CN113806498A - 网络切片实例运行状况的在线问答方法及装置 - Google Patents

Abstract

本发明公开了一种网络切片实例运行状况的在线问答方法及装置，该方法包括：接收切片用户发送来的请求获取切片实例运行状况的提问内容；根据提问内容中携带的切片实例标识和时间段信息，获取各网元功能节点产生的告警信息和性能指标信息；根据告警信息和性能指标信息构建目标切片实例的运行拓扑图，并得到运行拓扑图的拓扑矩阵；以及对提问内容进行文本序列化处理；将拓扑矩阵和序列化后的提问内容发送至训练好的运行状况回答模型中，预测回答内容；反馈回答内容至切片用户。通过上述方式，响应于用户对切片实例的运行状况的提问，可以及时向用户反馈对应的回答，使用户可及时的了解到其购买的切片实例的运行状况。

Description

网络切片实例运行状况的在线问答方法及装置

技术领域

本发明涉及通信技术领域，具体涉及一种网络切片实例运行状况的在线问答方法及装置。

背景技术

网络切片(Network Slice)是端到端的逻辑功能和其所需的物理或虚拟资源集合，包括接入网、传输网、核心网等，网络切片可认为是5G网络中的虚拟化“专网”；网络切片基于NFV的统一基础设施构建，实现低成本高效运营。网络切片技术可以实现通信网络的逻辑隔离，允许在每个网络切片中配置和重用网络元件及功能以满足特定的行业应用需求。

其中，网络切片实例(Network slice instance，简称NSI)是一个真实运行的逻辑网络，能满足一定网络特性或服务需求。一个网络切片实例可能提供一种或多种服务。网络切片实例可以由网管系统创建，一个网管系统可能创建多个网络切片实例并同时对它们进行管理，包括在网络切片实例运行过程中的性能监视和故障管理等。当多个网络切片实例共存时，网络切片实例之间可能共享部分网络资源和网络功能。

目前切片用户从网络切片运营商处只能收到话单类数据，即该网络切片实例使用的时长、流量、费用等信息，但切片用户所关心的关于其购买的网络切片实例运行状况是否真如订购签约的SLA保证的那样，诸如该类信息切片用户无法获取到。因此，现有技术无法满足切片用户对切片实例运行状况的个性化、多样化了解需求，切片用户无法主动向运营商获取其切片实例运行状况的相关信息。

发明内容

鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的网络切片实例运行状况的在线问答方法及装置。

根据本发明实施例的一个方面，提供了一种网络切片实例运行状况的在线问答方法，包括：

接收切片用户发送来的请求获取切片实例运行状况的提问内容；

根据所述提问内容中携带的切片实例标识和时间段信息，获取所述提问内容所涉及的目标时间段内目标切片实例中各网元功能节点产生的告警信息和性能指标信息；根据所述告警信息和性能指标信息构建所述目标切片实例的运行拓扑图，并得到所述运行拓扑图的拓扑矩阵；以及

对所述提问内容进行文本序列化处理，得到序列化后的提问内容；

将所述拓扑矩阵和序列化后的提问内容发送至训练好的运行状况回答模型中，预测得到响应所述提问内容的回答内容；

反馈所述回答内容至切片用户。

根据本发明实施例的另一方面，提供了一种网络切片实例运行状况的在线问答装置，包括：

接收模块，适于接收切片用户发送来的请求获取切片实例运行状况的提问内容；

获取模块，适于根据所述提问内容中携带的切片实例标识和时间段信息，获取所述提问内容所涉及的目标时间段内目标切片实例中各网元功能节点产生的告警信息和性能指标信息；

构建模块，适于根据所述告警信息和性能指标信息构建所述目标切片实例的运行拓扑图，并得到所述运行拓扑图的拓扑矩阵；

序列化处理模块，适于对所述提问内容进行文本序列化处理，得到序列化后的提问内容；

预测模块，适于将所述拓扑矩阵和序列化后的提问内容发送至训练好的运行状况回答模型中，预测得到响应所述提问内容的回答内容；

反馈模块，适于反馈所述回答内容至切片用户。

根据本发明实施例的又一方面，提供了一种计算设备，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上述网络切片实例运行状况的在线问答方法对应的操作。

根据本发明实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述网络切片实例运行状况的在线问答方法对应的操作。

根据本发明实施例的网络切片实例运行状况的在线问答方法及装置，接收切片用户针对切片实例运行状况的提问内容，并通过对该提问内容的处理，分别得到拓扑矩阵和序列化的提问内容，其中，拓扑矩阵中包含目标切片实例的实际结构和状态特征，以及序列化的提问内容包含用户提问的特征；然后输入至训练好的运行状况回答模型中，则可预测出响应于提问内容的回答内容。由此可见，本发明方案，可以向切片用户提供其所关心的切片实例运行状况的相关信息，并且可依据切片用户的提问内容进行回答，满足对切片实例运行状况的个性化以及多样化的了解需求，弥补现有技术中切片用户无法主动向运营商获取其切片实例运行状况的相关信息的不足。

上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例提供的网络切片实例运行状况的在线问答方法的流程图；

图2示出了本发明另一个实施例提供的网络切片实例运行状况的在线问答方法的流程图；

图3示出了本发明一个具体示例中由问题特征提取器、运行拓扑特征提取器以及回答生成器构成的神经网络模型的结构示意图；

图4示出了本发明一个具体实施例中的完整在线回答流程的示意图；

图5示出了本发明实施例提供的网络切片实例运行状况的在线问答装置的结构示意图；

图6示出了本发明实施例提供的计算设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

在实施本发明实施例方案前，先在此介绍本文中所涉及的几个专业术语，以便对下文中具体实施例的理解：

1.切片管理架构：其主要由CSMF，NSMF以及NSSMF组成。

其中，CSMF(Communication Service Management Function，通信业务管理功能模块)：完成用户业务通信服务的需求订购和处理，负责将运营商/第三方客户的通信服务需求转化为对网络切片的需求，并通过和NSMF之间的接口向NSMF发送对网络切片的需求(如创建、终结、修改网络切片实例请求等)，从NSMF获取网络切片的管理数据(如性能、故障数据等)。

其中，NSMF(Network Slice Management Function，网络切片管理功能模块)：负责接收CSMF发送的网络切片需求，对网络切片实例的生命周期、性能、故障等进行管理，编排网络切片实例的组成，分解网络切片实例的需求为各网络切片子网实例或网络功能的需求，向各NSSMF发送网络切片子网实例管理请求。

以及，NSSMF(Network Slice Subnet Management Function，网络切片子网管理功能模块)，接收从NSMF下发的网络切片子网部署需求，对网络切片子网实例进行管理，编排网络切片子网实例的组成，将网络切片子网的SLA需求映射为网络服务的QoS需求，向ETSI NFV域的NFVO系统下发网络服务的部署请求。

2.5G消息与5G消息中心

5G消息是一种基于GSMA国际通讯标准的富媒体消息应用，通过提供直达、便捷、大容量、内容丰富的视频化富媒体信息服务，为客户带来全方位的内容服务和沟通价值。5G消息基于RCS与MaaP(Messaging as a Platform)标准，具有智能交互能力，可发送富媒体卡片等多媒体内容。5G消息系统依托于5GMC(5G消息中心)以及MaaP(消息即服务平台)，5GMC具备处理短消息和基础多媒体消息的能力，能够为5G消息终端提供5G消息/短信的收发。

图1示出了本发明实施例提供的网络切片实例运行状况的在线问答方法的流程图。本实施例方案可由具有数据处理能力的一个或多个计算设备来执行。如图1所示，该方法包括以下步骤：

步骤S110：接收切片用户发送来的请求获取切片实例运行状况的提问内容。

具体地，切片用户可通过向5G消息中心(5GMC)发送关于其购买的网络切片实例运行状况的提问内容，便于用户的5G消息终端实时的发起提问；该5G消息中心可将提问内容传递给执行本实施例方案的主体。

步骤S120：根据该提问内容中携带的切片实例标识和时间段信息，获取该提问内容所涉及的目标时间段内目标切片实例中各网元功能节点产生的告警信息和性能指标信息；根据该告警信息和性能指标信息构建该目标切片实例的运行拓扑图，并得到该运行拓扑图的拓扑矩阵。

具体地，在接收到提问内容后，可从该提问内容中提取出携带的切片实例标识和所涉及的时间段信息，该切片实例标识即为切片用户的提问针对的目标切片实例的标识，以及，时间段信息则是指切片用户的提问所需了解的运行状况的目标时间段的信息，换言之，切片实例标识和时间段信息指明用户想要了解哪个目标切片实例的哪个目标时间段的运行状况。然后，获取时间段信息指向的目标时间段、且切片实例标识指向的目标切片实例的各网元功能节点产生的告警信息和性能指标信息，并构建运行拓扑图，这些告警信息和性能指标信息可反映出目标切片实例的运行特征，可以用于生成对应提问内容的回答，其中，告警信息和性能指标信息通常可从切片管理架构的NSMF中获取到；以及，该运行拓扑图可反映出网元功能节点的特征以及节点间的关系。通过对运行拓扑图进行转化，可得到拓扑矩阵，该拓扑矩阵可以矩阵形式反映出运行拓扑图中的节点以及边的特征。

步骤S130：对该提问内容进行文本序列化处理，得到序列化后的提问内容。

其中，对提问内容的文本进行预处理，以便后续输入至模型中进行预测。具体地，对提问内容中的文本进行编码，得到一串编码序列，即为序列化的提问内容。

步骤S140：将该拓扑矩阵和序列化后的提问内容发送至训练好的运行状况回答模型中，预测得到响应该提问内容的回答内容，反馈该回答内容至切片用户。

利用运行状况回答模型对输入的拓扑矩阵和序列化后的提问内容进行特征提取与融合，最终预测得到匹配提问内容的回答内容，并反馈给提问的切片用户，使切片用户可了解到提问的目标切片实例的运行状况。其中，也可通过5GMC向切片用户的消息终端反馈回答内容。

根据本实施例提供的网络切片实例运行状况的在线问答方法，接收切片用户针对切片实例运行状况的提问内容，并通过对该提问内容的处理，分别得到拓扑矩阵和序列化的提问内容，其中，拓扑矩阵中包含目标切片实例的实际结构和状态特征，以及序列化的提问内容包含用户提问的特征；然后输入至训练好的运行状况回答模型中，则可预测出响应于提问内容的回答内容。由此可见，本实施例方案，可以向切片用户提供其所关心的切片实例运行状况的相关信息，并且可依据切片用户的提问内容进行回答，满足对切片实例运行状况的个性化以及多样化的了解需求，弥补现有技术中切片用户无法主动向运营商获取其切片实例运行状况的相关信息的不足。

图2示出了本发明另一个实施例提供的网络切片实例运行状况的在线问答方法的流程图。如图2所示，该方法包括以下步骤：

步骤S210：训练运行状况回答模型。

在本实施例中，对运行状况回答模型的训练过程进行具体说明。需要先在此声明的是，实际中，训练过程和实时的在线预测过程基本类似，都包括数据采集、数据预处理以及输入模型中进行处理的过程，基于此，在下文说明中，对于训练和预测流程中相似的内容通常仅做一遍说明，本领域技术人员应该明确其余训练或预测流程中的相似内容的原理和具体实施也可以按此理解，例如，训练过程中得到拓扑矩阵样本和预测过程中得到拓扑矩阵的具体实施原理及过程是相同的，可互相参照。

具体地，采集多个历史提问内容，以及构建该多个历史提问内容涉及的多个历史切片实例在相应历史时间段的多个历史运行拓扑图(该构建步骤的具体实施可参见在线预测过程中的相关说明)；针对每个历史提问内容，将该历史提问内容进行序列化处理得到序列化提问内容样本，将该历史提问内容对应的历史运行拓扑图进行转化得到拓扑矩阵样本。其中，取切片用户的问题集中长度最长问题的长度L为每条提问的编码序列长度，将每条提问的长度均填充为L。然后，由该序列化提问内容样本和拓扑矩阵样本构成一组训练输入数据，并将对该历史提问内容的标注回答作为对应的训练输出数据，得到多组训练输入数据和训练输出数据，其中，标注回答是指人工对历史提问内容进行分析后所做的回答，多组训练输出数据可构成标签矩阵Y，取标注回答集中长度最长回答的长度S为每条回答的编码序列长度，将每条回答的长度均填充为S，则Q个提问可得到形状为Q*S的标签矩阵Y。利用该多组训练输入数据和训练输出数据对初始化后的神经网络模型进行训练，在该神经网络模型收敛后得到运行状况回答模型。在一些可选的实施例中，该拓扑矩阵样本可进一步包括邻接矩阵样本和特征矩阵样本(与下文中的邻接矩阵和特征矩阵的含义和使用相同，具体可参见下文的说明)。

进一步的，在一些可选的实施例中，通过将处理切片实例运行情况拓扑的图网络和处理切片用户针对其切片实例运行情况的提问的卷积神经网络进行联合学习，并利用5GMC对切片用户问题的收集以及问题反馈的下发，相应的，神经网络模型包括问题特征提取器、运行拓扑特征提取器以及回答生成器；以及，该运行拓扑特征提取器为图卷积神经网络结构。针对上述这种组成结构，利用该多组训练输入数据和训练输出数据对初始化后的图卷积神经网络模型进行训练，在该图卷积神经网络模型收敛后得到运行状况回答模型的过程具体如下：

步骤一，将该多组训练输入数据中的序列化提问内容样本输入至提问特征提取器中，该提问特征提取器从该序列化提问内容中提取得到提问特征向量表示，其中，提问特征提取器为卷积神经网络结构，则提问特征提取器提取提问特征向量表示的过程为：通过卷积神经网络对序列化的提问内容进行特征抽取，得到提问特征向量表示。

步骤二，将该多组训练输入数据中的拓扑矩阵样本输入至运行拓扑特征提取器中，该运行拓扑特征提取器将该拓扑矩阵样本投影到低维向量空间中而得到拓扑潜在空间向量表示，其中，运行拓扑特征提取器为图卷积神经网络结构，图卷积神经网络(GCNs，Graph Convolutional Networks)用来提取拓扑图的空间特征，目标是要学习拓扑图G＝(V，E)上的信号或特征的一个映射，其中，V表示切片实例中的网元功能节点，E表示节点之间的边(即连接关系)，该图卷积神经网络的输入为拓扑矩阵样本，其通常包括邻接矩样本和特征矩阵样本，并会产生一个节点级别的输出或图级别的输出。本实施例中的图指的是用户提问所涉时间段切片实例的运行拓扑图，图中的每个节点代表切片实例中的网元功能节点，每条边代表网元功能节点之间的关系。

步骤三，该回答生成器对该提问特征向量表示和拓扑潜在空间向量表示进行合并处理，预测得到对应多组输入数据的多个回答内容。

步骤四，通过计算该多个回答内容与训练输出数据的误差来调整问题特征提取器、运行拓扑特征提取器以及回答生成器的参数，最终训练得到运行状况回答模型。换言之，通过多轮训练，发现问题特征提取器提取出的提问特征向量表示和运行拓扑特征提取器提取出的拓扑潜在特征向量表示，与标注回答之间的关系，并不断的调整模型参数来达到训练目标，得到运行状况回答模型。

图3示出了本发明一个具体示例中由问题特征提取器、运行拓扑特征提取器以及回答生成器构成的神经网络模型的结构示意图。如图3所示，模型的构成以及将输入数据至该模型中后的训练过程如下：

1)用户提问时间段的切片实例运行拓扑特征提取器(同运行拓扑特征提取器)：利用图卷积神经网络提取从NSMF获取的用户提问时间段切片实例的运行拓扑图的空间特征，将切片实例节点间关系和各节点在用户提问时间段的告警、性能特征投影到低维向量空间中得到切片实例运行情况拓扑的潜在空间向量表示Z，Z＝GCN(X，A)。每一个图神经网络层可以写成如下非线性函数：

H^(l+1)＝f(H^(l),A)

其中，H(0)＝X即为输入数据，X为特征矩阵样本，H(L)＝Z即为输出数据，Z为潜在空间向量表示，L为神经网络的层数，A为邻接矩阵样本，选择不同的f()以及参数也决定了不同的模型。

其中,W(l)是第l个神经网络层的参数矩阵，σ()是非线性激活函数比如ReLU，A为邻接矩阵样本，

是对邻接矩阵样本A的对称归一化，D∧是A∧的节点度对角矩阵。

其中，第一层为输入层：输入切片实例i的邻接矩阵样本A和特征矩阵样本X；

第二层为图卷积层(Graph Conv)：卷积核个数为256，激活函数设置为“relu”。激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，Relu激活函数(The Rectified Linear Unit)：relu＝max(0,x)；

第三层为图卷积层(Graph Conv)：卷积核个数为256，激活函数设置为“lamda”；

第四层为平整层(flatten):该层用来将输入“压平”，将三维的输入转化成二维。

2)切片用户问题特征提取器(同问题特征提取器)：通过卷积神经网络对从CSMF获取的序列化后的提问内容样本进行特征抽取得到问题特征向量表示Q。

其中，第一层为词嵌入层(embedding)：输入设置为问题集文本词典的大小question_vocab_size，输出设置为需要将单词转换为向量空间的大小128维度。将切片用户提问文本序列转换为固定形状128维度的向量；

第二层为卷积层(Conv1D)：卷积核个数为128(即输出的维度)，卷积核的空域窗长度设置为2(即卷积核每次连续读取2个词)，激活函数设置为“relu”。利用卷积层进行文本特征提取；

第三层为最大值池化层(MaxPooling1D)：池化窗口大小设置为2，最大值池化层将卷积核抽取出的特征值中的最大值保留，其他特征值全部丢弃；

第四层为平整层(flatten):该层用来将输入“压平”，将三维的输入转化成二维，常用在从卷积层到全连接层的过渡。

3)切片实例运行情况回答生成器：将Z和Q进行合并，通过多轮训练使全连接层发现Z、Q与切片实例运行情况回答之间的关系，最终生成的回答通过5GMC下发给切片用户。

其中，第一层合并层(concatenate)：将两个分支的平整层输出结果进行合并拼接形成新的向量V；

第二层为全连接层：包含64个神经元，激活函数设置为“relu”；

第三层输出层为全连接(Dense)层：包含全连接神经元个数为answer_vocab_size，激活函数设置为“softmax”，该层输出数据的形状为(None,answer_vocab_size)。

然后将softmax输出结果送入多类交叉熵损失函数(categoricalcrossentropy)。

将训练回合数设置为1000(epochs＝1000)，批处理大小设置为100(batch_size＝100)。梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度(optimizer＝'adam')。神经网络通过梯度下降，可以找到使目标函数最小的最优权重值，神经网络通过训练会自主学习到权重值。模型收敛后导出该模型的权重。

步骤S220：接收切片用户通过5G消息中心发送来的请求获取切片实例运行状况的提问内容。

其中，切片用户通过5GMC发送提问内容，并将提问内容传递给切片管理架构的CSMF。

步骤S230：根据该提问内容中携带的切片实例标识和时间段信息，获取该提问内容所涉及的目标时间段内目标切片实例中各网元功能节点产生的告警信息和性能指标信息；根据该告警信息和性能指标信息构建该目标切片实例的运行拓扑图，并得到该运行拓扑图的拓扑矩阵。

其中，该告警信息包括多种级别的告警信息，例如，严重、紧急、重要以及事件等级别的告警；以及该性能指标信息包括时延信息、吞吐率信息、丢包率信息、掉话率信息以及成功率信息中的至少一种。

具体地，CSMF在接收到提问内容后，从提问内容中提取出切片实例标识和时间段信息，并发送给NSMF。NSMF根据切片实例标识和时间段信息，获取各网元功能节点产生的告警信息和性能指标信息，利用NSMF存储的数据来实现上述告警信息和性能指标信息的快速获取，以及，NSMF将获取的告警信息和性能指标信息发送至预处理模块进行数据预处理。预处理模块将该告警信息的文本转化为整数序列，以及将性能指标信息进行归一化处理，并由NSMF根据整数序列的告警信息和归一化后的性能指标信息，构建该目标切片实例的运行拓扑图。其中，运行拓扑图可表示为G＝(V，E)，V表示目标切片实例中各网元功能节点的节点特征，节点特征由整数序列的告警信息和归一化后的性能指标信息构成，以及E表示目标切片实例中各网元功能节点之间的关系。然后，NSMF将该运行拓扑图转化为拓扑矩阵，即用拓扑矩阵来表示运行拓扑图，该拓扑矩阵可以矩阵形式来表示网元功能节点的特征以及网元功能节点之间的关系。通常情况下，拓扑矩阵包括邻接矩阵和特征矩阵，其转化过程如下：

其中，邻接矩阵表示目标切片实例中各网元功能节点之前的连接关系，为矩阵形式的图结构的特征描述，网元功能节点Vi和网元功能节点Vj之间的连接关系用e_ij表示，节点之间相连则e_ij＝1,否则e_ij＝0，邻接矩阵的形状为N*N(N为节点的个数)。

以及，特征矩阵表示目标切片实例中各网元功能节点的告警和性能指标特征，对告警信息的文本进行序列化，取告警集中长度最长告警的长度F(该最长告警的长度通常是训练模型时所涉及的告警信息的最长长度)为每条告警的编码序列长度，将每条告警的长度均填充为F，形状为N*F,取其词典大小为warning_vocab_size；定义每个节点性能指标包含M项指标(KPI)，对性能指标数据作标准化处理(即归一化处理)：计算时对每个维度分别进行，将数据按属性(按列进行)减去其均值，并除以其方差，标准化后将提升模型的收敛速度、提升模型的精度。因此特征矩阵可表示为N*(F+M)的矩阵。

上述转化得到邻接矩阵和特征矩阵的过程，同样适用于模型训练过程中得到邻接矩阵样本和特征矩阵样本的过程。

步骤S240：对该提问内容进行文本序列化处理，得到序列化后的提问内容。

具体地，CSMF将切片用户的提问内容发送至预处理模块，预处理模块对提问内容进行序列化处理，并且，对于编码序列未达到训练时的最长回答的长度S的情况，对该提问内容的编码序列填充至长度F。

步骤S250：将该拓扑矩阵和序列化后的提问内容发送至训练好的运行状况回答模型中，预测得到响应该提问内容的回答内容。

在一些模型包括问题特征提取器、运行拓扑特征提取器以及回答生成器的实施例中，运行状况回答模型进行预测的过程如下：将该序列化后的提问内容输入至运行状况回答模型的问题特征提取器中以供进行问题特征的提取，以及将该邻接矩阵和特征矩阵输入至运行状况回答模型的运行拓扑特征提取器中以供进行拓扑特征的提取；回答生成器根据问题特征提取器和运行拓扑特征提取器提取的特征预测到响应该提问内容的回答内容。

步骤S260：通过该5G消息中心反馈该回答内容至切片用户。

本实施例方案的执行，很好的利用了切片管理架构和5GMC，该两者的结合可以方便的实现数据获取与发送，并进行相应的处理，例如，NSMF可以较容易的获取到告警信息以及性能指标信息，并进行转化得到邻接矩阵和特征矩阵，又如，5GMC可以及时的获取到用户的提问内容，并发送给CSMF进行切片实例标识和时间段信息的提取等等，进而可以高效的得到用于输入运行状况回答模型中进行预测的输入数据。然后，结合该运行状况回答模型，则可以实现回答内容的准确预测。

图4示出了本发明一个具体实施例中的完整在线回答流程的示意图。如图4所示：

1)切片用户通过5G消息向5GMC(5G消息中心)发送关于其切片实例运行状况的提问内容；

2)5GMC将切片用户提问内容传递给通信业务管理功能CSMF，CSMF提取出提问内容中的切片实例ID和所涉及时间段发送至NSMF，同时CSMF将切片用户提问内容发送至预处理模块进行文本序列化处理；

3)NSMF根据切片实例ID和所涉及时间段，获取用户提问所涉时间段的切片实例中各网元功能节点产生的告警(包括严重、紧急、重要、事件等级别告警)和性能KPI(包括时延、吞吐率、丢包率、掉话率、成功率等)，并发送至预处理模块进行数据预处理，将告警文本转化为整数序列、将性能KPI数据进行归一化处理；

4)NSMF根据预处理后的数据构建切片实例i的运行拓扑图，并用邻接矩阵A和特征矩阵X表示，邻接矩阵A为切片实例拓扑中各网元功能节点的连接关系，特征矩阵X为用户提问所涉时间段的切片实例中各网元功能节点产生的告警和性能KPI；

5)将表示切片实例i在用户提问所涉时间段运行情况拓扑图的邻接矩阵A、特征矩阵X输入至切片实例运行拓扑特征提取器，同时将序列化后的切片用户提出的问题输入至切片用户问题特征提取器，然后将以上两个特征提取器输出的特征向量进行合并后输入至切片实例运行情况回答生成器；

6)最终生成针对该切片用户提问的切片实例运行情况回答，并将回答通过5GMC下发给切片用户。

根据本实施例提供的网络切片实例运行状况的在线问答方法，为满足切片用户对切片实例使用情况的个性化、多样化了解需求，将处理切片实例运行情况拓扑的图网络和处理切片用户针对其切片实例运行情况的提问的卷积神经网络进行联合学习，并利用5GMC对切片用户问题的收集以及问题反馈的下发。本实施例中的模型包括切片实例运行拓扑特征提取器、切片用户问题特征提取器以及切片实例运行情况回答生成器；其中切片实例运行拓扑特征提取器利用图卷积神经网络提取从NSMF获取的用户提问所涉时间段切片实例运行情况拓扑图的空间特征，将切片实例节点间关系和各节点在用户提问所涉时间段的告警、性能特征投影到低维向量空间中得到切片实例运行情况拓扑的潜在空间向量表示Z；同时切片用户问题特征提取器通过卷积神经网络对从CSMF获取的序列化后的切片用户提出的问题进行特征抽取得到切片用户问题特征向量表示Q；然后由切片实例运行情况回答生成器将Z和Q进行合并，通过多轮训练使全连接层发现Z、Q与切片实例运行情况回答之间的关系，最终生成的回答通过5GMC下发给切片用户。

图5示出了本发明实施例提供的网络切片实例运行状况的在线问答装置的结构示意图。如图5所示，该装置包括：

接收模块510，适于接收切片用户发送来的请求获取切片实例运行状况的提问内容；

获取模块520，适于根据所述提问内容中携带的切片实例标识和时间段信息，获取所述提问内容所涉及的目标时间段内目标切片实例中各网元功能节点产生的告警信息和性能指标信息；

构建模块530，适于根据所述告警信息和性能指标信息构建所述目标切片实例的运行拓扑图，并得到所述运行拓扑图的拓扑矩阵；

序列化处理模块540，适于对所述提问内容进行文本序列化处理，得到序列化后的提问内容；

预测模块550，适于将所述拓扑矩阵和序列化后的提问内容发送至训练好的运行状况回答模型中，预测得到响应所述提问内容的回答内容；

反馈模块560，适于反馈所述回答内容至切片用户。

在一种可选的方式中，所述拓扑矩阵包括邻接矩阵和特征矩阵，其中，邻接矩阵表示目标切片实例中各网元功能节点之前的连接关系，以及特征矩阵表示目标切片实例中各网元功能节点的告警和性能指标特征。

在一种可选的方式中，所述接收模块进一步适于：

接收切片用户通过5G消息中心发送来的请求获取切片实例运行状况的提问内容；

以及，所述反馈模块进一步适于：通过所述5G消息中心反馈所述回答内容至切片用户。

在一种可选的方式中，所述告警信息包括多种级别的告警信息，以及所述性能指标信息包括时延信息、吞吐率信息、丢包率信息、掉话率信息以及成功率信息中的至少一种。

在一种可选的方式中，所述装置还包括：训练模块，适于：

采集多个历史提问内容，以及构建所述多个历史提问内容涉及的多个历史切片实例在相应历史时间段的多个历史运行拓扑图；

针对每个历史提问内容，将所述历史提问内容进行序列化处理得到序列化提问内容样本，将所述历史提问内容对应的历史运行拓扑图进行转化得到拓扑矩阵样本，由所述序列化提问内容样本和拓扑矩阵样本构成一组训练输入数据，并将对所述历史提问内容的标注回答作为对应的训练输出数据，得到多组训练输入数据和训练输出数据；

利用所述多组训练输入数据和训练输出数据对初始化后的神经网络模型进行训练，在所述神经网络模型收敛后得到运行状况回答模型。

在一种可选的方式中，所述神经网络模型包括问题特征提取器、运行拓扑特征提取器以及回答生成器；以及，所述运行拓扑特征提取器为图卷积神经网络结构；

所述训练模块进一步适于：

将所述多组训练输入数据中的序列化提问内容样本输入至提问特征提取器中，所述提问特征提取器从所述序列化提问内容中提取得到提问特征向量表示；

将所述多组训练输入数据中的拓扑矩阵样本输入至运行拓扑特征提取器中，所述运行拓扑特征提取器将所述拓扑矩阵样本投影到低维向量空间中而得到拓扑潜在空间向量表示；

所述回答生成器对所述提问特征向量表示和拓扑潜在空间向量表示进行合并处理，预测得到对应多组输入数据的多个回答内容；

通过计算所述多个回答内容与训练输出数据的误差来调整问题特征提取器、运行拓扑特征提取器以及回答生成器的参数，最终训练得到运行状况回答模型。

在一种可选的方式中，所述预测模块进一步适于：

将所述序列化后的提问内容输入至运行状况回答模型的问题特征提取器中以供进行问题特征的提取，以及将所述拓扑矩阵输入至运行状况回答模型的运行拓扑特征提取器中以供进行拓扑特征的提取；

回答生成器根据问题特征提取器和运行拓扑特征提取器提取的特征预测到响应所述提问内容的回答内容。

本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的网络切片实例运行状况的在线问答方法。

图6示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图6所示，该计算设备可以包括：处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。

其中：处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。通信接口604，用于与其它设备比如客户端或其它服务器等的网元通信。处理器602，用于执行程序610，具体可以执行上述用于计算设备的网络切片实例运行状况的在线问答方法实施例中的相关步骤。

具体地，程序610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602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。计算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606，用于存放程序610。存储器606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610具体可以用于使得处理器602执行以下操作：

接收切片用户发送来的请求获取切片实例运行状况的提问内容；

根据所述提问内容中携带的切片实例标识和时间段信息，获取所述提问内容所涉及的目标时间段内目标切片实例中各网元功能节点产生的告警信息和性能指标信息；根据所述告警信息和性能指标信息构建所述目标切片实例的运行拓扑图，并得到所述运行拓扑图的拓扑矩阵；以及

对所述提问内容进行文本序列化处理，得到序列化后的提问内容；

将所述拓扑矩阵和序列化后的提问内容发送至训练好的运行状况回答模型中，预测得到响应所述提问内容的回答内容；

反馈所述回答内容至切片用户。

在一种可选的方式中，所述拓扑矩阵包括邻接矩阵和特征矩阵，其中，邻接矩阵表示目标切片实例中各网元功能节点之前的连接关系，以及特征矩阵表示目标切片实例中各网元功能节点的告警和性能指标特征。

在一种可选的方式中，所述程序610使所述处理器602执行以下操作：

接收切片用户通过5G消息中心发送来的请求获取切片实例运行状况的提问内容；

通过所述5G消息中心反馈所述回答内容至切片用户。

在一种可选的方式中，所述告警信息包括多种级别的告警信息，以及所述性能指标信息包括时延信息、吞吐率信息、丢包率信息、掉话率信息以及成功率信息中的至少一种。

在一种可选的方式中，所述程序610使所述处理器602执行以下操作：

采集多个历史提问内容，以及构建所述多个历史提问内容涉及的多个历史切片实例在相应历史时间段的多个历史运行拓扑图；

针对每个历史提问内容，将所述历史提问内容进行序列化处理得到序列化提问内容样本，将所述历史提问内容对应的历史运行拓扑图进行转化得到拓扑矩阵样本，由所述序列化提问内容样本和拓扑矩阵样本构成一组训练输入数据，并将对所述历史提问内容的标注回答作为对应的训练输出数据，得到多组训练输入数据和训练输出数据；

利用所述多组训练输入数据和训练输出数据对初始化后的神经网络模型进行训练，在所述神经网络模型收敛后得到运行状况回答模型。

在一种可选的方式中，所述神经网络模型包括问题特征提取器、运行拓扑特征提取器以及回答生成器；以及，所述运行拓扑特征提取器为图卷积神经网络结构；

所述程序610使所述处理器602执行以下操作：

将所述多组训练输入数据中的序列化提问内容样本输入至提问特征提取器中，所述提问特征提取器从所述序列化提问内容中提取得到提问特征向量表示；

将所述多组训练输入数据中的拓扑矩阵样本输入至运行拓扑特征提取器中，所述运行拓扑特征提取器将所述拓扑矩阵样本投影到低维向量空间中而得到拓扑潜在空间向量表示；

所述回答生成器对所述提问特征向量表示和拓扑潜在空间向量表示进行合并处理，预测得到对应多组输入数据的多个回答内容；

通过计算所述多个回答内容与训练输出数据的误差来调整问题特征提取器、运行拓扑特征提取器以及回答生成器的参数，最终训练得到运行状况回答模型。

在一种可选的方式中，所述程序610使所述处理器602执行以下操作：

将所述序列化后的提问内容输入至运行状况回答模型的问题特征提取器中以供进行问题特征的提取，以及将所述拓扑矩阵输入至运行状况回答模型的运行拓扑特征提取器中以供进行拓扑特征的提取；

回答生成器根据问题特征提取器和运行拓扑特征提取器提取的特征预测到响应所述提问内容的回答内容。

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (10)

1.一种网络切片实例运行状况的在线问答方法，包括：

接收切片用户发送来的请求获取切片实例运行状况的提问内容；

根据所述提问内容中携带的切片实例标识和时间段信息，获取所述提问内容所涉及的目标时间段内目标切片实例中各网元功能节点产生的告警信息和性能指标信息；根据所述告警信息和性能指标信息构建所述目标切片实例的运行拓扑图，并得到所述运行拓扑图的拓扑矩阵；以及

对所述提问内容进行文本序列化处理，得到序列化后的提问内容；

将所述拓扑矩阵和序列化后的提问内容发送至训练好的运行状况回答模型中，预测得到响应所述提问内容的回答内容；

反馈所述回答内容至切片用户。

2.根据权利要求1所述的方法，其中，所述拓扑矩阵包括邻接矩阵和特征矩阵，其中，邻接矩阵表示目标切片实例中各网元功能节点之前的连接关系，以及特征矩阵表示目标切片实例中各网元功能节点的告警和性能指标特征。

3.根据权利要求2所述的方法，其中，所述接收切片用户发送来的请求获取切片实例运行状况的提问内容具体为：

接收切片用户通过5G消息中心发送来的请求获取切片实例运行状况的提问内容；

以及，所述反馈所述回答内容至切片用户具体为：通过所述5G消息中心反馈所述回答内容至切片用户。

4.根据权利要求3所述的方法，其中，所述告警信息包括多种级别的告警信息，以及所述性能指标信息包括时延信息、吞吐率信息、丢包率信息、掉话率信息以及成功率信息中的至少一种。

5.根据权利要求1-4任一项所述的方法，其中，所述运行状况回答模型通过以下步骤训练得到：

采集多个历史提问内容，以及构建所述多个历史提问内容涉及的多个历史切片实例在相应历史时间段的多个历史运行拓扑图；

针对每个历史提问内容，将所述历史提问内容进行序列化处理得到序列化提问内容样本，将所述历史提问内容对应的历史运行拓扑图进行转化得到拓扑矩阵样本，由所述序列化提问内容样本和拓扑矩阵样本构成一组训练输入数据，并将对所述历史提问内容的标注回答作为对应的训练输出数据，得到多组训练输入数据和训练输出数据；

利用所述多组训练输入数据和训练输出数据对初始化后的神经网络模型进行训练，在所述神经网络模型收敛后得到运行状况回答模型。

6.根据权利要求5所述的方法，其中，所述神经网络模型包括问题特征提取器、运行拓扑特征提取器以及回答生成器；以及，所述运行拓扑特征提取器为图卷积神经网络结构；

所述利用所述多组训练输入数据和训练输出数据对初始化后的图卷积神经网络模型进行训练，在所述图卷积神经网络模型收敛后得到运行状况回答模型进一步包括：

将所述多组训练输入数据中的序列化提问内容样本输入至提问特征提取器中，所述提问特征提取器从所述序列化提问内容中提取得到提问特征向量表示；

将所述多组训练输入数据中的拓扑矩阵样本输入至运行拓扑特征提取器中，所述运行拓扑特征提取器将所述拓扑矩阵样本投影到低维向量空间中而得到拓扑潜在空间向量表示；

所述回答生成器对所述提问特征向量表示和拓扑潜在空间向量表示进行合并处理，预测得到对应多组输入数据的多个回答内容；

通过计算所述多个回答内容与训练输出数据的误差来调整问题特征提取器、运行拓扑特征提取器以及回答生成器的参数，最终训练得到运行状况回答模型。

7.根据权利要求6所述的方法，其中，所述将所述拓扑矩阵和序列化后的提问内容发送至训练好的运行状况回答模型中，预测得到响应所述提问内容的回答内容进一步包括：

将所述序列化后的提问内容输入至运行状况回答模型的问题特征提取器中以供进行问题特征的提取，以及将所述拓扑矩阵输入至运行状况回答模型的运行拓扑特征提取器中以供进行拓扑特征的提取；

回答生成器根据问题特征提取器和运行拓扑特征提取器提取的特征预测到响应所述提问内容的回答内容。

8.一种网络切片实例运行状况的在线问答装置，包括：

接收模块，适于接收切片用户发送来的请求获取切片实例运行状况的提问内容；

获取模块，适于根据所述提问内容中携带的切片实例标识和时间段信息，获取所述提问内容所涉及的目标时间段内目标切片实例中各网元功能节点产生的告警信息和性能指标信息；

构建模块，适于根据所述告警信息和性能指标信息构建所述目标切片实例的运行拓扑图，并得到所述运行拓扑图的拓扑矩阵；

序列化处理模块，适于对所述提问内容进行文本序列化处理，得到序列化后的提问内容；

预测模块，适于将所述拓扑矩阵和序列化后的提问内容发送至训练好的运行状况回答模型中，预测得到响应所述提问内容的回答内容；

反馈模块，适于反馈所述回答内容至切片用户。

9.一种计算设备，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1-7中任一项所述的网络切片实例运行状况的在线问答方法对应的操作。

10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的网络切片实例运行状况的在线问答方法对应的操作。

Images