一种基于AI计算AP的流量实现负载均衡的方法与流程

本发明涉及无线通信与人工智能，尤其涉及一种基于ai计算ap的流量实现负载均衡的方法。

背景技术：

1、在高密度无线场景下，接入点负载均衡是保障网络性能与用户体验的关键技术。传统方案中，xgboost、lightgbm等模型被广泛用于流量多指标预测，但这些方案本质上仅为单模型多标签回归，属于对输入特征和输出维度的常规扩充，技术同质化严重，并未触及无线网络流量预测的核心难题。

2、现有技术在实际应用中存在以下主要缺陷：在预测理论层面，现有方案仅学习数据的统计关联关系，无法区分“关联关系”与“因果关系”，导致模型在面对突发流量时预测偏差大，且无法解释拥塞的成因与传导路径。在模型架构层面，现有方案采用单一通用模型统一预测所有网络指标，忽略了周期性稳态指标与突变型指标在时序特性上的本质差异，对流量尖峰、链路抖动等非平稳序列的预测精度不足。在任务形态层面，现有方案仅输出单点预测数值，缺乏对预测不确定性的量化能力，调度系统无法区分平稳负载与高危突发放量，难以提前采取分级应对措施。在调度联动层面，现有方案的预测模块与调度模块相互独立，采用固定规则的贪心或博弈算法进行负载均衡，无法根据网络状态的动态变化自适应调整策略。

3、因此，现有技术难以满足高密度无线场景下对流量精准预测、拥塞传导预判及动态自适应调度的需求。

技术实现思路

1、本发明的主要目的在于提供一种基于ai计算ap的流量实现负载均衡的方法。

2、本发明的另一个目的在于提出一种基于ai计算ap的流量实现负载均衡的装置。

3、为达上述目的，本发明第一方面实施例提出了一种基于ai计算ap的流量实现负载均衡的方法，包括：

4、对无线网络中各接入点的运行数据进行因果特征挖掘，构建反映指标间因果传导关系的有向无环因果图，并基于所述因果图筛选出强因果特征及其因果影响系数；

5、基于所述强因果特征和因果影响系数，采用分层异构多任务预测模型对无线网络流量进行因果感知的不确定性预测，输出各接入点的负载预测均值、置信区间及拥塞风险等级；

6、基于所述负载预测均值和拥塞风险等级，在数字孪生镜像中对候选调度策略进行态势推演，仿真不同策略下的全网负载均衡效果，输出仿真评估指标；

7、将所述负载预测均值、置信区间、拥塞风险等级、因果影响系数以及仿真评估指标作为状态空间，通过强化学习智能体输出调度动作，执行接入点间的终端迁移与射频参数调整，并将调度后的实际运行数据反馈至因果特征挖掘和预测模型进行迭代优化。

8、在本发明的一个实施例中，所述构建反映指标间因果传导关系的有向无环因果图，包括：

9、将各网络指标变量作为节点，构建节点间全连接的无向图；

10、对所述无向图中每对相连节点执行条件独立性假设检验，删除条件独立的节点对之间的边，得到骨架图；

11、在所述骨架图中识别v型结构并定向，基于无环约束对剩余无向边传播定向，输出有向无环因果图。

12、在本发明的一个实施例中，所述分层异构多任务预测模型包括共享特征提取层、独立因果任务分支层和不确定性估计层；

13、所述共享特征提取层以全网接入点的时序数据为输入，统一提取通用时序特征和空间拓扑特征；

14、所述独立因果任务分支层接收所述通用时序特征和空间拓扑特征，按指标属性拆分为周期性稳态指标和突变型指标，分别采用不同的预测模型进行预测；

15、所述不确定性估计层接收所述独立因果任务分支层的预测输出，通过多次采样计算预测均值和预测方差，并基于所述预测方差输出拥塞风险等级。

16、在本发明的一个实施例中，所述独立因果任务分支层中对突变型指标采用轻量贝叶斯门控循环单元进行预测，其工作流程包括：

17、将经过因果特征筛选后的短时网络时序序列输入轻量贝叶斯门控循环单元；

18、通过所述轻量贝叶斯门控循环单元的重置门和更新门提取流量时序特征，区分稳态流量与突发流量；

19、对所述轻量贝叶斯门控循环单元执行多次前向推理，生成多组预测结果；

20、基于贝叶斯统计计算所述多组预测结果的均值和方差，输出负载预测均值、置信区间和风险等级。

21、在本发明的一个实施例中，所述分层异构多任务预测模型根据预设触发条件在稳态模式和突发模式之间自动切换；

22、在稳态模式下，启用所述独立因果任务分支层中对周期性稳态指标的预测模型进行低时延推理；

23、在突发模式下，启用所述独立因果任务分支层中对突变型指标的预测模型并施加全因果约束进行强化预测；

24、所述预设触发条件包括时段定时触发、实时流量指标超过预警阈值、终端数量激增、链路质量恶化、因果传导事件触发或历史风险复现触发中的至少一种。

25、在本发明的一个实施例中，所述自动切换中，当指标短暂超限时，不立即触发模式切换，而是在预设滞回判断周期内持续监测，确认指标稳定超限后再执行切换；

26、当单个接入点触发突发模式后，基于所述有向无环因果图确定该接入点的因果邻域接入点，同步触发所述因果邻域接入点的模式联动切换。

27、在本发明的一个实施例中，所述在数字孪生镜像中对候选调度策略进行态势推演，包括：

28、构建全域接入点数字孪生镜像，所述镜像映射所有接入点的硬件参数、射频覆盖拓扑、上行链路带宽和终端分布；

29、将所述负载预测均值和拥塞风险等级输入所述数字孪生镜像，对候选调度策略进行仿真推演；

30、基于仿真推演结果计算并输出仿真评估指标，所述仿真评估指标包括全网负载方差、平均链路时延、漫游切换次数和掉线风险值。

31、在本发明的一个实施例中，所述强化学习智能体以负载预测均值、置信区间、拥塞风险等级、因果影响系数和仿真评估指标构建状态空间；

32、以接入点间的终端迁移和射频参数调整作为动作空间，所述动作空间包括选择迁移源接入点和目标接入点组合、控制迁移终端数量和迁移时序、区分终端类型以及动态调整射频门限和探针策略；

33、以全网负载方差、平均链路时延、漫游切换次数和拥塞风险值的加权和构建奖励函数，所述奖励函数的权重随场景和时段自动调整。

34、在本发明的一个实施例中，所述将调度后的实际运行数据反馈至因果特征挖掘和预测模型进行迭代优化，包括：

35、将调度后的实际运行数据反馈至因果特征挖掘模块，更新所述有向无环因果图与因果影响系数；

36、将更新后的因果特征反馈至所述分层异构多任务预测模型，进行增量训练以更新模型参数；

37、将调度效果数据反馈至所述强化学习智能体，在线更新调度策略。

38、为达上述目的，本发明第二方面实施例提出了一种基于ai计算ap的流量实现负载均衡的装置，包括：

39、因果挖掘模块，用于对无线网络中各接入点的运行数据进行因果特征挖掘，构建反映指标间因果传导关系的有向无环因果图，并基于所述因果图筛选出强因果特征及其因果影响系数；

40、负载预测模块，用于基于所述强因果特征和因果影响系数，采用分层异构多任务预测模型对无线网络流量进行因果感知的不确定性预测，输出各接入点的负载预测均值、置信区间及拥塞风险等级；

41、态势推演模块，用于基于所述负载预测均值和拥塞风险等级，在数字孪生镜像中对候选调度策略进行态势推演，仿真不同策略下的全网负载均衡效果，输出仿真评估指标；

42、调度执行模块，用于将所述负载预测均值、置信区间、拥塞风险等级、因果影响系数以及仿真评估指标作为状态空间，通过强化学习智能体输出调度动作，执行接入点间的终端迁移与射频参数调整，并将调度后的实际运行数据反馈至因果特征挖掘和预测模型进行迭代优化。

43、本发明实施例具有以下有益效果：

44、本发明通过构建有向无环因果图区分因果关系与关联关系，实现了对流量变化成因与拥塞传导路径的精准认知；通过分层异构多任务预测模型结合不确定性量化，输出预测均值、置信区间及风险等级，实现了对突发流量的精准预测与风险量化；通过数字孪生态势推演预评估调度策略效果，结合强化学习动态决策与闭环迭代优化，实现了全链路自适应调度，显著提升了高密度无线场景下的网络性能与稳定性。