CN114205852B - 无线通信网络知识图谱的智能分析与应用系统及方法 - Google Patents
无线通信网络知识图谱的智能分析与应用系统及方法 Download PDFInfo
- Publication number
- CN114205852B CN114205852B CN202210144211.7A CN202210144211A CN114205852B CN 114205852 B CN114205852 B CN 114205852B CN 202210144211 A CN202210144211 A CN 202210144211A CN 114205852 B CN114205852 B CN 114205852B
- Authority
- CN
- China
- Prior art keywords
- wireless communication
- communication network
- entity
- intelligent
- algorithm
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 563
- 238000004458 analytical method Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000004422 calculation algorithm Methods 0.000 claims description 292
- 238000011156 evaluation Methods 0.000 claims description 142
- 238000001514 detection method Methods 0.000 claims description 51
- 230000006872 improvement Effects 0.000 claims description 49
- 238000005457 optimization Methods 0.000 claims description 42
- 238000003745 diagnosis Methods 0.000 claims description 31
- 230000005856 abnormality Effects 0.000 claims description 27
- 230000000694 effects Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013210 evaluation model Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 230000001364 causal effect Effects 0.000 claims description 14
- 238000013499 data model Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000002787 reinforcement Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 229940029329 intrinsic factor Drugs 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000003592 biomimetic effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000002904 solvent Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 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
- 230000010363 phase shift Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241001024099 Olla Species 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis 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
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种无线通信网络知识图谱的智能分析与应用系统及方法,该系统至少包括知识图谱单元、智能溯源单元和调优策略单元。知识图谱单元用于无线通信网络知识图谱构建,并结合无线通信网络数据实现图谱深度解析和循环调优;智能溯源单元用于对网络异常检测以及追因溯源;调优策略单元用于生成若干调优策略,并确定最优调优策略,对所述无线通信网络进行调优。本发明提供的上述系统,形成智能闭环反馈,对无线通信网络进行循环调优,有效提高无线通信网络性能和用户体验质量。
Description
技术领域
本发明涉及无线通信网络智能传输与管控技术领域,尤其涉及一种无线通信网络知识图谱的智能分析与应用系统及方法。
背景技术
随着无线移动通信技术的不断发展,人们对带宽、数据传输速率、时延、可靠性等指标提出了越来越高的要求。尤其是如今迈进了5G时代,引入了增强移动带宽(EnhancedMobile Broadband,eMBB)、海量机器类通信(massive Machine Type of Communication,mMTC)和超可靠低时延通信(Ultra-reliable and Low Latency Communications,uRLLC)三大典型应用场景,使得无线通信网络的结构越来越复杂,功能越来越多样化。此外,无线通信网络的终端类型及行为、数据业务需求、系统资源具有较高的动态性、较强的时效性和相互耦合性等显著特征。
一个无线通信网络由用户终端、接入网和核心网等诸多要素构成,网络结构通常比较复杂,包含了数以万计的性能指标和数据字段,涉及到不同的网元、协议栈等。这些指标通常用来表征无线通信网络的性能,是衡量一个无线通信网络运行状态的重要参数。另一方面,这些指标又与用户体验质量(Quality of Experience,QoE)紧密相关。鉴于无线网络结构的复杂性以及业务类型的多样性,这些无线通信网络数据之间内生因素关联关系通常比较复杂。因此,影响无线通信网络性能和用户体验质量的因素十分繁多,有效地厘清各指标与数据字段之间的关联关系,才能更好地去理解整个无线通信网络的结构与运行机制,进而在网络性能恶化或者用户体验质量下降时,精准地定位出引起这些变化的原因,从而针对具体原因给出相应的调优方案。
发明内容
针对现有技术存在的问题,本发明提供一种无线通信网络知识图谱的智能分析与应用系统及方法。
第一方面,本发明提供一种无线通信网络知识图谱的智能分析与应用系统,至少包括:
知识图谱单元、智能溯源单元和调优策略单元;
所述知识图谱单元,用于基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优;
所述智能溯源单元,用于基于调优后的无线通信网络知识图谱,以及异常检测和智能推理算法,确定无线通信网络异常的诊断定位结果;
所述调优策略单元,用于基于策略生成算法和所述诊断定位结果,确定若干调优策略,并以调优策略执行效率和效果最好为目标,结合智能决策算法,在若干调优策略中确定一种最优的调优策略,对所述无线通信网络进行调优。
可选地,所述知识图谱单元至少包括深度解析模块和图谱调优模块;
其中,所述深度解析模块,用于基于图模型和数据模型的分析算法,确定无线通信网络知识图谱中各实体间新的关系,并分析各实体间关系的关联程度,更新所述实体间关系库,和/或确定无线通信网络知识图谱中新的实体、新的实体类型和新的实体属性中的一个或多个,更新所述实体库;
所述图谱调优模块,用于基于更新后的所述实体库和/或更新后的所述实体间关系库,更新所述无线通信网络知识图谱;
所述实体库和所述实体间关系库是基于无线通信网络的内生因素确定的;所述无线通信网络的内生因素包括根据无线通信网络协议规定的指标和数据字段。
可选地,所述智能溯源单元包括异常检测模块和智能推理模块;
其中,所述异常检测模块,用于基于所述调优后的无线通信网络知识图谱,以及异常检测算法,对无线网络进行异常检测,确定故障类型;
智能推理模块,用于基于所述故障类型以及智能推理算法,确定所述故障类型所属的无线通信网络知识图谱中的实体。
可选地,所述调优策略单元包括策略生成模块和策略决策模块;
其中,所述策略生成模块,用于基于故障类型所属的无线通信网络知识图谱中的实体,以及策略生成算法,确定若干无线通信网络调优策略;
所述策略决策模块,用于基于智能决策算法,以所述调优策略的执行效率和效果最好为目标,确定一个最优的调优策略,对所述无线通信网络进行调优。
可选地,所述系统还包括性能评估单元;
所述性能评估单元,用于基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及每个单元所采用的智能算法的综合能力评估结果,并反馈给对应单元。
可选地,所述性能评估单元包括网络级性能评估模块和用户级性能评估模块;
其中,所述网络级性能评估模块和用户级性能评估模块用于获取调优后的所述无线通信网络的数据;
确定在网络级性能评估和用户级性能评估两个维度所述调优策略对无线通信网络性能的改善度;
基于所述改善度以及所述智能算法的综合能力评估结果,确定需要调整的智能算法;所述智能算法包括:深度解析算法,异常检测算法,智能推理算法,策略生成算法和智能决策算法中的一个或多个。
可选地,所述系统还包括无线数据单元;所述无线数据单元用于获取无线通信网络原始数据,并进行预处理后,按照不同数据类型进行分类存储;所述不同数据类型的分类存储,是基于分布式系统架构实现的。
可选地,所述不同数据类型包括:终端侧无线空口数据,基站侧无线空口数据,核心网数据和网管数据中的一个或多个。
可选地,所述实体库中元素的实体类型包括网络级性能评估指标,用户级性能评估指标,通用非调型数据参数和可调型数据参数中的一个或多个;所述实体间关系库中实体关系包括因果关系,隐式关系和显式关系中的一个或多个。
可选地,所述基于图模型和数据模型的分析算法,确定无线通信网络知识图谱中各实体间新的关系,并分析各实体间关系的关联程度,更新所述实体间关系库,和/或确定无线通信网络知识图谱中新的实体、新的实体类型和新的实体属性中的一个或多个,更新所述实体库,包括:
基于图模型算法,确定无线通信网络知识图谱中各实体间关系的关联程度的量化度量,更新所述实体间关系库;
基于获取的分类后的无线通信网络数据,确定无线通信网络知识图谱中新的实体、新的实体类型、新的实体属性和各实体间新的关系中的一个或多个,更新所述实体库和/或所述实体间关系库。
可选地,所述基于更新后的所述实体库和/或更新后的所述实体间关系库,更新所述无线通信网络知识图谱,包括:
基于无线通信网络协议规定和理论分析算法,以及所述更新后的所述实体库和/或更新后的所述实体间关系库,确定需要调优的参数,所述需要调优的参数包括:无线通信网络知识图谱中实体、实体属性的参数和实体间关系的参数中的一个或多个;
基于所述需要调优的参数,更新所述无线通信网络知识图谱。
可选地,所述故障类型包括:实体库中不同元素的故障和实体间关系库中不同元素的故障。
可选地,所述基于所述故障类型以及智能推理算法,确定所述故障类型所属的无线通信网络知识图谱中的实体,包括:
确定所述故障类型所属的实体,所述实体是实体库中特定的元素;
基于所述实体的属性,确定所述实体所在位置、可调性以及影响因素,所述所在位置包括所述实体位于的具体通信层或所处图谱结构的位置,所述影响因素是所述实体和与其存在实体间关系的其他实体对所述实体的影响程度。
可选地,所述智能决策算法包括深度强化学习DRL、马尔可夫决策过程、拟生算法和统计学习算法中的一个或多个。
可选地,所述基于所述改善度以及所述智能算法的综合能力评估结果,确定需要调整的智能算法,包括:
若所述最优的调优策略执行后,网络级性能和/或用户级性能的改善度未改变或降低的情况下,确定各单元采用的智能算法的综合能力评估结果;
基于各单元采用智能算法的综合能力评估结果,结合相应的评估准则,确定需要调整的智能算法并更新。
第二方面,本发明还提供一种无线通信网络知识图谱的智能分析与应用方法,包括:
基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优;
基于调优后的无线通信网络知识图谱,以及异常检测和智能推理算法,确定无线通信网络异常的诊断定位结果;
基于策略生成算法和所述诊断定位结果,确定若干调优策略,并以调优策略执行效率和效果最好为目标,结合智能决策算法,在若干调优策略中确定一种最优的调优策略,对所述无线通信网络进行调优。
可选地,所述基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优,包括:
基于图模型和数据模型的分析算法,确定无线通信网络知识图谱中各实体间新的关系,并分析各实体间关系的关联程度,更新所述实体间关系库,和/或确定无线通信网络知识图谱中新的实体、新的实体类型和新的实体属性中的一个或多个,更新所述实体库;
基于更新后的所述实体库和/或更新后的所述实体间关系库,更新所述无线通信网络知识图谱;
所述实体库和所述实体间关系库是基于无线通信网络的内生因素确定的;所述无线通信网络的内生因素包括根据无线通信网络协议规定的指标和数据字段。
可选地,基于调优后的无线通信网络知识图谱,以及异常检测和智能推理算法,确定无线通信网络异常的诊断定位结果,包括:
基于所述调优后的无线通信网络知识图谱,对无线通信网络进行异常检测,确定故障类型;
基于所述故障类型以及智能推理算法,确定所述故障类型所属的无线通信网络知识图谱中的实体。
可选地,所述基于策略生成算法和所述诊断定位结果,确定若干调优策略,并以调优策略执行效率和效果最好为目标,结合智能决策算法,在若干调优策略中确定一种最优的调优策略,对所述无线通信网络进行调优,包括:
基于故障类型所属的无线通信网络知识图谱中的实体,以及策略生成算法,确定若干无线通信网络调优策略;
基于智能决策算法,以所述调优策略的执行效率和效果最好为目标,确定一个最优的调优策略,对所述无线通信网络进行调优。
可选地,所述方法还包括:
基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及所采用的智能算法的综合能力评估结果。
可选地,所述基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及所采用的各个智能算法的综合能力评估结果,包括:
获取调优后的所述无线通信网络的数据;
确定在网络级性能评估和用户级性能评估两个维度所述调优策略对无线通信网络性能的改善度;
基于所述改善度以及所述各个智能算法的综合能力评估结果,确定需要调整的智能算法;所述智能算法包括:深度解析算法,异常检测算法,智能推理算法,策略生成算法和智能决策算法中的一个或多个。
可选地,所述获取无线通信网络原始数据,并进行预处理后,按照不同数据类型进行分类存储是基于分布式系统架构实现的。
可选地,所述不同数据类型包括:终端侧无线空口数据,基站侧无线空口数据,核心网数据和网管数据中的一个或多个。
可选地,所述实体库中元素的实体类型包括网络级性能评估指标,用户级性能评估指标,通用非调型数据参数和可调型数据参数中的一个或多个;所述实体间关系库中实体关系包括因果关系,隐式关系和显式关系中的一个或多个。
可选地,所述基于图模型和数据模型的分析算法,确定无线通信网络知识图谱中各实体间新的关系,并分析各实体间关系的关联程度,更新所述实体间关系库,和/或确定无线通信网络知识图谱中新的实体、新的实体类型和新的实体属性中的一个或多个,更新所述实体库,包括:
基于图模型算法,确定无线通信网络知识图谱中各实体间关系的关联程度的量化度量,更新所述实体间关系库;
基于获取的分类后的无线通信网络数据,确定无线通信网络知识图谱中新的实体、新的实体类型、新的实体属性和各实体间新的关系中的一个或多个,更新所述实体库和/或所述实体间关系库。
可选地,所述基于更新后的所述实体库和/或更新后的所述实体间关系库,更新所述无线通信网络知识图谱,包括:
基于无线通信网络协议规定和理论分析算法,以及所述更新后的所述实体库和/或所述实体间关系库,确定需要调优的参数,所述需要调优的参数包括:无线通信网络知识图谱中实体、实体属性的参数和实体间关系的参数中的一个或多个;
基于所述需要调优的参数,更新所述无线通信网络知识图谱。
可选地,所述故障类型包括:实体库中不同元素的故障和实体间关系库中不同元素的故障。
可选地,所述基于所述故障类型以及智能推理算法,确定所述故障类型所属的无线通信网络知识图谱中的实体,包括:
确定所述故障类型所属的实体,所述实体是实体库中特定的元素;
基于所述实体的属性,确定所述实体所在位置、可调性以及影响因素,所述所在位置包括所述实体位于的具体通信层或所处图谱结构的位置,所述影响因素是所述实体和与其存在实体间关系的其他实体对所述实体的影响程度。
可选地,所述智能决策算法包括深度强化学习DRL、马尔可夫决策过程、拟生算法和统计学习算法中的一个或多个。
可选地,所述基于所述改善度以及所述各个智能算法的综合能力评估结果,确定需要调整智能算法,包括:
若所述最优的调优策略执行后,网络级性能和/或用户级性能的改善度未改变或者降低的情况下,确定各个智能算法的综合能力评估结果;
基于各个智能算法的综合能力评估结果,结合相应的评估准则,确定需要调整的特定智能算法并更新。
第三方面,本发明还提供一种电子设备,包括存储器,收发机,处理器;
存储器,用于存储计算机程序;收发机,用于在所述处理器的控制下收发数据;处理器,用于读取所述存储器中的计算机程序并实现如上所述第二方面所述无线通信网络知识图谱的智能分析与应用方法的步骤。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上所述第二方面所述的无线通信网络知识图谱的智能分析与应用方法的步骤。
第五方面,本发明还提供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如上所述第二方面所述的无线通信网络知识图谱的智能分析与应用方法的步骤。
本发明提供的无线通信网络知识图谱的智能分析与应用系统及方法,通过无线通信网络的内生因素,结合通信专家知识及3GPP通信协议初步构建无线通信网络知识图谱并进行内生因素关联关系深度解析,利用解析结果完成图谱调优更新,在发现网络通信异常后利用智能推理模块进行追因溯源和诊断定位,利用策略生成模块提供若干种可行的调优策略,并由策略决策模块选择一种具体的策略下发给无线通信网络执行,对所述无线通信网络进行循环调优,有效提高无线通信网络性能和用户体验质量。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的无线通信网络知识图谱的智能分析与应用系统示意图;
图2是本发明提供的无线通信网络知识图谱的智能分析与应用方法的流程示意图;
图3是本发明提供的无线通信网络知识图谱的智能分析与应用方法的整体流程示意图;
图4是本发明提供的无线通信网络知识图谱的智能分析与应用方法的业务流程示意图;
图5是本发明提供的无线通信网络知识图谱的空口时延知识图谱局部示意图;
图6是本发明提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
下面结合图1-图6描述本发明的无线通信网络知识图谱的智能分析与应用系统及方法。
图1是本发明提供的无线通信网络知识图谱的智能分析与应用系统示意图;如图1所示,该无线通信网络知识图谱的智能分析与应用系统,至少包括:知识图谱单元、智能溯源单元和调优策略单元;
所述知识图谱单元,用于基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优;
所述智能溯源单元,用于基于调优后的无线通信网络知识图谱,以及异常检测和智能推理算法,确定无线通信网络异常的诊断定位结果;
所述调优策略单元,用于基于策略生成算法和所述诊断定位结果,确定若干调优策略,并以调优策略执行效率和效果最好为目标,结合智能决策算法,在若干推荐调优策略中确定一种最优的调优策略,对所述无线通信网络进行调优。
具体地,鉴于无线网络结构的复杂性以及业务类型的多样性,这些无线通信网络数据之间内生因素关联关系通常比较复杂。因此,影响无线通信网络性能和用户体验质量的因素十分繁多,只有有效地厘清各指标与数据字段之间的关联关系,才能更好地去理解整个无线通信网络的结构与运行机制,为提升无线通信网络性能,改善用户体验质量,本发明提出了一种无线通信网络知识图谱的智能分析与应用系统及方法,为实现无线通信网络的智能化提供了有力的支持。
所述系统至少包括:知识图谱单元、智能溯源单元和调优策略单元;其中,
(1)知识图谱单元,用于基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优;其中,无线通信网络知识图谱是基于无线通信网络的内生因素初始化后的实体库中元素,以及实体间关系库中元素组成的三元组构建的,所述无线通信网络的内生因素包括根据无线通信网络协议规定的指标和数据字段;所述分类后的无线通信网络数据可以是根据协议直接分类的,或者认为设定的规则进行分类的,主要是便于后续数据处理,提高处理的效率。
可选地,在本发明的实施例中,所述知识图谱单元至少包括深度解析模块和图谱调优模块;
其中,所述深度解析模块,用于基于图模型和数据模型的分析算法,确定无线通信网络知识图谱中新的实体、新的实体类型、新的实体属性和各实体间的新的关系中的一个或多个,并完善各实体间对应关系的关联程度;
所述图谱调优模块,用于基于更新后的所述实体库和/或更新后的所述实体间关系库,更新所述无线通信网络知识图谱;
具体地,知识图谱单元至少包括:深度解析模块和图谱调优模块;
深度解析模块将初始化构成无线通信网络知识图谱的实体库和实体间关系库作为输入,深度解析模块主要有两个功能。其一是,从图模型角度,对两个实体间关系的关联程度进行量化和度量,确立边连接强度;其二是,从数据角度深入分析无线通信网络知识图谱中新的实体、新的实体类型、新的实体属性和新的实体间关系及关联程度中的一个或者多个。其中,所述初始化构成无线通信网络知识图谱的实体库以及实体间关系库是基于无线通信网络的内生因素确定的,上述无线通信网络的内生因素包括根据无线通信网络协议规定的指标和数据字段。所述实体库中每个元素包括该元素对应的实体类型,该元素具有的所有属性;所述实体间关系库包含每两个元素之间的具体关系,以及每两个元素之间所述具体关系的关联程度等。
可选地,在本发明实施例中,所述基于图模型和数据模型的分析方法,确定无线通信网络知识图谱中各实体间新的关系,并分析各实体间关系的关联程度,更新所述实体间关系库,和/或确定无线通信网络知识图谱中新的实体、新的实体类型和新的实体属性中的一个或多个,更新所述实体库,包括:
基于图模型算法,确定无线通信网络知识图谱中各实体间关系的关联程度的量化度量,更新所述实体间关系库;
基于获取的分类后的无线通信网络数据,确定无线通信网络知识图谱中新的实体、新的实体类型、新的实体属性和各实体间新的关系中的一个或多个,更新所述实体库和/或所述实体间关系库。
具体地,深度解析模块主要功能之一:该模块开展数据驱动的无线通信网络知识图谱深度解析,利用无线数据单元采集的无线通信网络实时数据,从数据角度深入分析内生因素知识图谱中节点(实体)间的关联程度及依赖关系,确定新的实体、实体类型、新的实体属性和新的实体间关系中的一个或多个。深度解析模块主要功能之二是,深度解析模块基于浅显解析后所构建的无线通信网络知识图谱,依托基于图模型的理论分析方法,深入挖掘各节点之间的内生因素关联关系,如指标与数据字段、指标与指标、数据字段与数据字段等,即确定各实体间关系的关联程度或依赖关系。对两个节点(实体)间的关联程度和依赖关系进行量化和度量,确立边连接强度。
对无线网络知识图谱进行深度解析之后,可能获得无线网络知识图谱中新增的实体,或者实体关系等,则需要该无线网络知识图谱进行优化,则主要由图谱调优模块来完成,该模块主要用于确定无线通信网络知识图谱的调优内容和调优方向。
可选地,在本发明实施例中,基于所述更新后的所述实体库和/或更新后的所述实体间关系库,更新所述无线通信网络知识图谱,包括:
基于无线通信网络协议规定和理论分析算法,以及所述更新后的所述实体库和/或更新后的所述实体间关系库,确定需要调优的参数,所述需要调优的参数包括:无线通信网络知识图谱中实体、实体属性的参数和实体间关系相关的参数中的一个或多个;
基于所述需要调优的参数,更新所述无线通信网络知识图谱。
具体地,图谱调优模块以深度解析模块的相关分析结果作为输入,即所述更新后的所述实体库和/或更新后的所述实体间关系库作为输入,输出无线通信网络知识图谱的调优内容和调优方向,包括实体的增加或者删除,可理解为图结构的调优更新(例如错误图结构的勘误、遗漏图结构的补全等)、实体间关系的调优更新(例如多余关联关系的删除、错误关联关系的更正或将某两个实体间关系的关联程度从关联程度2修改为关联程度3等),具体的关联程度数值可以表示两实体间关系的关联程度的强弱,数值越大可以表示关联程度越强,也可以表示关联程度越弱,或者实体的属性的参数的更新(例如某个实体类型的实体对应的属性中参数的可调性从可调修改为不可调,实体所在位置等信息需要修改等)等。同时,将调优更新参数反馈给图谱构建模块以完成动态调整,实现知识图谱的循环调优。
可选地,该知识图谱单元还可以包括:浅显解析模块。浅显解析模块主要通过无线
通信网络协议规定,比如3GPP通信协议或者结合通信领域专家知识,确定其中规定的指标
和数据字段等构成的无线通信网络内生因素,基于无线通信网络内生因素确定若干实体类
型及若干实体间关系,所述内生因素主要包括根据无线通信网络协议规定的指标和数据字
段,也就是对无线通信网络所涉及的指标和数据字段进行梳理,确定实体库的初始元素,比
如各指标包括无线资源控制(Radio Resource Control,RRC)连接建立成功率、切换成功
率、上下行丢包率等;数据字段包括子载波间隔、上下行时隙配比、每秒下行最高调制方式
等。上述实体库中每个元素均可以作为一个实体,实体包含可以表征实体对象特征参数的
实体属性,例如实体名称、类型、字长、所属通信层、取值范围、可调性等。此外浅显解析模块
还会对各指标(例如RRC连接建立成功率、切换成功率、上下行丢包率等)和数据字段(例如
子载波间隔、上下行时隙配比、每秒下行最高调制方式等)进行分类,确定上述实体库中元
素(即各种实体)的实体类型,记为,共有种实体类型,每一
个实体均属于这种实体类型之一。针对定义的实体,对实体间的关联关系进行浅显解析,
依据浅显解析模块对各指标和数据字段之间关联关系的解析结果,确立若干实体与实体之
间的关系。上述确定的若干实体与实体之间的关系构成初始化的实体间关系库,所述实体
间关系库包括关联的两实体,以及两实体间关系,其中,两实体间关系可记为,共种实体关系,任意两个实体之间的关系均属于这种
实体关系之一。并且根据内生因素的特性,在对无线通信网络数据的进一步分析过程中,若
出现新的实体,新的实体类型,和新的实体属性中的任意组合,则更新上述实体库;若出现
新的实体间关系,则更新上述实体间关系库;若同时出现新的实体,新的实体类型和新的实
体属性的任意组合,和新的实体间关系,则同时更新实体库和实体间关系库。
可选地,该知识图谱单元还可以包括:图谱构建模块。图谱构建模块主要用于构建一个具有拓扑结构的无线通信网络知识图谱。依据初始化的实体库和实体间关系库,构建无线通信网络通用三元组(head,relation,tail),其中,head为三元组中的头实体,tail为三元组中的尾实体,每个三元组中的头实体和尾实体均属于上述实体库中确立的m种实体类型之一,relation为实体间的关系,属于上述实体间关系库中确立的n种关系之一。然后,构建无线通信网络知识图谱,以三元组中的头实体和尾实体分别作为无线通信网络知识图谱的节点。节点与节点之间如果有明确的指向关系,则用一条有向线段来连接,否则用一条无向线段连接。连接所有存在边连接关系的节点,即可得到具有拓扑结构的无线通信网络知识图谱,通常是一种多关系图。
可选地,在本发明实施例中,所述实体库中元素的实体类型包括网络级性能评估指标,用户级性能评估指标,通用非调型数据参数和可调型数据参数中的一个或多个;所述实体间关系库中的实体关系包括因果关系,隐式关系和显式关系中的一个或多个。
具体地,为了更清晰地说明本发明中实体库,初始化时确定上述实体库中元素的实体类型包括网络级性能评估指标,用户级性能评估指标,通用非调型数据参数和可调型数据参数四类中的一个或者多个,当然可能存在其他的实体类型。同时,实体也包含了实体对象所属通信层、类型、可调性、参数值等实体属性。而且实体间关系库初始化时,确定上述实体间关系通常可以分为因果关系、隐式关系和显式关系三类中的一个或多个,当然可能还有其他的实体间关系。其中,因果关系描述了两个实体间的直接影响,例如物理层传输速率与物理层吞吐量;隐式关系描述了两个实体间的间接影响,没有明确具体的表达式可表示两者间的关系,例如最高调制方式与物理层吞吐量;显式关系描述了两个实体间经过推理分析后可得到具体的解析表达式,例如波束1的参考信号接收功率与同步信号接收功率。以上仅仅示例性说明,不对本发明中实体类型的具体分类和实体间关系的具体分类做限定。实际本发明中对实体类型的分类可以包括更多,实体间关系的分类也可以包括更多,均是基于无线通信网络的内生因素动态确定的。
可选地,在本发明实施例中,所述智能溯源单元包括异常检测模块和智能推理模块;
其中,所述异常检测模块,用于基于所述调优后的无线通信网络知识图谱,结合异常检测算法,对无线通信网络进行异常检测,确定故障类型;
智能推理模块,用于基于所述故障类型以及智能推理算法,确定所述故障类型所属的无线通信网络知识图谱中的实体。
具体地,无线通信网络知识图谱的智能分析与应用系统还包括:
(2)智能溯源单元,该单元包括:异常检测模块、智能推理模块;具体地,
异常检测模块主要是基于异常检测算法和调优后的无线通信网络知识图谱对无线网络进行异常检测,在发现网络异常的情况下,完成对故障类型的初步检测,即分析出是哪一类实体或哪一部分图谱结构或者哪一部分的实体间关系发生了异常,其中包括出现异常的节点(实体)、边(实体间关系)、子图结构(需要增加或者删除实体)等,为后续追因溯源指明方向。
可选地,在本发明实施例中,所述故障类型包括:实体库中不同元素的故障和实体间关系库中不同元素的故障。所述实体库中不同元素的故障,即不同实体的故障,主要指哪一类实体发生了异常。所述实体间关系库中不同元素的故障,主要指哪一部分图谱结构或实体间关系,或图谱结构和实体间关系发生了异常。
智能推理模块主要用于确定故障类型所属的实体以及实体属性。
可选地,在本发明实施例中,所述基于所述故障类型以及智能推理算法,确定所述故障类型所属的无线通信网络知识图谱中的实体,包括:
确定所述故障类型所属的实体,所述实体是实体库中特定的元素;
基于所述实体的属性,确定所述实体所在位置、可调性以及影响因素,所述所在位置包括所述实体位于的具体通信层或所处图谱结构的位置,所述影响因素是所述实体和与其存在实体间关系的其他实体对所述实体的影响程度。
具体地,智能推理模块以异常检测模块得出的故障类型为输入,依托构建的无线通信网络知识图谱及其内生因素关联关系,借助于近似推理、因果推断等人工智能方法,完成影响网络性能问题的追因溯源,即深入挖掘出是哪一层的哪些指标或数据字段造成了相应指标的异常波动,也就确定了实体的具体实体类型。上述故障类型可能有一个或者多个,对应的实体也可能有一个或者多个。依据该实体所属的实体属性甄别哪些数据字段是可调参数,同时推理出引起这些指标或数据字段变化的具体原因(例如:无线信道衰落、网络拥塞等),并根据实体间关系,确定该实体存在关联的其他实体,用同样的方法推理出关联实体的哪些数据字段是可调参数,以及引起这些指标或者数据字段变化的具体原因。
可选地,在本发明实施例中,所述调优策略单元包括策略生成模块和策略决策模块;
其中,所述策略生成模块,用于基于所述故障类型所属的无线通信网络知识图谱中的实体,以及策略生成算法,确定若干无线通信网络调优策略;
所述策略决策模块,用于基于智能决策算法,以所述调优策略的执行效率和效果最好为目标,确定一个最优的调优策略,对所述无线通信网络进行优化。
具体地,无线通信网络知识图谱的智能分析与应用系统还包括:
(3)调优策略单元,该单元包括:策略生成模块、策略决策模块;具体地,所述策略生成模块,基于所述诊断定位结果,以及策略生成算法,确定若干无线通信网络调优策略;
策略生成模块主要以智能推理模块的诊断定位结果作为输入,在明确了引起性能指标波动的数据字段所属位置、可调性、影响因素的前提下,利用策略生成算法,提供若干种可能的通信网络调优策略,包括调节哪些数据字段参数,以及它们的调节方向。鉴于无线通信网络的复杂性,这样的调优策略往往是不唯一的。
可选地,在本发明实施例中,所述若干无线通信网络调优策略均包括具体的可调参数,以及可调参数调整的数值。
即所述无线通信网络调优策略中可以包括具体的可调型数据参数,以及可调型参数需要调整的数值。
策略决策模块将策略生成模块提供的若干种可行的通信网络调优策略作为输入,依据智能决策算法,综合考虑调优策略的执行效率和效果最佳,从中选择一种最优的策略下发给无线通信网络执行,实现网络调优。
可选地,在本发明实施例中,所述智能决策算法包括深度强化学习DRL、马尔可夫决策过程、拟生算法和统计学习算法中的一个或多个。
策略决策模块构建基于人工智能、深度强化学习(Deep ReinforcementLearning,DRL)、马尔可夫决策过程(Markov Decision Process,MDP)、拟生算法和/或统计学习等理论的智能决策模型(算法),以策略生成的多种网络调优策略为输入,利用智能决策算法,综合考虑调优策略的执行效率和效果,并基于执行效率和执行效果分别对应的权重,确定每个调优策略的对应的加权结果,选择一种无线通信网络调优策略作为最终决策策略。考虑上述各算法的优势,确定最合适的某一个或者某几个的结合作为智能决策算法。
可选地,在本发明实施例中,上述无线通信网络知识图谱的智能分析与应用系统还包括:无线数据单元;所述无线数据单元用于获取无线通信网络原始数据,并进行预处理后,按照不同数据类型进行分类存储;所述不同数据类型的分类存储,是基于分布式系统架构实现的。
具体地,上述无线通信网络知识图谱的智能分析与应用系统还包括:
(4)无线数据单元,该单元主要执行无线通信网络原始数据采集、并进行预处理,所述预处理包括数据格式转换、清洗等,并按照不同的类型进行分类存储;
数据采集包括通过软硬数据采集等方法对无线网络通信原始数据进行采集,软采集主要是指通过计算机程序等软件实现的数据采集,硬采集主要是对不同无线通信接口原始数据采集。
数据格式转换主要是对无线通信网络中不同数据的格式转换成统一可识别的格式,或者将某个单元可识别的格式转换成与该单元连接的下一个处理单元可识别或处理的格式;
数据清洗主要指对明显异常的数据进行删除等处理。
可选地,在本发明实施例中,所述无线数据单元包括数据采集模块,所述数据采集模块是基于分布式系统架构实现的。
具体地,上述分布式系统架构可以实现对无线通信网络数据的分布式存储和处理,尤其对于大量数据存储和处理,提供一种高效,可靠的处理和存储方式。比如,ESHadoop分布式系统基础结构,Hadoop实现了一个分布式文件系统(Hadoop DistributedFile System),简称HDFS。HDFS有着高容错性的特点,并且设计用来部署在低廉的硬件上。而且它提供高传输率来访问应用程序的数据,适合那些有着超大数据集的应用程序。HDFS放宽了可移植操作系统接口(Portable Operating System Interface,POSIX)的要求这样可以流的形式访问文件系统中的数据。Hadoop能够对大量数据进行分布式处理。是以一种可靠、高效、可伸缩的方式进行处理的。Hadoop的可靠主要体现在其假设计算元素和存储会失败,因此维护多个工作数据副本,确保能够针对失败的节点重新分布处理。Hadoop的高效是主要体现在其并行的方式工作,通过并行处理加快处理速度。Hadoop的可伸缩性,主要体现在其能够处理PB(Petabyte,存储单位)级数据。此外,Hadoop依赖于社区服务器,成本比较低,任何人都可以使用。
可选地,在本发明实施例中,所述不同数据类型包括:终端侧无线空口数据,基站侧无线空口数据,核心网数据和网管数据中的一个或多个。
采集的数据通常可以分为四大类,但不局限于这四类数据:第一类为无线空口终端侧数据,主要包含L1、L2和L3层数据;第二类为无线空口基站侧数据,主要包含L1、L2和L3层数据;第三类为核心网数据,主要分为用户面和控制面两种数据类型;第四类为网管数据,主要包含告警、配置和性能信息。应理解,以上列举的对无线通信网络数据的分类仅为示例性说明,本发明并未限定于此,现有技术中无线通信网络中所有网元间传输的数据以及空口数据均落入本发明的保护范围内。
告警主要是对无线通信网络节点数据存在异常的告警,比如无线通信网络节点数据负载较大,或者某些节点存在异常的告警。
配置主要是对无线通信网络中各节点的配置信息。
性能信息主要指无线通信网络中网络级性能信息和用户级性能信息。
可选地,在本发明实施例中,上述无线通信网络知识图谱的智能分析与应用系统还包括:性能评估单元,该单元用于基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及每个单元所采用的智能算法的综合能力评估结果,并反馈给对应单元。
可选地,在本发明实施例中,所述性能评估单元包括网络级性能评估模块和用户级性能评估模块;
其中,所述网络级性能评估模块和用户级性能评估模块用于获取调优后的所述无线通信网络的数据;
确定在网络级性能评估和用户级性能评估两个维度所述调优策略对无线通信网络性能的改善度;
基于所述改善度以及所述智能算法的综合能力评估结果,确定需要调整的智能算法;所述智能算法包括:深度解析算法,异常检测算法,智能推理算法,策略生成算法和智能决策算法中的一个或多个。
具体地,无线通信网络知识图谱的智能分析与应用系统还包括:性能评估单元,
(5)性能评估单元,该单元包括:网络级性能评估模块、用户级性能评估模块;具体地,
性能评估单元主要有两个输入。第一个输入是知识图谱单元、智能溯源单元和调优策略单元中各模块所采用的算法策略及相关输出,例如包括策略决策模块所选择下发给无线通信网络执行的调优策略等;第二个输入是调优策略执行以后无线通信网络中的实时数据。该单元主要分为网络级性能评估和用户级性能评估两个方向来对整个系统进行评估,确定对应的改善度。即确定调优后的无线网络是否和调优前有所改善,是提高了还是未提高对应的网络级性能或者用户级性能,具体提高或者降低的程度是多少。首先,需要评估所选调优策略的有效性、实时性和鲁棒性,包括调优方案执行之后整个通信网络的性能以及用户体验质量是否得到提高和改善(例如网络时延、上下行丢包率是否降低,RRC连接建立成功率是否提高等)。其次,评估各个模块中采用的智能算法,具体包括算法泛化能力、可扩展性、可解释性等。随着无线通信网络技术的发展,评估体系也需要不断更新,评估对象和评估方法也将不断扩充和完善。
另一方面,性能评估单元将评估结果反馈给知识图谱单元、智能溯源单元和调优策略单元中的相应模块,各模块根据评估反馈结果,结合相应的性能评估准则,对自身模块采用的方法和输出结果进行调整优化,实现网络动态调优,例如反馈结果表明策略决策模块选择的调优策略效果不佳,则该模块可以通过改变智能决策算法对调优策略进行重新选择。
可选地,在本发明实施例中,所述基于所述改善度以及所述智能算法的综合能力评估结果,确定需要调整的智能算法,包括:
若所述最优的调优策略执行后,网络级性能和/或用户级性能的改善度未改变或降低的情况下,确定各单元采用的智能算法的综合能力评估结果;
基于各单元采用的智能算法的综合能力评估结果,结合相应的评估准则,确定需要调整的智能算法并更新。
具体地,无线通信网络执行了最优的调优方案之后,性能评估单元从网络级性能和用户级性能两个角度分别对无线网络性能的改善度进行评估,若评估结果为没有提高,或者反而降低的情况下,确定各单元采用的智能算法的综合能力评估结果。
确定各单元采用的智能算法的综合能力评估结果的方法包括:对所有单元或所有模块采用的智能算法,通过算法泛化能力、可扩展性、可解释性等进行综合评估,确定该算法的综合能力评估结果,并结合评估准则,确定需要调整的智能算法并更新。上述需要调整的智能算法可能有一个或者多个,即对应着一个或者多个单元或者模块需要调整智能算法。
基于对应模块或者单元更新后的智能算法,确定新的最优的调优方案,再次执行。若所有单元或者模块的智能算法的综合能力评估结果基本相同,则在上述若干调优方案中选择其他次优的方案进行执行。若所有单元或者模块的智能算法的综合能力评估结果比调优之前降低了,则继续重复上述确定最优的调优方案的步骤。
需要说明的是,性能评估单元与上述的知识图谱单元、智能溯源单元和调优策略单元可以构成一个智能决策闭环,无线通信网络的数据和相关信息可直接输入知识图谱单元和性能评估单元;或者为了保证无线通信网络数据的有效性,提高本系统的实施效率,增加无线数据单元对无线通信网络数据进行预处理后再输入知识图谱单元和性能评估单元,同样构成一个智能决策闭环。即本发明提供的无线通信网络知识图谱的智能分析与应用系统可以包括多种实现方式,可以包括知识图谱单元、智能溯源单元和调优策略单元,无线通信网络执行完确定的最优调优策略后,将调优后的无线通信网络输入知识图谱单元,对无线通信网络知识图谱进行更新调整;也可以包括知识图谱单元、智能溯源单元、调优策略单元和性能评估单元,无线通信网络完成确定的最优调优策略后,性能评估单元确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及每个单元所采用的智能算法的综合能力评估结果,并反馈给对应单元;也可以包括知识图谱单元、智能溯源单元、调优策略单元和无线数据单元,也可以包括知识图谱单元、智能溯源单元、调优策略单元、性能评估单元和无线数据单元。
本发明提供的无线通信网络知识图谱的智能分析与应用系统,通过无线数据单元获取并存储无线通信网络的相关数据,结合通信专家知识及3GPP通信协议初步构建无线通信网络知识图谱并进行内生因素关联关系深度解析,利用解析结果完成图谱调优更新,在发现网络通信异常后利用智能推理模块进行追因溯源和诊断定位,利用策略生成模块提供若干种可行的调优方案,并由策略决策模块选择一种具体的策略方案下发给通信网络执行,最后通过性能评估模块对调优策略执行结果及智能算法综合能力进行评估,完成智能决策闭环,有效提高无线通信网络性能和用户体验质量。
图2是本发明提供的无线通信网络知识图谱的智能分析与应用方法的流程示意图;如图2所示,该方法包括:
步骤201、基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优;
步骤202、基于调优后的无线通信网络知识图谱,以及异常检测和智能推理算法,确定无线通信网络异常的诊断定位结果;
步骤203、基于策略生成算法和所述诊断定位结果,确定若干调优策略,并以调优策略执行效率和效果最好为目标,结合智能决策算法,在若干推荐调优策略中确定一种最优的调优策略,对所述无线通信网络进行调优。
具体地,本发明提供的无线通信网络知识图谱的智能分析与应用方法包括:
图谱构建及调优,主要通过无线通信网络协议规定,比如3GPP通信协议或者结合通信领域专家知识,确定其中规定的指标和数据字段等构成的无线通信网络内生因素,基于无线通信网络内生因素确定若干实体类型及若干实体间关系,所述内生因素主要包括根据无线通信网络协议规定的指标和数据字段,也就是对无线通信网络所涉及的指标和数据字段进行梳理,确定实体库的初始元素,比如RRC连接建立成功率、切换成功率、上下行丢包率、子载波间隔、上下行时隙配比、每秒下行最高调制方式等。并根据各指标和数据字段之间的关联关系进行解析,确定实体间关系库的初始元素,并根据内生因素的特性,在对无线通信网络数据的进一步分析过程中,若出现新的实体,新的实体类型,和新的实体属性的任意组合,则更新上述实体库;若出现新的实体间关系,则更新上述实体间关系库;若同时出现新的实体,新的实体类型和新的实体属性的任意组合,和新的实体间关系,则同时更新实体库和实体间关系库。进而确定无线通信网络知识图谱需要调优的参数。
其中,上述根据内生因素的特性,再对无线通信网络数据进一步分析,为了保障无线通信网络数据的有效性,通常需要对原始的无线通信网络数据进行预处理,具体包括:
数据采集,通过软硬数据采集等方法对无线通信网络原始数据进行采集,软采集主要是指通过计算机程序等软件实现的数据采集,硬采集主要是对不同无线通信接口原始数据采集。
数据格式转换主要是对无线通信网络中不同数据的格式转换成统一可识别的格式,或者将某个单元可识别的格式转换成与该单元连接的下一个处理单元可识别或处理的格式;
数据清洗主要指对明显异常的数据进行删除等处理。
智能溯源,对上述调优后的无线通信网络知识图谱,结合异常检测算法,完成对故障类型的初步检测,即分析出是哪一类实体或哪一部分图谱结构或者哪一部分的实体间关系发生了异常。并结合智能推理算法,确定无线通信网络异常的诊断定位结果,即确定具体存在故障的某一个或者某几个实体或者实体间关系。
调优策略,根据上述诊断定位结果,利用策略生成算法,生成若干无线通信网络调优策略,鉴于无线通信网络的复杂性,这样的调优策略往往是不唯一的。并以所述调优策略的执行效率和效果最好为目标,依据智能决策算法,确定一个最优的调优策略,对所述无线通信网络进行调优。
可选地,该无线通信网络知识图谱的智能分析与应用方法还可以包括基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及所采用的各个智能算法的综合能力评估结果。
具体包括:性能评估,根据调优后的无线通信网络的数据,评估所述无线通信网络在网络级性能评估和用户级性能评估两个维度的改善度,以及上述所有步骤采用的智能算法的综合能力评估结果,确定具体需要调整哪个步骤中采用的智能算法,并对该智能算法进行更新,基于更新后的智能算法,重复上述步骤产生新的调优策略执行,并再次对无线通信网络进行性能评估,确定整个无线通信网络在网络级性能评估和用户级性能评估两个维度的改善度。
本发明提供的无线通信网络知识图谱的智能分析与应用方法,通过无线通信网络的内生因素,结合通信专家知识及3GPP通信协议初步构建无线通信网络知识图谱并进行内生因素关联关系深度解析,利用解析结果完成图谱调优更新,在发现网络通信异常后利用智能推理模块进行追因溯源和诊断定位,利用策略生成模块提供若干种可行的调优方案,并由策略决策模块选择一种具体的策略方案下发给通信网络执行,对无线通信网络进行循环调优,有效提高无线通信网络性能和用户体验质量。
可选地,所述基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优包括:
基于图模型和数据模型的分析算法,确定无线通信网络知识图谱中各实体间新的关系,并分析各实体间关系的关联程度,更新所述实体间关系库,和/或确定无线通信网络知识图谱中新的实体、新的实体类型和新的实体属性中的一个或多个,更新所述实体库;
基于更新后的所述实体库和/或更新后的所述实体间关系库,更新所述无线通信网络知识图谱;
所述实体库和所述实体间关系库是基于无线通信网络的内生因素确定的;所述无线通信网络的内生因素包括根据无线通信网络协议规定的指标和数据字段。
可选地,所述基于调优后的无线通信网络知识图谱,以及异常检测和智能推理算法,确定无线通信网络异常的诊断定位结果,包括:
基于所述调优后的无线通信网络知识图谱,以及异常检测算法,对无线通信网络进行异常检测,确定故障类型;
基于所述故障类型以及智能推理算法,确定所述故障类型所属的无线通信网络知识图谱中的实体。
可选地,所述基于策略生成算法和所述诊断定位结果,确定若干调优策略,并以调优策略执行效率和效果最好为目标,结合智能决策算法,在若干调优策略中确定一种最优的调优策略,对所述无线通信网络进行调优,包括:
基于所述故障类型所属的无线通信网络知识图谱中的实体,以及策略生成算法,确定若干无线通信网络调优策略;
基于智能决策算法,以所述调优策略的执行效率和效果最好为目标,确定一个最优的调优策略,对所述无线通信网络进行调优。
可选地,所述方法还包括:
基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及所采用的各个智能算法的综合能力评估结果。
可选地,所述基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及所采用的各个智能算法的综合能力评估结果,包括:
获取调优后的所述无线通信网络的数据;
确定在网络级性能评估和用户级性能评估两个维度所述调优策略对无线通信网络性能的改善度;
基于所述改善度以及所述各个智能算法的综合能力评估结果,确定需要调整的智能算法;所述智能算法包括:深度解析算法,异常检测算法,智能推理算法,策略生成算法和智能决策算法中的一个或多个。
可选地,所述基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优之前,还包括:
获取无线通信网络原始数据,并进行预处理后,按照不同数据类型进行分类存储;所述不同数据类型的分类存储是基于分布式系统架构实现的。
可选地,所述不同数据类型包括:终端侧无线空口数据,基站侧无线空口数据,核心网数据和网管数据中的一个或多个。
可选地,所述实体库中元素的实体类型包括网络级性能评估指标,用户级性能评估指标,通用非调型数据参数和可调型数据参数中的一个或多个;所述实体间关系库中实体关系包括因果关系,隐式关系和显式关系中的一个或多个。
可选地,所述基于图模型和数据模型的分析算法,确定无线通信网络知识图谱中各实体间新的关系,并分析各实体间关系的关联程度,更新所述实体间关系库,和/或确定无线通信网络知识图谱中新的实体、新的实体类型和新的实体属性中的一个或多个,更新所述实体库,包括:
基于图模型算法,确定无线通信网络知识图谱中各实体间关系的关联程度的量化度量,更新所述实体间关系库。
基于获取的分类后的无线通信网络数据,确定无线通信网络知识图谱中新的实体、新的实体类型、新的实体属性和各实体间新的关系中的一个或多个,更新所述实体库和/或所述实体间关系库。
可选地,所述基于更新后的所述实体库和/或更新后的所述实体间关系库,更新所述无线通信网络知识图谱,包括:
基于无线通信网络协议规定和理论分析算法,以及所述更新后的所述实体库和/或所述实体间关系库,确定需要调优的参数,所述需要调优的参数包括:无线通信网络知识图谱中实体、实体属性的参数和实体间关系的参数中的一个或多个;
基于所述需要调优的参数,更新所述无线通信网络知识图谱。
可选地,所述故障类型包括:实体库中不同元素的故障和实体间关系库中不同元素的故障。
可选地,所述基于所述故障类型以及智能推理算法,确定所述故障类型所属的无线通信网络知识图谱中的实体,包括:
确定所述故障类型所属的实体,所述实体是实体库中特定的元素;
基于所述实体的属性,确定所述实体所在位置、可调性以及影响因素,所述所在位置包括所述实体位于的具体通信层或所处图谱结构的位置,所述影响因素是所述实体和与其存在实体间关系的其他实体对所述实体的影响程度。
可选地,所述若干无线通信网络调优策略均包括具体的可调参数,以及可调参数调整的数值。
可选地,所述智能决策算法包括深度强化学习DRL、马尔可夫决策过程、拟生算法和统计学习算法中的一个或多个。
可选地,所述基于所述改善度以及所述各个智能算法的综合能力评估结果,确定需要调整的智能算法,包括:
若所述最优的调优策略执行后,网络级性能和/或用户级性能的改善未改变或者降低的情况下,确定各个智能算法的综合能力评估结果;
基于各个智能算法的综合能力评估结果,结合相应的评估准则,确定需要调整的特定智能算法并更新。
本发明提供的无线通信网络知识图谱的智能分析与应用方法,通过获取并存储无线通信网络的相关数据,结合通信专家知识及3GPP通信协议初步构建无线通信网络知识图谱并进行内生因素关联关系深度解析,利用解析结果完成图谱调优更新,在发现网络通信异常后利用智能推理模块进行追因溯源和诊断定位,利用策略生成模块提供若干种可行的调优策略,并由策略决策模块选择一种具体的策略方案下发给无线通信网络执行,最后通过性能评估模块对调优策略执行结果和智能算法综合能力进行评估,完成智能决策闭环,有效提高无线通信网络性能和用户体验质量。
下面以具体例子对本发明提供的无线通信网络知识图谱的智能分析与应用方法进行说明。
图3是本发明提供的无线通信网络知识图谱的智能分析与应用方法的整体流程示意图,如图3所示,整体流程步骤包括:
步骤一、原始数据采集:搭建基于ES-Hadoop分布式系统基础架构的无线数据单元,通过软硬数据采集等方式对无线通信网络中的通信数据进行采集、转换和清洗,按照不同的数据类型分类存储,并进行相应的预处理,将数据转化成后续可用的格式,这些数据具体包括无线空口数据(终端侧和基站侧)、核心网数据、网管数据等。
步骤二、知识图谱构建及解析:通过无线通信网络协议规定,比如3GPP通信协议,或者结合通信专家知识,首先梳理无线通信网络指标和数据字段,作为无线通信网络知识图谱的实体节点,并初始化实体库。通常实体类型可以分为网络级性能评估指标、用户级性能评估指标,通用非调型数据参数和可调型数据参数四类。同时,实体也包含了实体对象所属通信层、类型、可调性、参数值等实体属性。后续深度解析若发现新的实体,则根据新发现的实体,对该实体库进行更新。同理根据上述协议规定或者通信专家知识,确定指标之间关系,指标和数据字段之间关系,以及数据字段之间关系,基于上述关系进而确定实体与实体之间的关系通常可以分为因果关系、隐式关系和显式关系三类,初始化实体间关系库。后续深度解析若发现新的实体间关系,则根据新发现的实体间关系,对该实体间关系库进行更新。其中,因果关系描述了两个实体间的直接影响,例如物理层传输速率与物理层吞吐量;隐式关系描述了两个实体间的间接影响,例如最高调制方式与物理层吞吐量;显式关系描述了两个实体间经过推理分析后可得到具体的解析表达式,例如波束1的参考信号接收功率与同步信号接收功率。
依据确立的实体及实体间的关系,构建无线通信网络通用三元组,即(头实体,关系,尾实体)。将三元组作为无线通信网络知识图谱的基本单元,以头实体和尾实体作为知识图谱中的节点,以有向线段或无向线段来表征两个节点(实体)间的关联关系,初步构建具有拓扑结构的无线通信网络知识图谱。
一方面,根据初步构建的无线通信网络知识图谱,利用基于图模型的节点稀疏表示算法、余弦相似度计算与节点关联分析模型,深入挖掘各节点之间的内生因素关联关系,完成节点(实体)间关联程度的量化度量。另一方面,基于无线数据单元采集存储的无线通信网络运行数据,开展数据驱动的无线通信网络知识图谱深度解析,利用采集的无线通信网络实时数据,深入分析无线通信网络知识图谱中节点(实体)间的关联程度及依赖关系。根据上述两方面深度解析结果,对构建的无线通信网络知识图谱进行更新,实现图谱的动态调优。
步骤三、利用智能推理进行追因溯源:基于调优后的无线通信网络知识图谱,结合异常检测算法,对无线通信网络进行异常检测。当无线通信网络性能或用户体验质量下降时,即知识图谱中部分指标发生波动,超出预设的门限范围之外,依据构建的无线通信网络知识图谱及其内生因素关联关系,利用基于图团体检测的聚类分析、图神经网络、近似推理、因果推断等人工智能算法,实现引起该类指标波动原因的回溯推理,根据实体属性具体定位到位于哪一通信层的哪些指标或者数据字段,从而完成网络性能变化的追因溯源过程。
步骤四、策略生成与决策:在经过智能推理过程后,进行策略生成和策略决策。具体地,
策略生成:根据无线通信网络问题诊断定位结果,得到了引起网络性能或用户体验下降的关键性能指标,并且推理出了影响该指标的具体数据字段及其属性(可调性、调节范围等),然后利用策略生成算法,依据构建的无线通信网络知识图谱及各节点(实体)间内生因素关联关系,提供若干个可能的网络调优策略,包括调节哪些可调参数以及它们的调节方向。
策略决策:构建基于人工智能、拟生算法、统计学习等理论的智能决策算法,比如深度强化学习DRL和马尔可夫决策过程MDP,以生成的多种网络调优策略为输入,利用智能决策算法,综合考虑调优策略的执行效率和效果,选择一种无线通信网络调优策略作为最终决策策略。
步骤五、策略下发与性能评估:在智能决策之后,执行策略下发和性能评估。具体地,
策略下发:将策略决策模块选择的网络调优策略下发给无线通信网络,并按照策略对相应的可调参数进行调节,完成网络调优过程。
性能评估:针对特定的应用场景,建立一个无线通信网络智能评估模型,在执行完最终网络调优策略后,评估对应性能指标是否得到改善或达到预期目标,是否对其他表征无线通信网络性能的指标造成明显影响,进而从网络级性能和用户级性能两个方面评估网络调优策略的有效性、实时性和鲁棒性,同时评估各模块采用智能算法的综合能力并将对应的评估结果反馈给策略决策模块、策略生成模块、智能推理模块、以及深度解析模块,以供各模块视具体情况对自身采用的方法和输出结果进行调整优化,形成闭环反馈。
图4是本发明提供的无线通信网络知识图谱的智能分析与应用方法的业务流程示意图,如图4所示,该业务流程以超可靠低时延通信uRLLC场景下某个特定应用为例,该流程大致包括:
步骤一、采集数据。根据实施例需要,通过软硬数据采集等方式对综合试验网中通信数据进行采集、转换和清洗,按照不同的数据类型分类存储,并做格式转换。其中,本用例所需采集数据主要包括无线空口数据(如终端的信噪比、吞吐量等)和核心网数据(N1/N2/N3等)。
步骤二、构建知识图谱。通过无线通信网络协议规定,比如3GPP通信协议或者结合通信领域专家知识,确定其中规定的指标和数据字段等构成的无线通信网络内生因素,梳理所述无线通信网络规定的指标和数据字段,明确所属通信层、类型、可调性、参数值等属性,作为知识图谱的实体节点。明确实体及实体间的关系,构建三元组,即(头实体,关系,尾实体),构建具有拓扑结构的无线通信网络知识图谱,如图5所示,展示了一种空口时延知识图谱局部示意图。其中,比如确定实体类型为通用非调型数据参数的实体包括:物理上行共享信道(Physical Uplink Share Channel,PUSCH)误块率,上行(Uplink,UL)每秒总应答次数,上行每秒负应答次数,新空口(New Radio,NR)控制信道单元(Control ChannelElements,CCE)个数,内环链路自适应(Inner Loop Link Adaptation,ILLA)对应的实体类型为通用非调型数据参数。确定实体类型为可调型数据参数的实体包括:外环链路自适应偏置(Outer Loop Link Adaptation offset,OLLA offset),上行非重传平均调制与编码策略(Modulation and Coding Scheme,MCS),每秒上行二进制相移键控(Binary PhaseShift Keying,BPSK)调制占比,每秒上行正交相移键控(Quadrature Phase ShiftKeying,QPSK)调制占比,每秒上行16正交幅度调制(16 Quadrature AmplitudeModulation,16QAM)调制占比,每秒上行64正交幅度调制(64 Quadrature AmplitudeModulation,64QAM)调制占比,每秒上行256正交幅度调制(256 Quadrature AmplitudeModulation,256QAM)调制占比。结合场景需要,本实施例无线通信网络关键指标为:空口及核心网各阶段网络时延、误码率。数据字段涉及空口和核心网相关数据。
步骤三:深度解析与图谱调优。对构建的无线通信网络知识图谱进行深度解析,一方面从图模型的角度利用理论分析算法对知识图谱结构(例如节点、边)及其内生因素关联关系(实体间关系)进行深入挖掘;另一方面,以采集存储的综合试验网实时数据为基础,利用数据驱动的方式对构建的无线通信网络知识图谱进行深度解析。从上述两个方面,深入分析时延与各节点之间的内生因素关联关系,如与信噪比、调制编码选择、网络切换等。基于深度解析结果,对无线通信网络知识图谱进行动态调优。
步骤四、检测与推理。在无线网络性能中的关键KPI指标发生波动或异常,如时延、
误码率突然增大等问题时,依据构建的无线通信网络知识图谱及节点间关联关系(实体间
关系),基于图神经网络、近似推理、因果推断等算法进行回溯推理,定位出哪些层的指标或
者数据字段问题。本实施例中,误码率高于,空口时延高于1ms即开始回溯推理。
步骤五、推荐调优。基于关联规则和深度学习的策略生成与决策算法,依据构建的无线通信网络知识图谱及各节点(实体)间内生因素关联关系,采用人工智能、拟生算法、统计学习等理论分析算法,建立网络参数调节模型,基于采集数据进行算法迭代优化,求解出调节参数,综合考虑调优策略的执行效率和效果,选择最优无线通信网络调优策略作为最终决策策略。
步骤六、将策略决策模块选择的网络调优决策策略下发给综合试验网,并按照策略对相应的可调参数进行调节,完成网络调优过程。针对uRLLC场景,构建无线通信网络智能评估模型,在执行完最终网络调优策略后,评估对应KPI指标是否得到改善或达到预期目标(例如空口时延是否降低,误码率是否减少等),是否对其他表征无线通信网络性能的指标造成明显影响,并将评估结果反馈给深度解析、智能推理、策略生成、策略决策模块以供进一步调整优化。在本实施例中,下发的调优策略包括介质访问控制层(Media AccessControl,MAC)和物理层参数,如调制与编码策略MCS、波束赋形矩阵等。
图6是本发明提供的一种电子设备的结构示意图;如图6所示,该电子设备,包括存储器620,收发机610和处理器600;其中,处理器600与存储器620也可以物理上分开布置。
存储器620,用于存储计算机程序;收发机610,用于在处理器600的控制下收发数据。
具体地,收发机610用于在处理器600的控制下接收和发送数据。
其中,在图6中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器600代表的一个或多个处理器和存储器620代表的存储器的各种电路链接在一起。总线架构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,本申请不再对其进行进一步描述。总线接口提供接口。收发机610可以是多个元件,即包括发送机和接收机,提供用于在传输介质上与各种其他装置通信的单元,这些传输介质包括无线信道、有线信道、光缆等传输介质。
处理器600负责管理总线架构和通常的处理,存储器620可以存储处理器600在执行操作时所使用的数据。
处理器600可以是中央处理器(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或复杂可编程逻辑器件(Complex Programmable LogicDevice,CPLD),处理器也可以采用多核架构。
处理器600通过调用存储器620存储的计算机程序,用于按照获得的可执行指令执行本申请实施例提供的任一所述方法,例如:
基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优;
基于调优后的无线通信网络知识图谱,以及异常检测和智能推理算法,确定无线通信网络异常的诊断定位结果;
基于策略生成算法和所述诊断定位结果,确定若干调优策略,并以调优策略执行效率和效果最好为目标,结合智能决策算法,在若干调优策略中确定一种最优的调优策略,对所述无线通信网络进行调优;
基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及所采用的各个智能算法的综合能力评估结果。
可选地,所述基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优,包括:
基于图模型和数据模型的分析算法,确定无线通信网络知识图谱中各实体间新的关系,并分析各实体间关系的关联程度,更新所述实体间关系库,和/或确定无线通信网络知识图谱中新的实体、新的实体类型和新的实体属性中的一个或多个,更新所述实体库;
基于更新后的所述实体库和/或更新后的所述实体间关系库,更新所述无线通信网络知识图谱;
所述实体库和所述实体间关系库是基于无线通信网络的内生因素确定的;所述无线通信网络的内生因素包括根据无线通信网络协议规定的指标和数据字段。
可选地,所述基于调优后的无线通信网络知识图谱,以及异常检测和智能推理算法,确定无线通信网络异常的诊断定位结果,包括:
基于所述调优后的无线通信网络知识图谱,以及异常检测算法,对无线通信网络进行异常检测,确定故障类型;
基于所述故障类型以及智能推理算法,确定所述故障类型所属的无线通信网络知识图谱中的实体。
可选地,所述基于策略生成算法和所述诊断定位结果,确定若干调优策略,并以调优策略执行效率和效果最好为目标,结合智能决策算法,在若干调优策略中确定一种最优的调优策略,对所述无线通信网络进行调优,包括:
基于故障类型所属的无线通信网络知识图谱中的实体,以及策略生成算法,确定若干无线通信网络调优策略;
基于智能决策算法,以所述调优策略的执行效率和效果最好为目标,确定一个最优的调优策略,对所述无线通信网络进行调优。
可选地,所述方法还包括:
基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及所采用的智能算法的综合能力评估结果。
可选地,所述基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及所采用的各个智能算法的综合能力评估结果,包括:
获取调优后的所述无线通信网络的数据;
确定在网络级性能评估和用户级性能评估两个维度所述调优策略对无线通信网络性能的改善度;
基于所述改善度以及所述各个智能算法的综合能力评估结果,确定需要调整的智能算法;所述智能算法包括:深度解析算法,异常检测算法,智能推理算法,策略生成算法和智能决策算法中的一个或多个。
可选地,所述基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优之前,还包括:
获取无线通信网络原始数据,并进行预处理后,按照不同数据类型进行分类存储;所述不同数据类型的分类存储是基于分布式系统架构实现的。
可选地,所述不同数据类型包括:终端侧无线空口数据,基站侧无线空口数据,核心网数据和网管数据中的一个或多个。
可选地,所述实体库中元素的实体类型包括网络级性能评估指标,用户级性能评估指标,通用非调型数据参数和可调型数据参数中的一个或多个;所述实体间关系库中实体关系包括因果关系,隐式关系和显式关系中的一个或多个。
可选地,所述基于图模型和数据模型的分析算法,确定无线通信网络知识图谱中各实体间新的关系,并分析各实体间关系的关联程度,更新所述实体间关系库,和/或确定无线通信网络知识图谱中新的实体、新的实体类型和新的实体属性中的一个或多个,更新所述实体库,包括:
基于图模型算法,确定无线通信网络知识图谱中各实体间关系的关联程度的量化度量,更新所述实体间关系库;
基于获取的分类后的无线通信网络数据,确定无线通信网络知识图谱中新的实体、新的实体类型、新的实体属性和各实体间新的关系中的一个或多个,更新所述实体库和/或所述实体间关系库。
可选地,所述基于更新后的所述实体库和/或更新后的所述实体间关系库,更新所述无线通信网络知识图谱,包括:
基于无线通信网络协议规定和理论分析算法,以及所述更新后的所述实体库和/或所述实体间关系库,确定需要调优的参数,所述需要调优的参数包括:无线通信网络知识图谱中实体、实体属性的参数和实体间关系的参数中的一个或多个;
基于所述需要调优的参数,更新所述无线通信网络知识图谱。
可选地,所述故障类型包括:实体库中不同元素的故障和实体间关系库中不同元素的故障。
可选地,所述基于所述故障类型以及智能推理算法,确定所述故障类型所属的无线通信网络知识图谱中的实体,包括:
确定所述故障类型所属的实体,所述实体是实体库中特定的元素;
基于所述实体的属性,确定所述实体所在位置、可调性以及影响因素,所述所在位置包括所述实体位于的具体通信层或所处图谱结构的位置,所述影响因素是所述实体和与其存在实体间关系的其他实体对所述实体的影响程度。
可选地,所述智能决策算法包括深度强化学习DRL、马尔可夫决策过程、拟生算法和统计学习算法中的一个或多个。
可选地,所述基于所述改善度以及所述各个智能算法的综合能力评估结果,确定需要调整的智能算法,包括:
若所述最优的调优策略执行后,网络级性能和/或用户级性能的改善度未改变或者降低的情况下,确定各个智能算法的综合能力评估结果;
基于各个智能算法的综合能力评估结果,结合相应的评估准则,确定需要调整的特定智能算法并更新。
在此需要说明的是,本申请实施例提供的上述电子设备,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读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,计算机能够执行上述各实施例所提供的无线通信网络知识图谱的智能分析与应用方法的步骤,例如包括:
基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优;
基于调优后的无线通信网络知识图谱,以及异常检测和智能推理算法,确定无线通信网络异常的诊断定位结果;
基于策略生成算法和所述诊断定位结果,确定若干调优策略,并以调优策略执行效率和效果最好为目标,结合智能决策算法,在若干调优策略中确定一种最优的调优策略,对所述无线通信网络进行调优。
可选地,所述步骤还包括:
基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及所采用的智能算法的综合能力评估结果。
可选地,所述基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优之前,还包括:
获取无线通信网络原始数据,并进行预处理后,按照不同数据类型进行分类存储;所述不同数据类型的分类存储是基于分布式系统架构实现的。
另一方面,本申请实施例还提供一种处理器可读存储介质,所述处理器可读存储介质存储有计算机程序,所述计算机程序用于使所述处理器执行上述各实施例提供的无线通信网络知识图谱的智能分析与应用方法的步骤,例如包括:
基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优;
基于调优后的无线通信网络知识图谱,以及异常检测和智能推理算法,确定无线通信网络异常的诊断定位结果;
基于策略生成算法和所述诊断定位结果,确定若干调优策略,并以调优策略执行效率和效果最好为目标,结合智能决策算法,在若干调优策略中确定一种最优的调优策略,对所述无线通信网络进行调优。
可选地,所述步骤还包括:
基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及所采用的智能算法的综合能力评估结果。
可选地,所述基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优之前,还包括:
获取无线通信网络原始数据,并进行预处理后,按照不同数据类型进行分类存储;所述不同数据类型的分类存储是基于分布式系统架构实现的。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (32)
1.一种无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述系统至少包括:
知识图谱单元、智能溯源单元和调优策略单元;
所述知识图谱单元,用于基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优;
所述智能溯源单元,用于基于调优后的无线通信网络知识图谱,以及异常检测和智能推理算法,确定无线通信网络异常的诊断定位结果;
所述调优策略单元,用于基于策略生成算法和所述诊断定位结果,确定若干调优策略,并以调优策略执行效率和效果最好为目标,结合智能决策算法,在若干调优策略中确定一种最优的调优策略,对所述无线通信网络进行调优。
2.根据权利要求1所述的无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述知识图谱单元至少包括深度解析模块和图谱调优模块;
其中,所述深度解析模块,用于基于图模型和数据模型的分析算法,确定无线通信网络知识图谱中各实体间新的关系,并分析各实体间关系的关联程度,更新实体间关系库,和/或确定无线通信网络知识图谱中新的实体、新的实体类型和新的实体属性中的一个或者多个,更新实体库;
所述图谱调优模块,用于基于更新后的所述实体库和/或更新后的所述实体间关系库,更新所述无线通信网络知识图谱;
所述实体库和所述实体间关系库是基于无线通信网络的内生因素确定的;所述无线通信网络的内生因素包括根据无线通信网络协议规定的指标和数据字段。
3.根据权利要求1所述的无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述智能溯源单元包括异常检测模块和智能推理模块;
其中,所述异常检测模块,用于基于所述调优后的无线通信网络知识图谱,以及异常检测算法,对无线通信网络进行异常检测,确定故障类型;
智能推理模块,用于基于所述故障类型以及智能推理算法,确定所述故障类型所属的无线通信网络知识图谱中的实体。
4.根据权利要求1所述的无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述调优策略单元包括策略生成模块和策略决策模块;
其中,所述策略生成模块,用于基于故障类型所属的无线通信网络知识图谱中的实体,以及策略生成算法,确定若干无线通信网络调优策略;
所述策略决策模块,用于基于智能决策算法,以所述调优策略的执行效率和效果最好为目标,确定一个最优的调优策略,对所述无线通信网络进行调优。
5.根据权利要求1所述的无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述系统还包括性能评估单元;
所述性能评估单元,用于基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及每个单元所采用的智能算法的综合能力评估结果,并反馈给对应单元。
6.根据权利要求5所述的无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述性能评估单元包括网络级性能评估模块和用户级性能评估模块;
其中,所述网络级性能评估模块和用户级性能评估模块用于获取调优后的所述无线通信网络的数据;
确定在网络级性能评估和用户级性能评估两个维度所述调优策略对无线通信网络性能的改善度;
基于所述改善度以及所述智能算法的综合能力评估结果,确定需要调整的智能算法;所述智能算法包括:深度解析算法,异常检测算法,智能推理算法,策略生成算法和智能决策算法中的一个或多个。
7.根据权利要求1或5所述的无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述系统还包括无线数据单元;所述无线数据单元用于获取无线通信网络原始数据,并进行预处理后,按照不同数据类型进行分类存储;所述不同数据类型的分类存储,是基于分布式系统架构实现的。
8.根据权利要求7所述的无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述不同数据类型包括:终端侧无线空口数据,基站侧无线空口数据,核心网数据和网管数据中的一个或者多个。
9.根据权利要求2所述的无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述实体库中元素的实体类型包括网络级性能评估指标,用户级性能评估指标,通用非调型数据参数和可调型数据参数中的一个或多个;所述实体间关系库中实体关系包括因果关系,隐式关系和显式关系中的一个或多个。
10.根据权利要求2所述的无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述基于图模型和数据模型的分析算法,确定无线通信网络知识图谱中各实体间新的关系,并分析各实体间关系的关联程度,更新实体间关系库,和/或确定无线通信网络知识图谱中新的实体、新的实体类型和新的实体属性中的一个或者多个,更新实体库,包括:
基于图模型算法,确定无线通信网络知识图谱中各实体间关系的关联程度的量化度量,更新所述实体间关系库;
基于获取的分类后的无线通信网络数据,确定无线通信网络知识图谱中新的实体、新的实体类型、新的实体属性和各实体间新的关系中的一个或多个,更新所述实体库和/或所述实体间关系库。
11.根据权利要求2所述的无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述基于更新后的所述实体库和/或更新后的所述实体间关系库,更新所述无线通信网络知识图谱,包括:
基于无线通信网络协议规定和理论分析算法,以及所述更新后的所述实体库和/或更新后的所述实体间关系库,确定需要调优的参数,所述需要调优的参数包括:无线通信网络知识图谱中实体、实体属性的参数和实体间关系的参数中的一个或者多个;
基于所述需要调优的参数,更新所述无线通信网络知识图谱。
12.根据权利要求3或4所述的无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述故障类型包括:实体库中不同元素的故障和实体间关系库中不同元素的故障。
13.根据权利要求3所述的无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述基于所述故障类型以及智能推理算法,确定所述故障类型所属的无线通信网络知识图谱中的实体,包括:
确定所述故障类型所属的实体,所述实体是实体库中特定的元素;
基于所述实体的属性,确定所述实体所在位置、可调性以及影响因素,所述所在位置包括所述实体位于的具体通信层或所处图谱结构的位置,所述影响因素是所述实体和与其存在实体间关系的其他实体对所述实体的影响程度。
14.根据权利要求1或4或6所述的无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述智能决策算法包括深度强化学习DRL、马尔可夫决策过程、拟生算法和统计学习算法中的一个或多个。
15.根据权利要求6所述的无线通信网络知识图谱的智能分析与应用系统,其特征在于,所述基于所述改善度以及所述智能算法的综合能力评估结果,确定需要调整的智能算法,包括:
若所述最优的调优策略执行后,网络级性能和/或用户级性能的改善度未改变或降低的情况下,确定各单元采用的智能算法的综合能力评估结果;
基于各单元采用智能算法的综合能力评估结果,结合相应的评估准则,确定需要调整的智能算法并更新。
16.一种无线通信网络知识图谱的智能分析与应用方法,其特征在于,包括:
基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优;
基于调优后的无线通信网络知识图谱,以及异常检测和智能推理算法,确定无线通信网络异常的诊断定位结果;
基于策略生成算法和所述诊断定位结果,确定若干调优策略,并以调优策略执行效率和效果最好为目标,结合智能决策算法,在若干调优策略中确定一种最优的调优策略,对所述无线通信网络进行调优。
17.根据权利要求16所述的无线通信网络知识图谱的智能分析与应用方法,其特征在于,所述基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优,包括:
基于图模型和数据模型的分析算法,确定无线通信网络知识图谱中各实体间新的关系,并分析各实体间关系的关联程度,更新实体间关系库,和/或确定无线通信网络知识图谱中新的实体、新的实体类型和新的实体属性中的一个或者多个,更新实体库;
基于更新后的所述实体库和/或更新后的所述实体间关系库,更新所述无线通信网络知识图谱;
所述实体库和所述实体间关系库是基于无线通信网络的内生因素确定的;所述无线通信网络的内生因素包括根据无线通信网络协议规定的指标和数据字段。
18.根据权利要求16所述的无线通信网络知识图谱的智能分析与应用方法,其特征在于,所述基于调优后的无线通信网络知识图谱,以及异常检测和智能推理算法,确定无线通信网络异常的诊断定位结果,包括:
基于所述调优后的无线通信网络知识图谱,以及异常检测算法,对无线通信网络进行异常检测,确定故障类型;
基于所述故障类型以及智能推理算法,确定所述故障类型所属的无线通信网络知识图谱中的实体。
19.根据权利要求16所述的无线通信网络知识图谱的智能分析与应用方法,其特征在于,所述基于策略生成算法和所述诊断定位结果,确定若干调优策略,并以调优策略执行效率和效果最好为目标,结合智能决策算法,在若干调优策略中确定一种最优的调优策略,对所述无线通信网络进行调优,包括:
基于故障类型所属的无线通信网络知识图谱中的实体,以及策略生成算法,确定若干无线通信网络调优策略;
基于智能决策算法,以所述调优策略的执行效率和效果最好为目标,确定一个最优的调优策略,对所述无线通信网络进行调优。
20.根据权利要求16所述的无线通信网络知识图谱的智能分析与应用方法,其特征在于,所述方法还包括:
基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及所采用的各个智能算法的综合能力评估结果。
21.根据权利要求20所述的无线通信网络知识图谱的智能分析与应用方法,其特征在于,所述基于调优后的无线通信网络,结合调优策略和智能算法的评估模型,确定所述调优策略对无线通信网络在网络级性能和用户级性能的改善度,以及所采用的各个智能算法的综合能力评估结果,包括:
获取调优后的所述无线通信网络的数据;
确定在网络级性能评估和用户级性能评估两个维度所述调优策略对无线通信网络性能的改善度;
基于所述改善度以及所述各个智能算法的综合能力评估结果,确定需要调整的智能算法;所述智能算法包括:深度解析算法,异常检测算法,智能推理算法,策略生成算法和智能决策算法中的一个或多个。
22.根据权利要求16或20所述的无线通信网络知识图谱的智能分析与应用方法,其特征在于,所述基于无线通信网络的内生因素以及图谱构建方法,构建无线通信网络知识图谱,并结合分类后的无线通信网络数据进行深度解析和图谱循环调优之前,还包括:
获取无线通信网络原始数据,并进行预处理后,按照不同数据类型进行分类存储;所述不同数据类型的分类存储是基于分布式系统架构实现的。
23.根据权利要求22所述的无线通信网络知识图谱的智能分析与应用方法,其特征在于,所述不同数据类型包括:终端侧无线空口数据,基站侧无线空口数据,核心网数据和网管数据中的一个或多个。
24.根据权利要求17所述的无线通信网络知识图谱的智能分析与应用方法,其特征在于,所述实体库中元素的实体类型包括网络级性能评估指标,用户级性能评估指标,通用非调型数据参数和可调型数据参数中的一个或多个;所述实体间关系库中实体关系包括因果关系,隐式关系和显式关系中的一个或多个。
25.根据权利要求17所述的无线通信网络知识图谱的智能分析与应用方法,其特征在于,所述基于图模型和数据模型的分析算法,确定无线通信网络知识图谱中各实体间新的关系,并分析各实体间关系的关联程度,更新所述实体间关系库,和/或确定无线通信网络知识图谱中新的实体、新的实体类型和新的实体属性中的一个或多个,更新所述实体库,包括:
基于图模型算法,确定无线通信网络知识图谱中各实体间关系的关联程度的量化度量,更新所述实体间关系库;
基于获取的分类后的无线通信网络数据,确定无线通信网络知识图谱中新的实体、新的实体类型、新的实体属性和各实体间新的关系中的一个或多个,更新所述实体库和/或所述实体间关系库。
26.根据权利要求17所述的无线通信网络知识图谱的智能分析与应用方法,其特征在于,所述基于更新后的所述实体库和/或更新后的所述实体间关系库,更新所述无线通信网络知识图谱,包括:
基于无线通信网络协议规定和理论分析算法,以及所述更新后的所述实体库和/或所述实体间关系库,确定需要调优的参数,所述需要调优的参数包括:无线通信网络知识图谱中实体、实体属性的参数和实体间关系的参数中的一个或多个;
基于所述需要调优的参数,更新所述无线通信网络知识图谱。
27.根据权利要求18或19所述的无线通信网络知识图谱的智能分析与应用方法,其特征在于,所述故障类型包括:实体库中不同元素的故障和实体间关系库中不同元素的故障。
28.根据权利要求18所述的无线通信网络知识图谱的智能分析与应用方法,其特征在于,所述基于所述故障类型以及智能推理算法,确定所述故障类型所属的无线通信网络知识图谱中的实体,包括:
确定所述故障类型所属的实体,所述实体是实体库中特定的元素;
基于所述实体的属性,确定所述实体所在位置、可调性以及影响因素,所述所在位置包括所述实体位于的具体通信层或所处图谱结构的位置,所述影响因素是所述实体和与其存在实体间关系的其他实体对所述实体的影响程度。
29.根据权利要求16或19或21所述的无线通信网络知识图谱的智能分析与应用方法,其特征在于,所述智能决策算法包括深度强化学习DRL、马尔可夫决策过程、拟生算法和统计学习算法中的一个或多个。
30.根据权利要求21所述的无线通信网络知识图谱的智能分析与应用方法,其特征在于,所述基于所述改善度以及所述各个智能算法的综合能力评估结果,确定需要的调整的智能算法,包括:
若所述最优的调优策略执行后,网络级性能和/或用户级性能的改善度未改变或者降低的情况下,确定各个智能算法的综合能力评估结果;
基于各个智能算法的综合能力评估结果,结合相应的评估准则,确定需要调整的特定智能算法并更新。
31.一种电子设备,包括存储器,收发机,处理器;
存储器,用于存储计算机程序;收发机,用于在所述处理器的控制下收发数据;处理器,用于执行所述存储器中的计算机程序并实现如权利要求16至30任一项所述的无线通信网络知识图谱的智能分析与应用方法的步骤。
32.一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存储有计算机程序,所述计算机程序用于使计算机执行权利要求16至30任一项所述的无线通信网络知识图谱的智能分析与应用方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210144211.7A CN114205852B (zh) | 2022-02-17 | 2022-02-17 | 无线通信网络知识图谱的智能分析与应用系统及方法 |
PCT/CN2022/128902 WO2023155481A1 (zh) | 2022-02-17 | 2022-11-01 | 无线通信网络知识图谱的智能分析与应用系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210144211.7A CN114205852B (zh) | 2022-02-17 | 2022-02-17 | 无线通信网络知识图谱的智能分析与应用系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114205852A CN114205852A (zh) | 2022-03-18 |
CN114205852B true CN114205852B (zh) | 2022-05-03 |
Family
ID=80645570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210144211.7A Active CN114205852B (zh) | 2022-02-17 | 2022-02-17 | 无线通信网络知识图谱的智能分析与应用系统及方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114205852B (zh) |
WO (1) | WO2023155481A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114205852B (zh) * | 2022-02-17 | 2022-05-03 | 网络通信与安全紫金山实验室 | 无线通信网络知识图谱的智能分析与应用系统及方法 |
CN117421642B (zh) * | 2023-12-18 | 2024-03-12 | 电子科技大学 | 基于深度学习的智能检波器数据存储方法及相关设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978052A (zh) * | 2019-03-25 | 2019-07-05 | 北京快电科技有限公司 | 一种用户侧能源设备智慧检修方法 |
CN111010311A (zh) * | 2019-11-25 | 2020-04-14 | 江苏艾佳家居用品有限公司 | 一种基于知识图谱的智能网络故障诊断方法 |
CN112446144A (zh) * | 2020-11-17 | 2021-03-05 | 哈工大机器人(合肥)国际创新研究院 | 一种大型回转机组故障诊断方法及装置 |
CN112714032A (zh) * | 2021-03-29 | 2021-04-27 | 网络通信与安全紫金山实验室 | 无线网络协议知识图谱构建分析方法、系统、设备及介质 |
CN113259972A (zh) * | 2021-06-08 | 2021-08-13 | 网络通信与安全紫金山实验室 | 基于无线通信网络数据仓库构建方法、系统、设备及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019242004A1 (en) * | 2018-06-22 | 2019-12-26 | Nokia Shanghai Bell Co., Ltd. | Method, apparatus and computer readable media for network optimization |
CN111191851B (zh) * | 2020-01-03 | 2023-06-23 | 中国科学院信息工程研究所 | 一种基于知识图谱的数据中心能效优化方法 |
CN113453257B (zh) * | 2021-08-30 | 2021-12-28 | 网络通信与安全紫金山实验室 | 无线通信网络性能优化方法及装置 |
CN114205852B (zh) * | 2022-02-17 | 2022-05-03 | 网络通信与安全紫金山实验室 | 无线通信网络知识图谱的智能分析与应用系统及方法 |
-
2022
- 2022-02-17 CN CN202210144211.7A patent/CN114205852B/zh active Active
- 2022-11-01 WO PCT/CN2022/128902 patent/WO2023155481A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978052A (zh) * | 2019-03-25 | 2019-07-05 | 北京快电科技有限公司 | 一种用户侧能源设备智慧检修方法 |
CN111010311A (zh) * | 2019-11-25 | 2020-04-14 | 江苏艾佳家居用品有限公司 | 一种基于知识图谱的智能网络故障诊断方法 |
CN112446144A (zh) * | 2020-11-17 | 2021-03-05 | 哈工大机器人(合肥)国际创新研究院 | 一种大型回转机组故障诊断方法及装置 |
CN112714032A (zh) * | 2021-03-29 | 2021-04-27 | 网络通信与安全紫金山实验室 | 无线网络协议知识图谱构建分析方法、系统、设备及介质 |
CN113259972A (zh) * | 2021-06-08 | 2021-08-13 | 网络通信与安全紫金山实验室 | 基于无线通信网络数据仓库构建方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023155481A1 (zh) | 2023-08-24 |
CN114205852A (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114205852B (zh) | 无线通信网络知识图谱的智能分析与应用系统及方法 | |
Polese et al. | ColO-RAN: Developing machine learning-based xApps for open RAN closed-loop control on programmable experimental platforms | |
US12045316B2 (en) | Automatic labeling of telecommunication network data to train supervised machine learning | |
US11811588B2 (en) | Configuration management and analytics in cellular networks | |
Chen et al. | Minimizing age of incorrect information for unreliable channel with power constraint | |
US20200127901A1 (en) | Service aware uplink quality degradation detection | |
Mahmood et al. | A functional architecture for 6g special-purpose industrial iot networks | |
Medeiros et al. | A survey on data analysis on large-Scale wireless networks: online stream processing, trends, and challenges | |
US20210304061A1 (en) | Model interpretability using proxy features | |
Farooq et al. | Machine learning aided holistic handover optimization for emerging networks | |
CN113453257B (zh) | 无线通信网络性能优化方法及装置 | |
Zhao et al. | SNAP: A communication efficient distributed machine learning framework for edge computing | |
Gijón et al. | Estimating pole capacity from radio network performance statistics by supervised learning | |
Muñoz et al. | A method for identifying faulty cells using a classification tree-based UE diagnosis in LTE | |
CN114698016A (zh) | 一种质差小区网络故障检测方法及装置 | |
Eritmen et al. | Distributed decision fusion over fading channels in hierarchical wireless sensor networks | |
Maaloul et al. | An efficient handover decision making for heterogeneous wireless connectivity management | |
CN117376084A (zh) | 故障检测方法、电子设备及其介质 | |
TWI607665B (zh) | 在協作無線網路中指定回載鏈之方法 | |
Li et al. | Learning to Transmit with Provable Guarantees in Wireless Federated Learning | |
Sanghavi et al. | Message passing for max-weight independent set | |
Cilínio et al. | Explainable Fault Analysis in Mobile Networks: A SHAP-Based Supervised Clustering Approach | |
Mary et al. | Reinforcement Learning for Physical Layer Communications | |
Ioannou et al. | Optimization of the D2D Topology Formation Using a Novel Two-Stage Deep ML Approach for 6G Mobile Networks | |
US20230047057A1 (en) | Automatically using configuration management analytics in cellular networks |
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 |