CN113225213A - 网络设备配置文件转译和网络仿真的方法、装置 - Google Patents
网络设备配置文件转译和网络仿真的方法、装置 Download PDFInfo
- Publication number
- CN113225213A CN113225213A CN202110487708.4A CN202110487708A CN113225213A CN 113225213 A CN113225213 A CN 113225213A CN 202110487708 A CN202110487708 A CN 202110487708A CN 113225213 A CN113225213 A CN 113225213A
- Authority
- CN
- China
- Prior art keywords
- model
- translation
- configuration file
- data
- 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
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N20/00—Machine learning
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
-
- 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
- H04L43/50—Testing arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/2866—Architectures; Arrangements
- H04L67/30—Profiles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer And Data Communications (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种网络设备配置文件转译的方法和装置,可用于网络仿真技术和金融领域,上述方法包括:接收待转译的网络设备配置文件和转译请求,上述转译请求包括:上述网络设备配置文件的初始设备型号和目标设备型号,上述目标设备型号与上述初始设备型号不同;对上述待转译的网络设备配置文件的数据进行处理,转化为词向量形式的数据;将处理后的网络配置文件的词向量形式的数据输入至基于机器学习方式预先构建好的命令转译模型中;以及根据上述转译请求,在上述命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据。还提供了一种网络仿真的方法和装置、电子设备、计算机可读存储介质以及计算机程序产品。
Description
技术领域
本公开涉及网络仿真技术和金融领域,更具体地,涉及一种网络设备配置文件转译的方法和装置,还涉及一种网络仿真的方法和装置、电子设备、计算机可读存储介质以及计算机程序产品。
背景技术
网络测试包括对网络设备、网络系统以及网络应用等进行测试,对网络设备的测试包括:对网络拓扑结构、网络节点和网络协议等进行测试。在应用开发阶段,需要将应用在不同的网络系统中的兼容性情况进行验证,验证效果达到预期后才会发布。相关技术中,可以通过网络仿真技术来模拟网络拓扑结构和真实网络行为,网络仿真系统可以模拟诸如带宽限制、时延、时延抖动、丢包、乱序、重复报文、误码和拥塞等网络行为,从而可以通过在网络仿真系统中测试网络应用在真实网络环境中的性能表现。
在实现本公开构思的过程中,发明人发现现有技术中至少存在如下问题:随着网络设备厂商的增加、网络设备型号的不断更新,网络设备配置的语法和语句在不断更新,形式化验证的网络仿真作为一种方案可以适配于一些网络设备的仿真,然而,现有的形式化验证系统普遍存在设备适配型号局限或单一,无法适配于多种不同类型的设备型号,或者存在部分语句无法适配的问题。
发明内容
有鉴于此,本公开提供了一种网络设备配置文件转译的方法和装置,还涉及一种网络仿真的方法和装置、电子设备、计算机可读存储介质以及计算机程序产品。
本公开的第一个方面提供了一种网络设备配置文件转译的方法。上述网络设备配置文件转译的方法包括:接收待转译的网络设备配置文件和转译请求,上述转译请求包括:上述网络设备配置文件的初始设备型号和目标设备型号,上述目标设备型号与上述初始设备型号不同;对上述待转译的网络设备配置文件的数据进行处理,转化为词向量形式的数据;将处理后的网络配置文件的词向量形式的数据输入至基于机器学习方式预先构建好的命令转译模型中;以及根据上述转译请求,在上述命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据。
根据本公开的实施例,上述命令转译模型中包含T组预先训练好的转译权重参数,T≥1,上述T组预先训练好的转译权重参数中的每组转译权重参数用于表征两个不同的网络设备型号之间的配置文件的数据转换关系;上述T组预先训练好的转译权重参数包含将初始设备型号的配置文件数据转译为目标设备型号的配置文件数据所对应的一组转译权重参数。
根据本公开的实施例,上述根据上述转译请求,在上述命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据,包括:根据上述转译请求,从上述命令转译模型中的T组预先训练好的转译权重参数中确定用于将初始设备型号的配置文件数据转译为目标设备型号的配置文件数据所对应的目标转译权重参数;以及基于上述目标转译权重参数进行计算,输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据。
根据本公开的实施例,上述对上述待转译的网络设备配置文件进行处理,转化为词向量形式的数据,包括:删除上述待转译的网络设备配置文件中的注释内容;将删除了注释内容后的网络设备配置文件处理为预设字符编码格式;以及将预设字符编码格式的网络设备配置文件解析为词向量形式的数据。
根据本公开的实施例,上述网络设备配置文件转译的方法还包括:构建命令转译模型。上述构建命令转译模型包括:获取样本数据,上述样本数据为M个不同的网络设备型号下的样本配置文件数据,M≥2,上述M个不同的网络设备型号包含目标设备型号和至少1个其他设备型号,上述至少1个其他设备型号包含上述初始设备型号;对上述样本数据进行处理,转化为词向量形式的样本数据;将处理后的词向量形式的样本数据按照不同的网络设备型号分别采用BERT模型进行预训练,得到针对M个不同的网络设备型号的M组权重参数;以及针对上述M个不同的网络设备型号中任意两个型号所对应的样本配置文件数据,根据上述M组权重参数进行训练操作,以得到至少一组转译权重参数,其中每组转译权重参数用于表征该组内的两个型号的样本配置文件数据之间的数据转换关系。
根据本公开的实施例,上述针对上述M个不同的网络设备型号中任意两个型号所对应的样本配置文件数据,根据上述M组权重参数进行训练操作,以得到至少一组转译权重参数,包括:将当前两个型号的样本配置文件数据和通过预训练得到的对应的权重参数输入至机器学习模型中进行无监督训练,每次训练得到一组转译权重参数以及当前机器学习模型的准确率;在连续多次训练得到的机器学习模型的准确率无法提升的情况下停止训练,并将准确率最高的机器学习模型所对应的转译权重参数作为训练好的转译权重参数,上述准确率最高的机器学习模型作为命令转译模型。
根据本公开的实施例,上述对上述样本数据进行处理,转化为词向量形式的样本数据,包括:删除上述样本数据中的注释内容;将删除了注释内容后的样本数据处理为预设字符编码格式;以及将预设字符编码格式的样本数据解析为词向量形式的样本数据。
本公开的第二个方面提供了一种网络仿真的方法。上述网络仿真的方法包括:采用如上所述的任一种网络设备配置文件转译的方法,将待仿真的网络设备配置文件转译为目标设备型号所对应的目标语言下的目标网络设备配置文件数据,上述目标语言适配于一网络仿真装置;以及在上述网络仿真装置基于上述目标网络设备配置文件数据进行网络仿真。
本公开的第三个方面提供了一种网络设备配置文件的转译装置。上述网络设备配置文件的转译装置包括:转译请求接收模块、数据处理模块、模型输入模块以及转译模块。上述转译请求接收模块用于接收待转译的网络设备配置文件和转译请求,上述转译请求包括:上述网络设备配置文件的初始设备型号和目标设备型号,上述目标设备型号与上述初始设备型号不同。上述数据处理模块用于对上述待转译的网络设备配置文件的数据进行处理,转化为词向量形式的数据。上述模型输入模块用于将处理后的网络配置文件的词向量形式的数据输入至基于机器学习方式预先构建好的命令转译模型中。上述转译模块用于根据上述转译请求,在上述命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据。
本公开的第四个方面提供了一种网络仿真的装置。上述网络仿真的装置包括:转译请求接收模块、数据处理模块、模型输入模块、转译模块以及网络仿真模块。上述转译请求接收模块用于接收待转译的网络设备配置文件和转译请求,上述转译请求包括:上述网络设备配置文件的初始设备型号和目标设备型号,上述目标设备型号与上述初始设备型号不同。上述数据处理模块用于对上述待转译的网络设备配置文件的数据进行处理,转化为词向量形式的数据。上述模型输入模块,用于将处理后的网络配置文件的词向量形式的数据输入至基于机器学习方式预先构建好的命令转译模型中。上述转译模块用于根据上述转译请求,在上述命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据。上述网络仿真模块用于接收上述目标网络设备配置文件数据,并基于上述目标网络设备配置文件数据进行网络仿真。
本公开的第五个方面提供了一种电子设备。上述电子设备包括:一个或多个处理器;以及用于存储一个或多个程序的存储装置。其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现上述网络设备配置文件转译的方法或上述网络仿真的方法。
本公开的第六个方面提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有可执行指令,该指令被处理器执行时使处理器实现上述网络设备配置文件转译的方法或上述网络仿真的方法。
本公开的第七个方面提供了一种计算机程序产品。上述计算机程序产品包括计算机可读指令,其中上述计算机可读指令被执行时用于实现上述网络设备配置文件转译的方法或上述网络仿真的方法。
根据本公开的实施例,通过采用基于机器学习方式构建的命令转译模型来将初始设备型号对应的网络设备配置文件进行转译,根据转译请求对应转译为指定的目标设备型号所对应的目标语言下的目标网络设备配置文件数据,可以至少部分的解决现有的形式化验证系统普遍存在设备适配型号局限或单一,无法适配于多种不同类型的设备型号,或者存在部分语句无法适配的问题。在不改变网络仿真系统的前提下,可以转化为网络仿真系统能够解析的语言形式,便于后续进行网络仿真,不仅有效降低了适配网络仿真系统的工作量,降低了对运维人员的经验要求,还具有较好的普适性和推广性。
附图说明
通过以下参照附图对本公开实施例的描述,本公开的上述以及其他目的、特征和优点将更为清楚,在附图中:
图1示意性示出了适用于根据本公开实施例的网络设备配置文件转译的方法的系统架构;
图2示意性示出了根据本公开一实施例的网络设备配置文件转译的方法的流程图;
图3示意性示出了根据本公开实施例的对待转译的网络设备配置文件进行处理,转化为词向量形式的数据的操作S23的详细实施流程图;
图4示意性示出了根据本公开实施例的命令转译模型中的T组预先训练好的转译权重参数的示例;
图5示意性示出了根据本公开实施例的根据转译请求,在命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据的操作S25的详细实施流程图;
图6示意性示出了根据本公开实施例的操作S25的实施场景示例;
图7示意性示出了根据本公开另一实施例的网络设备配置文件转译的方法的流程图;
图8示意性示出了根据本公开实施例的构建命令转译模型的操作S21的详细实施流程图;
图9示意性示出了根据本公开实施例的对样本数据进行处理,转化为词向量形式的样本数据的子操作S212的详细实施流程图;
图10示意性示出了根据本公开实施例的将样本数据进行处理,以及将处理后的词向量形式的样本数据输入至BERT模型进行预训练的实施场景示例;
图11示意性示出了根据本公开实施例的针对M个不同的网络设备型号中任意两个型号所对应的样本配置文件数据,根据M组权重参数进行训练操作,以得到至少一组转译权重参数的子操作S214的详细实施流程图;
图12示意性示出了根据本公开实施例的网络仿真的方法;
图13示意性示出了根据本公开另一实施例的网络仿真的方法;
图14示意性示出了根据本公开一实施例的网络设备配置文件转译的装置的结构框图;
图15示意性示出了根据本公开一实施例的网络设备配置文件转译的装置的结构框图;
图16示意性示出了根据本公开一实施例的网络仿真的装置的结构框图;以及
图17示意性示出了根据本公开一实施例的电子设备的结构框图。
具体实施方式
以下,将参照附图来描述本公开的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本公开的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本公开实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
本公开的实施例提供了一种网络设备配置文件转译的方法和装置,还提供了一种网络仿真的方法和装置、电子设备、计算机可读存储介质以及计算机程序产品。上述网络设备配置文件转译的方法中,接收待转译的网络设备配置文件和转译请求。上述转译请求包括:上述网络设备配置文件的初始设备型号和目标设备型号,上述目标设备型号与上述初始设备型号不同。对上述待转译的网络设备配置文件的数据进行处理,转化为词向量形式的数据。将处理后的网络配置文件的词向量形式的数据输入至基于机器学习方式预先构建好的命令转译模型中。根据上述转译请求,在上述命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据。
图1示意性示出了适用于根据本公开实施例的网络设备配置文件转译的方法的系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
参照图1所示,适用于本公开实施例的网络设备配置文件转译的方法的系统架构100包括:网络设备110、转译系统120和网络仿真系统130。
上述网络设备110是连接到网络中的物理实体,可以为终端设备、服务器或者用于网络连接的组件等,包括计算机、集线器、交换机、网桥、路由器、网关、网络接口卡(NIC)、无线接入点(WAP)、打印机、调制解调器、光纤收发器、光缆等等。本公开的应用场景中,上述网络设备可以是金融机构的数据中心的网络设备,该网络设备包括用于开发和上线金融应用的终端设备、服务器、或者用于网络连接的各种组件等。应该理解的是,上述网络设备还可以是其他非金融领域中的网络设备。
网络可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
相关技术中,网络设备110的配置包数据直接上传至上述网络仿真系统130进行解析,然而,随着网络设备厂商的增加、网络设备型号的不断更新,网络设备配置的语法和语句在不断更新,上述网络仿真系统130存在普遍存在设备适配型号局限或单一、无法适配于多种不同类型的设备型号、或者存在部分语句无法适配的问题。
示例性的,参照图1中实线与虚线连接起来的路径所示,网络设备110的配置包数据直接上传至上述网络仿真系统130进行解析后,用于进行网络仿真。图1中以网络设备110中的四种不同型号的网络设备A111、网络设备B 112、网络设备C 113和网络设备D 114进行示例。这四种不同型号的网络设备各自具有对应的配置语法和语句形式。为了简化描述,网络设备A 111、网络设备B 112、网络设备C 113和网络设备D 114各自的型号对应以型号A、型号B、型号C和型号D进行描述。
应该理解,图1中示意的网络设备的数量仅作为示例,本公开所能应用的场景中不限制每种型号的网络设备的个数或不同型号的个数。
在一示例性的场景中,参照图1中“√”所对应的路径所示,网络设备C 113和网络设备D 114的配置文件能够被网络仿真系统130所解析,将网络设备C 113或网络设备D 114的配置文件上传至网络仿真系统130后,网络仿真系统130能够基于解析后的网络设备C113或网络设备D 114的配置文件对网络设备C 113或网络设备D 114进行对应数据的仿真。参照图1中“×”所对应的路径所示,网络设备A 111和网络设备B 112的配置文件中的部分语句或全部内容无法被网络仿真系统130所识别或解析,从而导致无法在网络仿真系统130中进行网络设备A 111和网络设备B 112的配置以及仿真操作。
如果将未适配语句和对应设备直接丢弃的话,会导致仿真结果不准确、仿真无意义。可以通过人工编写预处理程序,将未适配的设备型号的配置转译成已适配的型号的配置,从而实现对于网络的仿真,然而该方式需要大量专家经验,才能形成不同型号设备命令的对应关系表,工作量非常大,且不利于维护。另外,在仿真系统开发层面逐条对网络配置进行适配的方式可以保证开发涉及到的设备配置被完美兼容,但是仍然存在整理不同厂商语法的工作量太大的问题,在语法的人工提炼和在开发层面的实现上,极大增加了工作量。
有鉴于此,本公开通过在上述系统架构100中增加转译系统120,由上述转译系统120实施本公开实施例所提供的网络设备配置文件转译的方法,可以基于上述转译系统120,将各种型号的网络设备110所对应语法的配置文件转化为能够适配于网络仿真系统130的网络设备配置文件,便于后续的网络仿真工作的开展。
上述转译系统120可以是实现本公开实施例所提供的网络设备配置文件转译的方法的硬件和/或软件。
上述网络仿真系统130为用于进行网络仿真的硬件和/或软件。
上述网络设备110、转译系统120和网络仿真系统130之间可以进行数据传输。
上述转译系统120与上述网络仿真系统130可以位于同一个装置中,也可以位于两个不同的装置中。
本公开的第一个示例性实施例提供了一种网络设备配置文件转译的方法。
图2示意性示出了根据本公开一实施例的网络设备配置文件转译的方法的流程图。
参照图2所示,本公开实施例提供的网络设备配置文件转译的方法,包括以下操作:S22、S23、S24和S25。上述操作S22~S25可以由图1所示例的转译系统120实施。
在操作S22,接收待转译的网络设备配置文件和转译请求。
上述转译请求包括:上述待转译的网络设备配置文件的初始设备型号和目标设备型号,上述目标设备型号与上述初始设备型号不同。相应的,上述初始设备型号和上述目标设备型号所对应的语言具有各自的规范和语法特点,二者存在差异。在一实施例中,上述目标设备型号的语言所对应的语法能够被网络仿真系统130所识别和解析。
在操作S23,对上述待转译的网络设备配置文件的数据进行处理,转化为词向量形式的数据。
上述词向量形式的数据用作机器学习模型的输入,本公开采用的处理初始设备型号所对应的机器学习模型为预先构建好的命令转译模型。
在操作S24,将处理后的网络配置文件的词向量形式的数据输入至基于机器学习方式预先构建好的命令转译模型中。
该命令转译模型可以将输入的多个不同设备型号的网络配置文件转化为适配于网络仿真系统的设备型号所对应的语言的表述形式。
在操作S25,根据上述转译请求,在上述命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据。
基于上述操作S22~S25,通过采用基于机器学习方式构建的命令转译模型来将初始设备型号对应的网络设备配置文件进行转译,根据转译请求对应转译为指定的目标设备型号所对应的目标语言下的目标网络设备配置文件数据,可以至少部分的解决现有的形式化验证系统普遍存在设备适配型号局限或单一,无法适配于多种不同类型的设备型号,或者存在部分语句无法适配的问题。
参照图1所示,在操作S22的实施过程中,可以是用户将需要进行转译的网络设备配置文件导入或上传至转译系统120,该转译系统120可以识别导入或上传的网络设备配置文件的初始设备型号,或者由用户手动选择或输入需要进行转译的网络设备配置文件的初始设备型号,用户可以在转译系统选择目标设备型号,并触发预设的转译按钮,这时在转译系统120视为接收到待转译的网络设备配置文件和转译请求。
在上述操作S23中,通过对待转译的网络设备配置文件的数据进行处理,转化为词向量形式的数据,以作为后续操作S25中命令转译模型的输入。
图3示意性示出了根据本公开实施例的对待转译的网络设备配置文件进行处理,转化为词向量形式的数据的操作S23的详细实施流程图。
根据本公开的实施例,参照图3所示,上述对待转译的网络设备配置文件进行处理,转化为词向量形式的数据的操作S23包括以下子操作:S231、S232和S233。
在子操作S231,删除待转译的网络设备配置文件中的注释内容。
上述注释内容包括中英文注释。例如可以通过简单的正则表达式来删除注释内容。
在子操作S232,将删除了注释内容后的网络设备配置文件处理为预设字符编码格式。
在一示例性实施例中,上述预设字符编码格式为utf8编码格式。
在子操作S233,将预设字符编码格式的网络设备配置文件解析为词向量形式的数据。
在一示例性实施例中,可以使用tokenizer工具将预设字符编码格式的网络设备配置文件进行分词,然后采用word2vector工具解析为词向量形式的数据。在其它实施例中,还可以采用其他解析工具来实现子操作S233。
为了能够实现对待转译的网络设备配置文件的成功转译,在预先构建的命令转译模型中预先训练得到转译权重参数,基于该转译权重参数可以实现从初始设备型号的配置文件数据到目标设备型号的配置文件数据的转译。
根据本公开的实施例,上述命令转译模型中包含T组预先训练好的转译权重参数,T≥1,上述T组预先训练好的转译权重参数中的每组转译权重参数用于表征两个不同的网络设备型号之间的配置文件的数据转换关系;上述T组预先训练好的转译权重参数包含将初始设备型号的配置文件数据转译为目标设备型号的配置文件数据所对应的一组转译权重参数。
在图1所示例的应用场景中,上述操作S22中,转译请求中的待转译的网络设备配置文件的初始设备型号可以是网络设备A 111或网络设备B 112的设备型号:型号A或型号B,目标设备型号可以是网络设备C 113或网络设备D 114的设备型号:型号C或型号D。在本实施例中,T组预先训练好的转译权重参数至少包含将网络设备A 111或网络设备B 112的配置文件数据转译为网络设备C 113或网络设备D 114的配置文件数据所对应的多组转译权重参数。
图4示意性示出了根据本公开实施例的命令转译模型中的T组预先训练好的转译权重参数的示例。
参照图4所示,以T=4进行示例,即,命令转译模型400中具有4组预先训练好的转译权重参数,这4组预先训练好的转译权重参数分别为转译权重参数组401、402、403和404。
转译权重参数组401用于表征网络设备A 111的网络设备配置文件和网络设备C113的网络设备配置文件之间的数据转换关系。
这里将转译权重参数组401表示为{WA→c:WA1→C1,WA2→C2,……,WAi→Ci},其中WA→C表示转译权重矢量,该转译权重矢量WA→C包含的元素的总个数i为网络设备A 111的网络设备配置文件与网络设备C113的网络设备配置文件的对应转化的词素单元(token)的总组数。其中,WA1→C1表示网络设备A 111的网络设备配置文件与网络设备C 113的网络设备配置文件中相互对应的词素单元A1→C1转化的权重参数,WA2→C2表示网络设备A 111的网络设备配置文件与网络设备C113的网络设备配置文件中相互对应的词素单元A2→C2转化的权重参数,以此类推,WAi→Ci表示网络设备A 111的网络设备配置文件与网络设备C 113的网络设备配置文件中相互对应的词素单元Ai→Ci转化的权重参数。
与之类似,转译权重参数组402用于表征网络设备A 111的网络设备配置文件和网络设备D 114的网络设备配置文件之间的数据转换关系。
将转译权重参数组402表示为{WA→D:WAl→D1,WA2→D2,……,WAj→Dj},其中WA→D表示转译权重矢量,该转译权重矢量WA→D包含的元素的总个数j为网络设备A 111的网络设备配置文件与网络设备D114的网络设备配置文件的对应转化的词素单元(token)的总组数。其中,WA1→D1表示网络设备A 111的网络设备配置文件与网络设备D114的网络设备配置文件中相互对应的词素单元A1→D1转化的权重参数,WA2→D2表示网络设备A111的网络设备配置文件与网络设备D114的网络设备配置文件中相互对应的词素单元A2→D2转化的权重参数,以此类推,WAj→Dj表示网络设备A 111的网络设备配置文件与网络设备D 114的网络设备配置文件中相互对应的词素单元Aj→Dj转化的权重参数。
转译权重参数组403用于表征网络设备B 112的网络设备配置文件和网络设备C113的网络设备配置文件之间的数据转换关系。
将转译权重参数组403表示为{WB→C:WB1→C1,WB2→C2,……,WBk→Ck},其中WB→C表示转译权重矢量,该转译权重矢量WB→C包含的元素的总个数k为网络设备B 112的网络设备配置文件与网络设备C113的网络设备配置文件的对应转化的词素单元(token)的总组数。其中,WB1→C1表示网络设备B 112的网络设备配置文件与网络设备C113的网络设备配置文件中相互对应的词素单元B1→C1转化的权重参数,WB2→C2表示网络设备B 112的网络设备配置文件与网络设备C 113的网络设备配置文件中相互对应的词素单元B2→C2转化的权重参数,以此类推,WBk→Ck表示网络设备B 112的网络设备配置文件与网络设备C 113的网络设备配置文件中相互对应的词素单元Bk→Ck转化的权重参数。
转译权重参数组404用于表征网络设备B 112的网络设备配置文件和网络设备D114的网络设备配置文件之间的数据转换关系。
将转译权重参数组404表示为{WB→D:WB1→D1,WB2→D2,……,WBl→Dl},其中WB→D表示转译权重矢量,该转译权重矢量WB→D包含的元素的总个数l为网络设备B 112的网络设备配置文件与网络设备D114的网络设备配置文件的对应转化的词素单元(token)的总组数。其中,WB1→D1表示网络设备B 112的网络设备配置文件与网络设备D114的网络设备配置文件中相互对应的词素单元B1→D1转化的权重参数,WB2→D2表示网络设备B 112的网络设备配置文件与网络设备D114的网络设备配置文件中相互对应的词素单元B2→D2转化的权重参数,以此类推,WBl→Dl表示网络设备B 112的网络设备配置文件与网络设备D 114的网络设备配置文件中相互对应的词素单元Bl→Dl转化的权重参数。
本应用场景中以T=4进行示例,可以理解的是,在本应用场景中,T组预先训练好的转译权重参数的组数可以大于4,初始设备型号还可以包括除网络设备A 111或网络设备B 112的设备型号之外的其他设备类型的初始设备型号;目标设备型号还可以包括除网络设备C 113或网络设备D 114之外的其它设备类型的目标设备型号,相应地,T组预先训练好的转译权重参数除了包括4组示例的转译权重参数之外,还可以包括与这4组转译权重参数的初始设备型号、目标设备型号至少之一不同的一组或多组转译权重参数。
图5示意性示出了根据本公开实施例的根据转译请求,在命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据的操作S25的详细实施流程图。
根据本公开的实施例,参照图5所示,上述根据转译请求,在命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据的操作S25包括以下子操作:S251和S252。
在子操作S251,根据转译请求,从命令转译模型中的T组预先训练好的转译权重参数中确定用于将初始设备型号的配置文件数据转译为目标设备型号的配置文件数据所对应的目标转译权重参数。
在子操作S252,基于上述目标转译权重参数进行计算,输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据。
图6示意性示出了根据本公开实施例的操作S25的实施场景示例。在图6中对转译权重参数组中的转译权重矢量的形式进行了简化示意。
转译请求中携带有待转译的网络设备配置文件的初始设备型号和目标设备型号的信息。参照图6所示,分别示意了3个不同的转译请求:转译请求1、转译请求2和转译请求3。
在一示例性场景中,参照图6中虚线箭头所示,待转译的网络设备配置文件处理为词向量形式后描述为配置文件V1,转译请求1中的初始设备型号和目标设备型号分别依次对应为:型号A和型号C。那么在命令转译模型中接收到配置文件V1和转译请求1后,会根据转译请求1中指定的初始设备型号和目标设备型号从命令转译模型400的T组预先训练好的转译权重参数中确定出目标转译权重参数为转译权重参数组401中的转译权重参数。接着,基于转译权重参数组401中的转译权重参数{WA→C:WA1→C1,WA2→C2,......,WAi→Ci}进行计算,输出得到型号C所对应的转译后的配置文件V1’。
在另一示例性场景中,参照图6中单点划线箭头所示,待转译的网络设备配置文件处理为词向量形式后描述为配置文件V2,转译请求2中的初始设备型号和目标设备型号分别依次对应为:型号A和型号D。那么在命令转译模型中接收到配置文件V2和转译请求2后,会根据转译请求2中指定的初始设备型号和目标设备型号从命令转译模型400的T组预先训练好的转译权重参数中确定出目标转译权重参数为转译权重参数组402中的转译权重参数。接着,基于转译权重参数组402中的转译权重参数{WA→D:WA1→D1,WA2→D2,......,WAj→Dj}进行计算,输出得到型号D所对应的转译后的配置文件V2’。
在又一示例性场景中,参照图6中双点划线箭头所示,待转译的网络设备配置文件处理为词向量形式后描述为配置文件V3,转译请求3中的初始设备型号和目标设备型号分别依次对应为:型号B和型号D。那么在命令转译模型中接收到配置文件V3和转译请求3后,会根据转译请求3中指定的初始设备型号和目标设备型号从命令转译模型400的T组预先训练好的转译权重参数中确定出目标转译权重参数为转译权重参数组404中的转译权重参数。接着,基于转译权重参数组404中的转译权重参数{WB→D:WB1→D1,WB2→D2,......,WBl→Dl}进行计算,输出得到型号D所对应的转译后的配置文件V3’。
图7示意性示出了根据本公开另一实施例的网络设备配置文件转译的方法的流程图。
参照图7所示,本公开实施例提供的网络设备配置文件转译的方法除了包括上述操作S22~S25之外,还包括操作S21,构建命令转译模型。
上述操作S21可以在操作S24之前执行,或者在操作S22之前执行。预先构建得到的命令转译模型可以存储于转译系统120中或者与转译系统120具有通信关系的其它装置中,在执行操作S24和S25时对命令转译模型进行调用即可,无需每次都构建一次命令转译模型。
本公开中,采用机器学习的方式来预先构建命令转译模型,通过对单个型号设备的配置文件进行无监督机器学习,得到该型号设备配置的语法关系;通过对不同型号设备配置进行无监督机器学习,训练得到不同型号设备的配置之间的对应关系,从而得到命令转译模型,该命令转译模型能够将网络仿真系统无法适配的设备型号所对应的配置文件转化为网络仿真系统可以适配的设备型号所对应的语言。
图8示意性示出了根据本公开实施例的构建命令转译模型的操作S21的详细实施流程图。
具体而言,参照图8所示,构建命令转译模型的操作S21包括以下子操作:S211、S212、S213和S214。
在子操作S211,获取样本数据,上述样本数据为M个不同的网络设备型号下的样本配置文件数据,M≥2,上述M个不同的网络设备型号包含目标设备型号和至少1个其他设备型号,上述至少1个其他设备型号包含上述初始设备型号。
在子操作S212,对上述样本数据进行处理,转化为词向量形式的样本数据。
在子操作S213,将处理后的词向量形式的样本数据按照不同的网络设备型号分别采用BERT模型进行预训练,得到针对M个不同的网络设备型号的M组权重参数。
在子操作S214,针对上述M个不同的网络设备型号中任意两个型号所对应的样本配置文件数据,根据上述M组权重参数进行训练操作,以得到至少一组转译权重参数,其中每组转译权重参数用于表征该组内的两个型号的样本配置文件数据之间的数据转换关系。
图9示意性示出了根据本公开实施例的对样本数据进行处理,转化为词向量形式的样本数据的子操作S212的详细实施流程图。
根据本公开的实施例,参照图9所示,上述对样本数据进行处理,转化为词向量形式的样本数据的子操作S212包括以下次子操作:S2121、S2122、S2123。
在次子操作S2121,删除样本数据中的注释内容。
上述样本数据中的注释内容包括中英文注释。例如可以通过简单的正则表达式来删除注释内容。
在次子操作S2122,将删除了注释内容后的样本数据处理为预设字符编码格式。
在一示例性实施例中,上述预设字符编码格式为utf8编码格式。
在次子操作S2123,将预设字符编码格式的样本数据解析为词向量形式的样本数据。
在一示例性实施例中,可以使用tokenizer工具将预设字符编码格式的网络设备配置文件进行分词,然后采用word2vector工具解析为词向量形式的数据。在其它实施例中,还可以采用其他解析工具来实现次子操作S2123。
图10示意性示出了根据本公开实施例的将样本数据进行处理,以及将处理后的词向量形式的样本数据输入至BERT模型进行预训练的实施场景示例。
本实施场景中,以图1中示意的网络设备A 111、网络设备B 112、网络设备C 113和网络设备D 114各自对应的型号A、型号B、型号C和型号D所对应的样本数据进行示例。
参照图10所示,样本数据SA 1001为型号A所对应的样本配置文件数据,样本数据SB 1002为型号B所对应的样本配置文件数据,样本数据SC1003为型号C所对应的样本配置文件数据,样本数据SD 1004为型号D所对应的样本配置文件数据。
对上述样本数据SA 1001、样本数据SB 1002、样本数据SC 1003和样本数据SD1004进行处理,对应可以得到词向量形式的样本数据SVA 1011、样本数据SVB 1012、样本数据SVC 1013和样本数据SVD 1014(对应于子操作S212)。
在子操作S213中,将型号一致的一类样本数据输入至BERT模型进行预训练,通过得到该型号下的一组权重参数。通过对单个型号设备的配置进行无监督机器学习的方式,学习该型号设备的配置文件的语言,从而可以基于海量的样本数据的机器学习来掌握该型号设备下的语言的规范和语法特点。
图10中,为了表示各个样本数据不是同时输入至同一个BERT模型进行预训练,采用相同的箭头线型来示意针对同一个BERT模型,单独对型号一致的一类样本数据进行训练以得到一组权重参数的过程,采用不同的箭头线型来示意型号不同的样本数据的独立的训练过程。
参照图10中实线箭头所示,将词向量形式的样本数据SVA 1011输入至BERT模型1020中进行预训练,得到针对型号A的一组权重参数,这里以权重向量WA来表示针对型号A的一组权重参数。
参照图10中包含较长的短线的虚线箭头所示,将词向量形式的样本数据SVB1012输入至BERT模型1020中进行预训练,得到针对型号B的一组权重参数,这里以权重向量WB来表示针对型号B的一组权重参数。
参照图10中包含较短的短线的虚线箭头所示,将词向量形式的样本数据SVC 1013输入至BERT模型1020中进行预训练,得到针对型号C的一组权重参数,这里以权重向量WC来表示针对型号C的一组权重参数。
参照图10中包含单点划线的箭头所示,将词向量形式的样本数据SVD 1014输入至BERT模型1020中进行预训练,得到针对型号D的一组权重参数,这里以权重向量WD来表示针对型号D的一组权重参数。
BERT模型为基于Transformer模型的双向编码器表征(Bidirectional EncoderRepresentations from Transformer,BERT)。本公开的实施场景中,由于配置涉及的语言比较简单,词汇表较小,没有时态等问题,因此不需要使用subword embedding等复杂的词向量嵌入方法,只需使用小型的BERT模型即可。
该BERT模型对数据源的要求低,不同的网络设备型号下的样本配置文件数据之间不需要有关联。例如,设备型号为型号A的词向量形式的样本数据SA的配置主要涉及ACL策略,设备型号为型号B的词向量形式的样本数据SB的配置主要涉及动态路由策略。
该BERT模型的输入为词向量形式,针对每一个输入的词向量,该词向量均包括词素单元嵌入(toking embeddings)、段落嵌入(segmentation embeddings)和位置嵌入(position embeddings)这三个维度。也有的说法是将token描述为令牌。
在一实例中,预训练过程中,收敛标准为:10个回合内,损失函数无提升,则预训练结束,得到针对M个不同的网络设备型号的M组权重参数。MLM+NSP为损失函数,其中MLM为在BERT模型的编码器(encoder)的输出上添加一个分类层,用嵌入矩阵乘以输出向量,将其转换为词汇的维度,用软最大化(softmax)计算被遮盖的词素(mask)中每个词素的概率。NSP为用一个简单的分类层将[CLS]标记的输出变换为2×1形状的向量,用softmax计算IsNextSequence的概率。
其他能够进行预训练的方式也在本公开的保护范围之内。
在子操作S214,针对上述M个不同的网络设备型号中任意两个型号所对应的样本配置文件数据,根据上述M组权重参数进行训练操作,以得到至少一组转译权重参数,其中每组转译权重参数用于表征该组内的两个型号的样本配置文件数据之间的数据转换关系。
基于子操作S214,对不同型号设备的样本配置文件数据进行无监督的机器学习方式,能够得到不同型号设备的配置间的对应关系。
图11示意性示出了根据本公开实施例的针对M个不同的网络设备型号中任意两个型号所对应的样本配置文件数据,根据M组权重参数进行训练操作,以得到至少一组转译权重参数的子操作S214的详细实施流程图。
根据本公开的实施例,参照图11所示,上述针对M个不同的网络设备型号中任意两个型号所对应的样本配置文件数据,根据M组权重参数进行训练操作,以得到至少一组转译权重参数的子操作S214包括以下次子操作:S2141和S2142。
在次子操作S2141,将当前两个型号的样本配置文件数据和通过预训练得到的对应的权重参数输入至机器学习模型中进行无监督训练,每次训练得到一组转译权重参数以及当前机器学习模型的准确率。
在次子操作S2142,在连续多次训练得到的机器学习模型的准确率无法提升的情况下停止训练,并将准确率最高的机器学习模型所对应的转译权重参数作为训练好的转译权重参数,上述准确率最高的机器学习模型作为命令转译模型。
例如,可以通过与机器学习模型的准确率相关的BLEU评估分值进行训练收敛效果的评估,在测试集上,如果BLEU评估分值在10回合内没有提升,则训练结束。
由于网络设备的配置文件中,存在明显的数字、设备名等对齐元素,因此可以采用无监督的机器学习,不需要标注的数据和平行数据集,可以大大降低本公开的方法对人工标注语料库的要求。
本公开的方法中,针对大型企业的网络设备的场景,设备配置量充足,提供了很充足的语料库和样本数据,可以在构建命令转译模型时扩展样本数据进行训练优化,以提升命令转译模型进行转译的准确性。
综上所述,本公开实施例提供了一种网络设备配置文件转译的方法,通过采用基于机器学习方式构建的命令转译模型来将初始设备型号对应的网络设备配置文件进行转译,根据转译请求对应转译为指定的目标设备型号所对应的目标语言下的目标网络设备配置文件数据,拓展了网络设备配置文件转译的适用类型,并且具有较好的准确度。通过机器学习的方式学习各型号设备配置的语法,找到不同型号配置命令的转译关系,能够用于将网络仿真系统(或者也称为网络仿真平台)未适配的文件转译成已适配的文件。在不改变网络仿真系统的前提下,可以转化为网络仿真系统能够解析的语言形式,便于后续进行网络仿真,不仅有效降低了适配网络仿真系统的工作量,降低了对运维人员的经验要求,还具有较好的普适性和推广性。
本公开的第二个示例性实施例提供了一种网络仿真的方法,上述网络仿真的方法包括:采用上述网络设备配置文件转译的方法,将待仿真的网络设备配置文件转译为目标设备型号所对应的目标语言下的目标网络设备配置文件数据,上述目标语言适配于一网络仿真装置;以及在上述网络仿真装置基于上述目标网络设备配置文件数据进行网络仿真。
图12示意性示出了根据本公开一实施例的网络仿真的方法。
参照图12所示,本公开实施例提供的网络仿真的方法,包括以下操作:S1202、S1203、S1204、S1205和S1206。
在操作S1202,接收待转译的网络设备配置文件和转译请求,该待转译的网络设备配置文件为需要进行仿真的网络设备配置文件。
在操作S1203,对上述待转译的网络设备配置文件的数据进行处理,转化为词向量形式的数据。
在操作S1204,将处理后的网络配置文件的词向量形式的数据输入至基于机器学习方式预先构建好的命令转译模型中。
在操作S1205,根据上述转译请求,在上述命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据。上述目标语言适配于一网络仿真装置。
在操作S1206,在上述网络仿真装置基于上述目标网络设备配置文件数据进行网络仿真。
在一应用场景中,可以仅使用网络设备的配置文件,在网络仿真装置自动生成当前网络拓扑。在另一应用场景中,还可以在使用配置文件解析的基础上,仿真推演变更网络配置的实际效果,在实际变更前进行模拟,用来预知结果,避免一些可能会导致生产问题的情况产生。
上述操作S1202、S1203、S1204、S1205与第一实施例中的操作S22、S23、S24和S25相同,可以参照第一实施例的详细描述,这里不再赘述。
基于上述操作S1202~S1206,在不改变网络仿真系统的前提下,可以转化为网络仿真系统能够解析的语言形式,便于后续进行网络仿真,不仅有效降低了适配网络仿真系统的工作量,降低了对运维人员的经验要求,还具有较好的普适性和推广性。
图13示意性示出了根据本公开另一实施例的网络仿真的方法。
参照图13所示,本公开实施例提供的网络仿真的方法除了包括上述操作S1202、S1203、S1204和S1205之外,还包括操作S1201,构建命令转译模型。
上述操作S1201与第一实施例中的操作S21相同,可以参照第一实施例的详细描述,这里不再赘述。
本公开的第三个示例性实施例提供了一种网络设备配置文件的转译装置。上述转译装置可以与安装有网络仿真系统的装置是独立的两个装置,转译装置与安装有网络仿真系统的装置之间可以具有通信关系或数据传输的其它连接形式。
图14示意性示出了根据本公开一实施例的网络设备配置文件转译的装置的结构框图。
参照图14所示,本公开实施例提供的网络设备配置文件转译的装置1400包括以下模块:转译请求接收模块1401、数据处理模块1402、模型输入模块1403以及转译模块1404。
上述转译请求接收模块1401用于接收待转译的网络设备配置文件和转译请求。上述转译请求包括:上述网络设备配置文件的初始设备型号和目标设备型号,上述目标设备型号与上述初始设备型号不同。
上述数据处理模块1402用于对上述待转译的网络设备配置文件的数据进行处理,转化为词向量形式的数据。
上述模型输入模块1403用于将处理后的网络配置文件的词向量形式的数据输入至基于机器学习方式预先构建好的命令转译模型中。
上述转译模块1404用于根据上述转译请求,在上述命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据。
图15示意性示出了根据本公开另一实施例的网络设备配置文件转译的装置的结构框图。
根据本公开的实施例,参照图15中实线框所示,上述网络设备配置文件转译的装置1400除了包括上述转译请求接收模块1401、数据处理模块1402、模型输入模块1403以及转译模块1404之外,还可以包括:命令转译模型构建模块1405。该命令转译模型构建模块1405用于采用机器学习的方式来预先构建命令转译模型,通过对单个型号设备的配置文件进行无监督机器学习,得到该型号设备配置的语法关系;通过对不同型号设备配置进行无监督机器学习,通过训练得到不同型号设备的配置之间的对应关系,从而得到命令转译模型,该命令转译模型能够将网络仿真系统无法适配的设备型号所对应的配置文件转化为网络仿真系统可以适配的型号所对应的语言。构建得到的命令转译模型1501参照图15中虚线框所示,该命令转译模型1501可以存储于上述网络设备配置文件转译的装置1400中,被转译模块1404所调用。
或者在另一实施例中,上述网络设备配置文件转译的装置1400中不包含命令转译模型构建模块1405,直接将构建好的命令转译模型1501存储于网络设备配置文件转译的装置1400中。
或者在又一实施例中,上述网络设备配置文件转译的装置1400与另一独立的装置(包括终端或服务器)可以进行数据传输。上述命令转译模型1501存储于上述独立的装置中,该独立的装置中的命令转译模型1501可以被装置1400中的上述模型输入模块1403和转译模块1404所对应访问、调用。
或者在另一实施例中,命令转译模型构建模块1405位于独立的装置中,由独立的装置构建命令转译模型1501。上述网络设备配置文件转译的装置1400与另一独立的装置(包括终端或服务器)可以进行数据传输。
图16示意性示出了根据本公开一实施例的网络仿真的装置的结构框图。
本公开的第四个示例性实施例提供了一种网络仿真的装置。
参照图16所示,本公开实施例提供的网络仿真的装置1600包括:转译请求接收模块1601、数据处理模块1602、模型输入模块1603、转译模块1604以及网络仿真模块1605。
上述转译请求接收模块1601用于接收待转译的网络设备配置文件和转译请求。上述转译请求包括:上述网络设备配置文件的初始设备型号和目标设备型号,上述目标设备型号与上述初始设备型号不同。
上述数据处理模块1602用于对上述待转译的网络设备配置文件的数据进行处理,转化为词向量形式的数据。
上述模型输入模块1603用于将处理后的网络配置文件的词向量形式的数据输入至基于机器学习方式预先构建好的命令转译模型中。
上述转译模块1604用于根据上述转译请求,在上述命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据。
上述网络仿真模块1605用于接收上述目标网络设备配置文件数据,并基于上述目标网络设备配置文件数据进行网络仿真。
与第三实施例类似,上述网络仿真的装置1600除了包括上述转译请求接收模块1601、数据处理模块1602、模型输入模块1603、转译模块1604以及网络仿真模块1605之外,还可以包括:命令转译模型构建模块,该命令转译模型构建模块用于采用机器学习的方式来预先构建命令转译模型,命令转译模型构建模块的详细描述参照第三实施例,这里不再赘述。
根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,在第三个实施例中,转译请求接收模块1401、数据处理模块1402、模型输入模块1403、转译模块1404以及命令转译模型构建模块1405中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,转译请求接收模块1401、数据处理模块1402、模型输入模块1403、转译模块1404以及命令转译模型构建模块1405中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,转译请求接收模块1401、数据处理模块1402、模型输入模块1403、转译模块1404以及命令转译模型构建模块1405中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
例如,在第四个实施例中,转译请求接收模块1601、数据处理模块1602、模型输入模块1603、转译模块1604以及网络仿真模块1605中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本公开的实施例,转译请求接收模块1601、数据处理模块1602、模型输入模块1603、转译模块1604以及网络仿真模块1605中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,转译请求接收模块1601、数据处理模块1602、模型输入模块1603、转译模块1604以及网络仿真模块1605中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
本公开的第五个示例性实施例提供了一种电子设备。上述电子设备包括:一个或多个处理器;以及用于存储一个或多个程序的存储装置。其中,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现上述网络设备配置文件转译的方法或上述网络仿真的方法。
图17示意性示出了根据本公开一实施例的电子设备的结构框图。
参照图17所示,根据本公开实施例的电子设备1700包括处理器1701,其可以根据存储在只读存储器(ROM)1702中的程序或者从存储部分1708加载到随机访问存储器(RAM)1703中的程序而执行各种适当的动作和处理。处理器1701例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC)),等等。处理器1701还可以包括用于缓存用途的板载存储器。处理器1701可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 1703中,存储有电子设备1700操作所需的各种程序和数据。处理器1701、ROM 1702以及RAM 1703通过总线1704彼此相连。处理器1701通过执行ROM 1702和/或RAM1703中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 1702和RAM 1703以外的一个或多个存储器中。处理器1701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例,电子设备1700还可以包括输入/输出(I/O)接口1705,输入/输出(I/O)接口1705也连接至总线1704。电子设备1700还可以包括连接至I/O接口1705的以下部件中的一项或多项:包括键盘、鼠标等的输入部分1706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1707;包括硬盘等的存储部分1708;以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分1709。通信部分1709经由诸如因特网的网络执行通信处理。驱动器1710也根据需要连接至I/O接口1705。可拆卸介质1711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1710上,以便于从其上读出的计算机程序根据需要被安装入存储部分1708。
本公开的第六个示例性实施例提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有可执行指令,该指令被处理器执行时使处理器实现实现上述网络设备配置文件转译的方法或上述网络仿真的方法。
该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本公开的实施例,计算机可读存储介质可以包括上文描述的ROM 1702和/或RAM 1703和/或ROM 1702和RAM 1703以外的一个或多个存储器。
本公开的第七个示例性实施例提供了一种计算机程序产品。上述计算机程序产品包括计算机可读指令,其中上述计算机可读指令被执行时用于实现上述网络设备配置文件转译的方法或上述网络仿真的方法。
根据本公开实施例的方法流程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读存储介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1709从网络上被下载和安装,和/或从可拆卸介质1711被安装。在该计算机程序被处理器1701执行时,执行本公开实施例的系统中限定的上述功能。根据本公开的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以型号的形式进行传输、分发,并通过通信部分1709被下载和安装,和/或从可拆卸介质1711被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
根据本公开的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合,即使这样的组合或结合没有明确记载于本公开中。特别地,在不脱离本公开精神和教导的情况下,本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本公开的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本公开的范围之内。
Claims (13)
1.一种网络设备配置文件转译的方法,包括:
接收待转译的网络设备配置文件和转译请求,所述转译请求包括:所述网络设备配置文件的初始设备型号和目标设备型号,所述目标设备型号与所述初始设备型号不同;
对所述待转译的网络设备配置文件的数据进行处理,转化为词向量形式的数据;
将处理后的网络配置文件的词向量形式的数据输入至基于机器学习方式预先构建好的命令转译模型中;以及
根据所述转译请求,在所述命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据。
2.根据权利要求1所述的方法,其中,所述命令转译模型中包含T组预先训练好的转译权重参数,T≥1,所述T组预先训练好的转译权重参数中的每组转译权重参数用于表征两个不同的网络设备型号之间的配置文件的数据转换关系;所述T组预先训练好的转译权重参数包含将初始设备型号的配置文件数据转译为目标设备型号的配置文件数据所对应的一组转译权重参数。
3.根据权利要求2所述的方法,其中,所述根据所述转译请求,在所述命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据,包括:
根据所述转译请求,从所述命令转译模型中的T组预先训练好的转译权重参数中确定用于将初始设备型号的配置文件数据转译为目标设备型号的配置文件数据所对应的目标转译权重参数;以及
基于所述目标转译权重参数进行计算,输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据。
4.根据权利要求1所述的方法,其中,所述对所述待转译的网络设备配置文件进行处理,转化为词向量形式的数据,包括:
删除所述待转译的网络设备配置文件中的注释内容;
将删除了注释内容后的网络设备配置文件处理为预设字符编码格式;以及
将预设字符编码格式的网络设备配置文件解析为词向量形式的数据。
5.根据权利要求1所述的方法,还包括:构建命令转译模型,所述构建命令转译模型包括:
获取样本数据,所述样本数据为M个不同的网络设备型号下的样本配置文件数据,M≥2,所述M个不同的网络设备型号包含目标设备型号和至少1个其他设备型号,所述至少1个其他设备型号包含所述初始设备型号;
对所述样本数据进行处理,转化为词向量形式的样本数据;
将处理后的词向量形式的样本数据按照不同的网络设备型号分别采用BERT模型进行预训练,得到针对M个不同的网络设备型号的M组权重参数;以及
针对所述M个不同的网络设备型号中任意两个型号所对应的样本配置文件数据,根据所述M组权重参数进行训练操作,以得到至少一组转译权重参数,其中每组转译权重参数用于表征该组内的两个型号的样本配置文件数据之间的数据转换关系。
6.根据权利要求5所述的方法,其中,所述针对所述M个不同的网络设备型号中任意两个型号所对应的样本配置文件数据,根据所述M组权重参数进行训练操作,以得到至少一组转译权重参数,包括:
将当前两个型号的样本配置文件数据和通过预训练得到的对应的权重参数输入至机器学习模型中进行无监督训练,每次训练得到一组转译权重参数以及当前机器学习模型的准确率;
在连续多次训练得到的机器学习模型的准确率无法提升的情况下停止训练,并将准确率最高的机器学习模型所对应的转译权重参数作为训练好的转译权重参数,所述准确率最高的机器学习模型作为命令转译模型。
7.根据权利要求5所述的方法,其中,所述对所述样本数据进行处理,转化为词向量形式的样本数据,包括:
删除所述样本数据中的注释内容;
将删除了注释内容后的样本数据处理为预设字符编码格式;以及
将预设字符编码格式的样本数据解析为词向量形式的样本数据。
8.一种网络仿真的方法,包括:
采用权利要求1-7中任一项所述的网络设备配置文件转译的方法,将待仿真的网络设备配置文件转译为目标设备型号所对应的目标语言下的目标网络设备配置文件数据,所述目标语言适配于一网络仿真装置;以及
在所述网络仿真装置基于所述目标网络设备配置文件数据进行网络仿真。
9.一种网络设备配置文件的转译装置,包括:
转译请求接收模块,用于接收待转译的网络设备配置文件和转译请求,所述转译请求包括:所述网络设备配置文件的初始设备型号和目标设备型号,所述目标设备型号与所述初始设备型号不同;
数据处理模块,用于对所述待转译的网络设备配置文件的数据进行处理,转化为词向量形式的数据;
模型输入模块,用于将处理后的网络配置文件的词向量形式的数据输入至基于机器学习方式预先构建好的命令转译模型中;以及
转译模块,用于根据所述转译请求,在所述命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据。
10.一种网络仿真的装置,包括:
转译请求接收模块,用于接收待转译的网络设备配置文件和转译请求,所述转译请求包括:所述网络设备配置文件的初始设备型号和目标设备型号,所述目标设备型号与所述初始设备型号不同;
数据处理模块,用于对所述待转译的网络设备配置文件的数据进行处理,转化为词向量形式的数据;
模型输入模块,用于将处理后的网络配置文件的词向量形式的数据输入至基于机器学习方式预先构建好的命令转译模型中;
转译模块,用于根据所述转译请求,在所述命令转译模型输出得到目标设备型号所对应的目标语言下的目标网络设备配置文件数据;以及
网络仿真模块,用于基于所述目标网络设备配置文件数据进行网络仿真。
11.一种电子设备,包括:
一个或多个处理器;以及
存储装置,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1-8中任一项所述的方法。
12.一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器实现权利要求1-8中任一项所述的方法。
13.一种计算机程序产品,包括计算机可读指令,其中所述计算机可读指令被执行时用于实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110487708.4A CN113225213B (zh) | 2021-04-30 | 2021-04-30 | 网络设备配置文件转译和网络仿真的方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110487708.4A CN113225213B (zh) | 2021-04-30 | 2021-04-30 | 网络设备配置文件转译和网络仿真的方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113225213A true CN113225213A (zh) | 2021-08-06 |
CN113225213B CN113225213B (zh) | 2023-02-28 |
Family
ID=77090820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110487708.4A Active CN113225213B (zh) | 2021-04-30 | 2021-04-30 | 网络设备配置文件转译和网络仿真的方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113225213B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113746684A (zh) * | 2021-09-18 | 2021-12-03 | 中国工商银行股份有限公司 | 一种网络设备纳管方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111104796A (zh) * | 2019-12-18 | 2020-05-05 | 北京百度网讯科技有限公司 | 用于翻译的方法和装置 |
US20200192986A1 (en) * | 2018-12-17 | 2020-06-18 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for translating speech |
CN111611769A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 一种多种语言模型的文本转换方法及装置 |
CN111859991A (zh) * | 2020-07-29 | 2020-10-30 | 中国平安财产保险股份有限公司 | 语言翻译处理模型训练方法和语言翻译处理方法 |
-
2021
- 2021-04-30 CN CN202110487708.4A patent/CN113225213B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200192986A1 (en) * | 2018-12-17 | 2020-06-18 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for translating speech |
CN111611769A (zh) * | 2019-02-25 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 一种多种语言模型的文本转换方法及装置 |
CN111104796A (zh) * | 2019-12-18 | 2020-05-05 | 北京百度网讯科技有限公司 | 用于翻译的方法和装置 |
CN111859991A (zh) * | 2020-07-29 | 2020-10-30 | 中国平安财产保险股份有限公司 | 语言翻译处理模型训练方法和语言翻译处理方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113746684A (zh) * | 2021-09-18 | 2021-12-03 | 中国工商银行股份有限公司 | 一种网络设备纳管方法、装置、计算机设备及存储介质 |
CN113746684B (zh) * | 2021-09-18 | 2022-10-21 | 中国工商银行股份有限公司 | 一种网络设备纳管方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113225213B (zh) | 2023-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102401942B1 (ko) | 번역품질 평가 방법 및 장치 | |
US11093707B2 (en) | Adversarial training data augmentation data for text classifiers | |
US11775777B2 (en) | Artificial intelligence system using phrase tables to evaluate and improve neural network based machine translation | |
JP7112536B2 (ja) | テキストにおける実体注目点のマイニング方法および装置、電子機器、コンピュータ読取可能な記憶媒体並びにコンピュータプログラム | |
CN110717039A (zh) | 文本分类方法和装置、电子设备、计算机可读存储介质 | |
CN111931517B (zh) | 文本翻译方法、装置、电子设备以及存储介质 | |
JP2020501228A (ja) | 機械学習タスクの暗黙的ブリッジング | |
EP3923159A1 (en) | Method, apparatus, device and storage medium for matching semantics | |
CN109902301B (zh) | 基于深度神经网络的关系推理方法、装置及设备 | |
US20200227030A1 (en) | Adversarial Training Data Augmentation for Generating Related Responses | |
JP2023007367A (ja) | 語義表現モデルの訓練方法、装置、デバイス及び記憶媒体 | |
US20220358292A1 (en) | Method and apparatus for recognizing entity, electronic device and storage medium | |
CN109783824B (zh) | 基于翻译模型的翻译方法、装置及存储介质 | |
CN111488742B (zh) | 用于翻译的方法和装置 | |
CN110705273B (zh) | 基于神经网络的信息处理方法及装置、介质和电子设备 | |
JP2023518220A (ja) | 多様なテキストを自動的に生成する方法 | |
CN115238045B (zh) | 一种生成式事件论元抽取方法、系统及存储介质 | |
KR20230009345A (ko) | 텍스트 정보 추출 방법과 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 | |
CN111104796B (zh) | 用于翻译的方法和装置 | |
CN113225213B (zh) | 网络设备配置文件转译和网络仿真的方法、装置 | |
KR102608867B1 (ko) | 업계 텍스트를 증분하는 방법, 관련 장치 및 매체에 저장된 컴퓨터 프로그램 | |
CN108932225B (zh) | 用于将自然语言需求转换成为语义建模语言语句的方法和系统 | |
CN111695325B (zh) | 用于自然语言处理的基于解析树的向量化 | |
CN116644180A (zh) | 文本匹配模型的训练方法、训练系统和文本标签确定方法 | |
WO2021072864A1 (zh) | 文本相似度获取方法、装置、电子设备及计算机可读存储介质 |
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 |