CN113452559B - 基于深度学习的网络资源分配方法、系统及介质 - Google Patents
基于深度学习的网络资源分配方法、系统及介质 Download PDFInfo
- Publication number
- CN113452559B CN113452559B CN202110706722.9A CN202110706722A CN113452559B CN 113452559 B CN113452559 B CN 113452559B CN 202110706722 A CN202110706722 A CN 202110706722A CN 113452559 B CN113452559 B CN 113452559B
- Authority
- CN
- China
- Prior art keywords
- network
- equipment
- information
- port
- delay
- 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
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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0893—Assignment of logical groups to network elements
-
- 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
- H04L41/0816—Configuration setting characterised by the conditions triggering a change of settings the condition being an adaptation, e.g. in response to network events
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请涉及一种基于深度学习的网络资源分配方法、系统及介质,其方法包括获取至少两个设备的设备信息;所述设备信息包括低时延网络需求信息、高流量网络需求信息、多端口网络需求信息中的一种或多种;根据设备信息以匹配所预设的网络切片模型,所述网络切片模型包括低时延网络切片、高流量网络切片及多端口网络切片;根据设备所匹配的网络切片模型及其设备信息输出用于调整网络资源分配情况的操作指令。本申请具有优化网络资源的分配,减少网络资源的浪费的效果。
Description
技术领域
本申请涉及网络资源分配的领域,尤其是涉及一种基于深度学习的网络资源分配方法。
背景技术
自2G、3G网络直到4G网络,其硬件部分一直由BBU、RRU及天线组成,均属于专用的通信设备,网络的升级也主要体现在基带带宽和网络质量的增强。而到了5G网络,虽然还是由核心网、承载网与外接网组成,但无论是软件还是硬件都进行了升级换代,硬件部分进行了重构,转化为了CU、DU及AAU三部分,同时计算模块、储存模块等资源进行了整合,统一进行分配,并通过NFV技术将网络功能虚拟化,并运行于通用硬件设备之上,从而替代专用设备,方便扩容和升级改造。
同时5G网络依赖于SDN技术,即软件定义网络,SDN将网络控制面解耦至通用硬件设备上,并通过软件化集中控制网络资源。应用上述技术,网络切片的概念应运而生,其主要为了实现各类特点的网络业务而设计,目前分为三种,即eMBB、mMTC及URLLC,eMBB可以看成4G网络的增强版,用户端最明显的使用感受就是网速变快了,因此其尤其适用于大容量文件的下载和上传。
而mMTC及URLLC主要应用于物联网,秉承了万物互联的5G理念,其中前者用于对接大规模的数量庞大的工控设备,例如实现成千上万的传感器的数据采集上传。后者用于需要超低时延的实时业务,例如远程医疗、自动驾驶等领域。由于eMBB、mMTC及URLLC针对于不同的业务领域,提出了不同的网络需求,因此需要NFV技术与SDN技术进行网络资源的动态分配。
目前,在物联网领域,工厂生产线的信息化管理设备一般会采用局域网的方式,其依赖于实体线缆的连接以保证数据的高速流通,因此具有高可靠性、低时延的特点,局域网管理方式受限于硬件配置、线缆长度及场地规模等条件,仅适用于本地的设备管理。而部分工厂也会采用广域网网络进行关联,通过dhcp协议为每个设备的端口匹配IP地址,设备通过网络上传或下载数据,从而解决局域网无法远程管理的缺陷。
针对上述中的相关技术,发明人认为不同的设备对于时延、带宽及端口数量的要求不同,因此广域网的配置参数需要满足所有设备的各项要求,例如某一设备有低于0.5ms的时延要求,则整片网络需要采用低于0.5ms的高质量网络,从而导致网络资源浪费的缺陷。
发明内容
第一方面,为了优化网络资源的分配,减少网络资源的浪费,本申请提供一种基于深度学习的网络资源分配方法。
本申请提供的一种基于深度学习的网络资源分配方法,采用如下的技术方案:
一种基于深度学习的网络资源分配方法,包括,
获取至少两个设备的设备信息,所述设备信息包括低时延网络需求信息、高流量网络需求信息、多端口网络需求信息中的一种或多种;
根据设备信息以匹配所预设的网络切片模型,所述网络切片模型包括低时延网络切片、高流量网络切片及多端口网络切片;
将与低时延网络切片对应的设备定义为低时延需求型设备,将与高流量网络切片对应的设备定义为高流量需求型设备,将与多端口网络切片对应的设备定义为多端口需求型设备;
根据设备所匹配的网络切片模型及其设备信息输出用于调整网络资源分配情况的操作指令。
通过采用上述技术方案,根据设备的设备信息将工厂的设备划分为低时延需求型设备、高流量需求型设备及多端口需求型设备,匹配低时延网络切片与低时延需求型设备,匹配高流量网络切片与高流量需求型设备,匹配多端口网络切片与多端口需求型设备,最后根据设备所匹配的网络切片模型及其设备信息调整网络资源分配情况,即调整网络切片模型的配置,从而优化网络资源的分配,减少网络资源的浪费。
优选的,在所述根据设备所匹配的网络切片模型及其设备信息输出用于调整网络资源分配情况的操作指令的步骤中,针对低时延网络切片,还包括,
获取各低时延需求型设备的低时延网络需求信息;
依据低时延网络需求信息确定低时延网络切片对应的预设DU模块的初始配置参数。
通过采用上述技术方案,DU模块与AAU模块之间若采用光纤点对点连接,则可以降低延时,减少数据丢包,同时为了降低光纤成本,需要缩短DU模块与AAU模块之间的距离,同时依据各个设备的时延要求调整DU模块的初始配置参数,使其适配本地设备,从而起到为低时延需求型设备降低网络延迟的作用。
优选的,在所述依据低时延网络需求信息确定低时延网络切片对应的预设DU模块的初始配置参数的步骤后执行测试操作,测试操作包括:
控制当前低时延网络切片对应的预设DU模块应用初始配置参数;
执行监测操作,监测各低时延需求型设备在低时延网络切片下的工作状态,并判断其工作状态是否正常,并得到测试结果;
若正常,则指定当前的配置参数为默认配置参数,并控制预设DU模块在运作时采用默认配置参数;
若不正常,则依据预设的调整标准修改当前的配置参数,再次执行监测操作。
通过采用上述技术方案,由于DU模块负责实时性业务的处理,而初始配置参数是根据设备原先自带的低时延网络需求信息确定,因此在判断过程中,若设备可以在初始配置参数所对应的DU模块提供的服务下正常工作,则保留初始配置参数为默认配置参数;否则修改初始配置参数并再次执行监测操作,从而采用强化学习的方式找到合适的配置参数。
优选的,在所述根据设备所匹配的网络切片模型及其设备信息输出用于调整网络资源分配情况的操作指令的步骤中,针对高流量网络切片,还包括,
获取高流量需求型设备的流量需求信息;
依据流量需求信息确定高流量网络切片对应的预设CU模块的配置参数。
通过采用上述技术方案,CU模块用于负责网络服务中的非实时性业务,高流量需求型设备所需求的数据容量较为庞大,同时每个设备单体之间的流量需求量差别可能较大,因此需要获取所有高流量需求型设备的流量需求,从而据此调整CU模块的配置参数,从而使得每台设备可以匹配到所需的带宽占用,避免部分设备无法工作的现象。
优选的,所述流量需求信息的获取操作包括,
获取各高流量需求型设备的网络使用记录;
依据网络使用记录以分析高流量需求型设备的网络使用状况信息,所述网络使用状况信息包括闲时用网类以及实时用网类;
若网络使用状况信息为闲时用网类,则获取该高流量需求型设备在预设周期内所传输的总数据容量;
依据闲时用网类的所有高流量需求型设备的总数据容量确定其网络使用时段及分配带宽用量;
依据网络使用时段及分配带宽用量生成单位时间的平均带宽用量;
若网络使用状况信息为实时用网类,则获取该高流量需求型设备的带宽占用上限值;
对实时用网类的各高流量需求型设备的带宽占用上限值进行求和计算,生成最高带宽占用量;
依据所述平均带宽用量及所述最高带宽占用量的和值生成流量需求信息。
通过采用上述技术方案,闲时用网类对应需要传输软件升级数据包的设备等,因此闲时用网类需要统计其单次最高容量,从而模拟出其用网模型,同时由于其对实时性要求低,因此可以在一个周期内,例如一天内,对多个设备的用网时间进行分段,减少网络拥挤,从而充分利用网络带宽,同时减少暴涨的带宽占用量对网络设备的负荷,而实时用网类则类似于视频监控等,需要实时进行,无法分时段进行,因此只能准备足够的带宽占用量,即最高带宽占用量,因此平均带宽用量及所述最高带宽占用量的和值则表示最终的带宽需求,即流量需求信息。
优选的,在所述根据设备所匹配的网络切片模型及其设备信息输出用于调整网络资源分配情况的操作指令的步骤中,针对多端口网络切片,还包括,
依据预设的多种信息传输方式分别生成多个网络接入单元,信息传输方式包括NB-Iot及LoRa;
获取各网络接入单元所连入的设备端口的端口数量;
获取每种信息传输方式应用于单个设备端口所需的资源条件;
依据各个网络接入单元的资源条件及处于启用状态的设备端口的端口数量,生成网络配置参数;
依据网络配置参数更新各网络接入单元的资源配置。
通过采用上述技术方案,设备端口与AAU模块之间一般采用NB-Iot及LoRa等信息传输方式,而网络接入单元用于实现对应上述信息传输方式的信号调制或解调;每种网络接入单元对应一种信息传输方式,不同的信息传输方式采用不同的资源,因此查找针对单个设备端口的资源条件,再根据网络接入单元所接入的端口数量,生成网络配置参数,使得各网络接入单元可以根据自己所连接的端口数量匹配到合理的网络资源,网络资源包含处理器的计算能力、存储器的存储能力等。
优选的,在所述获取各网络接入单元所连入的设备端口的端口数量的步骤中,还包括,
获取各端口的状态类型及传输要求,传输要求包括时延要求、数据完整性及传输速度;
判断当前端口的状态类型,所述状态类型包括启用状态以及休眠状态;
若为休眠状态,则暂时关闭端口与网络接入单元的连接;
若为启用状态,则依据端口的传输要求确定该端口所连接的网络接入单元;
确定各网络接入单元所连入的设备端口的端口数量。
通过采用上述技术方案,通过检测设备端口的状态,剔除掉处于休眠状态的设备,以此为启用状态的设备端口提供更多的传输通道,同时不同的设备端口对于信息传输的要求不同,以此根据设备端口的类型及传输要求匹配适合的网络接入单元,从而使得每个设备端口可以正常流畅工作。
优选的,还包括设备更新操作:
响应于对应新增设备的触发信号;
获取设备数据库,设备数据库内记录有设备类型与网络切片模型的对应关系,判断设备数据库是否存在对应新增设备的设备类型;
若是,则确定该设备类型对应的网络切片模型为新增设备的网络切片模型;
若否,则执行设备网络测试操作,确定该新增设备的网络切片模型;
依据上述判断结果输出用于控制对应的网络切片模型连接新增设备的操作指令。
通过采用上述技术方案,设备数据库存储设备类型与网络切片模型的对应关系,以此方便判断新增设备所属的网络切片模型,以此方便自动控制新增设备连入适合的网络切片模型,即低时延网络切片、高流量网络切片及多端口网络切片,从而为不同的设备提供适合的网络服务,提升设备的工作效率,优化网络资源的分配。
第二方面,为了优化网络资源的分配,减少网络资源的浪费,本申请提供一种基于深度学习的网络资源分配系统,采用如下的技术方案:
一种基于深度学习的网络资源分配系统,包括,
信息获取模块,获取至少两个设备的设备信息,所述设备信息包括低时延网络需求信息、高流量网络需求信息、多端口网络需求信息中的一种或多种;
模型匹配模块,用于根据设备信息以匹配所预设的网络切片模型,所述网络切片模型包括低时延网络切片、高流量网络切片及多端口网络切片;
设备定义模块,用于将与低时延网络切片对应的设备定义为低时延需求型设备,将与高流量网络切片对应的设备定义为高流量需求型设备,将与多端口网络切片对应的设备定义为多端口需求型设备;以及,
资源分配模块,用于根据设备所匹配的网络切片模型及其设备信息输出用于调整网络资源分配情况的操作指令。
通过采用上述技术方案,通过信息获取模块获取设备信息,再通过模型匹配模块为设备匹配适合的网络切片模型,再通过设备定义模块对设备进行定义,最后通过资源分配模块为不同网络切片模型匹配不同的网络资源,例如分配低延时的网络设备等,从而优化网络资源的分配,减少网络资源的浪费。
第三方面,为了优化网络资源的分配,减少网络资源的浪费。本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,存储有能够被处理器加载并执行上述任一种基于深度学习的网络资源分配方法的计算机程序。
通过采用上述技术方案,基于深度学习的网络资源分配方法的计算机程序先获取设备信息,再为设备匹配适合的网络切片模型,再对设备进行定义,从而为设备匹配到适合的网络服务,从而优化网络资源的分配,减少网络资源的浪费。
综上所述,本申请包括以下至少一种有益技术效果:
1.匹配低时延网络切片与低时延需求型设备,匹配高流量网络切片与高流量需求型设备,匹配多端口网络切片与多端口需求型设备,最后根据设备所匹配的网络切片模型及其设备信息调整网络资源分配情况,即调整网络切片模型的配置,从而优化网络资源的分配,减少网络资源的浪费;
2.通过检测设备端口的状态,剔除掉处于休眠状态的设备,以此为启用状态的设备端口提供更多的传输通道,同时不同的设备端口对于信息传输的要求不同,以此根据设备端口的类型及传输要求匹配适合的网络接入单元,从而使得每个设备端口可以正常流畅工作;
3.在判断过程中,若设备可以在初始配置参数所对应的DU模块提供的服务下正常工作,则保留初始配置参数为默认配置参数;否则修改初始配置参数并再次执行监测操作,从而采用强化学习的方式测试出最适用于低时延需求型设备的DU模块配置参数。
附图说明
图1是本申请实施例的网络资源分配系统的系统模块图。
图2是本申请实施例的基于深度学习的网络资源分配方法的方法流程图。
图3是本申请实施例的基于深度学习的网络资源分配方法的部分方法流程图,主要展示低时延网络切片的配置调整流程。
图4是本申请实施例的基于深度学习的网络资源分配方法的部分方法流程图,主要展示高流量网络切片的配置调整流程。
图5是本申请实施例的基于深度学习的网络资源分配方法的部分方法流程图,主要展示多端口网络切片的配置调整流程。
图6是本申请实施例的基于深度学习的网络资源分配方法的部分方法流程图,主要展示设备更新操作的流程。
具体实施方式
以下结合全部附图对本申请作进一步详细说明。
本申请实施例公开一种基于深度学习的网络资源分配系统,参照图1,包括信息获取模块、模型匹配模块、设备定义模块及资源分配模块,信息获取模块、模型匹配模块、设备定义模块及资源分配模块可采用处理器。
本申请实施例公开一种基于深度学习的网络资源分配方法。参照图1、图2,该方法包括如下步骤,
S100、信息获取模块获取至少两个设备的设备信息;
具体的,设备包括工厂内的生产设备、管理设备、监控检测设备、安全保障设备等,设备信息包括设备的型号、电参数、使用说明及功能介绍等,还包括低时延网络需求信息、高流量网络需求信息、多端口网络需求信息中的一种或多种。具体划分低时延网络需求信息、高流量网络需求信息、多端口网络需求信息,需要由用户设定标准值,设备的网络服务参数中的某一项高于其对应标准值时,产生对应的设备信息。例如设备为监控摄像头,其使用说明中记录有其在1920*1080分辨率下输出的视频需要占用4M带宽,而高流量网络需求信息的标准值为1M带宽,则其产生高流量网络需求信息。同时,一台设备可以包括多个需求信息,也可以只包括一个需求信息,多个需求信息可以对应同一设备的多个网口或者单个网口,具体需要根据实际设备进行设定。
S200、模型匹配模块根据设备信息以匹配所预设的网络切片模型,所述网络切片模型包括低时延网络切片、高流量网络切片及多端口网络切片。
具体的,网络切片模型是根据设备所需网络需求的不同而设计的,多个网络切片是从共同的网络资源中通过软件定义的方式划分出来的,同时辅以部分硬件模块的调整进行完善,例如要实现低时延网络切片的正常运行,则需要DU模块与AAU模块的前传部分采用光纤等,并且前传的距离也需要缩短,还需要采用MEC系统,以此尽可能降低延迟。而例如多端口网络切片则需要在设备区域部署NB-Iot、LoRa等模块,用于方便采集多个端口的数据。而高流量网络切片则对CU模块的要求更高,同时对于网络链路可提供的带宽有要求。
S300、设备定义模块将与低时延网络切片对应的设备定义为低时延需求型设备,将与高流量网络切片对应的设备定义为高流量需求型设备,将与多端口网络切片对应的设备定义为多端口需求型设备。
具体的,低时延需求型设备由于对网络时延有更高的要求,因此需要连接低时延网络切片,高流量需求型设备由于所需的数据容量较大,带宽占用大,因此需要连接高流量网络切片;而多端口需求型设备由于数量众多,因此对于信息传输的优化有要求,因此需要连接多端口网络切片。工作人员也可以先进行初步的判断和划分,将设备分为低时延需求型设备、高流量需求型设备或多端口需求型设备,再匹配对应的网络切片模型。例如安全保障设备可以划分为低时延需求型设备,可以减少触发延迟,及时触发安全保障机制。需要数据升级的本地控制的设备则可划分为高流量需求型设备,而密集分布的前端传感器、采集器等可以划分为多端口需求型设备。同时,一台设备可以具有多个网络切片,也可以具有一个网络切片。
S400、资源分配模块根据设备所匹配的网络切片模型及其设备信息输出用于调整网络资源分配情况的操作指令。
具体的,依据低时延需求型设备、高流量需求型设备及多端口需求型设备的实际情况,还需要对各网络切片模型的网络资源分配情况进行调整,即对各个网络切片模型的配置参数进行调整,具体如下:
参照图3,针对低时延网络切片:
SA1、获取各低时延需求型设备的低时延网络需求信息,依据低时延网络需求信息确定低时延网络切片对应的预设DU模块的初始配置参数。
具体的,部分设备可能需要低于0.1ms的超低时延,部分设备可能只需要低于10ms的时延即可,而出于硬件部署的成本考虑,一般无法保证全部设备采用低于0.1ms的时延配置。因此需要依据各个设备的时延要求调整DU模块的初始配置参数,使得低时延网络切片的网络时延满足当前所有低时延需求型设备的最低时延要求。例如某一低时延需求型设备正常工作所需的最低时延为0.3ms,其他的低时延需求型设备正常工作所需的最低时延均大于0.3ms,则低时延网络切片需要满足网络时延不大于0.3ms的要求,其DU模块的配置参数须能实现该项条件。
由于低时延网络需求信息是设备出厂自带的设备信息中记录的数据,并不一定适用于当前工作环境,相对而言并不准确,因此需要执行测试操作进行自检,依据设备实际的工作状态调整DU模块的配置参数,具体如下:
A1、执行测试操作:控制当前低时延网络切片对应的预设DU模块应用初始配置参数;
A2、执行监测操作,监测各低时延需求型设备的工作状态,并判断其工作状态是否正常,并得到测试结果;
若正常,则指定当前的配置参数为默认配置参数,并控制预设DU模块在运作时采用默认配置参数;
若不正常,则依据预设的调整标准修改当前的配置参数,再次执行监测操作。
SA2、依据上述测试结果确定低时延网络切片对应的预设DU模块的配置参数。
具体的,由于降低空口时延可采用缩短TTI时长、增强调度算法等方式;而在有线回传方面,通过MEC部署,使数据和计算更接近设备端口,也可降低网络回传的物理时延,因此DU模块的配置参数还包括TTI配置、调度算法配置、MEC系统配置等。通过监测设备在当前初始配置条件下的运行状态,判断初始配置参数是否适配于当前的设备,若不能适配,则需要依据预设的调整标准修改当前的配置参数。调整标准即每次调节的配置参数配额,对应所要调整的时延,例如从10ms至8ms,8ms至5ms等,经过反复测试,最后得到刚好适合于当前设备的时延及对应的DU模块配置参数,其应用了深度学习中的学习理念,方便系统自动查找并匹配到适合当前所有低时延需求型设备的网络配置,同时可对低时延网络切片中的软件部分或虚拟部分进行动态的调整。
参照图4,针对高流量网络切片:
SB1、获取各高流量需求型设备的网络使用记录;
具体的,网络使用记录保存有设备的网络使用时刻、带宽占用量、单次数据容量等信息。
SB2、依据网络使用记录依据网络使用记录以分析高流量需求型设备的网络使用状况信息;
若网络使用状况信息为闲时用网类,则获取该高流量需求型设备在预设周期内所传输的总数据容量;
依据闲时用网类的所有高流量需求型设备的总数据容量确定其网络使用时段及分配带宽用量;
依据网络使用时段及分配带宽用量生成单位时间的平均带宽用量;
具体的,网络使用记录表示设备的用网记录,若某一设备的网络使用记录中,记录了设备持续在上传和/或下载数据,则可归为实时用网类;若某一设备的网络使用记录中,记录了设备仅在固定时刻或不固定时刻使用网络上传和/或下载,则可归为闲时用网类。闲时用网类的高流量需求型设备只需每隔一段时间用网即可,即其用网时间可以调整,其使用网速也可调整,从而与其他设备分时段进行,减少带宽占用,避免网络拥挤,降低网络链路的负荷。同时综合分配所有闲时用网类的高流量需求型设备的网络使用时段,同时充分利用网络资源,避免某一时刻的网络带宽占用过高或过低,因此可以计算出单位时间的平均带宽用量。具体计算方式为,工作人员指定预设周期,例如一天或一周,对各闲时用网类的高流量需求型设备在预设周期内的总数据容量进行求和,得到预设周期内的总数据流量,总数据流量再除以预设周期,得到平均网速,按照换算比:1M带宽=128Kb/s的网速,计算得到平均带宽用量。
其中,确定网络使用时段及分配带宽用量时,可以按照设备网络使用记录中的实际使用时间进行分配,网络使用时段一般取与实际使用时间相近的时间段。而分配带宽用量根据设备在预设周期内的最高使用量以及网络使用时段确定,例如某设备在一天内最多使用10G流量,使用时间段是上午9:00-10:00,则分配带宽用量为23M。
若网络使用状况信息为实时用网类,则获取该高流量需求型设备的带宽占用上限值;
对实时用网类的各高流量需求型设备的带宽占用上限值进行求和计算,生成最高带宽占用量;
具体的,而实时用网类的高流量需求型设备则无法调节网络实用时段,因此只能计算其带宽占用上限值,再进行叠加求和,从而确保所有实时用网类的高流量需求型设备同时满负荷用网时每一台设备仍然可以正常工作。
SB3、依据所述平均带宽用量及所述最高带宽占用量的和值生成流量需求信息。
具体的,最终实时用网类的高流量需求型设备的最高带宽占用量与闲时用网类的平均带宽用量叠加,得到针对于高流量网络切片整体的平均带宽占用,即流量需求信息。
SB4、依据流量需求信息确定高流量网络切片对应的预设CU模块的配置参数。
具体的,高流量需求型设备所需求的数据容量较为庞大,同时每个设备单体之间的流量需求量差别可能较大,因此需要获取所有高流量需求型设备的流量需求信息。通过流量需求信息部署CU模块,以此使CU模块可以向每一台设备提供充足的数据量,从而使得每台设备可以匹配到所需的带宽占用,避免部分设备带宽占用过多而导致其他设备无法工作的现象,解决网络拥挤的问题。
针对于多端口网络切片与多端口需求型设备,需要配置网络接入单元,从而针对多端口需求型设备所传输数据的要求进行网络优化,参照图5,具体如下:
SC1、依据预设的多种信息传输方式分别生成多个网络接入单元;
具体的,设备端口与AAU模块之间的信息传输方式包括NB-Iot、LoRa、LTE-M、Sigfox等,这些信息传输方式具有功耗低、覆盖广、成本低和连接数量大的特点,因此适用于检测/执行端口多而数据容量小的场景,例如传感器的采集数据等。而网络接入单元包括硬件部分及软件部分,硬件部分包括NB-Iot射频模块等,软件部分用于管理设备端口的IP地址、分配带宽等。
SC2、获取各端口的状态类型及传输要求;
具体的,传输要求包括时延要求、数据完整性及传输速度等。不同的多端口需求型设备其数据重要性不同,对于比较关键的工艺参数,例如对工艺精度要求高的产品,则其工艺的每个步骤都须严格把控,要求采集的工艺参数不能出现丢失,时延不能过高。
SC3、判断当前端口的状态类型为启用状态还是休眠状态:
若为休眠状态,则暂时关闭端口与网络接入单元的连接;
若为启用状态,则依据端口的传输要求确定该端口所连接的网络接入单元,从而确定各网络接入单元所连入的设备端口的端口数量。
具体的,NB-Iot射频模块、LoRa射频模块等通信模块的端口连接数量是有限的,因此若休眠状态的设备端口仍然占用端口连接数量,会导致通信模块过负荷运作而产生数据丢失等异常现象,同时导致通信模块的数量需求增大而造成浪费,因此暂时关闭设备端口与网络接入单元的连接,从而节省端口连接数量。同时为启用状态的设备端口依据其传输要求匹配适合的网络接入单元,从而满足其数据传输的要求。
SC4、获取各网络接入单元所连入的设备端口的端口数量,获取每种信息传输方式应用于单个设备端口所需的资源条件,依据各个网络接入单元对应的资源条件及处于启用状态的设备端口的端口数量,生成网络配置参数,依据网络配置参数更新各网络接入单元的资源配置。
具体的,每种信息传输方式应用于单个设备端口所需的资源条件,指的是,单个网络接入单元向单个设备端口提供服务所需要的资源条件,资源条件包括数据带宽等,而结合各网络接入单元所连入的设备端口的端口数量则可以计算各网络接入单元实际所需要的综合资源条件,据此再计算网络配置参数,从而方便各网络接入单元可以根据自己所连接的端口数量匹配到合理的网络资源,提升多端口需求型设备的运行稳定性。
参照图6,当工厂的设备种类或数量更新时,例如发生设备增加、减少、替换等情况,则执行以下步骤:
S1、响应于对应新增设备的触发信号,获取设备数据库;
具体的,触发信号可以是工作人员在接入设备端口时通过外设同步输入的信号,也可以是设备连入时自动发出的申请连接信号。设备数据库内记录有设备类型与网络切片模型的对应关系,即先前的设备在匹配网络切片模型后定义设备类型的定义结果,从而生成设备类型与网络切片模型的对应关系。设备类型可以根据设备的型号划分,也可按照工作人员的设定标准进行划分。
S2、判断设备数据库是否存在对应新增设备的设备类型;
若是,则确定该设备类型对应的网络切片模型为新增设备的网络切片模型;
若否,则执行设备网络测试操作,确定该新增设备的网络切片模型;
具体的,如果当前需要划分的设备的型号与已录入的设备类型重合,则直接连接当前设备与该设备类型所对应的网络切片模型即可,而若没有找到等同的设备类型则需要进行网络测试操作。
网络测试操作:依次分别提供三种典型的网络切片模型,即低时延网络切片、高流量网络切片及多端口网络切片,根据设备的测试结果,若设备可以在其中一种网络切片模型环境下正常工作则确定该网络切片模型为其网络切片模型。
S3、依据上述判断结果输出用于控制对应的网络切片模型连接新增设备的操作指令。
在另一实施例中,设备也可以先经过人工初步判断,划分为低时延需求型设备、高流量需求型设备或多端口需求型设备,之后再进行上述网络测试操作,以验证是否存在划分不合理的情况,若有冲突的部分则按照网络测试操作的结果确定。
本实施例还提供一种计算机可读存储介质,可采用U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。该计算机可读存储介质内存储有能够被处理器加载并执行上述基于深度学习的网络资源分配方法的计算机程序。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (6)
1.一种基于深度学习的网络资源分配方法,其特征在于:包括,
获取至少两个设备的设备信息,所述设备信息包括低时延网络需求信息、高流量网络需求信息、多端口网络需求信息中的一种或多种;
根据设备信息以匹配所预设的网络切片模型,所述网络切片模型包括低时延网络切片、高流量网络切片及多端口网络切片;
将与低时延网络切片对应的设备定义为低时延需求型设备,将与高流量网络切片对应的设备定义为高流量需求型设备,将与多端口网络切片对应的设备定义为多端口需求型设备;
根据设备所匹配的网络切片模型及其设备信息输出用于调整网络资源分配情况的操作指令;
针对低时延网络切片,获取各低时延需求型设备的低时延网络需求信息;
依据低时延网络需求信息确定低时延网络切片对应的预设DU模块的初始配置参数后执行测试操作,测试操作包括:
控制当前低时延网络切片对应的预设DU模块应用初始配置参数;
监测各低时延需求型设备在低时延网络切片下的工作状态,并判断其工作状态是否正常,并得到测试结果;
若正常,则指定当前的配置参数为默认配置参数,并控制预设DU模块在运作时采用默认配置参数;
若不正常,则依据预设的调整标准修改当前的配置参数,再次执行监测操作;
针对高流量网络切片,获取高流量需求型设备的流量需求信息;
依据流量需求信息确定高流量网络切片对应的预设CU模块的配置参数;
针对多端口网络切片,依据预设的多种信息传输方式分别生成多个网络接入单元,信息传输方式包括NB-Iot及LoRa;
获取各网络接入单元所连入的设备端口的端口数量;
获取每种信息传输方式应用于单个设备端口所需的资源条件;
依据各个网络接入单元的资源条件及处于启用状态的设备端口的端口数量,生成网络配置参数;
依据网络配置参数更新各网络接入单元的资源配置。
2.根据权利要求1所述的基于深度学习的网络资源分配方法,其特征在于:所述流量需求信息的获取操作包括,
获取各高流量需求型设备的网络使用记录;
依据网络使用记录以分析高流量需求型设备的网络使用状况信息,所述网络使用状况信息包括闲时用网类以及实时用网类;
若网络使用状况信息为闲时用网类,则获取该高流量需求型设备在预设周期内所传输的总数据容量;
依据闲时用网类的所有高流量需求型设备的总数据容量确定其网络使用时段及分配带宽用量;
依据网络使用时段及分配带宽用量生成单位时间的平均带宽用量;
若网络使用状况信息为实时用网类,则获取该高流量需求型设备的带宽占用上限值;
对实时用网类的各高流量需求型设备的带宽占用上限值进行求和计算,生成最高带宽占用量;
依据所述平均带宽用量及所述最高带宽占用量的和值生成流量需求信息。
3.根据权利要求1所述的基于深度学习的网络资源分配方法,其特征在于:在所述获取各网络接入单元所连入的设备端口的端口数量的步骤中,还包括,
获取各端口的状态类型及传输要求,传输要求包括时延要求、数据完整性及传输速度;
判断当前端口的状态类型,所述状态类型包括启用状态以及休眠状态;
若为休眠状态,则暂时关闭端口与网络接入单元的连接;
若为启用状态,则依据端口的传输要求确定该端口所连接的网络接入单元;
确定各网络接入单元所连入的设备端口的端口数量。
4.根据权利要求1所述的基于深度学习的网络资源分配方法,其特征在于:还包括设备更新操作:
响应于对应新增设备的触发信号;
获取设备数据库,设备数据库内记录有设备类型与网络切片模型的对应关系,判断设备数据库是否存在对应新增设备的设备类型;
若是,则确定该设备类型对应的网络切片模型为新增设备的网络切片模型;
若否,则执行设备网络测试操作,确定该新增设备的网络切片模型;
依据上述判断结果输出用于控制对应的网络切片模型连接新增设备的操作指令。
5.一种基于深度学习的网络资源分配系统,其特征在于,包括,
信息获取模块,获取至少两个设备的设备信息,所述设备信息包括低时延网络需求信息、高流量网络需求信息、多端口网络需求信息中的一种或多种;
模型匹配模块,用于根据设备信息以匹配所预设的网络切片模型,所述网络切片模型包括低时延网络切片、高流量网络切片及多端口网络切片;
设备定义模块,用于将与低时延网络切片对应的设备定义为低时延需求型设备,将与高流量网络切片对应的设备定义为高流量需求型设备,将与多端口网络切片对应的设备定义为多端口需求型设备;以及,
资源分配模块,用于根据设备所匹配的网络切片模型及其设备信息输出用于调整网络资源分配情况的操作指令;
在针对低时延网络切片时,用于获取各低时延需求型设备的低时延网络需求信息;
依据低时延网络需求信息确定低时延网络切片对应的预设DU模块的初始配置参数后执行测试操作,测试操作包括:
控制当前低时延网络切片对应的预设DU模块应用初始配置参数;
监测各低时延需求型设备在低时延网络切片下的工作状态,并判断其工作状态是否正常,并得到测试结果;
若正常,则指定当前的配置参数为默认配置参数,并控制预设DU模块在运作时采用默认配置参数;
若不正常,则依据预设的调整标准修改当前的配置参数,再次执行监测操作;
在针对高流量网络切片时,用于获取高流量需求型设备的流量需求信息;
依据流量需求信息确定高流量网络切片对应的预设CU模块的配置参数;
在针对多端口网络切片时,用于依据预设的多种信息传输方式分别生成多个网络接入单元,信息传输方式包括NB-Iot及LoRa;
获取各网络接入单元所连入的设备端口的端口数量;
获取每种信息传输方式应用于单个设备端口所需的资源条件;
依据各个网络接入单元的资源条件及处于启用状态的设备端口的端口数量,生成网络配置参数;
依据网络配置参数更新各网络接入单元的资源配置。
6.一种计算机可读存储介质,其特征在于,存储有能够被处理器加载并执行如权利要求1至4中任一项所述的基于深度学习的网络资源分配方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110706722.9A CN113452559B (zh) | 2021-06-24 | 2021-06-24 | 基于深度学习的网络资源分配方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110706722.9A CN113452559B (zh) | 2021-06-24 | 2021-06-24 | 基于深度学习的网络资源分配方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113452559A CN113452559A (zh) | 2021-09-28 |
CN113452559B true CN113452559B (zh) | 2022-03-08 |
Family
ID=77812533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110706722.9A Active CN113452559B (zh) | 2021-06-24 | 2021-06-24 | 基于深度学习的网络资源分配方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113452559B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108092791B (zh) * | 2016-11-23 | 2020-06-16 | 华为技术有限公司 | 网络控制方法、装置及系统 |
CN106888473B (zh) * | 2016-12-23 | 2019-02-05 | 中国移动通信有限公司研究院 | 前传网络控制方法及装置 |
CN108881028B (zh) * | 2018-06-06 | 2020-06-26 | 北京邮电大学 | 基于深度学习实现应用感知的sdn网络资源调度方法 |
CN110677876B (zh) * | 2019-10-08 | 2021-02-05 | 广东电网有限责任公司 | 一种流量种类预测的前传网络资源分配方法 |
CN112350847B (zh) * | 2020-04-21 | 2022-03-22 | 中兴通讯股份有限公司 | 网络选择方法、连接方法、终端及存储介质 |
CN112492687B (zh) * | 2020-11-16 | 2023-06-27 | 中国电子科技集团公司第七研究所 | 一种基于无线网络切片的自适应资源分配方法及系统 |
CN112583636B (zh) * | 2020-11-24 | 2023-07-04 | 华南师范大学 | 一种政务网络切片的构造方法、电子设备和存储介质 |
-
2021
- 2021-06-24 CN CN202110706722.9A patent/CN113452559B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113452559A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108632365A (zh) | 服务资源调整方法、相关装置和设备 | |
CN201298233Y (zh) | 一种电力系统电磁暂态过程的分布式仿真装置 | |
CN112003763B (zh) | 网络链路的监测方法、监测装置、监测设备及存储介质 | |
KR20150031502A (ko) | 클라우드 컴퓨팅 시스템들을 구성하는 시스템 및 방법 | |
Mechalikh et al. | PureEdgeSim: A simulation framework for performance evaluation of cloud, edge and mist computing environments | |
CN112929187B (zh) | 网络切片管理方法、装置和系统 | |
US10452048B2 (en) | Control system and control device | |
CN111371616B (zh) | 一种面向numa架构服务器的虚拟网络功能链部署方法和系统 | |
CN106375328A (zh) | 一种大规模数据分发系统运行时自适应优化方法 | |
Kjorveziroski et al. | Kubernetes distributions for the edge: serverless performance evaluation | |
CN103713935A (zh) | 一种在线管理Hadoop集群资源的方法和装置 | |
CN112073237B (zh) | 一种云边架构中大规模目标网络构建方法 | |
CN115037590B (zh) | 一种网络虚拟化体系结构以及虚拟化方法 | |
CN111262723B (zh) | 一种基于模块化硬件和软件定义的边缘智能计算平台 | |
CN116700920A (zh) | 云原生混合部署集群资源调度方法及装置 | |
CN105488288A (zh) | 一种ns3并行模拟仿真系统 | |
CN113094235B (zh) | 一种尾延迟异常云审计系统及方法 | |
CN113452559B (zh) | 基于深度学习的网络资源分配方法、系统及介质 | |
CN110958177B (zh) | 一种片上网络路由优化方法、装置、设备及可读存储介质 | |
CN111930471A (zh) | 一种基于gpu的并行仿真评估选择方法 | |
CN112637904A (zh) | 负载均衡方法、装置及计算设备 | |
CN117997906B (zh) | 节点计算资源分配方法、网络交换子系统及智能计算平台 | |
CN113485718B (zh) | 面向边云协同系统中的上下文感知AIoT应用程序部署方法 | |
CN116707147B (zh) | 一种分布式电池储能系统的控制方法及相关设备 | |
CN109375987A (zh) | 一种虚拟机选择物理机的方法和系统 |
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 |