CN112437469B - 服务质量保障方法、装置和计算机可读存储介质 - Google Patents
服务质量保障方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN112437469B CN112437469B CN201910787366.0A CN201910787366A CN112437469B CN 112437469 B CN112437469 B CN 112437469B CN 201910787366 A CN201910787366 A CN 201910787366A CN 112437469 B CN112437469 B CN 112437469B
- Authority
- CN
- China
- Prior art keywords
- qos
- sample data
- decision tree
- resource index
- node
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003066 decision tree Methods 0.000 claims abstract description 77
- 238000010801 machine learning Methods 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000000875 corresponding effect Effects 0.000 claims description 58
- 230000015654 memory Effects 0.000 claims description 17
- 230000002596 correlated effect Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000002372 labelling Methods 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
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/24—Negotiating SLA [Service Level Agreement]; Negotiating QoS [Quality of Service]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5003—Managing SLA; Interaction between SLA and QoS
- H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5003—Managing SLA; Interaction between SLA and QoS
- H04L41/5019—Ensuring fulfilment of SLA
- H04L41/5025—Ensuring fulfilment of SLA by proactively reacting to service quality change, e.g. by reconfiguration after service quality degradation or upgrade
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开涉及一种服务质量保障方法、装置和计算机可读存储介质,涉及通信技术领域。该方法包括:响应于进行Qos保障处理,获取相应时刻各基站的多种资源指标的取值及其标签以生产样本数据,标签用于标注当前Qos保障处理是否有效;根据各样本数据中的取值和标签,利用机器学习方法建立决策树模型,决策树模型的每个节点对应一种资源指标,每个节点包括相应资源指标的取值范围、覆盖的样本数据的数量;根据节点的基尼系数和覆盖样本数量,计算该节点相应资源指标与Qos的第一关联权重;根据第一关联权重,在各资源指标中确定Qos的关联资源指标用于判断今后的Qos保障处理是否有效。
Description
技术领域
本公开涉及通信技术领域,特别涉及一种服务质量保障方法、服务质量保障装置和计算机可读存储介质。
背景技术
随着4G网络的普及,4G网络中的数据业务量出现了爆发式的高速增长。全球范围内的移动通信运营商都面临着巨大的网络运营和业务营收的双重压力。
对于不同的手机应用,互联网应用提供商有着不同的QoS(Quality of Service,服务质量)保障需求。例如,视频类的应用强调降低抖动,手机游戏实时类的应用强调减少丢包以及降低网络延时等。在国际3GPP(3rd Generation Partnership Project,第三代合作伙伴计划)的标准架构中,运营商已经具备了可供互联网调用的QoS能力开放接口,接受互联网发起的调用请求并执行QoS提升操作,满足互联网应用的QoS要求。
在相关技术中,基于传统运营经验知识,通过大数据、人工智能方式进行黑箱处理,以预测Qos保障是否有效。
发明内容
本公开的发明人发现上述相关技术中存在如下问题:无法确定Qos保障结果与诸多资源指标之间的关联关系,需要基于各类资源指标判断Qos保障是否有效,导致Qos保障判断的效率低下。
鉴于此,本公开提出了一种服务质量保障技术方案,能够提高Qos保障判断的效率。
根据本公开的一些实施例,提供了一种服务质量保障方法,包括:响应于进行服务质量Qos保障处理,获取相应时刻各基站的多种资源指标的取值及其标签以生产样本数据,所述标签用于标注当前Qos保障处理是否有效;根据各样本数据中的所述取值和所述标签,利用机器学习方法建立决策树模型,所述决策树模型的每个节点对应一种资源指标,所述每个节点包括相应资源指标的取值范围、覆盖的样本数据的数量;根据节点的基尼系数和覆盖样本数量,计算该节点相应资源指标与Qos的第一关联权重;根据所述第一关联权重,在各资源指标中确定Qos的关联资源指标用于判断今后的Qos保障处理是否有效。
在一些实施例中,所述第一关联权重与基尼系数和覆盖样本数量的积正相关,与基尼系数和覆盖样本数量的和负相关。
在一些实施例中,所述计算该节点相应资源指标与Qos的第一关联权重包括:根据节点对应的各样本数据的标签,计算该节点的基尼系数。
在一些实施例中,所述利用机器学习方法建立决策树模型包括:利用机器学习模型,确定所述各样本数据与Qos的第二关联权重;根据所述第二关联权重,在所述各样本数据对应的各资源指标中筛选出各候选指标;根据所述各样本数据中的所述各候选指标,建立所述决策树模型。
在一些实施例中,所述确定所述各样本数据与Qos的第二关联权重包括:利用所述机器学习模型,判断所述各样本数据相应的Qos保障处理是否有效;根据所述各样本数据的判断结果和标签,校验所述机器学习模型;在所述机器学习模型通过校验的情况下,利用所述机器学习模型确定所述第二关联权重。
在一些实施例中,所述计算该节点相应资源指标与Qos的第一关联权重包括:利用所述决策树模型,判断所述各样本数据否满足了Qos保障;根据所述各样本数据的判断结果和标签,校验所述决策树模型;在所述决策树模型通过校验的情况下,根据所述决策树模型计算所述第一关联权重。
在一些实施例中,所述在各资源指标中确定Qos保障的关联资源指标用于判断今后的Qos保障处理是否有效包括:选取所述决策树模型每一层中所述第一关联权重最大的节点对应的资源指标作为关联资源指标。
在一些实施例中,所述在各资源指标中确定Qos保障的关联资源指标用于判断今后的Qos保障处理是否有效包括:获取所述决策树模型中各关联资源指标的取值范围;根据所述取值范围,调整相应的关联资源指标以改善Qos保障。
根据本公开的另一些实施例,提供一种服务质量保障装置,包括:获取单元,用于响应于进行服务质量Qos保障处理,获取相应时刻各基站的多种资源指标的取值及其标签以生产样本数据,所述标签用于标注当前Qos保障处理是否有效;建立单元,用于根据各样本数据中的所述取值和所述标签,利用机器学习方法建立决策树模型,所述决策树模型的每个节点对应一种资源指标,所述每个节点包括相应资源指标的取值范围、覆盖的样本数据的数量;计算单元,用于根据节点的基尼系数和覆盖样本数量,计算该节点相应资源指标与Qos的第一关联权重;确定单元,用于根据所述第一关联权重,在各资源指标中确定Qos的关联资源指标用于判断今后的Qos保障处理是否有效。
在一些实施例中,所述第一关联权重与基尼系数和覆盖样本数量的积正相关,与基尼系数和覆盖样本数量的和负相关。
在一些实施例中,所述计算单元根据节点对应的各样本数据的标签,计算该节点的基尼系数。
在一些实施例中,所述建立单元利用机器学习模型,确定所述各样本数据与Qos的第二关联权重,根据所述第二关联权重,在所述各样本数据对应的各资源指标中筛选出各候选指标,根据所述各样本数据中的所述各候选指标,建立所述决策树模型。
在一些实施例中,所述建立单元利用所述机器学习模型,判断所述各样本数据相应的Qos保障处理是否有效,根据所述各样本数据的判断结果和标签,校验所述机器学习模型,在所述机器学习模型通过校验的情况下,利用所述机器学习模型确定所述第二关联权重。
在一些实施例中,所述计算单元利用所述决策树模型,判断所述各样本数据否满足了Qos保障,根据所述各样本数据的判断结果和标签,校验所述决策树模型,在所述决策树模型通过校验的情况下,根据所述决策树模型计算所述第一关联权重。
在一些实施例中,所述确定单元选取所述决策树模型每一层中所述第一关联权重最大的节点对应的资源指标作为关联资源指标。
在一些实施例中,所述获取单元获取所述决策树模型中各关联资源指标的取值范围用于判断今后的Qos保障处理是否有效。
根据本公开的又一些实施例,提供一种服务质量保障装置,包括:存储器;和耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器装置中的指令,执行上述任一个实施例中的服务质量保障方法。
根据本公开的再一些实施例,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一个实施例中的服务质量保障方法。
在上述实施例中,基于生成的样本数据建立了决策树模型,根据决策树模型各节点的基尼系数和覆盖样本数确定各资源指标与Qos的关联强度,进而确定用于判断Qos保障的关联资源指标。这样,可以准确地解析出影响Qos保障的资源指标,基于这些资源指标能够提高Qos保障判断的效率。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1示出本公开的服务质量保障方法的一些实施例的流程图;
图2示出图1中步骤120的一些实施例的流程图;
图3示出本公开的服务质量保障方法的一些实施例的示意图;
图4示出本公开的服务质量保障装置的一些实施例的框图;
图5示出本公开的服务质量保障装置的另一些实施例的框图;
图6示出本公开的服务质量保障装置的又一些实施例的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
由于无线环境是瞬息多变的,准确来讲每座基站的CPU(Central ProcessingUnit,中央处理器)、容量等众多资源指标是不同且多变的,而且外部也存在众多干扰因素。所以用户在实施Qos保障的过程中,会出现很多QoS能力调用并不能达到满意的效果,甚至增加运营商网络负荷的情况。在某些特殊环境和极端情况下,QoS保障后的效果可能不理想,甚至会出现比保障前网络更差、业务感知下降的情况。
因此为了最大程度地满足互联网应用的保障需求,将QoS保障效果最大化,需要找到Qos保障与无线基站各类资源指标(业务影响因子)之间的关系。这样,可以针对无效Qos保障所涉及的基站进行定向调优。
但是,相关技术中的模型是“黑盒”的,无法获悉其具体判断逻辑。实践中发现有模型仅从数据关系角度进行计算,而忽视了数据自身的定义,甚至出现与自然概念相悖的情况。例如,判断一种生物是不是人类,输入众多特征后模型可能仅根据“是否会跳跃”等不靠谱因素就得出准确度较高的判断。在此黑盒状态下无法进行理论验证或纠偏。
因此,本公开着重对AI(Artificial Intelligence,人工智能)黑盒模型的解剖,不追求大而全、高精度的完美覆盖所有特征(如基站的资源指标),而是抓关键点。也就是说,从众多指标中找到第一关联权重,并且给出阈值,便于业务人员从传统经验和理论角度对该指标及取值区间进行深度分析。本公开将传统经验和新兴技术相结合,开创了一种全新的技术分析模式。
目前,基于传统运营经验知识的相关技术都无法给出Qos保障与各类资源指标之间的关联关系。针对上述问题,本公开可以采用下面的实施例予以解决。
图1示出本公开的服务质量保障方法的一些实施例的流程图。
如图1所示,该方法包括:步骤110,生成样本数据;步骤120,建立决策树模型;步骤130,计算第一关联权重;和步骤140,确定关联资源指标。
在步骤110中,响应于进行服务质量Qos保障处理,获取相应时刻各基站的多种资源指标的取值及其标签以生产样本数据。标签用于标注当前Qos保障处理是否有效。
在一些实施例中,资源指标可以包括:PDCP_SDUMEANDELA YDL(用户面下行包平均时延)、PHY_THROUGHPUTUL_RATE(用户上行调度吞吐率)、PHY_THROUGHPUTDL_RATE(用户下行调度吞吐率)、PUSCHPRDTOTMEANUL_RATE(用户上行调度吞吐率)、PUSCHPRDTOTMEANDL_RATE(用户下行调度吞吐率)、RRC_SUCCCONNESTAB_UE_RATE(用户设备发起的无线资源控制连接建立成功率)、CQI7_RATE(信道质量指标大于等于7的占比)中的多项。
在一些实施例中,首先要进行数据准备。用户每日会产生大量的Qos保障请求,可以根据每条Qos保障请求的时间,获取该时间点无线基站的各类资源指标作为一条样本数据。根据当前Qos保障是否带来效果,将样本数据打上“正”(带来效果)、“负”(未带来效果)标签。
在一些实施例中,样本数据是一个合并数据集,包括两类原始数据“Qos保障请求的相关信息”和“基站各类资源指标”。例如,“Qos保障请求的相关信息”包括Qos保障请求发生的时间、地点等;“基站各类资源指标”包括发生Qos保障请求的基站、在Qos保障时刻各类资源指标负荷情况(取值)等。
一个“Qos保障请求的相关信息”和相应的一条“基站各类资源指标”相联接,并根据Qos保障后时延是否改善打上“正”或“负”标签,构成一条样本数据。
例如,15点有一个Qos保障请求A请求在北京a1基站发生;16点有一个Qos保障请求B在广东b1基站。响应于Qos保障请求A进行Qos保障后,时延降低;响应于Qos保障请求B进行Qos保障后,时延增加。根据步骤110可以得到:
样本数据A{标签=正,Qos保障请求A的时间、地点,a1基站的资源指标1=0.1、资源指标2=0.4、资源指标3=0.1、资源指标4=0.3};
样本数据B{标签=负,Qos保障请求B的时间、地点,b1基站的资源指标1=0.2、资源指标2=0.5、资源指标3=0.2、资源指标4=0.3}。
在步骤120中,根据各样本数据中的取值和标签,利用机器学习方法建立决策树模型。决策树模型的每个节点对应一种资源指标,每个节点包括相应资源指标的取值范围、覆盖的样本数据的数量;
在一些实施例中,根据各样本数据中的取值和标签,利用机器学习方法建立决策树模型,该决策树模型可以用于判断各样本数据对应的Qos保障处理是否有效。
在一些实施例中,可以根据准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1-Measure、AucRoc(Area Under Curve Receiver Operating CharacteristicCurve,接受者操作特征曲线下方面积)等评价指标对决策树模型进行评估。如果决策树模型拟合程度较高,即通过了性能评估,则说明该决策树仍然保留着各因子(各资源指标)间的数学关系,可以用来确定Qos的关联资源指标。
例如,可以利用决策树模型,判断各样本数据相应的Qos保障处理是否有效;根据各样本数据的判断结果和标签,校验决策树模型;在决策树模型通过校验的情况下,根据决策树模型计算第一关联权重。
在一些实施例中,在建立决策树模型之前,可以对样本数据中的各资源指标进行初步筛选,以保留与Qos关联性较强的资源指标用于建立决策树模型。例如,可以通过图2中的实施例筛选资源指标。
图2示出图1中步骤120的一些实施例的流程图。
如图2所示,步骤120包括:步骤1210,确定第二关联权重;步骤1220,筛选候选指标;和步骤1230,建立决策树模型。
在步骤1210,利用机器学习模型,确定各样本数据与Qos的第二关联权重。例如,可以根据样本数据训练机器学习模型,使得机器学习模型能够根据第二关联权重判断样本数据对应的Qos保障处理是否有效。
在步骤1220中,根据第二关联权重,在各样本数据对应的各资源指标中筛选出各候选指标。
在一些实施例中,按照第二关联权重,对各样本数据中的资源指标按照从大到小进行排序。可以选取排名在最前面的多个资源指标作为候选指标。例如,可以根据经验值选取前20%的资源指标作为候选指标(强相关因子)。
在一些实施例中,可以先对机器学习模型进行性能评估,以确定是否可以利用该机器学习模型确定第二关联权重。例如,可以利用机器学习模型判断各样本数据能否满足Qos保障;根据各样本数据的判断结果和标签,校验机器学习模型;在机器学习模型通过校验的情况下,利用机器学习模型确定第二关联权重。在没有通过校验的情况下,可以对机器学习模型进行训练,直到能够通过性能评估。
在一些实施例中,也可以在筛选出候选指标后根据标签对机器学习模型进行评估。例如,如果机器学习模型的评估结果较低,可以补充一部分第二关联权重较低的资源指标(如排名在原候选指标后若干位的资源指标)作为新的候选指标。
在步骤1230中,根据各样本数据中的各候选指标,建立决策树模型。
在一些实施例中,可以根据样本数据构建能够用于判断样本数据相应的Qos保障处理是否有效的机器学习模型,如CNN(Convolutional Neural Networks,卷积神经网络)、LSTM(Long Short-Term Memory,长短期记忆网络)、Random Forest(随即森林)、XGB(extreme gradient boosting,集梯度提升)等。
模型建模调优后,可以对模型进行性能评估。如果机器学习模型拟合程度较高,则说明该机器学习模型已挖掘出多因子间数学关系,此时可以输出该机器学习模型确定的第二关联权重用于筛选候选指标。
建立了决策树模型之后,就可以通过图1中的其他步骤确定关联资源指标了。
在步骤130中,根据节点的基尼系数和覆盖样本数量,计算该节点相应资源指标与Qos的第一关联权重。
在一些实施例中,可以根据节点对应的各样本数据的标签,计算该节点的基尼系数。即根据节点对应的标签为“负”的样本数据数量和标签为“正”的样本数据数量计算该节点的基尼系数。例如,可以根据如下的公式计算机尼系数:
p1为标签为“正”的样本数据数量占总样本数量的比例,p2为标签为“负”的样本数据数量占总样本数量的比例。
在一些实施例中,第一关联权重与基尼系数和覆盖样本数量的积正相关,与基尼系数和覆盖样本数量的和负相关。例如,可以根据如下的公式计算第一关联权重:
Samples为节点覆盖的样本数据的数量。gini越小表示相应的资源指标对Qos保障的影响越大、划分出的样本越纯;Samples越多表示资源指标对Qos保障的影响越大、覆盖的样本越多。
在上述实施例中的第一关联权重不但同时考虑了资源指标对样本纯度和覆盖样本数量的影响,而且均衡了gini和Samples对Qos保障的影响。因此,基于第一关联权重能够准确地对各资源指标对Qos的关联强度进行评估,从而提高预测Qos保障的效率。
在步骤140中,根据第一关联权重,在各资源指标中确定Qos的关联资源指标用于判断今后的Qos保障处理是否有效。
在一些实施例中,可以选取决策树模型每一层中第一关联权重最大的节点对应的资源指标作为关联资源指标。也可以根据业务需要选取相应大小的第一关联权重对应的资源指标作为关联资源指标。
在一些实施例中,可以获取决策树模型中各关联资源指标的取值范围用于判断今后的Qos保障处理是否有效。这样,关注之前确定的关联资源指标是否出于该取值范围内,即可判断Qos保障处理是否有效,从而提高效率。
在一些实施例中,可以建立图3中的实施例所示的决策树模型。
图3示出本公开的服务质量保障方法的一些实施例的示意图。
如图3所示,决策树模型的每一个节点对应一个输入的资源指标,最底层的每一个叶子就是最终分类后的数据。除了最底层的叶子节点以外,每个节点都具有根据样本数据中的取值确定的资源指标的取值范围、gini、Samples、Value和Class。根据样本数据中的资源指标是否满足节点中的的取值范围,发分出True(满足)和False(不满足)两条分支,分别指向其他节点。
Value中的两个值分别为标签为“负”的样本数据数量和标签为“正”的样本数据数量。根据Value中的值和上面的公式即可计算节点对应的gini。Class是该节点的标注结果,为1表示标签为“正”、0表示标签为“负”。Samples的值可以是Value中二值的和。由于采样方式、筛选策略等各种因素的不同,也可以导致Samples的值不是Value中二值的和。
根据上述任一个实施例,可以计算出每个节点的第一关联权重。可以选取决策树模型每一层中第一关联权重最大的节点对应的资源指标作为关联资源指标。例如,图3中的节点31、节点32、节点33和节点34即为关联资源指标,它们构成了第一关联权重最大的分支。
在一些实施例中,第一关联权重最大的分支即为对于Qos保障最关键的分支。可以将该分支中的节点从上到下依次列出(例如,最大可以列出3层),并将节点中的取值范围作为该节点所涉及的资源指标的目标取值范围。例如,可以根据资源指标是否落入相应的目标取值范围,判断Qos保障是否有效,从而提高效率。
在上述实施例中,基于生成的样本数据建立了决策树模型,根据决策树模型各节点的基尼系数和覆盖样本数确定各资源指标与Qos的关联强度,进而确定用于判断Qos保障的关联资源指标。这样,可以准确地解析出影响Qos保障的资源指标,基于这些资源指标能够提高Qos保障判断的效率。
图4示出本公开的服务质量保障装置的一些实施例的框图。
如图4所示,服务质量保障装置,包括获取单元41、建立单元42、计算单元43和确定单元44。
获取单元41响应于进行Qos保障处理,获取相应时刻各基站的多种资源指标的取值及其标签以生产样本数据,标签用于标注当前Qos保障处理是否有效。
在一些实施例中,获取单元获取决策树模型中各关联资源指标的取值范围用于判断今后的Qos保障处理是否有效。
建立单元42根据各样本数据中的取值和标签,利用机器学习方法建立决策树模型。决策树模型的每个节点对应一种资源指标,每个节点包括相应资源指标的取值范围、覆盖的样本数据的数量。
在一些实施例中,建立单元42利用机器学习模型,确定各样本数据与Qos的第二关联权重。建立单元42根据第二关联权重,在各样本数据对应的各资源指标中筛选出各候选指标,根据各样本数据中的各候选指标,建立决策树模型。
在一些实施例中,建立单元42利用机器学习模型,判断各样本数据相应的Qos保障处理是否有效。建立单元42根据各样本数据的判断结果和标签,校验机器学习模型。在机器学习模型通过校验的情况下,建立单元42利用机器学习模型确定第二关联权重。
计算单元43根据节点的基尼系数和覆盖样本数量,计算该节点相应资源指标与Qos的第一关联权重。例如,计算单元43根据节点对应的各样本数据的标签,计算该节点的基尼系数。
在一些实施例中,第一关联权重与基尼系数和覆盖样本数量的积正相关,与基尼系数和覆盖样本数量的和负相关。
在一些实施例中,计算单元43利用决策树模型,判断各样本数据否满足了Qos保障。计算单元43根据各样本数据的判断结果和标签,校验决策树模型。在决策树模型通过校验的情况下,计算单元43根据决策树模型计算第一关联权重。
确定单元44根据第一关联权重,在各资源指标中确定Qos的关联资源指标用于判断今后的Qos保障处理是否有效。
在一些实施例中,确定单元44选取决策树模型每一层中第一关联权重最大的节点对应的资源指标作为关联资源指标。
在上述实施例中,基于生成的样本数据建立了决策树模型,根据决策树模型各节点的基尼系数和覆盖样本数确定各资源指标与Qos的关联强度,进而确定用于判断Qos保障的关联资源指标。这样,可以准确地解析出影响Qos保障的资源指标,基于这些资源指标能够提高Qos保障判断的效率。
图5示出本公开的服务质量保障装置的另一些实施例的框图。
如图5所示,该实施例的服务质量保障装置5包括:存储器51以及耦接至该存储器51的处理器52,处理器52被配置为基于存储在存储器51中的指令,执行本公开中任意一个实施例中的服务质量保障方法。
其中,存储器51例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)、数据库以及其他程序等。
图6示出本公开的服务质量保障装置的又一些实施例的框图。
如图6所示,该实施例的服务质量保障装置6包括:存储器610以及耦接至该存储器610的处理器620,处理器620被配置为基于存储在存储器610中的指令,执行前述任意一个实施例中的服务质量保障方法。
存储器610例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
服务质量保障装置6还可以包括输入输出接口630、网络接口640、存储接口650等。这些接口630、640、650以及存储器610和处理器620之间例如可以通过总线660连接。其中,输入输出接口630为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口650为SD卡、U盘等外置存储设备提供连接接口。
本领域内的技术人员应当明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开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,本公开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非瞬时性存储介质(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。
至此,已经详细描述了根据本公开的服务质量保障方法、服务质量保障装置和计算机可读存储介质。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
可能以许多方式来实现本公开的方法和系统。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明,本公开的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本公开实施为记录在记录介质中的程序,这些程序包括用于实现根据本公开的方法的机器可读指令。因而,本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (18)
1.一种服务质量保障方法,包括:
响应于进行服务质量Qos保障处理,获取相应时刻各基站的多种资源指标的取值及其标签以生产样本数据,所述标签用于标注当前Qos保障处理是否有效;
根据各样本数据中的所述取值和所述标签,利用机器学习方法建立决策树模型,所述决策树模型的每个节点对应一种资源指标,所述每个节点包括相应资源指标的取值范围、覆盖的样本数据的数量;
根据节点的基尼系数和覆盖样本数量,计算该节点相应资源指标与Qos的第一关联权重;
根据所述第一关联权重,在各资源指标中确定Qos的关联资源指标用于判断今后的Qos保障处理是否有效。
2.根据权利要求1所述的服务质量保障方法,其中,
所述第一关联权重与基尼系数和覆盖样本数量的积正相关,与基尼系数和覆盖样本数量的和负相关。
3.根据权利要求1所述的服务质量保障方法,其中,所述计算该节点相应资源指标与Qos的第一关联权重包括:
根据节点对应的各样本数据的标签,计算该节点的基尼系数。
4.根据权利要求1所述的服务质量保障方法,其中,所述利用机器学习方法建立决策树模型包括:
利用机器学习模型,确定所述各样本数据与Qos的第二关联权重;
根据所述第二关联权重,在所述各样本数据对应的各资源指标中筛选出各候选指标;
根据所述各样本数据中的所述各候选指标,建立所述决策树模型。
5.根据权利要求4所述的服务质量保障方法,其中,所述确定所述各样本数据与Qos的第二关联权重包括:
利用所述机器学习模型,判断所述各样本数据相应的Qos保障处理是否有效;
根据所述各样本数据的判断结果和标签,校验所述机器学习模型;
在所述机器学习模型通过校验的情况下,利用所述机器学习模型确定所述第二关联权重。
6.根据权利要求1所述的服务质量保障方法,其中,所述计算该节点相应资源指标与Qos的第一关联权重包括:
利用所述决策树模型,判断所述各样本数据否满足了Qos保障;
根据所述各样本数据的判断结果和标签,校验所述决策树模型;
在所述决策树模型通过校验的情况下,根据所述决策树模型计算所述第一关联权重。
7.根据权利要求1-6任一项所述的服务质量保障方法,其中,所述在各资源指标中确定Qos的关联资源指标用于判断今后的Qos保障处理是否有效包括:
选取所述决策树模型每一层中所述第一关联权重最大的节点对应的资源指标作为关联资源指标。
8.根据权利要求1-6任一项所述的服务质量保障方法,其中,所述在各资源指标中确定Qos的关联资源指标用于判断今后的Qos保障处理是否有效包括:
获取所述决策树模型中各关联资源指标的取值范围用于判断今后的Qos保障处理是否有效。
9.一种服务质量保障装置,包括:
获取单元,用于响应于进行服务质量Qos保障处理,获取相应时刻各基站的多种资源指标的取值及其标签以生产样本数据,所述标签用于标注当前Qos保障处理是否有效;
建立单元,用于根据各样本数据中的所述取值和所述标签,利用机器学习方法建立决策树模型,所述决策树模型的每个节点对应一种资源指标,所述每个节点包括相应资源指标的取值范围、覆盖的样本数据的数量;
计算单元,用于根据节点的基尼系数和覆盖样本数量,计算该节点相应资源指标与Qos的第一关联权重;
确定单元,用于根据所述第一关联权重,在各资源指标中确定Qos的关联资源指标用于判断今后的Qos保障处理是否有效。
10.根据权利要求9所述的服务质量保障装置,其中,
所述第一关联权重与基尼系数和覆盖样本数量的积正相关,与基尼系数和覆盖样本数量的和负相关。
11.根据权利要求9所述的服务质量保障装置,其中,
所述计算单元根据节点对应的各样本数据的标签,计算该节点的基尼系数。
12.根据权利要求9所述的服务质量保障装置,其中,
所述建立单元利用机器学习模型,确定所述各样本数据与Qos的第二关联权重,根据所述第二关联权重,在所述各样本数据对应的各资源指标中筛选出各候选指标,根据所述各样本数据中的所述各候选指标,建立所述决策树模型。
13.根据权利要求12所述的服务质量保障装置,其中,
所述建立单元利用所述机器学习模型,判断所述各样本数据相应的Qos保障处理是否有效,根据所述各样本数据的判断结果和标签,校验所述机器学习模型,在所述机器学习模型通过校验的情况下,利用所述机器学习模型确定所述第二关联权重。
14.根据权利要求9所述的服务质量保障装置,其中,
所述计算单元利用所述决策树模型,判断所述各样本数据否满足了Qos保障,根据所述各样本数据的判断结果和标签,校验所述决策树模型,在所述决策树模型通过校验的情况下,根据所述决策树模型计算所述第一关联权重。
15.根据权利要求9-14任一项所述的服务质量保障装置,其中,所述确定单元选取所述决策树模型每一层中所述第一关联权重最大的节点对应的资源指标作为关联资源指标。
16.根据权利要求9-14任一项所述的服务质量保障装置,其中,
所述获取单元获取所述决策树模型中各关联资源指标的取值范围用于判断今后的Qos保障处理是否有效。
17.一种服务质量保障装置,包括:
存储器;和
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器装置中的指令,执行权利要求1-8任一项所述的服务质量保障方法。
18.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现权利要求1-8任一项所述的服务质量保障方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910787366.0A CN112437469B (zh) | 2019-08-26 | 2019-08-26 | 服务质量保障方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910787366.0A CN112437469B (zh) | 2019-08-26 | 2019-08-26 | 服务质量保障方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112437469A CN112437469A (zh) | 2021-03-02 |
CN112437469B true CN112437469B (zh) | 2024-04-05 |
Family
ID=74689618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910787366.0A Active CN112437469B (zh) | 2019-08-26 | 2019-08-26 | 服务质量保障方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112437469B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379301A (zh) * | 2021-06-29 | 2021-09-10 | 未鲲(上海)科技服务有限公司 | 通过决策树模型对用户进行分类的方法、装置和设备 |
CN114660939A (zh) * | 2022-03-29 | 2022-06-24 | 北京百度网讯科技有限公司 | 对象控制方法及装置、电子设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007098691A1 (fr) * | 2006-02-28 | 2007-09-07 | Huawei Technologies Co. Ltd. | Procédé et système pour assurer la qualité de service dans des systèmes de communication |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9264928B2 (en) * | 2011-11-04 | 2016-02-16 | Interdigital Patent Holdings, Inc. | Methods, apparatus and systems for minimization of drive tests (MDT) based on QoS verifications |
IN2013MU02254A (zh) * | 2013-07-03 | 2015-06-19 | Tata Consultancy Services Ltd | |
CN107292186B (zh) * | 2016-03-31 | 2021-01-12 | 阿里巴巴集团控股有限公司 | 一种基于随机森林的模型训练方法和装置 |
US10289473B2 (en) * | 2017-03-23 | 2019-05-14 | Netscout Systems, Inc. | Situation analysis |
-
2019
- 2019-08-26 CN CN201910787366.0A patent/CN112437469B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007098691A1 (fr) * | 2006-02-28 | 2007-09-07 | Huawei Technologies Co. Ltd. | Procédé et système pour assurer la qualité de service dans des systèmes de communication |
Also Published As
Publication number | Publication date |
---|---|
CN112437469A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111726833B (zh) | 一种网络负载均衡方法、装置和存储介质 | |
US10153955B2 (en) | Network selection using current and historical measurements | |
CN113261244B (zh) | 联合mec主机和upf选择的网络节点 | |
CN105554782B (zh) | 用户感知指标的预测方法和装置 | |
WO2019184640A1 (zh) | 一种指标确定方法及其相关设备 | |
CN112437469B (zh) | 服务质量保障方法、装置和计算机可读存储介质 | |
CN112020098B (zh) | 负荷均衡方法、装置、计算设备及计算机存储介质 | |
CN109640340A (zh) | 基站数据处理方法、装置、设备及计算机可读存储介质 | |
WO2022110975A1 (zh) | 联邦学习参与者选择方法、装置、设备和存储介质 | |
CN106934514A (zh) | 一种回归模型的生成方法以及装置 | |
CN107809766B (zh) | 一种用于网络优化的机器学习样本的生成方法及装置 | |
CN110856188B (zh) | 通信方法、装置、系统和计算机可读存储介质 | |
EP3266258B1 (en) | Predicting available access points | |
CN113660687B (zh) | 网络差小区处理方法、装置、设备及存储介质 | |
CN108770057A (zh) | 预定指纹库的确定方法及指纹定位方法、装置、存储介质 | |
CN115884213A (zh) | 一种资源调度方法、装置及电子设备 | |
Ahmed et al. | Predicting high delays in mobile broadband networks | |
CN110753117B (zh) | 一种无线城域网环境下兼顾隐私保护的计算迁移方法 | |
WO2016194498A1 (ja) | 通信速度制限ユーザ抽出装置、スループット推定装置、通信速度制限ユーザ抽出方法、スループット推定方法、通信速度制限ユーザ抽出プログラム、及びスループット推定プログラム | |
CN114745289A (zh) | 网络性能数据的预测方法、装置、存储介质及设备 | |
CN112637904A (zh) | 负载均衡方法、装置及计算设备 | |
CN115437858A (zh) | 边缘节点异常定位方法、装置、设备及计算机程序产品 | |
CN111225382B (zh) | 一种lte功能特性选择方法及系统 | |
Lu et al. | Big-data-driven dynamic clustering and load balancing of virtual base stations for 5G fronthaul network | |
CN112533253B (zh) | 移动网络信号强度计算方法、装置、电子设备及存储介质 |
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 |