[发明专利]用于使用人工生命的动态网络配置和优化的方法和设备

说明书

一种用于在通信网络中推荐配置改变的方法。所述方法包括：维持（102）多个机器学习过程，其中个体机器学习过程基于数据模型和决策规则来操作，并且多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作。所述方法还包括从所述通信网络的网元获得（104）关键性能指标KPI的值以及获得目标（106），所述目标（106）定义表征通信网络的期望操作的至少一个KPI值。所述方法还包括基于所接收的KPI的值并且使用所述数据模型和决策规则，通过所述多个机器学习过程来产生（108）多个个体推荐；以及基于所产生的个体推荐来产生输出推荐（110）。还公开了实现上述方法的设备。

技术领域

一般来说，本发明涉及通信网络，并且特别地涉及通过使用人工生命物种进行数据挖掘的动态网络配置和优化。

背景技术

通信网络运营商和网络运营中心连续收集和监测网元（NE）的性能数据和关键性能指标（KPI），以便测量被管网络（managed network）的性能和可靠性。KPI给出运营商（operator）量化度量，这帮助他们优化网络服务质量（QoS）并满足服务水平协议（SLA）。运营商定义在特定KPI的预定阈值被突破时触发的警报。当触发警报时，运营商采取适当的动作来应对引起故障状况的问题。但是，配置警报是有问题的。如果警报太灵敏，则它可以响应于正在自校正的状况而触发，从而使得它变得不太有用。如果警报不够灵敏，则在通知运营商之前潜在的状况可能顺利继续进行，从而导致延迟纠正该问题。

自组织网络（SON）中的对象可以根据需要配置或重新配置它们自己，以便实现最佳性能。SON执行三个主要功能。

a）自配置，由此新部署的对象（例如，诸如eNodeB之类的网元）可以配置它们的身份、传输频率和功率，从而导致更快的小区规划和首次展示（rollout）。

b）自优化，其包括覆盖范围、容量、切换和干扰的优化。

c）自修复，其通过调整相邻小区中的参数和算法来降低无法操作的节点的影响，从而支持由故障节点曾支持的用户。

目前，已经实现了仅数量有限的SON功能。这些包括自动邻居关系（ANR）、物理层小区身份（PCI）冲突检测和休眠小区检测。计划更多SON特征。在历史上，每个新解决方案都是单独设计和实现的。这些解决方案使用复杂的算法，并且可能要求运营商细调（fine-tune）配置参数。

发明内容

本发明的目的是提供一种用于推荐通信网络中的配置改变的改进方法和设备。

根据本发明的第一方面，提供有一种用于在通信网络中推荐配置改变的方法。所述方法包括：维持多个机器学习过程，其中个体机器学习过程基于数据模型和决策规则来操作。多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作。所述方法还包括：从所述通信网络的网元获得关键性能指标KPI的值，以及获得目标，所述目标定义表征所述通信网络的期望操作的至少一个KPI值。此外，所述方法包括：基于所接收的KPI的值并且使用所述数据模型和决策规则，通过所述多个机器学习过程来产生多个个体推荐，其中个体推荐给出需要被配置成实现所述目标的至少一个参数的值。所述方法还包括基于所产生的个体推荐来产生输出推荐。

根据本发明的第二方面，提供有一种用于在通信网络中推荐配置改变的设备。所述设备包括处理电路和存储器。所述存储器包含由所述处理电路可执行的指令以使得所述设备可操作以：维持多个机器学习过程，其中个体机器学习过程基于数据模型和决策规则来操作。所述多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作。所述设备还可操作以从通信网络的网元获得关键性能指标KPI的值；以及可操作以获得目标，所述目标定义表征所述通信网络的期望操作的至少一个KPI值。所述设备还可操作以基于所接收的KPI的值并且使用所述数据模型和决策规则，通过所述多个机器学习过程来产生多个个体推荐。个体推荐给出需要被配置成实现所述目标的至少一个参数的值。所述设备还可操作以基于所产生的个体推荐来产生输出推荐。