CN113766576A - 服务质量管理方法、电子设备以及存储介质 - Google Patents
服务质量管理方法、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113766576A CN113766576A CN202111056846.3A CN202111056846A CN113766576A CN 113766576 A CN113766576 A CN 113766576A CN 202111056846 A CN202111056846 A CN 202111056846A CN 113766576 A CN113766576 A CN 113766576A
- Authority
- CN
- China
- Prior art keywords
- service
- network
- information
- service type
- streaming media
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/24—Negotiating SLA [Service Level Agreement]; Negotiating QoS [Quality of Service]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供了一种服务质量管理方法、电子设备以及存储介质。所述服务质量管理方法应用于服务配置节点,所述服务配置节点用于管理无线接入网的控制节点,所述方法包括:提取所述无线接入网的网络数据的用户访问特征;根据所述用户访问特征,确定所述网络数据对应的至少一个业务类型;向所述控制节点传输所述至少一个业务类型,使得所述控制节点针对所述至少一个业务类型进行服务质量管理。由于不同业务类型对服务质量的要求差别较大,针对业务类型进行服务质量管理,提高了服务质量管理可靠性,尤其在适用于众多服务场景的通信架构中,保证了各个服务场景的通信效率。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种服务质量管理方法、电子设备以及存储介质。
背景技术
开放无线接入网(Open-Radio Access Network,O-RAN)是一种能够实现5G普及化的无线接入解决方案之一。O-RAN的核心技术理念是:将无线系统设备切分为标准子系统组件分层独立研发,可支持有限推进硬件加速器、通用硬件平台和射频拉远单元(RemoteRadio Unit,RRU)子系统的硬件独立解耦。
一般而言,实现O-RAN需要通过硬件型号和规格的统一,以降低硬件设备制造和生产成本;还需要在传统网络架构的基础上,在网络边缘引入无线网络智能控制平台、无线智能管理器以及开放的标准化接口等。
在这样的形势下,O-RAN必然导致了网络架构复杂、接口种类繁多、硬件设备配置不统一,使得经由O-RAN架构的服务场景的服务质量(Quality of Service,QoS)变得不可靠。
发明内容
有鉴于此,本发明实施例提供一种服务质量管理方法、电子设备以及存储介质,以至少部分解决上述问题。
根据本发明实施例的第一方面,提供了一种服务质量管理方法,应用于服务配置节点,所述服务配置节点用于管理无线接入网的控制节点,所述方法包括:提取所述无线接入网的网络数据的用户访问特征;根据所述用户访问特征,确定所述网络数据对应的至少一个业务类型;向所述控制节点传输所述至少一个业务类型,使得所述控制节点针对所述至少一个业务类型进行服务质量管理。
根据本发明实施例的第二方面,提供了一种服务质量管理方法,应用于无线接入网的控制节点,所述方法包括:从管理所述控制节点的服务配置节点,获取所述无线接入网的网络数据对应的至少一个业务类型;确定与所述至少一个业务类型对应的时延信息;根据与所述至少一个业务类型对应的时延信息,对属于所述至少一个业务类型的业务进行服务质量管理。
根据本发明实施例的第三方面,提供了一种服务质量管理方法,包括:确定无线接入网支持的多个业务类型中的当前业务类型为流媒体业务;从所述多个业务类型各自的时延预测模型中,选择与所述流媒体业务对应的时延预测模型;根据所述流媒体业务对应的时延预测模型预测的时延信息,对所述流媒体业务进行服务质量管理。
根据本发明实施例的第四方面,提供了一种服务配置节点,用于管理无线接入网的控制节点,所述服务配置节点包括:提取模块,提取所述无线接入网的网络数据的用户访问特征;确定模块,根据所述用户访问特征,确定所述网络数据对应的至少一个业务类型;传输模块,向所述控制节点传输所述至少一个业务类型,使得所述控制节点针对所述至少一个业务类型进行服务质量管理。
根据本发明实施例的第五方面,提供了一种无线接入网的控制节点,包括:获取模块,从管理所述控制节点的服务配置节点,获取所述无线接入网的网络数据对应的至少一个业务类型;确定模块,确定与所述至少一个业务类型对应的时延信息;管理模块,根据与所述至少一个业务类型对应的时延信息,对属于所述至少一个业务类型的业务进行服务质量管理。
根据本发明实施例的第六方面,提供了一种服务配置节点,包括:确定模块,确定无线接入网支持的多个业务类型中的当前业务类型为流媒体业务;选择模块,从所述多个业务类型各自的时延预测模型中,选择与所述流媒体业务对应的时延预测模型;管理模块,根据所述流媒体业务对应的时延预测模型预测的时延信息,对所述流媒体业务进行服务质量管理。
根据本发明实施例的第七方面,提供了一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如第一方面至第三方面中任一方面所述的方法对应的操作。
根据本发明实施例的第八方面,提供了一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面至第三方面中任一方面所述的方法。
本发明实施例的方案能够提取无线接入网的网络数据的用户访问特征,确定网络数据对应的至少一个业务类型,并且向控制节点传输所述至少一个业务类型,使得控制节点针对至少一个业务类型进行服务质量管理,由于不同业务类型对服务质量的要求差别较大,针对业务类型进行服务质量管理,提高了服务质量管理可靠性,尤其在适用于众多服务场景的通信架构中,保证了各个服务场景的通信效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为根据一个示例的O-RAN架构的示意图;
图2为根据本发明的一个实施例的服务质量管理方法的步骤流程图;
图3为根据本发明的另一实施例的服务质量管理方法的步骤流程图;
图4A为根据本发明的另一实施例的服务质量管理方法的步骤流程图
图4B为图4A的实施例的示意性框图;
图4C为图4A的实施例部署在O-RAN架构中的示意图;
图5为根据本发明的另一实施例的用于流媒体传输的服务质量管理方法的步骤流程图;
图6为根据本发明的另一实施例的服务配置节点的结构框图;
图7为根据本发明的另一实施例的控制节点的结构框图;
图8为根据本发明的另一实施例的服务配置节点的结构框图;以及
图9为根据本发明的另一实施例的电子设备的结构示意图。
具体实施方式
为了使本领域的人员更好地理解本发明实施例中的技术方案,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,所描述的实施例仅是本发明实施例一部分实施例,而不是全部的实施例。基于本发明实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本发明实施例保护的范围。
下面结合本发明实施例附图进一步说明本发明实施例具体实现。
图1为根据一个示例的O-RAN架构的示意图。图1的O-RAN架构主要分为服务管理编排(Service Management and Orchestration,SMO)、无线智能控制器(Radio intelligentcontroller,RIC)、gNodeB(也可以被称为NG基站)等部分。其中,SMO、RIC和gNodeB可以作为独立的硬件部署在不同的网元中,也可以作为软件配置部署在相同的网元中。
SMO可以通过O1接口等对各个网元进行管理。O1接口负责管理网络功能,包括数据实时采集、配置、告警、性能、安全管理等。RIC包括非实时RIC(Non-Real-Time RIC)和近实时RIC(Near-Real-Time RIC)。
其中,非实时RIC可以部署在SMO中。近实时RIC负责处理时延要求大于1秒的业务,比如数据分析、人工智能机器模型训练等。近实时RIC负责处理时延要求小于1秒(50ms-200ms)的业务,比如无线资源管理、切换决策、双连接控制、负载均衡等网络业务。
非实时RIC配置在SMO内,通过从RAN和业务服务端收集全域相关数据,进行数据分析和机器模型训练,并将推理和策略通过用于人工智能的E1接口下发、将机器学习模型等部署于近实时RIC。
近实时RIC可以位于RAN内,也可以与RAN在物理上分离(RAN只包括CU和DU)。近实时RIC负责收集和分析RAN的即时信息,结合非实时RIC提供的额外或全局信息,并通过非实时RIC通过E1接口下发的推理模型和策略,实时采集数据和预测网络和用户行为变化,并根据策略通过E2接口实时对RAN参数进行调整,包括调整资源分配、优先级、切换等。比如,预测到网络即将发生拥塞,近实时RIC可以根据推理实时调整网络参数以预防拥塞。
近实时RIC可以配置有一个或多个应用程序。一个或多个应用程序是可以由第三方独立部署的应用,用于将机器学习模型和策略部署于其中,并且不同的应用程序可以与不同的RAN功能关联,从而使得RAN功能组件具备灵活的可编程性和可扩展性。
总之,近实时RIC和非实时RIC两者通过人工智能的方式(例如,机器学习模型)对网络负载均衡、移动性管理、多连接控制、QoS管理、网络节能等功能进行主动优化和调整,最终实现网络智能化、自动化。
国际电信联盟(International Telecommunication Union,ITU)为5G定义了增强移动宽带(Enhance Mobile Broadband,eMBB)、海量物联网通信(Massive Machine TypeCommunication,mMTC)、超高可靠性与超低时延业务(Ultra Reliable&Low LatencyCommunication,URLLC)三个应用场景。本发明实施例的方案适用于上述三个应用场景。
对于QoS管理而言,尤其在上述三个应用场景中,很多高资源需求的5G原生多媒体应用(如虚拟现实VR、云游戏等)对延迟极为敏感。由于网络衰落、网络漫游和用户移动等因素的影响,网络质量的变化是频繁且持续的。这些网络链路质量的变化会导致网络传输时延发生变化,继而影响到上述应用层业务或服务的QoS。
图2为根据本发明的一个实施例的服务质量管理方法的步骤流程图。图2的服务质量管理方法应用于服务配置节点,服务配置节点可以为SMO或者具有SMO功能的网络节点。所述服务配置节点用于管理无线接入网的控制节点,所述方法包括:
S210:提取所述无线接入网的网络数据的用户访问特征。
在步骤S220中,网络数据可以包括所述无线接入网的用户访问数据和网络配置数据中的至少一者。用户访问特征可以包括实时用户访问信息、访问时长信息、应用程序信息中的至少一者。
还可以提取网络数据的业务特征和网络特征,业务特征可以包括多媒体服务信息和人工智能服务信息中的至少一者。网络特征可以包括所述无线接入网的信道信息、访问测量信息、协议栈状态信息以及小区物理层信息中的至少一者。
基于图1的O-RAN架构,本发明实施例的非实时RIC可以获取SMO通过O1接口实时采集到的全局数据(包括来自RAN的数据和来自业务服务端的数据)。近实时RIC还可以通过E2接口实时采集来自RAN的数据,并且将数据通过O1接口上报到SMO。
S220:根据所述用户访问特征,确定所述网络数据对应的至少一个业务类型。
在步骤S220中,至少一个业务类型包括但不限于流媒体业务、人工智能业务、多媒体业务中的至少一者。人工智能业务包括语音识别业务、计算机视觉识别业务、自然语言处理业务。多媒体业务包括诸如视频业务、文本业务、图片业务等。流媒体业务包括短视频流媒体、直播业务、点播业务等。
国际电信联盟(International Telecommunication Union,ITU)为5G定义了增强移动宽带(Enhance Mobile Broadband,eMBB)、海量物联网通信(Massive Machine TypeCommunication,mMTC)、超高可靠性与超低时延业务(Ultra Reliable&Low LatencyCommunication,URLLC)三大应用场景。本发明实施例中的至少一个业务包括上述应用场景中的各种业务。
此外,可以将所述用户访问特征输入到预先训练的业务分类模型中,得到所述网络数据对应的至少一个业务类型。业务分类模型可以在非实时RIC模块中进行训练。非实时RIC模块可以通过O1接口获取网络数据作为训练样本,并且周期性地或根据预设时间训练业务分类模型,对业务分类模型进行更新。
S230:向所述控制节点传输所述至少一个业务类型,使得所述控制节点针对所述至少一个业务类型进行服务质量管理。
在步骤S230中,可以根据与所述至少一个业务类型对应的时延信息和所述网络特征,生成控制指令。第一控制指令可以指示服务端调整服务数据的配置参数。第二控制指令可以指示控制节点调整与属于至少一个业务类型的业务关联的网络配置参数。
本发明实施例的方案能够提取无线接入网的网络数据的用户访问特征,确定网络数据对应的至少一个业务类型,并且向控制节点传输所述至少一个业务类型,使得控制节点针对至少一个业务类型进行服务质量管理,由于不同业务类型对服务质量的要求差别较大,针对业务类型进行服务质量管理,提高了服务质量管理可靠性,尤其在适用于众多服务场景的通信架构中,保证了各个服务场景的通信效率。
在增强移动宽带场景中,本发明实施例中能够通过第一控制指令实时调整业务服务端的流媒体服务参数,流媒体服务参数可以包括流媒体的卡顿频率信息、卡顿时间信息、传输延迟信息、分辨率信息、帧率信息、均衡质量指标信息、时间戳延迟信息中的至少一者。
在海量物联网通信场景中,本发明实施例中能够通过第一控制指令和第二控制指令实时调整物联网无线接入网的网络配置、和/或物联网设备的服务端配置参数。
在超高可靠性与超低时延业务场景中,本发明实施例中能够通过第二控制指令调整网络配置参数,例如,调整路由参数,该路由参数可以指示较低延迟的无线接入节点。第二控制指令可以包括特定RAN的标识、RAN中的特定DU的标识、特定CU的标识中的至少一者。
在超高可靠性与超低时延业务场景的一个示例的自动驾驶场景中,自动驾驶车辆中包括路况数据采集模块、自动驾驶模块和网络模块。自动驾驶车辆可以将路况数据采集模块采集到的实时数据输入到预先部署在自动驾驶模块中的障碍物识别模型中,得到实时的障碍物信息。此外,还可以通过无线接入网在自动驾驶车辆进行辅助控制。
例如,自动驾驶车辆还可以通过网络模块获取与该自动驾驶车辆位于同一无线接入网的其他移动设备的位置数据。自动驾驶车辆还可以经由网络模块被乘坐该自动驾驶车辆或在自动驾驶车辆外部的用户所携带的用户设备控制,用户设备与自动驾驶车辆位于同一无线接入网或相邻的无线接入网。本发明实施例的服务质量管理方法能够执行用户设备对自动驾驶车辆的无线控制或者自动驾驶车辆向用户设备的无线反馈进行管理。具体而言,第二控制指令可以指示控制节点调整与属于自动驾驶业务类型的业务关联的网络配置参数,使得用户设备与自动驾驶车辆的网络模块之间的通信延迟减小。
在超高可靠性与超低时延业务场景的另一示例的远程实时操作场景中,本发明实施例的服务质量管理方法能够执行远程操作设备对被操作设备的无线控制或者被操作设备向远程操作设备的无线反馈进行管理。具体而言,第二控制指令可以指示控制节点调整与远程实时操作场景关联的网络配置参数,使得远程操作设备与被操作设备的网络模块之间的通信延迟减小。例如,远程操作设备位于第一无线接入网中,被操作设备位于第二无线接入网中,近实时RIC可以对第一无线接入网和第一无线接入网同时进行动态管理,以减小远程操作设备与被操作设备之间的通信延迟。
在另一些示例中,图2的方法还包括:提取所述网络数据的业务特征和网络特征;向所述控制节点传输所述业务特征和所述网络特征,使得所述控制节点根据所述业务特征和所述网络特征对所述至少一个业务类型进行服务质量管理。业务特征和所述网络特征可靠地反映了服务质量指标,提高了服务质量管理的效率。
所述业务特征可以包括多媒体服务信息和人工智能服务信息中的至少一者。所述网络特征可以包括所述无线接入网的信道信息、访问测量信息、协议栈状态信息以及小区物理层信息中的至少一者。
在另一些示例中,所述根据所述用户访问特征,确定所述网络数据对应的至少一个业务类型,包括:将所述用户访问特征输入到预先训练的业务分类模型中,得到所述网络数据对应的至少一个业务类型。业务分类模型提高了业务分类的效率,同时可以根据O-RAN架构高效地实现模型更新和重新部署。作为一个示例,所述业务分类模型部署在所述服务配置节点中的非实时RIC模块中。
图3为根据本发明的另一实施例的服务质量管理方法的步骤流程图。图3的服务质量管理方法应用于无线接入网的控制节点,控制节点可以包括近实时RIC的节点、或者包括近实时RIC和RAN两者的节点、或者具有近实时RIC功能的节点,所述方法包括:
S310:从管理所述控制节点的服务配置节点,获取所述无线接入网的网络数据对应的至少一个业务类型。
在步骤S310中,至少一个业务类型包括但不限于流媒体业务、人工智能业务、多媒体业务中的至少一者。人工智能业务包括语音识别业务、计算机视觉识别业务、自然语言处理业务。多媒体业务包括诸如视频业务、文本业务、图片业务等。流媒体业务包括短视频流媒体、直播业务、点播业务等。
S320:确定与所述至少一个业务类型对应的时延信息。
在步骤:320中,可以将所述业务特征和网络特征输入到所述时延预测模型中,得到属于所述至少一个业务类型的业务的时延信息。
S330:根据与所述至少一个业务类型对应的时延信息,对属于所述至少一个业务类型的业务进行服务质量管理。
在步骤S330中,可以通过网络配置参数对无线接入网进行服务质量管理,也可以服务数据的配置参数对服务端进行服务质量管理。网络配置参数可以包括网络警报信息、带宽分配信息、网络路由信息中的至少一者。服务数据可以包括流媒体数据,服务数据的配置参数包括所述流媒体数据的帧率、渲染参数、图像分辨率中的至少一者。
本发明实施例的方案能够确定至少一个业务类型对应的时延信息,并且根据时延信息,对属于至少一个业务类型的业务进行服务质量管理。由于时延信息是服务质量的重要指标,因此提高了服务质量管理的可靠性。
在另一些示例中,所述确定与所述至少一个业务类型对应的时延信息,包括:确定与所述至少一个业务类型对应的预先训练的时延预测模型;利用所述时延预测模型,预测属于所述至少一个业务类型的业务的时延信息。时延预测模型提高了延迟预测的效率,并且能够基于O-RAN架构高效地实现模型的更新和部署。
在另一些示例中,所述方法还包括:从所述服务配置节点获取所述网络数据的业务特征和网络特征,利用所述时延预测模型,预测属于所述至少一个业务类型的业务的时延信息,包括:将所述业务特征和网络特征输入到所述时延预测模型中,得到属于所述至少一个业务类型的业务的时延信息。业务特征和所述网络特征可靠地反映了服务质量指标,提高了服务质量管理的效率。
所述业务特征可以包括多媒体服务信息和人工智能服务信息中的至少一者。所述网络特征可以包括所述无线接入网的信道信息、访问测量信息、协议栈状态信息以及小区物理层信息中的至少一者。
所述时延预测模型部署在所述控制节点的近实时RIC模块中。
在另一些示例中,所述服务配置节点用于实时采集属于所述至少一个业务类型的业务的实际时延,所述方法还包括:从所述服务配置节点将所述更新时延预测模型获取到所述近实时RIC模块,对所述时延预测模型进行更新,所述更新时延预测模型至少以属于所述至少一个业务类型的业务的实际时延作为训练样本,在所述服务配置节点中进行更新训练得到。由此,通过近实时RIC模块和服务配置节点可靠且高效地实现了模型的更新和部署。
在另一些示例中,所述根据与所述至少一个业务类型对应的时延信息,对属于所述至少一个业务类型的业务进行服务质量管理,包括:根据与所述至少一个业务类型对应的时延信息和所述网络特征,生成第一控制指令;向属于所述至少一个业务类型的业务的服务端发送第一控制指令,所述第一控制指令指示所述服务端调整服务数据的配置参数。基于时延信息生成的第一控制指令实现了对服务端直接的服务质量管理,在网络资源较少时,提高了服务质量效率。
在另一些示例中,所述根据与所述至少一个业务类型对应的时延信息,对属于所述至少一个业务类型的业务进行服务质量管理,包括:根据与所述至少一个业务类型对应的时延信息和所述网络特征,生成第二控制指令,所述第二控制指令指示所述控制节点调整与属于所述至少一个业务类型的业务关联的网络配置参数。由此,基于时延信息生成的第二控制指令实现了对无线接入网的服务质量管理。
在另一些示例中,所述至少一个业务类型为流媒体业务,所述服务端经由所述无线接入网执行所述流媒体业务,所述第一控制指令指示所述服务端调整所述流媒体业务的流媒体配置参数。本示例中能够通过控制指令实时调整业务服务端的流媒体服务参数,流媒体服务参数可以包括流媒体的卡顿频率信息、卡顿时间信息、传输延迟信息、分辨率信息、帧率信息、均衡质量指标信息、时间戳延迟信息中的至少一者。
例如,第一控制指令中可以包括执行所述流媒体业务的服务端的标识,可以向经由所述无线接入网执行所述流媒体业务的服务端发送第一控制指令,服务端响应该控制指令,调节经由无线接入网进行流媒体传输的流媒体服务参数。
下面将结合图4A-4C来详细描述本发明另一实施例的服务质量管理方法。图4A示出了本实施例的服务质量管理方法的各个步骤;图4B示出了图4A的实施例的示意性框图;并且图4C示出了图4A的实施例部署在O-RAN架构。
S410:获取无线接入网的网络数据,网络数据至少包括用户访问数据和网络配置数据。用户访问数据包括但不限于用户访问请求的频次信息、用户访问请求的时间信息、用户访问请求的地理信息等。
参照图4B,步骤S410可以由SMO执行,具体而言,可以由布置在SMO中的数据采集器来执行。
参考图4C,数据采集器可以通过O1接口获取无线接入网的网络配置数据以及业务服务器的用户访问数据。
S420:提取网络数据的业务特征和网络特征。
具体而言,可以从用户访问数据和网络配置数据两者中提取业务特征和网络特征,也可以从网络配置数据中提取业务特征和网络特征。
作为一个示例,可以采用预先设定的第一特征提取策略,从网络数据中提取到业务特征和网络特征。
作为另一示例,可以采用预先训练的第一机器学习模型进行特征提取,例如,将网络数据输入到第一机器学习模型中,得到业务特征和网络特征。
参照图4B,步骤S420可以由SMO执行,具体而言,可以由布置在SMO中的数据特征提取器来执行。
S430:提取网络数据的用户访问特征。
具体而言,可以从用户访问数据中提取用户访问特征,或者从用户访问数据和网络配置数据两者中提取用户访问特征。
作为一个示例,可以采用预先设定的第二特征提取策略,从网络数据中提取到用户访问特征。
作为另一示例,可以采用预先训练的第二机器学习模型进行特征提取,例如,将网络数据输入到第二机器学习模型中,得到用户访问特征。
应理解,对于步骤S420和S430而言,可以从网络数据中一同提取业务特征、网络特征和用户访问特征。
例如,可以部署预先训练的第三机器学习模型,并且将网络数据输入到第三机器学习模型中,得到业务特征、网络特征和用户访问特征。
参照图4B,步骤S430可以由SMO执行,具体而言,可以由布置在SMO中的数据特征提取器来执行。数据特征提取器可以包配置有上述的第一特征提取策略和第二特征提取策略。数据特征提取器也可以部署有上述的第一机器学习模型、第二机器学习模型和第三机器学习模型,其中,第一机器学习模型、第二机器学习模型和第三机器学习模型可以部署在同一数据特征提取器中,也可以部署在不同的数据特征提取器(例如,分别部署在一数据特征提取器)中。
参考图4C,上述的第一机器学习模型、第二机器学习模型和第三机器学习模型中的任一者可以在非实时RIC模块中进行训练。非实时RIC模块可以通过O1接口获取网络数据作为训练样本,并且周期性地或根据预设时间训练模型,并且对模型进行更新。
参考图4C,步骤S420和步骤S430中的数据特征提取器可以配置在非实时RIC中。
S440:将所述用户访问特征输入到预先训练的业务分类模型中,得到所述网络数据对应的至少一个业务类型。
参照图4B,步骤S440可以由SMO执行,具体而言,可以由布置在SMO中的业务分类器来执行。
参考图4C,业务分类器可以布置在非实时RIC中。
此外,上述的业务分类模型可以在非实时RIC模块中进行训练。非实时RIC模块可以通过O1接口获取网络数据作为训练样本,并且周期性地或根据预设时间训练业务分类模型,对业务分类模型进行更新。
S450:向所述控制节点传输所述至少一个业务类型、业务特征和所述网络特征。
参照图4B,步骤S450可以由SMO与近实时RIC之间的接口实现,具体而言,可以由布置在SMO中的业务分类器与部署在近实时RIC中的业务时延预测器之间的通信接口来执行。
具体而言,业务分类器可以向近实时RIC发送第一请求,第一请求中可以包括目标业务类型的标识。此外,数据特征提取器可以向近实时RIC发送第二请求,第二请求中包括业务特征和网络特征。
S460:确定与所述至少一个业务类型对应的预先训练的时延预测模型。
具体而言,业务时延预测器在软件上可以实现为一个或多个。例如,可以针对不同的业务类型配置不同的业务时延预测器。更具体地,可以针对N个业务类型,配置N个业务时延预测器,分别被称为业务1时延预测器、业务2时延预测器、…、业务N时延预测器(如图4B所示)。应理解,N个业务时延预测器中的每个业务时延预测器可以为预先配置的软件程序,也可以分别为预先训练的时延预测模型1-N。
可以根据业务分类器发送的第一请求,选择与N个业务时延预测器中的目标业务时延预测器,对应于N个业务类型中的目标业务类型。
参照图4B,步骤S460可以由近实时RIC执行。
参考图4C,上述的时延预测模型1-N可以在非实时RIC模块中进行训练。非实时RIC模块可以通过O1接口获取网络数据作为训练样本,并且周期性地或根据预设时间训练时延预测模型1-N,对时延预测模型1-N进行更新。非实时RIC模块将训练完成训练的机器学习模型通过E1接口发送到近实时RIC中。
S470:将所述业务特征和网络特征输入到所述时延预测模型中,得到属于所述至少一个业务类型的业务的时延信息。
参照图4B,步骤S470可以由近实时RIC执行,具体而言,可以由部署在近实时RIC中的业务时延预测器执行。
具体地,时延预测模型1-N各自的训练样本可以包括各自的业务类型、业务特征和网络特征。其中,对于不同时延预测模型1-N,业务特征和网络特征既可以相同也可以不同。优选地,对于不同时延预测模型1-N,业务特征和网络特征相同,由此提高了样本的重合度,提高了时延预测模型1-N整体的训练效率。
S480:根据与所述至少一个业务类型对应的时延信息和所述网络特征,生成控制指令。控制指令包括第一控制指令和第二控制指令。
第一控制指令指示服务端调整服务数据的配置参数。第一控制指令中可以包括该服务端的标识。参照图4B,示出了N个服务器包括业务1服务器、业务2服务器、…、业务N服务器,对应于N个业务类型。应理解,每个业务类型还可以对应于多个服务器。在每个业务类型对应于一个服务器的情况下,第一控制指令中可以包括业务类型标识。
在每个业务类型对应于多个服务器的情况下,第一控制指令中可以包括业务类型的标识,还可以包括执行该业务类型的服务器的标识。
第二控制指令指示控制节点调整与属于至少一个业务类型的业务关联的网络配置参数。尽管在图4B中示出了一个无线接入网,但是应理解,近实时RIC还可以用于控制多个无线接入网。第二控制指令中可以包括特定无线接入网的标识,向特定无线接入网发送网络配置参数。
参照图4B,步骤S480可以由近实时RIC执行,具体而言,可以由部署在近实时RIC中的决策生成器执行。
参考图4C,决策生成器可以布置在近实时RIC中。决策生成器可以通过E2接口向业务服务器以及无线接入网发送第一控制指令和第二控制指令。
此外,决策生成器以及时延预测器可以配置在图1所述的一个或多个应用程序中。
图5为根据本发明的另一实施例的用于流媒体传输的服务质量管理方法的步骤流程图。图5的服务质量管理方法可以应用于包括SMO和近实时RIC的节点、或者包括近实时RIC的节点。该方法包括:
S510:确定无线接入网支持的多个业务类型中的当前业务类型。
S520:在所述当前业务类型为流媒体业务时,从所述多个业务类型各自对应的时延预测模型中,选择与所述流媒体业务对应的时延预测模型。
S530:根据所述流媒体业务对应的时延预测模型预测的时延信息,向经由所述无线接入网执行所述流媒体业务的服务端发送控制指令,所述控制指令指示所述服务端调整所述流媒体业务的流媒体配置参数。
本发明实施例中能够通过控制指令实时调整业务服务端的流媒体服务参数,流媒体服务参数可以包括流媒体的卡顿频率信息、卡顿时间信息、传输延迟信息、分辨率信息、帧率信息、均衡质量指标信息、时间戳延迟信息中的至少一者。
例如,控制指令中可以包括执行所述流媒体业务的服务端的标识,可以向经由所述无线接入网执行所述流媒体业务的服务端发送控制指令,服务端响应该控制指令,调节经由无线接入网进行流媒体传输的流媒体服务参数。
本发明实施例的方案能够确定流媒体业务对应的时延预测模型,进而确定预测的流媒体业务的时延信息,并且根据时延信息,对流媒体业务进行服务质量管理。由于时延信息是流媒体业务服务质量的重要指标,因此提高了流媒体业务服务质量管理的可靠性。
图6为根据本发明的另一实施例的服务配置节点的结构框图。图6的服务配置节点用于管理无线接入网的控制节点,所述服务配置节点可以为SMO或者具有SMO功能的网络节点,服务配置节点包括:
提取模块610,提取所述无线接入网的网络数据的用户访问特征;
确定模块620,根据所述用户访问特征,确定所述网络数据对应的至少一个业务类型;
传输模块630,向所述控制节点传输所述至少一个业务类型,使得所述控制节点针对所述至少一个业务类型进行服务质量管理。
本发明实施例的方案能够提取无线接入网的网络数据的用户访问特征,确定网络数据对应的至少一个业务类型,并且向控制节点传输所述至少一个业务类型,使得控制节点针对至少一个业务类型进行服务质量管理,由于不同业务类型对服务质量的要求差别较大,针对业务类型进行服务质量管理,提高了服务质量管理可靠性,尤其在适用于众多服务场景的通信架构中,保证了各个服务场景的通信效率。
在另一些示例中,提取模块还用于:提取所述网络数据的业务特征和网络特征。传输模块还用于:向所述控制节点传输所述业务特征和所述网络特征,使得所述控制节点根据所述业务特征和所述网络特征对所述至少一个业务类型进行服务质量管理。
在另一些示例中,确定模块具体用于:将所述用户访问特征输入到预先训练的业务分类模型中,得到所述网络数据对应的至少一个业务类型。
在另一些示例中,所述业务分类模型部署在所述服务配置节点中的非实时RIC模块中。
在另一些示例中,所述业务特征包括多媒体服务信息和人工智能服务信息中的至少一者。
在另一些示例中,所述多媒体服务信息为流媒体服务信息,所述流媒体服务信息包括流媒体的卡顿频率信息、卡顿时间信息、传输延迟信息、分辨率信息、帧率信息、均衡质量指标信息、时间戳延迟信息中的至少一者。所述网络特征包括所述无线接入网的信道信息、访问测量信息、协议栈状态信息以及小区物理层信息中的至少一者。
在另一些示例中,所述网络数据包括所述无线接入网的用户访问数据和网络配置数据中的至少一者。
在另一些示例中,所述用户访问特征包括实时用户访问信息、访问时长信息、应用程序信息中的至少一者。
本实施例的装置用于实现前述多个方法实施例中相应的方法,并具有相应的方法实施例的有益效果,在此不再赘述。此外,本实施例的装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述,在此亦不再赘述。
图7为根据本发明的另一实施例的控制节点的结构框图。图7的无线接入网的控制节点可以包括近实时RIC的节点、或者包括近实时RIC和RAN两者的节点、或者具有近实时RIC功能的节点,控制节点包括:
获取模块710,从管理所述控制节点的服务配置节点,获取所述无线接入网的网络数据对应的至少一个业务类型;
确定模块720,确定与所述至少一个业务类型对应的时延信息;
管理模块730,根据与所述至少一个业务类型对应的时延信息,对属于所述至少一个业务类型的业务进行服务质量管理。
本发明实施例的方案能够确定至少一个业务类型对应的时延信息,并且根据时延信息,对属于至少一个业务类型的业务进行服务质量管理。由于时延信息是服务质量的重要指标,因此提高了服务质量管理的可靠性。
在另一些示例中,确定模块具体用于:确定与所述至少一个业务类型对应的预先训练的时延预测模型;利用所述时延预测模型,预测属于所述至少一个业务类型的业务的时延信息。
在另一些示例中,获取模块还用于:从所述服务配置节点获取所述网络数据的业务特征和网络特征。确定模块具体用于:将所述业务特征和网络特征输入到所述时延预测模型中,得到属于所述至少一个业务类型的业务的时延信息。
在另一些示例中,所述时延预测模型部署在所述控制节点的近实时RIC模块中。
在另一些示例中,所述服务配置节点用于实时采集属于所述至少一个业务类型的业务的实际时延。所述节点还包括模型获取模块,从所述服务配置节点将所述更新时延预测模型获取到所述近实时RIC模块,对所述时延预测模型进行更新,所述更新时延预测模型至少以属于所述至少一个业务类型的业务的实际时延作为训练样本,在所述服务配置节点中进行更新训练得到。
在另一些示例中,管理模块具体用于:根据与所述至少一个业务类型对应的时延信息和所述网络特征,生成第一控制指令;向属于所述至少一个业务类型的业务的服务端发送第一控制指令,所述第一控制指令指示所述服务端调整服务数据的配置参数。
在另一些示例中,所述服务数据包括流媒体数据,所述服务数据的配置参数包括所述流媒体数据的帧率、渲染参数、图像分辨率中的至少一者。
在另一些示例中,管理模块具体用于:根据与所述至少一个业务类型对应的时延信息和所述网络特征,生成第二控制指令,所述第二控制指令指示所述控制节点调整与属于所述至少一个业务类型的业务关联的网络配置参数。
在另一些示例中,所述网络配置参数包括网络警报信息、带宽分配信息、网络路由信息中的至少一者。
本实施例的装置用于实现前述多个方法实施例中相应的方法,并具有相应的方法实施例的有益效果,在此不再赘述。此外,本实施例的装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述,在此亦不再赘述。
图8为根据本发明的另一实施例的服务配置节点的结构框图。图8的服务配置节点可以包括SMO和近实时RIC两者、或者包括近实时RIC,该服务配置节点包括:
确定模块810,确定无线接入网支持的多个业务类型中的当前业务类型。
选择模块820,在所述当前业务类型为流媒体业务时,从所述多个业务类型各自对应的时延预测模型中,选择与所述流媒体业务对应的时延预测模型;
管理模块830,根据所述流媒体业务对应的时延预测模型预测的时延信息,向经由所述无线接入网执行所述流媒体业务的服务端发送控制指令,所述控制指令指示所述服务端调整所述流媒体业务的流媒体配置参数。
本发明实施例的方案能够确定流媒体业务对应的时延预测模型,进而确定预测的流媒体业务的时延信息,并且根据时延信息,对流媒体业务进行服务质量管理。由于时延信息是流媒体业务服务质量的重要指标,因此提高了流媒体业务服务质量管理的可靠性。
本实施例的装置用于实现前述多个方法实施例中相应的方法,并具有相应的方法实施例的有益效果,在此不再赘述。此外,本实施例的装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述,在此亦不再赘述。
参照图9,示出了根据本发明的另一实施例的电子设备的结构示意图,本发明具体实施例并不对电子设备的具体实现做限定。
如图9所示,该电子设备可以包括:处理器(processor)902、通信接口(Communications Interface)904、存储器(memory)906、以及通信总线908。
其中:
处理器902、通信接口904、以及存储器906通过通信总线908完成相互间的通信。
通信接口904,用于与其它电子设备或服务器进行通信。
处理器902,用于执行程序910,具体可以执行上述方法实施例中的相关步骤。
具体地,程序910可以包括程序代码,该程序代码包括计算机操作指令。
处理器902可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。智能设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器906,用于存放程序910。存储器906可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序910具体可以用于使得处理器902执行以下操作:
提取所述无线接入网的网络数据的用户访问特征;根据所述用户访问特征,确定所述网络数据对应的至少一个业务类型;向所述控制节点传输所述至少一个业务类型,使得所述控制节点针对所述至少一个业务类型进行服务质量管理;
或者,从管理所述控制节点的服务配置节点,获取所述无线接入网的网络数据对应的至少一个业务类型;确定与所述至少一个业务类型对应的时延信息;根据与所述至少一个业务类型对应的时延信息,对属于所述至少一个业务类型的业务进行服务质量管理;
或者,确定无线接入网支持的多个业务类型中的当前业务类型为流媒体业务;从所述多个业务类型各自的时延预测模型中,选择与所述流媒体业务对应的时延预测模型;根据所述流媒体业务对应的时延预测模型预测的时延信息,对所述流媒体业务进行服务质量管理。
此外,程序910中各步骤的具体实现可以参见上述方法实施例中的相应步骤和单元中对应的描述,在此不赘述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程描述,在此不再赘述。
需要指出,根据实施的需要,可将本发明实施例中描述的各个部件/步骤拆分为更多部件/步骤,也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤,以实现本发明实施例的目的。
上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的方法。此外,当通用计算机访问用于实现在此示出的方法的代码时,代码的执行将通用计算机转换为用于执行在此示出的方法的专用计算机。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及方法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明实施例的范围。
以上实施方式仅用于说明本发明实施例,而并非对本发明实施例的限制,有关技术领域的普通技术人员,在不脱离本发明实施例的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明实施例的范畴,本发明实施例的专利保护范围应由权利要求限定。
Claims (16)
1.一种服务质量管理方法,应用于服务配置节点,所述服务配置节点用于管理无线接入网的控制节点,所述方法包括:
提取所述无线接入网的网络数据的用户访问特征;
根据所述用户访问特征,确定所述网络数据对应的至少一个业务类型;
向所述控制节点传输所述至少一个业务类型,使得所述控制节点针对所述至少一个业务类型进行服务质量管理。
2.根据权利要求1所述的方法,其中,所述方法还包括:
提取所述网络数据的业务特征和网络特征;
向所述控制节点传输所述业务特征和所述网络特征,使得所述控制节点根据所述业务特征和所述网络特征对所述至少一个业务类型进行服务质量管理。
3.根据权利要求1所述的方法,其中,所述根据所述用户访问特征,确定所述网络数据对应的至少一个业务类型,包括:
将所述用户访问特征输入到预先训练的业务分类模型中,得到所述网络数据对应的至少一个业务类型。
4.根据权利要求3所述的方法,其中,所述业务分类模型部署在所述服务配置节点中的非实时RIC模块中。
5.根据权利要求2所述的方法,其中,所述业务特征包括多媒体服务信息和人工智能服务信息中的至少一者,
其中,所述多媒体服务信息为流媒体服务信息,所述流媒体服务信息包括流媒体的卡顿频率信息、卡顿时间信息、传输延迟信息、分辨率信息、帧率信息、均衡质量指标信息、时间戳延迟信息中的至少一者,
其中,所述网络特征包括所述无线接入网的信道信息、访问测量信息、协议栈状态信息以及小区物理层信息中的至少一者。
6.一种服务质量管理方法,应用于无线接入网的控制节点,所述方法包括:
从管理所述控制节点的服务配置节点,获取所述无线接入网的网络数据对应的至少一个业务类型;
确定与所述至少一个业务类型对应的时延信息;
根据与所述至少一个业务类型对应的时延信息,对属于所述至少一个业务类型的业务进行服务质量管理。
7.根据权利要求6所述的方法,其中,所述确定与所述至少一个业务类型对应的时延信息,包括:
确定与所述至少一个业务类型对应的预先训练的时延预测模型;
利用所述时延预测模型,预测属于所述至少一个业务类型的业务的时延信息。
8.根据权利要求7所述的方法,其中,所述方法还包括:
从所述服务配置节点获取所述网络数据的业务特征和网络特征,
所述利用所述时延预测模型,预测属于所述至少一个业务类型的业务的时延信息,包括:
将所述业务特征和网络特征输入到所述时延预测模型中,得到属于所述至少一个业务类型的业务的时延信息。
9.根据权利要求7所述的方法,其中,所述时延预测模型部署在所述控制节点的近实时RIC模块中。
10.根据权利要求9所述的方法,其中,所述服务配置节点用于获取属于所述至少一个业务类型的业务的实际时延,所述方法还包括:
从所述服务配置节点将所述更新时延预测模型获取到所述近实时RIC模块,对所述时延预测模型进行更新,所述更新时延预测模型至少以属于所述至少一个业务类型的业务的实际时延作为训练样本,在所述服务配置节点中进行更新训练得到。
11.根据权利要求6所述的方法,其中,所述根据与所述至少一个业务类型对应的时延信息,对属于所述至少一个业务类型的业务进行服务质量管理,包括:
根据与所述至少一个业务类型对应的时延信息和所述网络特征,生成第一控制指令;
向属于所述至少一个业务类型的业务的服务端发送第一控制指令,所述第一控制指令指示所述服务端调整服务数据的配置参数。
12.根据权利要求11所述的方法,其中,所述至少一个业务类型为流媒体业务,所述服务端经由所述无线接入网执行所述流媒体业务,所述第一控制指令指示所述服务端调整所述流媒体业务的流媒体配置参数。
13.根据权利要求6所述的方法,其中,所述根据与所述至少一个业务类型对应的时延信息,对属于所述至少一个业务类型的业务进行服务质量管理,包括:
根据与所述至少一个业务类型对应的时延信息和所述网络特征,生成第二控制指令,所述第二控制指令指示所述控制节点调整与属于所述至少一个业务类型的业务关联的网络配置参数。
14.一种服务质量管理方法,包括:
确定无线接入网支持的多个业务类型中的当前业务类型;
在所述当前业务类型为流媒体业务时,从所述多个业务类型各自对应的时延预测模型中,选择与所述流媒体业务对应的时延预测模型;
根据所述流媒体业务对应的时延预测模型预测的时延信息,向经由所述无线接入网执行所述流媒体业务的服务端发送控制指令,所述控制指令指示所述服务端调整所述流媒体业务的流媒体配置参数。
15.一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-14中任一项所述的方法对应的操作。
16.一种计算机存储介质,其上存储有计算机程序,该程序被处理器执行时实现如权利要求1-14中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111056846.3A CN113766576B (zh) | 2021-09-09 | 2021-09-09 | 服务质量管理方法、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111056846.3A CN113766576B (zh) | 2021-09-09 | 2021-09-09 | 服务质量管理方法、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113766576A true CN113766576A (zh) | 2021-12-07 |
CN113766576B CN113766576B (zh) | 2023-08-15 |
Family
ID=78794374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111056846.3A Active CN113766576B (zh) | 2021-09-09 | 2021-09-09 | 服务质量管理方法、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113766576B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114585101A (zh) * | 2022-04-26 | 2022-06-03 | 阿里巴巴(中国)有限公司 | 网络功能划分方法、无线接入网、设备和存储介质 |
TWI800297B (zh) * | 2022-03-09 | 2023-04-21 | 緯創資通股份有限公司 | 人工智慧計劃方法及實時網路智慧控制器 |
WO2023124468A1 (zh) * | 2021-12-31 | 2023-07-06 | 中兴通讯股份有限公司 | 业务质量的检测方法、装置、服务器和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015113298A1 (zh) * | 2014-01-29 | 2015-08-06 | 华为技术有限公司 | 资源的配置方法和装置 |
US20160249335A1 (en) * | 2013-10-29 | 2016-08-25 | Huawei Technologies Co., Ltd. | Mobility management method, device, and system |
CN106814618A (zh) * | 2017-02-20 | 2017-06-09 | 海南大学 | 一种二输入二输出网络解耦控制系统大网络时延的imc方法 |
CN108848532A (zh) * | 2018-06-06 | 2018-11-20 | Oppo广东移动通信有限公司 | 一种数据传输优化方法、装置及计算机存储介质 |
CN110400219A (zh) * | 2019-06-14 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 业务处理方法及系统、交易监控方法及系统 |
CN111130858A (zh) * | 2019-12-09 | 2020-05-08 | 网络通信与安全紫金山实验室 | 一种sd-wan场景下的动态多目标虚拟网络映射方法 |
US20200195539A1 (en) * | 2018-12-14 | 2020-06-18 | At&T Intellectual Property I, L.P. | Latency prediction and guidance in wireless communication systems |
CN111489568A (zh) * | 2019-01-25 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 交通信号灯的调控方法、装置及计算机可读存储介质 |
CN111666149A (zh) * | 2020-05-06 | 2020-09-15 | 西北工业大学 | 基于深度强化学习的超密边缘计算网络移动性管理方法 |
CN112073991A (zh) * | 2019-06-10 | 2020-12-11 | 中国移动通信有限公司研究院 | 一种接入网的业务处理方法及设备 |
US20210184989A1 (en) * | 2020-03-04 | 2021-06-17 | Geng Wu | Data-centric service-based network architecture |
CN113015219A (zh) * | 2019-12-19 | 2021-06-22 | 中国电信股份有限公司 | 基于策略梯度的网络资源选择方法、装置以及存储介质 |
-
2021
- 2021-09-09 CN CN202111056846.3A patent/CN113766576B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160249335A1 (en) * | 2013-10-29 | 2016-08-25 | Huawei Technologies Co., Ltd. | Mobility management method, device, and system |
WO2015113298A1 (zh) * | 2014-01-29 | 2015-08-06 | 华为技术有限公司 | 资源的配置方法和装置 |
CN106814618A (zh) * | 2017-02-20 | 2017-06-09 | 海南大学 | 一种二输入二输出网络解耦控制系统大网络时延的imc方法 |
CN108848532A (zh) * | 2018-06-06 | 2018-11-20 | Oppo广东移动通信有限公司 | 一种数据传输优化方法、装置及计算机存储介质 |
US20200195539A1 (en) * | 2018-12-14 | 2020-06-18 | At&T Intellectual Property I, L.P. | Latency prediction and guidance in wireless communication systems |
CN111489568A (zh) * | 2019-01-25 | 2020-08-04 | 阿里巴巴集团控股有限公司 | 交通信号灯的调控方法、装置及计算机可读存储介质 |
CN112073991A (zh) * | 2019-06-10 | 2020-12-11 | 中国移动通信有限公司研究院 | 一种接入网的业务处理方法及设备 |
CN110400219A (zh) * | 2019-06-14 | 2019-11-01 | 阿里巴巴集团控股有限公司 | 业务处理方法及系统、交易监控方法及系统 |
CN111130858A (zh) * | 2019-12-09 | 2020-05-08 | 网络通信与安全紫金山实验室 | 一种sd-wan场景下的动态多目标虚拟网络映射方法 |
CN113015219A (zh) * | 2019-12-19 | 2021-06-22 | 中国电信股份有限公司 | 基于策略梯度的网络资源选择方法、装置以及存储介质 |
US20210184989A1 (en) * | 2020-03-04 | 2021-06-17 | Geng Wu | Data-centric service-based network architecture |
CN111666149A (zh) * | 2020-05-06 | 2020-09-15 | 西北工业大学 | 基于深度强化学习的超密边缘计算网络移动性管理方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023124468A1 (zh) * | 2021-12-31 | 2023-07-06 | 中兴通讯股份有限公司 | 业务质量的检测方法、装置、服务器和存储介质 |
TWI800297B (zh) * | 2022-03-09 | 2023-04-21 | 緯創資通股份有限公司 | 人工智慧計劃方法及實時網路智慧控制器 |
CN114585101A (zh) * | 2022-04-26 | 2022-06-03 | 阿里巴巴(中国)有限公司 | 网络功能划分方法、无线接入网、设备和存储介质 |
CN114585101B (zh) * | 2022-04-26 | 2022-10-28 | 阿里巴巴(中国)有限公司 | 网络功能划分方法、无线接入网、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113766576B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113766576B (zh) | 服务质量管理方法、电子设备以及存储介质 | |
CN111565418B (zh) | 一种o-ran与mec的通信方法及系统 | |
CN108174421B (zh) | 一种5g网络中基于mec辅助的数据分流方法 | |
EP4099635A1 (en) | Method and device for selecting service in wireless communication system | |
CN113261244B (zh) | 联合mec主机和upf选择的网络节点 | |
EP3163843A1 (en) | Method and device for providing network service, evaluating policy rule and selecting service assembly | |
TW200845629A (en) | Method and arrangement for processing mobile station history information in a wireless communication system | |
CN104936232A (zh) | 5g网络中基于用户标签的分流方法和系统 | |
Chen et al. | Minimizing age-of-information for fog computing-supported vehicular networks with deep Q-learning | |
Huang et al. | Self-adapting handover parameters optimization for SDN-enabled UDN | |
CN114731577A (zh) | 一种策略确定的方法、系统及装置 | |
CN116250270A (zh) | 一种模型配置方法及装置 | |
US9788221B2 (en) | Server device capable of analyzing communication behavior, control device, control method for mobile terminal, and computer readable medium | |
WO2022033393A1 (zh) | 业务流量分流的方法和装置 | |
Zhang et al. | Testbed design and performance emulation in fog radio access networks | |
WO2020259276A1 (zh) | 一种网络优化的方法、装置和无线网络优化控制功能元 | |
CN109963312A (zh) | 一种网络切换方法、系统、网络转换设备及存储介质 | |
CN113596932A (zh) | 信息提供、生成、目标基站确定方法及设备、介质 | |
EP4250664A1 (en) | Communication related to federated learning | |
CN113473544B (zh) | 网络切片配置 | |
CN116867108A (zh) | 一种重构用户面功能网元关键服务能力的方法及通信装置 | |
CN109151895B (zh) | 一种数据传输方法、装置、服务器及网络中心节点 | |
CN115552957A (zh) | 电信网络中的可配置应用数据过滤 | |
EP4373204A1 (en) | Multipath pdu session | |
CN112996067B (zh) | 服务小区确定方法、装置及存储介质 |
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 |