CN108809694B - 业务编排方法、系统、装置与计算机可读存储介质 - Google Patents
业务编排方法、系统、装置与计算机可读存储介质 Download PDFInfo
- Publication number
- CN108809694B CN108809694B CN201810395741.2A CN201810395741A CN108809694B CN 108809694 B CN108809694 B CN 108809694B CN 201810395741 A CN201810395741 A CN 201810395741A CN 108809694 B CN108809694 B CN 108809694B
- Authority
- CN
- China
- Prior art keywords
- service
- data
- model
- operation support
- support system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000013136 deep learning model Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 30
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 19
- 238000003745 diagnosis Methods 0.000 claims description 16
- 238000005065 mining Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000005457 optimization Methods 0.000 abstract description 6
- 210000002569 neuron Anatomy 0.000 description 18
- 230000006870 function Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明提供了一种业务编排方法、装置与计算机可读存储介质，该方法包括：大数据平台采集业务运营支撑系统的数据并存储在本地数据库中；大数据平台的AI引擎从本地数据库中提取设定时间段内业务运营支撑系统的数据并输入到预设的深度学习模型中进行模型训练，生成业务编排模型；将业务编排模型分别部署到业务运营支撑系统中；根据外部SDN应用发送的资源使用请求，向业务运营支撑系统申请资源使用请求对应的资源，并通过业务编排模型对资源使用请求对应的资源进行业务编排，生成业务路径并将业务路径通过SDN云网控制器下发给网元。上述方法结合人工智能和大数据平台，能够实现网络业务的自动编排以及业务路径的自动优化，提高资源调度的效率。
Description
技术领域
本发明涉及业务编排技术领域，具体涉及一种业务编排方法、系统、装置与计算机可读存储介质。
背景技术
SDN网络，即软件定义网络(Software Defined Network,SDN)，是Emulex网络一种新型网络创新架构，是网络虚拟化的一种实现方式，其核心技术OpenFlow通过将网络设备控制面与数据面分离开来，从而实现了网络流量的灵活控制，使网络作为管道变得更加智能。
当前，即使从SDN应用层的角度来看，其相关的技术研讨以及标准化工作大部分也均聚焦在SDN应用层与SDN控制层之间的北向接口方面。而在SDN的实际应用中，SDN对外提供的服务主要则是通过SDN应用层与其外部上层应用的接口(即北极接口)以及SDN应用层内部的编排功能来实现的。但是，目前现有的业务编排的功能尚没有被充分发掘。特别是，对于如何优化业务路径，实现网络业务的自动编排方面，这也在一定程度上阻碍了SDN应用的集成以及进而影响SDN应用的发展。
发明内容
本发明的目的是提供一种业务编排方法、系统、装置与计算机可读存储介质，结合人工智能和大数据平台，实现网络业务的自动编排以及业务路径的自动优化，提高资源调度的效率。
本发明实施例提供了一种业务编排方法，包括：
大数据平台采集业务运营支撑系统的数据并存储在本地数据库中；
所述大数据平台的AI引擎从所述本地数据库中提取设定时间段内所述业务运营支撑系统的数据并输入到预设的深度学习模型中进行模型训练，生成业务编排模型；
将所述业务编排模型分别部署到所述业务运营支撑系统中；
根据外部SDN应用发送的资源使用请求，向所述业务运营支撑系统申请所述资源使用请求对应的资源，并通过业务编排模型对所述资源使用请求对应的资源进行业务编排，生成业务路径并将所述业务路径通过SDN云网控制器下发给网元。
优选地，所述业务编排方法还包括：
所述大数据平台采集所述网元根据所述业务路径更新的配置数据；
将所述网元根据所述业务路径更新的配置数据输入到所述业务编排模型中进行模型训练，获得迭代优化后的业务编排模型并将迭代优化后的业务编排模型更新到所述业务运营支撑系统。
优选地，所述业务编排方法还包括：
将所述大数据平台采集的历史故障数据输入到所述预设的深度学习模型中进行模型训练，生成故障诊断模型；
根据所述故障诊断模型对所述业务运营支撑系统下发的当前资源进行逻辑推理，获得故障预判结果；
所述业务运营支撑系统根据故障预判结果重新对所述业务运营支撑系统下发的当前资源进行业务编排。
优选地，所述业务运营支撑系统的数据包括：流量数据、网络性能数据、拓扑数据、路由数据、负载策略定义数据、冗余策略定义数据以及业务策略定义数据。
优选地，所述大数据平台的AI引擎从所述本地数据库中提取设定时间段内所述业务运营支撑系统的数据并输入到预设的深度学习模型中进行模型训练，生成业务编排模型，具体包括：
将所述业务运营支撑系统的数据进行数据清洗和预处理，生成标准化的数据样本并所述存储在所述本地数据库中；
所述AI引擎从所述本地数据库中获取所述数据样本进行特征挖掘，获得特征信息；
采用所述特征信息对所述深度学习模型进行模型训练，生成所述业务编排模型。
优选地，所述预处理包括以下一个或多个处理过程：缺失值处理、特征离散化处理、特征组合处理、特征选择处理。
优选地，所述深度学习模型包括以下一种或多种深度学习算法：路径选择算法、资源调度算法、Spark ML算法、MLlib算法、deeplearning4j算法、TensorFlow算法、Caffe算法、CNTK算法、Theano算法以及Torch算法。
本发明实施例还提供了一种业务编排系统，包括：
大数据平台，用于采集业务运营支撑系统的数据并存储在本地数据库中；
所述大数据平台的AI引擎，用于从所述本地数据库中提取设定时间段内所述业务运营支撑系统的数据并输入到预设的深度学习模型中进行模型训练，生成业务编排模型；
模型部署模块，用于将所述业务编排模型分别部署到所述业务运营支撑系统中；
业务编排模块，用于根据外部SDN应用发送的资源使用请求，向所述业务运营支撑系统申请所述资源使用请求对应的资源，并通过业务编排模型对所述资源使用请求对应的资源进行业务编排，生成业务路径并将所述业务路径通过SDN云网控制器下发给网元。
本发明实施例还提供了一种业务编排装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的业务编排方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的业务编排方法。
相对于现有技术，本发明实施例提供的一种业务编排方法的有益效果在于：所述业务编排方法，包括：大数据平台采集业务运营支撑系统的数据并存储在本地数据库中；所述大数据平台的AI引擎从所述本地数据库中提取设定时间段内所述业务运营支撑系统的数据并输入到预设的深度学习模型中进行模型训练，生成业务编排模型；将所述业务编排模型分别部署到所述业务运营支撑系统中；根据外部SDN应用发送的资源使用请求，向所述业务运营支撑系统申请所述资源使用请求对应的资源，并通过业务编排模型对所述资源使用请求对应的资源进行业务编排，生成业务路径并将所述业务路径通过SDN云网控制器下发给网元。上述方法结合人工智能和大数据平台，能够实现网络业务的自动编排以及业务路径的自动优化，提高资源调度的效率。本发明实施例还提供了一种业务编排装置与计算机可读存储介质。
附图说明
图1是本发明实施例提供的一种业务编排方法的流程图；
图2是本发明实施例提供的一种业务编排装置的示意图。
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，所描述的实施例仅仅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得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其是本发明实施例提供的一种业务编排方法的流程图，所述业务编排方法，应用于SDN网络，具体包括：
S100：大数据平台采集业务运营支撑系统的数据并存储在本地数据库中；
S200：所述大数据平台的AI引擎从所述本地数据库中提取设定时间段内所述业务运营支撑系统的数据并输入到预设的深度学习模型中进行模型训练，生成业务编排模型；
S300：将所述业务编排模型分别部署到所述业务运营支撑系统中；
S400：根据外部SDN应用发送的资源使用请求，向所述业务运营支撑系统申请所述资源使用请求对应的资源，并通过业务编排模型对所述资源使用请求对应的资源进行业务编排，生成业务路径并将所述业务路径通过SDN云网控制器下发给网元。
在本实施例中，在SDN网络的运营及编排层引入人工智能使能策略，通过设置大数据平台并在大数据平台中引入AI引擎，对业务运营支撑系统(即OSS系统和BSS系统)的数据进行深度、智能化挖掘，从而指导运维和运营，实现设备层面、网络层面、业务层面、用户终端层面、运营层面及异厂家跨制式的多维度和全方位数据感知和分析，从而提升运营智能化。上述方法结合人工智能和大数据平台，能够实现网络业务的自动编排以及业务路径的自动优化，提高资源调度的效率。
其中，通过所述大数据平台对设备层面、网络层面、业务层面、用户终端层面、运营层面进行统一的数据采集和存储；实现了SDN网络数据的统一管理，同时为深度学习模型提供大量的数据样本。优选地，所述大数据平台的采用分布式缓存的方式对采集的数据进行存储。通过在运营及编排层引入AI功能，可以提升产品编排、业务编排、端到端资源编排的自动化、智能化，通过动态的、智能的策略来实现网络的随需而动，同时对业务量的变化做前瞻性的智能预测，并动态规划、管理配套资源。
在一种可选的实施例中，所述业务编排方法还包括：
所述大数据平台采集所述网元根据所述业务路径更新的配置数据；
将所述网元根据所述业务路径更新的配置数据输入到所述业务编排模型中进行模型训练，获得迭代优化后的业务编排模型并将迭代优化后的业务编排模型更新到所述业务运营支撑系统。
在一种可选的实施例中，所述业务编排方法还包括：
将所述大数据平台采集的历史故障数据输入到所述预设的深度学习模型中进行模型训练，生成故障诊断模型；
根据所述故障诊断模型对所述业务运营支撑系统下发的当前资源进行逻辑推理，获得故障预判结果；
根据故障预判结果重新对所述业务运营支撑系统下发的当前资源进行业务编排。
在本实施例中，依据历史故障数据，通过深度学习模型挖掘出依靠人工经验很难总结归纳的潜在特征和规则，输出故障事件和特征到匹配规则库，实现了根据故障特征自动匹配规则进行诊断，给出判决和处理建议的功能。优选地，所述将所述大数据平台采集的历史故障数据输入到所述预设的深度学习模型中进行模型训练，生成故障诊断模型，具体包括：对所述历史故障数据进行特征挖掘，得到故障特征信息；将所述故障特征信息输入所述深度学习模型进行模型训练，生成匹配规则并将所述匹配规则存储在匹配规则库中；其中，所述匹配规则包括所述故障特征信息的映射关系；对所述匹配规则进行根因分析，生成所述故障诊断模型。
在一种可选的实施例中，所述业务运营支撑系统的数据包括：流量数据、网络性能数据、拓扑数据、路由数据、负载策略定义数据、冗余策略定义数据以及业务策略定义数据。优选地，所述大数据平台采集的业务运营支撑系统的数据还可以包括：KPI、告警、性能、配置数据、操作日志、故障解决历史记录、工单系统历史数据。
在一种可选的实施例中，所述大数据平台的AI引擎从所述本地数据库中提取设定时间段内所述业务运营支撑系统的数据并输入到预设的深度学习模型中进行模型训练，生成业务编排模型，具体包括：
将所述业务运营支撑系统的数据进行数据清洗和预处理，生成标准化的数据样本并所述存储在所述本地数据库中；
所述AI引擎从所述本地数据库中获取所述数据样本进行特征挖掘，获得特征信息；
采用所述特征信息对所述深度学习模型进行模型训练，生成所述业务编排模型。
在一种可选的实施例中，所述预处理包括以下一个或多个处理过程：缺失值处理、特征离散化处理、特征组合处理、特征选择处理。
在一种可选的实施例中，所述深度学习模型包括以下一种或多种深度学习算法：路径选择算法、资源调度算法、Spark ML算法、MLlib算法、deep learning4j算法、TensorFlow算法、Caffe算法、CNTK算法、Theano算法以及Torch算法。
具体地，所述深度学习模型,可以理解为神经网络模型，所述深度学习模型的每个神经元为一个逻辑回归器，以x1，x2，...，xn为输入，输出为：
其中，f被称作激活函数；W为神经网络的参数；θ为比较阈值；通过将每一层的每个神经元的输出yi作为到下一层的每个神经元的输入。所述深度学习模型采用S型传递函数
通过反传误差函数
不断调整神经网络的参数W和阈值θ，使误差函数E达到极小，此时深度学习过程结束，确定网络中每个神经元的神经网络的参数W和阈值θ，并得到所述深度学习模型；其中，ti为期望输出，yi为神经元的输出。通过将挖掘得到的特征信息作为所述深度学习模型的第一层神经元的输入，经过多层神经元的正向传递迭代计算后获得网络中每个神经元的神经网络的参数W1和阈值θ1，将所述深度学习模型的每个神经元的神经网络的参数W和阈值θ分别调整为W1和θ1，得到所述业务编排模型。
请参阅图2，其是本发明实施例还提供的一种业务编排系统的示意图，所述SDN网络的业务编排系统包括：
大数据平台1，用于采集业务运营支撑系统的数据并存储在本地数据库中；
所述大数据平台1的AI引擎2，用于从所述本地数据库中提取设定时间段内所述业务运营支撑系统的数据并输入到预设的深度学习模型中进行模型训练，生成业务编排模型；
模型部署模块3，用于将所述业务编排模型分别部署到所述业务运营支撑系统中；
业务编排模块4，用于根据外部SDN应用发送的资源使用请求，向所述业务运营支撑系统申请所述资源使用请求对应的资源，并通过业务编排模型对所述资源使用请求对应的资源进行业务编排，生成业务路径并将所述业务路径通过SDN云网控制器下发给网元。
在本实施例中，在SDN网络的运营及编排层引入人工智能使能策略，通过设置大数据平台并在大数据平台中引入AI引擎，对业务运营支撑系统(即OSS系统和BSS系统)的数据进行深度、智能化挖掘，从而指导运维和运营，实现设备层面、网络层面、业务层面、用户终端层面、运营层面及异厂家跨制式的多维度和全方位数据感知和分析，从而提升运营智能化。上述方法结合人工智能和大数据平台，能够实现网络业务的自动编排以及业务路径的自动优化，提高资源调度的效率。
其中，通过所述大数据平台对设备层面、网络层面、业务层面、用户终端层面、运营层面进行统一的数据采集和存储；实现了SDN网络数据的统一管理，同时为深度学习模型提供大量的数据样本。优选地，所述大数据平台的采用分布式缓存的方式对采集的数据进行存储。通过在运营及编排层引入AI功能，可以提升产品编排、业务编排、端到端资源编排的自动化、智能化，通过动态的、智能的策略来实现网络的随需而动，同时对业务量的变化做前瞻性的智能预测，并动态规划、管理配套资源。
在一种可选的实施例中，所述大数据平台，还用于采集所述网元根据所述业务路径更新的配置数据；
所述AI引擎，还用于将所述网元根据所述业务路径更新的配置数据输入到所述业务编排模型中进行模型训练，获得迭代优化后的业务编排模型并将迭代优化后的业务编排模型更新到所述业务运营支撑系统。
在一种可选的实施例中，所述业务编排装置还包括：故障诊断模块；
所述AI引擎，还用于将所述大数据平台采集的历史故障数据输入到所述预设的深度学习模型中进行模型训练，生成故障诊断模型；
所述故障诊断模块，用于根据所述故障诊断模型对所述业务运营支撑系统下发的当前资源进行逻辑推理，获得故障预判结果；
业务编排模块，用于根据故障预判结果重新对所述业务运营支撑系统下发的当前资源进行业务编排。
在本实施例中，依据历史故障数据，通过深度学习模型挖掘出依靠人工经验很难总结归纳的潜在特征和规则，输出故障事件和特征到匹配规则库，实现了根据故障特征自动匹配规则进行诊断，给出判决和处理建议的功能。优选地，所述将所述大数据平台采集的历史故障数据输入到所述预设的深度学习模型中进行模型训练，生成故障诊断模型，具体包括：对所述历史故障数据进行特征挖掘，得到故障特征信息；将所述故障特征信息输入所述深度学习模型进行模型训练，生成匹配规则并将所述匹配规则存储在匹配规则库中；其中，所述匹配规则包括所述故障特征信息的映射关系；对所述匹配规则进行根因分析，生成所述故障诊断模型。
在一种可选的实施例中，所述业务运营支撑系统的数据包括：流量数据、网络性能数据、拓扑数据、路由数据、负载策略定义数据、冗余策略定义数据以及业务策略定义数据。优选地，所述大数据平台采集的业务运营支撑系统的数据还可以包括：KPI、告警、性能、配置数据、操作日志、故障解决历史记录、工单系统历史数据。
在一种可选的实施例中，所述AI引擎包括：数据预处理单元、特征挖掘单元以及模型生成单元；
所述数据预处理单元，用于将所述业务运营支撑系统的数据进行数据清洗和预处理，生成标准化的数据样本并所述存储在所述本地数据库中；
所述AI引擎的特征挖掘单元，用于从所述本地数据库中获取所述数据样本进行特征挖掘，获得特征信息；
所述模型生成单元，用于采用所述特征信息对所述深度学习模型进行模型训练，生成所述业务编排模型。
在一种可选的实施例中，所述预处理包括以下一个或多个处理过程：缺失值处理、特征离散化处理、特征组合处理、特征选择处理。
在一种可选的实施例中，所述深度学习模型包括以下一种或多种深度学习算法：路径选择算法、资源调度算法、Spark ML算法、MLlib算法、deeplearning4j算法、TensorFlow算法、Caffe算法、CNTK算法、Theano算法以及Torch算法。
具体地，所述深度学习模型,可以理解为神经网络模型，所述深度学习模型的每个神经元为一个逻辑回归器，以x1，x2，...，xn为输入，输出为：
其中，f被称作激活函数；W为神经网络的参数；θ为比较阈值；通过将每一层的每个神经元的输出yi作为到下一层的每个神经元的输入。所述深度学习模型采用S型传递函数
通过反传误差函数
不断调整神经网络的参数W和阈值θ，使误差函数E达到极小，此时深度学习过程结束，确定网络中每个神经元的神经网络的参数W和阈值θ，并得到所述深度学习模型；其中，ti为期望输出，yi为神经元的输出。通过将挖掘得到的特征信息作为所述深度学习模型的第一层神经元的输入，经过多层神经元的正向传递迭代计算后获得网络中每个神经元的神经网络的参数W1和阈值θ1，将所述深度学习模型的每个神经元的神经网络的参数W和阈值θ分别调整为W1和θ1，得到所述业务编排模型。
本发明实施例还提供了一种业务编排装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的业务编排方法。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述业务编排装置中的执行过程。例如，所述计算机程序可以被分割成大数据平台、AI引擎、模型部署模块以及业务编排模块，各模块具体功能如下：大数据平台，用于采集业务运营支撑系统的数据并存储在本地数据库中；所述大数据平台的AI引擎，用于从所述本地数据库中提取设定时间段内所述业务运营支撑系统的数据并输入到预设的深度学习模型中进行模型训练，生成业务编排模型；模型部署模块，用于将所述业务编排模型分别部署到所述业务运营支撑系统中；业务编排模块，用于根据外部SDN应用发送的资源使用请求，向所述业务运营支撑系统申请所述资源使用请求对应的资源，并通过业务编排模型对所述资源使用请求对应的资源进行业务编排，生成业务路径并将所述业务路径通过SDN云网控制器下发给网元。
所述业务编排装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述业务编排装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是业务编排装置的示例，并不构成对业务编排装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述业务编排装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述业务编排装置的控制中心，利用各种接口和线路连接整个业务编排装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述业务编排装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述业务编排装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的业务编排方法。
相对于现有技术，本发明实施例提供的一种业务编排方法的有益效果在于：所述业务编排方法，包括：大数据平台采集业务运营支撑系统的数据并存储在本地数据库中；所述大数据平台的AI引擎从所述本地数据库中提取设定时间段内所述业务运营支撑系统的数据并输入到预设的深度学习模型中进行模型训练，生成业务编排模型；将所述业务编排模型分别部署到所述业务运营支撑系统中；根据外部SDN应用发送的资源使用请求，向所述业务运营支撑系统申请所述资源使用请求对应的资源，并通过业务编排模型对所述资源使用请求对应的资源进行业务编排，生成业务路径并将所述业务路径通过SDN云网控制器下发给网元。上述方法结合人工智能和大数据平台，能够实现网络业务的自动编排以及业务路径的自动优化，提高资源调度的效率。本发明实施例还提供了一种业务编排装置与计算机可读存储介质。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种业务编排方法，其特征在于，包括：
大数据平台采集业务运营支撑系统的数据并存储在本地数据库中；
所述大数据平台的AI引擎从所述本地数据库中提取设定时间段内所述业务运营支撑系统的数据并输入到预设的深度学习模型中进行模型训练，生成业务编排模型；
将所述业务编排模型分别部署到所述业务运营支撑系统中；
根据外部SDN应用发送的资源使用请求，向所述业务运营支撑系统申请所述资源使用请求对应的资源，并通过业务编排模型对所述资源使用请求对应的资源进行业务编排，生成业务路径并将所述业务路径通过SDN云网控制器下发给网元；
其中，所述业务编排方法还包括：
将所述大数据平台采集的历史故障数据输入到所述预设的深度学习模型中进行模型训练，生成故障诊断模型；
根据所述故障诊断模型对所述业务运营支撑系统下发的当前资源进行逻辑推理，获得故障预判结果；
所述业务运营支撑系统根据故障预判结果重新对所述业务运营支撑系统下发的当前资源进行业务编排。
2.如权利要求1所述的业务编排方法，其特征在于，所述业务编排方法还包括：
所述大数据平台采集所述网元根据所述业务路径更新的配置数据；
将所述网元根据所述业务路径更新的配置数据输入到所述业务编排模型中进行模型训练，获得迭代优化后的业务编排模型并将迭代优化后的业务编排模型更新到所述业务运营支撑系统。
3.如权利要求1所述的业务编排方法，其特征在于，所述业务运营支撑系统的数据包括：流量数据、网络性能数据、拓扑数据、路由数据、负载策略定义数据、冗余策略定义数据以及业务策略定义数据。
4.如权利要求1所述的业务编排方法，其特征在于，所述大数据平台的AI引擎从所述本地数据库中提取设定时间段内所述业务运营支撑系统的数据并输入到预设的深度学习模型中进行模型训练，生成业务编排模型，具体包括：
将所述业务运营支撑系统的数据进行数据清洗和预处理，生成标准化的数据样本并存储在所述本地数据库中；
所述AI引擎从所述本地数据库中获取所述数据样本进行特征挖掘，获得特征信息；
采用所述特征信息对所述深度学习模型进行模型训练，生成所述业务编排模型。
5.如权利要求4所述的业务编排方法，其特征在于，所述预处理包括以下一个或多个处理过程：缺失值处理、特征离散化处理、特征组合处理、特征选择处理。
6.如权利要求1所述的业务编排方法，其特征在于，所述深度学习模型包括以下一种或多种深度学习算法：路径选择算法、资源调度算法、Spark ML算法、MLlib算法、deeplearning4j算法、TensorFlow算法、Caffe算法、CNTK算法、Theano算法以及Torch算法。
7.一种业务编排系统，其特征在于，包括：
大数据平台，用于采集业务运营支撑系统的数据并存储在本地数据库中；
所述大数据平台的AI引擎，用于从所述本地数据库中提取设定时间段内所述业务运营支撑系统的数据并输入到预设的深度学习模型中进行模型训练，生成业务编排模型；
模型部署模块，用于将所述业务编排模型分别部署到所述业务运营支撑系统中；
业务编排模块，用于根据外部SDN应用发送的资源使用请求，向所述业务运营支撑系统申请所述资源使用请求对应的资源，并通过业务编排模型对所述资源使用请求对应的资源进行业务编排，生成业务路径并将所述业务路径通过SDN云网控制器下发给网元；
其中，所述业务编排模块还具体用于：
将所述大数据平台采集的历史故障数据输入到所述预设的深度学习模型中进行模型训练，生成故障诊断模型；
根据所述故障诊断模型对所述业务运营支撑系统下发的当前资源进行逻辑推理，获得故障预判结果；
所述业务运营支撑系统根据故障预判结果重新对所述业务运营支撑系统下发的当前资源进行业务编排。
8.一种业务编排装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的业务编排方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的业务编排方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810395741.2A CN108809694B (zh) | 2018-04-27 | 2018-04-27 | 业务编排方法、系统、装置与计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810395741.2A CN108809694B (zh) | 2018-04-27 | 2018-04-27 | 业务编排方法、系统、装置与计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108809694A CN108809694A (zh) | 2018-11-13 |
| CN108809694B true CN108809694B (zh) | 2021-10-15 |
Family
ID=64093068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810395741.2A Active CN108809694B (zh) | 2018-04-27 | 2018-04-27 | 业务编排方法、系统、装置与计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108809694B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021006861A1 (en) * | 2019-07-05 | 2021-01-14 | Visa International Service Association | Method and system using ai call prediction and cache |
| CN111082997B (zh) * | 2019-12-30 | 2021-05-14 | 西安电子科技大学 | 移动边缘计算平台中基于业务识别的网络功能编排方法 |
| CN113381865A (zh) * | 2020-02-25 | 2021-09-10 | 华为技术有限公司 | 一种网络运维方法、装置及系统 |
| CN112558935B (zh) * | 2020-12-10 | 2023-05-30 | 中盈优创资讯科技有限公司 | 一种基于编排控制流程业务开通的网元控制引擎模块 |
| CN113517988B (zh) * | 2021-04-13 | 2024-01-26 | 北京思特奇信息技术股份有限公司 | 基于动态场景化编排计费流程方法及系统 |
| CN113191502A (zh) * | 2021-04-21 | 2021-07-30 | 烽火通信科技股份有限公司 | 一种人工智能模型在线训练方法及系统 |
| CN113300881B (zh) * | 2021-04-23 | 2022-08-05 | 北京邮电大学 | 基于5g网络的编排调度方法、装置、设备及存储介质 |
| CN113656046A (zh) * | 2021-08-31 | 2021-11-16 | 北京京东乾石科技有限公司 | 一种应用部署方法和装置 |
| CN114615157A (zh) * | 2022-01-19 | 2022-06-10 | 浪潮通信信息系统有限公司 | 一种面向算网一体化场景的智慧营维系统及其应用方法 |
| CN115002217B (zh) * | 2022-05-23 | 2024-02-06 | 中国电信股份有限公司 | 调度方法、装置、设备及介质 |
| CN115525425B (zh) * | 2022-09-16 | 2024-05-14 | 中国电信股份有限公司 | 基于云原生技术的联邦学习计算引擎编排方法及其设备 |
| CN116170489B (zh) * | 2022-12-31 | 2023-09-19 | 浙江省新型互联网交换中心有限责任公司 | 基于交换中心业务的软件定义控制器及控制方法和应用 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106936606A (zh) * | 2015-12-29 | 2017-07-07 | 中国电信股份有限公司 | 业务实现方法和系统以及业务编排设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9882833B2 (en) * | 2015-09-28 | 2018-01-30 | Centurylink Intellectual Property Llc | Intent-based services orchestration |
-
2018
- 2018-04-27 CN CN201810395741.2A patent/CN108809694B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106936606A (zh) * | 2015-12-29 | 2017-07-07 | 中国电信股份有限公司 | 业务实现方法和系统以及业务编排设备 |
Non-Patent Citations (1)
| Title |
|---|
| 韦乐平直指NFV发展"痛点"AI将推动网络重构进入新阶段;王熙、刁兴玲;《通信世界》;20180425;第44-45页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108809694A (zh) | 2018-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108809694B (zh) | 业务编排方法、系统、装置与计算机可读存储介质 | |
| US11050656B2 (en) | System and method to learn and prescribe network path for SDN | |
| US11074107B1 (en) | Data processing system and method for managing AI solutions development lifecycle | |
| US10756976B2 (en) | Data network and execution environment replication for network automation and network applications | |
| US20180240062A1 (en) | Collaborative algorithm development, deployment, and tuning platform | |
| CN111242321A (zh) | 一种数据处理方法及相关产品 | |
| US20200257587A1 (en) | Intelligent responding to error screen associated errors | |
| US10885127B2 (en) | Machine-learning to alarm or pre-empt query execution | |
| Patel et al. | A hybrid CNN-LSTM model for predicting server load in cloud computing | |
| EP4290824A1 (en) | Task allocation method and apparatus based on internet-of-things device, and network training method and apparatus | |
| EP3014443A1 (en) | Automated system for generative multimodel multiclass classification and similarity analysis using machine learning | |
| JP2023549655A (ja) | コンテナ・スケーリングおよび移動を実施する方法、システム | |
| US11483211B2 (en) | Infrastructure discovery and analysis | |
| US11595269B1 (en) | Identifying upgrades to an edge network by artificial intelligence | |
| JP7461696B2 (ja) | 分散処理システムのリソース評価方法、システム、プログラム | |
| US11481598B2 (en) | Auto scaling a distributed predictive analytics system with machine learning | |
| US11310126B2 (en) | Automated operational data management dictated by quality of service criteria | |
| JP2022539090A (ja) | ニューラル・ネットワーク最適化における特徴エンジニアリング | |
| CN112036563A (zh) | 使用起源数据的深度学习模型洞察 | |
| US11080486B2 (en) | Remote neural network processing for guideline identification | |
| US20230161633A1 (en) | Avoidance of Workload Duplication Among Split-Clusters | |
| CN114089889B (zh) | 模型训练方法、装置以及存储介质 | |
| JP2023535168A (ja) | ソフトウェア・コンテナのための実行時間環境決定 | |
| Tuli et al. | Optimizing the performance of fog computing environments using ai and co-simulation | |
| TWI844931B (zh) | 利用維度減少提升分類及回歸樹表現 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Business orchestration methods, systems, devices, and computer-readable storage media Granted publication date: 20211015 Pledgee: Bank of China Limited Guangzhou Pearl River Branch Pledgor: GUANGZHOU VCMY TECHNOLOGY Co.,Ltd. Registration number: Y2024980020601 |