一种大规模物联设备的接入方法及系统

技术领域

本发明涉及无线通信领域，尤其涉及一种大规模物联设备的接入方法及系统。

背景技术

物联网是一种利用移动基站进行通信的窄带低功耗广域网络技术，它使用了授权的频段，可直接部署于现有的移动通信网络上，需要运营商提供服务和支持。物联网主要针对低功耗的、广域范围的、传输数据量小且更新频率也不高的物联网设备，适合于像路灯、停车、共享单车、物流集装箱、空气监测仪等各种户外场景。

在将无线接入网与物联设备连接时往往采用传统的随机接入过程，即只提供高速率下行链路服务，而且，物联设备的事件驱动上传方式在特定的时间间隔进行数据上报，不同于周期性上报，物联设备的事件驱动没有预先确定的上传时间点，从而导致无线接入网的基站不能有效分配资源。特别是当进行大规模的物联设备与无线接入网络连接时，无线接入网所对应的基站在应对数千个物联设备的短数据包同时上行数据时会造成网络拥塞和丢包，影响无线接入网整体性能，不能满足6G场景指标要求的上行低延时、高可靠、高密度等的物联网络需求。

发明内容

本发明所要解决的技术问题在于，提供一种大规模物联设备的接入方法及系统，能够有效分配无线资源，减少无线资源配置时间并提高网络性能，避免出现网络拥塞、延迟、资源浪费等。

为了解决上述技术问题，本发明第一方面公开了一种大规模物联设备的接入方法，所述方法包括：基于物联设备事件驱动的上传时间点的行为模式生成预测模型； 根据所述预测模型对待接入的物联设备的上传时间点进行预判断生成物联设备的预上传时间点；根据所述物联设备的预上传时间点和物联设备的网络服务质量需求为所述物联设备分配上行链路的无线资源，其中，所述无线资源至少包括无线承载调度、无线带宽管理和无线功率控制的其中一种或多种。

在一些实施方式中，所述基于物联设备事件驱动的上传时间点的行为模式生成预测模型，包括：将所述物联设备的时间线配置为相同长度的时间序列；记录所述物联设备在所述时间序列的物联设备事件驱动的上传时间点，并生成具有时间序列长度和时间序列数量的二维矩阵；将物联设备事件驱动的超出所述时间序列的时间点作为用于判断物联设备是否发生数据上传的数据集标签；将所述二维矩阵和所述数据集标签输入到长短期记忆网络模型中进行训练生成预测模型。

在一些实施方式中，所述生成具有时间序列长度和时间序列数量的二维矩阵，之后包括：获取多个二维矩阵生成具有时间序列长度、时间序列数量和物联设备数量的三维矩阵；将所述三维矩阵和所述数据集标签输入到长短期记忆网络模型中进行训练生成预测模型。

在一些实施方式中，该方法还包括:通过贝叶斯优化器修改所述时间序列的长度值。

在一些实施方式中，所述方法还包括：通过布尔目标函数评估所述预测模型的精度值。

根据本发明的第二个方面，提供了一种大规模物联设备的接入系统，所述系统包括：预测模型，用于基于物联设备事件驱动的上传时间点的行为模式生成预测模型；预测模块，用于根据所述预测模型对待接入的物联设备的上传时间点进行预判断生成物联设备的预上传时间点；资源分配模块，用于根据所述物联设备的预上传时间点和物联设备的网络服务质量需求为所述物联设备分配上行链路的无线资源，其中，所述无线资源至少包括无线承载调度、无线带宽管理和无线功率控制的其中一种或多种。

在一些实施方式中，预测模型，包括：配置单元，用于将所述物联设备的时间线配置为相同长度的时间序列；第一参数单元，用于记录所述物联设备在所述时间序列的物联设备事件驱动的上传时间点，并生成具有时间序列长度和时间序列数量的二维矩阵；第二参数单元，将物联设备事件驱动的超出所述时间序列的时间点作为用于判断物联设备是否发生数据上传的数据集标签；训练单元，用于将所述二维矩阵和所述数据集标签输入到长短期记忆网络模型中进行训练生成预测模型。

在一些实施方式中，所述预测模型还包括：第三参数单元，用于获取多个二维矩阵生成具有时间序列长度、时间序列数量和物联设备数量的三维矩阵；所述训练单元，还用于将所述三维矩阵和所述数据集标签输入到长短期记忆网络模型中进行训练生成预测模型。

在一些实施方式中，该系统还包括：优化模块，用于通过贝叶斯优化器修改所述时间序列的长度值。

在一些实施方式中，该系统还包括：评估模块，用于通过布尔目标函数评估所述预测模型的精度值。

与现有技术相比，本发明的有益效果在于：

实施本发明能够使用深度学习的方法挖掘事件驱动的物联设备间上传时间点的内在行为模式，并且对物联设备的上传时间点进行预判断，从而有效分配无线资源（无线承载调度，带宽管理和功率控制等），进而减少无线资源配置时间并提高网络性能，避免出现网络拥塞、延迟、资源浪费等，以此达到6G车联网、工业制造5.0、远程医疗等业务场景需求的低延时、高可靠、高密度指标。

附图说明

图1为本发明实施例公开的一种大规模物联设备的接入的方法流程示意图；

图2为本发明实施例公开的一种深度学习模型的框架示意图；

图3为本发明实施例公开的一种大规模物联设备的接入系统示意图；

图4为本发明实施例公开的一种大规模物联设备的接入的交互装置结构示意图。

具体实施方式

为了更好地理解和实施，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

本发明实施例公开了一种大规模物联设备的接入方法及系统，能够使用深度学习的方法挖掘事件驱动的物联设备间上传时间点的内在行为模式，并且对物联设备的上传时间点进行预判断，从而有效分配无线资源（无线承载调度，带宽管理和功率控制等），进而减少无线资源配置时间并提高网络性能，避免出现网络拥塞、延迟、资源浪费等，以此达到6G车联网、工业制造5.0、远程医疗等业务场景需求的低延时、高可靠、高密度指标。

实施例一

请参阅图1，图1为本发明实施例公开的一种大规模物联设备的接入方法的流程示意图。其中，该大规模物联设备的接入方法可以应用在无线接入网系统，用于接入大规模、大批量的物联设备或其他设备，对于该应用系统本发明实施例不做限制。如图1所示，该大规模物联设备的接入方法可以包括以下操作：

101、基于物联设备事件驱动的上传时间点的行为模式生成预测模型。

由于物联设备事件驱动的上传方式是物联设备会在特定的时间间隔进行数据上报，不同于周期性上报，事件驱动的上报方式是没有预先确定的上传时间点的，这就会导致接入该物联设备的无线基站不能预先有效分配资源。而且特别是URLLC（Ultra ReliableLow Latency Communication，超可靠低时延）场景下的物联设备需要无线的大带宽才能满足其超低延时，超高可靠的需求，示例性地，远程驾驶需要上行速率>2.5Mbps, 延迟<5ms,可靠性>99.999%;智能运输系统需要上行速率>1.1Mbps, 延迟<10ms, 可靠性>99.999%。所以海量URLLC物联设备的接入对无线资源管理配置提出了挑战。

进一步地，无线网络里每个基站都需连接成千上万个物联设备，每个设备的上行时间规则并没有固定，但发明人发现设备间的上传时间存在一定的时间关联性，通过发明人的多次分析发现物联设备间上传的时间模式可有效根据物联设备的质量需求进行无线资源管理的预先配置，对于现有的无线网络一般使用固定的算法进行预测，但是在长期运营中将会使基站计算资源耗尽，因此，发明人选择采用统计学模型例如神经网络更适合减少计算功耗，增加网络资源利用率，提高上行速率和降低延迟。示例性地，选择长短期记忆（Long Short Term Memory）深度学习网络在时间线性系列预测上更合适及准确度更高。无线接入侧基础设施性能的提高，使深度学习模型训练过程变得更加高效和可靠。由此，在本实施例中以构建预测模型作主要阐述，具体实现为：首先，对每一个基站接入的物联设备配置标签，例如可以标记为（A、B、C、D、E……A1、B1、……AN、BN），将每个物联设备对应的时间线标记为相同长度的时间序列例如（1，2，3，…20）。作为优选实施方式在，时间序列的长度可以根据物联设备上传数据到对应基站的持续时间对该时序长度进行初始化，这样使得训练出来的LSTM模型能在训练过程中对时间序列长度进行参数调整，以便进行更有效的预判。

之后，记录物联设备在所述时间序列的物联设备事件驱动的上传时间点，示例性地，A物联设备在时间点1，3，6，9，12分别进行了数据上传，则记A20={10100100100100000000}, （0表示没上传，1表示上传）。若下一时间点如21超出了时间序列的时间点则作为用于判断物联设备是否发生数据上传的数据集标签，其余的物联设备B、C、D……均用同样方法记录时间线内的上传活动可以实现为存储如下包含时间序列及数据集标签的表格的形式。

将每个物联设备时间线的二维矩阵导入深度学习模型LSTM作为输入数据，进而统计挖掘基站连接设备间的数据上传关联模式。作为一种实施例，该深度学习模型可以实现为如图2所示的框架，由于该长短期记忆网络（Long Short Term Memory，简称LSTM）模型，本质上是一种特定形式的循环神经网络（Recurrent Neural Network，简称RNN)。LSTM模型在RNN模型的基础上通过增加门限（Gates）来解决RNN短期记忆的问题，使得循环神经网络能够真正有效地利用长距离的时序信息。LSTM在RNN的基础结构上增加了输入门（InputGate）、输出门（Output Gate）、遗忘门（Forget Gate）３个逻辑控制单元，且各自连接到了一个乘法元件上，通过设定神经网络的记忆单元与其他部分连接的边缘处的权值控制信息流的输入、输出以及细胞单元（Memory cell）的状态。

作为一种优选实施方式，在生成具有时间序列长度和时间序列数量的二维矩阵之后包括：获取多个二维矩阵生成具有时间序列长度、时间序列数量和物联设备数量的三维矩阵，将三维矩阵和所述数据集标签输入到长短期记忆网络模型中进行训练生成预测模型。由于多个物联设备同时进行二维矩阵的输入，则会使训练数据集变为三维矩阵，其中，代表三维矩阵的X、Y、Z轴可以分别表示为时间序列长度、时间序列数量和物联设备数量。将三维矩阵同二维矩阵一样输入到深度学习模型中以此来生成预测模型。

作为一种优选实施方式，对于时间序列的长度在进行超参数调整过程可以使用贝叶斯优化器逐步修改长度值，从而优化重构的时序长度。

作为一种优选实施方式，通过布尔目标函数评估预测模型的精度值。布尔目标函数（1为正确，0为错误）进行评估后，统计最终的物联设备上传时间行为预测精确度，使得LSTM深度学习模型在超参数调整后达到最优解，获得最佳预测精确度。

102、根据预测模型对待接入的物联设备的上传时间点进行预判断生成物联设备的预上传时间点。

对于训练后的预测模型来说，已经包含了物理设备的内在行为的关联，可以直接使用数据集标签中包含的预测时间点进行判断，训练后LSTM可以对基站连接的所有物联设备进行关联性分析，示例性地，设备B在设备A上传后的3个时间点后发生上传几率约0.8，为适配这个行为结构模式，我们可以使用多级熵表示，完全随机值（设备C）, 部分关联确定值（设备F和设备B2）和完全确定值（T）。

103、根据物联设备的预上传时间点和物联设备的网络服务质量需求为物联设备分配上行链路的无线资源，其中，所述无线资源至少包括无线承载调度、无线带宽管理和无线功率控制的其中一种或多种。

具体地，对于物理设备的网络服务质量需求可以由现有的网络服务需求的架构决定，对于不同的设备要求，选择不同的无线配置，对用户的信息流进行分类处理，在这种网络服务质量需求的架构中就可以匹配到物联设备所需要的无线配置，实现为其分配上行链路的无线资源。

根据本实施例提供的方法，能够使用深度学习的方法挖掘事件驱动的物联设备间上传时间点的内在行为模式，并且对物联设备的上传时间点进行预判断，从而有效分配无线资源（无线承载调度，带宽管理和功率控制等），进而减少无线资源配置时间并提高网络性能，避免出现网络拥塞、延迟、资源浪费等，以此达到6G车联网、工业制造5.0、远程医疗等业务场景需求的低延时、高可靠、高密度指标。

实施例二

请参阅图3，图3为本发明实施例公开的一种大规模物联设备的接入系统的示意图。其中，如图3所示，大规模物联设备的接入系统包括：

预测模型1，用于基于物联设备事件驱动的上传时间点的行为模式生成预测模型。

预测模块2，用于根据预测模型对待接入的物联设备的上传时间点进行预判断生成物联设备的预上传时间点。

资源分配模块3，用于根据物联设备的预上传时间点和物联设备的网络服务质量需求为物联设备分配上行链路的无线资源，其中，无线资源至少包括无线承载调度、无线带宽管理和无线功率控制的其中一种或多种。

具体地，预测模型1包括：配置单元101，用于将物联设备的时间线配置为相同长度的时间序列。第一参数单元102，用于记录物联设备在所述时间序列的物联设备事件驱动的上传时间点，并生成具有时间序列长度和时间序列数量的二维矩阵。第二参数单元103，将物联设备事件驱动的超出所述时间序列的时间点作为用于判断物联设备是否发生数据上传的数据集标签。训练单元104，用于将二维矩阵和所述数据集标签输入到长短期记忆网络模型中进行训练生成预测模型。具体实现为：首先，对每一个基站接入的物联设备配置标签，例如可以标记为（A、B、C、D、E……A1、B1、……AN、BN），将每个物联设备对应的时间线标记为相同长度的时间序列例如（1，2，3，…20）。作为优选实施方式在，时间序列的长度可以根据物联设备上传数据到对应基站的持续时间对该时序长度进行初始化，这样使得训练出来的LSTM模型能在训练过程中对时间序列长度进行参数调整，以便进行更有效的预判。

之后，记录物联设备在所述时间序列的物联设备事件驱动的上传时间点，示例性地，A物联设备在时间点1，3，6，9，12分别进行了数据上传，则记A20={10100100100100000000}, （0表示没上传，1表示上传）。若下一时间点如21超出了时间序列的时间点则作为用于判断物联设备是否发生数据上传的数据集标签，其余的物联设备B、C、D……均用同样方法记录时间线内的上传活动可以实现为存储如下包含时间序列及数据集标签的表格的形式。

将每个物联设备时间线的二维矩阵导入深度学习模型LSTM作为输入数据，进而统计挖掘基站连接设备间的数据上传关联模式。作为一种实施例，该深度学习模型可以实现为如图2所示的框架，由于该长短期记忆网络（Long Short Term Memory，简称LSTM）模型，本质上是一种特定形式的循环神经网络（Recurrent Neural Network，简称RNN)。LSTM模型在RNN模型的基础上通过增加门限（Gates）来解决RNN短期记忆的问题，使得循环神经网络能够真正有效地利用长距离的时序信息。LSTM在RNN的基础结构上增加了输入门（InputGate）、输出门（Output Gate）、遗忘门（Forget Gate）３个逻辑控制单元，且各自连接到了一个乘法元件上，通过设定神经网络的记忆单元与其他部分连接的边缘处的权值控制信息流的输入、输出以及细胞单元（Memory cell）的状态。

作为一种优选实施方式，预测模型1还包括：第三参数单元105，用于获取多个二维矩阵生成具有时间序列长度、时间序列数量和物联设备数量的三维矩阵。训练单元104，还用于将三维矩阵和所述数据集标签输入到长短期记忆网络模型中进行训练生成预测模型。具体实现为：获取多个二维矩阵生成具有时间序列长度、时间序列数量和物联设备数量的三维矩阵，将三维矩阵和所述数据集标签输入到长短期记忆网络模型中进行训练生成预测模型。由于多个物联设备同时进行二维矩阵的输入，则会使训练数据集变为三维矩阵，其中，代表三维矩阵的X、Y、Z轴可以分别表示为时间序列长度、时间序列数量和物联设备数量。将三维矩阵同二维矩阵一样输入到深度学习模型中以此来生成预测模型。

作为一种优选实施方式，该系统还包括：优化模块4，用于通过贝叶斯优化器修改时间序列的长度值。对于时间序列的长度在进行超参数调整过程可以使用贝叶斯优化器逐步修改长度值，从而优化重构的时序长度。

在一种优选实施方式，该系统还包括：评估模块5，用于通过布尔目标函数评估预测模型的精度值。布尔目标函数（1为正确，0为错误）进行评估后，统计最终的物联设备上传时间行为预测精确度，使得LSTM深度学习模型在超参数调整后达到最优解，获得最佳预测精确度。

根据本实施例提供的系统，能够使用深度学习的方法挖掘事件驱动的物联设备间上传时间点的内在行为模式，并且对物联设备的上传时间点进行预判断，从而有效分配无线资源（无线承载调度，带宽管理和功率控制等），进而减少无线资源配置时间并提高网络性能，避免出现网络拥塞、延迟、资源浪费等，以此达到6G车联网、工业制造5.0、远程医疗等业务场景需求的低延时、高可靠、高密度指标。

实施例三

请参阅图4，图4是本发明实施例公开的一种大规模物联设备的接入的交互装置的结构示意图。其中，图4所描述的大规模物联设备的接入的交互装置可以应用在无线接入系统，对于该大规模物联设备的接入的交互装置的应用系统本发明实施例不做限制。如图4所示，该装置可以包括：

存储有可执行程序代码的存储器601；

与存储器601耦合的处理器602；

处理器602调用存储器601中存储的可执行程序代码，用于执行实施例一所描述的大规模物联设备的接入方法。

实施例四

本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一所描述的大规模物联设备的接入方法。

实施例五

本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一所描述的大规模物联设备的接入的方法。

以上所描述的实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

最后应说明的是：本发明实施例公开的一种大规模物联设备的接入的方法及系统所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。