利用数据挖掘网络智能感知与自适应优化.docVIP

利用数据挖掘网络智能感知与自适应优化 　　摘要：文章提出了一种利用数据挖掘的自适应优化方法。该方法将自优化问题与数据挖掘技术相结合，利用数据挖掘技术对海量数据进行处理，找出表示其中内在规律的知识，利用这些知识进行网络自适应优化。文章以通话业务时长预测分析为例进行分析，结果表明利用数据挖掘进行业务预测的精度高于传统的统计分析方法，论文分析在C-RAN架构下利用数据挖掘对网络状态进行预测是可行的。 　　关键词：自优化；数据挖掘；C-RAN架构网络；基带资源池 　　Abstract：In this paper， we propose a self-optimization method based on data mining. With this method， mass data can be processed and laws can be found for self-optimization. We analyze call service prediction and show that using data mining to predict services is more accurate than using statistical methods to predict services. We present data mining technology that can be used for network prediction in a C-RAN architecture. 　　Key words：self-optimization； data mining； C-RAN networks； baseband resource pool 　　自组织（Self-organizing）一词来自于物理学中，指的是这样的一类物理现象：系统无需外界指令，而能自行组织，自行创生，自行演化。根据物理学家的研究成果，系统演化的动力是系统中各个个体之间通过竞争，使得个体与个体存在协同性，从而使系统表现出一个或几个趋势。也就是说，是系统中的不同个体之间的相互作用，形成了整体的一种规律的表现[1]。 　　在文献[2]中，Christian Prehofer和Christian Bettstetter首先将自组织的概念引入到通信网络中，通过通信网络中的个体感知网络中可以感知的环境，并且对环境进行自适应的调整，以这种网络中单个实体的行为来实现网络的整体优化。在该文献中还阐述了自组织网络应该具有自配置、自优化和自愈合3个功能，其后，学术界多从这3个方面开展自组织网络的研究。 　　网络自优化问题显然是自组织网络中的一个重要的方面，是指网络设备在网络的运行过程中，自适应地调整自身的参数或者相关的资源管理策略，以达到提高网络性能的目的。自优化技术对于节省优化人员工作，降低网络的运营维护成本具有重要的意义。 　　目前已经有网络的自优化方法的相关研究，比如在文献[3]中已经指出，自组织网络中的自优化内容可以是容量、无线网络的覆盖优化，并且给出了无线网络中容量与小区覆盖的自组织优化流程。它包括3个步骤：容量和覆盖问题检测、做出参数调整决策、调整决策的执行。其中容量和覆盖问题检测是检测网络状态，而参数调整决策则是通过一定的算法来对参数调整方案进行求解，调整决策执行包括功率发射参数、小区重选优先级以及天线下倾角以及天线俯仰角等参数的优化；在文献[3]中还指出了自组织移动健壮优化，包括切换管理与负载均衡的优化，指出从接入策略的角度可以实现快速移动、慢速移动用户的区别对待，从而使得网络资源利用更加优化。 　　上述提出的这些自组织优化具很高的价值，然而在演进型基站（eNodeB）中，单纯地通过一个小区中的数据来进行优化显然是不足的。比如，针对移动用户的覆盖与容量自组织优化，不仅需要邻居小区列表，而且需要邻居小区的覆盖情况信息；再比如切换与负载问题中，单纯地从一个小区的信息来进行优化，显然不能够对终端的移动性进行预测，小区之间的负载均衡也会因此而性能不够理想，这就需要不同小区之间信息的相互交互，但是这样就会增加网络开销。 　　1 数据挖掘技术相关背景 　　1.1 数据挖掘技术 　　最近这些年来，随着科学技术和信息技术的发展，人们所接触到的信息量种类越来越多，信息量越来越大。而这些海量的信息中虽然蕴含着我们所想知道的一些知识，但是需要对这些数据进行处理，将所需要的知识挖掘出来，这就是数据挖掘的产生背景与目的。 　　数据挖掘是通过仔细分析大量数据来揭示其中有意义的新关系新趋势的过程，从大量的数据中提取其中人们所关心的一些潜在的信息知识的过程。该研究领域是一门将人工智能、数据库技术、统计学、机器学习和模式识别等多个领域相互融合的技