一种面向移动应用的5g能耗优化方法
技术领域
1.本发明提出一种面向移动应用的5g能耗优化方法。该发明是专门针对5g智能手机上移动应用的能耗优化问题，提出了一种结合5g nr非活动状态的两阶段节能方法5gsaver，实现在节能和通信延迟性能方面的高提升。
背景技术：2.5g技术在智能手机中得到广泛应用，它以更好的性能和更高的效率可以显著改善移动用户体验。但由于5g更高的数据速率、更多的天线和更强大的无线电频率模块，其单位时间的能耗比传统无线电高出三倍。通过研究表明5g nr的大量能量浪费归因于无线电尾部，即无线电接口在数据传输完成后保持在高功率状态的时间段。现有的剪尾方法将迫使无线电进入空闲状态，从而导致不可忽略的能源成本和延迟。
技术实现要素：3.本发明要优化5g nr的高能耗问题，提供一种具有两阶段学习的面向移动应用的5g能耗优化方法5gsaver。
4.5gsaver从缓解无线电尾部现象来减少5g的能耗：当检测到eoc事件时，5gsaver会进一步预测新网络通信的到达时间。如果预计很快会有新的通信，5gsaver将帮助ue进入rrc_inactive状态。否则，5gsaver会选择进入rrc_idle状态进行长期节能。
5.本发明的一种面向移动应用的5g能耗优化方法所采取的技术方案包括以下步骤：
6.(1)转换rrc状态。5g nr具有三种无线资源控制(rrc)状态，即rrc_idle、rrc_inactive和rrc_connected。rrc状态转换过程具体包括：
7.(1.1)ue上的5g无线电从rrc_idle状态初始化。一旦ue有数据包要发送，ue将发送rrc连接请求以进入rrc_connected状态。基站能发起状态转换以挂起rrc连接，并让ue进入rrc_inactive状态。
8.(1.2)当进入rrc_inactive状态时，ue将存储ue非活动入层(as)上下文和rrc配置。在rrc_inactive状态下，当ue需要发送报文时，将恢复挂起的rrc连接，恢复上述信息，并快速过渡到rrc_connected状态。
9.(1.3)当基站认为上下文不再有效或非活动定时器不再有数据传输时，基站将释放rrc连接，并让ue进入rrc_idle状态。
10.(2)定义符号。将网络会话定义为应用程序发送或接收包的时间段，以便任何两个连续的包具有较小的包间时间。使用周期ts来指示ue何时需要释放rrc连接,在5gsaver中设置额外的阈值t
′s来区分ue应该进入非活动状态还是空闲状态。任意两个连续报文之间的周期被定义为数据段，使用t
seg
来表示任意片段的持续时间,从这些片段中提取时间周期为td秒的数据项作为基本数据单元。数据项提取情况具体包括：
11.(2.1)t
seg
《td,由于数据通信期间频繁的数据包传输，大量分段的持续时间非常短。在5gsaver中,使用数据项在开销和准确性之间进行权衡,根据需要连接尽可能多的这
样的短连续段来提取一个活动数据项。
12.(2.2)td《t
seg
《ts,将从观察到的数据包中提取一个活动数据项,每个数据项的长度截断到td秒，因为需要将学习限制在数据包的较短时间内的特征。
13.(2.3)t
seg
》ts,如果分段的时长大于ts，从观察到的报文中提取一个时间段在td秒以内的eoc数据项,机器学习模型能在观察到数据包之后的很长时间段内使用特征来学习eoc事件的规则。对于所有eoc数据项，进一步根据其持续时间将其分为两种情况。
14.(2.4)ts《t
seg
《t
′s,此时ue应该处于非活动状态，这些瞬时eoc事件的eoc数据项将被标记为eoc-fr。
15.(2.5)t
seg
》t
′s，当持续时间大于t
′s时，认为应用程序真的结束数据传输，应该转换到空闲状态，这些瞬时eoc事件的eoc数据项将被标记为eoc-idle。
16.(3)提取特征。在后台以500hz的采样率收集与应用相关的数据，并在每个数据项中提取以下特征：系统函数调用、数据包信息、应用程序资源使用情况、日志信息、以前的数据项状态。
17.(4)识别eoc。在研究智能手机分类模型后，5gsaver使用rf分类器作为其eoc估计工具。由于某些特征可能与特定应用程序的运行状态没有很强的相关性，需要在训练期间过滤掉这些特征。具体过程包括：
18.(4.1)rf分类器的输入是标签为active和eoc的数据项。active数据项的数量远远少于eoc数据项的数量，这使得数据集明显不平衡，对active的数据项进行少采样，以消除样本量的不平衡。
19.(4.2)然后对所有特征进行归一化处理，以加速rf模型的收敛。使用部分数据项及其对应的标签作为训练集，其余的作为测试集。在训练集上执行基于网格的搜索来自动寻找最优的超参数，并采用五折交叉验证策略来最大化分类精度。
20.(4.3)最后，使用优化后的参数来构建最终的rf模型，该rf模型能应用于感兴趣的应用。
21.(5)预测下一个数据包到达时间。在确定当前数据项被标记为eoc后，5gsaver根据t
′s来判断是进入空闲状态还是非活动状态。只需要预测下一个报文的到达时间是否大于t
′s，因此，将预测任务转化为一个二分类问题。因为预测具有挑战性，尝试使用更强大的深度学习模型来解决这个问题。具体过程包括：
22.(5.1)5gsaver使用df作为预测模型，因为df是轻量级的，能获得与深度神经网络高度竞争的性能，而性能对超参数设置具有相当强的鲁棒性。因此，df在不同的移动应用中表现良好。
23.(5.2)与rf类似，df还集成一个功能选择模块，以删除不相关的功能并减少运行时开销。df模型的输入由标签为eoc-fr和eoc-idle的eoc数据项组成。这两个标签之间的比例取决于应用程序。对于浏览器等即时网络通信频繁的应用，eoc-fr数据项的数量远远多于eoc-idle数据项的数量。对于网络通信量较少的应用，eoc-fr数据项的比例将大大降低。
24.(5.3)使用类似的欠采样和归一化方法来处理输入数据，并使用部分数据项来训练df模型。
25.优选地，步骤(4.2)使用70％的数据项及其对应的标签作为训练集，其余的作为测试集。
26.优选地，步骤(5.3)中使用70％数据项来训练df模型。
27.优选地，步骤(5.2)所述的网络通信量较少的应用可以是音乐应用。
28.本发明利用5g nr非活动状态rrc_inactive，可实现低功耗快速唤醒。
29.5g能耗优化方法的关键是明确区分瞬时eoc事件和其他eoc事件，以便无线电可以进入非活动状态实现快速唤醒。在此基础上，提出了一种具有两阶段学习的5g无线电节能方法5gsaver：1)在第一阶段，5gsaver利用随机森林(rf)识别eoc事件(ieoc)；2)在第二阶段，如果识别到eoc事件，5gsaver通过利用程序执行模式以及每个应用的统计信息，进一步利用深度森林(df)来预测下一个包到达时间(ppat)。与其他方法相比，两阶段方法具有较高的识别精度和较低的计算开销。
30.实验结果表明，与最先进的radiojockey方法相比，本发明的两阶段节能方法5gsaver可以降低9.5％的无线能耗成本，同时平均减少12.4％的通信延迟。
31.本发明的优点是：提出了一种结合5g nr非活动状态的两阶段节能方法5gsaver，它的核心理念是利用5g nr中新引入的非活动状态来优化ue能耗，与现有的尾部优化方法相比，5gsaver在节能和通信延迟方面具有更好的效果。
附图说明
32.图1是本发明的ue rrc状态和nr中状态转换图。
33.图2是本发明的从数据包中提取数据项的图。
34.图3是本发明的5gsaver的两阶段工作流图。
35.图4是本发明的5gsaver与现有节能方法比较图。
36.图5是本发明的5gsaver与现有方法通信时延的比较图。
具体实施方式
37.下面结合附图进一步说明本发明的技术方案。
38.本发明提供一种面向移动应用的5g能耗优化方法，包括(1)转换rrc状态；(2)定义符号；(3)提取特征；(4)识别eoc；(5)预测下一个数据包到达时间。
39.如图3，本发明提出了一种结合5g nr非活动状态的两阶段节能方法5gsaver。5gsaver使用与应用相关的功能来训练用于识别eoc事件的rf模型，并训练用于预测下一包到达时间的df模型。具体实施方式如下:
40.(1)配置实验装置。所有实验均使用商用android智能手机中兴axon10pro进行。中兴axon10 pro代表主流5g智能手机，配备强大的5g nr模块(sdx m50 5g调制解调器)。开发了一个基于android api的电池状态监测应用程序，可以获得瞬时电流和电压，然后计算瞬时能耗。当运行目标应用程序时，监控应用程序将以500hz的采样率在后台运行。
41.(2)获取5g nr消耗能量情况。测量了智能手机在运行两个典型应用程序：http下载和在线视频播放器时的能耗，将5g/4g的整体能耗分解为以下4个部分：
42.(2.1)获取系统消耗。关闭屏幕，打开飞机模式，关闭所有后台应用程序。
43.(2.2)获取屏幕消耗。在其他设置不变的情况下，在最大亮度下测量屏幕元素。
44.(2.3)获取应用程序的功耗。提前加载应用程序的内容，然后离线运行应用程序。
45.(2.4)获取无线接口能量消耗。打开和关闭5g模式，分别测量5g nr和4g lte的能
耗。
46.(3)提取特征。开发了一个特征提取模块，在后台以500hz的采样率收集与应用相关的数据，对于每个数据项，收集的特征包括可变数量的系统函数调用、2个数据包特征、11个电池特征、8个cpu特征、7个存储器特征、2个日志特征、1个先前状态。这些功能细分为每个单独的应用程序，可以使用每个应用程序模型很好地捕获这些功能。因此，5gsaver在应用程序粒度上训练模型。
47.(3)训练模型。5gsaver使用rf分类器作为其eoc估计工具，输入是标签为active和eoc的数据项。对active的数据项进行少采样，以消除样本量的不平衡。使用70％的数据项及其对应的标签作为训练集，其余的作为测试集。在训练集上执行基于网格的搜索来自动寻找最优的超参数，并采用五折交叉验证策略来最大化分类精度。最后，使用优化后的参数来构建最终的rf模型，该模型可以应用于感兴趣的应用。5gsaver使用df作为预测模型，输入由标签为eoc-fr和eoc-idle的eoc数据项组成，这两个标签之间的比例取决于应用程序。使用类似的欠采样和归一化方法来处理输入数据，并使用70％的数据项来训练df模型。rf分类器通常可以在普通智能手机(高通骁龙855，搭载了骁龙855芯片及8gb ram的智能手机)上使用涉及78个功能的6514个数据项在0.21秒内进行训练，这足以达到良好的eoc识别精度。由于与其他深度学习算法相比，df预测模型的训练速度相对较快，因此也可以在1.64秒内进行训练。
48.(4)实现在线学习引擎。将预先训练的离线训练模型与在线学习算法相结合。在在线学习期间，5gsaver将在滑动时间窗口中持续监测训练的rf和df模型的错误分类和误预测率。如果误分类(或误预测)率较高，这意味着应用的流量模式已发生显著变化，则学习引擎将使用当前应用实例的数据项来重新训练rf(或df)模型。轻量级的模型允许在线学习引擎直接在手机上执行。在运行时，每当应用程序在长时间空闲后发送或接收包(包1)时，运行时引擎将重置运行状态，形成新的数据项，并开始收集数据项中的相关特征。如果应用程序在数据项td的时间内进一步发送或接收下一个包(包2)，识别当前周期(从包1到包2)是active的，并重新开始收集踪迹作为包2启动的数据项的一部分。另一方面，如果从包1开始在时间窗口td没有网络传输，则运行时引擎需要使用训练好的rf分类器和当前提取的数据项来识别应用程序是否已经达到eoc事件。如果数据项被标识为active，则ue将保持在rrc_connected状态。如果数据项指示发生eoc事件，5gsaver需要进一步使用df模型来预测应用是否会很快重启新的通信。如果是，则ue应该挂起rrc连接并转换到rrc_inactive状态。否则，引擎将使用快速休眠来强制无线电进入rrc_idle状态。
49.(5)分析实验结果，从图4和图5可看出，与商业策略相比，5gsaver在引入可接受的延迟的同时，可以显著地节省能量(平均38.4％)。与最先进的radiojockey方法相比，5gsaver可以降低9.5％的无线能耗成本，同时平均减少12.4％的通信延迟。
50.本发明专门针对5g智能手机上移动应用的能耗优化问题，提出了一种具有两阶段学习的5g无线电节能方法5gsaver：1)在第一阶段，5gsaver利用随机森林(rf)识别eoc事件(ieoc)；2)在第二阶段，如果识别到eoc事件，5gsaver通过利用程序执行模式以及每个应用的统计信息，进一步利用深度森林(df)来预测下一个包到达时间(ppat)。它的核心理念是利用5g nr中新引入的非活动状态来优化ue能耗，与现有的尾部优化方法相比，5gsaver在节能和通信延迟方面具有更好的效果。
51.本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
技术特征：1.一种面向移动应用的5g能耗优化方法，包括以下步骤：(1)转换rrc状态；5g nr具有三种无线资源控制(rrc)状态，即rrc_idle、rrc_inactive和rrc_connected；rrc状态转换过程具体包括：(1.1)ue上的5g无线电从rrc_idle状态初始化；一旦ue有数据包要发送，ue将发送rrc连接请求以进入rrc_connected状态；基站能发起状态转换以挂起rrc连接，并让ue进入rrc_inactive状态；(1.2)当进入rrc_inactive状态时，ue将存储ue非活动入层(as)上下文和rrc配置；在rrc_inactive状态下，当ue需要发送报文时，将恢复挂起的rrc连接，恢复上述信息，并快速过渡到rrc_connected状态；(1.3)当基站认为上下文不再有效或非活动定时器不再有数据传输时，基站将释放rrc连接，并让ue进入rrc_idle状态；(2)定义符号；将网络会话定义为应用程序发送或接收包的时间段，以便任何两个连续的包具有较小的包间时间；使用周期t
s
来指示ue何时需要释放rrc连接,在5gsaver中设置额外的阈值t
′
s
来区分ue应该进入非活动状态还是空闲状态；任意两个连续报文之间的周期被定义为数据段，使用t
seg
来表示任意片段的持续时间,从这些片段中提取时间周期为t
d
秒的数据项作为基本数据单元；数据项提取情况具体包括：(2.1)t
seg
<t
d
,由于数据通信期间频繁的数据包传输，大量分段的持续时间非常短；在5gsaver中,使用数据项在开销和准确性之间进行权衡,根据需要连接尽可能多的这样的短连续段来提取一个活动数据项；(2.2)t
d
<t
seg
<t
s
,将从观察到的数据包中提取一个活动数据项,每个数据项的长度截断到t
d
秒，因为需要将学习限制在数据包的较短时间内的特征；(2.3)t
seg
>t
s
,如果分段的时长大于t
s
，从观察到的报文中提取一个时间段在t
d
秒以内的eoc数据项,机器学习模型能在观察到数据包之后的很长时间段内使用特征来学习eoc事件的规则；对于所有eoc数据项，进一步根据其持续时间将其分为两种情况；(2.4)t
s
<t
seg
<t
′
s
,此时ue应该处于非活动状态，这些瞬时eoc事件的eoc数据项将被标记为eoc-fr；(2.5)t
seg
>t
′
s
，当持续时间大于t
′
s
时，认为应用程序真的结束数据传输，应该转换到空闲状态，这些瞬时eoc事件的eoc数据项将被标记为eoc-idle；(3)提取特征；在后台以500hz的采样率收集与应用相关的数据，并在每个数据项中提取以下特征：系统函数调用、数据包信息、应用程序资源使用情况、日志信息、以前的数据项状态；(4)识别eoc；在研究智能手机分类模型后，5gsaver使用rf分类器作为其eoc估计工具；由于某些特征可能与特定应用程序的运行状态没有很强的相关性，需要在训练期间过滤掉这些特征；具体过程包括：(4.1)rf分类器的输入是标签为active和eoc的数据项；active数据项的数量远远少于eoc数据项的数量，这使得数据集明显不平衡，对active的数据项进行少采样，以消除样本量的不平衡；(4.2)然后对所有特征进行归一化处理，以加速rf模型的收敛；使用部分数据项及其对应的标签作为训练集，其余的作为测试集；在训练集上执行基于网格的搜索来自动寻找最
优的超参数，并采用五折交叉验证策略来最大化分类精度；(4.3)最后，使用优化后的参数来构建最终的rf模型，该rf模型能应用于感兴趣的应用；(5)预测下一个数据包到达时间；在确定当前数据项被标记为eoc后，5gsaver根据t
′
s
来判断是进入空闲状态还是非活动状态；只需要预测下一个报文的到达时间是否大于t
′
s
，因此，将预测任务转化为一个二分类问题；因为预测具有挑战性，尝试使用更强大的深度学习模型来解决这个问题；具体过程包括：(5.1)5gsaver使用df作为预测模型，因为df是轻量级的，能获得与深度神经网络高度竞争的性能，而性能对超参数设置具有相当强的鲁棒性；因此，df在不同的移动应用中表现良好；(5.2)与rf类似，df还集成一个功能选择模块，以删除不相关的功能并减少运行时开销；df模型的输入由标签为eoc-fr和eoc-idle的eoc数据项组成；这两个标签之间的比例取决于应用程序；对于浏览器等即时网络通信频繁的应用，eoc-fr数据项的数量远远多于eoc-idle数据项的数量；对于网络通信量较少的应用，eoc-fr数据项的比例将大大降低；(5.3)使用类似的欠采样和归一化方法来处理输入数据，并使用部分数据项来训练df模型。2.如权利要求1所述的一种面向移动应用的5g能耗优化方法，其特征在于：步骤(4.2)使用70％的数据项及其对应的标签作为训练集，其余的作为测试集。3.如权利要求1所述的一种面向移动应用的5g能耗优化方法，其特征在于：步骤(5.3)中使用70％数据项来训练df模型。4.如权利要求1所述的一种面向移动应用的5g能耗优化方法，其特征在于：步骤(5.2)所述的网络通信量较少的应用是音乐应用。
技术总结一种面向移动应用的5G能耗优化方法，包括：包括(1)转换RRC状态；(2)定义符号；(3)提取特征；(4)识别EOC；(5)预测下一个数据包到达时间。本发明针对5G智能手机上移动应用的能耗优化问题，提出了一种具有两阶段学习的5G无线电节能方法5GSaver：1)在第一阶段，5GSaver利用随机森林(RF)识别EOC事件(IEOC)；2)在第二阶段，如果识别到EOC事件，5GSaver通过利用程序执行模式以及每个应用的统计信息，进一步利用深度森林(DF)来预测下一个包到达时间(PPAT)。本发明利用5G NR中新引入的非活动状态来优化UE能耗，与现有的尾部优化方法相比，本发明在节能和通信延迟方面具有更好的效果。节能和通信延迟方面具有更好的效果。节能和通信延迟方面具有更好的效果。
技术研发人员：董玮 高艺 丁智 周宏
受保护的技术使用者：浙江大学
技术研发日：2022.07.26
技术公布日：2022/11/1
