CN114338421B - 数据采集优化方法、装置、存储介质及电子设备 - Google Patents

Abstract

本公开提供了一种数据采集优化方法、装置、存储介质及电子设备，涉及网络通信技术领域。该方法应用于网络数据分析功能NWDAF，包括：将从数据源采集的数据根据数据信息保留百分比进行预处理，生成预处理数据；将预处理数据使用降维方法进行相关性分析，计算数据维度参数；发送数据维度参数及降维方法给数据收集协调功能DCCF，以便DCCF将从数据源采集的数据根据数据维度参数及降维方法进行降维后发送至NWDAF。本公开实施例能够对数据进行降维有效地减少冗余信息所造成的误差，降低计算维度及计算资源成本。

Description

数据采集优化方法、装置、存储介质及电子设备

技术领域

本公开涉及网络通信技术领域，尤其涉及一种数据采集优化方法、装置、存储介质及电子设备。

背景技术

NWDAF(Network Data Analytics Function，网络数据分析功能)是一个数据感知分析网元，以网络数据为基础对网络进行自动感知和分析，并参与到网络规划、建设、运维、网优、运营全生命周期中，使得网络易于维护和控制，提高网络资源使用效率，提升用户业务体验。

当前5G标准中关于NWDAF从数据源中采集数据的方法是比较死板的，当不同分析事件采集相同数据时需要从数据源二次采集；且针对同一个分析事件的数据进行数据采集时，采集传输的是分析事件预定义的参数集合，不能调整某一分析事件的数据参数维度，会产生计算维度高，计算资源大，噪声大、数据采集占用的网络传输资源大等问题，且数据中包含有冗余信息以及噪声信息，在实际应用中造成了误差，也降低了数据采集的准确率、对样本有价值信息的处理速度慢。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供一种数据采集优化方法、装置、存储介质及电子设备，至少在一定程度上克服相关技术中数据采集计算维度高，计算资源大的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的一个方面，提供了一种数据采集优化方法，应用于网络数据分析功能NWDAF，包括：

将从数据源采集的数据根据数据信息保留百分比进行预处理，生成预处理数据；

将所述预处理数据使用降维方法进行相关性分析，计算数据维度参数；

发送所述数据维度参数及所述降维方法给数据收集协调功能DCCF，以便DCCF将从数据源采集的数据根据所述数据维度参数及所述降维方法进行降维后发送至NWDAF。

在本公开的一个实施例中，还包括：

将所述预处理数据使用降维方法进行相关性分析，生成分析结果数据；

根据所述分析结果数据，调整数据信息保留百分比。

在本公开的一个实施例中，所述将从数据源采集的数据根据数据信息保留百分比进行预处理，生成预处理数据之前，还包括：

通过DCCF向数据源发送订阅请求消息，所述订阅请求消息中包括分析事件标识，以便数据源根据所述分析事件标识收集处理与所述分析事件标识有关的数据。

在本公开的一个实施例中，所述将所述预处理数据使用降维方法进行相关性分析，计算数据维度参数包括：

将所述预处理数据进行离散化处理；

将离散化处理的所述预处理数据按列组成矩阵，计算协方差矩阵、特征值及对应的特征向量；

根据所述特征值及对应的所述特征向量计算所述数据维度参数。

在本公开的一个实施例中，还包括：发送降维标识给DCCF，以便DCCF根据降维标识获取相关降维信息。

在本公开的一个实施例中，所述降维方法为主成分分析PCA。

在本公开的一个实施例中，数据源包括网络文件系统或操作维护管理。

根据本公开的另一个方面，还提供了一种数据采集优化装置，包括：

数据处理模块，将从数据源采集的数据根据数据信息保留百分比进行预处理，生成预处理数据；

降维分析模块，将所述预处理数据使用降维方法进行相关性分析，计算数据维度参数；

降维发送模块，发送所述数据维度参数及所述降维方法给数据收集协调功能DCCF，以便DCCF将从数据源采集的数据，根据所述数据维度参数及所述降维方法进行降维后发送至NWDAF。

根据本公开的另一个方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述数据采集优化方法。

根据本公开的另一个方面，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实现上述任意一项所述的数据采集优化方法。

本公开的实施例所提供的一种数据采集优化方法、装置、存储介质及电子设备，通过将从数据源采集的数据根据数据信息保留百分比进行预处理，生成预处理数据；将预处理数据使用降维方法进行相关性分析，计算数据维度参数；发送数据维度参数及降维方法给数据收集协调功能DCCF，以便DCCF将从数据源采集的数据根据数据维度参数及降维方法进行降维后发送至NWDAF。本公开实施例能够对数据进行降维有效地减少冗余信息所造成的误差，降低计算维度及计算资源成本。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开实施例中一种数据采集优化方法流程图；

图2示出本公开实施例中一种使用降维方法进行相关性分析计算数据维度参数方法流程图；

图3示出本公开实施例中一种调整数据信息保留百分比方法流程图；

图4示出本公开实施例中一种数据采集优化装置示意图；

图5示出本公开实施例中一种基于NWDAF及DCCF的数据采集架构示意图；

图6示出本公开实施例中一种NWDAF数据相关性分析与DCCF降维流程示意图；

图7示出本公开实施例中一种NWDAF数据相关性分析与DCCF降维更新流程示意图；和

图8示出本公开实施例中一种电子设备的结构框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

为了便于理解，下面首先对本公开涉及到的几个名词进行解释如下：

NWDAF(Network Data Analytics Function，网络数据分析功能)是一个数据感知分析网元，以网络数据为基础对网络进行自动感知和分析。

NFS(Network File System，网络文件系统)是文件系统之上的一个网络抽象，来允许远程客户端以与本地文件系统类似的方式，来通过网络进行访问。

OAM(Operation Administration and Maintenance，操作维护管理)是指根据运营商网络运营的实际需要，通常将网络的管理工作划分为3大类：操作、管理及维护。

PCA(principal components analysis，主成分分析技术)是一个线性变换；这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推；主成分分析经常用于减少数据集的维数，同时保持数据集的对方差贡献最大的特征。

下面结合附图及实施例对本示例实施方式进行详细说明。

本公开实施例中提供了一种数据采集优化方法，该方法可以由任意具备计算处理能力的电子设备执行。

图1示出本公开实施例中一种数据采集优化方法流程图，如图1所示，本公开实施例中提供的数据采集优化方法，应用于网络数据分析功能NWDAF，包括如下步骤：

S102，将从数据源采集的数据根据数据信息保留百分比进行预处理，生成预处理数据。

在一个实施例中，数据源包括但不限于网络文件系统或操作维护管理等；需要说明的是，网络文件系统(Network File System，NFS)是文件系统之上的一个网络抽象，来允许远程客户端以与本地文件系统类似的方式，来通过网络进行访问；操作维护管理(Operation Administration and Maintenance，OAM)是指根据运营商网络运营的实际需要，通常将网络的管理工作划分为3大类：操作、管理及维护。

需要说明的是，NWDAF是一个数据感知分析网元，以网络数据为基础对网络进行自动感知和分析。

在一个实施例中，默认数据信息保留百分比t＝99％，可手动或自动对默认数据保留百分比进行调整。需要说明的是，可根据预处理数据使用降维方法进行相关性分析生成的分析结果数据，调整数据信息保留百分比。

S104，将预处理数据使用降维方法进行相关性分析，计算数据维度参数。

在一个实施例中，降维方法可以是线性降维方法，也可以是非线性降维方法。

需要说明的是，线性降维方法基于线性映射处理线性数据的方法；非线性降维方法又分为基于核函数的非线性降维方法及基于特征值的非线性降维方法。基于线性映射处理线性数据的方法可以是但不限于是主成分分析PCA、线性判别分析LDA、独立成分分析ICA等；基于核函数的非线性降维方法可以是但不限于是核主成分分析KPCA；基于特征值的非线性降维方法可以是但不限于是局部线性嵌入LLE等。

S106，发送数据维度参数及降维方法给数据收集协调功能DCCF，以便DCCF将从数据源采集的数据根据数据维度参数及降维方法进行降维后发送至NWDAF。

在本公开的一个实施例中，还包括：发送降维标识给DCCF，以便DCCF根据降维标识获取相关降维信息。

在一个实施例中，NWDAF发送Ndccf_DataManagement_Fetch Request请求给DCCF，数据降维请求包含：降维标识、降维方法、目标数据维度。例如，与分析事件标识相关的数据的降维标识为1、降维方法为PCA、目标数据维度为30；则降维标识＝1，降维方法＝PCA，目标数据维度＝30，每个文本特征的离散化取值；DCCF向NWDAF返回Ndccf_DataManagement_Fetch Response消息；NF根据降维标识处理与降维标识相关的数据，对数据进行数据处理；NF采集后续的数据上传至DCCF；DCCF处理时使用PCA将数据维度降为目标数据维度；将降为目标数据维度的数据上传至NWDAF；例如计算目标数据维度为30，则将数据维度降为30上传至NWDAF。

在一个实施例中，将从数据源采集的数据根据数据信息保留百分比进行预处理，生成预处理数据之前，还包括：通过DCCF向数据源发送订阅请求消息，订阅请求消息中包括分析事件标识，以便数据源根据分析事件标识收集处理与分析事件标识有关的数据。

在一个实施例中，NWDAF向DCCF发送Ndccf_DataManagement_Subscribe消息；DCCF向NF发送Nnf_EventExposure_Subscribe消息；分析事件标识可以是但不限于是NF loadinformation；NF向DCCF返回Nnf_EventExposure_Notify消息，DCCF向NWDAF返回Ndccf_DataManagement_Notify消息，指示订阅成功；NF根据分析事件标识收集并处理与分析事件标识相关的数据；再通过DCCF向NWDAF发送Notification_notifyFileReady消息通知其数据处理完毕；最后将与分析事件标识相关的数据上传至DCCF。

上述实施例中，通过NWDAF进行数据相关性分析、NWDAF与DCCF间协商机制使DCCF对数据源上传的数据进行降维，使得数据集更易使用；在不影响分析结果的同时，降低计算资源开销，去除噪声，加快对样本有价值信息的处理速度；同时减少数据采集占用的网络传输资源。

图2示出本公开实施例中一种使用降维方法进行相关性分析计算数据维度参数方法流程图，如图2所示，本公开实施例中提供的使用降维方法进行相关性分析计算数据维度参数方法，包括如下步骤：

S202，将预处理数据进行离散化处理。

需要说明的是，降维方法可以是但不限于是主成分分析PCA，本公开实施例以PCA为例进行介绍。

需要说明的是，PCA(principal components analysis，主成分分析)是一个线性变换；这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推；主成分分析经常用于减少数据集的维数，同时保持数据集的对方差贡献最大的特征。

需要说明的是，预处理数据为标准分析事件定义的数据采集列表的全集，数据维度为n；将预处理数据保留k个特征，k<n；其中，其中k的取值同时依赖于分析结果与先验知识；设有m条n维数据。

在一个实施例中，对预处理数据进行数据处理，将文本数据离散化转换成0或1，使得所有数据均可被计算。

S204，将离散化处理的预处理数据按列组成矩阵，计算协方差矩阵、特征值及对应的特征向量。

在一个实施例中，将离散化处理的预处理数据按列组成n行m列矩阵X；

将矩阵X的每一行进行零均值化，即减去这一行的均值；

求出协方差矩阵C：

求出协方差矩阵的特征值及对应的特征向量。

S206，根据特征值及对应的特征向量计算数据维度参数。

在一个实施例中，将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P,k取值方法如下：

向下遍历区间[m,k]中所有整数，找到最小k值使得数据信息保留百分比大于或等于设定的值；

最后，降维到k维后的数据Y为：Y＝PX，最小k值为数据维度参数。

上述实施例中，使用降维方法PCA进行相关性分析，计算数据维度参数方法，使得数据集更易使用、降低算法的计算资源开销及加快对样本有价值信息的处理速度。

图3示出本公开实施例中一种调整数据信息保留百分比方法流程图，如图3所示，本公开实施例中提供的调整数据信息保留百分比方法，包括如下步骤：

S302，将预处理数据使用降维方法进行相关性分析，生成分析结果数据；

S304，根据分析结果数据，调整数据信息保留百分比。

需要说明的是，例如，NWDAF从数据源接收的数据的数据维度k为50，将数据根据默认数据信息保留百分比t＝99％进行处理，当正常数据分析过程中NWDAF发现在不影响分析结果的前提下，数据信息保留百分比可以降低，调整数据信息保留百分比t＝95％，通过计算发现当保留30个特征时分析效果与全特征分析效果差异较小，则目标数据维度k1更新为30；NF采集后续的数据上传至DCCF；DCCF处理时使用PCA进行降维，目标数据维度k1为30。

上述实施例中，根据预处理数据使用降维方法生成的分析结果数据，调整数据信息保留百分比，在不影响分析结果的同时，降低算法的计算资源开销，去除噪声，加快对样本有价值信息的处理速度。

基于同一发明构思，本公开实施例中还提供了一种数据采集优化装置，如下面的实施例。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。

图4示出本公开实施例中一种数据采集优化装置示意图，如图4所示，本公开实施例中提供的数据采集优化装置4包括：数据处理模块401、降维分析模块402、降维发送模块403；

数据处理模块401，将从数据源采集的数据根据数据信息保留百分比进行预处理，生成预处理数据；

降维分析模块402，将预处理数据使用降维方法进行相关性分析，计算数据维度参数；

降维发送模块403，发送数据维度参数及降维方法给数据收集协调功能DCCF，以便DCCF将从数据源采集的数据，根据数据维度参数及降维方法进行降维后发送至NWDAF。

上述实施例中，通过NWDAF进行数据相关性分析、NWDAF与DCCF间协商机制使DCCF只从NFs或OAM中采集价值较高的数据，通过对数据的降维，使得数据集更易使用；在不影响分析结果的同时，降低算法的计算资源开销，去除噪声，加快对样本有价值信息的处理速度；同时减少数据采集占用的网络传输资源。

图5示出本公开实施例中一种基于NWDAF及DCCF的数据采集架构示意图，如图5所示，该数据采集架构包括：NWDAF501、DCCF502及数据源NF503；

NWDAF501向DCCF502发送NDCCF订阅请求消息，DCCF502向NF503发送NNF订阅请求消息；NF503向DCCF502返回NNF订阅响应消息，DCCF502向NWDAF501返回NDCCF订阅响应消息，指示订阅成功；

NF503根据分析事件标识收集并处理与分析事件标识相关的数据；通过DCCF502向NWDAF501发送通知消息通知其数据处理完毕；将与分析事件标识相关的数据上传至DCCF502；

NWDAF501将数据根据默认数据信息保留百分比进行预处理，生成预处理数据；将预处理数据使用PCA进行相关性分析，计算数据维度参数；NWDAF501发送NDCCF降维请求给DCCF502，数据降维请求包含：降维标识、降维方法、目标数据维度；DCCF502向NWDAF501返回NDCCF降维响应消息；

NF503根据降维标识处理与降维标识相关的数据，对数据进行数据处理；采集后续的数据上传至DCCF502；

DCCF502处理时使用PCA将数据维度降为目标数据维度；将降为目标数据维度的数据上传至NWDAF501。

上述实施例中，NWDAF501通过NDCCF消息与DCCF502进行通信；DCCF502通过NNF消息与NF503进行通信，NWDAF501与DCCF502间协商机制使DCCF502从NFS503中采集价值较高的数据，通过对数据的降维，使得数据集更易使用。

图6示出本公开实施例中一种NWDAF数据相关性分析与DCCF降维流程示意图，如图6所示，该NWDAF数据相关性分析与DCCF降维流程包括：

S602，NWDAF通过DCCF向NF发送订阅请求消息，订阅请求消息中包括分析事件标识，NF接收订阅请求消息。

需要说明的是，NWDAF向DCCF发送Ndccf_DataManagement_Subscribe消息；DCCF向NF发送Nnf_EventExposure_Subscribe消息；分析事件标识可以是但不限于是NF loadinformation。

S604，NF通过DCCF返回订阅响应消息。

需要说明的是，NF向DCCF返回Nnf_EventExposure_Notify消息，DCCF向NWDAF返回Ndccf_DataManagement_Notify消息，指示订阅成功。

S606，NF根据分析事件标识收集并处理与分析事件标识相关的数据；

S608，NF通过DCCF向NWDAF发送Notification_notifyFileReady消息通知其数据处理完毕；

S610，NF将与分析事件标识相关的数据上传至DCCF；

S612，NWDAF将数据根据默认数据信息保留百分比进行处理，生成预处理数据；将预处理数据使用PCA进行相关性分析，计算数据维度参数。

在一个实施例中，默认数据信息保留百分比t＝99％，可手动或自动对默认数据保留百分比进行调整。

在一个实施例中，NWDAF在不影响分析结果的前提下，对预处理数据进行数据降维，降维方法包括但不限于PCA，本公开实施例以PCA为例进行介绍。

预处理数据为标准分析事件定义的数据采集列表的全集，数据维度为n；将预处理数据保留k个特征，k<n；其中，其中k的取值同时依赖于分析结果与先验知识；

将预处理数据使用PCA进行相关性分析过程如下：

设有m条n维数据。

首先，对预处理数据进行数据处理，将文本数据离散化转换成0或1，使得所有数据均可被计算；

其次，将原始数据按列组成n行m列矩阵X；

将矩阵X的每一行进行零均值化，即减去这一行的均值；

求出协方差矩阵C：

求出协方差矩阵的特征值及对应的特征向量；将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P,k取值方法如下：

向下遍历区间[m,k]中所有整数，找到最小k值使得数据信息保留百分比大于或等于设定的值；

最后，降维到k维后的数据Y为：Y＝PX，最小k值为数据维度参数。

需要说明的是，例如，NWDAF从数据源接收的数据的数据维度为50，将数据根据默认数据信息保留百分比t＝99％进行处理，通过计算发现当保留30个特征时分析效果与全特征分析效果差异较小，则目标数据维度为30。

S614，NWDAF发送数据降维请求给DCCF。

需要说明的是，NWDAF发送Ndccf_DataManagement_Fetch Request请求给DCCF，数据降维请求包含：降维标识、降维方法、目标数据维度。例如，与分析事件标识相关的数据的降维标识为1、降维方法为PCA、目标数据维度为30；则降维标识＝1，降维方法＝PCA，目标数据维度＝30，每个文本特征的离散化取值。

S616，DCCF向NWDAF返回数据降维响应。

需要说明的是，DCCF向NWDAF返回Ndccf_DataManagement_Fetch Response消息。

S618，NF根据降维标识处理与降维标识相关的数据，对数据进行数据处理；

S620，NF采集后续的数据上传至DCCF；

S622，DCCF处理时使用PCA将数据维度降为目标数据维度；

S624，将降为目标数据维度的数据上传至NWDAF。

需要说明的是，例如S614中计算目标数据维度为30，则将数据维度降为30上传至NWDAF。

上述实施例中，通过NWDAF进行数据相关性分析、NWDAF与DCCF间协商机制使DCCF只从NFs或OAM中采集价值较高的数据，通过对数据的降维，使得数据集更易使用；在不影响分析结果的同时，降低算法的计算资源开销，去除噪声，加快对样本有价值信息的处理速度；同时减少数据采集占用的网络传输资源。

图7示出本公开实施例中一种NWDAF数据相关性分析与DCCF降维更新流程示意图，如图7所示，该NWDAF数据相关性分析与DCCF降维更新流程包括：

S702，通过NWDAF、DCCF及NF进行数据采集；

S704，在正常数据分析过程中，NWDAF根据分析结果发现数据信息保留百分比可以降低，在不影响分析结果的前提下，调整数据信息保留百分比。

需要说明的是，数据信息保留百分比小于默认数据信息保留百分比；例如，在正常数据分析过程中，NWDAF根据分析结果发现数据信息保留百分比可以降低，在不影响分析结果的前提下，调整数据信息保留百分比为95％。

S706，NWDAF向DCCF发送数据降维更新请求，数据降维更新请求包括降维标识及更新目标数据维度。

在一个实施例中，NWDAF发送Ndccf_DataManagement_Fetch Request请求给DCCF。

需要说明的是，例如，通过计算保留20个特征时分析效果与全特征分析效果差异较小，则数据降维更新请求包括：降维标识＝1，更新目标数据维度＝20。

S708，DCCF向NWDAF返回数据降维响应；

S710，DCCF从NF采集后续的数据；

S712，DCCF处理时使用PCA将数据维度降为更新目标数据维度；

S714，将降为更新目标数据维度的数据上传至NWDAF。

需要说明的是，DCCF从NF采集后续的数据，将采集的数据使用PCA将数据维度降为更新目标数据维度；例如，目标数据维度为20，则将数据维度为20的数据上传至NWDAF。

上述实施例中，使用降维方法进行相关性分析，计算数据维度参数方法，使得数据集更易使用、降低算法的计算资源开销及加快对样本有价值信息的处理速度。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行上述方法实施例的如下步骤：将从数据源采集的数据根据数据信息保留百分比进行预处理，生成预处理数据；将所述预处理数据使用降维方法进行相关性分析，计算数据维度参数；发送所述数据维度参数及所述降维方法给数据收集协调功能DCCF，以便DCCF将从数据源采集的数据根据所述数据维度参数及所述降维方法进行降维后发送至NWDAF。

所述处理单元810还可以执行上述方法实施例的如下步骤：NWDAF通过DCCF向NF发送订阅请求消息，所述订阅请求消息中包括分析事件标识，NF接收订阅请求消息；NF通过DCCF返回订阅响应消息；NF根据分析事件标识收集并处理与分析事件标识相关的数据；NF通过DCCF向NWDAF发送Notification_notifyFileReady消息通知其数据处理完毕；NF将与分析事件标识相关的数据上传至DCCF；

NWDAF将数据根据默认数据信息保留百分比进行处理，生成预处理数据；将所述预处理数据使用PCA进行相关性分析，计算数据维度参数；NWDAF发送数据降维请求给DCCF；DCCF向NWDAF返回数据降维响应；

NF根据降维标识处理与降维标识相关的数据，对数据进行数据处理；NF采集后续的数据上传至DCCF；DCCF处理时使用PCA将数据维度降为目标数据维度；将降为目标数据维度的数据上传至NWDAF。

所述处理单元810还可以执行上述方法实施例的如下步骤：将预处理数据进行离散化处理；将离散化处理的预处理数据按列组成矩阵，计算协方差矩阵、特征值及对应的特征向量。

所述处理单元810还可以执行上述方法实施例的如下步骤：将预处理数据使用降维方法进行相关性分析，生成分析结果数据；根据分析结果数据，调整数据信息保留百分比。

所述处理单元810还可以执行上述方法实施例的如下步骤：通过NWDAF、DCCF及NF进行数据采集；在正常数据分析过程中，NWDAF根据分析结果发现数据信息保留百分比可以降低，在不影响分析结果的前提下，调整数据信息保留百分比；NWDAF向DCCF发送数据降维更新请求，数据降维更新请求包括降维标识及更新目标数据维度；DCCF向NWDAF返回数据降维响应；DCCF从NF采集后续的数据；DCCF处理时使用PCA将数据维度降为更新目标数据维度；将降为更新目标数据维度的数据上传至NWDAF。

存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备800也可以与一个或多个外部设备840(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。其上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种数据采集优化方法，其特征在于，应用于网络数据分析功能NWDAF，包括：

将从数据源采集的数据根据数据信息保留百分比进行预处理，生成预处理数据；

将所述预处理数据使用降维方法进行相关性分析，计算数据维度参数；

发送所述数据维度参数及所述降维方法给数据收集协调功能DCCF，以便DCCF将从数据源采集的数据根据所述数据维度参数及所述降维方法进行降维后发送至NWDAF。

2.根据权利要求1所述的数据采集优化方法，其特征在于，还包括：

将所述预处理数据使用降维方法进行相关性分析，生成分析结果数据；

根据所述分析结果数据，调整数据信息保留百分比。

3.根据权利要求1所述的数据采集优化方法，其特征在于，所述将从数据源采集的数据根据数据信息保留百分比进行预处理，生成预处理数据之前，还包括：

通过DCCF向数据源发送订阅请求消息，所述订阅请求消息中包括分析事件标识，以便数据源根据所述分析事件标识收集处理与所述分析事件标识有关的数据。

4.根据权利要求1所述的数据采集优化方法，其特征在于，所述将所述预处理数据使用降维方法进行相关性分析，计算数据维度参数包括：

将所述预处理数据进行离散化处理；

将离散化处理的所述预处理数据按列组成矩阵，计算协方差矩阵、特征值及对应的特征向量；

根据所述特征值及对应的所述特征向量计算所述数据维度参数。

5.根据权利要求1所述的数据采集优化方法，其特征在于，还包括：发送降维标识给DCCF，以便DCCF根据降维标识获取相关降维信息。

6.根据权利要求1至5中任意一项所述的数据采集优化方法，其特征在于，所述降维方法为主成分分析PCA。

7.根据权利要求1至5中任意一项所述的数据采集优化方法，其特征在于，数据源包括网络文件系统或操作维护管理。

8.一种数据采集优化装置，其特征在于，包括：

数据处理模块，将从数据源采集的数据根据数据信息保留百分比进行预处理，生成预处理数据；

降维分析模块，将所述预处理数据使用降维方法进行相关性分析，计算数据维度参数；

降维发送模块，发送所述数据维度参数及所述降维方法给数据收集协调功能DCCF，以便DCCF将从数据源采集的数据，根据所述数据维度参数及所述降维方法进行降维后发送至NWDAF。

9.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～7中任意一项所述数据采集优化方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任意一项所述的数据采集优化方法。