一种链路自适应调整方法、基站及核心网侧设备与流程

本发明涉及无线通信技术领域，尤其涉及一种链路自适应调整方法、基站及核心网侧设备。

背景技术：

由于传播损耗、快衰落、慢衰落以及干扰变化等因素的影响，无线信道具有时变特性。为了最大限度地提升系统性能，自适应调整编码(adaptivemodulationandcoding,amc)常常作为链路自适应技术被采用，以适应无线信道的变化带来的影响。

具体地，在采用amc时，用户终端(userequipment，ue)首先通过对下行公共参考信号的检测，进行下行信道质量的测量，并计算出相应的信干燥比(signaltointerferenceandnoise,sinr)。接下来，ue通过一定的方法将计算出的sinr映射至具体的信道质量指示(channelqualityindicator，cqi)，并将映射得到的cqi反馈给基站。之后，基站根据ue反馈的cqi选择相应的调整与编码技术(modulationandcodingscheme,mcs)，并根据选择的mcs进行链路自适应调整。

需要说明的是，ue在将计算出的sinr映射至具体的cqi的过程中需要利用到一些理论模型，由于这些理论模型是与理想链路匹配的模型，其与实际链路的匹配度较低，因此，基站根据映射得到的cqi确定出的mcs与实际链路的匹配度也较低，这样，链路自适应调整效果无法得到保证。

技术实现要素：

本发明实施例提供一种链路自适应调整方法、基站及核心网侧设备，以解决现有技术中，基站根据映射得到的cqi确定出的mcs与实际链路的匹配度较低，导致链路自适应调整效果无法得到保证的问题。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本发明实施例提供一种链路自适应调整方法，应用于基站，所述方法包括：

获取输入数据；其中，所述输入数据包括目标用户终端ue当前的载波信道强度分布信息、信道误差信息、信道质量指示cqi、用户多入多出mimo传输模式，以及所述基站当前的mimo服务用户数量；

根据所述输入数据和链路自适应决策模型，获得由所述链路自适应决策模型输出的目标输出数据集；

根据所述目标输出数据集，确定目标调制与编码策略mcs；

根据所述目标mcs，对所述基站与所述目标ue间的链路进行自适应调整。

第二方面，本发明实施例提供一种链路自适应调整方法，应用于核心网侧设备，所述方法包括：

确定链路自适应决策模型；其中，所述链路自适应决策模型为：由包括用户终端ue的载波信道强度分布信息、信道误差信息、信道质量指示cqi、用户多入多出mimo传输模式、基站的mimo服务数量，以及所述ue使用的目标调制与编码策略mcs的数据作为输入数据集，由包括所述ue与所述基站间传输数据的包错误率per的数据作为输出数据集进行训练得到的模型；

将所述链路自适应决策模型分发至所述基站，以使所述基站在获取输入数据的情况下，根据所述输入数据和所述链路自适应决策模型，获得由所述链路自适应决策模型输出的目标输出数据集，根据所述目标输出数据集确定目标mcs，并根据所述目标mcs，对所述基站与目标ue间的链路进行自适应调整；

其中，所述输入数据包括所述目标ue当前的载波信道强度分布信息、信道误差信息、cqi、用户mimo传输模式，以及所述基站当前的mimo服务用户数量。

第三方面，本发明实施例提供一种基站，所述基站包括：

存储器，用于存储链路自适应决策模型；

处理器，用于获取输入数据；根据所述输入数据和所述链路自适应决策模型，获得由所述链路自适应决策模型输出的目标输出数据集；根据所述目标输出数据集，确定目标调制与编码策略mcs；根据所述目标mcs，对所述基站与所述目标ue间的链路进行自适应调整；

其中，所述输入数据包括目标用户终端ue当前的载波信道强度分布信息、信道误差信息、信道质量指示cqi、用户多入多出mimo传输模式，以及所述基站当前的mimo服务用户数量。

第四方面，本发明实施例提供一种核心网侧设备，包括：

处理器，用于确定链路自适应决策模型；其中，所述链路自适应决策模型为：由包括用户终端ue的载波信道强度分布信息、信道误差信息、信道质量指示cqi、用户多入多出mimo传输模式、基站的mimo服务数量，以及所述ue使用的目标调制与编码策略mcs的数据作为输入数据集，由包括所述ue与所述基站间传输数据的包错误率per的数据作为输出数据集进行训练得到的模型；

发送器，用于将所述链路自适应决策模型分发至所述基站，以使所述基站在获取输入数据的情况下，根据所述输入数据和所述链路自适应决策模型，获得由所述链路自适应决策模型输出的目标输出数据集，根据所述目标输出数据集确定目标mcs，并根据所述目标mcs，对所述基站与目标ue间的链路进行自适应调整；

其中，所述输入数据包括所述目标ue当前的载波信道强度分布信息、信道误差信息、cqi、用户mimo传输模式，以及所述基站当前的mimo服务用户数量。

第五方面，本发明实施例一种基站，包括处理器，存储器，存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述应用于基站的链路自适应调整方法的步骤。

第六方面，本发明实施例提供一种核心网侧设备，包括处理器，存储器，存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时上述应用于核心网侧设备的链路自适应调整方法的步骤。

第七方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述应用于基站的链路自适应调整方法的步骤，或者实现上述应用于核心网侧设备的链路自适应调整方法的步骤。

本发明实施例中，基站可以预先获得链路自适应决策模型，链路自适应决策模型可以是使用与实际链路情况紧密关联的数据进行模型训练得到的。基站可以根据获取的输入数据和预先获得的链路自适应决策模型，获得与实际链路的匹配度较高的目标输出数据集。之后，根据目标输出数据集，基站能够确定出与实际链路的匹配度也较高的目标mcs。这样，在根据与实际链路的匹配度较高的目标mcs，对基站与目标ue间的链路进行自适应调整的情况下，链路自适应调整效果能够得到较好地保证。

可以看出，本发明实施例中，链路自适应调整过程中利用的并不是理论模型，而是使用与实际链路情况紧密关联的数据训练得到的链路自适应决策模型，这样，链路自适应调整过程基于的目标mcs与实际链路的干扰情况和信道特征的匹配度更高，因此，与现有技术相比，本发明实施例能够较好地保证链路自适应调整效果。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获取其他的附图。

图1是本发明实施例提供的应用于基站的链路自适应调整方法的流程图；

图2是链路自适应决策模型的训练原理图；

图3是核心网侧设备、基站、ue三者的组网示意图之一；

图4是核心网侧设备、基站、ue三者的组网示意图之二；

图5是本发明实施例提供的应用于核心网侧设备的链路自适应调整方法的流程图；

图6是本发明实施例提供的基站的结构示意图；

图7是本发明实施例提供的核心网侧设备的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。

为了解决现有技术存在的问题，本发明实施例提供了一种链路自适应调整方法、基站、核心网侧设备及计算机可读存储介质。

下面首先对本发明实施例从基站的角度提供的链路自适应调整方法进行说明。

参见图1，图中示出了本发明实施例提供的链路自适应调整方法的流程图。如图1所示，该方法应用于基站，该方法包括如下步骤：

步骤101，获取输入数据；其中，输入数据包括目标ue当前的载波信道强度分布信息、信道误差信息、cqi、用户多入多出(multiple-inputmultiple-output，mimo)传输模式，以及基站当前的mimo服务用户数量。

下面分别对基站获取的输入数据中的各数据进行介绍。

在基站获取的输入数据中，目标ue当前的载波信道强度分布信息可以是上行信道估计幅值。载波信道强度分布信息可以有两种获取方式：一种获取方式中，载波信道强度分布信息是目标ue反馈给基站的；另一种获取方式中，载波信道强度分布信息是基站基于通过上行信道探测参考信号(soundingreferencesignal，srs)进行信道估计获得的信道状态信息得到的。在后一种获取方式中，基站可以针对目标ue计算得到至少一个资源块(resourceblock，rb，包括12个子载波)的平均信道增益，并将计算得到的平均信道增益作为信道状态信息。

在基站获取的输入数据中，目标ue当前的信道误差信息可以是码本量化距离、移动速度和信道过期时间中的至少一个，信道误差信息可以由基站自身确定。

在基站获取的输入数据中，目标ue当前的cqi可以是目标ue确定并反馈给基站的，下面对目标ue确定cqi的过程进行简要说明。

为了确定cqi，目标ue需要预先获得载波的sinr与等效sinr的函数关系，以及sinr和mcs的映射关系。

其中，目标ue可以计算正交频分复用(orthogonalfrequencydivisionmultiplexing，ofdm)上每个载波的sinr，并通过仿真获得各载波的sinr与等效sinr的函数关系。其中，sinr与等效sinr的函数关系中包括的参数可以通过仿真进行拟合得到，得到该函数关系使用的仿真方法可以是指数有效sinr映射(exponentialeffectivesinrmapping，eesm)或者互信息有效sinr映射(mutualinformationeffectivesinrmapping，mi-esm)。

sinr和mcs的映射关系也可以通过仿真获得。具体地，目标ue可以针对不同的mcs，通过仿真得到高斯信道下sinr和块差错率(blockerrorrate，bler)的关系曲线。接下来，针对仿真得到的每个关系曲线，目标ue确定bler的设定门限值(例如bler＝10％)所对应的sinr，并据此获得sinr和mcs的映射关系。

在预先获得sinr与等效sinr的函数关系，以及sinr和mcs的映射关系的情况下，目标ue可以通过对下行公共参考信号的检测，进行下行信道质量的测量，并计算出相应的sinr。在计算出sinr之后，根据预先获得的sinr与等效sinr的函数关系，目标ue映射得到相应的等效sinr。接下来，目标ue根据预先获得的sinr和mcs的映射关系，确定映射得到的等效sinr对应的mcs。一般而言，ue内预先存储有cqi表格(在cqi表格中不同的cqi对应不同的mcs)，这样，根据cqi表格，目标ue能够得到确定出的mcs对应的cqi，至此，目标ue成功确定出了当前的cqi，目标ue可以将确定出的cqi反馈给基站。

在基站获取的输入数据中，目标ue当前的mimo传输模式，以及基站当前的mimo服务用户数量可以由基站自身确定。

需要强调的是，目标ue可以是由基站提供服务的任意ue，针对目标ue，基站可以周期性地获取输入数据或者在满足设定触发条件的情况下获取输入数据，以根据获取的输入数据执行后续的步骤，本发明实施例对获取输入数据的周期和设定触发条件不做任何限定。

另外，基站通常存在两种部署形态：一种部署形态中，集中单元(centralizedunit，cu)和分布式单元(distributedunit，du)分别设置；另一种部署形态中，cu和du一体化设置。

步骤102，根据输入数据和链路自适应决策模型，获得由链路自适应决策模型输出的目标输出数据集。

其中，链路自适应决策模型可以通过机器学习中的有监督分类方法训练得到，该有监督分类方法可以是神经网络、支持向量机、随机森林或二叉树等算法，训练过程中使用的数据可以是与实际链路情况紧密关联的数据。

可选地，链路自适应决策模型为：由包括ue的载波信道强度分布信息、信道误差信息、cqi、用户mimo传输模式、基站的mimo服务数量，以及ue使用的mcs的数据作为输入数据集，由包括ue与基站间传输数据的包错误率(packeterrorrate，per)的数据作为输出数据集进行训练得到的模型。

本发明实施例中，为了训练得到链路自适应决策模型，用于进行模型训练的设备(为了方便说明，后续简称为设备x)首先需要获得多个样本组。其中，每个样本组中均包括输入数据集和输出数据集；输入数据集中包括载波信道强度分布信息、信道误差信息、cqi、用户mimo传输模式、基站的mimo服务数量以及ue使用的mcs；输出数据集中包括ue与基站间传输数据的per。需要强调的是，位于同一样本组中的各数据在时间上需要保持对齐。

在获得多个样本组之后，设备x根据获得的多个样本组中的输入数据集、输出数据集，以及机器学习中的有监督分类方法训练得到链路自适应决策模型。可以理解的是，对于训练得到的链路自适应决策模型而言，只要向其输入包括载波信道强度分布信息、信道误差信息、cqi、用户mimo传输模式、基站的mimo服务数量以及mcs的数据，其就会输出包括per的数据。

可以看出，设备x能够非常便捷地得到链路自适应决策模型。另外，在训练得到链路自适应决策模型的过程中，由于设备x使用的是信道误差信息、cqi、用户mimo传输模式、基站的mimo服务数量、mcs以及per这些与实际链路情况紧密关联的数据，因此，由链路自适应决策模型输出的目标输出数据集与实际链路的匹配度较高。

当然，设备x也可以使用其他的、与实际链路情况紧密关联的数据来进行模型训练，以得到链路自适应决策模型。

步骤103，根据目标输出数据集，确定目标mcs。

由于目标输出数据集与实际链路的匹配度较高，因此，根据目标输出数据集确定出的目标mcs与实际链路的匹配度也较高。

步骤104，根据目标mcs，对基站与目标ue间的链路进行自适应调整。

具体地，所谓根据目标mcs，对基站与目标ue间的链路进行自适应调整包括：基站可以按照目标mcs向目标ue发送数据，基站还可以在控制信道中携带用于指示采用目标mcs的指示信息。目标ue后续会根据控制信道中的指示信息，按照目标mcs对来自基站的数据进行解码和编译，这样，基站与目标ue间链路的自适应调整就成功实现了。

本发明实施例中，基站可以预先获得链路自适应决策模型，链路自适应决策模型可以是使用与实际链路情况紧密关联的数据进行模型训练得到的。基站可以根据获取的输入数据和预先获得的链路自适应决策模型，获得与实际链路的匹配度较高的目标输出数据集。之后，根据目标输出数据集，基站能够确定出与实际链路的匹配度也较高的目标mcs。这样，在根据与实际链路的匹配度较高的目标mcs，对基站与目标ue间的链路进行自适应调整的情况下，链路自适应调整效果能够得到较好地保证。

可以看出，本发明实施例中，链路自适应调整过程中利用的并不是理论模型，而是使用与实际链路情况紧密关联的数据训练得到的链路自适应决策模型，这样，链路自适应调整过程基于的目标mcs与实际链路的干扰情况和信道特征的匹配度更高，因此，与现有技术相比，本发明实施例能够较好地保证链路自适应调整效果。

可选地，根据输入数据和链路自适应决策模型，获得由链路自适应决策模型输出的目标输出数据集，包括：

将输入数据分别与预先存储的n种mcs进行组合，形成n个目标输入数据集；其中，n大于或等于2。

目前常常被使用的mcs共有16种，这样，n可以为16，这16种mcs中的mcs索引值分别为0至15。通过将输入数据与16种mcs进行组合，基站能够形成16个目标输入数据集。

分别将n个目标输入数据集输入链路自适应决策模型，获得由链路自适应决策模型输出的n个目标输入数据集对应的n个目标输出数据集；

其中，n个目标输入数据集与n个目标输出数据集为一一对应的关系。

根据目标输出数据集，确定目标mcs，包括：

从n个目标输出数据集中，获取小于预设per的各per。

一般而言，为了保证基站与ue之间的通信效果，需要保证基站与ue之间传输数据的per不至于过大，因此，可以设置一预设per(例如8％、10％等等)。若基站与ue之间传输数据的per小于预设per，可以认为基站与ue之间的通信效果满足需求；若基站与ue之间传输数据的per大于或等于预设per，可以认为基站与ue之间的通信效果不满足需求。

在获得由链路自适应决策模型输出的n个目标输出数据集之后，基站可以获取各目标输出数据集中的per，并从获取的各per中确定出小于预设per的各per。

根据所获取的各per，确定目标mcs。

需要说明的是，根据所获取的各per，确定目标mcs的实现形式多样，下面对其中的两种实现形式进行举例介绍。

在第一种实现形式中，根据所获取的各per，确定目标mcs，包括：

确定所获取的各per所在的目标输出数据集对应的目标输入数据集。

由于目标输出数据集与目标输入数据集是一一对应的关系，基于该一一对应的关系，基站能够较为便捷地确定出小于预设per的各per所在的目标输出数据集对应的目标输入数据集。

从所确定的各目标输入数据集中，获取所具有的mcs索引值最大的mcs。

对于基站而言，在确定出小于预设per的各per所在的目标输出数据集对应的目标输入数据集之后，其可以获取确定出的各目标输入数据集中的mcs。之后，基站可以将获取的各mcs中的mcs索引值进行比较，以确定获取的各mcs中的、所具有的mcs索引值最大的mcs。

将所确定的mcs作为目标mcs。

可以理解的是，基站与目标ue之间传输数据时使用的mcs中的mcs索引值越大，基站与目标ue之间传输数据的速率就越快。这样，本实施方式中，目标mcs是在保证基站与目标ue之间的通信效果满足需求的mcs中，能够使基站与目标ue之间传输数据的速率达到最优的mcs。因此，在根据目标mcs进行链路自适应调整的情况下，基站与目标ue之间的通信效果及传输数据的速率均能够得到保证。

在第二种实现形式中，链路自适应决策模型为：由包括ue与基站间传输数据的per和有效吞吐量(goodthroughput)的数据作为输出数据集进行训练得到的模型。

根据所获取的各per，确定目标mcs，包括：

从所获取的各per所在的目标输出数据集中，分别获取有效吞吐量。

可以理解的是，在进行模型训练时使用的输出数据集包括有效吞吐量的情况下，基站获得的链路自适应决策模型输出的各目标输出数据集中除了包括per之外，还包括有效吞吐量。因此，基站能够从获取的各per所在的目标输出数据集中，分别获取有效吞吐量。

从所获取的各有效吞吐量中，选取数值最大的有效吞吐量，并确定所选取的有效吞吐量所在的目标输出数据集。

在从获取的各per所在的目标输出数据集中，分别获取有效吞吐量之后，基站可以将所获取的各有效吞吐量进行比较，以选取获取的各有效吞吐量中数值最大的有效吞吐量，并确定所选取的效吞吐量所在的目标输出数据集。

将所选取的目标输出数据集对应的目标输入数据集中的mcs作为目标mcs。

可以理解的是，有效吞吐量越大，系统性能越好。这样，本实施方式中，目标mcs是在保证基站与目标ue之间的通信效果满足需求的mcs中，能够使系统性能达到最优的mcs。因此，在根据目标mcs进行链路自适应调整的情况下，基站与目标ue之间的通信效果及系统性能均能够得到保证。

可以看出，本发明实施例中，基站最终确定出的目标mcs不仅可以保证基站与目标ue之间的通信效果，以降低重传次数，其还可以使基站与目标ue之间传输数据的速率或者系统性能达到最优，从而较好地保证链路自适应调整效果。

可选地，输入数据还包括以下至少一项：

ue的接收机能力信息、sinr、秩指示(rankindication，ri)、预编码矩阵指示(precodingmatrixindicator，pmi)、多普勒(doppler)频偏、传输块大小、下行干扰信息、参考信号接收功率(referencesignalreceivingpower，rsrp)和参考信号接收质量(referencesignalreceivingquality，rsrq)。

其中，接收机能力信息可以是接收机类型，接收机能力可以是目标ue在接入基站时反馈给基站的；sinr、下行干扰信息和rsrq等可以是目标ue通过测量报告(measurementreport，mr)反馈给基站的；ri、pmi和doppler频偏可以是目标ue反馈给基站的。

可以理解的是，对于输入数据中的每个数据，进行模型训练时使用的样本组的输入数据集中均存在相应数据。具体地，在输入数据中包括目标ue当前的接收机能力、sinr、ri、pmi、doppler频偏、传输块大小、下行干扰信息、rsrp和rsrq的情况下，进行模型训练时使用的每个输入数据集中也会包括接收机能力、sinr、ri、pmi、doppler频偏、传输块大小、下行干扰信息、rsrp和rsrq。

本发明实施例中，由于输入数据中可以包括sinr、rsrp、rsrq、cqi、ri、pmi、doppler频偏等数据，这些数据可以较好地体现出目标ue的硬件特性(硬件特性往往难以建模)，这样可以使基站确定出的目标mcs更为合理，从而使链路自适应调整效果进一步得到保证。

需要说明的是，本发明实施例中，链路自适应决策模型可以有两种来源。

一种来源中，链路自适应决策模型是基站训练得到的，即上文中的设备x为基站。

为了得到链路自适应决策模型，基站需要获得多个样本组，每个样本组中包括输入数据集和输出数据集。其中，输入数据集可以包括载波信道强度分布信息、信道误差信息、cqi、用户mimo传输模式、mimo服务用户数量、mcs、接收机能力、sinr、ri、pmi、doppler频偏、传输块大小、下行干扰信息、rsrp和rsrq；输出数据集可以包括per和有效吞吐量。

对于输入数据集而言，位于图2中所示的各实线箭头左端的数据(即载波信道强度分布信息、信道误差信息、cqi、用户mimo传输模式、mimo服务用户数量、mcs)为训练模型所必须的数据；位于图2中所示的各虚线箭头左端的数据为训练模型(即接收机能力、sinr、ri、pmi、doppler频偏、传输块大小、下行干扰信息、rsrp和rsrq)非必须的数据。

另外，输出数据集中的per可以是ue反馈给基站的携带有时间戳的per或者是基站通过对ue反馈的确认字符(acknowledgement，ack)或者不确认字符(non-acknowledgement，nack)统计得到的per。输出数据集中的有效吞吐量可以是基站统计得到的。

在获得多个样本组之后，基站可以根据获得的样本组和机器学习中的有监督分类方法进行模型训练，以得到链路自适应决策模型。之后，基站可以在本地的计算模块中存储训练得到的链路自适应决策模型，以便于后续根据计算模块中存储的链路自适应决策模型进行链路自适应调整。

另一种来源中，链路自适应决策模型可以是核心网侧设备训练得到后分发至基站的，即设备x为核心网侧设备。

如图3所示，核心网侧设备300可以包括大数据处理功能实体310和无线大数据处理功能实体320。其中，大数据处理功能实体310可以部署在cu、移动边缘计算(mobileedgecomputing，mec)或者网管平台。

在ue330接入基站340时，ue330可以将接收机能力(例如接收机类型)携带在ueprofile中下发给大数据处理功能实体310，以使大数据处理功能实体310获得ue330的接收机能力。大数据处理功能实体310可以将获得的接收机能力作为样本组的输入数据集中的数据提供给无线大数据处理功能实体320。另外，样本组的输入数据集中的其余数据和样本组的输出数据集中的数据(这些数据共同构成图3中的数据s)可以均由基站340向无线大数据处理功能实体320提供。这样，无线大数据处理功能实体320能够得到进行模型训练所需的多个样本组，并根据得到的样本组进行模型训练，得到链路自适应决策模型。

如图4所示，核心网侧设备400可以包括无线大数据处理功能实体410。在ue430接入基站440时，ue430可以将接收机能力(例如接收机类型)反馈给基站440。需要说明的是，样本组的输入数据集和输出数据集中的所有数据均可以由基站440向无线大数据处理功能实体410提供。这样，根据基站440提供的数据，无线大数据处理功能实体410能够得到进行模型训练所需的多个样本组，并根据得到的样本组进行模型训练，得到链路自适应决策模型。

在图3中的无线大数据处理功能实体320或者图4中的无线大数据处理功能实体410训练得到链路自适应决策模型后，得到的链路自适应决策模型均可以被分发至基站。基站可以在本地的计算模块中存储经分发得到的链路自适应决策模型，以便于后续根据计算模块中存储的链路自适应决策模型得到目标mcs，从而根据目标mcs进行链路自适应调整。

可选地，该方法还包括：

在满足预设更新条件的情况下，对链路自适应决策模型进行更新。

具体地，在链路自适应决策模型由基站训练得到的情况下，基站可以周期性地检测自身与目标ue之间传输数据的per或者bler，在检测到的per或者bler高于一定值时，基站可以确定预设条件满足。此时，基站可以重新训练并得到链路自适应决策模型，并利用重新训练并得到的链路自适应决策模型替换已有的链路自适应决策模型，从而保证使用链路自适应决策模型时能够达到较好的链路自适应调整效果。

在链路自适应决策模型由核心网侧设备训练得到的情况下，基站可以检测自身与目标ue之间传输数据的per或者bler，在检测到的per或者bler高于一定值时，基站向核心网侧设备发送模型更新请求，并重新向核心网侧设备提供新的数据s。之后，核心网侧设备可以重新训练并得到链路自适应决策模型，并向基站分发重新得到的链路自适应决策模型。在接收到核心网侧设备重新分发的链路自适应决策模型的情况下，基站可以确定预设更新条件满足，并利用核心网侧设备重新分发的链路自适应决策模型替换已有的链路自适应决策模型，从而保证使用链路自适应决策模型时能够达到较好的链路自适应调整效果。

可以看出，通过对链路自适应决策模型的更新，本发明实施例能够较好地保证链路自适应调整效果。

综上，与现有技术相比，本发明实施例能够较好地保证链路自适应调整效果。

下面对本发明实施例从核心网侧设备的角度提供的链路自适应调整方法进行说明。

参见图5，图中示出了本发明实施例提供的链路自适应调整方法的流程图。如图5所示，该方法应用于核心网侧设备，该方法包括如下步骤：

步骤501，确定链路自适应决策模型；其中，链路自适应决策模型为：由包括用户终端ue的载波信道强度分布信息、信道误差信息、信道质量指示cqi、用户多入多出mimo传输模式、基站的mimo服务数量，以及ue使用的目标调制与编码策略mcs的数据作为输入数据集，由包括ue与基站间传输数据的包错误率per的数据作为输出数据集进行训练得到的模型；

步骤502，将链路自适应决策模型分发至基站，以使基站在获取输入数据的情况下，根据输入数据和链路自适应决策模型，获得由链路自适应决策模型输出的目标输出数据集，根据目标输出数据集确定目标mcs，并根据目标mcs，对基站与目标ue间的链路进行自适应调整；

其中，输入数据包括目标ue当前的载波信道强度分布信息、信道误差信息、cqi、用户mimo传输模式，以及基站当前的mimo服务用户数量。

可以看出，本发明实施例中，链路自适应调整过程中利用的并不是理论模型，而是使用与实际链路情况紧密关联的数据训练得到的链路自适应决策模型，这样，链路自适应调整过程基于的目标mcs与实际链路的干扰情况和信道特征的匹配度更高，因此，与现有技术相比，本发明实施例能够较好地保证链路自适应调整效果。

可选地，将链路自适应决策模型分发至基站之后，该方法还包括：

对链路自适应决策模型进行更新，并将经更新后的链路自适应决策模型重新分发至基站。

其中，核心网侧设备可以在接收到来自基站的模型更新请求的情况下，对链路自适应决策模型进行更新。

综上，与现有技术相比，本发明实施例能够较好地保证链路自适应调整效果。

下面对本发明实施例提供的基站进行说明。

参见图6，图中示出了本发明实施例提供的基站的结构示意图。如图6所示，基站包括：

存储器601，用于存储链路自适应决策模型；

处理器602，用于获取输入数据；根据输入数据和链路自适应决策模型，获得由链路自适应决策模型输出的目标输出数据集；根据目标输出数据集，确定目标调制与编码策略mcs；根据目标mcs，对基站与目标ue间的链路进行自适应调整；

其中，输入数据包括目标用户终端ue当前的载波信道强度分布信息、信道误差信息、信道质量指示cqi、用户多入多出mimo传输模式，以及基站当前的mimo服务用户数量。

可以看出，本发明实施例中，链路自适应调整过程中利用的并不是理论模型，而是使用与实际链路情况紧密关联的数据训练得到的链路自适应决策模型，这样，链路自适应调整过程基于的目标mcs与实际链路的干扰情况和信道特征的匹配度更高，因此，与现有技术相比，本发明实施例能够较好地保证链路自适应调整效果。

可选地，链路自适应决策模型为：由包括ue的载波信道强度分布信息、信道误差信息、cqi、用户mimo传输模式、基站的mimo服务数量，以及ue使用的mcs的数据作为输入数据集，由包括ue与基站间传输数据的包错误率per的数据作为输出数据集进行训练得到的模型。

可选地，处理器602，还用于将输入数据分别与预先存储的n种mcs进行组合，形成n个目标输入数据集；分别将n个目标输入数据集输入链路自适应决策模型，获得由链路自适应决策模型输出的n个目标输入数据集对应的n个目标输出数据集；从n个目标输出数据集中，获取小于预设per的各per；根据所获取的各per，确定目标mcs；其中，n大于或等于2。

可选地，处理器602，还用于确定所获取的各per所在的目标输出数据集对应的目标输入数据集；从所确定的各目标输入数据集中，获取所具有的mcs索引值最大的mcs；将所确定的mcs作为目标mcs。

可选地，链路自适应决策模型为：由包括ue与基站间传输数据的per和有效吞吐量的数据作为输出数据集进行训练得到的模型；

处理器602，还用于：从所获取的各per所在的目标输出数据集中，分别获取有效吞吐量；从所获取的各有效吞吐量中，选取数值最大的有效吞吐量，并确定所选取的有效吞吐量所在的目标输出数据集；将所选取的目标输出数据集对应的目标输入数据集中的mcs作为目标mcs。

可选地，输入数据还包括以下至少一项：

ue的接收机能力、信干燥比sinr、秩指示ri、预编码矩阵指示pmi、多普勒频偏、传输块大小、下行干扰信息、参考信号接收功率rsrp和参考信号接收质量rsrq。

可选地，链路自适应决策模型为基站训练得到的；或者，

链路自适应决策模型为核心网侧设备训练得到后分发至基站的。

可选地，处理器602，还用于在满足预设更新条件的情况下，对链路自适应决策模型进行更新。

综上，与现有技术相比，本发明实施例能够较好地保证链路自适应调整效果。

参见图7，图中示出了本发明实施例提供的网络侧设备的结构示意图。如图7所示，网络侧设备包括：

处理器701，用于确定链路自适应决策模型；其中，链路自适应决策模型为：由包括用户终端ue的载波信道强度分布信息、信道误差信息、信道质量指示cqi、用户多入多出mimo传输模式、基站的mimo服务数量，以及ue使用的目标调制与编码策略mcs的数据作为输入数据集，由包括ue与基站间传输数据的包错误率per的数据作为输出数据集进行训练得到的模型；

发送器702，用于将链路自适应决策模型分发至基站，以使基站在获取输入数据的情况下，根据输入数据和链路自适应决策模型，获得由链路自适应决策模型输出的目标输出数据集，根据目标输出数据集确定目标mcs，并根据目标mcs，对基站与目标ue间的链路进行自适应调整；

其中，输入数据包括目标ue当前的载波信道强度分布信息、信道误差信息、cqi、用户mimo传输模式，以及基站当前的mimo服务用户数量。

可以看出，本发明实施例中，链路自适应调整过程中利用的并不是理论模型，而是使用与实际链路情况紧密关联的数据训练得到的链路自适应决策模型，这样，链路自适应调整过程基于的目标mcs与实际链路的干扰情况和信道特征的匹配度更高，因此，与现有技术相比，本发明实施例能够较好地保证链路自适应调整效果。

可选地，处理器701，还用于在将链路自适应决策模型分发至基站之后，对链路自适应决策模型进行更新；

发送器702，还用于将经更新后的链路自适应决策模型重新分发至基站。

综上，与现有技术相比，本发明实施例能够较好地保证链路自适应调整效果。

本发明实施例还提供一种基站，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述处理器执行所述程序时实现任一实施例中应用于基站的链路自适应调整方法。

本发明实施例还提供一种核心网侧设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序；所述处理器执行所述程序时实现任一实施例中应用于核心网侧设备的链路自适应调整方法。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例中应用于基站的链路自适应调整方法。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例中中应用于核心网侧设备的链路自适应调整方法。

上述计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。