CN112714032B - 无线网络协议知识图谱构建分析方法、系统、设备及介质 - Google Patents

无线网络协议知识图谱构建分析方法、系统、设备及介质 Download PDF

Info

Publication number
CN112714032B
CN112714032B CN202110330984.XA CN202110330984A CN112714032B CN 112714032 B CN112714032 B CN 112714032B CN 202110330984 A CN202110330984 A CN 202110330984A CN 112714032 B CN112714032 B CN 112714032B
Authority
CN
China
Prior art keywords
nodes
knowledge graph
vectors
network protocol
entity
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
Application number
CN202110330984.XA
Other languages
English (en)
Other versions
CN112714032A (zh
Inventor
何世文
王良鹏
张祥伍
吴志杰
杨伊婷
邹邃
黄永明
易山云
尤肖虎
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.)
Zijinshan Laboratory
Original Assignee
Network Communication and Security Zijinshan Laboratory
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 Network Communication and Security Zijinshan Laboratory filed Critical Network Communication and Security Zijinshan Laboratory
Priority to CN202110330984.XA priority Critical patent/CN112714032B/zh
Publication of CN112714032A publication Critical patent/CN112714032A/zh
Application granted granted Critical
Publication of CN112714032B publication Critical patent/CN112714032B/zh
Priority to PCT/CN2021/123976 priority patent/WO2022205833A1/zh
Priority to US18/283,784 priority patent/US20240163684A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
    • 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
    • H04L41/14—Network analysis or design
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种无线网络协议知识图谱构建分析方法、系统、设备及介质，方法包括根据无线通信网络协议的内生因素定义实体、实体之间的关系和三元组，通过三元组构建无线通信网络协议内生因素的知识图谱；通过节点随机状态权值计算得到节点的稀疏表示向量，利用稀疏表示向量间余弦相似度量化和替换知识图谱中的边连接关系，进而计算节点的关联向量和特征向量。本发明通过建立无线通信网络协议内生因素的知识图谱，引入了基于知识图谱图结构的节点稀疏表示算法、余弦相似度计算与节点关联分析方法，深度挖掘了知识图谱所包含的图结构信息，对知识图谱节点与边连接关系进行量化特征表示，完成了对节点间关联关系的分析与挖掘。

Description

无线网络协议知识图谱构建分析方法、系统、设备及介质
技术领域
本发明涉及智能无线通信网络技术领域，尤其涉及一种无线网络协议知识图谱构建分析方法、系统、设备及介质。
背景技术
未来无线通信网络的网络结构、终端类型、终端行为、数据业务需求、系统资源都具有高动态性、时效性强及相互耦合性等特点，有效厘清这些特点与通信网络协议内生因素之间的关联关系，进而实现无线通信知识的互联互通，有助于无线通信网络资源的高效管理、网络维护与协同及智能无线通信理论研究。由于无线通信数据的多源异质与组织结构松散，网络结构层次化与扁平化相耦合的特性，给大数据环境下的知识互联带来了极大的挑战。现有通信网络体系结构内的各种内生因素间的关联关系通常是一个“黑核”，研究人员难以从一种可视化、层次化、结构化的方式动态了解网络内在流程、网络动态行为等。此外，现有学习无线网络都是集中某一层的学习，如物理层、数据链路层、核心网络以上层，而层间关系，同层要素间的关系都没有很好地可视化呈现出来。如何以一种易于理解的可视化方式呈现无线网络通信机制内生因素与内生关联关系成为深入理解通信网络的关键。
发明内容
技术目的：针对现有技术中通信网络体系结构内内生因素间关联关系存在的“黑核”问题的缺陷，本发明公开了一种无线网络协议知识图谱构建分析方法、系统、设备及介质，通过建立无线通信网络协议内生因素的知识图谱，引入了基于知识图谱图结构的节点稀疏表示算法、余弦相似度计算与节点关联分析模型方法，深度挖掘了知识图谱所包含的图结构信息，实现了对知识图谱节点与边连接关系的量化特征表示，完成了对节点间关联关系的分析与挖掘。
技术方案：为实现上述技术目的，本发明采用以下技术方案。
一种无线网络协议知识图谱构建分析方法，包括：
S1、构建知识图谱：根据无线通信网络协议的内生因素定义实体、实体之间的关系和三元组，所述无线通信网络协议的内生因素包括根据无线通信网络协议规定的核心网数据字段和指标；所述三元组由实体和实体之间的关系组成；通过三元组构建具有拓扑结构的无线通信网络协议内生因素的知识图谱；
S2、对知识图谱中任意节点之间进行关联分析：通过节点随机状态权值的计算得到节点的稀疏表示向量，利用稀疏表示向量间余弦相似度量化和替换知识图谱中任意节点之间通过无线通信网络协议建立的边连接关系，进而计算节点的关联向量，所述关联向量用于计算节点的特征向量，通过节点的特征向量完成知识图谱的量化表示，用于节点间关联关系的挖掘，进而获取无线通信网络协议内生因素间隐藏的关联关系。
优选地，所述步骤S1具体包括：
S11、定义实体：获取无线通信网络协议的内生因素，包括根据无线通信网络协议规定的核心网数据字段和指标，确定流程类型、数据字段类型、统计类型数据指标与算法类型数据指标共四种实体类型；
S12、定义实体之间的关系：定义实体之间的关系分为流程关系、条件关系和算法关系共3种，其中流程关系用于描述数据字段类型的实体与流程类型的实体之间的相关性，条件关系用于描述统计类型数据指标的实体生效时与之关联的数据字段的具体取值，算法关系用于描述统计类型数据指标的实体转换到算法类型数据指标的实体的计算方法；
S13、定义三元组：根据步骤S11和步骤S12构建三元组（head,relation,tail），其中，head为三元组中的头实体，tail为三元组中的尾实体，每个三元组中的头实体与尾实体均属于步骤S11中定义的四种实体类型的其中一种，relation为实体间的关系，属于步骤S12中定义的三种关系的其中一种；
S14、构建无线通信网络协议内生因素的知识图谱：以步骤S13中三元组的头实体、尾实体作为知识图谱的节点，每一个节点表征了一个核心网的数据字段或指标，实体间的关系为节点之间的边，连接所有存在边连接关系的实体节点，进而得到具有拓扑结构的无线通信网络协议内生因素的知识图谱。
优选地，所述实体包含与实体相映射的实体属性，实体属性包括实体的名称、特征及参数。
优选地，所述步骤S2具体包括：
S21、依据步骤S1构建的知识图谱拓扑结构得到各节点的稀疏表示向量，其中，稀疏表示向量通过随机状态权值进行计算；
S22、通过计算节点的稀疏表示向量间的余弦相似度实现节点间的边连接关系的量化；
S23、以量化后的余弦相似度替换原知识图谱中由协议确定的边连接关系，完成知识图谱图结构的更新；
S24、结合更新后的知识图谱拓扑结构与余弦相似度计算出节点的关联向量，进而通过关联向量计算节点的特征向量，所述特征向量用于知识图谱的量化表示。
优选地，所述步骤S21中随机状态权值通过随机状态转换概率修正矩阵迭代计算获得，其计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为第
Figure DEST_PATH_IMAGE003
次迭代后所有节点的随机状态权值矩阵，
Figure DEST_PATH_IMAGE004
为第
Figure DEST_PATH_IMAGE005
次迭代后所有节点的随机状态权值矩阵，
Figure DEST_PATH_IMAGE006
为随机状态转换概率修正矩阵，
Figure DEST_PATH_IMAGE007
为随机状态转换概率参数，
Figure DEST_PATH_IMAGE008
为随机状态转换概率矩阵，
Figure DEST_PATH_IMAGE009
是值全为1的列向量，
Figure DEST_PATH_IMAGE010
为知识图谱中节点的总数。
优选地，所述步骤S24中节点的特征向量通过学习率函数和特征偏移向量迭代计算获得，其计算公式为：
Figure DEST_PATH_IMAGE011
其中，
Figure DEST_PATH_IMAGE012
为
Figure DEST_PATH_IMAGE013
时刻节点
Figure DEST_PATH_IMAGE014
的特征向量，
Figure DEST_PATH_IMAGE015
为
Figure DEST_PATH_IMAGE016
时刻节点
Figure DEST_PATH_IMAGE017
的特征向量，
Figure DEST_PATH_IMAGE018
为关于时间
Figure 914151DEST_PATH_IMAGE016
的学习率函数，
Figure DEST_PATH_IMAGE019
为
Figure 271445DEST_PATH_IMAGE016
时刻节点
Figure 795967DEST_PATH_IMAGE017
的特征偏移向量，
Figure DEST_PATH_IMAGE020
为
Figure 487980DEST_PATH_IMAGE016
时刻节点
Figure 880784DEST_PATH_IMAGE017
的关联向量，
Figure DEST_PATH_IMAGE021
为
Figure 341852DEST_PATH_IMAGE016
时刻节点
Figure 302855DEST_PATH_IMAGE017
的分离向量。
一种无线网络协议知识图谱构建分析系统，包括：
知识图谱构建单元，用于根据无线通信网络协议的内生因素定义实体、实体之间的关系和三元组，所述无线通信网络协议的内生因素包括根据无线通信网络协议规定的核心网数据字段和指标；所述三元组由实体和实体之间的关系组成；通过三元组构建具有拓扑结构的无线通信网络协议内生因素的知识图谱；
关联分析单元，与知识图谱构建单元连接，用于通过节点随机状态权值计算得到节点的稀疏表示向量，利用稀疏表示向量间余弦相似度量化和替换知识图谱中任意节点之间通过无线通信网络协议建立的边连接关系，进而计算节点的关联向量，所述关联向量用于计算节点的特征向量，所述特征向量用于知识图谱的量化表示。
优选地，所述关联分析单元包括依次连接的稀疏表示向量计算模块、余弦相似度计算模块、更新模块和特征向量计算模块；
所述稀疏表示向量计算模块用于依据知识图谱构建单元构建的知识图谱计算各节点的稀疏表示向量；
所述余弦相似度计算模块用于计算节点的稀疏表示向量间的余弦相似度，进而实现节点间的边连接关系的量化；
所述更新模块用于以量化后的余弦相似度替换原知识图谱中的边连接关系，完成知识图谱图结构的更新；
所述特征向量计算模块用于结合更新后的知识图谱拓扑结构与余弦相似度计算出节点的关联向量，进而通过关联向量计算节点的特征向量，所述特征向量用于知识图谱的量化表示。
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，所述处理器执行所述程序时实现以上任一所述的一种无线网络协议知识图谱构建分析方法。
一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于被处理器执行时实现以上任一所述的一种无线网络协议知识图谱构建分析方法。
有益效果：
1、本发明通过建立无线通信网络协议内生因素的知识图谱，引入了基于知识图谱图结构的节点稀疏表示算法、余弦相似度计算与节点关联分析方法，深度挖掘了知识图谱所包含的图结构信息，实现了对知识图谱节点与边连接关系的量化特征表示，完成了对节点间关联关系的分析与挖掘，并且推理出无线通信网络协议内生因素间隐藏的关联关系，进而实现了无线通信网络协议中各内生因素间关联关系进一步挖掘；
2、本发明还利用关联分析模型将抽象的无线网络协议知识图谱量化为可通过特征向量描述并计算的矩阵形式，具有此种表示形式的知识图谱可以更方便的延伸应用于实体预测、关系预测、推荐算法及语义搜索等场景。
附图说明
图1为本发明的方法流程图；
图2为本发明实施例中更新前知识图谱局部示意图；
图3为本发明实施例中更新后知识图谱局部示意图。
具体实施方式
以下结合附图和实施例对本发明的一种无线网络协议知识图谱构建分析方法、系统、设备及介质做进一步的说明和解释。
如附图1所示，一种无线网络协议知识图谱构建分析方法，具体包括：
步骤一：构建知识图谱：根据无线通信网络协议的内生因素定义实体、实体之间的关系和三元组，通过三元组构建具有拓扑结构的无线通信网络协议内生因素的知识图谱；无线通信网络协议内生因素知识图谱构建的目标在于将无线通信协议中规定的数据字段及指标间的关联规则以知识图谱的形式直观的展现出来，以节点表征数据字段及指标，以实体间的关系表征数据字段及指标间的关联规则，为后续关联分析方法的研究提供依据。步骤一包含以下四个子步骤：
子步骤一：实体的定义，依据3GPP协议等无线通信网络协议规定的核心网数据字段及指标，以信令流程类型作为连接各个接口的锚点，确立流程类型、数据字段类型、统计类型数据指标与算法类型数据指标四种实体类型。实体包含用于体现实体对象所有可能具有的名称、特征及参数的实体属性，特征包含实体的类型和字长，参数包含实体的数值。实体属性是对实体的说明，是实体与属性值之间的映射关系。
子步骤二：关系的定义，关系被分为流程关系、条件关系与算法关系三类，其中，流程关系用于描述数据字段类型的实体与流程类型的实体之间的相关性，条件关系用于描述统计类型数据指标的实体生效时与之关联的数据字段的具体取值，算法关系用于描述统计类型数据指标的实体转换到算法类型数据指标的实体的计算方法。这里关系的分类是根据无线通信网络协议进行的分类。
子步骤三：三元组的定义，由子步骤一与子步骤二确立了实体与边连接关系之后，构建具有连接关系的实体无线通信协议通用三元组，即（head,relation,tail），其中，head为三元组中的头实体，tail为三元组中的尾实体，每个三元组中的头实体与尾实体均属于流程类型、数据字段类型、统计类型数据指标或算法类型数据指标中的一种，relation为实体间的关系，属于流程关系、条件关系或算法关系中的一种。
子步骤四：知识图谱的构建，以子步骤三中三元组的头实体、尾实体作为知识图谱的节点，每一个节点表征了一个核心网的数据字段或指标，边连接关系为节点之间的边，连接所有存在关系的实体节点，可以得到具有拓扑结构的无线通信网络协议内生因素的知识图谱。知识图谱中节点分成两类：孤立节点和非孤立节点。孤立节点是指知识图谱中与其它所有节点均无连接关系的节点，否则称非孤立节点。至此完成了基于无线通信网络协议内生因素知识图谱的构建。
步骤二：对知识图谱中任意节点之间进行关联分析：采用关联分析模型方法，通过节点随机状态权值的计算得到节点的稀疏表示向量，利用稀疏表示向量间余弦相似度量化和替换知识图谱中任意节点之间通过无线通信网络协议建立的边连接关系，进而计算节点的关联向量，所述关联向量用于计算节点的特征向量，通过节点的特征向量完成知识图谱的量化表示，便于节点间关联关系的挖掘，进而获取无线通信网络协议内生因素间隐藏的关联关系。基于无线通信网络协议内生因素知识图谱的关联分析目标在于计算出能够量化节点间边连接关系的相似度，以及任意节点与其它所有节点间的关联度，以支撑节点特征向量的表示学习，进一步实现类内节点间关联关系的挖掘。为了实现该目标，首先依据步骤一构建的知识图谱拓扑结构得到节点的稀疏表示向量，再通过计算稀疏表示向量间的余弦相似度实现节点间的边连接关系的量化，以量化后的相似度替换原知识图谱中由协议确定的关系relation，完成知识图谱图结构的更新，结合更新后的知识图谱拓扑结构与相似度计算出节点的关联向量，进而计算节点的特征向量，通过节点的特征向量完成知识图谱的量化表示，为后续节点间关联关系的深度挖掘提供了技术支撑。其中，通过余弦相似度量化计算边连接关系的过程中，还可以推理出原知识图谱中没有直接边连接关系的节点之间的关联性。
本发明依据无线通信网络协议建立数据字段及指标间的关联规则，并根据关联规则构建知识图谱，实现了基于知识图谱的内生因素关联分析，完成了知识图谱图结构的更新，以及知识图谱的节点特征表示与边连接关系的量化表示，深度挖掘各内生因素间的关联关系，为复杂关系网络内生因素间的逻辑推理提供了强有力的理论基础。解决目前通信网络体系结构内内生因素间关联关系存在的“黑核”问题，填补了无线通信网络协议关联分析这一领域的研究空白，为节点分类等方面提供计算依据。
步骤二包含以下四个子步骤：
子步骤一：节点稀疏表示向量计算：知识图谱节点的
Figure DEST_PATH_IMAGE022
维稀疏表示矩阵
Figure DEST_PATH_IMAGE023
，其中
Figure DEST_PATH_IMAGE024
为节点的总数，
Figure DEST_PATH_IMAGE025
是节点
Figure DEST_PATH_IMAGE026
的稀疏表示向量，
Figure DEST_PATH_IMAGE027
为节点
Figure 498475DEST_PATH_IMAGE026
的随机状态权值，
Figure DEST_PATH_IMAGE028
表示了节点
Figure 570336DEST_PATH_IMAGE026
与节点
Figure DEST_PATH_IMAGE029
的连接情况，存在边连接关系时
Figure DEST_PATH_IMAGE030
，否则
Figure DEST_PATH_IMAGE031
。
所有节点的随机状态权值是通过一系列迭代操作获得，为了便于叙述，令第
Figure DEST_PATH_IMAGE032
次迭代后所有节点的随机状态权值表示为
Figure DEST_PATH_IMAGE033
，
Figure DEST_PATH_IMAGE034
可以通过如下迭代公式获得：
Figure DEST_PATH_IMAGE035
Figure DEST_PATH_IMAGE036
Figure DEST_PATH_IMAGE037
表示随机状态权值迭代次数，迭代初值
Figure DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE039
为随机状态转换概率修正矩阵且计算方式为：
Figure DEST_PATH_IMAGE040
（2）
其中，
Figure DEST_PATH_IMAGE041
为随机状态转换概率参数，
Figure DEST_PATH_IMAGE042
为随机状态转换概率矩阵，
Figure DEST_PATH_IMAGE043
是值全为1的列向量。当满足条件
Figure DEST_PATH_IMAGE044
时迭代终止。随机状态转换概率矩阵
Figure DEST_PATH_IMAGE045
，非孤立节点
Figure DEST_PATH_IMAGE046
转换到其它任意节点的随机状态转换概率向量
Figure DEST_PATH_IMAGE047
。孤立节点
Figure DEST_PATH_IMAGE048
转换到其它任意节点的随机状态转换概率向量
Figure DEST_PATH_IMAGE049
。本步骤中通过迭代实现知识图谱的拓扑信息多次传递，使得知识图谱中具有较多边连接关系的节点具有更大的随机状态权值。
子步骤二：稀疏表示向量间余弦相似度的计算：稀疏表示向量
Figure DEST_PATH_IMAGE050
与稀疏表示向量
Figure DEST_PATH_IMAGE051
之间的余弦相似度
Figure DEST_PATH_IMAGE052
由下式给出：
Figure DEST_PATH_IMAGE053
（3）
子步骤三：知识图谱图结构的更新：设定余弦相似度值不低于余弦相似度阈值
Figure DEST_PATH_IMAGE054
的节点之间存在边连接关系，余弦相似度值低于阈值
Figure DEST_PATH_IMAGE055
的节点
Figure 549226DEST_PATH_IMAGE026
与节点
Figure 415551DEST_PATH_IMAGE029
之间不存在边连接关系且有
Figure DEST_PATH_IMAGE056
，以余弦相似度值替代原知识图谱中通过协议确定的边连接关系relation，实现对知识图谱中各节点间的边连接关系的量化。任意实体节点稀疏表示向量间均存在余弦相似度，即节点间两两互联，但需依据余弦相似度阈值
Figure 331423DEST_PATH_IMAGE055
断开其中的一部分弱连接的节点，从而实现图结构的更新。
子步骤四：节点的关联度与特征向量计算：节点的特征向量可以通过迭代计算得到，令在
Figure DEST_PATH_IMAGE057
时刻节点
Figure 347921DEST_PATH_IMAGE026
的特征向量
Figure DEST_PATH_IMAGE058
的迭代计算方式为：
Figure DEST_PATH_IMAGE059
（4）
其中，
Figure DEST_PATH_IMAGE060
为
Figure DEST_PATH_IMAGE061
时刻节点
Figure 862210DEST_PATH_IMAGE026
的特征向量，
Figure DEST_PATH_IMAGE062
为关于时间
Figure 837119DEST_PATH_IMAGE061
的学习率函数且其值随着时间的增加而变小，
Figure DEST_PATH_IMAGE063
为衰减因子，
Figure DEST_PATH_IMAGE064
为衰减步数的常数，
Figure DEST_PATH_IMAGE065
为
Figure 413856DEST_PATH_IMAGE061
时刻节点
Figure 827520DEST_PATH_IMAGE026
的特征偏移向量。节点
Figure 835796DEST_PATH_IMAGE026
在
Figure DEST_PATH_IMAGE066
时刻的特征向量
Figure DEST_PATH_IMAGE067
的值随机给定。判定终止的条件为
Figure DEST_PATH_IMAGE068
，其中，
Figure DEST_PATH_IMAGE069
表示
Figure DEST_PATH_IMAGE070
范数。此处迭代是为了保证得到的特征向量是稳态的，特征偏移量已经趋近于0，即，位于最小值附近。特征向量的作用在于将一个概念性的抽象知识图谱量化为一个可以通过特征向量描述并计算的矩阵形式，如G=(A,X)，A为邻接矩阵，X由各节点的特征向量构成。
从公式（4）可知，为计算节点的特征向量，实现需要计算节点的特征偏移向量。在
Figure 342126DEST_PATH_IMAGE061
时刻节点
Figure 311219DEST_PATH_IMAGE026
的特征偏移向量
Figure 387628DEST_PATH_IMAGE065
通过作用于该节点在
Figure 391356DEST_PATH_IMAGE061
时刻的关联向量
Figure DEST_PATH_IMAGE071
与分离向量
Figure DEST_PATH_IMAGE072
计算得到：
Figure DEST_PATH_IMAGE073
（5）
（1）关联向量的计算
节点
Figure 865325DEST_PATH_IMAGE026
的关联向量
Figure 197081DEST_PATH_IMAGE071
表示为所有与节点
Figure 952547DEST_PATH_IMAGE026
相连节点的聚合向量之和，其计算公式为：
Figure DEST_PATH_IMAGE074
（6）
其中，
Figure DEST_PATH_IMAGE075
为与节点
Figure 607519DEST_PATH_IMAGE026
具有边连接关系节点的集合，
Figure DEST_PATH_IMAGE076
为
Figure 688608DEST_PATH_IMAGE061
时刻节点
Figure 535690DEST_PATH_IMAGE026
与节点
Figure 829268DEST_PATH_IMAGE029
间的聚合向量，计算方式为：
Figure DEST_PATH_IMAGE077
（7）
其中，
Figure DEST_PATH_IMAGE078
为节点
Figure 604326DEST_PATH_IMAGE026
与节点
Figure 325157DEST_PATH_IMAGE029
的边
Figure DEST_PATH_IMAGE079
的理想长度，
Figure DEST_PATH_IMAGE080
为节点
Figure 319920DEST_PATH_IMAGE026
的稀疏表示向量
Figure DEST_PATH_IMAGE081
与节点
Figure 558135DEST_PATH_IMAGE029
的稀疏表示向量
Figure DEST_PATH_IMAGE082
间的余弦相似度，
Figure DEST_PATH_IMAGE083
为节点
Figure 577912DEST_PATH_IMAGE026
到节点
Figure 345011DEST_PATH_IMAGE029
的欧式距离，即
Figure 263288DEST_PATH_IMAGE070
范数，
Figure DEST_PATH_IMAGE084
为节点
Figure 321505DEST_PATH_IMAGE026
到节点
Figure 477680DEST_PATH_IMAGE029
的单位向量。理想长度
Figure DEST_PATH_IMAGE085
通过计算最佳距离获得：
Figure DEST_PATH_IMAGE086
（8）
其中，
Figure DEST_PATH_IMAGE087
为常数，
Figure DEST_PATH_IMAGE088
为知识图谱节点分布区域的大小，
Figure 805893DEST_PATH_IMAGE024
为知识图谱中节点的总数。
节点
Figure 945888DEST_PATH_IMAGE026
的关联向量
Figure 276637DEST_PATH_IMAGE071
的范数表示节点
Figure 552898DEST_PATH_IMAGE026
关联度
Figure DEST_PATH_IMAGE089
，其描述节点
Figure 458537DEST_PATH_IMAGE026
与其它节点在
Figure 210461DEST_PATH_IMAGE061
时刻的关联关系。
（2）分离向量的计算
节点
Figure 453223DEST_PATH_IMAGE026
的分离向量
Figure 724936DEST_PATH_IMAGE072
表示为所有与节点
Figure 394952DEST_PATH_IMAGE026
不相连节点的离散向量累计之和，即：
Figure DEST_PATH_IMAGE090
（9）
其中，
Figure DEST_PATH_IMAGE091
为所有节点的集合，
Figure DEST_PATH_IMAGE092
表示
Figure 338899DEST_PATH_IMAGE061
时刻节点
Figure 119773DEST_PATH_IMAGE026
与节点
Figure 760839DEST_PATH_IMAGE029
间的离散向量且计算方式为：
Figure DEST_PATH_IMAGE093
（10）
Figure 8281DEST_PATH_IMAGE078
为节点
Figure 610164DEST_PATH_IMAGE026
与节点
Figure 820827DEST_PATH_IMAGE029
的边
Figure 191766DEST_PATH_IMAGE079
的理想长度，其计算公式为公式（8），
Figure DEST_PATH_IMAGE094
为节点
Figure 610109DEST_PATH_IMAGE026
到节点
Figure 558342DEST_PATH_IMAGE029
的欧式距离，即L2范数，
Figure 681019DEST_PATH_IMAGE084
为节点
Figure 781830DEST_PATH_IMAGE026
到节点
Figure 964550DEST_PATH_IMAGE029
的单位向量。
本发明通过建立无线通信网络协议内生因素的知识图谱，引入了基于知识图谱图结构的节点稀疏表示算法、余弦相似度计算与节点关联分析模型方法，深度挖掘了知识图谱所包含的图结构信息，实现了对知识图谱节点与边连接关系的量化特征表示，完成了对节点间关联关系的分析与挖掘。本发明还利用关联分析模型将抽象的无线网络协议知识图谱量化为可通过特征向量描述并计算的矩阵形式，具有此种表示形式的知识图谱可以更方便的延伸应用于实体预测、关系预测、推荐算法及语义搜索等场景。
一种无线网络协议知识图谱构建分析系统，可以设置在网络中任意需要的位置，其执行是在本地服务器完成的，此外服务端与客户端都可以布置本系统，或通过算法实现本发明中的方法，一种无线网络协议知识图谱构建分析系统包括：知识图谱构建单元和关联分析单元。
知识图谱构建单元，用于根据无线通信网络协议的内生因素定义实体、实体之间的关系和三元组，所述无线通信网络协议的内生因素包括根据无线通信网络协议规定的核心网数据字段和指标；通过三元组构建具有拓扑结构的无线通信网络协议内生因素的知识图谱；
关联分析单元，与知识图谱构建单元连接，用于通过节点随机状态权值计算得到节点的稀疏表示向量，利用稀疏表示向量间余弦相似度量化和替换知识图谱中任意节点之间通过无线通信网络协议建立的边连接关系，进而计算节点的关联向量，关联向量用于计算节点的特征向量，特征向量用于知识图谱的量化表示。关联分析单元具体包括依次连接的稀疏表示向量计算模块、余弦相似度计算模块、更新模块和特征向量计算模块；
其中，稀疏表示向量计算模块用于依据知识图谱构建单元构建的知识图谱计算各节点的稀疏表示向量；余弦相似度计算模块用于计算节点的稀疏表示向量间的余弦相似度，进而实现节点间的边连接关系的量化；更新模块用于以量化后的余弦相似度替换原知识图谱中的边连接关系，完成知识图谱图结构的更新；特征向量计算模块用于结合更新后的知识图谱拓扑结构与余弦相似度计算出节点的关联向量，进而通过关联向量计算节点的特征向量，特征向量用于知识图谱的量化表示。
一种电子设备，其特征在于，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，处理器执行程序时实现以上任一所述的一种无线网络协议知识图谱构建分析方法。存储器可为各种类型的存储器，可为随机存储器、只读存储器、闪存等。处理器可为各种类型的处理器，例如，中央处理器、微处理器、数字信号处理器或图像处理器等。
一种计算机可读存储介质，其特征在于，存储有计算机可执行指令，计算机可执行指令用于被处理器执行时实现以上任一所述的一种无线网络协议知识图谱构建分析方法。存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
实施例：
本实施例中以核心网N1N2接口控制面数据及指标关联分析作进一步描述，其中无线通信网络协议内生因素知识图谱的构建是通过图数据库技术实现，知识图谱中节点关联关系的查询、存储及处理等操作则是通过数据库查询语言实现，内生因素关联分析模型是在Python 3.6语言环境下建立并验证。
步骤一：无线通信网络协议内生因素知识图谱构建，包含以下四个子步骤：
子步骤一：实体的定义，依据3GPP协议等无线通信网络协议规定，确立可作为流程类型、数据字段类型、统计类型数据指标与算法类型数据指标共四种实体类型的核心网N1N2接口控制面数据及指标共247个。本实施例中，流程类型如1-registration、数据字段类型如msgflag、统计类型数据指标如registration success cnt，算法类型数据指标如registration success rate。实体类型包含实体属性，实体属性用于体现实体具有的名称、特征及参数，特征用于描述实体区别于其他实体的性质如类型、字长等，参数则描述了实体对象特定属性的取值如数值，例如名称为msgflag的实体类型为unsigned int，字长为1，数值可以取0、1、2、3、4。
子步骤二：边连接关系的定义，根据现有的无线通信协议确立247个实体间的流程关系、条件关系与算法关系三种共2305条。
子步骤三：三元组的定义，确立了实体与边连接关系之后，构建具有连接关系的实体无线通信协议通用三元组共2305组。
子步骤四：知识图谱的构建，以三元组的头实体、尾实体作为知识图谱的节点，边连接关系为节点之间的边，连接所有存在关系的实体节点，可以得到具有拓扑结构的无线通信网络协议内生因素的知识图谱。无线通信网络协议内生因素知识图谱的节点总数共247个，边连接关系共2305条。附图2示出了本实施例中无线通信网络协议内生因素知识图谱的局部结构。利用图数据库技术将知识图谱以图数据的方式进行存储，通过数据库查询语言可以实现以关联数据为中心的数据表达，多重边连接关系的查询，还可通过图算法实现更为复杂的图匹配查询与推理等功能。
步骤二：基于无线通信网络协议内生因素知识图谱的关联分析方法，包含以下四个子步骤：
子步骤一：节点稀疏表示向量计算，知识图谱节点的稀疏表示向量可通过节点的随机状态权值计算得到，具体过程如下，
随机状态权值初始设定为
Figure DEST_PATH_IMAGE095
，其中
Figure DEST_PATH_IMAGE096
。通过公式（1）迭代得到随机状态权值。随机状态转换概率修正矩阵
Figure DEST_PATH_IMAGE097
可以通过公式（2）由随机状态转换概率矩阵
Figure DEST_PATH_IMAGE098
计算得到，其中，随机状态转换概率参数
Figure DEST_PATH_IMAGE099
，列向量
Figure DEST_PATH_IMAGE100
。当满足条件
Figure 229440DEST_PATH_IMAGE044
时迭代终止，其中
Figure DEST_PATH_IMAGE101
。
子步骤二：稀疏表示向量间余弦相似度计算，通过公式（3）计算知识图谱节点稀疏表示向量间的余弦相似度来评估节点间的相似性，本实施例中，节点1-registration与节点msgflag间的余弦相似度为0.0092，节点msgflag与节点registration success cnt间的余弦相似度为0.218。
子步骤三：知识图谱图结构的更新，设定稀疏表示向量间余弦相似度值高于余弦相似度阈值
Figure DEST_PATH_IMAGE102
的节点之间存在边连接关系，本实施例中，节点1-registration与节点msgflag间的余弦相似度为0.0092，小于余弦相似度阈值
Figure 578644DEST_PATH_IMAGE102
，则节点1-registration与节点msgflag间视为不存在边连接关系；而节点msgflag与节点registration success cnt间的余弦相似度为0.218，大于余弦相似度阈值
Figure 658596DEST_PATH_IMAGE102
，则节点msgflag与节点registration success cnt间视为存在边连接关系；余弦相似度的值决定了两个稀疏表示向量间相似的程度，采用此量化的相似度替代原知识图谱中通过协议确定的边连接关系
Figure DEST_PATH_IMAGE103
，完成知识图谱图结构的更新，更新前的节点总数共247个，边连接关系共2305条，更新后的知识图谱节点有247个，量化边连接关系总数为15962条，可知更新边连接关系后，除了在无线通信网络协议中已经规定的边连接关系之外，还可以推理出节点之间存在的隐性边连接关系，便于后期知识图谱中节点的关联分析。
附图3示出了无线通信网络协议内生因素知识图谱图结构更新后的局部结构，图中边连接线的粗细程度反映了两个节点关联性的强弱，关联性越强则边连接线越粗，反之边连接线越弱，节点的大小则反映了此类数据中与该节点具有强关联关系的节点的数量，节点越大说明与该节点强关联的节点数越多，判定强关联的阈值
Figure DEST_PATH_IMAGE104
。
子步骤四：节点的关联度与特征向量计算，节点的特征向量可以通过公式（4）迭代计算得到，关于时间
Figure DEST_PATH_IMAGE105
的学习率函数
Figure DEST_PATH_IMAGE106
中，衰减因子
Figure DEST_PATH_IMAGE107
，衰减步数的常数
Figure DEST_PATH_IMAGE108
，判定终止的条件中
Figure DEST_PATH_IMAGE109
。节点的关联度可以通过计算由公式（10）给出的关联向量的范数得到，其中边
Figure 220072DEST_PATH_IMAGE079
的理想长度为
Figure DEST_PATH_IMAGE110
。
从本实施例中的附图2和附图3可知，本发明所述的方法很好的解决了现有通信网络体系结构内存在的内生因素间关联关系的“黑核”问题，为研究人员提供了一种可视化、层次化、结构化的方式动态了解网络内在流程、数据、指标间的关联。通过知识图谱对现有的信息和知识及其关联规则的有效整理，结合知识组织层次关联分析模型，可以实现面向专业人士培训知识库的构建，解决现有教学培训工作只能局限于某一层网络开展的问题，具有广阔的应用前景和价值。
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 (10)

1.一种无线网络协议知识图谱构建分析方法，其特征在于，包括：
S1、构建知识图谱：根据无线通信网络协议的内生因素定义实体、实体之间的关系和三元组，所述无线通信网络协议的内生因素包括根据无线通信网络协议规定的核心网数据字段和指标；所述三元组由实体和实体之间的关系组成；通过三元组构建具有拓扑结构的无线通信网络协议内生因素的知识图谱；
S2、对知识图谱中任意节点之间进行关联分析：通过节点随机状态权值的计算得到节点的稀疏表示向量，利用稀疏表示向量间余弦相似度量化和替换知识图谱中任意节点之间通过无线通信网络协议建立的边连接关系，进而计算节点的关联向量，所述关联向量用于计算节点的特征向量，通过节点的特征向量完成知识图谱的量化表示，用于节点间关联关系的挖掘，进而获取无线通信网络协议内生因素间隐藏的关联关系。
2.根据权利要求1所述的一种无线网络协议知识图谱构建分析方法，其特征在于：所述步骤S1具体包括：
S11、定义实体：获取无线通信网络协议的内生因素，包括根据无线通信网络协议规定的核心网数据字段和指标，确定流程类型、数据字段类型、统计类型数据指标与算法类型数据指标共四种实体类型；
S12、定义实体之间的关系：定义实体之间的关系分为流程关系、条件关系和算法关系共3种，其中流程关系用于描述数据字段类型的实体与流程类型的实体之间的相关性，条件关系用于描述统计类型数据指标的实体生效时与之关联的数据字段的具体取值，算法关系用于描述统计类型数据指标的实体转换到算法类型数据指标的实体的计算方法；
S13、定义三元组：根据步骤S11和步骤S12构建三元组（head,relation,tail），其中，head为三元组中的头实体，tail为三元组中的尾实体，每个三元组中的头实体与尾实体均属于步骤S11中定义的四种实体类型的其中一种，relation为实体间的关系，属于步骤S12中定义的三种关系的其中一种；
S14、构建无线通信网络协议内生因素的知识图谱：以步骤S13中三元组的头实体、尾实体作为知识图谱的节点，每一个节点表征了一个核心网的数据字段或指标，实体间的关系为节点之间的边，连接所有存在边连接关系的实体节点，进而得到具有拓扑结构的无线通信网络协议内生因素的知识图谱。
3.根据权利要求2所述的一种无线网络协议知识图谱构建分析方法，其特征在于：所述实体包含与实体相映射的实体属性，实体属性包括实体的名称、特征及参数。
4.根据权利要求1所述的一种无线网络协议知识图谱构建分析方法，其特征在于：所述步骤S2具体包括：
S21、依据步骤S1构建的知识图谱拓扑结构得到各节点的稀疏表示向量，其中，稀疏表示向量通过随机状态权值进行计算；
S22、通过计算节点的稀疏表示向量间的余弦相似度实现节点间的边连接关系的量化；
S23、以量化后的余弦相似度替换原知识图谱中由协议确定的边连接关系，完成知识图谱图结构的更新；
S24、结合更新后的知识图谱拓扑结构与余弦相似度计算出节点的关联向量，进而通过关联向量计算节点的特征向量，所述特征向量用于知识图谱的量化表示。
5.根据权利要求4所述的一种无线网络协议知识图谱构建分析方法，其特征在于：所述步骤S21中随机状态权值通过随机状态转换概率修正矩阵迭代计算获得，其计算公式为：
Figure 71850DEST_PATH_IMAGE001
其中，
Figure 334465DEST_PATH_IMAGE002
为第
Figure 848623DEST_PATH_IMAGE003
次迭代后所有节点的随机状态权值矩阵，
Figure 774990DEST_PATH_IMAGE004
为第
Figure 120521DEST_PATH_IMAGE005
次迭代后 所有节点的随机状态权值矩阵，
Figure 474142DEST_PATH_IMAGE006
为随机状态转换概率修正矩阵，
Figure 272334DEST_PATH_IMAGE007
为随机状态转换概 率参数，
Figure 267972DEST_PATH_IMAGE008
为随机状态转换概率矩阵，
Figure 468009DEST_PATH_IMAGE009
是值全为1的列向量，
Figure 992531DEST_PATH_IMAGE010
为知识图谱中节点的 总数。
6.根据权利要求4所述的一种无线网络协议知识图谱构建分析方法，其特征在于：所述步骤S24中节点的特征向量通过学习率函数和特征偏移向量迭代计算获得，其计算公式为：
Figure 278019DEST_PATH_IMAGE011
其中，
Figure 546189DEST_PATH_IMAGE012
为
Figure 600733DEST_PATH_IMAGE013
时刻节点
Figure 764998DEST_PATH_IMAGE014
的特征向量，
Figure 537782DEST_PATH_IMAGE015
为
Figure 344064DEST_PATH_IMAGE016
时刻节点
Figure 518693DEST_PATH_IMAGE014
的特征向量，
Figure 650597DEST_PATH_IMAGE017
为关于时间
Figure 910677DEST_PATH_IMAGE016
的学习率函数，
Figure 520650DEST_PATH_IMAGE018
为
Figure 753048DEST_PATH_IMAGE016
时刻节点
Figure 55854DEST_PATH_IMAGE019
的特征偏移向量，
Figure 803230DEST_PATH_IMAGE020
为
Figure 216894DEST_PATH_IMAGE016
时刻节点
Figure 100536DEST_PATH_IMAGE019
的关联向量，
Figure 574243DEST_PATH_IMAGE021
为
Figure 746598DEST_PATH_IMAGE016
时刻节点
Figure 698374DEST_PATH_IMAGE014
的分离向量。
7.一种无线网络协议知识图谱构建分析系统，其特征在于：包括：
知识图谱构建单元，用于根据无线通信网络协议的内生因素定义实体、实体之间的关系和三元组，所述无线通信网络协议的内生因素包括根据无线通信网络协议规定的核心网数据字段和指标；所述三元组由实体和实体之间的关系组成；通过三元组构建具有拓扑结构的无线通信网络协议内生因素的知识图谱；
关联分析单元，与知识图谱构建单元连接，用于通过节点随机状态权值计算得到节点的稀疏表示向量，利用稀疏表示向量间余弦相似度量化和替换知识图谱中任意节点之间通过无线通信网络协议建立的边连接关系，进而计算节点的关联向量，所述关联向量用于计算节点的特征向量，所述特征向量用于知识图谱的量化表示。
8.根据权利要求7所述的一种无线网络协议知识图谱构建分析系统，其特征在于：所述关联分析单元包括依次连接的稀疏表示向量计算模块、余弦相似度计算模块、更新模块和特征向量计算模块；
所述稀疏表示向量计算模块用于依据知识图谱构建单元构建的知识图谱计算各节点的稀疏表示向量；
所述余弦相似度计算模块用于计算节点的稀疏表示向量间的余弦相似度，进而实现节点间的边连接关系的量化；
所述更新模块用于以量化后的余弦相似度替换原知识图谱中的边连接关系，完成知识图谱图结构的更新；
所述特征向量计算模块用于结合更新后的知识图谱拓扑结构与余弦相似度计算出节点的关联向量，进而通过关联向量计算节点的特征向量，所述特征向量用于知识图谱的量化表示。
9.一种电子设备，其特征在于，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，所述处理器执行所述程序时实现如权利要求1-6任一所述的一种无线网络协议知识图谱构建分析方法。
10.一种计算机可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令用于被处理器执行时实现如权利要求1-6任一所述的一种无线网络协议知识图谱构建分析方法。
CN202110330984.XA 2021-03-29 2021-03-29 无线网络协议知识图谱构建分析方法、系统、设备及介质 Active CN112714032B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110330984.XA CN112714032B (zh) 2021-03-29 2021-03-29 无线网络协议知识图谱构建分析方法、系统、设备及介质
PCT/CN2021/123976 WO2022205833A1 (zh) 2021-03-29 2021-10-15 无线网络协议知识图谱构建分析方法、系统、设备及介质
US18/283,784 US20240163684A1 (en) 2021-03-29 2021-10-15 Method and System for Constructing and Analyzing Knowledge Graph of Wireless Communication Network Protocol, and Device and Medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110330984.XA CN112714032B (zh) 2021-03-29 2021-03-29 无线网络协议知识图谱构建分析方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN112714032A CN112714032A (zh) 2021-04-27
CN112714032B true CN112714032B (zh) 2021-07-02

Family

ID=75550380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110330984.XA Active CN112714032B (zh) 2021-03-29 2021-03-29 无线网络协议知识图谱构建分析方法、系统、设备及介质

Country Status (3)

Country Link
US (1) US20240163684A1 (zh)
CN (1) CN112714032B (zh)
WO (1) WO2022205833A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112714032B (zh) * 2021-03-29 2021-07-02 网络通信与安全紫金山实验室 无线网络协议知识图谱构建分析方法、系统、设备及介质
CN113259972B (zh) * 2021-06-08 2021-09-28 网络通信与安全紫金山实验室 基于无线通信网络数据仓库构建方法、系统、设备及介质
CN113434701A (zh) * 2021-07-16 2021-09-24 山东大学 一种车联网知识图谱的构建、更新方法及系统
CN113453257B (zh) * 2021-08-30 2021-12-28 网络通信与安全紫金山实验室 无线通信网络性能优化方法及装置
CN114095529B (zh) * 2021-08-30 2022-08-16 云南大学 基于知识图谱的工业非智能传感器自适应接入中间件及其方法
CN113890899B (zh) * 2021-09-13 2022-11-18 北京交通大学 一种基于知识图谱的协议转换方法
CN114168608B (zh) * 2021-12-16 2022-07-15 中科雨辰科技有限公司 一种用于更新知识图谱的数据处理系统
CN114154019B (zh) * 2022-02-10 2022-04-12 奇安信科技集团股份有限公司 一种拓线分析方法、装置、电子设备及存储介质
CN114205852B (zh) * 2022-02-17 2022-05-03 网络通信与安全紫金山实验室 无线通信网络知识图谱的智能分析与应用系统及方法
CN115225582B (zh) * 2022-06-10 2024-03-08 国家计算机网络与信息安全管理中心 一种基于动态知识图谱的动环平台协议适配方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107526799A (zh) * 2017-08-18 2017-12-29 武汉红茶数据技术有限公司 一种基于深度学习的知识图谱构建方法
CN110856186A (zh) * 2019-11-19 2020-02-28 北京联合大学 一种无线网络知识图谱的构建方法及系统
CN112100346A (zh) * 2020-08-28 2020-12-18 西北工业大学 基于细粒度图像特征和外部知识相融合的视觉问答方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110035418A1 (en) * 2009-08-06 2011-02-10 Raytheon Company Object-Knowledge Mapping Method
US20170103337A1 (en) * 2015-10-08 2017-04-13 International Business Machines Corporation System and method to discover meaningful paths from linked open data
CN109918512A (zh) * 2019-03-01 2019-06-21 北京航空航天大学 一种多域环境中基于知识图谱的高性能服务资源表征方法
CN109992673A (zh) * 2019-04-10 2019-07-09 广东工业大学 一种知识图谱生成方法、装置、设备及可读存储介质
CN110489561B (zh) * 2019-07-12 2024-07-12 平安科技（深圳）有限公司 知识图谱构建方法、装置、计算机设备和存储介质
CN110727741A (zh) * 2019-09-29 2020-01-24 全球能源互联网研究院有限公司 一种电力系统的知识图谱构建方法及系统
CN112714032B (zh) * 2021-03-29 2021-07-02 网络通信与安全紫金山实验室 无线网络协议知识图谱构建分析方法、系统、设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107526799A (zh) * 2017-08-18 2017-12-29 武汉红茶数据技术有限公司 一种基于深度学习的知识图谱构建方法
CN110856186A (zh) * 2019-11-19 2020-02-28 北京联合大学 一种无线网络知识图谱的构建方法及系统
CN112100346A (zh) * 2020-08-28 2020-12-18 西北工业大学 基于细粒度图像特征和外部知识相融合的视觉问答方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Research on the Construction Method of Knowledge Graph for Electric Power Wireless Private Network";Qinghai Ou等;《2020 IEEE 10th International Conference on Electronics Information and Emergency Communication (ICEIEC)》;20200730;正文第10-13页 *
"基于复杂网络的知识图谱构建与应用研究";段涵特;《中国优秀硕士学位论文全文数据库》;20200215;正文第3-4章 *

Also Published As

Publication number Publication date
CN112714032A (zh) 2021-04-27
US20240163684A1 (en) 2024-05-16
WO2022205833A1 (zh) 2022-10-06

Similar Documents

Publication Publication Date Title
CN112714032B (zh) 无线网络协议知识图谱构建分析方法、系统、设备及介质
CN109783582B (zh) 一种知识库对齐方法、装置、计算机设备及存储介质
CN113259972B (zh) 基于无线通信网络数据仓库构建方法、系统、设备及介质
CN112231592B (zh) 基于图的网络社团发现方法、装置、设备以及存储介质
CN117436724B (zh) 一种基于智慧城市的多源数据可视化分析方法及系统
CN111932386A (zh) 用户账号确定方法及装置、信息推送方法及装置、电子设备
CN115760279A (zh) 基于知识图谱和多头注意力的双目标跨域推荐方法及系统
CN114039871B (zh) 一种蜂窝流量预测的方法、系统、装置及介质
CN114936307A (zh) 一种范式化图模型构建方法
CN111291138A (zh) 更新关系网络的方法及装置
US7177282B1 (en) Method and apparatus for using histograms to produce data summaries
CN117194771B (zh) 一种图模型表征学习的动态知识图谱服务推荐方法
CN114840777B (zh) 多维度养老服务推荐方法、装置以及电子设备
US7272599B1 (en) Method and apparatus for using wavelets to produce data summaries
JP2006505858A (ja) 第１データベースにおけるデータベース情報を提供する提供方法及びコンピュータ構造、並びにデータベースにおける統計イメージのコンピュータ援用形成方法
CN117834061A (zh) 一种基于图卷积网络的无线频谱感知数据预测方法
CN114386600B (zh) 基于自适应结构和位置编码的网络表征方法
CN113609126B (zh) 一种众源时空数据的一体化存储管理方法及系统
CN111190952B (zh) 一种基于图像金字塔提取城市画像多尺度特征并持久化的方法
CN114997360A (zh) 神经架构搜索算法的演化参数优化方法、系统及存储介质
CN118279113B (zh) 一种基于大模型的数智社会公共服务管理方法及系统
CN117097624B (zh) 一种网络拓扑结构增强方法、装置、电子设备及存储介质
CN117688425B (zh) 面向Non-IID图数据的多任务图分类模型构建方法及系统
CN117133116B (zh) 一种基于时空关联网络的交通流预测方法及系统
CN118262527B (zh) 基于大数据的交通平台数据管理方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: He Shiwen

Inventor after: Wang Liangpeng

Inventor after: Zhang Xiangwu

Inventor after: Wu Zhijie

Inventor after: Yang Yiting

Inventor after: Zou Sui

Inventor after: Huang Yongming

Inventor after: Yi Yunshan

Inventor after: You Xiaohu

Inventor before: He Shiwen

Inventor before: Wang Liangpeng

Inventor before: Zhang Xiangwu

Inventor before: Wu Zhijie

Inventor before: Yang Yiting

Inventor before: Zou Sui

Inventor before: Huang Yongming

Inventor before: Yi Shanyun

Inventor before: You Xiaohu

CP03 Change of name, title or address

Address after: No. 9 Mozhou East Road, Nanjing City, Jiangsu Province, 211111

Patentee after: Zijinshan Laboratory

Country or region after: China

Address before: No. 9 Mozhou East Road, Jiangning Economic Development Zone, Jiangning District, Nanjing City, Jiangsu Province

Patentee before: Purple Mountain Laboratories

Country or region before: China