導(dǎo)語(yǔ)：移動(dòng)通信網(wǎng)絡(luò)智能優(yōu)化研究一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：面對(duì)日益復(fù)雜的移動(dòng)通信網(wǎng)絡(luò)，智能化是未來(lái)網(wǎng)絡(luò)自適應(yīng)優(yōu)化技術(shù)的發(fā)展方向。在自適應(yīng)優(yōu)化方案中采用機(jī)器學(xué)習(xí)算法，使網(wǎng)絡(luò)具有智能，能夠根據(jù)環(huán)境和狀態(tài)的變化協(xié)調(diào)各種優(yōu)化目標(biāo)，實(shí)現(xiàn)最優(yōu)參數(shù)配置。本文在分析常用的機(jī)器學(xué)習(xí)算法的基礎(chǔ)上，結(jié)合對(duì)未來(lái)網(wǎng)絡(luò)數(shù)據(jù)特征的梳理，提出了初步的網(wǎng)絡(luò)智能優(yōu)化技術(shù)框架和步驟，并對(duì)各種網(wǎng)絡(luò)優(yōu)化功能下所適合采用的機(jī)器學(xué)習(xí)算法進(jìn)行分類整理。

關(guān)鍵詞：網(wǎng)絡(luò)自組織；5G；機(jī)器學(xué)習(xí)；自適應(yīng)優(yōu)化；智能優(yōu)化

1引言

移動(dòng)通信與人們的工作和生活密切相關(guān)，而人們對(duì)于更高性能的移動(dòng)通信網(wǎng)絡(luò)的需求也在不斷提升。根據(jù)預(yù)測(cè)，未來(lái)移動(dòng)通信網(wǎng)絡(luò)，例如第五代移動(dòng)通信系統(tǒng)（5G），將能夠提供可媲美光纖的數(shù)據(jù)傳輸速率，并且在端到端時(shí)延上希望能夠達(dá)到“無(wú)感知”的程度。為了實(shí)現(xiàn)這樣的性能要求，不僅需要從物理層和網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行革新，例如采用大規(guī)模天線以及密集部署各種類型的低功率節(jié)點(diǎn)（LowPowerNodes，LPNs）形成異構(gòu)超密集網(wǎng)絡(luò)（Ultra-denseNetwork，UDN）等，也對(duì)現(xiàn)有的網(wǎng)絡(luò)自適應(yīng)優(yōu)化（Networkself-optimization）理論和方法提出了嚴(yán)峻挑戰(zhàn)?，F(xiàn)有的網(wǎng)絡(luò)自適應(yīng)優(yōu)化理論和方法是網(wǎng)絡(luò)自組織（Self-organizingNetwork）的一個(gè)重要組成部分，指的是網(wǎng)絡(luò)在運(yùn)行過(guò)程中，通過(guò)監(jiān)測(cè)網(wǎng)絡(luò)重要性能指標(biāo)隨時(shí)間的變化，自適應(yīng)地調(diào)整基站和其它網(wǎng)絡(luò)設(shè)備的參數(shù)配置或相關(guān)的資源管理策略，以盡可能達(dá)到提升網(wǎng)絡(luò)性能的目的。然而，現(xiàn)有的網(wǎng)絡(luò)自適應(yīng)優(yōu)化理論和方法在面對(duì)日益復(fù)雜的移動(dòng)通信網(wǎng)絡(luò)時(shí)，為了實(shí)現(xiàn)超高數(shù)據(jù)速率和超低時(shí)延的性能要求，卻存在諸多問(wèn)題，面臨諸多挑戰(zhàn)，主要表現(xiàn)為：現(xiàn)有網(wǎng)絡(luò)自適應(yīng)優(yōu)化理論和方法基于被動(dòng)響應(yīng)方式，無(wú)法滿足未來(lái)通信網(wǎng)絡(luò)超低時(shí)延的需求?，F(xiàn)有網(wǎng)絡(luò)自適應(yīng)優(yōu)化理論和方法中，優(yōu)化目標(biāo)和網(wǎng)絡(luò)參數(shù)之間的適配關(guān)系通常是預(yù)先設(shè)定的，無(wú)法滿足未來(lái)網(wǎng)絡(luò)復(fù)雜多變的網(wǎng)絡(luò)狀態(tài)特性?，F(xiàn)有網(wǎng)絡(luò)自適應(yīng)優(yōu)化理論和方法通常針對(duì)某一特定的單一優(yōu)化目標(biāo)進(jìn)行，無(wú)法滿足未來(lái)通信網(wǎng)絡(luò)多目標(biāo)協(xié)同優(yōu)化的需求?，F(xiàn)有網(wǎng)絡(luò)自適應(yīng)優(yōu)化理論和方法對(duì)網(wǎng)絡(luò)中的數(shù)據(jù)利用不充分，利用的數(shù)據(jù)資源過(guò)于單一，缺乏智能性。為了解決上述問(wèn)題，需要對(duì)現(xiàn)有的網(wǎng)絡(luò)自適應(yīng)優(yōu)化理論和方法進(jìn)行革新。

2現(xiàn)有網(wǎng)絡(luò)自適應(yīng)優(yōu)化技術(shù)

所有的移動(dòng)網(wǎng)絡(luò)運(yùn)營(yíng)都會(huì)設(shè)置某種形式的網(wǎng)絡(luò)管理系統(tǒng)來(lái)維持網(wǎng)絡(luò)的正常運(yùn)行。一個(gè)典型的網(wǎng)管系統(tǒng)連接所有的網(wǎng)元和子網(wǎng)元，甚至可以到達(dá)基站的單板，并在運(yùn)維人員的介入干預(yù)和指揮下，有針對(duì)性地解決網(wǎng)絡(luò)出現(xiàn)的問(wèn)題和故障。移動(dòng)網(wǎng)絡(luò)的巨大規(guī)模決定了網(wǎng)管系統(tǒng)經(jīng)常同時(shí)運(yùn)行數(shù)百個(gè)網(wǎng)絡(luò)故障檢測(cè)處理進(jìn)程和基于關(guān)鍵性能指標(biāo)（KeyPerformanceIndicators，KPIs）的質(zhì)量管理進(jìn)程。同時(shí)，還要有許多的有經(jīng)驗(yàn)的工程師和維護(hù)人員控制操作維護(hù)中心（OperationandMaintenanceCenter，OMC），使得移動(dòng)網(wǎng)絡(luò)的運(yùn)行平穩(wěn)正常。隨著網(wǎng)絡(luò)規(guī)模的持續(xù)增長(zhǎng)和技術(shù)復(fù)雜度的提高，單純靠人工方式運(yùn)維移動(dòng)通信網(wǎng)絡(luò)的復(fù)雜度和成本變得越來(lái)越高。此外，針對(duì)經(jīng)常快速變化的網(wǎng)絡(luò)運(yùn)行狀況，網(wǎng)絡(luò)運(yùn)維參數(shù)的人工調(diào)整過(guò)程將不可避免地導(dǎo)致較長(zhǎng)時(shí)延，使得無(wú)線網(wǎng)絡(luò)不能提供最優(yōu)的性能。為了降低運(yùn)維成本，提高運(yùn)維效率，網(wǎng)絡(luò)自組織（Self-organizingNetwork，SON）技術(shù)應(yīng)運(yùn)而生。廣義的SON一般被定義為運(yùn)營(yíng)商用來(lái)管理和控制移動(dòng)寬帶網(wǎng)絡(luò)的一系列功能和特征，不需要人為干預(yù)的自動(dòng)化操作來(lái)提升運(yùn)營(yíng)效率，降低運(yùn)營(yíng)復(fù)雜度。狹義的SON被定義為用于第三代移動(dòng)通信合作伙伴計(jì)劃（ThirdGenerationPartnershipProject，3GPP）和LTE（LongTermEvolution）中的自動(dòng)化網(wǎng)絡(luò)運(yùn)營(yíng)功能，由3GPP來(lái)對(duì)SON進(jìn)行標(biāo)準(zhǔn)化，由“下一代移動(dòng)網(wǎng)絡(luò)聯(lián)盟”（NextGenerationMobileNetwork，NGMN）從運(yùn)營(yíng)商角度對(duì)SON的長(zhǎng)期目標(biāo)和遠(yuǎn)景進(jìn)行規(guī)劃和展望。自組織網(wǎng)絡(luò)包括自配置（Self-configuration）、自優(yōu)化（Self-optimization）和自治愈（Self-healing）三大功能。本文主要討論網(wǎng)絡(luò)自優(yōu)化。網(wǎng)絡(luò)自優(yōu)化是指網(wǎng)絡(luò)在運(yùn)行過(guò)程中通過(guò)監(jiān)測(cè)網(wǎng)絡(luò)重要性能指標(biāo)隨時(shí)間的變化，自適應(yīng)地調(diào)整基站和其他網(wǎng)絡(luò)設(shè)備的參數(shù)配置或相關(guān)的資源管理策略，以盡可能達(dá)到擴(kuò)大覆蓋范圍、增加系統(tǒng)平均和邊緣容量、抑制干擾、減少能耗、提高切換和隨機(jī)接入成功率、滿足用戶QoS需求等目的。根據(jù)3GPP協(xié)議TS32.521的描述，對(duì)于特定的優(yōu)化目標(biāo)（如容量、覆蓋自優(yōu)化等），網(wǎng)絡(luò)自優(yōu)化的總體流程如圖1所示。自組織網(wǎng)絡(luò)在無(wú)線網(wǎng)絡(luò)的覆蓋和容量?jī)?yōu)化、無(wú)線干擾優(yōu)化、切換和負(fù)載均衡優(yōu)化、節(jié)能優(yōu)化等方面都有廣泛應(yīng)用。由圖1可以看出，目前的網(wǎng)絡(luò)自優(yōu)化通常采用被動(dòng)響應(yīng)的方式，智能化程度不高。但是，自組織技術(shù)的終極目標(biāo)則是能夠高效地實(shí)現(xiàn)對(duì)自身進(jìn)行完全自動(dòng)化的組織和管理。因此，提高自組織技術(shù)的智能性是自組織網(wǎng)絡(luò)的一個(gè)重要發(fā)展方向。

3未來(lái)移動(dòng)通信系統(tǒng)智能優(yōu)化技術(shù)

3.1機(jī)器學(xué)習(xí)算法簡(jiǎn)介。1997年，TomM.Mitchell在“MachineLearning”一書中給出了機(jī)器學(xué)習(xí)的經(jīng)典定義“計(jì)算機(jī)利用經(jīng)驗(yàn)改善系統(tǒng)自身性能的行為”。經(jīng)典的機(jī)器學(xué)習(xí)理論有很多種，一般歸為3類：有監(jiān)督學(xué)習(xí)（SupervisedLearning）、無(wú)監(jiān)督學(xué)習(xí)（UnsupervisedLearning）和半監(jiān)督學(xué)習(xí)（Semi-SupervisedLearning）。有監(jiān)督學(xué)習(xí)類似于人們?cè)诶蠋煴O(jiān)督下的學(xué)習(xí)，是一種在結(jié)果度量（OutcomeMeasurement）指導(dǎo)下學(xué)習(xí)的過(guò)程，訓(xùn)練的學(xué)習(xí)網(wǎng)絡(luò)通過(guò)最小化定義的代價(jià)函數(shù)而得到輸入和輸出之間的映射關(guān)系。常見的有監(jiān)督學(xué)習(xí)包括貝葉斯網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、決策樹、支持向量機(jī)等。無(wú)監(jiān)督學(xué)習(xí)有時(shí)候也被稱為自組織學(xué)習(xí)，在無(wú)監(jiān)督學(xué)習(xí)中沒有結(jié)果度量，也不需要目標(biāo)變量或者訓(xùn)練數(shù)據(jù)集，系統(tǒng)通過(guò)與輸入的交互來(lái)優(yōu)化參數(shù)，通?；谥鞒煞址治觯≒rincipalComponentAnalysis，PCA）或者聚類分析。博弈論就是一種應(yīng)用非常廣泛的無(wú)監(jiān)督的機(jī)器學(xué)習(xí)方法。此外，1981年芬蘭Helsink大學(xué)的T.Kohonen教授提出的自組織特征映射網(wǎng)（Self-OrganizingMap，SOM）也是一種無(wú)監(jiān)督的機(jī)器學(xué)習(xí)方法。在傳統(tǒng)的機(jī)器學(xué)習(xí)理論框架中是沒有半監(jiān)督機(jī)器學(xué)習(xí)的，但是半監(jiān)督的機(jī)器學(xué)來(lái)卻逐漸成為一個(gè)研究熱點(diǎn)。這是因?yàn)?，在有監(jiān)督學(xué)習(xí)中需要利用已標(biāo)識(shí)數(shù)據(jù)，而無(wú)監(jiān)督學(xué)習(xí)中只需要利用未標(biāo)識(shí)數(shù)據(jù)。在大數(shù)據(jù)時(shí)代，絕大多數(shù)的數(shù)據(jù)屬于未標(biāo)識(shí)數(shù)據(jù)，而已標(biāo)識(shí)數(shù)據(jù)需要人的參與，耗時(shí)耗力，也容易出錯(cuò)。所以，在現(xiàn)實(shí)世界中，未標(biāo)識(shí)數(shù)據(jù)的數(shù)量遠(yuǎn)大于已標(biāo)識(shí)數(shù)據(jù)的數(shù)量。如果不能充分利用這些未標(biāo)識(shí)數(shù)據(jù)，學(xué)到的模型的泛化能力可能會(huì)較差，還會(huì)造成數(shù)據(jù)的浪費(fèi)；如果像無(wú)監(jiān)督學(xué)習(xí)一樣只使用未標(biāo)識(shí)數(shù)據(jù)，就會(huì)浪費(fèi)已標(biāo)識(shí)數(shù)據(jù)的價(jià)值。而半監(jiān)督學(xué)習(xí)就是研究如何綜合利用少量已標(biāo)識(shí)數(shù)據(jù)和大量未標(biāo)識(shí)數(shù)據(jù)，獲得具有良好性能和泛化能力的學(xué)習(xí)機(jī)器。強(qiáng)化學(xué)習(xí)（Reinforce-mentLearning）就是一種主要的半監(jiān)督學(xué)習(xí)方式。近年來(lái)出現(xiàn)的遷移學(xué)習(xí)（Trans-ferlearning）也可以看作一種半監(jiān)督的學(xué)習(xí)方式，學(xué)習(xí)節(jié)點(diǎn)動(dòng)態(tài)地選擇自己的“指導(dǎo)者”，這個(gè)指導(dǎo)者是和自己在網(wǎng)絡(luò)環(huán)境等方面具有最高相似度和相關(guān)性的節(jié)點(diǎn)。因此，“指導(dǎo)者”節(jié)點(diǎn)已經(jīng)獲得的學(xué)習(xí)結(jié)果就可以直接轉(zhuǎn)移給學(xué)習(xí)節(jié)點(diǎn)，從而極大地降低了復(fù)雜度和提高了收斂速度。常見的機(jī)器學(xué)習(xí)算法分類見圖2。3.2未來(lái)移動(dòng)通信網(wǎng)絡(luò)數(shù)據(jù)。移動(dòng)通信網(wǎng)絡(luò)中蘊(yùn)含海量數(shù)據(jù)，想在未來(lái)的網(wǎng)絡(luò)自優(yōu)化技術(shù)中充分利用這些數(shù)據(jù)資源，設(shè)計(jì)更為智能的網(wǎng)絡(luò)自優(yōu)化技術(shù)框架，首先要對(duì)網(wǎng)絡(luò)中究竟存在哪些數(shù)據(jù)資源進(jìn)行詳細(xì)梳理。表1列出了對(duì)移動(dòng)通信網(wǎng)絡(luò)中各種數(shù)據(jù)的一個(gè)簡(jiǎn)單分類舉例。首先，可以將其分為用戶層面和網(wǎng)絡(luò)層面（這里的網(wǎng)絡(luò)層面主要指無(wú)線網(wǎng)絡(luò)，核心網(wǎng)的內(nèi)容暫時(shí)沒有考慮）；從另一個(gè)層面，還可以將數(shù)據(jù)劃分為體現(xiàn)性能的數(shù)據(jù)、體現(xiàn)能力/配置的數(shù)據(jù)、體現(xiàn)狀態(tài)的數(shù)據(jù)3類。表1只是列出了移動(dòng)通信網(wǎng)絡(luò)中可用數(shù)據(jù)資源的極小部分，但是也可以看出，可用的數(shù)據(jù)資源是非常多也非常廣泛和復(fù)雜。例如，從數(shù)據(jù)的時(shí)間維度來(lái)說(shuō)，有的數(shù)據(jù)更新時(shí)間在毫秒甚至微秒的量級(jí)，例如快衰落造成的信道變化，有的則是按照天甚至月的時(shí)間量級(jí)在變化更新，例如由時(shí)間、季節(jié)等造成的小區(qū)負(fù)載的變化等。圖3例舉了各種不同的數(shù)據(jù)在時(shí)間維度上的區(qū)別。值得注意的是，在現(xiàn)有的網(wǎng)絡(luò)自優(yōu)化文獻(xiàn)中，絕大多數(shù)利用的都是較短的時(shí)間維度的數(shù)據(jù)，對(duì)于較長(zhǎng)時(shí)間維度的數(shù)據(jù)，利用的較為不充分（一些負(fù)載均衡的文獻(xiàn)中有所利用，但是大部分缺乏預(yù)測(cè)性）。而充分利用這些數(shù)據(jù)，利用機(jī)器學(xué)習(xí)的理論，將有可能實(shí)現(xiàn)更加智能、高效的網(wǎng)絡(luò)性能優(yōu)化。3.3未來(lái)移動(dòng)通信網(wǎng)絡(luò)智能優(yōu)化框架。從表1的分析可以看出，表中所列內(nèi)容是相互關(guān)聯(lián)的，在網(wǎng)絡(luò)自優(yōu)化功能中，實(shí)際上是根據(jù)“體現(xiàn)狀態(tài)的數(shù)據(jù)”，調(diào)整“體現(xiàn)配置的數(shù)據(jù)”來(lái)實(shí)現(xiàn)優(yōu)化“體現(xiàn)性能的數(shù)據(jù)”。由于數(shù)據(jù)種類眾多，相互之間關(guān)系復(fù)雜。首先，性能指標(biāo)和網(wǎng)絡(luò)配置參數(shù)之間不是一對(duì)一的關(guān)系，網(wǎng)絡(luò)的某個(gè)性能指標(biāo)通過(guò)調(diào)整不同的參數(shù)都可以得到類似的結(jié)果，某些參數(shù)的調(diào)整也會(huì)影響多個(gè)性能指標(biāo)；并且最優(yōu)的網(wǎng)絡(luò)參數(shù)配置是依賴于網(wǎng)絡(luò)狀態(tài)的，在不同的狀態(tài)（或者狀態(tài)組合）下，得到優(yōu)化的性能指標(biāo)所需要的配置參數(shù)是不同的。這種復(fù)雜的對(duì)應(yīng)關(guān)系在大數(shù)據(jù)環(huán)境下不太可能以人工完成，需要利用數(shù)據(jù)分析、關(guān)聯(lián)、聚類等機(jī)器學(xué)習(xí)理論加以解決。首先，需要在龐大而復(fù)雜的數(shù)據(jù)中建立起各種性能指標(biāo)與各種配置參數(shù)之間的對(duì)應(yīng)關(guān)系，而且這種對(duì)應(yīng)關(guān)系是動(dòng)態(tài)變化的，需要?jiǎng)討B(tài)學(xué)習(xí)優(yōu)化；其次，需要對(duì)對(duì)應(yīng)相同的性能指標(biāo)的不同參數(shù)進(jìn)行關(guān)聯(lián)度分析，即每種參數(shù)與這個(gè)性能指標(biāo)的關(guān)聯(lián)程度分析。這也是需要?jiǎng)討B(tài)學(xué)習(xí)優(yōu)化的，因?yàn)檫@也是依賴網(wǎng)絡(luò)的狀態(tài)的，在某些狀態(tài)下可能某些參數(shù)的關(guān)聯(lián)度高，在某些情況下可能另外一些參數(shù)的關(guān)聯(lián)度高。然后，要根據(jù)分析得到的關(guān)聯(lián)度進(jìn)行排序，從而確定出在當(dāng)前網(wǎng)絡(luò)狀態(tài)下優(yōu)化某種性能指標(biāo)最優(yōu)的參數(shù)配置列表。另外，還要分析出當(dāng)前最需要優(yōu)化的指標(biāo)是什么。在這個(gè)過(guò)程中，需要關(guān)注沖突的協(xié)調(diào)。明確了當(dāng)前的優(yōu)化指標(biāo)以及要優(yōu)化這個(gè)指標(biāo)所需要調(diào)整的參數(shù)列表之后，需要運(yùn)用智能且高效的學(xué)習(xí)理論和方法得到最優(yōu)的參數(shù)值配置方案。根據(jù)以上分析，可以對(duì)未來(lái)移動(dòng)通信系統(tǒng)中基于大數(shù)據(jù)的智能網(wǎng)絡(luò)自優(yōu)化框架進(jìn)行設(shè)計(jì)（見圖4）。涉及到的步驟如下：步驟1：從未來(lái)移動(dòng)通信網(wǎng)絡(luò)中收集各類數(shù)據(jù)步驟2：對(duì)收集到的各類數(shù)據(jù)所組成的大數(shù)據(jù)進(jìn)行清洗和簡(jiǎn)單的整理分類收集到的各類數(shù)據(jù)不僅數(shù)量巨大，還具有非結(jié)構(gòu)化的特點(diǎn)，需要依靠大數(shù)據(jù)的專業(yè)技術(shù)進(jìn)行初步整理。這部分工作可以選用一些大數(shù)據(jù)商用軟件進(jìn)行，在本課題中不作為研究?jī)?nèi)容。表1移動(dòng)通信網(wǎng)絡(luò)中可用于網(wǎng)絡(luò)自優(yōu)化的參數(shù)舉例圖3數(shù)據(jù)的時(shí)間維度距離步驟3：建立性能指標(biāo)與配置參數(shù)及狀態(tài)參數(shù)間的對(duì)應(yīng)關(guān)系這一過(guò)程是框架的重點(diǎn)內(nèi)容之一，需要實(shí)現(xiàn)的功能包括：建立性能指標(biāo)與配置參數(shù)的對(duì)應(yīng)關(guān)系如前所述，網(wǎng)絡(luò)的各種性能指標(biāo)與網(wǎng)絡(luò)配置參數(shù)之間的對(duì)應(yīng)關(guān)系通常是多對(duì)多的復(fù)雜對(duì)應(yīng)，而不是一對(duì)一的簡(jiǎn)單對(duì)應(yīng)關(guān)系。在未來(lái)基于大數(shù)據(jù)的網(wǎng)絡(luò)自優(yōu)化方案中，需要通過(guò)一些大數(shù)據(jù)分析、聚類等技術(shù)建立這種復(fù)雜的對(duì)應(yīng)關(guān)系。對(duì)影響相同的性能指標(biāo)的多種參數(shù)進(jìn)行關(guān)聯(lián)度分析雖然多個(gè)網(wǎng)絡(luò)配置參數(shù)都會(huì)對(duì)某一項(xiàng)性能指標(biāo)產(chǎn)生影響，但是影響程度，或者說(shuō)關(guān)聯(lián)程度是不同的，需要進(jìn)行關(guān)聯(lián)度的分析。并且，這種關(guān)聯(lián)程度是根據(jù)網(wǎng)絡(luò)的狀態(tài)而改變的，也即不同狀態(tài)的情況下，關(guān)聯(lián)程度可能是不同的，因此需要進(jìn)行動(dòng)態(tài)的學(xué)習(xí)和分析。對(duì)影響相同的性能指標(biāo)的多種參數(shù)進(jìn)行關(guān)聯(lián)度排序關(guān)聯(lián)度排序的目的是為減少后續(xù)網(wǎng)絡(luò)優(yōu)化的復(fù)雜度，通過(guò)排序，可以選擇關(guān)聯(lián)度高的參數(shù)（可以是多個(gè)）作為優(yōu)化某一性能指標(biāo)的途徑，實(shí)現(xiàn)降維。沖突協(xié)調(diào)上述步驟為沖突協(xié)調(diào)也提供了必要的準(zhǔn)備，在此基礎(chǔ)上，可以根據(jù)需要進(jìn)行聯(lián)合優(yōu)化等沖突協(xié)調(diào)處理。步驟4：明確優(yōu)化目標(biāo)以及優(yōu)化途徑根據(jù)網(wǎng)絡(luò)的狀態(tài)和性能指標(biāo)，需要首先明確當(dāng)前的優(yōu)化目標(biāo)具體是哪一項(xiàng)或者哪幾項(xiàng)。其次，還要根據(jù)步驟3的結(jié)果，確定為了優(yōu)化該性能指標(biāo)需要調(diào)整的網(wǎng)絡(luò)配置參數(shù)列表。在步驟3和步驟4中，需要利用大數(shù)據(jù)分析、聚類等算法，例如數(shù)據(jù)挖掘中的關(guān)聯(lián)分析、Apriori算法、頻繁模式增長(zhǎng)FP-growth算法、主成分分析PCA等。具體算法將在后續(xù)研究中進(jìn)行設(shè)計(jì)比較。步驟5：通過(guò)機(jī)器學(xué)習(xí)確定最優(yōu)網(wǎng)絡(luò)參數(shù)配置在步驟4的基礎(chǔ)上，已經(jīng)明確了要優(yōu)化的性能指標(biāo)，以及優(yōu)化這一性能指標(biāo)所需要調(diào)整的參數(shù)列表，接下來(lái)的任務(wù)就是如何根據(jù)網(wǎng)絡(luò)的狀態(tài)得到最優(yōu)的參數(shù)配置值。這一部分需要利用機(jī)器學(xué)習(xí)的方法進(jìn)行，接下來(lái)將討論在網(wǎng)絡(luò)自適應(yīng)優(yōu)化中應(yīng)用各種機(jī)器學(xué)習(xí)算法時(shí)需要考慮的因素，以及各種機(jī)器學(xué)習(xí)算法所適用的自適應(yīng)優(yōu)化領(lǐng)域。步驟6：根據(jù)步驟5的結(jié)果調(diào)整網(wǎng)絡(luò)中的參數(shù)配置結(jié)束。3.4網(wǎng)絡(luò)智能優(yōu)化中機(jī)器學(xué)習(xí)算法分析。各種機(jī)器學(xué)習(xí)的算法應(yīng)用于不同的智能優(yōu)化領(lǐng)域時(shí)，需要考慮可擴(kuò)展性、訓(xùn)練時(shí)間、響應(yīng)時(shí)間、訓(xùn)練數(shù)據(jù)大小、復(fù)雜度、準(zhǔn)確性、收斂時(shí)間以及收斂可靠性等性能。而不同的優(yōu)化目標(biāo)下對(duì)各類性能指標(biāo)要求并不相同，例如移動(dòng)性管理以及切換優(yōu)化對(duì)于訓(xùn)練時(shí)間、響應(yīng)時(shí)間以及收斂時(shí)間的要求很高，緩存優(yōu)化需要準(zhǔn)確地決定在合適的時(shí)間合適的地點(diǎn)緩存合適的內(nèi)容，因而對(duì)算法的準(zhǔn)確性要求較高。根據(jù)不同算法在各個(gè)性能指標(biāo)方面的優(yōu)劣，表2給出了目前研究中各個(gè)智能優(yōu)化領(lǐng)域常用的機(jī)器學(xué)習(xí)算法。

4結(jié)束語(yǔ)

未來(lái)移動(dòng)通信系統(tǒng)功能更加強(qiáng)大，網(wǎng)絡(luò)結(jié)構(gòu)更加復(fù)雜，現(xiàn)有的網(wǎng)絡(luò)自適應(yīng)優(yōu)化理論和方法在面對(duì)日益復(fù)雜的移動(dòng)通信網(wǎng)絡(luò)時(shí)，需要提高其智能性、主動(dòng)性。本文分析了各類機(jī)器學(xué)習(xí)理論和未來(lái)網(wǎng)絡(luò)中的數(shù)據(jù)特點(diǎn)，提出了初步的智能優(yōu)化框架，并對(duì)各類機(jī)器學(xué)習(xí)算法在不同的網(wǎng)絡(luò)優(yōu)化領(lǐng)域的適用性進(jìn)行了分析。

參考文獻(xiàn)

[1]IMT-2020推進(jìn)組.5G愿景與需求白皮書.2014(5).

[2]彭木根,李勇,梁棟,等.寬帶移動(dòng)通信系統(tǒng)的網(wǎng)絡(luò)自組織(SON)技術(shù)[M].北京郵電大學(xué)出版社,2013(10).

[3]3GPPTS32.500.TelecommunicationManagementSelf-Orga-nizingNetworks(SON)ConceptsandRequirementsR9[S].2009.

[4]3GPPTS36.902.EvolvedUniversalTerrestrialRadioAccessNetwork(E-UTRAN)Self-configuringandseld-optimizingnet-work(SON)usecasesandsolutionsR9[S].2010.

作者:顧昕鈺 單位:北京郵電大學(xué)