CN112613230A - 基于神经网络的网络切片资源动态划分方法及装置 - Google Patents
基于神经网络的网络切片资源动态划分方法及装置 Download PDFInfo
- Publication number
- CN112613230A CN112613230A CN202011484431.1A CN202011484431A CN112613230A CN 112613230 A CN112613230 A CN 112613230A CN 202011484431 A CN202011484431 A CN 202011484431A CN 112613230 A CN112613230 A CN 112613230A
- Authority
- CN
- China
- Prior art keywords
- network
- network slice
- model
- strategy
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种基于神经网络的网络切片资源动态划分方法及装置,属于网络切片技术领域。该方法包括获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略,所述样本终端设备以及所述网络切片策略与预设时间段相关联;将所述属性参数作为输入,所述网络切片策略作为输出,进行神经网络模型训练,得到网络切片资源划分模型;获取当前终端设备的属性参数,输入至所述网络资源划分模型中,得到输出的网络切片策略,将所述网络切片侧策略发送至所述终端设备,以使所述终端设备根据所述网络切片策略执行相应的路由。本方法实现了高效灵活的网络切片选择,易于推广应用。
Description
技术领域
本发明属于网络切片技术领域,具体涉及一种基于神经网络的网络切片资源动态划分方法及装置。
背景技术
网络切片技术就是把网络服务商的物理网络切分成多个虚拟网络,每个网络适应不同的服务需求,这可以通过时延、带宽、安全性、可靠性来划分不同的网络,以适应不同的场景。通过网络切片技术在一个独立的物理网络上切分出多个逻辑网络,从而避免了为每一个服务建设一个专用的物理网络,这样可以大大节省部署的成本。网络切片技术可以让网络服务商在一个硬件基础设施切分出多个虚拟的端到端网络,每个网络切片从设备到接入网到传输网再到核心网在逻辑上隔离,适配各种类型服务的不同特征需求。对于每一个网络切片,像虚拟服务器、网络带宽、服务质量等专属资源都得到充分保证。由于切片之间相互隔离,所以一个切片的错误或故障不会影响到其它切片的通信。
在能源和电力需求增长的驱动下,电力业务正在向分布式配电自动化、遥视、电力物联网、人工智能等未来方向发展,世界电网以崭新的面貌从传统网络进入了以智能电网为标志的新阶段。智能电网资源的优化分配是实现电力市场的利益最大化的基础。电力业务总体上可以分为移动应用类(如智能巡检、移动作业等)、控制类(如分布式电源、配电自动化等)、信息采集类(如电能质量监测、视频监控等)三大类,具体来说,每一种业务都有其自身的通信性能和安全性能的需求。由于电网的不同用例的不同需求,因此需要一个超可靠低E2E延迟、灵活可编排、低成本的网络。在网络切片的相关研究中,为了提高用户满意度、最小化网络部署成本、提高资源利用率等目的,相关人员提出了几种虚拟网络资源嵌入算法以及决策算法。然而,对于在智能电网场景下,应用5G网络切片技术进行资源的分配的研究还处于发展阶段。智能电网通过与应用设备的双向交互来分配和管理资源,由于智能电网用户较多,管理大量设备会产生大量的需求请求,因此对于资源的需求并非是确定的,即各项业务流在都有自己的带宽需求、可靠性要求以及延迟容忍度。因此在新一代电网的飞速发展下,面对智能电网业务种类的繁多,如何合理分配资源,适应多类业务的各异需求,得到让人满意的服务质量,是亟需解决的问题,然而现有技术中,并未提出高效的网络切片的选择方案。
发明内容
本发明的目的是为了解决现有技术的不足,提供一种基于神经网络的网络切片资源动态划分方法及装置,实现了高效灵活的网络切片选择。
为实现上述目的,本发明采用的技术方案如下:
基于神经网络的网络切片资源动态划分方法,包括:
获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略,所述样本终端设备以及所述网络切片策略与预设时间段相关联;
将所述属性参数作为输入,所述网络切片策略作为输出,进行神经网络模型训练,得到网络切片资源划分模型,其中,所述网络切片资源划分模型为复合神经网络模型,在所述网络切片资源划分模型的学习训练过程中,采用拟合梯度进行模型参数的更新;
获取当前终端设备的属性参数,输入至所述网络资源划分模型中,得到输出的网络切片策略,将所述网络切片侧策略发送至所述终端设备,以使所述终端设备根据所述网络切片策略执行相应的路由。
进一步,优选的是,在获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略之前,还包括:
进行预设时间段划分;
相应的,所述获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略,包括:
依据不同的时间段,确定对应的样本终端设备的属性参数,以及对应的样本网络切片策略。
进一步,优选的是,在将所述网络切片侧策略发送至所述终端设备之后,还包括:
获取所述终端设备数据传输参数,确定所述数据传输参数是否和所述终端设备的属性匹配,如果否,则发送重新路由指令至所述终端设备。
进一步,优选的是,所述进行预设时间段划分,包括:
根据预设时间内的终端接入数量、接入类型以及网络负载参数确定预设时间段。
进一步,优选的是,所述复合神经网络模型包括:
非全连接稀疏建模模块、感知器层以及一个反馈通路模块;所述非全连接稀疏建模模块使用残差网络结构,用于在每一轮迭代中完成各个样本之间差值的稀疏建模;所述感知器层用于生成稀疏建模模块所需的外输入;所述反馈通路模块用于调节所述非全连接稀疏建模模块。
进一步,优选的是,采用拟合梯度进行模型参数的更新包括:
将样本终端的属性参数集合输入到神经网络模型中进行训练,获取当前神经网络模型的参数,根据当前神经网络模型参数的数值拟合出下一步的梯度。
本发明同时提供基于神经网络的网络切片资源动态划分装置,包括:
样本获取模块,用于获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略,所述样本终端设备以及所述网络切片策略与预设时间段相关联;
模型训练模块,用于将所述属性参数作为输入,所述网络切片策略作为输出,进行神经网络模型训练,得到网络切片资源划分模型,其中,所述网络切片资源划分模型为复合神经网络模型,在所述网络切片资源划分模型的学习训练过程中,采用拟合梯度进行模型参数的更新;
策略生成模块,用于获取当前终端设备的属性参数,输入至所述网络资源划分模型中,得到输出的网络切片策略,将所述网络切片侧策略发送至所述终端设备,以使所述终端设备根据所述网络切片策略执行相应的路由。
进一步,优选的是,还包括预设时间确定模块,用于在获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略之前,进行预设时间段划分。
进一步,优选的是,所述进行预设时间段划分,包括:
根据预设时间内的终端接入数量、接入类型以及网络负载参数确定预设时间段。
进一步,优选的是,还包括路由指令模块,用于在将所述网络切片侧策略发送至所述终端设备之后:
获取所述终端设备数据传输参数,确定所述数据传输参数是否和所述终端设备的属性匹配,如果否,则发送重新路由指令至所述终端设备
本发明中重新路由指令的功能是:针对不符合要求的终端设备,令其重新发起连接,选择其他切片资源。
本发明与现有技术相比,其有益效果为:
(1)通过网络切片资源划分模型的使用,提高了网络切片划分的准确性,降低了人工成本;
(2)网络切片资源划分模型为复合神经网络模型进一步优化了对网络切片资源的划分,使得划分更加合理;
(3)以终端设备的属性参数作为输入,进行了更加合理的网络切片资源的分配。
附图说明
图1为本发明实施例提供的一种基于神经网络的网络切片资源动态划分方法的流程图;
图2为本发明实施例提供的另一种基于神经网络的网络切片资源动态划分方法的流程图;
图3为本发明实施例提供的第三种基于神经网络的网络切片资源动态划分方法的流程图;
图4为本发明实施例提供的第四种基于神经网络的网络切片资源动态划分方法的流程图;
图5为本发明实施例提供的一种基于神经网络的网络切片资源动态划分装置的结构框图;
图6为本发明实施例提供的一种基于神经网络的网络切片资源动态划分设备的结构示意图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者,均为可以通过购买获得的常规产品。
网络切片是一种按需组网的方式,可以让网络服务商在统一的基础设施上分离出多个虚拟的端到端网络,每个网络切片从无线接入网承载网再到核心网上进行逻辑隔离,以适配各种各样类型的应用。在一个网络切片中,至少可分为无线网子切片、承载网子切片和核心网子切片三部分。
示例性的,如将5G网络的应用场景划分为三类:移动宽带、海量物联网(MassiveIoT)和任务关键性物联网(Mission-critical IoT)。其中:
1)移动宽带
5G时代将面向4K/8K超高清视频、全息技术、增强现实/虚拟现实等应用,移动宽带的主要需求是更高的数据容量。
2)海量物联网
海量传感器部署于测量、建筑、农业、物流、智慧城市、家庭等领域,这些传感器设备是非常密集的,大部分是静止的。
3)任务关键性物联网
任务关键性物联网主要应用于无人驾驶、自动工厂、智能电网等领域,主要需求是超低时延和高可靠性。
4G网络主要服务于人,连接网络的主要设备是智能手机,不需要网络切片以面向不同的应用场景。5G时代,不同领域的不同设备大量接入网络,网络将面向三类应用场景:移动宽带、海量物联网和任务关键性物联网。
示例性的,针对不同的应用场景,网络被“切”成4“片”:
高清视频切片:原来网络中数字单元(DU)和部分核心网功能被虚拟化后,加上存储服务器,统一放入边缘云。而部分被虚拟化的核心网功能放入核心云。
手机切片:原网络无线接入部分的数字单元(DU)被虚拟化后,放入边缘云。而原网络的核心网功能,包括IMS,被虚拟化后放入核心云。
海量物联网切片:由于大部分传感器都是静止不动的,并不需要移动性管理,在这一切片里,核心云的任务相对轻松简单。
任务关键性物联网切片:由于对时延要求很高,为了最小化端到端时延,原网络的核心网功能和相关服务器均下沉到边缘云。
下面就本方案进行详细描述如下。
图1为本发明实施例提供的一种基于神经网络的网络切片资源动态划分方法的流程图,本实施例可适用于进行网络切片的自动选择划分,具体包括如下步骤:
步骤S101、获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略,所述样本终端设备以及所述网络切片策略与预设时间段相关联。
在一个实施例中,在建立模型时,进行样本终端的属性参数的获取,其中,该属性参数可以是终端设备记录的应用场景类型、延时需求等级、传输带宽要求中的一种或多种。该网络切片策略包括不同的终端设备对的网络切片的划分。示例性的,可以是不同终端设备根据场景、需求类型的不同对应的当前时刻划分的网络切片资源。
本方案中的样本终端设备以及所述网络切片策略与预设时间段相关联。具体的,根据不同时间节点划分有多个不同的预设时段,示例性的,以一天24小时为例,上午10点到12点可以为一个时段,下午3点到6点可以为一个时段,凌晨1点至6点可以为一个时段。
步骤S102、将所述属性参数作为输入,所述网络切片策略作为输出,进行神经网络模型训练,得到网络切片资源划分模型。
在一个实施例中,在模型训练过程中,以属性参数作为输入,对应的网络切片策略作为输出进行训练。在本方案中,所述网络切片资源划分模型为复合神经网络模型,在所述网络切片资源划分模型的学习训练过程中,采用拟合梯度进行模型参数的更新。
具体的,该复合神经网络模型包括:非全连接稀疏建模模块、感知器层以及一个反馈通路模块;非全连接稀疏建模模块使用残差网络结构,用于在每一轮迭代中完成各个样本之间差值的稀疏建模,该模块收敛后的最终结果将作为学习训练依据;在该模块训练过程中,与反馈通路模块之间的参数相互调节;感知器层用于生成稀疏建模模块所需的外输入,以及实现数据的学习和优化;反馈通路模块用于辅助非全连接稀疏建模模块、提高建模的稀疏质量,在非全连接稀疏建模模块的工作过程中持续接收稀疏建模模块的输出,并将反馈结果输出至稀疏建模模块的输入端,调节非全连接稀疏建模模块的网络行为。
具体的,采用拟合梯度进行模型参数的更新的方式可以是:
将样本终端的属性参数集合输入到神经网络模型中进行训练,获取当前神经网络模型的参数,可以使用回归模型根据当前神经网络模型参数的数值拟合出下一步的梯度;其中,回归模型的获取方法为:使用神经网络模型在所述训练集的相似图像数据集上进行训练时记录的神经网络模型参数矩阵和梯度矩阵构成先验知识,利用回归模型构建神经网络模型参数和梯度之间的关系;根据拟合出的梯度更新神经网络模型的参数。回归模型的训练数据为神经网络模型的卷积层在正向传播过程中由权值、偏置与梯度组成的数据库,根据数据库在神经网络模型的每一个卷积层上分别构建两个回归模型,两个回归模型分别表示权值参数和偏置参数与梯度之间的关系。
在另一个实施例中,用特殊设置的梯度下降算法动态调整神经网络的权重,并使用样本测试数据对神经网络进行训练。具体的,动态调整神经网络的权重,包括:
使用的设置的梯度下降算法公式为:
其中,F(s)表示s时刻的负梯度,F(s+1)表示s+1时刻的负梯度,c表示学习速率,aq表示动量因子,并且aq∈(0,1);当aq=0时,表示权值修正只与当前负梯度有关,当aq=1时,权值修正完全取决于上一次的循环的负梯度。通过该种方式,显著提高了神经网络的学习速度,以及增加神经网络算法的可靠性。
步骤S103、获取当前终端设备的属性参数,输入至所述网络资源划分模型中,得到输出的网络切片策略,将所述网络切片侧策略发送至所述终端设备,以使所述终端设备根据所述网络切片策略执行相应的路由。
当网络资源划分模型训练完毕后,可用于进行网络切片资源的自动划分。获取当前终端设备的属性参数,输入至所述网络资源划分模型中,得到输出的网络切片策略。确定出网络切片策略后,将该切片策略发送至终端设备。示例性的,可通过下行广播消息进行第一网络切片策略的发送。
由上述方案可知,通过获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略,所述样本终端设备以及所述网络切片策略与预设时间段相关联;将所述属性参数作为输入,所述网络切片策略作为输出,进行神经网络模型训练,得到网络切片资源划分模型;获取当前终端设备的属性参数,输入至所述网络资源划分模型中,得到输出的网络切片策略,将所述网络切片侧策略发送至所述终端设备,以使所述终端设备根据所述网络切片策略执行相应的路由。本方案实现了高效灵活的网络切片选择。
图2为本发明实施例提供的另一种基于神经网络的网络切片资源动态划分方法的流程图,给出了一种具体的对网络切片划分功能进行优化的方案。如图2所示,技术方案具体如下:
步骤S201、进行预设时间段划分,依据不同的时间段,确定对应的样本终端设备的属性参数,以及对应的样本网络切片策略。
在一个实施例中,在进行模型训练前,首先对时间段进行划分,以区别对待。在预设时间段划分完毕后,相应的对该时段的样本终端设备的属性参数,以及对应的样本网络切片策略进行关联。
步骤S202、将所述不同预设时间段的属性参数作为输入,对应的网络切片策略作为输出,进行神经网络模型训练,得到网络切片资源划分模型。
在一个实施例中,在进行神经网络模型训练的训练时,针对不同时段进行对应的模型训练的,示例性的,假定1天划分为5个时段,则对应得到5个网络切片资源划分模型。
步骤S203、获取当前终端设备的属性参数,输入至所述网络资源划分模型中,得到输出的网络切片策略,将所述网络切片侧策略发送至所述终端设备,以使所述终端设备根据所述网络切片策略执行相应的路由。
由上述方案可知,将所述不同预设时间段的属性参数作为输入,对应的网络切片策略作为输出,进行神经网络模型训练,得到网络切片资源划分模型,显著提升了网络切片划分的效率和准确性。
图3为本发明实施例提供的另一种基于神经网络的网络切片资源动态划分方法的流程图,给出了一种具体的对网络切片划分功能进行优化的方案。如图3所示,技术方案具体如下:
步骤S301、进行预设时间段划分,依据不同的时间段,确定对应的样本终端设备的属性参数,以及对应的样本网络切片策略。
步骤S302、将所述属性参数作为输入,所述网络切片策略作为输出,进行神经网络模型训练,得到网络切片资源划分模型。
步骤S303、获取当前终端设备的属性参数,输入至所述网络资源划分模型中,得到输出的网络切片策略,将所述网络切片侧策略发送至所述终端设备,以使所述终端设备根据所述网络切片策略执行相应的路由。
步骤S304、获取所述终端设备数据传输参数,确定所述数据传输参数是否和所述终端设备的属性匹配,如果否,则发送重新路由指令至所述终端设备。
在一个实施例中,数据传输参数包括数据传输速率、数据响应速度,响应的根据该数据传输参数判断其和终端设备的属性是否匹配,示例性的,终端设备属性为低时延响应要求时,其对应的数据传输参数中数据响应速度应该满足小于设定的毫秒数。如果发现不满足,则发送重新路由指令至所述终端设备,该重新路由指令用于实现对该终端设备进行网络切片资源的重新划分,直到数据传输参数与终端设备的属性匹配。具体的,可以是对网络切片资源划分模型重新进行训练或者对模型参数进行调整。
由上述方案可知,获取所述终端设备数据传输参数,确定所述数据传输参数是否和所述终端设备的属性匹配,如果否,则发送重新路由指令至所述终端设备,保证了终端设备能够合理、及时的分配到合适的网络切片资源,实现了高效灵活的网络切片选择。
图4为本发明实施例提供的另一种基于神经网络的网络切片资源动态划分方法的流程图,给出了一种具体的对网络切片划分功能进行优化的方案。如图4所示,技术方案具体如下:
步骤S401、根据预设时间内的终端接入数量、接入类型以及网络负载参数确定预设时间段。
在一个实施例中,预设时间段根据预设时间内的终端接入数量、接入类型以及网络负载参数确定,该预设时间存储在执行该网络切片资源动态划分方法的设备中,如单独设置的服务器,或者网络侧设备。其中,该预设时间为1天或1周。具体的,可针对终端接入数量(a)、接入类型(b)以及网络负载参数(c)设置不同的权重值,示例性的权重分别为x、y和z,评估值=ax+by+cz。其中,x可取值0.03,y可取值2,z可取值1。需要说明的是,该x、y、z可根据不同的需求情况适应性调整。针对接入数量,具体数值a为当前时间该基站节点覆盖区域的终端设备连接数量;接入类型可根据不同的终端设备的属性信息进行级别划分,如划分为9个等级,每个等级对应一个数值,分别记为b1、b2...、b9,如b1对应低时延响应、高传输速率、高吞吐量,b2对应中时延响应,高传输速率、高吞吐量,以此类推;网络负载参数可划分为3个等级,分别为高、中和低,对应数值分别为c1、c2和c3。以预设时间为1天为例,在1天内每隔30分钟确定一次评估值,得到48个具体的评估值,对该48个评估值进行聚类,根据聚类结果进行预设时段的划分。具体的,可通过K-Means聚类算法或均值偏移聚类算法对数据进行聚类,为简化说明,给出示例性的10个评估值数据为:时间段1(16:00-16:30)对应评估值为20、时间段2(16:30-17:00)对应评估值为22、时间段3(17:00-17:30)对应评估值为20、时间段4(17:30-18:00)对应评估值为23、时间段5(18:00-18:30)对应评估值为60、时间段6(18:30-19:00)对应评估值为65、时间段7(19:00-19:30)对应评估值为66、时间段8(19:30-20:00)对应评估值为68、时间段9(20:00-20:30)对应评估值为106、时间段10(20:30-21:00)对应评估值为110;使用聚类算法对不同时间段对应的评估值进行聚类后得到三个区间,即:[16:00-18:00]、[18:00-20:00]以及[20:00-21:00]。其中,每个区间对应一预设时段。在另一个示例性的实例中,在一天24小时中,确定出上午10点-下午2点为一个预设时间段,下午2点至下午6点为一个预设时间段,下午6点到晚上11点为一个时间段,晚上11点到第二天上午10点为一个预设时间段。
步骤S402、进行预设时间段划分,依据不同的时间段,确定对应的样本终端设备的属性参数,以及对应的样本网络切片策略。
步骤S403、将所述属性参数作为输入,所述网络切片策略作为输出,进行神经网络模型训练,得到网络切片资源划分模型。
步骤S404、获取当前终端设备的属性参数,输入至所述网络资源划分模型中,得到输出的网络切片策略,将所述网络切片侧策略发送至所述终端设备,以使所述终端设备根据所述网络切片策略执行相应的路由。
步骤S405、获取所述终端设备数据传输参数,确定所述数据传输参数是否和所述终端设备的属性匹配,如果否,则发送重新路由指令至所述终端设备。
由上述方案可知,根据预设时间内的终端接入数量、接入类型以及网络负载参数确定预设时间段,可以合理的进行预设时段的划分,并在处于不同预设时段是触发网络切片资源的划分,实现了高效灵活的网络切片选择。
图5为本发明实施例提供的一种基于神经网络的网络切片资源动态划分装置的结构框图,该装置用于执行上述实施例提供的基于神经网络的网络切片资源动态划分方法,具备执行方法相应的功能模块和有益效果。如图5所示,该装置具体包括:样本获取模块101、模型训练模块102和策略生成模块103,其中,
样本获取模块101,用于获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略,所述样本终端设备以及所述网络切片策略与预设时间段相关联;
模型训练模块102,用于将所述属性参数作为输入,所述网络切片策略作为输出,进行神经网络模型训练,得到网络切片资源划分模型,其中,所述网络切片资源划分模型为复合神经网络模型,在所述网络切片资源划分模型的学习训练过程中,采用拟合梯度进行模型参数的更新;
策略生成模块103,用于获取当前终端设备的属性参数,输入至所述网络资源划分模型中,得到输出的网络切片策略,将所述网络切片侧策略发送至所述终端设备,以使所述终端设备根据所述网络切片策略执行相应的路由。
由上述方案可知,通过获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略,所述样本终端设备以及所述网络切片策略与预设时间段相关联;将所述属性参数作为输入,所述网络切片策略作为输出,进行神经网络模型训练,得到网络切片资源划分模型;获取当前终端设备的属性参数,输入至所述网络资源划分模型中,得到输出的网络切片策略,将所述网络切片侧策略发送至所述终端设备,以使所述终端设备根据所述网络切片策略执行相应的路由。本方案实现了高效灵活的网络切片选择。
在一个可能的实施例中,还包括预设时间确定模块104,用于在获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略之前,进行预设时间段划分。
在一个可能的实施例中,还包括路由指令模块105,用于在将所述网络切片侧策略发送至所述终端设备之后:
获取所述终端设备数据传输参数,确定所述数据传输参数是否和所述终端设备的属性匹配,如果否,则发送重新路由指令至所述终端设备。
在一个可能的实施例中,所述进行预设时间段划分104具体用于:
根据预设时间内的终端接入数量、接入类型以及网络负载参数确定预设时间段。
图6为本发明实施例提供的一种基于神经网络的网络切片资源动态划分设备的结构示意图,如图6所示,该设备包括处理器201、存储器202、输入装置203和输出装置204;设备中处理器201的数量可以是一个或多个,图6中以一个处理器201为例;设备中的处理器201、存储器202、输入装置203和输出装置204可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器202作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的基于神经网络的网络切片资源动态划分方法对应的程序指令/模块。处理器201通过运行存储在存储器202中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的基于神经网络的网络切片资源动态划分方法。
存储器202可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器202可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器202可进一步包括相对于处理器201远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置203可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置204可包括显示屏等显示设备。
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种基于神经网络的网络切片资源动态划分方法,该方法包括:
获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略,所述样本终端设备以及所述网络切片策略与预设时间段相关联;
将所述属性参数作为输入,所述网络切片策略作为输出,进行神经网络模型训练,得到网络切片资源划分模型,其中,所述网络切片资源划分模型为复合神经网络模型,在所述网络切片资源划分模型的学习训练过程中,采用拟合梯度进行模型参数的更新;
获取当前终端设备的属性参数,输入至所述网络资源划分模型中,得到输出的网络切片策略,将所述网络切片侧策略发送至所述终端设备,以使所述终端设备根据所述网络切片策略执行相应的路由。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明实施例可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(Random Access Memory, RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明实施例各个实施例所述的方法。
值得注意的是,上述基于神经网络的网络切片资源动态划分装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明实施例的保护范围。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.基于神经网络的网络切片资源动态划分方法,其特征在于,包括:
获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略,所述样本终端设备以及所述网络切片策略与预设时间段相关联;
将所述属性参数作为输入,所述网络切片策略作为输出,进行神经网络模型训练,得到网络切片资源划分模型,其中,所述网络切片资源划分模型为复合神经网络模型,在所述网络切片资源划分模型的学习训练过程中,采用拟合梯度进行模型参数的更新;
获取当前终端设备的属性参数,输入至所述网络资源划分模型中,得到输出的网络切片策略,将所述网络切片侧策略发送至所述终端设备,以使所述终端设备根据所述网络切片策略执行相应的路由。
2.根据权利要求1所述的基于神经网络的网络切片资源动态划分方法,其特征在于,在获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略之前,还包括:
进行预设时间段划分;
相应的,所述获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略,包括:
依据不同的时间段,确定对应的样本终端设备的属性参数,以及对应的样本网络切片策略。
3.根据权利要求1所述的基于神经网络的网络切片资源动态划分方法,其特征在于,在将所述网络切片侧策略发送至所述终端设备之后,还包括:
获取所述终端设备数据传输参数,确定所述数据传输参数是否和所述终端设备的属性匹配,如果否,则发送重新路由指令至所述终端设备。
4.根据权利要求2所述的基于神经网络的网络切片资源动态划分方法,其特征在于,所述进行预设时间段划分,包括:
根据预设时间内的终端接入数量、接入类型以及网络负载参数确定预设时间段。
5.根据权利要求1-4中任一项所述的基于神经网络的网络切片资源动态划分方法,其特征在于,所述复合神经网络模型包括:
非全连接稀疏建模模块、感知器层以及一个反馈通路模块;所述非全连接稀疏建模模块使用残差网络结构,用于在每一轮迭代中完成各个样本之间差值的稀疏建模;所述感知器层用于生成稀疏建模模块所需的外输入;所述反馈通路模块用于调节所述非全连接稀疏建模模块。
6.根据权利要求1-4中任一项所述的基于神经网络的网络切片资源动态划分方法,其特征在于,采用拟合梯度进行模型参数的更新包括:
将样本终端的属性参数集合输入到神经网络模型中进行训练,获取当前神经网络模型的参数,根据当前神经网络模型参数的数值拟合出下一步的梯度。
7.基于神经网络的网络切片资源动态划分装置,其特征在于,包括:
样本获取模块,用于获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略,所述样本终端设备以及所述网络切片策略与预设时间段相关联;
模型训练模块,用于将所述属性参数作为输入,所述网络切片策略作为输出,进行神经网络模型训练,得到网络切片资源划分模型,其中,所述网络切片资源划分模型为复合神经网络模型,在所述网络切片资源划分模型的学习训练过程中,采用拟合梯度进行模型参数的更新;
策略生成模块,用于获取当前终端设备的属性参数,输入至所述网络资源划分模型中,得到输出的网络切片策略,将所述网络切片侧策略发送至所述终端设备,以使所述终端设备根据所述网络切片策略执行相应的路由。
8.根据权利要求7所述的基于神经网络的网络切片资源动态划分装置,其特征在于,还包括预设时间确定模块,用于在获取至少一个样本终端设备的属性参数,以及对应的样本网络切片策略之前,进行预设时间段划分。
9.根据权利要求8所述的基于神经网络的网络切片资源动态划分装置,其特征在于,所述进行预设时间段划分,包括:
根据预设时间内的终端接入数量、接入类型以及网络负载参数确定预设时间段。
10.根据权利要求7所述的基于神经网络的网络切片资源动态划分装置,其特征在于,还包括路由指令模块,用于在将所述网络切片侧策略发送至所述终端设备之后:
获取所述终端设备数据传输参数,确定所述数据传输参数是否和所述终端设备的属性匹配,如果否,则发送重新路由指令至所述终端设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011484431.1A CN112613230B (zh) | 2020-12-15 | 2020-12-15 | 基于神经网络的网络切片资源动态划分方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011484431.1A CN112613230B (zh) | 2020-12-15 | 2020-12-15 | 基于神经网络的网络切片资源动态划分方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613230A true CN112613230A (zh) | 2021-04-06 |
CN112613230B CN112613230B (zh) | 2023-01-17 |
Family
ID=75239486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011484431.1A Active CN112613230B (zh) | 2020-12-15 | 2020-12-15 | 基于神经网络的网络切片资源动态划分方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613230B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113726571A (zh) * | 2021-08-30 | 2021-11-30 | 电子科技大学 | 一种基于网络切片的网络资源动态分配方法 |
CN114205238A (zh) * | 2021-12-16 | 2022-03-18 | 中国电信股份有限公司 | 网络资源优化、模型训练方法、装置、存储介质及设备 |
CN115209431A (zh) * | 2021-04-13 | 2022-10-18 | 中移(成都)信息通信科技有限公司 | 一种触发方法、装置、设备和计算机存储介质 |
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 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108900358A (zh) * | 2018-08-01 | 2018-11-27 | 重庆邮电大学 | 基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法 |
US20190230046A1 (en) * | 2018-01-19 | 2019-07-25 | Ciena Corporation | Autonomic resource partitions for adaptive networks |
CN110366193A (zh) * | 2019-05-28 | 2019-10-22 | 中国电力科学研究院有限公司 | 一种智能电网的网络编排层承载的切片部署方法及装置 |
CN110383877A (zh) * | 2017-03-10 | 2019-10-25 | 华为技术有限公司 | 网络策略优化的系统和方法 |
US10484911B1 (en) * | 2018-05-23 | 2019-11-19 | Verizon Patent And Licensing Inc. | Adaptable radio access network |
US20190364496A1 (en) * | 2017-02-07 | 2019-11-28 | Huawei Technologies Co., Ltd. | Data transmission method, terminal, and access-network network element |
CN110766139A (zh) * | 2019-10-21 | 2020-02-07 | 哈尔滨工业大学 | 一种复合神经网络模型及其建模方法 |
CN110830542A (zh) * | 2018-08-14 | 2020-02-21 | 华为技术有限公司 | 获取网络配置信息的方法和相关设备 |
WO2020074687A1 (en) * | 2018-10-11 | 2020-04-16 | Koninklijke Kpn N.V. | Dynamic slice priority handling |
CN111277437A (zh) * | 2020-01-17 | 2020-06-12 | 全球能源互联网研究院有限公司 | 一种智能电网的网络切片资源分配方法 |
CN111901168A (zh) * | 2020-07-24 | 2020-11-06 | 国网河南省电力公司经济技术研究院 | 适用于电动汽车充换电网络的网络切片资源配置方法 |
-
2020
- 2020-12-15 CN CN202011484431.1A patent/CN112613230B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190364496A1 (en) * | 2017-02-07 | 2019-11-28 | Huawei Technologies Co., Ltd. | Data transmission method, terminal, and access-network network element |
CN110383877A (zh) * | 2017-03-10 | 2019-10-25 | 华为技术有限公司 | 网络策略优化的系统和方法 |
US20190230046A1 (en) * | 2018-01-19 | 2019-07-25 | Ciena Corporation | Autonomic resource partitions for adaptive networks |
US10484911B1 (en) * | 2018-05-23 | 2019-11-19 | Verizon Patent And Licensing Inc. | Adaptable radio access network |
CN108900358A (zh) * | 2018-08-01 | 2018-11-27 | 重庆邮电大学 | 基于深度信念网络资源需求预测的虚拟网络功能动态迁移方法 |
CN110830542A (zh) * | 2018-08-14 | 2020-02-21 | 华为技术有限公司 | 获取网络配置信息的方法和相关设备 |
WO2020074687A1 (en) * | 2018-10-11 | 2020-04-16 | Koninklijke Kpn N.V. | Dynamic slice priority handling |
CN110366193A (zh) * | 2019-05-28 | 2019-10-22 | 中国电力科学研究院有限公司 | 一种智能电网的网络编排层承载的切片部署方法及装置 |
CN110766139A (zh) * | 2019-10-21 | 2020-02-07 | 哈尔滨工业大学 | 一种复合神经网络模型及其建模方法 |
CN111277437A (zh) * | 2020-01-17 | 2020-06-12 | 全球能源互联网研究院有限公司 | 一种智能电网的网络切片资源分配方法 |
CN111901168A (zh) * | 2020-07-24 | 2020-11-06 | 国网河南省电力公司经济技术研究院 | 适用于电动汽车充换电网络的网络切片资源配置方法 |
Non-Patent Citations (1)
Title |
---|
刘明月: "智能电网中网络切片的资源分配算法研究", 《电力信息与通信技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115209431A (zh) * | 2021-04-13 | 2022-10-18 | 中移(成都)信息通信科技有限公司 | 一种触发方法、装置、设备和计算机存储介质 |
CN115209431B (zh) * | 2021-04-13 | 2023-10-27 | 中移(成都)信息通信科技有限公司 | 一种触发方法、装置、设备和计算机存储介质 |
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 |
CN113726571A (zh) * | 2021-08-30 | 2021-11-30 | 电子科技大学 | 一种基于网络切片的网络资源动态分配方法 |
CN113726571B (zh) * | 2021-08-30 | 2022-07-12 | 电子科技大学 | 一种基于网络切片的网络资源动态分配方法 |
US11792137B2 (en) | 2021-08-30 | 2023-10-17 | University Of Electronic Science And Technology Of China | Dynamic network resource allocation method based on network slicing |
CN114205238A (zh) * | 2021-12-16 | 2022-03-18 | 中国电信股份有限公司 | 网络资源优化、模型训练方法、装置、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112613230B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112613230B (zh) | 基于神经网络的网络切片资源动态划分方法及装置 | |
CN112737817B (zh) | 基于多参数确定的网络切片资源动态划分方法及装置 | |
Baştuğ et al. | Big data meets telcos: A proactive caching perspective | |
CN108028803B (zh) | 用于确定网络中的服务方案的拓扑的方法、控制器和系统 | |
CN111414233A (zh) | 一种在线模型推理系统 | |
CN112333717A (zh) | 计及电力多业务需求的5g接入网切片资源分配方法及装置 | |
Li et al. | Towards green IoT networking: Performance optimization of network coding based communication and reliable storage | |
US11231960B2 (en) | Method and system for managing data stream processing | |
Navarro et al. | The information system of INTEGRIS: Intelligent electrical grid sensor communications | |
Ashraf et al. | TOPSIS-based service arbitration for autonomic internet of things | |
CN112365366A (zh) | 一种基于智能化5g切片的微电网管理方法及系统 | |
CN113341712A (zh) | 无人机自主控制系统智能分层递阶控制选择方法 | |
Potdar et al. | Big energy data management for smart grids—Issues, challenges and recent developments | |
US20220335317A1 (en) | Cloud workload management using workload profiles | |
Lyu et al. | Cooperative computing anytime, anywhere: Ubiquitous fog services | |
CN115174416B (zh) | 一种网络规划系统、方法、装置及电子设备 | |
CN112737980B (zh) | 基于时间的网络切片资源动态划分方法及装置 | |
CN107103360B (zh) | 一种基于混合云的可靠应用分配分布式遗传方法 | |
Hans et al. | Controller placement in software defined internet of things using optimization algorithm | |
Afrasiabi et al. | Reinforcement learning-based optimization framework for application component migration in NFV cloud-fog environments | |
CN111556090B (zh) | 智能物联网的功能聚合自组织系统及方法 | |
CN117042026A (zh) | 业务可视化模型构建方法、装置、设备、介质和程序产品 | |
Mobasheri et al. | Toward developing fog decision making on the transmission rate of various IoT devices based on reinforcement learning | |
Abdellah et al. | RAP-G: Reliability-aware service placement using genetic algorithm for deep edge computing | |
Li et al. | Placement of parameter server in wide area network topology for geo-distributed machine learning |
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 |