CN114443234A - 数据分析方法、装置、nwdaf组群及可读存储介质 - Google Patents

数据分析方法、装置、nwdaf组群及可读存储介质 Download PDF

Info

Publication number
CN114443234A
CN114443234A CN202011126754.3A CN202011126754A CN114443234A CN 114443234 A CN114443234 A CN 114443234A CN 202011126754 A CN202011126754 A CN 202011126754A CN 114443234 A CN114443234 A CN 114443234A
Authority
CN
China
Prior art keywords
model
data analysis
nwdaf
data
task
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
Application number
CN202011126754.3A
Other languages
English (en)
Inventor
朱艳宏
孙滔
李琴
李唯源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Communications Ltd Research Institute filed Critical China Mobile Communications Group Co Ltd
Priority to CN202011126754.3A priority Critical patent/CN114443234A/zh
Publication of CN114443234A publication Critical patent/CN114443234A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种数据分析方法、装置、NWDAF组群及可读存储介质，属于通信技术领域。具体实现方案包括：一种数据分析装置包括：调度中心，用于根据数据分析任务的需求，从模型共享平台获取共享模型；NWDAF单元，用于对所述共享模型进行修正，得到满足所述数据分析任务的需求的第一数据分析模型，并利用所述第一数据分析模型进行数据分析。根据本发明实施例中的方案，可以借助修正共享模型来得到满足任务需求的数据分析模型，从而扩大共享模型的适用范围，提高模型共享率。

Description

数据分析方法、装置、NWDAF组群及可读存储介质
技术领域
本发明属于通信技术领域，具体涉及一种数据分析方法、装置、NWDAF组群及可读存储介质。
背景技术
目前，当网络数据分析功能(Network Data Analytics Function，NWDAF)用户有服务需求时，NWDAF可以发起模型请求，以获取满足服务需求的共享模型来进行数据分析。这种情况下，由于一个具体的模型的适用范围较小，将会造成模型共享率较低。
发明内容
本发明实施例的目的是提供一种数据分析方法、装置、NWDAF组群及可读存储介质，能够解决目前利用共享模型进行数据分析时的模型共享率较低的问题。
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数据分析装置，应用于NWDAF组群，包括：
调度中心，用于根据数据分析任务的需求，从模型共享平台获取共享模型；
NWDAF单元，用于对所述共享模型进行修正，得到满足所述数据分析任务的需求的第一数据分析模型，并利用所述第一数据分析模型进行数据分析。
可选的，所述NWDAF单元包括：
第一获取子单元，用于根据所述数据分析任务的需求，获取第一训练数据；
第一训练子单元，用于利用所述第一训练数据对所述共享模型进行迁移学习训练，得到所述第一数据分析模型。
可选的，所述装置包括多个NWDAF单元；
所述调度中心还用于：根据任务调度情况，从所述多个NWDAF单元中选择目标NWDAF单元；
所述目标NWDAF单元用于：对所述共享模型进行修正，得到满足所述数据分析任务的需求的第一数据分析模型，并利用所述第一数据分析模型进行数据分析。
可选的，所述调度中心还用于：在所述共享模型满足数据分析任务的需求的情况下，从所述模型共享平台获取与所述共享模型匹配的数据类型列表；
所述NWDAF单元包括：
第二获取子单元，用于根据所述数据类型列表，获取分析数据；
第一分析子单元，用于利用所述共享模型对所述分析数据进行数据分析。
可选的，所述NWDAF单元包括：
第三获取子单元，用于在所述模型共享平台中没有存储有与所述数据分析任务的需求相关的共享模型的情况下，根据所述数据分析任务的需求，获取第二训练数据；
第二训练子单元，用于利用所述第二训练数据，训练得到满足所述数据分析任务的需求的第二数据分析模型；
第二分析子单元，用于利用所述第二数据分析模型进行数据分析。
可选的，所述调度中心包括：
接收子单元，用于接收所述模型共享平台通过并行传输接口发送的所述共享模型；
其中，所述共享模型是通过所述模型共享平台的查询接口查询得到。
可选的，所述调度中心包括：
上传子单元，用于将所述第一数据分析模型上传至所述模型共享平台。
可选的，所述NWDAF组群是以分布式的形式部署的，不同的NWDAF组群用于执行不同类型的数据分析任务。
第二方面，本发明实施例提供了一种数据分析方法，应用于NWDAF组群，包括：
根据数据分析任务的需求，从模型共享平台获取共享模型；
对所述共享模型进行修正，得到满足所述数据分析任务的需求的第一数据分析模型；
利用所述第一数据分析模型进行数据分析。
可选的，所述对所述共享模型进行修正，得到满足所述数据分析任务的需求的数据分析模型，包括：
根据所述数据分析任务的需求，获取第一训练数据；
利用所述第一训练数据对所述共享模型进行迁移学习训练，得到所述第一数据分析模型。
可选的，所述对所述共享模型进行修正，得到满足所述数据分析任务的需求的第一数据分析模型，包括：
根据任务调度情况，从多个NWDAF单元中选择目标NWDAF单元；
通过所述目标NWDAF单元对所述共享模型进行修正，得到所述第一数据分析模型。
可选的，在所述共享模型满足所述数据分析任务的需求的情况下，所述方法还包括：
从所述模型共享平台获取与所述共享模型匹配的数据类型列表；
根据所述数据类型列表，获取分析数据；
利用所述共享模型对所述分析数据进行数据分析。
可选的，在所述模型共享平台中没有存储有与所述数据分析任务的需求相关的共享模型的情况下，所述方法还包括：
根据所述数据分析任务的需求，获取第二训练数据；
利用所述第二训练数据，训练得到满足所述数据分析任务的需求的第二数据分析模型；
利用所述第二数据分析模型进行数据分析。
可选的，所述从模型共享平台获取共享模型，包括：
接收所述模型共享平台通过并行传输接口发送的所述共享模型；
其中，所述共享模型是通过所述模型共享平台的查询接口查询得到。
可选的，所述方法还包括：
将所述第一数据分析模型上传至所述模型共享平台。
可选的，所述NWDAF组群是以分布式的形式部署的，不同的NWDAF组群用于执行不同类型的数据分析任务。
第三方面，本发明实施例提供了一种NWDAF组群，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二方面所述的方法的步骤。
第四方面，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二方面所述的方法的步骤。
在本发明实施例中，可以根据数据分析任务的需求，从模型共享平台获取共享模型，并对所述共享模型进行修正，得到满足所述数据分析任务的需求的第一数据分析模型，利用所述第一数据分析模型进行数据分析。由此，借助修正共享模型来得到满足任务需求的数据分析模型，可以扩大共享模型的适用范围，从而提高模型共享率。
附图说明
图1是本发明实施例提供的数据分析装置的结构示意图；
图2是本发明实施例提供的数据分析方法的流程图；
图3是本发明实施例提供的数据分析系统的架构示意图；
图4是本发明实施例中的数据分析过程的示意图之一；
图5是本发明实施例中的数据分析过程的示意图之二；
图6是本发明实施例中的数据分析过程的示意图之三。
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。
下面结合附图，通过具体的实施例及其应用场景对本发明实施例进行详细地说明。
请参见图1，图1是本发明实施例提供的一种数据分析装置的结构示意图，该装置应用于NWDAF组群，如图1所示，该数据分析装置10包括：
调度中心11，用于根据数据分析任务的需求，从模型共享平台获取共享模型。
NWDAF单元12，用于对所述共享模型进行修正，得到满足数据分析任务的需求的第一数据分析模型，并利用所述第一数据分析模型进行数据分析。
可选的，上述调度中心11在从模型共享平台获取共享模型时，可以通过向模型共享平台发起模型请求来获取。若模型共享平台中存储有与数据分析任务的需求相关的共享模型即相似模型，可以发送给调度中心11。
可选的，上述调度中心11可以包括：上传子单元，用于将所述第一数据分析模型上传至所述模型共享平台。这样，通过将修正后的模型上传至模型共享平台，可以满足后续模型共享的需求。
可选的，上述的NWDAF组群可以是以分布式的形式部署的，不同的NWDAF组群用于执行不同类型的数据分析任务。这样在面对多场景多服务的情况下，可以高效的支撑多场景的数据分析。
在本发明实施例中，可以根据数据分析任务的需求，从模型共享平台获取共享模型，并对所述共享模型进行修正，得到满足所述数据分析任务的需求的第一数据分析模型，利用所述第一数据分析模型进行数据分析。由此，借助修正共享模型来得到满足任务需求的数据分析模型，可以扩大共享模型的适用范围，从而提高模型共享率。
可选的，上述调度中心11可以包括：接收子单元，用于接收所述模型共享平台通过并行传输接口发送的所述共享模型；其中，所述共享模型是通过所述模型共享平台的查询接口查询得到。这样，借助模型共享平台中的并行传输接口和查询接口的分离，可以实现高吞吐量访问，满足快速响应的需求，从而提高服务质量。
可选的，上述NWDAF单元12可以包括：
第一获取子单元，用于根据所述数据分析任务的需求，获取第一训练数据；
第一训练子单元，用于利用所述第一训练数据对所述共享模型进行迁移学习训练，得到所述第一数据分析模型。
这样借助迁移学习，可以减少数据的重复采集，简单且高效的完成模型修正，节省NWDAF算力。需指出的，除了采用迁移学习的方式对共享模型进行修正之外，本实施例中还可以采用其他方式对对共享模型进行修正，对此不进行限制。
一种实施方式中，NWDAF单元12在获取第一训练数据时，可以先根据数据分析任务的需求，确定所需的数据类型列表，然后根据该数据类型列表，从网络功能(NetworkFunction，NFs)/网络管理功能(Operations Administration and Maintenance，OAM)中请求得到第一训练数据。
可选的，上述数据分析装置10可以包括多个NWDAF单元12，该调度中心11还用于：根据任务调度情况，从多个NWDAF单元12中选择目标NWDAF单元。进一步的，该目标NWDAF单元用于：对所述共享模型进行修正，得到满足所述数据分析任务的需求的第一数据分析模型，并利用所述第一数据分析模型进行数据分析。比如，该目标NWDAF单元为该多个NWDAF单元中的资源空闲和/或任务少的NWDAF单元。这样，可以保证数据分析任务高效地进行。
可选的，上述调度中心11还用于：向网络存储功能(Network RepositoryFunction，NRF)发送注册请求。这样，相比于传统的分布式NWDAF单元向NRF注册信息时，是所有的分布式NWDAF单元都向NRF进行注册，当有用户请求时，NRF检索所有向其注册的NWDAF信息，再向用户反馈访问的NWDAF地址，本申请通过调度中心向NRF注册信息，可以大大减少了注册的信息量，可以使NRF快速检索合适的NWDAF调度中心进行数据分析，能够高效的响应用户请求。
可选的，上述调度中心11还用于：在所述共享模型满足所述数据分析任务的需求的情况下，从所述模型共享平台获取与所述共享模型匹配的数据类型列表。上述NWDAF单元12可以包括：
第二获取子单元，用于根据所述数据类型列表，获取分析数据；
第一分析子单元，用于利用所述共享模型对所述分析数据进行数据分析。
可选的，上述NWDAF单元12可以包括：
第三获取子单元，用于在所述模型共享平台中没有存储有与所述数据分析任务的需求相关的共享模型的情况下，根据所述数据分析任务的需求，获取第二训练数据；
第二训练子单元，用于利用所述第二训练数据，训练得到满足所述数据分析任务的需求的第二数据分析模型；
第二分析子单元，用于利用所述第二数据分析模型进行数据分析。
这样，在模型共享平台中没有存储合适共享模型的情况，可以基于模型训练获取所需的数据分析模型。
请参见图2，图2是本发明实施例提供的一种数据分析方法的流程图，该方法应用于NWDAF组群，如图2所示，该方法包括如下步骤：
步骤21：根据数据分析任务的需求，从模型共享平台获取共享模型。
可选的，该从模型共享平台获取共享模型的过程可以通过向模型共享平台发起模型请求实现的。
步骤22：对所述共享模型进行修正，得到满足所述数据分析任务的需求的第一数据分析模型。
进一步的，在得到第一数据分析模型之后，本实施例中还可以将所述第一数据分析模型上传至所述模型共享平台，以满足后续模型共享的需求。
步骤23：利用所述第一数据分析模型进行数据分析。
在本发明实施例中，可以根据数据分析任务的需求，从模型共享平台获取共享模型，并对所述共享模型进行修正，得到满足所述数据分析任务的需求的第一数据分析模型，利用所述第一数据分析模型进行数据分析。由此，借助修正共享模型来得到满足任务需求的数据分析模型，可以扩大共享模型的适用范围，从而提高模型共享率。
可选的，上述的NWDAF组群可以是以分布式的形式部署的，不同的NWDAF组群用于执行不同类型的数据分析任务。这样在面对多场景多服务的情况下，可以高效的支撑多场景的数据分析。
可选的，上述对共享模型进行修正的过程可以包括：
根据所述数据分析任务的需求，获取第一训练数据；
利用所述第一训练数据对所述共享模型进行迁移学习训练，得到所述第一数据分析模型。
可选的，在存在多个NWDAF单元的情况下，上述对共享模型进行修正的过程可以包括：
根据任务调度情况，从多个NWDAF单元中选择目标NWDAF单元；
通过所述目标NWDAF单元对所述共享模型进行修正，得到所述第一数据分析模型。
可选的，在所述共享模型满足所述数据分析任务的需求的情况下，本实施例中的数据分析方法还可以包括：
从所述模型共享平台获取与所述共享模型匹配的数据类型列表；
根据所述数据类型列表，获取分析数据；
利用所述共享模型对所述分析数据进行数据分析。
可选的，在所述模型共享平台中没有存储有与所述数据分析任务的需求相关的共享模型的情况下，本实施例中的数据分析方法还可以包括：
根据所述数据分析任务的需求，获取第二训练数据；
利用所述第二训练数据，训练得到满足所述数据分析任务的需求的第二数据分析模型；此外，该第二数据分析模型也可上传至模型共享平台；
利用所述第二数据分析模型进行数据分析。
可选的，上述从模型共享平台获取共享模型的过程可以包括：接收所述模型共享平台通过并行传输接口发送的所述共享模型；其中，所述共享模型是通过所述模型共享平台的查询接口查询得到。
下面结合图3至图6对本发明实施例中的数据分析过程进行详细说明。
请参见图3，图3是本发明实施例中的数据分析系统的架构示意图。该数据分析系统包括分布式NWDAF群组、模型共享平台比如为人工智能(Artificial Intelligence，AI)模型共享平台、NWDAF用户如NWDAF终端设备、网络存储功能(Network RepositoryFunction，NRF)、数据提供方(NFs/OAM)和应用功能(Application Function，AF)。数据提供方(NFs/OAM)可以通过Nnf服务接口与分布式NWDAF群组交互。NWDAF用户可以通过NWDAF服务接口与NRF交互。
其中，上述分布式NWDAF群组是根据模型功能的不同从逻辑上划分为不同功能类型的组群，不同的功能组群完成特定功能的任务，根据其完成的特定任务划分为不同组群，如NWDAF图像识别组群、NWDAF流量预测类组群、NWDAF异常识别类组群等，每个组群包括调度中心和NWDAF群组单元即多个NWDAF单元，图3中仅示出三个NWDAF单元，但本实施例不以此为限。
可理解的，分布式NWDAF群组按照功能分组的意义在于：1)能够协作式或者联邦式的完成模型的训练，可大大提升模型训练效率；2)便于管理，同一种功能类型的NWDAF单元可以由调度中心统一管理及分配用户访问请求，也可以由调度中心查询模型有无情况，并统一向AI模型共享平台进行模型请求及共享。
上述调度中心的作用可以包括：1)传统的分布式NWDAF单元向NRF注册信息时，是所有的分布式NWDAF单元都向NRF注册，当有用户请求时，NRF检索所有向其注册的NWDAF信息，再向用户反馈访问的NWDAF地址，而本申请可以通过调度中心向NRF注册信息，大大减少了注册的信息量，可以使NRF快速检索合适的NWDAF调度中心进行数据分析，能够高效的响应用户请求；2)NWDAF调度中心可以在NWDAF组群内对用户访问请求进行均衡的调度，避免部分NWDAF单元空闲而部分NWDAF单元却因任务多而等待，使各个NWDAF单元能高效被利用，且快速进行数据分析返回给NWDAF用户；3)NWDAF调度中心可以根据功能类型向AI模型共享平台请求或者提供相应功能的模型，NWDAF功能组群便于管理模型，且相较于传统的通过每个NWDAF单元向AI共享平台交互，可以节省传输带宽。
可选的，图3中所示的AI模型共享平台可以面向分布式的多NWDAF组群，包括AI模型库和AI模型服务接口。其中，AI模型库可以对分布式NWDAF所训练AI模型进行集中存储，并根据AI模型功能进行分类管理，以便于共享。AI模型服务接口包括AI模型查询接口和AI模型并行传输接口，实现了模型请求响应和模型传输(下发/上传)的分离，从而实现了对分布式NWDAF模型请求高效响应。其中，AI模型查询接口用于接收NWDAF组群调度中心的模型请求，并检索AI模型库，查询是否有存储相同或相似模型，如有，则向AI模型并行传输接口发送指令进行模型的下发，如没有，则向对应NWDAF组群调度中心返回“无相关模型”指令。AI模型并行传输接口用于与各NWDAF组群调度中心通信，进行模型的下发和上传。考虑到AI模型的参数量大，针对不同功能的NWDAF组群调度中心和不同的模型请求，AI模型并行传输接口可以并行的构建模型传输通道用于模型的下发和上传。可理解的，将AI模型查询接口和AI模型并行传输接口进行分离，可以实现对NWDAF组群调度中心模型请求的快速响应，可以实现高吞吐量访问，针对高并发量的访问，查询分离设计满足快速响应的需求，通过并行的传输接口进行模型的传输，从而提高服务质量。AI模型共享平台优势在于方便核心网中的模型管理，同时可以高效进行分布式NWDAF之间的模型共享。
可理解的，在本发明实施例中，通过AI模型共享平台和分布式NWDAF组群的共同作用，可以实现对用户数据分析任务的高效响应。分布式NWDAF组群接收NWDAF用户的分析请求时，为了减少数据的重复采集，节省分布式NWDAF的算力，提升分析效率，可基于分析请求向AI模型共享平台请求模型。分布式NWDAF存在三种工作模式，包括：模型推理(即模型分析)、迁移学习模型修正及推理、新模型训练及推理。根据AI模型共享平台中模型和分布式NWDAF任务需求的模型的匹配度不同，可以在三种模式进行切换，具体对应三种情况如下：
第一种情况：当NWDAF用户向NWDAF组群调度中心发起分析请求时，NWDAF组群调度中心向AI模型共享平台发送模型请求，若AI模型共享平台中存储有和任务需求相同的模型，则NWDAF组群调度中心可直接基于共享模型进行推理，无需再训练模型；
第二种情况：当NWDAF用户向NWDAF组群调度中心发起分析请求时，NWDAF组群调度中心向AI模型共享平台发送模型请求，若AI模型共享平台中存储有和任务需求相似但不完全一致的模型，则NWDAF组群调度中心可基于本地数据在共享模型的基础上进行迁移学习训练，进行模型修正后推理，将训练完的数据发送给模型共享平台进行共享；
第三种情况：当NWDAF用户向NWDAF组群调度中心发起分析请求时，NWDAF组群调度中心向AI模型共享平台发送模型请求，若AI模型共享平台中没有和该请求相关的模型，则NWDAF组群调度中心在本地收集数据和建模进行模型训练，并将训练完成的模型发送给模型共享平台进行共享。
如图4所示，上述第一种情况下的数据分析过程可以包括以下步骤：
S1、AI模型共享平台在NRF注册信息；
S2、NWDAF各组群调度中心向NRF注册信息；
S3、NWDAF用户有数据分析任务请求时，询问分析订阅对象，询问NRF向哪个数据分析方发送请求；
S4、NRF按照功能类型将合适的数据分析方(某NWDAF组群调度中心)地址返回给NWDAF用户；
S5、NWDAF用户向NWDAF组群调度中心发送数据分析请求如分析订阅请求；
S6、NWDAF组群调度中心查询本地是否有数据分析相关模型，若有，则根据各NWDAF单元的资源利用情况进行任务的均衡调度，如采用优先调度资源空闲度高的NWDAF单元；若没有，则执行步骤S7；
S7、NWDAF组群调度中心向NRF询问AI模型共享平台地址；
S8、NRF向NWDAF组群调度中心发送AI模型共享平台的地址；
S9、NWDAF组群调度中心针对数据分析任务的需求向AI模型共享平台发送模型请求；
S10、AI模型共享平台根据模型请求将已有模型和模型推理需要的数据类型列表返回给NWDAF组群调度中心；
S11、NWDAF组群调度中心根据各NWDAF单元的资源利用情况进行模型分发，即根据任务调度情况向承担此数据分析任务的NWDAF单元发送共享的模型；
S12、NWDAF单元根据上述数据类型列表向NFs/OAM发送数据请求；
S13、NFs/OAM将相关数据返回给NWDAF单元；
S14、NWDAF单元根据收集的数据和模型进行推理，即根据收集的数据和模型进行数据分析；
S15、NWDAF组群调度中心将分析结果返回给NWDAF用户。
如图5所示，上述第二种情况下的数据分析过程可以包括以下步骤：
S1、AI模型共享平台在NRF注册信息；
S2、NWDAF各组群调度中心向NRF注册信息；
S3、NWDAF用户有数据分析任务请求时，询问分析订阅对象，询问NRF向哪个数据分析方发送请求；
S4、NRF按照功能类型将合适的数据分析方(某NWDAF组群调度中心)地址返回给NWDAF用户；
S5、NWDAF用户向NWDAF组群调度中心发送数据分析请求如分析订阅请求；
S6、NWDAF组群调度中心查询本地是否有数据分析相关模型，若有，则根据各NWDAF单元的资源利用情况进行任务的均衡调度，如采用优先调度资源空闲度高的NWDAF单元；若没有，则执行步骤S7；
S7、NWDAF组群调度中心向NRF询问AI模型共享平台地址；
S8、NRF向NWDAF组群调度中心发送AI模型共享平台的地址；
S9、NWDAF组群调度中心针对数据分析任务的需求向AI模型共享平台发送模型请求；
S10、AI模型共享平台根据该模型请求将相似的模型返回给NWDAF组群调度中心；
S11、NWDAF组群调度中心根据各NWDAF单元的资源利用情况进行模型分发，即根据任务调度情况向承担此数据分析任务的NWDAF单元发送共享的模型；
S12、NWDAF单元根据基于任务需求确定的数据类型列表向NFs/OAM发送数据请求；
S13、NFs/OAM将相关数据返回给NWDAF单元；
S14、NWDAF单元根据收集的数据和模型进行推理，即根据收集的数据和模型进行数据分析；
S15、NWDAF组群调度中心将分析结果返回给NWDAF用户；
S16、将更新后的模型通过NWDAF组群调度中心上传共享给AI模型共享平台。
如图6所示，上述第三种情况下的数据分析过程可以包括以下步骤：
S1、AI模型共享平台在NRF注册信息；
S2、NWDAF各组群调度中心向NRF注册信息；
S3、NWDAF用户有数据分析任务请求时，询问分析订阅对象，询问NRF向哪个数据分析方发送请求；
S4、NRF按照功能类型将合适的数据分析方(某NWDAF组群调度中心)地址返回给NWDAF用户；
S5、NWDAF用户向NWDAF组群调度中心发送数据分析请求如分析订阅请求；
S6、NWDAF组群调度中心查询本地是否有数据分析相关模型，若有，则根据各NWDAF单元的资源利用情况进行任务的均衡调度，如采用优先调度资源空闲度高的NWDAF单元；若没有，则执行步骤S7；
S7、NWDAF组群调度中心向NRF询问AI模型共享平台地址；
S8、NRF向NWDAF组群调度中心发送AI模型共享平台的地址；
S9、NWDAF组群调度中心针对数据分析任务的需求向AI模型共享平台发送模型请求；
S10、AI模型共享平台返回无相关模型的消息给NWDAF组群调度中心；
S11、NWDAF组群调度中心根据任务调度情况向算力资源较多的NWDAF单元发送模型训练指令；
S12、NWDAF单元根据基于任务需求确定的数据类型列表向NFs/OAM发送数据请求；
S13、NFs/OAM将相关数据返回给NWDAF单元；
S14、NWDAF单元根据收集的数据进行模型训练及数据分析；
S15、NWDAF组群调度中心将分析结果返回给NWDAF用户。
S16、将训练完成后的模型通过NWDAF组群调度中心上传共享给AI模型共享平台。
此外，本发明实施例还提供了一种NWDAF组群，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2至图6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。
本发明实施例还提供了一种计算机可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时可实现上述图2至图6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 (18)

1.一种数据分析装置，应用于网络数据分析功能NWDAF组群，其特征在于，包括：
调度中心，用于根据数据分析任务的需求，从模型共享平台获取共享模型；
NWDAF单元，用于对所述共享模型进行修正，得到满足所述数据分析任务的需求的第一数据分析模型，并利用所述第一数据分析模型进行数据分析。
2.根据权利要求1所述的装置，其特征在于，所述NWDAF单元包括：
第一获取子单元，用于根据所述数据分析任务的需求，获取第一训练数据；
第一训练子单元，用于利用所述第一训练数据对所述共享模型进行迁移学习训练，得到所述第一数据分析模型。
3.根据权利要求1所述的装置，其特征在于，所述装置包括多个NWDAF单元；
所述调度中心还用于：根据任务调度情况，从所述多个NWDAF单元中选择目标NWDAF单元；
所述目标NWDAF单元用于：对所述共享模型进行修正，得到满足所述数据分析任务的需求的第一数据分析模型，并利用所述第一数据分析模型进行数据分析。
4.根据权利要求1所述的装置，其特征在于，所述调度中心还用于：在所述共享模型满足所述数据分析任务的需求的情况下，从所述模型共享平台获取与所述共享模型匹配的数据类型列表；
所述NWDAF单元包括：
第二获取子单元，用于根据所述数据类型列表，获取分析数据；
第一分析子单元，用于利用所述共享模型对所述分析数据进行数据分析。
5.根据权利要求1所述的装置，其特征在于，所述NWDAF单元包括：
第三获取子单元，用于在所述模型共享平台中没有存储有与所述数据分析任务的需求相关的共享模型的情况下，根据所述数据分析任务的需求，获取第二训练数据；
第二训练子单元，用于利用所述第二训练数据，训练得到满足所述数据分析任务的需求的第二数据分析模型；
第二分析子单元，用于利用所述第二数据分析模型进行数据分析。
6.根据权利要求1所述的装置，其特征在于，所述调度中心包括：
接收子单元，用于接收所述模型共享平台通过并行传输接口发送的所述共享模型；
其中，所述共享模型是通过所述模型共享平台的查询接口查询得到。
7.根据权利要求1所述的装置，其特征在于，所述调度中心包括：
上传子单元，用于将所述第一数据分析模型上传至所述模型共享平台。
8.根据权利要求1至7中任一项所述的装置，其特征在于，所述NWDAF组群是以分布式的形式部署的，不同的NWDAF组群用于执行不同类型的数据分析任务。
9.根据权利要求1至7中任一项所述的装置，其特征在于，所述调度中心还用于：向网络存储功能NRF发送注册请求。
10.一种数据分析方法，应用于NWDAF组群，其特征在于，包括：
根据数据分析任务的需求，从模型共享平台获取共享模型；
对所述共享模型进行修正，得到满足所述数据分析任务的需求的第一数据分析模型；
利用所述第一数据分析模型进行数据分析。
11.根据权利要求10所述的方法，其特征在于，所述对所述共享模型进行修正，得到满足所述数据分析任务的需求的数据分析模型，包括：
根据所述数据分析任务的需求，获取第一训练数据；
利用所述第一训练数据对所述共享模型进行迁移学习训练，得到所述第一数据分析模型。
12.根据权利要求10所述的方法，其特征在于，所述对所述共享模型进行修正，得到满足所述数据分析任务的需求的第一数据分析模型，包括：
根据任务调度情况，从多个NWDAF单元中选择目标NWDAF单元；
通过所述目标NWDAF单元对所述共享模型进行修正，得到所述第一数据分析模型。
13.根据权利要求10所述的方法，其特征在于，在所述共享模型满足所述数据分析任务的需求的情况下，所述方法还包括：
从所述模型共享平台获取与所述共享模型匹配的数据类型列表；
根据所述数据类型列表，获取分析数据；
利用所述共享模型对所述分析数据进行数据分析。
14.根据权利要求10所述的方法，其特征在于，在所述模型共享平台中没有存储有与所述数据分析任务的需求相关的共享模型的情况下，所述方法还包括：
根据所述数据分析任务的需求，获取第二训练数据；
利用所述第二训练数据，训练得到满足所述数据分析任务的需求的第二数据分析模型；
利用所述第二数据分析模型进行数据分析。
15.根据权利要求10所述的方法，其特征在于，所述从模型共享平台获取共享模型，包括：
接收所述模型共享平台通过并行传输接口发送的所述共享模型；
其中，所述共享模型是通过所述模型共享平台的查询接口查询得到。
16.根据权利要求10所述的方法，其特征在于，所述方法还包括：
将所述第一数据分析模型上传至所述模型共享平台。
17.一种NWDAF组群，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10至16任一项所述的数据分析方法的步骤。
18.一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10至16任一项所述的数据分析方法的步骤。
CN202011126754.3A 2020-10-20 2020-10-20 数据分析方法、装置、nwdaf组群及可读存储介质 Pending CN114443234A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011126754.3A CN114443234A (zh) 2020-10-20 2020-10-20 数据分析方法、装置、nwdaf组群及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011126754.3A CN114443234A (zh) 2020-10-20 2020-10-20 数据分析方法、装置、nwdaf组群及可读存储介质

Publications (1)

Publication Number Publication Date
CN114443234A true CN114443234A (zh) 2022-05-06

Family

ID=81357789

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011126754.3A Pending CN114443234A (zh) 2020-10-20 2020-10-20 数据分析方法、装置、nwdaf组群及可读存储介质

Country Status (1)

Country Link
CN (1) CN114443234A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115942392A (zh) * 2022-11-10 2023-04-07 广州爱浦路网络技术有限公司 基于时间间隙的服务质量QoS动态配置方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115942392A (zh) * 2022-11-10 2023-04-07 广州爱浦路网络技术有限公司 基于时间间隙的服务质量QoS动态配置方法及系统
CN115942392B (zh) * 2022-11-10 2023-08-01 广州爱浦路网络技术有限公司 基于时间间隙的服务质量QoS动态配置方法及系统

Similar Documents

Publication Publication Date Title
CN109889575A (zh) 一种边缘环境下的协同计算平台系统及方法
CN107493191B (zh) 一种集群节点及自调度容器集群系统
EP4177752A1 (en) Task processing method, edge computing device, computer device, and medium
WO2022001941A1 (zh) 网元管理方法、网管系统、独立计算节点、计算机设备、存储介质
Dong et al. NOMA-based energy-efficient task scheduling in vehicular edge computing networks: A self-imitation learning-based approach
CN104486129B (zh) 分布式环境下保障应用服务质量的方法及系统
CN110581893B (zh) 数据传输方法、装置、路由设备、服务器及存储介质
CN110413845B (zh) 基于物联网操作系统的资源存储方法及装置
CN111865622B (zh) 基于规则引擎集群的云服务计量计费方法及系统
US20220292398A1 (en) Methods, apparatus and machine-readable media relating to machine-learning in a communication network
CN111538605A (zh) 一种分布式数据访问层中间件及命令执行方法和装置
CN113300982B (zh) 资源分配方法、设备、系统及存储介质
CN110149377A (zh) 一种视频服务节点资源分配方法、系统、装置及存储介质
CN115297008B (zh) 基于智算网络的协同训练方法、装置、终端及存储介质
KR101950050B1 (ko) 이벤트 데이터 획득을 위한 스케일 아웃 시스템
CN114443234A (zh) 数据分析方法、装置、nwdaf组群及可读存储介质
CN114710571A (zh) 数据包处理系统
Yang et al. Multi-agent reinforcement learning based file caching strategy in mobile edge computing
CN111475149B (zh) Someip通信中间层代码实现方法及其系统
CN113452600A (zh) 跨地域的消息通信方法、装置、电子设备和存储介质
CN113301558A (zh) 一种消息传输方法、设备、系统及存储介质
CN110636073A (zh) 一种分布式异步远程服务编排与调用技术
US11683400B1 (en) Communication protocol for Knative Eventing's Kafka components
CN102904739A (zh) 一种实现事件转发的方法及通用信息模型cim服务器
CN112953993B (zh) 资源调度方法、设备、网络系统及存储介质

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