝置及相關無線接取網路 Download PDF

Info

Publication number
TWI787095B
TWI787095B TW111108476A TW111108476A TWI787095B TW I787095 B TWI787095 B TW I787095B TW 111108476 A TW111108476 A TW 111108476A TW 111108476 A TW111108476 A TW 111108476A TW I787095 B TWI787095 B TW I787095B
Authority
TW
Taiwan
Prior art keywords
access network
wireless access
time point
usage
unit
Prior art date
Application number
TW111108476A
Other languages
English (en)
Other versions
TW202337243A (zh
Inventor
黃源福
Original Assignee
緯創資通股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 緯創資通股份有限公司 filed Critical 緯創資通股份有限公司
Priority to TW111108476A priority Critical patent/TWI787095B/zh
Priority to CN202210388272.8A priority patent/CN116782248A/zh
Priority to US17/829,370 priority patent/US12114292B2/en
Application granted granted Critical
Publication of TWI787095B publication Critical patent/TWI787095B/zh
Publication of TW202337243A publication Critical patent/TW202337243A/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/04—Wireless resource allocation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/08—Access point devices
    • H04W88/085—Access point devices with remote components

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一種調整無線接取網路資源的方法，用於一無線接取網路，包含有於一第一時間點取得複數個無線接取網路狀態訓練資訊；根據該複數個無線接取網路狀態訓練資訊，預測一第二時間點之一無線接取網路使用狀況；以及於一第三時間點，根據該無線接取網路使用狀況，預先調整該第二時間點之無線接取網路資源分配，以將複數個用戶裝置分配至複數個無線電單元，及調整分散單元與集中單元之運算資源的配置；其中，該第一時間點早於該第三時間點，該第三時間點早於該第二時間點。

Description

調整無線接取網路資源的方法、裝置及相關無線接取網路
本發明係指一種調整無線接取網路資源的方法、裝置及相關無線接取網路，尤指一種在5G開放架構無線接取網路上自適應性調整無線接取網路資源的方法、裝置及相關無線接取網路。
第五代行動通訊技術(5th Generation Mobile Communication System，5G)為新一代行動通訊技術，是第四代行動通訊技術(4G)的演進，目標是因應日益增加的網路需求，提供更高的傳輸速率、更低的延遲、提高容量、降低成本以及節省能源等。國際電信聯盟(International Telecommunication Union，ITU)在此基礎上定義了5G的三大應用領域，分別是增強型移動寬頻(Enhanced Mobile Broadband，eMBB)、超高可靠低延遲通訊(Ultra-reliable and Low Latency Communications，uRLLC)以及大規模機器類互聯(Massive Machine Type Communications，mMTC)。
面對更多元化以及更大量的5G網路需求，相關產業提出了開放架構無線接取網路(Open Radio Access Network，O-RAN)，以提高5G架構的彈性與提供智能化的管理方法。其中，透過開放的介面、開放的硬體以及開源軟體，O-RAN使5G無線接取網路(Radio Access Network，RAN)可以在開放平台上建置，並且透過人工智慧技術來達成自動化的有效資源配置。
隨著無線接取網路架構日益複雜與多樣化，如何對無線網路資源進行最佳化的配置是管理者最需要考慮的問題之一。管理者除了需保證用戶端設 備的網路品質，還要考慮電信商的收益成本，包含傳輸延遲、網路阻塞、網路異常偵測以及功耗等，都是本領域亟需解決的問題。
因此，本發明之主要目的即在於提供一種根據過去無線接取網路資源的使用量來預測未來無線接取網路資源的使用量，並根據預測結果預先調整無線接取網路資源配置的方法，以改善習知技術的缺點。
本發明實施例揭露一種調整無線接取網路資源的方法，用於一無線接取網路，該無線接取網路符合第五代行動通訊技術之一開放架構無線接取網路之規範，包含有複數個無線電單元、一分散單元及一集中單元，該調整無線接取網路資源的方法包含有於一第一時間點取得複數個無線接取網路狀態訓練資訊；根據該複數個無線接取網路狀態訓練資訊，預測一第二時間點之一無線接取網路使用狀況；以及於一第三時間點，根據該無線接取網路使用狀況，預先調整該第二時間點之無線接取網路資源分配，以將複數個用戶裝置分配至該複數個無線電單元，及調整該分散單元與該集中單元之運算資源的配置；其中，該第一時間點早於該第三時間點，該第三時間點早於該第二時間點。
本發明實施例另揭露一種資源調整裝置，用於一無線接取網路，該無線接取網路符合第五代行動通訊技術之一開放架構無線接取網路之規範，包含有複數個無線電單元、一分散單元及一集中單元，該資源調整裝置包含有一處理單元，用來執行一程式碼；以及一儲存單元，耦接於該處理單元，用來儲存該程式碼，以指示該處理單元執行一調整無線接取網路資源的方法，該方法包含有於一第一時間點取得複數個無線接取網路狀態訓練資訊；根據該複數個無線接取網路狀態訓練資訊，預測一第二時間點之一無線接取網路使用狀況；以及於一第三時間點根據該無線接取網路使用狀況，預先調整該第二時間點之無線接取網路資源分配，以將複數個用戶裝置分配至該複數個無線電單元，及 調整該分散單元與該集中單元之運算資源的配置；其中，該第一時間點早於該第三時間點，該第三時間點早於該第二時間點。
本發明實施例另揭露一種無線接取網路，該無線接取網路符合第五代行動通訊技術之一開放架構無線接取網路之規範，包含有複數個無線電單元；一分散單元，運行於一第一雲端運算平台；一集中單元，運行於一第二雲端運算平台；以及一資源調整裝置，用來執行一無線接取網路資源調整方法，該無線接取網路資源調整方法包含有於一第一時間點取得複數個無線接取網路狀態訓練資訊；根據該複數個無線接取網路狀態訓練資訊，預測一第二時間點之一無線接取網路使用狀況；以及於一第三時間點，根據該無線接取網路使用狀況，預先調整該第二時間點之無線接取網路資源分配，以將複數個用戶裝置分配至該複數個無線電單元，及調整該分散單元與該集中單元之運算資源的配置；其中，該第一時間點早於該第三時間點，該第三時間點早於該第二時間點。
1:5G行動通訊系統
10:無線接取網路
100:無線電單元
102:分散單元
104:集中單元
12_1~12_s:用戶裝置
14:核心網路
2:無線接取網路
20_1~20_k、20_x:開放式無線電單元
22:開放式分散單元
DU_POD_1~DU_POD_m:容器
CU_POD_1~CU_POD_n:容器
24:開放式集中單元
26:資源調整裝置
3:流程
300-308:步驟
40:人工智慧模型
42:人工智慧模型
RAN_Info_1~RAN_Info_t:無線接取網路狀態訓練資訊
P_RAN_Info:無線接取網路狀態預測資訊
P_RAN_Status:無線接取網路使用狀況
5:流程
500-510:步驟
260:服務管理與編排
262:非即時網路智能控制
264:近即時網路智能控制
O1,O2,E2,A1:介面
7:通訊裝置
70:處理單元
72:儲存單元
720:程式碼
第1圖為一行動通訊系統之示意圖。
第2圖為本發明實施例之一無線接取網路之示意圖。
第3圖為本發明實施例之一流程之示意圖。
第4圖為本發明實施例之一人工智慧模型示意圖。
第5圖為本發明實施例之一無線接取網路資源調整流程之示意圖。
第6圖為本發明實施例之一無線接取網路邏輯架構之示意圖。
第7圖為本發明實施例之一通訊裝置之示意圖。
請參考第1圖，第1圖為一行動通訊系統1之示意圖。行動通訊系統1符合第五代行動通訊技術(5G)，其概略性地包含有一無線接取網路10、複數個 用戶裝置12_1~12_s以及一核心網路14。無線接取網路10包含有複數個無線電單元、複數個分散單元以及複數個集中單元，為求簡潔，第1圖僅繪示出其中之一無線電單元100、一分散單元102以及一集中單元104。無線接取網路10介於用戶裝置12_1~12_s與核心網路14之間，用戶裝置12_1~12_s透過無線接取網路10與核心網路14建立無線連結。詳細來說，當用戶裝置12_1~12_s發送5G訊號時，訊號由無線電單元100接收，經由分散單元102與集中單元104，最後傳送至核心網路14。其中，無線電單元100處理無線射頻(Radio Frequency，RF)與低階實體層(Low-PHY)資料，透過前傳(FrontHual)與分散單元102連接；分散單元102負責處理高階實體層(High-PHY)資料以及媒體存取控制(Media Access Control，MAC)、無線鏈結控制(Radio Link Control，RLC)等第二層(OSI L2)相關協定，透過中傳(MidHaul)與集中單元104連接；集中單元104負責處理無線資源控制(Radio Resource Control，RRC)、服務數據調整協議(Service Data Adaptation Protocol，SDAP)及封包資料匯聚通訊協定(Packet Data Convergence Protocol，PDCP)等高層協定，透過後傳(BackHaul)與核心網路14連接。
無線接取網路之傳輸量，取決於用戶裝置之連線數量，因此，無線接取網路之傳輸量會隨著不同的時間點以及不同的連線數量而上下起伏，而基於無線接取網路上各單元的分工有所不同，所需處理的資料量與所需之運算資源更是有所不同。一般而言，可藉由收集無線網路傳輸資訊，訓練人工智慧模型以預測未來可能發生網路阻塞的時間點，並利用轉移用戶裝置至其他無線電單元的方法來解決網路阻塞的問題。然而，上述方式僅考慮到前傳無線資源的重新分配，卻未考慮到網路阻塞可能是相關網路功能的運算能力不足所導致，例如分散單元處理基頻的能力，或者集中單元處理網路層相關協定(OSI L3)的能力等。此外，當運算資源過剩時，亦須收回過剩的資源，以對無線網路資源進行最佳化的配置，達到節能、降低成本之效果。
為了解決上述問題，本發明提供了一種無線接取網路，其可適應性地調整無線接取網路資源。請參考第2圖，第2圖為本發明實施例一無線接取網路2之示意圖。無線接取網路2可用於行動通訊系統1來實現無線接取網路10，且無線接取網路2符合O-RAN之規範。無線接取網路2包含複數個開放式無線電單元(O-RU)20_1~20_k、一開放式分散單元(O-DU)22、一開放式集中單元(O-CU)24以及一資源調整裝置26。開放式無線電單元20_1~20_k無線連接用戶裝置12_1~12_s，為求簡潔，繪示為同一(虛線)區塊。開放式分散單元22、開放式集中單元24以及資源調整裝置26根據O-RAN之規範運行於雲端運算平台(O-Cloud)。同時，在本實施例中，開放式分散單元22以及開放式集中單元24以容器網路功能化(Container Network Function，CNF)的方式運行於Kubernetes平台，由多個容器(Pods)偕同運作，例如開放式分散單元22由複數個容器DU_POD_1~DU_POD_m共m個Pods共同運作，而開放式集中單元24由CU_POD_1~CU_POD_n共n個Pods共同運作，但不限於此，本領域具通常知識者當可根據需求，採用其他適合之雲端原生平台(Cloud-Native Platform)。
需注意的是，第2圖僅繪示單一開放式分散單元22及單一開放式集中單元24，然而其僅為示意之用，在實際的應用上，無線接取網路2可包含複數個分散單元以及複數個集中單元；相對地，用戶裝置12_1~12_s及開放式無線電單元20_1~20_k也不限於複數個，亦可能為1個。此外，根據5G之規範，無線接取網路可以有多種佈署型態，無線電單元、分散單元以及集中單元可採取獨立或合併架設的方式，而分散單元與集中單元亦可採取集中佈署的方式。為簡化說明，圖式僅以最簡化之架構表示，然而前述各種不同型態之無線接取網路部屬方式亦適用於本發明之方法，可依據需求做變化與修飾。
資源調整裝置26在邏輯上包含符合O-RAN規範之服務管理與編排(Service Management and Orchestration，SMO)、非即時網路智能控制(Non-Real Time RAN Intelligent Controller，Non-RT RIC)以及近即時網路智能控制(Near-RT RAN Intelligent Controller，Near-RT RIC)，其可根據一無線接取網路資源調整方法，進行無線接取網路2之資源管理。該無線接取網路資源調整方法可歸納為一流程3，如第3圖所示，流程3包含以下步驟：
步驟300：開始。
步驟302：於一第一時間點取得無線接取網路狀態訓練資訊RAN_Info_1~RAN_Info_t。
步驟304：根據無線接取網路狀態訓練資訊RAN_Info_1~RAN_Info_t，預測一第二時間點之無線接取網路使用狀況P_RAN_Status。
步驟306：於一第三時間點，根據無線接取網路使用狀況P_RAN_Status，預先調整該第二時間點之無線接取網路2之資源分配，以將複數個用戶裝置12_1~12_s分配至複數個開放式無線電單元20_1~20_k，及調整開放式分散單元22與開放式集中單元24之運算資源的配置；其中，該第一時間點早於該第三時間點，該第三時間點早於該第二時間點。
步驟308：結束。
在流程3中，第一時間點早於第三時間點，第三時間點早於第二時間點。換言之，根據流程3，資源調整裝置26於第一時間點取得過去之無線接取網路資源的使用量做為無線接取網路狀態訓練資訊RAN_Info_1~RAN_Info_t(步驟302)，並透過機器學習的方法，訓練人工智慧模型並用以預測於未來之第二時間點的一無線接取網路使用狀況P_RAN_Status(步驟304)，並於第二時間點之前的第三時間點根據預測之無線接取網路使用狀況P_RAN_Status，預先調整(未來)第二時間點之無線接取網路2的資源分配。據此，資源調整裝置26可以持續性地監控無線接取網路2，並自適應性地調整無線接取網路2之資源分配。
詳細來說，資源調整裝置26於步驟302取得之無線接取網路狀態訓練 資訊RAN_Info_1~RAN_Info_t為由包含複數個特徵值之向量所組成之時間序列，且每一向量之複數個特徵值皆包含無線網路傳輸資料RR_Metrics以及運算資源資料CR_Metrics。在一實施例中，無線網路傳輸資料RR_Metrics包含之特徵可參考以下表一，其中之特徵與參數名稱定義於3GPP TS 28.552之性能測量，故不贅述其內容，本領域具通常知識者當可理解其代表之意義。資源調整裝置26之Non-RT RIC可藉由服務管理與編排(SMO)透過O-RAN之O1介面取得無線網路傳輸資料RR_Metrics中之任一特徵值。
Figure 111108476-A0305-02-0009-1
Figure 111108476-A0305-02-0010-3
Figure 111108476-A0305-02-0011-4
Figure 111108476-A0305-02-0012-5
此外，運算資源資料CR_Metrics包含之特徵請參考表二。其中，中央處理器使用量(CPU Usage)以及記憶體使用量(Memory Usage)，可透過Kubernetes平台提供之Resource Metrics API取得；加速器使用量(Accelerator Usage)須由硬件提供商所另外提供。
Figure 111108476-A0305-02-0012-6
Figure 111108476-A0305-02-0013-9
根據流程3，資源調整裝置26於步驟304根據無線接取網路狀態訓練資訊RAN_Info_1~RAN_Info_t，預測第二時間點之無線接取網路使用狀況P_RAN_Status。在一實施例中，資源調整裝置26可建構兩階段人工智慧模型。舉例來說，第4圖為適用於資源調整裝置26之一人工智慧模型40之示意圖。人工智慧模型40為一長短期記憶模型(Long Short-Term Memory，LSTM)，根據無線接取網路狀態訓練資訊RAN_Info_1~RAN_Info_t(過去時間點1~t)，持續訓練並預測一未來時間點(例如時間點t+1)之無線接取網路狀態預測資訊P_RAN_Info。人工智慧模型42為包含全連接層(Fully Connected Layer)之線性轉換(Linear Transformation)模型，以人工智慧模型40持續預測出之複數個(過去時間點1~t的)無線接取網路狀態預測資訊P_RAN_Info做為訓練資料，並用以轉換(時間點t+1的)無線接取網路狀態預測資訊P_RAN_Info為無線接取網路使用狀況P_RAN_Status，無線接取網路使用狀況P_RAN_Status包含三個目標特徵：P_IP_Thp、P_DL_PRB_Usg以及P_CPU_Usg。其中，P_IP_Thp相關於用戶裝置與無線電單元之間之平均網路傳輸量(IP Throughput)之預測值，P_DL_PRB_Usg相關於用戶平面傳輸之一平均下行物理資源區塊(Physical Resource Block，PRB)使用率之預測值，以及P_CPU_Usg相關於開放式分散單元22或開放式集中單元24之一中央處理器使用量之預測值。如此一來，資源調整裝置26可根據(過去的)無線接取網路狀態訓練資訊RAN_Info_1~RAN_Info_t，預測未來的無線接取網路使用狀況P_RAN_Status，並預先調整資源分配，以提升整體網路的效益。其中，本發明實施例採用LSTM模型做未來網路狀態的預測，概因LSTM於處理並預測與時間序列高度相關之問題上有較良好之表現，然而本發明實施例並不限於此 方法，本領域具通常知識者當可依需求選擇遞歸神經網路(Recurrent Neural Network，RNN)抑或其他適合之人工智慧模型使用。需注意的是，本發明實施例採用持續訓練人工智慧模型再藉由人工智慧模型預測未來的無線接取網路使用狀況之方法，然而不限於此，採用現成之人工智慧模型直接做預測亦為可採行之方法，本領域具通常知識者當可依需求採取適當之調整。
於步驟306，取得第二時間點之預測無線接取網路使用狀況P_RAN_Status之後，資源調整裝置26即可預先於第三時間點根據三個目標特徵P_IP_Thp、P_DL_PRB_Usg以及P_CPU_Usg，來進行第二時間點之無線接取網路2之資源分配。以開放式無線電單元20_1為例，假設用戶裝置12_1~12_s中之用戶裝置12_x~12_y無線連接於開放式無線電單元20_1，則資源調整裝置26調整無線接取網路2之資源分配流程可如第5圖之一流程5所示。流程5為資源調整裝置26於步驟306根據無線接取網路使用狀況P_RAN_Status調整無線接取網路資源分配之流程，其包含以下步驟：
步驟500：開始。
步驟502：判斷(響應於)用戶裝置12_x~12_y與開放式無線電單元20_1之間之平均網路傳輸量之預測值P_IP_Thp是否小於1Mbps；若是，則執行步驟504；若否，則執行步驟508。
步驟504：判斷(響應於)開放式無線電單元20_1之用戶平面傳輸之平均下行物理資源區塊使用率之預測值P_DL_PRB_Usg是否大於80%；若是，則執行步驟506；若否，則執行步驟508。
步驟506：轉移(handover)用戶裝置12_x~12_y中之一或多個用戶裝置至其他開放式無線電單元20_2~20_k中較為閒置之一或多個開放式無線電單元。
步驟508：根據預測值P_CPU_Usg，調整開放式分散單元22或開放式 集中單元24之運算資源。
步驟510：結束。
詳細來說，以開放式無線電單元20_1為例，於步驟502中，當(響應於)開放式無線電單元20_1相關於網路傳輸量之預測值P_IP_Thp大於1Mbps時，資源調整裝置26可判斷(未來的)第二時間點為沒有網路阻塞之狀況，並執行步驟508以收回開放式分散單元22以及開放式集中單元24可能過剩之運算資源；反之，執行步驟504，以進行進一步之判斷。於步驟504中，當(響應於)開放式無線電單元20_1相關於用戶平面傳輸之平均下行物理資源區塊使用率之預測值P_DL_PRB_Usg亦大於80%時，判斷為(未來的)第二時間點將因開放式無線電單元20_1之無線電資源不足而造成網路阻塞，並執行步驟506轉移用戶裝置12_x~12_y中之一或多個用戶裝置至其開放式無線電單元20_2~20_k中較為閒置之一或多個開放式無線電單元，以分散流量；反之，判斷為因運算資源不足造成網路阻塞，並執行步驟508以增加運算資源。步驟508調整開放式分散單元22或開放式集中單元24之運算資源之方法，為利用Kubernetes所提供之HPA(Horizontal Pod Autoscaler)自動擴展功能進行Pod數量(replicas)之調整，當需要更多的運算資源時，增加Pod的數量來支援開放式分散單元22或開放式集中單元24所需之運算，相反的，則減少Pod的數量以收回過剩之資源，達成節能的目的。所需之Pod數量的計算方式如下：
Figure 111108476-A0305-02-0015-12
其中，ceil()為上取整函數，predictedReplicas為所需之Pod數量，currentReplicas為目前運作之Pod數量，predictedCpuUsg為中央處理器使用量之預測值，即P_CPU_Usg，以及currentCpuUsg為目前開放式分散單元22或開放式集中單元24之中央處理器使用量。其中，currentReplicas與currentCpuUsg之資訊可透過 O-Cloud平台取得，predictedCpuUsg可由步驟304預測取得。需注意的是，如前述無線接取網路上各單元的分工有所不同，所需處理的資料量與所需之運算資源更是有所不同，因此開放式分散單元22與開放式集中單元24運作所需之Pod數量亦有所不同，須分別計算所需之Pod數量並據此分別調整，可能同時需要調整，亦可能只需調整其中一者。此外，亦可根據加速器使用量等特徵之預測值做資源調整，本領域具通常知識者當可根據本發明之方法做變化以採取適合之資源調整方式。
需注意的是，在本發明實施例中，於步驟502中判斷用戶裝置12_x~12_y與開放式無線電單元20_1之間之平均網路傳輸量之預測值P_IP_Thp小於1Mbps為網路阻塞之情況，然而並不限於以1Mbps為門檻值，當視網路基礎建設條件及應用等實際情況設定合理之條件。同理，於步驟504中判斷開放式無線電單元20_1用戶平面傳輸之平均下行物理資源區塊使用率之預測值P_DL_PRB_Usg是否大於80%之判斷，亦不限於以80%為門檻值，當可視實際需求設定一符合經濟效益之合理門檻值。此外，於步驟506中轉移用戶裝置12_x~12_y中之一或多者至其他開放式無線電單元20_2~20_k中較為閒置之一或多者以分散流量之方法，亦不限於此，例如以平均分配用戶裝置數量至各開放式無線電單元，抑或轉移部份用戶裝置至物理資源區塊使用率預測值P_DL_PRB_Usg最低之開放式無線電單元等，皆為可採行之辦法，且不限於此。
第2圖至第5圖係用以說明本發明之精神，本領域具通常知識者當可據以做不同修飾，而不限於此。舉例來說，在實作上，請參考第6圖，第6圖為無線接取網路2之邏輯架構圖。為求簡潔，第6圖僅繪示必要之單元與介面，例如以一開放式無線電單元20_x表示開放式無線電單元20_1~20_k。資源調整裝置26包含一服務管理與編排260、一非即時網路智能控制262以及一近即時網路智能控制264。在一實施例中，資源調整裝置26可於服務管理與編排260透過O1介面取 得無線接取網路狀態訓練資訊RAN_Info_1~RAN_Info_t，由非即時網路智能控制262進行前述人工智慧模型之訓練(步驟302、304)，透過A1介面傳遞相關於人工智慧模型之資訊，並於近即時網路智能控制264進行無線接取網路使用狀況P_RAN_Status之預測(步驟304)，並可通過E2或O2介面根據流程5調整無線接取網路2之資源分配(步驟306)。需注意的是，流程3之執行不限於此實施例之方式，前述人工智慧模型之部屬亦不限於此，舉例來說，預測無線接取網路使用狀況P_RAN_Status之步驟(步驟304)亦可運行於非即時網路智能控制262或直接運行於O-Cloud系統中，本領域具通常知識者當可在符合O-RAN之規範下，依據需求做變化。
進一步地，請參考第7圖，其為本發明實施例之一通訊裝置7示意圖。通訊裝置7可實現資源調整裝置26、開放式分散單元22或開放式集中單元24。如第7圖所示，通訊裝置7符合開放架構無線接取網路之規範，可為實現網路功能虛擬化(Network Functions Virtualization，NFV)之一般商用設備(Commercial Off-The-Shelf，COTS)，其中可包含一處理單元70以及一儲存單元72。處理單元70可為一微處理器或特定應用積體電路(Application Specific Integrated Circuit，ASIC)。儲存單元72可為任一資料儲存裝置，用來儲存一程式碼720，並透過處理單元70讀取及執行程式碼720。舉例來說，儲存單元72可為唯讀式記憶體(ROM)、快閃記憶體(flash memory)、隨機存取記憶體(RAM)、硬碟及光學資料儲存裝置(optical data storage device)及非揮發性儲存單元等，但不限於此。
通訊裝置7用以表示實現本發明實施例所需之必要元件，本領域具通常知識者當可據以做不同之修飾、調整，而不限於此。舉例來說，當以通訊裝置7實現資源調整裝置26時，可將無線接取網路資源調整流程3編譯為程式碼720，並儲存於儲存單元72中，由處理單元70執行無線接取網路資源調整流程3之方法。類似地，當以通訊裝置7實現開放式分散單元22以及開放式集中單元24 時，儲存單元可儲存實現開放式分散單元22以及開放式集中單元24之程式碼720，由處理單元70運行於一雲端平台，並根據資源調整裝置26之指示調整所需之運算資源。
綜上所述，本發明提供一自適應性的調整無線接取網路資源的方法，藉由人工智慧的方法來預測未來網路的使用狀況，並據此自動化的調整網路資源之分配，防止網路阻塞以維護用戶體驗的同時，亦可達到節能之效果，提升整體網路的效益。
以上所述僅為本發明之較佳實施例，凡依本發明申請專利範圍所做之均等變化與修飾，皆應屬本發明之涵蓋範圍。
2:無線接取網路
12_1~12_s:用戶裝置
20_1~20_k:開放式無線電單元
22:開放式分散單元
DU_POD_1~DU_POD_m:容器
CU_POD_1~CU_POD_n:容器
24:開放式集中單元
26:資源調整裝置

Claims (21)

  1. 一種調整無線接取網路資源的方法，用於一無線接取網路，該無線接取網路符合第五代行動通訊技術之一開放架構無線接取網路之規範，包含有複數個無線電單元、一分散單元及一集中單元，該調整無線接取網路資源的方法包含有：於一第一時間點取得複數個無線接取網路狀態訓練資訊；根據該複數個無線接取網路狀態訓練資訊，預測一第二時間點之一無線接取網路使用狀況；以及於一第三時間點，根據該無線接取網路使用狀況，預先調整該第二時間點之無線接取網路資源分配，以將複數個用戶裝置分配至該複數個無線電單元，及調整該分散單元與該集中單元之運算資源的配置；其中，該第一時間點早於該第三時間點，該第三時間點早於該第二時間點。
  2. 如請求項1所述之方法，其中該複數個無線接取網路狀態訓練資訊包含一無線電資源使用量資訊、一用戶裝置傳輸量資訊、一中央處理單元使用量資訊、一記憶體使用量資訊及一加速器使用量資訊之一或多者。
  3. 如請求項1所述之方法，其中根據該複數個無線接取網路狀態訓練資訊，預測該第二時間點之該無線接取網路使用狀況之步驟，包含有：根據一第一人工智慧模型，預測該第二時間點之一無線接取網路狀態預測資訊；以及根據一第二人工智慧模型，預測該第二時間點之該無線接取網路使用狀況。
  4. 如請求項3所述之方法，更包括：利用一第一深度學習方法，以該複數個無線接取網路狀態訓練資訊訓練該第一人工智慧模型；以及利用一第二深度學習方法，以該無線接取網路狀態預測資訊訓練該第二人 工智慧模型。
  5. 如請求項3所述之方法，其中該第一人工智慧模型為一遞歸神經網路或一長短期記憶模型。
  6. 如請求項1所述之方法，其中該第二時間點之該無線接取網路使用狀況包含有一第一特徵值、一第二特徵值及一第三特徵值，該第一特徵值相關於一用戶裝置與該無線電單元間平均網路傳輸量(IP Throughput)之預測值，該第二特徵值相關於一平均下行物理資源區塊(Physical Resource Block，PRB)使用率之預測值，以及該第三特徵值相關於該分散單元或該集中單元之一中央處理單元使用量之預測值。
  7. 如請求項6所述之方法，其中於該第三時間點根據該無線接取網路使用狀況預先調整該第二時間點之無線接取網路資源分配之步驟，包含有：響應於該第一特徵值小於一第一門檻值並且該第二特徵值大於一第二門檻值，平均分配該複數個用戶裝置至該複數個無線電單元；響應於該第一特徵值大於該第一門檻值，根據該第三特徵值與該第三時間點中央處理單元使用量之一比值，分別調整該集中單元或該分散單元的一運算資源；以及響應於該第二特徵值小於該第二門檻值，根據該第三特徵值與該第三時間點中央處理單元使用量之該比值，分別調整該集中單元或該分散單元的該運算資源。
  8. 一種資源調整裝置，用於一無線接取網路，該無線接取網路符合第五代行動通訊技術之一開放架構無線接取網路之規範，包含有複數個無線電單元、一分散單元及一集中單元，該資源調整裝置包含有：一處理單元，用來執行一程式碼；以及 一儲存單元，耦接於該處理單元，用來儲存該程式碼，以指示該處理單元執行一調整無線接取網路資源的方法，該方法包含有：於一第一時間點取得複數個無線接取網路狀態訓練資訊；根據該複數個無線接取網路狀態訓練資訊，預測一第二時間點之一無線接取網路使用狀況；以及於一第三時間點根據該無線接取網路使用狀況，預先調整該第二時間點之無線接取網路資源分配，以將複數個用戶裝置分配至該複數個無線電單元，及調整該分散單元與該集中單元之運算資源的配置；其中，該第一時間點早於該第三時間點，該第三時間點早於該第二時間點。
  9. 如請求項8所述之資源調整裝置，其中該複數個無線接取網路狀態訓練資訊包含一無線電資源使用量資訊、一用戶裝置傳輸量資訊、一中央處理單元使用量資訊、一記憶體使用量資訊以及一加速器使用量資訊之一或多者。
  10. 如請求項8所述之資源調整裝置，其中根據該複數個無線接取網路狀態訓練資訊，預測該第二時間點之該無線接取網路使用狀況之步驟，包含有：根據一第一人工智慧模型，預測該第二時間點之一無線接取網路狀態預測資訊；以及根據一第二人工智慧模型，預測該第二時間點之該無線接取網路使用狀況。
  11. 如請求項10所述之資源調整裝置，更包括：利用一第一深度學習方法，以該複數個無線接取網路狀態訓練資訊訓練該第一人工智慧模型；以及 利用一第二深度學習方法，以該無線接取網路狀態預測資訊訓練該第二人工智慧模型。
  12. 如請求項10所述之資源調整裝置，其中該第一人工智慧模型為一遞歸神經網路或一長短期記憶模型。
  13. 如請求項8所述之資源調整裝置，其中該第二時間點之該無線接取網路使用狀況包含有一第一特徵值、一第二特徵值及一第三特徵值，該第一特徵值相關於一用戶裝置與該無線電單元間平均網路傳輸量之預測值，該第二特徵值相關於一平均下行物理資源區塊使用率之預測值，以及該第三特徵值相關於該分散單元或該集中單元之一中央處理單元使用量之預測值。
  14. 如請求項13所述之資源調整裝置，其中於該第三時間點根據該無線接取網路使用狀況，預先調整該第二時間點之無線接取網路資源分配之步驟包含有：當該第一特徵值小於一第一門檻值並且該第二特徵值大於一第二門檻值時，平均分配該複數個用戶裝置至該複數個無線電單元；以及當該第一特徵值大於該第一門檻值或該第二特徵值小於該第二門檻值時，根據該第三特徵值與該第三時間點中央處理單元使用量之一比值，分別調整該集中單元或該分散單元的一運算資源。
  15. 一種無線接取網路，該無線接取網路符合第五代行動通訊技術之一開放架構無線接取網路之規範，包含有：複數個無線電單元；一分散單元，運行於一第一雲端運算平台；一集中單元，運行於一第二雲端運算平台；以及一資源調整裝置，用來執行一無線接取網路資源調整方法，該無線接取網 路資源調整方法包含有：於一第一時間點取得複數個無線接取網路狀態訓練資訊；根據該複數個無線接取網路狀態訓練資訊，預測一第二時間點之一無線接取網路使用狀況；以及於一第三時間點，根據該無線接取網路使用狀況，預先調整該第二時間點之無線接取網路資源分配，以將複數個用戶裝置分配至該複數個無線電單元，及調整該分散單元與該集中單元之運算資源的配置；其中，該第一時間點早於該第三時間點，該第三時間點早於該第二時間點。
  16. 如請求項15所述之無線接取網路，其中該複數個無線接取網路狀態訓練資訊包含一無線電資源使用量資訊、一用戶裝置傳輸量資訊、一中央處理單元使用量資訊、一記憶體使用量資訊及一加速器使用量資訊之一或多者。
  17. 如請求項15所述之無線接取網路，其中該無線接取網路資源調整方法中根據該複數個無線接取網路狀態訓練資訊，預測該第二時間點之該無線接取網路使用狀況之步驟，包含有：利用一第一深度學習方法，以該複數個無線接取網路狀態訓練資訊訓練一第一人工智慧模型；根據該第一人工智慧模型，預測該第二時間點之一無線接取網路狀態預測資訊；利用一第二深度學習方法，以該無線接取網路狀態預測資訊訓練一第二人工智慧模型；以及根據該第二人工智慧模型，預測該第二時間點之該無線接取網路使用狀況。
  18. 如請求項17所述之無線接取網路，其中該第一人工智慧模型為一遞歸神經網路或一長短期記憶模型。
  19. 如請求項15所述之無線接取網路，其中該第二時間點之該無線接取網路使用狀況包含有一第一特徵值、一第二特徵值及一第三特徵值，該第一特徵值相關於一用戶裝置與該無線電單元間平均網路傳輸量(IP Throughput)之預測值，該第二特徵值相關於一平均下行物理資源區塊(Physical Resource Block，PRB)使用率之預測值，以及該第三特徵值相關於該分散單元或該集中單元之一中央處理單元使用量之預測值。
  20. 如請求項19所述之無線接取網路，其中該無線接取網路資源調整方法中於該第三時間點根據該無線接取網路使用狀況預先調整該第二時間點之無線接取網路資源分配之步驟，包含有：響應於該第一特徵值小於一第一門檻值並且該第二特徵值大於一第二門檻值，平均分配該複數個用戶裝置至該複數個無線電單元；響應於該第一特徵值大於該第一門檻值，根據該第三特徵值與該第三時間點中央處理單元使用量之一比值，分別調整該集中單元或該分散單元的一運算資源；以及響應於該第二特徵值小於該第二門檻值，根據該第三特徵值與該第三時間點中央處理單元使用量之該比值，分別調整該集中單元或該分散單元的該運算資源。
  21. 如請求項15所述之無線接取網路，其中該第一雲端運算平台與該第二雲端運算平台為相同平台。
TW111108476A 2022-03-09 2022-03-09 調整無線接取網路資源的方法、裝置及相關無線接取網路 TWI787095B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW111108476A TWI787095B (zh) 2022-03-09 2022-03-09 調整無線接取網路資源的方法、裝置及相關無線接取網路
CN202210388272.8A CN116782248A (zh) 2022-03-09 2022-04-13 调整无线接取网络资源的方法、装置及相关无线接取网络
US17/829,370 US12114292B2 (en) 2022-03-09 2022-06-01 Method, device and radio access network for adjusting resources of radio access network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW111108476A TWI787095B (zh) 2022-03-09 2022-03-09 調整無線接取網路資源的方法、裝置及相關無線接取網路

Publications (2)

Publication Number Publication Date
TWI787095B true TWI787095B (zh) 2022-12-11
TW202337243A TW202337243A (zh) 2023-09-16

Family

ID=85795076

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111108476A TWI787095B (zh) 2022-03-09 2022-03-09 調整無線接取網路資源的方法、裝置及相關無線接取網路

Country Status (3)

Country Link
US (1) US12114292B2 (zh)
CN (1) CN116782248A (zh)
TW (1) TWI787095B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12015669B2 (en) * 2022-10-19 2024-06-18 Cisco Technology, Inc. Dynamic open radio access network radio unit sharing between multiple tenant open radio access network distributed units
US20240334244A1 (en) * 2023-03-30 2024-10-03 Mavenir Systems, Inc. RAN and UE Driven L4S Marking and Processing for Congestion Management in an O-RAN Based Network Architecture

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230336433A1 (en) * 2022-04-15 2023-10-19 Dish Wireless L.L.C. Data collection for cellular system
US12477396B2 (en) * 2022-07-25 2025-11-18 Verizon Patent And Licensing Inc. Method, medium, and system for predictive radio access management with unified access and transmission grant messaging
TWI866184B (zh) * 2023-04-28 2024-12-11 緯創資通股份有限公司 雲端環境的資源分配系統及其方法
TWI866265B (zh) * 2023-06-07 2024-12-11 緯創資通股份有限公司 細胞選擇方法
WO2025042407A1 (en) * 2023-08-24 2025-02-27 Rakuten Symphony, Inc. Energy saving through flexible kubernetes pod capacity selection during horizontal pod autoscaling (hpa)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9893774B2 (en) * 2001-04-26 2018-02-13 Genghiscomm Holdings, LLC Cloud radio access network
TW202105944A (zh) * 2019-07-05 2021-02-01 華碩電腦股份有限公司 無線通訊系統中用於指示裝置到裝置通訊的時間間隔的方法和設備
US20210126749A1 (en) * 2016-06-15 2021-04-29 Convida Wireless, Llc Upload Control Signaling For New Radio
US20210258866A1 (en) * 2020-05-05 2021-08-19 Intel Corporation Resource allocation and activation/deactivation configuration of open radio access network (o-ran) network slice subnets
TWI740713B (zh) * 2020-11-11 2021-09-21 財團法人工業技術研究院 網路切片的資源管理方法、資源管理系統及工作負載調度裝置
US20210409335A1 (en) * 2020-09-11 2021-12-30 Intel Corporation Multi-access management service packet classification and prioritization techniques

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11575583B2 (en) * 2018-12-11 2023-02-07 Telefonaktiebolaget Lm Ericsson (Publ) System and method for improving machine learning model performance in a communications network
US11582757B2 (en) * 2020-02-26 2023-02-14 At&T Iniellectual Property I, L.P. Facilitation of radio access network intelligent controller resource preservation framework for 5G or other next generation network

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9893774B2 (en) * 2001-04-26 2018-02-13 Genghiscomm Holdings, LLC Cloud radio access network
US20210126749A1 (en) * 2016-06-15 2021-04-29 Convida Wireless, Llc Upload Control Signaling For New Radio
TW202105944A (zh) * 2019-07-05 2021-02-01 華碩電腦股份有限公司 無線通訊系統中用於指示裝置到裝置通訊的時間間隔的方法和設備
US20210258866A1 (en) * 2020-05-05 2021-08-19 Intel Corporation Resource allocation and activation/deactivation configuration of open radio access network (o-ran) network slice subnets
US20210409335A1 (en) * 2020-09-11 2021-12-30 Intel Corporation Multi-access management service packet classification and prioritization techniques
TWI740713B (zh) * 2020-11-11 2021-09-21 財團法人工業技術研究院 網路切片的資源管理方法、資源管理系統及工作負載調度裝置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12015669B2 (en) * 2022-10-19 2024-06-18 Cisco Technology, Inc. Dynamic open radio access network radio unit sharing between multiple tenant open radio access network distributed units
US20240334244A1 (en) * 2023-03-30 2024-10-03 Mavenir Systems, Inc. RAN and UE Driven L4S Marking and Processing for Congestion Management in an O-RAN Based Network Architecture

Also Published As

Publication number Publication date
CN116782248A (zh) 2023-09-19
US12114292B2 (en) 2024-10-08
US20230292291A1 (en) 2023-09-14
TW202337243A (zh) 2023-09-16

Similar Documents

Publication Publication Date Title
TWI787095B (zh) 調整無線接取網路資源的方法、裝置及相關無線接取網路
CN111447619B (zh) 一种移动边缘计算网络中联合任务卸载和资源分配方法
CN109951869B (zh) 一种基于云雾混合计算的车联网资源分配方法
CN110493757B (zh) 单服务器下降低系统能耗的移动边缘计算卸载方法
US20200195506A1 (en) Artificial intellgence-based networking method and device for fog radio access networks
CN101557644B (zh) 一种无线信道带宽的调整方法
CN110234127B (zh) 一种基于sdn的雾网络任务卸载方法
US20240146578A1 (en) Determining information related to a designated data transmission rate for a wireless link
WO2016134676A1 (en) System and method for user terminal-aware cell switch-off
CN106900011A (zh) 一种基于mec的蜂窝基站间任务卸载方法
CN103220688B (zh) Lte自组织网络中基于效用函数的移动负载均衡方法
CN105898807B (zh) 一种在超密集网络下的联合接入点选择和资源分配的自治愈方法
Amani et al. Programmable policies for data offloading in LTE network
CN104918257B (zh) 中继协同异构蜂窝网络d2d通信资源分配方法
CN112969163B (zh) 一种基于自适应任务卸载的蜂窝网络计算资源分配方法
CN103828422A (zh) 负载均衡的方法和网络控制节点
CN103517279B (zh) Lte系统中联合动态无线资源分配与移动负载均衡的方法
CN112953749A (zh) 一种传输速率配置方法及装置
CN112235387A (zh) 一种基于能量消耗最小化的多节点协作计算卸载方法
CN105025580B (zh) 一种无线资源分配方法及装置
CN111328144A (zh) 无线资源分配方法、装置、可读存储介质及计算机设备
CN118277046A (zh) 一种计算任务的处理方法及相关装置
CN106658552B (zh) 干扰管理方法、系统
Wang et al. Radio resource management methods for ultra-reliable low-latency communications in 5G LTE narrowband industrial internet of things
KR102034571B1 (ko) 통신 시스템에서의 자원 할당 방법 및 장치