CN110198237A

CN110198237A - 一种无线意图驱动网络的配置方法

Info

Publication number: CN110198237A
Application number: CN201910446539.2A
Authority: CN
Inventors: 彭木根; 周洋程
Original assignee: Beijing University of Posts and Telecommunications
Current assignee: Beijing University of Posts and Telecommunications; Comba Network Systems Co Ltd
Priority date: 2019-05-27
Filing date: 2019-05-27
Publication date: 2019-09-03
Anticipated expiration: 2039-05-27
Also published as: CN110198237B

Abstract

本申请公开了一种无线意图驱动网络的配置方法，包括：获取用户输入的无线网络外部意图或网络基础设施发起的网络内部感知意图；根据无线意图语言模型，从所述无线网络外部意图中提取网络关键词，生成结构化意图声明，并作为网络优化问题中的优化目标；或者，根据所述网络内部感知意图确定该意图的优化目标；根据无线网络资源现状和网络历史配置经验，确定与所述优化目标匹配的无线接入网络配置策略；结合无线网络物理设备参数配置指令规范，将所述无线接入网络配置策略转换为对无线网络基础物理设施的控制指令，并下发到相应物理设备中执行。应用本申请，能够对无线意图驱动网络有效地进行网络配置。

Description

一种无线意图驱动网络的配置方法

技术领域

本申请涉及意图驱动网络技术，特别涉及一种无线意图驱动网络的配置方法。

背景技术

近年来，随着第五代移动通信(5G)、人工智能和大数据等技术不断加速发展，许多智能化应用应运而生，随之而来的是运营商对于海量业务数据的即时获得、分析和交换需求的日益增长。面对网络规模持续扩大、用户数量不断增长、新兴业务层出不穷，以及应用场景不断创新的发展趋势，传统无线网络面临着运行效率低、灵活性差、网络运营成本高等挑战。未来无线通信网络不仅需要支持可靠性、时延、速率、吞吐量等网络关键性能的定制组合，还要能够为多样化的应用场景提供差异化的高质量服务。

5G网络的设计将会引入虚拟化网络功能、软件定义网络、网络切片等技术，实现网络虚拟化和软件化，网络运行效率和灵活度都将得到显著提升。尽管通过端到端的网络切片技术，可以将物理网络划分为多个逻辑网络，并为每项业务或多个相似的业务提供独立的网络切片，使网络可以灵活应对不同的应用场景。但是实际网络运营过程中可能存在未被提前分类的场景或是新的网络功能，对网络切片的选择与转换、用户状态的管理与维护都提出了新的挑战。当前无线网络的自主适配能力仍存在局限性，智能化程度有待提升。

随着网络向自动化和智能化方向发展的演进趋势，意图网络的概念应运而生。传统网络依赖人类输入具体的策略执行命令，而在基于意图的网络(IBN)中，人类将不必直接输入策略命令，转为输入期望网络实现的“业务意图”，即“我希望网络达到某一种情形”，网络将自动转译并完成后续的网络配置操作。随后，网络需实时地验证实际网络状态与业务意图所期望达成网络状态的匹配程度，形成持续的闭环控制过程。无线意图驱动网络有着智慧、极简、超宽、开放、安全等五大关键特征，能够帮助企业实现商业价值最大化，覆盖电力、金融、平安城市、政府、教育、交通和制造等多个行业。

伴随着专注于软件定义网络研究的OpenStack、OpenDaylight两大开源组织在2014年前后陆续开展了若干基于意图的SDN北向接口(NBI)的技术研发，NIC(NetworkIntent Composition)、GBP(Group Based Policy for OpenStack)、NEMO(Network Model)等针对SDN领域的意图网络转译研究项目已经陆续完成。然而，目前已有的意图转译方法大多关注于核心网中各节点的路由配置，针对无线网络中用户接入选择、无线资源管理等网络编排问题的转译方法还未得到有效的解决。无线网络中的意图转译过程需要面对高度动态化的时变网络环境，另外，为了体现更加友好的人机交互功能，更重要的是设计出一种以人类自然语言表述的抽象意图为驱动力，可以最终将其转化为无线网络物理设备配置指令的转译方法，从而能够更加高效便捷地进行无线网络物理设备的具体配置。

发明内容

本申请提供一种无线意图驱动网络的配置方法，能够更方便有效地进行网络配置。

为实现上述目的，本申请采用如下技术方案：

一种无线意图驱动网络的配置方法，包括：

获取用户输入的无线网络外部意图或网络基础设施发起的网络内部感知意图；

从所述无线网络外部意图中提取网络关键词，生成结构化意图声明并作为网络优化问题中的优化目标；或者，根据所述网络内部感知意图确定该意图的优化目标；

根据无线网络资源现状和网络历史配置经验，确定与所述优化目标匹配的无线接入网络配置策略；

结合无线网络物理设备参数的配置指令规范，将所述无线接入网络配置策略转换为对无线网络基础物理设施的控制指令，并下发到相应物理设备中执行。

较佳地，所述无线网络外部意图包括应用层意图和网络控制层意图，所述应用层意图包括业务意图和性能意图，所述网络控制层意图包括优化意图和配置意图；所述网络内部感知意图包括自治愈意图和自优化意图。

较佳地，该方法进一步包括：预先根据无线网络管理方法和专家配置经验设置无线意图语言模型，所述模型中包括三类标签：结果、操作和对象；其中，结果标签对应的网络关键元素包括：业务类型、性能指标、期望状态和时空约束，所述操作标签对应的网络关键元素包括：拓扑结构、接入模式、资源分配策略和网络约束，所述对象标签对应的网络关键元素包括：网络节点、无线资源、缓存资源和计算资源；同种标签的网络关键元素之间以及不同标签的网络关键元素之间存在对应关系，网络知识库中存有所述无线意图语言模型中所有网络关键元素的相关词汇名称以及网络关键元素之间的对应关系。

较佳地，所述提取网络关键词包括：

对于所述应用层意图，提取与网络知识库中保存的与业务类型、性能指标、期望状态和时空约束四种网络关键元素相关词汇一致或相关的词作为关键词，并依据关键词所属网络元素类别为提取出的关键词添加相应标签；

对于所述网络控制层意图，提取与网络知识库中保存的与拓扑结构、接入模式、资源分配策略和网络约束四种网络关键元素相关词汇一致或相关的词作为关键词，并依据关键词所属网络元素类别为提取出的关键词添加相应标签；

所述根据所述网络内部感知意图确定该意图的优化目标包括：

当监测到一网络参数超过预设阈值时，根据与所述网络参数相关的无线网络节点和/或网络资源元素的参数状态，确定待调整参数的相关网络关键性能指标作为优化目标。

较佳地，所述生成结构化意图声明包括：

按照所述网络知识库中保存的所有网络关键元素之间的对应关系，根据从所述应用层意图或网络控制层意图中提取的关键词，确定与所提取出关键词存在对应关系的无线意图语言模型中其他网络关键元素，将所述提取的关键词和所述其他相关网络关键元素按照设定语法规则组成意图的结构化意图声明。

较佳地，所述确定与所述优化目标和当前网络环境匹配的无线接入网络配置策略包括：利用深度强化学习方式确定满足所述优化目标的无线接入网络配置策略。

较佳地，，对于所述应用层意图和所述网络控制层意图，将所述优化目标中的网络约束元素作为深度强化学习智能体待观察的网络状态，将所述优化目标中的网络资源元素作为智能体待决策的配置动作，将所述优化目标表达式中的性能指标元素和期望状态元素作为配置确定后无线网络环境反馈的奖励参数，通过对经验回放器中历史数据的学习得到最大化环境奖赏值的网络参数配置策略，作为所述满足所述优化目标的无线接入网络配置策略。

较佳地，对于所述网络内部感知意图，所述确定与所述优化目标匹配的无线接入网络配置策略包括：将当前网络收集到的无线网络传输参数、终端测量数据的时空分布特征、数值等级作为深度强化学习智能体待观察的网络状态，将优化目标指定的物理参数调整步长作为智能体待决策的配置动作，将调整策略下发到网络中收集到的关键性能指标数值作为配置执行后无线网络环境反馈的奖励参数，根据当前监测到的实时网络参数以及无线网络反馈的关键性能水平，结合经验回放器中历史数据生成当前网络环境下最佳的无线网络配置策略。

由上述技术方案可见，本申请中，获取用户输入的无线网络外部意图或网络基础设施发起的网络内部感知意图；根据无线意图语言模型，从所述无线网络外部意图中提取网络关键词，生成结构化意图声明，并作为网络优化问题中的优化目标；或者，根据所述网络内部感知意图确定该意图的优化目标；根据无线网络资源现状和网络历史配置经验，确定与所述优化目标匹配的无线接入网络配置策略；结合无线网络物理设备参数配置指令规范，将所述无线接入网络配置策略转换为对无线网络基础物理设施的控制指令，并下发到相应物理设备中执行。应用本申请，能够对无线意图驱动网络有效地进行网络配置。

附图说明

图1本申请中网络配置方法的基本流程示意图；

图2为本申请中以业务意图为例说明的意图转译过程示意图；

图3为本申请中基于模型抽象方法的无线意图语言模型实施例的示意图；

图4本申请中基于深度强化学习的网络配置策略实施例的示意图；

图5本申请中基于深度强化学习的网络配置策略实施例的算法流程图；

图6本申请中基于深度强化学习的网络优化策略实施例的示例图。

具体实施方式

为了使本申请的目的、技术手段和优点更加清楚明白，以下结合附图对本申请做进一步详细说明。

图1为本申请中网络配置方法的基本流程示意图。根据图1，介绍本申请基于人工智能、自然语言处理、边缘云计算处理的意图驱动无线接入网络配置方法的具体操作步骤：

步骤1，无线网络通过图形用户界面、声音传感设备或者文本方式获取来自用户的意图或网络基础设施发起的网络内部感知意图。

用户输入的意图可以是对网络在可提供业务种类以及可达到服务性能指标方面等属于网络应用层级的要求，即业务意图和性能意图，也可以是为维护网络正常服务质量状态制定的网络优化策略方案和设备配置指令等网络管理控制层面的需求，即优化意图和配置意图。这里的用户通常是指网络服务提供商人员，而不是终端用户。除了通过人工外部输入到网络的无线网络外部意图以外，负责监测无线网络传输数据和终端测量数据的大数据平台也可以通过分析采集到的实时数据特征根据服务等级协议(SLA)预设阈值主动发起自治愈和自优化意图，这类意图属于网络基础设施向网络控制层发起的网络内部感知意图。这些意图的表述方法可以包括自然语言完整语句和系统预设关键词两种具体形式。该过程可以部署在无线网络中具有外部数据接口和网络数据收集与处理能力的业务运营和管理平台，如运维支撑系统中进行。该步骤包括下列操作内容：

总的来说，为支持无线网络能够自动化地进行全生命周期管理，可以将无线意图划分为应用层、网络控制层和基础设施层三个层级的需求，具体包括用户外部输入到网络中的归属于应用层和网络控制层的意图，以及通过基础设施层中大数据平台的网络数据监测分析功能触发的网络内部感知意图两类。

应用层的意图是指对网络在可提供服务种类以及可实现网络关键性能指标方面的要求，包括业务意图和性能意图，可以由运营商负责满足网络未来业务发展和用户需求的业务部门提出。具体地，

(1)业务意图是指用户对网络在业务场景和服务种类方面的需求。根据ITU-R定义的5G应用场景，业务意图具体可以包括对增强型移动宽带(eMBB)业务场景、超高可靠与低延迟通信(uRLLC)业务场景、大规模机器类通信(mMTC)这三类服务场景的具体业务请求；

(2)性能意图是指网络为保障服务等级协议(SLA)规定某服务场景需要达到的关键性能指标。具体包括用户体验速率、峰值速率、连接数密度、端到端时延、移动性、流量密度、能源效率、频谱效率、成本效率等。

网络控制层的意图是指为维护网络正常服务质量状态而制定的网络优化策略方案和设备配置指令，包括优化意图和配置意图，可以由运营商网络部门的运维人员提出。具体地，

(1)优化意图是指网络运维人员针对某服务场景要求的网络关键性能制定的优化问题，包括优化目标、优化对象和约束条件。优化目标即为所需服务场景关注的网络关键性能指标；优化对象是指无线网络可配置的物理参数，包括基站发射功率、传输占用频谱资源块、移动性管理切换参数等；约束条件是指网络当前资源容量的限制以及除优化目标以外其他网络关键性能的要求，网络当前资源容量包括单个基站最大接入用户数、基站最大发射功率、带宽容量等网络资源的边界数值。

(2)配置意图是指为维持无线网络正常服务质量状态对具体物理设备参数的设置要求，包括与基站发射功率、基站天线俯仰角、传输带宽等物理参数相关的控制指令和数值设定。

基础设施层的意图是指负责监测无线网络传输数据和终端测量数据的大数据平台通过分析采集到的网络实时数据特征根据预设阈值自动触发网络故障自治愈和网络性能自优化过程的行为，即自治愈和自优化意图。具体地，

(1)自治愈意图是指无线网络数据中心通过比较已采集网络数据与预设网络故障判定参数的数值大小，向网络控制层自动发起的故障指示，以触发网络控制层启动故障修复过程；

(2)自优化意图是指无线网络数据中心通过对获取到无线网络实时传输数据和终端测量数据进行网络性能水平预估的结果与期望网络达到的相关性能指标的差值超出设定阈值而向网络控制层发起的待优化指示，以触发网络相关配置的自适应调整行为。

通过连接到无线网络管理系统的应用程序，如运维支撑系统中的图形用户界面、声音传感设备或者文本方式获取用户的意图。输入到无线网络中的意图可以包括自然语言完整语句和预设关键词两种形式。本方法对输入到无线网络用户意图的途径和表达形式不作限定。

以上所述业务意图仅仅指出希望网络提供的服务场景和业务种类，未提供任何与网络知识相关的内容，相比于其他用户意图属于最难处理的一种意图，因此下面的描述中着重给出对这类意图的处理方法，图2为以业务意图为例说明的意图转译过程示意图；其他意图的处理与业务意图的部分处理相同，后面将会特别指出。

步骤2，根据无线意图语言模型，结合网络知识库，对无线网络接收到的外部输入用户意图提取意图关键词，并表述为结构化的意图声明语言；对网络内部感知意图，将上报至网络控制层中确定优化目标，并进入步骤3。

这里的结构化意图声明语言可以是网络优化问题中的优化目标表达式。无线意图语言模型由“结果”、“操作”和“对象”三种标签构成，分别对应着从无线网络应用层、网络控制层和基础设施层三个层次中提取的网络关键元素。具体地，“结果”标签是指无线网络接收到的用户对网络达到服务状态的描述，包括业务类型、性能指标、期望状态、时空约束元素；“操作”标签是指为实现用户意图在无线网络中制定的物理配置策略，包括网络拓扑结构、节点接入模式、资源分配方案、网络约束条件元素；“对象”标签是指为实现配置策略被操控的无线网络物理实体和相关参数，包括网络节点、无线资源、缓存资源、计算资源元素。网络知识库中存储着根据专家经验设置的无线意图语言模型中所有网络关键元素的相关词汇名称以及各元素之间的对应关系。利用网络知识库，可以通过自然语言处理技术将用户外部输入意图转换为优化问题，为制定匹配于意图的网络配置策略提供向导。考虑到意图表述方式的转换需要具备网络全局知识以及网络控制信令需要具备的集中式下发能力，因此，该过程可以在具备集中式管理能力的无线网络控制器中进行。该步骤的处理适用于应用层意图、网络控制层意图和内部感知意图，下面分别针对三类意图描述操作内容：

步骤21，对于归属为无线网络应用层的外部输入意图，包括性能意图和业务意图。根据ITU-R定义的5G三大应用场景以及与之相对应的关键性能指标，从意图中提取出有关业务类型、性能指标、期望状态和时空约束四种网络元素的关键词描述，并结合网络知识库中存储的与所提取出关键词相关程度最大的网络历史配置经验，输出涵盖应用层、网络控制层和基础设施层相关网络关键元素的结构化意图声明。

如前所述，用户输入的意图可以是自然语言表述，或者也可以是从系统预设关键词中选择并组成的意图。若用户输入的意图是自然语言表述，则需要利用自然语言处理技术(如命名实体名识别方法)提取出有关业务类型、性能指标、期望状态和时空约束四种网络元素的关键词；若用户输入的意图是从系统预设关键词中选择，则可以直接将用户选择的关键词作为相应网络元素的关键词。

具体来说，业务类型包括增强型移动宽带(eMBB)业务场景(涵盖互联网视频、现场直播、增强现实等具体业务)、超高可靠与低延迟通信(uRLLC)业务场景(涵盖自动驾驶汽车、工业自动化、移动医疗等具体业务)、大规模机器类通信(mMTC)业务场景(涵盖智慧城市、环境监测、智能农业、森林防火等具体业务)三大类别；性能指标是指IMT-2020 5G推进组在《5G愿景与需求白皮书》中为满足增强现实、虚拟现实、超高清视频、车联网、智能家居等5G典型业务对网络关键性能的需求，包括用户体验速率、连接数密度、端到端时延、流量密度、移动性、用户峰值速率、能源效率、频谱效率、成本效率指标；期望状态是指要求无线网络关键性能指标达到的数值水平或业务场景需要满足的用户服务体验状态，包括最大化、最小化等目标需求；时空约束是指意图中指定服务或业务发生的时间、地点。

更详细地，为实现利用自然语言处理技术对意图表述关键词进行提取，网络知识库中依据无线意图语言模型存储着与网络关键元素相关的一系列词汇名称。当无线网络接收到用自然语言描述的外界输入意图时，将利用自然语言处理技术中的命名实体识别(Named Entity Recognition，NER)方法，如BiLSTM-CRF、IDCNN-CRF、FudanNLP等算法，通过语言分词、词性标注、词典查询等自然语言处理过程找到原始语句中与网络知识库中预先存储词汇一致或相关的词汇作为意图表述关键词，并依据模型中关键元素的标签名称(例如业务类型、资源分配方案等标签)将提取出的意图关键词添加上无线意图语言模型中网络关键元素对应的标签类别。

在确定出关键词后，形成结构化意图声明的处理将在后续内容中详述。

步骤22，对于网络控制层级的意图，包括优化意图和配置意图，从无线网络资源使用和管理的角度出发，提取出与网络拓扑结构、接入模式、资源分配策略、网络约束四种元素相关的关键词，并结合网络知识库中存储的与所提取出关键词相关程度最大的网络历史配置经验，输出涵盖应用层、网络控制层和基础设施层相关网络关键元素的结构化意图声明。

与前述步骤21类似地，用户输入的网络控制层级的意图可以是自然语言表述，或者也可以是从系统预设关键词中选择并组成的意图。若用户输入的意图是自然语言表述，则根据自然语言描述提取出有关拓扑结构、接入模式、资源分配策略、网络约束四种元素的关键词；若用户输入的意图是从系统预设的关键词中选择，则可以直接将用户选择的关键词作为意图表述关键词。进而将所提取出的关键词添加上无线意图语言模型中相应网络关键元素对应的标签类别。

具体的，拓扑结构是描述网络中节点和链路以及节点之间连接关系的信息，一般由网络提供商结合实际可用网络资源，并依据通信行业标准确定；接入模式是指根据当前网络已有接入站点和网络拓扑结构，并参照用户设备具备的通信能力和服务场景要求确定，以雾无线接入网络(F-RAN)为例，接入模式包括用户设备直接通信的D2D模式、通过基站接入基带处理单元池的全局C-RAN模式、接入高功率节点的HPN模式以及接入具有本地数据处理能力基站(F-AP)的本地分布式协作模式；对于资源分配策略，无线网络中对于待管理的资源划分为无线资源、缓存资源和计算资源三类，具体包括基站发射功率分配、传输时频资源块分配、基站缓存内容分配、基站缓存空间分配、节点计算能力分配等；网络约束是指进行资源分配或接入模式选择时需要遵循网络自身资源容量的限制，包括单个基站最大接入用户数、基站最大发射功率、回程最大容量、基站缓存空间容量上限等。

步骤23，对于基础设施层级的意图，即网络内部感知意图，当负责监测无线网络传输数据和终端测量数据的大数据平台分析到采集的实时网络数据超过预设阈值时，从数据中心收集到的网络数据中提取出与超过阈值参数有关的无线网络节点和网络资源元素的参数状态，并上报至网络控制层，网络控制层根据接收到的物理参数结合相关网络关键性能指标确定优化目标，以供在步骤3中结合网络知识库中的配置经验制定自治愈和自优化过程的配置策略。

具体地，网络节点包括了无线远端射频单元、高功率基站、集中式基带处理单元等无线接入网络基础设施；无线网络中的资源分为无线资源、缓存资源和计算资源三类，无线资源包括时域、频域、码域、空域和功率域资源；缓存资源包括各节点可用存储空间、存储文件内容和缓存替换内容；计算资源是指各节点的本地数据处理能力和使用的机器学习算法，还包括支持机器学习模型训练的数据运算能力。根据网络节点和网络资源的参数配置现状，结合网络知识库的历史配置经验，网络控制层可以分析得到待调整的网络对象，进而制定后续的优化策略。

下面针对应用层和网络控制层的意图，介绍如何生成结构化意图声明。

使用基于模型的抽象方法对以上三种网络层级意图的关键组成元素进行抽象，如图3所示，可以将无线意图的表达抽象为“结果”、“操作”、“对象”三种标签，分别代指在无线网络应用层、网络控制层和基础设施层中意图的表达方式。在无线意图语言模型中，同种标签的关键元素之间，以及不同标签的关键元素之间都存在着一定对应关系，比如结果标签中“业务类型”与“性能指标”的相关性(三维立体高清视频业务中最关注的性能指标为传输速率，车联网业务中最关注的性能指标为传输时延和可靠性)，以及操作标签中“资源分配”和对象标签中“无线资源”、“缓存资源”、“计算资源”类似于网络功能虚拟化的关系。网络知识库中存储着根据专家经验设置的无线意图语言模型中所有网络关键元素的相关词汇名称以及它们彼此之间的对应关系。

一般地，应用层级的意图仅指明了用户需求的业务种类和关键性能指标，并未指出在网络中进行配置的具体物理参数，因此需要借助网络知识库提取出关键词，并指出为实现意图需求可行的网络配置策略。网络控制层级的用户意图则已经指明了需要配置或者优化的网络参数，只需利用知识库提取意图表述关键词并形成优化目标即可。

为实现应用层级意图到物理网络配置策略的转换，网络知识库中根据专家经验存储着无线意图语言模型各个网络元素的对应关系。通过无线意图语言模型，可以将隐藏底层复杂网络操作的外界输入意图用声明式的语言表示，即优化目标表达式(如公式1所示)。具体地，以属于应用层级外部输入意图的结构化意图声明过程为例，属于应用层级的业务意图将由无线意图语言模型“结果”标签中的关键元素组成，如公式(1a)中与业务意图中已经指出所需业务类型对应的“性能指标”元素-KPI和“期望状态”元素-max。利用根据专家经验填充的网络知识库，将可以实现该业务的“资源分配”操作实际配置的物理对象“网络资源”作为优化对象加入公式(1a)一同组成优化目标。随后将资源分配过程还需要考虑的“网络约束”元素，如公式(1b)和(1c)中的网络资源容量限制和其他性能指标门限作为优化目标的约束条件，与公式(1a)一同构成业务意图的结构化意图声明。进一步地，优化目标可以通过数值计算、人工智能等算法运算出最优解集，该解集即为匹配于业务意图的物理参数配置方案。

因此，前述提到的“结合网络知识库中存储的与所提取出关键词相关程度最大的网络历史配置经验，输出涵盖应用层、网络控制层和基础设施层相关网络关键元素的结构化意图声明”是指按照网络知识库中保存的无线意图语言模型中所有网络关键元素之间的对应关系，根据从应用层意图或网络控制层意图中提取的关键词，确定与提取出关键词所属网络关键元素存在对应关系的其他网络关键元素的描述，并将提取出的关键词和其他网络关键元素描述组成意图的结构化意图声明。一般地，应用层的网络关键元素与网络控制层的关键元素、基础设施层的关键元素存在对应关系：根据应用层意图的网络关键词确定出对应网络控制层以及基础设施层的网络关键元素描述，并加入结构化意图声明；网络控制层意图的关键元素(即操作标签)通常与基础设施层(即对象标签)的关键元素存在对应关系，根据网络控制层意图的关键词确定出与之对应的基础设施层中的网络关键元素描述，并加入结构化意图声明。

由此可见，对于应用层意图的处理，需要根据提取的关键词转换为对应的网络控制层的网络关键元素，后续的处理与网络控制层意图的处理相同。而对于网络控制层意图，需要根据提取出的关键词转换为对应基础设施层的网络关键元素，构成结构化意图声明，再通过下面的步骤3制定配置策略。对于基础设施层意图，按照上述步骤23中的处理确定优化目标(也就是待调整参数)，再通过下面的步骤3制定配置策略。

步骤3，结合无线网络资源现状和网络历史配置经验，将外部输入意图的结构化意图声明或者网络内部感知意图中指示的待调整物理参数对应的网络关键性能指标作为网络优化目标，制定无线接入网络配置策略。

如前述步骤23所述，当根据大数据平台分析确定某物理参数超过预设阈值后，会从网络数据中提取与超过阈值的参数相关的无线网络节点和网络资源元素的参数状态。本步骤中的待优化参数也就是超过预设阈值的物理参数，将该参数相关的网络关键性能指标作为网络优化目标。配置策略包括资源分配方案、节点接入模式选择等无线网络编排方案。该过程可以采用线性规划、凸优化等数值方法对已经声明的优化问题进行求解。考虑到需要面对的时变网络环境，也可以利用深度强化学习等人工智能方法根据意图声明中指出的优化目标制定匹配于意图和网络环境的配置策略。该过程可以部署在具有计算能力的网络节点中进行，包括具有集中式管理功能的无线网络控制器以及具有分布式计算处理能力的网络边缘服务器节点。该步骤包括下列操作内容：

尽管通过线性规划、凸优化等数值算法能够根据意图声明中的优化目标求解出满足意图的最优或次优网络策略解，然而面对未来用户多样化业务需求的发展趋势，求解数学公式的复杂性以及数值解集的可操作性会增加运算无线网络策略的时间，并且无法预知求解出的逻辑策略在实际网络中能够达到的性能水平。伴随着云技术的发展，无线网络中终端测量数据以及信号传输过程中的大数据可以得到有效的存储，利用数据挖掘和人工智能技术挖掘数据的内在特征，并通过学习专家经验，可以获得等同或者超过人力运维的自动化水平。强化学习旨在通过与环境频繁交互获得的奖惩值指导智能体的行为选择，并采用“试错”方式使智能体作出能够得到最大环境奖励的决策。考虑到配置策略制定过程中已经拥有的优化参考目标以及无线网络时变性对配置策略的自适应度要求，因此，可以利用强化学习思想制定匹配于用户需求的网络配置策略。

考虑到强化学习算法是通过表格的形式存储所有状态动作对的奖励值，并需要在遍历所有的状态动作对之后才能找到某一环境状态下的最佳行为策略。当算法中设置的状态或动作变量空间规模扩大时，强化学习的计算效率将大大降低。深度强化学习通过引入深度神经网络计算每一环境状态下各动作的未来累积奖励值，以更新神经网络权重的形式训练并保存环境未来累积奖励与某一状态动作对的映射关系，有利于处理高维状态空间的问题。

在深度强化学习算法中，需要根据具体解决问题设置必要的三种元素，即状态、动作和奖励：

针对制定匹配于包括应用层意图和网络控制层意图在内的外界输入意图(例如业务意图)的网络配置策略过程，将网络已达到的关键性能水平和网络资源容量限制，即当前意图声明式表达中的“网络约束”元素作为深度强化学习智能体待观察的网络状态s，将需要配置网络策略的物理参数数值，即意图声明中的“网络资源”元素，视作智能体待执行的配置动作a，将策略下发到网络中收集到的优化目标数值，即意图声明中的“性能指标”和“期望状态”元素作为配置策略的网络奖励r，通过对经验回放器中历史数据的学习得到当前网络状态下最大化环境奖赏值的网络参数配置策略。如图3所示，给出了使用深度强化学习进行网络配置策略制定的示意图。图4给出了使用深度强化学习进行网络策略制定的算法步骤。

针对网络内部感知到的需要自优化或自治愈的意图，同样可以通过深度强化学习思想生成网络策略调整方案。具体地，如图5所示，将当前网络收集到的无线网络传输参数、终端测量数据的时空分布特征、数值等级作为智能体待观察的网络状态s，将待调整的物理参数步长视作智能体待执行的配置动作a，将调整策略下发到网络中反馈的关键性能指标数值作为配置策略的网络奖励r。基于以上制定的深度强化学习特定框架和积累的网络参数更新知识库，根据当前监测到的实时网络参数以及无线网络反馈的性能水平，结合经验回放器中历史数据生成恰当的网络参数调整策略，使网络原有的业务服务质量得以恢复或提升。

当深度强化学习中设定的动作空间和状态空间数值为连续或者高维离散时，还可以使用决斗网络(dueling network)、深度决定性策略梯度(deep deterministic policygradient)等深度强化学习的改进算法制定出满足意图的网络配置策略。

步骤4，根据无线网络各个物理设备特定的配置指令规范，将网络配置策略转换为对无线网络基础物理设施的控制指令，并下发到相应物理设备中。

为了实现网络所有配置策略的统一管理，该过程以集中化的方式进行，可以部署在无线网络控制器中。控制指令的制定需要按照网络提供商对具体物理设备的配置指令规范和网络现有控制系统的操作过程进行，以保障逻辑配置策略在不同网络供应商设备上的准确执行。

至此，本申请中的网络配置方法结束。通过上述方法的实现，可以对各类无线意图进行准确解析，并根据解析结果自动生成网络配置策略，进而对基础物理设施进行调整，更高效便捷地进行无线网络参数配置。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims

1.一种无线意图驱动网络的配置方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述无线网络外部意图包括应用层意图和网络控制层意图，所述应用层意图包括业务意图和性能意图，所述网络控制层意图包括优化意图和配置意图；所述网络内部感知意图包括自治愈意图和自优化意图。

3.根据权利要求2所述的方法，其特征在于，该方法进一步包括：预先根据无线网络管理方法和专家配置经验设置无线意图语言模型，所述模型中包括三类标签：结果、操作和对象；其中，结果标签对应的网络关键元素包括：业务类型、性能指标、期望状态和时空约束，所述操作标签对应的网络关键元素包括：拓扑结构、接入模式、资源分配策略和网络约束，所述对象标签对应的网络关键元素包括：网络节点、无线资源、缓存资源和计算资源；同种标签的网络关键元素之间以及不同标签的网络关键元素之间存在对应关系，网络知识库中存有所述无线意图语言模型中所有网络关键元素的相关词汇名称以及网络关键元素之间的对应关系。

4.根据权利要求3所述的方法，其特征在于，所述提取网络关键词包括：

5.根据权利要求4所述的方法，其特征在于，所述生成结构化意图声明包括：

6.根据权利要求1或4所述的方法，其特征在于，所述确定与所述优化目标和当前网络环境匹配的无线接入网络配置策略包括：利用深度强化学习方式确定满足所述优化目标的无线接入网络配置策略。

7.根据权利要求6所述的方法，其特征在于，对于所述应用层意图和所述网络控制层意图，将所述优化目标中的网络约束元素作为深度强化学习智能体待观察的网络状态，将所述优化目标中的网络资源元素作为智能体待决策的配置动作，将所述优化目标表达式中的性能指标元素和期望状态元素作为配置确定后无线网络环境反馈的奖励参数，通过对经验回放器中历史数据的学习得到最大化环境奖赏值的网络参数配置策略，作为所述满足所述优化目标的无线接入网络配置策略。

8.根据权利要求6所述的方法，其特征在于，对于所述网络内部感知意图，所述确定与所述优化目标匹配的无线接入网络配置策略包括：将当前网络收集到的无线网络传输参数、终端测量数据的时空分布特征、数值等级作为深度强化学习智能体待观察的网络状态，将优化目标指定的物理参数调整步长作为智能体待决策的配置动作，将调整策略下发到网络中收集到的关键性能指标数值作为配置执行后无线网络环境反馈的奖励参数，根据当前监测到的实时网络参数以及无线网络反馈的关键性能水平，结合经验回放器中历史数据生成当前网络环境下最佳的无线网络配置策略。