CN113381943A - 一种智能组网通信处理方法及系统 - Google Patents

Abstract

本发明提供的一种智能组网通信处理方法及系统，所述方法包括：管理设备获取从各网络设备获取第一流量特征及第二流量特征；管理设备针对每种目标类型业务，根据第一流量特征和第二流量特征确定目标类型业务的维持状态；管理设备根据各目标类型业务的维持状态，确定与各目标类型业务对应的组网控制策略，并将组网控制策略下发至各网络设备；组网控制策略包括链路控制策略及限速控制策略；各网络设备根据接收到的组网控制策略执行相应的链路控制动作及限速控制动作。如此，可以实现链路控制策略和限速策略的自动下发，提高了智能组网系统的配置便利性，提升了智能组网系统的网络利用率。

Description

一种智能组网通信处理方法及系统

技术领域

本发明涉及智能组网技术领域，具体而言，涉及一种智能组网通信处理方法及系统。

背景技术

随着信息技术的不断发展，网络通信对于各行各业都十分重要。在一些场景中，需要位于不同地理位置的终端工作在同一个内网中，例如，位于全国不同位置的网点、分公司、营业点等等需要连接至同一内网中。

为了实现不同地理位置设备接入相同的内网，在现有技术的方案中常采用基于互联网安全协议(Internet Protocol Security，IPSec)的虚拟专用网络(Virtual PrivateNetwork，VPN)或者租用运营商的多协议标签交换(Multi-Protocol Label Switching，MPLS)专线。在实际使用过程中，为了保证各个不同业务的数据传输质量，需要对规划各种业务的使用的链路，并对设置个链路的限速，例如，需要保证较高传输质量的某些视频通话流量可以规划至使用MPLS专线，其他业务可以使用IPSec的VPN。但是，不同的传输链路能够承载的传输流量是有限的，在现有的方案中需要专门的网络维护人员根据业务的启动情况在通过在管理设备进行手动配置，再通过管理设备将链路使用策略或限速策略下发到各个网络设备，配置过程十分繁琐，容易出错。

发明内容

为了克服现有技术中的上述不足，本发明的目的在于提供一种智能组网通信处理方法，应用于包括管理设备和多个网络设备的智能组网通信处理系统，所述方法包括：

所述管理设备获取从各所述网络设备获取第一流量特征及第二流量特征；所述第一流量特征为距离当前时刻预设时长之前的第一时间段内的流量特征，所述第二流量特征为包括当前时刻的第二时间段的流量特征；

所述管理设备针对每种目标类型业务，根据所述第一流量特征和所述第二流量特征确定所述目标类型业务的维持状态；

所述管理设备根据各所述目标类型业务的维持状态，确定与各所述目标类型业务对应的组网控制策略，并将所述组网控制策略下发至各所述网络设备；所述组网控制策略包括链路控制策略及限速控制策略；

各所述网络设备根据接收到的组网控制策略执行相应的链路控制动作及限速控制动作。

在一些可能的实现方式中，所述根据所述第一流量特征和所述第二流量特征确定所述目标类型业务的维持状态的步骤，包括：

通过目标类型业务检测模型中的第一业务检测模型，根据所述第一流量特征确定第一业务维持概率以及第一业务流量特征，其中，所述第一业务维持概率表示所述第一流量特征中出现所述目标类型业务的概率；

通过所述目标类型业务检测模型中的第二业务检测模型，根据所述第二流量特征确定第二业务维持概率以及第二业务流量特征，其中，所述第二业务维持概率表示所述第二流量特征中出现所述目标类型业务的概率，所述第二业务检测模型与所述第一业务检测模型为孪生网络模型；

通过所述目标类型业务检测模型中的共用全连接层，根据所述第一业务流量特征以及所述第二业务流量特征确定所述第一业务流量特征和所述第二业务流量特征之间的差异程度值；

根据所述第一业务维持概率、所述第二业务维持概率及所述差异程度值，确定所述目标类型业务的维持状态。

在一些可能的实现方式中，所述根据所述第一业务维持概率、所述第二业务维持概率及所述差异程度值，确定所述目标类型业务的维持状态的步骤，包括：

若所述第一业务维持概率达到预设概率阈值且所述第二业务维持概率未达到预设概率阈值，则确定所述目标类型业务的已结束；

若所述第一业务维持概率未达到预设概率阈值且所述第二业务维持概率达到预设概率阈值，则确定所述目标类型业务的已启动；

若所述第一业务维持概率以及所述第二业务维持概率均达到预设概率阈值，且所述差异程度值未达到差异度阈值，则确定当前所述目标类型业务的维持数量未改变；

若所述第一业务维持概率以及所述第二业务维持概率均达到预设概率阈值，且所述差异程度值达到差异度阈值，则确定当前所述目标类型业务的维持数量发生改变；

所述根据各所述目标类型业务的维持状态，确定与各所述目标类型业务对应的组网控制策略的步骤，包括：

若检测到所述目标类型业务已结束，则回收为所述目标类型业务分配的链路；

若检测到所述目标类型业务已启动，则为所述目标类型业务分配目标链路，并生成链路控制策略，以控制所述网络设备将传输所述目标类型业务的数据的链路从临时链路切换至所述目标链路传输；

若检测到所述目标类型业务的维持数量改变，则生成限速控制策略，以控制所述网络设备调整所述目标链路的限速。

在一些可能的实现方式中，所述从各所述网络设备获取第一流量特征及第二流量特征，包括：

从各所述网络设备获取针对所述第一时间段及所述第二时间段的深度包检测结果及流量统计结果；

将各所述网络设备针对所述第一时间段的深度包检测结果及流量统计结果拼接为所述第一流量特征，将各所述网络设备针对所述第二时间段的深度包检测结果及流量统计结果拼接为所述第二流量特征。

在一些可能的实现方式中，所述通过目标类型业务检测模型中的第一业务检测模型，根据所述第一流量特征确定第一业务维持概率以及第一业务流量特征，包括：

通过所述第一业务检测模型中的卷积层，根据所述第一流量特征获取第一特征向量；

通过所述第一业务检测模型中的注意力机制层，根据所述第一特征向量确定所述第一业务维持概率；

通过所述第一业务检测模型中的特征提取层，根据所述第一特征向量获取所述第一业务流量特征；

所述通过所述目标类型业务检测模型中的第二业务检测模型，根据所述第二流量特征确定第二业务维持概率以及第二业务流量特征，包括：

通过所述第二业务检测模型中的卷积层，根据所述第二流量特征获取第二特征向量；

通过所述第二业务检测模型中的注意力机制层，根据所述第二特征向量确定所述第二业务维持概率；

通过所述第二业务检测模型中的特征提取层，根据所述第二特征向量获取所述第二业务流量特征；

所述通过所述第一业务检测模型中的注意力机制层，根据所述第一特征向量确定所述第一业务维持概率，包括：

根据所述第一特征向量生成第一特征矩阵；

对所述第一特征矩阵进行转置处理，得到第一转置特征矩阵；

通过所述第一业务检测模型中的注意力机制层，根据所述第一转置特征矩阵获取第一注意力特征向量；

通过所述第一业务检测模型中的第一子全连接层，根据所述第一注意力特征向量获取所述第一业务维持概率；

所述通过所述第二业务检测模型中的注意力机制层，根据所述第二特征向量确定所述第二业务维持概率，包括：

根据所述第二特征向量生成第二特征矩阵；

对所述第二特征矩阵进行转置处理，得到第二转置特征矩阵；

通过所述第二业务检测模型中的注意力机制层，根据所述第二转置特征矩阵获取第二注意力特征向量；

通过所述第二业务检测模型中的第二子全连接层，根据所述第二注意力特征向量获取所述第二业务维持概率。

在一些可能的实现方式中，所述通过所述第一业务检测模型中的特征提取层，根据所述第一特征向量获取所述第一业务流量特征，包括：

通过所述第一业务检测模型根据所述第一特征向量获取多个第一待拼接特征向量，所述多个第一拼接特征向量中包括通过平均池化层获得的向量；

通过所述第一业务检测模型中的特征提取层，根据所述多个第一待拼接特征向量获取所述第一业务流量特征；

所述通过所述第二业务检测模型中的特征提取层，根据所述第二特征向量获取所述第二业务流量特征，包括：

通过所述第二业务检测模型根据所述第二特征向量获取多个第二待拼接特征向量，所述多个第二拼接特征向量中包括通过平均池化层获得的向量；

通过所述第二业务检测模型中的特征提取层，根据所述多个第二待拼接特征向量获取所述第二业务流量特征。

在一些可能的实现方式中，所述通过所述目标类型业务检测模型中的共用全连接层，根据所述第一业务流量特征以及所述第二业务流量特征确定所述第一业务流量特征和所述第二业务流量特征之间的差异程度值，包括：

对所述第一业务流量特征以及所述第二业务流量特征中相同位置上的元素进行相减，得到第一差异流量特征；

对所述第一差异流量特征进行取绝对值处理，得到第二差异流量特征；

基于所述第二差异流量特征，通过所述共用全连接层获取所述差异程度值。

在一些可能的实现方式中，所述方法包括：

获取训练样本组合，其中，所述训练样本组合包括第三流量特征以及第四流量特征，所述第三流量特征对应于第一业务标签，所述第四流量特征对应于第二业务标签，所述训练样本组合对应于相似度标签；

通过待训练目标类型业务检测模型中的第一业务检测模型，根据所述第三流量特征获取第三业务维持概率以及第三业务流量特征，其中，所述第三业务维持概率表示所述第三流量特征中出现所述目标类型业务的概率；

通过所述待训练目标类型业务检测模型中的第二业务检测模型，根据所述第四流量特征获取第四业务维持概率以及第四业务流量特征，其中，所述第四业务维持概率表示所述第四流量特征中出现所述目标类型业务的概率；

通过所述待训练目标类型业务检测模型中的共用全连接层，根据所述第三业务流量特征以及所述第四业务流量特征，获取所述第三业务流量特征和所述第四业务流量特征之间的差异程度值；

根据所述第一业务标签、所述第三业务维持概率、所述第二业务标签、所述第四业务维持概率、所述第四业务维持概率、所述相似度标签以及所述差异程度值，对所述待训练目标类型业务检测模型进行训练，当满足模型训练条件时，获得训练完成的目标类型业务检测模型。

在一些可能的实现方式中，所述根据所述第一业务标签、所述第三业务维持概率、所述第二业务标签、所述第四业务维持概率、所述第四业务维持概率、所述相似度标签以及所述差异程度值，对所述待训练目标类型业务检测模型进行训练，包括：

根据所述第一业务标签以及所述第三业务维持概率，采用第一损失函数确定第一损失值；

根据所述第二业务标签以及所述第四业务维持概率，采用第二损失函数确定第二损失值；

根据所述相似度标签以及所述差异程度值，采用第三损失函数确定第三损失值；

根据所述第一损失值、所述第二损失值和第三损失值，更新所述待训练目标类型业务检测模型的模型参数。

本发明的另一目的在于提供一种智能组网通信处理系统，所述智能组网通信处理系统包括管理设备和多个网络设备；

所述管理设备用于获取从各所述网络设备获取第一流量特征及第二流量特征；所述第一流量特征为距离当前时刻预设时长之前的第一时间段内的流量特征，所述第二流量特征为包括当前时刻的第二时间段的流量特征；针对每种目标类型业务，根据所述第一流量特征和所述第二流量特征确定所述目标类型业务的维持状态；根据各所述目标类型业务的维持状态，确定与各所述目标类型业务对应的组网控制策略，并将所述组网控制策略下发至各所述网络设备；所述组网控制策略包括链路控制策略及限速控制策略；

所述网络设备用于根据接收到的组网控制策略执行相应的链路控制动作及限速控制动作。

相对于现有技术而言，本发明具有以下有益效果：

本发明提供的智能组网通信处理方法及系统，由控制设备根据各网络设备在不同时间段的第一流量特征和第二流量特征进行分析，确定目标类型业务的维持状态，进而根据目标类型业务的维持状态下发相应的链路控制策略和限速策略。如此，可以实现链路控制策略和限速策略的自动下发，提高了智能组网系统的配置便利性，提升了智能组网系统的网络利用率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例提供的智能组网通信处理的示意图；

图2为本发明实施例提供的智能组网通信处理方法的步骤流程示意图；

图3为本发明实施例提供的步骤S120的子步骤流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

请参照图1，图1为本实施例提供的一种智能组网系统的示意图，该智能组网系统可以包括管理设备100及多个网络设备200。智能组网系统可以采用基于软件定义广域网(Software-Defined Wide Area Network，SD-WAN)技术的架构，管理设备100可以为SD-WAN控制器，各所述网络设备200可以为用户驻地设备(customer premises equipment，CPE)。

各所述网络设备200可以采用多种连接方式，比如内部网络、MPLS网络连接、互联网(Internet)连接、长期演进网络(long term evolution，LTE)、以及MPLS与Internet混合连接(也称为hybrid-link)等。例如，各个网络设备200可以设置在不同的位置，各网络设备200之间可以通过内部网络、互联网或运营提供的MPLS专线相互通信，各网络设备200还可以通过网络与管理设备100通信连接。网络管理设备100可以从各网络设备200获取信息，并向各网络设备200下发组网控制策略以指导各网络设备200执行相应的转发链路选择和链路限速动作。

在本实施例中，所述管理设备100用于获取从各所述网络设备200获取第一流量特征及第二流量特征；所述第一流量特征为距离当前时刻预设时长之前的第一时间段内的流量特征，所述第二流量特征为包括当前时刻的第二时间段的流量特征；针对每种目标类型业务，根据所述第一流量特征和所述第二流量特征确定所述目标类型业务的维持状态；根据各所述目标类型业务的维持状态，确定与各所述目标类型业务对应的组网控制策略，并将所述组网控制策略下发至各所述网络设备200；所述组网控制策略包括链路控制策略及限速控制策略。

所述网络设备200用于根据接收到的组网控制策略执行相应的链路控制动作及限速控制动作。

请参照图2，图2为本实施例提供的一种应用于图1所示智能组网通信处理系统的智能组网通信处理方法，下面对该方法的各个步骤进行详细解释。

步骤S110，所述管理设备获取从各所述网络设备获取第一流量特征及第二流量特征。所述第一流量特征为距离当前时刻预设时长之前的第一时间段内的流量特征，所述第二流量特征为包括当前时刻的第二时间段的流量特征。

在一些可能的实现方式中，所述管理设备可以定时地从各网络设备获取流量特征，例如，每间隔5分钟从各网络设备获取一次流量特征，每次获取1时长为1分钟内流量的流量特征。然后所述管理设备可以根据之前获取的流量特征和最近获取的流量特征，通过后续步骤判断目标类型业务的维持状态。

由于网路设备之间传输的数据包可能因为加密或因传输协议封装而无法直接获取其数据包类型或者真实的源目的地址，在本实施例中所述管理设备可以从各所述网络设备获取针对所述第一时间段及所述第二时间段的深度包检测(Deep Packet Inspection，DPI)结果及流量统计结果，然后将各所述网络设备针对所述第一时间段的深度包检测结果及流量统计结果拼接为所述第一流量特征，将各所述网络设备针对所述第二时间段的深度包检测结果及流量统计结果拼接为所述第二流量特征。其中，所述深度包检测结果可以包括数据包的通信特征信息(如五元组)、数据包的固定字节信息等。

在一些可能的实现方式中，管理设备可以根据当前各个网络设备的网络带宽占用情况动态地调整获取所述第一流量特征和所述第二流量特征的频率。例如，在各个所述网络设备带宽占用情况较高的情况下(高于某设定阈值)，需要及时对链路使用策略或限速策略进行调整，保证链路的利用率，因此所述管理设备可以以较高的频率获取所述第一流量特征和所述第二流量特征，从而能够及时的确定所述目标类型业务的维持状态。在各个所述网络带宽占用情况较低的情况下(低于某设定阈值)，各个网络设备的当前的带宽可以在进行调整的情况下维持各项业务的高质量传输，则所述管理设备可以以较低的平率获取第一流量特征和所述第二流量特征，从而减少无效的数据获取和分析动作。

在另一些可能的实现方式中，所述管理设备可以直接从各所述网络设备获取所述第一时间段和所述第二时间段内收发的数据包的镜像文件。然后由所述管理设备根据收到的所述第一时间段和所述第二时间段内收发的数据包的镜像文件进行打包或者拼接后输入预先训练的预处理模型，通过所述预处理模型根据输入的数据进行特征提取，获得所述第一流量特征和所述第二流量特征。例如，所述管理设备可以向所述网络设备下发转发策略，该转发策略可以指示网络设备定时地将一段时长内(如，第一时间段、第二时间段)自身发送和/或收到的数据包的镜像文件发送至所述管理设备，然后由所述管理设备根据接收到的镜像文件提取所述第一流量特征和所述第二流量特征。

步骤S120，所述管理设备针对每种目标类型业务，根据所述第一流量特征和所述第二流量特征确定所述目标类型业务的维持状态。

在本实施例中，所述管理设备可以针对目标类型业务采用相应的机器学习模型进行识别，对所述第一流量特征和所述第二流量特征进行分析识别从而确定目标类型业务的维持状态。

步骤S130，所述管理设备根据各所述目标类型业务的维持状态，确定与各所述目标类型业务对应的组网控制策略，并将所述组网控制策略下发至各所述网络设备；所述组网控制策略包括链路控制策略及限速控制策略。

在本实施例中，所述管理设备可以预先存储有不同的所述目标类型业务对不同的链路使用的优先值。在确定各所述目标类型业务的维持状态后，所述管理设备可以根据各所述目标类型业务对应各链路的优先值，为每个各所述目标类型业务分配相应的链路，得到所述链路控制策略。针对某些目标类型业务，可能存在两种或多种所述目标类型业务需要使用同一链路的情况下，所述管理设备还可以结合从各所述网络设备获取的流量统计数据，确定各目标类型业务对应的链路允许带宽，得到所述限速控制策略。

步骤S140，各所述网络设备根据接收到的组网控制策略执行相应的链路控制动作及限速控制动作。

基于上述设计，在本实施例中，所述管理设备可以根据从所述网络设备获取到的第一流量特征和第二流量特征确定出各所述目标类型业务的维持状态，从而自动地根据各所述目标类型业务的维持状态生成相应的链路控制策略和限速策略，以指导网络设备的数据转发动作，从而实现了智能组网控制，不需要用户进行专门的设置，提高了整个组网系统配置的效率，减少了人工配置动作出错的可能。

具体地，在本实施例中，所述管理设备中可以预先配置有针对不同的目标类型业务的目标类型业务检测模型。其中，不同的目标类型业务可以包括视频通话业务、远程桌面连接业务、内网文件传输业务、外网文件传输业务、内网软件联合测试连接业务等等。每种目标类型业务可以具有可变的数量，例如视频通话类型的业务可以包括一个或多个视频通过连接，远程桌面连接类型的业务可以包括一个或多个远程桌面连接。而目标类型业务所具有的连接数量会影响深度包检测和流量统计的结果，进而影响获取到的第一流量特征和第二流量特征。

所述目标类型业务检测模型采用孪生网络(Siamese network)的网络结构，包含第一业务检测模型、第二业务检测模型和共用全连接层，所述第一业务检测模型和第二业务检测模型之间共享权重参数。所述第一业务检测模型和所述第二业务检测模型各自接受不同输入，将其映射至高维特征空间，并输出对应的表征。通过计算两个表征的欧式距离，可以比较两个输入的差异程度，两个子网络的权重可以由能量函数或分类损失优化。在所述目标类型业务检测模型的顶层还包括一绝对值相减的函数及后续连接的共用全连接层(Full Connection，FC)，其用于进行特征之间差异程度。

请参见图3，图3为图2所示步骤S120的子步骤流程示意图，下面结合图3所该步骤进行详细阐述。

步骤S121，通过目标类型业务检测模型中的第一业务检测模型，根据所述第一流量特征确定第一业务维持概率以及第一业务流量特征，其中，所述第一业务维持概率表示所述第一流量特征中出现所述目标类型业务的概率。

步骤S122，通过所述目标类型业务检测模型中的第二业务检测模型，根据所述第二流量特征确定第二业务维持概率以及第二业务流量特征，其中，所述第二业务维持概率表示所述第二流量特征中出现所述目标类型业务的概率。

本实施例中，将第一流量特征和第二流量特征作为目标类型业务检测模型的输入，可计算流量数据集之间的差异程度以及含有目标类型业务的数据可能性。因为你目标类型业务检测模型为孪生网络的结构，第一业务检测模型和第二业务检测模型之间的网络参数是共享的，共享的网络参数能够保证两个极其相似的特征向量通过各自的网络映射到特征空间中较为相似的位置。目标类型业务检测模型就有孪生网络的对称性，能够保证两个不同的流量数据集在输入第一业务检测模型和第二业务检测模型中后，顶层的函数能够获取相同的相似度。

步骤S123，通过所述目标类型业务检测模型中的共用全连接层，根据所述第一业务流量特征以及所述第二业务流量特征确定所述第一业务流量特征和所述第二业务流量特征之间的差异程度值。

本实施例中，第一业务检测模型可以包括卷积层、注意力机制层、特征提取层和第一子全连接层，第二业务检测模型也可以相似的包括卷积层、注意力机制层、特征提取层第二子全连接层。由第一业务检测模型中的注意力机制层以及第一子全连接层输出第一业务维持概率，并且由第二业务检测模型中的注意力机制层以及第二子全连接层输出第二业务维持概率。由第一业务检测模型中的特征提取层输出第一业务流量特征，并且由第二业务检测模型中的特征提取层输出第二业务流量特征。将第一业务流量特征和第二业务流量特征共同输入至共用全连接层，由此得到差异程度值。

步骤S124，根据所述第一业务维持概率、所述第二业务维持概率及所述差异程度值，确定所述目标类型业务的维持状态。

具体地，在本实施例中，若所述第一业务维持概率达到预设概率阈值且所述第二业务维持概率未达到预设概率阈值，则说明在第一时间段存在所述目标类型业务，而在所述第二时间段不存在所述目标类型业务，因此所述管理设备可以确定所述目标类型业务的已结束。

若所述第一业务维持概率未达到预设概率阈值且所述第二业务维持概率达到预设概率阈值，则说明在第一时间段不存在所述目标类型业务，而在所述第二时间段存在所述目标类型业务，因此所述管理设备可以确定所述目标类型业务的已启动。

若所述第一业务维持概率以及所述第二业务维持概率均达到预设概率阈值，且所述差异程度值未达到差异度阈值，则说明在第一时间段和第二时间段都存在所述目标类型业务，并且在第一时间段和第二时间段中，目标类型业务的流量特征相似度较高，因此管理设备可以确定当前所述目标类型业务的维持数量未改变。

若所述第一业务维持概率以及所述第二业务维持概率均达到预设概率阈值，且所述差异程度值达到差异度阈值，则说明在第一时间段和第二时间段都存在所述目标类型业务，并且在第一时间段和第二时间段中，目标类型业务的流量特征相似度较低，因此管理设备可以确定当前所述目标类型业务的维持数量发生改变。

例如，在检测到视频通话类型的业务启动时，为视频通话类型的业务分配MPLS专线的链路，所述管理设备向所述网络设备下发相应的链路控制策略，使网络设备将视频通话类型的业务从当前默认的临时链路切换至使用MPLS专线链路。

在检测到视频通话类型的业务结束时，可以将之前分配给视频通话类型的业务的MPLS专线的链路回收，并分配给其他的业务使用，所述管理设备向所述网络设备下发相应的链路控制策略，使网络设备将其他类型的业务切换至使用MPLS专线链路。

在检测到视频通话类型的业务的数量产生变化时，所述管理设备可以结合网络设备的流量统计结果确定视频通话类型的业务的数量增减方向，然后下发相应的限速控制策略，使网络设备增加或减少分配给视频通话业务的MPLS专线链路的带宽。

针对上述情况，在步骤S130中，管理设备可以分别执行下述动作。

若检测到所述目标类型业务已结束，则不再需要为该目标类型的保留分配的链路，之前为其分配的链路可以给其他业务使用，因此所述管理设备可以回收为所述目标类型业务分配的链路。

若检测到所述目标类型业务已启动，则当前目标类型业务的流量在使用默认的临时链路传输，为了保证传输质量需要为其分配专门的链路。因此，所述管理设备可以为所述目标类型业务分配目标链路，并生成链路控制策略，以控制所述网络设备将传输所述目标类型业务的数据的链路从临时链路切换至所述目标链路传输。

若检测到所述目标类型业务的维持数量改变，则说明目标类型业务的维持数量可能发生增减，则所述管理设备可以在结合流量统计数据生成限速控制策略，以控制所述网络设备调整所述目标链路的限速。

在一些可能的实现方式中，在步骤S121中，可以先通过所述第一业务检测模型中的卷积层，根据所述第一流量特征获取第一特征向量。然后通过所述第一业务检测模型中的注意力机制层，根据所述第一特征向量确定所述第一业务维持概率。在通过所述第一业务检测模型中的特征提取层，根据所述第一特征向量获取所述第一业务流量特征。

在步骤S122中，可以先通过所述第二业务检测模型中的卷积层，根据所述第二流量特征获取第二特征向量。然后通过所述第二业务检测模型中的注意力机制层，根据所述第二特征向量确定所述第二业务维持概率。在通过所述第二业务检测模型中的特征提取层，根据所述第二特征向量获取所述第二业务流量特征。

本实施例中，由于目标类型业务检测模型属于孪生网络的结构，因此目标类型业务检测模型中的第一业务检测模型与第二业务检测模型具有相似的结构，第一业务检测模型和第二业务检测模型包括两个分支，一个分支为包括共用的卷积层、单独的注意力机制层以及单独的第一子全连接层，另一个分支为流量相似度分支，该流量相似度分支包括共用的卷积层、单独的特征提取层以及和全连接层。

针对所述第一流量特征，将第一流量特征输入至第一业务检测模型中的卷积层，通过卷积层输出特第一特征向量。然后，分别将第一特征向量作为注意力机制层和特征提取层的输入，将注意力机制层的输出结果输入至第一业务检测模型中第一子全连接层，由此得到输出第一业务维持概率。

针对所述第二流量特征，将第二流量特征输入至第二业务检测模型中的卷积层，通过卷积层输出特第二特征向量。然后，分别将第二特征向量作为注意力机制层和特征提取层的输入，将注意力机制层的输出结果输入至第二业务检测模型中第二子全连接层，由此得到输出第二业务维持概率，

同时由第一业务检测模型和第二业务识别模型的特征提取层输出的数据共同输入至共有全连接层，得到所述差异程度值。

在一些可能的实现方式中，在执行所述通过所述第一业务检测模型中的注意力机制层，根据所述第一特征向量确定所述第一业务维持概率时，可以根据所述第一特征向量生成第一特征矩阵；对所述第一特征矩阵进行转置处理，得到第一转置特征矩阵；通过所述第一业务检测模型中的注意力机制层，根据所述第一转置特征矩阵获取第一注意力特征向量；通过所述第一业务检测模型中的全连接层，根据所述第一注意力特征向量获取所述第一业务维持概率。

在执行通过所述第二业务检测模型中的注意力机制层，根据所述第二特征向量确定所述第二业务维持概率时，可以根据所述第二特征向量生成第二特征矩阵；对所述第二特征矩阵进行转置处理，得到第二转置特征矩阵；通过所述第二业务检测模型中的注意力机制层，根据所述第二转置特征矩阵获取第二注意力特征向量；通过所述第二业务检测模型中的全连接层，根据所述第二注意力特征向量获取所述第二业务维持概率。

在本实施例中，提取获得的第一特征向量和第二特征向量为一个N项*L层的向量，可以因此可以将其转换为N*L的特征矩阵，为何后续能够更好利用注意力机制进行特征提取，将获得的特征矩阵进行转换至，然后再由注意力机制层处理。最后得出业务维持概率为大于等于0，且小于等于1的数值。

在一些可能的实现方式中，在通过所述第一业务检测模型中的特征提取层，根据所述第一特征向量获取所述第一业务流量特征时，可以通过所述第一业务检测模型根据所述第一特征向量获取多个第一待拼接特征向量，所述多个第一拼接特征向量中包括通过平均池化层获得的向量；通过所述第一业务检测模型中的特征提取层，根据所述多个第一待拼接特征向量获取所述第一业务流量特征。

在通过所述第二业务检测模型中的特征提取层，根据所述第二特征向量获取所述第二业务流量特征时，可以通过所述第二业务检测模型根据所述第二特征向量获取多个第二待拼接特征向量，所述多个第二拼接特征向量中包括通过平均池化层获得的向量；通过所述第二业务检测模型中的特征提取层，根据所述多个第二待拼接特征向量获取所述第二业务流量特征。

本实施例中，为了能够生成更具有信息量的高维特征，在特征提取层采用了开端(Inception)模型以及平均池化层。在Inception模块中包括了平均池化层，通过Inception模块可以将输入的第一特征向量或第二特征向量转化为多个第一拼接特征向量或第二拼接特征向量。其中，多个第一拼接特征向量中包括由第一业务检测模型中的特征提取层中的平均池化层处理获得的向量，多个第二拼接特征向量中包括由第二业务检测模型中的特征提取层中的平均池化层处理获得的向量。通过加入了Inception模块以及平均池化操作，可以使提取的流量特征更具有意义。

在一些可能的实现方式中，在步骤S123中，可以对所述第一业务流量特征以及所述第二业务流量特征中相同位置上的元素进行相减，得到第一差异流量特征；对所述第一差异流量特征进行取绝对值处理，得到第二差异流量特征；基于所述第二差异流量特征，通过所述共用全连接层获取所述差异程度值。

本实施例中，在基于第一业务检测模型获取到的第一业务流量特征，以及基于第二业务检测模型获取到的第二业务流量特征之后，可以对第一业务流量特征以及第二业务流量特征中相同位置上的元素进行相减，从而得到第一差异流量特征。

如果差异程度值越接近0，则表示第一流量特征内的和所述目标类型业务相关的流量与第二流量特征内的和所述目标类型业务相关的流量越相似，反之，如果差异程度值越接近1，则表示第一流量特征内的和所述目标类型业务相关的流量与第二流量特征内的和所述目标类型业务相关的流量越不同。

提供了一种基于全连接层出差异程度值的方式，通过上述方式，在得到第一业务流量特征以及第二业务流量特征之后，对两个特征向量进行绝对值相减操作，从而得到两个流量数据集之间的差异，有利于输出更准确地判定结果。

在本实施例中，还可以包括对所述目标类型业务检测模型进行训练的步骤。

步骤S210，获取训练样本组合，其中，所述训练样本组合包括第三流量特征以及第四流量特征，所述第三流量特征对应于第一业务标签，所述第四流量特征对应于第二业务标签，所述训练样本组合对应于相似度标签。

步骤S220，通过待训练目标类型业务检测模型中的第一业务检测模型，根据所述第三流量特征获取第三业务维持概率以及第三业务流量特征，其中，所述第三业务维持概率表示所述第三流量特征中出现所述目标类型业务的概率；

步骤S230，通过所述待训练目标类型业务检测模型中的第二业务检测模型，根据所述第四流量特征获取第四业务维持概率以及第四业务流量特征，其中，所述第四业务维持概率表示所述第四流量特征中出现所述目标类型业务的概率；

步骤S240，通过所述待训练目标类型业务检测模型中的共用全连接层，根据所述第三业务流量特征以及所述第四业务流量特征，获取所述第三业务流量特征和所述第四业务流量特征之间的差异程度值；

步骤S250，根据所述第一业务标签、所述第三业务维持概率、所述第二业务标签、所述第四业务维持概率、所述第四业务维持概率、所述相似度标签以及所述差异程度值，对所述待训练目标类型业务检测模型进行训练，当满足模型训练条件时，获得训练完成的目标类型业务检测模型。

本实施例中，训练样本组合可以来自历史针对各网络设备的历史流量特征记录。对第三流量特征和第四流量特征分别进行标注，标注的方式可以是人工标注，也可以是机器自动标注，此处不做限定。标注的内容包括业务标签，例如，业务标签为“0”，表示对应的流量数据集样本中没有目标类型业务的流量数据内容，而业务标签为“1”，表示对应的流量数据集样本中有目标类型业务的流量数据内容。

此外，标注的内容还包括第三流量特征和第四流量特征的相似度标签，例如，相似度标签为“0”，表示第三流量特征和第四流量特征具有相似的流量特征，而相似度标签为“1”，表示第三流量特征和第四流量特征具有不同的流量特征。

以第三流量特征和第四流量特征构成的流量数据集对为例，模型训练装置将第三流量特征输入至待训练目标类型业务检测模型中的第一业务检测模型，由第一业务检测模型输出第三业务维持概率以及第三业务流量特征。其中，待训练目标类型业务检测模型采用孪生网络的网络结构，孪生网络包含两个子网络，即第一业务检测模型和第二业务检测模型，第一业务检测模型和第二业务检测模型各自接受不同输入，将其映射至高维特征空间，并输出对应的表征。通过计算两个表征的欧式距离，可以比较两个输入的相似程度，第一业务检测模型和第二业务检测模型的权重可以由能量函数或分类损失优化。在待训练目标类型业务检测模型的顶层还包括一个绝对值相减的函数及后面连接共用全连接层，其用于进行相似度计算。

将第三流量特征和第四流量特征作为待训练目标类型业务检测模型的输入，可计算流量数据集之间流量特征的相似程度以及含有目标类型业务员的数据流量的可能性。由于待训练目标类型业务检测模型为孪生网络的结构，因此，第一业务检测模型和第二业务检测模型之间的网络参数是共享的，能够保证两个极其相似的特征通过各自的网络映射到特征空间中相似位置，因为第一业务检测模型和第二业务检测模型都计算相同的功能，即两个极其相似的流量特征被映射到特征空间中的相似位置。待训练目标类型业务检测模型是对称的，这样能够保证两个不同的流量数据集在输入到第一业务检测模型和第二业务检测模型中时，顶层的能量函数能够获取相同的相似度。

第三业务流量特征以及第四业务流量特征，输入至待训练目标类型业务检测模型中的全连接层，通过全连接层输出第三流量特征与第四流量特征之间的差异程度值。

将第一业务标签作为第三流量特征的目标类型业务概率真实值，将第三业务维持概率作为第三流量特征的目标类型业务概率预测值，并且，将第二业务标签作为第四流量特征的目标类型业务概率真实值，将第四业务维持概率作为第四流量特征的目标类型业务概率预测值，并且，将相似度标签作为真实值，将差异程度值作为预测值。

具体地，基于真实值与预测值之间的损失值，对待训练目标类型业务检测模型进行训练。如果达到预先设定的迭代次数，或者损失值已经达到收敛，则表示已满足模型训练条件，因此，将最近一次更新得到的模型参数作为目标类型业务检测模型的模型参数，即完成对待训练目标类型业务检测模型的训练，得到目标类型业务检测模型。

基于上述设计，本实施例中，使用孪生网络判断流量数据集中是否包含目标类型业务的数据，能够判断出相似度较高的流量数据集，从而提升了针对于目标类型业务位置状态的检测效率。

在一种可能的实现方式中，在所述根据所述第一业务标签、所述第三业务维持概率、所述第二业务标签、所述第四业务维持概率、所述第四业务维持概率、所述相似度标签以及所述差异程度值，对所述待训练目标类型业务检测模型进行训练时，可以根据所述第一业务标签以及所述第三业务维持概率，采用第一损失函数确定第一损失值；根据所述第二业务标签以及所述第四业务维持概率，采用第二损失函数确定第二损失值；根据所述相似度标签以及所述差异程度值，采用第三损失函数确定第三损失值；根据所述第一损失值、所述第二损失值和第三损失值，更新所述待训练目标类型业务检测模型的模型参数。

通过上述方式，可采用多任务损失函数对目标类型业务检测模型中的多个任务进行训练，由此，同时兼顾特征共享部分和任务特定部分，既需要学习任务间的泛化表示，避免过拟合，也需要学习每个任务独有的特征，避免欠拟合。

综上所述，本发明提供的智能组网通信处理方法及系统，由控制设备根据各网络设备在不同时间段的第一流量特征和第二流量特征进行分析，确定目标类型业务的维持状态，进而根据目标类型业务的维持状态下发相应的链路控制策略和限速策略。如此，可以实现链路控制策略和限速策略的自动下发，提高了智能组网系统的配置便利性，提升了智能组网系统的网络利用率。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、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，所述模块、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方式中，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，两个连续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，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动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。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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部分可以以软件产品的形式体现出来，该计算机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台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述，仅为本发明的各种实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种智能组网通信处理方法，其特征在于，应用于包括管理设备和多个网络设备的智能组网通信处理系统，所述方法包括：

所述管理设备获取从各所述网络设备获取第一流量特征及第二流量特征；所述第一流量特征为距离当前时刻预设时长之前的第一时间段内的流量特征，所述第二流量特征为包括当前时刻的第二时间段的流量特征；

所述管理设备针对每种目标类型业务，根据所述第一流量特征和所述第二流量特征确定所述目标类型业务的维持状态；

所述管理设备根据各所述目标类型业务的维持状态，确定与各所述目标类型业务对应的组网控制策略，并将所述组网控制策略下发至各所述网络设备；所述组网控制策略包括链路控制策略及限速控制策略；

各所述网络设备根据接收到的组网控制策略执行相应的链路控制动作及限速控制动作。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一流量特征和所述第二流量特征确定所述目标类型业务的维持状态的步骤，包括：

通过目标类型业务检测模型中的第一业务检测模型，根据所述第一流量特征确定第一业务维持概率以及第一业务流量特征，其中，所述第一业务维持概率表示所述第一流量特征中出现所述目标类型业务的概率；

通过所述目标类型业务检测模型中的第二业务检测模型，根据所述第二流量特征确定第二业务维持概率以及第二业务流量特征，其中，所述第二业务维持概率表示所述第二流量特征中出现所述目标类型业务的概率，所述第二业务检测模型与所述第一业务检测模型为孪生网络模型；

通过所述目标类型业务检测模型中的共用全连接层，根据所述第一业务流量特征以及所述第二业务流量特征确定所述第一业务流量特征和所述第二业务流量特征之间的差异程度值；

根据所述第一业务维持概率、所述第二业务维持概率及所述差异程度值，确定所述目标类型业务的维持状态。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一业务维持概率、所述第二业务维持概率及所述差异程度值，确定所述目标类型业务的维持状态的步骤，包括：

若所述第一业务维持概率达到预设概率阈值且所述第二业务维持概率未达到预设概率阈值，则确定所述目标类型业务的已结束；

若所述第一业务维持概率未达到预设概率阈值且所述第二业务维持概率达到预设概率阈值，则确定所述目标类型业务的已启动；

若所述第一业务维持概率以及所述第二业务维持概率均达到预设概率阈值，且所述差异程度值未达到差异度阈值，则确定当前所述目标类型业务的维持数量未改变；

若所述第一业务维持概率以及所述第二业务维持概率均达到预设概率阈值，且所述差异程度值达到差异度阈值，则确定当前所述目标类型业务的维持数量发生改变；

所述根据各所述目标类型业务的维持状态，确定与各所述目标类型业务对应的组网控制策略的步骤，包括：

若检测到所述目标类型业务已结束，则回收为所述目标类型业务分配的链路；

若检测到所述目标类型业务已启动，则为所述目标类型业务分配目标链路，并生成链路控制策略，以控制所述网络设备将传输所述目标类型业务的数据的链路从临时链路切换至所述目标链路传输；

若检测到所述目标类型业务的维持数量改变，则生成限速控制策略，以控制所述网络设备调整所述目标链路的限速。

4.根据权利要求1所述的方法，其特征在于，所述从各所述网络设备获取第一流量特征及第二流量特征，包括：

从各所述网络设备获取针对所述第一时间段及所述第二时间段的深度包检测结果及流量统计结果；

将各所述网络设备针对所述第一时间段的深度包检测结果及流量统计结果拼接为所述第一流量特征，将各所述网络设备针对所述第二时间段的深度包检测结果及流量统计结果拼接为所述第二流量特征。

5.根据权利要求2所述的方法，其特征在于，所述通过目标类型业务检测模型中的第一业务检测模型，根据所述第一流量特征确定第一业务维持概率以及第一业务流量特征，包括：

通过所述第一业务检测模型中的卷积层，根据所述第一流量特征获取第一特征向量；

通过所述第一业务检测模型中的注意力机制层，根据所述第一特征向量确定所述第一业务维持概率；

通过所述第一业务检测模型中的特征提取层，根据所述第一特征向量获取所述第一业务流量特征；

所述通过所述目标类型业务检测模型中的第二业务检测模型，根据所述第二流量特征确定第二业务维持概率以及第二业务流量特征，包括：

通过所述第二业务检测模型中的卷积层，根据所述第二流量特征获取第二特征向量；

通过所述第二业务检测模型中的注意力机制层，根据所述第二特征向量确定所述第二业务维持概率；

通过所述第二业务检测模型中的特征提取层，根据所述第二特征向量获取所述第二业务流量特征；

所述通过所述第一业务检测模型中的注意力机制层，根据所述第一特征向量确定所述第一业务维持概率，包括：

根据所述第一特征向量生成第一特征矩阵；

对所述第一特征矩阵进行转置处理，得到第一转置特征矩阵；

通过所述第一业务检测模型中的注意力机制层，根据所述第一转置特征矩阵获取第一注意力特征向量；

通过所述第一业务检测模型中的第一子全连接层，根据所述第一注意力特征向量获取所述第一业务维持概率；

所述通过所述第二业务检测模型中的注意力机制层，根据所述第二特征向量确定所述第二业务维持概率，包括：

根据所述第二特征向量生成第二特征矩阵；

对所述第二特征矩阵进行转置处理，得到第二转置特征矩阵；

通过所述第二业务检测模型中的注意力机制层，根据所述第二转置特征矩阵获取第二注意力特征向量；

通过所述第二业务检测模型中的第二子全连接层，根据所述第二注意力特征向量获取所述第二业务维持概率。

6.根据权利要求5所述的方法，其特征在于，所述通过所述第一业务检测模型中的特征提取层，根据所述第一特征向量获取所述第一业务流量特征，包括：

通过所述第一业务检测模型根据所述第一特征向量获取多个第一待拼接特征向量，所述多个第一拼接特征向量中包括通过平均池化层获得的向量；

通过所述第一业务检测模型中的特征提取层，根据所述多个第一待拼接特征向量获取所述第一业务流量特征；

所述通过所述第二业务检测模型中的特征提取层，根据所述第二特征向量获取所述第二业务流量特征，包括：

通过所述第二业务检测模型根据所述第二特征向量获取多个第二待拼接特征向量，所述多个第二拼接特征向量中包括通过平均池化层获得的向量；

通过所述第二业务检测模型中的特征提取层，根据所述多个第二待拼接特征向量获取所述第二业务流量特征。

7.根据权利要求2所述的方法，其特征在于，所述通过所述目标类型业务检测模型中的共用全连接层，根据所述第一业务流量特征以及所述第二业务流量特征确定所述第一业务流量特征和所述第二业务流量特征之间的差异程度值，包括：

对所述第一业务流量特征以及所述第二业务流量特征中相同位置上的元素进行相减，得到第一差异流量特征；

对所述第一差异流量特征进行取绝对值处理，得到第二差异流量特征；

基于所述第二差异流量特征，通过所述共用全连接层获取所述差异程度值。

8.根据权利要求2所述的方法，其特征在于，所述方法包括：

获取训练样本组合，其中，所述训练样本组合包括第三流量特征以及第四流量特征，所述第三流量特征对应于第一业务标签，所述第四流量特征对应于第二业务标签，所述训练样本组合对应于相似度标签；

通过待训练目标类型业务检测模型中的第一业务检测模型，根据所述第三流量特征获取第三业务维持概率以及第三业务流量特征，其中，所述第三业务维持概率表示所述第三流量特征中出现所述目标类型业务的概率；

通过所述待训练目标类型业务检测模型中的第二业务检测模型，根据所述第四流量特征获取第四业务维持概率以及第四业务流量特征，其中，所述第四业务维持概率表示所述第四流量特征中出现所述目标类型业务的概率；

通过所述待训练目标类型业务检测模型中的共用全连接层，根据所述第三业务流量特征以及所述第四业务流量特征，获取所述第三业务流量特征和所述第四业务流量特征之间的差异程度值；

根据所述第一业务标签、所述第三业务维持概率、所述第二业务标签、所述第四业务维持概率、所述第四业务维持概率、所述相似度标签以及所述差异程度值，对所述待训练目标类型业务检测模型进行训练，当满足模型训练条件时，获得训练完成的目标类型业务检测模型。

9.根据权利要求8所述的方法，其特征在于，所述根据所述第一业务标签、所述第三业务维持概率、所述第二业务标签、所述第四业务维持概率、所述第四业务维持概率、所述相似度标签以及所述差异程度值，对所述待训练目标类型业务检测模型进行训练，包括：

根据所述第一业务标签以及所述第三业务维持概率，采用第一损失函数确定第一损失值；

根据所述第二业务标签以及所述第四业务维持概率，采用第二损失函数确定第二损失值；

根据所述相似度标签以及所述差异程度值，采用第三损失函数确定第三损失值；

根据所述第一损失值、所述第二损失值和第三损失值，更新所述待训练目标类型业务检测模型的模型参数。

10.一种智能组网通信处理系统，其特征在于，所述智能组网通信处理系统包括管理设备和多个网络设备；

所述管理设备用于获取从各所述网络设备获取第一流量特征及第二流量特征；所述第一流量特征为距离当前时刻预设时长之前的第一时间段内的流量特征，所述第二流量特征为包括当前时刻的第二时间段的流量特征；针对每种目标类型业务，根据所述第一流量特征和所述第二流量特征确定所述目标类型业务的维持状态；根据各所述目标类型业务的维持状态，确定与各所述目标类型业务对应的组网控制策略，并将所述组网控制策略下发至各所述网络设备；所述组网控制策略包括链路控制策略及限速控制策略；

所述网络设备用于根据接收到的组网控制策略执行相应的链路控制动作及限速控制动作。

Images