[发明专利]基于机器学习的5G网络切片资源分配方法

说明书

本发明涉及基于机器学习的5G网络切片资源分配方法，包括：通过机器学习算法建立单结点决策树，并对接入用户通过决策树模型分配网络切片。本发明的有益效果是：本发明可以根据当前无线通信系统中多用户请求的业务需求与以及服务器可分配给用户的网络切片资源，通过机器学习的方法建立决策树模型，并按需地调整各层次结点特征与分类参数。基于此结果，系统可以动态地调整对供给于各用户网络切片的类型与数目，使得系统内各个用户在获得专用网络切片资源的基础上，各项业务的服务质量(QoS)需求在总体上最大化满足。

技术领域

本申请属于通信技术领域，尤其涉及一种基于机器学习的5G网络切片资源分配方法。

背景技术

5G架构中的大量业务遍布不同行业、不同用户、不同业务，对通信质量也有不同的要求。国际电信联盟提出的5G应用场景包括：增强移动带宽(enhanced Mobile Broadband，eMBB)、大规模机器通信(massive Machine Type Communications，mMTC)和超高可靠低延时通信(Ultra-Reliable and Low Latency Communications，URLLC)。三种业务场景对速率、时延、可靠性等指标提出了不同的需求。网络切片技术要求运营商在同一个硬件网络设备的基础上构建虚拟的专用化网络块，分配给不同用户以满足用户对网络性能指标的不同要求。在多业务场景下，单一用户可能处理多项不同业务，因而对不同的网络指标都有较高的要求，而类型固定的网络切片无法完全满足多变的用户需求。当存在多个需求指标时，系统应当区分用户各项指标的优先级以保证主要业务的正常运行，因此在分配网络切片时需要采取一种分配策略，使每个用户分配的网络切片都能较好地适应对应的业务，同时系统内所有用户的主要性能指标效率整体上最大化。

目前5G网络切片的应用中，通常采用预先配置规则的方式分配网络切片，这种方法虽然能根据用户的实际需求提供合适的网络切片，但是无法动态地从全局多用户角度调整资源分配策略。这种按照业务请求时序分配资源的方式难以做到不同用户之间的公平性，造成资源的浪费。

发明内容

本申请的目的是克服现有技术中的不足，提供一种基于机器学习的5G网络切片资源分配方法，所述技术方案如下：

第一方面，提供了一种网络切片分配方法，所述方法由第一节点执行，所述方法包括：

步骤1、通过机器学习算法建立单结点决策树；

步骤2、对接入用户通过决策树模型分配网络切片。

作为优选，步骤1包括具体以下步骤：

步骤1.1、输入数据集、可用于判别的特征指标、所述特征指标的分类方式、决策树的构造阈值；

步骤1.2、建立单结点决策树，计算各项特征指标的信息增益，选取最大的信息增益对应的特征指标作为主结点；

步骤1.3、在步骤1.2中，如果某一个结点下，所有特征指标分类的信息增益都小于提前设定的构造阈值，那么视为该结点下的所有数据都分为同一类别；

步骤1.4、对所有的未被标记为某个类别的叶结点再次计算信息增益并计算最优的特征指标，重复上述步骤1.2与步骤1.3，直至所有叶结点内的数据属于同一个类别。

作为优选，所述方法还包括：

步骤3、接入用户改变或用户业务需求变化时，对接入用户通过决策树模型重新分配网络切片。

作为优选，机器学习模型在训练决策树时，将信息增益作为选择结点特征的准则。

作为优选，信息增益可以被表示为：

g(D，A)＝H(D)-H(D|A)