CN112187547A - 一种基于数字孪生的网络模型 - Google Patents
一种基于数字孪生的网络模型 Download PDFInfo
- Publication number
- CN112187547A CN112187547A CN202011072032.4A CN202011072032A CN112187547A CN 112187547 A CN112187547 A CN 112187547A CN 202011072032 A CN202011072032 A CN 202011072032A CN 112187547 A CN112187547 A CN 112187547A
- Authority
- CN
- China
- Prior art keywords
- network
- space
- digital twin
- component
- model
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000003860 storage Methods 0.000 claims abstract description 5
- 230000006399 behavior Effects 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 54
- 238000013507 mapping Methods 0.000 claims description 17
- 238000007726 management method Methods 0.000 claims description 10
- 230000003542 behavioural effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010033799 Paralysis Diseases 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于数字孪生的网络模型,包括物理空间、数字孪生空间和智慧服务层;所述物理空间包括网络设备、传感器和物理网络控制器;所述数字孪生空间包括数据层、孪生模型层和知识库;所述智慧服务层包括各种服务应用场景,如智能工厂,车联网,智慧城市等;所述物理空间由物理网络控制器控制网络设备运行和传感器采集数据;所述物理空间通过虚拟通信基础设施与数字孪生空间相连;所述数字孪生空间中数据层对获取的大数据进行存储分析,并生成知识库;所述孪生模型层与物理空间实现互相映射;所述智慧服务层提供用户所需的服务;所述智慧服务层将用户请求分别映射到物理空间和数字孪生空间,并接收物理空间和数字孪生空间的反馈。
Description
技术领域
本发明涉及无线通信技术领域,主要涉及一种基于数字孪生的网络模型。
背景技术
近年来移动通信行业正发生着巨大的变化,可以预见在不久的将来无线通信系统不仅应该连接人类,还应该连接机器,车辆和传感器等,实现真正的万物互联。不同的应用需要不同的网络功能,如高数据速率传输,超低延迟和超高可靠性要求。然而,大量终端的接入和庞大的业务需求势必会对网络带来一定的冲击和影响。5G网络的维护和管理将是运营商所面临的巨大挑战,迫切需要一种动态和自适应网络管理方法。特别是如何在复杂的无线异构网络中实现对网络故障的预测、诊断和恢复,可以有效缓解故障传播所造成的服务中断、网络瘫痪等危害,对无线网络的发展和演进具有重大意义。
随着新一代通信和信息技术的快速发展和应用,智能制造迅速发展,变得越来越自动化、数字化和智能化。数字孪生动态地代表物理实体及其功能、行为和规则。数字孪生的概念是迈克尔·格里夫斯博士于2003年在密歇根大学的产品生命周期管理课程中首次提出的。数字孪生模拟、记录和改进从设计到退休的生产过程,包括虚拟空间的内容、物理空间以及它们之间的相互作用。如今,数字孪生是推动智能制造发展的新范式。它通过超实物和动态优化的仿真模型模拟和映射整个产品生命周期。从而降低了设计和维护成本,同时提高了效率制造的科学性和质量。数字孪生由于其智能性、超现实性、可计算性、可控性和可预测性等特性能够在数据处理环节应对更加复杂的数据结构和数据环境。
因此在面对日益复杂的无线网络,数字孪生技术可以为网络实体在虚拟空间中构建完全相同的数字孪生体,并在虚拟空间中实现对网络的维护和管理。5G时代,迫切需要一种动态和自适应网络管理方法,在复杂的无线异构网络中实现对网络故障的预测、诊断和恢复,缓解故障传播所造成的服务中断、网络瘫痪等,因此,为了能更好地维护和管理网络就需要运用数字孪生进行更高效的分析,从而使得网络具有更高的自适应性和智能性。如何将网络虚拟化的思想引入到无线网络中,并将通信、计算与存储资源融合起来,是进一步大幅度提高频谱效率和能耗效率的关键所在,已成为未来网络的重要发展方向。
发明内容
发明目的:本发明提供了一种基于数字孪生的网络模型,解决了上述背景技术中存在的问题。打通了物理网络设备与虚拟网络功能之间的壁垒,突破传统通信网络结构,支持网络设备和数据平面分离。考虑通信、计算、大数据多维度资源进行联合优化,建立数字孪生网络最终适应5G通信网络的发展需求,降低网络运营维护成本。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于数字孪生的网络模型,其特征在于,包括物理空间、数字孪生空间和智慧服务层;所述物理空间包括网络设备、传感器和物理网络控制器;所述数字孪生空间包括数据层、孪生模型层和知识库;所述智慧服务层包括各种服务应用场景,如智能工厂,车联网,智慧城市等。
所述物理空间由物理网络控制器控制网络设备运行和传感器采集数据;所述物理空间通过虚拟通信基础设施与数字孪生空间相连;所述数字孪生空间中数据层对获取的大数据进行存储分析,并生成知识库;所述孪生模型层与物理空间实现互相映射;所述智慧服务层提供用户所需的服务,包括网络监测,网络故障管理,网络规划优化;所述智慧服务层将用户请求分别映射到物理空间和数字孪生空间,并接收物理空间和数字孪生空间的反馈。
进一步地,所述物理空间网络采用网络组件模型:在物理空间中使用组件标识NIDi来标记网络组件如下式所示:
网络组件行为表示如下:
其中ψ()表示对于网络组件的行为函数;
网络组件功能NF如下表示:
NF=φ(NIDi,NIDj,...,NIDn)
其中φ()表示对于网络组件的功能函数,选择相应的网络组件并组合起来实现特定功能。
进一步地,所述数字孪生空间模型如下:
在数字孪生空间中使用组件标识NVIDi来标记网络组件,定义如下:
其中,T代表拓扑行为,P代表性能行为,F代表功能行为;拓扑信息包括组件位置组件从属关系组件邻接关系和连通度性能信息包括带宽性能延时性能丢包性能和稳定性能功能信息包括组件类型组件功能运营商和安全级别Tvi代表数字孪生空间中新增拓扑行为,Pvi代表数字孪生空间中新增性能行为,Fvi代表数字孪生空间中新增功能行为;
对于数字孪生空间中网络组件功能NVF定义如下:
NVF=φV(NVIDi,NVIDj,...,NVIDn)
其中φV()表示对于数字孪生空间网络组件的功能函数,选择相应的网络组件并组合起来实现特定功能;
对于数字孪生空间中的网络行为,从数字孪生空间到物理空间存在映射如下:
Ω()是行为聚类函数;通过数字孪生空间网络组件的行为进行行为聚类,选择出相应的网络组件,完成数字孪生空间行为信息到组件标识的映射。
进一步地,所述知识库采用NVK进行知识模型的标识,具体如下:
NVK={K1,K2,K3,...,Kn}
其中,Kn代表特定的知识模型;
知识模型根据智慧服务层下达的相关任务,决策用到的知识模型运用到孪生模型中,在数字孪生层中实现特定功能,然后控制物理空间中的网络组件实现功能;
其中智慧服务层到知识模型层的映射关系如下:
NVK(Si)={Ki|Si∈NS,μ(Si,Ki=1)}
其中NVK(Si)表示智慧服务层中服务Si要求的知识模型的集合,μ(Si,Ki=1)表示的是与服务Si与Ki之间的关系,即服务Si所需要的知识模型Ki(i=1,2,..,n);
知识模型到数字孪生空间结合后,在孪生空间中实现功能NVF,关系为:
NVF=T(NVID,Ki,Kj,...,Ks)
其中T()表示孪生空间的功能函数;
进一步地,所述智慧服务层模型定义如下:
NS=(S1,S2,S3,...,Sk)
其中,NS表示服务,Sk表示网络服务与应用;
智慧服务层与数字孪生空间模型之间的映射关系表示为:
NVID(Si)={NVIDi|Si∈NS,μ(Si,NVIDj=1)}
其中NVID(Si)表示智慧服务层中服务Si要求的孪生网络组件的集合,μ(Si,NVIDj=1)表示的是与服务Si与NVIDj之间的关系,即服务Si所需要的孪生网络组件NVIDj(j=1,2,..,n);
智慧服务层与物理空间网络组件模型之间的映射关系表示为:
NID(Si)={NIDi|Si∈NS,μ(Si,NIDj=1)}
其中NID(Si)表示智慧服务层中服务Si要求的网络组件的集合,μ(Si,NIDj=1)表示的是与服务Si与NIDj之间的关系,即服务Si所需要的网络组件NIDj(j=1,2,..,n)。
进一步地,所述网络设备包括WLAN、GSM、LTE制式网络提供的基站、接入点、网关和终端的基础设施。
有益效果:
本发明提供的基于数字孪生的网络模型提出了基于数字孪生的网络模型的三个部分:物理空间、数字孪生空间、智慧服务层,其中数字孪生空间包括数据层、孪生模型层与知识模型层;拓宽了网络运营管理方式,构建了网络的虚拟化数字孪生体,可以通过对数字孪生体的控制与管理进而控制实体网络;突破传统实体网络结构,重新设计新型的数字孪生网络模型;支持网络设备平面和数据平面分离。考虑通信、计算、大数据多维度资源进行联合优化。
附图说明
图1是本发明提供的网络模型架构示意图;
图2是本发明提供的数字孪生网络交互示意图;
图3是本发明提供的物理空间模型和数字孪生空间模型映射关系示意图;
图4是本发明提供的大数据分析过程示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示,本发明提供的基于数字孪生的网络模型包括物理空间、数字孪生空间和智慧服务层;所述物理空间包括网络设备、传感器和物理网络控制器;所述数字孪生空间包括数据层、孪生模型层和知识库;所述智慧服务层包括各种服务应用场景,如智能工厂,车联网,智慧城市等。
物理空间由物理网络控制器控制网络设备运行和传感器采集数据;所述物理空间通过虚拟通信基础设施与数字孪生空间相连;所述数字孪生空间中数据层对获取的大数据进行存储分析,并生成知识库;所述孪生模型层与物理空间实现互相映射;所述智慧服务层提供用户所需的服务,包括网络监测,网络故障管理,网络规划优化;所述智慧服务层将用户请求分别映射到物理空间和数字孪生空间,并接收物理空间和数字孪生空间的反馈。
物理空间通过虚拟通信基础设施与数字孪生空间相连。数据通过虚拟通信基础设施传递到数字孪生空间,在数据层应用AI,计算等来进行数据的分析处理与训练,数据的来源是不断变化的,因此该过程也是不断迭代更新的,训练的结果就是形成了所需要的知识模型,该知识模型也会不断更新与迭代,而产生的知识模型会为数字孪生空间和物理空间所应用。
物理空间网络采用网络组件模型,如图3所示,在物理空间中使用组件标识NIDi来标记网络组件如下式所示:
网络组件行为表示如下:
其中ψ()表示对于网络组件的行为函数,不同的行为结合起来实现特定的行为。
网络组件功能NF如下表示:
NF=φ(NIDi,NIDj,...,NIDn)
其中φ()表示对于网络组件的功能函数,选择相应的网络组件并组合起来实现特定功能。
数字孪生空间的孪生模型层包括多种模型:机理模型、数据模型、连接模型、业务模型、仿真模型;知识库包括多种知识模型:故障诊断模型、故障预测模型、学习提升模型、业务适配模型、专家知识。数字孪生空间可以对物理空间进行实时控制。如图3所示,在数字孪生空间中使用组件标识NVIDi来标记网络组件,定义如下:
其中,T代表拓扑行为,P代表性能行为,F代表功能行为;拓扑信息包括组件位置组件从属关系组件邻接关系和连通度性能信息包括带宽性能延时性能丢包性能和稳定性能功能信息包括组件类型组件功能运营商和安全级别Tvi代表数字孪生空间中新增拓扑行为,Pvi代表数字孪生空间中新增性能行为,Fvi代表数字孪生空间中新增功能行为;
对于数字孪生空间中网络组件功能NVF定义如下:
NVF=φV(NVIDi,NVIDj,...,NVIDn)
其中φV()表示对于数字孪生空间网络组件的功能函数,选择相应的网络组件并组合起来实现特定功能;
对于数字孪生空间中的网络行为,从数字孪生空间到物理空间存在映射如下:
Ω()是行为聚类函数;通过数字孪生空间网络组件的行为进行行为聚类,选择出相应的网络组件,完成数字孪生空间行为信息到组件标识的映射。
知识模型是根据特定功能由数据训练得到的模型,是根据大数据分析所获得的,如图4所示。知识模型层由各种各样的知识模型所组成,可以看作是知识模型的集合。采用用NVK来标识知识模型层。定义如下:
NVK={K1,K2,K3,...,Kn}
上式中,Kn代表特定的知识模型,如CNN,DNN,DTL等模型。
知识模型的功能主要是根据智慧服务层下达的相关任务,决策用到的知识模型运用到孪生模型中,在数字孪生层中(虚拟空间中)实现特定功能,然后控制组件层实现功能。这里智慧服务层到知识模型层是一个映射关系,定义如下:
NVK(Si)={Ki|Si∈NS,μ(Si,Ki=1)}
其中NVK(Si)表示智慧服务层中服务Si要求的知识模型的集合,μ(Si,Ki=1)表示的是与服务Si与Ki之间的关系,即服务Si所需要的知识模型Ki(i=1,2,..,n)。
知识模型层到孪生空间层不是一个映射的关系,应该是一个相互结合的关系,结合后,在孪生空间中实现功能NVF,关系为:
NVF=T(NVID,Ki,Kj,...,Ks)
智慧服务层主要是描述网络的业务、服务、应用等。它可以下达任务来让孪生空间层和网络组件层来实现,即控制功能;也可以接收二者的反馈来评价实现的等级,并根据等级继续进行控制与接收反馈,直到达到目标等级为止。智慧服务层模型定义如下:
NS=(S1,S2,S3,...,Sk)
其中,NS来表示服务,Sk表示一般的网络服务与应用,服务层即各种网络服务与应用的集合。
智慧服务层与孪生模型层之间的映射关系表示为:
NVID(Si)={NVIDi|Si∈NS,μ(Si,NVIDj=1)}
其中NVID(Si)表示智慧服务层中服务Si要求的孪生网络组件的集合,μ(Si,NVIDj=1)表示的是与服务Si与NVIDj之间的关系,即服务Si所需要的孪生网络组件NVIDj(j=1,2,..,n)。
智慧服务层与网络组件层之间的映射关系表示为:
NID(Si)={NIDi|Si∈NS,μ(Si,NIDj=1)}
其中NID(Si)表示智慧服务层中服务Si要求的网络组件的集合,μ(Si,NIDj=1)表示的是与服务Si与NIDj之间的关系,即服务Si所需要的网络组件NIDj(j=1,2,..,n)。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于数字孪生的网络模型,其特征在于,包括物理空间、数字孪生空间和智慧服务层;所述物理空间包括网络设备、传感器和物理网络控制器;所述数字孪生空间包括数据层、孪生模型层和知识库;所述智慧服务层包括各种服务应用场景,如智能工厂,车联网,智慧城市等。
所述物理空间由物理网络控制器控制网络设备运行和传感器采集数据;所述物理空间通过虚拟通信基础设施与数字孪生空间相连;所述数字孪生空间中数据层对获取的大数据进行存储分析,并生成知识库;所述孪生模型层与物理空间实现互相映射;所述智慧服务层提供用户所需的服务,包括网络监测,网络故障管理,网络规划优化;所述智慧服务层将用户请求分别映射到物理空间和数字孪生空间,并接收物理空间和数字孪生空间的反馈。
2.根据权利要求1所述的一种基于数字孪生的网络模型,其特征在于,所述物理空间网络采用网络组件模型,在物理空间中使用组件标识NIDi来标记网络组件如下式所示:
网络组件行为表示如下:
其中ψ()表示对于网络组件的行为函数;
网络组件功能NF如下表示:
NF=φ(NIDi,NIDj,...,NIDn)
其中φ()表示对于网络组件的功能函数。
3.根据权利要求1所述的一种基于数字孪生的网络模型,其特征在于,所述数字孪生空间模型如下:
在数字孪生空间中使用组件标识NVIDi来标记网络组件,定义如下:
其中,T代表拓扑行为,P代表性能行为,F代表功能行为;拓扑信息包括组件位置组件从属关系组件邻接关系和连通度性能信息包括带宽性能延时性能丢包性能和稳定性能功能信息包括组件类型组件功能运营商和安全级别Tvi代表数字孪生空间中新增拓扑行为,Pvi代表数字孪生空间中新增性能行为,Fvi代表数字孪生空间中新增功能行为;
对于数字孪生空间中网络组件功能NVF定义如下:
NVF=φV(NVIDi,NVIDj,...,NVIDn)
其中φV()表示对于数字孪生空间网络组件的功能函数,选择相应的网络组件并组合起来实现特定功能;
对于数字孪生空间中的网络行为,从数字孪生空间到物理空间存在映射如下:
Ω()是行为聚类函数;通过数字孪生空间网络组件的行为进行行为聚类,选择出相应的网络组件,完成数字孪生空间行为信息到组件标识的映射。
4.根据权利要求1所述的一种基于数字孪生的网络模型,其特征在于,所述知识库采用NVK进行知识模型的标识,具体如下:
NVK={K1,K2,K3,...,Kn}
其中,Kn代表特定的知识模型;
知识模型根据智慧服务层下达的相关任务,决策用到的知识模型运用到孪生模型中,在数字孪生层中实现特定功能,然后控制物理网络组件层实现功能;
其中智慧服务层到知识模型的映射关系如下:
NVK(Si)={Ki|Si∈NS,μ(Si,Ki=1)}
其中NVK(Si)表示智慧服务层中服务Si要求的知识模型的集合,μ(Si,Ki=1)表示的是与服务Si与Ki之间的关系,即服务Si所需要的知识模型Ki(i=1,2,..,n);
知识模型到数字孪生空间结合后,在孪生空间中实现功能NVF,关系为:
NVF=T(NVID,Ki,Kj,...,Ks)
其中T()表示孪生空间的功能函数。
5.根据权利要求1所述的一种基于数字孪生的网络模型,其特征在于,所述智慧服务层模型定义如下:
NS=(S1,S2,S3,...,Sk)
其中,NS表示服务,Sk表示网络服务与应用;
智慧服务层与数字孪生空间模型之间的映射关系表示为:
NVID(Si)={NVIDi|Si∈NS,μ(Si,NVIDj=1)}
其中NVID(Si)表示智慧服务层中服务Si要求的孪生网络组件的集合,μ(Si,NVIDj=1)表示的是与服务Si与NVIDj之间的关系,即服务Si所需要的孪生网络组件NVIDj(j=1,2,..,n);
智慧服务层与物理空间网络组件模型之间的映射关系表示为:
NID(Si)={NIDi|Si∈NS,μ(Si,NIDj=1)}
其中NID(Si)表示智慧服务层中服务Si要求的网络组件的集合,μ(Si,NIDj=1)表示的是与服务Si与NIDj之间的关系,即服务Si所需要的网络组件NIDj(j=1,2,..,n)。
6.根据权利要求1所述的一种基于数字孪生的网络模型,其特征在于,所述网络设备包括WLAN、GSM、LTE制式网络提供的基站、接入点、网关和终端的基础设施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072032.4A CN112187547B (zh) | 2020-10-09 | 2020-10-09 | 一种基于数字孪生的网络系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072032.4A CN112187547B (zh) | 2020-10-09 | 2020-10-09 | 一种基于数字孪生的网络系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112187547A true CN112187547A (zh) | 2021-01-05 |
CN112187547B CN112187547B (zh) | 2023-05-23 |
Family
ID=73948990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011072032.4A Active CN112187547B (zh) | 2020-10-09 | 2020-10-09 | 一种基于数字孪生的网络系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112187547B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113002555A (zh) * | 2021-02-08 | 2021-06-22 | 南京航空航天大学 | 一种数字孪生驱动的智能线控底盘系统及其故障诊断方法 |
CN113515098A (zh) * | 2021-07-30 | 2021-10-19 | 青岛海尔工业智能研究院有限公司 | 物流机器人数字孪生系统 |
CN113537722A (zh) * | 2021-06-23 | 2021-10-22 | 西安交通大学 | 一种调度规划方法及应用 |
CN113890831A (zh) * | 2021-10-20 | 2022-01-04 | 中国联合网络通信集团有限公司 | 一种模拟网络设备的方法、装置及存储介质 |
CN114189888A (zh) * | 2021-11-29 | 2022-03-15 | 中国船舶重工集团公司第七一六研究所 | 基于数字孪生的5g融合网架构下多模终端接入系统及方法 |
CN114640581A (zh) * | 2022-01-24 | 2022-06-17 | 浪潮通信信息系统有限公司 | 一种基于数字孪生的算力网络处理方法及装置 |
CN114900436A (zh) * | 2022-04-29 | 2022-08-12 | 电子科技大学 | 一种基于多维融合模型的网络孪生方法 |
CN115190027A (zh) * | 2022-05-24 | 2022-10-14 | 安世亚太科技股份有限公司 | 一种基于网络数字孪生体的自然故障生存性评估方法 |
CN115225495A (zh) * | 2021-04-15 | 2022-10-21 | 中国移动通信有限公司研究院 | 通信系统、方法、第一功能体及存储介质 |
WO2023001180A1 (zh) * | 2021-07-23 | 2023-01-26 | 维沃移动通信有限公司 | 数字孪生子系统及服务提供装置 |
WO2023001174A1 (zh) * | 2021-07-23 | 2023-01-26 | 维沃移动通信有限公司 | 数字孪生方法及装置 |
WO2023045565A1 (zh) * | 2021-09-22 | 2023-03-30 | 中兴通讯股份有限公司 | 网络管控方法及其系统、存储介质 |
WO2023131303A1 (zh) * | 2022-01-10 | 2023-07-13 | 中国移动通信有限公司研究院 | 数字孪生网络的编排方法、数字孪生网络、介质和程序 |
CN116821403A (zh) * | 2023-08-31 | 2023-09-29 | 超网实业(成都)股份有限公司 | 一种厂区设备的智能运维方法及系统 |
WO2024093584A1 (zh) * | 2022-11-02 | 2024-05-10 | 大唐移动通信设备有限公司 | 一种信息交互方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276147A (zh) * | 2019-06-24 | 2019-09-24 | 广东工业大学 | 一种基于数字孪生模型的制造系统故障溯源方法、系统 |
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
-
2020
- 2020-10-09 CN CN202011072032.4A patent/CN112187547B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276147A (zh) * | 2019-06-24 | 2019-09-24 | 广东工业大学 | 一种基于数字孪生模型的制造系统故障溯源方法、系统 |
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
Non-Patent Citations (2)
Title |
---|
W. LUO: "Digital twin modeling method for CNC machine tool", 《2018 IEEE 15TH INTERNATIONAL CONFERENCE ON NETWORKING, SENSING AND CONTROL (ICNSC)》 * |
沈雁等: "基于改进深度孪生网络的分类器及其应用", 《计算机工程与应用》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113002555B (zh) * | 2021-02-08 | 2022-04-08 | 南京航空航天大学 | 一种数字孪生驱动的智能线控底盘系统及其故障诊断方法 |
CN113002555A (zh) * | 2021-02-08 | 2021-06-22 | 南京航空航天大学 | 一种数字孪生驱动的智能线控底盘系统及其故障诊断方法 |
CN115225495A (zh) * | 2021-04-15 | 2022-10-21 | 中国移动通信有限公司研究院 | 通信系统、方法、第一功能体及存储介质 |
CN113537722B (zh) * | 2021-06-23 | 2023-08-01 | 西安交通大学 | 一种调度规划方法及应用 |
CN113537722A (zh) * | 2021-06-23 | 2021-10-22 | 西安交通大学 | 一种调度规划方法及应用 |
WO2023001174A1 (zh) * | 2021-07-23 | 2023-01-26 | 维沃移动通信有限公司 | 数字孪生方法及装置 |
WO2023001180A1 (zh) * | 2021-07-23 | 2023-01-26 | 维沃移动通信有限公司 | 数字孪生子系统及服务提供装置 |
CN113515098A (zh) * | 2021-07-30 | 2021-10-19 | 青岛海尔工业智能研究院有限公司 | 物流机器人数字孪生系统 |
WO2023045565A1 (zh) * | 2021-09-22 | 2023-03-30 | 中兴通讯股份有限公司 | 网络管控方法及其系统、存储介质 |
CN113890831B (zh) * | 2021-10-20 | 2024-02-13 | 中国联合网络通信集团有限公司 | 一种模拟网络设备的方法、装置及存储介质 |
CN113890831A (zh) * | 2021-10-20 | 2022-01-04 | 中国联合网络通信集团有限公司 | 一种模拟网络设备的方法、装置及存储介质 |
CN114189888A (zh) * | 2021-11-29 | 2022-03-15 | 中国船舶重工集团公司第七一六研究所 | 基于数字孪生的5g融合网架构下多模终端接入系统及方法 |
CN114189888B (zh) * | 2021-11-29 | 2024-02-13 | 中国船舶集团有限公司第七一六研究所 | 基于数字孪生的5g融合网架构下多模终端接入系统及方法 |
WO2023131303A1 (zh) * | 2022-01-10 | 2023-07-13 | 中国移动通信有限公司研究院 | 数字孪生网络的编排方法、数字孪生网络、介质和程序 |
CN114640581A (zh) * | 2022-01-24 | 2022-06-17 | 浪潮通信信息系统有限公司 | 一种基于数字孪生的算力网络处理方法及装置 |
CN114640581B (zh) * | 2022-01-24 | 2024-05-28 | 浪潮通信信息系统有限公司 | 一种基于数字孪生的算力网络处理方法及装置 |
CN114900436A (zh) * | 2022-04-29 | 2022-08-12 | 电子科技大学 | 一种基于多维融合模型的网络孪生方法 |
CN114900436B (zh) * | 2022-04-29 | 2023-03-21 | 电子科技大学 | 一种基于多维融合模型的网络孪生方法 |
CN115190027A (zh) * | 2022-05-24 | 2022-10-14 | 安世亚太科技股份有限公司 | 一种基于网络数字孪生体的自然故障生存性评估方法 |
CN115190027B (zh) * | 2022-05-24 | 2024-01-23 | 安世亚太科技股份有限公司 | 一种基于网络数字孪生体的自然故障生存性评估方法 |
WO2024093584A1 (zh) * | 2022-11-02 | 2024-05-10 | 大唐移动通信设备有限公司 | 一种信息交互方法及装置 |
CN116821403B (zh) * | 2023-08-31 | 2023-12-05 | 超网实业(成都)股份有限公司 | 一种厂区设备的智能运维方法及系统 |
CN116821403A (zh) * | 2023-08-31 | 2023-09-29 | 超网实业(成都)股份有限公司 | 一种厂区设备的智能运维方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112187547B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112187547B (zh) | 一种基于数字孪生的网络系统 | |
Zhao et al. | Intelligent digital twin-based software-defined vehicular networks | |
US10685283B2 (en) | Demand classification based pipeline system for time-series data forecasting | |
US20190102676A1 (en) | Methods and systems for reinforcement learning | |
CN107493334B (zh) | 一种增强云雾计算网络架构系统可靠性的方法 | |
Zhou et al. | [Retracted] Machine Learning‐Based Offloading Strategy for Lightweight User Mobile Edge Computing Tasks | |
CN111147307A (zh) | 基于深度强化学习的服务功能链可靠部署方法 | |
Abdulazeez et al. | Offloading mechanisms based on reinforcement learning and deep learning algorithms in the fog computing environment | |
WO2020112436A1 (en) | 3s-chain: smart, secure, and software-defined networking (sdn)-powered blockchain-powered networking and monitoring system | |
Alnawayseh et al. | Smart congestion control in 5g/6g networks using hybrid deep learning techniques | |
CN112887142B (zh) | 一种虚拟化无线接入边缘云中web应用切片生成方法 | |
CN113312177B (zh) | 一种基于联邦学习的无线边缘计算系统、优化方法 | |
Miozzo et al. | Distributed and multi-task learning at the edge for energy efficient radio access networks | |
Masaracchia et al. | Digital twin for open ran: Towards intelligent and resilient 6g radio access networks | |
Chen et al. | REMR: A reliability evaluation method for dynamic edge computing network under time constraint | |
CN114070775A (zh) | 面向5g智能网联系统的区块链网络切片安全智能优化方法 | |
CN113541986B (zh) | 5g切片的故障预测方法、装置及计算设备 | |
Lin et al. | Heuristic-learning-based network architecture for device-to-device user access control | |
Bai | Modeling analysis of Intelligent Manufacturing System based on SDN | |
Zhang et al. | A novel virtual network fault diagnosis method based on long short-term memory neural networks | |
WO2017023332A1 (en) | Difference datasets | |
US11087033B1 (en) | Tool for design experiments with uncontrolled factors | |
CN112906745B (zh) | 基于边缘协同的诚信智能网络训练方法 | |
Zhang | Large language model in sd-wan intelligent operations and maintenance | |
ADC et al. | An efficient self‐healing network through quadratic probing optimization mechanism |
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 |