CN111083722A - 模型的推送、模型的请求方法及装置、存储介质 - Google Patents
模型的推送、模型的请求方法及装置、存储介质 Download PDFInfo
- Publication number
- CN111083722A CN111083722A CN201910300243.XA CN201910300243A CN111083722A CN 111083722 A CN111083722 A CN 111083722A CN 201910300243 A CN201910300243 A CN 201910300243A CN 111083722 A CN111083722 A CN 111083722A
- Authority
- CN
- China
- Prior art keywords
- model
- matching instruction
- searched
- platform
- pushing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 244000035744 Hura crepitans Species 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 13
- 238000004806 packaging method and process Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 description 26
- 238000007726 management method Methods 0.000 description 24
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000013468 resource allocation Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 101000979909 Homo sapiens NMDA receptor synaptonuclear signaling and neuronal migration factor Proteins 0.000 description 1
- 102100024546 NMDA receptor synaptonuclear signaling and neuronal migration factor Human genes 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; 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
- H04L41/16—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
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/35—Creation or generation of source code model driven
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Debugging And Monitoring (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明提供了一种模型的推送、模型的请求方法及装置、存储介质,上述模型的推送方法包括:接收编排器的模型匹配指令,其中,所述模型匹配指令基于分析需求生成;搜索与所述模型匹配指令对应的模型;在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点,采用上述技术方案,至少解决了相关技术中如何从大量模型中选择需要的模型缺乏统一的技术方案等问题。
Description
技术领域
本发明涉及通信领域,具体而言,涉及一种模型的推送、模型的请求方法及装置、存储介质。
背景技术
跟传统网络相比,5G网络中引入了软件定义网络(Software Defined Network,简称为SDN)、网络功能虚拟化(Network Function Virtualization,简称为NFV)等新技术,这些技术在增加网络灵活性的同时,也带来了管理和运维方面的复杂性,自动化、智能化的运营运维能力,将成为5G时代电信网络的刚需。人工智能技术在解决高计算量数据分析、跨领域特性挖掘、动态策略生成等方面,具备天然优势,将赋予5G时代网络运营运维新的模式和能力。
使用人工智能模型须考虑以下两方面:建模和应用。其中建模是指针对某种特定的分析需求,选择适当的算法,并通过历史数据的训练使得模型能够根据输入数据得到置信度较高的分析结果。应用是指在已有的模型中选择符合应用场景的模型,将其部署并运行在指定位置。利用运行中产生的分析数据可以实现模型参数的不断优化,使得模型能够随及时调整,维持模型推理的准确率。
目前在大数据及人工智能技术引入网络运维管理中,技术人员专注于人工智能建模部分,模型的部署和优化往往是针对单个模型的,对于大量现成模型的管理及其在网络中的应用(包括模型选择、部署及优化)则缺乏统一的方案。
针对相关技术中,如何从大量模型中选择需要的模型缺乏统一的技术方案等问题,尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种模型的推送、模型的请求方法及装置、存储介质,以至少解决相关技术中如何从大量模型中选择需要的模型缺乏统一的技术方案等问题。
根据本发明的一个实施例,提供了一种模型的推送方法,包括:接收编排器的模型匹配指令,其中,所述模型匹配指令基于分析需求生成;搜索与所述模型匹配指令对应的模型;在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
根据本发明的另一个实施例,还提供了一种模型的请求方法,包括:基于分析需求生成模型匹配指令;将生成的模型匹配指令发送至模型平台,以指示所述模型平台搜索与所述模型匹配指令对应的模型,并在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
根据本发明的另一个实施例,还提供了一种模型的推送装置,包括:接收模块,用于接收编排器的模型匹配指令,其中,所述模型匹配指令基于分析需求生成;搜索模块,用于搜索与所述模型匹配指令对应的模型;推送模块,用于在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
根据本发明的另一个实施例,还提供了一种模型的请求装置,包括:生成模块,用于基于分析需求生成模型匹配指令;发送模块,用于将生成的模型匹配指令发送至模型平台,以指示所述模型平台搜索与所述模型匹配指令对应的模型,并在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
根据本发明的又一个实施例,还提供了一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明,由于接收编排器的模型匹配指令,其中,所述模型匹配指令基于分析需求生成;搜索与所述模型匹配指令对应的模型;在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点,因此,可以解决如何从大量模型中选择需要的模型缺乏统一的技术方案等问题,达到提供了如何选择模型的技术方案。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的模型的推送方法的流程图;
图2是根据本发明实施例的模型的请求方法的流程图;
图3为根据本发明示例的模型推送系统的结构示意图;
图4是根据本发明实施例的模型的推送装置的结构框图;
图5是根据本发明实施例的模型的请求装置的结构框图;
图6为根据本发明优选实施例的资源分配的流程示意图;
图7为根据本发明优选实施例的模型选择流程的示意图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是,本发明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。
在本实施例中提供了一种模型的推送方法,图1是根据本发明实施例的模型的推送方法的流程图,如图1所示,该流程包括如下步骤:
步骤S102,接收编排器的模型匹配指令,其中,所述模型匹配指令基于分析需求生成;
步骤S104,搜索与所述模型匹配指令对应的模型;
步骤S106,在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
通过本发明,由于接收编排器的模型匹配指令,其中,所述模型匹配指令基于分析需求生成;搜索与所述模型匹配指令对应的模型;在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点,因此,可以解决如何从大量模型中选择需要的模型缺乏统一的技术方案等问题,达到提供了如何选择模型的技术方案。
在本发明实施例中,搜索与所述模型匹配指令对应的模型,至少包括以下之一:在主模型平台搜索与所述模型匹配指令对应的模型;在所述主模型平台的联合模型平台搜索与所述模型匹配指令对应的模型;在所述主模型平台和所述联合模型平台搜索与所述模型匹配指令对应的模型,即可以在主模型平台或联合模型平台搜索,还可以将主模型平台和联合模型平台作为一个搜索库进行搜索。
在本发明实施例中,上述步骤S104在一个可选的实施例中可以通过以下方式实现:在搜索到与所述模型匹配指令对应的模型时,向所述编排器反馈搜索成功消息;在未搜索到与所述模型匹配指令对应的模型时,向所述编排器反馈搜索失败消息。
在本发明实施例中,将搜索到的模型推送至需要所述模型的目的节点,包括:至少将所述模型,以及所述模型的元数据打包成文件;将打包的文件发送至所述目的节点,打包成的文件可以是docker文件,也可以是其他可执行文件,本发明实施例对此不作限定。
在本发明实施例中,在搜索到的模型为单个时,将单个的模型打包成文件发送至所述目的节点;在搜索到的模型为多个时,将对多个模型至少执行以下之一操作:编排组合,验证,将至少执行了以上之一操作的多个模型打包成文件发送至所述目的节点。
即模型引擎收到模型匹配指令后,根据编排器提供的联合类型确定模型搜索域,查找是否存在符合模模型匹配指令的模型。若不存在,则向编排器发送模型匹配失败消息,若匹配结果为单个模型,则直接将模型打包为可部署的人工应用。若匹配为多个模型,则先完成模型的编排组合、验证,然后将编排信息文件与模型一起打包为可部署的人工应用。
在本发明实施例中,为了提高模型推送的准确率,所述方法还包括:接收编排器在检测到模型达到模型更新条件时发送的模型更新请求,其中,所述模型更新条件包括:推送至目的节点的模型准确率低于预设阈值;将与所述模型更新请求对应的模型发送至沙盒,其中,在所述沙盒中对所述模型更新请求对应的模型进行训练优化;接收所述沙盒训练成功后的模型。
在本发明实施例中,所述模型匹配指令至少包括以下参数之一:模型或算法属性,模型输入和输出要求,用于指示是否联合模型平台查找的指示信息,目的节点的信息。
本发明以上实施例的技术方案,涉及人工智能应用于网络通信,尤其是下一代基于5G、SDN、NFV等技术的网络,以实现人工智能模型自动化管理并应用于网络的技术及其系统。
在本实施例中提供了一种模型的请求方法,图2是根据本发明实施例的模型的请求方法的流程图,如图2所示,该流程包括如下步骤:
步骤S202,基于分析需求生成模型匹配指令;
步骤S204,将生成的模型匹配指令发送至模型平台,以指示所述模型平台搜索与所述模型匹配指令对应的模型,并在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
通过本发明,由于将基于分析请求生成的模型匹配指令发送至模型平台,以指示所述模型平台搜索与所述模型匹配指令对应的模型,并在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点,因此,可以解决如何从大量模型中选择需要的模型缺乏统一的技术方案等问题,达到提供了如何选择模型的技术方案。
在本发明实施例中,将生成的模型匹配指令发送至模型平台之后,所述方法还包括:接收所述模型平台在搜索到与所述模型匹配指令对应的模型时反馈的搜索成功消息;接收所述模型平台在未搜索到与所述模型匹配指令对应的模型时反馈的搜索失败消息。
在本发明实施例中,为了提高模型推送的准确率,所述方法还包括:在在检测到模型达到模型更新条件时,向所述模型平台发送模型更新请求,以指示所述模型平台将与所述模型更新请求对应的模型发送至沙盒,并接收所述沙盒训练成功后的模型,其中,在所述沙盒中对所述模型更新请求对应的模型进行训练优化,所述模型更新条件包括:推送至目的节点的模型准确率低于预设阈值。
以下结合一示例对上述模型的推送,模型的请求过程进行说明,但不用于限定本发明实施例的技术方案。
本发明示例提供了一个能够与电信网络实时交互的人工智能平台系统,及通过这种交互实现在电信网络中自动选择、部署和优化人工智能模型的方法。
图3为根据本发明示例的模型推送系统的结构示意图,如图3所示,模型平台由模型引擎、模型库、沙盒等模块组成。
其中,模型库用于存储人工智能模型及其对应的元数据,模型的元数据是对模型的一系列描述性数据,包括模型名称、版本、所使用的编程语言和算法、运行时依赖、部署条件要求,以及对于输入数据的类别(如图像、数值)、内容及格式要求,对输出数据的类型描述等。
模型引擎用于管理模型库中的模型,包括对模型的增删改查。模型引擎根据编排器下发的模型匹配指令选择人工智能模型,将模型推送至网络中的指定位置。其中,编排器用于管理网络中的人工智能应用实例,包括模型匹配指令、模型优化指令的下发及人工智能应用实例的生命周期管理、运行状态的监控等。网络中可以存在多个编排器,各编排器负责其对应的人工智能实例管理域。编排器为管理域中每一个的人工智能应用实例创建管理条目,管理条目包括人工智能应用实例的ID、状态机、位置、模型信息等。
模型引擎的工作方式分为独立式和联合式。独立式是指模型引擎接收到模型匹配请求时,只能在其所在模型平台内的模型库查找模型。联合式中,与编排器直接交互的模型引擎所在的模型平台作为主平台,其模型引擎可从联合模型平台的模型库获取模型。联合模型平台是指为主平台的模型引擎提供模型库的管理接口、不与编排器直接交互的模型平台。
沙盒用于为模型的再训练、验证和优化提供运行环境。
如图3所示,当通信网络中产生智能分析的需求时,编排器将智能分析的需求转化为模型要求,将模型匹配请求发送至模型平台的模型引擎,请求消息中包括编排器身份信息、模型要求及模型部署目标节点的节点类型、位置信息等。其中,编排器的身份信息包括编排器的类型、地址、联合类型等信息。模型要求包括模型的功能要求、性能要求等。
编排器身份信息中的联合类型根据模型引擎的工作方式分为三种,独立式时只能为无联合,即仅能请求一个模型库的模型。联合式时,分为无联合、主优先联合和对等联合。其中,主优先联合是指优先从主平台的模型库(主模型库)中匹配模型,匹配失败后再从联合平台的模型库(联合模型库)中匹配。对等联合是指匹配时,主模型库和联合模型库同时作为搜索域。
模型引擎收到模型匹配指令后,根据编排器提供的联合类型确定模型搜索域,查找是否存在符合模模型匹配指令的模型。若不存在,则向编排器发送模型匹配失败消息,若匹配结果为单个模型,则直接将模型打包为可部署的人工应用。若匹配为多个模型,则先完成模型的编排组合、验证,然后将编排信息文件与模型一起打包为可部署的人工应用。
模型引擎将人工智能应用及模型元数据连同编排器身份信息推送至模型应用目标节点。
编排器若收到模型匹配失败消息,则发出告警信息。若收到模型匹配成功信息,则预创建人工智能应用实例管理条目,条目中的信息为初始化状态,向模型部署目标节点发送人工智能应用实例创建请求。
模型部署目标节点收到应用实例创建请求后,验证该编排器的身份信息,若验证成功则创建并启动实例,并向编排器发送实例创建成功消息,消息包括实例ID、实例运行信息等。其中,实例ID应能且仅能确定目标节点中的唯一实例。若验证失败则发出非法访问告警。
编排器收到实例创建成功消息后,则据此激活并更新该实例的管理条目,包括将其状态机改为运行态等。随后启动对实例状态的监控流程,并向目标节点发送模型更新策略。
实例处于运行态时,根据模型的输入获得推理结果,网络编排或控制平面根据推理确定网络配置信息,配置到网络中,对网络进行优化。
实例处于运行态时,目标节点根据模型更新策略,将模型的输出按一定规则发送至大数据平台,作为此模型更新时的训练和测试数据。
编排器若监控到模型达到模型更新条件时(如模型准确度低于阈值),则向模型引擎发送模型更新请求。
模型引擎根据模型更新请求选择待更新模型,并推送至沙盒中。
沙盒从大数据平台中提取最新的数据,进行模型的再训练和优化。
训练完毕后,沙盒将模型训练成功消息反馈给模型引擎。
模型引擎收到消息后,将更新后的模型保存至模型库,打包新的人工智能应用推送至目标节点,编排器实现目标节点中的新实例的部署,若部署成功则发送原实例的销毁指令,使目标节点停止并删除原实例。若部署失败则发出告警。
与现有技术相比较,本发明实施例针对人工智能应用于网络,提出了人工智能模型的自动化选择、部署和优化的架构和方法,实现了网络中人工智能模型的统一管理、提高了网络智能化的自主性。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明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一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种模型的推送装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是根据本发明实施例的模型的推送装置的结构框图,如图4所示,该装置包括:
接收模块40,用于接收编排器的模型匹配指令,其中,所述模型匹配指令基于分析需求生成;
搜索模块42,用于搜索与所述模型匹配指令对应的模型;
推送模块44,用于在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
在本发明实施例中,搜索模块42,还用于至少以下之一:在主模型平台搜索与所述模型匹配指令对应的模型;在所述主模型平台的联合模型平台搜索与所述模型匹配指令对应的模型;在所述主模型平台和所述联合模型平台搜索与所述模型匹配指令对应的模型。
在本发明实施例中,搜索模块42,还用于:在搜索到与所述模型匹配指令对应的模型时,向所述编排器反馈搜索成功消息;在未搜索到与所述模型匹配指令对应的模型时,向所述编排器反馈搜索失败消息。
在本发明实施例中,推送模块44,还用于:至少将所述模型,以及所述模型的元数据打包成文件;将打包的文件发送至所述目的节点。
在本发明实施例中,推送模块44,还用于:在搜索到的模型为单个时,将单个的模型打包成文件发送至所述目的节点;在搜索到的模型为多个时,将对多个模型至少执行以下之一操作:编排组合,验证,将至少执行了以上之一操作的多个模型打包成文件发送至所述目的节点。
在本发明实施例中,推送模块44,还用于:接收编排器在检测到模型达到模型更新条件时发送的模型更新请求,其中,所述模型更新条件包括:推送至目的节点的模型准确率低于预设阈值;将与所述模型更新请求对应的模型发送至沙盒,其中,在所述沙盒中对所述模型更新请求对应的模型进行训练优化;接收所述沙盒训练成功后的模型。
在本发明实施例中,所述模型匹配指令至少包括以下参数之一:模型或算法属性,模型输入和输出要求,用于指示是否联合模型平台查找的指示信息,目的节点的信息。
在本实施例中还提供了一种模型的请求装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本发明实施例的模型的请求装置的结构框图,如图5所示,该装置包括:
生成模块50,用于基于分析需求生成模型匹配指令;
发送模块52,用于将生成的模型匹配指令发送至模型平台,以指示所述模型平台搜索与所述模型匹配指令对应的模型,并在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
通过本发明,由于将基于分析请求生成的模型匹配指令发送至模型平台,以指示所述模型平台搜索与所述模型匹配指令对应的模型,并在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点,因此,可以解决如何从大量模型中选择需要的模型缺乏统一的技术方案等问题,达到提供了如何选择模型的技术方案。
在本发明实施例中,发送模块52,还用于:接收所述模型平台在搜索到与所述模型匹配指令对应的模型时反馈的搜索成功消息;接收所述模型平台在未搜索到与所述模型匹配指令对应的模型时反馈的搜索失败消息。
在本发明实施例中,发送模块52,还用于:在在检测到模型达到模型更新条件时,向所述模型平台发送模型更新请求,以指示所述模型平台将与所述模型更新请求对应的模型发送至沙盒,并接收所述沙盒训练成功后的模型,其中,在所述沙盒中对所述模型更新请求对应的模型进行训练优化,所述模型更新条件包括:推送至目的节点的模型准确率低于预设阈值。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
以下结合有优选实施例对上述实施例以及示例的技术方案进行说明,但不用于限定本发明实施例的技术方案。
以下所述模型是指通过机器学习、深度学习等方法,从已有的数据或经验中学习得到的实现特定的分析、预测等功能的系统。
具体而言,每个模型都有其制定的功能。例如,某些模型可以用于预测在新建用户以及会话的数目达到所需数量的时间。又如某些模型可以用于预测进行切片扩容的时间。此外,还可以是根据告警信息的数量或者类型确定设备中告警的位置。同时各个模型之间也是存在关联的。例如,用于预测在新建用户以及会话的数目达到所需数量的时间需要作为预测进行切片扩容的输出。因此,模型与模型之间可以通过串联连接,同时还可以并联连接,或者混联连接。具体模型的功能需根据应用实例的功能来决定。
优选实施例一:图6示出了一个运用人工智能实现5G核心网切片智能资源分配的流程,如下所示。
S502,编排器向模型引擎下发模型匹配请求,要求模型基于未来10分钟后的流量实现切片的自动缩放;模型的准确率达到90%;模型的部署网元类型是网络数据分析功能网元(Network Data Analysis Function,简称为NWDAF);部署网元的IP地址是192.168.1.107;联合类型是无联合。
S504,模型引擎从模型库中查找到可用模型:ID为1001的卷积神经网络模型用于网路流量预测;ID为1002的强化学习模型用于根据各切片流量信息、QoS要求等实现切片的智能资源分配。
部署准备包括:根据需求完成两个模型的串联;将串联后的模型、模型所依赖的运行时环境、元数据打包成镜像名称为Image1的docker镜像。
S506,模型引擎将Image1连同编排器的身份信息,发送至192.168.1.107对应的NWDAF网元,NWDAF反馈打包文件接收成功响应。
S508,模型引擎通知编排器模型匹配已完成,编排器预创建状态为初始态的管理条目;
S510,通过编排器向192.168.1.107发送Image1运行请求及模型更新策略(当模型1001的准确率降至80%以下时,执行模型更新,此处的准确率可以理解为模型引擎所搜索到的模型符合模型匹配指令所需要的模型的次数与模型匹配指令共请求的模型的次数的比值)。
S512,NWDAF验证此编排器与Image1携带的编排器身份信息一致,基于Image1镜像新建并启动名为Instance1(实例1)的服务,并通知编排器。编排器激活人工智能Instance1的管理条目,设置实例1的状态机为运行态;并且,每60秒发送保活报文以确认实例1的状态;每隔一天发送准确率统计请求以判断是否执行模型更新。
S514,Instance1根据元数据中的数据输入要求,接收网络中的相应数据,输出分析结果,分组控制功能(Packet Control Function,简称为PCF)基于此结果确定切片资源分配策略,由NSMF下发至网络子网切片管理功能网元(Network Subnet Slice ManagementFunction,简称NSSMF),通过网络功能虚拟化编排器(Network Function VirtualisationOrchestrator,简称为NFVO)执行该策略,实现切片资源分配。输出的结果在固定时间(可以是每天午夜)打包发送至大数据平台。
S516,编排器得到通知,当卷积神经网络模型1001的准确率降低至75%。编排器向模型引擎发送模型1001的更新请求。
S518,模型引擎为卷积神经网络模型1001选择包含1个GPU的训练环境作为沙盒。该沙盒取出大数据平台中存储的最新的Instance1的10万条分析数据,其中8万条作为训练数据,2万条作为测试数据,对模型1001进行再训练和验证。
S520,接收模型训练完毕通知,对模型进行验证后,发现模型1001的准确率达到90%。
S522,编排器将模型1001存储至模型库。
接下来的流程见步骤S502-S520。其中,编排器接收到Model 1001的新实例Instance2进入运行态的消息后,即向192.168.1.107发送Instance1的销毁指令,该节点停止并清除Instance1。
优选实施例2:图7所示出了网络故障根因分析模型应用于网络中,实现故障的精准定位和溯源的流程图。
步骤S602,编排器向模型引擎下发模型匹配请求,要求模型根据网管系统同一时刻的告警信息定位根源告警信息,模型的部署位置是网管系统,联合模式为优先本地模型库。
步骤S604,模型引擎从主模型库中查找适配模型失败,在联合模型库中查找到适配模型,选择此模型。
步骤S606,模型引擎从联合模型库中查找适配模型成功,在联合模型库中查找到适配模型,返回匹配模型。
步骤S608,模型引擎将模型、模型所依赖的运行时环境、元数据打包成镜像名称为Image1的docker镜像,连同编排器的身份信息,发送至网管平台,并接收网管平台反馈的文件接收成功消息。
步骤S612,模型引擎通知编排器模型匹配已完成,编排器向网管平台发送Image1运行请求及模型更新策略(不更新)。
步骤S614,网管系统验证此编排器与Image1携带的编排器身份信息一致,基于Image1镜像新建并启动名为Instance1的容器,并通知编排器。编排器激活Instance1的管理条目,设置实例1的状态机为运行态。
步骤S616,Instance1根据元数据中的数据输入要求,接收网络中的相应数据,向PCF输出告警分析结果,PCF据此制定告警处理策略。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,接收编排器的模型匹配指令,其中,所述模型匹配指令基于分析需求生成;
S2,搜索与所述模型匹配指令对应的模型;
S3,在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
可选地,存储介质还被设置为存储用于执行以下步骤的计算机程序:
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,基于分析需求生成模型匹配指令;
S2,将生成的模型匹配指令发送至模型平台,以指示所述模型平台搜索与所述模型匹配指令对应的模型,并在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,接收编排器的模型匹配指令,其中,所述模型匹配指令基于分析需求生成;
S2,搜索与所述模型匹配指令对应的模型;
S3,在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,基于分析需求生成模型匹配指令;
S2,将生成的模型匹配指令发送至模型平台,以指示所述模型平台搜索与所述模型匹配指令对应的模型,并在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种模型的推送方法,其特征在于,包括:
接收编排器的模型匹配指令,其中,所述模型匹配指令基于分析需求生成;
搜索与所述模型匹配指令对应的模型;
在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
2.根据权利要求1所述的方法,其特征在于,搜索与所述模型匹配指令对应的模型,至少包括以下之一:
在主模型平台搜索与所述模型匹配指令对应的模型;
在所述主模型平台的联合模型平台搜索与所述模型匹配指令对应的模型;
在所述主模型平台和所述联合模型平台搜索与所述模型匹配指令对应的模型。
3.根据权利要求1所述的方法,其特征在于,搜索与所述模型匹配指令对应的模型,包括:
在搜索到与所述模型匹配指令对应的模型时,向所述编排器反馈搜索成功消息;
在未搜索到与所述模型匹配指令对应的模型时,向所述编排器反馈搜索失败消息。
4.根据权利要求1所述的方法,其特征在于,将搜索到的模型推送至需要所述模型的目的节点,包括:
至少将所述模型,以及所述模型的元数据打包成文件;
将打包的文件发送至所述目的节点。
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:
在搜索到的模型为单个时,将单个的模型打包成文件发送至所述目的节点;
在搜索到的模型为多个时,将对多个模型至少执行以下之一操作:编排组合,验证,将至少执行了以上之一操作的多个模型打包成文件发送至所述目的节点。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
接收编排器在检测到模型达到模型更新条件时发送的模型更新请求,其中,所述模型更新条件包括:推送至目的节点的模型准确率低于预设阈值;
将与所述模型更新请求对应的模型发送至沙盒,其中,在所述沙盒中对所述模型更新请求对应的模型进行训练优化;
接收所述沙盒训练成功后的模型。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述模型匹配指令至少包括以下参数之一:模型或算法属性,模型输入和输出要求,用于指示是否联合模型平台查找的指示信息,目的节点的信息。
8.一种模型的请求方法,其特征在于,包括:
基于分析需求生成模型匹配指令;
将生成的模型匹配指令发送至模型平台,以指示所述模型平台搜索与所述模型匹配指令对应的模型,并在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
9.根据权利要求8所述的方法,其特征在于,将生成的模型匹配指令发送至模型平台之后,所述方法还包括:
接收所述模型平台在搜索到与所述模型匹配指令对应的模型时反馈的搜索成功消息;
接收所述模型平台在未搜索到与所述模型匹配指令对应的模型时反馈的搜索失败消息。
10.根据权利要求8所述的方法,其特征在于,所述方法还包括:
在在检测到模型达到模型更新条件时,向所述模型平台发送模型更新请求,以指示所述模型平台将与所述模型更新请求对应的模型发送至沙盒,并接收所述沙盒训练成功后的模型,其中,在所述沙盒中对所述模型更新请求对应的模型进行训练优化,所述模型更新条件包括:推送至目的节点的模型准确率低于预设阈值。
11.一种模型的推送装置,其特征在于,包括:
接收模块,用于接收编排器的模型匹配指令,其中,所述模型匹配指令基于分析需求生成;
搜索模块,用于搜索与所述模型匹配指令对应的模型;
推送模块,用于在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
12.一种模型的请求装置,其特征在于,包括:
生成模块,用于基于分析需求生成模型匹配指令;
发送模块,用于将生成的模型匹配指令发送至模型平台,以指示所述模型平台搜索与所述模型匹配指令对应的模型,并在搜索到所述模型时,将搜索到的模型推送至需要所述模型的目的节点。
13.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至7,或权利要求8至10任一项中所述的方法。
14.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7,或权利要求8至10任一项中所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300243.XA CN111083722B (zh) | 2019-04-15 | 模型的推送、模型的请求方法及装置、存储介质 | |
EP20790513.4A EP3958606A4 (en) | 2019-04-15 | 2020-04-13 | METHODS AND DEVICES FOR PUSHING AND REQUEST MODEL, STORAGE MEDIA AND ELECTRONIC DEVICE |
PCT/CN2020/084470 WO2020211722A1 (zh) | 2019-04-15 | 2020-04-13 | 模型的推送、模型的请求方法、装置、存储介质及电子装置 |
US17/603,622 US20220197953A1 (en) | 2019-04-15 | 2020-04-13 | Model pushing method and device, model requesting method and device, storage medium and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910300243.XA CN111083722B (zh) | 2019-04-15 | 模型的推送、模型的请求方法及装置、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111083722A true CN111083722A (zh) | 2020-04-28 |
CN111083722B CN111083722B (zh) | 2024-06-07 |
Family
ID=
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111752554A (zh) * | 2020-05-18 | 2020-10-09 | 南京认知物联网研究院有限公司 | 基于模型编排的多模型协作系统及方法 |
CN112217693A (zh) * | 2020-11-17 | 2021-01-12 | 迈普通信技术股份有限公司 | 一种控制器测试方法、装置、电子设备及存储介质 |
CN112230956A (zh) * | 2020-10-15 | 2021-01-15 | 北京明略昭辉科技有限公司 | 一种人工智能模型更新方法、系统、电子设备及存储介质 |
CN112394950A (zh) * | 2021-01-19 | 2021-02-23 | 共达地创新技术(深圳)有限公司 | Ai模型部署方法、设备和存储介质 |
CN114145006A (zh) * | 2020-06-12 | 2022-03-04 | 华为技术有限公司 | 人工智能资源的调度方法、装置、存储介质和芯片 |
WO2022062362A1 (zh) * | 2020-09-25 | 2022-03-31 | 华为技术有限公司 | 通信方法、装置及系统 |
WO2022077198A1 (en) * | 2020-10-13 | 2022-04-21 | Zte Corporation | Wireless multi-carrier configuration and selection |
CN114546258A (zh) * | 2021-11-30 | 2022-05-27 | 中国科学院深圳先进技术研究院 | 一种人工智能模型传输方法、系统、终端以及存储介质 |
WO2022110974A1 (zh) * | 2020-11-27 | 2022-06-02 | 华为技术有限公司 | 数据分析模型的训练方法、装置及存储介质 |
CN114638373A (zh) * | 2020-12-15 | 2022-06-17 | Aptiv技术有限公司 | 管理机器学习环境 |
WO2023030077A1 (zh) * | 2021-09-03 | 2023-03-09 | 华为技术有限公司 | 一种通信方法、通信装置及通信系统 |
WO2023044904A1 (zh) * | 2021-09-27 | 2023-03-30 | Oppo广东移动通信有限公司 | 通信方法、终端设备及网络设备 |
WO2023093320A1 (zh) * | 2021-11-29 | 2023-06-01 | 中国电信股份有限公司 | 客户自主分析方法、装置以及介质 |
WO2023104016A1 (zh) * | 2021-12-07 | 2023-06-15 | 维沃移动通信有限公司 | 模型配置方法、装置及通信设备 |
WO2023198184A1 (zh) * | 2022-04-15 | 2023-10-19 | 维沃移动通信有限公司 | 模型调整方法、信息传输方法、装置及相关设备 |
WO2024067245A1 (zh) * | 2022-09-29 | 2024-04-04 | 华为技术有限公司 | 模型匹配的方法和通信装置 |
WO2024073969A1 (en) * | 2023-01-12 | 2024-04-11 | Lenovo (Beijing) Limited | Methods and apparatuses for ai model management |
WO2024087119A1 (zh) * | 2022-10-27 | 2024-05-02 | Oppo广东移动通信有限公司 | 模型控制方法、装置、设备及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160062746A1 (en) * | 2014-08-28 | 2016-03-03 | At&T Intellectual Property I, L.P. | Software Defined Network Controller |
CN105812171A (zh) * | 2014-12-31 | 2016-07-27 | 华为技术有限公司 | 一种虚拟化的网络功能vnf控制方法和设备 |
CN106792739A (zh) * | 2016-11-17 | 2017-05-31 | 北京邮电大学 | 网络切片方法、装置和设备 |
US20170329856A1 (en) * | 2015-04-08 | 2017-11-16 | Tencent Technology (Shenzhen) Company Limited | Method and device for selecting data content to be pushed to terminal, and non-transitory computer storage medium |
US20170372268A1 (en) * | 2016-06-24 | 2017-12-28 | Intel Corporation | Contextual model-based event scheduling |
WO2018028326A1 (zh) * | 2016-08-08 | 2018-02-15 | 华为技术有限公司 | 一种模型更新方法和装置 |
CN107707381A (zh) * | 2017-08-04 | 2018-02-16 | 北京天元创新科技有限公司 | 虚拟网元智能切片管理系统及方法 |
WO2018107442A1 (zh) * | 2016-12-15 | 2018-06-21 | 华为技术有限公司 | 一种业务编排方法、装置及服务器 |
CN109034394A (zh) * | 2018-07-02 | 2018-12-18 | 第四范式(北京)技术有限公司 | 一种机器学习模型的更新方法和装置 |
CN109218046A (zh) * | 2017-06-30 | 2019-01-15 | 中国移动通信有限公司研究院 | 网络切片的管理方法及系统和存储介质 |
US20190021010A1 (en) * | 2017-07-05 | 2019-01-17 | Huawei Technologies Co., Ltd. | Methods and systems for network slicing |
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160062746A1 (en) * | 2014-08-28 | 2016-03-03 | At&T Intellectual Property I, L.P. | Software Defined Network Controller |
CN105812171A (zh) * | 2014-12-31 | 2016-07-27 | 华为技术有限公司 | 一种虚拟化的网络功能vnf控制方法和设备 |
US20170329856A1 (en) * | 2015-04-08 | 2017-11-16 | Tencent Technology (Shenzhen) Company Limited | Method and device for selecting data content to be pushed to terminal, and non-transitory computer storage medium |
US20170372268A1 (en) * | 2016-06-24 | 2017-12-28 | Intel Corporation | Contextual model-based event scheduling |
WO2018028326A1 (zh) * | 2016-08-08 | 2018-02-15 | 华为技术有限公司 | 一种模型更新方法和装置 |
CN106792739A (zh) * | 2016-11-17 | 2017-05-31 | 北京邮电大学 | 网络切片方法、装置和设备 |
WO2018107442A1 (zh) * | 2016-12-15 | 2018-06-21 | 华为技术有限公司 | 一种业务编排方法、装置及服务器 |
CN109218046A (zh) * | 2017-06-30 | 2019-01-15 | 中国移动通信有限公司研究院 | 网络切片的管理方法及系统和存储介质 |
US20190021010A1 (en) * | 2017-07-05 | 2019-01-17 | Huawei Technologies Co., Ltd. | Methods and systems for network slicing |
CN107707381A (zh) * | 2017-08-04 | 2018-02-16 | 北京天元创新科技有限公司 | 虚拟网元智能切片管理系统及方法 |
CN109034394A (zh) * | 2018-07-02 | 2018-12-18 | 第四范式(北京)技术有限公司 | 一种机器学习模型的更新方法和装置 |
Non-Patent Citations (5)
Title |
---|
"Framework for data handling to enable machine learning in future networks including IMT-2020", INTERNATIONAL TELECOMMUNICATION UNION, pages 8 * |
ALISA DEVLIC: "NESMO: Network slicing management and orchestration framework", IEEE, 3 July 2017 (2017-07-03) * |
HUAWEI: "S5-185163 "pCR 28.541 Clean-up information model for network slice"", 3GPP TSG_SA\\WG5_TM, 11 August 2018 (2018-08-11) * |
SALVATORE TALARICO: "Efficient service auto-discovery for next generation network slicing architecture", IEEE, 8 May 2017 (2017-05-08) * |
STEPHEN C. BARRETT: "Blending State Differences and Change Operations for Metamodel Independent Merging of Software Models", SEMANTIC SCHOLAR, 30 April 2011 (2011-04-30) * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111752554A (zh) * | 2020-05-18 | 2020-10-09 | 南京认知物联网研究院有限公司 | 基于模型编排的多模型协作系统及方法 |
CN111752554B (zh) * | 2020-05-18 | 2021-03-12 | 南京认知物联网研究院有限公司 | 基于模型编排的多模型协作系统及方法 |
CN114145006A (zh) * | 2020-06-12 | 2022-03-04 | 华为技术有限公司 | 人工智能资源的调度方法、装置、存储介质和芯片 |
WO2022062362A1 (zh) * | 2020-09-25 | 2022-03-31 | 华为技术有限公司 | 通信方法、装置及系统 |
WO2022077198A1 (en) * | 2020-10-13 | 2022-04-21 | Zte Corporation | Wireless multi-carrier configuration and selection |
CN112230956A (zh) * | 2020-10-15 | 2021-01-15 | 北京明略昭辉科技有限公司 | 一种人工智能模型更新方法、系统、电子设备及存储介质 |
CN112217693A (zh) * | 2020-11-17 | 2021-01-12 | 迈普通信技术股份有限公司 | 一种控制器测试方法、装置、电子设备及存储介质 |
CN112217693B (zh) * | 2020-11-17 | 2022-02-22 | 迈普通信技术股份有限公司 | 一种控制器测试方法、装置、电子设备及存储介质 |
WO2022110974A1 (zh) * | 2020-11-27 | 2022-06-02 | 华为技术有限公司 | 数据分析模型的训练方法、装置及存储介质 |
CN114638373A (zh) * | 2020-12-15 | 2022-06-17 | Aptiv技术有限公司 | 管理机器学习环境 |
CN112394950A (zh) * | 2021-01-19 | 2021-02-23 | 共达地创新技术(深圳)有限公司 | Ai模型部署方法、设备和存储介质 |
WO2023030077A1 (zh) * | 2021-09-03 | 2023-03-09 | 华为技术有限公司 | 一种通信方法、通信装置及通信系统 |
WO2023044904A1 (zh) * | 2021-09-27 | 2023-03-30 | Oppo广东移动通信有限公司 | 通信方法、终端设备及网络设备 |
WO2023093320A1 (zh) * | 2021-11-29 | 2023-06-01 | 中国电信股份有限公司 | 客户自主分析方法、装置以及介质 |
CN114546258A (zh) * | 2021-11-30 | 2022-05-27 | 中国科学院深圳先进技术研究院 | 一种人工智能模型传输方法、系统、终端以及存储介质 |
CN114546258B (zh) * | 2021-11-30 | 2023-08-15 | 中国科学院深圳先进技术研究院 | 一种人工智能模型传输方法、系统、终端以及存储介质 |
WO2023104016A1 (zh) * | 2021-12-07 | 2023-06-15 | 维沃移动通信有限公司 | 模型配置方法、装置及通信设备 |
WO2023198184A1 (zh) * | 2022-04-15 | 2023-10-19 | 维沃移动通信有限公司 | 模型调整方法、信息传输方法、装置及相关设备 |
WO2024067245A1 (zh) * | 2022-09-29 | 2024-04-04 | 华为技术有限公司 | 模型匹配的方法和通信装置 |
WO2024087119A1 (zh) * | 2022-10-27 | 2024-05-02 | Oppo广东移动通信有限公司 | 模型控制方法、装置、设备及介质 |
WO2024073969A1 (en) * | 2023-01-12 | 2024-04-11 | Lenovo (Beijing) Limited | Methods and apparatuses for ai model management |
Also Published As
Publication number | Publication date |
---|---|
EP3958606A4 (en) | 2023-01-25 |
EP3958606A1 (en) | 2022-02-23 |
US20220197953A1 (en) | 2022-06-23 |
WO2020211722A1 (zh) | 2020-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107589952A (zh) | 智能升级方法、装置和系统 | |
CN105593835A (zh) | 通过主云服务管理器管理多个二级云 | |
CN111082960B (zh) | 数据的处理方法及装置 | |
CN114039858B (zh) | 一种算网资源融合方法、装置、设备及存储介质 | |
CN109905256A (zh) | 一种固件更新方法和装置 | |
CN108319463A (zh) | 一种应用升级方法、装置 | |
CN109391673A (zh) | 一种管理更新文件的方法、系统及终端设备 | |
CN113934763A (zh) | 分布式数据库的sql查询方法及装置 | |
CN109828840A (zh) | 资源编排方法、装置、存储介质及电子设备 | |
CN110297713A (zh) | 一种云主机的配置管理系统和方法 | |
CN105204910A (zh) | 一种脚本热更新方法和系统 | |
CN115168031A (zh) | 一种雾计算系统、方法、电子设备及存储介质 | |
CN105530323B (zh) | 一种文件升级方法、相关设备及系统 | |
CN111176706A (zh) | 终端升级方法、装置、电子设备及存储介质 | |
CN115129574A (zh) | 一种代码测试方法和装置 | |
CN108370329B (zh) | 管理功能对象的管理方法及装置 | |
CN112995303A (zh) | 跨集群调度方法及装置 | |
CN109739518B (zh) | 生成离线软件资源的方法及装置 | |
CN111083722B (zh) | 模型的推送、模型的请求方法及装置、存储介质 | |
CN111083722A (zh) | 模型的推送、模型的请求方法及装置、存储介质 | |
CN112130864A (zh) | 一种私有云平台服务软件的部署方法及部署装置 | |
CN115878860A (zh) | 一种菜单的生成方法、装置、服务器设备及介质 | |
CN103220327B (zh) | 用户信息存储方法及装置 | |
US11775819B2 (en) | Automated configuration determinations for data center devices using artificial intelligence techniques | |
CN113835939A (zh) | 故障信息的处理方法及装置、存储介质、电子装置 |
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 |