CN110120882A - 策略驱动方法和装置 - Google Patents
策略驱动方法和装置 Download PDFInfo
- Publication number
- CN110120882A CN110120882A CN201810123852.8A CN201810123852A CN110120882A CN 110120882 A CN110120882 A CN 110120882A CN 201810123852 A CN201810123852 A CN 201810123852A CN 110120882 A CN110120882 A CN 110120882A
- Authority
- CN
- China
- Prior art keywords
- network element
- strategy
- model
- movement
- policing feature
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0894—Policy-based network configuration management
-
- 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
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5003—Managing SLA; Interaction between SLA and QoS
- H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例公开了策略驱动方法和装置。通过多个功能网元的协同操作,可实现利用机器学习技术将无线网络中的数据信息转换成策略的控制。其中,一种方法包括:策略功能网元从建模功能网元获取至少一条策略;从预测功能网元接收第一模型触发的第一策略标识,其中,第一策略标识用于标识第一策略;策略功能网元根据第一策略标识,从至少一条策略中确定第一策略,第一策略包括第一动作对应的动作信息;策略功能网元执行第一策略中的第一动作;策略功能网元向数据服务网元或预测功能网元发送第一动作的执行结果,第一动作的执行结果用于作为第二模型的输入数据。
Description
技术领域
本申请涉及通信技术领域,尤其涉及策略驱动方法和装置。
背景技术
在第五代移动通信技术(5th-Generation,5G)系统中,原有的基带单元(BasebandUnit,BBU)功能将被重构为集中单元(Central Unit,CU)和分布式单元(DistributedUnit,DU)两个功能实体。CU与DU功能的切分以处理内容的实时性进行区分。CU主要包括非实时的无线高层协议栈功能,同时也支持部分核心网功能下沉和边缘应用业务的部署,而DU主要处理物理层功能和实时性需求的媒体接入控制(Media Access Control,MAC)功能。
5G系统中采用CU和DU架构后,CU和DU可以由独立的硬件来实现。从功能上看,一部分核心网功能可以下移到CU甚至DU中,用于实现移动边缘计算。此外,原先所有的层一、层二、层三等功能都在BBU中实现,新的架构下可以将层一、层二、层三功能分离,分别放在CU和DU甚至射频拉远单元(Remote Radio Unit,RRU)中来实现,以便灵活地应对传输和业务需求的变化。
关于5G中CU、DU具体的功能划分,前述方式只是作为一种可行的参考例子。例如,还可以将层三和层二中的非实时功能在CU中实现,将层二的实时功能以及层一的部分功能在DU中实现,层一的另外一部分功能移入RRU来实现。
由此可见,5G系统中采用CU、DU分离架构后,传统的BBU和RRU网元及其逻辑功能都会发生很大变化。具体哪些功能会在CU中实现,哪些功能又会放入DU,各厂家的具体实施方案还没有确定下来。
但是在5G系统中,网元之间、网元内的功能划分都没有确定,如何在无线网络中应用机器学习(Machine Learning,ML)技术来输出策略仍是尚未解决的问题,致使在目前的5G系统中缺乏利用机器学习技术将无线网络中的数据信息转换成策略的控制机制。
发明内容
本申请实施例提供了策略驱动方法和装置,用于通过多个功能网元的协同操作,可实现利用机器学习技术将无线网络中的数据信息转换成策略的控制。
为解决上述技术问题,本申请实施例提供以下技术方案:
第一方面,本申请实施例提供一种策略驱动方法,包括:策略功能网元从建模功能网元获取至少一条策略;策略功能网元从预测功能网元接收第一模型触发的第一策略标识,其中,第一策略标识用于标识第一策略;策略功能网元根据第一策略标识,从至少一条策略中确定第一策略,所述第一策略包括第一动作对应的动作信息;策略功能网元执行所述第一策略中的所述第一动作;策略功能网元向数据服务网元或预测功能网元发送第一动作的执行结果,第一动作的执行结果用于作为第二模型的输入数据。
在本申请的前述实施例中,策略功能网元可以根据第一策略标识从至少一条策略中确定出第一策略,策略功能网元执行第一策略中的第一动作,并将第一动作的执行结果作为第二模型的输入数据,从而可以实现第一模型和第二模型共同执行,可以无需将多个模型耦合在一起,使得单个模型可以重复使用,提高模型的复用效率。还可以实现策略功能网元、建模功能网元、预测功能网元、数据服务网元之间多网元的协同操作,可以再结合ML技术,利用丰富的网络信息,提供最适合当前网络状态的策略,并可实现通过多个模型将无线网络中的数据信息转换成策略的控制。
在第一方面的一种可能的实现方式中,策略功能网元向数据服务网元或预测功能网元发送第一动作的执行结果,包括:策略功能网元通过策略功能网元和数据服务网元之间的接口,向数据服务网元发送第一动作的执行结果。策略功能网元和数据服务网元之间配置有接口,策略功能网元通过该接口向数据服务网元发送第一动作的执行结果,数据服务网元和策略功能网元之间配置的接口不限定传输协议的格式与通信方式,通过策略功能网元和数据服务网元之间的接口可实现策略功能网元和数据服务网元的数据传输效率。
在第一方面的一种可能的实现方式中,所述方法还包括:所述策略功能网元从所述预测功能网元接收所述第一模型的预测结果;所述策略功能网元执行所述第一策略中的所述第一动作,包括:所述策略功能网元执行所述第一策略中与所述预测结果对应的第一动作。其中,第一模型的输出为预测结果,第一策略包括:策略标识、事件、条件信息和动作信息,该事件可以为空或者非空。当第一策略的事件为空时,策略功能网元可以无需将第一模型的预测结果和事件进行匹配,策略功能网元可以通过第一策略确定出第一动作。当第一策略的事件为非空时,策略功能网元可以将第一模型的预测结果和第一策略中的事件进行匹配,从而确定出第一策略中与预测结果对应的第一动作。
第二方面,本申请实施例提供一种策略驱动方法,包括:策略功能网元从建模功能网元获取至少一条策略;策略功能网元从预测功能网元接收第一模型触发的第一策略标识,其中,第一策略标识用于标识第一策略;策略功能网元根据第一策略标识,从至少一条策略中确定第一策略,第一策略包括第一动作对应的动作信息和执行第一策略中的第一动作的条件信息;策略功能网元触发动作信息指示的目标网元执行第一策略中的第一动作。
在本申请的前述实施例中,策略功能网元可以根据第一策略标识从至少一条策略中确定出第一策略,该第一策略包括有动作信息和执行第一动作的条件信息,策略功能网元可以根据该第一策略来触发目标网元执行第一策略中的第一动作,实现策略功能网元、建模功能网元、预测功能网元之间多网元的协同操作,可以再结合ML技术,并结合不同的网络状态,实现精准策略控制。
在第二方面的一种可能的实现方式中,方法还包括:策略功能网元根据条件信息向通信网元发送条件信息,以查询条件信息是否被满足;或者,所述策略功能网元向通信网元发送所述条件信息,以订阅:当所述条件信息被满足时,所述通信网元通知所述策略功能网元。通信网元包括如下网元中的至少一种:网络单元NE、运营支撑系统OSS、建模功能网元。本申请实施例中策略功能网元可以通过通信网元确定出第一动作对应的条件信息是否被满足,再根据条件信息是否被满足来确定是否触发目标网元执行第一动作,从而实现了基于策略中的条件信息对目标网元的控制功能,实现了在需要条件查询的场景下策略功能网元对目标网元的控制。在策略功能网元向通信网元订阅条件信息是否被满足时,通信网元可以实时查询策略功能网元所订阅的条件信息是否被满足,在查询到该条件信息被满足时,通信网元可以主动的通知策略功能网元,该策略功能网元通过通信网元的主动通知可以直接确定是否可以执行第一策略中的第一动作,可以无需策略功能网元实时的查询,提高了策略中动作的执行效率。
在第二方面的一种可能的实现方式中,所述策略功能网元触发所述动作信息指示的目标网元执行所述第一策略中的所述第一动作,包括:当所述条件信息被满足时,所述策略功能网元触发所述动作信息指示的目标网元执行所述第一策略中的所述第一动作。本申请实施例中策略功能网元在条件信息被满足时才会触发目标网元执行第一动作,从而实现了基于策略中的条件信息对目标网元的控制功能,实现了在需要条件查询的场景下策略功能网元对目标网元的控制。
在第一方面或第二方面的一种可能的实现方式中,策略功能网元触发动作信息指示的目标网元执行第一策略中的第一动作,包括:策略功能网元按照第一策略对应的执行顺序触发目标网元执行第一策略中的第一动作。其中,当可以执行多个策略中的动作时,预测功能网元还向策略功能网元发送策略的执行顺序,则策略功能网元可以从预测功能网元接收到多个策略的执行顺序,策略功能网元按照第一策略对应的执行顺序触发目标网元执行第一策略中的第一动作,对于一个模型触发多个策略的场景,在模型下发时除了携带策略外,还携带策略的执行顺序,以保证策略中的动作有序执行。
在第一方面或第二方面的一种可能的实现方式中,策略功能网元触发动作信息指示的目标网元执行第一策略中的第一动作,包括:策略功能网元根据第一模型对应的优先级标识确定第一模型的优先级为最高优先级;策略功能网元触发最高优先级的第一模型对应的第一动作指示的目标网元执行第一策略中的第一动作。其中,预测功能网元中可以安装有多个模型,每个模型对应有不同的优先级标识,以标识不同模型的优先级高低。每个模型有对应有预测结果,预测功能网元向策略功能网元发送多个模型的预测结果。策略功能网元根据第一模型对应的优先级标识确定第一模型的优先级为最高优先级,策略功能网元触发最高优先级的第一模型对应的第一动作指示的目标网元执行第一策略中的第一动作。对于不是最高优先级的模型,策略功能网元可以不执行相应的动作。在多个模型触发同一个策略的场景下,不同模型使用一套通用的策略驱动方法,减少策略冗余和编排复杂度。
在第一方面或第二方面的一种可能的实现方式中,方法还包括:策略功能网元从建模功能网元接收策略管理指示信息,策略管理指示信息包括:第一待管理策略标识第一管理操作,或策略管理指示信息包括:第二待管理策略标识、第二管理操作、待管理的策略;其中,第一管理操作包括如下操作中的至少一种:策略删除操作、策略激活操作、策略去激活操作、策略查询操作;第二管理操作包括:策略安装操作,和/或策略更新操作,待管理的策略包括:第二待管理策略标识对应的事件、条件信息和动作信息。其中,建模功能网元还可以指示策略功能网元对策略进行更新,针对不同类型的策略,建模功能网元可以下发不同的策略管理指示信息,从而策略功能网元可以根据该策略管理指示信息对策略进行管理操作,实现策略的动态更新。
在第二方面的一种可能的实现方式中,所述方法还包括:所述策略功能网元从所述预测功能网元接收所述第一模型的预测结果;所述策略功能网元确定所述第一策略中的所述第一动作,包括:所述策略功能网元确定所述第一策略中与所述预测结果对应的第一动作。其中,第一模型的输出为预测结果,第一策略包括:策略标识、事件、条件信息和动作信息,该事件可以为空或者非空,当第一策略的事件为空时策略功能网元可以无需将第一模型的预测结果和事件进行匹配,策略功能网元可以通过第一策略确定出第一动作,当第一策略的事件为非空时策略功能网元可以将第一模型的预测结果和第一策略中的事件进行匹配,从而确定出第一策略中与预测结果对应的第一动作。
第三方面,本申请实施例提供一种策略驱动方法,包括:建模功能网元根据数据服务网元提供的训练样本数据对初始模型进行训练,得到训练后的第一模型;建模功能网元向预测功能网元发送第一模型的模型标识和第一模型触发的第一策略标识,其中,所述第一策略标识用于标识第一策略;建模功能网元向策略功能网元发送至少一条策略,至少一条策略中的每一条策略包括:策略标识、事件、条件信息和动作信息,所述至少一条策略用于所述第一策略中的第一动作的确定。
在本申请的前述实施例中,建模功能网元可创建第一模型,将第一模型的模型标识和第一模型触发的第一策略标识发送给预测功能网元,使得预测功能网元可以安装第一模型。建模功能网元还将至少一条策略发送给策略功能网元,使得策略功能网元可以安装至少一条策略,实现策略功能网元、建模功能网元、预测功能网元之间多网元的协同操作,可以再结合ML技术,并结合不同的网络状态,实现精准策略控制。
在第三方面的一种可能的实现方式中,方法还包括:当第一模型触发多个策略时,建模功能网元向预测功能网元发送多个策略之间的执行顺序。其中,建模功能网元可以向预测功能网元发送多个策略的执行顺序,策略功能网元再从预测功能网元接收到该执行顺序,按照第一策略对应的执行顺序触发目标网元执行第一策略中的第一动作,对于一个模型触发多个策略的场景,在模型下发时除了携带策略外,还携带策略的执行顺序,以保证策略中的动作有序执行。
在第三方面的一种可能的实现方式中,方法还包括:建模功能网元向预测功能网元发送第一模型对应的优先级标识。其中,预测功能网元中可以安装有多个模型,每个模型对应有不同的优先级标识,以标识不同模型的优先级高低。在多个模型触发同一个策略的场景下,不同模型使用一套通用的策略驱动方法,减少策略冗余和编排复杂度。
在第三方面的一种可能的实现方式中,方法还包括:建模功能网元向策略功能网元发送策略管理指示信息,策略管理指示信息包括:第一待管理策略标识第一管理操作,或策略管理指示信息包括:第二待管理策略标识、第二管理操作、待管理的策略;其中,第一管理操作包括如下操作中的至少一种:策略删除操作、策略激活操作、策略去激活操作、策略查询操作;第二管理操作包括:策略安装操作,和/或策略更新操作,待管理的策略包括:第二待管理策略标识对应的事件、条件信息和动作信息。其中,建模功能网元还可以指示策略功能网元对策略进行更新,针对不同类型的策略,建模功能网元可以下发不同的策略管理指示信息,从而策略功能网元可以根据该策略管理指示信息对策略进行管理操作,实现策略的动态更新。
在第三方面的一种可能的实现方式中,方法还包括:建模功能网元从策略功能网元接收对所述条件信息的查询请求或者订阅请求;所述建模功能网元根据所述查询请求查询所述条件信息是否被满足以生成查询结果,并将所述查询结果通知给所述策略功能网元;或者,所述建模功能网元根据所述订阅请求查询所述条件信息是否被满足,并在所述条件信息被满足时,所述建模功能网元通知所述策略功能网元。其中,策略功能网元通过和建模功能网元的交互可以查询条件是否被满足,策略功能网元在条件信息被满足时才会触发目标网元执行第一动作,从而实现了基于策略中的条件信息对目标网元的控制功能,实现了在需要条件查询的场景下策略功能网元对目标网元的控制。
第四方面,本申请实施例提供一种策略驱动方法,包括:预测功能网元向策略功能网元发送第一模型触发的第一策略标识,其中,所述第一策略标识用于标识第一策略,所述第一策略包括第一动作对应的动作信息;预测功能网元获取第一动作的执行结果;预测功能网元使用第一动作的执行结果作为第二模型的输入数据,通过第二模型进行预测。
在本申请的前述实施例中,预测功能网元可以对第一模型进行预测,预测功能网元还可以将第一动作的执行结果输入到第二模型中,从而可以实现第一模型和第二模型共同执行,可以无需将多个模型耦合在一起,使得单个模型可以重复使用,提高模型的复用效率。本申请实施例还可以实现策略功能网元、预测功能网元之间多网元的协同操作,可以再结合ML技术,利用丰富的网络信息,提供最合适当前网络状态的策略,可实现通过多个模型将无线网络中的数据信息转换成策略的控制。
在第四方面的一种可能的实现方式中,预测功能网元获取第一动作的执行结果,包括:预测功能网元从策略功能网元接收第一动作的执行结果;或,预测功能网元从数据服务网元接收第一动作的执行结果。预测功能网元可通过策略功能网元或者数据服务网元接收到第一动作的执行结果,本申请实施例预测功能网元可以根据场景确定如何获取到第一动作的执行结果。
在第四方面的一种可能的实现方式中,所述方法还包括:所述预测功能网元向所述策略功能网元发送所述第一模型的预测结果,所述预测结果用于所述第一策略中所述第一动作的确定。其中,预测功能网元使用第一模型进行预测,并得到预测结果,第一策略包括:策略标识、事件、条件信息和动作信息,该事件可以为空或者非空,当第一策略的事件为空时策略功能网元可以无需将第一模型的预测结果和事件进行匹配,策略功能网元可以通过第一策略确定出第一动作,当第一策略的事件为非空时策略功能网元可以将第一模型的预测结果和第一策略中的事件进行匹配,从而确定出第一策略中与预测结果对应的第一动作。
第五方面,本申请实施例提供一种策略驱动方法,包括:数据服务网元向建模功能网元发送训练样本数据,所述训练样本数据用于第一模型的训练;数据服务网元向预测功能网元发送所述第一模型的输入数据;数据服务网元从策略功能网元接收第一动作的执行结果,所述第一动作的执行结果与所述第一模型的输入数据关联;数据服务网元向预测功能网元发送第一动作的执行结果,第一动作的执行结果用于作为第二模型的输入数据。
在本申请的前述实施例中,数据服务网元可以向建模功能网元、预测功能网元分别提供数据,数据服务网元向预测功能网元发送的第一动作的执行结果可用于第二模型的输入数据,从而可以实现第一模型和第二模型共同执行,可以无需将多个模型耦合在一起,使得单个模型可以重复使用,提高模型的复用效率。还可以实现数据服务网元、策略功能网元、预测功能网元之间多网元的协同操作,可以再结合ML技术,利用丰富的网络信息,提供最合适当前网络状态的策略,可实现通过多个模型将无线网络中的数据信息转换成策略的控制。
在第五方面的一种可能的实现方式中,数据服务网元从策略功能网元接收第一动作的执行结果,包括:数据服务网元通过策略功能网元和数据服务网元之间的接口,从策略功能网元接收第一动作的执行结果。其中,策略功能网元和数据服务网元之间配置有接口,策略功能网元通过该接口向数据服务网元发送第一动作的执行结果,数据服务网元和策略功能网元之间配置的接口不限定传输协议的格式与通信方式,通过策略功能网元和数据服务网元之间的接口可实现策略功能网元和数据服务网元的数据传输效率,并实现多模型间的解耦。
第六方面,本申请实施例提供了一种策略驱动装置,装置可以用来执行上述第一方面至第五方面中任一方面及任一方面的任意可能的实现方式中的操作。例如,该装置可以执行上述第一方面或第二方面或其可能的实现方式中策略功能网元的操作,或者,执行上述第三方面或其可能的实现方式中建模功能网元的操作,或者,执行上述第四方面或其可能的实现方式中预测功能网元的操作,或者,执行上述第五方面或其可能的实现方式中数据服务网元的操作。装置可以包括用于执行上述第一方面至第五方面中任一方面或任一方面的任意可能的实现方式中的各个操作的模块单元。
第七方面,本申请实施例提供一种策略功能网元,策略功能网元包括:处理器,存储器;处理器、存储器进行相互的通信;述存储器用于存储指令;处理器用于执行存储器中的指令,执行前述第一方面或第二方面中的方法。
第八方面,本申请实施例提供一种建模功能网元,建模功能网元包括:处理器,存储器;处理器、存储器进行相互的通信;述存储器用于存储指令;处理器用于执行存储器中的指令,执行前述第三方面中的方法。
第九方面,本申请实施例提供一种预测功能网元,预测功能网元包括:处理器,存储器;处理器、存储器进行相互的通信;述存储器用于存储指令;处理器用于执行存储器中的指令,执行前述第四方面中的方法。
第十方面,本申请实施例提供一种数据服务网元,数据服务网元包括:处理器,存储器;处理器、存储器进行相互的通信;述存储器用于存储指令;处理器用于执行存储器中的指令,执行前述第五方面中的方法。
第十一方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面的方法。
第十二方面,本申请实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面的方法。
第十三方面,本申请实施例提供一种策略驱动装置,策略驱动装置包括:处理器、存储器;存储器用于存储指令;处理器用于执行存储器中的指令,使得策略驱动装置执行如前述第一至第五方面中任一项的方法。例如,该装置可以执行上述第一方面或第二方面或其可能的实现方式中策略功能网元的操作,或者,执行上述第三方面或其可能的实现方式中建模功能网元的操作,或者,执行上述第四方面或其可能的实现方式中预测功能网元的操作,或者,执行上述第五方面或其可能的实现方式中数据服务网元的操作。
第十四方面,本申请提供了一种芯片系统,该芯片系统包括处理器,用于支持策略功能网元、建模功能网元、预测功能网元、数据服务网元实现上述方面中所涉及的功能,例如,例如发送或处理上述方法中所涉及的数据和/或信息。在一种可能的设计中,芯片系统还包括存储器,存储器,用于保存策略功能网元、建模功能网元、预测功能网元、数据服务网元必要的程序指令和数据。该芯片系统,可以由芯片构成,也可以包括芯片和其他分立器件。
第十五方面,本申请实施例提供了一种策略驱动系统,策略驱动系统包括:策略功能网元、建模功能网元、预测功能网元、数据服务网元,各个网元的功能和组成部分分别如前述各个方面中的描述。
附图说明
图1为本申请实施例提供的一种策略驱动系统的组成结构示意图;
图2为本申请实施例提供的另一种策略驱动系统的组成结构示意图;
图3为本申请实施例提供的策略驱动系统内多个网元之间的一种交互流程示意图;
图4为本申请实施例提供的策略驱动系统内多个网元之间的另一种交互流程示意图;
图5为本申请实施例提供的一种策略驱动方法的流程方框示意图;
图6为本申请实施例提供的另一种策略驱动方法的流程方框示意图;
图7为本申请实施例提供的另一种策略驱动方法的流程方框示意图;
图8为本申请实施例提供的另一种策略驱动方法的流程方框示意图;
图9为本申请实施例提供的另一种策略驱动方法的流程方框示意图;
图10为本申请实施例提供的预测功能网元内两个模型按照模型执行顺序依次执行的示意图;
图11为本申请实施例提供的将模型的预测结果应用到异频或异系统的切换场景示意图;
图12为本申请实施例提供的多个网元之间进行交互以实现策略驱动方法的系统架构示意图;
图13为本申请实施例提供的RAN系统中多个模型共同用于参数调优的场景示意图;
图14为本申请实施例提供的多个网元之间进行交互以实现策略驱动方法的一种交互流程示意图;
图15为本申请实施例提供的神经网络模型的一种训练过程示意图;
图16为本申请实施例提供的多个网元之间进行交互以实现策略驱动方法的另一种交互流程示意图;
图17为本申请实施例提供的多个网元之间进行交互以实现策略管理的交互流程示意图;
图18为本申请实施例提供的一种策略功能网元的组成结构示意图;
图19为本申请实施例提供的一种建模功能网元的组成结构示意图;
图20为本申请实施例提供的一种预测功能网元的组成结构示意图;
图21为本申请实施例提供的一种数据服务网元的组成结构示意图;
图22为本申请实施例提供的一种策略驱动装置的组成结构示意图。
具体实施方式
本申请实施例提供了策略驱动方法和装置,用于通过多个功能网元的协同操作,可实现利用机器学习技术将无线网络中的数据信息转换成策略的控制。
下面结合附图,对本申请的实施例进行描述。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
本申请实施例提供的策略驱动方法可应用于无线网络中的机器学习模型中。机器学习可以被应用在无线网络中。
机器学习大致分为数据采集、预处理和特征工程、训练以及预测等主要步骤。
其中,数据采集是指数据采集设备从产生数据源的对象中获取各种类型的原始数据。采集得到的数据可以存放在数据库或数据采集设备的内存中用来进行训练或者预测。
预处理是对原始数据做简单的结构化、清洗、去重、去噪等数据操作。
特征工程是机器学习的一个重要过程,同样也是对数据的操作,可以认为是对数据的进一步的处理。典型的操作包括训练数据特征的提取,相关性分析等。这些操作可以用到一些复杂的算法辅助完成。
训练是机器学习用来产生预测模型的一环。算法使用者将数据准备好后,选择合适的算法和特征(如果是监督学习还需选择合适的标签数据),将数据输入到算法后由计算机执行训练算法。例如,本申请实施例中所使用的算法可以包括回归、决策树、支持向量机(Support Vector Machine,SVM)、神经网络、贝叶斯分类器等。每一类算法也可能会包括多个衍生的算法类型。单个训练算法训练结束后会产生一个机器学习模型。
在机器学习模型训练后,可以使用该机器学习模型进行预测,例如将新的样本数据输入到训练出的模型中即可预测出该模型所对应的输出值。
如图1和图2所示,图1为本申请实施例提供的一种策略驱动系统的组成结构示意图。图2为本申请实施例提供的另一种策略驱动系统的组成结构示意图。本申请实施例可提供一种策略驱动系统100,该策略驱动系统100包括:策略功能网元101、建模功能网元102、预测功能网元103、数据服务网元(Data Service Function,DSF)104。其中,策略功能网元101可分别与建模功能网元102、预测功能网元103、数据服务网元104进行通信。预测功能网元103可分别与策略功能网元101、建模功能网元102、数据服务网元104进行通信。建模功能网元102可分别与策略功能网元101、预测功能网元103、数据服务网元104进行通信。数据服务网元104可分别与策略功能网元101、建模功能网元102、预测功能网元103进行通信。
建模功能网元102可实现模型的训练及下发、策略的下发等功能。其中,建模功能网元102所创建的模型与下发的多种策略在不同的无线网络场景下有不同的实现方式。例如,该建模功能网元102可以是分析和建模功能(Analyzing and Modeling Function,AMF)网元。例如,该AMF网元可用于5G系统,或者其它的通信系统。该建模功能网元102具有分析和建模功能,可提供网络大数据分析、挖掘和各种学习模型的训练功能。
预测功能网元103可实现模型的安装与预测功能。其中,建模功能网元102所创建的模型可以安装在预测功能网元103上,预测功能网元103可以使用数据服务网元104提供的输入数据进行模型的预测,并将预测结果传输给策略功能网元101。例如,该预测功能网元103可以是模型执行功能(Model Execution Function,MEF)网元。该MEF网元可用于5G系统,或者其它的通信系统。预测功能网元103具有模型执行功能,可执行训练后的模型,该模型用于对网络数据进行预测。
策略功能网元101是根据模型的预测结果触发相应的策略或者执行该策略对应的动作。例如,该策略功能网元101可以是自适应策略功能(Adaptive Policy Function,APF)网元。例如,APF网元可用于5G系统,或者其它的通信系统。策略功能网元101具有智能协同功能,用于根据分析或模型执行结果触发相应的策略,以改变网络状态。例如,通过网络状态的调整,可以进行参数调优、流量工程、资源调度等。
数据服务网元104可实现数据的整合功能。数据服务网元104可以向建模功能网元102、预测功能网元103提供数据,存储各个网元的执行结果。数据服务网元104可以与策略功能网元101之间配置有专用的接口,通过该接口可以接收策略功能网元101在执行策略对应的动作后生成的执行结果。数据服务网元104和策略功能网元101之间配置的接口不限定传输协议的格式与通信方式,通过前述的接口可实现策略功能网元101和数据服务网元104的数据传输效率。数据服务网元可用于5G系统,或者其它的通信系统。该数据服务网元具有数据服务功能,可提供数据采集、预处理,并向不同网元提供数据和处理结果。
上述策略功能网元101、建模功能网元102、预测功能网元103、数据服务网元104网元可以是逻辑网元。可选的,策略功能网元101、建模功能网元102、预测功能网元103、数据服务网元104可以集成在一个设备中。或者,建模功能网元102、预测功能网元103、数据服务网元104可以集成在一个设备中。这将结合后面的图13做进一步描述。
如图2所示,该策略驱动系统100还可以包括:目标网元105。策略功能网元101还可以和目标网元105进行通信,策略功能网元101可以触发目标网元105执行相应的动作。在不同的模型与动作输出的场景下,目标网元105可以有多种实现方式。举例说明如下,该目标网元是策略功能网元所触发执行动作的具体网元。该目标网元可以是如下网元中的至少一种:运营支撑系统(Operations Support System,OSS)、网络单元(Network Element,NE)。其中,网络单元可以包含硬件设备及运行其上的软件,通常一个网络单元至少具有一块主控板,负责整个网络单元的管理和监控,主机软件运行在主控板上。比如在第四代移动通信技术(4th-Generation,4G)系统的分组核心网(Evolved Packet Core,EPC)中,该网络单元可以是移动性管理实体(Mobility Management Entity,MME)、服务网关(ServingGateWay,SGW)、分组数据网(Packet Data Network,PDN)网关(PDN GateWay,PGW)、归属签约用户服务器(Home Subscriber Server,HSS)、策略与计费规则功能单元(Policy andCharging Rules Function,PCRF)等。该网络单元也可以是5G系统中的接入和移动性管理功能(Access and Mobility Management Function)网元,会话管理功能(SessionManagement Function,SMF)网元,策略控制功能(Policy Control Function,PCF)网元等。对于网络单元的具体实现方式,此处不做限定。
如图2所示,该策略驱动系统100还可以包括:通信网元106。策略功能网元101还可以和通信网元106进行通信,以查询策略包括的条件信息是否被满足。该通信网元106可以包括如下网元中的至少一种:NE、OSS、建模功能网元。策略中包括的条件信息用于确定该策略里包含的动作信息所对应的动作是否被执行。举例说明如下,策略功能网元101根据第一策略标识确定出第一策略,从该第一策略中解析出该策略所包括的条件信息,然后策略功能网元101可以向通信网元106发送条件信息,以查询条件信息是否被满足。策略功能网元101可以接收通信网元106发送的查询结果,根据该查询结果确定策略功能网元101查询的条件信息是否被满足。只有在该条件信息满足时,策略所包括的动作信息对应的动作才会被执行。
需要说明的是,策略功能网元101向通信网元106发送的是查询请求,不限定的是,策略功能网元101还可以通过其他方式来确定条件信息是否被满足,例如策略功能网元101可以向通信网元106发送条件信息,以订阅:当条件信息被满足时,通信网元106通知该策略功能网元101。
接下来对策略驱动系统的各个组成部分之间的交互流程进行举例说明。请参阅图3所示,为本申请实施例提供的策略驱动系统内多个网元之间的一种交互流程示意图。例如,图3中的策略功能网元、建模功能网元、预测功能网元、数据服务网元分别可以是图2中的策略功能网元101、建模功能网元102、预测功能网元103、数据服务网元104。如图3所示,该方法包括如下步骤:
在执行步骤301前,建模功能网元可以预先从数据服务网元获取到数据,该数据在算法设计时已确定,以创建初始模型(图中未示出)。
步骤301、数据服务网元向建模功能网元发送训练数据。
例如,数据服务网元和建模功能网元之间配置有接口,数据服务网元可通过该接口向建模功能网元提供训练数据。
步骤302、建模功能网元根据数据服务网元提供的训练数据对初始模型进行训练,得到训练后的第一模型。
例如,建模功能网元可以将训练数据作为样本,对初始模型进行训练,从而可以得到训练后的模型。为便于描述,将训练后的模型称为第一模型。不限定的是,建模功能网元还可以训练出第二模型。
步骤303、建模功能网元向预测功能网元发送第一模型的模型标识和第一策略标识。
例如,建模功能网元在训练出第一模型之后,确定该第一模型的模型标识以及该第一模型所触发的策略的标识。为便于描述,将第一模型触发的策略的标识称为第一策略标识。
例如,建模功能网元和预测功能网元之间配置有接口,可通过建模功能网元和预测功能网元之间的接口传输第一模型的模型标识和第一策略标识。
步骤304、数据服务网元向预测功能网元发送第一模型的输入数据。
其中,数据服务网元可以向预测功能网元提供输入数据,从而预测功能网元可以使用该输入数据进行第一模型的预测,生成第一模型的预测结果。
步骤305、建模功能网元向策略功能网元发送至少一条策略。其中,至少一条策略中的每一条策略包括:策略标识、事件和动作信息。
其中,策略标识是用于区分不同的策略,策略可以通过策略标识来匹配。建模功能网元发送给策略功能网元的至少一条策略可以通过相应的策略标识来标识。预测功能网元通过模型进行预测可以生成预测结果,策略中的事件与模型的预测结果相对应。事件可以为空或者非空,当策略的事件为空时,策略功能网元可以无需将模型的预测结果和事件进行匹配,策略功能网元可以通过策略确定出动作。当策略的事件为非空时,策略功能网元可以将模型的预测结果和策略中的事件进行匹配,从而确定出策略中与预测结果对应的动作信息。动作信息包括可以执行的动作和执行该动作的网元。例如,执行该动作的网元可以是策略功能网元,也可以是其他网元,此处不做限定。
需要说明的是,前述步骤303、304、305之间的执行先后顺序不做限定。
可选的,每一条策略还可以包括:条件信息。该条件信息用于确定该策略里包含的动作信息所对应的动作是否被执行。举例说明如下,策略功能网元根据第一策略标识确定一条策略,从该策略中解析出该策略所包括的条件信息,然后策略功能网元可以向通信网元发送条件信息,以查询条件信息是否被满足。或者,策略功能网元可以向通信网元发送条件信息,以订阅:当条件信息被满足时,通信网元通知该策略功能网元。通信网元包括如下网元中的至少一种:NE、OSS、建模功能网元。策略功能网元可以接收通信网元发送的查询结果,根据该查询结果确定策略功能网元查询的条件信息是否被满足。只有在该条件信息满足时,策略所包括的动作信息对应的动作才会被执行。
例如,建模功能网元和策略功能网元之间配置有接口,策略功能网元可以通过该接口,从建模功能网元获取到至少一条策略。
步骤306、预测功能网元使用第一模型的输入数据进行第一模型的预测,生成第一预测结果,并向策略功能网元发送第一预测结果和第一策略标识。
例如,预测功能网元从建模功能网元获取到第一模型的模型标识和第一策略标识,可以根据第一模型的模型标识和第一模型的模型信息安装该第一模型,该第一模型的模型信息由建模功能网元发送给预测功能网元。预测功能网元从数据服务网元获取到第一模型的输入数据,然后使用该输入数据,通过第一模型进行预测,生成第一预测结果。其中,预测结果与具体的模型以及该模型的输入数据有关。举例说明如下,预测结果可以是异频切换场景中目标异频物理小区标识(Physical Cell Identifier,PCI)。
在预测完成后,预测功能网元可以通过预测功能网元和策略功能网元之间的接口发送第一预测结果和第一策略标识。
需要说明的是,前述步骤305、306之间的执行先后顺序不做限定。
步骤307、策略功能网元根据第一策略标识从至少一条策略中确定第一策略,该第一策略包括第一动作对应的动作信息。
其中,策略功能网元可以从预测功能网元接收到第一预测结果和第一策略标识,根据第一策略标识确定出第一策略。第一策略信息包括:策略标识、事件和动作信息。该事件可以为空或者非空,当第一策略的事件为空时,策略功能网元可以无需将第一预测结果和事件进行匹配,策略功能网元可以通过第一策略确定出第一动作。当第一策略的事件为非空时,策略功能网元可以将第一预测结果和第一策略中的事件进行匹配,从而确定出第一策略中与预测结果对应的动作。举例说明,当确定出的第一策略中只包含一个动作信息时,策略功能网元通过策略标识就可以确定出相应的动作信息。当确定出的第一策略中包含有两种或两种以上不同的动作信息时,策略功能网元可以根据第一预测结果和第一策略中的事件进行匹配,通过匹配出来的事件确定出第一预测结果对应的动作信息。
可选的,当第一策略中还包括条件信息时,策略功能网元可以根据第一预测结果来确定条件信息是否被满足。例如策略功能网元可以通过向通信网元订阅或查询的方式来确定条件信息是否被满足,在该条件信息满足时触发执行后续步骤308。
步骤308、策略功能网元执行第一策略中与第一预测结果对应的第一动作。
其中,策略功能网元确定出第一策略之后,策略功能网元根据该第一策略以及第一预测结果获取到第一策略中包括的第一动作,然后可以执行第一策略对应的第一动作。不同的策略可以指示不同的动作,此处不做限定。
步骤309a、策略功能网元向预测功能网元发送第一动作的执行结果。
步骤309b、策略功能网元向数据服务网元发送第一动作的执行结果。
其中,策略功能网元执行第一策略中的第一动作之后生成执行结果,策略功能网元向预测功能网元或数据服务网元发送第一动作的执行结果。也就是说,可执行步骤309a和309b中的任一个步骤,具体取决于应用场景。其中,策略功能网元所执行的第一动作在不同场景下可以有多种实现方式。举例说明,策略功能网元执行的第一动作可以包括:将模型的预测结果转化为预测结果对应的物理意义并将其发送给数据服务网元或预测功能网元。例如第一模型为TCP版本识别模型,第一策略中的策略标识为1000,第一策略中的事件为空,第一策略中的条件信息为空,第一策略中的动作信息为:如果预测结果为1,将TCP版本是新里诺(NewReno)发送给数据服务网元。策略功能网元执行第一动作的执行结果是:预测结果所匹配出的TCP版本是新里诺。策略功能网元将该执行结果发送给数据服务网元,该执行结果可用于其它模型的输入数据。需要说明的是,以预测结果为1时代表TCP版本是新里诺为例进行说明,不限定的是,该预测结果的取值还可以为2或者3,例如当预测结果为2时代表TCP版本是库比克(CUBIC),当预测结果为3时代表TCP版本为C-TCP。
在步骤309a或者309b中任意一个步骤执行之后,可以执行后续步骤310。
步骤310、预测功能网元获取第一模型的第一动作的执行结果。
该第一模型的第一动作由策略功能网元执行后,预测功能网元可接收到第一动作的执行结果。例如,预测功能网元通过上述步骤309a从策略功能网元获取第一动作的执行结果,或在数据服务网元通过上述步骤309b从策略功能网元获取第一动作的执行结果后,预测功能网元从数据服务网元获取第一动作的执行结果。
步骤311、预测功能网元将第一动作的执行结果作为第二模型的输入数据,使用第二模型进行预测。
其中,预测功能网元上安装有多个模型,例如第一模型和第二模型。预测功能网元上安装的多个模型是相互独立的。策略功能网元执行第一策略中的第一动作后可以生成第一动作的执行结果,预测功能网元获取到第一动作的执行结果后,可以将第一动作的执行结果作为第二模型的输入数据,通过第二模型进行预测。预测功能网元上安装的多个模型是解耦合的。本申请实施例中,一个模型的输出可以作为另一个模型的输入,从而可应用于多个模型共同驱动参数调优的场景,可以无需将多个模型耦合在一起,使得单个模型可以重复使用,提高模型的复用效率。还可以实现策略功能网元、建模功能网元、预测功能网元、数据服务网元之间多网元的协同操作,可以再结合ML技术,利用丰富的网络信息,提供最适合当前网络状态的策略,并可实现通过多个模型将无线网络中的数据信息转换成策略的控制。
图4为本申请实施例提供的策略驱动系统内多个网元之间的另一种交互流程示意图。图4将结合图3进行描述。如图4所示,该方法包括如下步骤:
步骤401、数据服务网元向建模功能网元发送训练数据。
步骤402、建模功能网元根据数据服务网元提供的训练数据对初始模型进行训练,得到训练后的第一模型。
步骤403、建模功能网元向预测功能网元发送第一模型的模型标识和第一策略标识。
步骤404、数据服务网元向预测功能网元发送第一模型的输入数据。
其中,步骤401至步骤404可以参考前述实施例中步骤301至步骤304的举例说明,此处不再赘述。
步骤405、建模功能网元向策略功能网元发送至少一条策略。其中,至少一条策略中的每一条策略包括:策略标识、事件、动作信息、条件信息。
其中,对于策略标识、事件、动作信息和条件信息的说明详见前述图3的实施例。
需要说明的是,前述步骤403、404、405之间的执行先后顺序不做限定。
步骤406、预测功能网元使用第一模型的输入数据进行第一模型的预测,生成第一预测结果,向策略功能网元发送第一预测结果和第一策略标识。
步骤406可以参考前述实施例中步骤306的举例说明,此处不再赘述。
需要说明的是,前述步骤405、406之间的执行先后顺序不做限定。
步骤407、策略功能网元根据第一策略标识从至少一条策略中确定第一策略。
其中,策略功能网元可以从预测功能网元接收到第一预测结果和第一策略标识,根据第一策略标识确定出第一策略。第一策略的信息包括:策略标识、事件和动作信息。该事件可以为空或者非空。当第一策略的事件为空时,策略功能网元不将第一预测结果和事件进行匹配,策略功能网元可以通过第一策略确定出第一动作。当第一策略的事件为非空时,策略功能网元可以将第一预测结果和第一策略中的事件进行匹配,从而确定出第一策略中与预测结果对应的动作。
步骤408、策略功能网元获取该第一策略中包括的条件信息,并向通信网元查询该条件信息是否被满足。
步骤409、通信网元使用该条件信息进行查询后,向策略功能网元发送查询结果。
其中,策略功能网元在步骤407确定出第一策略之后,策略功能网元还可以获取第一策略中包括的条件信息,策略功能网元可以向通信网元查询该条件信息是否被满足,通信网元包括如下网元中的至少一种:NE、OSS、建模功能网元。在该条件信息满足时触发执行后续步骤410。该条件信息用于确定第一策略里包含的动作信息所对应的动作是否被执行。举例说明如下,策略功能网元根据第一策略标识确定出第一策略,从该第一策略中解析出该策略所包括的条件信息,然后策略功能网元可以向通信网元发送条件信息,以查询条件信息是否被满足。策略功能网元可以接收通信网元发送的查询结果,根据该查询结果确定策略功能网元查询的条件信息是否被满足。只有在该条件信息满足时,策略所包括的动作信息对应的动作才会被执行。
需要说明的是,步骤408中策略功能网元向通信网元发送的是查询请求,不限定的是,策略功能网元还可以通过其他方式来确定条件信息是否被满足,例如策略功能网元可以向通信网元发送条件信息,以订阅:当条件信息被满足时,通信网元通知该策略功能网元。
在本申请的一些实施例中,第一策略中包括的条件信息的个数可以为一个或者多个,当第一策略中包括多个条件信息时,策略功能网元可以向通信网元同时查询多个条件信息是否被满足,通信网元可以针对每个条件信息分别查询是否被满足,通信网元可以生成针对每个条件信息的查询结果,在该查询结果中包括每个条件信息是否被满足。策略功能网元可以根据通信网元发送的查询结果确定出被满足的条件信息,然后执行步骤410。
在本申请的一些实施例中,第一策略中包括的条件信息的个数可以为一个或者多个,当第一策略中包括多个条件信息时,策略功能网元可以向通信网元订阅多个条件信息是否被满足,通信网元可以针对每个条件信息分别查询是否被满足,通信网元可以向策略功能网元通知:被满足的条件信息。策略功能网元可以根据通信网元发送的通知确定出被满足的条件信息,然后执行步骤410。
步骤410、策略功能网元触发目标网元执行第一策略中的第一动作。
例如,策略功能网元根据第一策略标识从至少一条策略中确定第一策略之后,当确定出的第一策略中只包含一个动作信息时,策略功能网元通过策略标识就可以确定出相应的动作信息。当确定出的第一策略中包含有两种或两种以上不同的动作信息时,策略功能网元可以根据第一预测结果和第一策略中的事件进行匹配,通过匹配出来的事件确定出第一预测结果对应的动作信息。
需要说明的是,与图3不相同的是,在图4所示场景下,该第一动作不是策略功能网元执行的,策略功能网元只需要确定出第一动作即可,具体的执行可以由第一策略所指示的目标网元来完成。该目标网元例如可以是如下网元中的至少一种:OSS、NE。对于NE的说明,详见前述实施例中的描述,此处不再赘述。
其中,目标网元可以从策略功能网元接收到第一动作,然后目标网元执行该第一动作,对于不同的策略可以指示具体的动作。举例说明,目标网元可以是NE、OSS。例如,NE或OSS执行的第一动作可以是修改参数。本申请实施例中,通过多个功能网元的协同操作,可以再结合ML技术,并结合不同的网络状态,实现精准策略控制。
接下来对策略驱动系统的各个组成部分所执行的策略驱动方法进行举例说明,请参阅图5所示,首先从策略功能网元的角度进行说明。该策略功能网元可以如前述图1或图2所示实施例中的策略功能网元101。该策略功能网元可以执行图3或图4中策略功能网元的步骤。图5将结合图3和图4进行描述。本申请实施例提供的一种策略驱动方法,包括如下步骤:
501、策略功能网元从建模功能网元获取至少一条策略。
其中,用户可以编排出至少一条策略,用户将编排好的至少一条策略导入到建模功能网元中,建模功能网元获取到至少一条策略之后,发送至少一条策略给策略功能网元。策略功能网元可获取到多条策略。
在本申请的一些实施例中,策略功能网元可以存储至少一条策略,每一条策略可包括:策略标识、事件和动作信息。可选的,每一条策略还可以包括:条件信息。对于策略标识、事件和动作信息的举例说明,详见前述图3所示的步骤305中的举例说明,此处不再逐一举例说明。
步骤501的具体实现过程还可以参考图3中的步骤305或图4中的步骤405。
502、策略功能网元从预测功能网元接收第一模型触发的第一策略标识,其中,第一策略标识用于标识第一策略。
在本申请实施例中,预测功能网元使用输入数据,通过第一模型进行预测,输出第一模型的预测结果。
其中,预测功能网元通过预测功能网元和策略功能网元之间的接口发送第一策略标识。策略功能网元从预测功能网元接收到第一策略标识,策略功能网元可以根据该第一策略标识确定出第一策略。
在本申请的一些实施例中,策略功能网元可以根据第一策略标识确定第一动作。
在本申请的另一些实施例中,该方法还可以包括:策略功能网元从预测功能网元接收第一模型的预测结果。例如,预测结果用于第一策略对应的第一动作的确定。策略功能网元确定出第一策略后,根据该预测结果确定出第一策指示的第一动作。
步骤502的具体实现过程还可以参考图3中的步骤306或图4中的步骤406。
503、策略功能网元根据第一策略标识,从至少一条策略中确定第一策略,第一策略包括第一动作对应的动作信息。
其中,策略功能网元从建模功能网元获取到至少一条策略,通过第一策略标识可以从至少一条策略中匹配出第一策略,再根据匹配出的第一策略可以获取到第一策略所包括的动作信息。
步骤503的具体实现过程还可以参考图3中的步骤307或图4中的步骤407。
504、策略功能网元执行第一策略中的第一动作。
在本申请实施例中,策略功能网元匹配出第一策略之后,策略功能网元可以根据第一策略确定出第一动作,例如第一策略中包括有事件和动作信息,通过第一策略中包括的动作信息确定出该动作信息对应的第一动作,策略功能网元执行该第一动作。
在本申请的一些实施例中,第一策略还包括执行第一策略中的第一动作的条件信息。
其中,若第一策略中还包括有条件信息,策略功能网元还可以确定第一策略中包括的条件信息是否被满足,只有在该条件信息被满足时才执行第一策略中的第一动作,否则不执行第一策略中的第一动作。策略功能网元可以从通信网元来查询条件信息是否被满足,该通信网元可以包括如下网元中的至少一种:前述的NE、OSS和建模功能网元。
策略功能网元在步骤503确定出第一策略之后,策略功能网元还可以获取第一策略中包括的条件信息,策略功能网元可以向通信网元查询该条件信息是否被满足,通信网元包括如下网元中的至少一种:NE、OSS、建模功能网元。在该条件信息满足时触发执行后续步骤504。该条件信息用于确定第一策略里包含的动作信息所对应的动作是否被执行。举例说明如下,策略功能网元根据第一策略标识确定出第一策略,从该第一策略中解析出该策略所包括的条件信息,然后策略功能网元可以向通信网元发送条件信息,以查询条件信息是否被满足。策略功能网元可以接收通信网元发送的查询结果,根据该查询结果确定策略功能网元查询的条件信息是否被满足。只有在该条件信息满足时,策略所包括的动作信息对应的动作才会被执行。
需要说明的是,前述实施例中策略功能网元向通信网元发送的是查询请求,不限定的是,策略功能网元还可以通过其他方式来确定条件信息是否被满足,例如策略功能网元可以向通信网元发送条件信息,以订阅:当条件信息被满足时,通信网元通知该策略功能网元。
在本申请的一些实施例中,第一策略中包括的条件信息的个数可以为一个或者多个,当第一策略中包括多个条件信息时,策略功能网元可以向通信网元同时查询多个条件信息是否被满足,通信网元可以针对每个条件信息分别查询是否被满足,通信网元可以生成针对每个条件信息的查询结果,在该查询结果中包括每个条件信息是否被满足。策略功能网元可以根据通信网元发送的查询结果确定出被满足的条件信息,然后执行步骤504。
在本申请的一些实施例中,第一策略中包括的条件信息的个数可以为一个或者多个,当第一策略中包括多个条件信息时,策略功能网元可以向通信网元订阅多个条件信息是否被满足,通信网元可以针对每个条件信息分别查询是否被满足,通信网元可以向策略功能网元通知:被满足的条件信息。策略功能网元可以根据通信网元发送的通知确定出被满足的条件信息,然后执行步骤504。
在本申请的一些实施例中,若策略功能网元从预测功能网元接收第一模型的预测结果,在这种实现场景下,步骤504策略功能网元执行第一策略中的第一动作,包括:策略功能网元执行所述第一策略中与所述预测结果对应的第一动作。
步骤504的具体实现过程还可以参考图3中的步骤308。
505、策略功能网元向数据服务网元或预测功能网元发送第一动作的执行结果,第一动作的执行结果用于作为第二模型的输入数据。
其中,策略功能网元执行第一策略中的第一动作之后生成执行结果,策略功能网元向预测功能网元或数据服务网元发送第一动作的执行结果,该第一动作的执行结果用于作为第二模型的输入数据,预测功能网元将第一动作的执行结果作为第二模型的输入数据,通过该第二模型进行预测,然后输出第二模型的预测结果。
在本申请的一些实施例中,步骤505策略功能网元向数据服务网元或预测功能网元发送第一动作的执行结果,包括:
策略功能网元通过策略功能网元和数据服务网元之间的接口,向数据服务网元发送第一动作的执行结果。
其中,策略功能网元和数据服务网元之间配置有接口,策略功能网元通过该接口向数据服务网元发送第一动作的执行结果,数据服务网元和策略功能网元之间配置的接口不限定传输协议的格式与通信方式,通过策略功能网元和数据服务网元之间的接口可实现策略功能网元和数据服务网元的数据传输效率。
步骤505的具体实现过程还可以参考图3中的步骤309a或309b。
在本申请的前述实施例中,策略功能网元可以根据第一策略标识从至少一条策略中确定出第一策略,策略功能网元执行第一策略中的第一动作,并将第一动作的执行结果作为第二模型的输入数据,从而可以实现第一模型和第二模型共同执行,可以无需将多个模型耦合在一起,使得单个模型可以重复使用,提高模型的复用效率。还可以实现策略功能网元、建模功能网元、预测功能网元、数据服务网元之间多网元的协同操作,可以再结合ML技术,利用丰富的网络信息,提供最合适当前网络状态的策略,可实现通过多个模型将无线网络中的数据信息转换成策略的控制。
请参阅图6所示,从策略功能网元的角度进行说明,图6将结合图3和图4进行描述。该策略功能网元可以如前述图1和图2所示实施例中的策略功能网元101,本申请实施例提供的另一种策略驱动方法,包括如下步骤:
601、策略功能网元从建模功能网元获取至少一条策略。
其中,对于至少一条策略中的每一条策略所包括的内容,详见前述实施例中图3所示的步骤305中的说明,此处不再赘述。
步骤601的具体实现过程还可以参考图3中的步骤305或图4中的步骤405。
602、策略功能网元从预测功能网元接收第一模型触发的第一策略标识,其中,第一策略标识用于标识第一策略。
步骤602的具体实现过程还可以参考图3中的步骤306或图4中的步骤406。
603、策略功能网元根据第一策略标识,从至少一条策略中确定第一策略,第一策略包括第一动作对应的动作信息和执行第一策略中的第一动作的条件信息。
步骤603的具体实现过程还可以参考图3中的步骤307或图4中的步骤407。
步骤601至步骤603与前述的步骤501至步骤503相类似,详见前述实施例中的说明。
在本申请的一些实施例中,除了执行前述步骤之外,本申请实施例提供的策略驱动方法还可以包括如下步骤:
策略功能网元向通信网元发送第一动作对应的条件信息,以查询条件信息是否被满足;或者,
所述策略功能网元向通信网元发送所述条件信息,以订阅:当所述条件信息被满足时,所述通信网元通知所述策略功能网元。
通信网元包括如下网元中的至少一种:NE、OSS、建模功能网元。
其中,策略功能网元可以向NE、OSS、建模功能网元中的至少一种发送条件查询请求,由相应的通信网元确定该条件信息是否被满足,由此生成查询结果。例如,条件信息是否被满足可由通信网元所存储的结果信息来确定,举例说明,条件信息可以为拥塞丢包率大于k,通信网元可以获取到网络当前的拥塞丢包率,从而可以确定拥塞丢包率是否大于k。k的取值可以根据场景确定。策略功能网元接收通信网元发送的查询结果,策略功能网元可以根据该查询结果确定策略功能网元查询的条件信息是否被满足。
通信网元还可以接受策略功能网元的订阅,通信网元可以实时查询策略功能网元所订阅的条件信息是否被满足,在查询到该条件信息被满足时,通信网元可以主动的通知策略功能网元。该策略功能网元通过通信网元的主动通知可以直接确定是否可以执行第一策略中的第一动作,可以无需策略功能网元实时的查询,提高了策略中动作的执行效率。
本申请的一些实施例中,第一策略中包括的条件信息的个数可以为一个或者多个,当第一策略中包括多个条件信息时,策略功能网元可以向通信网元同时查询多个条件信息是否被满足,通信网元可以针对每个条件信息分别查询是否被满足,通信网元可以生成针对每个条件信息的查询结果,在该查询结果中包括每个条件信息是否被满足。策略功能网元可以根据通信网元发送的查询结果确定出被满足的条件信息,然后执行步骤604。
在本申请的一些实施例中,第一策略中包括的条件信息的个数可以为一个或者多个,当第一策略中包括多个条件信息时,策略功能网元可以向通信网元订阅多个条件信息是否被满足,通信网元可以针对每个条件信息分别查询是否被满足,通信网元可以向策略功能网元通知:被满足的条件信息。策略功能网元可以根据通信网元发送的通知确定出被满足的条件信息,然后执行步骤604。
604、策略功能网元触发动作信息指示的目标网元执行第一策略中的第一动作。
其中,目标网元可以从策略功能网元接收到第一动作,然后目标网元执行该第一动作,对于不同的策略可以指示具体的动作。本申请实施例中,通过建模功能网元、策略功能网元、数据服务网元的协同操作,可以再结合ML技术,并结合多种不同的网络状态,实现精准策略控制。
在需要确定第一策略中的条件信息是否被满足的实现场景下,步骤604策略功能网元触发动作信息指示的目标网元执行第一策略中的第一动作,包括:
当条件信息被满足时,策略功能网元触发动作信息指示的目标网元执行第一策略中的所述第一动作。
本申请实施例中策略功能网元在条件信息被满足时才会触发目标网元执行第一动作,从而实现了基于策略中的条件信息对目标网元的控制功能,实现了在需要条件查询的场景下策略功能网元对目标网元的控制。
步骤604的具体实现过程还可以参考图4中的步骤410。
在本申请的一些实施例中,步骤604策略功能网元触发动作信息指示的目标网元执行第一策略中的第一动作,包括:
策略功能网元按照第一策略对应的执行顺序触发目标网元执行第一策略中的第一动作。
其中,当预测功能网元中还保存有多个策略的执行顺序时,预测功能网元还向策略功能网元发送多个策略的执行顺序,则策略功能网元可以从预测功能网元接收到多个策略的执行顺序,策略功能网元从多个策略的执行顺序中确定出第一策略对应的执行顺序,策略功能网元可以按照第一策略对应的执行顺序触发目标网元执行第一策略中的第一动作,对于一个模型触发多个策略的场景,在模型下发时除了携带策略外,还携带策略的执行顺序,以保证策略中的动作有序执行。
在本申请的一些实施例中,步骤604策略功能网元触发动作信息指示的目标网元执行第一策略中的第一动作,包括:
策略功能网元根据第一模型对应的优先级标识确定第一模型的优先级为最高优先级;
策略功能网元触发最高优先级的第一模型对应的第一动作指示的目标网元执行第一策略中的第一动作。
其中,预测功能网元中可以安装有多个模型,每个模型对应有不同的优先级标识,模型的优先级标识可以用于标识不同模型的优先级。预测功能网元可以通过每个模型生成预测结果,预测功能网元可以向策略功能网元发送多个模型的预测结果。策略功能网元根据第一模型对应的优先级标识确定第一模型的优先级为最高优先级,策略功能网元触发最高优先级的第一模型对应的第一动作指示的目标网元执行第一策略中的第一动作。对于不是最高优先级的模型,策略功能网元可以不执行相应的动作。在多个模型触发同一个策略的场景下,不同模型使用一套通用的策略驱动方法,减少策略冗余和编排复杂度,策略功能网元可以响应最高优先级的模型对应的动作。
在本申请的一些实施例中,除了执行前述步骤之外,本申请实施例提供的策略驱动方法还可以包括如下步骤:
策略功能网元从建模功能网元接收策略管理指示信息,策略管理指示信息包括:第一待管理策略标识第一管理操作,或策略管理指示信息包括:第二待管理策略标识、第二管理操作、待管理的策略;其中,第一管理操作包括如下操作中的至少一种:策略删除操作、策略激活操作、策略去激活操作、策略查询操作;第二管理操作包括:策略安装操作,和/或策略更新操作,待管理的策略包括:第二待管理策略标识对应的事件、条件信息和动作信息。
其中,建模功能网元还可以指示策略功能网元对策略进行动态更新,例如策略功能网元可以通过策略管理指示信息来实现策略的动态更新。针对不同类型的策略,建模功能网元可以下发不同的策略管理指示信息,策略功能网元可以提供策略管理接口,方便对策略的管理操作。举例说明如下,建模功能网元可以触发执行的第一管理操作包括如下操作中的至少一种:策略删除操作、策略激活操作、策略去激活操作、策略查询操作,建模功能网元还可以触发执行的第二管理操作包括:策略安装操作,和/或策略更新操作,待管理的策略包括:第二待管理策略标识对应的事件、条件信息和动作信息。需要说明的是,当新的策略可以安装或者有的策略可以更新时,策略管理指示信息还可以携带待管理的策略,保证策略功能网元能够成功安装新的策略或者更新原有的策略。
前述实施例中策略功能网元的角度介绍了本申请实施例提供的策略驱动方法,接下来从建模功能网元的角度来介绍本申请实施例提供的策略驱动方法,图7将结合图3和图4进行描述。该建模功能网元可以如前述图1和图2所示实施例中的建模功能网元102,请参阅图7所示,本申请实施例提供的策略驱动方法,可包括如下步骤:
701、建模功能网元根据数据服务网元提供的训练样本数据对初始模型进行训练,得到训练后的第一模型。
在本申请实施例中,建模功能网元可以从数据服务网元获取到训练样本数据,建模功能网元可以使用该训练样本数据对初始模型进行训练,从而可以得到训练后的模型,为便于描述,将训练后的模型称为第一模型,本申请实施例中的模型可以是机器学习模型,通过训练样本数据可以对初始模型进行训练,以输出训练后的第一模型。
步骤701的具体实现过程还可以参考图3中的步骤302或图4中的步骤402。
702、建模功能网元向预测功能网元发送第一模型的模型标识和第一模型触发的第一策略标识,其中,第一策略标识用于标识第一策略。
例如,建模功能网元在训练出第一模型之后,确定该第一模型的模型标识以及该第一模型所触发的策略的标识,该第一模型触发的策略的标识称为第一策略标识,建模功能网元和预测功能网元之间配置有接口,建模功能网元可以使用该接口发送第一模型的模型标识和第一策略标识。
步骤702的具体实现过程还可以参考图3中的步骤303或图4中的步骤403。
703、建模功能网元向策略功能网元发送至少一条策略,至少一条策略中的每一条策略包括:策略标识、事件、条件信息和动作信息,至少一条策略用于第一策略中的第一动作的确定。
例如,事件与模型的预测结果相对应。条件信息是策略的匹配条件,动作信息包括了可以执行的动作和执行该动作的目标网元,动作信息中包括的动作可以是策略功能网元来执行,也可以由目标网元来执行,此处不做限定。建模功能网元和策略功能网元之间配置有接口,策略功能网元可以通过该接口从建模功能网元获取到至少一条策略。
步骤703的具体实现过程还可以参考图3中的步骤305或图4中的步骤405。
在本申请的一些实施例中,除了执行前述步骤之外,本申请实施例提供的策略驱动方法还可以包括如下步骤:
建模功能网元向策略功能网元发送策略管理指示信息,策略管理指示信息包括:第一待管理策略标识第一管理操作,或策略管理指示信息包括:第二待管理策略标识、第二管理操作、待管理的策略;其中,第一管理操作包括如下操作中的至少一种:策略删除操作、策略激活操作、策略去激活操作、策略查询操作;第二管理操作包括:策略安装操作,和/或策略更新操作,待管理的策略包括:第二待管理策略标识对应的事件、条件信息和动作信息。
其中,建模功能网元还可以指示策略功能网元对策略进行动态更新,例如通过策略管理指示信息来实现策略的动态更新。针对可以管理的不同类型的策略,建模功能网元可以下发不同的策略管理指示信息,例如建模功能网元通过策略管理接口下发策略管理指示信息,方便策略功能网元对策略的管理操作。举例说明如下,建模功能网元可以触发执行第一管理操作包括如下操作中的至少一种:策略删除操作、策略激活操作、策略去激活操作、策略查询操作,建模功能网元还可以触发执行第二管理操作包括:策略安装操作,和/或策略更新操作,待管理的策略包括:第二待管理策略标识对应的事件、条件信息和动作信息。需要说明的是,当有新的策略可以安装或者原有的策略可以更新时,策略管理指示信息还可以携带待管理的策略,保证策略功能网元能够成功安装新的策略或者更新原有的策略。
在本申请的一些实施例中,除了执行前述步骤之外,本申请实施例提供的策略驱动方法还可以包括如下步骤:
建模功能网元从策略功能网元接收对条件信息的查询请求或者订阅请求;
建模功能网元根据查询请求查询条件信息是否被满足以生成查询结果,并将查询结果通知给策略功能网元;或者,
建模功能网元根据订阅请求查询条件信息是否被满足,并在条件信息被满足时,建模功能网元通知策略功能网元。
其中,策略功能网元接收通信网元发送的查询结果,根据该查询结果确定策略功能网元查询的条件信息是否被满足,条件信息是否被满足可由通信网元所存储的结果信息来确定。该通信网元可以是建模功能网元。策略功能网元向建模功能网元发送条件信息的方式包括如下两种:一种是策略功能网元向建模功能网元发送查询请求,建模功能网元基于该请求回复查询结果。另一种建模功能网元接收策略功能网元的订阅请求,建模功能网元主动查询,然后建模功能网元可以主动向策略功能网元通知条件信息被满足。例如,建模功能网元可以查询条件信息是否被满足,在条件信息被满足时,建模功能网元通知策略功能网元。策略功能网元通过和建模功能网元的交互,可以从建模功能网元获取到条件信息是否被满足。策略功能网元可以根据查询结果确定是否执行第一动作,或者策略功能网元可以根据查询结果确定是否触发目标网元来执行第一策略中的第一动作。
在本申请的前述实施例中,建模功能网元可创建第一模型,将第一模型的模型标识和第一策略标识发送给预测功能网元,使得预测功能网元可以安装第一模型。建模功能网元还将至少一条策略发送给策略功能网元,使得策略功能网元可以安装至少一条策略,实现策略功能网元、建模功能网元、预测功能网元之间多网元的协同操作,可以再结合ML技术,并结合不同的网络状态,实现精准策略控制。
前述实施例中建模功能网元的角度介绍了本申请实施例提供的策略驱动方法,接下来从预测功能网元的角度来介绍本申请实施例提供的策略驱动方法,图8将结合图3和图4进行描述。该预测功能网元可以如前述图1和图2所示实施例中的预测功能网元103,请参阅图8所示,本申请实施例提供的策略驱动方法,可包括如下步骤:
801、预测功能网元向策略功能网元发送第一模型触发的第一策略标识。
其中,第一策略标识用于标识第一策略,第一策略包括第一动作对应的动作信息。
例如,预测功能网元从建模功能网元获取到第一模型的模型标识和第一策略标识,预测功能网元可以安装该第一模型,预测功能网元从数据服务网元获取到第一模型的输入数据,然后预测功能网元使用该输入数据,通过第一模型进行预测,然后预测功能网元通过预测功能网元和策略功能网元之间的接口发送第一策略标识。
步骤801的具体实现过程还可以参考图3中的步骤306或图4中的步骤406。
在本申请的一些实施例中,本申请实施例提供的策略驱动方法还可以包括:预测功能网元向策略功能网元发送第一模型的预测结果,所述预测结果用于所述第一策略中所述第一动作的确定。
其中,预测功能网元可以使用第一模型进行预测,并得到预测结果。第一策略包括:策略标识、事件、条件信息和动作信息。第一策略中的事件可以为空或者非空,当第一策略的事件为空时策略功能网元可以无需将第一模型的预测结果和事件进行匹配。当第一策略的事件为非空时策略功能网元可以将第一模型的预测结果和第一策略中的事件进行匹配,从而确定出第一策略中与预测结果对应的第一动作。
802、预测功能网元获取第一动作的执行结果。
该第一模型的第一动作由策略功能网元执行后,策略功能网元可以生成第一动作的执行结果,预测功能网元可获取到第一动作的执行结果。
步骤802的具体实现过程还可以参考图3中的步骤309a。
在本申请的一些实施例中,步骤802预测功能网元获取第一动作的执行结果,包括:
预测功能网元从策略功能网元接收第一动作的执行结果;或,
预测功能网元从数据服务网元接收第一动作的执行结果。
其中,该第一模型的第一动作由策略功能网元执行后,预测功能网元可接收到第一动作的执行结果。例如,预测功能网元从策略功能网元接收第一动作的执行结果,或预测功能网元从数据服务网元接收第一动作的执行结果。
803、预测功能网元使用第一动作的执行结果作为第二模型的输入数据,通过第二模型进行预测。
例如,预测功能网元上安装有多个模型,例如第一模型和第二模型,第一模型和第二模型是独立的不同模型,预测功能网元可以使用第一动作的执行结果作为第二模型的输入数据,通过第二模型进行预测。因此第一模型的预测输出可以触发第二模型执行预测,从而可以实现多个模型共同驱动参数调优的场景,可以无需将多个模型耦合在一起,使得单个模型可以重复使用,提高模型的复用效率。
步骤803的具体实现过程还可以参考图3中的步骤311。
在本申请的前述实施例中,预测功能网元可以对第一模型进行预测,预测功能网元还可以将第一动作的执行结果输入到第二模型中,再使用第二模型进行预测。本申请实施例可以实现第一模型和第二模型共同执行的场景,实现多模型间的解耦,实现策略功能网元、预测功能网元之间的协同操作,可以再结合ML技术,并结合不同的网络状态,实现精准策略控制。
前述实施例中预测功能网元的角度介绍了本申请实施例提供的策略驱动方法,接下来从数据服务网元的角度来介绍本申请实施例提供的策略驱动方法,图9将结合图3和图4进行描述。该数据服务网元可以如前述图1和图2所示实施例中的数据服务网元104,请参阅图9所示,本申请实施例提供的策略驱动方法,可包括如下步骤:
901、数据服务网元向建模功能网元发送训练样本数据。
例如,训练样本数据用于第一模型的训练,数据服务网元存储有模型的训练样本数据,数据服务网元和建模功能网元之间配置有接口,数据服务网元可以使用该接口向建模功能网元发送训练样本数据。
步骤901的具体实现过程还可以参考图3中的步骤301或图4中的步骤401。
902、数据服务网元向预测功能网元发送第一模型的输入数据。
其中,数据服务网元存储有各种模型的输入数据,数据服务网元存储第一模型的输入数据,通过数据服务网元和预测功能网元之间配置的接口发送给预测功能网元,因此预测功能网元可以从数据服务网元获取到输入数据,然后预测功能网元使用该输入数据,通过第一模型进行预测。
步骤902的具体实现过程还可以参考图3中的步骤304或图4中的步骤404。
903、数据服务网元从策略功能网元接收第一动作的执行结果。
其中,第一动作的执行结果与第一模型的输入数据有关。数据服务网元从策略功能网元接收第一动作的执行结果,该第一动作的执行结果可以作为第二模型的输入数据。
步骤903的具体实现过程还可以参考图3中的步骤309b。
在本申请的一些实施例中,步骤903数据服务网元从策略功能网元接收第一动作的执行结果,包括:
数据服务网元通过策略功能网元和数据服务网元之间的接口,从策略功能网元接收第一动作的执行结果。
其中,策略功能网元和数据服务网元之间配置有接口,策略功能网元通过该接口向数据服务网元发送第一动作的执行结果,数据服务网元和策略功能网元之间配置的接口不限定传输协议的格式与通信方式,通过策略功能网元和数据服务网元之间的接口可实现策略功能网元和数据服务网元的数据传输效率,并实现多模型间的解耦。
904、数据服务网元向预测功能网元发送第一动作的执行结果,第一动作的执行结果用于作为第二模型的输入数据。
其中,预测功能网元上安装有多个模型,例如第一模型和第二模型,该第一模型的第一动作由策略功能网元执行后,策略功能网元可以生成第一动作的执行结果,策略功能网元可以将第一动作的执行结果发送给数据服务网元,数据服务网元再将第一动作的执行结果发送给预测功能网元,该预测功能网元可以将第一动作的执行结果作为第二模型的输入数据。
步骤904的具体实现过程还可以参考图3中的步骤310。
在本申请的前述实施例中,数据服务网元可以向建模功能网元、预测功能网元分别提供数据,例如数据服务网元向预测功能网元发送的第一动作的执行结果,该第一动作的执行结果可用于第二模型的输入数据,从而可以实现第一模型和第二模型共同执行的场景,实现多模型间的解耦,实现数据服务网元、策略功能网元、预测功能网元之间多网元的协同操作,可以再结合ML技术,并结合不同的网络状态,实现精准策略控制。
为便于更好的理解和实施本申请实施例的上述方案,下面举例相应的应用场景来进行具体说明。
请参阅图10所示,为本申请实施例提供的预测功能网元内两个模型按照模型执行顺序依次执行的示意图。以融合应用软终端(Fusion Application Software Terminal,FAST)的跨层优化场景为例,主要利用基站侧的缓存匹配发送端和接收端的速率,以提升传输控制协议(Transmission Control Protocol,TCP)的速率。但由于在不同版本的TCP出现丢包需要降低窗口时,不同的算法采用不同的比例降低窗口大小,并且在拥塞避免阶段,各种不同的算法采用不同的窗口增长方式。可以针对不同TCP版本进行不同的通告窗口(Advised Window,AWND)调整方式,本申请实施例中可以采用以下两个模型:TCP版本识别模型和AWND自适应调整模型。其中,TCP版本识别模型的输入数据可以包括:窗口下降比例、无线传输技术(Radio Transmission Technology,RTT)窗口增长比例、空口RTT、TCP速率、缓存大小、当前丢包率。通过该TCP版本识别模型可以输出预测结果,该预测结果可以包括:预测出的TCP版本。TCP版本识别模型的预测结果可以作为AWND自适应调整模型的输入数据,例如该AWND自适应调整模型的输入数据除了TCP版本,还可以包括:无线链路层控制(Radio Link Control,RLC)协议缓存信息、ACK序列号(Sequence Number,SN)、时间、AWND、传输RTT、Uu速率。其中,Uu指3G网络中终端与基站之间的无线接口,通过AWND自适应调整模型可以输出改变后的AWND。由于预测功能网元中TCP版本识别模型和AWND自适应调整模型分别执行预测后,预测功能网元都可以向策略功能网元发送模型的预测结果和策略指示。对于预测功能网元上多个模型共同驱动参数调优的场景,不同模型之间的关联可以提前通过策略进行编排。
又如,对于加密业务体验感知及提升的场景,主要结合第三方带标签数据和离线网络数据学习出加密应用体验感知模型,实时运行模型识别出体验不好的业务流。如果识别出体验不好的业务流,可以将该事件上报。如果是网络拥塞问题,则可以将该事件上报给PCF,以触发PCF进行策略调整。如果是网络覆盖问题,策略功能网元可以将该事件上报给OSS,触发其进行覆盖与容量优化(Coverage and Capacity Optimization,CCO)。
需要说明的是,由于预测功能网元中模型输出只是用于指示某事件发生,策略功能网元基于当前网络条件,决定将事件上报给相关网元,但是在何种条件下将预测结果上报给哪些网元,也可以在策略功能网元上提前编排好相应的策略。
接下来对策略功能网元、建模功能网元、预测功能网元、数据服务网元之间的实际应用场景进行举例说明。例如,以建模功能网元是AMF、预测功能网元是MEF、策略功能网元是APF、数据服务网元是DSF为例进行说明。
请参阅图11所示,为本申请实施例提供的将模型的预测结果应用到异频或异系统的切换场景示意图。在基于虚拟栅格的异频或异系统切换场景中,将当前小区级的算法粒度细化到虚拟栅格,其中,无线网络采用蜂窝式覆盖,其覆盖的最小单元被称为小区,虚拟栅格是高分辨率网络中的概念,将网络的最小粒度从小区变为了虚拟栅格。通过虚拟栅格的操作可以提升基于覆盖的异频或异系统切换特性的性能。虚拟栅格模型可以包括多种,例如神经网络模型或者SVM模型等。图11中以虚拟栅格模型为神经网络模型为例进行示意说明。MEF中可以安装学习模型,MEF使用该学习模型进行预测,并向APF发送该学习模型触发的策略标识。学习模型可以从外界输入多维、多源数据,多维、多源数据是指多种不同维度、多种不同来源的数据,DSF将数据提供给MEF,AMF提供模型给MEF,MEF通过模型进行预测,并将预测结果和策略标识发送给APF,APF根据该预测结果和策略标识匹配出动作,根据不同的动作触发不同的目标网元。其中,目标网元执行相应动作后,可以实现多频段异构网络优化、大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)寻优、或无线资源管理(Radio Resource Management,RRM)性能提升。
虚拟栅格模型的输入数据即特征X包括:历史栅格数据。历史栅格数据包括同频测量报告(Measurement Report,MR)和异频测量报告MR;当前待预测栅格参考信号接收功率(Reference Signal Receiving Power,RSRP)信息(只有同频信息)。输出为待预测栅格的KPI预测结果。模型训练阶段AMF利用特征X和标签Y(例如待预测栅格的KPI预测值)训练得到虚拟栅格模型,模型预测阶段MEF利用现网中的特征X预测得到待预测栅格的KPI预测结果。预测结果对应于策略中的事件,例如事件可以包括:异频PCI、异频RSRP和栅格频谱效率。APF根据虚拟栅格模型的预测结果进行动作匹配,例如确定出的动作信息可以包括:切换到目的PCI,或者放弃切换。此外,APF还可以根据条件信息确定是否切换到目的PCI站点。例如,该条件信息可以包括:目的PCI负载情况(例如:轻载或重载)和/或目的PCI站点状态(例如:正常或故障)。
请参阅图12所示,为本申请实施例提供的多个网元之间进行交互以实现策略驱动方法的系统架构示意图,主要包括如下过程:
11、AMF将训练好的模型下发给MEF,同时,发送给MEF的模型还携带该模型对应的策略标识(即策略ID)。
12、AMF将至少一条策略下发给APF。
例如,至少一条策略中的每一条策略可以包括:策略标识、事件、条件信息和动作信息。条件信息也可称为条件声明(condition statement)。动作信息也可称为动作声明(action statement)。其中,事件与模型的预测结果相对应,对模型而言被称为预测结果,对策略而言就被称为事件。
需要说明的是,多个策略可以构成策略映射表,例如,每一列分别表示策略标识、事件、条件信息和动作信息。该表格有多行,每一行代表一个策略。其中,一个策略中可以包括一个动作也可以包括多个动作。另外,一个策略中的条件信息可以为空,也可以不为空。当条件信息不为空时,在执行动作之前,可以先确定条件信息是否被满足,只有在条件信息被满足的情况下,才能够执行相应的动作。其中,AMF向APF下发的多条策略举例说明如下表1所示:
表1
结合表1举例说明:AMF发送给APF的是至少一条策略构成的全集。例如,全集中包括四条策略。第一条策略的策略标识为15567,对应的事件为空,条件信息为空,此时可以无需进行预测结果和事件的匹配,也可以无需查询条件信息是否满足,策略标识15567对应的策略包括的动作信息为:APF触发NE或OSS将A参数修改为第一模型的预测结果。又如,第二条策略的策略标识为17239,对应的事件包括:y1和y2,其中事件y1和y2对应的条件信息为空,通过第一模型的预测结果和事件y1和y2进行匹配,若预测结果和事件y1匹配成功,则执行事件y1对应的动作信息:APF触发PCF将B参数修改为M1,若预测结果和事件y2匹配成功,则执行事件y2对应的动作信息:APF触发PCF将B参数修改为M2。又如,第三条策略的策略标识为18000,对应的事件为空,条件信息为空,策略标识18000对应的策略包括的动作信息为:APF发送动作的执行结果给DSF或MEF。又如,第四条策略的策略标识为20001,预测结果和事件z匹配成功,条件信息有两种:一种是拥塞丢包率大于k,另一种是服务小区RSRP小于DLRSRP最优门限,且服务小区Ec/Io小于Ec/Io最差门限。APF可以向通信网元同时查询两种条件信息是否被满足,通信网元分别查询每个条件信息是否被满足并生成查询结果,在该查询结果中可以包括每个条件信息以及每个条件信息是否被满足,APF接收到该查询结果之后就执行被满足的条件信息对应的动作。又如,APF可以向通信网元订阅两种条件信息是否被满足,通信网元分别查询每个条件信息是否被满足,并向APF通知:被满足的条件信息,APF接收到通信网元的通知之后就执行被满足的条件信息对应的动作。例如第一种条件信息对应的动作信息为:APF上报事件和条件给PCF。第二种条件信息对应的动作信息是:APF上报事件和条件给OSS。其中,Ec就是码片能量(chip energy),Io是来自于其他小区的干扰,I是干扰(Interfere)的简称,o是其它小区(Other Cell)的简称,Ec/Io表示接收码片信号强度和噪声强度的比例。
13、MEF使用模型进行预测,发送预测结果和策略标识给APF。
其中,MEF将模型的预测结果和策略标识发送给APF。MEF发送给APF的是一个策略子集,也就是包括策略标识和模型预测时输出的预测结果,例如结合表1所示,策略标识为17239,输出的预测结果是y2。
14、APF根据存储的多条策略进行策略匹配,确定出与策略标识匹配成功的策略。
其中,MEF发送给APF策略标识,APF可以基于该策略标识从多条策略中匹配出一条策略,匹配出的策略包括有条件信息,接下来由APF向通信网元查询条件信息是否满足,具体的,可以执行步骤15a、15b、15c中的任意一个步骤。
15a、APF向AMF查询条件信息是否满足。
15b、APF向OSS查询条件信息是否满足。
15c、APF向NE查询条件信息是否满足。
需要说明的是,上述步骤14a、14b、14c只需要执行其中的一个步骤即可实现条件查询。
APF确定策略标识对应的策略,如果条件信息非空,向AMF、OSS、NE查询条件信息是否被满足。其中APF向哪个网元查询条件信息是否被满足,可以根据实际场景来确定。AMF、OSS、NE可以判断条件信息是否被满足,并发送查询结果给APF,APF可以查询结果确定是否执行动作。举例说明,如表1所示,第四条策略的策略标识为20001,条件信息有两种:一种是拥塞丢包率大于k,另一种是服务小区RSRP小于DLRSRP最优门限,且服务小区Ec/Io小于Ec/Io最差门限。例如,APF可以向通信网元同时查询两种条件信息是否被满足,通信网元分别查询每个条件信息是否被满足并生成查询结果,在该查询结果中可以包括每个条件信息以及每个条件信息是否被满足,APF接收到该查询结果之后就执行被满足的条件信息对应的动作。
16、APF根据确定出的策略获取到策略中包括的动作信息对应的动作。
例如,结合表1所示,如果一条策略中的条件信息为空,则表示相应的策略中没有设置条件信息,因此可以无需查询条件信息是否被满足,APF可以直接执行策略中包括的动作,或者APF触发目标网元来执行。举例说明如下,APF从MEF接收到策略标识为17239,则APF可根据该策略标识匹配出表1中的第二条策略,APF从MEF接收到的预测结果为事件y2,APF触发PCF将B参数设置为M2。又如,APF从MEF接收到策略标识为20001,APF从MEF接收到的预测结果为事件z,APF可以向AMF、OSS、NE查询条件信息是否被满足,例如查询拥塞丢包率是否大于k,当条件信息被满足时,APF可以确定出该条件信息对应的动作。需要说明的是,若一条策略中包括有两个条件信息时,若这两个条件信息是相对独立,若两个条件信息都被满足,则每个条件信息相应的动作都要执行。
17a、APF将确定出的动作发送给NE,触发NE执行相应的动作。
例如,该NE可以具体为PCF,对于NE的描述,详见前述实施例中的说明。
17b、APF将确定出的动作发送给OSS,触发OSS执行相应的动作。
17c、APF执行确定出的动作,并发送动作的执行结果给MEF。
17d、APF执行确定出的动作,并发送动作的执行结果给DSF。
需要说明的是,上述步骤17a-17d只需要执行其中的一个步骤即可,具体的,可以基于步骤16确定出来的动作来决定是APF自己执行,还是将动作发给其他网元,例如发送给NE或者OSS。
请参阅图13所示,为本申请实施例提供的RAN系统中多个模型共同用于参数调优的场景示意图。以RAN场景下的策略驱动为例进行说明,RAN场景中包括:RAN OSS、云端(Cloud)RAN和基站(gNodeB,gNB)。
其中,RAN OSS一侧可包括:运营支撑系统数据分析(Operations Support SystemData Analytics,OSSDA)网元。
Cloud RAN可以包括:集中单元(central unit,CU)、分布式单元(distributedunit,DU)、无线接入网数据分析(RAN Data Analytics,RANDA)1、RANDA2。DU可以用于实现物理层(physical layer,PHY)、媒体接入控制(Media Access Control,MAC)层、RLC层中的至少一项的功能。CU可用于实现分组数据汇聚协议(Packet Data Convergence Protocol,PDCP)层、互联网协议(Internet Protocol,IP)层、应用程序(Application,APP)层、RRC层、非接入(Non Access Stratum,NAS)层中的至少一项的功能。其中,CU可以向RANDA1发送数据,RANDA1可以发送动作给CU。类似的,DU也可以向RANDA2发送数据,RANDA2可以发送动作给DU。
RAN场景下的gNB可以有多种,例如图13中所示的gNB1和gNB2,该gNB1具体可以是主gNB,主gNB可以实现PHY层、MAC层、RLC层、PDCP层、IP层、APP层、RRC层、NAS层中的至少一项的功能,该gNB1可以向RANDA3发送数据,RANDA3可以发送动作给gNB1。类似的,gNB2也可以向RANDA4发送数据,RANDA4可以发送动作给gNB2。
需要说明的是,本申请实施例提供的策略驱动方法适用于可以多模型共同进行参数调优的场景,或者,也适用于模型输出仅用于指示某个事件,结合网络条件驱动参数优化、规则调整的场景。RANDA1可以和CU进行交互,同样的,RANDA2可以和DU进行交互,RANDA3可以和gNB1进行交互,RANDA4可以和gNB2进行交互。每个RANDA的逻辑功能可以进一步的分解为DSF、AMF、MEF和APF,DSF、AMF、MEF和APF所分别执行的功能详见前述实施例中的说明。可以理解的是,上述RANDA的功能独立部署在一个网元实体可就称为其RANDA网元。该RANDA网元至少具有如下三种部署方式:1、部署在LTE eNodeB,2部署在通用移动通信系统(Universal Mobile Telecommunications System,UMTS)系统的无线网络控制器(RadioNetwork Controller,RNC)或者NodeB,3、部署在5G网络的CU,DU或gNB内运行。上述三种方式部署的RANDA具体可以为基站数据分析(NodeB Data Analytics,NBDA)。
如图14所示,为本申请实施例提供的多个网元之间进行交互以实现策略驱动方法的一种交互流程示意图。本实施例以FAST跨层优化为例加以说明。此外,图14讲结合图15进行描述。实施例里的流程同样适用于其他场景。该方法包括如下流程:
21、算法设计与策略编排。
如图15所示,为本申请实施例提供的神经网络模型的一种训练过程示意图。以AMF创建的模型为神经网络模型为例,例如该神经网络模型可以包括:TCP版本识别模型。在算法设计阶段可以编排神经网络的输入层(input layer)节点个数、每个节点所代表的特征、隐藏(hidden layer)层数、输入层到输出层之间的每层节点个数、输出层(output layer)节点个数、每个节点代表的含义、激活函数。此处选用6×4×2×1结构的神经网络,输入层节点输入分别为窗口下降比例、RTT窗口增长、空口RTT、TCP来包速率、缓存大小、当前丢包率,分别表示为x1,x2,x3,x4,x5,x6。输出层节点输出代表TCP版本。对于TCP版本识别模型,该模型对应的策略标识为策略标识1,具体内容是将模型输出转换为真实的TCP版本,例如预测结果=1代表TCP版本是新里诺(NewReno),预测结果=2代表TCP版本是库比克(CUBIC),预测结果=3代表TCP版本为C-TCP,APF将结果发送给DSF或者MEF。
22、模型训练。
模型训练过程就是确定权重和阈值。此处以神经网络训练为例具体说明如何训练模型,具体的训练方法则因网络结构和模型不同而不同,本申请实施例中不做限制。在描述模型训练过程之前,先对权重和阈值进行说明。首先说明权重,各种输入很少具有同等重要性,某些输入是决定性因素,另一些输入是次要因素。因此,可以给这些输入指定权重(weight),代表它们不同的重要性。上一层输入分别乘以相应权重后求和作为下一层输入,例如共有6*4+4*2+2*1=34个权重。接下来说明阈值(threshold)。如果输出层outputlayer的输出结果大于阈值,神经网络输出1,否则输出0,如果是多分类问题,可以指定多个阈值。
为了估计权重和阈值,通常采用试错法,即其他参数都不变,权重或者阈值的微小变动,记作Δweight(或Δthreshold),然后观察输出有什么变化。不断重复这个过程,直至得到对应最精确输出的那组权重和阈值。
23、AMF向MEF发送模型安装通知消息。
其中,通知消息中除携带模型标识之外,还携带有策略标识。
24、模型安装。
MEF接收模型安装通知消息,分配相应的模型安装与执行资源。例如,本申请实施例中MEF分配资源用于安装和执行神经网络模型,MEF将安装的模型记录在本地的仓库(repository)中,用于记录和查询模型执行状态。从实现层面设计分析,将MEF看成是一个模型预测的进程,每安装一个模型都是启动一个相关线程的动作。
25、MEF发送模型安装响应。
26、AMF向APF发送策略安装消息,消息中携带模型可能触发的策略的全集,例如前述表1中的全部策略。其中,每一条策略包括:策略标识、事件、动作信息和条件信息。对于策略的举例说明,详见前述实施例中的描述。
27、APF安装AMF发送的策略。
28、APF向AMF发送策略安装响应。
29、模型应用。
模型应用的过程是将输入数据输入到模型中,通过模型进行预测,生成预测结果的过程。模型的输入数据可以是MEF根据模型安装通知消息向DSF请求获得。
30、MEF向APF发送预测结果与策略标识。
以TCP版本识别模型为例,MEF使用该TCP版本识别模型进行预测,如果模型的预测结果为2,此处的模型的预测结果为:TCP版本是CUBIC。
31、APF向MEF发送响应,以确认APF收到预测结果与策略标识。
32、APF向MEF发送动作的执行结果。
33、APF向DSF发送动作的执行结果。
其中,步骤31和步骤32只需要执行其中一个步骤即可。
APF根据策略标识查询相应的策略,根据策略和预测结果确定出动作,APF执行动作后生成执行结果,向相应的DSF或MEF下发动作的执行结果(即,执行上述步骤32和33中的任一项)。
当执行上述步骤32后,执行步骤34。当执行上述步骤33后,执行步骤35。
34、MEF向APF发送执行结果的响应。
35、DSF向APF发送执行结果的响应。
其中,步骤34和步骤35只需要执行其中一个步骤即可。
36、其它模型应用。
其中,步骤30中MEF生成模型的预测结果,APF执行动作之后生成执行结果,APF将动作的执行结果发送给MEF或DSF,从而DSF可以存储该动作的执行结果,以用于其它模型的输入数据。
本申请实施例中,策略提前编排并随模型提前下发,APF可以通过MEF发送的预测结果和策略标识确定出策略,APF可以本地执行动作,减少策略响应时间,由本申请前述实施例的举例可知,MEF和APF可以共部署在同一个网元内,减少了MEF和之间的交互时延。并且通过策略将模型输出用于其他模型的输入,使MEF中各模型可以实现解耦合,每个模型独立部署之后可以重复使用,只需要对每个策略进行编排,每个模型的执行可以由该模型的输入数据是否获取到来决定,因此本申请实施例中可以无需进行模型编排。其中,模型编排指的是模型执行顺序的编排,在多个模型共同完成一件事情的场景下,如果模型间不解耦,可以明确说明模型之间的执行顺序,比如前述的TCP优化场景,必须先执行TCP版本识别模型,将模型的输出发送给AWND自适应调整模型,本申请实施例中不限定模型间的耦合关系,将所有模型的输出都发送给APF,由APF根据动作信息决定是发送给DSF还是其他网元,如果是用于其他模型的输入的模型输出结果,直接发送给DSF即可,可供多个模型使用。
本申请实施例中APF将动作的执行结果下发给DSF或MEF用于其他模型的输入。适用于多模型共同用于解决一个问题的场景,扩大了机器学习在无线网络中的应用范围。
请参阅图16所示,为本申请实施例提供的多个网元之间进行交互以实现策略驱动方法的另一种交互流程示意图。主要包括如下流程:
41、算法设计与策略编排。
42、模型训练。
43、AMF向MEF发送模型安装通知消息。
44、模型安装。
45、MEF发送模型安装响应。
46、AMF向APF发送策略安装消息。
47、APF安装AMF发送的策略。
48、APF向AMF发送策略安装响应。
49、模型应用。
50、MEF向APF发送预测结果和策略标识。
51、APF向MEF发送响应,以表示APF接收到了预测结果和策略标识。
其中,如果APF收到的策略中条件信息非空,则向NE、AMF、OSS发送条件查询请求,携带条件信息。
其中,步骤41至步骤51与前述实施例中的步骤21至步骤31相同,此处不再赘述。
52、APF向NE发送条件查询请求,该条件查询请求中包括待查询的条件信息。
53、APF向AMF发送条件查询请求,该条件查询请求中包括待查询的条件信息。
54、APF向OSS发送条件查询请求,该条件查询请求中包括待查询的条件信息。
其中,步骤52、53、54只需要执行其中一个步骤即可。
APF可以向NE、AMF、OSS中的一个网元发送条件查询请求即可,在实际应用中,APF可以无需向NE、AMF、OSS都发送条件查询请求,此处只是举例说明,不作为对本申请实施例的限定。
55、NE向APF发送查询结果。
其中,NE接收到APF的条件查询请求之后,可以查询条件信息是否被满足,并发送查询结果。
56、AMF向APF发送查询结果。
57、OSS向APF发送查询结果。
其中,步骤55、56、57只需要执行其中一个步骤即可。
其中,查询结果携带有条件信息是否被满足,例如该查询结果为真(true)表示条件信息被满足,该查询结果为假(false)时表示条件信息没有被满足。
58、APF向OSS发送动作。
59、OSS向APF发送动作的响应。
其中,APF根据策略和预测结果获取到动作之后,向相应的NE、OSS下发动作。举例说明如下,APF向NE、OSS确定出加密应用体验差之后,当条件信息为小区RSRP低于某个门限或小区Ec/Io低于某个门限时,表示覆盖不足,执行步骤58,提示OSS进行覆盖优化。
60、APF向NE发送动作。
其中,该NE可以包括PCF,例如,当条件信息为丢包率大于某个门限,表示网络拥塞,执行步骤60,指示PCF进行服务质量控制。
61、NE向APF发送动作的响应。
其中,步骤58和59、步骤60和61只需要执行其中一组步骤即可,例如可以执行步骤58和59,或者执行步骤60和61。
需要说明的是,APF除了执行步骤52或步骤53或步骤54之外,APF还可以在收到第46步骤策略安装消息时根据策略中包含的条件信息向NE、AMF、OSS订阅:当条件信息被满足时,发送通知给APF。可以理解的是,若APF向NE、AMF、OSS订阅之后,就可以无需执行步骤52、步骤53、步骤54。
本申请实施例利用大数据和机器学习,可以识别出更丰富的网络状态,如用户体验差事件,辅助进行更精确的策略控制,如模型的输出用于PCF进行策略决策的输入。本申请实施例可以采用事件-条件-动作(Event-Condition-Action,ECA)模型,使得无线网络中不止可以使用直接指示参数配置的模型,也可以使用指示网络事件发生的模型。扩大了机器学习在无线网络中的应用范围。
在本申请的另一些实施例中,对于一个模型触发多个策略的场景,提前编排好策略,在前述图16所示的第43步骤模型安装通知消息中还可以携带每个策略对应的执行顺序(order of execution),在第50步骤MEF还可以向APF发送每个策略对应的执行顺序。因此在策略执行时,APF按照执行顺序向目标网元下发相应的动作。这样,保证策略中动作的有序执行,因此通过本申请实施例可以实现多个策略可被一个模型触发。
在一个模型触发多个策略的场景中,在本申请的另一些实施例中,在前述图16所示的第43步骤模型安装通知消息中还可以携带模型的优先级(priority),在第50步骤MEF还可以向APF发送模型的优先级。因此在策略执行时,APF根据模型的优先级,利用最高优先级的模型的预测结果以及策略得到相应的动作,并向PCF或OSS下发相应的动作。本申请实施例中不同模型使用一套通用的策略驱动方法,减少策略冗余和编排复杂度,可以实现多个模型触发一个策略。
请参阅图17所示,为本申请实施例提供的多个网元之间进行交互以实现策略管理的交互流程示意图。主要包括如下过程:
71、算法设计、策略编排。
其中,策略是用户编排好该策略后导入到AMF中。
72、AMF向APF发送策略管理指示信息,具体携带对策略的操作类型,如策略安装、策略更新、策略删除、策略激活、策略去激活、策略查询。策略安装或更新时,可以携带策略标识以及策略标识对应的事件、条件信息、动作信息。而策略删除、激活、去激活、查询时只需携带策略标识。
73、APF根据AMF发送的策略管理指示信息,执行策略安装、更新、删除、激活、去激活、查询操作。
74、APF向AMF发送策略管理响应信息。例如在策略查询响应中携带策略事件、条件信息和动作信息。
本申请实施例可以提供策略更新或删除接口,方便策略管理。增加策略更新或删除功能,完善策略管理功能。
通过前述的举例说明可知,本申请实施例中AMF向MEF发送模型消息,携带策略标识,可选地还携带模型的优先级或策略执行顺序。AMF向APF发送策略消息,携带策略标识、事件、条件信息、动作信息。MEF向APF发送预测结果和策略标识,可选的,MEF还向APF发送模型优先级或策略执行顺序。APF向AMF、OSS、NE发送查询请求或订阅请求,APF从AMF、OSS、NE接收查询结果或订阅响应,包括条件信息是否被满足。APF根据策略和预测结果匹配得到动作,并发送动作指示给相关的目标网元,例如可以是NE、OSS、DSF、MEF。
本申请实施例利用大数据和机器学习,识别出更丰富的网络状态,辅助进行更精准的策略控制。不同的模型使用一套通用的模型策略驱动方法,减少策略冗余和编排复杂度。MEF中各模型解耦,避免模型编排。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
为便于更好的实施本申请实施例的上述方案,下面还提供用于实施上述方案的相关装置。
请参阅图18所示,本申请实施例提供的一种策略功能网元1800,可以包括:处理模块1801、接收模块1802、发送模块1803,其中,
处理模块1801,用于从建模功能网元获取至少一条策略;
接收模块1802,用于从预测功能网元接收第一模型触发的第一策略标识,其中,第一策略标识用于标识第一策略;
处理模块1801,还用于根据第一策略标识,从至少一条策略中确定第一策略,所述第一策略包括第一动作对应的动作信息;
处理模块1801,还用于执行所述第一策略中的所述第一动作;
发送模块1803,用于向数据服务网元或预测功能网元发送第一动作的执行结果,第一动作的执行结果用于作为第二模型的输入数据。
在本申请的一些实施例中,发送模块1803,具体用于通过策略功能网元和数据服务网元之间的接口,向数据服务网元发送第一动作的执行结果。
在本申请的一些实施例中,所述接收模块1802,还用于从所述预测功能网元接收所述第一模型的预测结果;所述处理模块1801,具体用于执行所述第一策略中与所述预测结果对应的第一动作。
在本申请的前述实施例中,策略功能网元可以根据第一策略标识从至少一条策略中确定出第一策略,策略功能网元执行第一策略中的第一动作,并将第一动作的执行结果作为第二模型的输入数据,从而可以实现第一模型和第二模型共同执行,可以无需将多个模型耦合在一起,使得单个模型可以重复使用,提高模型的复用效率。还可以实现策略功能网元、建模功能网元、预测功能网元、数据服务网元之间多网元的协同操作,可以再结合ML技术,利用丰富的网络信息,提供最合适当前网络状态的策略,可实现通过多个模型将无线网络中的数据信息转换成策略的控制。
本申请实施例提供的一种策略功能网元1800中,
处理模块1801,用于从建模功能网元获取至少一条策略;
接收模块1802,用于从预测功能网元接收第一模型触发的第一策略标识,其中,第一策略标识用于标识第一策略;
处理模块1801,还用于根据第一策略标识,从至少一条策略中确定第一策略,第一策略包括第一动作对应的动作信息和执行第一策略中的第一动作的条件信息;
发送模块1803,用于触发动作信息指示的目标网元执行第一策略中的第一动作。
在本申请的一些实施例中,发送模块1803,还用于根据条件信息向通信网元发送条件信息,以查询条件信息是否被满足;或者,
所述发送模块,还用于向通信网元发送所述条件信息,以订阅:当所述条件信息被满足时,所述通信网元通知所述策略功能网元;
通信网元包括如下网元中的至少一种:网络单元NE、运营支撑系统OSS、建模功能网元。
在本申请的一些实施例中,处理模块1801,还用于当所述条件信息被满足时,触发所述动作信息指示的目标网元执行所述第一策略中的所述第一动作。
在本申请的一些实施例中,第一策略中包括的条件信息的个数可以为一个或者多个,当第一策略中包括多个条件信息时,策略功能网元1800可以向通信网元同时查询多个条件信息是否被满足,通信网元可以针对每个条件信息分别查询是否被满足,通信网元可以生成针对每个条件信息的查询结果,在该查询结果中包括每个条件信息是否被满足。策略功能网元1800可以根据通信网元发送的查询结果确定出被满足的条件信息,触发所述动作信息指示的目标网元执行所述第一策略中的所述第一动作。
在本申请的一些实施例中,第一策略中包括的条件信息的个数可以为一个或者多个,当第一策略中包括多个条件信息时,策略功能网元1800可以向通信网元订阅多个条件信息是否被满足,通信网元可以针对每个条件信息分别查询是否被满足,通信网元可以向策略功能网元通知:被满足的条件信息。策略功能网元1800可以根据通信网元发送的通知确定出被满足的条件信息,触发所述动作信息指示的目标网元执行所述第一策略中的所述第一动作。
在本申请的一些实施例中,处理模块1801,还用于按照第一策略对应的执行顺序触发目标网元执行第一策略中的第一动作。
在本申请的一些实施例中,处理模块1801,还用于根据第一模型对应的优先级标识确定第一模型的优先级为最高优先级;
发送模块1803,具体用于触发最高优先级的第一模型对应的第一动作指示的目标网元执行第一策略中的第一动作。
在本申请的一些实施例中,接收模块1802,还用于从建模功能网元接收策略管理指示信息,策略管理指示信息包括:第一待管理策略标识第一管理操作,或策略管理指示信息包括:第二待管理策略标识、第二管理操作、待管理的策略;
其中,第一管理操作包括如下操作中的至少一种:策略删除操作、策略激活操作、策略去激活操作、策略查询操作;
第二管理操作包括:策略安装操作,和/或策略更新操作,待管理的策略包括:第二待管理策略标识对应的事件、条件信息和动作信息。
在本申请的一些实施例中,所述接收模块1802,还用于从所述预测功能网元接收所述第一模型的预测结果;所述处理模块1801,具体用于确定所述第一策略中与所述预测结果对应的第一动作。
此外,策略功能网元1800还可执行图3或图4中的其他操作,在此不再赘述。
在本申请的前述实施例中,策略功能网元可以根据第一策略标识从至少一条策略中确定出第一策略,该第一策略包括有动作信息和执行第一动作的条件信息,策略功能网元可以根据该第一策略来触发目标网元执行第一策略中的第一动作,实现策略功能网元、建模功能网元、预测功能网元之间多网元的协同操作,可以再结合ML技术,并结合不同的网络状态,实现精准策略控制。
请参阅图19所示,本申请实施例提供的一种建模功能网元1900,可以包括:处理模块1901、发送模块1902,其中,
处理模块1901,用于根据数据服务网元提供的训练样本数据对初始模型进行训练,得到训练后的第一模型;
发送模块1902,用于向预测功能网元发送第一模型的模型标识和第一模型触发的第一策略标识,其中,所述第一策略标识用于标识第一策略;
发送模块1902,还用于向策略功能网元发送至少一条策略,至少一条策略中的每一条策略包括:策略标识、事件、条件信息和动作信息,所述至少一条策略用于所述第一策略中的第一动作的确定。
在本申请的一些实施例中,发送模块1902,还用于向策略功能网元发送策略管理指示信息,策略管理指示信息包括:第一待管理策略标识第一管理操作,或策略管理指示信息包括:第二待管理策略标识、第二管理操作、待管理的策略;
其中,第一管理操作包括如下操作中的至少一种:策略删除操作、策略激活操作、策略去激活操作、策略查询操作;
第二管理操作包括:策略安装操作,和/或策略更新操作,待管理的策略包括:第二待管理策略标识对应的事件、条件信息和动作信息。
在本申请的一些实施例中,如图19所示,建模功能网元1900还包括:接收模块1903,其中,
接收模块1903,用于从策略功能网元根据所述查询请求查询所述条件信息是否被满足以生成查询结果,所述发送模块1902,还用于将查询结果通知给所述策略功能网元;或者,
所述处理模块1901,还用于根据所述订阅请求查询所述条件信息是否被满足,所述发送模块1902,还用于在所述条件信息被满足时,通知所述策略功能网元。
此外,建模功能网元1900还可执行图3或图4中的其他操作,在此不再赘述。
在本申请的前述实施例中,建模功能网元可创建第一模型,将第一模型的模型标识和第一模型触发的第一策略标识发送给预测功能网元,使得预测功能网元可以安装第一模型。建模功能网元还将至少一条策略发送给策略功能网元,使得策略功能网元可以安装至少一条策略,实现策略功能网元、建模功能网元、预测功能网元之间多网元的协同操作,可以再结合ML技术,并结合不同的网络状态,实现精准策略控制。
请参阅图20所示,本申请实施例提供的一种预测功能网元2000,可以包括:发送模块2001、处理模块2002,其中,
发送模块2001,用于向策略功能网元发送第一模型触发的第一策略标识,其中,所述第一策略标识用于标识第一策略,所述第一策略包括第一动作对应的动作信息;
处理模块2002,用于获取第一动作的执行结果;
处理模块2002,还用于使用第一动作的执行结果作为第二模型的输入数据,通过第二模型进行预测。
在本申请的一些实施例中,如图20所示,预测功能网元2000,还包括:接收模块2003,其中,
接收模块2003,用于从策略功能网元接收第一动作的执行结果;或,从数据服务网元接收第一动作的执行结果。
在本申请的一些实施例中,所述发送模块2001,还用于向所述策略功能网元发送所述第一模型的预测结果,所述预测结果用于所述第一策略中所述第一动作的确定。
此外,预测功能网元2000还可执行图3或图4中的其他操作,在此不再赘述。
在本申请的前述实施例中,预测功能网元可以对第一模型进行预测,预测功能网元还可以将第一动作的执行结果输入到第二模型中,从而可以实现第一模型和第二模型共同执行,可以无需将多个模型耦合在一起,使得单个模型可以重复使用,提高模型的复用效率。本申请实施例还可以实现策略功能网元、预测功能网元之间多网元的协同操作,可以再结合ML技术,利用丰富的网络信息,提供最合适当前网络状态的策略,可实现通过多个模型将无线网络中的数据信息转换成策略的控制。
请参阅图21所示,本申请实施例提供的一种数据服务网元2100,可以包括:发送模块2101、接收模块2102,其中,
发送模块2101,用于向建模功能网元发送训练样本数据,所述训练样本数据用于第一模型的训练;
发送模块2101,还用于向预测功能网元发送所述第一模型的输入数据;
接收模块2102,还用于从策略功能网元接收第一动作的执行结果,所述第一动作的执行结果与所述第一模型的输入数据关联;
发送模块2101,还用于向预测功能网元发送第一动作的执行结果,第一动作的执行结果用于作为第二模型的输入数据。
在本申请的一些实施例中,接收模块2102,具体用于通过策略功能网元和数据服务网元之间的接口,从策略功能网元接收第一动作的执行结果。
此外,数据服务网元2100还可执行图3或图4中的其他操作,在此不再赘述。
在本申请的前述实施例中,数据服务网元可以向建模功能网元、预测功能网元分别提供数据,数据服务网元向预测功能网元发送的第一动作的执行结果可用于第二模型的输入数据,从而可以实现第一模型和第二模型共同执行,可以无需将多个模型耦合在一起,使得单个模型可以重复使用,提高模型的复用效率。还可以实现数据服务网元、策略功能网元、预测功能网元之间多网元的协同操作,可以再结合ML技术,利用丰富的网络信息,提供最合适当前网络状态的策略,可实现通过多个模型将无线网络中的数据信息转换成策略的控制。
需要说明的是,上述装置各模块/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其带来的技术效果与本申请方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储有程序,该程序执行包括上述方法实施例中记载的部分或全部步骤。
接下来策略功能网元、建模功能网元、预测功能网元、数据服务网元分别为一个独立的网元进行举例说明,不限定的是,策略功能网元、建模功能网元、预测功能网元、数据服务网元中的至少两个、至少三个或者四个功能网元可以通过一个物理设备来实现,此处不做限定。
首先介绍本申请实施例提供的策略驱动装置,请参阅图22所示,策略驱动装置2200包括:
接收器2201、发射器2202、处理器2203和存储器2204(其中策略驱动装置2200中的处理器2203的数量可以一个或多个,图22中以一个处理器为例)。在本申请的一些实施例中,接收器2201、发射器2202、处理器2203和存储器2204可通过总线或其它方式连接,其中,图22中以通过总线连接为例。
存储器2204可以包括只读存储器和随机存取存储器,并向处理器2203提供指令和数据。存储器2204的一部分还可以包括非易失性随机存取存储器(英文全称:Non-VolatileRandom Access Memory,英文缩写:NVRAM)。存储器2204存储有操作系统和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。操作系统可包括各种系统程序,用于实现各种基础业务以及处理基于硬件的任务。
处理器2203控制策略驱动装置的操作,处理器2203还可以称为中央处理单元(英文全称:Central Processing Unit,英文简称:CPU)。具体的应用中,策略驱动装置的各个组件通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器2203中,或者由处理器2203实现。处理器2203可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器2203中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器2203可以是通用处理器、数字信号处理器(英文全称:digital signal processing,英文缩写:DSP)、专用集成电路(英文全称:Application Specific Integrated Circuit,英文缩写:ASIC)、现场可编程门阵列(英文全称:Field-Programmable Gate Array,英文缩写: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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器2204,处理器2203读取存储器2204中的信息,结合其硬件完成上述方法的步骤。
接收器2201可用于接收输入的数字或字符信息,以及产生与策略驱动装置的相关设置以及功能控制有关的信号输入,发射器2202可包括显示屏等显示设备,发射器2202可用于通过外接接口输出数字或字符信息。
在本申请的一个实施例中,策略驱动装置2200可以是前述策略功能网元,例如,图1或图图2中所述的策略功能网元101。处理器2203,用于执行前述图5到图6中策略功能网元执行的的策略驱动方法。
在另一个实施例中,策略驱动装置2200可以是前述建模功能网元,例如,图1或图图2中所述的建模功能网元102。处理器2203,用于执行前述图7中建模功能网元执行的的策略驱动方法。
在另一个实施例中,策略驱动装置2200可以是前述预测功能网元,例如,图1或图图2中所述的预测功能网元103。处理器2203,用于执行前述图8中预测功能网元执行的的策略驱动方法。
在另一个实施例中,策略驱动装置2200可以是前述数据服务网元,例如,图1或图图2中所述的数据服务网元104。处理器2203,用于执行前述图9中数据服务网元执行的的策略驱动方法。
在另一种可能的设计中,当该装置为策略驱动装置的芯片时,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使该策略驱动装置内的芯片执行上述第一方面任意一项的无线通信方法。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述策略驱动装置内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM),或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)等。其中,上述任一处提到的处理器,可以是一个通用中央处理器(CPU),微处理器,特定应用集成电路(application-specific integrated circuit,ASIC),或一个或多个用于控制上述第一方面无线通信方法的程序执行的集成电路。
另外需说明的是,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,本申请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。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
Claims (30)
1.一种策略驱动方法,其特征在于,包括:
策略功能网元从建模功能网元获取至少一条策略;
所述策略功能网元从预测功能网元接收第一模型触发的第一策略标识,其中,所述第一策略标识用于标识第一策略;
所述策略功能网元根据所述第一策略标识,从所述至少一条策略中确定所述第一策略,所述第一策略包括第一动作对应的动作信息;
所述策略功能网元执行所述第一策略中的所述第一动作;
所述策略功能网元向数据服务网元或所述预测功能网元发送所述第一动作的执行结果,所述第一动作的执行结果用于作为第二模型的输入数据。
2.根据权利要求1所述的方法,其特征在于,所述策略功能网元向数据服务网元或所述预测功能网元发送所述第一动作的执行结果,包括:
所述策略功能网元通过所述策略功能网元和所述数据服务网元之间的接口,向所述数据服务网元发送所述第一动作的执行结果。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
所述策略功能网元从所述预测功能网元接收所述第一模型的预测结果;
所述策略功能网元执行所述第一策略中的所述第一动作,包括:
所述策略功能网元执行所述第一策略中与所述预测结果对应的第一动作。
4.一种策略驱动方法,其特征在于,包括:
策略功能网元从建模功能网元获取至少一条策略;
所述策略功能网元从预测功能网元接收第一模型触发的第一策略标识,其中,所述第一策略标识用于标识第一策略;
所述策略功能网元根据所述第一策略标识,从所述至少一条策略中确定所述第一策略,所述第一策略包括第一动作对应的动作信息和执行所述第一策略中的所述第一动作的条件信息;
所述策略功能网元触发所述动作信息指示的目标网元执行所述第一策略中的所述第一动作。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
所述策略功能网元向通信网元发送所述第一动作对应的条件信息,以查询所述条件信息是否被满足;或者,
所述策略功能网元向通信网元发送所述条件信息,以订阅:当所述条件信息被满足时,所述通信网元通知所述策略功能网元;
所述通信网元包括如下网元中的至少一种:网络单元NE、运营支撑系统OSS、所述建模功能网元。
6.根据权利要求4或5所述的方法,其特征在于,所述策略功能网元触发所述动作信息指示的目标网元执行所述第一策略中的所述第一动作,包括:
当所述条件信息被满足时,所述策略功能网元触发所述动作信息指示的目标网元执行所述第一策略中的所述第一动作。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述策略功能网元触发所述动作信息指示的目标网元执行所述第一策略中的所述第一动作,包括:
所述策略功能网元按照所述第一策略对应的执行顺序触发所述目标网元执行所述第一策略中的所述第一动作。
8.根据权利要求1-7中任一项所述的方法,其特征在于,所述策略功能网元触发所述动作信息指示的目标网元执行所述第一策略中的所述第一动作,包括:
所述策略功能网元根据所述第一模型对应的优先级标识确定所述第一模型的优先级为最高优先级;
所述策略功能网元触发所述最高优先级的第一模型对应的第一动作指示的目标网元执行所述第一策略中的所述第一动作。
9.根据权利要求1-8中任一项所述的方法,其特征在于,所述方法还包括:
所述策略功能网元从所述建模功能网元接收策略管理指示信息,所述策略管理指示信息包括:第一待管理策略标识和第一管理操作,或所述策略管理指示信息包括:第二待管理策略标识、第二管理操作、待管理的策略;
其中,所述第一管理操作包括如下操作中的至少一种:策略删除操作、策略激活操作、策略去激活操作、策略查询操作;
所述第二管理操作包括:策略安装操作,和/或策略更新操作,所述待管理的策略包括:所述第二待管理策略标识对应的事件、条件信息和动作信息。
10.根据权利要求1-9中任一项所述的方法,其特征在于,所述方法还包括:
所述策略功能网元从预测功能网元接收所述第一模型的预测结果;
所述策略功能网元确定所述第一策略中的所述第一动作,包括:
所述策略功能网元确定所述第一策略中与所述预测结果对应的第一动作。
11.一种策略驱动方法,其特征在于,包括:
建模功能网元根据数据服务网元提供的训练样本数据对初始模型进行训练,得到训练后的第一模型;
所述建模功能网元向预测功能网元发送所述第一模型的模型标识和所述第一模型触发的第一策略标识,其中,所述第一策略标识用于标识第一策略;
所述建模功能网元向策略功能网元发送至少一条策略,所述至少一条策略中的每一条策略包括:策略标识、事件、条件信息和动作信息,所述至少一条策略用于所述第一策略中的第一动作的确定。
12.根据权利要求11所述的方法,其特征在于,所述方法还包括:
所述建模功能网元向所述策略功能网元发送策略管理指示信息,所述策略管理指示信息包括:第一待管理策略标识第一管理操作,或所述策略管理指示信息包括:第二待管理策略标识、第二管理操作、待管理的策略;
其中,所述第一管理操作包括如下操作中的至少一种:策略删除操作、策略激活操作、策略去激活操作、策略查询操作;
所述第二管理操作包括:策略安装操作,和/或策略更新操作,所述待管理的策略包括:所述第二待管理策略标识对应的事件、条件信息和动作信息。
13.根据权利要求11或12所述的方法,其特征在于,所述方法还包括:
所述建模功能网元从所述策略功能网元接收对所述条件信息的查询请求或者订阅请求;
所述建模功能网元根据所述查询请求查询所述条件信息是否被满足以生成查询结果,并将所述查询结果通知给所述策略功能网元;或者,
所述建模功能网元根据所述订阅请求查询所述条件信息是否被满足,并在所述条件信息被满足时,所述建模功能网元通知所述策略功能网元。
14.一种策略驱动方法,其特征在于,包括:
预测功能网元向策略功能网元发送第一模型触发的第一策略标识,其中,所述第一策略标识用于标识第一策略,所述第一策略包括第一动作对应的动作信息;
所述预测功能网元获取所述第一动作的执行结果;
所述预测功能网元使用所述第一动作的执行结果作为第二模型的输入数据,通过所述第二模型进行预测。
15.根据权利要求14所述的方法,其特征在于,所述预测功能网元获取所述第一动作的执行结果,包括:
所述预测功能网元从所述策略功能网元接所述收第一动作的执行结果;或,
所述预测功能网元从所述数据服务网元接收所述第一动作的执行结果。
16.根据权利要求14或15所述的方法,其特征在于,所述方法还包括:
所述预测功能网元向所述策略功能网元发送所述第一模型的预测结果,所述预测结果用于所述第一策略中所述第一动作的确定。
17.一种策略驱动方法,其特征在于,包括:
数据服务网元向建模功能网元发送训练样本数据,所述训练样本数据用于第一模型的训练;
所述数据服务网元向预测功能网元发送所述第一模型的输入数据;
所述数据服务网元从策略功能网元接收第一动作的执行结果,所述第一动作的执行结果与所述第一模型的输入数据关联;
所述数据服务网元向所述预测功能网元发送所述第一动作的执行结果,所述第一动作的执行结果用于作为第二模型的输入数据。
18.一种策略功能网元,其特征在于,包括:
处理模块,用于从建模功能网元获取至少一条策略;
接收模块,用于从预测功能网元接收第一模型触发的第一策略标识,其中,所述第一策略标识用于标识第一策略;
所述处理模块,还用于根据所述第一策略标识,从所述至少一条策略中确定所述第一策略,所述第一策略包括第一动作对应的动作信息;
所述处理模块,还用于执行所述第一策略中的所述第一动作;
发送模块,用于向数据服务网元或所述预测功能网元发送所述第一动作的执行结果,所述第一动作的执行结果用于作为第二模型的输入数据。
19.根据权利要求18所述的策略功能网元,其特征在于,所述发送模块,具体用于通过所述策略功能网元和所述数据服务网元之间的接口,向所述数据服务网元发送所述第一动作的执行结果。
20.根据权利要求18或19所述的策略功能网元,其特征在于,所述接收模块,还用于从所述预测功能网元接收所述第一模型的预测结果;
所述处理模块,具体用于执行所述第一策略中与所述预测结果对应的第一动作。
21.一种策略功能网元,其特征在于,包括:
处理模块,用于从建模功能网元获取至少一条策略;
接收模块,用于从预测功能网元接收第一模型触发的第一策略标识,其中,所述第一策略标识用于标识第一策略;
所述处理模块,还用于根据所述第一策略标识,从所述至少一条策略中确定所述第一策略,所述第一策略包括第一动作对应的动作信息和执行所述第一策略中的所述第一动作的条件信息;
发送模块,用于触发所述动作信息指示的目标网元执行所述第一策略中的所述第一动作。
22.根据权利要求21所述的策略功能网元,其特征在于,所述发送模块,还用于向通信网元发送所述第一动作对应的条件信息,以查询所述条件信息是否被满足;或者,
所述发送模块,还用于向通信网元发送所述条件信息,以订阅:当所述条件信息被满足时,所述通信网元通知所述策略功能网元;
所述通信网元包括如下网元中的至少一种:网络单元NE、运营支撑系统OSS、所述建模功能网元。
23.根据权利要求21所述的策略功能网元,其特征在于,所述处理模块,还用于当所述条件信息被满足时,触发所述动作信息指示的目标网元执行所述第一策略中的所述第一动作。
24.根据权利要求21-23中任一项所述的策略功能网元,其特征在于,所述处理模块,还用于按照所述第一策略对应的执行顺序触发所述目标网元执行所述第一策略中的所述第一动作。
25.根据权利要求21-24中任一项所述的策略功能网元,其特征在于,所述处理模块,还用于根据所述第一模型对应的优先级标识确定所述第一模型的优先级为最高优先级;
所述发送模块,具体用于触发所述最高优先级的第一模型对应的第一动作指示的目标网元执行所述第一策略中的所述第一动作。
26.根据权利要求21-25中任一项所述的策略功能网元,其特征在于,
所述接收模块,还用于从所述预测功能网元接收所述第一模型的预测结果;
所述处理模块,具体用于确定所述第一策略中与所述预测结果对应的第一动作。
27.一种建模功能网元,其特征在于,包括:
处理模块,用于根据数据服务网元提供的训练样本数据对初始模型进行训练,得到训练后的第一模型;
发送模块,用于向预测功能网元发送所述第一模型的模型标识和所述第一模型触发的第一策略标识,其中,所述第一策略标识用于标识第一策略;
所述发送模块,还用于向策略功能网元发送至少一条策略,所述至少一条策略中的每一条策略包括:策略标识、事件、条件信息和动作信息,所述至少一条策略用于所述第一策略中的第一动作的确定。
28.根据权利要求27所述的建模功能网元,其特征在于,所述建模功能网元还包括:接收模块,其中,
所述接收模块,用于从所述策略功能网元接收对所述条件信息的的查询请求或者订阅请求;
所述处理模块,还用于根据所述查询请求查询所述条件信息是否被满足以生成查询结果,所述发送模块,还用于将查询结果通知给所述策略功能网元;或者,
所述处理模块,还用于根据所述订阅请求查询所述条件信息是否被满足,所述发送模块,还用于在所述条件信息被满足时,通知所述策略功能网元。
29.一种预测功能网元,其特征在于,包括:
发送模块,用于向策略功能网元发送第一模型触发的第一策略标识,其中,所述第一策略标识用于标识第一策略,所述第一策略包括第一动作对应的动作信息;
处理模块,用于获取所述第一动作的执行结果;
所述处理模块,还用于使用所述第一动作的执行结果作为第二模型的输入数据,通过所述第二模型进行预测。
30.一种数据服务网元,其特征在于,包括:
发送模块,用于向建模功能网元发送训练样本数据,所述训练样本数据用于第一模型的训练;
所述发送模块,还用于向预测功能网元发送所述第一模型的输入数据;
接收模块,还用于从策略功能网元接收第一动作的执行结果,所述第一动作的执行结果与所述第一模型的输入数据关联;
所述发送模块,还用于向所述预测功能网元发送所述第一动作的执行结果,所述第一动作的执行结果用于作为第二模型的输入数据。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810123852.8A CN110120882B (zh) | 2018-02-07 | 2018-02-07 | 策略驱动方法和装置 |
BR112020013795-2A BR112020013795A2 (pt) | 2018-02-07 | 2018-11-29 | método e aparelho com política de acionamento |
EP18905498.4A EP3720092A4 (en) | 2018-02-07 | 2018-11-29 | GUIDELINE PROCEDURES AND DEVICE |
PCT/CN2018/118154 WO2019153849A1 (zh) | 2018-02-07 | 2018-11-29 | 策略驱动方法和装置 |
US16/988,313 US11290344B2 (en) | 2018-02-07 | 2020-08-07 | Policy-driven method and apparatus |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810123852.8A CN110120882B (zh) | 2018-02-07 | 2018-02-07 | 策略驱动方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110120882A true CN110120882A (zh) | 2019-08-13 |
CN110120882B CN110120882B (zh) | 2020-10-09 |
Family
ID=67519563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810123852.8A Active CN110120882B (zh) | 2018-02-07 | 2018-02-07 | 策略驱动方法和装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11290344B2 (zh) |
EP (1) | EP3720092A4 (zh) |
CN (1) | CN110120882B (zh) |
BR (1) | BR112020013795A2 (zh) |
WO (1) | WO2019153849A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112583629A (zh) * | 2019-09-30 | 2021-03-30 | 华为技术有限公司 | 一种信息处理方法、相关设备及计算机存储介质 |
CN113543242A (zh) * | 2020-04-17 | 2021-10-22 | 中国移动通信有限公司研究院 | 一种实现异频切换的方法、装置和计算机可读存储介质 |
WO2022032642A1 (en) | 2020-08-14 | 2022-02-17 | Zte Corporation | A method for ai based load prediction |
CN116139464A (zh) * | 2023-03-28 | 2023-05-23 | 浙江大学 | 基于量化指标下的呼吸训练数据采集方法和采集系统 |
WO2023169435A1 (zh) * | 2022-03-08 | 2023-09-14 | 华为技术有限公司 | 一种更新知识的方法和通信装置 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112433776B (zh) * | 2020-10-16 | 2022-06-28 | 广东电力信息科技有限公司 | 电网业务处理系统 |
CN115277352B (zh) * | 2021-04-29 | 2023-09-19 | 中国移动通信集团辽宁有限公司 | 网元指令纠错方法、装置、电子设备及计算机存储介质 |
CN113727428A (zh) * | 2021-08-25 | 2021-11-30 | 天地(常州)自动化股份有限公司 | 矿用5g承载网络组网系统及其使用方法 |
US11855893B2 (en) | 2021-11-24 | 2023-12-26 | Amazon Technologies, Inc. | Tag-based cross-region segment management |
US11799755B2 (en) | 2021-11-24 | 2023-10-24 | Amazon Technologies, Inc. | Metadata-based cross-region segment routing |
US11936558B1 (en) * | 2021-12-10 | 2024-03-19 | Amazon Technologies, Inc. | Dynamic evaluation and implementation of network mutations |
US11991211B1 (en) | 2021-12-10 | 2024-05-21 | Amazon Technologies, Inc. | Symmetric cross-region network data flow management |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101141307A (zh) * | 2007-09-29 | 2008-03-12 | 北京邮电大学 | 一种应用于通信系统的基于策略管理的方法及体系结构 |
CN101431430A (zh) * | 2007-11-07 | 2009-05-13 | 中兴通讯股份有限公司 | 策略执行系统及其执行方法 |
CN101777147A (zh) * | 2008-11-05 | 2010-07-14 | 埃森哲环球服务有限公司 | 预测建模 |
US20140101634A1 (en) * | 2011-10-10 | 2014-04-10 | Telefonaktiebolaget L M Ericsson (Publ) | Ontology-based user requirement decomposition for component selection for service provision |
CN107078921A (zh) * | 2014-09-16 | 2017-08-18 | 云端吉尼斯公司 | 用于基于商业意图驱动策略的网络业务表征、监视和控制的方法和系统 |
CN107135084A (zh) * | 2016-02-29 | 2017-09-05 | 华为技术有限公司 | 一种策略配置方法和装置 |
CN107590186A (zh) * | 2017-08-07 | 2018-01-16 | 北京京东尚科信息技术有限公司 | 管理和执行数据处理策略的方法和策略引擎系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8141125B2 (en) * | 2005-11-30 | 2012-03-20 | Oracle International Corporation | Orchestration of policy engines and format technologies |
US9794145B2 (en) | 2014-07-23 | 2017-10-17 | Cisco Technology, Inc. | Scheduling predictive models for machine learning systems |
-
2018
- 2018-02-07 CN CN201810123852.8A patent/CN110120882B/zh active Active
- 2018-11-29 WO PCT/CN2018/118154 patent/WO2019153849A1/zh unknown
- 2018-11-29 EP EP18905498.4A patent/EP3720092A4/en active Pending
- 2018-11-29 BR BR112020013795-2A patent/BR112020013795A2/pt not_active IP Right Cessation
-
2020
- 2020-08-07 US US16/988,313 patent/US11290344B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101141307A (zh) * | 2007-09-29 | 2008-03-12 | 北京邮电大学 | 一种应用于通信系统的基于策略管理的方法及体系结构 |
CN101431430A (zh) * | 2007-11-07 | 2009-05-13 | 中兴通讯股份有限公司 | 策略执行系统及其执行方法 |
CN101777147A (zh) * | 2008-11-05 | 2010-07-14 | 埃森哲环球服务有限公司 | 预测建模 |
US20140101634A1 (en) * | 2011-10-10 | 2014-04-10 | Telefonaktiebolaget L M Ericsson (Publ) | Ontology-based user requirement decomposition for component selection for service provision |
CN107078921A (zh) * | 2014-09-16 | 2017-08-18 | 云端吉尼斯公司 | 用于基于商业意图驱动策略的网络业务表征、监视和控制的方法和系统 |
CN107135084A (zh) * | 2016-02-29 | 2017-09-05 | 华为技术有限公司 | 一种策略配置方法和装置 |
CN107590186A (zh) * | 2017-08-07 | 2018-01-16 | 北京京东尚科信息技术有限公司 | 管理和执行数据处理策略的方法和策略引擎系统 |
Non-Patent Citations (1)
Title |
---|
HUAWEI等: "Discussion on big data and 5G", 《SA WG2 MEETING #125;S2-181230》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112583629A (zh) * | 2019-09-30 | 2021-03-30 | 华为技术有限公司 | 一种信息处理方法、相关设备及计算机存储介质 |
CN112583629B (zh) * | 2019-09-30 | 2022-06-10 | 华为技术有限公司 | 一种信息处理方法、相关设备及计算机存储介质 |
CN113543242A (zh) * | 2020-04-17 | 2021-10-22 | 中国移动通信有限公司研究院 | 一种实现异频切换的方法、装置和计算机可读存储介质 |
WO2022032642A1 (en) | 2020-08-14 | 2022-02-17 | Zte Corporation | A method for ai based load prediction |
EP4066539A4 (en) * | 2020-08-14 | 2023-08-16 | ZTE Corporation | METHOD FOR AI-BASED LOAD PREDICTION |
WO2023169435A1 (zh) * | 2022-03-08 | 2023-09-14 | 华为技术有限公司 | 一种更新知识的方法和通信装置 |
CN116139464A (zh) * | 2023-03-28 | 2023-05-23 | 浙江大学 | 基于量化指标下的呼吸训练数据采集方法和采集系统 |
Also Published As
Publication number | Publication date |
---|---|
BR112020013795A2 (pt) | 2020-12-01 |
EP3720092A1 (en) | 2020-10-07 |
US11290344B2 (en) | 2022-03-29 |
CN110120882B (zh) | 2020-10-09 |
WO2019153849A1 (zh) | 2019-08-15 |
EP3720092A4 (en) | 2020-12-09 |
US20200374201A1 (en) | 2020-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110120882A (zh) | 策略驱动方法和装置 | |
US20220167236A1 (en) | Intelligence and Learning in O-RAN for 5G and 6G Cellular Networks | |
Brik et al. | Deep learning for B5G open radio access network: Evolution, survey, case studies, and challenges | |
CN105814845B (zh) | 软件定义网络中的流量工程框架 | |
Coronado et al. | Zero touch management: A survey of network automation solutions for 5G and 6G networks | |
KR101978195B1 (ko) | 서비스 지향 네트워크 자동 생성에 기초한 맞춤형 가상 무선 네트워크를 제공하기 위한 시스템 및 방법 | |
CN109743893A (zh) | 用于网络切片的方法和设备 | |
CN107005431A (zh) | 更改基于服务的数据平面配置的系统和方法 | |
CN110505073A (zh) | 一种移动边缘计算方法及装置 | |
CN105850199A (zh) | 用于管理无线网络的方法及系统 | |
CN110417565A (zh) | 一种模型更新方法、装置及系统 | |
US10667150B2 (en) | Self organizing radio access network in a software defined networking environment | |
CN109450695A (zh) | 用于控制平面参考模型框架的系统和方法 | |
US20230319585A1 (en) | Methods and systems for artificial intelligence based architecture in wireless network | |
CN109792596A (zh) | 用于通信网络中统一数据管理的系统和方法 | |
CN107113188A (zh) | 基于云的接入网络 | |
CN105637910B (zh) | 下行数据处理方法及装置、系统 | |
Ashtari et al. | Knowledge-defined networking: Applications, challenges and future work | |
CN102077526B (zh) | 用于分布式信息管理的方法和装置 | |
Gill et al. | On the capacity bounds for bumblebee-inspired connected vehicle networks via queuing theory | |
Zou et al. | Resource multi-objective mapping algorithm based on virtualized network functions: RMMA | |
Ahmed et al. | Icran: Intelligent control for self-driving ran based on deep reinforcement learning | |
Sivasakthi et al. | QoE‐aware mobile computation offloading in mobile edge computing | |
Gu et al. | AI-Enhanced Cloud-Edge-Terminal Collaborative Network: Survey, Applications, and Future Directions | |
CN107005964A (zh) | 控制设备、网络设备及其方法 |
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 |