CN113822453B - 5g切片的多用户投诉共性确定方法及装置 - Google Patents
5g切片的多用户投诉共性确定方法及装置 Download PDFInfo
- Publication number
- CN113822453B CN113822453B CN202010543990.9A CN202010543990A CN113822453B CN 113822453 B CN113822453 B CN 113822453B CN 202010543990 A CN202010543990 A CN 202010543990A CN 113822453 B CN113822453 B CN 113822453B
- Authority
- CN
- China
- Prior art keywords
- complaint
- network
- slice
- historical
- nodes
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims description 84
- 238000012549 training Methods 0.000 claims description 47
- 238000004891 communication Methods 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- OOXMVRVXLWBJKF-DUXPYHPUSA-N n-[3-[(e)-2-(5-nitrofuran-2-yl)ethenyl]-1,2,4-oxadiazol-5-yl]acetamide Chemical compound O1C(NC(=O)C)=NC(\C=C\C=2OC(=CC=2)[N+]([O-])=O)=N1 OOXMVRVXLWBJKF-DUXPYHPUSA-N 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种5G切片的多用户投诉共性确定方法及装置,该方法包括:获取多个用户的切片投诉数据,根据切片投诉数据构建由多种异构节点组成的投诉拓扑网络;其中,多种异构节点包括切片终端用户节点、切片投诉节点、切片实例节点、网络切片节点以及切片网元节点中的多种;将投诉拓扑网络的拓扑数据输入至训练好的基于聚类图网络的多用户投诉共性分析模型中,输出得到多个用户投诉的共性聚类结果;根据共性聚类结果确定多个用户投诉的共性点信息。通过上述方式,可以利用基于聚类图网络的多用户投诉共性分析模型,高效准确的分析出多个用户投诉的共性,相较于人工分析的方式,更能满足5G网络切片的运维需求。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种5G切片的多用户投诉共性确定方法及装置。
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。
切片网络结构复杂、节点类型多样、关系错综复杂,涉及无线网子域、传输网子域、核心网子域,相比传统网络,切片多用户投诉共性分析的复杂度和难度也将倍增,对运维人员的技能要求非常高。目前切片多用户投诉共性分析仍主要依赖于人工经验判断的方式,但面对海量的切片用户投诉,该方式效率较低,容易遗漏共性点或找错共性点,无法满足5G网络切片运维需求。
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5G切片的多用户投诉共性确定方法及装置。
根据本发明实施例的一个方面,提供了一种5G切片的多用户投诉共性确定方法,包括:
获取多个用户的切片投诉数据,根据所述切片投诉数据构建由多种异构节点组成的投诉拓扑网络;其中,多种异构节点包括切片终端用户节点、切片投诉节点、切片实例节点、网络切片节点以及切片网元节点中的多种;
将所述投诉拓扑网络的拓扑数据输入至训练好的基于聚类图网络的多用户投诉共性分析模型中,输出得到多个用户投诉的共性聚类结果;其中,所述拓扑数据包括投诉拓扑网络的特征矩阵和邻接矩阵;
根据所述共性聚类结果确定所述多个用户投诉的共性点信息。
根据本发明实施例的另一方面,提供了一种5G切片的多用户投诉共性确定装置,包括:
获取模块,适于获取多个用户的切片投诉数据;
构建模块,适于根据所述切片投诉数据构建由多种异构节点组成的投诉拓扑网络;其中,多种异构节点包括切片终端用户节点、切片投诉节点、切片实例节点、网络切片节点以及切片网元节点中的多种;
预测模块,适于将所述投诉拓扑网络的拓扑数据输入至训练好的基于聚类图网络的多用户投诉共性分析模型中,输出得到多个用户投诉的共性聚类结果;其中,所述拓扑数据包括投诉拓扑网络的特征矩阵和邻接矩阵;
确定模块,适于根据所述共性聚类结果确定所述多个用户投诉的共性点信息。
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5G切片的多用户投诉共性确定方法对应的操作。
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5G切片的多用户投诉共性确定方法对应的操作。
根据本发明实施例的5G切片的多用户投诉共性确定方法及装置,在需要对多个用户投诉进行共性分析时,获取该多个用户的切片投诉数据,并构建得到投诉拓扑网络,将该投诉拓扑网络的特征矩阵和邻接矩阵输入至训练好的多用户投诉共性分析模型中,则可以预测得到多个用户投诉的共性聚类结果,以便确定出共性点。本实施例方案,无需人工对投诉数据进行判断分析,而可以在构建得到投诉拓扑网络后,利用多用户投诉共性分析模型高效准确的得到分析结果,便于后续对投诉的处理,可以满足5G网络切片的运维需求。
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5G切片的多用户投诉共性确定方法的流程图;
图2示出了本发明另一个实施例提供的5G切片的多用户投诉共性确定方法的流程图;
图3示出了本发明一个具体实施例中的聚类图网络模型的构成示意图;
图4示出了一个具体示例中投诉拓扑网络的示意图;
图5示出了本发明实施例提供的5G切片的多用户投诉共性确定装置的结构示意图;
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。
图1示出了本发明实施例提供的5G切片的多用户投诉共性确定方法的流程图。该方法可由任意具有数据处理能力的计算设备来执行。如图1所示,该方法包括以下步骤:
步骤S110:获取多个用户的切片投诉数据,根据该切片投诉数据构建由多种异构节点组成的投诉拓扑网络;其中,多种异构节点包括切片终端用户节点、切片投诉节点、切片实例节点、网络切片节点以及切片网元节点中的多种。
其中,异构节点与切片投诉数据包括的内容项相对应,例如,切片投诉数据中包括发起投诉的切片终端用户信息,则异构节点包括切片终端用户节点,以及,异构是指节点类型的不同,例如,切片实例节点和网络切片节点。
具体地,获取多个用户投诉的切片投诉数据,然后依据切片投诉数据涉及的节点类型和具体的节点,以及节点间的关系,构建得到投诉拓扑网络。
步骤S120:将该投诉拓扑网络的拓扑数据输入至训练好的基于聚类图网络的多用户投诉共性分析模型中,输出得到多个用户投诉的共性聚类结果;其中,该拓扑数据包括投诉拓扑网络的特征矩阵和邻接矩阵。
其中,特征矩阵反映的是对每个节点的特征描述,例如,针对切片终端用户节点,其特征描述包括对用户相关信息的描述,针对切片投诉节点,其特征描述包括对用户投诉内容的描述等等。
以及,邻接矩阵反映的是对节点与节点之间的连接关系的描述,例如,切片终端用户1提出切片投诉1,则切片终端用户1的节点与切片投诉1的节点之间的连接关系为提出关系。
在本发明实施例中,将特征矩阵和邻接矩阵输入到训练好的基于聚类图网络的多用户投诉共性分析模型,该模型通过提取投诉拓扑网络的空间特征,并对其中聚合了邻居节点信息的节点进行共性聚类,然后则可输出得到共性聚类结果,而无需通过人工经验进行判断并分析。
步骤S130:根据该共性聚类结果确定该多个用户投诉的共性点信息。
根据共性聚类结果可则得到多个用户投诉的共同原因,以便后续有针对性的进行投诉处理。
根据本实施例提供的5G切片的多用户投诉共性确定方法,在需要对多个用户投诉进行共性分析时,获取该多个用户的切片投诉数据,并构建得到投诉拓扑网络,将该投诉拓扑网络的特征矩阵和邻接矩阵输入至训练好的多用户投诉共性分析模型中,则可以预测得到多个用户投诉的共性聚类结果,以便确定出共性点。本实施例方案,无需人工对投诉数据进行判断分析,而可以在构建得到投诉拓扑网络后,利用多用户投诉共性分析模型高效准确的得到分析结果,便于后续对投诉的处理,可以满足5G网络切片的运维需求。
图2示出了本发明另一个实施例提供的5G切片的多用户投诉共性确定方法的流程图。如图2所示,该方法包括以下步骤:
步骤S210:训练得到基于聚类图网络的多用户投诉共性分析模型。
在利用模型记性预测前,首先需训练得到模型,具体地,以预设时间段为单位获取多个样本用户的历史切片投诉数据,根据该历史切片投诉数据构建由多种异构节点组成的历史投诉拓扑网络;其中,多种异构节点包括切片终端用户节点、切片投诉节点、切片实例节点、网络切片节点以及切片网元节点中的多种;将该历史投诉拓扑网络的历史拓扑数据作为训练数据输入至初始化的聚类图网络模型中进行训练,其中,该历史拓扑数据包括投诉拓扑网络的历史特征矩阵和历史邻接矩阵;根据训练结果得到基于聚类图网络的多用户投诉共性分析模型。需要在此说明的是,前述获取历史切片投诉数据至将历史拓扑数据输入模型的过程,与实时预测中的相应过程一致,具体可参见上下文中关于实时预测步骤的相关说明,但是有一点存在细微差别,为达到训练模型的目的,必须用到多组输入数据,其中,每隔预设时间段内获取的历史切片投诉数据可得到对应的一组输入数据,例如,以天为单位,则连续10天的历史切片投诉数据可得到10组特征矩阵和邻接矩阵。
进一步的,在本发明实施例中,聚类图网络模型包括图自编码器网络和聚类网络,以及,图自编码器网络包括编码器和解码器。通过将图自编码神经网络与聚类相结合,利用图自编码器能够有效提取拓扑图空间特征的特点来提取切片投诉节点的表征,并结合注意力机制对切片投诉拓扑中邻居节点影响力的差异分配不同权重,然后利用聚类算法对切片投诉节点表征进行共性聚类。
针对上述将图自编码神经网络与聚类相结合的聚类图网络模型,模型内部的具体学习过程如下:
步骤一,将所述历史特征矩阵和历史邻接矩阵输入至图自编码器网络,编码器利用图卷积神经网络提取历史投诉拓扑网络的空间特征,将节点和边投影到低维向量空间中,其中,结合注意力机制根据历史投诉拓扑网络中邻居节点影响力的差异分配权重,解码器通过计算节点对的内积来得到历史投诉拓扑网络的重构邻接矩阵,直至重构邻接矩阵与历史邻接矩阵的误差满足收敛条件,则停止图自编码器网络的训练。其中,通过将注意力机制引入图网络,即在传播层引入attention机制,使中心节点特征的聚合过程中,对不同的相邻节点分配不同的权重,对邻居节点的注意力产生差异,关注那些关联比较大的切片节点,而忽视一些关联较小的切片节点,这种方式,考虑到实际的真实数据中并非所有的边都是代表着相同的关联强度,可以克服原始的静态的GCN和其他图神经网络,无法自适应的传播法则,无法捕捉中心节点的哪个邻居节点对于中心节点的分类贡献更大的缺陷。
步骤二,聚类网络利用训练完毕的图自编码器输出的表征历史投诉拓扑网络的潜在空间向量,进行自训练得到多个用户投诉的共性聚类结果。
图3示出了本发明一个具体实施例中的聚类图网络模型的构成示意图。如图3所示,聚类图网络模型包括图自编码器网络和聚类网络:
其中,图自编码器(GAE,Graph Auto-Encoder)架构分为编码器和解码器,编码器由一个图卷积神经网络(GCN)组成,解码器负责进行一个内积(inner product)操作对邻接矩阵进行重建。
编码器:输入历史邻接矩阵和历史特征矩阵,输出节点和边的历史潜在空间向量表示。
第一层为输入层:输入历史邻接矩阵和历史特征矩阵;
第二层为图注意力层:卷积核个数为128(即输出的维度),激活函数设置为“relu”,图注意力层可表示为:
式中,分别为聚合邻居信息前后的节点i的表示,Ni代表节点i的邻居集合,αij表示节点对(i,j)之间的注意力权重,W表示/>的权重。
第三层为随机舍弃层(dropout):舍弃概率设置为0.2,将在训练过程中每次更新参数时按一定概率(20%)随机断开输入神经元,Dropout层用于防止过拟合;
第四层为图注意力层:卷积核个数为64,激活函数设置为“lamda”;
第五层为随机舍弃层(dropout):舍弃概率设置为0.2;
解码器:输入历史潜在空间向量表示,输出重建的邻接矩阵。
第六层为内积层(inner product):将历史潜在空间向量表示与其转置相乘输入至激活函数,得到重建邻接矩阵,激活函数设置为“lamda”。
式中,为重建邻接矩阵,zj为历史潜在空间向量表示,zi T为历史潜在空间向量表示的转置矩阵。
然后计算重建邻接矩阵和真实的历史邻接矩阵之间的误差,训练目标是最小化该误差Lr。
以及,其中,聚类网络根据图自编码器的重建误差判断图自编码器是否已训练收敛,若否,则指示CSMF继续训练;若否,则实施聚类,聚类时,首先获取训练完毕的图自编码器中的潜在空间向量表示,并从中选取出切片投诉节点的向量表示输入至聚类模块进行自训练,输出该时段切片多用户投诉共性聚类结果。
假设μ为聚类中心,则切片投诉节点i属于某个共性类别u的概率qiu表示为:
式中,k指某个共性类别,zi指某个切片投诉,uu指共性类别u的聚类中心,uk指共性类别k的聚类中心。
为了引入聚类信息来实现聚类导向的节点表示,我们需要迫使每个节点与相应的聚类中心更近一些,以实现类内距离最小,类间距离最大。因此定义目标分布piu如下:
式中,i表示切片投诉节点,k指某个共性类别,qik表示节点i属于某个类别k的概率。
最后,通过计算两个分布P和Q之间的KL散度来实现互相约束,即自训练目标是最小化两个分布之间的KL散度:
模型最终的损失函数L包括图自编码器和聚类两部分的损失函数:
L=Lr+γLc
将训练回合数设置为2000(epochs=2000),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。用训练集进行训练,使得目标函数越小越好,并在每轮训练后用测试集来评价验证模型。模型收敛后则导出该模型的权重。
切片投诉节点i所属于的某个共性簇si可通过下式计算:
步骤S220:获取多个用户的切片投诉数据,根据该切片投诉数据构建由多种异构节点组成的投诉拓扑网络;其中,多种异构节点包括切片终端用户节点、切片投诉节点、切片实例节点、网络切片节点以及切片网元节点中的多种。
具体地,从切片管理架构的通信业务管理功能(CSMF)模块中获取多个用户的切片投诉数据,进而可以方便的采集到需要针对进行共性分析的切片投诉数据,需要在此说明的是,该多个用户的切片投诉数据为同一时段内的投诉数据,相应的,才具有共性分析的必要。其中,切片管理架构,其主要由CSMF、NSMF、NSSMF组成:CSMF(Communication ServiceManagement 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)。NSMF(Network Slice ManagementFunction,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。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。
举例来说,收到同时间段的若干切片投诉如下:
切片投诉1:投诉内容为5G网络频繁掉线。由切片用户1提出,涉及切片实例1,应用类型为物联网大连接场景,属于网络切片1,使用切片网元1和切片网元2;
切片投诉2:投诉内容为直播视频卡顿明显。由切片用户2提出,涉及切片实例2,应用类型为增强宽带场景,属于网络切片1,使用切片网元1和切片网元2;
切片投诉3:投诉内容为计算结果下发延时增大。由切片用户3提出,涉及切片实例3,应用类型为低时延高可靠场景,属于网络切片2,使用切片网元2、切片网元3、切片网元4。
图4示出了一个具体示例中投诉拓扑网络的示意图。该图4所示的投诉拓扑网络对应上述举例,如图4所示,以其中切片投诉2为例,从图中可看出:切片终端用户2提出切片投诉2,切片投诉2涉及切片实例1和3,其中,切片实例1属于切片网络1,切片实例3属于切片网络2和3,进一步的,其中,网络切片1使用切片网元1和2,网络切片2使用切片网元2,3和4,网络切片3使用切片网元3和4。
步骤S230:将该投诉拓扑网络的拓扑数据输入至训练好的基于聚类图网络的多用户投诉共性分析模型中,输出得到多个用户投诉的共性聚类结果;其中,该拓扑数据包括投诉拓扑网络的特征矩阵和邻接矩阵。
在本发明实施例中,图是指由投诉拓扑网络中的五类异构数据组成的关系图,可表示为G=(V,E),图中的节点V代表五类异构数据,即五类异构节点(切片终端用户节点、切片投诉节点、切片实例节点、网络切片节点以及切片网元节点),E为边的集合,图中的边代表五类异构数据的四种关系,节点特征集合用h表示,每个顶点的特征hi为一个高维向量。
关于四种关系,具体如下:切片终端用户节点与切片投诉节点之间的连接关系为提出关系,切片投诉节点与切片实例节点之间的连接关系为涉及关系,切片实例节点与网络切片节点之间的连接关系为属于关系,以及网络切片节点与切片网元节点之间的连接关系为使用关系。
以及,关于特征,具体如下:切片终端用户(slice user)节点的特征为切片终端用户的相关信息,包含用户订购信息、用户SLA需求、用户使用地点、用户所属的;切片投诉(slice user complain)节点的特征为切片用户投诉内容;切片实例(slice instance)节点的特征为切片实例所属的网络切片、该网络切片使用的切片网元、以及该切片网元;网络切片(network slice)节点的特征为该网络切片的应用场景类型(例如增强移动宽带、大规模物联网、高可靠低时延通信等类型)等;切片网元(network element)节点的特征为该切片网元的功能以及该切片网元所属的切片子域(无线网子域、传输网子域、核心网子域)。
具体地,在构建得到投诉拓扑网络之后,可将投诉拓扑网络中各种节点的特征描述集编码为序列,生成特征矩阵,其中,特征矩阵X是对投诉拓扑网络对应的关系图中每个节点的特征描述,将各类节点特征描述集分别编码为序列表示,定义每个节点特征文本的编码序列长度为F(总数据集中长度最长文本的长度),将每条数据的长度均填充为F,取其词典大小为K。每一个节点i的特征描述xi,可以写成一个N*F的特征矩阵。以及,根据投诉拓扑网络中节点之间的连接关系,生成邻接矩阵,其中,邻接矩阵A为矩阵形式的切片投诉拓扑图结构的连接关系描述,eij表示组网节点Vi和组网节点Vj之间的连接关系eij=(vi,r,vj),r为边的类型,邻接矩阵的形状为N*N。
以及,通过该基于聚类图网络的多用户投诉共性分析模型,可以预测得到多个用户投诉的共同原因,并且,当存在多个共同原因时,还可预测出主要的共同原因和次要的共同原因。
步骤S240:根据该共性聚类结果确定该多个用户投诉的共性点信息。
具体地,根据该共性聚类结果确定该多个用户投诉的相同原因,和/或确定该多个用户投诉的主要相同原因和次要相同原因。
根据本实施例提供的5G切片的多用户投诉共性确定方法,首先从CSMF中收集以时间段T为单位的历史切片投诉数据,构建由切片投诉场景中的切片终端用户、切片投诉、切片实例、网络切片、切片网元五种异构节点组成的切片投诉拓扑,形成模型训练的数据集。以及,通过将图自编码神经网络与聚类相结合,利用图自编码器能够有效提取拓扑图空间特征的特点来提取切片投诉节点的表征,并结合注意力机制对切片投诉拓扑中邻居节点影响力的差异分配不同权重,然后利用聚类算法对切片投诉节点表征进行共性聚类,训练得到基于聚类图网络的多用户投诉共性分析模型;然后,利用该模型对实时的多用户的切片投诉数据对应的邻接矩阵和特征矩阵进行共性预测,从而提高切片多用户投诉共性分析的准确率和效率。
图5示出了本发明实施例提供的5G切片的多用户投诉共性确定装置的结构示意图。如图5所示,该装置包括:
获取模块510,适于获取多个用户的切片投诉数据;
构建模块520,适于根据所述切片投诉数据构建由多种异构节点组成的投诉拓扑网络;其中,多种异构节点包括切片终端用户节点、切片投诉节点、切片实例节点、网络切片节点以及切片网元节点中的多种;
预测模块530,适于将所述投诉拓扑网络的拓扑数据输入至训练好的基于聚类图网络的多用户投诉共性分析模型中,输出得到多个用户投诉的共性聚类结果;其中,所述拓扑数据包括投诉拓扑网络的特征矩阵和邻接矩阵;
确定模块540,适于根据所述共性聚类结果确定所述多个用户投诉的共性点信息。
在一种可选的方式中,所述装置还包括:生成模块,适于将投诉拓扑网络中各种节点的特征描述集编码为序列,生成特征矩阵;以及,根据投诉拓扑网络中节点之间的连接关系,生成邻接矩阵。
在一种可选的方式中,所述节点之间的连接关系具体如下:切片终端用户节点与切片投诉节点之间的连接关系为提出关系,切片投诉节点与切片实例节点之间的连接关系为涉及关系,切片实例节点与网络切片节点之间的连接关系为属于关系,以及网络切片节点与切片网元节点之间的连接关系为使用关系。
在一种可选的方式中,所述确定模块进一步适于:
根据所述共性聚类结果确定所述多个用户投诉的相同原因,和/或确定所述多个用户投诉的主要相同原因和次要相同原因。
在一种可选的方式中,所述获取模块进一步适于:
从切片管理架构的通信业务管理功能模块中获取多个用户的切片投诉数据。
在一种可选的方式中,所述装置还包括:训练模块,适于:
以预设时间段为单位获取多个样本用户的历史切片投诉数据,根据所述历史切片投诉数据构建由多种异构节点组成的历史投诉拓扑网络;其中,多种异构节点包括切片终端用户节点、切片投诉节点、切片实例节点、网络切片节点以及切片网元节点中的多种;
将所述历史投诉拓扑网络的历史拓扑数据作为训练数据输入至初始化的聚类图网络模型中进行训练,其中,所述历史拓扑数据包括投诉拓扑网络的历史特征矩阵和历史邻接矩阵;
根据训练结果得到基于聚类图网络的多用户投诉共性分析模型。
在一种可选的方式中,所述聚类图网络模型包括图自编码器网络和聚类网络;以及,图自编码器网络包括编码器和解码器;
所述训练模块进一步适于:
将所述历史特征矩阵和历史邻接矩阵输入至图自编码器网络,编码器利用图卷积神经网络提取历史投诉拓扑网络的空间特征,将节点和边投影到低维向量空间中,其中,结合注意力机制根据历史投诉拓扑网络中邻居节点影响力的差异分配权重,解码器通过计算节点对的内积来得到历史投诉拓扑网络的重构邻接矩阵,直至重构邻接矩阵与历史邻接矩阵的误差满足收敛条件,则停止图自编码器网络的训练;
聚类网络利用训练完毕的图自编码器输出的表征历史投诉拓扑网络的潜在空间向量,进行自训练得到多个用户投诉的共性聚类结果。
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5G切片的多用户投诉共性确定方法。
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5G切片的多用户投诉共性确定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:
获取多个用户的切片投诉数据,根据所述切片投诉数据构建由多种异构节点组成的投诉拓扑网络;其中,多种异构节点包括切片终端用户节点、切片投诉节点、切片实例节点、网络切片节点以及切片网元节点中的多种;
将所述投诉拓扑网络的拓扑数据输入至训练好的基于聚类图网络的多用户投诉共性分析模型中,输出得到多个用户投诉的共性聚类结果;其中,所述拓扑数据包括投诉拓扑网络的特征矩阵和邻接矩阵;
根据所述共性聚类结果确定所述多个用户投诉的共性点信息。
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:
将投诉拓扑网络中各种节点的特征描述集编码为序列,生成特征矩阵;以及,根据投诉拓扑网络中节点之间的连接关系,生成邻接矩阵。
在一种可选的方式中,所述节点之间的连接关系具体如下:切片终端用户节点与切片投诉节点之间的连接关系为提出关系,切片投诉节点与切片实例节点之间的连接关系为涉及关系,切片实例节点与网络切片节点之间的连接关系为属于关系,以及网络切片节点与切片网元节点之间的连接关系为使用关系。
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:
根据所述共性聚类结果确定所述多个用户投诉的相同原因,和/或确定所述多个用户投诉的主要相同原因和次要相同原因。
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:
从切片管理架构的通信业务管理功能模块中获取多个用户的切片投诉数据。
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:
以预设时间段为单位获取多个样本用户的历史切片投诉数据,根据所述历史切片投诉数据构建由多种异构节点组成的历史投诉拓扑网络;其中,多种异构节点包括切片终端用户节点、切片投诉节点、切片实例节点、网络切片节点以及切片网元节点中的多种;
将所述历史投诉拓扑网络的历史拓扑数据作为训练数据输入至初始化的聚类图网络模型中进行训练,其中,所述历史拓扑数据包括投诉拓扑网络的历史特征矩阵和历史邻接矩阵;
根据训练结果得到基于聚类图网络的多用户投诉共性分析模型。
在一种可选的方式中,所述聚类图网络模型包括图自编码器网络和聚类网络;以及,图自编码器网络包括编码器和解码器;
所述程序610使所述处理器602执行以下操作:
将所述历史特征矩阵和历史邻接矩阵输入至图自编码器网络,编码器利用图卷积神经网络提取历史投诉拓扑网络的空间特征,将节点和边投影到低维向量空间中,其中,结合注意力机制根据历史投诉拓扑网络中邻居节点影响力的差异分配权重,解码器通过计算节点对的内积来得到历史投诉拓扑网络的重构邻接矩阵,直至重构邻接矩阵与历史邻接矩阵的误差满足收敛条件,则停止图自编码器网络的训练;
聚类网络利用训练完毕的图自编码器输出的表征历史投诉拓扑网络的潜在空间向量,进行自训练得到多个用户投诉的共性聚类结果。
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 (8)
1.一种5G切片的多用户投诉共性确定方法,包括:
获取多个用户的切片投诉数据,根据所述切片投诉数据构建由多种异构节点组成的投诉拓扑网络;其中,多种异构节点包括切片终端用户节点、切片投诉节点、切片实例节点、网络切片节点以及切片网元节点中的多种;
将所述投诉拓扑网络的拓扑数据输入至训练好的基于聚类图网络的多用户投诉共性分析模型中,输出得到多个用户投诉的共性聚类结果;其中,所述拓扑数据包括投诉拓扑网络的特征矩阵和邻接矩阵;所述基于聚类图网络的多用户投诉共性分析模型通过以下步骤训练得到:以预设时间段为单位获取多个样本用户的历史切片投诉数据,根据所述历史切片投诉数据构建由多种异构节点组成的历史投诉拓扑网络;将所述历史投诉拓扑网络的历史拓扑数据作为训练数据输入至初始化的聚类图网络模型中进行训练,其中,所述历史拓扑数据包括投诉拓扑网络的历史特征矩阵和历史邻接矩阵;所述聚类图网络模型包括图自编码器网络和聚类网络;以及,图自编码器网络包括编码器和解码器;根据训练结果得到基于聚类图网络的多用户投诉共性分析模型;
所述将所述历史投诉拓扑网络的历史拓扑数据作为训练数据输入至初始化的聚类图网络模型中进行训练,根据训练结果得到基于聚类图网络的多用户投诉共性分析模型进一步包括:将所述历史特征矩阵和历史邻接矩阵输入至图自编码器网络,编码器利用图卷积神经网络提取历史投诉拓扑网络的空间特征,将节点和边投影到低维向量空间中,其中,结合注意力机制根据历史投诉拓扑网络中邻居节点影响力的差异分配权重,解码器通过计算节点对的内积来得到历史投诉拓扑网络的重构邻接矩阵,直至重构邻接矩阵与历史邻接矩阵的误差满足收敛条件,则停止图自编码器网络的训练;聚类网络利用训练完毕的图自编码器输出的表征历史投诉拓扑网络的潜在空间向量,进行自训练得到多个用户投诉的共性聚类结果;
根据所述共性聚类结果确定所述多个用户投诉的共性点信息。
2.根据权利要求1所述的方法,其中,所述方法还包括:将投诉拓扑网络中各种节点的特征描述集编码为序列,生成特征矩阵;以及,根据投诉拓扑网络中节点之间的连接关系,生成邻接矩阵。
3.根据权利要求2所述的方法,其中,所述节点之间的连接关系具体如下:切片终端用户节点与切片投诉节点之间的连接关系为提出关系,切片投诉节点与切片实例节点之间的连接关系为涉及关系,切片实例节点与网络切片节点之间的连接关系为属于关系,以及网络切片节点与切片网元节点之间的连接关系为使用关系。
4.根据权利要求1所述的方法,其中,所述根据所述共性聚类结果确定所述多个用户投诉的共性点信息进一步包括:
根据所述共性聚类结果确定所述多个用户投诉的相同原因,和/或确定所述多个用户投诉的主要相同原因和次要相同原因。
5.根据权利要求1所述的方法,其中,所述获取多个用户的切片投诉数据具体为:从切片管理架构的通信业务管理功能模块中获取多个用户的切片投诉数据。
6.一种5G切片的多用户投诉共性确定装置,包括:
获取模块,适于获取多个用户的切片投诉数据;
构建模块,适于根据所述切片投诉数据构建由多种异构节点组成的投诉拓扑网络;其中,多种异构节点包括切片终端用户节点、切片投诉节点、切片实例节点、网络切片节点以及切片网元节点中的多种;
预测模块,适于将所述投诉拓扑网络的拓扑数据输入至训练好的基于聚类图网络的多用户投诉共性分析模型中,输出得到多个用户投诉的共性聚类结果;其中,所述拓扑数据包括投诉拓扑网络的特征矩阵和邻接矩阵;所述基于聚类图网络的多用户投诉共性分析模型通过以下步骤训练得到:以预设时间段为单位获取多个样本用户的历史切片投诉数据,根据所述历史切片投诉数据构建由多种异构节点组成的历史投诉拓扑网络;将所述历史投诉拓扑网络的历史拓扑数据作为训练数据输入至初始化的聚类图网络模型中进行训练,其中,所述历史拓扑数据包括投诉拓扑网络的历史特征矩阵和历史邻接矩阵;所述聚类图网络模型包括图自编码器网络和聚类网络;以及,图自编码器网络包括编码器和解码器;根据训练结果得到基于聚类图网络的多用户投诉共性分析模型;所述将所述历史投诉拓扑网络的历史拓扑数据作为训练数据输入至初始化的聚类图网络模型中进行训练,根据训练结果得到基于聚类图网络的多用户投诉共性分析模型进一步包括:将所述历史特征矩阵和历史邻接矩阵输入至图自编码器网络,编码器利用图卷积神经网络提取历史投诉拓扑网络的空间特征,将节点和边投影到低维向量空间中,其中,结合注意力机制根据历史投诉拓扑网络中邻居节点影响力的差异分配权重,解码器通过计算节点对的内积来得到历史投诉拓扑网络的重构邻接矩阵,直至重构邻接矩阵与历史邻接矩阵的误差满足收敛条件,则停止图自编码器网络的训练;聚类网络利用训练完毕的图自编码器输出的表征历史投诉拓扑网络的潜在空间向量,进行自训练得到多个用户投诉的共性聚类结果;
确定模块,适于根据所述共性聚类结果确定所述多个用户投诉的共性点信息。
7.一种计算设备,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1-5中任一项所述的5G切片的多用户投诉共性确定方法对应的操作。
8.一种计算机存储介质,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1-5中任一项所述的5G切片的多用户投诉共性确定方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543990.9A CN113822453B (zh) | 2020-06-15 | 2020-06-15 | 5g切片的多用户投诉共性确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543990.9A CN113822453B (zh) | 2020-06-15 | 2020-06-15 | 5g切片的多用户投诉共性确定方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822453A CN113822453A (zh) | 2021-12-21 |
CN113822453B true CN113822453B (zh) | 2023-08-18 |
Family
ID=78924288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010543990.9A Active CN113822453B (zh) | 2020-06-15 | 2020-06-15 | 5g切片的多用户投诉共性确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822453B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169466B (zh) * | 2021-12-24 | 2023-07-07 | 马上消费金融股份有限公司 | 图数据处理、文章分类、流量预测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108174394A (zh) * | 2018-01-12 | 2018-06-15 | 西安邮电大学 | 一种5g网络切片的编排算法 |
WO2018196793A1 (en) * | 2017-04-28 | 2018-11-01 | Huawei Technologies Co., Ltd. | Nssmf nsmf interaction connecting virtual 5g networks and subnets |
CN109548036A (zh) * | 2017-09-22 | 2019-03-29 | 中国移动通信集团浙江有限公司 | 一种移动网络潜在投诉用户预测方法和装置 |
CN110691384A (zh) * | 2019-10-23 | 2020-01-14 | 中国联合网络通信集团有限公司 | 一种网络切片使用方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190278746A1 (en) * | 2018-03-08 | 2019-09-12 | infinite io, Inc. | Metadata call offloading in a networked, clustered, hybrid storage system |
-
2020
- 2020-06-15 CN CN202010543990.9A patent/CN113822453B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018196793A1 (en) * | 2017-04-28 | 2018-11-01 | Huawei Technologies Co., Ltd. | Nssmf nsmf interaction connecting virtual 5g networks and subnets |
CN109548036A (zh) * | 2017-09-22 | 2019-03-29 | 中国移动通信集团浙江有限公司 | 一种移动网络潜在投诉用户预测方法和装置 |
CN108174394A (zh) * | 2018-01-12 | 2018-06-15 | 西安邮电大学 | 一种5g网络切片的编排算法 |
CN110691384A (zh) * | 2019-10-23 | 2020-01-14 | 中国联合网络通信集团有限公司 | 一种网络切片使用方法及装置 |
Non-Patent Citations (1)
Title |
---|
"面向空间信息网络的多特征可视化方法综述";于少波等;《中国电子科学研究院学报》(第02期);第91-98页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113822453A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085615B (zh) | 图神经网络的训练方法及装置 | |
CN113988314B (zh) | 一种选择客户端的分簇联邦学习方法及系统 | |
CN104077279B (zh) | 一种并行社区发现方法和装置 | |
CN112085172A (zh) | 图神经网络的训练方法及装置 | |
CN115358487A (zh) | 面向电力数据共享的联邦学习聚合优化系统及方法 | |
CN114282678A (zh) | 一种机器学习模型的训练的方法以及相关设备 | |
CN113541980B (zh) | 网络切片故障根因定位方法、装置、计算设备及存储介质 | |
CN111492394A (zh) | 出席者参与度确定系统和方法 | |
CN107480685A (zh) | 一种基于GraphX的分布式幂迭代聚类方法和装置 | |
Long et al. | Fedsiam: Towards adaptive federated semi-supervised learning | |
CN113824575B (zh) | 故障节点识别的方法、装置、计算设备及计算机存储介质 | |
CN113822453B (zh) | 5g切片的多用户投诉共性确定方法及装置 | |
CN115905978A (zh) | 基于分层联邦学习的故障诊断方法及系统 | |
CN112202584A (zh) | 告警关联方法、装置、计算设备及计算机存储介质 | |
CN114374660B (zh) | 5g消息聊天机器人的推荐方法、装置、设备及存储介质 | |
CN113541984B (zh) | 网络切片业务体验预测方法、装置和设备 | |
CN117829307A (zh) | 一种面向数据异构性的联邦学习方法及系统 | |
Lin et al. | Analysis and comparison of interaction patterns in online social network and social media | |
CN113747480B (zh) | 5g切片故障的处理方法、装置及计算设备 | |
CN115392491A (zh) | 基于知识蒸馏和联邦学习的模型训练方法及装置 | |
CN113806498B (zh) | 网络切片实例运行状况的在线问答方法及装置 | |
CN113825151B (zh) | 基于关系图卷积网络的切片告警间关系预测方法及装置 | |
CN113822454B (zh) | 切片投诉处理资源的预估方法及装置 | |
CN113810212B (zh) | 5g切片用户投诉的根因定位方法及装置 | |
CN114143163B (zh) | 基于图注意力网络的切片误告警识别方法及装置 |
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 |