阅读说明：本技术 用于预测修复的通信信道的比特率的方法和装置 (Method and apparatus for predicting bit rate of a repaired communication channel ) 是由 N·杜普伊斯 P·迪里克斯 于 2020-01-22 设计创作，主要内容包括：实施例涉及一种用于预测修复的通信信道的比特率的方法和装置。该方法可以包括：-生成数据集,数据集针对多个通信信道指定：-受损害影响的通信信道的信道频率响应；以及-未受所述损害影响的通信信道的信道频率响应；-基于数据集,训练机器学习模型,机器学习模型被配置用于基于受损的通信信道的信道频率响应来预测修复的通信信道的信道频率响应。(Embodiments relate to a method and apparatus for predicting a bit rate of a repaired communication channel. The method can comprise the following steps: -generating a data set, the data set specifying for a plurality of communication channels: -a channel frequency response of the communication channel affected by the impairment; -a channel frequency response of a communication channel not affected by said impairment; -training a machine learning model based on the data set, the machine learning model being configured for predicting a channel frequency response of the repaired communication channel based on the channel frequency response of the impaired communication channel.)

用于预测修复的通信信道的比特率的方法和装置

技术领域

本发明的实施例涉及电信领域。特别地，本发明的实施例涉及一种用于预测修复的通信信道的比特率的方法和装置。

背景技术

通信信道的信道频率响应表示介质针对相应的频率对发射信号的衰减。在诸如DSL的多音调通信系统中，它可以用于在不同的频率载波上填充适当数量的比特。

当通信信道受到损害影响时，信道频率响应和可达到的比特率会受到影响。通过消除损害来修复通信信道可以改进信道频率响应和可达到的比特率。然而，修复的通信信道的改进的比特率在一个信道与另一个信道之间可能会变化，因此，相应的修复动作的成本/收益比不同。因此，针对可能计划对其进行修复的受损的通信信道，期望预测修复的通信信道的信道频率响应和/或可达到的比特率。已知的预测方法例如依赖于曲线拟合技术，插值…。

发明内容

因此，本发明的实施例的目的是提出一种用于预测通信信道的信道频率响应的方法和装置，其没有示出现有技术的固有缺点。

因此，实施例涉及一种装置，其包括被配置用于以下操作的装置：

-生成数据集，数据集针对多个通信信道指定：

-受损害影响的通信信道的信道频率响应；以及

-未受所述损害影响的通信信道的信道频率响应；

-基于数据集，训练机器学习模型，机器学习模型被配置用于基于受损的通信信道的信道频率响应来预测修复的通信信道的信道频率响应。

在一些实施例中，生成所述数据集包括：基于电路模拟，确定受损害影响的通信信道的信道频率响应和未受所述损害影响的对应通信信道的信道频率响应中的至少一个。

在一些实施例中，在数据集中，未受损害影响的通信信道的信道频率响应基于表示在对数标度上的信道衰减与频率的平方根之间的关系的参数来指定。

在一些实施例中，训练所述机器学习模型包括确定误差，误差表示：

-预测的信道频率响应与预期的信道频率响应之间的比较；以及

-所述参数的预测值与所述参数的允许值之间的比较。

在一些实施例中，训练所述机器学习模型包括确定误差，误差表示：

-预测的信道频率响应与预期的信道频率响应之间的比较；以及

-预测的信道频率响应和预期的信道频率响应之间的交点。

在一些实施例中，机器学习模型包括卷积神经网络，卷积神经网络包括至少两个卷积层。

在一些实施例中，所述装置进一步被配置用于基于通常在测量曲线中观察到的调制解调器测量效果，生成数据集。

在一些实施例中，所述装置进一步被配置用于使用经训练的机器学习模型，基于在受损的通信信道上测量的信道频率响应，确定对应的修复的通信信道的信道频率响应。

在一些实施例中，所述装置进一步被配置用于基于对应的修复的通信信道的信道频率响应，确定用于修复的通信信道的比特率或比特率改进。

在一些实施例中，所述装置进一步被配置用于在另一个装置中部署经训练的机器学习模型。

在一些实施例中，所述装置进一步包括至少一个处理器和至少一个存储器，至少一个存储器存储指令，至少一个存储器和指令被配置为与至少一个处理器一起使得装置至少部分地执行在上面讨论的功能。

实施例还涉及一种计算机实现的方法，其包括：

-生成数据集，数据集针对多个通信信道指定：

-受损害影响的通信信道的信道频率响应；以及

-未受所述损害影响的通信信道的信道频率响应；

-基于数据集，训练机器学习模型，机器学习模型被配置用于基于受损的通信信道的信道频率响应来预测修复的通信信道的信道频率响应。

在一些实施例中，该方法包括：在另一个装置中部署经训练的机器学习模型。

实施例还涉及一种通过上述方法获得的装置，其包括被配置用于使用经训练的机器学习模型，基于在受损的通信信道上测量的信道频率响应来确定对应的修复的通信信道的信道频率响应的装置。

实施例还涉及一种计算机程序，其包括指令，当所述指令由计算机执行时所述指令用于执行前述方法。计算机程序可以存储在计算机可读介质上。计算机可读介质可以是非暂时性计算机可读介质。

附图说明

通过结合附图参考实施例的以下描述，本发明的上述和其它目的以及特征将变得更加显而易见，并且将最好地理解本发明本身，其中：

图1和图2是信道频率响应的曲线图；

图3是通信网络的框图；

图4是在图3的通信网络中执行的方法的流程图；

图5是机器学习模型的框图，机器学习模型被配置用于基于受损的通信信道的信道频率响应来预测修复的通信信道的信道频率响应；

图6是在图3的通信网络中执行的方法的流程图；

图7是在图3的网络中使用的装置的结构视图。

具体实施方式

图1是通信信道的信道频率响应的曲线图。更具体地，图1的示例涉及数字用户线路(DSL)。该曲线通常采用dB表示并且在DSL上下文中称为Hlog，它取决于多个拓扑因素，诸如环路长度，线规(线路阻抗)，绝缘类型，连接器特性…。Hlog曲线还对任何损害的存在很敏感，或者通常对任何未预料到的拓扑配置的存在很敏感。例如，在存在通常被称为“桥接抽头”的“双路径”的情况下，这种Hlog在其形状上会出现一些下陷。

通常，这种损害的存在会影响服务质量。这是由于速度降低，误服务的存在，一些连接丢失等而发生的。因此，需要检测到这些损害，以及识别它们以相应以及有效地采取行动(用正确的工具在正确的位置进行正确的动作)。

然而，运营商还想要量化和预测消除这种损害例如在带宽方面带来的收益，因为这将帮助并优先考虑干预的必要性，以及声明关于恢复适当的服务水平的能力。实际上，该量化问题通过尝试在不存在损害的情况下估计类似的环路拓扑的信道频率响应(Hlog)而得以解决。例如，如果受损的环路包含桥接抽头，则这在于估计没有桥接抽头的环路的信道频率响应和相关链路能力。

可能难以正确地基于受损的通信线路的信道频率响应来预测修复/未受损的通信线路的信道频率响应。这关于图2而示出，图2是通信信道的信道频率响应的曲线图。更具体地：

-曲线10表示受误连接的分离器影响的DSL线路的信道频率响应；

-曲线11表示具有正确连接的分离器的同一DSL线路的信道频率响应；

-曲线12表示基于曲线10通过曲线拟合技术获得的曲线11的预测；以及

-曲线13表示基于曲线10通过如下文所描述的实施例获得的曲线11的预测。

可以看出，与曲线13相比，曲线12不是准确的预测。这种不准确性的后果主要在于：

·错误地估计了这种损害的“比特率影响”，或者，换句话说，错误地预测了一旦被修复的“带宽增益”。

·错误地估计了回路长度。实际上，“修复的”(未受损的)信道频率响应是环路长度的良好的指示器(经由其在sqrt(频率)域中的斜率，参见下文)。

不正确地估计这两个方面会导致无法提供相关/可靠的建议观点。

从主动性的全网络的广角度来看，如果运营商可确保消除损害将显著地改进线路性能，则运营商愿意优先考虑他们的现场干预以消除DSL线路上的损害。在该上下文中，使用可靠的方法来估计损害的比特率影响并且在全网络范围内对结果进行排名/排序将改进关于下一个最佳动作的客户策略以改进他们的网络。

从反应性的单个DSL线路场景(帮助台呼叫)来看，改进与损害相关的比特率影响的准确性并且改进DSL线路环路长度估计，将使得运营商可以更好地了解如果损害被消除，则将获得的收益。因此，可以更好地管理与预期计划的现场干预相关的终端客户。

图1和图2之间的水平轴不同，因为在图1中，它采用音调表示，进而以频率表示，如果HLOG针对VDSL2 17Mhz频谱而进行报告，则需要使用载波组(8)和音调间隔(4,3125kHz)。这意味着音调512对应于：512*CG*音调间隔＝512*8*4.3125KHz＝17.6MHz。

在本发明的实施例中，通信网络包括通过一个或多个通信信道连接的网络单元。通信信道可以是有线或无线信道。网络单元可以使用适当的通信协议在通信信道上进行通信。例如，两个网络单元可以使用DSL技术或电力线路通信技术通过有线线路进行通信。此外，两个网络单元可以使用蜂窝通信技术(3GPP 3G，4G，5G…)或Wi-Fi技术通过无线信道进行通信。实施例的进一步描述基于DSL上下文。在DSL上下文中，信道频率响应通常被称为Hlog，采用dB通过512个频率组来表示。

图3是基于DSL技术的通信网络1的框图。通信网络1包括一个或多个接入节点2、一个或多个终端3、一个或多个通信线路4以及装置5。

接入节点2例如是包括多个DSL调制解调器的DSLAM，并且通过相应的通信线路4连接到一个或多个终端3。

终端3例如是包括DSL调制解调器的客户端设备。接入节点2和终端3使用DSL技术以用于通过通信线路4进行通信。

通信线路4例如是双绞铜线。

接入节点2和/或终端3可被配置用于提供表示DSL调制解调器和通信线路4的功能的操作数据。操作数据可以指定通信线路4的信道频率响应，如由接入节点2和/或终端3的调制解调器所测量的。

装置5包括监控设备6和配置设备7。

监控设备6可以获取由接入节点2和终端3提供的操作数据，并基于操作数据执行各种监控和管理功能，诸如损害检测，动态线路配置，状态可视化和报告…。特别地，如在下文中更详细地描述的，监控设备6可以基于受损的通信线路4的信道频率响应来估计修复的通信线路4的信道频率响应和/或可达到的比特率和/或可用带宽。注意，在本说明书的上下文中，当线路分别处于受损、修复或未受损状态时，表述“受损的通信线路”、“修复的通信线路”、“未受损的通信线路”可以指同一线路。

配置设备7可以生成机器学习模型并将其提供给监控设备6，该机器学习模型被配置用于基于受损的通信线路4的信道频率响应来估计对应的修复的通信线路4的信道频率响应。

注意，监控设备6与配置设备7之间的区别是功能上的。监控设备6和配置设备7可以是计算机实现的设备。在一些实施例中，监控设备6和配置设备7对应于不同的计算机或计算机组。例如，监控设备6对应于由网络运营商控制的服务器，配置设备7对应于由数据分析公司控制的服务器。在其它实施例中，监控设备6和配置设备7可以对应于同一计算机或计算机组，例如，对应于由网络运营商控制的服务器。

图4是由配置设备7执行的方法的流程图。

配置设备7生成训练数据集(步骤S1)。训练数据集针对多个通信线路指定：

-受损害影响的通信线路的信道频率响应；以及

-未受损害影响的通信线路的信道频率响应。

例如，考虑线路拓扑以及损害类型和配置的各种组合。线路拓扑例如对应于长度，线规，绝缘体类型，连接器类型…。损害类型对应于桥接抽头，误连接的分离器，氧化的连接…中的一个。损害配置例如对应于桥接抽头的长度和位置…。

对于给定的线路拓扑、损害类型和配置的组合，配置设备7使用电路模拟技术来确定受损线路和未受损线路的信道频率响应。电路模拟是基于电路模型来确定电气或电子电路的一个或多个特性的任务。在一些实施例中，配置设备7使用两个版本的通信线路模型：一个版本具有损害，而另一个版本没有损害。基于模拟而获得相应的信道频率响应。该信道频率响应对与训练数据集的训练样本相对应，其中，未受损线路的信道频率响应可被视为有监督训练的标签。

在一些实施例中，数据增强技术用于增加基于模拟而获得的训练样本的数量并覆盖更多真实世界的情况。例如，新的训练样本可以基于添加通常在测量曲线中观察到的调制解调器测量效果，通过修改基于模拟而获得的受损线路的信道频率响应来获得。

受损线路的信道频率响应可以表示为对应于N个频率或频率组的N个值的向量。通常，在DSL上下文中，N＝512。这是一种常用格式并且可从更广大的曲线的聚合而得到，这取决于各种技术。例如，在VDSL2 17Mhz中，4096个音调的测量Hlog以1:8的比率聚合，从而产生512个音调组的Hlog曲线。

在一些实施例中，修复的线路(未受损线路)的信道频率响应也可以表示为对应于频率组的N个频率的N个值的向量。然而，基于传输理论，主要是由于“趋肤效应”，健康的DSL铜线对具有采用对数标度(dB)表示的信道频率响应，其相对于信号频率的平方根呈现线性衰减。这在公式上表示为：

Hlog[dB]＝a*sqrt(f[Hz])

其中，参数a可以在[-Inf,0]区间内取任意值。因此，在一些实施例中，在训练数据集中，由参数a的值来指定未受损线路的信道频率响应。

然后，配置设备7基于所生成的训练数据集来训练机器学习模型(步骤S2)。

机器学习模型被配置用于基于受损线路的信道频率响应来确定修复的线路的信道频率响应。例如，机器学习模型采用大小为N的向量作为输入以指定受损线路的信道频率响应，然后输出对应的修复的通信线路的参数a的值。

可以使用机器学习模型的各种架构，并且随后参考图5来描述示例。

训练机器学习模型包括基于训练数据集，设置模型的参数的值，例如，权重和偏置。这可涉及随机梯度下降算法或其它训练算法。训练样本可以分批处理。

随机梯度下降算法和其它训练算法都是基于确定误差。在一些实施例中，训练包括确定误差，其根据以下中的至少一个：

-预测的信道频率响应与预期的信道频率响应之间的比较；

-预测的信道频率响应与目标信道频率响应之间的交点；

-在信道频率响应由例如参数a的一个或多个参数指定的实施例中，参数的允许值。

例如，在一些实施例中，配置设备7使用以下误差：

HYBRID_MSE_[batch]＝mean_[batch](SE_slope+SE_crossing+SE_positive)

其中:

SE_slope＝(a_predicted–a_target)²

SE_crossing＝mean_tones((Hlog_predicted–Hlog_target)²，仅针对其中Hlog_predicted>Hlog_target的音调)

SE_positive＝(a_predicted)²，仅当a>0时

使用这种混合误差有助于预测满足域知识要求的信道频率响应。

然后，至少在配置设备7和监控设备6彼此不同的实施例中，配置设备7在监控设备6中部署经训练的机器学习模型(步骤S3)。这涉及将表示经训练的机器学习模型的结构和/或参数的数据发送到监控设备6，从而直接获得被配置用于使用经训练的机器学习模型的监控设备6。

图5是机器学习模型20的框图，在一些实施例中，机器学习模型20由设备5使用。

机器学习模型20是卷积神经网络。机器学习模型20的输入是大小为N的向量以表示受损线路的信道频率响应，机器学习模型20的输出是参数a的估计值，其指定了对应的修复的线路的信道频率响应。

机器学习模型20包括串联设置的第一卷积层21、第一池化层22、第二卷积层23、第二池化层24以及回归层25。

第一卷积层21包括大小为1×D₁的多个滤波器。第二卷积层22包括大小为1×D₂的多个滤波器。受损的Hlog曲线通常会呈现出指示损害类型的模式的重复。两个卷积层的组合允许检测模式和它们的重复。对于具有N＝512的输入曲线，示例性大小是D₁<＝8和D₂>＝10。卷积滤波的另一个重要方面是所使用的滤波器数量。根据机器学习最佳实践理论，模型的复杂度越低，它的概括能力越高。由于所使用的滤波器数量与要组合的特征的数量之间存在直接关系，因此，与越低越好的复杂度之间也存在直接关系。然而，无论如何，我们都希望提取足够的特征以能够执行准确的预测。因此，需要进行权衡。因此，优选的设计是8到16个基本形状，但数量尚不多。如在计算机视觉中常见的提议超过16个滤波器在本文中不相关。相反，提议更少的滤波器(例如，＜4)将不允许检测或区分一些基本形状，从而使得不可能检测到或分离不同的损害。

池化层22和24允许减小特征图的大小并且因此降低了模型的复杂度。这是由于当卷积减少了相邻值时，在相邻输出之间存在信息冗余。因此，在该阶段有机会降低模型的复杂度。知道最终的输出只包括单个标量值(“a”)的预测，并且知道存在固有的平滑效应，池化层22和24可以执行相当高的池化(下采样)，通常通过比率1:X，其中，X通常等于或小于滤波器的大小。在我们的示例中，这意味着在第一池化层22中池化<1:8，在第二池化层24中池化<1:10。

如图5所示，回归层25也由神经元组成并且属于同一神经网络。与卷积部分相比，其目的是建立所有特征与要预测的系数“a”之间的关系。因此，在该阶段，不存在卷积滤波也不存在池化，只存在所有神经元与其它层神经元之间的连接。回归层25可以是包括输入层、隐藏层和输出层的完全连接的部分。输入层接收由卷积部分(卷积层21、23，池化层22、24)提供的特征。输出层包括输出值a的单个神经元。

除了这些方面，通常针对特征提取而提议的神经元模型与针对回归而提议的神经元模型之间的主要区别在于激活功能之间的区别。通常，整流线性单位(ReLU)激活功能用于使用神经元来执行卷积(其是线性过程)，而出于回归目的，优选非线性激活功能。这是优选选项。然而，由于要预测的系数是连续且相当均匀地分布的，因此，使得选择如SoftSign或TanH的饱和激活功能是没有意义的。在该意义上，对于我们的示例，优选选择eLU功能。

最后，在该完全连接阶段，主要调整因素是所使用的神经元数量。在特征数量与单个标量输出值之间，可以选择相当低数量的神经元(<128)。根据领域专业知识，在该阶段没有有效的理由来通过添加额外的层而在模型中引入额外的复杂度。因此，选择单个回归层并且最终将其连接到包括一个神经元的输出要预测的系数值的输出层。

图6是由监控装置6执行的方法的流程图。

监控设备6获取指定通信线路4的信道频率响应CFR_i的数据(步骤T1)。在一些实施例中，尤其基于对通信线路4的分析，已将通信线路4识别为受损线路。

通过使用经训练的机器学习模型，监控设备6基于信道频率响应CFR_i来确定信道频率响应CFR_r(步骤T2)。信道频率响应CFR_r表示在旨在消除损害的修复动作之后针对通信线路4可获得的信道频率响应的估计。

在一些实施例中，监控设备6基于信道频率响应CFR_r来确定比特率和/或比特率改进(步骤T3)。对于给定的通信技术，所确定的比特率表示可在旨在消除损害的修复动作之后针对通信线路4而获得的在通信线路4上可达到的比特率的估计。所确定的比特率改进表示该比特率与在受损的通信线路4上的实际比特率之间的差。对于诸如VDSL2或G.Fast的给定技术，已知技术允许基于信道频率响应来确定比特率。

可以针对多个通信线路4执行步骤T1至T3。因此，可以确定多个通信线路4的潜在比特率、比特率改进和/或损害类型。这允许比较用于相应的通信线路4或通信线路4组的修复动作的成本/收益。

因此，在一些实施例中，监控设备6确定用于通信网络1的推荐修复动作(步骤T4)。这可以包括确定和/或输出(例如，显示)提议的修复动作的列表。该列表可以基于修复的线路的潜在比特率，修复的线路的潜在比特率改进，成本/收益比…中的一个或多个来进行排名。在一些实施例中，监控设备6命令执行提议的修复动作中的一个。

当将图6的方法的输出与例如基于曲线拟合技术的其它预测方案进行比较时，比较测试已示出了针对信道频率响应预测和比特率预测的改进的准确性。与预测值相关的置信区间也得以改进(例如，更小)。这意味着图4的方法提供了分别在受损状态和修复状态下通信信道的信道频率响应之间的关系的精确建模。经训练的机器学习模型可用于比特率预测或其它预测和分析。

改进的比特率预测允许例如基于成本/收益而对用于相应的通信信道或通信信道组的修复动作进行适当的排名。

图7是表示装置30的结构架构的框图。装置30可以对应于装置5、监控设备6和配置设备7中的一个。

装置30包括处理器31和存储器32。存储器32存储计算机程序代码P。存储器32和计算机程序代码P被配置为与处理器31一起使得装置30至少部分地执行参考图4和/或图6所描述的方法。

在本说明书的上下文中，机器学习模型是用于基于一输入来输出一输出的功能，其取决于可训练的参数。机器学习模型的示例是神经网络，其中权重和偏置作为参数。训练机器学习模型是基于训练数据来确定模型参数的任务。

应当注意，虽然已经采用特定的步骤顺序描述了方法的示例，但这并不排除其它实现。特别地，所描述的步骤可以采用另一个顺序来执行，部分或全部并行地执行…。

应当注意，在附图中所示的各种元件的功能可以通过使用专用硬件以及能够与适当的软件相关联地执行软件的硬件来提供。当由处理器提供时，这些功能可以由单个专用处理器、单个共享处理器、或多个单独的处理器来提供，其中一些例如可以在云计算架构中共享。此外，术语“处理器”的明确使用不应被解释为专门指代能够执行软件的硬件，而是可以隐含地包括但不限于数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)、以及非易失性存储设备。还可以包括其它常规和/或定制的硬件。它们的功能可以通过程序逻辑的操作、通过专用逻辑、通过程序控制和专用逻辑的交互、或者甚至手动来执行，如根据上下文更具体地理解的，特定技术可由执行者来选择。

本领域技术人员应进一步理解，本文中的任何框图表示体现本发明的原理的说明性电路的概念视图。类似地，将理解，任何流程图表示可以基本上在计算机可读介质中表示并且因此由计算机或处理器执行的各种过程，无论是否明确示出这种计算机或处理器。

虽然在上面已经结合特定实施例描述了本发明的原理，但是应当清楚地理解，该描述仅仅是通过示例的方式进行的，并不是对如由所附权利要求限定的本发明的范围的限制。