CN112819054A - 一种切片模板配置方法及装置 - Google Patents

一种切片模板配置方法及装置 Download PDF

Info

Publication number
CN112819054A
CN112819054A CN202110096566.9A CN202110096566A CN112819054A CN 112819054 A CN112819054 A CN 112819054A CN 202110096566 A CN202110096566 A CN 202110096566A CN 112819054 A CN112819054 A CN 112819054A
Authority
CN
China
Prior art keywords
slice
slice template
matching model
template
data
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
CN202110096566.9A
Other languages
English (en)
Other versions
CN112819054B (zh
Inventor
李静
周柳杉
曹亘
李福昌
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202110096566.9A priority Critical patent/CN112819054B/zh
Publication of CN112819054A publication Critical patent/CN112819054A/zh
Application granted granted Critical
Publication of CN112819054B publication Critical patent/CN112819054B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本申请实施例提供一种切片模板配置方法及装置，涉及通信技术领域，解决了现有技术的切片服务对象准确性较低的技术问题。该切片模板配置方法包括：从切片选择请求中获取服务质量QoS流的特征数据；将特征数据作为输入信息输入预设切片匹配模型；若预设切片匹配模型匹配到至少一个切片模板，则从至少一个切片模板中确定切片性能指标最高的切片模板作为目标切片模板；若预设切片匹配模型未匹配到切片模板，则通过聚类分析和间隔统计量确定最佳聚类结果，并把与最佳聚类结果对应的切片模板作为目标切片模板。

Description

一种切片模板配置方法及装置
技术领域
本申请涉及通信技术领域，尤其涉及一种切片模板配置方法及装置。
背景技术
网络切片是第五代移动通信技术中的一项重要网络架构创新，可以在同一物理网络基础结构上实现多个隔离且独立的虚拟网络的共存。网络切片具有多重性能优势。例如，可以减少网络部署和运营中的资本支出；可以实现服务差异化并保证每种服务类型的服务等级协议(Service Level Agreement，SLA)；可以增加网络管理的灵活性和适应性等。
然而，现有技术的网络切片在应用过程中仍面临一些挑战。例如，切片的作用之一是将SLA需求相近的数据流用统一的逻辑平面管理。然而在网络切片设计阶段，切片服务对象准确性较低，如何提高切片服务对象的准确性，仍是一个亟待解决的问题。
发明内容
本申请提供一种切片模板配置方法及装置，解决了现有技术的切片服务对象准确性较低的技术问题。
为达到上述目的，本申请采用如下技术方案：
第一方面，提供一种切片模板配置方法，包括：从切片选择请求中获取服务质量QoS流的特征数据；将特征数据作为输入信息输入预设切片匹配模型；若预设切片匹配模型匹配到至少一个切片模板，则从至少一个切片模板中确定切片性能指标最高的切片模板作为目标切片模板；若预设切片匹配模型未匹配到切片模板，则通过聚类分析和间隔统计量确定最佳聚类结果，并把与最佳聚类结果对应的切片模板作为目标切片模板。
本申请实施例中，可以从切片选择请求中获取服务质量QoS流的特征数据；将特征数据作为输入信息输入预设切片匹配模型；若预设切片匹配模型匹配到至少一个切片模板，则从至少一个切片模板中确定切片性能指标最高的切片模板作为目标切片模板；若预设切片匹配模型未匹配到切片模板，则通过聚类分析和间隔统计量确定最佳聚类结果，并把与最佳聚类结果对应的切片模板作为目标切片模板。通过该方案，可以适用于不断出现的新业务，并为新业务提供定制化的网络切片服务，从而提高切片服务对象的准确性。
第二方面，提供一种切片模板配置装置，包括获取单元、输入单元和确定单元。所述获取单元，用于从切片选择请求中获取服务质量QoS流的特征数据；所述输入单元，用于将特征数据作为输入信息输入预设切片匹配模型；所述确定单元，用于若预设切片匹配模型匹配到至少一个切片模板，则从至少一个切片模板中确定切片性能指标最高的切片模板作为目标切片模板；若预设切片匹配模型未匹配到切片模板，则通过聚类分析和间隔统计量确定最佳聚类结果，并把与最佳聚类结果对应的切片模板作为目标切片模板。
第三方面，提供一种切片模板配置装置，包括存储器和处理器。存储器用于存储计算机执行指令，处理器与存储器通过总线连接。当切片模板配置装置运行时，处理器执行存储器存储的计算机执行指令，以使切片模板配置装置执行第一方面提供的切片模板配置方法。
第四方面，提供一种计算机可读存储介质，计算机可读存储介质包括计算机执行指令，当计算机执行指令在计算机上运行时，使得该计算机执行第一方面提供的切片模板配置方法。
第五方面，提供一种计算机程序产品，该计算机程序产品包括计算机指令，当计算机指令在计算机上运行时，使得计算机执行如上述第一方面及其各种可能的实现方式提供的切片模板配置方法。
需要说明的是，上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中，计算机可读存储介质可以与切片模板配置装置的处理器封装在一起的，也可以与切片模板配置装置的处理器单独封装，本申请对此不作限定。
本申请中第二方面、第三方面、第四方面以及第五方面的描述，可以参考第一方面的详细描述，此处不再赘述；并且，第二方面、第三方面、第四方面以及第五方面描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。
在本申请中，上述切片模板配置装置的名字对设备或功能模块本身不构成限定，在实际实现中，这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似，属于本申请权利要求及其等同技术的范围之内。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的一种切片模板配置系统的结构示意图；
图2为本申请实施例提供的一种切片模板配置方法的流程示意图；
图3为本申请实施例提供的预设切片匹配模型的结构示意图；
图4为本申请实施例提供的一种切片模板配置装置的结构示意图之一；
图5为本申请实施例提供的一种切片模板配置装置的结构示意图之二；
图6为本申请实施例提供的一种切片模板配置装置的硬件结构示意图之一；
图7为本申请实施例提供的一种切片模板配置装置的硬件结构示意图之二。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
为了便于清楚描述本申请实施例的技术方案，在本申请实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。
为了保证实施切片创建时，每一次针对的都是性能相近的服务质量(Quality ofService，QoS)流请求，也方便QoS流进入切片前的准入判断。如图1所示，本申请实施例提供一种切片模板配置系统，该系统包括人工智能模块、网络切片管理模块(Network SliceManagement Function，NSMF)以及网络切片子网管理模块(Network Slice SubnetManagement Function，NSSMF)。其中，人工智能模块可以包括数据获取子模块、切片匹配子模块以及QoS流处理子模块；网络切片子网管理模块中的子切片可以包括无线接入网(Radio Access Network，RAN)子切片、传输网(Transport Network，TN)子切片以及核心网(Core Network，CN)。
上述人工智能模块可以用于根据切片反馈的KPI数据、业务类型、网络资源状态、切片模板信息以及配置参数等信息，对切片的运行以及资源使用状态进行实时的数据分析和智能决策，如：根据切片历史信息，推理出最优的切片模板配置方案并传输给NSMF。网络切片管理模块可以用于网络切片实例化管理以及编排，将网络切片的需求转换成各域子切片的需求，并将各域资源配置方案传输到各子网的NSSMF。网络切片子网管理模块可以用于各域子切片管理与编排，将各子网切片需求转换为网络功能的需求。
如图2所示，本申请实施例提供一种切片模板配置方法，该切片模板配置方法可以应用于切片模板配置装置或上述切片模板配置系统，下面以切片模板配置方法应用于切片模板配置装置为例对该切片模板配置方法进行详细说明。该切片模板配置方法可以包括下述的S201-S204。
S201、切片模板配置装置从切片选择请求中获取服务质量QoS流的特征数据。
其中，上述特征数据可以包括以下至少一项：QoS流标识、用户数据传输速率、用户移动性、用户可靠性、时延以及传输容量。
切片模板配置装置可以收集用户以及切片反馈的数据信息，由于收集数据很多，在导入数据库之前，切片模板配置装置可以先进行简单的清洗和预处理工作，之后再将这些数据导入到数据库。切片模板配置装置可以针对智能分析工作的需要提取相应的数据信息。在本申请实施例中，切片模板配置装置可以从该数据库中提取用户发送的切片选择请求中的与QoS流特征有关的数据。如表1所示，为切片模板配置装置可以获取的特征数据。其中，5QI表示第五代移动通信技术中的QoS流标识。
表1
Figure BDA0002914514220000051
S202、切片模板配置装置将特征数据作为输入信息输入预设切片匹配模型。
切片模板配置装置可以对上述特征数据进行分析，寻找性能匹配的网络切片。在本申请实施例中，切片模板配置装置可以通过预设切片匹配模型对每个切片的QoS流特性数据进行分析，并输出性能匹配的切片。
如图3所示，预设切片匹配模型包括3部分，分别为：输入层、隐藏层及输出层。其中，输入层用于输入用户的QoS流特征数据；隐藏层为网络中各神经元的连接结构，包含特征分类、解构潜在因子和签字因子分析等3层隐含层的神经网络，用于对多维数据进行分析。输出层用于输出匹配的切片标识。
需要说明的是，当确定输入数据、模型参数和网络结构后，隐藏层除了通过前向传播过程进行前向传播、损失函数的定义外，还需利用反向传播及梯度下降算法对网络参数进行优化，通过将数据输入网络并不断进行反向传播优化算法，最终得到最优网络参数。
可选的，为使预设切片匹配模型能更快收敛进而提高训练速度与模型质量，可以通过控制学习率控制模型参数的更新速度。学习率的大小决定模型参数每次更新的幅度。预设切片匹配模型可以采用指数衰减法控制学习率，先选择较大的学习率，随着训练次数的增加逐渐减小学习率。例如，可以采用指数函数：εop＝εInitial×decayglobal_step/decay_steps；其中，εop为经优化后的学习率，εInitial为初始的学习率，decay为衰减系数，global_steps为当前训练次数，decay_steps为衰减速度。
可选的，在将特征数据作为输入信息输入预设切片匹配模型之前，切片模板配置装置可以先收集用户的历史QoS流数据，并根据历史QoS流数据确定训练数据集和测试数据集；再采用该训练数据集，训练切片匹配模型、采用测试数据集对切片匹配模型进行测试评价，以及根据测试评价结果调整该切片匹配模型的参数，最后得到上述预设切片匹配模型。
具体的，切片模板配置装置可以先根据SLA需求选取相应的QoS流特征数据，利用选取到的QoS流特征数据，建立训练数据集和测试数据集。由于不同特征数据的量纲和量纲单位往往是不同的，因此为了消除特征数据之间的量纲影响，需要对特征数据进行归一化处理。再使用训练数据集训练切片匹配模型，调整参数获取最优模型。之后，利用测试数据集对切片匹配模型的准确度进行测试评价，即对匹配结果的准确度进行测试评价，根据测试评价结果调整模型相应参数，得到上述预设切片匹配模型。
S203、若预设切片匹配模型匹配到至少一个切片模板，则切片模板配置装置从至少一个切片模板中确定切片性能指标最高的切片模板作为目标切片模板。
若预设切片匹配模型匹配到一个切片模板，则可以直接将匹配到的切片模板作为目标切片模板，若预设切片匹配模型匹配到多个切片模板，则切片性能指标最高的切片模板作为目标切片模板。
S204、若预设切片匹配模型未匹配到切片模板，则切片模板配置装置通过聚类分析和间隔统计量确定最佳聚类结果，并把与最佳聚类结果对应的切片模板作为目标切片模板。
若预设切片匹配模型未匹配到切片模板，则切片模板配置装置可以根据QoS流特征数据进行聚类分析，从而得到内部属性相似度较高的需求子集。然后再针对每一类特性的需求子集，设计对应的切片模板。
可选的，由于无法按确定QoS流的类别种数，且无法根据性能指标给出预聚类的标签，因此在本申请实施例中可以使用K均值聚类法进行聚类分析，同时间隔统计量表征了数据集内元素分布的一致性。通过对数据集元素进行若干次蒙特卡洛抽样，计算随机抽取的这些子集的平均紧密程度，与数据集直接求得的紧密程度作差值，即为间隔统计量。如果间隔统计量小，说明数据集任意挑选的子集也与原集合有很好的类内一致性和类间差异性。因此通过间隔统计量可以确定最佳聚类数。
具体的，预先定义待聚类的数据集为set＝{Q1,Q2,...,Qs}，待聚类的类别数目为K，set(k)为分到第k类的数据所属集合，其初始为空集，第k类的质心为uk。基于K-Means算法的聚类目标是类内元素尽可能的相近，即类内元素的距离平方和最小。然后，切片模板配置装置可以先通过K均值聚类法执行以下步骤：
步骤1、在set＝{Q1,Q2,...,Qs}中随机选择K个不重复的数据点，作为各类质心；
步骤2、对set＝{Q1,Q2,...,Qs}中的每个元素，计算其与质心的欧氏距离，并将其划分到欧氏距离最近的之心所属类别k＝arg minj||Qi-uj||,Qi∈set,1≤j≤K；
步骤3、更新质心uk，质心即为此类数据的平均值
Figure BDA0002914514220000071
其中，nk为set(k)内的样本量；
步骤4、重复执行步骤3，直至类内元素的距离平方和，即公式
Figure BDA0002914514220000072
不再减小或达到最大的迭代次数；
步骤5、输出一组聚类划分完成的set(k)，1≤k≤K。
若将进行K-Means聚类过程记为cluster(·)，确定需要聚类的类别数K后，聚类过程可以表示为：{set(k)}＝cluster(set,K),1≤k≤K。之后，切片模板配置装置可以通过间隔统计量执行以下步骤：
步骤1、预设最大的聚类类别数；
步骤2、计算类内紧密程度Wk。对于
Figure BDA0002914514220000073
计算{set(k)}＝cluster(set,K),1≤k≤K的聚类结果，并对set(k)计算类内紧密程度
Figure BDA0002914514220000074
其中，
Figure BDA0002914514220000075
表示类内样本点之间的欧氏距离，nk为set(k)内的样本量，uk为第k类内的样本均值，即为质心；
步骤3、引入参考测量值。对于
Figure BDA0002914514220000076
对set(k)进行B次蒙特卡洛抽样：生成B组从set(k)均匀抽取的元素Rb，1≤b≤B。计算Rb的数据紧密程度
Figure BDA0002914514220000077
计算随机抽取元素Rb的平均紧密程度
Figure BDA0002914514220000078
步骤4、计算每一类数据标准差
Figure BDA0002914514220000081
其中，
Figure BDA0002914514220000082
为每组抽样数据的平均数据紧密程度；
步骤5、确定最佳聚类数K*。选择满足Gap(k)≥Gap(k+1)-s(k+1)的最小k值为最佳类别数K*。其中，
Figure BDA0002914514220000083
可选的，在确定目标切片模板后，切片模板配置装置可以根据目标切片模板将切片选择请求转换为各域子切片的需求，并确定子域资源配置方案，以及根据该子域资源配置方案将各域子切片的需求转换为网络功能需求。
本申请实施例提供一种切片模板配置方法，可以从切片选择请求中获取服务质量QoS流的特征数据；将特征数据作为输入信息输入预设切片匹配模型；若预设切片匹配模型匹配到至少一个切片模板，则从至少一个切片模板中确定切片性能指标最高的切片模板作为目标切片模板；若预设切片匹配模型未匹配到切片模板，则通过聚类分析和间隔统计量确定最佳聚类结果，并把与最佳聚类结果对应的切片模板作为目标切片模板。通过该方案，可以适用于不断出现的新业务，并为新业务提供定制化的网络切片服务，从而提高切片服务对象的准确性。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例提供的切片模板配置方法，执行主体可以为切片模板配置装置，或者该切片模板配置装置中的用于切片模板配置的控制模块。本申请实施例中以切片模板配置装置执行切片模板配置方法为例，说明本申请实施例提供的切片模板配置装置。
需要说明的是，本申请实施例可以根据上述方法示例对切片模板配置装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。可选的，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
如图4所示，本申请实施例提供的一种切片模板配置装置。该切片模板配置装置400可以包括获取单元401、输入单元402和确定单元403。该获取单元401，可以用于从切片选择请求中获取服务质量QoS流的特征数据。该输入单元402，可以用于将所述特征数据作为输入信息输入预设切片匹配模型。该确定单元403，可以用于若所述预设切片匹配模型匹配到至少一个切片模板，则从所述至少一个切片模板中确定切片性能指标最高的切片模板作为目标切片模板；若所述预设切片匹配模型未匹配到切片模板，则通过聚类分析和间隔统计量确定最佳聚类结果，并把与所述最佳聚类结果对应的切片模板作为目标切片模板。例如，结合图2，获取单元401可以用于执行S201，输入单元402可以用于执行S202，确定单元403可以用于执行S203和S204。
可选的，上述特征数据包括以下至少一项：QoS流标识、用户数据传输速率、用户移动性、用户可靠性、时延以及传输容量。
可选的，结合图4，如图5所示，上述切片模板配置装置400还可以包括训练单元404和测试单元405，获取单元401，还可以用于收集用户的历史QoS流数据，并根据所述历史QoS流数据确定训练数据集和测试数据集；训练单元404可以用于采用所述训练数据集，训练切片匹配模型；测试单元405，可以用于采用所述测试数据集对所述切片匹配模型进行测试评价，并根据所述测试评价结果调整所述切片匹配模型的参数，得到所述预设切片匹配模型。
可选的，继续参考图5，上述切片模板配置装置400还可以包括转换单元406。该转换单元406，可以用于根据所述目标切片模板将所述切片选择请求转换为各域子切片的需求，并确定子域资源配置方案；以及根据所述子域资源配置方案将各域子切片的需求转换为网络功能需求。
当然，本申请实施例提供的切片模板配置装置400包括但不限于上述模块。
本申请实施例还提供一种如图6所示的切片模板配置装置，该切片模板配置装置包括处理器11，存储器12、通信接口13、总线14。处理器11，存储器12以及通信接口13之间可以通过总线14连接。
处理器11是切片模板配置装置的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器11可以是一个通用中央处理单元(central processing unit，CPU)，也可以是其他通用处理器等。其中，通用处理器可以是微处理器或者是任何常规的处理器等。
作为一种实施例，处理器11可以包括一个或多个CPU，例如图6中所示的CPU 0和CPU 1。
存储器12可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory，EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
一种可能的实现方式中，存储器12可以独立于处理器11存在，存储器12可以通过总线14与处理器11相连接，用于存储指令或者程序代码。处理器11调用并执行存储器12中存储的指令或程序代码时，能够实现本申请实施例提供的切片模板配置方法。
另一种可能的实现方式中，存储器12也可以和处理器11集成在一起。
通信接口13，用于与其他设备通过通信网络连接。所述通信网络可以是以太网，无线接入网，无线局域网(wireless local area networks，WLAN)等。通信接口13可以包括用于接收数据的接收单元，以及用于发送数据的发送单元。
总线14，可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
需要指出的是，图6示出的结构并不构成对该切片模板配置装置的限定。除图6所示部件之外，该切片模板配置装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
图7示出了本申请实施例中切片模板配置装置的另一种硬件结构。如图7所示，切片模板配置装置可以包括处理器21以及通信接口22。处理器21与通信接口22耦合。
处理器21的功能可以参考上述处理器11的描述。此外，处理器21还具备存储功能，可以参考上述存储器12的功能。
通信接口22用于为处理器21提供数据。该通信接口22可以是切片模板配置装置的内部接口，也可以是切片模板配置装置对外的接口(相当于上述通信接口13)。
需要指出的是，图6(或图7)中示出的结构并不构成对切片模板配置装置的限定，除图6(或图7)所示部件之外，该切片模板配置装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质包括计算机执行指令。当计算机执行指令在计算机上运行时，使得计算机执行如上述实施例提供的切片模板配置方法中，切片模板配置装置执行的各个步骤。
本申请实施例还提供一种计算机程序产品，该计算机程序产品可直接加载到存储器中，并含有软件代码，该计算机程序产品经由计算机载入并执行后能够实现上述实施例提供的切片模板配置方法中，切片模板配置装置执行的各个步骤。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)，光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取的存储介质中。基于这样的理解，本申请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或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：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。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种切片模板配置方法，其特征在于，包括：
从切片选择请求中获取服务质量QoS流的特征数据；
将所述特征数据作为输入信息输入预设切片匹配模型；
若所述预设切片匹配模型匹配到至少一个切片模板，则从所述至少一个切片模板中确定切片性能指标最高的切片模板作为目标切片模板；
若所述预设切片匹配模型未匹配到切片模板，则通过聚类分析和间隔统计量确定最佳聚类结果，并把与所述最佳聚类结果对应的切片模板作为目标切片模板。
2.根据权利要求1所述的切片模板配置方法，其特征在于，所述特征数据包括以下至少一项：QoS流标识、用户数据传输速率、用户移动性、用户可靠性、时延以及传输容量。
3.根据权利要求1所述的切片模板配置方法，其特征在于，所述将所述特征数据作为输入信息输入预设切片匹配模型之前，所述方法还包括：
收集用户的历史QoS流数据，并根据所述历史QoS流数据确定训练数据集和测试数据集；
采用所述训练数据集，训练切片匹配模型；
采用所述测试数据集对所述切片匹配模型进行测试评价，并根据测试评价结果调整所述切片匹配模型的参数，得到所述预设切片匹配模型。
4.根据权利要求1所述的切片模板配置方法，其特征在于，所述方法还包括：
根据所述目标切片模板将所述切片选择请求转换为各域子切片的需求，并确定子域资源配置方案；
根据所述子域资源配置方案将各域子切片的需求转换为网络功能需求。
5.一种切片模板配置装置，其特征在于，包括：获取单元、输入单元和确定单元；
所述获取单元，用于从切片选择请求中获取服务质量QoS流的特征数据；
所述输入单元，用于将所述特征数据作为输入信息输入预设切片匹配模型；
所述确定单元，用于若所述预设切片匹配模型匹配到至少一个切片模板，则从所述至少一个切片模板中确定切片性能指标最高的切片模板作为目标切片模板；若所述预设切片匹配模型未匹配到切片模板，则通过聚类分析和间隔统计量确定最佳聚类结果，并把与所述最佳聚类结果对应的切片模板作为目标切片模板。
6.根据权利要求5所述的切片模板配置装置，其特征在于，所述特征数据包括以下至少一项：QoS流标识、用户数据传输速率、用户移动性、用户可靠性、时延以及传输容量。
7.根据权利要求5所述的切片模板配置装置，其特征在于，所述装置还包括训练单元和测试单元；
所述获取单元，还用于收集用户的历史QoS流数据，并根据所述历史QoS流数据确定训练数据集和测试数据集；
所述训练单元，用于采用所述训练数据集，训练切片匹配模型；
所述测试单元，用于采用所述测试数据集对所述切片匹配模型进行测试评价，并根据测试评价结果调整所述切片匹配模型的参数，得到所述预设切片匹配模型。
8.根据权利要求5所述的切片模板配置装置，其特征在于，所述装置还包括转换单元；
所述转换单元，用于根据所述目标切片模板将所述切片选择请求转换为各域子切片的需求，并确定子域资源配置方案；以及根据所述子域资源配置方案将各域子切片的需求转换为网络功能需求。
9.一种切片模板配置装置，其特征在于，包括存储器和处理器；所述存储器用于存储计算机执行指令，所述处理器与所述存储器通过总线连接；
当所述切片模板配置装置运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述切片模板配置装置执行如权利要求1-4中任一项所述的切片模板配置方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括计算机执行指令，当所述计算机执行指令在计算机上运行时，使得所述计算机执行如权利要求1-4中任一项所述的切片模板配置方法。
CN202110096566.9A 2021-01-25 2021-01-25 一种切片模板配置方法及装置 Active CN112819054B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110096566.9A CN112819054B (zh) 2021-01-25 2021-01-25 一种切片模板配置方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110096566.9A CN112819054B (zh) 2021-01-25 2021-01-25 一种切片模板配置方法及装置

Publications (2)

Publication Number Publication Date
CN112819054A true CN112819054A (zh) 2021-05-18
CN112819054B CN112819054B (zh) 2023-06-30

Family

ID=75859105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110096566.9A Active CN112819054B (zh) 2021-01-25 2021-01-25 一种切片模板配置方法及装置

Country Status (1)

Country Link
CN (1) CN112819054B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114268535A (zh) * 2021-12-20 2022-04-01 杭州东方通信软件技术有限公司 一种5g切片产品开通方法及装置
CN114285750A (zh) * 2021-12-21 2022-04-05 中国电信股份有限公司 用于提供切片服务的方法、系统和计算机可读存储介质
CN114979721A (zh) * 2022-05-18 2022-08-30 咪咕文化科技有限公司 视频切片方法、装置、设备及存储介质
CN116682128A (zh) * 2023-06-02 2023-09-01 中央民族大学 水书单字的数据集构建、识别方法、装置、设备及介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017173259A1 (en) * 2016-04-01 2017-10-05 Idac Holdings, Inc. Methods and next generation exposure function for service exposure with network slicing
US20170339688A1 (en) * 2016-05-17 2017-11-23 Industrial Technology Research Institute Method of network slicing and related apparatuses using the same
CN109525409A (zh) * 2017-09-19 2019-03-26 华为技术有限公司 一种网络切片模板的处理方法及管理设备
WO2019062994A1 (zh) * 2017-09-30 2019-04-04 华为技术有限公司 网络切片的管理方法、设备及系统
CN109600262A (zh) * 2018-12-17 2019-04-09 东南大学 Urllc传输网络切片中资源自配置和自优化方法及装置
CN110383915A (zh) * 2017-01-05 2019-10-25 日本电气株式会社 无线接入网节点、无线终端及其方法和非瞬时性计算机可读介质
CN110402600A (zh) * 2017-01-05 2019-11-01 日本电气株式会社 基站、无线终端及其方法和非暂时性计算机可读介质
CN110708188A (zh) * 2019-09-19 2020-01-17 中国联合网络通信集团有限公司 一种基于sla的网络切片的创建方法和装置
CN110999520A (zh) * 2017-08-09 2020-04-10 日本电气株式会社 无线接入网节点、核心网节点和无线终端及其方法
CN111246586A (zh) * 2020-01-20 2020-06-05 中国电力科学研究院有限公司 一种基于遗传算法的分配智能电网资源的方法及系统
US20200267753A1 (en) * 2016-10-19 2020-08-20 Convida Wireless, Llc Radio interface protocol architecture aspects, quality of service (qos), and logical channep prioritization for 5g new radio
US20200287801A1 (en) * 2017-09-27 2020-09-10 Huawei Technologies Co., Ltd. Network slice management method and device
US20200313983A1 (en) * 2019-03-26 2020-10-01 Cisco Technology, Inc. Enterprise slice management
CN111814987A (zh) * 2020-07-07 2020-10-23 北京嘀嘀无限科技发展有限公司 动态反馈方法、模型训练方法、装置、设备及存储介质
US20200359440A1 (en) * 2019-05-06 2020-11-12 Comcast Cable Communications, Llc Wireless Communications For Asymmetric Services
CN112202787A (zh) * 2020-09-30 2021-01-08 腾讯科技（深圳）有限公司 控制媒体流业务传输的方法及电子设备
CN112203330A (zh) * 2020-09-30 2021-01-08 中国联合网络通信集团有限公司 QoS流的控制方法及通信装置
US20210021883A1 (en) * 2019-07-15 2021-01-21 At&T Intellectual Property I, L.P. Method and apparatus for an enhanced data pipeline

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017173259A1 (en) * 2016-04-01 2017-10-05 Idac Holdings, Inc. Methods and next generation exposure function for service exposure with network slicing
US20170339688A1 (en) * 2016-05-17 2017-11-23 Industrial Technology Research Institute Method of network slicing and related apparatuses using the same
US20200267753A1 (en) * 2016-10-19 2020-08-20 Convida Wireless, Llc Radio interface protocol architecture aspects, quality of service (qos), and logical channep prioritization for 5g new radio
CN110383915A (zh) * 2017-01-05 2019-10-25 日本电气株式会社 无线接入网节点、无线终端及其方法和非瞬时性计算机可读介质
CN110402600A (zh) * 2017-01-05 2019-11-01 日本电气株式会社 基站、无线终端及其方法和非暂时性计算机可读介质
CN110999520A (zh) * 2017-08-09 2020-04-10 日本电气株式会社 无线接入网节点、核心网节点和无线终端及其方法
CN109525409A (zh) * 2017-09-19 2019-03-26 华为技术有限公司 一种网络切片模板的处理方法及管理设备
US20200287801A1 (en) * 2017-09-27 2020-09-10 Huawei Technologies Co., Ltd. Network slice management method and device
WO2019062994A1 (zh) * 2017-09-30 2019-04-04 华为技术有限公司 网络切片的管理方法、设备及系统
CN109600262A (zh) * 2018-12-17 2019-04-09 东南大学 Urllc传输网络切片中资源自配置和自优化方法及装置
US20200313983A1 (en) * 2019-03-26 2020-10-01 Cisco Technology, Inc. Enterprise slice management
US20200359440A1 (en) * 2019-05-06 2020-11-12 Comcast Cable Communications, Llc Wireless Communications For Asymmetric Services
US20210021883A1 (en) * 2019-07-15 2021-01-21 At&T Intellectual Property I, L.P. Method and apparatus for an enhanced data pipeline
CN110708188A (zh) * 2019-09-19 2020-01-17 中国联合网络通信集团有限公司 一种基于sla的网络切片的创建方法和装置
CN111246586A (zh) * 2020-01-20 2020-06-05 中国电力科学研究院有限公司 一种基于遗传算法的分配智能电网资源的方法及系统
CN111814987A (zh) * 2020-07-07 2020-10-23 北京嘀嘀无限科技发展有限公司 动态反馈方法、模型训练方法、装置、设备及存储介质
CN112202787A (zh) * 2020-09-30 2021-01-08 腾讯科技（深圳）有限公司 控制媒体流业务传输的方法及电子设备
CN112203330A (zh) * 2020-09-30 2021-01-08 中国联合网络通信集团有限公司 QoS流的控制方法及通信装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SAMDANIS K等: "The road beyond 5G：A vision and insight of the key technologies", 《IEEE NETWORK》, vol. 34, no. 2, pages 135 - 141, XP011781693, DOI: 10.1109/MNET.001.1900228 *
禹忠: "5G移动通信系统关键技术与标准进展及6G展望", 《西安邮电大学学报》, vol. 25, no. 1, pages 11 - 20 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114268535A (zh) * 2021-12-20 2022-04-01 杭州东方通信软件技术有限公司 一种5g切片产品开通方法及装置
CN114268535B (zh) * 2021-12-20 2024-01-19 杭州东方通信软件技术有限公司 一种5g切片产品开通方法及装置
CN114285750A (zh) * 2021-12-21 2022-04-05 中国电信股份有限公司 用于提供切片服务的方法、系统和计算机可读存储介质
CN114979721A (zh) * 2022-05-18 2022-08-30 咪咕文化科技有限公司 视频切片方法、装置、设备及存储介质
CN114979721B (zh) * 2022-05-18 2024-02-23 咪咕文化科技有限公司 视频切片方法、装置、设备及存储介质
CN116682128A (zh) * 2023-06-02 2023-09-01 中央民族大学 水书单字的数据集构建、识别方法、装置、设备及介质

Also Published As

Publication number Publication date
CN112819054B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN112819054A (zh) 一种切片模板配置方法及装置
CN109167835B (zh) 一种基于kubernetes的物理资源调度方法及系统
CN106446959B (zh) 一种云计算资源动态匹配方法及装置
CN108734217A (zh) 一种基于聚类分析的客户细分方法及装置
CN108665148B (zh) 一种电子资源质量评价方法、装置和存储介质
CN110990576A (zh) 基于主动学习的意图分类方法、计算机设备和存储介质
CN110147389A (zh) 帐号处理方法和装置、存储介质及电子装置
CN110162390A (zh) 一种雾计算系统的任务分配方法及系统
CN111797320A (zh) 数据处理方法、装置、设备及存储介质
CN109558248A (zh) 一种用于确定面向海洋模式计算的资源分配参数的方法及系统
CN112867162B (zh) 一种切片资源配置方法及装置
CN113379059B (zh) 用于量子数据分类的模型训练方法以及量子数据分类方法
CN112508408B (zh) 一种边缘计算下无线资源管理指标的映射模型构建方法
CN113190696A (zh) 一种用户筛选模型的训练、用户推送方法和相关装置
CN112463974A (zh) 知识图谱建立的方法和装置
CN114691875A (zh) 一种数据分类分级处理方法及装置
Ma The Research of Stock Predictive Model based on the Combination of CART and DBSCAN
CN115412401A (zh) 训练虚拟网络嵌入模型及虚拟网络嵌入的方法和装置
CN114139621A (zh) 确定模型分类性能标识的方法、装置、设备及存储介质
CN114205238A (zh) 网络资源优化、模型训练方法、装置、存储介质及设备
CN111835541B (zh) 一种流量识别模型老化检测方法、装置、设备及系统
CN110290534B (zh) 一种基于XGBoost的认知无线电协作频谱感知方法及系统
CN113822412A (zh) 一种图节点标注方法、装置、设备及存储介质
Bi et al. Adaptive prediction of resources and workloads for cloud computing systems with attention-based and hybrid LSTM
CN116701962B (zh) 边缘数据处理方法、装置、计算设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant