用于处理配置通信网络中的节点的参数的第一节点、第三节点、第四节点和由此执行的方法

摘要

一种由第一节点(111)执行的用于处理配置第二节点(112)的参数的方法。第一节点(111)确定(207)配置第二节点(112)的参数。确定(207)是基于生成式对抗网络进行的分析，该分析包括迭代地执行：i)生成被估计为与高于第一阈值的第一节点组(121)的性能有关联的参数集，以及ii)辨别所生成的参数集和被观察到与高于第一阈值的节点组(121)的性能有关联的第一参数集，以获得每个参数的得分。该得分指示所生成的参数与第一参数集不同的程度。所确定的参数具有低于另一个阈值的由辨别所产生的得分。第一节点(111)还输出包括所确定的参数的指示。

说明书

技术领域

本公开一般涉及用于处理配置通信网络中的第二节点的参数的第一节点和由此执行的方法。本公开还一般涉及用于处理配置通信网络中的第二节点的参数的第三节点和由此执行的方法。本公开进一步一般涉及用于处理配置通信网络中的第二节点的参数的第四节点和由此执行的方法。

背景技术

计算机系统可包括一个或多个节点。节点可包括一个或多个处理器(其连同计算机程序代码一起可以执行不同的功能和动作)、存储器、接收端口和发送端口。节点可以是例如服务器。节点可被包括在通信网络中。

通信网络内的一些类型的节点可以是无线设备，例如，站(STA)、用户设备(UE)、移动终端、无线终端、终端和/或移动台(MS)。无线设备被使得能够在蜂窝通信网络或无线通信网络(有时也被称为蜂窝无线电系统、蜂窝系统、或蜂窝网络)中无线地通信。通信可以例如经由无线电接入网络(RAN)和可能地被包括在电信网络内的一个或多个核心网络而在两个无线设备之间、在无线设备与普通电话之间、和/或在无线设备与服务器之间执行。无线设备还可以被称为移动电话、蜂窝电话、膝上型计算机、或具有无线能力的平板电脑，仅提及一些其他示例。在本上下文中的无线设备可以是例如便携式、可口袋存储式、手持式、计算机包括的、或车载的移动设备，其被使得能够经由RAN与另一个实体(诸如另一个终端或者服务器)传送语音和/或数据。

通信网络可以覆盖可被分成小区区域的地理区域，每个小区区域由另一类型的节点、网络节点或传输点(TP)服务，例如接入节点，诸如基站(BS)，例如无线电基站(RBS)，其有时可以被称为例如演进型节点B(“eNB”)、“eNodeB”、“节点B”、“B节点”、或BTS(基站收发台)，这取决于所使用的技术和术语。基于传输功率并由此还基于小区大小，基站可以具有不同类，诸如例如广域基站、中程基站、局域基站和家庭基站。小区是其中无线电覆盖由在基站站点处的基站提供的地理区域。位于基站站点的一个基站可以服务一个或多个小区。进一步地，每个基站可以支持一个或多个通信技术。任何小区也可以被称为节点。在本文中，在基站管理多于一个小区的情况下，当管理其中的一个小区时，节点通常可以是指一个基站。

在第三代合作伙伴项目(3GPP)长期演进(LTE)中，基站(其可以被称为eNodeB或甚至eNB)可以直接连接到一个或多个核心网络。LTE中的所有数据传输由无线电基站控制。

标准化组织3GPP当前正在规定被称为NR或5G-UTRA的新无线接口以及第五代(5G)分组核心网络(其可以被称为下一代核心网络，缩写为NG-CN、NGC、5G CN或5GC)的过程中。

包括5G接入网(AN)、5G核心网和UE的3GPP系统可以被称为5G系统。

在通信网络中的操作期间，节点(例如，小区)的性能可以变化。它可以是最佳的，或者它可以降级。节点的性能可以被理解为多个任务的执行的度量。可以通过一个或多个指示符、度量或参数来测量节点的性能。通过将节点中的这些参数的观察值与每个参数的相应阈值进行比较，可以确定节点中的性能是最佳的还是降级的。通常，在各种带宽(例如，700、1900和2100Hz)下工作的节点(诸如小区)的性能可能由于流量大、干扰、覆盖问题、天气因素和各种其他原因而降级。可以按照各种呼叫事件参数(诸如静音、乱码、软掉线、硬掉线、接入失败等)来测量性能降级。这些参数的测量可以每天从每个节点获得。这些事件参数以一致方式的降级可以被理解为指示节点的不良性能。例如，如果小区排名较高，则预期该小区可能经历较低百分比的静音、乱码、软掉线、硬掉线、接入失败事件，而如果小区排名较低，则它可能表现相反。

节点的不佳性能可导致处理、能量和时间-频率资源的浪费，进而导致网络的性能不佳以及不佳的用户体验。

发明内容

节点(例如，小区)性能的降级与节点的配置管理(CM)特性的变化具有重要的关系。通常，在现有方法中，取决于网络的生成，当问题已经出现时，也就是说，在事实或者事后反思后，或者在推出(roll-out)期间，在基站的安装期间，可以人工解决节点的降级的性能，以试图通过设计实现正确性。这两种方法可能是有问题的，因为在第一种方法中，问题已经出现，即性能的降级，而在第二种方法中，一旦基站被部署，则可能已经可用的特性可能由于环境问题(诸如例如，高温或维护不佳)而不再保持。因此，这两种方法仍然可能对通信网络中的节点的性能产生负面影响。

本文中的实施例的目的是改进通信网络中的节点的性能的处理。本文中的实施例的特定目的是改进配置通信网络中的节点的参数的处理。

本文中的实施例提供了使得能够以减轻并且甚至消除不佳性能的方式微调部署的方法。

本文中的实施例描述了一种将性能不良的节点恢复到其校正状态的自动校正方法。本文中的特定实施例可以描述远程调谐CM参数的自动化方法，以使得它们的配置可以最佳地适合它们的变化的流量场景。

作为朝向实现自动校正网络的步骤，可以首先识别可能需要校正的节点。然后，本文中的实施例可以推荐在该节点中可能需要的适合的CM参数变化以实现改进的性能。因此，本文中的实施例可以被理解为解决这两个问题：a)如何基于性能来对节点排序，以及b)可能需要改变什么CM参数以便纠正性能不良的节点。

本文中的实施例可以依赖于自动编码器方法以基于它们的历史性能数据来对节点排序。基于每日的排名，具有在配置管理参数中需要校正的较高机会的性能不良的节点可被列入入围名单，因为通常节点性能由于这些CM参数的错误配置而降级，同时打算随着全天变化的流量进行调整。

进一步特别地，本文中的实施例依赖基于无监督学习第二代神经网络的技术自动编码器以对节点的行为建模。自动编码器可以被理解为基于深度神经网络(DNN)的方法，以学习节点性能的概率分布，并检测日常节点性能与它们的导出经验分布的偏差。在该方法中，将观察到，可被识别为偏离正常行为的那些节点往往具有最佳性能或最差性能，因为偏离可在正常行为的两侧发生。

诸如使用相似性或距离度量(例如欧几里德距离度量)来识别针对给定流量条件的配置设置的替代方法将不能够非常有效地识别针对给定流量条件的CM设置，因为没有学习针对给定流量设置的CM参数的分布。也就是说，通过使用相似性或距离度量，可以仅确定历史数据中与当前情况类似的最接近情况，例如流量和事件，并且可以识别所识别的类似情况的CM参数。然而，可能没有确定针对当前情况的最佳方案。另外，没有明显的方式来决定可能需要采用哪个相似性度量。

根据本文中的实施例的第一方面，通过由第一节点执行的方法来实现目的。该方法用于处理配置第二节点的参数。第一节点在通信网络中操作。第一节点确定配置第二节点的一个或多个参数以用于在通信网络中传递服务的操作。该确定基于由生成式对抗网络(GAN)执行的分析。GAN由第一节点管理。分析包括迭代地执行：i)生成被估计为与高于第一阈值的在通信网络中操作的第一节点组的性能有关联的参数集；以及ii)辨别所生成的参数集和被观察到与高于第一阈值的第一节点组的性能有关联的第一参数集，以获得每个参数的相应得分。相应得分指示所生成的参数集与第一参数集不同的程度。所确定的一个或多个参数具有低于第二阈值的由辨别所产生的相应得分。第一节点还输出包括所确定的一个或多个参数的指示。

根据本文中的实施例的第二方面，通过由第三节点执行的方法实现目的。该方法用于处理配置第二节点的参数。第三节点是在通信网络中操作的自动编码器。第三节点获得被观察到与高于第一阈值的在通信网络中操作的第一节点组的性能有关联的第一参数集。第一参数集是配置第二节点以用于在通信网络中传递服务的操作的参数。获得包括以下i-iv。i)用被包括在节点组中的节点的相应数据训练第一数据模型，节点的相应数据指示节点在一段时间内的相应性能。节点组包括第一节点组。ii)针对节点组中的每一个节点获得经训练的第一数据模型的相应误差的重建。iii)基于它们相应的重建误差，对被包括在节点组中的节点排序。iv)基于它们相应的重建误差高于第一阈值，从节点组中选择第一节点组。第三节点还向在通信网络中操作的第一节点提供指示所获得的第一参数集的第一指示。

根据本文中的实施例的第三方面，通过由第四节点执行的方法实现目的。该方法用于处理配置第二节点的参数。第四节点在通信网络中操作。第四节点获得对被观察到与在通信网络中操作的第一节点组的性能有关联的多个流量条件进行编码的固定长度向量。该获得包括：用被包括在第一节点组中的节点的相应的顺序流量数据训练第二数据模型，以将相应的顺序流量数据编码成固定长度向量。第四节点向在通信网络中操作的第一节点提供指示所获得的对多个流量条件进行编码的固定长度向量的第二指示。

根据本文中的实施例的第四方面，通过用于处理配置第二节点的参数的第一节点实现目的。第一节点被配置为在通信网络中操作。第一节点还被配置为确定配置第二节点以用于在通信网络中传递服务的操作的一个或多个参数。确定被配置为基于被配置为由GAN执行的分析，该GAN被配置为由第一节点管理。分析被配置为包括迭代地执行i-ii。i)生成被估计为与高于第一阈值的被配置为在通信网络中操作的第一节点组的性能有关联的参数集。ii)辨别被配置为被生成的参数集和被观察到与高于第一阈值的第一节点组的性能有关联的第一参数集，以获得每个参数的相应得分。相应得分被配置为指示所生成的参数集与第一参数集不同的程度。被配置为被确定的一个或多个参数被配置为具有低于第二阈值的由辨别所产生的相应得分。第一节点还被配置为输出包括被配置为被确定的一个或多个参数的指示。

根据本文中的实施例的第五方面，通过用于处理配置第二节点的参数的第三节点实现目的。第三节点被配置为自动编码器，该自动编码器被配置为在通信网络中进行操作。第三节点还被配置为获得被配置为被观察到与高于第一阈值的被配置为在通信网络中操作的第一节点组的性能有关联的第一参数集。第一参数集被配置为是配置第二节点以用于在通信网络中传递服务的操作的参数。获得被配置为包括i-iv。i)用被配置为被包括在节点组中的节点的相应数据训练第一数据模型，节点的相应数据指示节点在一段时间内的相应性能。节点组被配置为包括第一节点组。ii)针对节点组中的每一个节点获得被配置为被训练的第一数据模型的相应误差的重建。iii)基于它们相应的重建误差，对被配置为被包括在节点组中的节点排序。此外，iv)基于被配置为被重建的它们的相应误差高于第一阈值，从节点组中选择第一节点组。第三节点还被配置为向被配置为在通信网络中操作的第一节点提供被配置为指示被配置为被获得的第一参数集的第一指示。

根据本文中的实施例的第六方面，通过用于处理配置第二节点的参数的第四节点实现目的。第四节点被配置为在通信网络中操作。第四节点还被配置为获得对多个流量条件进行编码的固定长度向量，该多个流量条件被配置为被观察到与被配置为在通信网络中操作的第一节点组的性能有关联。获得被配置为包括：用被配置为被包括在第一节点组中的节点的相应的顺序流量数据训练第二数据模型，以将相应的顺序流量数据编码成固定长度向量。第四节点被配置为向被配置为在通信网络中操作的第一节点提供指示对多个流量条件进行编码的被配置为被获得的固定长度向量的第二指示。

通过确定配置第二节点的一个或多个参数，使得第一节点能够用所确定的一个或多个参数自动校正第二节点的配置，以使得第二节点的性能(例如，给定类似条件，诸如流量)可以被校正为与在第一节点组(即，节点组中的性能最佳的节点)中观察到的性能尽可能相似。

通过用被包括在节点组中的节点的相应数据训练第一数据模型，可以使得第三节点能够针对任何给定节点预测或者最终使得第一节点能够针对任何给定节点预测预期性能可能是什么，也就是说，所建模的事件中的每一个事件的预期值，并且因此，检测可偏离预期性能的任何性能，如下文所解释的。

通过获得第一参数集，可以使得第三节点能够向第一节点提供第一指示，从而使得第一节点能够使用第一参数集作为GAN的输入来确定一个或多个参数。通过用被包括在节点组中的节点的相应数据训练第一数据模型，第三节点可以使得第一节点能够针对任何给定节点预测预期性能可能是什么，也就是说，所建模的事件中的每一个事件的预期值，并且因此，检测可偏离预期性能的任何性能。通过针对节点组中的每一个节点获得经训练的第一数据模型的相应误差的重建，可以使得第三节点能够确定节点组中的哪些节点偏离正常行为。通过基于它们相应的重建误差来对被包括在节点组中的节点排序或评分，可以使得第三节点能够确定节点组中的哪些节点与正常行为偏离最大。通过从节点组中选择第一节点组，可以识别被包括在节点组中的具有最佳性能的节点，这然后使得它们的参数设置可被被评估，以使得第一参数集可被识别，并且在给定类似的情况下，例如类似的流量条件下，可以向其他节点推荐参数的适合配置，以优化、改进或校正它们在通信网络中的性能。

通过获得固定长度向量，可以使得第四节点能够提供第二指示，并且进而使得第一节点能够确定配置第二节点以用于操作的一个或多个参数，并且基于不同的流量条件来进行。换句话说，第四节点可以使得第一节点能够确定在给定特定流量条件下哪些参数可能最适合配置第二节点，以便获得良好的性能。

附图说明

根据以下描述，参考附图更详细地描述本文中的实施例的示例。

图1是根据本文中的实施例的在a)和b)中分别示出通信网络的两个非限制性示例的示意图。

图2是根据本文中的实施例的描绘第一节点中的方法的实施例的流程图。

图3是根据本文中的实施例的描绘第三节点中的方法的实施例的流程图。

图4是根据本文中的实施例的描绘第四节点中的方法的实施例的流程图。

图5是根据本文中的实施例的描绘通信网络中的方法的非限制性示例的流程图。

图6是根据本文中的实施例的示出第一节点的两个非限制性示例a)和b)的示意性框图。

图7是根据本文中的实施例的示出第三节点的两个非限制性示例a)和b)的示意性框图。

图8是根据本文中的实施例的示出第四节点的两个非限制性示例a)和b)的示意性框图。

具体实施方式

本文包括若干实施例，这些实施例解决了现有方法的限制。本文中的实施例可以被理解为旨在改进通信网络中的节点(诸如小区)的性能。作为概述，本文中的实施例可以被理解为涉及对节点进行排序并推荐CM参数变化的方法。

现在将参考在其中示出示例的附图在下文中更充分地描述实施例。在本节中，本文中的实施例由示例性实施例说明。应注意，这些实施例并不是相互排斥的。来自一个实施例或示例的组件可以被默认假定为存在于另一个实施例或示例中，并且对于本领域技术人员来说，那些组件可以如何在其他示例性实施例中使用将是显而易见的。

图1分别在面板“a”和“b”中描绘了其中可以实现本文中的实施例的通信网络100的两个非限制性示例。在一些示例实现中，诸如在图1a)的非限制性示例中所描绘的，通信网络100可以是计算机网络。通信网络100可以支持5G系统或者具有类似功能的系统。在其他示例实现中，诸如在图1b)的非限制性示例中所描绘的，通信网络100可以在电信网络105(有时也被称为蜂窝无线电系统、蜂窝网络或无线通信系统)中实现。在一些示例中，电信网络105可包括可以用服务波束来服务接收节点(诸如无线设备)的网络节点。

在一些示例中，电信网络105可以例如是诸如5G系统、5G网络或下一代网络的网络。电信网络105还可以支持其他技术，诸如长期演进(LTE)网络，例如LTE频分双工(FDD)、LTE时分双工(TDD)、LTE半双工频分双工(HD-FDD)、在非授权频带中操作的LTE、宽带码分多址(WCDMA)、通用陆地无线电接入(UTRA)TDD、GSM/GSM演进增强型数据速率(EDGE)无线电接入网(GERAN)网络、超移动宽带(UMB)、EDGE网络、包括无线电接入技术(RAT)的任何组合的网络(诸如例如多标准无线电(MSR)基站、多RAT基站等)、任何第三代合作伙伴计划(3GPP)蜂窝网络、无线局域网(WLAN)或WiFi网络、全球微波接入互操作性(WiMax)、基于IEEE802.15.4的低功率短程网络(诸如低功率无线个人局域网(6LowPAN)上的IPv6)、Zigbee、Z-Wave、蓝牙低功耗(BLE)、或任何蜂窝网络或系统。

通信网络100包括多个节点，在图1中描绘其中的第一节点111、第二节点112、第三节点113和第四节点114。第一节点111、第二节点112、第三节点113和第四节点114中的每一个节点可以分别被理解为第一计算机系统、第二计算机系统、第一计算机系统和第四计算机系统。

第一节点111、第二节点112、第三节点113和第四节点114中的任何一个节点可以是网络节点。在特定示例中，第一节点111、第三节点113和第四节点114可以是核心网络节点。

第一节点111可以被理解为具有包括或管理生成式对抗网络(GAN)的能力的节点，例如第一核心网络节点。

第三节点113可以被理解为是自动编码器或具有管理自动编码器的能力的节点，例如第二核心网络节点。也就是说，能够执行深度学习模型(诸如自动编码器)的节点。

第四节点114可以被理解为是长短期记忆自动编码器或具有管理长短期记忆自动编码器的能力的节点，例如第三核心网络节点。也就是说，能够执行深度学习模型(诸如长短期记忆自动编码器)的节点。

第二节点112可以是电信网络105的无线电接入网络(RAN)中的无线电网络节点。电信网络105可以覆盖地理区域，在一些实施例中，地理区域可以被划分为小区区域，其中每个小区区域可以由无线电网络节点服务，尽管一个无线电网络节点可以服务一个或若干小区。在图1b的示例中，第二节点112服务小区120。第二节点112可以是例如gNodeB。也就是说，诸如无线电基站(例如eNodeB)或家庭节点B、家庭eNode B或能够服务无线设备(诸如通信网络100中的用户设备或机器类型节点)的任何其他网络节点的传输点。基于传输功率并由此还基于小区大小，第二节点112可以具有不同的类别，诸如例如宏eNodeB、家庭eNodeB或微微基站。在一些示例中，无线电网络节点可以用服务波束来服务接收节点。第二节点112可以支持一种或若干通信技术，并且其名称可以取决于所使用的技术和术语。在本文中的实施例的典型示例中，对第二节点112的任何引用可以被理解为是指管理小区120的第二节点112。这可以被表示为第二节点112可以是指小区120，而不是指可以由同一无线电网络节点管理的不同小区。

通信网络100可包括其他节点，诸如第二节点112。特别地，通信网络100包括第一节点组121。第一节点组121可以连同第二节点组122一起被包括在节点组123中。节点组123中的任何节点可以分别被理解为相应的计算机系统。节点组123中的任何节点可以分别被理解为相应的网络节点。更特别地，节点组123中的任何节点可以分别被理解为相应的无线电网络节点，如上文所描述的。在典型示例中，在波束成形传输的情况下，节点组123中的任何节点可以分别被理解为相应的小区(与小区120类似)或相应的波束。在这样的示例中，节点组123中的任何节点可以是小区或波束，节点组123中的一个或多个节点可以由相同的网络节点管理。在本文中的其他示例中，节点组123中的任何节点可以分别被理解为相应的非无线电网络节点。

虽然在图1中，节点组123被示出为包括五个节点，其中，三个节点被包括在第一节点组121中，如由具有实线的小区所指示的，并且两个节点被包括在第二节点组122中，如由具有虚线的小区所指示的，这可以被理解为仅用于说明的目的。被包括在节点组123、第一节点组121和第二节点组122中的每一组中的节点的数量可以变化，并且不限于图1所描绘的特定示例。

可以被包括在通信网络100中的任何无线电网络节点可以直接连接到一个或多个核心网络。

在一些示例中，如图1b)的非限制性示例中所描绘的，第一节点111、第三节点113和第四节点114中的任何一个节点可以被实现为例如云130中的主机计算机中的独立服务器。在一些示例中，第一节点111、第二节点112、第三节点113、第四节点114和节点组123中的节点中的任何一个可以是分布式节点或分布式服务器，其中它们相应的功能中的一些功能例如由客户端管理器在本地实现，而其功能中的一些功能由例如服务器管理器在云130中实现。然而在其他示例中，第一节点111、第二节点112、第三节点113、第四节点114和节点组123中的节点中的任何一个也可以被实现为服务器集群中的处理资源。第一节点111、第三节点113和第四节点114中的任何一个节点可以处于服务提供商的所有权或控制之下，或者可以由服务提供商或代表服务提供商来操作。

可以使得第一节点111、第二节点112、第三节点113、第四节点114和节点组123中的节点中的任何一个能够在通信网络100中无线地通信，并且在一些特定示例中，可以能够支持波束成形传输。通信可以例如经由RAN并且可能地被包括在通信网络100内的一个或多个核心网络执行。

通常，第二节点112和节点组123中的节点可以不同时存在于通信网络100中。节点组123中的节点可以在一段时间内存在于通信网络100中，并且第二节点112可以在不同的较后时间段存在。也可以是第二节点112可以被包括在节点组123中。

通信网络100可包括无线设备，在图1b)中描绘了无线设备140。无线设备140还可以被称为例如UE、移动终端、无线终端和/或移动台、移动电话、蜂窝电话、或具有无线能力的膝上型计算机、或者用户终端设备(CPE)，仅提及一些进一步的示例。在本上下文中的无线设备140可以是例如便携式、可口袋存储式、手持式、计算机包括的、或车载的移动设备，其使得能够经由RAN与另一个实体(诸如服务器、膝上型计算机、个人数字助理(PDA)、或平板计算机(有时被称为具有无线能力的平板电脑、或简单地平板电脑)、机器对机器(M2M)设备、配备有无线接口的设备(诸如打印机或文件存储设备)、调制解调器、膝上型嵌入式设备(LEE)、膝上型安装设备(LME)、USB加密狗、或能够在通信网络100中通过无线电链路进行通信的任何其他无线电网络单元)传送语音和/或数据。任何无线设备可以是无线的，即，可以使得它能够在通信网络100中无线地通信，并且在一些特定示例中，可以能够支持波束成形传输。通信可以例如在两个设备之间、设备与无线电网络节点之间和/或设备与服务器之间执行。通信可以例如经由RAN并且可能地被分别包括在通信网络100内的一个或多个核心网络执行。

第一节点111被配置为在通信网络100内通过第一链路151(例如，无线电链路、红外链路或有线链路)与第三节点113通信。第一节点111被配置为在通信网络100内通过第二链路152(例如，无线电链路、红外链路或有线链路)与第四节点114通信。第二节点112可以通过第三链路153(例如，无线电链路、红外链路或有线链路)与第三节点113通信。节点组123中的任何一个节点可以通过相应的第四链路154(例如，无线电链路或红外链路)与第三节点113通信。第二节点112可以通过第五链路155(例如，无线电链路或红外链路)与无线设备140通信。

第一链路151、第二链路152、第三链路153、各第四链路154和第五链路155中的任何一个链路可以是直接链路或者包括例如经由一个或多个其他网络节点、无线电网络节点或核心网络节点的一个或多个链路。

第一链路151、第二链路152、第三链路153、各第四链路154和第五链路155中的任何一个链路可以是直接链路，或者它可以经由通信网络100中的一个或多个计算机系统或一个或多个核心网络(在图1中未描绘)，或者它可以经由可选的中间网络。中间网络可以是公共、私有或主机网络中的一个或者是公共、私有或主机网络中的超过一个的组合；如果有的话，中间网络可以是骨干网或互联网，其在图1中未示出。

通常，本文中使用“第一”、“第二”、“第三”、“第四”、“第五”等可以被理解为表示不同元件或实体的任意方式，并且可以被理解为不对其修饰的名词赋予累积或按时间顺序的字符。

现在将参考图2所描绘的流程图描述由第一节点111执行的方法的实施例。该方法可以被理解为用于处理配置第二节点112的参数。第一节点111可以被理解为在通信网络100中操作。在一些示例中，通信网络100可以是第五代(5G)网络。

该方法可包括下文所描述的动作。在一些实施例中，可以执行一些动作。在一些实施例中，可以执行所有的动作。在适用的情况下，可以组合一个或多个实施例。所有可能的组合未被描述以简化说明。应注意，本文中的示例不是相互排斥的。来自一个示例的组件可以被默认假定为存在于另一个实施例中，并且对于本领域技术人员来说，那些组件可以如何在其他示例中使用将是显而易见的。在图2中，可选动作用虚线框指示。

动作201

本文所描述的方法的最终目标可以被理解为使得通信网络100能够执行对在通信网络100中包括的可能表现次优或较差的节点(诸如第二节点112)的自动校正，并且推荐这种节点中的适合参数变化，因此，它们可以改进它们的性能。本文所讨论的参数可以被理解为是指配置管理(CM)参数。也就是说，节点(例如小区)中的任何可配置参数集，其可直接或间接影响节点(例如小区)的性能。

为了能够识别哪些参数变化可能适合于改进第二节点112或其他类似节点的性能，第一节点111可以首先根据来自其他节点(例如节点组123)的历史数据来确定哪些节点根据标准可能表现良好。然后，第一节点111可以确定哪些参数(即，例如，哪些配置管理(CM)参数)可能对这些节点的良好性能负责。节点组123可以被认为是其历史性能数据可能已经在通信网络100中收集了一段时间的节点组，在该段时间期间，节点组123可能已经在多个流量条件下也被记录。这样，还可以分析不同参数设置对不同流量条件的适用性。可以注意到，被包括在节点组123中的节点可能不总是恒定的。例如，历史数据可针对特定时间段被考虑用于分析。在该时间段中，当节点A可能表现良好时，节点A可被包括在节点组123中一定时间，并且当表现不好时，节点A可以不在该组中。

可以例如通过评估多个呼叫事件(例如静音、乱码、软掉线、硬掉线、接入失败等)来测量节点组123的性能。对于节点组123中的每一个节点，可以每隔固定间隔记录一个数据集，该数据集包括呼叫事件、流量条件(诸如用户连接的数量、数据传输相关的关键性能指标(KPI)等)、以及用于节点组123(例如小区组)的对应CM参数设置。所记录的数据集可被认为具有以下结构：

在节点组123中，对于给定标准(例如第一阈值)，被包括在第一节点组121中的节点可以被认为是具有良好性能(即高于第一阈值的性能)的节点。第二节点组122可以被认为是具有正常或较差性能(即低于第一阈值的性能)的节点。第一阈值可以是单个值。例如，单个得分可以基于作为性能的单个指示的多个事件而被计算为复合值。然后，可以选择第一阈值作为该得分的值。在典型实施例中，第一阈值可以是与可被认为是节点的“正常”性能的偏差或差异的值。也就是说，第一阈值通常可以是重建误差的值，如稍后将解释的。技术人员可以理解，第一阈值可以采取其他形式。

还可以理解，只要已经针对第二节点112收集了执行该分析的历史数据，第二节点122本身可以被包括在节点组123中。即，第二节点112的历史数据可用于该分析，以便在未来时间段中执行对第二节点110的参数配置的自动校正。然而，在典型示例中，第二节点112可以不被包括在用于历史数据分析的节点组123中。

历史数据的分析可以由第三节点113执行，第三节点113可被包括在第一节点111中，或者与第一节点111同址，或者可以是独立的节点，如在图1的非限制性示例中所描绘的。

根据前述内容，在该动作201中，第一节点111可以从在通信网络100中操作的第三节点113获得第一指示。第一指示可以指示被观察到与高于第一阈值的在通信网络100中操作的第一节点组121的性能有关联的第一参数集。换句话说，在该动作201中，第一指示可以指向与节点组123中的表现良好的节点的性能相对应的参数。

在其中第三节点113可以是独立于第一节点111的节点的一些实施例中，可以通过例如经由第一链路151接收来执行该动作201中的获得。

在一些实施例中，第三节点113可以是由第一节点111管理的自动编码器。

在其中第三节点113可以是由第一节点111管理的自动编码器(例如，与第一节点111同址或被包括在第一节点111中)的这种实施例中，获得201第一参数集可以进一步包括以下动作202-205：

在该动作202中，第一节点111经由第三节点113可以用被包括在节点组123中的节点的相应数据来训练第一数据模型，节点的相应数据指示该节点在一段时间内的相应性能。如前所述，节点组包括第一节点组121。

数据模型可以被理解为计算机数据模型，例如，机器学习模型。第一数据模型可以是例如基于深度学习的自动编码器模型等。

被包括在节点组123中的节点的指示该节点在一段时间内的相应性能的相应数据可以被理解为是如针对被包括在节点组123中的节点相应收集的关于一个或多个事件的数据。

训练第一数据模型可以被理解为可以能够学习节点的正常行为的自动编码器。另外，第一节点111经由第三节点113还可以基于实验室部署，或者如果可能在节点可能已经首次部署时，考虑节点在给定特定事件下应该如何表现。然后，该信息可以在该动作202中在第一数据模型的训练中被用作输入，以便更好地理解与常规行为的任何可能偏差。

第一数据模型可以被理解为最适合节点组123中的节点的正常性能的数学函数。所有事件可以是第一数据模型的输入变量。

通过在该动作202中用被包括在节点组123中的节点的相应数据训练第一数据模型，可以使得第一节点111能够针对任何给定节点预测预期性能可能是什么，即所建模的事件中的每一个事件的预期值，并且因此，检测可能偏离预期性能的任何性能，如下文所解释的。

在该动作203中，第一节点111经由第三节点113可以针对节点组123中的每一个节点获得经训练的第一数据模型的相应误差的重建。相应误差可以被理解为自动编码器的重建误差。自动编码器可以被理解为学习针对节点的给定事件集什么应该是正常行为(例如在事件方面)，该正常行为当被馈送到自动编码器时可提供重建误差。重建误差越高，则与正常行为的偏差越高。自动编码器可以被理解为直接输出误差。因此，相应误差可以是与正常行为的偏离的指示符。

通过在该动作203中针对节点组123中的每一个节点获得经训练的第一数据模型的相应误差的重建，可以使得第一节点111能够确定节点组123的哪些节点偏离正常行为以及偏离了多少，如下文所解释的。

动作204

在该动作204中，第一节点111经由第三节点113可以基于在节点组123中包括的节点的相应的重建误差而对其进行排序或评分。然后，这样获得的排序可用于将所收集的数据D分成节点组123中的节点可能表现良好的多元组和表现不良的多元组，即D＝D

通过在该动作204中基于在节点组123中包括的节点的相应的重建误差对其进行排序或评分，可以使得第一节点111能够确定节点组123中的哪些节点与正常行为偏离最大，即节点组123中的哪些节点具有最高的相应的重建误差。

在该动作205中，第一节点111经由第三节点113可以基于它们的相应的重建误差高于第一阈值，从节点组123中选择第一节点组121。

通过在该动作205中从节点组123中选择第一节点组121，可以识别被包括在节点组123内的具有最佳性能的节点，这然后使得能够评估它们的参数设置，以使得可以识别在动作201中提到的第一参数集，并且在给定类似情况(例如类似的流量条件)下可以向其他节点推荐适合的参数配置，以优化、改进或校正它们在通信网络100中的性能，如稍后将解释的。

所获得的第一参数集可以稍后在动作207中使用，特别是在稍后将在动作207中详细解释的分析中的生成和辨别中使用。

动作206

如先前所提到的，针对节点组123所收集的历史数据，即，在节点组123中包括的节点的指示该节点在一段时间内的相应性能的相应数据可包括与所观察的性能数据相关联的流量条件。

在该动作206中，第一节点111可以从在通信网络100中操作的第四节点114获得第二指示。第二指示可以指示对被观察到与在通信网络100中操作的第一节点组121(即，节点组123中的具有最佳性能的节点)的性能有关联的多个流量条件进行编码的固定长度向量。所获得的固定长度向量可以在动作207中使用，特别是在稍后将在动作207中详细解释的分析中的生成和辨别中使用。

在其中第四节点114可以是独立于第一节点111的节点的一些实施例中，可以通过例如经由第二链路152接收来执行该动作206中的获得。

节点(诸如小区)的流量条件可以被理解为随时间变化。因此，这些数据的性质可以被理解为在本质上是连续的，并且因此可以使用与用于机器翻译的架构类似的长短期记忆(LSTM)编码器-解码器架构来对数据进行建模。LSTM编码器(其用输入作为流量条件)可以输出编码向量，该编码向量可以表示在一段时间内观察到的流量条件。该编码器向量可以被理解为表示针对在第一节点组121中包括的节点的流量时间序列。因此，在一些实施例中，第四节点114可以管理LSTM自动编码器。

在一些实施例中，第四节点114可以由第一节点111管理，并且可以管理LSTM自动编码器。

在进一步的特定实施例中，多个流量条件可以随时间变化，并且第四节点114可以由第一节点111管理，并且可以管理LSTM自动编码器以生成固定长度向量。在一些这种实施例中，在该动作206中的获得可以包括用在第一节点121组中包括的节点的相应的顺序流量数据训练第二数据模型，以将相应的顺序流量数据编码成固定长度向量。

第二数据模型可以是LSTM自动编码器模型。因此，可以使用LSTM自动编码器模型将随时间变化的流量编码为固定长度向量：ET

通过在该动作206中获得第二指示，可以使得第一节点111能够如在下一个动作207中所解释的确定配置第二节点112以用于在通信网络100中传递服务的操作的一个或多个参数，并且基于不同的流量条件来进行。换句话说，可以使得第一节点111能够确定在给定特定流量条件下哪些参数可能最适合于配置第二节点112，以便获得良好的性能。

动作207

在该动作207中，第一节点111确定配置第二节点112以用于在通信网络100中传递服务的操作的一个或多个参数。服务可以被理解为是可以由在通信网络中操作的设备使用的功能，例如无线电覆盖。换句话说，在该动作207中，第一节点111向第二节点112应用关于例如对于给定的类似条件(诸如流量)可能最适合于导致第一节点组121的最佳性能的参数的所学习的知识，如稍后将解释的。可以理解，第二节点112仅仅是说明性示例，并且本文所描述的方法可以被应用于任何节点。

在该动作207中，确定一个或多个参数是基于由第一节点111管理的生成式对抗网络(GAN)所执行的分析。分析包括迭代地执行以下动作：i)生成被估计为与高于第一阈值的在通信网络100中操作的第一节点组121的性能有关联的参数集，以及ii)辨别所生成的参数集和被观察到与如在动作201中获得的高于第一阈值的第一节点组121的性能有关联的第一参数集，以获得用于每个参数的相应得分。相应得分指示所生成的参数集与第一参数集不同的程度。换句话说，在该动作207中，第一节点111可以经由辨器学习提供关于所生成的参数集可以与在动作201中从第一节点组121实际收集或记录的数据有多接近的得分。

在动作i)中生成参数集可以被理解为例如对于给定流量条件获得CM参数，这对于节点的良好性能可能是必要的。可以理解，在动作201中，可以获得真实数据以用于训练。由于可能被理解为无限可能的场景，因此真实数据不可能保持所有可能的场景。生成参数集的目标可以被理解为“填充间隙”。即，例如，给定当前观察到的流量条件，推荐CM参数以用于改进给定节点的性能。

在一些实施例中，GAN可以是有条件GAN。即，可以被理解为学习从随特定特征或属性上调节的分布中采样/生成点的GAN。

在其中GAN可以是有条件GAN的这种实施例中，执行分析可进一步包括基于多个流量条件来进行调节。在这种实施例中，所确定的一个或多个参数可包括多个具有一个或多个参数的集合。多个具有一个或多个参数的集合中的每个集合可以针对多个流量条件中的不同流量条件来确定。也就是说，例如，一个或多个参数的第一集合可以针对当流量高时来确定，而一个或多个参数的第二集合可以针对当流量低时来确定。

在一些实施例中，该动作207中的确定可包括第一阶段和第二阶段。第一阶段可包括通过以下各项执行生成和辨别：i.用被观察到与高于第一阈值的第一节点组121的性能有关联的第一参数集和多个流量条件训练GAN，以获得基于多个流量条件的参数的数据模型，例如，总模型或第三数据模型。换句话说，第一阶段可包括针对例如节点的CM参数训练有条件GAN，这些节点可能已被识别为在特定时间段(即，在动作201-205中的数据D

第二阶段可包括：ii)通过输入第一观察的流量条件集合作为第一固定长度向量来执行数据模型，即第三数据模型，以及iii)基于所获得的数据模型，即第三数据模型，确定与第一观察的流量条件集合相对应的一个或多个参数。

换句话说，第一阶段可包括训练有条件GAN的生成器部分以针对给定流量条件生成理想CM参数。生成器可被训练以学习P(C|ET)，即，在一段时间内观察到的给定一些流量条件(其可能已被编码为ET)的CM参数C的分布。

在预测或第二阶段期间，第一节点111可以针对给定流量条件从生成器生成若干参数输出，直到辨别器可以以可接受得分通过所生成的参数。然后，这些参数可以被建议为针对给定流量情况针对给定节点(诸如第二节点112)设置。因此，在该动作207中所确定的一个或多个参数具有低于第二阈值的由辨别所产生的相应得分。换句话说，所确定的一个或多个参数是与所观察的参数(即第一参数集)最相似的参数。

为了简洁地概括该动作207可能需要的内容：首先通过迭代来建立用于基于性能最佳的节点的配置参数例如在给定特定流量条件下预测参数的数据模型，直到用数据模型所获得的预测数据不能与真实的观察的数据区分。然后，使用所建立的模型来在给定真实流量条件下输出要使用的参数，以获得第二节点112的最佳性能。

通过在该动作207中确定配置第二节点112的一个或多个参数，使得第一节点111能够利用所确定的一个或多个参数自动校正第二节点112的配置，以使得例如在给定类似条件(诸如流量)下的第二节点112的性能可以被校正为与在第一节点组121(即，节点组123中的性能最佳的节点)中观察到的性能尽可能相似。

动作208

在该动作208中，第一节点111可以输出包括所确定的一个或多个参数的指示，例如第三指示。输出可以被理解为在内部例如向第一节点111内的另一个节点提供或呈现，或者通过向在外部定位的另一个节点发送第三指示。

通过在该动作208中输出指示所确定的一个或多个参数的第三指示，第一节点111可以启用自动化方法来远程调谐第二节点112的CM参数，以使得它们的配置可以最好地与其变化的流量场景适配，以防止第二节点112的性能的降级或者甚至改进它的性能。

现在将参考图3所描绘的流程图描述由第三节点113执行的方法的实施例。该方法可以被理解为用于处理配置第二节点112的参数。第三节点113是在通信网络100中操作的自动编码器。

该方法可包括下文所描述的动作。在一些实施例中，可以执行一些动作。在一些实施例中，可以执行所有的动作。在适用的情况下，可以组合一个或多个实施例。所有可能的组合未被描述以简化说明。应注意，本文中的实施例并不是相互排斥的。来自一个示例的组件可以被默认假定为存在于另一实施例中，并且对于本领域技术人员来说，那些组件可以如何在其他示例中使用将是显而易见的。在图3中，可选的动作用虚线框指示。，以下中的一些的详细描述对应于上文关于针对第一节点111所描述的动作所提供的相同参考数字，并因此在此将不重复。例如，参数可以是CM参数。

以下动作的描述可以被理解为对应于动作202-205，在其中第一节点111管理第三节点113的实施例中，动作202-205被描述为由第一节点111执行。可以在针对动作202-205提供的描述中找到该方法的任何进一步细节。

动作301

在该动作301中，第三节点113获得被观察到与高于第一阈值的在通信网络100中操作的第一节点组121的性能有关联的第一参数集。第一参数集是配置第二节点112以用于在通信网络100中传递服务的操作的参数。

在该动作301中的获得可以被理解为确定、计算或导出。

在该动作301中获得第一参数集可以进一步包括以下动作302-305：

在该动作302中，第三节点113用被包括在节点组123中的节点的相应数据训练第一数据模型，节点的相应数据指示该节点在一段时间内的相应性能。如前所述，节点组包括第一节点组121。第一数据模型可以是例如基于深度学习的自动编码器模型。

通过在该动作302中用被包括在节点组123中的节点的相应数据训练第一数据模型，可以使得第三节点113能够预测或最终使得第一节点能够针对任何给定节点预测预期性能可能是什么，即所建模的事件中的每一个事件的预期值，并且因此，检测可能偏离预期性能的任何性能，如下文所解释的。

在该动作303中，第三节点113针对节点组123中的每一个节点获得经训练的第一数据模型的相应误差的重建。

通过在该动作203中针对节点组123中的每一个节点获得经训练的第一数据模型的相应误差的重建，可以使得第三节点113能够确定节点组123中的哪些节点偏离正常行为，以及偏离了多少，如下文所解释的。

在该动作304中，第一节点111经由第三节点113基于在节点组123中包括的节点的相应的重建误差来对其进行排序或评分。

通过在该动作304中基于在节点组123中包括的节点的相应的重建误差来对其进行排序或评分，可以使得第三节点113能够确定节点组123中的哪些节点与正常行为偏离最大，即节点组123中的哪些节点具有最高的相应的重建误差。

在该动作305中，第三节点113基于它们相应的重建误差高于第一阈值而从节点组123中选择第一节点组121。

通过在该动作205中从节点组123中选择第一节点组121，可以识别被包括在节点组123内的具有最佳性能的节点，然后这使得能够评估它们的参数设置，以使得在动作301中提到的第一参数集可被识别，并且可以向其他节点推荐在给定类似情况(例如类似的流量条件)下的适合的参数配置，以优化、改进或校正它们在通信网络100中的性能，如稍后将解释的。

动作306

在该动作306中，第三节点113向在通信网络100中操作的第一节点111提供指示所获得的第一参数集的第一指示。换句话说，在该动作306中，第一指示可以指向与节点组123中的表现良好的节点的性能相对应的参数。

第一指示例如可以是小区列表、消息等。

在一些实施例中，第一参数集可包括第一多个具有第一一个或多个参数的集合，第一多个具有第一一个或多个参数的集合中的每个集合对应于多个流量条件中的不同流量条件。

然后，第一参数集可以由第一节点111用作GAN的输入，以确定一个或多个参数。因此，通过在该动作306中提供第一指示，第三节点113可以使得第一节点111能够如先前在动作207中所解释地确定配置第二节点112以用于操作的一个或多个参数，以便第二节点111获得良好的性能。在一些实施例中，可以针对不同的流量条件启用该确定。

现在将参考图4所描绘的流程图描述由第四节点114执行的方法的实施例。该方法可以被理解为用于处理配置第二节点112的参数。第四节点114在通信网络100中操作。

该方法包括下文所描述的动作。在适用的情况下，可以组合一个或多个实施例。所有可能的组合未被描述以简化说明。应注意，本文中的实施例不是相互排斥的。来自一个示例的组件可以被默认假定为存在于另一实施例中，并且对于本领域技术人员来说，那些组件可以如何在其他示例中使用将是显而易见的。

，以下中的一些的详细描述对应于上文关于针对第一节点111所描述的动作所提供的相同参考数字，并因此在此将不重复。例如，参数可以是CM参数。

以下动作的描述可以被理解为对应于动作206，在其中第一节点111管理第四节点114的实施例中，动作206被描述为由第一节点111执行。可以在针对动作206提供的描述中找到该方法的任何进一步细节。

动作401

如先前所提到的，针对节点组123所收集的历史数据(即，被包括在节点组123中的节点的指示该节点在一段时间内的相应性能的相应数据)可包括与所观察的性能数据相关联的流量条件。

在该动作206中，第四节点114获得对被观察到与在通信网络100中操作的第一节点组121(即，节点组123中的具有最佳性能的节点)的性能有关联的多个流量条件进行编码的固定长度向量。所获得的固定长度向量可以在分析中的生成和辨别中使用，如先前所描述的。

在该动作401中的获得包括用在第一节点组121中包括的节点的相应的顺序流量数据训练第二数据模型，以将相应的顺序流量数据编码成固定长度向量。

在一些实施例中，多个流量条件可以随时间变化，并且第四节点114可以管理LSTM自动编码器以获得固定长度向量。

第二数据模型可以是LSTM自动编码器模型。因此，可以使用LSTM自动编码器模型将随时间变化的流量编码为固定长度向量：ET

然后，固定长度向量可以由第一节点111用作GAN的输入，以确定一个或多个参数。通过在该动作401中获得固定长度向量，可以使得第四节点114能够在下一个动作402中提供第二指示，并且使得第一节点111能够如在动作207中所解释地确定配置第二节点112以用于在通信网络100中传递服务的操作的一个或多个参数，并且基于不同的流量条件来进行。换句话说，第四节点114可以使得第一节点111能够确定在给定特定流量条件下哪些参数可能最适合于配置第二节点112，以便获得良好的性能。

在该动作402中，第四节点114向在通信网络100中操作的第一节点111提供第二指示。第二指示指明对多个流量条件进行编码的所获得的固定长度向量。

通过在该动作402中提供第二指示，第四节点114使得第一节点111能够如在动作207中所解释地确定配置第二节点112以用于在通信网络100中传递服务的操作的一个或多个参数，并且基于不同的流量条件来进行。换句话说，第四节点114可以使得第一节点111能够确定在给定特定流量条件下哪些参数可能最适合于配置第二节点112，以便获得良好的性能。

图5是描绘第一节点111、第三节点113和第四节点114如何在通信网络100中交互以执行上文所描述的方法的非限制性示例的示意图。

该方法可以从先前所描述的数据集开始，该数据集包括每隔固定间隔记录的呼叫事件、流量条件和用于节点组123(例如，小区集)的参数设置，

作为概括的概述，本文中的实施例可以被理解为提供一种机器学习驱动的方法，用于在日常水平上自动检测性能差的节点(例如小区)，并且使得能够对该节点中的CM参数执行任何必要的校正以改进其性能。第二节点112在本文中用作这种节点的示例。然而，可以理解，例如基于诸如流量的情况，同一节点在特定时间段期间可能表现不佳，而在不同时间段内表现良好。本文中的实施例可以被理解为使得机制能够监视节点的关键性能度量，并且通过研究从每个节点记录的事件的统计参数来在这些节点的性能可能降级时识别它们。换言之，本文中的实施例可以被理解为提供一种方法，用于基于从节点获得的事件的历史趋势来提前更好地诊断潜在的性能差的节点，并且估计哪些CM参数可能改变性能，然后采取任何必要的动作，以使得可以防止节点的性能的降级。

本文中的实施例的一个优点是，基于最近的历史性能对节点(例如小区)进行排序使得能够以自动的方式识别性能差的小区，异使得可以执行瞬时的必要校正，从而改进它们的性能。

本文中的实施例使得能够识别可能对节点的不良性能负责的CM参数，并且使得能够自动校正CM参数以将节点的性能恢复到其最佳水平。

本文中的实施例的另一个优点是，在该自动校正方法中，可以减少或最小化站点的OPEX成本。

本文中的实施例的另一个优点是，它们可以使得能够向用户提供更好的体验质量(QoE)。

本文中的实施例的又一个优点是，它们可以使得能够确保客户体验不会受到严重影响。

另外，作为附加的优点，本文中的实施例可以被理解为使得能够执行对站点的较少访问，因为远程监视可以被理解为使得能够节省现场工程师的大量生产时间。

图6分别在面板a)和b)中描绘了第一节点111可包括以执行上文关于图2和/或图5所描述的方法动作的布置的两个不同示例。第一节点111用于处理配置第二节点112的参数。第一节点111被配置为在通信网络100中操作。

以下的一些的详细描述对应于上文关于针对第一网络节点111所描述的动作所提供的相同参考数字，并因此在此将不重复。例如，参数可以是CM参数。在图6中，可选单元用虚线指示。

在一些实施例中，第一节点111可包括图6a所描绘的以下布置。

第一节点111被配置为例如借助于第一节点111内的确定单元601，该确定单元601被配置为确定配置第二节点112以用于在通信网络100中传递服务的操作的一个或多个参数。确定被配置为基于被配置为由GAN执行的分析，GAN被配置为由第一节点111管理。分析被配置为包括迭代地执行：i)生成被估计为与高于第一阈值的被配置为在通信网络100中操作的第一节点组121的性能有关联的参数集，以及ii)辨别被配置为被生成的参数集和被观察到与高于第一阈值的第一节点组121的性能有关联的第一参数集，以获得每个参数的相应得分。相应得分被配置为指示所生成的参数集与第一参数集不同的程度。被配置为被确定的一个或多个参数被配置为具有低于第二阈值的由辨别产生的相应得分。

第一节点111还被配置为例如借助于第一节点111内的输出单元602，其被配置为输出包括被配置为被确定的一个或多个参数的指示。

在一些实施例中，GAN可以被配置为有条件GAN。在这种实施例中，执行分析可以进一步被配置为包括基于多个流量条件进行调节。被配置为被确定的一个或多个参数可以被配置为包括多个具有一个或多个参数的集合。多个具有一个或多个参数的集合中的每个集合可以被配置为针对多个流量条件中的不同流量条件来确定。

在一些实施例中，确定可以被配置为包括第一阶段和第二阶段。第一阶段可以被配置为包括通过：i)训练GAN来执行生成和辨别。GAN的训练被配置为利用被配置为被观察到与高于第一阈值的第一节点组121的性能有关联的第一参数集和多个流量条件。这是为了获得基于多个流量条件的参数的数据模型。第二阶段可以被配置为包括：ii)通过输入第一观察的流量条件集合作为第一固定长度向量来执行数据模型，以及iii)基于被配置为被获得的数据模型，确定与第一观察的流量条件集合相对应的一个或多个参数。

在一些实施例中，第三节点113还可以被配置为例如借助于第一节点111内的获得单元603，该获得单元603被配置为从被配置为在通信网络100中操作的第三节点113获得第一指示。第一指示被配置为指示被配置为被观察到与高于第一阈值的第一节点组121的性能有关联的第一参数集。被配置为获得的第一参数集被配置为在分析中的生成和辨别中使用。

在其中第三节点113可以是被配置为由第一节点111管理的自动编码器的一些实施例中，第一参数集的获得还可以被配置为包括以下内容。i)例如借助于第一节点111内的训练单元604进行训练，该训练单元604被配置为用被配置为被包括在节点组123中的节点的相应数据训练第一数据模型，节点的相应数据指示该节点在一段时间内的相应性能。节点组123被配置为包括第一节点组121。ii)例如借助于第一节点111内的获得单元603获得，该获得单元603被配置为针对节点组123中的每一个节点获得被配置为被训练的第一数据模型的相应误差的重建。ii)例如借助于第一节点111内的排序单元605进行排序，该排序单元605被配置为基于它们相应的重建误差，对被配置为被包括在节点组123中的节点进行排序。此外，iv)例如借助于第一节点111内的选择单元605进行选择，该选择单元605被配置为基于被配置为被重建的它们的相应误差高于第一阈值，从节点组123中选择第一节点组121。

在一些实施例中，第一节点111还可以被配置为例如借助于第一节点111内的获得单元603，该获得单元603被配置为从被配置为在通信网络100中操作的第四节点114获得第二指示。第二指示被配置为指示对多个流量条件进行编码的固定长度向量，该多个流量条件被配置为被观察到与被配置为在通信网络100中操作的第一节点组121的性能有关联。被配置为获得的固定长度向量可以被配置为在分析中的生成和辨别中使用。

在一些实施例中，多个流量条件可以随时间变化。在一些这种实施例中，第四节点114可以被配置为由第一节点111管理，并且可以被配置为管理LSTM自动编码器以生成固定长度向量。获得可以被配置为包括用被配置为被包括在第一节点组121中的节点的相应的顺序流量数据训练第二数据模型，以将相应的顺序流量数据编码成固定长度向量。

本文中的实施例可以通过一个或多个处理器(诸如图6a所描绘的第一节点111中的处理器607)连同用于执行本文中的实施例的功能和动作的计算机程序代码一起实现。处理器607可以在本文中被理解为硬件部件。上文所提到的程序代码也可以被提供为计算机程序产品，例如以携带用于当被加载到在第一节点111中时执行本文中的实施例的计算机程序代码的数据载体的形式。然而，利用其他数据载体(诸如记忆棒)是可行的。此外，计算机程序代码可以作为服务器上的纯程序代码提供并被下载到第一节点111。

第一节点111还可包括存储器608，该存储器608包括一个或多个存储器单元。存储器608被布置为用于存储所获得的信息，存储数据、配置、调度和应用等以当在第一节点111中执行时执行本文中的方法。

在一些实施例中，第一节点111可以通过接收端口609从例如第二节点112、第三节点113、第四节点114和/或节点组123接收信息。在一些示例中，接收端口609可以例如被连接到第一节点111中的一个或多个天线。在其他实施例中，第一节点111可以通过接收端口609从通信网络100中的另一个结构接收信息。由于接收端口609可以与处理器607通信，因此，接收端口609可以向处理器607发送所接收的信息。接收端口609也可以被配置为接收其他信息。

第一节点111中的处理器607还可以被配置为通过发送端口610向例如第二节点112、第三节点113、第四节点114和/或节点组123发射或发送信息，该发送端口610可以与处理器607和存储器608通信。

关于图6所描述的任何一个单元601-606可以是第一节点111的处理器607，或者是在这种处理器上运行的应用。

本领域的技术人员还将理解，关于上文所描述的图6所描述的任何一个单元601-606可以是指模拟和数字电路、和/或被配置有例如在存储器中存储的软件和/或固件的一个或多个处理器的组合，该软件和/或固件当由一个或多个处理器(诸如处理器607)执行时如上文所描述地执行。这些处理器中的一个或多个处理器以及另一个数字硬件可以被包括在单个专用集成电路(ASIC)中，或者多个处理器和各种数字硬件可以被分布在多个分离的组件之间，无论是否单独封装的还是被组装到片上系统(SoC)中。

因此，根据在此针对第一节点111所描述的实施例的方法可以分别借助于计算机程序611产品实现，该计算机程序611产品包括指令，即，软件代码部分，该指令当在至少一个处理器607上被执行时使得至少一个处理器607执行本文被描述为由第一节点111执行的动作。计算机程序611产品可以被存储在计算机可读存储介质612上。在其上存储有计算机程序611的计算机可读存储介质612可包括指令，该指令当在至少一个处理器607上被执行时使得至少一个处理器607执行本文被描述为由第一节点111执行的动作。在一些实施例中，计算机可读存储介质612可以是非暂时性计算机可读存储介质(诸如记忆棒)，或者被存储在云空间中。在其他实施例中，计算机程序611产品可以被存储在包含计算机程序的载体上，其中，载体是以下中的一个：电子信号、光信号、无线电信号、或计算机可读存储介质612，如上文所描述的。

第一节点111可包括促进第一节点111与其他节点或设备(例如，第二节点112、第三节点113、第四节点114和/或节点组123)之间的通信的接口单元。在一些特定示例中，接口可以例如包括被配置为根据适合的标准通过空中接口发送和接收无线电信号的收发机。

在其他实施例中，第一节点111可包括图6b所描绘的以下布置。第一节点111可包括处理电路607(例如，一个或多个处理器，诸如第一节点111中的处理器607)和存储器608。第一节点111还可包括无线电电路613，该无线电电路613可包括例如接收端口609和发送端口610。处理电路607可以被配置为或者可操作以用与关于图6a所描述的类似的方式执行根据图2和/或图5的方法动作。无线电电路613可以被配置为建立和维持至少与例如第二节点112、第三节点113、第四节点114和/或节点组123的无线连接。电路可以在本文中被理解为硬件部件。

因此，本文中的实施例还涉及可操作以在通信网络100中操作的第一节点111。第一节点111可包括处理电路607和存储器608，所述存储器608包含可由所述处理电路607执行的指令，由此，第一节点111还可操作以执行本文关于第一节点111例如在图2和/或图5中所描述的动作。

图7分别在面板a)和b)中描绘了第三节点113可包括以执行上文关于图3和/或图5所描述的方法动作的布置的两个不同示例。第三节点113用于处理配置第二节点112的参数。第三节点113被配置为自动编码器，该自动编码器被配置为在通信网络100中进行操作。

以下的一些的详细描述对应于上文关于针对第一节点111所描述的动作所提供的相同参考数字，并因此在此将不重复。例如，参数可以是CM参数。在图7中，可选单元用虚线指示。

在一些实施例中，第三节点113可包括图7a所描绘的以下布置。

第三节点113被配置为例如借助于第三节点113内的获得单元701，该获得单元701被配置为获得被配置为被观察到与高于第一阈值的被配置为在通信网络100中操作的第一节点121组的性能有关联的第一参数集。第一参数集被配置为配置第二节点112以用于在通信网络100中传递服务的操作的参数。获得被配置为包括以下内容。i)例如借助于第一节点113内的训练单元702进行训练，该训练单元702被配置为利用被配置为被包括在节点组123中的节点的相应数据训练第一数据模型，节点的相应数据指示该节点在一段时间内的相应性能。节点组123被配置为包括第一节点121组。ii)例如借助于第一节点111内的获得单元701获得，该获得单元701被配置为针对节点组123中的每一个节点获得第一数据模型的相应误差的重建。ii)例如借助于第一节点111内的排序单元703进行排序，该排序单元703被配置为基于它们相应的重建误差对被配置为被包括在节点组123中的节点进行排序。此外，iv)例如借助于第一节点111内的选择单元704进行选择，该选择单元704被配置为基于被配置为被重建的它们的相应误差高于第一阈值，从节点组123中选择第一节点组121。

第三节点113还被配置为例如借助于第三节点114内的提供单元705，该提供单元705被配置为向被配置为在通信网络100中操作的第一节点111提供第一指示，第一指示被配置为指示被配置为被获得的第一参数集。

在一些实施例中，第一参数集可以被配置为包括第一多个具有第一一个或多个参数的集合。第一多个具有一个或多个参数的集合中的每个集合可以被配置为对应于多个流量条件中的不同流量条件。

本文中的实施例可以通过一个或多个处理器(诸如图7a所描绘的第三节点113中的处理器706)连同用于执行本文中的实施例的功能和动作的计算机程序代码一起实现。处理器706可以在本文中被理解为硬件部件。上文所提到的程序代码也可以作为计算机程序产品提供，例如以携带用于当被加载到在第三节点113中时执行本文中的实施例的计算机程序代码的数据载体的形式。然而，利用其他数据载体(诸如记忆棒)是可行的。此外，计算机程序代码可以作为服务器上的纯程序代码提供，并被下载到第三节点113。

第三节点113还可包括存储器707，该存储器707包括一个或多个存储器单元。存储器707被布置为用于存储所获得的信息，存储数据、配置、调度和应用等以当在第三节点113中执行时执行本文中的方法。

在一些实施例中，第三节点113可以通过接收端口708从例如第一节点111、第二节点112、第四节点114和/或节点组123接收信息。在一些示例中，接收端口708可以例如被连接到第三节点113中的一个或多个天线。在其他实施例中，第三节点113可以通过接收端口708从通信网络100中的另一个结构接收信息。由于接收端口708可以与处理器706通信，因此，接收端口708可以向处理器706发送所接收的信息。接收端口708也可以被配置为接收其他信息。

第三节点113中的处理器706还可以被配置为通过发送端口709向例如第一节点111、第二节点112、第四节点114和/或节点组123发射或发送信息，该发送端口709可以与处理器706和存储器707通信。

关于图7所描述的任何一个单元701-705可以是第三节点113的处理器706，或者是在这种处理器上运行的应用。

本领域的技术人员还将理解，关于上文所描述的图7所描述的任何一个单元701-705可以是指模拟和数字电路、和/或被配置有例如在存储器中存储的软件和/或固件的一个或多个处理器的组合，该软件和/或固件当由一个或多个处理器(诸如处理器706)执行时如上文所描述地执行。这些处理器中的一个或多个处理器以及另一个数字硬件可以被包括在单个专用集成电路(ASIC)中，或者多个处理器和各种数字硬件可以被分布在多个分离的组件之间，无论是单独封装还是被组装到片上系统(SoC)中。

因此，根据本文针对第三节点113所描述的实施例的方法可以分别借助于计算机程序710产品实现，该计算机程序710产品包括指令，即软件代码部分，该指令当在至少一个处理器706上执行时使得至少一个处理器706执行在本文中描述为由第三节点113所执行的动作。计算机程序710产品可以被存储在计算机可读存储介质711上。在其上存储了计算机程序710的计算机可读存储介质711可包括指令，该指令当在至少一个处理器706上执行时使得至少一个处理器706执行在本文描述为由第三节点113所执行的动作。在一些实施例中，计算机可读存储介质711可以是非暂时性计算机可读存储介质(诸如记忆棒)，或者被存储在云空间中。在其他实施例中，计算机程序710产品可以被存储在包含计算机程序的载体上，其中，载体是以下中的一个：电子信号、光信号、无线电信号、或计算机可读存储介质711，如上文所描述的。

第三节点113可包括促进第三节点113与其他节点或设备(例如，第一节点111和/或第三节点113)之间的通信的接口单元。在一些特定示例中，接口可以例如包括被配置为根据适合的标准通过空中接口发送和接收无线电信号的收发机。

在其他实施例中，第三节点113可包括图7b所描绘的以下布置。第三节点113可包括处理电路706(例如，一个或多个处理器，诸如第三节点113中的处理器706)和存储器707。第三节点113还可包括无线电电路712，该无线电电路712可包括例如接收端口708和发送端口709。处理电路706可以被配置为或者可操作以采用与关于图7a所描述的类似的方式执行根据图3和/或图5的方法动作。无线电电路712可以被配置为建立和维持至少与例如第一节点111、第二节点112、第四节点114和/或节点组123的无线连接。电路可以在本文中被理解为硬件部件。

因此，本文中的实施例还涉及可操作以在通信网络100中操作的第三节点113。第三节点113可包括处理电路706和存储器707，所述存储器707包含可由所述处理电路706执行的指令，由此，第三节点113还可操作以执行本文例如在图3和/或图5中关于第三节点113所描述的动作。

图8分别在面板a)和b)中描绘了第四节点114可包括以执行上文关于图4和/或图5所描述的方法动作的布置的两个不同示例。第四节点114用于处理配置第二节点112的参数。第四节点114被配置为在通信网络100中操作。

，以下的一些的详细描述对应于上文关于针对第一节点111所描述的动作所提供的相同参考数字，并因此在此将不重复。例如，参数可以是CM参数。在图8中，可选单元用虚线指示。

在一些实施例中，第四节点114可包括图8a所描绘的以下布置。

第四节点114被配置为例如借助于第四节点114内的接收单元801，该接收单元801被配置为获得对多个流量条件进行编码的固定长度向量，该多个流量条件被配置为被观察到与被配置为在通信网络100中操作的第一节点组121的性能有关联。获得被配置为包括用被配置为被包括在第一节点组121中的节点的相应的顺序流量数据训练第二数据模型，以将相应的顺序流量数据编码成固定长度向量。

第四节点114被配置为例如借助于第四节点114内的提供单元802，该提供单元802被配置为向在通信网络中操作的第一节点111提供第二指示，该第二指示指明对多个流量条件进行编码的被配置为被获得的固定长度向量。

在一些实施例中，多个流量条件可以随时间变化。在一些这种实施例中，第四节点114可以被配置为管理LSTM自动编码器以获得固定长度向量。

本文中的实施例可以通过一个或多个处理器(诸如图8a所描绘的第四节点114中的处理器803)连同用于执行本文中的实施例的功能和动作的计算机程序代码一起来实现。处理器803可以在本文中被理解为硬件部件。上文所提到的程序代码也可以被提供为计算机程序产品，例如以携带用于当被加载到在第四节点114中时执行本文中的实施例的计算机程序代码的数据载体的形式。然而，利用其他数据载体(诸如记忆棒)是可行的。此外，计算机程序代码可以作为服务器上的纯程序代码提供，并被下载到第四节点114。

第四节点114还可包括存储器804，该存储器804包括一个或多个存储器单元。存储器804被布置为用于存储所获得的信息，存储数据、配置、调度和应用等以当在第四节点114中执行时执行本文中的方法。

在一些实施例中，第四节点114可以通过接收端口805从例如第一节点111、第二节点112、第三节点113和/或节点组123接收信息。在一些示例中，接收端口805可以例如被连接到第四节点114中的一个或多个天线。在其他实施例中，第四节点114可以通过接收端口805从通信网络100中的另一个结构接收信息。由于接收端口805可以与处理器803通信，因此，接收端口805可以向处理器803发送所接收的信息。接收端口805也可以被配置为接收其他信息。

第四节点114中的处理器803还可以被配置为通过发送端口806向例如第一节点111、第二节点112、第三节点113和/或节点组123发射或发送信息，该发送端口806可以与处理器803和存储器804通信。

关于图8所描述的任何一个单元801-802可以是第四节点114的处理器803，或者是在这种处理器上运行的应用。

本领域的技术人员还将理解，关于上文所描述的图8所描述的单元801-802可以是指模拟和数字电路、和/或被配置有例如在存储器中存储的软件和/或固件的一个或多个处理器的组合，该软件和/或固件当由一个或多个处理器(诸如处理器803)执行时如上文所描述地执行。这些处理器中的一个或多个处理器以及另一个数字硬件可以被包括在单个专用集成电路(ASIC)中，或者多个处理器和各种数字硬件可以被分布在多个单独的组件之间，无论是单独封装还是被组装到片上系统(SoC)中。

因此，的根据本文针对第四节点114所描述的实施例的方法可以分别借助于计算机程序807产品实现，该计算机程序807产品包括指令，即软件代码部分，该指令当在至少一个处理器803上执行时，使得至少一个处理器803执行在本文中被描述为由第四节点114所执行的动作。计算机程序807产品可以被存储在计算机可读存储介质808上。在其上存储了计算机程序807的计算机可读存储介质808可包括指令，该指令当在至少一个处理器803上执行时，使得至少一个处理器803执行在本文被描述为由第四节点114所执行的动作。在一些实施例中，计算机可读存储介质808可以是非暂时性计算机可读存储介质(诸如记忆棒)，或者被存储在云空间中。在其他实施例中，计算机程序807产品可以被存储在包含计算机程序的载体上，其中，载体是以下中的一个：电子信号、光信号、无线电信号、或计算机可读存储介质808，如上文所描述的。

第四节点114可包括促进第四节点114与其他节点或设备(例如，第一节点111、第二节点112、第三节点113和/或节点组123)之间的通信的接口单元。在一些特定示例中，接口可以例如包括被配置为根据适合的标准通过空中接口发送和接收无线电信号的收发机。

在其他实施例中，第四节点114可包括图8b所描绘的以下布置。第四节点114可包括处理电路803(例如，一个或多个处理器，诸如第四节点114中的处理器803)和存储器804。第四节点114还可包括无线电电路809，该无线电电路809可包括例如接收端口805和发送端口806。处理电路803可以被配置为或者可操作以采用与关于图8a所描述的类似的方式执行根据图4和/或图5的方法动作。无线电电路809可以被配置为建立和维持至少与例如第一节点111、第二节点112、第三节点113和/或节点组123的无线连接。电路可以在本文中被理解为硬件部件。

因此，本文中的实施例还涉及可操作以在通信网络100中操作的第三节点113。第三节点113可包括处理电路803和存储器804，所述存储器804包含可由所述处理电路803执行的指令，由此，第三节点113还可操作以执行本文例如在图4和/或图5中关于第三节点113所描述的动作。

当使用词语“包括”或者“包含”时，它应当被解释为非限制性的，即意味着“至少由……组成”。

本文中的实施例不限于上文所描述的优选实施例。可以使用各种替代方案、修改方案和等同方案。因此，以上的实施例不应当被理解为限制本发明的范围。

如本文所使用的，表达“在一些实施例中”已经被用于指示所描述的实施例的特征可以与本文所公开的任何其他实施例或示例相组合。

如本文所使用的，表达“在一些示例中”已经被用于指示所描述的示例的特征可以与本文所公开的任何其他实施例或示例相组合。

如本文所使用的，跟随有由逗号分离的替代方案的列表并且其中最后一个替代方案在“和”术语之前的表达“……中的至少一项：”可以被理解为意味着替代方案的列表中只有一个可以适用、替代方案的列表中的超过一个可以适用、或者替代方案的列表的全部可以适用。该表达可以被理解为等同于跟随有由逗号分离的替代方案的列表并且其中最后一个替代方案在“或”术语之前的表达“……中的至少一项：”。