CN111385127A - 一种智能化处理系统及方法 - Google Patents

Abstract

一种智能化处理系统及方法。该系统应用于CloudCO中，该CloudCO包括网络层设备和管理控制面设备，该系统包括集中智能装置和至少一个边缘智能装置。其中，集中智能装置，用于获取CloudCO架构中的历史数据进行训练，得到第一训练模型和/或第二训练模型，第二训练模型用于根据多个网络层设备的数据进行分析；边缘智能装置，用于获取CloudCO架构中的网络层设备的数据；根据所述数据以及第一训练模型进行分析，根据分析结果确定网络调整策略，通过CloudCO架构中的管理控制指令对所述网络层设备进行调控。对于实时性、连续性要求较高的业务，不必再将数据发送到远端的集中智能装置进行分析，降低了时延。

Description

一种智能化处理系统及方法

技术领域

本申请涉及通信技术领域，尤其涉及一种智能化处理系统及方法。

背景技术

随着网络的发展，用户和运营商都对网络提出了更高的要求，用户期望稳定、高速的网络，运营商期望提高用户体验、降低运维成本。当前的网络运维还存在以下的问题：一、运营支出(operating expense)逐年增加；二、当前网络运维的自动化程度低，较大程度上仍依赖于管理人员的经验和技能，因此，随着照电信网络越来越复杂，对管理人员的技能要求也越来越高。

2018年，宽带论坛(broadband forum，BBF)正式发布了云化中心局(cloudcentral office，CloudCO)架构标准。该标准将为运营商重构宽带网络架构提供关键的架构标准参考，是迈向云化网络的关键一步。BBF制定的CloudCO标准以云化架构重新定义了接入和城域网络，意在构建一个具有开放接口的云宽带平台，使运营商可以有效提供新型业务，缩短新业务上线时间。标准对传统网元功能进行了解耦，并将解耦后的网络功能进行云化。同时定义了北向应用程序编程接口(application programming interface，API)，使运营商能够有效对各种业务进行自动化的生命周期管理，具备业务自动化发放、网络自动化部署。CloudCO同时考虑到了现有系统平滑演进升级，以实现对现有网络系统的有效兼容，并设计了相应的接口。

目前，网络运维的大量工作在于接入网络的运维，在接入网中引入网络自动化和智能化，有助于提升网络运营和维护效率、保障用户体验。然而，目前CloudCO架构中网络运维过程还没有实现自动化智能化。

发明内容

本申请提供一种智能化处理系统及方法，应用于CloudCO架构中，用以实现CloudCO架构中的智能化网络运维。

第一方面，本申请提供了一种智能化处理系统，应用于CloudCO中，所述CloudCO包括网络层设备和管理控制面设备，该系统包括集中智能装置和至少一个边缘智能装置。

其中，所述集中智能装置，用于获取所述CloudCO架构中的历史数据，根据所述历史数据进行训练，得到第一训练模型和/或第二训练模型，所述第二训练模型用于根据多个网络层设备的数据进行分析；

所述至少一个边缘智能装置，用于获取所述CloudCO架构中的网络层设备的数据；根据所述数据以及所述第一训练模型进行分析，根据分析结果确定调整策略，基于所述网络调整策略通过所述CloudCO架构中的管理控制指令对所述网络层设备进行调控。

在一种可能的实现方式中，所述集中智能装置具体用于：获取所述多个网络层设备的数据；根据所述数据以及所述第二训练模型进行分析；根据分析结果确定调整策略，基于所述网络调整策略通过管理控制指令对所述多个网络层设备进行调控。

在一种可能的实现方式中，所述集中智能装置还用于：将得到的所述第一训练模型发送给所述至少一个边缘智能装置。

在一种可能的实现方式中，所述至少一个边缘智能装置，还用于：获取所述网络层设备的历史数据；根据所述历史数据进行智能训练，得到所述第一训练模型。

在一种可能的实现方式中，所述集中智能装置还用于：根据获取的历史数据进行训练，得到通用模型，将所述通用模型发送给所述至少一个边缘装置；所述至少一个边缘智能装置，还用于：根据获取的所述网络层设备的历史数据以及所述通用模型进行训练，得到所述第一训练模型。

在一种可能的实现方式中，所述集中智能装置获取的数据为第一类数据；所述第一类数据包括非隐私数据和/或获得所述第二训练模型的必要数据。

在一种可能的实现方式中，所述边缘智能装置和/或所述集中智能装置获取的数据为经过预处理的数据；所述预处理包括以下一种或多种：数据格式转换、数据计算补齐、数据压缩剪裁、数据脱敏、数据序列化、传输控制协议指标计算。

在一种可能的实现方式中，所述至少一个边缘智能装置，设置于所述网络层设备上；或者，设置于CloudCO架构中的宽带接入抽象层上；或者，设置于远端区域数据中心DC上。

在一种可能的实现方式中，所述边缘智能装置和/或所述集中智能装置获取的数据为模型化数据；所述模型化数据包括以下一种或多种：模型化的资源数据，模型化的配置数据，模型化的运行数据。

在一种可能的实现方式中，所述集中智能装置，还用于：接收公有云智能装置发送的所述第一训练模型，将所述第一训练模型发送给所述边缘智能装置。

在本申请实施例提供的上述系统中，设置了一个或多个边缘智能装置，能够用于根据网络层设备的数据以及第一训练模型进行分析，并通过管理控制面指令向网络层设备反馈用于调控的配置信息；对于实时性要求较高的业务或对业务连续性要求较高的业务，不必再将数据发送到远端的集中智能装置由集中智能装置进行分析，降低了时延，能够较好的满足网络层设备对实时性的需求。而集中智能装置可以用于训练上述第一训练模型，也可以用于训练对多个网络层设备进行调控的第二训练模型。该智能系统还有助于提升网络运营效率，从而提供智能化运营及用户体验管理。

第二方面，本申请实施例提供了一种智能处理方法，应用于云化中心局CloudCO，所述CloudCO包括网络层设备和管理控制面设备，所述方法包括：

集中智能装置获取所述CloudCO架构中的历史数据，根据所述历史数据进行训练，得到第一训练模型和/或第二训练模型，所述第二训练模型用于根据多个网络层设备的数据进行分析；

边缘智能装置获取所述CloudCO架构中的网络层设备的数据；根据所述数据以及所述第一训练模型进行分析，根据分析结果确定网络调整策略，基于所述网络调整策略通过所述CloudCO架构中的管理控制指令对所述网络层设备进行调控。

在一种可能的实现方式中，所述方法还包括：所述集中智能装置获取所述多个网络层设备的数据；根据所述数据以及所述第二训练模型进行分析；根据分析结果确定调整策略，基于所述网络调整策略通过管理控制指令对所述多个网络层设备进行调控。

在一种可能的实现方式中，所述方法还包括：所述集中智能装置将得到的所述第一训练模型发送给所述至少一个边缘智能装置。

在一种可能的实现方式中，所述方法还包括：边缘智能装置获取所述网络层设备的历史数据；根据所述历史数据进行智能训练，得到所述第一训练模型。

在一种可能的实现方式中，所述方法还包括：集中智能装置根据获取的历史数据进行训练，得到通用模型，将所述通用模型发送给所述边缘智能装置；边缘智能装置根据获取的所述网络层设备的数据以及所述通用模型进行训练，得到所述第一训练模型。

第三方面，本申请实施例提供了一种计算机可读存储介质，该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二方面中任一所述方法。

附图说明

图1为现有技术中的智能化处理示意图；

图2a和图2b为机器学习以及分析推理的示意图；

图3a和图3b为本申请实施例提供的智能化处理系统结构示意图；

图4为本申请实施例提供的智能化处理示意图之一；

图5为本申请实施例提供的智能化处理示意图之二；

图6a和图6b为本申请实施例提供的CloudCO架构示意图。

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。

在目前的电信网络中，网络的运营、维护自动化程度较低，发现问题、故障排查、解决问题较大程度依赖于管理人员。在家庭网络业务场景下，存在大量的网络问题在用户投诉后才发现，减低了用户体验；而管理人员上门排除故障又会增加运维成本。由此可见网络的自动化、智能化的重要性。

为了提升网络的运维效率，运营商开始引入智能化网络运维的概念，如图1所示，在管理控制系统或者云端部署智能分析装置，可根据获取到的大数据进行机器学习，从而根据网络层设备的数据进行智能分析推理。

机器学习也叫作机器训练，针对一个特定问题，机器(计算机)根据历史数据建立起一个输入特征和输出结果之间函数关系的过程；这个函数我们通常称为模型，而这个函数的输入一般称为特征集，这个特征集标识了哪些数据是这个模型的影响因子。

机器学习以及分析推理的过程可以如图2a所示。如图所示，在机器学习阶段，首先获取历史样本数据，对获取的历史样本数据进行预处理，并根据结构化数据模型对经过预处理的数据进行结构化，然后对结构化的数据进行特征提取，对提取的特征进行模型训练，训练得到模型库。在分析推理阶段，获取实时数据，对获取的数据进行预处理，并根据结构化数据模型对经过预处理的数据进行结构化，然后根据学习阶段通过特征提取得到的特征库，对结构化的数据进行特征提取，再根据模型库中的模型进行分析，从而得到分析结果。

而智能分析装置主要功能包括模型训练(即上述学习过程)和推理执行(即上述分析过程)。如图2b所示，云端的智能分析装置根据接收到的大量的网络历史数据进行模型训练，以得到训练模型，然后根据网络层设备发送的新数据以及训练模型进行分析、推理、预测等，并根据分析结果确定优化网络的策略，然后向网络层设备发送配置信息，对网络层设备进行调控，从而实现优化网络。

然而，基于上述网络架构的智能分析，时延较大，因此的适用场景通常对实时性要求较低、对业务连续性要求较低，而类似接入网场景的中，由于对实时性以及业务连续性要求较高，故上述智能分析架构并不能满足接入网网络的需求；且网络层设备上报的数据量非常大，如果将数据全部上报至集中的云端，对网络带宽的要求较高，增加了云端通信负担，且对云端智能分析装置的计算、存储能力要求较高。

本申请实施例提供一种智能化处理系统，可应用于CloudCO中，用以实现CloudCO架构中的智能化网络运维。具体地，CloudCO可以包括网络层设备和管理控制面设备，该智能化处理系统可以如图3a或图3b所示，包括集中智能装置302和至少一个边缘智能装置301。

集中智能装置302，用于获取CloudCO架构中的历史数据，根据所述历史数据进行训练，得到第一训练模型和/或第二训练模型，其中，第二训练模型用于对多个网络层设备进行调控。

边缘智能装置301，用于获取CloudCO架构中的网络层设备的数据；根据所述数据以及第一训练模型进行分析，根据分析结果确定调整策略，基于所述网络调整策略通过所述CloudCO架构中的管理控制面指令对所述网络层设备进行调控。

具体地，边缘智能装置301中可以存储有模型库，该模型库中可以包括一个或多个训练模型，如上述第一训练模型。上述网络层设备，即为CloudCO架构中的网络基础设施，例如光线路终端(optical line terminal，OLT)等。

此外，上述管理控制面指令可以通过CloudCO中的管理控制面设备发送，例如，边缘智能装置301将调整策略发送给管理控制面设备，由管理控制面设备根据调整策略确定网络层设备的配置参数，管理控制设备向网络层设备发送管理控制面指令，该指令中包括上述配置参数，以使网络层设备根据上述配置参数进行配置。又例如，当该边缘智能装置设置在网络层设备上，且该网络层设备中也具有管理控制面的逻辑单元时，则管理控制面的逻辑单元在获取到边缘智能装置确定出的配置参数后，发送管理控制指令以实现对网络层设备的调控。再例如，该边缘智能装置也可以设置在宽带接入抽象(broadband accessabstraction，BAA)上，而BAA上也可能设置有管理控制面的逻辑单元，则边缘智能装置也可以通过该BAA上的管理控制面逻辑单元实现对网络层设备的闭环控制。

在本申请实施例提供的上述系统中，设置了一个或多个边缘智能装置，能够用于根据网络层设备的数据以及第一训练模型进行分析，并通过管理控制面指令向网络层设备反馈用于调控的配置信息；对于实时性要求较高的业务或对业务连续性要求较高的业务，不必再发送到远端的集中智能装置由集中智能装置进行分析，降低了时延，能够较好的满足网络层设备对实时性的需求，尤其是适用于类似接入网网络这种对实时性要求较高的场景；由于边缘智能装置能够进行分析，有助于避免将大量数据传输到集中智能装置，降低对传输网的负荷，降低对集中智能装置计算、存储的要求。而集中智能装置可以用于训练上述第一训练模型，也可以用于训练对多个网络层设备进行调控的第二训练模型。因此，上述智能系统可以用于提供网络运行数据的分析，进行网络维护如故障的主动识别、定位和预测等，还可以提供用户体验的管理(可视、优化)以及网络运营的辅助分析(网络缺陷发现、利用率分析、网络仿真等)。应当理解，虽然图3a和图3b中均以一个边缘智能装置能够获取一个网络层设备的数据为例，但在实际应用时，一个边缘智能装置也可以获取多个网络层设备的数据。

第一训练模型可以是某个或某几个网络层设备的专用训练模型，即，根据第一训练模型进行数据分析时，仅需要获取该网络层设备的数据，而不需要获取其他网络层设备的数据。因此，将第一训练模型存储于边缘智能装置中并由边缘智能装置根据该第一训练模型进行数据分析，能够满足智能化数据分析的需求，同时有助于避免将大量数据发送给集中智能装置、增加集中智能装置的计算、存储负荷，还有助于降低数据分析的时延。

在一些实施例中，存储在边缘智能装置中第一训练模型，可以是由边缘智能装置训练得到的。具体地，边缘智能装置可以获取该网络层设备的历史数据，并根据获取到的历史数据进行智能训练，从而得到第一训练模型。在该实施例中，边缘智能装置能够进行模型训练以及智能分析，进一步降低了集中智能装置的数据存储、计算的负担，也有助于降低大量的数据传输对传输网带来的负担。

在另外一些实施例中，上述第一训练模型可以由集中智能装置训练得到。具体地，集中智能装置可以获取该网络层设备的历史数据，并根据该网络设的历史数据进行训练，从而得到第一训练模型。或者，集中智能装置也可以获取多个网络层设备的历史数据，并根据获取到的数据进行模型训练，得到能够适用于多个网络层设备的通用的第一训练模型，并将该第一训练模型发送给多个边缘智能装置，以使边缘智能装置根据第一训练模型进行智能分析，进而实现对网络层设备的调控。

还有一些实施例中，上述第一训练模型可以是由集中智能装置和边缘智能装置联合训练得到的。例如，集中智能装置获取多个网络层设备的历史数据，训练得到通用训练模型，然后将通用的训练模型发送给边缘智能装置；边缘智能装置根据其获取到的第一网络层设备的历史数据以及上述通用训练模型，进行再次训练，从而得到适合第一网络层设备的个性化的训练模型，并根据该训练模型进行分析。

此外，由于集中智能装置还能够获取多个网络层设备的历史数据以及实时数据，故集中智能装置还可以根据多个网络层设备的历史数据进行模型训练，得到第二训练模型。集中智能装置获取多个网络层设备的实时数据，根据实时数据以及第二训练模型进行分析，可以对多个网络层设备的状态进行评估，或者，也可以对整个网络或部分网络的状态进行评估，从而对多个网络层设备、整个网络或部分网络进行优化，与上述仅边缘智能装置仅对一个网络层设备或仅对几个网络层设备进行优化不同。相应的，集中智能装置在根据第二训练模型以及多个网络层设备的数据进行分析后，可以确定对该多个网络层设备中的每个网络层设备更新配置参数，也可以对该多个网络层设备中的部分网络层设备更新配置参数，并通过管理控制面设备发送该相应的一个或多个网络层设备。

在上述实施例中，涉及的数据可以包括但不限于网元、物理链路、逻辑链路、传输层、应用协议等层次的数据。其中，逻辑链路可以包括服务质量(quality of service，QoS)、虚拟局域网(virtual local area network，VLAN)、业务流等；传输层可以包括传输控制协议(transmission control protocol，TCP)、用户数据报协议(user datagramprotocol，UDP)等；应用协议可以包括动态主机设置协议(dynamic host configurationprotocol，DHCP)、因特网组管理协议(internet group management protocol，IGMP)、以太网点对点协议(point-to-point protocol over ethernet，PPPoE)等。

应当理解，上述获取的网络层设备的数据，可以包括用于该设备自身的数据，还可以包括该设备获取到的上述来自物理链路、逻辑链路、传输层、业务等多方面的数据。因此，边缘智能装置以及集中智能装置确定出的调整策略，可以是针对某个设备自身的调整策略，也可以是针对物理链路、逻辑链路、应用协议层等多方面的调整策略，当然，针对网络/链路、业务等多方面的调整策略，也需要通过修改网络层设备的配置参数实现。

进一步地，还可以对CloudCO架构中的数据模型化，即通过定义网络的资源模型、配置模型和运行模型将网络中的资源、配置和运行情况进行数据化描述。模型化、序列化的大数据有助于进行分析加工、挖掘数据的价值，防止数据的碎片化和烟筒化；同时数据模型化使新业务的“可编程”更容易实现，便于运营商的业务定制和加快新业务的产品上市周期。在上述实施例中，涉及的数据可以包括资源数据、配置数据以及运行数据等，因此，可以利用资源数据模型、配置数据模型(或者称为管控数据模型)以及运行数据模型对相应的数据进行模型化。资源数据可以反映整个网络的能力，其包括网元、链路、接口等实体或虚拟资源，以及附着在这些资源上的规划信息(比如子网、分组等)，通常由管理控制系统进行维护。配置数据可以反映网元和网络支持的配置，包括网络业务(比如业务流、VLAN等)发放及网络参数等相关配置，通过管理控制系统进行。运行数据可以反映网元、网络、业务的状态以及统计信息，包括业务、网络、链路、网元等各个对象的运行数据，涉及运行时的状态，比如网络的通信是否可达、纤揽是通或断、端口运行时的up/down等。示例性的，数据模型可以采用YANG模型，YANG模型是定义在RFC6020的一种建模语言，当然，也可以采用其他模型，本申请实施例对此不做限制。

集中智能装置在进行训练时，可以获取网络层设备的全部历史数据，或者也可以仅获取部分历史数据。在一些实施例中，集中智能装置获取到的数据为第一类数据，其中，第一类数据包括非隐私数据和/或获得训练模型的必要数据。相应的，若集中智能装置需要根据第二训练模型进行分析，其获取的数据也可以是多个网络层设备的全部实时数据，或部分实时数据，例如，集中智能装置仅获取非隐私数据和/或根据第二训练模型进行分析的必要数据。在图3a所示架构中，边缘智能装置可以在获取到网络层设备的数据后，可以判断获取到的数据是否为第一类数据，并将第一类数据发送给集中智能装置，非第一类数据则不发送给集中智能装置。在图3b所示架构中，数据采集器在获取到网络层设备的数据后，判断数据是否为第一类数据，然后将第一类数据发送给集中智能装置。网络层设备在运行过程中可能会产生大量数据，而不同的数据对隐私性的要求可能不同，例如有些数据可能涉及网络层设备的安全性的数据，或者涉及保密的数据，不宜发送给集中智能装置，或者担心在数据传输过程中被窃取，故而不将这部分对隐私性要求较高的数据发送给集中数据采集器或集中智能装置。此外，集中数据采集器可以向数据采集器订阅所需的数据，数据采集器在获取到网络层设备的数据后，判断获取的数据是否为集中数据采集器所需的数据，若是，则将数据发送给集中数据采集器，若不是，则不发送。在该实施例中，由于降低了传输的数据传量，有助于减低网络传输负荷以及集中智能装置的计算、存储的压力。

在一种可能的实现方式中，集中智能装置获取到的数据为经过预处理的数据。其中，预处理可以包括以下一种或多种：数据格式转换、数据计算补齐、数据压缩剪裁、数据脱敏、数据序列化、传输控制协议指标计算等。在如图3a所示的架构中，上述预处理过程可以由边缘智能装置执行；在如图3b所示的架构中，上述预处理过程可以由边缘数据采集器执行。

以图3b所示架构为例，数据采集器在接收到网络层设备上报的数据后，可以对其进行解析，对解析后的数据进行分析，若确定部分数据为重复数据、无效数据或者受强烈干扰导致偏差较大的数据，则对这部分数据进行剪裁；又或者，边缘智能装置确定缺少某个数据，也可以根据其他数据对缺少的数据进行估算，或请求网络层设备再次发送，从而实现将数据补齐。然后将经过剪裁和/或补齐后的数据上报给集中智能装置，以使上报给集中智能装置的数据为有效数据，使得集中智能装置可以简化或省略对数据进行剪裁的步骤。

又例如，边缘智能装置还可以对接收到网络层设备上报的数据进行格式转换，将不同数据格式转换成统一格式，如，将文本格式的数据转换为二进制格式的数据等等。

再例如，边缘智能装置还可以对采集数据中的敏感信息通过脱敏规则进行数据的变形，实现敏感隐私数据的可靠保护，即数据脱敏。

此外，边缘智能装置对数据的预处理过程还可以包括对数据进行结构化、序列化、传输控制协议(transmission control protocol，TCP)指标计算等等。应当理解，上述预处理仅为举例，数据采集器还可以对接收到的数据进行其他预处理，从而提高数据价值密度，降低网络传输的负荷及集中智能装置的负荷。

由于集中智能装置可以获取到多个网络层设备的数据，因此，集中智能装置在训练第一训练模型时，也可以根据多个网络层设备的数据，训练可以适用于多个网络层设备的第一训练模型，并将第一训练模型发送给多个边缘智能装置；虽然第一训练模型可以适用于多个网络层设备，但每个边缘智能装置在接收到该第一训练模型后，仅根据该边缘智能装置连接的网络层设备的数据进行数据分析即可。

在部署上述智能系统时，可以将边缘智能装置设置于网络层设备上，其中，网络层设备可以为光线路终端(optical line terminal，OLT)、光网络单元(optical networkunit，ONU)、数字用户线接入复用器(digital subscriber line access multiplexer，DSLAM)等。或者，可以将边缘智能装置设置在数据采集分析系统中。或者，还可以将边缘智能装置设置在CloudCO架构中的BAA层中；BAA主要用于屏蔽网元的厂家差异，对控制器提供统一标准的模型化接口。或者，还可以将边缘智能设置于远端区域数据中心(data center，DC)上。

在部署集中智能装置时，可以将集中智能装置设置于数据采集分析系统中；或者将集中智能装置设置于远端区域DC上，集中智能装置还可以用于获取多个CloudCO架构中的数据。

在一种可能的实现方式中，集中智能装置还可以与公有云智能装置连接，接收公有云智能装置发送的训练模型，例如，集中智能装置可以从公有云智能装置处获取第一训练模型，然后将第一训练模型发送给边缘智能装置。该公有云智能装置可以位于CloudCO架构外，可以接收多个CloudCO架构中的集中智能装置发送的数据，进行模型训练以及数据分析。此外，由于公有云装置发送的训练模型通常为可以适用于多个架构或多个网络层设备的通用的训练模型，因此，集中智能装置还可以在接收到公有云装置发送的通用训练模型后，根据自身获取到的数据以及通用训练模型进行训练，从而得到该适合CloudCO网络的训练模型。

下面结合具体实施例对本申请进行详细说明。

参见图4，集中智能装置获取网络层设备的历史样本数据，并根据获取的数据进行训练，得到第一训练模型，并将第一训练模型发送给边缘智能装置。边缘智能装置根据获取的网络层设备实时运行数据以及第一训练模型进行分析，并根据分析结果确定对该网络层设备管理的网络的调控策略，并将策略发送给管理控制面逻辑单元。管理控制面逻辑单元根据策略确定对网络层设备的参数调整，并向网络层设备发送管理控制面指令，以使网络层设备对参数进行调整，从而实现对网络的优化。

参见图5，集中智能装置获取多个网络层设备的历史样本数据，并根据获取的数据进行训练，得到可以适用于多个网络层设备的通用模型，然后将通用模型发送给边缘智能装置。边缘智能装置根据从网络层设备获取的数据以及通用模型进行训练，得到适合本地的第一训练模型；然后根据获取的网络层设备实时运行数据以及第一训练模型进行分析，并根据分析结果确定对该网络层设备管理的网络的调控策略，并将策略发送给管理控制面逻辑单元。管理控制面逻辑单元根据策略确定对网络层设备的参数调整，并向网络层设备发送管理控制面指令，以使网络层设备对参数进行调整，从而实现对网络的优化。

图6a和图6b分别示例性的给出将上述智能处理系统应用在CloudCO架构中的示意图。在图6a和图6b中，包括网络基础设施中的多个网络层设备，数据采集系统、智能系统以及管理控制系统，进一步地，还可以包括上层协同/OSS以及智能离线训练装置。

智能处理系统：通过数据采集系统获取网络数据，基于大数据和人工智能来分析，感知网络的状态和事件，输出决策，可以将决策提供给CloudCO架构管理控制面设备以实现闭环控制，还可以将决策输出至上层决策系统来进行执行；另外一方面通过北向接口提供对多种服务的支持，例如提供网络智能维护服务，网络智能化运营服务和用户体验管理服务等。具体地，智能系统可以包括边缘智能装置和集中智能装置。

网络层设备(网络基础设施)：能够支持数据订阅、数据采集和上报功能，将数据上报给数据采集系统，在数据上报时，还可以根据预设的数据模型，上报结构化数据。以外，智能系统中的边缘智能装置还可以设置在网络层设备中，进行边缘分析推理，形成设备内的闭环控制。

网络层设备可以包括无线接入点(access point，AP)、客户终端设备(customerpremise equipment，CPE)、接入网络层设备(OLT、ONU等)、宽带网络网关(broadbandnetwork gateway，BNG)及其他城域设备、虚拟化场景下的网络功能虚拟化基础设施(network functions virtualization infrastructure，NFVI)以及虚拟网络功能(virtualized network function，VNF)等。

数据采集系统：采集网络数据，并进行预处理。该数据采集系统也可以包括边缘数据采集装置和集中数据采集装置(图中未示出)。进一步地，可以将边缘数据采集装置和边缘智能装置部署在一起，将集中数据采集装置和集中智能部署在一起；当然，也可以分别部署。

上层协同/OSS：负责系统之间的协同，或者跨域的网络调整决策。

智能离线装置：可以根据集中智能装置发送的数据进行模型训练以及数据分析，故名思议，智能离线装置所处理的数据，对实效性的要求很低，智能离线长在可以周期性的接收数据并进行模型训练或数据分析，而不必及时向网络层设备或管理控制系统反馈数据分析结果。

管理控制面设备：根据智能系统输出的决策生成管理控制指令，并将管理控制指令发送给网络层设备，形成闭环控制，实现网络优化。同时，管理控制面设备也可以提供网络拓扑、资源使用、配置信息等给智能系统。如图6a和图6b所示，可以在网络层设备和/或BAA中设置有管理控制面逻辑单元。

网络抽象层BAA：主要是用来屏蔽网元的厂家差异，对控制器提供统一标准的模型化接口。

基于相同的技术构思，本申请实施例还提供了一种智能化处理方法，应用于云化中心局CloudCO，所述CloudCO包括网络层设备和管理控制面设备，所述方法包括：

集中智能装置获取所述CloudCO架构中的历史数据，根据所述历史数据进行训练，得到第一训练模型和/或第二训练模型，所述第二训练模型用于根据多个网络层设备的数据进行分析；

边缘智能装置获取所述CloudCO架构中的网络层设备的数据；根据所述数据以及所述第一训练模型进行分析，根据分析结果确定网络调整策略，基于所述网络调整策略通过所述CloudCO架构中的管理控制指令对所述网络层设备进行调控。

在一种可能的实现方式中，所述方法还包括：所述集中智能装置获取所述多个网络层设备的数据；根据所述数据以及所述第二训练模型进行分析；根据分析结果确定调整策略，基于所述网络调整策略通过管理控制指令对所述多个网络层设备进行调控。

在一种可能的实现方式中，所述方法还包括：所述集中智能装置将得到的所述第一训练模型发送给所述至少一个边缘智能装置。

在一种可能的实现方式中，所述方法还包括：边缘智能装置获取所述网络层设备的历史数据；根据所述历史数据进行智能训练，得到所述第一训练模型。

在一种可能的实现方式中，所述方法还包括：集中智能装置根据获取的历史数据进行训练，得到通用模型，将所述通用模型发送给所述边缘智能装置；边缘智能装置根据获取的所述网络层设备的数据以及所述通用模型进行训练，得到所述第一训练模型。

基于相同的技术构思，本申请实施例提供了一种计算机可读存储介质，该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，使得计算机执行上述方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (14)

1.一种智能化处理系统，所述系统应用于云化中心局CloudCO，所述CloudCO包括网络层设备和管理控制面设备，其特征在于，所述系统包括集中智能装置和至少一个边缘智能装置；

所述集中智能装置，用于获取所述CloudCO架构中的历史数据，根据所述历史数据进行训练，得到第一训练模型和/或第二训练模型，所述第二训练模型用于根据多个网络层设备的数据进行分析；

所述至少一个边缘智能装置，用于获取所述CloudCO架构中的网络层设备的数据；根据所述数据以及所述第一训练模型进行分析，根据分析结果确定网络调整策略，基于所述网络调整策略通过所述CloudCO架构中的管理控制指令对所述网络层设备进行调控。

2.如权利要求1所述的系统，其特征在于，所述集中智能装置还用于：

获取所述多个网络层设备的数据；

根据所述数据以及所述第二训练模型进行分析；

根据分析结果确定调整策略，基于所述网络调整策略通过管理控制指令对所述多个网络层设备进行调控。

3.如权利要求1所述的系统，其特征在于，所述集中智能装置还用于：

将得到的所述第一训练模型发送给所述至少一个边缘智能装置。

4.如权利要求1所述的系统，其特征在于，所述至少一个边缘智能装置，还用于：

获取所述网络层设备的历史数据；

根据所述历史数据进行智能训练，得到所述第一训练模型。

5.如权利要求1所述的系统，其特征在于，所述集中智能装置还用于：根据获取的历史数据进行训练，得到通用模型，将所述通用模型发送给所述至少一个边缘装置；

所述至少一个边缘智能装置，还用于：根据获取的所述网络层设备的数据以及所述通用模型进行训练，得到所述第一训练模型。

6.如权利要求1-5中任一项所述的系统，其特征在于，所述集中智能装置获取的数据为第一类数据；所述第一类数据包括非隐私数据和/或获得所述第二训练模型的必要数据。

7.如权利要求1-6中任一项所述的系统，其特征在于，所述边缘智能装置和/或所述集中智能装置获取的数据为经过预处理的数据；

所述预处理包括以下一种或多种：数据格式转换、数据计算补齐、数据压缩剪裁、数据脱敏、数据序列化、传输控制协议指标计算。

8.如权利要求1-7中任一项所述的系统，其特征在于，所述至少一个边缘智能装置，设置于所述网络层设备上；或者，设置于CloudCO架构中的宽带接入抽象层上；或者，设置于远端区域数据中心DC上。

9.如权利要求1-7中任一项所述的系统，其特征在于，所述边缘智能装置和/或所述集中智能装置获取的数据为模型化数据；所述模型化数据包括以下一种或多种：模型化的资源数据，模型化的配置数据，模型化的运行数据。

10.一种智能化处理方法，应用于云化中心局CloudCO，所述CloudCO包括网络层设备和管理控制面设备，其特征在于，所述方法包括：

集中智能装置获取所述CloudCO架构中的历史数据，根据所述历史数据进行训练，得到第一训练模型和/或第二训练模型，所述第二训练模型用于根据多个网络层设备的数据进行分析；

边缘智能装置获取所述CloudCO架构中的网络层设备的数据；根据所述数据以及所述第一训练模型进行分析，根据分析结果确定网络调整策略，基于所述网络调整策略通过所述CloudCO架构中的管理控制指令对所述网络层设备进行调控。

11.如权利要求10所述的方法，其特征在于，还包括：

所述集中智能装置获取所述多个网络层设备的数据；

根据所述数据以及所述第二训练模型进行分析；

根据分析结果确定调整策略，基于所述网络调整策略通过管理控制指令对所述多个网络层设备进行调控。

12.如权利要求10所述的方法，其特征在于，还包括：

所述集中智能装置将得到的所述第一训练模型发送给所述至少一个边缘智能装置。

13.如权利要求10所述的方法，其特征在于，还包括：

边缘智能装置获取所述网络层设备的历史数据；

根据所述历史数据进行智能训练，得到所述第一训练模型。

14.如权利要求10所述的方法，其特征在于，还包括：

集中智能装置根据获取的历史数据进行训练，得到通用模型，将所述通用模型发送给所述边缘智能装置；

边缘智能装置根据获取的所述网络层设备的数据以及所述通用模型进行训练，得到所述第一训练模型。

Images