CN114095377A - 模型训练、参数配置方法、装置及分析设备 - Google Patents
模型训练、参数配置方法、装置及分析设备 Download PDFInfo
- Publication number
- CN114095377A CN114095377A CN202010783986.XA CN202010783986A CN114095377A CN 114095377 A CN114095377 A CN 114095377A CN 202010783986 A CN202010783986 A CN 202010783986A CN 114095377 A CN114095377 A CN 114095377A
- Authority
- CN
- China
- Prior art keywords
- parameter
- data
- data set
- network configuration
- parameters
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000004458 analytical method Methods 0.000 title claims abstract description 95
- 238000012549 training Methods 0.000 title claims abstract description 51
- 238000007405 data analysis Methods 0.000 claims abstract description 22
- 238000013499 data model Methods 0.000 claims description 38
- 238000013473 artificial intelligence Methods 0.000 claims description 36
- 238000007726 management method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 32
- 230000003993 interaction Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种模型训练、参数配置方法、装置及分析设备，属于通信技术领域。具体实现方案包括：接收NF的分析请求；所述分析请求用于指示期望的业务质量参数；根据所述期望的业务质量参数，执行数据分析，得到目标用户的推荐的网络配置参数；发送所述推荐的网络配置参数到所述NF。根据本申请中方案，可以实现对网络配置参数的精细化调控，从而实现与业务要求相匹配的参数配置，避免由于网络业务人员缺乏经验、对网络能力理解不够等原因造成的业务参数配置不合理。
Description
技术领域
本发明属于通信技术领域，具体涉及一种模型训练、参数配置方法、装置及分析设备。
背景技术
目前，网络中存在很多基于接入点名称(Access Point Name，APN)配置的网络能力，例如基于APN配置的节电参数等。然而，由于网络业务人员缺乏经验、对网络能力理解不够等原因，常会造成业务参数配置不合理，无法与业务要求相匹配。
发明内容
本发明实施例的目的是提供一种模型训练、参数配置方法、装置及分析设备，以解决目前由于网络业务人员缺乏经验、对网络能力理解不够等原因，造成的业务参数配置不合理，无法与业务要求相匹配的问题。
为了解决上述技术问题，本发明是这样实现的：
第一方面，本发明实施例提供了一种模型训练方法，应用于AI分析模块，包括：
AI分析模块采集目标用户的原始数据集；其中，所述原始数据集为网络配置参数和业务质量参数的数据集；
AI分析模块依据所述原始数据集和所述目标用户的用户类型，得到目标数据集；
AI分析模块利用所述目标数据集进行模型训练，得到网络配置参数和业务质量参数之间的数据模型。
第二方面，本发明实施例提供了一种参数配置方法，包括：
AI分析模块接收网络功能NF的分析请求；其中，所述分析请求用于指示期望的业务质量参数；
AI分析模块根据所述期望的业务质量参数，执行数据分析，得到目标用户的推荐的网络配置参数；
AI分析模块发送所述推荐的网络配置参数到所述NF。
第三方面，本发明实施例提供了一种模型训练装置，包括：
采集模块，用于采集目标用户的原始数据集；其中，所述原始数据集为网络配置参数和业务质量参数的数据集；
获取模块，用于依据所述原始数据集和所述目标用户的用户类型，得到目标数据集；
第一训练模块，用于利用所述目标数据集进行模型训练，得到网络配置参数和业务质量参数之间的数据模型。
第四方面，本发明实施例提供了一种参数配置装置，包括：
接收模块，用于接收NF的分析请求；其中，所述分析请求用于指示期望的业务质量参数；
数据分析模块，用于根据所述期望的业务质量参数，执行数据分析，得到目标用户的推荐的网络配置参数；
发送模块，用于发送所述推荐的网络配置参数到所述NF。
第五方面，本发明实施例提供了一种分析设备，该分析设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤。
第六方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤，或者实现如第二方面所述的方法的步骤。
本发明实施例中，在接收NF的分析请求后，该分析请求用于指示期望的业务质量参数，可以根据该期望的业务质量参数执行数据分析，得到目标用户的推荐的网络配置参数并下发至NF。由此，可以实现对网络配置参数的精细化调控，从而实现与业务要求相匹配的参数配置，避免由于网络业务人员缺乏经验、对网络能力理解不够等原因造成的业务参数配置不合理。
附图说明
图1是本发明实施例提供的一种模型训练方法的流程图；
图2是本发明实施例中模型训练过程的示意图；
图3是本发明实施例提供的一种参数配置方法的流程图；
图4是本发明实例1中的参数配置过程的流程图；
图5是本发明实例2中的4G网元交互过程的流程图之一；
图6是本发明实例2中的4G网元交互过程的流程图之二；
图7是本发明实例3中的5G网元交互过程的流程图之一；
图8是本发明实例3中的5G网元交互过程的流程图之二；
图9是本发明实例4中的配置参数更新过程的流程图；
图10是本发明实例5中的配置参数更新过程的流程图；
图11是本发明实施例提供的一种模型训练装置的结构示意图；
图12是本发明实施例提供的一种参数配置装置的结构示意图；
图13是本发明实施例提供的一种分析设备的结构示意图。
具体实施方式
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
为了解决目前由于网络业务人员缺乏经验、对网络能力理解不够等原因，造成的业务参数配置不合理，无法与业务要求相匹配的问题，本发明实施例提出了一种参数配置方法。该参数配置方法包括：接收NF的分析请求，所述分析请求用于指示期望的业务质量参数；根据所述期望的业务质量参数，执行数据分析，得到目标用户的推荐的网络配置参数；发送所述推荐的网络配置参数到所述NF。由此，可以实现对网络配置参数的精细化调控，从而实现与业务要求相匹配的参数配置，避免由于网络业务人员缺乏经验、对网络能力理解不够等原因造成的业务参数配置不合理。
下面结合附图，通过具体实施例及应用场景对本申请进行详细地说明。
请参见图1，图1是本发明实施例提供的一种模型训练方法的流程图，该方法应用于人工智能(Artificial Intelligence，AI)分析模块。对于AI分析模块，可选为网络数据分析功能(Network Data Analytics Function，NWDAF)，或称为NWDAF实体，也可以与一些网络功能(Network Function，NF)合设(co-located)。比如，该AI分析模块可以与移动管理实体(Mobility Management Entity，MME)、接入移动管理功能(Access ManagementFunction，AMF)或者会话管理功能(Session Management Function，SMF)等合设。如图1所示，该模型训练方法可包括如下步骤：
步骤11：AI分析模块采集目标用户的原始数据集。
本实施例中，原始数据集为网络配置参数和业务质量参数的数据集。其中，网络配置参数属于可控的参数，表示与网络相关的参数，例如各类节能技术中的可配置参数。而业务质量参数属于监控指标，表征的是监测目标，例如时延、误码率等。
可选的，本发明实施例的方法可以用于节电参数配置模型的获取，此时该网络配置参数包括但不限于：激活定时器(active timer)配置时长、增强型非连续接收(extendedDiscontinuous Reception，eDRX)周期时长、寻呼时间窗口(Paging Time Window，PTW)时长、回退定时器(Back-off timer)配置时长等。
可选的，该业务质量参数包括但不限于：时延、误码率、业务成功率、重发次数等。
步骤12：AI分析模块依据原始数据集和目标用户的用户类型，得到目标数据集。
本实施例中，为了提高数据模型的精度和/或降低模型训练的复杂度，可以对采集的原始数据集进行一定的处理，得到目标数据集，并利用目标数据集进行模型训练。其中依据需求的不同，可以采用不用的处理方式对原始数据集进行处理，对此不进行限制。
可选的，此步骤12中得到目标数据集的过程可以包括：依据目标用户的用户类型，从原始数据集中删除部分网络配置参数的数据，得到该目标数据集。这些删除的业务特征可以是某一类用户的所有特征，也可以是某一类用户的部分特征，说明如下。
一种实施方式中，可以从原始数据集中随机选择某类目标用户的一定数量的数据进行删除，以降低模型训练的复杂度，同时提高模型的精度。例如用于训练车用的模型时，则可以从收集的数据中，删除那些行人相关的数据。
另一种实施方式中，对于位置固定的终端，由于移动速度、位置等信息的参考价值非常小，因此若原始数据集中包括此类数据，可以进行删除，从而降低模型训练的复杂度。
另一种实施方式中，可以基于实际需求，采用统计、特征选择等方法从原始数据集中删除冗余或者无关联的特征数据，以得到目标数据集。
另一种实施方式中，删除的网络配置参数的权重小于或等于预设权重阈值。比如，在得到目标数据集时，可以从原始数据集中随机选择一个样本R，该R的初始权重为0，并从R的同类样本中找到R的最邻近样本H，从R的不同类样本中找到R的最邻近样本M；之后，比较R与H的距离和R与M的距离，如果R与H的距离更近则增加R的权重，如果R与M距离更近则减小R的权重。在重复上述过程m(m为大于0的整数)次后，得到各样本的权重，并删除权重小于或等于预设权重阈值的样本，选择权重大于预设权重阈值的样本来构建目标数据集。
步骤13：AI分析模块利用目标数据集进行模型训练，得到网络配置参数和业务质量参数之间的数据模型。
本实施例中，该数据模型可选为但不限于多准则决策(Multi-CriteriaDecision-Making，MCDM)分析模型等。
可选的，在利用目标数据集进行模型训练时，如图2所示，可以采用BP算法进行模型训练。对于BP算法，是由样本数据的正向传播和误差的反向传播两个过程组成，所涉及的模型结构包括输入层、隐含层和输出层。其中如图2所示，模型输入Xi表示网络配置参数，i取值为{1、2……、n}，模型输出yk表示业务质量参数，K取值为{1、2……、m}，aj表示各隐含层的权重阈值，bk表示各输出层的权重阈值；采用BP算法进行模型训练的过程具体为不断调整各隐含层权重Wij和各输出层权重Wjk的过程，以得到满足条件的W参数。一种可选方式中，可以采用梯度下降法求解W参数。
本发明实施例的模型训练方法，可以训练得到网络配置参数和业务质量参数之间的数据模型。由此，当基于该数据模型进行网络参数如网络配置参数的配置时，可以结合获得的期望的业务质量参数，得到目标用户的推荐的网络配置参数，从而实现对网络配置参数的精细化调控，从而实现与业务要求相匹配的参数配置，避免由于网络业务人员缺乏经验、对网络能力理解不够等原因造成的业务参数配置不合理。
本发明实施例中，可选的，上述目标用户的用户类型可以与如下参数中的至少一项相关：号段参数、接入点名称(Access Point Name，APN)参数、数据网络名称(DataNetwork Name，DNN)参数、业务类型参数、用户行为参数、移动性管理参数、会话管理参数、国际移动用户识别码(International Mobile Subscriber Identity，IMSI)参数、用户永久标识符(Subscription Permanent Identifier，SUPI)参数、切片参数等。
可选的，上述原始数据集可以包括如下数据中的至少一项：用户面数据、控制面数据和业务数据。
进一步的，上述步骤11可包括如下步骤中的至少一个：
向业务处理网元发送第一订阅请求消息，请求业务数据；比如，该业务处理网元为AF实体等；
向用户面处理网元发送第二订阅请求消息，请求用户面数据；比如，该用户面处理网元为系统架构演进网关(System Architecture Evolution Gate Way，SAE GW)等，该用户面数据包括数据传输速率等；
向控制面处理网元发送第三订阅请求消息，请求控制面数据；比如，该控制面处理网元为MME等，该控制面数据包括active timer配置时长、eDRX周期时长、PTW时长，Back-off timer配置时长等。
请参见图3，图3是本发明实施例提供的一种参数配置方法的流程图，该方法应用于AI分析模块。对于AI分析模块，可选为NWDAF实体，也可以与一些NF合设(co-located)。比如，该AI分析模块可以与MME、AMF实体或者SMF实体等合设。如图3所示，该参数配置方法可包括如下步骤：
步骤31：AI分析模块接收NF的分析请求。
其中，该分析请求用于指示期望的业务质量参数，比如时延的期望值、误码率的期望值等。该分析请求比如是由客户端(consumer)发起的。该业务质量参数可包括但不限于：时延、误码率、业务成功率、重发次数等。
可选的，此步骤31中的NF可以包括以下至少一项：MME、AMF、用户设备、应用功能AF、SAE GW、SMF等。可理解的，本申请中的NF也可称为NF实体。
步骤32：AI分析模块根据所述期望的业务质量参数，执行数据分析，得到目标用户的推荐的网络配置参数。
本发明实施例的方法可以用于节电参数的配置，此时该网络配置参数可包括但不限于：active timer配置时长、eDRX周期时长、PTW时长、Back-off timer配置时长等。
步骤33：AI分析模块发送所述推荐的网络配置参数到所述NF。
需指出的，上述推荐的网络配置参数可理解为推荐的网络配置参数值，比如eDRX周期时长的推荐值、PTW时长的推荐值等。这样，NF在接收到推荐的网络配置参数之后，可以基于对相应的网络配置参数进行配置。
本发明实施例的参数配置方法，在接收NF的分析请求后，该分析请求用于指示期望的业务质量参数，可以根据该期望的业务质量参数执行数据分析，得到目标用户的推荐的网络配置参数并下发至NF。由此，可以实现对网络配置参数的精细化调控，从而实现与业务要求相匹配的参数配置，避免由于网络业务人员缺乏经验、对网络能力理解不够等原因造成的业务参数配置不合理。
可选的，上述步骤32中的数据分析过程可包括：利用数据模型，使用所述期望的业务质量参数，推理得到所述推荐的网络配置参数；其中，所述数据模型记录的是网络配置参数到业务质量参数的映射关系。
需指出的，对于该数据模型的具体内容可参见上述图1所示实施例所述，但应当理解的是，本发明实施例中的数据模型也可以利用其他方式得到。
一种实施方式中，该数据模型为MCDM分析模型。
可选的，上述步骤33之后，本实施例的参数配置方法还可包括：
监测所述网络配置参数；
在所述网络配置参数的取值发生改变的情况下，根据所述期望的业务质量参数，获得更新后的网络配置参数；
发送所述更新后的网络配置参数到所述NF。
也就是说，在基于推荐的网络配置参数进行配置之后，可以监测配置后的网络配置参数，如active timer配置时长、eDRX周期时长、PTW时长等；如果监测到某个或某些网络配置参数的取值发生改变(例如权限更高的网管修改网络配置参数)，但是由于目标用户的业务质量参数的期望值通常是不变的，此时可以在保持该个或该些网络配置参数的取值为改变后的值的前提下，基于数据模型以及目标用户的期望的业务质量参数，对其它网络配置参数进行更新，从而满足与业务要求相匹配的需求。
可选的，上述步骤32之后，本实施例的参数配置方法还可包括：利用网络配置参数和业务质量参数的采集数据，训练得到数据模型。这样，可以基于训练得到的数据模型来进行网络配置参数的配置，从而实现对网络配置参数的精细化调控。
可选的，该利用网络配置参数和业务质量参数的采集数据，训练得到数据模型的过程可以包括：
采集目标用户的原始数据集；其中，所述原始数据集为网络配置参数和业务质量参数的数据集；
依据原始数据集和目标用户的用户类型，得到目标数据集；
利用所述目标数据集进行模型训练，得到网络配置参数和业务质量参数之间的数据模型。
进一步的，该依据原始数据集和目标用户的用户类型，得到目标数据集的过程可包括：依据所述目标用户的用户类型，从所述原始数据集中删除部分网络配置参数的数据，得到所述目标数据集。
可选的，所述原始数据集可包括如下数据中的至少一项：用户面数据、控制面数据和业务数据。
可选的，上述采集目标用户的原始数据集可以包括如下至少一项：
向业务处理网元发送第一订阅请求消息，请求所述业务数据；
向用户面处理网元发送第二订阅请求消息，请求所述用户面数据；
向控制面处理网元发送第三订阅请求消息，请求所述控制面数据。
可选的，所述目标用户的用户类型与如下参数中的至少一项相关：号段参数、APN参数、DNN参数、业务类型参数、用户行为参数、移动性管理参数、会话管理参数、IMSI参数、SUPI参数、切片参数。
下面结合附图对本申请中的具体实例进行说明。
实例1
本实例1中，主要实现对节电参数的配置。节电参数配置主要影响用户即用户设备的下行业务成功率和时延，客户端可通过业务监测平台进行分析和调优。如图4所示，对应的配置过程可包括：
步骤41：AI分析模块(例如5G接入时的NWDAF实体)，从AF实体或服务能力开放功能(Service Capa-bility Exposure Function，SCEF)实体(5G接入时为网络开放功能(Network Exposure Function，NEF)实体)获取业务质量参数，以及用户的签约信息。其中，该业务质量参数可以包含时延、业务成功率、重发次数等。
步骤42：AI分析模块收集与网络相关的网络配置参数，以及用户签约时的业务标签。其中，该网络配置参数可以包含active timer配置时长、eDRX周期时长、PTW时长，Back-off timer配置时长等。
步骤43：AI分析模块分析用户签约时的业务标签是否准确。
步骤44：若不准确，通过聚类算法，基于号段、APN或者其他业务属性对用户进行分类，以便之后基于这些标签对用户进行相关模型训练。
步骤45：采用机器学习算法，对获取的业务质量参数和网络配置参数进行特征分析，比如删除权重小于或等于预设权重阈值的网络配置参数，得到目标数据集。
步骤46：利用目标数据集，采用BP算法进行模型训练，得到网络配置参数和业务质量参数之间的数据模型。
步骤47：将期望的业务质量参数输入到数据模型中，推理得到推荐的网络配置参数，比如可使用遗传算法。
步骤48：AI分析模块将推荐的网络配置参数返回给AF或SCEF(5G接入时为NEF)，或者直接返回给具体执行网元比如MME(5G接入时为AMF)、归属用户服务器(Home SubscriberServer，HSS)(5G接入时为统一数据管理(Unified Data Management，UDM))等去执行。
之后，结束相关流程并继续进行下一个周期检测。
实例2
本实例2中，主要说明4G核心网的交互过程以实现参数配置。如图5和图6所示，具体的交互过程可包括：
步骤61a：AF实体向SCEF实体发起业务分析请求；其中该请求至少携带分析标识ID、AF实体需要的期望的业务质量参数以及对应的用户群(如APN、号段或单个用户)等。
步骤61b：SCEF实体完成业务质量参数与网络配置参数之间的映射。
步骤61c：SCEF实体向AI分析模块发起分析信息订阅/去订阅。
可选的，可以直接省略步骤61a至步骤61c，进入步骤61d。
步骤61d：AF实体向AI分析模块发起业务分析请求。
步骤62a和步骤62b：AI分析模块向AF实体发起收集信息订阅即分析数据收集订阅，如用户的一些业务数据，并接收AF实体返回的收集信息通知。
步骤62c和步骤62d：AI分析模块向SAE GW发起收集信息订阅即分析数据收集订阅，如用户的用户面数据，包含传输速率等，并接收SAE GW返回的收集信息通知。
步骤62e和步骤62f：AI分析模块向MME发起收集信息订阅即分析数据收集订阅，如用户的控制面数据，包含active timer配置时长、eDRX周期时长、PTW时长，Back-off timer配置时长等，并接收MME返回的收集信息通知。MME与AI分析模块可分开设置也可合设。
步骤63：AI分析模块基于数据模型以及期望的业务质量参数，执行数据分析，得到目标用户的推荐的网络配置参数。
步骤64a至步骤64d：AI分析模块将该推荐的网络配置参数(即推荐值)反馈给相关核心网网元(比如AF实体和MME)、无线设备(如SAE GW)，或者直接反馈给UE。
步骤65：当MME、SAE GW或UE的网络配置参数发生变化时，AI分析模块重新执行步骤62a至步骤64d。
实例3
本实例3中，主要说明5G核心网的交互过程以实现参数配置。如图7和图8所示，具体的交互过程可包括：
步骤81a：AF实体向NEF实体发起业务分析请求；其中该请求至少携带分析ID、AF实体需要的期望的业务质量参数以及对应的用户群(如APN、号段或单个用户)等。
步骤81b：NEF实体完成业务质量参数与网络配置参数之间的映射。
步骤81c：NEF实体向AI分析模块发起分析信息订阅/去订阅。
可选的，可以直接省略步骤81a至步骤81c，进入步骤81d。
步骤81d：AF实体直接向NWDAF实体发起业务分析请求。
步骤82a和步骤82b：NWDAF实体向AF实体发起收集信息订阅即分析数据收集订阅，如用户的一些业务数据，并接收AF实体返回的收集信息通知。
步骤82c和步骤82d：NWDAF实体向SMF实体发起收集信息订阅即分析数据收集订阅，如用户的用户面数据，包含传输速率等，并接收SMF实体返回的收集信息通知。
步骤82e和步骤82f：NWDAF实体向AMF实体发起收集信息订阅即分析数据收集订阅，如用户的控制面数据，包含active timer配置时长、eDRX周期时长、PTW时长，Back-offtimer配置时长等，并接收AMF实体返回的收集信息通知。
步骤83：NWDAF实体基于数据模型以及期望的业务质量参数，执行数据分析，得到目标用户的推荐的网络配置参数。
步骤84a至步骤84d：NWDAF实体将该推荐的网络配置参数反馈给相关核心网网元(比如AF、SMF和AMF实体)，或者直接反馈给UE。
步骤85：当AMF、SMF或UE的网络配置参数发生变化时，NWDAF实体重新执行步骤82a至步骤84d。
实例4
本实例4中，主要说明4G网络中的配置参数更新过程。如图9所示，对应的更新过程可包括：
步骤91：AI分析模块发起参数优化请求，将其基于数据模型分析得到的推荐的网络配置参数发送给MME；
步骤92：MME接收到该推荐的网络配置参数之后，发起跟踪区更新(Tracking AreaUpdating，TAU)过程对无线侧和UE侧的相关参数进行更新；
步骤93：MME向AI分析模块返回参数优化响应。
实例5
本实例5中，主要说明5G网络中的配置参数更新过程。如图10所示，对应的更新过程可包括：
步骤101：NWDAF实体发起参数优化请求，将其基于数据模型分析得到的推荐的网络配置参数发送给AMF实体；
步骤102：AMF实体接收到该推荐的网络配置参数之后，发起UE配置更新(Configuration Update)流程对无线侧和UE侧的相关参数进行更新；
步骤103：AMF实体向NWDAF实体返回参数优化响应。
上述实施例对本申请中的模型训练方法和参数配置方法进行了说明，下面将结合实施例和附图对相应装置进行说明。
请参见图11，图11是本发明实施例提供的一种模型训练装置的结构示意图，应用于分析设备，如图11所示，该模型训练装置110包括：
采集模块111，用于采集目标用户的原始数据集；其中，所述原始数据集为网络配置参数和业务质量参数的数据集；
获取模块112，用于依据所述原始数据集和所述目标用户的用户类型，得到目标数据集；
第一训练模块113，用于利用所述目标数据集进行模型训练，得到网络配置参数和业务质量参数之间的数据模型。
可选的，所述获取模块112具体用于：
依据所述目标用户的用户类型，从所述原始数据集中删除部分网络配置参数的数据，得到所述目标数据集。
可选的，删除的网络配置参数的权重小于或等于预设权重阈值。
可选的，所述原始数据集包括如下数据中的至少一项：用户面数据、控制面数据和业务数据。
可选的，所述采集模块111具体用于执行如下至少一项：
向业务处理网元发送第一订阅请求消息，请求所述业务数据；
向用户面处理网元发送第二订阅请求消息，请求所述用户面数据；
向控制面处理网元发送第三订阅请求消息，请求所述控制面数据。
可选的，所述目标用户的用户类型与如下参数中的至少一项相关：号段参数、APN参数、DNN参数、业务类型参数、用户行为参数、移动性管理参数、会话管理参数、IMSI参数、SUPI参数、切片参数。
可理解的，本发明实施例的模型训练装置110，可实现上述图1所示的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
请参见图12，图12是本发明实施例提供的一种参数配置装置的结构示意图，应用于分析设备，如图12所示，该参数配置装置120包括：
接收模块121，用于接收NF的分析请求；其中，所述分析请求用于指示期望的业务质量参数；
数据分析模块122，用于根据所述期望的业务质量参数，执行数据分析，得到目标用户的推荐的网络配置参数；
发送模块123，用于发送所述推荐的网络配置参数到所述NF。
可选的，所述数据分析模块122具体用于：利用数据模型，使用所述期望的业务质量参数，推理得到所述推荐的网络配置参数；其中，所述数据模型记录的是网络配置参数到业务质量参数的映射关系。
可选的，该参数配置装置120还包括：
监测模块，用于监测所述网络配置参数；
更新模块，用于在所述网络配置参数的取值发生改变的情况下，根据所述期望的业务质量参数，获得更新后的网络配置参数；
所述发送模块123还用于：发送所述更新后的网络配置参数到所述NF。
可选的，所述NF包括以下至少一项：MME、AMF、用户设备、AF、SAE GW、SMF。
可选的，该参数配置装置120还包括：
第二训练模块，用于利用网络配置参数和业务质量参数的采集数据，训练得到所述数据模型。
可选的，所述第二训练模块包括：
采集单元，用于采集所述目标用户的原始数据集；其中，所述原始数据集为网络配置参数和业务质量参数的数据集；
获取单元，用于依据所述原始数据集和所述目标用户的用户类型，得到目标数据集；
训练单元，用于利用所述目标数据集进行模型训练，得到网络配置参数和业务质量参数之间的数据模型。
可选的，所述获取单元具体用于：
依据所述目标用户的用户类型，从所述原始数据集中删除部分网络配置参数的数据，得到所述目标数据集。
可选的，所述原始数据集包括如下数据中的至少一项：用户面数据、控制面数据和业务数据。
可选的，所述采集单元具体用于执行如下至少一项：
向业务处理网元发送第一订阅请求消息，请求所述业务数据；
向用户面处理网元发送第二订阅请求消息，请求所述用户面数据；
向控制面处理网元发送第三订阅请求消息，请求所述控制面数据。
可选的，所述目标用户的用户类型与如下参数中的至少一项相关：号段参数、APN参数、DNN参数、业务类型参数、用户行为参数、移动性管理参数、会话管理参数、IMSI参数、SUPI参数、切片参数。
可理解的，本发明实施例的参数配置装置120，可实现上述图3所示的方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
此外，本发明实施例还提供了一种分析设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述计算机程序被所述处理器执行时可以实现上述图1或图3所示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
请参见图13所示，本发明实施例还提供了一种分析设备130，包括总线131、收发机132、天线133、总线接口134、处理器135和存储器136。
在本发明实施例中，分析设备130还包括：存储在存储器136上并可在处理器135上运行的计算机程序。所述计算机程序被处理器135执行时可实现上述图1或图3所示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
在图13中，总线架构(用总线131来代表)，总线131可以包括任意数量的互联的总线和桥，总线131将包括由处理器135代表的一个或多个处理器和存储器136代表的存储器的各种电路链接在一起。总线131还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口134在总线131和收发机132之间提供接口。收发机132可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器135处理的数据通过天线133在无线介质上进行传输，进一步，天线133还接收数据并将数据传送给处理器135。
处理器135负责管理总线131和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器136可以被用于存储处理器135在执行操作时所使用的数据。
可选的，处理器135可以是CPU、ASIC、FPGA或CPLD。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时可实现上述图1或图3所示方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台服务分类设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (24)
1.一种模型训练方法，应用于人工智能AI分析模块，其特征在于，包括：
AI分析模块采集目标用户的原始数据集；其中，所述原始数据集为网络配置参数和业务质量参数的数据集；
所述AI分析模块依据所述原始数据集和所述目标用户的用户类型，得到目标数据集；
所述AI分析模块利用所述目标数据集进行模型训练，得到网络配置参数和业务质量参数之间的数据模型。
2.根据权利要求1所述的方法，其特征在于，所述依据所述原始数据集和所述目标用户的用户类型，得到目标数据集包括：
依据所述目标用户的用户类型，从所述原始数据集中删除部分网络配置参数的数据，得到所述目标数据集。
3.根据权利要求2所述的方法，其特征在于，删除的网络配置参数的权重小于或等于预设权重阈值。
4.根据权利要求1-3中任一项所述的方法，其特征在于，所述原始数据集包括如下数据中的至少一项：用户面数据、控制面数据和业务数据。
5.根据权利要求4所述的方法，其特征在于，所述采集目标用户的原始数据集包括如下步骤中的至少一个：
向业务处理网元发送第一订阅请求消息，请求所述业务数据；
向用户面处理网元发送第二订阅请求消息，请求所述用户面数据；
向控制面处理网元发送第三订阅请求消息，请求所述控制面数据。
6.根据权利要求1所述的方法，其特征在于，所述目标用户的用户类型与如下参数中的至少一项相关：号段参数、接入点名称APN参数、数据网络名称DNN参数、业务类型参数、用户行为参数、移动性管理参数、会话管理参数、国际移动用户识别码IMSI参数、用户永久标识符SUPI参数、切片参数。
7.根据权利要求1所述的方法，其特征在于，所述AI分析模块为网络数据分析功能NWDAF；或者，所述AI分析模块与以下任一项合设：移动管理实体MME、接入移动管理功能AMF、会话管理功能SMF。
8.一种参数配置方法，应用于AI分析模块，其特征在于，包括：
AI分析模块接收网络功能NF的分析请求；其中，所述分析请求用于指示期望的业务质量参数；
所述AI分析模块根据所述期望的业务质量参数，执行数据分析，得到目标用户的推荐的网络配置参数；
所述AI分析模块发送所述推荐的网络配置参数到所述NF。
9.根据权利要求8所述的方法，其特征在于，所述AI分析模块为网络数据分析功能NWDAF；或者，所述AI分析模块与以下任一项合设：移动管理实体MME、接入移动管理功能AMF、会话管理功能SMF。
10.根据权利要求8所述的方法，其特征在于，所述根据所述期望的业务质量参数，执行数据分析，得到目标用户的推荐的网络配置参数包括：
利用数据模型，使用所述期望的业务质量参数，推理得到所述推荐的网络配置参数；其中，所述数据模型记录的是网络配置参数到业务质量参数的映射关系。
11.根据权利要求8所述的方法，其特征在于，所述发送所述推荐的网络配置到所述NF之后，所述方法还包括：
监测所述网络配置参数；
在所述网络配置参数的取值发生改变的情况下，根据所述期望的业务质量参数，获得更新后的网络配置参数；
发送所述更新后的网络配置参数到所述NF。
12.根据权利要求8-11中任一项所述的方法，其特征在于，所述NF包括以下至少一项：MME、AMF、用户设备、应用功能AF、系统架构演进网关SAE GW、SMF。
13.根据权利要求10所述的方法，其特征在于，所述利用数据模型，使用所述期望的业务质量参数，推理得到所述推荐的网络配置参数之前，所述方法还包括：
利用网络配置参数和业务质量参数的采集数据，训练得到所述数据模型。
14.根据权利要求13所述的方法，其特征在于，所述利用网络配置参数和业务质量参数的采集数据，训练得到所述数据模型，包括：
采集所述目标用户的原始数据集；其中，所述原始数据集为网络配置参数和业务质量参数的数据集；
依据所述原始数据集和所述目标用户的用户类型，得到目标数据集；
利用所述目标数据集进行模型训练，得到网络配置参数和业务质量参数之间的数据模型。
15.根据权利要求14所述的方法，其特征在于，所述依据所述原始数据集和所述目标用户的用户类型，得到目标数据集包括：
依据所述目标用户的用户类型，从所述原始数据集中删除部分网络配置参数的数据，得到所述目标数据集。
16.根据权利要求14所述的方法，其特征在于，所述原始数据集包括如下数据中的至少一项：用户面数据、控制面数据和业务数据。
17.根据权利要求16所述的方法，其特征在于，所述采集所述目标用户的原始数据集包括如下步骤中的至少一个：
向业务处理网元发送第一订阅请求消息，请求所述业务数据；
向用户面处理网元发送第二订阅请求消息，请求所述用户面数据；
向控制面处理网元发送第三订阅请求消息，请求所述控制面数据。
18.根据权利要求8-11中任一项所述的方法，其特征在于，所述目标用户的用户类型与如下参数中的至少一项相关：号段参数、APN参数、DNN参数、业务类型参数、用户行为参数、移动性管理参数、会话管理参数、IMSI参数、SUPI参数、切片参数。
19.一种模型训练装置，其特征在于，包括：
采集模块，用于采集目标用户的原始数据集；其中，所述原始数据集为网络配置参数和业务质量参数的数据集；
获取模块，用于依据所述原始数据集和所述目标用户的用户类型，得到目标数据集；
第一训练模块，用于利用所述目标数据集进行模型训练，得到网络配置参数和业务质量参数之间的数据模型。
20.根据权利要求19所述的装置，其特征在于，所述获取模块具体用于：
依据所述目标用户的用户类型，从所述原始数据集中删除部分网络配置参数的数据，得到所述目标数据集。
21.一种参数配置装置，其特征在于，包括：
接收模块，用于接收NF的分析请求；其中，所述分析请求用于指示期望的业务质量参数；
数据分析模块，用于根据所述期望的业务质量参数，执行数据分析，得到目标用户的推荐的网络配置参数；
发送模块，用于发送所述推荐的网络配置参数到所述NF。
22.根据权利要求21所述的装置，其特征在于，所述数据分析模块具体用于：利用数据模型，使用所述期望的业务质量参数，推理得到所述推荐的网络配置参数；其中，所述数据模型记录的是网络配置参数到业务质量参数的映射关系。
23.一种分析设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-7中任一项所述的模型训练方法的步骤，或者实现如权利要求8-18中任一项所述的参数配置方法的步骤。
24.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1-7中任一项所述的模型训练方法的步骤，或者实现如权利要求8-18中任一项所述的参数配置方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010783986.XA CN114095377A (zh) | 2020-08-06 | 2020-08-06 | 模型训练、参数配置方法、装置及分析设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010783986.XA CN114095377A (zh) | 2020-08-06 | 2020-08-06 | 模型训练、参数配置方法、装置及分析设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114095377A true CN114095377A (zh) | 2022-02-25 |
Family
ID=80295250
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010783986.XA Pending CN114095377A (zh) | 2020-08-06 | 2020-08-06 | 模型训练、参数配置方法、装置及分析设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114095377A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024021131A1 (zh) * | 2022-07-29 | 2024-02-01 | 北京小米移动软件有限公司 | Drx周期确定方法、装置 |
| WO2024020752A1 (zh) * | 2022-07-25 | 2024-02-01 | 北京小米移动软件有限公司 | 一种基于人工智能ai提供服务的方法、装置、设备及存储介质 |
| WO2024026844A1 (en) * | 2022-08-05 | 2024-02-08 | Nokia Shanghai Bell Co., Ltd. | Monitoring data events for updating model |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108259096A (zh) * | 2017-11-30 | 2018-07-06 | 北京百悟科技有限公司 | 短信通道参数配置方法及装置 |
| CN110336754A (zh) * | 2019-05-09 | 2019-10-15 | 北京邮电大学 | 一种网络流量配置方法及装置 |
| CN110597874A (zh) * | 2019-08-26 | 2019-12-20 | 数字广东网络建设有限公司 | 数据分析模型的创建方法、装置、计算机设备和存储介质 |
| WO2020035000A1 (zh) * | 2018-08-14 | 2020-02-20 | 华为技术有限公司 | 获取网络配置信息的方法和相关设备 |
| US20200162336A1 (en) * | 2018-11-19 | 2020-05-21 | Facebook, Inc. | Communication Network Optimization |
| CN111385127A (zh) * | 2018-12-29 | 2020-07-07 | 北京华为数字技术有限公司 | 一种智能化处理系统及方法 |
-
2020
- 2020-08-06 CN CN202010783986.XA patent/CN114095377A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108259096A (zh) * | 2017-11-30 | 2018-07-06 | 北京百悟科技有限公司 | 短信通道参数配置方法及装置 |
| WO2020035000A1 (zh) * | 2018-08-14 | 2020-02-20 | 华为技术有限公司 | 获取网络配置信息的方法和相关设备 |
| US20200162336A1 (en) * | 2018-11-19 | 2020-05-21 | Facebook, Inc. | Communication Network Optimization |
| CN111385127A (zh) * | 2018-12-29 | 2020-07-07 | 北京华为数字技术有限公司 | 一种智能化处理系统及方法 |
| CN110336754A (zh) * | 2019-05-09 | 2019-10-15 | 北京邮电大学 | 一种网络流量配置方法及装置 |
| CN110597874A (zh) * | 2019-08-26 | 2019-12-20 | 数字广东网络建设有限公司 | 数据分析模型的创建方法、装置、计算机设备和存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024020752A1 (zh) * | 2022-07-25 | 2024-02-01 | 北京小米移动软件有限公司 | 一种基于人工智能ai提供服务的方法、装置、设备及存储介质 |
| WO2024021131A1 (zh) * | 2022-07-29 | 2024-02-01 | 北京小米移动软件有限公司 | Drx周期确定方法、装置 |
| WO2024026844A1 (en) * | 2022-08-05 | 2024-02-08 | Nokia Shanghai Bell Co., Ltd. | Monitoring data events for updating model |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114095377A (zh) | 模型训练、参数配置方法、装置及分析设备 | |
| CN111756848B (zh) | 移动边缘环境下基于联邦学习和移动感知的QoS优化方法 | |
| US20230146912A1 (en) | Method, Apparatus, and Computing Device for Constructing Prediction Model, and Storage Medium | |
| US20220104027A1 (en) | Method for sharing spectrum resources, apparatus, electronic device and storage medium | |
| Jeon et al. | A distributed NWDAF architecture for federated learning in 5G | |
| CN114302421B (zh) | 通信网络架构的生成方法、装置、电子设备及介质 | |
| Ever et al. | Performance evaluation of hybrid disaster recovery framework with D2D communications | |
| CN111294812A (zh) | 一种资源扩容规划的方法及系统 | |
| US20240320564A1 (en) | Interactive and dynamic mapping engine (idme) | |
| CN111163482A (zh) | 数据的处理方法、设备及存储介质 | |
| CN115460617A (zh) | 基于联邦学习的网络负载预测方法、装置、电子设备及介质 | |
| Budiyanto et al. | Classification of network status in academic information systems using naive Bayes algorithm method | |
| WO2023020086A1 (zh) | 网络优化方法、装置、电子设备和存储介质 | |
| CN114666221A (zh) | 网络切片子网运维管理方法、装置、系统、设备及介质 | |
| CN116643937A (zh) | 数据日志的图像分析 | |
| GB2612660A (en) | Timing of network analytics | |
| CN111314489B (zh) | 识别接入网络类型方法、服务器及装置 | |
| CN112596894B (zh) | 一种基于边缘计算的追踪方法及装置 | |
| FTAIMI et al. | The role of big data in a connected environment Case study: smart city | |
| CN113840131A (zh) | 视频通话质量评估方法、装置、电子设备及可读存储介质 | |
| WO2023185822A1 (zh) | 网元注册方法、模型确定方法、装置、网元、通信系统及存储介质 | |
| WO2024169407A1 (zh) | 一种通信方法和装置 | |
| WO2023213288A1 (zh) | 模型获取方法及通信设备 | |
| US12108263B2 (en) | Systems and methods for providing network failure and cause code handling in 5G networks | |
| WO2024208348A1 (zh) | 信息处理方法、装置及网元 |
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 |