CN110430068A - 一种特征工程编排方法及装置 - Google Patents

一种特征工程编排方法及装置 Download PDF

Info

Publication number
CN110430068A
CN110430068A CN201810399920.3A CN201810399920A CN110430068A CN 110430068 A CN110430068 A CN 110430068A CN 201810399920 A CN201810399920 A CN 201810399920A CN 110430068 A CN110430068 A CN 110430068A
Authority
CN
China
Prior art keywords
information
network equipment
instruction
data
input 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
Application number
CN201810399920.3A
Other languages
English (en)
Other versions
CN110430068B (zh
Inventor
徐以旭
张进
王岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority to CN201810399920.3A priority Critical patent/CN110430068B/zh
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202110375153.4A priority patent/CN113159145A/zh
Priority to EP19793921.8A priority patent/EP3780496B1/en
Priority to KR1020207033491A priority patent/KR102470712B1/ko
Priority to EP23186158.4A priority patent/EP4307634A1/en
Priority to PCT/CN2019/083744 priority patent/WO2019206100A1/zh
Publication of CN110430068A publication Critical patent/CN110430068A/zh
Priority to US17/080,588 priority patent/US20210042578A1/en
Application granted granted Critical
Publication of CN110430068B publication Critical patent/CN110430068B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本申请公开了一种特征工程编排方法及装置。在该方法中，第一网络设备从第二网络设备接收第一指示信息，该第一指示信息包括第一方法指示信息和第一数据类型指示信息；第一网络设备应用第一方法指示信息所指示的方法，对第一数据类型指示信息所指示的数据进行特征提取，得到特征数据，并向第二网络设备发送得到的特征数据；第二网络设备根据接收到的特征数据进行模型训练。上述方法中，第一网络设备无需将大量原始数据发送给第二网络设备，减小了传输压力，减低了对传输网的传输需求，并分担了第二网络设备的运算量，从而有助于提高模型训练的效率。

Description

一种特征工程编排方法及装置
技术领域
本申请涉及通信技术领域，尤其涉及一种特征工程编排方法及装置。
背景技术
机器学习可大致包括数据采集、特征工程(feature engineering)、模型训练以及预测这几个步骤，如图1所示。其中，数据采集，即从产生数据源的对象中获取各种类型的原始数据，存放在数据库或内存中用来进行数据训练或者预测。特征工程，可对原始数据先做较为简单的结构化、去重、去噪等处理，然后可以对经过处理的数据进行特征提取、相关性分析等操作，得到特征数据。模型训练过程，即选择合适的算法、特征数据等进行训练获得模型。常见的算法包括回归、决策树、神经网络、支持向量机(support vector machine，SVM)、贝叶斯分类器等。预测过程，将新的样本数据输入到训练出的模型中，即可根据模型得到对应的输出结果；基于不同的算法，该输出结果可能是具体的数值，也可能是分类结果；上述输出结果就是通过机器学习所获得的预测内容。
业者将机器学习引入通信网络中，通过对数据进行分析、预测，实现优化通信网络的目的。在接入网中，基站将原始数据发送给接入网数据分析网元(RAN data analysis，RANDA)，由RANDA执行特征工程、训练以及预测的功能。在核心网中，用户面功能(userplane function，UPF)将原始数据发送给网络数据分析网元(network data analysis，NWDA)，由NWDA执行特征工程、训练以及预测的功能。
然而，基站以及UPF需要上报大量的原始数据，对传输性能提出了较高要求，传输网可能无法满足传输需求，也浪费了网络资源。
发明内容
本申请提供一种特征工程编排方法及装置，用以实现在对通信网络中的数据进行特征工程以及模型训练。
第一方面，本申请提供了一种特征工程编排方法，包括第一网络设备从第二网络设备接收第一指示信息，该第一指示信息可以包括第一方法指示信息和第一数据类型指示信息；然后第一网络设备应用第一方法指示信息所指示的方法，对第一数据类型指示信息所指示的数据进行特征提取，可以得到相应的特征数据；第一网络设备向第二网络设备发送得到的特征数据；第二网络设备就可以根据接收到的特征数据进行模型训练。
在上述方法中，第一网络设备可以根据第二网络设备指示的方法进行特征提取，并将提取到的特征数据发送给第二网络设备，由于第一网络设备无需将大量原始数据发送给第二网络设备，从而可以减小传输压力，并降低对传输网的传输需求，可以分担第二网络设备的运算量，从而有助于提高模型训练的效率。
在一种可能的实现方式中，上述第二网络设备可以为集中式单元(centralizedunit，CU)，第一网络设备可以为分布式单元(distributed unit，DU)；或者，第二网络设备可以为RANDA，第一网络设备可以为CU、DU或通用型基站(general node B，gNB)；或者，第二网络设备也可以为NWDA，第一网络设备可以为UPF；或者，第二网络设备还可以为分析和建模功能(analysis and modeling function，A&MF)，第一网络设备可以为数据服务功能(data service function，DSF)。
在一种可能的实现方式中，上述第一指示信息还可以进而包括第一方法参数信息。第一方法参数信息为应用第一方法指示信息所指示的方法时，所需的参数的信息。在一些实施例中，第二网络设备在指示第一方法时，还需要指示应用该方法时所需的参数，例如，若第二网络设备指示第一网络设备对数据进行归一化处理，还可以进一步指示归一化后的数据的最大门限和最小门限值。
在一种可能的实现方式中，第二网络设备在根据接收到的特征数据进行模型训练之后，还可以向第一网络设备发送训练得到的模型信息；第一网络设备进而根据接收到的模型信息进行数据预测。
现有技术中，第一网络设备需要上报大量原始数据，供第二网络设备进行数据预测。而在本申请上述实施例中，第一网络设备只需根据第二网络设备发送的模型信息进行数据预测，可以避免第一网络设备发送大量数据，降低对传输网的需要。
在另一种可能的实现方式中，第二网络设备在根据接收到的特征数据进行模型训练之后，还可以向第三网络设备发送训练得到的模型信息；第三网络设备根据接收到的模型信息再进行数据预测。其中，第二网络设备可以为A&MF，第一网络设备可以为DSF，第三网络设备可以为模型执行功能(model execution function，MEF)。
在一种可能的实现方式中，上述模型信息包括模型算法信息和模型的输入特征信息。具体的，输入特征信息用于输入特征向量的获取，输入特征向量和模型算法信息用于数据预测。
进一步地，上述输入特征信息还可以包括第二方法指示信息和第二数据类型指示信息。
若第一网络设备接收到第二网络设备发送的模型信息，第一网络设备可以应用第二方法指示信息指示的方法，对第二数据类型指示信息指示的数据进行特征提取，得到输入特征向量；然后根据输入特征向量和模型算法信息，获取数据预测结果。
若第三网络设备接收到第二网络设备发送的模型信息，可以将上述输入特征信息发送给第一网络设备；第一网络设备应用第二方法指示信息指示的方法，对第二数据类型指示信息指示的数据进行特征提取，得到输入特征向量，并将输入特征向量发送给第三网络设备；第三网络设备根据输入特征向量和模型算法信息，获取数据预测结果。
在一种可能的实现方式中，上述输入特征信息还包括第二方法参数信息，第二方法参数信息为应用第二方法指示信息所指示的方法时，所需的参数的信息。
第二方面，本申请实施例提供了一种第一网络设备，包括接收模块、处理模块和发送模块。所述接收模块、处理模块和发送模块用于执行上述第一方面中任一可能实现方式中第一网络设备所执行的功能。
第三方面，本申请实施例提供了一种第二网络设备，包括发送模块、接收模块和处理模块。所述发送模块、接收模块和处理模块用于执行上述第一方面中任一可能实现方式中第二网络设备所执行的功能。
第四方面，本申请实施例提供了一种第一网络设备，包括处理器、存储器和通信接口，所述存储器用于存储程序，所述处理器调用存储器存储的程序，通过通信接口执行如第一方面中任一可能实现方式中第一网络设备所执行的功能。
第五方面，本申请实施例提供了一种第二网络设备，包括处理器、存储器和通信接口，所述存储器用于存储程序，所述处理器调用存储器存储的程序，通过通信接口执行如第一方面中任一可能实现方式中第二网络设备所执行的功能。
第六方面，本申请实施例提供了一种通信系统，包括上述第二方面所述的第一网络设备和第三方面所述的第二网络设备，或者，可以包括第四方面所述的第一网络设备和第五方面所述的第二网络设备。
第七方面，本申请实施例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存储有计算机指令，当所述指令在计算机上运行时，使得计算机执行如第一方面中任一项所述的方法。
第八方面，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所述的方法。
附图说明
图1为本申请实施例提供的机器学习的流程示意图；
图2为本申请实施例提供的一种5G通信网络中RAN架构示意图；
图3为本申请实施例提供的一种5G通信网络中的CN架构示意图；
图4(a)为本申请实施例提供的另一种5G通信网络中RAN架构示意图；
图4(b)为本申请实施例提供的另一种5G通信网络中的CN架构示意图；
图5为本申请实施例提供的特征工程编排方法流程示意图之一；
图6为本申请实施例提供的常见特征工程方法；
图7为本申请实施例提供的特征工程编排方法流程示意图之二；
图8为本申请实施例提供的特征工程编排方法流程示意图之三；
图9为本申请实施例提供的特征工程编排方法流程示意图之四；
图10为本申请实施例提供的特征工程编排方法流程示意图之五；
图11为本申请实施例提供的网络设备的结构示意图之一；
图12为本申请实施例提供的网络设备的结构示意图之二。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述。
随着机器学习、人工智能(artificial intelligence，AI)的发展，通信网络可以通过机器学习的方式对数据进行分析、预测，从而实现优化网络的目的。在通信网络中，大量的原始数据产生于基站以及UPF中，但基站和UPF并不具备对数据进行分析、处理的能力。因此，基站可以将大量的原始数据发送给RANDA，UPF可以将大量的原始数据发送给NWDA，RANDA和NWDA对获取到的原始数据进行特征工程、模型训练，得到用于进行数据预测的模型，然后根据基站或UPF发送的新的原始数据，应用训练得到的模型进行数据预测。然而，在上述过程中，由于基站或UPF在训练模型以及预测过程中，需要上报大量的原始数据，对传输网造成较大压力，传输网可能无法满足其传输需求。
为了解决上述问题，本申请实施例提供一种特征工程编排方法，用于对通信网络中的数据进行特征工程以及模型训练，以减少传输压力。本申请实施例提供的特征工程编排方法可以应用于3/4/5G移动通信网络中，或者未来其他通信网络中。该方法可以应用于无线接入网(radio access network，RAN)中，也可以应用于核心网(core network，CN)中。
图2示例性的给出了一种能够适用本申请实施例的5G通信网络中RAN架构示意图。如图2所示，RAN中包含的通用型基站(general node B，gNB)，可以由CU和多个DU构成，或者，也可以是合一的gNB，即不包含DU的gNB。
gNB中可以产生大量原始数据，可用于进行特征工程、训练以及预测。为了对这些数据进行分析、处理，可以在gNB中设置数据分析(data analysis，DA)单元。例如，设置在DU中的数据分析单元可称为DUDA，可用于对DU中的数据进行统计分析、特征提取等；设置在CU中的数据分析单元可称为CUDA，可用于对自身生成的数据以及DU上报的数据进行统计分析，以及根据这些数据进行模型训练等；设置在合一的gNB中的数据分析单元可称为gNBDA，可用于对自身生成的数据进行统计分析、特征提取等。上述CUDA、DUDA以及gNBDA，可以为gNB中的逻辑单元。
此外，还可以在无线接入网中设置数据分析单元，称为RANDA，可进一步对DUDA、CUDA和gNBDA上报的数据进行统计、分析以及根据这些数据进行模型训练等。由于RANDA获取到的数据与CUDA获取到的数据可能不同，因此，RANDA训练的模型与CUDA训练的模型也可能不同。RANDA可以为设置在gNB或其他设备中的逻辑单元，也可以是一个独立的设备，本申请对此不做限制。
图3示例性的给出了一种能够适用本申请实施例的5G通信网络中的CN架构示意图。其中，UPF可以产生大量原始数据，可用于进行特征工程、训练以及预测；NWDA可以对数据进行分析、处理以及模型训练；AMF主要负责UE接入与移动性管理，NAS消息路由，SMF选择等；SMF主要负责会话管理，如会话创建/修改/删除、UPF选择以及用户面隧道信息的分配和管理等。
图4(a)示例性的给出了另一种能够适用本申请实施例的5G通信网络中RAN架构示意图。如图4(a)所示，RAN中的RANDA可以为分布式的逻辑单元，分布在CU、DU、gNB或独立的网络设备中，RANDA可以包含：DSF，用于提供数据服务；A&MF，用于根据DSF提供的数据进行分析和建模；MEF，用于根据A&MF训练得到的模型进行预测。进一步的，RANDA还可以包含自适应策略功能(adaptive policy function，APF)，用于提供智能协同服务。
设置在CU、DU、gNB中的RANDA的功能模块，可以与CU、DU、gNB进行通信，例如，RANDA可以向DU发送控制信息，以获取DU中的原始数据。
在设置RANDA时，可以根据实际需求在每个DU、CU、gNB或其他网络设备中设置RANDA的部分或全部功能模块。例如，将DSF设置于DU、CU、gNB中，可以方便DSF从CU、DU、gNB中获取原始数据；可以在CU中设置A&MF，使得CU能够根据DU上报的数据以及自身生成的数据进行模型训练。
图4(b)示例性的给出了另一种能够适用本申请实施例的5G通信网络中CN架构示意图。如图4(b)所示，NWDA可以为分布式的逻辑单元，分布在UPF或其他网元中，NWDA也可以包含有DSF、A&MF、MEF和APF，其作用与RAN架构中相应模块类似，此处不再赘述。
下面结合图5详细介绍本申请实施例提供的特征工程编排方法。如图5所示，该方法可以包括以下步骤：
步骤501、第二网络设备向第一网络设备发送第一指示信息，该第一指示信息中可以包括第一方法指示信息和第一数据类型指示信息。
例如，当该方法应用于如图2所示的架构中时，第二网络设备可以为CU，第一网络设备可以为DU；或者，第二网络设备也可以为RANDA，第一网络设备可以为CU、DU或gNB。当该方法应用于如图3所示的架构中时，第二网络设备可以为NWDA，第一网络设备可以为UPF。
当该方法应用于图4(a)和图4(b)所示的架构中时，第二网络设备可以为A&MF，第一网络设备可以为DSF。
上述第一指示信息用于向第一网络设备订阅第二网络设备所需的特征信息，即，指示第一网络设备应用第一方法指示信息指示的方法，对第一数据类型指示信息指示的数据进行特征提取，得到特征数据，并将得到的特征数据发送给第二网络设备。
常见的特征工程方法可以如图6所示。例如，若第一方法指示信息(即图6中的“特征方法指示”)指示的方法为求平均值，第一数据类型指示信息指示的为参考信号接收功率(reference signal receiving power，RSRP)的数据，则表示第二网络设备请求订阅RSRP的平均值。又例如，若第一方法指示信息指示的方法为求最小值，第一数据类型指示信息指示的为对站点1的RSRP(即终端上报的对站点1发送的参考信号的接收功率，站点可以为小区、基站等)、对站点2的RSRP以及对站点3的RSRP，则表示第二网络设备请求订阅终端对这三个站点测量的RSRP中的最小值。
在一个具体实施例中，可以预先对每种方法进行编号，则第一方法指示信息用相应的方法编号表示即可。例如，编号1表示求平均值，编号2表示求最小值，编号3表示求最大值等。
根据图6可知，有些特征方法可能不需要方法参数就可以进行特征提取，如求最大值、求最小值等，但有些特征方法，还需要提供一些方法参数才能实现相应的特征提取。例如，在应用“最小最大值标准化”进行归一化时，还需要确定是将数据的取值归一化为0～1之间的数值，还是将数据的取值归一化为0～100之间的数值，即，还需要确定最小门限值和最大门限值。又例如，在应用“等距离散”对RSRP进行离散化时，还需要确定离散区间才可对数据进行离散化，具体的，可以将数据离散到[-150，-130]、[-130，-110]、[-110，-90]、[-90，-70]这几个取值区间中，然后统计落入每个取值区间上的数据的数量。
针对上述情况，第二网络设备可以将与第一方法参数信息携带在第一指示信息中发送给第一网络设备，以使第一网络设备能够实现特征提取。例如，第一指示信息包含以下信息：第一方法指示信息，指示的方法为最小最大值标准化；第一数据类型指示信息，指示为的RSRP数据；第一方法参数信息，指示最小值为0、最大值为1。
此外，也可以预先约定每种方法对应的参数并配置在第一网络设备中，则第二网络设备发送的第一指示信息中，可以不必携带有方法参数指示信息。
可选地，对于同一方法对应不同的参数时，可以采用不同的编号表示，例如，编号1表示方法为最小最大值标准化、最小值为0、最大值为1，编号2表示方法为最小最大值标准化、最小值为0、最大值为100。
进一步地，对于同一方法应用于不同类型的数据时，也可以采用不同的编号表示。例如，编号1表示方法为求平均值、数据类型为RSRP数据，编号2表示方法为求平均值、数据类型为空口传输速率。或者，不同的编号也可以对应方法、数据类型、方法参数的不同组合，此处不再一一举例。
步骤502、第一网络设备应用第一方法指示信息指示的方法，对第一数据类型指示信息指示的数据进行特征提取，得到特征数据。
在一种可能的实现方式中，第一网络设备在接收到第一指示信息后，可以周期性地重复执行上述步骤，或者也可以在产生新的、第一数据类型指示的数据后再执行上述步骤。
在一些实施例中，第一网络设备在接收到第二网络设备发送的第一指示信息后，可以向第二网络设备回复是否能够根据第一指示信息进行特征提取的响应信息。例如，第一网络设备和第二网络设备预先约定了10种方法，分别对应编号1～10，而第二网络设备经过升级后能够支持新的方法11，但第一网络设备还没有升级，没有配置方法11对应的算法，无法应用方法11进行特征提取，则第一网络设备可以向第二网络设备发送响应信息，表示不支持第一指示信息所指示的特征提取，流程结束。若第一网络设备能够根据第一指示信息进行特征提取，则可以向第二网络设备发送响应信息，表示支持，并执行上述步骤502。
步骤503、第一网络设备向第二网络设备发送上述得到的特征数据。
可选地，第一网络设备可以根据预先约定或第二网络设备的指示，周期性地将得到的特征数据发送给第二网络设备，或者在得到新的特征数据后就及时将新的特征数据发送给第二网络设备。
步骤504、第二网络设备根据特征数据进行模型训练。
具体地，第二网络设备可以根据预设的算法，以及第一网络设备发送的特征数据，进行模型训练，得到用于进行数据预测的模型。
在一种可能的实现方式中，第二网络设备在执行上述步骤504之后，可以将训练得到的模型信息发送给第一网络设备或第三网络设备，以使第一网络设备或第三网络设备能够根据模型信息进行数据预测，从而避免避免在数据预测过程中，第一网络设备仍需要将大量的原始数据发送给第二网络设备的问题，可以进一步降低对传输网的压力，进一步分担第二网络设备的运算量，有助于提高系统效率。
此外，第二网络设备发送的模型信息中还可以包括模型算法信息和输入特征信息。具体地，输入特征信息用于指示如何获取输入特征向量，获得的输入特征向量和模型算法信息用于进行数据预测。
具体地，若第二网络设备将模型信息发送给第一网络设备，则第一网络设备可以根据产生的新数据以及模型信息进行数据预测。这一过程与现有技术中的预测过程相比，一方面避免了将大量原始数据发送给第二网络设备，降低了对传输网的压力；另一方面，由于第二网络设备在本地即可实现对原始数据进行特征提取，并根据提取到的特征向量进行预测，有助于减少预测过程的时长，能够较为快速获取对网络的预测结果并及时对网络进行优化。
若第二网络设备将模型信息发送给第三网络设备，则第三网络设备可以将输入特征信息发送给第一网络设备，第一网络设备根据输入特征信息对原始数据进行特征提取，并将提取到的输入特征向量发送给第三网络设备，由第三网络设备根据根据输入特征向量和模型算法信息进行数据预测。这一过程与现有技术中的预测过程相比，避免了大量原始数据的上报，降低了对传输网的传输压力。
进一步地，输入特征信息可以包括第二方法指示信息和第二数据类型指示信息，用于指示应用第二方法指示信息指示的方法，对第二数据类型指示信息指示的数据进行特征提取得到所述输入特征向量。此外，与第一指示信息类似，第二指示信息也可以包括第二方法参数信息，即应用所述第二方法指示信息所指示的方法时所需的参数的信息。
下面结合具体的应用场景对上述实施例进行详细说明。如前所述，本申请实施例提供的特征工程编排方法可以应用于RAN中。当应用于RAN中时，第二网络设备可以为CU，第一网络设备可以为DU，如图7所示，具体实现过程可以包括：
步骤701、CU向DU发送网络数据订阅消息(network data subscribe message)，该网络数据订阅消息中包含有第一指示信息。该第一指示信息包括第一方法指示信息和第一数据类型指示信息。
可选地，CU可以在网络数据订阅消息中携带第一指示信息，也可以在其他消息中携带第一指示信息，或者通过一条独立信令发送第一指示信息。
步骤702A、DU向CU发送网络数据订阅响应(network data subscribe response)，用于通知CU，该DU是否能够根据第一指示信息进行特征提取。
若DU不能根据第一指示信息进行特征提取，上述响应中可以进一步包括不支持的方法或不支持的数据类型的指示信息。
若DU能够根据第一指示信息进行特征提取，则继续执行步骤702B。
步骤702B、DU根据第一指示信息执行特征提取，并将得到的特征数据发送给CU。
步骤703、CU根据DU发送的特征数据进行模型训练，并将得到的模型信息携带在模型特征安装消息(model feature install message)中发送给DU。
模型信息中可以包含模型算法信息和输入特征信息。其中，输入特征信息用于指示如何获取输入特征向量，输入特征向量和模型算法信息用于进行数据预测。
进一步的，上述输入特征信息包括第二方法指示信息和第二数据类型指示信息。
步骤704、DU向CU发送模型特征安装响应(model feature install response)，用于通知CU，该DU是否能够根据模型信息进行数据预测。
若DU不能根据模型算法信息和输入特征信息进行数据预测，则上述响应中可以进一步包括不支持的方法或不支持的数据类型的指示信息。
若DU能够根据模型算法信息和输入特征信息进行数据预测，则继续执行步骤705。
步骤705、DU根据输入特征信息获得输入特征向量，并根据输入特征向量和模型算法信息进行预测。
当上述特征工程编排方法应用于RAN中时，第二网络设备也可以为RANDA，第一网络设备可以为CU、DU或gNB，如图8所示，具体实现过程可以包括：
步骤801、RANDA向CU/DU/gNB发送网络数据订阅消息，该消息中包含有第一指示信息，该第一指示信息可以包括第一方法指示信息和第一数据类型指示信息。
步骤802A、CU/DU/gNB向RANDA发送网络数据订阅响应，用于通知RANDA，该CU/DU/gNB是否能够根据第一指示信息进行特征提取。
若CU/DU/gNB能够根据第一指示信息进行特征提取，则继续执行步骤802B。
步骤802B、CU/DU/gNB根据第一指示信息执行特征提取，并将得到的特征数据发送给RANDA。
步骤803、RANDA根据特征数据进行模型训练，并将得到的模型信息携带在模型特征安装消息中发送给CU/DU/gNB。其中，模型信息可以包括模型算法信息和输入特征信息。
步骤804、CU/DU/gNB向RANDA发送模型特征安装响应，用于通知RANDA，该CU/DU/gNB是否能够根据模型算法信息和输入特征信息进行数据预测。
若CU/DU/gNB能够根据模型算法信息和输入特征信息进行数据预测，则继续执行步骤805。
步骤805、CU/DU/gNB根据输入特征信息获得输入特征向量，并根据输入特征向量和模型算法信息进行预测。
当上述特征工程编排方法应用于CN中时，第二网络设备可以为NWDA，第一网络设备可以为UPF，如图9所示，具体实现过程可以包括：
步骤901、NWDA向UPF发送网络数据订阅消息，该消息中包含有第一指示信息，该第一指示信息可以包括第一方法指示信息和第一数据类型指示信息。
步骤902A、UPF向NWDA发送网络数据订阅响应，用于通知NWDA，该UPF是否能够根据第一指示信息进行特征提取。
若UPF能够根据第一指示信息进行特征提取，则可以继续执行步骤902B。
步骤902B、UPF根据第一指示信息执行特征提取，并将得到的特征数据发送给NWDA。
步骤903、NWDA根据特征数据进行模型训练，并将得到的模型信息携带在模型特征安装消息中发送给UPF。其中，模型信息包括模型算法信息和输入特征信息。
步骤904、UPF向NWDA发送模型特征安装响应，用于通知NWDA，该UPF是否能够根据模型算法信息和输入特征信息进行数据预测。
若UPF能够根据模型算法信息和输入特征信息进行数据预测，则继续执行步骤905。
步骤905、UPF根据输入特征信息获得输入特征向量，并根据输入特征向量和模型算法信息进行预测。
此外，本申请实施例提供的特征工程编排方法还可以应用于如图4(a)或图4(b)所示的架构中，此时，第二网络设备为A&MF，第一网络设备为DSF，进一步地，在获得训练模型后，根据模型进行数据预测的第三网络设备可以为MEF。以CN场景为例，在设置NWDA时，可以将NWDA的功能模块DSF可以设置于UPF中，以方便DSF获取UPF产生的原始数据，A&MF、MEF根据不同场景的需求，可以设置于UPF中，或者，也可以设置于其他网络设备中，或者，还可以设置于独立的网络设备中。
具体过程可如图10所示，可以包括以下步骤：
步骤1001、A&MF向DSF发送网络数据订阅消息，该消息中包含有第一指示信息，该第一指示信息可以包括第一方法指示信息和第一数据类型指示信息。
可选地，该第一指示信息中还可以包含第一方法参数信息。
步骤1002A、DSF向A&MF发送网络数据订阅响应，用于通知A&MF，该DSF是否能够根据第一指示信息进行特征提取。
若DSF不能根据第一指示信息进行特征提取，则上述响应中可以包括不支持的方法或不支持的数据类型的指示信息。
若DSF能够根据第一指示信息进行特征提取，则继续执行步骤1002B。
步骤10 02B、DSF应用第一方法指示信息指示的方法，对第一数据类型指示信息指示的数据进行特征提取，并将得到的特征数据发送给A&MF。
步骤1003、A&MF根据DSF发送的特征数据进行模型训练，并将得到的模型信息携带在模型特征安装消息中发送给MEF。其中，模型信息包括模型算法信息和输入特征信息。
其中，上述输入特征信息可以包括第二方法指示信息和第二数据类型指示信息。进一步地，还可以包括第二方法参数信息，即，应用第二方法指示信息指示的方法时所需参数信息。
步骤1004、MEF向DSF发送特征向量订阅消息(feature vector subscribemessage)，该消息中包含有上述输入特征信息，以实现向DSF订阅输入特征向量。
步骤1005A、DSF向MEF发送特征向量订阅响应(feature vector subscriberesponse)，用于通知MEF，该DSF是否能够根据输入特征信息获得输入特征向量。
若DSF不能根据输入特征信息进行特征提取，则上述响应中可以进一步包括不支持的方法或不支持的数据类型的指示信息。例如，若该DSF中没有配置第二方法指示信息指示的方法，则向MEF回复的响应中，可以携带不支持的方法的指示信息。
若DSF能够根据输入特征信息进行特征提取，则继续执行步骤1005B。
步骤1005B、DSF根据输入特征信息获得输入特征向量，并将得到的输入特征向量发送给MEF。
具体地，DSF可以应用第二方法指示信息指示的方法，对第二数据类型指示信息指示的数据进行特征提取，从而得到输入特征向量。
步骤1006、MEF根据A&MF发送的模型算法信息和DSF发送的输入特征向量，进行数据预测。
在上述特征工程编排方法中，第一网络设备可以根据第二网络设备指示的方法进行特征提取，并将提取到的特征数据发送给第二网络设备，可以实现第一网络设备无需将大量原始数据发送给第二网络设备，从而可以减小网络传输压力，降低对传输网的需求，并可以分担第二网络设备的运算量，有助于提高模型训练的效率。进一步地，第一网络设备还可以根据第二网络设备发送的模型信息进行数据预测；或者，第一网络设备还可以根据第三网络设备发送的输入特征信息获取输入特征向量，并将输入特征向量发送给第一网络设备或第三网络设备，以避免在数据预测过程中传输大量的原始数据，可以进一步降低网络传输压力。
基于相同的技术构思，本申请实施例提供了一种第一网络设备，用于实现上述方法实施例中第一网络设备的方法流程。参见图11，为本申请实施例提供的一种第一网络设备的结构示意图，如图所示，该第一网络设备包括：接收模块1101、处理模块1102以及发送模块1103。
可选地，该第一网络设备可以为一个独立的设备；也可以是设置在其他设备中的功能模块，例如，DSF可以作为功能模块设置于DU、CU、gNB、UPF中。
其中，接收模块1101，用于从第二网络设备接收第一指示信息，所述第一指示信息包括第一方法指示信息和第一数据类型指示信息。
处理模块1102，用于应用所述第一方法指示信息指示的方法，对所述第一数据类型指示信息指示的数据进行特征提取，得到特征数据。
发送模块1103，用于向所述第二网络设备发送所述特征数据。
在一种可能的实现方式中，所述第一指示信息还包括第一方法参数信息，所述第一方法参数信息为应用所述第一方法指示信息所指示的方法时，所需的参数的信息。
在一种可能的实现方式中，在所述发送模块1103向所述第二网络设备发送所述特征数据之后，所述接收模块1101还用于：从所述第二网络设备接收模型信息，所述模型信息是根据所述特征数据进行模型训练得到的；所述处理模块1102，还用于根据所述模型信息进行数据预测。
在一种可能的实现方式中，所述模型信息包括模型算法信息和所述模型的输入特征信息；所述处理模块1102在根据所述模型信息进行数据预测时，具体用于：根据所述输入特征信息获取输入特征向量，然后根据所述输入特征向量和所述模型算法信息进行数据预测。
在一种可能的实现方式中，所述输入特征信息包括第二方法指示信息和第二数据类型指示信息；所述处理模块1102在根据所述输入特征信息获取输入特征向量时，具体用于：应用所述第二方法指示信息指示的方法，对所述第二数据类型指示信息指示的数据进行特征提取，得到所述输入特征向量。
在一种可能的实现方式中，所述输入特征信息还包括第二方法参数信息，所述第二方法参数信息为应用所述第二方法指示信息所指示的方法时，所需的参数的信息。
在一种可能的实现方式中，在所述发送模块1103向所述第二网络设备发送所述特征数据之后，所述接收模块1101还用于：从第三网络设备接收第二指示信息，所述第二指示信息包括第三方法指示信息和第三数据类型指示信息；所述处理模块1102还用于：应用所述第三方法指示信息指示的方法，对所述第三数据类型指示信息指示的数据进行特征提取，得到输入特征向量；所述发送模块1103还用于：向所述第三网络设备发送所述输入特征向量。
在一种可能的实现方式中，所述输入特征信息还包括第三方法参数信息，所述第三方法参数信息为应用所述第三方法指示信息所指示的方法时，所需的参数的信息。
基于相同的技术构思，本申请实施例提供了一种第二网络设备，用于实现上述方法实施例中第二网络设备的方法流程。该第二网络设备包括：发送模块、接收模块以及处理模块，上述模块的连接方式与图11中的连接方式类似。
可选地，该第二网络设备可以为一个独立的设备，也可以是设置在其他设备中的功能模块。当第二网络设备为功能模块时，第二网络设备也可以与第一网络设备设置在同一设备中，例如，可以在一个CU中设置有DSF和A&MF。
具体的，发送模块，用于向第一网络设备发送第一指示信息，所述第一指示信息包括第一方法指示信息和第一数据类型指示信息；
接收模块，从所述第一网络设备接收特征数据，所述特征数据是应用所述第一方法指示信息指示的方法，对所述第一数据类型指示信息指示的数据进行特征提取得到的；
处理模块，根据所述特征数据进行模型训练。
在一种可能的实现方式中，在所述处理模块根据所述特征数据进行模型训练之后，所述发送模块还用于：向所述第一网络设备发送训练得到的模型信息，所述模型信息用于数据预测。
在一种可能的实现方式中，在所述处理模块根据所述特征数据进行模型训练之后，所述发送模块还用于：向第三网络设备发送训练得到的模型信息，所述模型信息用于数据预测。
在一种可能的实现方式中，所述模型信息包括模型算法信息和输入特征信息；所述输入特征信息用于输入特征向量的获取，所述输入特征向量和所述模型算法信息用于数据预测。
在一种可能的实现方式中，所述输入特征信息包括第二方法指示信息和第二数据类型指示信息，用于指示应用所述第二方法指示信息指示的方法，对所述第二数据类型指示信息指示的数据进行特征提取得到所述输入特征向量。
在一种可能的实现方式中，所述输入特征信息还包括第二方法参数信息，所述第二方法参数信息为应用所述第二方法指示信息所指示的方法时，所需的参数的信息。
在一种可能的实现方式中，所述第一指示信息还包括第一方法参数信息，所述第一方法参数信息为应用所述第一方法指示信息所指示的方法时，所需的参数的信息。
基于相同的技术构思，本申请实施例提供了一种第三网络设备，用于实现上述方法实施例中第三网络设备的方法流程。该第三网络设备包括：接收模块、发送模块以及处理模块，上述模块的连接方式与图11中的连接方式类似。
可选地，该第三网络设备可以为一个独立的设备，也可以是设置在其他设备中的功能模块。当第三网络设备为功能模块时，第三网络设备也可以与第一网络设备或第二网络设备设置在同一设备中，例如，可以在一个DU中设置有DSF和MEF，或者，可以在一个CU中设置有DSF、A&MF和MEF。
具体的，接收模块用于接收第二网络设备发送的模型信息，所述模型信息包括模型算法信息和所述模型的输入特征信息。
发送模块用于向第一网络设备发送所述输入特征信息。
接收模块还用于接收第一网络设备根据所述输入特征信息确定出的输入特征向量。
处理模块用于根据所述输入特征向量和所述模型算法信息，获取数据预测结果。
在一种可能的实现方式中，所述输入特征信息包括第二方法指示信息和第二数据类型指示信息，用于指示应用所述第二方法指示信息指示的方法，对所述第二数据类型指示信息指示的数据进行特征提取得到所述输入特征向量。
在一种可能的实现方式中，所述输入特征信息还包括第二方法参数信息，所述第二方法参数信息为应用所述第二方法指示信息所指示的方法时，所需的参数的信息。
基于相同的技术构思，本申请实施例提供了一种第一网络设备，用于实现上述方法实施例中第一网络设备所执行的功能。具体地，该第一网络设备的硬件结构可以如图12所示，包括至少一个处理器1201，通信总线1202，存储器1203以及至少一个通信接口1204。
处理器1201可以是一个通用中央处理器(central processing unit，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本申请方案程序执行的集成电路。
通信总线1202可包括一通路，在上述组件之间传送信息。
通信接口1204，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN)，无线局域网(wireless local areanetworks，WLAN)等。
存储器1203可以是只读存储器(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)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory，EEPROM)、只读光盘(compactdisc read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器1203用于存储执行本申请方案的应用程序代码，并由处理器1201来控制执行。处理器1201用于执行存储器1203中存储的应用程序代码，从而实现本申请上述实施例提供的特征工程编排方法。
可选的，本申请实施例中，也可以是处理器1201执行本申请上述实施例提供的特征工程编排方法中的相关功能，通信接口1204负责与其他设备或通信网络通信，本申请实施例对此不作具体限定。
在具体实现中，作为一种实施例，处理器1201可以包括一个或多个CPU。
在具体实现中，作为一种实施例，该第一网络设备可以包括多个处理器。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
基于相同的技术构思，本申请实施例提供了一种第二网络设备，用于实现上述方法实施例中第二网络设备所执行的功能。具体地，该第二网络设备可以包括至少一个处理器，通信总线，存储器以及至少一个通信接口，其连接关系可以参照图12。
处理器可以是一个通用中央处理器，微处理器，特定应用集成电路，或一个或多个用于控制本申请方案程序执行的集成电路。
通信总线可包括一通路，在上述组件之间传送信息。
通信接口，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网，无线局域网等。
存储器可以是只读存储器或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器、只读光盘或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器用于存储执行本申请方案的应用程序代码，并由处理器来控制执行。处理器用于执行存储器中存储的应用程序代码，从而实现本申请上述实施例提供的特征工程编排方法。
可选的，本申请实施例中，也可以是处理器执行本申请上述实施例提供的特征工程编排方法中的相关功能，通信接口负责与其他设备或通信网络通信，本申请实施例对此不作具体限定。
在具体实现中，作为一种实施例，处理器可以包括一个或多个CPU。
在具体实现中，作为一种实施例，该第二网络设备可以包括多个处理器。这些处理器中的每一个可以是一个单核处理器，也可以是一个多核处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
基于相同的技术构思，本申请实施例提供了一种第三网络设备，用于实现上述方法实施例中第三网络设备所执行的功能。具体地，该第三网络设备可以包括至少一个处理器，通信总线，存储器以及至少一个通信接口，其连接关系可以参照图12。
处理器可以是一个通用中央处理器，微处理器，特定应用集成电路，或一个或多个用于控制本申请方案程序执行的集成电路。
通信总线可包括一通路，在上述组件之间传送信息。
通信接口，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网，无线局域网等。
存储器可以是只读存储器或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器、只读光盘或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器用于存储执行本申请方案的应用程序代码，并由处理器来控制执行。处理器用于执行存储器中存储的应用程序代码，从而实现本申请上述实施例提供的特征工程编排方法。
可选的，本申请实施例中，也可以是处理器执行本申请上述实施例提供的特征工程编排方法中的相关功能，通信接口负责与其他设备或通信网络通信，本申请实施例对此不作具体限定。
在具体实现中，作为一种实施例，处理器可以包括一个或多个CPU。
在具体实现中，作为一种实施例，该第三网络设备可以包括多个处理器。这些处理器中的每一个可以是一个单核处理器，也可以是一个多核处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
基于相同的技术构思，本申请还提供了一种通信系统，包括上述第一网络设备和第二网络设备，或者，可以包括第一网络设备、第二网络设备和第三网络设备。
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。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该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个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、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，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取的任何可用介质或者是包含一个或多个可以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 (31)

1.一种特征工程编排方法，其特征在于，包括：
第一网络设备从第二网络设备接收第一指示信息，所述第一指示信息包括第一方法指示信息和第一数据类型指示信息；
所述第一网络设备应用所述第一方法指示信息指示的方法，对所述第一数据类型指示信息指示的数据进行特征提取，得到特征数据；
所述第一网络设备向所述第二网络设备发送所述特征数据。
2.如权利要求1所述的方法，其特征在于，所述第一指示信息还包括第一方法参数信息，所述第一方法参数信息为应用所述第一方法指示信息所指示的方法时，所需的参数的信息。
3.如权利要求1或2所述的方法，其特征在于，在所述第一网络设备向所述第二网络设备发送所述特征数据之后，所述方法还包括：
所述第一网络设备从所述第二网络设备接收模型信息，所述模型信息是根据所述特征数据进行模型训练得到的；
所述第一网络设备根据所述模型信息进行数据预测。
4.如权利要求3所述的方法，其特征在于，所述模型信息包括模型算法信息和所述模型的输入特征信息，
所述第一网络设备根据所述模型信息进行数据预测，包括：
所述第一网络设备根据所述输入特征信息获取输入特征向量；
所述第一网络设备根据所述输入特征向量和所述模型算法信息进行数据预测。
5.如权利要求4所述的方法，其特征在于，所述输入特征信息包括第二方法指示信息和第二数据类型指示信息；
所述第一网络设备根据所述输入特征信息获取输入特征向量，包括：
所述第一网络设备应用所述第二方法指示信息指示的方法，对所述第二数据类型指示信息指示的数据进行特征提取，得到所述输入特征向量。
6.如权利要求4或5所述的方法，其特征在于，所述输入特征信息还包括第二方法参数信息，所述第二方法参数信息为应用所述第二方法指示信息所指示的方法时，所需的参数的信息。
7.如权利要求1或2所述的方法，其特征在于，在所述第一网络设备向所述第二网络设备发送所述特征数据之后，还包括：
所述第一网络设备从第三网络设备接收第二指示信息，所述第二指示信息包括第三方法指示信息和第三数据类型指示信息；
所述第一网络设备应用所述第三方法指示信息指示的方法，对所述第三数据类型指示信息指示的数据进行特征提取，得到输入特征向量；
所述第一网络设备向所述第三网络设备发送所述输入特征向量。
8.如权利要求7所述的方法，其特征在于，所述输入特征信息还包括第三方法参数信息，所述第三方法参数信息为应用所述第三方法指示信息所指示的方法时，所需的参数的信息。
9.一种特征工程编排方法，其特征在于，包括：
第二网络设备向第一网络设备发送第一指示信息，所述第一指示信息包括第一方法指示信息和第一数据类型指示信息；
所述第二网络设备从所述第一网络设备接收特征数据，所述特征数据是应用所述第一方法指示信息指示的方法，对所述第一数据类型指示信息指示的数据进行特征提取得到的；
所述第二网络设备根据所述特征数据进行模型训练。
10.如权利要求9所述的方法，其特征在于，在所述第二网络设备根据所述特征数据进行模型训练之后，所述方法还包括：
所述第二网络设备向所述第一网络设备发送训练得到的模型信息，所述模型信息用于数据预测。
11.如权利要求9所述的方法，其特征在于，在所述第二网络设备根据所述特征数据进行模型训练之后，还包括：
所述第二网络设备向第三网络设备发送训练得到的模型信息，所述模型信息用于数据预测。
12.如权利要求10或11所述的方法，其特征在于，所述模型信息包括模型算法信息和输入特征信息；
所述输入特征信息用于输入特征向量的获取，所述输入特征向量和所述模型算法信息用于数据预测。
13.如权利要求12所述的方法，其特征在于，所述输入特征信息包括第二方法指示信息和第二数据类型指示信息，用于指示应用所述第二方法指示信息指示的方法，对所述第二数据类型指示信息指示的数据进行特征提取得到所述输入特征向量。
14.如权利要求12或13所述的方法，其特征在于，所述输入特征信息还包括第二方法参数信息，所述第二方法参数信息为应用所述第二方法指示信息所指示的方法时，所需的参数的信息。
15.如权利要求9-14任一项所述的方法，其特征在于，所述第一指示信息还包括第一方法参数信息，所述第一方法参数信息为应用所述第一方法指示信息所指示的方法时，所需的参数的信息。
16.一种第一网络设备，其特征在于，包括：
接收模块，用于从第二网络设备接收第一指示信息，所述第一指示信息包括第一方法指示信息和第一数据类型指示信息；
处理模块，用于应用所述第一方法指示信息指示的方法，对所述第一数据类型指示信息指示的数据进行特征提取，得到特征数据；
发送模块，用于向所述第二网络设备发送所述特征数据。
17.如权利要求16所述的网络设备，其特征在于，所述第一指示信息还包括第一方法参数信息，所述第一方法参数信息为应用所述第一方法指示信息所指示的方法时，所需的参数的信息。
18.如权利要求16或17所述的网络设备，其特征在于，在所述发送模块向所述第二网络设备发送所述特征数据之后，所述接收模块还用于：
从所述第二网络设备接收模型信息，所述模型信息是根据所述特征数据进行模型训练得到的；
所述处理模块还用于：根据所述模型信息进行数据预测。
19.如权利要求18所述的网络设备，其特征在于，所述模型信息包括模型算法信息和所述模型的输入特征信息，
所述处理模块在根据所述模型信息进行数据预测时，具体用于：
根据所述输入特征信息获取输入特征向量；
根据所述输入特征向量和所述模型算法信息进行数据预测。
20.如权利要求19所述的网络设备，其特征在于，所述输入特征信息包括第二方法指示信息和第二数据类型指示信息；
所述处理模块在根据所述输入特征信息获取输入特征向量时，具体用于：
应用所述第二方法指示信息指示的方法，对所述第二数据类型指示信息指示的数据进行特征提取，得到所述输入特征向量。
21.如权利要求19或20所述的网络设备，其特征在于，所述输入特征信息还包括第二方法参数信息，所述第二方法参数信息为应用所述第二方法指示信息所指示的方法时，所需的参数的信息。
22.如权利要求16或17所述的网络设备，其特征在于，在所述发送模块向所述第二网络设备发送所述特征数据之后，所述接收模块还用于：
从第三网络设备接收第二指示信息，所述第二指示信息包括第三方法指示信息和第三数据类型指示信息；
所述处理模块还用于：应用所述第三方法指示信息指示的方法，对所述第三数据类型指示信息指示的数据进行特征提取，得到输入特征向量；
所述发送模块还用于：向所述第三网络设备发送所述输入特征向量。
23.如权利要求22所述的网络设备，其特征在于，所述输入特征信息还包括第三方法参数信息，所述第三方法参数信息为应用所述第三方法指示信息所指示的方法时，所需的参数的信息。
24.一种第二网络设备，其特征在于，包括：
发送模块，用于向第一网络设备发送第一指示信息，所述第一指示信息包括第一方法指示信息和第一数据类型指示信息；
接收模块，从所述第一网络设备接收特征数据，所述特征数据是应用所述第一方法指示信息指示的方法，对所述第一数据类型指示信息指示的数据进行特征提取得到的；
处理模块，根据所述特征数据进行模型训练。
25.如权利要求24所述的网络设备，其特征在于，在所述处理模块根据所述特征数据进行模型训练之后，所述发送模块还用于：
向所述第一网络设备发送训练得到的模型信息，所述模型信息用于数据预测。
26.如权利要求24所述的网络设备，其特征在于，在所述处理模块根据所述特征数据进行模型训练之后，所述发送模块还用于：
向第三网络设备发送训练得到的模型信息，所述模型信息用于数据预测。
27.如权利要求25或26所述的网络设备，其特征在于，所述模型信息包括模型算法信息和输入特征信息；
所述输入特征信息用于输入特征向量的获取，所述输入特征向量和所述模型算法信息用于数据预测。
28.如权利要求27所述的网络设备，其特征在于，所述输入特征信息包括第二方法指示信息和第二数据类型指示信息，用于指示应用所述第二方法指示信息指示的方法，对所述第二数据类型指示信息指示的数据进行特征提取得到所述输入特征向量。
29.如权利要求27或28所述的网络设备，其特征在于，所述输入特征信息还包括第二方法参数信息，所述第二方法参数信息为应用所述第二方法指示信息所指示的方法时，所需的参数的信息。
30.如权利要求24-29任一项所述的网络设备，其特征在于，所述第一指示信息还包括第一方法参数信息，所述第一方法参数信息为应用所述第一方法指示信息所指示的方法时，所需的参数的信息。
31.一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存储有计算机指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-15中任一项所述的方法。
CN201810399920.3A 2018-04-28 2018-04-28 一种特征工程编排方法及装置 Active CN110430068B (zh)

Priority Applications (7)

Application Number Priority Date Filing Date Title
CN202110375153.4A CN113159145A (zh) 2018-04-28 2018-04-28 一种特征工程编排方法及装置
CN201810399920.3A CN110430068B (zh) 2018-04-28 2018-04-28 一种特征工程编排方法及装置
KR1020207033491A KR102470712B1 (ko) 2018-04-28 2019-04-22 피처 엔지니어링 오케스트레이션 방법 및 장치
EP23186158.4A EP4307634A1 (en) 2018-04-28 2019-04-22 Feature engineering programming method and apparatus
EP19793921.8A EP3780496B1 (en) 2018-04-28 2019-04-22 Feature engineering programming method and apparatus
PCT/CN2019/083744 WO2019206100A1 (zh) 2018-04-28 2019-04-22 一种特征工程编排方法及装置
US17/080,588 US20210042578A1 (en) 2018-04-28 2020-10-26 Feature engineering orchestration method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810399920.3A CN110430068B (zh) 2018-04-28 2018-04-28 一种特征工程编排方法及装置

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202110375153.4A Division CN113159145A (zh) 2018-04-28 2018-04-28 一种特征工程编排方法及装置

Publications (2)

Publication Number Publication Date
CN110430068A true CN110430068A (zh) 2019-11-08
CN110430068B CN110430068B (zh) 2021-04-09

Family

ID=68294413

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110375153.4A Pending CN113159145A (zh) 2018-04-28 2018-04-28 一种特征工程编排方法及装置
CN201810399920.3A Active CN110430068B (zh) 2018-04-28 2018-04-28 一种特征工程编排方法及装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202110375153.4A Pending CN113159145A (zh) 2018-04-28 2018-04-28 一种特征工程编排方法及装置

Country Status (5)

Country Link
US (1) US20210042578A1 (zh)
EP (2) EP3780496B1 (zh)
KR (1) KR102470712B1 (zh)
CN (2) CN113159145A (zh)
WO (1) WO2019206100A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112668723A (zh) * 2020-12-29 2021-04-16 杭州海康威视数字技术股份有限公司 一种机器学习方法及系统
CN113873538A (zh) * 2020-06-30 2021-12-31 华为技术有限公司 一种模型数据传输方法及通信装置
WO2022033377A1 (zh) * 2020-08-14 2022-02-17 华为技术有限公司 一种媒体信息传输方法及电子设备
WO2022061940A1 (zh) * 2020-09-28 2022-03-31 华为技术有限公司 一种模型数据传输方法及通信装置
WO2022268095A1 (zh) * 2021-06-23 2022-12-29 华为技术有限公司 传输信息的方法和装置
WO2024007156A1 (zh) * 2022-07-05 2024-01-11 华为技术有限公司 一种通信方法和装置
WO2024067248A1 (zh) * 2022-09-30 2024-04-04 华为技术有限公司 一种获取训练数据集的方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040064450A1 (en) * 2002-09-30 2004-04-01 Kabushiki Kaisha Toshiba Method for preparing data to be analyzed, data analysis method, data analysis device, data preparation program, data analysis program, data prediction device, data prediction method, data prediction program and computer
CN101030835A (zh) * 2007-02-09 2007-09-05 华为技术有限公司 检测特征获取装置和方法
WO2011002735A1 (en) * 2009-07-01 2011-01-06 Carnegie Mellon University Methods and apparatuses for monitoring energy consumption and related operations
CN103052964A (zh) * 2010-08-04 2013-04-17 日本电气株式会社 行为特征提取设备、行为特征提取系统、行为特征提取方法以及行为特征提取程序
US20150206068A1 (en) * 2014-01-19 2015-07-23 SparkBeyond Ltd. Function stream based analysis
CN104809518A (zh) * 2015-04-29 2015-07-29 重庆大学 一种基于支持向量机的岩体冲击地压声发射预测方法
CN106778259A (zh) * 2016-12-28 2017-05-31 北京明朝万达科技股份有限公司 一种基于大数据机器学习的异常行为发现方法及系统
CN107741899A (zh) * 2017-10-16 2018-02-27 北京小米移动软件有限公司 处理终端数据的方法、装置及系统

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8213951B2 (en) * 2008-12-23 2012-07-03 At & T Mobility Ii Llc Using mobile communication devices to facilitate coordinating use of resources
CA2825180C (en) * 2011-01-26 2018-12-04 Google Inc. Dynamic predictive modeling platform
US9519043B2 (en) * 2011-07-21 2016-12-13 At&T Mobility Ii Llc Estimating network based locating error in wireless networks
CN103260187B (zh) * 2012-02-20 2016-03-02 华为技术有限公司 内容编码预同步的方法、设备及系统
US10043194B2 (en) * 2014-04-04 2018-08-07 International Business Machines Corporation Network demand forecasting
US9911290B1 (en) * 2015-07-25 2018-03-06 Gary M. Zalewski Wireless coded communication (WCC) devices for tracking retail interactions with goods and association to user accounts
CN105224623B (zh) * 2015-09-22 2019-06-18 北京百度网讯科技有限公司 数据模型的训练方法及装置
US20170193392A1 (en) * 2015-12-31 2017-07-06 Linkedin Corporation Automated machine learning tool
CN106980623B (zh) * 2016-01-18 2020-02-21 华为技术有限公司 一种数据模型的确定方法及装置
CN107168965B (zh) * 2016-03-07 2021-01-12 阿里巴巴集团控股有限公司 特征工程策略确定方法及装置
US10509791B2 (en) * 2016-03-08 2019-12-17 Facebook, Inc. Statistical feature engineering of user attributes
CN107733672A (zh) * 2016-08-12 2018-02-23 南京中兴软件有限责任公司 故障处理方法、装置及控制器
CN106534220A (zh) * 2016-12-30 2017-03-22 北京奇虎科技有限公司 一种流数据的双向传输方法和装置
CN107204010B (zh) * 2017-04-28 2019-11-19 中国科学院计算技术研究所 一种单目图像深度估计方法与系统
CN107180628A (zh) * 2017-05-19 2017-09-19 百度在线网络技术（北京）有限公司 建立声学特征提取模型的方法、提取声学特征的方法、装置
US10039016B1 (en) * 2017-06-14 2018-07-31 Verizon Patent And Licensing Inc. Machine-learning-based RF optimization
CN110210506B (zh) * 2018-04-04 2023-10-20 腾讯科技（深圳）有限公司 基于大数据的特征处理方法、装置和计算机设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040064450A1 (en) * 2002-09-30 2004-04-01 Kabushiki Kaisha Toshiba Method for preparing data to be analyzed, data analysis method, data analysis device, data preparation program, data analysis program, data prediction device, data prediction method, data prediction program and computer
CN101030835A (zh) * 2007-02-09 2007-09-05 华为技术有限公司 检测特征获取装置和方法
WO2011002735A1 (en) * 2009-07-01 2011-01-06 Carnegie Mellon University Methods and apparatuses for monitoring energy consumption and related operations
CN103052964A (zh) * 2010-08-04 2013-04-17 日本电气株式会社 行为特征提取设备、行为特征提取系统、行为特征提取方法以及行为特征提取程序
US20150206068A1 (en) * 2014-01-19 2015-07-23 SparkBeyond Ltd. Function stream based analysis
CN104809518A (zh) * 2015-04-29 2015-07-29 重庆大学 一种基于支持向量机的岩体冲击地压声发射预测方法
CN106778259A (zh) * 2016-12-28 2017-05-31 北京明朝万达科技股份有限公司 一种基于大数据机器学习的异常行为发现方法及系统
CN107741899A (zh) * 2017-10-16 2018-02-27 北京小米移动软件有限公司 处理终端数据的方法、装置及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HUAWEI: "Discussion about Big Data Driven Network Architecture", 《3GPP TSG SA WG2 MEETING #121 S2-173192》 *
HUAWEI等: "Discussion on big data and 5G", 《3GPP SA WG2 MEETING#125 S2-181250》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113873538A (zh) * 2020-06-30 2021-12-31 华为技术有限公司 一种模型数据传输方法及通信装置
WO2022033377A1 (zh) * 2020-08-14 2022-02-17 华为技术有限公司 一种媒体信息传输方法及电子设备
EP4187421A4 (en) * 2020-08-14 2023-12-27 Huawei Technologies Co., Ltd. MEDIA INFORMATION TRANSMISSION METHOD AND ELECTRONIC DEVICE
WO2022061940A1 (zh) * 2020-09-28 2022-03-31 华为技术有限公司 一种模型数据传输方法及通信装置
CN112668723A (zh) * 2020-12-29 2021-04-16 杭州海康威视数字技术股份有限公司 一种机器学习方法及系统
CN112668723B (zh) * 2020-12-29 2024-01-02 杭州海康威视数字技术股份有限公司 一种机器学习方法及系统
WO2022268095A1 (zh) * 2021-06-23 2022-12-29 华为技术有限公司 传输信息的方法和装置
WO2024007156A1 (zh) * 2022-07-05 2024-01-11 华为技术有限公司 一种通信方法和装置
WO2024067248A1 (zh) * 2022-09-30 2024-04-04 华为技术有限公司 一种获取训练数据集的方法和装置

Also Published As

Publication number Publication date
US20210042578A1 (en) 2021-02-11
CN113159145A (zh) 2021-07-23
EP4307634A1 (en) 2024-01-17
EP3780496A4 (en) 2021-05-19
WO2019206100A1 (zh) 2019-10-31
EP3780496B1 (en) 2023-08-23
CN110430068B (zh) 2021-04-09
KR20210005120A (ko) 2021-01-13
EP3780496A1 (en) 2021-02-17
KR102470712B1 (ko) 2022-11-25

Similar Documents

Publication Publication Date Title
CN110430068A (zh) 一种特征工程编排方法及装置
Nishio et al. Client selection for federated learning with heterogeneous resources in mobile edge
Al-Khafajiy et al. IoT-fog optimal workload via fog offloading
Dab et al. Q-learning algorithm for joint computation offloading and resource allocation in edge cloud
CN110187973A (zh) 一种面向边缘计算的服务部署优化方法
CN111612153A (zh) 训练模型的方法和装置
CN103841129B (zh) 云计算的资源信息采集服务器和客户端、信息处理方法
CN110868326B (zh) 网络服务质量的分析方法、边缘设备及中心服务器
Liu et al. The SOLIDS 6G mobile network architecture: driving forces, features, and functional topology
CN112804280A (zh) 电力物联网系统及其数据处理方法
US20230325258A1 (en) Method and apparatus for autoscaling containers in a cloud-native core network
CN111597043A (zh) 一种全场景边缘计算方法、装置及系统
CN109348486A (zh) 一种异构无线网络资源分配方法
CN113535379A (zh) 一种基于物联网的变电边缘计算方法、系统及设备
CN115499432A (zh) 家庭终端算力资源管理系统及算力资源调度方法
CN115843050A (zh) 网络切片配置方法及系统、计算机可存储介质
Liu et al. 6g mobile network architecture-solids: Driving forces features and functional topology
CN117076057B (zh) 一种ai服务请求调度的方法、装置、设备及介质
WO2021259286A1 (zh) 切片业务处理方法及装置、网络设备和可读存储介质
Haque et al. Deep Learning for Network Slicing and Self-Healing in 5G Systems
Wei et al. Task Decomposition of Network Services for Deploying in Heterogeneous Network Computing Nodes
CN215729726U (zh) 5g边缘计算平台架构
US11924053B2 (en) Intelligent infrastructure management in a cloud radio access network
CN115481752B (zh) 模型训练方法、装置、电子设备以及存储介质
CN115065727B (zh) 一种基于边缘计算场景的任务卸载方法

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