发明内容
基于此,有必要针对上述技术问题,提供一种能够针对不同监测终端的通信需求,进行灵活通信方式的同时提高监控数据传输效率的切片确定方法、装置、计算机设备和存储介质。
第一方面,提供了一种切片确定方法,该方法包括:
根据分布式电力监控系统中各监测终端采集的电力监控数据,确定各监测终端的网络需求特征图;
根据电力监控数据的网络需求,对各监测终端的网络需求特征图进行分类,得到至少一类候选网络需求特征图;一类候选网络需求特征图对应一类监测终端;
将各类候选网络需求特征图分别输入至网络切片模型中,得到各类监测终端对应的目标网络切片;目标网络切片用于对应类监测终端传输采集的电力监控数据。
在其中一个实施例中,网络切片模型包括级联网络和特征提取网络;
则将各类候选网络需求特征图分别输入至网络切片模型中,得到各类监测终端对应的目标网络切片,包括:
将各类候选网络需求特征图分别输入至级联网络中,通过级联网络确定满足各类监测终端网络需求的第一特征图;
将第一特征图输入至特征提取网络中,通过特征提取网络确定满足各类监测终端网络需求的第二特征图;
根据第二特征图,确定各类监测终端对应的目标网络切片。
在其中一个实施例中,特征提取网络包括:带宽提取层、时延提取层和丢包率提取层;
则将第一特征图输入至特征提取网络中,通过特征提取网络确定满足各类监测终端网络需求的第二特征图,包括:
通过带宽提取层从第一特征图中提取带宽特征,得到带宽特征图;通过时延提取层从第一特征图中提取时延特征,得到时延特征图;通过丢包率提取层从第一特征图中提取丢包率特征,得到丢包率特征图;
将带宽特征图、时延特征图和丢包率特征图确定为第二特征图。
在其中一个实施例中,根据第二特征图,确定各类监测终端对应的目标网络切片,包括:
将带宽特征图、时延特征图和丢包率特征图进行级联处理,得到网络综合特征图;
根据网络综合特征图,确定各类监测终端的网络切片指标;
根据网络切片指标,确定各类监测终端对应的目标网络切片。
在其中一个实施例中,特征提取网络为残差结构的网络。
在其中一个实施例中,将各类候选网络需求特征图分别输入至网络切片模型中之前,方法还包括:
获取切片训练数据,切片训练数据包括多类网络需求训练特征图;
将切片训练数据作为初始网络切片模型的输入,对初始网络切片模型进行迭代训练,直到初始网络切片模型输出的训练网络切片满足预设的收敛条件,确定初始网络切片模型收敛,得到网络切片模型。
在其中一个实施例中,若分布式电力监控系统中接入新增监测终端,则方法还包括:
根据新增监测终端采集的电力监控数据,确定新增监测终端的网络需求特征图;
根据新增监测终端的网络需求特征图,确定新增监测终端所属的目标类候选网络需求特征图;目标类候选网络需求特征图对应的监测终端与新增监测终端的网络需求相同;
将目标类候选网络需求特征图对应的网络切片,作为传输新增监测终端采集的电力监控数据的网络切片。
第二方面,提供了一种切片确定装置,该装置包括:
确定模块,用于根据分布式电力监控系统中各监测终端采集的电力监控数据,确定各监测终端的网络需求特征图;
分类模块,用于根据电力监控数据的网络需求,对各监测终端的网络需求特征图进行分类,得到至少一类候选网络需求特征图;一类候选网络需求特征图对应一类监测终端;
切片模块,用于将各类候选网络需求特征图分别输入至网络切片模型中,得到各类监测终端对应的目标网络切片;目标网络切片用于对应类监测终端传输采集的电力监控数据。
第三方面,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时实现上述第一方面中任一项切片确定方法的步骤。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述第一方面中任一项切片确定方法的步骤。
上述切片确定方法、装置、计算机设备和存储介质,根据分布式电力监控系统中各监测终端采集的电力监控数据,确定各监测终端的网络需求特征图;根据电力监控数据的网络需求,对各监测终端的网络需求特征图进行分类,得到至少一类的候选网络需求特征图;一类候选网络需求特征图对应一类监测终端;将各类候选网络需求特征图分别输入至网络切片模型中,得到各类监测终端对应的目标网络切片;目标网络切片用于对应类监测终端传输采集的电力监控数据。在本申请中,根据监测终端采集的电力监控数据确定各监测终端传输电力监控数据时的网络需求,进而可以通过网络需求将各监测终端进行分类,同一类监测终端的网络需求相同,可以使用同一个网络切片传输采集的电力监控数据。进一步地,根据各类监测终端的网络需求确定各类监测终端对应的网络切片时,将各类监测终端对应的候选网络需求特征图分别输入至网络切片模型中,通过网络切片模型确定各类监测终端对应的目标网络切片。如此,利用网络切片可以使分布式电力监控系统的通信无线化,无需再敷设光纤等有线网络,并且能够降低通信网络的建设和维护成本。根据各监测终端的网络需求,通过网络切片模型为不同监测终端确定传输电力监控数据的网络切片,各类监测终端使用对应的目标网络切片传输电力监控数据,可以提高电力监控数据的传输效率。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的切片确定方法,可以应用于如图1所示的应用环境中,分布式电力监控系统包括多个监测终端110和控制中心120,多个监测终端110部署在不同地方,用于监控电力设备的运行情况,并将采集的电力监控数据通过网络切片130发送给控制中心120。控制中心120通过网络切片130接收各监测终端110发送的电力监控数据,并对电力监控数据进行汇总和分析处理。
其中,网络切片130由基站140进行配置。具体地,根据各监测终端110采集的电力监控数据,确定各监测终端110传输电力监控数据的网络需求,根据网络需求将各监测终端110进行分类,确定各类监测终端110所对应的网络需求特征图,将各类监测终端110对应的网络需求特征图输入至网络切片模型中,通过网络切片模型确定各类监测终端110对应的目标网络切片130。同一类监测终端110配置同一个网络切片130。
完成监测终端110和控制中心120之间的网络切片配置后,各监测终端110使用对应的网络切片130发送电力监控数据给控制中心120。
其中,监测终端110可以包括但不限于:采集环境数据的传感终端、采集电力数据的传感终端、对电力设备厂区内人员进行监控的边缘摄像头、智能门禁监控终端、对电力设备进行监控的机器人终端等。控制中心120可以包括但不限于:各种个人计算机、笔记本电脑、智能手机、平板电脑、独立的服务器、多个服务器组成的服务器集群等。本申请对此不做限制。
在一个实施例中,如图2所示,提供了一种切片确定方法,以该方法应用于图1中的基站140为例进行说明,包括以下步骤:
步骤210:根据分布式电力监控系统中各监测终端采集的电力监控数据,确定各监测终端的网络需求特征图。
分布式电力监控系统包括多个监测终端,一方面,不同类监测终端采集的电力监控数据种类不同;另一方面,同一类监测终端因为部署在不同的监控区域,其采集的数据量也不同,因此,每个监测终端在向控制中心发送电力监控数据时,需要的网络资源不同。
在一种可能的实现方式中,步骤210的实现过程可以为:根据分布式电力监控系统中各监测终端采集的电力监控数据,确定各监测终端发送电力监控数据的数据量,进而根据各监测终端的数据量确定各监测终端的网络需求特征图。
其中,网络需求包括监测终端传输数据所需的带宽、端到端时延、传输时延、丢包率、误码率、容错率等,本申请在此不做限制。
作为一个示例,若网络需求包括带宽、时延和丢包率,则确定的网络需求特征图为包括带宽需求量、时延需求量和丢包率需求量的数字集。
然而,不同监测终端的网络需求不同,具体地,其带宽需求量、时延需求量和丢包率需求量之间差异较大,因此,确定网络需求特征图数目较多,数据处理量大,处理速度慢。
因此,在确定各监测终端的网络需求特征图后,对各监测终端的网络需求特征图进行规范化处理。即将带宽需求量、时延需求量和丢包率需求量分别化为0-9的数字,每个数字都代表一个需求区间,以缩小各特征的需求量数值范围。
在一种可能的实现方式中,带宽需求量的规范化处理可以参照下表1来实现。
表1
作为一个示例,如表1所示,当某一监测终端的带宽需求量小于1Mbps时,将其带宽需求量设置为0,以对其带宽需求量进行规范化处理。
在一种可能的实现方式中,时延需求量的规范化处理可以参照下表2来实现。
表2
监测终端的时延需求范围 |
规范化后的时延需求量 |
X<1ms |
0 |
1ms≤X<20ms |
1 |
20ms≤X<40ms |
2 |
40ms≤X<60ms |
3 |
60ms≤X<2s |
4 |
…… |
…… |
作为一个示例,如表2所示,当某一监测终端的时延需求量为45ms时,将其时延需求量设置为3,以对其时延需求量进行规范化处理。
在一种可能的实现方式中,丢包率需求量的规范化处理可以参照下表3来实现。
表3
监测终端的丢包率需求范围 |
规范化后的丢包率需求量 |
X<1% |
1 |
X=1% |
5 |
1%≤X<2% |
7 |
X≥2% |
8 |
…… |
…… |
作为一个示例,如表3所示,当某一监测终端的丢包率需求量为1%时,将其丢包率需求量设置为5,以对其丢包率需求量进行规范化处理。
需要说明的是,在确定各监测终端的网络需求特征图后,对各监测终端的带宽需求量、时延需求量和丢包率需求量进行上述规范化处理。且在一种可能的实现方式中,规范化处理后的网络需求特征图为按照带宽需求量、时延需求量和丢包率需求量顺序排列的数组。
比如:监测终端A的网络特征图为“147”数字集、监测终端B的网络特征图为“268”数字集、监测终端C的网络特征图为“579”数字集。
步骤220:根据电力监控数据的网络需求,对各监测终端的网络需求特征图进行分类,得到至少一类候选网络需求特征图;一类候选网络需求特征图对应一类监测终端。
需要说明的是,步骤220中各监测终端的网络需求特征图可以是未进行规范化处理的数字集,也可以是进行规范化处理的数字集,本申请在此不做限制。
由于网络需求特征图包括带宽需求量、时延需求量和丢包率需求量,因此,在一种可能的实现方式中,上述步骤220的实现过程可以为:对于分布式电力监控系统中各监测终端的网络需求特征图,将网络需求中带宽需求量、时延需求量和丢包率需求量均相同的监测终端划分为一类,得到多类监测终端,以及每类监测终端对应的候选网络需求特征图。
可以理解的是,一个监测终端对应一个网络需求特征图,一类候选网络需求特征图对应一类监测终端,这一类监测终端传输电力监控数据时的网络需求相同。
步骤230:将各类候选网络需求特征图分别输入至网络切片模型中,得到各类监测终端对应的目标网络切片;目标网络切片用于对应类监测终端传输采集的电力监控数据。
其中,网络切片模型为预先训练好的神经网络模型,该神经网络模型可以对网络需求特征图进行深度可分离卷积、级联、叠加等操作,以从网络需求特征图中提取特征,确定各类监测终端对应的目标网络切片。
在本实施例中,根据分布式电力监控系统中各监测终端采集的电力监控数据,确定各监测终端的网络需求特征图;根据电力监控数据的网络需求,对各监测终端的网络需求特征图进行分类,得到至少一类的候选网络需求特征图;一类候选网络需求特征图对应一类监测终端;将各类候选网络需求特征图分别输入至网络切片模型中,得到各类监测终端对应的目标网络切片;目标网络切片用于对应类监测终端传输采集的电力监控数据。
也即是,根据监测终端采集的电力监控数据确定各监测终端传输电力监控数据时的网络需求,进而可以通过网络需求将各监测终端进行分类,同一类监测终端的网络需求相同,可以使用同一个网络切片传输采集的电力监控数据。进一步地,根据各类监测终端的网络需求确定各类监测终端对应的网络切片时,将各类监测终端对应的候选网络需求特征图分别输入至网络切片模型中,通过网络切片模型确定各类监测终端对应的目标网络切片。
如此,利用网络切片可以使分布式电力监控系统的通信无线化,无需再敷设光纤等有线网络,并且能够降低通信网络的建设和维护成本。根据各监测终端的网络需求,通过网络切片模型为不同监测终端确定传输电力监控数据的网络切片,各类监测终端使用对应的目标网络切片传输电力监控数据,可以提高电力监控数据的传输效率。
在一个实施例中,如图3所示,网络切片模型包括级联网络和特征提取网络,则将各类候选网络需求特征图分别输入至网络切片模型中,得到各类监测终端对应的目标网络切片(上述步骤230)的实现过程,包括以下步骤:
步骤310:将各类候选网络需求特征图分别输入至级联网络中,通过级联网络确定满足各类监测终端网络需求的第一特征图。
其中,一类候选网络需求特征图包括至少一个网络需求特征图,级联是对至少两个维度的特征在一个方向上进行连接。
在一种可能的是实现方式中,步骤310的实现过程可以为:对于每一类候选网络需求特征图,通过级联网络对该类候选网络需求特征图包括的至少一个候选网络需求特征图进行级联操作,得到满足该类监测终端网络需求的第一特征图。
需要说明的是,通过级联网络对各类监测终端的网络需求特征图进行级联,得到表征该类监测终端传输电力监控数据时的网络需求。一类监测终端对应一个第一特征图,第一特征图用于反映各类监测终端的带宽、时延和丢包率需求。
步骤320:将第一特征图输入至特征提取网络中,通过特征提取网络确定满足各类监测终端网络需求的第二特征图。
其中,特征提取网络为卷积神经网络(Convolutional Neural Networks,CNN),CNN的基本操作包括两种,其一为特征提取,每个神经元的输入与前一层的局部接受域相连,并提取该局部的特征。一旦该局部特征被提取后,它与其它特征间的位置关系也随之确定下来;其二是特征映射,网络的每个计算层由多个特征映射组成,每个特征映射是一个平面,平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。此外,由于一个映射面上的神经元共享权值,因而减少了网络自由参数的个数。CNN中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层,这种特有的两次特征提取结构减小了特征分辨率。
在步骤320中,将第一特征图分三路输入至特征提取网络中,特征提取网络包括:带宽提取层、时延提取层和丢包率提取层,分别用于提取带宽特征、时延特征和丢包率特征,如此,各特征都是基于第一特征图进行提取的,保证了对初始信息的最大化提取,避免信息遗漏。
因此,在一种可能的实现方式中,特征提取网络可以为CNN,则确定满足各类监测终端网络需求的第二特征图的实现方式可以为:通过带宽提取层从第一特征图中提取带宽特征,得到带宽特征图;通过时延提取层从所述第一特征图中提取时延特征,得到时延特征图;通过丢包率提取层从第一特征图中提取丢包率特征,得到丢包率特征图;将带宽特征图、时延特征图和丢包率特征图确定为第二特征图。如此,通过三路分别进行特征提取,即可得到第二特征图。
进一步地,特征提取网络可以为残差结构的网络。比如,残差结构的神经网络。
则在另一种可能的实现方式中,确定满足各类监测终端网络需求的第二特征图的实现方式可以为:将第一特征图分别输入至带宽提取层、时延提取层和丢包率提取层。其中,带宽提取层基于预设的提取比例,通过残差块依次对第一特征图进行带宽特征提取,将多次特征提取后的带宽特征子图和第一特征图进行叠加运算,得到带宽特征图;同理,时延提取层基于预设的提取比例,通过残差块依次对第一特征图进行时延特征提取,将多次特征提取后的时延特征子图和第一特征图进行叠加运算,得到带宽特征图;丢包率提取层基于预设的提取比例,通过残差块依次对第一特征图进行丢包率特征提取,将多次特征提取后的丢包率特征子图和第一特征图进行叠加运算,得到丢包率特征图。如此,通过三路进行特征提取,即可得到第二特征图,第二特征图包括带宽特征图、时延特征图和丢包率特征图。
作为一个示例,预设的提取比例的调节步长可以为20%,即通过第一残差块对第一特征图进行特征提取,提取80%的信息,得到特征子图A;通过第二残差块对特征子图A进行特征提取,提取60%的信息,得到特征子图B;通过第三残差块对特征子图B进行特征提取,提取40%的信息,得到特征子图C;通过第四残差块对特征子图C进行特征提取,提取20%的信息,得到特征子图D,将特征子图D和第一特征图进行叠加运算,得到第二特征图。
步骤330:根据第二特征图,确定各类监测终端对应的目标网络切片。
由于第二特征图包括带宽特征图、时延特征图和丢包率特征图,分别反映各类监测终端的带宽特征、时延特征和丢包率特征,因此,在确定各类监测终端对应的目标网络切片时需要进行特征整合,以确定各类监测终端的整体网络需求。
在一种可能的实现方式中,步骤330的实现过程为:将带宽特征图、时延特征图和丢包率特征图进行级联处理,得到网络综合特征图,根据网络综合特征图,确定各类监测终端的网络切片指标,根据网络切片指标,确定各类监测终端对应的目标网络切片。
其中,网络综合特征图可以用于反映各类监测终端的最大或者最适网络需求,是包括目标带宽量、目标时延量和目标丢包率量的数字集。
需要说明的是,级联处理时,还可以预设各特征图的级联权重,将各特征图与其对应的级联权重相乘后再进行级联处理。
此外,根据网络综合特征图,确定各类监测终端的网络切片指标的实现过程可以参考上述步骤210的具体实现过程,以及表1-3。
也即是,根据网络综合特征图中的目标带宽量,查询表1确定目标带宽量所属的目标带宽需求范围;根据网络综合特征图中的目标时延量,查询表2确定目标时延量所属的目标时延需求范围;根据网络综合特征图中的目标丢包量,查询表3确定目标丢包量所属的目标丢包量需求范围。
进一步地,将目标带宽需求范围、目标时延需求范围和目标丢包量需求范围的最大值作为网络切片指标,根据该网络切片指标匹配的目标网络切片,可以满足每个监测终端的网络需求。
此外,需要说明的是,若目标网络切片是基站预先划分好的切片,则根据各类监测终端的网络切片指标,从预先划分好的切片中确定每一类监测终端对应的网络切片;目标网络切片与可以是根据网络切片指标中的带宽需求量进行切片后,得到的每一类监测终端对应的网络切片。本申请实施例对此不做限制。
在本实施例中,通过级联网络和特征提取网络对各类候选网络需求特征图进行级联处理,并针对级联处理后的第一特征图,使用残差结构的神经网络分别提取带宽特征、时延特征和丢包率特征,得到第二特征图,进而根据第二特征图确定各类监测终端对应的目标网络切片。如此,通过本申请的网络切片模型可以为各监测终端快速有效地确定目标网络切片,网络切片确定效率更高。
在一个实施例中,如图4所示,本申请使用的网络切片模型为预先训练好的网络模型,其训练过程包括以下步骤:
步骤410:获取切片训练数据,切片训练数据包括多类网络需求训练特征图。
由于电力系统数据库内对所有采购的监测终端均有数据存档,因此,可以直接从电力系统数据库中获取多个监测终端的配置参数,用于训练网络切片模型。
在一种可能的实现方式中,依据电力系统数据库中获取的多个监测终端的配置参数,根据多个监测终端的最大采集数据量,确定多个监测终端的网络需求特征图,得到网络需求训练特征图。
需要说明的是,网络需求训练特征图可以是参照上述步骤210对各监测终端的配置参数进行分析处理后得到的,也可以是直接从电力系统数据库或其他设备中获取得到网络需求特征图,本申请对此不做限制。
进一步地,可以参见上述步骤220,对各监测终端对应的网络需求训练特征图按照网络需求进行分类,得到切片训练数据,即多类网络需求训练特征图。
步骤420:将切片训练数据作为初始网络切片模型的输入,对初始网络切片模型进行迭代训练,直到初始网络切片模型输出的训练网络切片满足预设的收敛条件,确定初始网络切片模型收敛,得到网络切片模型。
其中,初始网络切片模型可以采用监督学习的方式进行迭代训练,也可以采用非监督学习的方式进行迭代训练。
作为一个示例,若初始网络切片模型采用监督学习的方式进行迭代训练,则上述切片训练数据还包括多个标准网络切片,多个标准网络切片和多类网络需求训练特征图对应,即一类网络需求训练特征图对应一个标准网络切片。
在一种可能的实现方式中,上述步骤420的实现过程可以为:将多类网络需求训练特征图作为初始网络切片模型的输入,对初始网络切片模型进行迭代训练,直到初始网络切片模型输出的训练网络切片与标准网络切片之间的差值小于预设值,则满足预设的收敛条件,确定初始网络切片模型收敛,得到网络切片模型。
本实施例中,将多类网络需求训练特征图作为初始网络切片模型的输入,对初始网络切片模型进行迭代训练,以得到本申请需要的网络切片模型。如此,训练好的网络切片模型可以根据输入的各类候选网络需求特征图,为各类监测终端确定目标网络切片,提高了监测终端的网络切片确定效率。
基于以上示出的切片确定方法的实施例,如图5所示,本申请还提供了另一种切片确定方法,以该方法应用于图1中的基站140为例进行说明,包括以下步骤:
步骤510:根据分布式电力监控系统中各监测终端采集的电力监控数据,确定各监测终端的网络需求特征图。
步骤520:根据电力监控数据的网络需求,对各监测终端的网络需求特征图进行分类,得到至少一类候选网络需求特征图;一类候选网络需求特征图对应一类监测终端。
步骤530:将各类候选网络需求特征图分别输入至级联网络中,通过级联网络确定满足各类监测终端网络需求的第一特征图。
步骤540:通过带宽提取层从第一特征图中提取带宽特征,得到带宽特征图;通过时延提取层从第一特征图中提取时延特征,得到时延特征图;通过丢包率提取层从第一特征图中提取丢包率特征,得到丢包率特征图。
步骤550:将带宽特征图、时延特征图和丢包率特征图进行级联处理,得到网络综合特征图。
步骤560:根据网络综合特征图,确定各类监测终端的网络切片指标。
步骤570:根据网络切片指标,确定各类监测终端对应的目标网络切片。
其中,上述步骤的具体实施过程可以参见上述实施例,本实施例在此不再赘述。
在本实施例中,根据监测终端采集的电力监控数据确定各监测终端传输电力监控数据时的网络需求,进而可以通过网络需求将各监测终端进行分类,同一类监测终端的网络需求相同,可以使用同一个网络切片传输采集的电力监控数据。进一步地,根据各类监测终端的网络需求确定各类监测终端对应的网络切片时,将各类监测终端对应的候选网络需求特征图分别输入至网络切片模型中,通过网络切片模型确定各类监测终端对应的网络切片,如此,各类监测终端使用对应的目标网络切片传输电力监控数据,可以提高电力监控数据的传输效率。
在一个实施例中,如图6所示,在为各个监测终端确定对应的网络切片后,若分布式电力监控系统中接入新增监测终端,则确定新增监测终端传输电力监控数据的网络切片的实现过程,可以包括以下步骤:
步骤610:根据新增监测终端采集的电力监控数据,确定新增监测终端的网络需求特征图。
其中,步骤610的实现过程参见上述步骤210,在此不再赘述。
步骤620:根据新增监测终端的网络需求特征图,确定新增监测终端所属的目标类候选网络需求特征图;目标类候选网络需求特征图对应的监测终端与新增监测终端的网络需求相同。
其中,网络需求特征图为具有新增监测终端带宽需求量、时延需求量和丢包率需求量的数字集。
基于上述实施例,目标类候选网络需求特征图可以为各类监测终端的网络综合特征图,用于反映每一类监测终端的网络切片指标。
在一种可能的实现方式中,步骤620的实现过程可以为:新增监测终端的网络需求特征图和各类监测终端的网络综合特征图依次进行对比,带宽需求量、时延需求量和丢包率需求量与新增监测终端的网络需求特征图均相同的候选网络需求特征图,确定为目标类候选网络需求特征图。
在另一种可能的实现方式中,还可以确定带宽需求量、时延需求量和丢包率需求量与新增监测终端的网络需求特征图之间的偏差,将特征偏差在预设偏差范围内的一个候选网络需求特征图,确定为目标类候选网络需求特征图。
步骤630:将目标类候选网络需求特征图对应的网络切片,作为传输新增监测终端采集的电力监控数据的网络切片。
在本实施例中,基于已经确定目标类候选网络需求特征图和目标类监测终端的目标网络切片,若电力分布式电力监控系统中接入新增监测终端,则通过对比新增监测终端的网络需求特征图和各类候选网络需求特征图,即可确定新增监测终端传输电力监控数据的网络切片,无需经过网络切片模型处理,提高了新增监测终端的网络切片确定效率。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种切片确定装置,该装置700包括:确定模块710、分类模块720和切片模块730,其中:
确定模块710,用于根据分布式电力监控系统中各监测终端采集的电力监控数据,确定各监测终端的网络需求特征图;
分类模块720,用于根据电力监控数据的网络需求,对各监测终端的网络需求特征图进行分类,得到至少一类候选网络需求特征图;一类候选网络需求特征图对应一类监测终端;
切片模块730,用于将各类候选网络需求特征图分别输入至网络切片模型中,得到各类监测终端对应的目标网络切片;目标网络切片用于对应类监测终端传输采集的电力监控数据。
在其中一个实施例中,网络切片模型包括级联网络和特征提取网络;则切片模块730,包括:
级联单元,用于将各类候选网络需求特征图分别输入至级联网络中,通过级联网络确定满足各类监测终端网络需求的第一特征图;
提取单元,用于将第一特征图输入至特征提取网络中,通过特征提取网络确定满足各类监测终端网络需求的第二特征图;
确定单元,用于根据第二特征图,确定各类监测终端对应的目标网络切片。
在其中一个实施例中,特征提取网络包括:带宽提取层、时延提取层和丢包率提取层;则提取单元,还用于:
通过带宽提取层从第一特征图中提取带宽特征,得到带宽特征图;通过时延提取层从第一特征图中提取时延特征,得到时延特征图;通过丢包率提取层从第一特征图中提取丢包率特征,得到丢包率特征图;
将带宽特征图、时延特征图和丢包率特征图确定为第二特征图。
在其中一个实施例中,确定单元,还用于:
将带宽特征图、时延特征图和丢包率特征图进行级联处理,得到网络综合特征图;
根据网络综合特征图,确定各类监测终端的网络切片指标;
根据网络切片指标,确定各类监测终端对应的目标网络切片。
在其中一个实施例中,特征提取网络为残差结构的网络。
在其中一个实施例中,将各类候选网络需求特征图分别输入至网络切片模型中之前,该装置700还用于:
获取切片训练数据,切片训练数据包括多类网络需求训练特征图;
将切片训练数据作为初始网络切片模型的输入,对初始网络切片模型进行迭代训练,直到初始网络切片模型输出的训练网络切片满足预设的收敛条件,确定初始网络切片模型收敛,得到网络切片模型。
在其中一个实施例中,若分布式电力监控系统中接入新增监测终端,则该装置700,还用于:
根据新增监测终端采集的电力监控数据,确定新增监测终端的网络需求特征图;
根据新增监测终端的网络需求特征图,确定新增监测终端所属的目标类候选网络需求特征图;目标类候选网络需求特征图对应的监测终端与新增监测终端的网络需求相同;
将目标类候选网络需求特征图对应的网络切片,作为传输新增监测终端采集的电力监控数据的网络切片。
在本实施例中,切片确定装置700中的确定模块710根据分布式电力监控系统中各监测终端采集的电力监控数据,确定各监测终端的网络需求特征图;分类模块720根据电力监控数据的网络需求,对各监测终端的网络需求特征图进行分类,得到至少一类候选网络需求特征图;一类候选网络需求特征图对应一类监测终端;切片模块730将各类候选网络需求特征图分别输入至网络切片模型中,得到各类监测终端对应的目标网络切片;目标网络切片用于对应类监测终端传输采集的电力监控数据。如此,利用网络切片将分布式电力监控系统的通信无线化,无需再敷设光纤等有线网络,并且能够降低通信网络的建设和维护成本。根据各监测终端的网络需求,通过网络切片模型为不同监测终端确定传输电力监控数据的网络切片,各类监测终端使用对应的目标网络切片传输电力监控数据,可以提高电力监控数据的传输效率。
可以理解的是,关于切片确定装置的具体限定可以参见上文中对于切片确定方法的限定,在此不再赘述。上述切片确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是基站服务器,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储存储网络切片信息、接入监测终端的终端信息、监测终端和网络切片的匹配关系等数据信息。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种切片确定方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述任一实施例中切片确定方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述任一实施例中切片确定方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。