[发明专利]基于深度学习和网络参数估计无线接入点吞吐量的方法

说明书

本发明公开一种基于深度学习和网络参数估计无线接入点吞吐量的方法，该方法包括如下步骤：(1)获取无线局域网络中AP端的吞吐量作为样本，对吞吐量数据做预处理，制作数据集X；(2)根据VAE的异常值检测方法，训练数据集X，获得异常值检测模型；(3)根据VAE的异常值检测方法，对数据集X进行全网AP吞吐量数据异常值过滤，制作新的数据集X¹；(4)根据数据集X¹，基于浅层神经网络进行训练，根据输入无线局域网络背景环境特征的显著度，逐步筛选出重要特征，制作新的数据集X²；(5)根据数据集X²，基于深度多层感知机网络进行训练，估计出AP端实时吞吐量。本发明能有效提高AP端吞吐量预测的准确率和效率。

技术领域：

本发明涉及一种基于深度学习和网络参数估计无线接入点吞吐量的方法，属于深度学习、智能通信领域，尤其涉及无线局域网接入点(AP)吞吐量预测的方法。

背景技术：

随着通信技术的进一步发展，无线网络已经覆盖到了人类生活的每个角落。现阶段，在公司、学校、商场各个角落都有着自己的无线网络，人们对于无线网络的依赖与日倍增。此外，随着5G技术的蓬勃发展，无线网络对于无人驾驶、无人机、智慧医疗、工业互联网等领域的发展也有着重大的促进作用，工业界对于无线网络通信的实时性、可靠性也提出了更高的要求。然而无线通信信道资源是有限的，随着无线接入点(AP)数量的增加，AP之间的相互干扰也日益严重，这极大地影响了用户体验，对工业界的影响更加严重。因此很多大型互联网公司或IT设备服务提供商会采用优化无线网络参数配置的方法来提升网络性能与终端用户体验。

传统无线网络调优算法大部分是基于AP之间的干扰强度进行频谱资源分配与调节，通过调节、分配网络参数来降低无线网络干扰。在频谱分配过程中，较少的考虑无线局域网络环境实际工作状态，无线频谱资源利用率较低。若能够通过建立数学模型，根据网络环境参数估计当前时刻的网络运行状态，在此基础上进行频谱资源分配，即可以极大提升无线网络性能，提高无线频谱资源的利用率。无线局域网络AP端实时吞吐量是反应当前时刻网络运行状态的重要组成部分。

AP端实时吞吐量预测，本质上是一种参数拟合问题，可以根据无线局域网络硬件参数、实际人员分布等背景环境特征来预测当前时刻AP端的实时吞吐量。神经网络可以利用矩阵的线性变换与非线性变化来有效提取无线局域网络环境特征，预测当前时刻无线局域网络AP端吞吐量。因为无线局域网络采用的是载波监听冲突避免(CSMA/CA)协议，且吞吐量样本也会存在缺失、0值等统计问题，所以吞吐量样本中常含有异常值，这对无线网络AP吞吐量的预测带来了极大的挑战。

发明内容：

本发明的目的是克服现有技术不足，本发明的目的在于设计一种基于深度学习和网络参数估计无线接入点吞吐量的方法，通过变分自编码器进行吞吐量异常值检测、过滤与替换，在此基础上采用深度多层感知机网络进行网络背景特征提取与预测，提高AP端吞吐量预测的准确率和效率。

上述目的通过以下技术方案来实现：

基于深度学习和网络参数估计无线接入点吞吐量的方法，该方法包括如下步骤：

(1)获取无线网络中AP端的吞吐量与网络背景环境特征作为样本，对吞吐量数据做预处理，制作数据集X；

(2)根据基于变分自编码器网络(VAE)的异常值检测方法，训练数据集X，获得异常值检测模型；

(3)根据基于变分自编码器网络(VAE)的异常值检测方法，进行全网AP吞吐量数据异常值过滤，制作新的数据集X¹；

(4)根据数据集X¹，基于浅层神经网络进行训练，根据输入无线局域网络背景环境特征的显著度，逐步筛选出重要特征，制作新的数据集X²，具体方法为：