但是，這些更改並非免費提供。5g部署需要對現有基礎架構進行大規模更改，以處理用於更高頻率，波束成形，邊緣計算等的新技術。幸運的是，這些基礎結構的改進也使以前無法實現的應用程式成為可能。例如，5g有潛力使增強現實更加持久。
5g系統生成的大量資料使由機器學習提供支援的資料驅動控制架構能夠使5g變得更加強大和高效。在本文中，我們將討論將機器學習應用於5g系統的體系結構。隨著新架構和演算法在未來幾年中變得越來越普遍，它們可以為5g系統帶來巨大的服務改進並節省成本。
新的5g技術
我們將首先提及5g隨附的一些新技術，這些新技術可使資料驅動架構成為現實。主要驅動程式涉及移動邊緣計算（mec）和無線接入網（ran）。
mec將計算從集中式伺服器移到了不同地區的移動資料使用者附近。通常，資料從基站**到**伺服器。**伺服器處理資料，並將響應傳送回基站。考慮到**伺服器可以在全國各地距基站一半的距離，資料的往返時間大約為幾十到幾百毫秒，這限制了蜂窩網路的響應能力。
mec將分布式計算帶到了蜂窩網路。計算裝置不是一台**伺服器，而是分布在全國各地，每個服務區域乙個或多個。處理等待時間的這種減少使演算法比以前可能的複雜得多，尤其是實時演算法和特定於區域的演算法。
圖1傳統（左）和5g（右）網路架構延遲之間的比較
資料驅動5g架構的第二個關鍵驅動因素是無線電接入網路（ran）的改進。ran負責將資料從使用者裝置傳輸到核心網路。5g技術為ran新增了多個頻帶，波束成形和大規模mimo。這些允許在如何將資料傳遞給使用者方面進行巨大的可重新配置性，但是它們在編排方面提出了挑戰。這種可重新配置性使例如擁擠的**會能夠大大改善服務質量。
在第乙個完整的5g標準集中，3gpp指定將前幾代的基站拆分為多個單獨的單元作為5g標準。他們建議將基站分為**單元，分布式單元和無線電單元（分別為cu，du和ru）。5g ran的分散，靈活的性質可基於來自每個服務區域中數千個單元的資料實現複雜的控制方案。
資料驅動的蜂窩架構
利用分布式ran的一種可能的資料驅動體系結構包括以下內容：
雲控制器，用於管理給定服務區域的ran控制器
ran控制器，用於協調集中式單元和分布式單元，以處理使用者裝置操作，例如ran傳輸和負載平衡
集中式和分布式單元，處理資料傳遞操作
無線電單元，用於控制rf收發器，從而將資料無線傳輸
pole se等人更詳細地介紹和描述了此體系結構。在本文中，他們提出了一種用於蜂窩網路的基於邊緣控制器的架構，並使用來自美國一家主要運營商的數百個基站的真實資料來評估其效能。他們根據使用者的全球移動性模式提供有關如何動態集群和關聯基站和控制器的見解。
雲和ran控制器，甚至集中式單元都可以部署在mec中。元件的分布為協議棧中的不同層提供了關注點分離，因此，允許雲和ran控制器做出更高階別的決策，而不必擔心諸如通道編碼和波束成形之類的低級別操作。
圖2.polese等人提出的5g分布式控制架構。
例如，ran控制器可以聚合來自其所有對應的集中式和分布式單元的資料，並執行機器學習演算法以實時優化服務。然後，雲控制器可以聚合來自多個ran控制器的資料，並確定哪種演算法表現最佳。它還可以建立使用者行為的估計，並可以全天監視不同區域的網路擁塞情況。
機器學習
polese等。在來自加利福尼亞的蜂窩提供商的真實4g-lte資料上測試了其架構。lte架構是完全分布式的，但它沒有5g架構中現有的聚合和資料共享。他們的研究發現，與lte架構相比，如上所述的基於控制器的5g架構通過聚合來自雲和ran控制器中多個**的資料，大大提高了**準確性。這種從眾多**獲取資訊的途徑使該體系結構成為新的資料驅動策略和機器學習的理想選擇。可以在雲和ran控制器上執行演算法，這些演算法可以將決策傳播到它們各自的cu，du和ru。
在機器學習演算法方面，polese等人。對隨機森林，貝葉斯山脊和高斯過程回歸進行了實驗。作者使用這些演算法來**不同的關鍵績效指標。作者還嘗試了基於群集的方法，而不是基於本地的方法。基於集群的方法嘗試根據位置或資料對控制器進行分組。作者發現，基於資料的聚類更為有效。基於資料的群集必須根據網路活動進行定期更新，這需要網路開銷才能在群集之間進行協調，但是作者發現每日更新的效能與15分鐘更新相當。
就rmse（均方根誤差）而言，最成功的演算法是基於聚類的高斯過程回歸變數，其次是基於聚類的隨機森林和基於區域性的貝葉斯嶺。基於群集的gpr在1到10分鐘的所有時滯方面均優於其他所有演算法。此外，與基於本地的方法相比，使用基於群集的方法可將rmse降低53％，直接顯示了5g架構相對於lte的潛在改進。
重要要點
隨著5g的繼續推廣，將需要利用5g網路獨特特性的新應用程式來充分實現效能和效率提公升。使用機器學習等資料驅動技術，ran控制器可以協調分布式基站如何提供服務。在完全分散的lte架構中簡單新增資料共享可以使回歸演算法的rmse降低53％，以這種精度**負載，吞吐量和中斷持續時間的能力對於有效管理網路非常有幫助。
資料驅動的使用
資料驅動 ddt 使用需要結合unittest pip install ddt 使用方法一 from ddt import ddt,data ddt class a unittest.testcase data 引數1，引數2，引數3。說明 引數型別可以為列表，字典，但是每個引數是以逗號分隔 def...
redis如何快取熱點資料，提高快取的使用率
因為redis是記憶體資料庫，占用的資源非常珍惜，所以要盡少的儲存redis資料。可以通過設定快取的有效期expire，一般是一天的時間，可以根據實際情況調整，這種方式來清楚快取中不常用的資料。中可以這樣設定 在儲存redis資料的時候設定expire，取的時候重新設定expire。如果在過期時間內...
如何打造資料驅動的文化
董飛 在高科技領域，資料是不可或缺的。它可以幫助你更好管理系統和團隊，但從資料有效獲取價值比拿到數字更難。你需要一種由資料驅動和抉擇的文化。通過資料可以讓管理者不僅降低正確決策的風險，也更有信心迅速行動。它也提供一種確認選擇是否可行的辦法。建立這樣文化比口頭上簡單說說要更複雜。你衡量哪些資料？如何響...