CN112511342A - 网络切片方法、装置、电子设备及存储介质 - Google Patents

网络切片方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112511342A
CN112511342A CN202011280927.7A CN202011280927A CN112511342A CN 112511342 A CN112511342 A CN 112511342A CN 202011280927 A CN202011280927 A CN 202011280927A CN 112511342 A CN112511342 A CN 112511342A
Authority
CN
China
Prior art keywords
network
slicing
service
request
intention
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
CN202011280927.7A
Other languages
English (en)
Other versions
CN112511342B (zh
Inventor
杨辉
孙政洁
姚秋彦
包博文
李超
张�杰
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202011280927.7A priority Critical patent/CN112511342B/zh
Priority to US17/130,302 priority patent/US11563651B2/en
Publication of CN112511342A publication Critical patent/CN112511342A/zh
Application granted granted Critical
Publication of CN112511342B publication Critical patent/CN112511342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0893—Assignment of logical groups to network elements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/11—Identifying congestion
    • 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
    • H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
    • H04L41/5045—Making service definitions prior to deployment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0806—Configuration setting for initial configuration or provisioning, e.g. plug-and-play
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
    • H04L41/082—Configuration setting characterised by the conditions triggering a change of settings the condition being updates or upgrades of network functionality
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
    • 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
    • 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
    • H04L41/5041—Network service management, e.g. ensuring proper service fulfilment according to agreements characterised by the time relationship between creation and deployment of a service
    • H04L41/5054—Automatic deployment of services triggered by the service manager, e.g. service implementation by automatic configuration of network components
    • 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
    • H04L41/12—Discovery or management of network topologies
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/16—Threshold monitoring

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Physiology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本说明书提供了一种网络切片方法，包括：接收到至少一个用户的业务请求意图后，分别确定每个业务请求意图对应的业务关键词；基于预先建立的业务关键词‑网络指标需求的映射模型，根据每个业务请求意图对应的业务关键词，分别将每个业务请求意图转换为网络指标请求，其中，每个网络指标请求包括针对至少一个网络指标的需求；基于网络切片模型，根据所述至少一个网络指标请求以及当前网络的环境状态，确定网络切片策略，并进行网络切片；其中，所述网络切片模型为根据至少一个网络指标请求以及网络环境状态确定网络切片配置参数的深度神经网络模型。本说明书还提供了一种网络切片装置、电子设备以及计算机可读存储介质。

Description

网络切片方法、装置、电子设备及存储介质
技术领域
本说明书一个或多个实施例涉及网络控制技术领域，尤其涉及一种网络切片方法、装置、电子设备及存储介质。
背景技术
随着通信网络的发展，网络用户和设备的急速增长，网络发展迅速且多元，当前的网络具有高度的动态性和多变性，网络的需求也各不相同，因此，网络需要端到端进行切片策略来处理差异化的服务。
但是，随着技术的不断发展，切片技术给网络带来了灵活性的同时，还增加了管理的复杂性。同时，越来越多的新兴服务需要与动态环境进行交互，还需要满足用户的期望。通常，基于上述需求，业务之间的交互操作依赖于运营商的人工操作，而这种人工方式缺乏灵活性和及时性。
发明内容
有鉴于此，本说明书一个或多个实施例提出一种网络切片方法，可以自动解析业务请求所代表的意图，并将其转化为对各种网络指标的要求，然后还可以根据上述对各种网络指标的要求完成网络切片，具有较高的灵活性和及时性。
本说明书实施例所述的网络切片方法包括：接收到至少一个业务请求意图后，分别确定每个业务请求意图对应的业务关键词；基于预先建立的业务关键词-网络指标需求的映射模型，根据每个业务请求意图对应的业务关键词，分别将每个业务请求意图转换为网络指标请求，其中，每个网络指标请求包括针对至少一个网络指标的需求；基于网络切片模型，根据所述至少一个网络指标请求以及当前网络的环境状态，确定网络切片策略，并进行网络切片；其中，所述网络切片模型为根据至少一个网络指标请求以及网络环境状态确定网络切片配置参数的深度神经网络模型。
在本说明书的实施例中，上述分别确定每个业务请求意图对应的业务关键词包括：利用分词工具，对所述业务请求意图进行分词处理，得到所述业务请求意图包含的至少一个词语；以及基于预先建立的候选关键词库，利用关键词提取算法，根据所述至少一个词语从所述候选关键词库中确定所述业务请求意图对应的业务关键词。
在本说明书的实施例中，上述基于预先建立的业务关键词-网络指标需求的映射模型，根据每个业务请求意图对应的业务关键词，分别将每个业务请求意图转换为网络指标请求包括：基于预先建立的业务关键词-网络指标需求的映射模型，确定该业务请求意图所对应业务关键词对应的针对至少一个网络指标的要求；以及基于所述确定的针对至少一个网络指标的要求，将所述业务请求意图转换为网络指标请求；其中，所述网络指标请求中包括针对所述至少一个网络指标的要求。
在本说明书的实施例中，上述网络切片模型根据所述至少一个网络指标请求以及当前网络的环境状态从预先建立的网络切片策略库中查找奖励值最大的网络切片策略，作为所述确定的网络切片策略。
在本说明书的实施例中，上述网络切片策略库通过如下方法建立：设定网络环境、状态空间参数以及网络指标请求结构，其中，网络指标请求结构包括：对象、操作、结果等多维信息；设定动作空间参数，通过组合包括路由规则、业务排序规则等多种细粒度策略，生成对网络执行配置动作的切片策略；记录所述细粒度策略的选取与网络性能指标NPI各个分量的改变量；设定切片策略的奖励参数；根据设定的奖励参数确定每种切片动作的奖励值；以及将其中对应最大奖励值的切片测量计入所述网络切片策略库。
在本说明书的实施例中，上述深度神经网络模型为深层确定政策梯度(DDPG)模型；其中，所述根据所述至少一个网络指标请求以及当前网络的环境状态，确定网络切片策略包括：基于所述DDPG模型，分别根据每个网络切片策略μ以及当前的状态特征st选取动作at；确定所述状态特征下选取动作at时的奖励值，作为当前切片策略μ对应的奖励值；以及从中选择最大的奖励值对应的切片策略作为所述网络切片策略，并根据所述网络切片策略进行网络切片。
在本说明书的实施例中，上述方法进一步包括：从网络切片中确定与业务请求意图不相容的资源切片；初始化深度神经进化网络(DNEN)，确定DNEN输入输出关系；对所述DNEN网络基因组进行编码；生成初始网络总体，当计算出的最佳适应度小于预先设置的准确度阈值时，选择体质较高的基因组，通过交叉和变异不断产生后代，直到计算出的最佳适应度不小于准确度阈值；设定用于确定何时进行切片重构的阈值拥塞熵函数；当根据所述阈值拥塞熵函数确定的联合拥塞熵达到预先设置的阈值时，将定位操作的结果反馈给所述深度神经网络，由所述深度神经网络在所述定位操作的结果对应的网络切片上进行重构操作。
对应上述网络切片方法，本说明书的实施例还提供了一种网络切片装置，包括：
业务关键词提取模块，用于在接收到至少一个业务请求意图后，分别确定每个业务请求意图对应的业务关键词；
网络指标请求生成模块，用于基于预先建立的业务关键词-网络指标需求的映射模型，根据每个业务请求意图对应的业务关键词，分别将每个业务请求意图转换为网络指标请求，其中，每个网络指标请求包括针对至少一个网络指标的需求；以及
网络切片模块，基于网络切片模型，根据所述至少一个网络指标请求以及当前网络的环境状态，确定网络切片策略，并进行网络切片；其中，所述网络切片模型为根据至少一个网络指标请求以及网络环境状态确定网络切片配置参数的深度神经网络模型。
本说明书的一个或多个实施例还提供了一种电子设备，可以包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现上述网络切片方法。
本说明书的一个或多个实施例还提供了一种非暂态计算机可读存储介质，其中，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述网络切片方法。
可以看出，本说明书实施例所述的网络切片方法、装置、电子设备以及计算机可读存储介质可以自动解析业务请求意图所代表的意图，并将其转化为对各种网络指标的要求，然后，还可以根据上述对各种网络指标以及当前的网络状态寻找较佳的网络切片策略，并完成网络切片。上述网络切片方案不仅可以满足用户的业务需求，同时还具有较高的灵活性和及时性。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1显示了本说明书一些实施例所述的网络切片方法的实现流程；
图2显示了本说明书一些实施例所述的确定一个业务请求意图对应的业务关键词的实现流程；
图3显示了本说明书一些实施例所述的创建网络切片策略库的方法流程；
图4显示了本说明书一些实施例所述的确定网络切片测量的方法流程；
图5显示了本说明书一些实施例所述的网络切片重新配置操作方法流程；
图6显示了本说明书一些实施例所述的网络切片装置的内部结构示意图；
图7显示了本说明书一些实施例所述的电子设备的内部结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
为了解决人工方式进行网络切片所带来的不便性，本说明书的实施例将采取基于意图的网络切片方法，该网络切片方法可以实现根据业务请求意图的意图确定切片策略，从而进行灵活并且快速的网络切片。
在本说明书的实施例中，上述意图的本质是体现网络中不同业务携带的多样化特征到网络策略或动作之间的映射关系，表征着业务对网络实施某种变化的动机。而策略是指在强意图约束下自动生成的对网络的配置手段，是实现意图目标的具体执行方案。用户下发业务请求意图时只需要表达业务诉求，从而表明其意图。网络侧通过对意图的解析可以得到针对网络切片的策略，并且这种意图到策略的映射通常为一对多的关系，即通过组合多种细粒度策略来共同达成一个意图目标。也就是说，用户的意图诉求一般由多种策略通过组合来共同实现。这是一个智能实现的过程，也称为智能策略。智能策略是对网络一系列的配置规则，这些规则用来控制和管理网络资源，定义了网络在意图约束下可以做的动作，实现了意图与策略的最优适配。
下面将结合附图详细说明本说明书一些实施例所述的基于意图的网络切片方法。
图1显示了本说明书一些实施例所述的网络切片方法的实现流程。在本说明书的实施例中，该网络切片方法可以由执行网络切片操作的网络切片服务器来完成。如图1所示，该方法可以包括：
在步骤102：接收到至少一个业务请求意图后，分别确定每个业务请求意图对应的业务关键词。
在本说明书的实施例中，上述业务请求意图可以是由自然语言承载的，表达了用户的业务意图，也就是表达了用户的业务需求。因此，在上述步骤102中，需要对来自用户的业务请求意图进行意图解析，确定每个业务请求意图对应的业务关键词，也就是确定用户的意图。
具体地，上述步骤102可以通过图2所示的方法实现。如图2所示，确定一个业务请求意图对应的业务关键词的方法具体可以包括：
在步骤202，利用分词工具，对接收的业务请求意图进行分词处理，得到上述业务请求意图包含的至少一个词语。
具体地，可以利用分词工具，根据词性、索引、自定义字典等多维信息对业务请求意图进行分词。
在步骤204，基于预先建立的候选关键词库，利用关键词提取算法，根据上述至少一个词语从上述候选关键词库中确定上述业务请求意图对应的业务关键词。
在本说明书的实施例中，在进行关键词提取的过程中，需要预先建立一个候选关键词库。具体地，可以通过预先学习与物联网业务意图相关的语言资料，得到与物联网业务意图相关的词语，然后将这些词语加入一个词语库中，即可得到上述候选关键词库。在一些具体的实施方式中，光网络意图相关的语料可以来自于NLTK库。通常，NLTK库提供了众多领域的语料资源，鉴于其语料资源全部为英文，在本说明书的实施例中，可以预先对NLTK中与物联网业务相关的语料进行了翻译，得到目标语言的语料，从而建立上述候选关键词库。
在本说明书的一些实施例中，上述关键词提取算法具体可以是基于潜在狄利克雷分配的意图分析(IA-LDA，Intent Analysis based on Latent Dirichlet Allocation)方法。在该方法中，首先，计算意图主题的分布，根据词汇分布和意图对应的主题进行迭代，计算出意图的主题分布和候选关键词分布；然后，再计算意图和候选关键词的主题相似度并进行排序，从中选取前n个词作为最终提取到的有效关键词。
此外，在本说明书的另一些实施例中，在上述步骤204中，也可以通过计算上述候选关键词库中的每个候选关键词与上述至少一个词语中每个词语的相关度，并从上述候选关键词库中找出与上述至少一个词语的相关度最高的候选关键词的方法，来确定上述业务请求意图对应的业务关键词。
此外，在本说明书的又一些实施例中，上述步骤204具体可以通过如下步骤实现：
在步骤2042，对于上述经过分词后得到的至少一个词语中的每个词语，分别确定该词语与该业务请求意图的相关度。
具体地，假设Ik代表第k个业务请求意图；wi代表业务请求意图Ik经过分词后得到的至少一个词语中的第i个词语。此时，p(wi|Ik)代表wi与Ik的相关度。
其中，在本说明书的实施例中，上述p(wi|Ik)可以通过如下表达式确定。
p(wi|Ik)＝p(wi|zj)*p(zj|Ik)
其中，zj代表wi对应的主题，也可以认为是wi对应的候选关键词。
通过上述表达式，可以计算出wi在上述业务请求意图文本中的概率分布。
在步骤2044，将上述至少一个词语中与业务请求意图的相关度最高的词语，作为上述业务请求意图的业务关键词。
也就是说，在上例中，对于上述Ik，选择p(wi|Ik)最高的wi作为其关键词。
在步骤104，基于预先建立的业务关键词-网络指标需求的映射模型，根据每个业务请求意图对应的业务关键词，分别将每个业务请求意图转换为网络指标请求，其中，每个网络指标请求包括针对至少一个网络指标的需求。
在本说明书的实施例中，由于提取出的业务关键词无法被网络切片的决策层理解，因此，需要经过意图解析制定一种标准化的数据模型来描述用户的业务意图。也即，需要将上述提取出的业务关键词信息封装成标准的数据格式，上述封装的过程是基于预先建立的业务关键词-网络指标需求的映射模型来实现的，该模型包含了当前多样化的业务关键词到各种网络指标需求的映射关系。在本说明书的实施例中，上述网络指标具体可以包括：带宽、时延、抖动、误码率、容错率以及会话层数据包丢失率等等中的一个或者多个。
具体地，在本说明书的实施例中，可以通过意图北向接口(Intent North-BoundInterface，IntentNBI)来进行上述业务意图解析，从而得到上述业务关键词-网络指标需求的映射模型。如下表1则显示了一个业务关键词-网络指标需求的映射模型的具体示例——业务关键词-网络指标需求映射表。
Figure BDA0002780681510000071
Figure BDA0002780681510000081
表1
从上述表1可以看出，每个业务关键词都对应针对一系列网络指标的具体需求，从而，通过查询上述表1即可将业务请求意图的业务关键词映射为一系列网络指标的具体要求。
如此，在本说明书的实施例中，针对每一个业务请求意图，上述步骤104具体可以包括：
在步骤1042，基于预先建立的业务关键词-网络指标需求的映射模型，确定该业务请求意图所对应业务关键词对应的针对至少一个网络指标的要求。
具体地，在本说明书的实施例中，可以基于上述表1所示的业务关键词-网络指标需求映射表，利用业务请求意图对应的业务关键词，通过查表得到该业务请求意图所对应的至少一个网络指标的要求。例如，基于上述表1，针对电话会议这一业务关键词，可以确定其带宽要求为460kbps，其端到端时延要求为15ms/节点，其传输时延要求为1ms，其抖动要求为30ms，其误码率要求为3％，以及其会话层数据包丢失率要求为1％等等。又例如，针对语音消息这一业务关键词，可以确定该项业务其带宽的要求是60-80kbps，其端到端时延的要求是1s，其传输时延的要求是2s，其抖动的要求是100ms，其误码率的要求是3％，以及其会话层数据包丢失率的要求是小于<2％等等。
在步骤1044，基于上述确定的针对至少一个网络指标的要求，将上述业务请求意图转换为网络指标请求；其中，上述网络指标请求中包括针对上述至少一个网络指标的要求。
在本说明书的实施例中，上述网络指标请求可以包括标识(ID)字段以及操作(Operation)字段。其中，标识字段用于携带可以唯一标识该网络指标请求的ID，以避免不同请求在不同实体之间的冲突。操作字段一方面包括本次业务请求意图的源节点的地址信息，另一方面还包括了上述至少一个网络指标的要求。
在本说明书的另一些实施例中，上述网络指标请求可以采用一种通用的报文格式，以方便在不同的协议层实体之间传递信息。例如，除了上述标识字段以及操作字段，上述网络指标请求还可以包括类型(Type)字段和对象(Object)字段。其中，上述类型字段用于设置报文的类型，在本说明书的实施例中，通常可以设置为请求类型(Request)。上述对象字段用于表示报文的对象，在本说明书的实施例中，通常可以设置为连接(Connection)。
例如，对于一个业务请求意图，其对应的源节点地址信息“10.108.69.3”，其对应的带宽要求是200M，时延要求是10ms，则该业务请求意图对应的网络指标请求可表示为如下报文的格式：
Figure BDA0002780681510000091
在步骤106，基于网络切片模型，根据上述至少一个网络指标请求以及当前网络的环境状态，确定网络切片策略，并进行网络切片。其中，上述网络切片模型为根据至少一个网络指标请求以及网络环境状态确定网络切片配置参数的深度神经网络模型。
具体地，在本说明书的实施例中，上述网络切片模型将根据上述至少一个网络指标请求以及当前网络的环境状态从预先建立的网络切片策略库中查找奖励值最大的网络切片策略，作为上述确定的网络切片策略，并根据确定的网络切片策略进行网络切片。
其中，在本说明书的实施例中，上述网络切片策略库主要包含路由策略以及业务排序策略两类细粒度策略组成。其中，上述路由策略可以包括：首次命中算法、源宿节点固定路由算法(如Dijkstra算法)、源宿节点带候选路径的固定路由算法(如K短路径算法)及自适应选路算法。因此，在本说明书的实施例中，即可以根据上述至少一个网络指标请求和当前网络带宽占用情况选择合适的路由策略。此外，上述业务排序策略可以包括：按照业务优先级排序、按所需带宽进行排序以及按业务路径和跳数进行排序等等，设计业务排序规则的原因在于多个业务请求意图同时下发时，由于网络资源的限制，可能造成多个业务请求意图之间的冲突。而通过设置业务排序策略可以对业务请求意图进行排序从而避免业务请求意图之间的冲突。
可以看出，本说明书实施例所述的网络切片方法可以自动解析业务请求意图所代表的意图，并将其转化为对各种网络指标的要求，然后，还可以根据上述对各种网络指标以及当前的网络状态寻找较佳的网络切片策略，从而完成网络切片。上述网络切片方案不仅可以满足用户的业务需求，同时还具有较高的灵活性和及时性。
具体地，在本说明书的实施例中，上述网络切片策略库可以通过如图3所示的方法创建：
在步骤302，设定网络环境、状态空间参数以及网络指标请求结构，其中，网络指标请求结构包括：对象、操作、结果等多维信息。
在本说明书的实施例中，上述网络环境是指当决策发生之前，网络整个状态的感知；状态空间是指进行决策之前通过自身感知获取对外部环境的完整描述；网络请求结构具体是指在给定的状态空间下，要采取决策的映射，因此，包括对象、操作、结果等等。
在步骤304，设定动作空间参数，通过组合包括路由规则、业务排序规则等多种细粒度策略，生成对网络执行配置动作的切片策略。
其中，每个切片策略对应一个切片动作，而切片动作为一个松散耦合、可扩展的切片策略集合。
在步骤306，记录上述细粒度策略的选取与网络性能指标(Network PerformanceIndicator，NPI)各个分量的改变量。
在本说明书的实施例中，上述细粒度策略与NPI直接相关，其中，对细粒度策略的选取会直接影响NPI的各个分量。其中，NPI的分量包括：负载、阻塞率、负载均衡、时延等。
在步骤308，设定切片策略的奖励参数。
例如，假设设置一个操作涉及的三个细粒度策略，可以形式化为A＝(ΔSS，ΔCRS，ΔSRS)，其中，ΔSS，ΔCRS，ΔSRS对应于净现值某个组成部分的变化幅度。A代表三个细粒度策略所组合成切片策略的奖励参数。
其中，切片策略的奖励参数具体是指执行切片策略后计算的反馈函数。在本说明书的实施例中，整合最佳切片策略动作的目的是寻找具有最高切片奖励的组合策略。
也就是说，在上述步骤304-308中，可以将路由策略和业务排序策略组合，得到多种切片策略，并设定各个切片测量的奖励参数，用于评价各个切片策略。
在步骤310，采用二值量化的VIr来分别判断各个切片策略是否满足业务请求意图Ir。
具体地，在本说明书的实施例中，上述二值量化具体可以通过如下表达式表示：
Figure BDA0002780681510000111
其中，Iri为Ir向量的分量；VIri代表Ir向量的分量是否得到满足。
在步骤312，根据设定的奖励参数确定每种切片动作的奖励值。
在本说明书的实施例中，可以通过如下表达式设定奖励函数，从而确定切片策略对应的奖励值。
rs＝rs,Ir+rs,NPI
其中，rs为状态s下的奖励；rs,Ir代表上述奖励函数中的奖励部分，该奖励部分与业务请求意图Ir相关；rs,NPI表上述奖励函数中的惩罚部分，该惩罚部分与网络性能指标NPI相关。其中，状态s即是是指选择某个策略的状态，当处在状态s时，表示网络采取了该策略对应的动作。
在本说明书的实施例中，上述奖励函数中的奖励部分rs,Ir可由如下表达式确定：
Figure BDA0002780681510000112
其中，dim(s)为上述状态s向量的维度。在业务请求意图Ir的某一分量得到满足时，rs,Ir将给予一个正反馈，且小于或等于s向量的维度。而业务请求意图Ir均不满足时，rs,Ir返回0。
在本说明书的一些实施例中，上述奖励函数中的惩罚部分rs,NPI可由如下表达式确定：
Figure BDA0002780681510000113
其中，
Figure BDA0002780681510000114
代表将NPI向量各分量归一化。这是由于网络性能指标在各维度值上存在较大的差异，因此，在本例中使用一个规范化函数将每个维度的值规范化为[0,1]，避免了某些度量的支配地位。
此外，在本说明书的另一些实施例中，还可以为NPI的每个维度设置不同的权重因子ωj。在这种情况下，上述奖励函数中的惩罚部分rs,NPI可由如下表达式确定：
Figure BDA0002780681510000121
如上奖励函数可以看出，当细粒度策略组合对应的切片动作满足业务请求意图时则获得较大奖励，而不满足时则不给予奖励或很少奖励。同时，网络资源的利用率越高，则奖励越大，而资源利用率越低，则奖励越少。因此，需要不断调整切片策略，在业务请求意图的满足以及和NPI之间找到一个平衡点，使奖励最大化。
在步骤314，将其中对应最大奖励值的切片测量计入上述网络切片策略库。
在建立了网络切片策略库之后，可以基于该网络切片策略库，利用深度神经网络模型，根据上述至少一个网络指标请求以及当前的网络环境状态，确定网络切片策略，并进行网络切片。具体地，在上述步骤106中，可以通过深度神经网络模型分析出所有可能的网络切片策略，并得到各网络切片策略的奖励值；然后，再选择具有最大奖励值的网络切片策略进行网络切片。
在本说明书的一些实施例中，上述深度神经网络模型可以为深层确定政策梯度(Deep Deterministic Policy Gradient，DDPG)模型。DDPG模型是深度强化学习中的一种。DDPG模型包含行动网络(Actor)和评价网络(Critic)两个网络，其中，Actor网络以状态s为输入，拟合策略π，输出行动a＝π(s)，即基于当前状态s直接选择行动a。Critic网络以状态s和行动a为输入，以累计奖励Q(s,a)为输出，用于评估状态s下采取行动a的效果。Actor网络用于采取行动，Critic网络用于估计行动奖励，以评价行动优劣，二者协同不断改善决策效果，最终实现自主决策。
下面就以DDPG模型为例具体说明确定网络切片测量的方法。具体地，可以在上述步骤106中，针对上述网络切片策略库中的每一个网络切片策略μ，分别执行如图4所示的操作。
在步骤402，基于DDPG模型，根据上述网络切片策略μ以及当前的状态特征st选取动作at。
具体地，在本说明书的实施例中，上述动作at的选取过程可以通过如下表达式表达：
at＝μ(st|θμ)
其中，θμ是产生确定性动作的策略网络的参数，与网络切片策略μ有关。
在本说明书的实施例中，上述状态特征st是通过感知获取的对外部环境的完整描述，可以包括上述至少一个网络指标请求所包含的针对网络指标的要求以及网络当前的NPI。
其中，上述针对网络指标的要求是指与上述至少一个业务请求意图对应的网络指标请求中包含的针对至少一个网络指标的要求，可以通过网络指标需求集合(Ir1，Ir2，…，Irn)表示，其中，Iri对应第i个网络指标请求(业务请求意图)，用于表示该网络指标请求中包含的针对至少一个网络指标的要求。
此外，上述网络当前的NPI可以包括阻塞概率、抖动、时延和片的活动流等等，上述NPI将作为环境状态特征输入上述DDPG模型。上述NPI可以通过网络性能指标集合NPI＝{NPI1,NPI2,...,NPIi}表示，其中，NPIi对应第i个网络性能指标。具体地，可以设置NPI四元组(阻塞率-负载均衡-带宽-时延)，且其初始值可以分别设置为(10,10,10,10)、(90,90,90,90)、(50,50,50,50)、(90,10,90,10)。
在本说明书的另一些实施例中，由于各维度网络性能指标区间跨度与数值差异较大，不方便直接进行结果展示，因此需要对上述NPI向量进行归一化处理，以便于结果展示。具体地，可以通过如下表达式确定：
Figure BDA0002780681510000131
其中，X代表归一化后的NPI向量；NPIi代表NPI某维度信息的真实值；NPIil和NPIir分别代表该维度区间的边界值；Xl和Xr分别代表量化值区间的边界值。
经过上式的计算，可以得到NPI主要性能度量区间与量化值区间的对应关系，如下表2所示。
量化值 <60 60-70 70-80 80-90 90-100
带宽 <10Mbps 10-20Mbps 20-50Mbps 50-100Mbps >100Mbps
时延 >200ms 100-200ms 50-100ms 10-50ms <10ms
负载均衡 <0.04 0.04-0.06 0.06-0.08 0.08-0.1 >0.1
阻塞率 15％-20％ 10％-15％ 5％-10％ 1％-5％ <1％
表2
策略下发执行后的网络NPI由带宽、时延、阻塞率、链路负载均衡等多维度指标构成，。由于各维度指标区间跨度与数值差异较大，为了便于结果展示，有必要对向量NPI进行归一化。
此外，在本说明书的另一些实施例中，还可以进一步将上述量化后的NPI向量进行归一化处理。具体可以通过如下表达式实现：
Ir＝0.177B+0.152D+0.123LB+0.548BR
其中，B、D、LB和BR分别代表带宽、时延、负载均衡和阻塞率。其中，上述B、D、LB和BR的归一化系数是根据实际应用场景设置的，对于不同的应用可以设置不同的归一化系数值。
此外，为了验证本说明书实施例提出的算法的准确性，还可以进一步确定上述归一化处理后NPI向量Ir对应的阈值Ir0。本发明选取“构建两个业务之间持续稳定连接”的意图请求，将带宽30Mbps、时延50ms、负载均衡0.05、阻塞率5％计算得到的Ir作为阈值Ir0。也即，将上述数据代入上面两式，即可计算得到阈值Ir0为72。
此外，在本说明书的实施例中，上述DDPG模型可以根据如下表达式设置目标函数：
J(θμ)＝Eθμ[r1+γr2+γ2r3+…]
其中，Eθμ[]代表期望值；r1代表参与训练的时间序列第一个数据点以此类推；γ代表权重。其中，γ∈[0,1]代表距离当前时刻越近的奖赏所占比重越大。
在本说明书的实施例中，上述DDPG模型可以根据设定的确定性策略参数μ来选取动作，如下表达式所示：
at＝μ(st|θμ)
其中，θμ是产生确定性动作的策略网络的参数。
在步骤404，确定上述状态特征下选取动作at时的奖励值，作为当前切片策略μ对应的奖励值。
具体地，上述奖励值可以由基于上述切片策略μ，当前的状态特征st选取动作at的奖励期望值确定，具体可以参考如下表达式：
Jβ(μ)＝∫ρβ(st)Qμ(st,at)dst
其中，Qμ(st,at)代表上述动作at对应的奖励期望值，可以通过如下表达式确定：
Qμ(st,at)＝E[r(st,at)+γQμ(st+1,at+1)]
其中，E[]代表期望值；r(st,at)代表在状态特征st下选取动作at时的奖励值。
在本说明书的一些实施例中，上述DDPG模型的具体结构可以如下表3所示：
主要隐藏层 400,300,200
目标隐藏层 400,300,200
DNEN隐藏层 50,50,50,10,10,1
θ 0.15
σ 0.2
ξ 0.4
时差 10-6
优化器 Adam
动作学习率 10-4
批评学习率 10-3
权重衰减系数 10-6
重播体验 5000
损失函数 Square loss
表3
其中，行动网络的结构可如下表4所示。其中，在五个全连接层(dense_1、dence_2、dence_3、dence_4、dence5)的基础上，引入归一化层(batch_normalization)以加速收敛，并引入正则化层(dropout_1)避免过拟合。此外，上述行动网络附加了多个激活层，包括relu函数和tanh函数，以提升神经网络非线性刻画能力。评价网络的结构与上述行动网络的结构总体相似，但不包含激活层，且输出层维度为1，如下表5所示。
Figure BDA0002780681510000161
表4
Figure BDA0002780681510000162
表5
更进一步，在具体的代码实现过程中，可以设定DDPG网络的动作评估参数为θμ,目标网络的动作参数为θμ′，DDPG网络的评论评估参数为θQ，目标网络的评论参数为θQ′。设定意图请求Ir和G(N,L,F,C,S)，得到初始观测状态St。利用式子at＝μ(st|θμ)和参数θμ从St中得到切片策略at。然后，观察下一步的状态S′,并设定奖励参数rt。此时，如果经验数小于N，那么存储经验{St,at,rt,S′}覆盖初始容量D。如果经验数大于N，在回放内存中，将第一次保存的经验替换为储存经验{St,at,rt,S′}。接下来，从D中随机抽取一批样本，更新动作参数：θQ←θQ+ΔθQ以及θQ′←δθQ+(1-δ)θQ′；更新惩罚参数：θQ←θQ+ΔθQ以及θQ′←δθQ+(1-δ)θQ′。然后，再通过下面的式子
Figure BDA0002780681510000171
来计算回报参数。经过策略选取动作的调整，最终生成的策略可以维持在阈值Ir0上游附近，满足“在尽可能高的网络资源利用率下满足意图请求”的算法设计要求。
在步骤406，在确定了上述网络切片策略库中每一个切片策略对应的奖励值之后，从中选择最大的奖励值对应的切片策略作为上述网络切片策略，并根据上述网络切片策略进行网络切片。
通过上述基于DDPG模型的网络切片方法，可以从各种切片策略中选择奖励值最高的切片策略，从而获得针对当前业务请求意图的切片配置，因而能更好地满足用户的业务请求意图。此外，由于上述切片策略的选择是通过DDPG模型自动完成，具有灵活性高以及速度快的特点。
在本说明书的实施例中，由于网络环境的动态性，经过DDPG网络的业务质量(QoS)可能会发生变化，可能存在违反业务意图的现象。在本说明书的实施例中，称违反业务意图的网络切片为不相容的网络切片。在这种情况下，上述图1所示的网络切片方法还将进一步包括步骤108：对不相容的网络切片执行重新配置。
在本说明书实施例中，上述对不相容的网络切片进行重新配置的流程具体可以参考图5，可以包括：
在步骤502，从网络切片中确定与业务请求意图不相容的资源切片Fsus,其中，Fsus＝{Fsus(i)|i＝1,2,…}。
在步骤504，初始化深度神经进化网络(Deep Neural Evolutionary Network，DNEN)的结构，确定DNEN的输入输出关系。
具体地，在本步骤中，可以按照如下表达式定义DNEN网络的输入输出关系。
Figure BDA0002780681510000181
其中，h(l)代表DNEN网络的第l层的输出；
Figure BDA0002780681510000182
为激活函数；wi (l)代表第l层第i个节点的权值参数；b(l)代表第l层的阈值参数；L代表DNEN网络的层数；l代表DNEN网络的第l层；输入为x；输出为y；[n0,n1,n2,…,nL]代表每个神经层的维度。如此，则可以得到：
Figure BDA0002780681510000183
Figure BDA0002780681510000184
Figure BDA0002780681510000185
其中，θl代表第l层的激活层参数。
在步骤506，在得到上述输入输出关系后，对上述DNEN网络基因组进行编码。
在步骤508，生成初始网络总体M，当计算出的最佳适应度小于预先设定的准确度阈值时，选择体质较高的基因组，通过交叉和变异不断产生后代，直到计算出的最佳适应度不小于上述准确度阈值，从而获得不相容切片的位置和观察到的状态。
在步骤510，设定用于确定何时进行切片重构的阈值拥塞熵函数。
在本说明书的实施例中，上述阈值拥塞熵函数可如下表达式所示：
Figure BDA0002780681510000191
其中，
Figure BDA0002780681510000192
代表负载均衡，Bm,i代表表示切片Slicii上第m个服务占用的带宽；M代表是Slicii上的意向服务数；Slice代表网络中的分片总数；ρmax(i)代表最大可能的带宽要求；ρi代表Slicii的平均带宽需求；
Figure BDA0002780681510000193
代表单纯熵；
Figure BDA0002780681510000194
代表联合拥塞熵；
Figure BDA0002780681510000195
代表是调整因子，用于调整拥塞程度和切片重新配置时间之间的权衡。
在步骤512，当根据阈值拥塞熵函数确定的联合拥塞熵的值
Figure BDA0002780681510000196
达到预先设定的阈值时，进行切片重构。
在步骤514，将定位操作的结果Slicii反馈给DDPG，然后由DDPG在上述定位操作的结果Slicii所对应的网络切片上进行重构操作。
DDPG执行切片重新配置动作A＝(ΔSS，ΔCRS，ΔSRS)，其中，ΔSS，ΔCRS，ΔSRS对应于某些资源切片的变化幅度。
可以理解，DNEN将进化的思想应用于神经网络的迭代，提供了一种同时改变神经网络拓扑和参数的训练方式。在DNEN中，每个个体的存储方式不再是复杂的神经网络，而是基因组，基因组是一种简化的遗传表示。DNEN通过突变或重组改变基因组结构。突变让后代基因组探索神经网络新的结构、权重和超参数，重组本质上是将两个基因组及其特征相融合。DNEN为每个突变提供了唯一的标识符，当新节点或新连接生成时，为其指定一个创新数，两个个体的基因型通过匹配相应的创新数进行排列，只交换不同的元素，从而最终实现基因组的无损重组。
为满足DNEN初始神经网络拓扑随机性，需设计初始神经网络拓扑种群以建立种群库。由于DNEN网络拓扑在进化过程中不断优化，因此无需精心设计复杂的初始结构。与传统神经网络相一致，DNEN初始神经网络由输入层、隐藏层和输出层组成。为增加神经网络非线性刻画能力，在神经网络上适当地附加各种激活层。隐藏层将输入数据映射到特征空间，输出层将特征空间映射到标注空间。输入为不相容的切片集Fsus，输出为不相容切片位置F。输入向量x＝[x1,x2,…,xn]和相应的实际不相容位置y构成训练样本<x,y>。因此，当出现不相容的切片时，会显示该不相容切片的位置。
基于上述网络切片方法，本说明书的实施例还提供了一种网络切片装置，其内部结构如图6所示，包括：
业务关键词提取模块602，用于在接收到至少一个业务请求意图后，分别确定每个业务请求意图对应的业务关键词；
网络指标请求生成模块604，用于基于预先建立的业务关键词-网络指标需求的映射模型，根据每个业务请求意图对应的业务关键词，分别将每个业务请求意图转换为网络指标请求，其中，每个网络指标请求包括针对至少一个网络指标的需求；以及
网络切片模块606，基于网络切片模型，根据所述至少一个网络指标请求以及当前网络的环境状态，确定网络切片策略，并进行网络切片；其中，所述网络切片模型为根据至少一个网络指标请求以及网络环境状态确定网络切片配置参数的深度神经网络模型。
其中，上述各个模块的具体实现方式可以参考上述网络切片方法。此外，上述网络切片装置还可以进一步包括一个切片重构模块，用于执行上述图5所示的网络切片重构方法。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成上述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
图7为本说明书实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器710、存储器720、输入/输出接口730、通信接口740和总线750。其中处理器710、存储器720、输入/输出接口730和通信接口740通过总线750实现彼此之间在设备内部的通信连接。
处理器710可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的网络切片方法。
存储器720可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器720可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的网络切片方法时，相关的程序代码保存在存储器720中，并由处理器710来调用执行。
输入/输出接口730用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口740用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线750包括一通路，在设备的各组件(例如处理器710、存储器720、输入/输出接口730和通信接口740)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器710、存储器720、输入/输出接口730、通信接口740以及总线750，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种网络切片方法，包括：
接收到至少一个用户的业务请求意图后，分别确定每个业务请求意图对应的业务关键词；
基于预先建立的业务关键词-网络指标需求的映射模型，根据每个业务请求意图对应的业务关键词，分别将每个业务请求意图转换为网络指标请求，其中，每个网络指标请求包括针对至少一个网络指标的需求；
基于网络切片模型，根据所述至少一个网络指标请求以及当前网络的环境状态，确定网络切片策略，并进行网络切片；其中，所述网络切片模型为根据至少一个网络指标请求以及网络环境状态确定网络切片配置参数的深度神经网络模型。
2.根据权利要求1所述的方法，其中，分别确定每个业务请求意图对应的业务关键词包括：
利用分词工具，对所述业务请求意图进行分词处理，得到所述业务请求意图包含的至少一个词语；以及
基于预先建立的候选关键词库，利用关键词提取算法，根据所述至少一个词语从所述候选关键词库中确定所述业务请求意图对应的业务关键词。
3.根据权利要求1所述的方法，其中，基于预先建立的业务关键词-网络指标需求的映射模型，根据每个业务请求意图对应的业务关键词，分别将每个业务请求意图转换为网络指标请求包括：
基于预先建立的业务关键词-网络指标需求的映射模型，确定该业务请求意图所对应业务关键词对应的针对至少一个网络指标的要求；
基于所述确定的针对至少一个网络指标的要求，将所述业务请求意图转换为网络指标请求；其中，所述网络指标请求中包括针对所述至少一个网络指标的要求。
4.根据权利要求1所述的方法，其中，所述网络切片模型根据所述至少一个网络指标请求以及当前网络的环境状态从预先建立的网络切片策略库中查找奖励值最大的网络切片策略，作为所述确定的网络切片策略。
5.根据权利要求4所述的方法，其中，所述网络切片策略库通过如下方法建立：
设定网络环境、状态空间参数以及网络指标请求结构，其中，网络指标请求结构包括：对象、操作、结果等多维信息；
设定动作空间参数，通过组合包括路由规则、业务排序规则等多种细粒度策略，生成对网络执行配置动作的切片策略；
记录所述细粒度策略的选取与网络性能指标NPI各个分量的改变量；
设定切片策略的奖励参数；
根据设定的奖励参数确定每种切片动作的奖励值；以及
将其中对应最大奖励值的切片测量计入所述网络切片策略库。
6.根据权利要求1所述的方法，其中，所述深度神经网络模型为深层确定政策梯度DDPG模型；其中，所述根据所述至少一个网络指标请求以及当前网络的环境状态，确定网络切片策略包括：
基于所述DDPG模型，分别根据每个网络切片策略μ以及当前的状态特征st选取动作at；
确定所述状态特征下选取动作at时的奖励值，作为当前切片策略μ对应的奖励值；以及
从中选择最大的奖励值对应的切片策略作为所述网络切片策略，并根据所述网络切片策略进行网络切片。
7.根据权利要求1所述的方法，其中，所述方法进一步包括：
从网络切片中确定与业务请求意图不相容的资源切片；
初始化深度神经进化网络DNEN，确定DNEN输入输出关系；
对所述DNEN网络基因组进行编码；
生成初始网络总体，当计算出的最佳适应度小于预先设置的准确度阈值时，选择体质较高的基因组，通过交叉和变异不断产生后代，直到计算出的最佳适应度不小于准确度阈值；
设定用于确定何时进行切片重构的阈值拥塞熵函数；
当根据所述阈值拥塞熵函数确定的联合拥塞熵达到预先设置的阈值时，将定位操作的结果反馈给所述深度神经网络，由所述深度神经网络在所述定位操作的结果对应的网络切片上进行重构操作。
8.一种网络切片装置，包括：
业务关键词提取模块，用于在接收到至少一个业务请求意图后，分别确定每个业务请求意图对应的业务关键词；
网络指标请求生成模块，用于基于预先建立的业务关键词-网络指标需求的映射模型，根据每个业务请求意图对应的业务关键词，分别将每个业务请求意图转换为网络指标请求，其中，每个网络指标请求包括针对至少一个网络指标的需求；以及
网络切片模块，基于网络切片模型，根据所述至少一个网络指标请求以及当前网络的环境状态，确定网络切片策略，并进行网络切片；其中，所述网络切片模型为根据至少一个网络指标请求以及网络环境状态确定网络切片配置参数的深度神经网络模型。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1至7中任意一项所述的网络切片方法。
10.一种非暂态计算机可读存储介质，其中，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1至7中任意一项所述的网络切片方法。
CN202011280927.7A 2020-11-16 2020-11-16 网络切片方法、装置、电子设备及存储介质 Active CN112511342B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011280927.7A CN112511342B (zh) 2020-11-16 2020-11-16 网络切片方法、装置、电子设备及存储介质
US17/130,302 US11563651B2 (en) 2020-11-16 2020-12-22 Method for network slicing, device and storage medium thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011280927.7A CN112511342B (zh) 2020-11-16 2020-11-16 网络切片方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112511342A true CN112511342A (zh) 2021-03-16
CN112511342B CN112511342B (zh) 2022-04-15

Family

ID=74956345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011280927.7A Active CN112511342B (zh) 2020-11-16 2020-11-16 网络切片方法、装置、电子设备及存储介质

Country Status (2)

Country Link
US (1) US11563651B2 (zh)
CN (1) CN112511342B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113381892A (zh) * 2021-06-08 2021-09-10 广东电网有限责任公司清远供电局 网络切片分配方法、装置、电子设备及存储介质
CN113645059A (zh) * 2021-06-29 2021-11-12 广东电网有限责任公司广州供电局 切片确定方法、装置、计算机设备和存储介质
CN115150264A (zh) * 2022-06-28 2022-10-04 中国电信股份有限公司 业务提供方法和装置、计算机可读存储介质、电子设备
CN115225478A (zh) * 2021-03-29 2022-10-21 网络通信与安全紫金山实验室 网络切片动态配置方法、装置、电子设备及存储介质
CN115242630A (zh) * 2021-04-23 2022-10-25 中国移动通信集团四川有限公司 一种5g网络切片的编排方法、装置及电子设备
CN116192662A (zh) * 2023-05-04 2023-05-30 中国电信股份有限公司四川分公司 基于业务行为预测与确定性网络关联模型及推荐方法
WO2023216901A1 (zh) * 2022-05-07 2023-11-16 中国移动通信有限公司研究院 配置切片策略的方法、装置、网络设备及存储介质
WO2023226830A1 (zh) * 2022-05-24 2023-11-30 中国移动通信有限公司研究院 网络切片处理方法、装置、电子设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116528255B (zh) * 2023-06-29 2023-10-10 中国电信股份有限公司 网络切片迁移方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109768940A (zh) * 2018-12-12 2019-05-17 北京邮电大学 多业务sdn网络的流量分配方法及装置
CN110198237A (zh) * 2019-05-27 2019-09-03 北京邮电大学 一种无线意图驱动网络的配置方法
US20200178093A1 (en) * 2018-11-29 2020-06-04 Beijing University Of Posts And Telecommunications Intent-driven radio access networking method and system
CN111277442A (zh) * 2020-01-21 2020-06-12 赣江新区智慧物联研究院有限公司 无线意图驱动网络的管理方法、装置及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010034686A1 (en) * 1997-12-10 2001-10-25 Eder Jeff Scott Method of and system for defining and measuring the real options of a commercial enterprise
GB2553077B (en) * 2016-04-27 2019-07-24 Toshiba Kk Radio resource slicing in a radio access network
EP3607507B1 (en) * 2017-04-04 2021-07-21 Telefonaktiebolaget LM Ericsson (PUBL) Training a software agent to control a communication network
US11051210B2 (en) * 2017-04-28 2021-06-29 NEC Laboratories Europe GmbH Method and system for network slice allocation
US10582393B2 (en) * 2017-12-04 2020-03-03 Verizon Patent And Licensing Inc. Architecture for network slice deployment based on network resource utilization
US10970336B2 (en) * 2018-07-30 2021-04-06 Salesforce.Com, Inc. Predicting entities for search query results

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200178093A1 (en) * 2018-11-29 2020-06-04 Beijing University Of Posts And Telecommunications Intent-driven radio access networking method and system
CN109768940A (zh) * 2018-12-12 2019-05-17 北京邮电大学 多业务sdn网络的流量分配方法及装置
CN110198237A (zh) * 2019-05-27 2019-09-03 北京邮电大学 一种无线意图驱动网络的配置方法
CN111277442A (zh) * 2020-01-21 2020-06-12 赣江新区智慧物联研究院有限公司 无线意图驱动网络的管理方法、装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HUI YANG 等: "Intelligent Optical Network with AI and Blockchain", 《2019 18TH INTERNATIONAL CONFERENCE ON OPTICAL COMMUNICATIONS AND NETWORKS (ICOCN)》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115225478B (zh) * 2021-03-29 2023-07-28 网络通信与安全紫金山实验室 网络切片动态配置方法、装置、电子设备及存储介质
CN115225478A (zh) * 2021-03-29 2022-10-21 网络通信与安全紫金山实验室 网络切片动态配置方法、装置、电子设备及存储介质
CN115242630A (zh) * 2021-04-23 2022-10-25 中国移动通信集团四川有限公司 一种5g网络切片的编排方法、装置及电子设备
CN115242630B (zh) * 2021-04-23 2023-10-27 中国移动通信集团四川有限公司 一种5g网络切片的编排方法、装置及电子设备
CN113381892B (zh) * 2021-06-08 2023-11-14 广东电网有限责任公司清远供电局 网络切片分配方法、装置、电子设备及存储介质
CN113381892A (zh) * 2021-06-08 2021-09-10 广东电网有限责任公司清远供电局 网络切片分配方法、装置、电子设备及存储介质
CN113645059A (zh) * 2021-06-29 2021-11-12 广东电网有限责任公司广州供电局 切片确定方法、装置、计算机设备和存储介质
CN113645059B (zh) * 2021-06-29 2024-04-16 广东电网有限责任公司广州供电局 切片确定方法、装置、计算机设备和存储介质
WO2023216901A1 (zh) * 2022-05-07 2023-11-16 中国移动通信有限公司研究院 配置切片策略的方法、装置、网络设备及存储介质
WO2023226830A1 (zh) * 2022-05-24 2023-11-30 中国移动通信有限公司研究院 网络切片处理方法、装置、电子设备及存储介质
CN115150264A (zh) * 2022-06-28 2022-10-04 中国电信股份有限公司 业务提供方法和装置、计算机可读存储介质、电子设备
CN116192662A (zh) * 2023-05-04 2023-05-30 中国电信股份有限公司四川分公司 基于业务行为预测与确定性网络关联模型及推荐方法
CN116192662B (zh) * 2023-05-04 2023-06-23 中国电信股份有限公司四川分公司 基于业务行为预测与确定性网络关联模型及推荐方法

Also Published As

Publication number Publication date
US20220158913A1 (en) 2022-05-19
US11563651B2 (en) 2023-01-24
CN112511342B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
CN112511342B (zh) 网络切片方法、装置、电子设备及存储介质
EP3525096A1 (en) Resource load balancing control method and cluster scheduler
CN112566196B (zh) 一种基于智能电网的异构网络接入选择方法及相关设备
CN112486690B (zh) 一种适用于工业物联网的边缘计算资源分配方法
Ouadah et al. SEFAP: an efficient approach for ranking skyline web services
Charilas et al. Application of fuzzy AHP and ELECTRE to network selection
Liao et al. Accurate sub-swarms particle swarm optimization algorithm for service composition
Esteves et al. A heuristically assisted deep reinforcement learning approach for network slice placement
CN108665148B (zh) 一种电子资源质量评价方法、装置和存储介质
CN108470075A (zh) 一种面向排序预测的社会化推荐方法
CN106372101A (zh) 一种视频推荐方法和装置
Wu et al. An interactive consensus reaching model for decision making under hesitation linguistic environment
CN114511083A (zh) 一种模型的训练方法、装置、存储介质及电子装置
CN113595775A (zh) 服务等级协议映射方法、电子设备、及存储介质
Hassani et al. Consensus-based decision support model and fusion architecture for dynamic decision making
Modi et al. QoS driven channel selection algorithm for opportunistic spectrum access
CN116415647A (zh) 神经网络架构搜索的方法、装置、设备和存储介质
CN116861259B (zh) 奖励模型的训练方法和装置、存储介质及电子设备
US10789549B1 (en) Enforcing, with respect to changes in one or more distinguished independent variable values, monotonicity in the predictions produced by a statistical model
CN111382232A (zh) 问答信息处理方法、装置及计算机设备
CN113992520B (zh) 一种虚拟网络资源的部署方法和系统
CN111079003A (zh) 一种社交圈为关键支撑的潜在偏好关联预测模型的技术方案
CN114398400B (zh) 一种基于主动学习的Serverless资源池系统
WO2022121029A1 (zh) 一种面向超算用户体验质量的多路径路由方法和装置
CN112464104B (zh) 一种基于网络自协作的隐式推荐方法和系统

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