CN113825149B - 5g切片网元功能自动裁剪方法、装置及计算设备 - Google Patents
5g切片网元功能自动裁剪方法、装置及计算设备 Download PDFInfo
- Publication number
- CN113825149B CN113825149B CN202010558935.7A CN202010558935A CN113825149B CN 113825149 B CN113825149 B CN 113825149B CN 202010558935 A CN202010558935 A CN 202010558935A CN 113825149 B CN113825149 B CN 113825149B
- Authority
- CN
- China
- Prior art keywords
- network element
- network
- element function
- function
- functions
- 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 37
- 230000006870 function Effects 0.000 claims abstract description 518
- 101000979909 Homo sapiens NMDA receptor synaptonuclear signaling and neuronal migration factor Proteins 0.000 claims abstract description 54
- 102100024546 NMDA receptor synaptonuclear signaling and neuronal migration factor Human genes 0.000 claims abstract description 54
- 101001109689 Homo sapiens Nuclear receptor subfamily 4 group A member 3 Proteins 0.000 claims abstract description 33
- 102100022673 Nuclear receptor subfamily 4 group A member 3 Human genes 0.000 claims abstract description 33
- 238000004891 communication Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000007726 management method Methods 0.000 claims description 39
- 238000012549 training Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000013523 data management Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 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 2
- 230000011664 signaling Effects 0.000 description 2
- 101150119040 Nsmf gene Proteins 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明实施例涉及通信网络技术领域，公开了一种5G切片网元功能自动裁剪方法、装置及计算设备，该方法包括：从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；对所述SLA需求和所述现网可用网元功能信息进行预处理；根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；将所述网元功能裁剪结果传输至NSMF进行网元功能定制。通过上述方式，本发明实施例能够实现根据用户的不同需求以及现网的网元环境进行切片网元功能灵活定制，提升切片网络使用效率。
Description
技术领域
本发明实施例涉及通信网络技术领域，具体涉及一种5G切片网元功能自动裁剪方法、装置及计算设备。
背景技术
核心网切片通过将网元功能打散，让不同的网元来承担不同的功能，这样网络切片功能就可以灵活地定制，根据不同需求进行功能裁剪选择，对于某些业务就可以删减掉一些不需要的网元功能。现有技术中5G切片网元功能裁剪主要依赖于人工经验制定规则来实现。通过人工判断一些条件，例如终端是否能够移动、是否独立部署服务质量(Qualityof Service，Qos)策略、是否需要独立开户、是否有不同的计费策略等。这样可以将一些不必要的功能删减掉，提高网络效率。
现有技术中5G切片网元功能裁剪主要依赖于人工经验制定规则来实现。但基于人工经验制定规则的方式效率较低、容易出错、灵活性较差，未来面对多样化的用户服务等级协议(service-level agreement，SLA)需求，无法对规则进行及时更新，已不适应5G切片自动化运维的要求、无法满足垂直行业多种多样的需求。
发明内容
鉴于上述问题，本发明实施例提供了一种5G切片网元功能自动裁剪方法、装置及计算设备，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种5G切片网元功能自动裁剪方法，所述方法包括：从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；对所述SLA需求和所述现网可用网元功能信息进行预处理；根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；将所述网元功能裁剪结果传输至NSMF进行网元功能定制。
在一种可选的方式中，所述对所述SLA需求和所述现网可用网元功能信息进行预处理，包括：将所述历史SLA需求和所述历史现网可用网元功能信息转换成机器可识别的形式；对转换后的所述SLA需求和所述现网可用网元功能信息进行归一化。
在一种可选的方式中，所述从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息之前，包括：从CSMF中获取用户的历史SLA需求，从NSMF中获取历史现网可用网元功能信息，组合形成第一数据集；获取所述第一数据集中人工标注的与每条数据对应的历史网元功能裁剪结果，与所述第一数据集组成总数据集；应用所述总数据集对由深度神经网络构成的所述网元功能裁剪模型进行训练，获取收敛的所述网元功能裁剪模型的权重参数。
在一种可选的方式中，所述应用所述总数据集对由深度神经网络构成的所述网元功能裁剪模型进行训练，获取收敛的所述网元功能裁剪模型的权重参数，包括：根据所述第一数据集中的所述历史SLA需求和所述历史现网可用网元功能信息对所述网元功能裁剪模型进行训练，获取预测的网元功能裁剪结果；计算所述预测的网元功能裁剪结果与所述历史网元功能裁剪结果之间的误差，应用目标函数衡量所述误差；应用梯度下降优化算法使所述网元功能裁剪模型梯度下降，获取使所述目标函数最小的所述网元功能裁剪模型的最优权重参数，所述最优权重参数为训练后的所述网元功能裁剪模型的权重参数。
在一种可选的方式中，所述根据所述第一数据集中的所述历史SLA需求和所述历史现网可用网元功能信息对所述网元功能裁剪模型进行训练，获取预测的网元功能裁剪结果，包括：通过第一输入层接收输入的所述历史SLA需求，通过第二输入层接收输入的所述历史现网可用网元功能信息；通过第一全连接层和第二全连接层对输入的所述历史SLA需求进行处理，通过第三全连接层和第四全连接层对输入的所述历史现网可用网元功能信息进行处理；将处理后的所述历史SLA需求和所述历史现网可用网元功能信息通过合并层进行合并；合并后的所述历史SLA需求和所述历史现网可用网元功能信息依次经过第一舍弃层、第五全连接层以及第二舍弃层的处理，保留需要的网元功能，删除不需要的网元功能；通过输出层输出所述预测的网元功能裁剪结果。
在一种可选的方式中，所述通过输出层输出所述预测的网元功能裁剪结果，包括：将所述输出层包括的神经元个数设置为5G切片网元功能的最大数量，激活函数设置为sigmoid；根据预定义的各网元功能的输出顺序输出所述预测的网元功能裁剪结果，其中，以1表示保留对应顺序位置的网元功能，0表示删除对应顺序位置的网元功能。
在一种可选的方式中，所述网元功能包括：接入和移动管理功能、接入网络功能、会话管理功能、鉴权服务功能、统一数据管理、认证服务器功能、用户面管理功能、策略控制功能、网络存储功能以及应用层功能。
根据本发明实施例的另一个方面，提供了一种5G切片网元功能自动裁剪装置，所述装置包括：数据获取单元，用于从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；预处理单元，用于对所述SLA需求和所述现网可用网元功能信息进行预处理；功能裁剪单元，用于根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；功能定制单元，用于将所述网元功能裁剪结果传输至NSMF进行网元功能定制。
根据本发明实施例的另一方面，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切片网元功能自动裁剪方法的步骤。
根据本发明实施例的又一方面，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，所述可执行指令使所述处理器执行上述5G切片网元功能自动裁剪方法的步骤。
本发明实施例通过从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；对所述SLA需求和所述现网可用网元功能信息进行预处理；根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；将所述网元功能裁剪结果传输至NSMF进行网元功能定制，能够实现根据用户的不同需求以及现网的网元环境进行切片网元功能灵活定制，提升切片网络使用效率。
上述说明仅是本发明实施例技术结果的概述，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核心网的服务化架构的示意图；
图2示出了本发明实施例提供的5G切片网元功能自动裁剪的方法示意图；
图3示出了本发明实施例提供的5G切片网元功能自动裁剪方法的流程示意图；
图4示出了本发明实施例提供的5G切片网元功能自动裁剪方法的网元功能裁剪模型的结构示意图；
图5示出了本发明实施例提供的5G切片网元功能自动裁剪装置的结构示意图；
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。
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”；网络切片基于网络功能虚拟化(Network Function Virtualization，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。切片管理架构主要由通信业务管理功能(Communication Service Management Function，CSMF)、网络切片管理功能(Network Slice Management Function，NSMF)、网络切片子网管理功能(Network SliceSubnet Management Function，NSSMF)组成。
其中，CSMF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)，接收运营商/第三方客户对网络切片管理数据或通信业务的管理数据的订阅需求等。NSMF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，向欧洲电信标准化协会(European Telecommunications Standards Institute，ETSI)NFV域的NFV编排器(NFV Orchestration，NFVO)系统下发网络服务的部署请求。
5G核心网通过模块化实现网络功能间的解耦和整合，基于全新的服务化架构-SBA(Service-based Architecture)架构，将网络功能解耦为服务化组件，组件之间使用轻量级开放接口通信，不再走传统的标准化接口。每种服务均可独立扩容演进并按需部署，这种结构高内聚、低耦合，使核心网灵活、开放、易拓展，从而可以满足5G网络切片按需定制和动态部署的要求。5G核心网的服务化架构如图1所示，5G核心网网元功能主要包括：
接入和移动管理功能(Access and Mobility Management Function，AMF)完成移动性管理、网络附属存储(Network Attached Storage，NAS)MM信令处理、NAS SM信令路由、安全锚点和安全上下文管理等；
会话管理功能(Session Management Function，SMF)完成会话管理、UE IP地址分配和管理、UP选择和控制等；
统一数据管理(Unified Data Management，UDM)主要管理和存储签约数据、鉴权数据；
认证服务器功能(Authentication Server Function，AUSF)完成用户接入的身份认证功能；
用户面管理功能(User plane Function，UPF)完成不同的用户面处理；
策略控制功能(Policy Control function，PCF)主要支持统一策略框架，提供策略规则；
网络存储功能(NF Repository Function，NRF)主要维护已部署网络功能(networkfunciton，NF)的信息，处理从其他NF过来的NF发现请求；
网络开放功能(Network Exposure Function，NEF)使内部或外部应用可以访问网络提供的信息或业务，为不同的使用场景定制化网络能力。
5G核心网网元功能还包括应用层功能(Application Function，AF)，数据网络(Data Network，DN)，网络切片选择功能(Network SliceSelection Function，NSSF)等。其中，UE表示为用户终端设备，(R)AN表示为接入网络，DN表示为数据网络。Nssf、Nnef、Nnrf、Npcf、Nudm、Naf、Nausf、Namf以及Nsmf为基于业务的服务化架构接口，使控制面相关的网元功能实体能够授权其他网元来访问它的业务。N1、N2、N3、N4、N6为作为点对点网元功能业务之间互作用点的参考点。
SLA通常包括安全性/私密性、可见性/可管理性、可靠性/可用性，以及具体的业务特征(业务类型、空口需求、定制化网络功能等)和相应的性能指标(时延、吞吐率、丢包率、掉话率等)。因此切片SLA需求可包括：时延(例如小于5ms)、带宽、吞吐率、丢包率、掉话率、连接数、可靠性(例如99.999％)、服务范围、用户规模、隔离性(例如强、中、弱)、安全性(例如强、中、弱)、接入方式、max TP/site(例如5Gbps)等。
深度神经网络(deep neural network，DNN)所谓的“深度”是指中间的隐藏层有很多层。所以深度学习其实就是隐藏层有很多层的神经网络。神经元(Neuron)是神经网络的基本单元，也称节点(Node)，它从外部或其它节点收到输入(Input)，并通过一个激活函数(Activation Function)来计算输出(Output)；每一个输入都对应权重参数(Weight)，即这个节点收到的每一个输入的相对重要性；偏置(Bias)可以理解为一种特殊的输入。
在本发明实施例中，5G切片网元功能自动裁剪方法如图2所示，用户向CSMF发起切片创建请求，请求消息中携带SLA需求；CSMF将用户的SLA需求发送至预处理单元，同时NSMF将当下现网可用网元功能信息发送至预处理单元；SLA需求和现网可用网元功能信息经归一化等预处理后输入至预训练完毕的切片网元功能裁剪模型；网元功能裁剪模型输出适合该切片SLA需求的网元功能裁剪结果，包含C个网元功能裁剪结果，其中，1代表该网元功能保留、0代表该网元功能删除；并将该网元功能裁剪结果反馈给NSMF；最终NSMF指示核心网网络切片子网管理功能NSSMF按照该裁剪方案实施网元功能定制。从而实现根据用户的不同需求以及现网的网元环境进行切片网元功能灵活定制，提升切片网络使用效率。
图3示出了本发明实施例提供的5G切片网元功能自动裁剪方法的流程示意图。该5G切片网元功能自动裁剪方法应用于服务器端，如图3所示，5G切片网元功能自动裁剪方法包括：
步骤S11：从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息。
当用户发起切片创建请求时，CSMF接收用户发送的切片创建请求，该切片创建请求中包括用户的SLA需求。在步骤S11中，从CSMF中获取用户的SLA需求，同时从NSMF中获取现网可用网元功能信息。
步骤S12：对所述SLA需求和所述现网可用网元功能信息进行预处理。
具体地，将所述SLA需求和所述现网可用网元功能信息转换成数值化的数据；对数值化后的数据进行归一化。如对非数值型的SLA需求属性转化成数值型，并对数值化后的数据做归一化。归一化是指将数据按比例缩放，将数据统一映射到[0，1]的范围内，将数据缩放至给定的最小值与最大值之间，通常是0与1之间。归一化后将提升后续网元功能裁剪模型的收敛速度、提升网元功能裁剪模型的精度。归一化的公式如下：
计算标准差：X_std＝(X-X.min)/(X.max-X.min)，
归一化后的结果：X_scaled＝X_std*(max-min)+min。
步骤S13：根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果。
在本发明实施例中，在步骤S11之前，完成网元功能裁剪模型的预训练，获取网元功能裁剪模型收敛的权重参数。具体地，从CSMF中获取用户的历史SLA需求，从NSMF中获取历史现网可用网元功能信息，组合形成第一数据集；获取所述第一数据集中人工标注的与每条数据对应的历史网元功能裁剪结果，与所述第一数据集组成总数据集；应用所述总数据集对由深度神经网络构成的所述网元功能裁剪模型进行训练，获取收敛的所述网元功能裁剪模型的权重参数。而应用总数据集对网元功能裁剪模型进行训练之前，对数据进行预处理，SLA需求可表示为(S1、S2、…、Sm)，现网可用网元功能信息可表示为(R1、R2、…、Rn)，网元功能裁剪结果可表示为(y1、y2、…、yC)。将总数据集划分为训练集和测试集，总数据集的90％划为训练集，总数据集的10％划为测试集，训练集用于训练模型，测试集用于测试模型的性能。
对网元功能裁剪模型进行训练时，根据所述第一数据集中的所述历史SLA需求和所述历史现网可用网元功能信息对所述网元功能裁剪模型进行训练，获取预测的网元功能裁剪结果。网元功能裁剪模型的结构参考图4，具体地，通过第一输入层接收输入的所述历史SLA需求，通过第二输入层接收输入的所述历史现网可用网元功能信息；通过第一全连接层(Dense)和第二全连接层对输入的所述历史SLA需求进行处理，通过第三全连接层和第四全连接层对输入的所述历史现网可用网元功能信息进行处理。其中第一全连接层和第三全连接层设置128个神经元，第二全连接层和第四全连接层设置64个神经元，激活函数均为“relu”。将处理后的所述历史SLA需求和所述历史现网可用网元功能信息通过合并层(merge)进行合并，具体合并的是历史SLA需求和历史现网可用网元功能信息的隐藏状态。合并后的所述历史SLA需求和所述历史现网可用网元功能信息依次经过第一舍弃层(dropout)、第五全连接层以及第二舍弃层的处理，保留需要的网元功能，删除不需要的网元功能；最后通过输出层输出所述预测的网元功能裁剪结果。其中，第五全连接层包括64个神经元、激活函数为“relu”。通过引入舍弃层(dropout)，以有效避免过拟合，所谓的舍弃层(dropout)是指以舍弃概率p舍弃神经元并让其它神经元以概率q＝1-p保留，本发明实施例中优选地，设置舍弃概率p＝0.2，即随机忽略20％的神经元，使其失效。输出层由全连接层(Dense)构成。将所述输出层包括的神经元个数设置为5G切片网元功能的最大数量C，激活函数设置为sigmoid；根据预定义的各网元功能的输出顺序输出所述预测的网元功能裁剪结果，网元功能裁剪结果为各网元功能需要保留还是删除，其中，以1表示保留对应顺序位置的网元功能，0表示删除对应顺序位置的网元功能，C为固定数值。
然后计算所述预测的网元功能裁剪结果与所述历史网元功能裁剪结果之间的误差，应用目标函数衡量所述误差。目标函数选择'binary_crossentropy'二类对数损失函数。训练目标是最小化该误差。将训练回合数设置为1500(epochs＝1500)，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参数，神经网络通过训练会自主学习到权重参数。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网元功能裁剪模型。如此应用梯度下降优化算法使所述网元功能裁剪模型梯度下降，获取使所述目标函数最小的所述网元功能裁剪模型的最优权重参数，所述最优权重参数为训练后的所述网元功能裁剪模型的权重参数。应用该权重参数的网元功能裁剪模型自动归纳出SLA需求和现网可用网元功能与正确的网元功能裁剪结果的映射规律，训练收敛后的网元功能裁剪模型权重参数作为切片网元功能自动裁剪器。
在步骤S13中，具体地，将SLA需求和现网可用网元功能信息输入预训练的网元功能裁剪模型，该网元功能裁剪模型的权重参数为训练得到的最优权重参数，通过网元功能裁剪模型自动归纳出的全连接层和舍弃层自动归纳出用户SLA需求、现网可用网元功能，与正确的网元功能裁剪结果的映射规律获取网元功能裁剪结果，将需要的网元功能保留、将不需要的网元功能删除。能够解决目前网元功能裁剪依赖于人工制定规则的问题，从而实现根据用户的不同需求以及现网的网元环境进行切片网元功能灵活定制，提升切片网络使用效率。
步骤S14：将所述网元功能裁剪结果传输至NSMF进行网元功能定制。
在本发明实施例中，经网元功能裁剪模型输出的网元功能裁剪结果传输至NSMF，NSMF指示核心网子切片按照该网元功能裁剪结果实施网元功能定制。具体地，NSMF根据网元功能裁剪结果形成网络切片子网实例，向对应的NSSMF发送网络切片子网实例管理请求，NSSMF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，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。
本发明实施例通过从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；对所述SLA需求和所述现网可用网元功能信息进行预处理；根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；将所述网元功能裁剪结果传输至NSMF进行网元功能定制，能够实现根据用户的不同需求以及现网的网元环境进行切片网元功能灵活定制，提升切片网络使用效率。
图5示出了本发明实施例的5G切片网元功能自动裁剪装置的结构示意图。如图5所示，该5G切片网元功能自动裁剪装置包括：数据获取单元501、预处理单元502、功能裁剪单元503、功能定制单元504以及模型训练单元505。
其中：
数据获取单元501用于从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；预处理单元502用于对所述SLA需求和所述现网可用网元功能信息进行预处理；功能裁剪单元503用于根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；功能定制单元504用于将所述网元功能裁剪结果传输至NSMF进行网元功能定制。
在一种可选的方式中，预处理单元502用于：将所述SLA需求和所述现网可用网元功能信息转换成机器可识别的形式；对转换后的所述SLA需求和所述现网可用网元功能信息进行归一化。
在一种可选的方式中，模型训练单元505用于：从CSMF中获取用户的历史SLA需求，从NSMF中获取历史现网可用网元功能信息，组合形成第一数据集；获取所述第一数据集中人工标注的与每条数据对应的历史网元功能裁剪结果，与所述第一数据集组成总数据集；应用所述总数据集对由深度神经网络构成的所述网元功能裁剪模型进行训练，获取收敛的所述网元功能裁剪模型的权重参数。
在一种可选的方式中，模型训练单元505用于：根据所述第一数据集中的所述历史SLA需求和所述历史现网可用网元功能信息对所述网元功能裁剪模型进行训练，获取预测的网元功能裁剪结果；计算所述预测的网元功能裁剪结果与所述历史网元功能裁剪结果之间的误差，应用目标函数衡量所述误差；应用梯度下降优化算法使所述网元功能裁剪模型梯度下降，获取使所述目标函数最小的所述网元功能裁剪模型的最优权重参数，所述最优权重参数为训练后的所述网元功能裁剪模型的权重参数。
在一种可选的方式中，模型训练单元505用于：通过第一输入层接收输入的所述历史SLA需求，通过第二输入层接收输入的所述历史现网可用网元功能信息；通过第一全连接层和第二全连接层对输入的所述历史SLA需求进行处理，通过第三全连接层和第四全连接层对输入的所述历史现网可用网元功能信息进行处理；将处理后的所述历史SLA需求和所述历史现网可用网元功能信息通过合并层进行合并；合并后的所述历史SLA需求和所述历史现网可用网元功能信息依次经过第一舍弃层、第五全连接层以及第二舍弃层的处理，保留需要的网元功能，删除不需要的网元功能；通过输出层输出所述预测的网元功能裁剪结果。
在一种可选的方式中，模型训练单元505还用于：将所述输出层包括的神经元个数设置为5G切片网元功能的最大数量，激活函数设置为sigmoid；根据预定义的各网元功能的输出顺序输出所述预测的网元功能裁剪结果，其中，以1表示保留对应顺序位置的网元功能，0表示删除对应顺序位置的网元功能。
在一种可选的方式中，所述网元功能包括：接入和移动管理功能、接入网络功能、会话管理功能、鉴权服务功能、统一数据管理、认证服务器功能、用户面管理功能、策略控制功能、网络存储功能以及应用层功能。
本发明实施例通过从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；对所述SLA需求和所述现网可用网元功能信息进行预处理；根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；将所述网元功能裁剪结果传输至NSMF进行网元功能定制，能够实现根据用户的不同需求以及现网的网元环境进行切片网元功能灵活定制，提升切片网络使用效率。
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切片网元功能自动裁剪方法。
可执行指令具体可以用于使得处理器执行以下操作：
从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；
对所述SLA需求和所述现网可用网元功能信息进行预处理；
根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；
将所述网元功能裁剪结果传输至NSMF进行网元功能定制。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
将所述SLA需求和所述现网可用网元功能信息转换成机器可识别的形式；
对转换后的所述SLA需求和所述现网可用网元功能信息进行归一化。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
从CSMF中获取用户的历史SLA需求，从NSMF中获取历史现网可用网元功能信息，组合形成第一数据集；
获取所述第一数据集中人工标注的与每条数据对应的历史网元功能裁剪结果，与所述第一数据集组成总数据集；
应用所述总数据集对由深度神经网络构成的所述网元功能裁剪模型进行训练，获取收敛的所述网元功能裁剪模型的权重参数。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
根据所述第一数据集中的所述历史SLA需求和所述历史现网可用网元功能信息对所述网元功能裁剪模型进行训练，获取预测的网元功能裁剪结果；
计算所述预测的网元功能裁剪结果与所述历史网元功能裁剪结果之间的误差，应用目标函数衡量所述误差；
应用梯度下降优化算法使所述网元功能裁剪模型梯度下降，获取使所述目标函数最小的所述网元功能裁剪模型的最优权重参数，所述最优权重参数为训练后的所述网元功能裁剪模型的权重参数。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
通过第一输入层接收输入的所述历史SLA需求，通过第二输入层接收输入的所述历史现网可用网元功能信息；
通过第一全连接层和第二全连接层对输入的所述历史SLA需求进行处理，通过第三全连接层和第四全连接层对输入的所述历史现网可用网元功能信息进行处理；
将处理后的所述历史SLA需求和所述历史现网可用网元功能信息通过合并层进行合并；
合并后的所述历史SLA需求和所述历史现网可用网元功能信息依次经过第一舍弃层、第五全连接层以及第二舍弃层的处理，保留需要的网元功能，删除不需要的网元功能；
通过输出层输出所述预测的网元功能裁剪结果。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
将所述输出层包括的神经元个数设置为5G切片网元功能的最大数量，激活函数设置为sigmoid；
根据预定义的各网元功能的输出顺序输出所述预测的网元功能裁剪结果，其中，以1表示保留对应顺序位置的网元功能，0表示删除对应顺序位置的网元功能。
在一种可选的方式中，所述网元功能包括：接入和移动管理功能、接入网络功能、会话管理功能、鉴权服务功能、统一数据管理、认证服务器功能、用户面管理功能、策略控制功能、网络存储功能以及应用层功能。
本发明实施例通过从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；对所述SLA需求和所述现网可用网元功能信息进行预处理；根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；将所述网元功能裁剪结果传输至NSMF进行网元功能定制，能够实现根据用户的不同需求以及现网的网元环境进行切片网元功能灵活定制，提升切片网络使用效率。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任意方法实施例中的5G切片网元功能自动裁剪方法。
可执行指令具体可以用于使得处理器执行以下操作：
从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；
对所述SLA需求和所述现网可用网元功能信息进行预处理；
根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；
将所述网元功能裁剪结果传输至NSMF进行网元功能定制。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
将所述SLA需求和所述现网可用网元功能信息转换成机器可识别的形式；
对转换后的所述SLA需求和所述现网可用网元功能信息进行归一化。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
从CSMF中获取用户的历史SLA需求，从NSMF中获取历史现网可用网元功能信息，组合形成第一数据集；
获取所述第一数据集中人工标注的与每条数据对应的历史网元功能裁剪结果，与所述第一数据集组成总数据集；
应用所述总数据集对由深度神经网络构成的所述网元功能裁剪模型进行训练，获取收敛的所述网元功能裁剪模型的权重参数。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
根据所述第一数据集中的所述历史SLA需求和所述历史现网可用网元功能信息对所述网元功能裁剪模型进行训练，获取预测的网元功能裁剪结果；
计算所述预测的网元功能裁剪结果与所述历史网元功能裁剪结果之间的误差，应用目标函数衡量所述误差；
应用梯度下降优化算法使所述网元功能裁剪模型梯度下降，获取使所述目标函数最小的所述网元功能裁剪模型的最优权重参数，所述最优权重参数为训练后的所述网元功能裁剪模型的权重参数。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
通过第一输入层接收输入的所述历史SLA需求，通过第二输入层接收输入的所述历史现网可用网元功能信息；
通过第一全连接层和第二全连接层对输入的所述历史SLA需求进行处理，通过第三全连接层和第四全连接层对输入的所述历史现网可用网元功能信息进行处理；
将处理后的所述历史SLA需求和所述历史现网可用网元功能信息通过合并层进行合并；
合并后的所述历史SLA需求和所述历史现网可用网元功能信息依次经过第一舍弃层、第五全连接层以及第二舍弃层的处理，保留需要的网元功能，删除不需要的网元功能；
通过输出层输出所述预测的网元功能裁剪结果。
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
将所述输出层包括的神经元个数设置为5G切片网元功能的最大数量，激活函数设置为sigmoid；
根据预定义的各网元功能的输出顺序输出所述预测的网元功能裁剪结果，其中，以1表示保留对应顺序位置的网元功能，0表示删除对应顺序位置的网元功能。
在一种可选的方式中，所述网元功能包括：接入和移动管理功能、接入网络功能、会话管理功能、鉴权服务功能、统一数据管理、认证服务器功能、用户面管理功能、策略控制功能、网络存储功能以及应用层功能。
本发明实施例通过从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；对所述SLA需求和所述现网可用网元功能信息进行预处理；根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；将所述网元功能裁剪结果传输至NSMF进行网元功能定制，能够实现根据用户的不同需求以及现网的网元环境进行切片网元功能灵活定制，提升切片网络使用效率。
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5G切片网元功能自动裁剪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各个集成电路。设备包括的一个或各个处理器，可以是同一类型的处理器，如一个或各个CPU；也可以是不同类型的处理器，如一个或各个CPU以及一个或各个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：
从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；
对所述SLA需求和所述现网可用网元功能信息进行预处理；
根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；
将所述网元功能裁剪结果传输至NSMF进行网元功能定制。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
将所述SLA需求和所述现网可用网元功能信息转换成机器可识别的形式；
对转换后的所述SLA需求和所述现网可用网元功能信息进行归一化。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
从CSMF中获取用户的历史SLA需求，从NSMF中获取历史现网可用网元功能信息，组合形成第一数据集；
获取所述第一数据集中人工标注的与每条数据对应的历史网元功能裁剪结果，与所述第一数据集组成总数据集；
应用所述总数据集对由深度神经网络构成的所述网元功能裁剪模型进行训练，获取收敛的所述网元功能裁剪模型的权重参数。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
根据所述第一数据集中的所述历史SLA需求和所述历史现网可用网元功能信息对所述网元功能裁剪模型进行训练，获取预测的网元功能裁剪结果；
计算所述预测的网元功能裁剪结果与所述历史网元功能裁剪结果之间的误差，应用目标函数衡量所述误差；
应用梯度下降优化算法使所述网元功能裁剪模型梯度下降，获取使所述目标函数最小的所述网元功能裁剪模型的最优权重参数，所述最优权重参数为训练后的所述网元功能裁剪模型的权重参数。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
通过第一输入层接收输入的所述历史SLA需求，通过第二输入层接收输入的所述历史现网可用网元功能信息；
通过第一全连接层和第二全连接层对输入的所述历史SLA需求进行处理，通过第三全连接层和第四全连接层对输入的所述历史现网可用网元功能信息进行处理；
将处理后的所述历史SLA需求和所述历史现网可用网元功能信息通过合并层进行合并；
合并后的所述历史SLA需求和所述历史现网可用网元功能信息依次经过第一舍弃层、第五全连接层以及第二舍弃层的处理，保留需要的网元功能，删除不需要的网元功能；
通过输出层输出所述预测的网元功能裁剪结果。
在一种可选的方式中，所述程序610使所述处理器执行以下操作：
将所述输出层包括的神经元个数设置为5G切片网元功能的最大数量，激活函数设置为sigmoid；
根据预定义的各网元功能的输出顺序输出所述预测的网元功能裁剪结果，其中，以1表示保留对应顺序位置的网元功能，0表示删除对应顺序位置的网元功能。
在一种可选的方式中，所述网元功能包括：接入和移动管理功能、接入网络功能、会话管理功能、鉴权服务功能、统一数据管理、认证服务器功能、用户面管理功能、策略控制功能、网络存储功能以及应用层功能。
本发明实施例通过从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；对所述SLA需求和所述现网可用网元功能信息进行预处理；根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；将所述网元功能裁剪结果传输至NSMF进行网元功能定制，能够实现根据用户的不同需求以及现网的网元环境进行切片网元功能灵活定制，提升切片网络使用效率。
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。
应该注意的是上述实施例对本发明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 (7)
1.一种5G切片网元功能自动裁剪方法，其特征在于，所述方法包括：
从CSMF中获取用户的历史SLA需求，从NSMF中获取历史现网可用网元功能信息，组合形成第一数据集；获取所述第一数据集中人工标注的与每条数据对应的历史网元功能裁剪结果，与所述第一数据集组成总数据集；应用所述总数据集对由深度神经网络构成的网元功能裁剪模型进行训练，获取收敛的所述网元功能裁剪模型的权重参数，包括：通过第一输入层接收输入的所述历史SLA需求，通过第二输入层接收输入的所述历史现网可用网元功能信息；通过第一全连接层和第二全连接层对输入的所述历史SLA需求进行处理，通过第三全连接层和第四全连接层对输入的所述历史现网可用网元功能信息进行处理；将处理后的所述历史SLA需求和所述历史现网可用网元功能信息通过合并层进行合并；合并后的所述历史SLA需求和所述历史现网可用网元功能信息依次经过第一舍弃层、第五全连接层以及第二舍弃层的处理，保留需要的网元功能，删除不需要的网元功能；通过输出层输出预测的网元功能裁剪结果；计算所述预测的网元功能裁剪结果与所述历史网元功能裁剪结果之间的误差，应用目标函数衡量所述误差；应用梯度下降优化算法使所述网元功能裁剪模型梯度下降，获取使所述目标函数最小的所述网元功能裁剪模型的最优权重参数，所述最优权重参数为训练后的所述网元功能裁剪模型的权重参数；
从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；
对所述SLA需求和所述现网可用网元功能信息进行预处理；
根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；
将所述网元功能裁剪结果传输至NSMF进行网元功能定制。
2.根据权利要求1所述的方法，其特征在于，所述对所述SLA需求和所述现网可用网元功能信息进行预处理，包括：
将所述SLA需求和所述现网可用网元功能信息转换成机器可识别的形式；
对转换后的所述SLA需求和所述现网可用网元功能信息进行归一化。
3.根据权利要求1所述的方法，其特征在于，所述通过输出层输出所述预测的网元功能裁剪结果，包括：
将所述输出层包括的神经元个数设置为5G切片网元功能的最大数量，激活函数设置为sigmoid；
根据预定义的各网元功能的输出顺序输出所述预测的网元功能裁剪结果，其中，以1表示保留对应顺序位置的网元功能，0表示删除对应顺序位置的网元功能。
4.根据权利要求1所述的方法，其特征在于，所述网元功能包括：接入和移动管理功能、接入网络功能、会话管理功能、鉴权服务功能、统一数据管理、认证服务器功能、用户面管理功能、策略控制功能、网络存储功能以及应用层功能。
5.一种5G切片网元功能自动裁剪装置，其特征在于，所述装置包括：
模型训练单元，用于从CSMF中获取用户的历史SLA需求，从NSMF中获取历史现网可用网元功能信息，组合形成第一数据集；获取所述第一数据集中人工标注的与每条数据对应的历史网元功能裁剪结果，与所述第一数据集组成总数据集；应用所述总数据集对由深度神经网络构成的所述网元功能裁剪模型进行训练，获取收敛的所述网元功能裁剪模型的权重参数，包括：通过第一输入层接收输入的所述历史SLA需求，通过第二输入层接收输入的所述历史现网可用网元功能信息；通过第一全连接层和第二全连接层对输入的所述历史SLA需求进行处理，通过第三全连接层和第四全连接层对输入的所述历史现网可用网元功能信息进行处理；将处理后的所述历史SLA需求和所述历史现网可用网元功能信息通过合并层进行合并；合并后的所述历史SLA需求和所述历史现网可用网元功能信息依次经过第一舍弃层、第五全连接层以及第二舍弃层的处理，保留需要的网元功能，删除不需要的网元功能；通过输出层输出预测的网元功能裁剪结果；计算所述预测的网元功能裁剪结果与所述历史网元功能裁剪结果之间的误差，应用目标函数衡量所述误差；应用梯度下降优化算法使所述网元功能裁剪模型梯度下降，获取使所述目标函数最小的所述网元功能裁剪模型的最优权重参数，所述最优权重参数为训练后的所述网元功能裁剪模型的权重参数；
数据获取单元，用于从CSMF中获取用户的SLA需求以及从NSMF中获取现网可用网元功能信息；
预处理单元，用于对所述SLA需求和所述现网可用网元功能信息进行预处理；
功能裁剪单元，用于根据所述SLA需求和所述现网可用网元功能信息应用预训练的网元功能裁剪模型保留需要的网元功能，删除不需要的网元功能，获得网元功能裁剪结果；
功能定制单元，用于将所述网元功能裁剪结果传输至NSMF进行网元功能定制。
6.一种计算设备，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根据权利要求1-4任一项所述5G切片网元功能自动裁剪方法的步骤。
7.一种计算机存储介质，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根据权利要求1-4任一项所述5G切片网元功能自动裁剪方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010558935.7A CN113825149B (zh) | 2020-06-18 | 2020-06-18 | 5g切片网元功能自动裁剪方法、装置及计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010558935.7A CN113825149B (zh) | 2020-06-18 | 2020-06-18 | 5g切片网元功能自动裁剪方法、装置及计算设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113825149A CN113825149A (zh) | 2021-12-21 |
| CN113825149B true CN113825149B (zh) | 2024-03-12 |
Family
ID=78911690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010558935.7A Active CN113825149B (zh) | 2020-06-18 | 2020-06-18 | 5g切片网元功能自动裁剪方法、装置及计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113825149B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017075757A1 (zh) * | 2015-11-03 | 2017-05-11 | 华为技术有限公司 | 选择网络功能服务的方法、装置和系统 |
| WO2018082574A1 (zh) * | 2016-11-03 | 2018-05-11 | 华为技术有限公司 | 一种信息发送方法、单元和系统 |
| CN108270823A (zh) * | 2016-12-30 | 2018-07-10 | 华为技术有限公司 | 一种服务提供方法、装置和系统 |
| CN108282350A (zh) * | 2017-01-05 | 2018-07-13 | 华为技术有限公司 | 网络管理方法和装置 |
| US10070344B1 (en) * | 2017-07-25 | 2018-09-04 | At&T Intellectual Property I, L.P. | Method and system for managing utilization of slices in a virtual network function environment |
| CN108632062A (zh) * | 2017-03-20 | 2018-10-09 | 华为技术有限公司 | 管理网络的方法和网络设备 |
| CN109379208A (zh) * | 2017-08-11 | 2019-02-22 | 华为技术有限公司 | 网络对象管理方法及其装置 |
| CN109525412A (zh) * | 2017-09-19 | 2019-03-26 | 华为技术有限公司 | 管理网络切片的方法和装置 |
| CN110115055A (zh) * | 2016-12-23 | 2019-08-09 | 华为技术有限公司 | 用于编程和/或管理核心网络切片的系统及方法 |
| CN110213780A (zh) * | 2018-02-28 | 2019-09-06 | 中兴通讯股份有限公司 | 网络切片的管理方法、管理和编排实体及存储介质 |
| CN110832827A (zh) * | 2017-07-05 | 2020-02-21 | 华为技术有限公司 | 网络切片方法及系统 |
| CN110972193A (zh) * | 2018-09-28 | 2020-04-07 | 华为技术有限公司 | 一种切片信息处理方法及装置 |
| CN111148165A (zh) * | 2018-11-06 | 2020-05-12 | 华为技术有限公司 | 一种处理网络切片中用户接入的方法及装置 |
| CN111183614A (zh) * | 2017-10-06 | 2020-05-19 | 华为技术有限公司 | 5g和非5g管理功能实体间的交互 |
| CN111246586A (zh) * | 2020-01-20 | 2020-06-05 | 中国电力科学研究院有限公司 | 一种基于遗传算法的分配智能电网资源的方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004016003A1 (de) * | 2002-07-26 | 2004-02-19 | Siemens Aktiengesellschaft | Bereitstellung von netzelementen in einem kommunikationssystem |
| EP3565182B1 (en) * | 2017-01-25 | 2021-03-03 | Huawei Technologies Co., Ltd. | Network slicing management method, and management unit and system |
| CN109391504B (zh) * | 2017-08-11 | 2022-04-29 | 华为技术有限公司 | 网络切片的部署方法和装置 |
-
2020
- 2020-06-18 CN CN202010558935.7A patent/CN113825149B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017075757A1 (zh) * | 2015-11-03 | 2017-05-11 | 华为技术有限公司 | 选择网络功能服务的方法、装置和系统 |
| WO2018082574A1 (zh) * | 2016-11-03 | 2018-05-11 | 华为技术有限公司 | 一种信息发送方法、单元和系统 |
| CN110115055A (zh) * | 2016-12-23 | 2019-08-09 | 华为技术有限公司 | 用于编程和/或管理核心网络切片的系统及方法 |
| CN108270823A (zh) * | 2016-12-30 | 2018-07-10 | 华为技术有限公司 | 一种服务提供方法、装置和系统 |
| CN108282350A (zh) * | 2017-01-05 | 2018-07-13 | 华为技术有限公司 | 网络管理方法和装置 |
| CN108632062A (zh) * | 2017-03-20 | 2018-10-09 | 华为技术有限公司 | 管理网络的方法和网络设备 |
| CN110832827A (zh) * | 2017-07-05 | 2020-02-21 | 华为技术有限公司 | 网络切片方法及系统 |
| US10070344B1 (en) * | 2017-07-25 | 2018-09-04 | At&T Intellectual Property I, L.P. | Method and system for managing utilization of slices in a virtual network function environment |
| CN109379208A (zh) * | 2017-08-11 | 2019-02-22 | 华为技术有限公司 | 网络对象管理方法及其装置 |
| CN109525412A (zh) * | 2017-09-19 | 2019-03-26 | 华为技术有限公司 | 管理网络切片的方法和装置 |
| CN111183614A (zh) * | 2017-10-06 | 2020-05-19 | 华为技术有限公司 | 5g和非5g管理功能实体间的交互 |
| CN110213780A (zh) * | 2018-02-28 | 2019-09-06 | 中兴通讯股份有限公司 | 网络切片的管理方法、管理和编排实体及存储介质 |
| CN110972193A (zh) * | 2018-09-28 | 2020-04-07 | 华为技术有限公司 | 一种切片信息处理方法及装置 |
| CN111148165A (zh) * | 2018-11-06 | 2020-05-12 | 华为技术有限公司 | 一种处理网络切片中用户接入的方法及装置 |
| CN111246586A (zh) * | 2020-01-20 | 2020-06-05 | 中国电力科学研究院有限公司 | 一种基于遗传算法的分配智能电网资源的方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| "S5-166030 Minutes for Study on Management and Orchestration of Network Slicing".3GPP tsg_sa\WG5_TM.2016,全文. * |
| Bin Han ; Antonio DeDomenico ; Ghina Dandachi ; Anastasios Drosou ; Dimitrios Tzovaras ; .Admission and Congestion Control for 5G Network Slicing.2018 IEEE Conference on Standards for Communications and Networking (CSCN).2018,全文. * |
| 基于AI的5G网络切片管理技术研究;徐丹;王海宁;袁祥枫;朱雪田;;电子技术应用(01);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113825149A (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109417719B (zh) | 一种网络资源的管理方法、装置及系统 | |
| CN109600768A (zh) | 网络切片的管理方法、设备及系统 | |
| US20200178122A1 (en) | Network slice deployment method and apparatus | |
| CN112789832B (zh) | 动态切片优先级处理 | |
| EP3213462B1 (en) | Network management using adaptive policy | |
| CN111860864A (zh) | 纵向联邦建模优化方法、设备及可读存储介质 | |
| JP2018508137A (ja) | Ｓｄｔがｎｆｖ及びｓｄｎと連携するためのシステム及び方法 | |
| CN108023808A (zh) | 应用程序中的消息分发方法及装置 | |
| CN110730478B (zh) | 切片关联方法、装置、端到端切片编排器及存储介质 | |
| CN113133087B (zh) | 针对终端设备配置网络切片的方法及装置 | |
| CN111565404A (zh) | 一种数据分流方法和装置 | |
| CN114039858B (zh) | 一种算网资源融合方法、装置、设备及存储介质 | |
| WO2022001941A1 (zh) | 网元管理方法、网管系统、独立计算节点、计算机设备、存储介质 | |
| US20230254215A1 (en) | Method and system for edge data network (edn) lifecycle management | |
| CN113873005A (zh) | 一种微服务集群的节点选主方法、系统、设备及介质 | |
| CN115735193A (zh) | 用于管理边缘配置服务器生命周期的方法及系统 | |
| CN107784009A (zh) | 数据查询、数据查询处理方法及装置 | |
| CN113825149B (zh) | 5g切片网元功能自动裁剪方法、装置及计算设备 | |
| CN113259145B (zh) | 网络切片的端到端组网方法、组网装置及网络切片设备 | |
| CN115004744B (zh) | 一种在5g通信网络的边缘站点之间建立连接的方法 | |
| CN115695280A (zh) | 基于边缘节点的路由方法及装置、电子设备、存储介质 | |
| WO2022110974A1 (zh) | 数据分析模型的训练方法、装置及存储介质 | |
| Bahnasse et al. | Towards a New approach for automating the simulation of QoS mechanisms in a smart digital environment | |
| CN114238065A (zh) | 一种测试处理方法、装置、设备和可读存储介质 | |
| CN114079958B (zh) | 5g切片实例的容灾池选择方法、装置及计算设备 |
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 |