CN112929187B - 网络切片管理方法、装置和系统 - Google Patents

Abstract

本公开提出一种网络切片管理方法、装置和系统，涉及移动通信领域。本公开利用训练得到的网络切片服务模型，确定网络实时数据相应的网络切片参考信息，根据网络切片参考信息自动进行网络切片的管理，实现网络切片的自动管理和运营。例如，基于网络实时监测数据自动诊断切片服务状态、基于当前用户需求信息自动确定切片资源配置，基于用户当前任务量大小情况自动调整切片资源配置。

Description

网络切片管理方法、装置和系统

技术领域

本公开涉及移动通信领域，特别涉及一种网络切片管理方法、装置和系统。

背景技术

随着5G(第五代移动通信)商用牌照的发放，5G业务发展已经成为最大热点。为了解决未来多连接和多样化业务的需求，5G网络设计的初始目标就是：部署灵活，分类管理，灵活满足业务需求。和4G相比，虽然5G网络的带宽、时延、连接性等都有极大的提升，可是不同行业、不同应用场景对于通信网络的要求有着非常大的差异。如果使用同一个网络去支持不同的应用，那么要不就是有的业务无法得到满足，要不就是会造成资源的极大浪费。

5G网络的三类主要应用场景的服务需求包括：

增强型移动宽带，如4K/8K超高清视频、全息技术、增强现实/虚拟现实等应用，其主要需求是更高的数据容量；

大规模机器类通信，如智慧城市、家庭、物流、农业等领域的物联网传感器设备，其对于传输的速率要求不高，但是设备数量庞大，要求网络能够支持海量设备的接入；

低时延高可靠性，如无人驾驶、自动工厂、智能电网等领域，其主要需求是超低时延和高可靠性，甚至还包括移动性等要求。

为了解决不同行业对于通信网络的差异化需求，5G切片技术在5G业务中具有非常重要的地位。5G切片就是将一个物理网络切割成多个虚拟的端到端的网络，每个虚拟网络之间，包括网络内的设备、接入、传输和核心网，是逻辑独立的，任何一个虚拟网络发生故障都不会影响到其它虚拟网络。通过5G切片技术，能实现不同业务间的安全隔离、功能定制和资源按需灵活调度，满足不同行业、不同应用场景下的的个性化、差异化业务需求，从而满足网络服务和成本效益的平衡，因此成为5G业务发展中的关键技术。

然而，5G切片运营维护非常复杂，例如，涉及的网元众多，查找故障困难；切片业务量呈周期性规律变化，同时又有突发性事件(例如节假日等)，如何准确预测切片使用情况，并进行资源的灵活调配，仅靠人工难以实现。

为尽快实现5G切片技术的真正应用，有必要对上述问题提供解决方案。

发明内容

本公开利用训练得到的网络切片服务模型，确定网络实时数据相应的网络切片参考信息，根据网络切片参考信息自动进行网络切片的管理，实现网络切片的自动管理和运营。例如，基于网络实时监测数据自动诊断切片服务状态、基于当前用户需求信息自动确定切片资源配置，基于用户当前任务量大小情况自动调整切片资源配置。

本公开的一些实施例提出一种网络切片管理方法，包括：

获取网络实时数据；

将所述网络实时数据输入网络切片服务模型，输出相应的网络切片参考信息；

根据所述网络切片参考信息进行网络切片的管理；

其中，所述网络切片服务模型是利用网络切片训练数据对机器学习模型进行训练得到的。

在一些实施例中，所述网络切片服务模型是网络切片服务状态模型，所述网络切片服务状态模型是利用网络切片和网元的历史监测数据以及相应的服务状态标签对用于分类的机器学习模型进行训练得到的；所述方法包括：

获取网络切片及其相关网元的实时监测数据；

将所述实时监测数据输入所述网络切片服务状态模型，输出所述网络切片相应的服务状态；

根据所述网络切片相应的服务状态进行网络切片的管理。

在一些实施例中，所述网络切片服务模型是切片资源配置模型，所述切片资源配置模型是利用用户需求信息以及相应的网络切片资源配置的训练数据对机器学习模型进行回归性训练得到的；

所述方法包括：

获取当前用户需求信息；

将所述当前用户需求信息输入所述切片资源配置模型，输出相应的网络切片资源配置；

根据所述网络切片资源配置为当前用户进行网络切片资源的配置。

在一些实施例中，所述网络切片服务模型是切片资源调整模型，所述切片资源调整模型是利用用户任务量变化信息以及相应的网络切片资源实际利用信息的训练数据对机器学习模型进行回归性训练得到的；所述方法包括：

获取用户当前任务量；

将所述用户当前任务量输入所述切片资源调整模型，输出相应的网络切片资源利用参考信息；

根据所述网络切片资源利用参考信息调整配置给当前用户的网络切片资源。

在一些实施例中，所述网络实时数据包括：网络切片及其相关网元的实时监测数据；所述获取网络实时数据包括：利用在用户侧部署的探针监测获得网络切片及其相关网元的实时监测数据。

在一些实施例中，所述探针配置在可移动设备上，以监测不同位置的网络切片及其相关网元。

在一些实施例中，利用所述探针分段地监测相应分段的网元的实时监测数据，各个分段的网元包括：有源天线AAU、中心单元CU、分布单元DU、用户端功能UPF。

在一些实施例中，所述探针监测获得的网络切片的实时监测数据包括网络切片端到端的上行速率、下行速率、上行时延、下行时延、丢包率、抖动率中的至少一项；所述探针监测获得的相关网元的实时监测数据包括所述探针到所述网元之间的上行速率、下行速率、上行时延、下行时延、丢包率、抖动率中的至少一项。

在一些实施例中，所述机器学习模型包括神经网络模型、支持向量机。

本公开在一些实施例提出一种网络切片管理装置，包括：

存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行任一个实施例的网络切片管理方法。

本公开在一些实施例提出一种网络切片管理系统，包括：

任一个实施例的网络切片管理装置，以及部署在用户侧的探针，被配置监测网络实时数据，所述网络实时数据包括：网络切片及其相关网元的实时监测数据。

本公开在一些实施例提出一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一个实施例的网络切片管理方法的步骤。

附图说明

下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍。根据下面参照附图的详细描述，可以更加清楚地理解本公开，

显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开的探针监测示意图。

图2A为本公开网络切片管理方法一些实施例的流程示意图。

图2B为本公开网络切片服务模型及其输入和输出示意图。

图3为本公开网络切片管理装置一些实施例的结构示意图。

图4为本公开网络切片管理系统一些实施例的结构示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。

为了实现网络切片(可简称“切片”)管理，需要获取网络实时数据。该网络实时数据可以通过网元的监测统计来获得。但是，通过网元监测统计所获得的网络实时数据容易与用户实际感受存在差异，导致出现监控正常，但用户感受不达标的情况。为此，本公开提出利用在用户侧部署的探针对用户侧切片性能进行监测，监测获得网络切片及其相关网元的实时监测数据等网络实时数据，以保证网络监测与用户感受的一致性。所谓探针，就是用于捕获、分析网络数据包的组件。下面结合图1具体描述。

图1为本公开的探针监测示意图。

如图1所示，探针对整个网络切片(如探针到网络切片相应的测试网站)端到端的各个性能指标进行监测，并获得相应得实时监测数据，以便监测切片性能是否符合用户要求。探针还能够与不同的网络切片通信，实现一个探针对多个网络切片的检测。这些网络切片的性能指及相应的实时监测数据包括网络切片端到端的上行速率、下行速率、上行时延、下行时延、丢包率、抖动率中的至少一项。

如图1所示，在网元的配合下，利用探针分段地监测相应分段的网元的实时监测数据。各个分段的网元包括：有源天线(AAU，active antenna unit)、中心单元(CU，Centralized Unit)、分布单元(DU，Distribute Unit)、用户端功能(UPF，User planefunction)等。各个网元的监测指标及其实时监测数据包括探针到各个网元之间的上行速率、下行速率、上行时延、下行时延、丢包率、抖动率中的至少一项。通过分段监测指标及其监测数据，可以定位哪个网元出现异常。

探针配置在可移动设备(如手机、无人机等)上，以监测不同位置(如不同区域)的网络切片及其相关网元。从而，快速灵活的实现对广阔地区(甚至是服务盲区)的切片服务监测。探针还能自动上报所选切片、检测指标数据、检测时间、检测位置等信息到监测平台(如网络切片管理装置)进行学习和分析。

从用户侧评估切片服务性能，能够更真实的反映用户使用感受，将资源的合理配置可视化，从而提供更优质服务。

为实现切片网络的端到端自动化管理和自动化运营，通过机器学习等人工智能方法，可以对网络切片服务模型进行学习和分析，从而实现对切片服务的预测和自动优化，提升管理效率、运营效率和资源利用率。

图2A为本公开网络切片管理方法一些实施例的流程示意图。

如图2A所示，该实施例的方法包括：

在步骤20，利用网络切片训练数据对机器学习模型进行训练得到网络切片服务模型。

网络切片服务模型根据不同的需要方面可以有多种。例如：网络切片服务状态模型、切片资源配置模型、切片资源调整模型等。

网络切片训练数据需要采集和预处理：

探针监测数据，包括上下行速率、时延、丢包率等(包括端到端和分段)，并通过与切片需求的对比，打标签标识当前切片服务是否满足用户需求；

网元监测数据，网元的资源利用率、带宽、时延等指标参数；

切片需求，包括用户申请的切片模板的带宽、时延、用户数等用户服务等级协议(Service-Level Agreement，SLA)信息；

切片设备配置，当前切片服务所使用服务器等资源的类型、数量等信息；

切片服务发生故障的情况及原因；

切片业务量变化情况，包括日常变化规律和突发情况变化规律。

通过时间、切片等关键信息，实现上述各参数间的关联。

不同的网络切片服务模型可以利用不同的机器学习模型进行训练得到。机器学习模型例如包括神经网络、支持向量机、遗传算法等，根据网络切片服务模型需要选择合适的算法。

此外，通过大量采集数据生成初步模型后，后续通过增强学习的方式，不断对模型进行优化。

在步骤21，获取网络实时数据。

网络实时数据例如包括网络切片及其相关网元的实时监测数据、当前用户需求信息、用户当前任务量等。

在步骤22，如图2B所示，将网络实时数据输入网络切片服务模型，输出相应的网络切片参考信息。

网络切片服务状态模型，基于网络实时监测数据，自动诊断切片服务状态是正常、故障、还是需要优化。

切片资源配置模型，基于当前用户需求信息，如用户服务等级协议(Service-Level Agreement，SLA)需求，自动确定切片资源配置，如判断应分配多少切片资源，能否使用现有切片共享等。

切片资源调整模型，基于用户当前任务量大小情况，自动调整切片资源配置，动态进行切片资源的调配。

在步骤23，根据网络切片参考信息进行网络切片的管理。

利用训练得到的网络切片服务模型，确定网络实时数据相应的网络切片参考信息，根据网络切片参考信息自动进行网络切片的管理，实现网络切片的自动管理和运营。例如，基于网络实时监测数据自动诊断切片服务状态、基于当前用户需求信息自动确定切片资源配置，基于用户当前任务量大小情况自动调整切片资源配置。

下面描述网络切片服务状态模型。

利用网络切片和网元的历史监测数据以及相应的服务状态标签对用于分类的机器学习模型进行训练得到网络切片服务状态模型。其中，机器学习模型例如可以是神经网络或支持向量机等。利用神经网络完成服务状态的分类性任务。

基于网络切片服务状态模型的网络切片管理方法包括：

首先，获取网络切片及其相关网元的实时监测数据。

然后，将实时监测数据输入网络切片服务状态模型，输出网络切片相应的服务状态，从而自动诊断切片服务状态是正常、故障、还是需要优化。

最后，根据网络切片相应的服务状态进行网络切片的管理。

如果切片正常，说明当前切片能够正常满足用户的定制要求，可以继续监控，不做处理。如果切片故障，说明切片无法提供正常服务，可进一步确定并提示可能是哪个网元存在异常；如果切片需要优化，可能当前切片资源不足，无法满足用户需求，需要进行扩容，并可进一步指明具体是哪个网元需要扩容、需要扩充多少服务器，还可能资源冗余，可以进行缩容，降低成本，提升资源利用率等。

在切片故障的情况下，关于进一步确定哪个网元存在异常，可以构建故障判断模型。利用历史故障现象描述以及相应的故障网元标签对用于分类的机器学习模型进行训练得到故障判断模型。其中，机器学习模型例如可以是神经网络或支持向量机等。利用神经网络完成故障诊断的分类性任务。

基于故障判断模型的网络切片管理方法包括：

首先，获取当前故障现象描述。

然后，将当前故障现象描述输入故障判断模型，输出相应的故障网元，从而自动诊断可能是哪个网元存在异常。

最后，对故障网元进行处理，如修复等。

下面描述切片资源配置模型。

利用用户需求信息以及相应的网络切片资源配置的训练数据对机器学习模型进行回归性训练得到切片资源配置模型。其中，机器学习模型例如可以是神经网络等，利用神经网络完成资源配置的回归性任务。

基于切片资源配置模型的网络切片管理方法包括：

首先，获取当前用户需求信息。

然后，将当前用户需求信息输入切片资源配置模型，输出相应的网络切片资源配置。

最后，根据网络切片资源配置为当前用户进行网络切片资源的配置。例如，按照输出的网络切片资源配置对当前用户的网络切片资源进行配置，或者，至少当前用户的网络切片配置不少于输出的网络切片资源配置。

下面描述切片资源调整模型。

利用用户任务量变化信息以及相应的网络切片资源实际利用信息的训练数据对机器学习模型进行回归性训练得到切片资源调整模型。其中，机器学习模型例如可以是神经网络等，利用神经网络完成资源调整的回归性任务。

基于切片资源调整模型的网络切片管理方法包括：

首先，获取用户当前任务量；

然后，将用户当前任务量输入切片资源调整模型，输出相应的网络切片资源利用参考信息；

最后，根据网络切片资源利用参考信息调整配置给当前用户的网络切片资源。例如，按照输出的网络切片资源利用参考信息对当前用户的网络切片资源进行调整。

通过引入人工智能模型，真正实现运维管理自动化，尤其对于5G网络管理越来越复杂的情况下，原有的人工管理方式已经很难满足网络快速变化的需要，本公开通过网络切片服务模型，实现切片服务状态预警、业务量预测、故障分析等等功能，降低了切片运营的复杂度，提升了运营的效率。此外，还能优化资源配置和调度，提升资源利用率，在保障网络质量的同时有效控制成本。

图3为本公开网络切片管理装置一些实施例的结构示意图。

如图3所示，该实施例的装置30包括：

存储器31以及耦接至该存储器31的处理器32，处理器32被配置为基于存储在存储器31中的指令，执行前述任意一些实施例中的网络切片管理方法。

其中，存储器31例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。

装置30还可以包括输入输出接口33、网络接口34、存储接口35等。这些接口33，34，35以及存储器31和处理器32之间例如可以通过总线33连接。其中，输入输出接口33为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口34为各种联网设备提供连接接口。存储接口35为SD卡、U盘等外置存储设备提供连接接口。

图4为本公开网络切片管理系统一些实施例的结构示意图。

如图4所示，该实施例的系统40包括：网络切片管理装置41，以及部署在用户侧的探针42。探针42被配置监测网络实时数据，网络实时数据包括：网络切片及其相关网元的实时监测数据。网络切片管理装置41执行网络切片管理方法。

本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本公开的较佳实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (12)

1.一种网络切片管理方法，其特征在于，包括：

利用在用户侧部署的探针对用户侧切片性能进行监测以获取网络实时数据；

将所述网络实时数据输入网络切片服务模型，以输出相应的网络切片参考信息；

根据所述网络切片参考信息进行网络切片的管理；

其中，所述网络切片服务模型是利用网络切片训练数据对机器学习模型进行训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述网络切片服务模型是网络切片服务状态模型，所述网络切片服务状态模型是利用网络切片和网元的历史监测数据以及相应的服务状态标签对用于分类的机器学习模型进行训练得到的；

所述方法包括：

获取网络切片及其相关网元的实时监测数据；

将所述实时监测数据输入所述网络切片服务状态模型，输出所述网络切片相应的服务状态；

根据所述网络切片相应的服务状态进行网络切片的管理。

3.根据权利要求1所述的方法，其特征在于，所述网络切片服务模型是切片资源配置模型，所述切片资源配置模型是利用用户需求信息以及相应的网络切片资源配置的训练数据对机器学习模型进行回归性训练得到的；

所述方法包括：

获取当前用户需求信息；

将所述当前用户需求信息输入所述切片资源配置模型，输出相应的网络切片资源配置；

根据所述网络切片资源配置为当前用户进行网络切片资源的配置。

4.根据权利要求1所述的方法，其特征在于，所述网络切片服务模型是切片资源调整模型，所述切片资源调整模型是利用用户任务量变化信息以及相应的网络切片资源实际利用信息的训练数据对机器学习模型进行回归性训练得到的；

所述方法包括：

获取用户当前任务量；

将所述用户当前任务量输入所述切片资源调整模型，输出相应的网络切片资源利用参考信息；

根据所述网络切片资源利用参考信息调整配置给当前用户的网络切片资源。

5.根据权利要求1或2所述的方法，其特征在于，

所述网络实时数据包括：网络切片及其相关网元的实时监测数据；

所述获取网络实时数据包括：

利用在用户侧部署的探针监测获得网络切片及其相关网元的实时监测数据。

6.根据权利要求5所述的方法，其特征在于，

所述探针配置在可移动设备上，以监测不同位置的网络切片及其相关网元。

7.根据权利要求5所述的方法，其特征在于，

利用所述探针分段地监测相应分段的网元的实时监测数据，各个分段的网元包括：有源天线AAU、中心单元CU、分布单元DU、用户端功能UPF。

8.根据权利要求5所述的方法，其特征在于，

所述探针监测获得的网络切片的实时监测数据包括网络切片端到端的上行速率、下行速率、上行时延、下行时延、丢包率、抖动率中的至少一项；

所述探针监测获得的相关网元的实时监测数据包括所述探针到所述网元之间的上行速率、下行速率、上行时延、下行时延、丢包率、抖动率中的至少一项。

9.根据权利要求1-4任一项述的方法，其特征在于，所述机器学习模型包括神经网络模型、支持向量机。

10.一种网络切片管理装置，包括：

存储器；以及

耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器中的指令，执行权利要求1-9中任一项所述的网络切片管理方法。

11.一种网络切片管理系统，包括：

权利要求10所述的网络切片管理装置，以及

部署在用户侧的探针，被配置对用户侧切片性能进行监测以获取网络实时数据，所述网络实时数据包括：网络切片及其相关网元的实时监测数据。

12.一种非瞬时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1-9中任一项所述的网络切片管理方法的步骤。

Images