[发明专利]资源配置方法、装置、基站和存储介质

说明书

本申请涉及一种资源配置方法、装置、基站和存储介质，基站获取当前接入基站的所有用户设备的能力参数；然后，将能力参数输入深度学习模型中，得到与能力系数参数匹配的资源配置方式；其中，资源配置方式包括不同资源类型对应的资源大小；最后，根据资源配置方式，配置信道资源池中的资源。采用上述方法可以提升资源配置的合理性。

技术领域

本申请涉及通信技术领域，特别是涉及一种资源配置方法、装置、基站和存储介质。

背景技术

随着移动网络宽带化和移动终端智能化的快速普及，移动网络已经遍布在人类社会生活中的每一个角落，用户对移动通信有着更进一步的期待，对应用多样化、服务质量、业务体验的要求与日俱增。然而，由于移动通信系统的资源是受限的，而且将融合各种无线接入技术以及各种多媒体数据业务，如何在复杂多变的通信环境中，合理而有效地分配及调度无线资源，成为了未来移动通信领域亟待解决的重点问题。

现有技术中，基站根据业务质量等指示，在信道资源池中分配不同类型的资源的数量。但是，采用上述方法容易导致资源配置不合理。

发明内容

基于此，有必要针对上述技术问题，提供一种资源配置方法、装置、基站和存储介质。

一种资源配置方法，上述方法包括：

获取当前接入基站的用户设备的能力参数；

将能力参数输入深度学习模型中，得到与能力系数参数匹配的资源配置方式；资源配置方式包括不同资源类型对应的资源大小；

根据资源配置方式，配置信道资源池中的资源。

在一个实施例中，上述能力参数为所有用户设备的带宽能力、实时响应能力、数据处理能力以及业务续航能力形成的多维能力向量。

在一个实施例中，上述深度学习模型的建立方法包括：

在资源配置稳定的历史资源池中，获取训练样本集；训练样本集包括历史资源池对应的历史能力参数，以及历史能力参数对应的历史资源池的历史资源分配结果；

将历史能力参数作为初始深度学习模型的输入，将历史能力参数对应的历史资源分配结果作为初始深度学习模型的参考输出，对初始深度学习模型进行训练，得到深度学习模型。

在一个实施例中，上述在资源配置稳定的历史资源池中，获取训练样本集，包括：

根据历史资源池的调整时间间隔，确定历史资源池是否资源配置稳定；调整时间间隔为相邻两次对历史资源池进行资源配置调整的时间之间的间隔；

若是，则获取历史资源池对应的历史能力参数，以及历史资源池的历史资源分配结果。

在一个实施例中，上述根据历史资源池的调整时间间隔，确定历史资源池是否资源配置稳定，包括：

若调整时间间隔大于预设间隔阈值，则确定历史资源池在调整时间间隔内配置稳定。

在一个实施例中，上述对历史资源池进行资源配置调整，包括：

若历史资源池中，资源类型对应的空闲资源的比例大于预设的上限阈值，则根据预设的负值步进，减少资源类型的资源量；

若历史资源池中，资源类型对应的空闲资源的比例小于预设的下限阈值，则根据预设的正值步进，增大资源类型的资源量。

在一个实施例中，上述根据资源配置方式，配置信道资源池中的资源，包括：

确定信道资源池是否为训练样本集对应的历史资源池；

若否，则根据资源配置方式，配置信道资源池中的资源；