CN114158073B - 网络切片部署方法、装置、设备及存储介质 - Google Patents
网络切片部署方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114158073B CN114158073B CN202111433763.1A CN202111433763A CN114158073B CN 114158073 B CN114158073 B CN 114158073B CN 202111433763 A CN202111433763 A CN 202111433763A CN 114158073 B CN114158073 B CN 114158073B
- Authority
- CN
- China
- Prior art keywords
- network
- behavior data
- broadband account
- target broadband
- network slice
- 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 41
- 230000006399 behavior Effects 0.000 claims description 220
- 230000015654 memory Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 101100295776 Drosophila melanogaster onecut gene Proteins 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002699 waste material Substances 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
-
- 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
- H04L41/0893—Assignment of logical groups to network elements
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供一种网络切片部署方法、装置、设备及存储介质。该网络切片部署方法包括:获取目标宽带账号的历史网络行为数据;将所述目标宽带账号的历史网络行为数据输入预测模型,得到所述目标宽带账号未来预设时间段的预测网络行为数据;根据所述目标宽带账号未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片,实现了以宽带账号为粒度,以预测的网络行为数据为数据基础,进行物理网络的动态网络切片,使得网络切片更符合用户需求,提高了网络切片的灵活性和准确性,提高了用户的网络体验。
Description
技术领域
本申请涉及网络切片技术领域,尤其涉及一种网络切片部署方法、装置、设备及存储介质。
背景技术
网络切片(Network slicing,NS)是第五代移动通信网络(5th Generation,5G)下新引入的概念,可以根据不同业务应用或实际场景的要求,将物理网络切割成多个虚拟的端到端的网络,每个虚拟网络之间是逻辑独立的。
现有的网络切片端到端组网方案主要通过技术人员的经验来确定,如针对典型的业务场景预先设定好对应的切片组网方案,从而基于该方案进行网络切片的部署,即采用静态或一刀切的网络切片方式。
然而,由于网络应用场景种类繁多,不同的应用场景的需求不同,且同一种应用场景对资源的需求也不尽相同,采用静态网络切片的方式准确度较差,容易导致资源浪费,或者导致无法满足突发性带宽即网速的需求,影响用户的上网体验。
发明内容
本申请提供一种网络切片部署方法、装置、设备及存储介质,提供了一种动态网络切片方式,用以解决网络切片准确度较差的问题。
第一方面,本申请提供一种网络切片部署方法,该方法包括:
获取目标宽带账号的历史网络行为数据;将所述目标宽带账号的历史网络行为数据输入预测模型,得到所述目标宽带账号未来预设时间段的预测网络行为数据;根据所述目标宽带账号未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片。
可选的,未来预设时间段的预测网络行为数据包括未来预设时间段内各个时间节点的预测网络行为数据,根据所述目标宽带账号未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片,包括:
根据所述目标宽带账号未来预设时间段内各个时间节点的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的至少一个网络切片。
可选的,根据所述目标宽带账号未来预设时间段内各个时间节点的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的至少一个网络切片,包括:
根据所述目标宽带账号未来预设时间段内各个时间节点的预测网络行为数据,确定所述目标宽带账号对应的各个网络切片的生命周期,其中,每个网络切片的生命周期为所述时间节点的整数倍;针对每个网络切片,根据所述网络切片的生命周期内各个时间节点的所述目标宽带账号的预测网络行为数据,确定所述网络切片的切片配置;根据所述目标宽带账号对应的各个网络切片的切片配置,部署所述目标宽带账号对应的各个网络切片。
可选的,获取目标宽带账号的历史网络行为数据,包括:
获取目标宽带账号在当前预设时间段内各个时间节点的网络行为数据;基于预设流量阈值和/或预设时延,对所述目标宽带账号在当前预设时间段内各个时间节点的网络行为数据进行筛选,以得到所述目标宽带账号的历史网络行为数据,其中,所述目标宽带账号的历史网络行为数据中的流量值大于所述预设流量阈值或所述目标宽带账号的历史网络行为数据中的网络时延大于所述预设时延。
可选的,根据所述目标宽带账号未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片,包括:
根据所述目标宽带账号的历史网络行为数据以及未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片。
可选的,获取目标宽带账号的历史网络行为数据,包括:
获取连接至所述目标宽带账号的各个目标用户的历史网络行为数据;根据各个所述目标用户的网络行为数据,确定所述目标宽带账号的网络行为数据。
可选的,所述预测模型模型为门控循环单元。
第二方面,本申请提供一种网络切片部署装置,该装置包括:
历史数据获取模块,用于获取目标宽带账号的历史网络行为数据;预测模块,用于将所述目标宽带账号的历史网络行为数据输入预测模型,得到所述目标宽带账号未来预设时间段的预测网络行为数据;网络切片部署模块,用于根据所述目标宽带账号未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片。
可选的,未来预设时间段的预测网络行为数据包括未来预设时间段内各个时间节点对应的预测网络行为数据,网络切片部署模块,具体用于:
根据所述目标宽带账号未来预设时间段内各个时间节点的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的至少一个网络切片。
可选的,网络切片部署模块,具体用于:
根据所述目标宽带账号未来预设时间段内各个时间节点的预测网络行为数据,确定所述目标宽带账号对应的各个网络切片的生命周期,其中,每个网络切片的生命周期为所述时间节点的整数倍;针对每个网络切片,根据所述网络切片的生命周期内各个时间节点的所述目标宽带账号的预测网络行为数据,确定所述网络切片的切片配置;根据所述目标宽带账号对应的各个网络切片的切片配置,部署所述目标宽带账号对应的各个网络切片。
可选的,历史数据获取模块,具体用于:
获取目标宽带账号在当前预设时间段内各个时间节点的网络行为数据;基于预设流量阈值和/或预设时延,对所述目标宽带账号在当前预设时间段内各个时间节点的网络行为数据进行筛选,以得到所述目标宽带账号的历史网络行为数据,其中,所述目标宽带账号的历史网络行为数据中的流量值大于所述预设流量阈值或所述目标宽带账号的历史网络行为数据中的网络时延大于所述预设时延。
可选的,网络切片部署模块,具体用于:
根据所述目标宽带账号的历史网络行为数据以及未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片。
可选的,历史数据获取模块,具体用于:
获取连接至所述目标宽带账号的各个目标用户的历史网络行为数据;根据各个所述目标用户的网络行为数据,确定所述目标宽带账号的网络行为数据。
第三方面,本申请还提供了一种网络切片部署设备,包括:处理器,以及与所述处理器通信连接的存储器;所述存储器存储计算机执行指令;所述处理器执行所述存储器存储的计算机执行指令,以实现本申请第一方面提供的网络切片部署方法。
第四方面,本申请还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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现本申请第一方面提供的网络切片部署方法。
第五方面,本申请还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现本申请第一方面提供的网络切片部署方法。
本申请提供的网络切片部署方法、装置、设备及存储介质,针对为各个宽带账号部署网络切片的应用场景,基于目标宽带账号在历史时间产生的历史网络行为数据以及预测模型,预测目标宽带账号未来预设时间段的预测网络行为数据,基于该预测网络行为数据进行该目标宽带账号的网络切片的动态部署,提高了网络切片部署的及时性和准确度,且实现了以宽带账号这一细粒度的网络切片方式,提高了网络切片的精度,实现了基于未来需求的网络加速方式。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请一个实施例提供的网络切片部署方法的切片架构图;
图2为本申请一个实施例提供的网络切片部署方法的流程图;
图3为本申请另一个实施例提供的网络切片部署方法的流程图;
图4为本申请一个实施例提供的网络切片部署装置的结构示意图;
图5为本申请一个实施例提供的网络切片部署设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
图1为本申请一个实施例提供的网络切片部署方法的切片架构图,如图1所示,该切片架构包括切片管理器、虚拟化管理编排器、切片选择器和物理网络基础设施,其中,切片管理器用于接收网络切片需求方的切片需求,并基于切片需求,确定满足该切片需求的网络切片策略,即确定满足该切片需求的物理网络基础设置中的计算资源、网络资源和存储资源等切片配置,在确定了该切片需求对应的切片配置之后,切片管理器基于该切片配置,创建或部署相应的网络切片,如图1中的网络切片1、网络切片2和网络切片3;切片选择器基于所创建的网络切片为网络切片需求方提供服务。当切片管理器创建了多个网络切片时,则需要通过虚拟化管理编排器对每个网络切片进行管理。
具体的,计算资源可以包括网络切片需求方所需的中央处理器资源、内存资源、硬盘资源等资源,网络资源包括网络切片需求方所需的基站、核心网元等资源,存储资源包括网络切片需求方所需的存储设备。
在相关技术中,进行网络切片时,往往基于网络切片需求方(如各个小区、企业等)的网络场景,如eMMB(增强型移动宽带,Enhanced Mobile Broadband)、mMTC(海量机器通信,Massive MachineType Communication)和uRLLC(高可靠低时延通信,Ultra-reliableand Low Latency Communications)等网络场景,的网络需求为各个网络切片需求方部署静态的网络切片,以满足各个网络切片需求方的服务级别协议(SLA,Service LevelAgreement)。
在一些实施例中,还可以通过设置网络切片的生命周期,实现对网络切片的调整。
然而,在更新网络切片部署时,往往依据网络切片需求方的上一周期的历史数据进行,存在滞后性,导致所得到的网络切片无法满足网络切片需求方动态的网络需求,网络切片准确度较差,导致资源利用率低下。
本申请提供的网络切片部署方法,旨在解决现有技术的如上技术问题。其主要构思为:基于历史网络行为数据以及预测模型进行未来时间段的网络行为数据的预测,得到预测网络行为数据,进而基于预测网络行为数据指导网络切片的部署,提高了网络切片的实时性和准确度,提高了资源利用率。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请一个实施例提供的网络切片部署方法的流程图,该方法可以由网络切片部署设备执行,该网络切片部署设备可以包括上述切片管理器、切片选择器和虚拟化管理编排器,如图2所示,该网络切片部署方法包括以下步骤:
步骤S201,获取目标宽带账号的历史网络行为数据。
其中,目标宽带账号为需要进行网络切片的宽带账号;历史网络行为数据为当前时间之前一段时间的网络行为数据,如前一天、前十天、前一个月等,网络行为数据具体为目标宽带账号的使用数据,可以包括网络速率、流量值、时间,还可以包括网络时延、网络告警信息等数据。
具体的,可以按照设定周期获取各个目标宽带账号的在该周期各个时间节点产生的历史网络行为数据。即历史网络行为数据包括当前周期对应的各个时间节点采集的网络行为数据。
其中,设定周期可以为30分钟、1个小时、4个小时、6个小时等,每个时间节点对应的时间长度可以为1分钟、5分钟等。
示例性的,可以每10分钟采集一次目标宽带账号的网络行为数据,由10个网络行为数据作为一组,得到一组历史网络行为数据,即每100分钟采集的目标宽带账号的10个网络行为数据作为一组历史网络行为数据。
进一步地,可以根据宽带账号历史时间的时延、告警信息等判断该宽带账号是否需要进行网络切片,即是否为目标宽带账号。
具体的,可以获取物理网络对应的各个目标宽带账号的历史网络行为数据。
可选的,获取目标宽带账号的历史网络行为数据,包括:
获取连接至所述目标宽带账号的各个目标用户的历史网络行为数据;根据各个所述目标用户的网络行为数据,确定所述目标宽带账号的网络行为数据。
具体的,在同一时刻,一个目标宽带账号可能被多个终端(或目标用户)连接,如移动终端、计算机、智能电视等,从而可以得到连接至该目标宽带账号的多个目标用户。针对每个目标用户,获取该目标用户的网络行为数据,如该目标用户在各个时间节点的流量值,或者该目标用户使用网络数据的各个应用程序在各个时间节点的流量值。
具体的,在得到连接至该目标宽带账号的各个目标用户的历史网络行为数据之后,可以整合各个目标用户的历史网络行为数据,从而得到该目标宽带账号的网络行为数据。
针对流量值这一网络行为数据,目标宽带账号在历史时间的某个时间节点的流量值,可以为连接至该目标宽带账号的各个目标用户的流量值之和。针对网络时延这一网络行为数据,目标宽带账号在历史时间的某个时间节点的网络时延可以为连接至该目标宽带账号的各个目标用户的网络时延的平均值或最大值。
具体的,针对获取物理网络对应的各个目标宽带账号,可以在连接至该目标宽带账号的目标用户进行即时游戏、直播、视频通话、语音通话、在线会议等预设网络行为时,记录该目标用户在进行预设网络行为时产生的网络行为数据,进而整合连接至同一个目标宽带账号的各个目标用户在该时间节点的网络行为数据,得到目标宽带账号在该时间节点的网络行为数据,进而得到该目标宽带账号的历史网络行为数据。
在本申请中,网络行为数据一词的前缀“历史”表示为当前时间及之前时间采集的网络行为数据,网络行为数据一词的前缀“预测”则表示为预测模型输出的当前时间之后预测的网络行为数据。
步骤S202,将所述目标宽带账号的历史网络行为数据输入预测模型,得到所述目标宽带账号未来预设时间段的预测网络行为数据。
其中,预测模型可以为神经网络模型,如门控循环单元(GRU,Gate RecurrentUnit),还可以为长短期记忆(LSTM,Long Short-Term Memory)神经网络模型。未来预设时间段可以为未来30分钟、未来1个小时、未来3个小时等时间段。
在一些实施例中,该预测模型为三层的GRU神经网络模型。GRU神经网络模型可以有效解决预测中的长期依赖的问题,更适用于长时间序列预测的场景,采用GRU神经网络进行行为预测,提高了预测的准确度,从而为网络切片提供了更准确的数据基础,提高了网络切片的准确度。
具体的,可以将目标宽带账号当前预设数量的时间节点对应的网络行为数据(历史网络行为数据),输入该预测模型的输入层,进而基于该预测模型的输出层输出该目标宽带账号未来预设时间段或下一时间节点的预测网络行为数据。
进一步地,可以基于该预测模型预测各个目标宽带账号在未来预设时间段内各个时间节点的网络行为数据,即得到各个目标宽带账号未来预设时间段内各个时间节点的预测网络行为数据。
进一步地,在得到目标宽带账号的历史网络行为数据之后,还可以对历史网络行为数据进行预处理,如归一化处理、格式转换、数值化、异常值去除等,从而得到该目标宽带账号的网络行为特征值。将该目标宽带账号的网络行为特征输入该预设模型,从而得到该目标宽带账号对应的未来预设时间段的预测网络行为数据。
具体的,当历史网络行为数据为目标用户进行预设网络行为时产品的网络行为数据时,如目标宽带账号下的目标用户在进行即时游戏时产生的流量值以及目标用户进行即时游戏的时间段,预测模型输出的预测网络行为数据可以为目标宽带账号下的目标用户在下一次进行该预设网络行为的时间段和所产生的流量值。
进一步地,该方法还包括对该预测模型的训练和测试的过程,具体如下:
收集各个宽带账号的样本网络行为数据,其中,样本网络行为数据可以包括较长时间记录的各个宽带账号的网络行为数据;对各个网络行为数据进行预处理,包括数据清洗、数据集成、数据规约和数据变换等过程;将预处理后的样本网络行为数据存储到数据库中,并将数据库中的样本网络行为数据划分为三个数据集合,分别为训练集、验证集和测试集,比例为7:1:2;基于训练集中的预处理后的样本网络行为数据进行模型训练;通过验证集中的数据,对训练中的预测模型中的超参数进行调整,并基于验证集中的数据确定预测模型的准确率、召回率等,以确定是否停止继续训练,验证通过,则得到训练好的预测模型;进而基于测试集中的数据,对训练好的预测模型进行泛化能力评估。
步骤S203,根据所述目标宽带账号未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片。
具体的,可以根据目标宽带账号未来预设时间段的预测网络行为数据,确定目标宽带账号未来预设时间段对应的带宽需求,进而基于目标宽带账号未来预设时间段对应的带宽需求,部署该目标宽带账号未来预设时间段对应的网络切片。
具体的,可以根据同一物理网络的各个目标宽带账号的未来预设时间段对应的带宽需求,部署该物理网络的各个目标宽带账号未来预设时间段的网络切片。
具体的,还可以获取各个目标宽带账号在下一周期各个时间节点产生的历史网络行为数据,将其输入预测模型,从而得到各个目标宽带账号下一未来预设时间段的预测网络行为数据,进而基于各个目标宽带账号下一未来预设时间段的预测网络行为数据,部署各个目标宽带账号下一未来预设时间段的网络切片,从而实现动态网络切片。
可选的,未来预设时间段的预测网络行为数据包括未来预设时间段内各个时间节点的预测网络行为数据,根据所述目标宽带账号未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片,包括:
根据所述目标宽带账号未来预设时间段内各个时间节点的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的至少一个网络切片。
在一些实施例中,相邻的时间节点可以相隔15分钟、30分钟、60分钟或者其他间隔。
具体的,可以根据目标宽带账号未来预设时间段内各个时间节点的预设网络行为数据,确定目标宽带账号在未来预设时间段各个时间节点的带宽需求,进而,基于未来预设时间段各个时间节点的带宽需求,部署目标宽带账号未来预设时间段对应的至少一个网络切片。
通过预设多个未来时间节点的网络行为数据,为网络切片的部署提供了充足的数据依据,提高了网络切片的准确度。
进一步地,可以基于未来预设时间段各个时间节点的带宽需求,对未来预设时间段进行划分,得到各个未来子时间段,并基于每个未来子时间段内各个时间节点的带宽需求,部署该目标带宽账号该未来子时间段的网络切片,从而得到未来预设时间段对应的该目标带宽账号的一个或多个网络切片。
通过预测模型可以得到未来多个时间节点的预测网络行为数据,从而使得在进行网络切片时,可以灵活设置网络切片的生命周期,提高了网络切片的灵活性。
示例性的,针对游戏玩家用户的宽带账号,可以获取该宽带账号前十天月的各个时间节点(如以15分钟为窗口)的流量使用数据,进而基于预测模型和前十天各个时间节点的流量使用数据,预测该宽带账号未来1个小时或3个小时各个时间节点的流量使用数据,进而基于未来1个小时或3个小时各个时间节点的流量使用数据,进行未来1个小时或3个小时各个时间节点的网络切片的部署。
在一些实施例中,由于用户的网络行为数据存在较大的非线性和随机性,为了进一步提高网络切片的准确度,可以结合历史网络行为数据和预测网络行为数据,进行未来预设时间段的网络切片的部署。可选的,根据所述目标宽带账号未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片,包括:
根据所述目标宽带账号的历史网络行为数据以及未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片。
具体的,可以将目标宽带账号的历史网络行为数据以及未来预设时间段的预测网络行为数据合并为一个更大的网络行为数据集合,进而基于合并后的网络行为数据集合中的各个时间节点对应的网络行为数据(历史网络行为数据或预测网络行为数据),部署或创建该目标宽带账号未来预设时间段对应的网络切片。具体方式与“根据未来预设时间段的预测网络行为数据,部署目标宽带账号未来预设时间段对应的网络切片”类似,仅将数据由“未来预设时间段的预测网络行为数据”替换为上述合并后的网络行为数据集合。
本实施例提供的网络切片部署方法,针对为各个宽带账号部署网络切片的应用场景,基于目标宽带账号在历史时间产生的历史网络行为数据以及预测模型,预测目标宽带账号未来预设时间段的预测网络行为数据,基于该预测网络行为数据进行该目标宽带账号的网络切片的动态部署,提高了网络切片部署的及时性和准确度,且实现了以宽带账号这一细粒度的网络切片方式,提高了网络切片的精度,实现了基于未来需求的网络加速方式。
图3为本申请另一个实施例提供的网络切片部署方法的流程图,本实施例是在图2所示实施例的基础上,对步骤S201和步骤S203的进一步细化,如图3所示,本实施例提供的网络切片部署方法可以包括以下步骤:
步骤S301,获取目标宽带账号在当前预设时间段内各个时间节点的网络行为数据。
具体的,针对物理网络的每个目标宽带账号,可以以时间节点对应的时间长度为窗口,如10分钟、15分钟等,采集该目标宽带账号各个时间节点的网络行为数据,进而以预设时间段为窗口,得到目标宽带账号每个预设时间段对应的网络行为数据集合。其中,每个预设时间段对应的网络行为数据集合为该预设时间段内各个时间节点的网络行为数据的集合。
步骤S302,基于预设流量阈值和/或预设时延,对所述目标宽带账号在当前预设时间段内各个时间节点的网络行为数据进行筛选,以得到所述目标宽带账号的历史网络行为数据。
其中,所述目标宽带账号的历史网络行为数据中各个时间节点的流量值大于所述预设流量阈值,或所述目标宽带账号的历史网络行为数据中各个时间节点的网络时延大于所述预设时延。预设流量阈值可以为1G、100M、50M或者其他值,预设时延可以100ms、80ms、50ms或者其他值。
具体的,在得到每个目标宽带账号在当前预设时间段的网络行为数据集合之后,可以基于预设流量阈值和/或预设时延,对该目标宽带账号在当前预设时间段的网络行为数据集合进行筛选,从而删除网络时延小于或等于预设时延,以及删除流量值小于或等于预设流量阈值的时间节点的网络行为数据,且确保每个目标宽带的历史网络行为数据所包括的网络行为数据的数量为第一数量。其中,第一数量为预测模型的输入层的输入数据的数量。
通过基于预设流量阈值和预设时延对网络行为数据进行筛选,提高了用于进行预测的预测模型的输入数据的精准度。
在一些实施例中,可以将预设流量阈值替换为预设速率,即基于预设速率和/或预设时延,对目标宽带账号在当前预设时间段内各个时间节点的网络行为数据进行筛选,从而使得筛选后的目标宽带账号的历史网络行为数据中各个时间节点的网络速率大于预设速率,或目标宽带账号的历史网络行为数据中各个时间节点网络时延大于预设时延。
步骤S303,将所述目标宽带账号的历史网络行为数据输入预测模型,得到所述目标宽带账号未来预设时间段内各个时间节点的预测网络行为数据。
步骤S304,根据所述目标宽带账号未来预设时间段内各个时间节点的预测网络行为数据,确定所述目标宽带账号对应的各个网络切片的生命周期。
其中,预测网络行为数据可以包括时间、流量值以及网络时延。每个网络切片的生命周期为所述时间节点的整数倍,即网络切片的生命周期可以包括一个或多个时间节点。
具体的,可以根据目标宽带账号在未来预设时间段内各个时间节点的预测网络行为数据,确定各个时间节点的带宽需求;进而基于各个时间节点的带宽需求,确定该目标宽带账号对应的各个网络切片的生命周期。
具体的,可以将带宽需求处于同一区间的连续的各个时间节点确定为一个网络切片的生命周期。
步骤S305,针对每个网络切片,根据所述网络切片的生命周期内各个时间节点的所述目标宽带账号的预测网络行为数据,确定所述网络切片的切片配置。
其中,切片配置包括每个网络切片对应的资源。
具体的,可以根据每个网络切片的生命周期内各个时间节点该目标宽带账号的预测网络行为数据对应的网络需求所处的区间,确定所述网络切片的切片配置。
步骤S306,根据所述目标宽带账号对应的各个网络切片的切片配置,部署所述目标宽带账号对应的各个网络切片。
在本实施例中,针对为各个宽带账号部署网络切片的应用场景,在得到宽带账号的各个时间采集的网络行为数据之后,通过所设置的预设流量阈值、预设速率和预设时延等中的一项或多项对网络行为数据进行筛选,从而得到宽带账号用于进行预测的历史网络行为数据,提高了用于进行预测的数据的精准度;将宽带账号的历史网络行为数据输入预先训练好的预测模型中,得到未来预设时间段内各个时间节点的预测网络行为数据;基于未来的各个时间节点预测网络行为数据,部署该未来预设时间段内的多个网络切片,实现了基于精准预测的未来数据进行网络切片,提高了网络切片的及时性和准确度。随着时间的推移,便可以得到各个时间段对应的网络切片,实现了动态网络切片。
图4为本申请一个实施例提供的网络切片部署装置的结构示意图,如图4所示,该装置包括:历史数据获取模块410、预测模块420和网络切片部署模块430。
其中,历史数据获取模块410,用于获取目标宽带账号的历史网络行为数据;预测模块420,用于将所述目标宽带账号的历史网络行为数据输入预测模型,得到所述目标宽带账号未来预设时间段的预测网络行为数据;网络切片部署模块430,用于根据所述目标宽带账号未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片。
可选的,未来预设时间段的预测网络行为数据包括未来预设时间段内各个时间节点对应的预测网络行为数据,网络切片部署模块430,具体用于:
根据所述目标宽带账号未来预设时间段内各个时间节点的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的至少一个网络切片。
可选的,网络切片部署模块430,具体用于:
根据所述目标宽带账号未来预设时间段内各个时间节点的预测网络行为数据,确定所述目标宽带账号对应的各个网络切片的生命周期,其中,每个网络切片的生命周期为所述时间节点的整数倍;针对每个网络切片,根据所述网络切片的生命周期内各个时间节点的所述目标宽带账号的预测网络行为数据,确定所述网络切片的切片配置;根据所述目标宽带账号对应的各个网络切片的切片配置,部署所述目标宽带账号对应的各个网络切片。
可选的,历史数据获取模块410,具体用于:
获取目标宽带账号在当前预设时间段内各个时间节点的网络行为数据;基于预设流量阈值和/或预设时延,对所述目标宽带账号在当前预设时间段内各个时间节点的网络行为数据进行筛选,以得到所述目标宽带账号的历史网络行为数据,其中,所述目标宽带账号的历史网络行为数据中的流量值大于所述预设流量阈值或所述目标宽带账号的历史网络行为数据中的网络时延大于所述预设时延。
可选的,网络切片部署模块430,具体用于:
根据所述目标宽带账号的历史网络行为数据以及未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片。
可选的,历史数据获取模块410,具体用于:
获取连接至所述目标宽带账号的各个目标用户的历史网络行为数据;根据各个所述目标用户的网络行为数据,确定所述目标宽带账号的网络行为数据。
本申请实施例所提供的网络切片部署装置可执行本申请任意实施例所提供的网络切片部署方法,具备执行方法相应的功能模块和有益效果。
图5为本申请一个实施例提供的网络切片部署设备的结构示意图,如图5所示,该网络切片部署设备包括:存储器510,处理器520以及计算机程序。
其中,计算机程序存储在存储器510中,并被配置为由处理器520执行以实现本申请图2至图3所对应的实施例中任一实施例提供的网络切片部署方法。
其中,存储器510和处理器520通过总线530连接。
相关说明可以对应参见图2至图3的步骤所对应的相关描述和效果进行理解,此处不做过多赘述。
一种非临时性计算机可读存储介质,当该存储介质中的指令由网络切片部署设备的处理器执行时,使得网络切片部署设备能够执行上述网络切片部署方法。
例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本申请实施例还提供了一种计算机程序产品,包括可执行计算机程序,该可执行计算机程序存储在可读存储介质中。网络切片部署设备的至少一个处理器可以从可读存储介质读取该计算机程序,至少一个处理器执行该计算机程序使得网络切片部署装置实施上述各种实施方式提供的网络切片部署方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (8)
1.一种网络切片部署方法,其特征在于,所述方法包括:
获取目标宽带账号的历史网络行为数据;所述历史网络行为数据包括:网络时延数据、流量数据;
将所述目标宽带账号的历史网络行为数据输入预测模型,得到所述目标宽带账号未来预设时间段的预测网络行为数据;
根据所述目标宽带账号未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的至少一个网络切片;
所述未来预设时间段的预测网络行为数据包括未来预设时间段内各个时间节点的预测网络行为数据,所述根据所述目标宽带账号未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的至少一个网络切片,包括:
根据所述目标宽带账号在未来预设时间段内各个时间节点的预测网络行为数据,确定所述各个时间节点的带宽需求;
基于所述各个时间节点的带宽需求,确定所述目标宽带账号对应的各个网络切片的生命周期;所述带宽需求处于同一区间的连续的各个时间节点对应一个网络切片的生命周期,每个网络切片的生命周期为所述时间节点的整数倍;
针对每个网络切片,根据所述网络切片的生命周期内各个时间节点的所述目标宽带账号的预测网络使用数据,确定所述网络切片的切片配置;
根据所述目标宽带账号对应的各个网络切片的切片配置,部署所述目标宽带账号对应的各个网络切片。
2.根据权利要求1所述的方法,其特征在于,获取目标宽带账号的历史网络行为数据,包括:
获取目标宽带账号在当前预设时间段内各个时间节点的网络行为数据;
基于预设流量阈值和/或预设时延,对所述目标宽带账号在当前预设时间段内各个时间节点的网络行为数据进行筛选,以得到所述目标宽带账号的历史网络行为数据,其中,所述目标宽带账号的历史网络行为数据中的流量值大于所述预设流量阈值或所述目标宽带账号的历史网络行为数据中的网络时延大于所述预设时延。
3.根据权利要求1所述的方法,其特征在于,根据所述目标宽带账号未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片,包括:
根据所述目标宽带账号的历史网络行为数据以及未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的网络切片。
4.根据权利要求1所述的方法,其特征在于,获取目标宽带账号的历史网络行为数据,包括:
获取连接至所述目标宽带账号的各个目标用户的历史网络行为数据;
根据各个所述目标用户的网络行为数据,确定所述目标宽带账号的网络行为数据。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述预测模型模型为门控循环单元。
6.一种网络切片部署装置,其特征在于,所述装置包括:
历史数据获取模块,用于获取目标宽带账号的历史网络行为数据;所述历史网络行为数据包括:网络时延数据、流量数据;
预测模块,用于将所述目标宽带账号的历史网络行为数据输入预测模型,得到所述目标宽带账号未来预设时间段的预测网络行为数据;
网络切片部署模块,用于根据所述目标宽带账号未来预设时间段的预测网络行为数据,部署所述目标宽带账号未来预设时间段对应的至少一个网络切片;
所述未来预设时间段的预测网络行为数据包括未来预设时间段内各个时间节点的预测网络行为数据,所述网络切片部署模块,具体用于根据所述目标宽带账号在未来预设时间段内各个时间节点的预测网络行为数据,确定所述各个时间节点的带宽需求;
基于所述各个时间节点的带宽需求,确定所述目标宽带账号对应的各个网络切片的生命周期;所述带宽需求处于同一区间的连续的各个时间节点对应一个网络切片的生命周期,每个网络切片的生命周期为所述时间节点的整数倍;
针对每个网络切片,根据所述网络切片的生命周期内各个时间节点的所述目标宽带账号的预测网络使用数据,确定所述网络切片的切片配置;
根据所述目标宽带账号对应的各个网络切片的切片配置,部署所述目标宽带账号对应的各个网络切片。
7.一种网络切片部署设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-5中任一项所述的网络切片部署方法。
8.一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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-5任一项所述的网络切片部署方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111433763.1A CN114158073B (zh) | 2021-11-29 | 2021-11-29 | 网络切片部署方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111433763.1A CN114158073B (zh) | 2021-11-29 | 2021-11-29 | 网络切片部署方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114158073A CN114158073A (zh) | 2022-03-08 |
CN114158073B true CN114158073B (zh) | 2024-01-09 |
Family
ID=80454350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111433763.1A Active CN114158073B (zh) | 2021-11-29 | 2021-11-29 | 网络切片部署方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114158073B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033973A1 (zh) * | 2014-09-05 | 2016-03-10 | 中兴通讯股份有限公司 | 一种资源占用量的预测方法与预测系统 |
WO2020061314A1 (en) * | 2018-09-20 | 2020-03-26 | Intel Corporation | Systems, methods, and apparatuses for self-organizing networks |
CN111901168A (zh) * | 2020-07-24 | 2020-11-06 | 国网河南省电力公司经济技术研究院 | 适用于电动汽车充换电网络的网络切片资源配置方法 |
CN112737823A (zh) * | 2020-12-22 | 2021-04-30 | 国网北京市电力公司 | 一种资源切片分配方法、装置及计算机设备 |
CN112822050A (zh) * | 2021-01-05 | 2021-05-18 | 北京信息科技大学 | 用于部署网络切片的方法和装置 |
CN113347641A (zh) * | 2020-03-02 | 2021-09-03 | 中国电信股份有限公司 | 网络部署方法、装置和计算机可读存储介质 |
CN113542002A (zh) * | 2021-05-27 | 2021-10-22 | 广州杰赛科技股份有限公司 | 5g无线接入网的切片调度方法、装置、设备及存储介质 |
CN113541984A (zh) * | 2020-04-14 | 2021-10-22 | 中国移动通信集团浙江有限公司 | 网络切片业务体验预测方法、装置和设备 |
CN113691398A (zh) * | 2021-08-13 | 2021-11-23 | 北京金山云网络技术有限公司 | 节点带宽的预测方法、装置、电子设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9455919B2 (en) * | 2012-12-14 | 2016-09-27 | Huawei Technologies Co., Ltd. | Service provisioning using abstracted network resource requirements |
US20190268283A1 (en) * | 2018-02-23 | 2019-08-29 | International Business Machines Corporation | Resource Demand Prediction for Distributed Service Network |
US11240690B2 (en) * | 2019-05-24 | 2022-02-01 | Parallel Wireless, Inc. | Streaming media quality of experience prediction for network slice selection in 5G networks |
US11310104B2 (en) * | 2019-12-02 | 2022-04-19 | At&T Intellectual Property I, L.P. | Management of persistent network slices by a distributed learning system in a 5G or other next generation wireless network |
-
2021
- 2021-11-29 CN CN202111433763.1A patent/CN114158073B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016033973A1 (zh) * | 2014-09-05 | 2016-03-10 | 中兴通讯股份有限公司 | 一种资源占用量的预测方法与预测系统 |
WO2020061314A1 (en) * | 2018-09-20 | 2020-03-26 | Intel Corporation | Systems, methods, and apparatuses for self-organizing networks |
CN113347641A (zh) * | 2020-03-02 | 2021-09-03 | 中国电信股份有限公司 | 网络部署方法、装置和计算机可读存储介质 |
CN113541984A (zh) * | 2020-04-14 | 2021-10-22 | 中国移动通信集团浙江有限公司 | 网络切片业务体验预测方法、装置和设备 |
CN111901168A (zh) * | 2020-07-24 | 2020-11-06 | 国网河南省电力公司经济技术研究院 | 适用于电动汽车充换电网络的网络切片资源配置方法 |
CN112737823A (zh) * | 2020-12-22 | 2021-04-30 | 国网北京市电力公司 | 一种资源切片分配方法、装置及计算机设备 |
CN112822050A (zh) * | 2021-01-05 | 2021-05-18 | 北京信息科技大学 | 用于部署网络切片的方法和装置 |
CN113542002A (zh) * | 2021-05-27 | 2021-10-22 | 广州杰赛科技股份有限公司 | 5g无线接入网的切片调度方法、装置、设备及存储介质 |
CN113691398A (zh) * | 2021-08-13 | 2021-11-23 | 北京金山云网络技术有限公司 | 节点带宽的预测方法、装置、电子设备和存储介质 |
Non-Patent Citations (6)
Title |
---|
5G切片技术在电力物联网应用的智能化管理;贺金红;张港红;高建;;电力信息与通信技术(05);全文 * |
Ericsson.GP-140622 "CR 44.060-1604 Downlink Multi Carrier - Implementation Corrections (Release 12)".3GPP tsg_geran\TSG_GERAN.2014,(GERAN_63_Ljubljana),全文. * |
Xuanqiao Liang ; Qinghua Tian ; Fu Wang ; Wensheng Yu ; Xiangjun Xin.A Dynamic Resource Allocation based on Network Traffic Prediction for Sliced Passive Optical Network.《2021 19th International Conference on Optical Communications and Networks (ICOCN)》.2021,全文. * |
基于增强学习的5G网络切片资源动态优化方案;任语铮;谢人超;黄韬;;中兴通讯技术(01);全文 * |
基于深度强化学习的应急物联网切片资源预留算法;孙国林;欧睿杰;刘贵松;;通信学报(09);全文 * |
郭红峰 ; 黄继宁.基于流量感知的网络切片资源智能分配方法.《移动通信》.2021,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114158073A (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113037786B (zh) | 智能算力调度方法、装置和系统 | |
Lee et al. | Modeling steady-state and transient behaviors of user mobility: formulation, analysis, and application | |
CN110830964B (zh) | 信息调度方法、物联网平台和计算机可读存储介质 | |
CN110831038B (zh) | 网络切片资源调度方法及装置 | |
CN106055630A (zh) | 日志存储的方法及装置 | |
CN113133064A (zh) | 一种切换方法及装置、存储介质、电子设备 | |
CN113688490A (zh) | 网络共建共享处理方法、装置、设备及存储介质 | |
CN112817753A (zh) | 任务的处理方法及装置、存储介质、电子装置 | |
CN112925634A (zh) | 异构资源调度方法和系统 | |
CN114158073B (zh) | 网络切片部署方法、装置、设备及存储介质 | |
US20230199515A1 (en) | Prioritizing an issue reported by a user of a wireless telecommunication network | |
CN113347461B (zh) | 一种媒资内容提升方法及装置 | |
CN113747554B (zh) | 边缘计算网络任务调度与资源分配方法和装置 | |
JP7056614B2 (ja) | 通信帯域算出装置、通信帯域算出方法及びプログラム | |
CN109753599B (zh) | 推荐业务的方法和装置 | |
CN112085282A (zh) | 小区流量预测方法及服务器 | |
CN113498120B (zh) | 节能指示方法、装置及计算机存储介质 | |
US11696162B2 (en) | Network feature tester | |
CN110751307B (zh) | 人群疏散需求的预测方法、装置、设备及介质 | |
CN113934871B (zh) | 多媒体推荐模型的训练方法、装置、电子设备及存储介质 | |
CN111263366B (zh) | 基于用户行为的云化无线网集中评估规划方法及系统 | |
CN115242630B (zh) | 一种5g网络切片的编排方法、装置及电子设备 | |
CN115269171A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN115955453A (zh) | 消息推送方法、装置、计算机设备及存储介质 | |
CN115391454A (zh) | 基于区块链的数据处理方法及装置 |
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 |