CN115037625B - 网络切片处理方法、装置、电子设备及可读存储介质 - Google Patents
网络切片处理方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN115037625B CN115037625B CN202210671043.7A CN202210671043A CN115037625B CN 115037625 B CN115037625 B CN 115037625B CN 202210671043 A CN202210671043 A CN 202210671043A CN 115037625 B CN115037625 B CN 115037625B
- Authority
- CN
- China
- Prior art keywords
- network slice
- template
- target
- rate
- user terminal
- 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
- 238000003672 processing method Methods 0.000 title abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000002159 abnormal effect Effects 0.000 claims description 47
- 238000012544 monitoring process Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 16
- 230000005856 abnormality Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 230000006855 networking Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000003066 decision tree Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002155 anti-virotic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/084—Configuration by using pre-existing information, e.g. using templates or copying from other elements
- H04L41/0843—Configuration by using pre-existing information, e.g. using templates or copying from other elements based on generic templates
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供了一种网络切片处理方法、装置、电子设备及可读存储介质。该方法中，响应于用户终端提交的用户请求，基于预设的故障预测模型，确定备选物理设备的故障发生率；备选物理设备是同类型网络切片模板所用的物理设备，同类型网络切片模板是预设模板库中对应的类型与用户请求的需求类型相匹配的网络切片模板。基于备选物理设备中的目标物理设备，为用户终端设置目标网络切片模板；目标物理设备的故障发生率满足第一预设要求。为用户终端部署符合目标网络切片模板的目标网络切片。这样，一定程度上可以提高为用户终端设置的网络切片的网络质量。
Description
技术领域
本发明属于网络技术领域，特别是涉及一种网络切片处理方法、装置、电子设备及可读存储介质。
背景技术
随着网络技术的飞速发展，出现了越来越多样化的网络使用场景。随着多样化的网络使用场景给网络提出的多样性要求和功能要求，需要网络能够针对各种网络使用场景，提供适当的网络控制功能和性能保证，从而实现按需组网的目标。网络切片技术作为按需组网的一种实现方式，得到了广泛的应用。
由于具体实现时为用户终端设置的网络切片的质量决定了实际使用效果。因此，如何确保为用户终端所设置的网络切片的网络质量，成为亟需解决的技术问题。
发明内容
本发明提供一种网络切片处理方法、装置、电子设备及可读存储介质，以解决如何确保为用户终端所设置的网络切片的网络质量的技术问题。
第一方面，本发明提供一种网络切片处理方法，所述方法包括：
响应于用户终端提交的用户请求，基于预设的故障预测模型，确定备选物理设备的故障发生率；所述备选物理设备是同类型网络切片模板所用的物理设备，所述同类型网络切片模板是预设模板库中对应的类型与所述用户请求的需求类型相匹配的网络切片模板；
基于所述备选物理设备中的目标物理设备，为所述用户终端设置目标网络切片模板；所述目标物理设备的所述故障发生率满足第一预设要求；
为所述用户终端设置符合所述目标网络切片模板的目标网络切片。
第二方面，本发明提供一种网络切片处理装置，所述装置包括：
第一确定模块，用于响应于用户终端提交的用户请求，基于预设的故障预测模型，确定备选物理设备的故障发生率；所述备选物理设备是同类型网络切片模板所用的物理设备，所述同类型网络切片模板是预设模板库中对应的类型与所述用户请求的需求类型相匹配的网络切片模板；
第一设置模块，用于基于所述备选物理设备中的目标物理设备，为所述用户终端设置目标网络切片模板；所述目标物理设备的所述故障发生率满足第一预设要求；
第二设置模块，用于为所述用户终端设置符合所述目标网络切片模板的目标网络切片。
第三方面，本发明提供一种电子设备，包括：处理器、存储器以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，其特征在于，所述处理器执行所述程序时实现上述网络切片处理方法。
第四方面，本发明提供一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述网络切片处理方法。
在本发明实施例中，响应于用户终端提交的用户请求，基于预设的故障预测模型，确定备选物理设备的故障发生率；备选物理设备是同类型网络切片模板所用的物理设备，同类型网络切片模板是预设模板库中对应的类型与用户请求的需求类型相匹配的网络切片模板。基于备选物理设备中的目标物理设备，为用户终端设置目标网络切片模板；目标物理设备的故障发生率满足第一预设要求。为用户终端部署符合目标网络切片模板的目标网络切片。通过智能化预测同类型网络切片模板所用物理设备的故障发生率，采用故障发生率满足第一预设要求的目标物理设备为用户终端设置目标网络切片模板，并为用户终端部署符合该目标网络切片模板的目标网络切片。这样，一定程度上可以提高为用户终端设置的网络切片的网络质量。同时，通过引入智能化模型，可以提高处理过程中的智能化程度。
附图说明
为了更清楚地说明本发明实施例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是本发明实施例提供的一种网络切片处理方法的步骤流程图；
图2是本发明实施例提供的一种场景示意图；
图3是本发明实施例提供的一种网络切片处理装置的结构图；
图4是本发明实施例提供的一种电子设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种网络切片处理方法的步骤流程图，如图1所示，该方法可以包括：
步骤101、响应于用户终端提交的用户请求，基于预设的故障预测模型，确定备选物理设备的故障发生率；所述备选物理设备是同类型网络切片模板所用的物理设备，所述同类型网络切片模板是预设模板库中对应的类型与所述用户请求的需求类型相匹配的网络切片模板。
本发明实施例提供的网络切片处理方法可以应用于网络管理平台，用户终端(User Equipment，UE)提交的用户请求中可以携带网络业务需求信息。网络业务需求信息可以用于表征用户的配置要求。其中，网络业务需求信息可以包括切片性能要求信息、切片规则、地理位置、切片类型等信息。例如，切片性能要求信息可以包括时延、带宽、可靠性，等等。用户请求的需求类型可以根据用户请求中携带的网络业务需求信息来确定。示例性地，可以将网络业务需求信息发送给指定终端，将指定终端响应于指定终端用户的类型设置操作所返回的类型，作为该用户请求的需求类型。或者，利用预设的类型分类算法，将网络业务需求信息作为类型分类算法的输入，并将该类型分类算法的输出作为该用户请求的需求类型。又或者，对于任一预设的需求类型，将网络业务需求信息与该需求类型关联的预设条件进行比对，在网络业务需求信息符合该需求类型关联的预设条件的情况下，将该需求类型作为该用户请求的需求类型。其中，需求类型的种类可以根据实际需求进行划分设置，各种需求类型所需满足的预设条件可以根据实际情况设置。可以存在多种需求类型，例如，A类、B类、C类以及D类。如果用户请求满足B类型关联的预设条件，那么可以确定该用户请求的需求类型为B类。需要说明的是还可以进一步结合其他信息，例如业务情况分配需求类型，本发明实施例对此不做限制。
进一步地，网络切片模板可以包含描述网络切片的构成元素，例如，网络功能描述、资源需求描述等，和/或各构成元素之间的关系，例如，网络功能组织架构、网络功能/资源配置、网络功能之间的工作流程等。网络切片模板描述了所需要的网元类型及规格、需要的资源、连接等信息。预设模板库中可以包括已注册的网络切片模板，网络切片模板对应的类型可以包括该网络切片模板所能满足的一个或多个需求类型。网络切片模板对应的类型可以是预先设置的，例如，根据接收到的类型设置操作，将该类型设置操作所指示的需求类型确定为该网络切片模板对应的类型。
对于预设模板库中的任一网络切片模板而言，如果该网络切片模板对应的类型包括该用户请求的需求类型，则可以确定该网络切片模板对应的类型与该用户请求的需求类型相匹配，可以将该网络切片模板作为同类型网络切片模板。
由于网络切片是依托物理设备创建的，因为，预设模板库中各网络切片模板存在所使用的物理设备。其中，网络切片模板所使用的物理设备可以是切片模板中定义的物理设备，或者是，之前为该网络切片模板手动关联的物理设备。需要说明的是，在一种实现方式中，网络切片模板所使用的物理设备可以定义在该网络切片模板的初始分配信息中，该初始分配信息也可以称为初始虚拟资源分配标识。相应地，可以获取并拆解预设模板库中同类型网络切片模板的初始分配信息，并从中提取该同类型网络切片模板所用的物理设备的设备标识，该设备标识所指示的物理设备即为该同类型网络切片模板所用的物理设备。
相应地，可以将同类型网络切片模板关联的所使用的物理设备，作为备选物理设备。并基于故障预测模型，预测备选物理设备的故障发生率。其中，该故障发生率可以表征备选物理设备在未来发生故障的概率。故障预测模型可以是预先创建用于预测故障发生率的概率预测模型。其中，模型创建方式可以参照相关技术，例如，采用神经网络训练方式训练获取故障预测模型。或者，也可以直接按照需求，选择并移植已有的故障预测模型，本发明实施例对此不做限制。
步骤102、基于所述备选物理设备中的目标物理设备，为所述用户终端设置目标网络切片模板；所述目标物理设备的所述故障发生率满足第一预设要求。
其中，第一预设要求可以根据实际需求设置，例如，第一预设要求可以为故障发生率最低，或者小于第一预设数值等等。为用户终端设置本次使用的目标网络切片模板，可以是为该用户终端注册新的网络切片模板，以作为目标网络切片模板，也可以是复用同类型网络切片模板中的网络切片模板作为目标网络切片模板，本发明实施例对此不做限制。其中，设置的目标网络切片模板所使用的物理设备可以为目标物理设备。由于目标物理设备的故障发生率满足第一预设要求，因此，基于故障预测模型智能化的确定目标物理设备，并基于目标物理设备，为用户终端设置目标网络切片模板，一定程度上可以避免所设置的目标网络切片模板的应用时出现较高故障率，降低由物理设备导致的基于目标网络切片模板分配的网络切片出现故障，从而确保网络切片的网络质量。
步骤103、为所述用户终端设置符合所述目标网络切片模板的目标网络切片。
具体的，可以基于预设的切片分析模型，从多个备选网络切片中选择满足第二预设要求的目标网络切片；所述备选网络切片符合所述目标网络切片模板。
实际应用场中，对于一个网络切片模板而言，可以存在多个符合该网络切片模板的网络切片。也就是说，基于一个网络切片模板可以得到多个网络切片。其中，一个网络切片可以是实现通信业务的一个或多个网络功能和相应资源的组合，一个网络切片可以看作一个虚拟的核心网架构。一个网络切片可以满足某一类或一个用例的通信服务需求。相应地，本发明实施例中，可以将符合目标网络切片模板的网络切片作为备选网络切片，从中选择一个作为目标网络切片。
进一步地，预设的切片分析模型可以是预先创建，用于对备选网络切片进行分析的模型。切片分析模型可以具体用于分析备选网络切片出现异常的概率。第二预设要求可以根据实际需求设置，例如，第二预设要求可以为备选网络切片出现异常的概率最小，或者小于第二预设数值，本发明实施例对此不做限制。这样，基于切片分析模型智能化的从符合目标网络切片模板的多个备选网络切片中选择目标网络切片，一定程度上可以避免最终为用户终端部署的目标网络切片，在运行过程中出现稳定性较差，故障频发的问题，从而确保网络切片的质量。
然后，可以为所述用户终端部署所述目标网络切片，以完成设置。本发明实施例中，用户终端提交的用户请求可以具体为一个组网请求，用于向网络管理平台申请一个网络切片。相应地，本步骤中，通过为用户终端部署目标网络切片，可以实现为用户按需组网。其中，为用户终端部署目标网络切片可以视为为用户终端设置目标网络切片
综上所述，本发明实施例提供的网络切片处理方法，响应于用户终端提交的用户请求，基于预设的故障预测模型，确定备选物理设备的故障发生率；备选物理设备是同类型网络切片模板所用的物理设备，同类型网络切片模板是预设模板库中对应的类型与用户请求的需求类型相匹配的网络切片模板。基于备选物理设备中的目标物理设备，为用户终端设置目标网络切片模板；目标物理设备的故障发生率满足第一预设要求。为用户终端部署符合目标网络切片模板的目标网络切片。通过智能化预测同类型网络切片模板所用物理设备的故障发生率，采用故障发生率满足第一预设要求的目标物理设备为用户终端设置目标网络切片模板，并为用户终端部署符合该目标网络切片模板的目标网络切片。这样，一定程度上可以提高为用户终端设置的网络切片的网络质量。
同时，通过引入智能化模型，可以提高处理过程中的智能化程度。
可选的，所述故障发生率用于表征所述备选物理设备未来发生故障的概率；上述基于预设的故障预测模型，确定备选物理设备的故障发生率的步骤，具体可以包括：
步骤1011、基于历史故障记录文件，获取所述备选物理设备对应的故障记录条数以及历史故障记录总条数。
其中，历史故障记录可以是基于各备选物理设备的设备提供方当前累计的历史告警数据确定的。示例性地，可以将历史故障数据库中历史告警数据中的一条告警数据作为一条历史故障记录，从而得到历史故障记文件，并统计这些历史故障记录的数量，得到历史故障记录总条数。将历史故障记录中包含的设备标识为该备选物理设备的设备标识的历史故障记录，确定为该备选物理设备对应的故障记录，并统计这部分故障记录的数量，从而得到备选物理设备对应的故障记录条数。
步骤1012、将所述故障记录条数以及故障记录总条数作为所述故障预测模型的输入，并获取所述故障预测模型的输出，得到所述备选物理设备的故障发生率。
本发明实施例中，可以对设备按类型进行故障预测，也就是，针对各个同类型网络切片模板，预测各个同类型网络切片模板的备选物理设备的故障发生率。具体的，仅需将故障记录条数以及故障记录总条数作为故障预测模型的输入，即可得到故障发生率，从而一定程度上可以确保预测效率。
在一种实现方式中，该故障预测模型可以是基于预设算法构建的，示例性地，故障预测模型可以基于下述公式计算备选物理设备的故障发生率：
P(A|B)＝(P(B|A)*P(A))/P(B|A)P(A)+P(B|A')P(A')
该公式可以用于表征：先验概率＝P(A)*条件概率＝P(B)*调整因子＝P(B|A)x P(A)。其中，P(A)可以等于当前参与计算的备选物理设备对应的故障记录条数/历史故障记录总条数。P(A')可以为1-P(A)，假设P(A)为40％，那么P(A')在这里可以是60％。P(B|A)表示故障预测模型在连续学习过程中，使用的当前的备选物理设备对应的故障记录条数/历史故障记录总条数的概率，即是否会发生故障的概率。其中，P(B|A)可以为50％。P(B|A')可以表示当前的备选物理设备在历史故障数据库出现过的概率，如果出现过，或者，历史故障数据库都是当前的备选物理设备，P(B|A')可以默认设置为100％。
进一步地，P(B|A)P(A)+P(B|A')P(A')＝P(B)。P(B)可以表示忽略其它因素，直接考虑当前的备选物理设备的故障使用概率。以上述数值为例，P(B)＝0.5*0.4+1*0.6＝0.8。进一步地，P(A|B)可以表示为(P(B|A)*P(A))/P(B)。以上述数值为例，P(A|B)＝(0.5*0.4)/0.8＝0.25。其中，0.25表示该当前的备选物理设备的故障发生率，即，以该备选物理设备通过网络切片按需组网时，组建的核心网发生物理设备故障的概率为25％。
相应地，本发明实施例中还可以在基于所述备选物理设备中的目标物理设备，为所述用户终端设置目标网络切片模板之前，执行下述步骤：
步骤A1、获取各所述备选物理设备的实际故障率；所述实际故障率基于所述备选物理设备实际发生故障的次数确定。
本发明实施例中，对于任一备选物理设备，可以计算前述获取的备选物理设备对应的故障记录条数与历史故障记录总条数的比值，得到该备选物理设备的实际故障率。或者，本发明实施例中，也可以直接使用上一次为该备选物理设备计算的实际故障率，从而该步骤中降低获取备选物理设备的实际故障率的成本。其中，上一次为该备选物理设备计算的实际故障率可以视为之前的物理设备故障率，该物理设备故障率可以是该备选物理设备上一次参与选择时，为该备选物理设备计算的。该物理设备故障率可以在上一次处理过程中更新至使用该备选物理设备的网络切片模板的初始配置信息中。相应地，本发明实施例中，在本次获取实际故障率之后，将该实际故障率作为新的物理设备故障率更新至使用该备选物理设备的网络切片模板的初始配置信息中。其中，初始配置信息中可以包括用户终端UE的标识、网络切片模板的标识、基于该网络切片模板创建网络切片的网络切片选择辅助信息(Single Network Slice Selection Assistance Information，S-NSSAI)以及物理设备故障率。其中，S-NSSAI参数中的SST指示S-NSSAI的切片和服务类型，sst-SD指的是S-NSSAI参数切片、服务类型的组成和切片分量。
步骤A2、将所述实际故障率以及所述故障发生率均为最低的备选物理设备，确定为所述目标物理设备。
本步骤中，可以结合历史监控数据列出备选物理设备发生故障的概率排行。具体的，可以按照各个备选物理设备的实际故障率对备选物理设备进行排行。需要说明的是，在另一种实现方式中，还可以直接根据备选物理设备的对应的故障记录条数进行排行，本发明实施例对此不做限制。备选物理设备的实际故障率越低，排行可以越高。相应地，可以将排行最高且故障发生率最低的备选物理设备，确定为目标物理设备。优先采用排行最高且故障发生率最低的备选物理设备进行模板注册。
也就是说，前述第一预设要求可以为故障发生率最低。需要说明的是，如果当前不存在实际故障率以及故障发生率均为最低的备选物理设备，则可以直接选择故障发生率最低的备选物理设备，或者选择实际故障率最低的备选物理设备，作为目标物理设备。
需要说明的是，网络切片模板所使用的物理设备可以为一个或多个，一个网络切片模板的备选物理设备可以是这一个或多个。为备选物理设备预测的故障发生率可以表征这一个或多个设备在未来发生故障的概率。备选物理设备的实际故障率用于表征这一个或多个设备实际发生故障的概率。进一步地，本发明实施例中基于目标网络切片组建的网络可以视为无线网格(Mesh)网络。上述参与选择的备选物理设备，即为全部同类型网络切片模板的Mesh节点物理设备。接收到用户请求时，可以确定UE想要进行网络切片模型注册，相应地，可以为UE新注册网络切片模型，也可以复用之前的同类型网络切片模型。
本发明实施例中，通过进一步获取实际故障率，将实际故障率以及故障发生率双最低的备选物理设备，确定为目标物理设备，可以更大程度的确保所使用的目标物理设备后续不会频繁出现故障的频率，确保所使用的目标物理设备具备较小的故障率，从而确保基于该目标物理设备所提供网络的网络质量。
可选的，在一种实现方式中，上述基于所述备选物理设备中的目标物理设备，为所述用户终端设置目标网络切片模板的步骤，具体可以包括：
步骤1021、基于预设的模板分析模型，从所述同类型网络切片模板中选择异常率满足第二预设要求的同类型网络切片模板。
步骤1022、将所述目标物理设备设置为所述异常率满足第二预设要求的同类型网络切片模板所使用的物理设备，得到所述目标网络切片模板。
模板分析模型可以是预先训练的，用于选择异常率满足第二预设要求的网络切片模板的模型。第二预设要求可以根据实际需求设置，例如，第二预设要求可以为异常率最小。由于同类型网络切片模板与用户请求的需求类型相匹配，即，同类型网络切片模板可以满足用户终端的组网需求。将目标物理设备设置为异常率满足第二预设要求的同类型网络切片模板的所使用物理设备，可以是将异常率满足第二预设要求的同类型网络切片模板中定义的物理设备的标识更新为该目标物理设备的标识，或者，将该目标物理设备与异常率满足第二预设要求的同类型网络切片模板绑定，建立两者之间的关联，从而完成设置。需要说明的是，如果仅存在一个同类型网络切片模板，则可以直接确定该同类型网络切片模板的异常率最低，即，异常率满足第二预设要求，将该同类型网络切片模板作为目标网络切片模板。
本发明实施例中，选择异常率满足第二预设要求的同类型网络切片模板，设置目标网络切片模板，可以在确保所设置的目标网络切片模板符合用户终端的需求的同时，尽可能降低后续基于目标网络切片模板创建的目标网络切片的异常率，从而优化基于网络切片技术的按需组网。同时，将目标物理设备作为目标网络切片模板所使用的物理设备，可以进一步降低基于目标网络切片模板创建的目标网络切片的异常率。
在另一种实现方式中，上述基于所述备选物理设备中的目标物理设备，为所述用户终端设置目标网络切片模板的步骤，具体可以包括：
步骤1023、为所述用户终端注册新的网络切片模板，并将所述目标物理设备设置为所述新的网络切片模板所使用的物理设备，得到所述目标网络切片模板。
示例性地，网络切片管理平台中的通信服务管理功能(CSMF)可以负责将网络业务需求信息转换为网络切片相关要求，完成用户需求到服务等级协议(SLA)的转换、其中，SLA可以包括用户数、服务质量(QoS)。带宽等参数。基于SLA为用户终端注册新的网络切片模板。具体的，可以基于SLA生成新的网络切片模板，将目标物理设备设置为新的网络切片模板的所使用物理设备，最后，将该新的网络切片模板存入预设模板库，从而完成为用户终端注册目标网络切片模板。其中，基于SLA生成新的网络切片模板的方式可以根据实际需求选取，例如，基于预设的生成算法，将SLA作为输入，从而得到新的网络切片模板。当然，也就可以采用其他依据，以其他方式生成新的网络切片模板，只要确保所生成的网络切片模板能够满足用户终端的网络业务需求即可。
进一步地，将目标物理设备设置为新的网络切片模板所使用的物理设备，可以是在新的网络切片模板中定义该目标物理设备的标识，例如，将该目标物理设备的设备标识加入该网络切片模板。或者，将该目标物理设备与新的网络切片模板绑定，建立两者之间的关联，从而完成设置。
本发明实施例中，通过为用户终端注册新的网络切片模板，并将目标物理设备设置为新的网络切片模板的所使用物理设备，从而得到目标网络切片模板，一定程度上可以在确保所设置的目标网络切片模板符合用户终端的需求的同时，尽可能降低后续基于目标网络切片模板创建的目标网络切片的异常率。
可选的，在一种实现方式中，上述基于预设的模板分析模型，从所述同类型网络切片模板中选择异常率满足第二预设要求的同类型网络切片模板的步骤，具体可以包括：
步骤1021a、将各所述同类型网络切片模板的切片模板特征作为预设的异常率预测模型的输入，并获取所述异常率预测模型为各所述同类型网络切片模板输出的异常率。
步骤1021b、基于各所述同类型网络切片模板的异常率，选择所述异常率满足第二预设要求的同类型网络切片模板；所述模板分析模型为所述异常率预测模型。
该实现方式中提及的异常率预测模型即为前述模板分析模型。其中，异常率预测模型可以是深度神经网络模型，例如，卷积神经网络(CNN)。相应地，异常率预测模型可以是基于样本网络切片模板的切片模板特征以及样本网络切片模板的标签值训练的。其中，切片模板特征的可以包括多种特征，切片模板特征具体包括的特征种类可以根据实际需求设置，例如，可以选择网络切片模板的多种参数信息作为切片模板特征。样本网络切片模板可以是从已创建的网络切片模板中选择，样本网络切片模板的标签值可以是样本网络切片模板投入使用后实际发生故障的概率。示例性地，可以获取基于该样本网络切片模板创建的网络切片的故障率，计算这些故障率的均值，得到样本网络切片模板的标签值。或者，也可以通过人工标注确定样本网络切片模板的标签值。
示例性地，可以将样本网络切片模板的切片模板特征作为待训练的异常率预测模型的输入，基于该待训练的异常率预测模型的输出值以及样本网络切片模板的标签值，计算模型损失值，然后基于模型损失值，利用随机梯度法，调整模型参数，经过多轮优化，在模型损失值符合预设损失值要求，或者训练轮数达到预设轮数要求的情况下，停止训练，得到训练好的异常率预测模型。这样，直接采用神经网络模型作为异常率预测模型，一定程度上可以降低异常率预测模型的获取难度。
相应地，在应用时，对于任一同类型网络切片模板，可以直接将同类型网络切片模板的切片模板特征作为预设的异常率预测模型的输入，该异常率预测模型的输出即为同类型网络切片模板的异常率。
进一步地，第二预设要求可以根据实际需求设置，示例性地，第二预设要求可以为异常率最小。即，本发明实施例中，采用运算结果表示根据该切片模板设置的网络切片故障发生数最少的同类型网络切片模板作为目标网络切片模板，且关联运行最好的物理设备，即，故障发生率以及实际故障率均最低的目标物理设备，为用户终端设置网络切片。
本实现方式中，以模板分析模型为异常率预测模型，将各同类型网络切片模板的切片模板特征作为预设的异常率预测模型的输入，即可获取到各同类型网络切片模板输出的异常率，从而一定程度上确保获取效率。且基于选择的异常率满足第三预设要求的同类型网络切片模板设置目标网络切片模板，一定程度上可以控制所设置的目标网络切片模板的异常率，避免异常率过高。
可选的，在一种实现中，异常率预测模型可以是基于随机森林算法构建的随机森林模型。在该实现方式中，同类型网络切片模板的切片模板特征可以是以该同类型网络切片模板设置网络切片后发生异常的概率值。当然，切片模板特征也可以为其他数据，本发明实施例对此不做限制。
在一种实现方式，一个同类型网络切片模板的异常率可以表示为：
其中，H(j)可以具体用于表示该场景下发生异常概率的加权平均值，等于所有H(i)的加权平均值。n表示预先设定的常数，用于表示存在多少个采样模型，即，随机森林过程中训练的决策树的数量。
|Di|/|D|可以指的是基于该同类型网络切片模板设置网络切片后发生异常的概率，例如：针对模板一，可以带入模板一设置成网络切片后的历史日志数据|D|条，符合模板一设置成网络切片后出现的异常数据|Di|条。或者，也可以采用预设常数作为H(i)的权重值，本发明实施例对此不做限制。需要说明的是，计算H(i)时还可以带入预设模板库中已创建的模板总数，得出各个采样模板，即，决策树Hi的输出值。
H(i)可以表示决策树Hi为该同类型网络切片模板决策的异常率。不同决策树决策的异常率可能存在差异。最后，计算H(i)决策的异常率的加权平均值，从而得到该同类型网络切片模板最终的异常率。或者，也可以采用投票法，将票数最多的H(i)决策的异常率确定为该同类型网络切片模板最终的异常率，得到最终决策。
随机森林的训练流程可以为：先输入原始的训练样本集。然后从样本集中随机选择参与本轮训练的样本和样本特征，得到子样本集，其中，子样本集样本量可以保持与原始样本集一致，每次采样可以是随机采样，共采集n次。基于每次采样得到的子数据集，对应训练一个决策树模型Hi。其中，在训练决策树模型的节点时，在节点上所有的样本特征中随机选择一部分样本特征，在这些随机选择的部分样本特征中选择一个最优的特征来做决策树的左右子树划分结果。最后，由多棵决策树共同组成随机森林。需要说明的是，也可以训练最终输出用于表示异常率最低的同类型网络切片模板的随机森林模型，在这种实现方式，训练样本集中可以包括多个样本网络切片模型。本实现方式中，采用随机森林模型作为模板分析模型，一定程度上可以使得确定过程中，同类型网络切片模板的切片模板特征充分的被遍历，从而确保确定效果。
可选的，从多个备选网络切片中选择满足第二预设要求的目标网络切片，具体可以包括：获取各所述备选网络切片的切片特征。将各所述备选网络切片的切片特征作为切片异常率预测模型的输入，并获取切片异常率预测模型为各备选网络切片输出的切片异常率；将切片异常率满足第第三预设要求的备选网络切片，确定为目标网络切片，切片分析模型为该切片异常率预测模型。其中，切片异常率预测模型可以是深度神经网络模型，例如，CNN网络。相应地，切片异常率预测模型可以是基于样本网络切片的切片特征以及样本网络切片的标签值训练的。切片特征的可以包括多种特征，切片特征具体包括的特征种类可以根据实际需求设置，例如，可以选择网络切片的多种参数信息作为切片特征。样本网络切片可以是从已创建的历史网络切片中选择，样本网络切片的标签值可以是样本网络切片投入使用后实际发生故障的概率。示例性地，可以获取该样本网络切片的故障率，得到样本网络切片的标签值。或者，也可以通过人工标注确定样本网络切片的标签值。相应地，可以将样本网络切片的切片特征作为待训练的切片异常率预测模型的输入，基于该待训练的切片异常率预测模型的输出值以及样本网络切片模板的标签值，计算模型损失值，然后基于模型损失值，利用随机梯度法，调整模型参数，经过多轮优化，在模型损失值符合预设损失值要求，或者训练轮数达到预设轮数要求的情况下，停止训练，得到训练好的切片异常率预测模型。进一步地，切片异常率预测模型也可以是基于随机森林算法构建的随机森林模型。相应地，训练流程可以参照前述相关描述，此处不再赘述。
本申请实施例中，基于切片分析模型智能化的从符合目标网络切片模板的多个备选网络切片中选择目标网络切片，可以进一步提高网络切片分配流程的智能化程度。
需要说明的是，本发明实施例中也可以直接基于目标网络切片模型，创建一个网络切片，作为目标网络切片，以提高处理效率。进一步地，本发明实施例中，还可以获取用户终端想要注册的网络切片的S-NSSAI，即，从用户终端发送的用户请求中获取该用户请求中携带的S-NSSAI，并更新(即，加入)至目标网络切片模板的初始配置信息中。在为用户终端创建备选网络切片/目标网络切片时，可以基于该初始配置信息中的S-NSSAI创建网络切片，以尽可能匹配用户需求。
可选地，在一种实现方式中，同类型网络切片模板可以基于下述步骤确定：检测所述预设模板库中是否存在之前为所述用户终端注册的网络切片模板；若存在，则将之前为所述用户终端注册的网络切片模板，确定为所述同类型网络切片模板。
具体的，可以将预设模板库中各网络切片模板的初始配置信息中包括的用户终端的标识，与发送用户请求的用户终端的标识进行比对。如果两者一致，则可以确定该网络切片模板是之前为本次发送用户请求的用户终端设置的。相应地，可以将该网络切片模板确定为同类型网络切片模板。
由于用户终端的需求往往一致，因此，如果之前注册过，那么之前注册过的网络切片模板往往能满足用户终端本次的需求，即，之前注册过的网络切片模板对应类型往往会与该用户请求的需求类型相匹配。因此，通过检测是否存在之前为该用户终端注册的网络切片模板，直接将之前为该用户终端注册的网络切片模板作为同类型网络切片模板，一定程度上可以降低确定同类型网络切片模板的确定成本。
可选的，在一种实现方式中，上述为所述用户终端设置符合所述目标网络切片模板的目标网络切片的步骤，具体可以包括：步骤1031、基于所述目标网络切片模板对应的历史虚拟资源故障率，选择目标虚拟资源并基于所述目标虚拟资源创建所述目标网络切片的切片实例，以完成设置。
需要说明的是，不同切片可以共享基础设施资源，但相互隔离、互不影响，并且网络切片可以独立运营。在网络维度上，切片可以代表用户群级，一个切片会包含很多用户；在用户维度，切片意味着UE的APP级，一个终端的不同APP可以附着在不同切片，允许同一个UE同时接入不同的切片；切片也代表着行业的子业务级，一个行业往往有很多子业务，不同子业务对应的SLA不同。网络切片是一个临时的逻辑网络，是将物理网络根据不同的服务需求(如时延、带宽、安全性和可靠性等)划分为多个虚拟网络，以灵活应对不同的网络应用场景。
本步骤中，目标网络切片模板对应的历史虚拟资源故障率，可以是之前基于目标网络切片模板创建的网络切片运行时所使用的虚拟资源的故障率。历史虚拟资源故障率可以存储在目标网络切片模板的初始配置信息中。需要说明的是，目标网络切片模板可能是本次新注册的，这种情况下，目标网络切片模板对应的历史虚拟资源故障率为空，可以直接调度当前处于空闲状态的虚拟资源作为目标虚拟资源。当然，在目标网络切片模板是基于异常率满足第二预设要求的同类型网络切片模板创建的情况下，目标网络切片模板对应的历史虚拟资源故障率可以具体是：之前基于满足第二预设要求的同类型网络切片模板创建的网络切片，运行时所使用的虚拟资源的故障率。
基于目标网络切片模板对应的历史虚拟资源故障率，选择目标虚拟资源时，可在历史虚拟资源故障率小于预设故障率阈值，且该历史虚拟资源当前处于空闲状态的情况下，将该历史虚拟资源作为目标虚拟资源。否则，可以直接调度当前处于空闲状态的虚拟资源作为目标虚拟资源。其中，虚拟资源可以为虚拟机、容器等等。
进一步地，可以在目标虚拟资源上对目标网络切片进行实例化，得到的切片实例即为目标网络切片实例，目标网络切片实例可以依托目标虚拟资源运行。其中，目标网络切片实例可以用于向用户终端提供网络服务。具体的，目标网络切片所构成的逻辑网络是通过该目标网络切片实例来实现，即通过实例化目标网络切片的各个网络功能和对应的资源来构成一个目标网络切片。
本发明实施例中，在采用人工智能设置网络切片后，可以进行网络片编排。其中，网络编排对应的网络编排功能模块能够对形成的网络切片进行监控管理，根据实际业务量对上述网络资源(例如，可被切片的网络资源、虚拟资源)的分配进行扩容、缩容动态调整，并在网络切片的生命周期到期后将其撤销。通过大数据驱动的网络优化来解决网络切片划分和网络资源分配不合理的问题，有利于实现自动化运维、及时响应业务和网络的变化、保障用户体验并提高网络资源的利用率。
所述为所述用户终端设置符合所述目标网络切片模板的目标网络切片之后，还可以包括：
步骤C1、确定所述切片实例的当前虚拟资源故障率，以及，所述切片实例使用的物理设备的当前实际故障率。
本步骤中，可以在切片实例运行预设时长之后，确定切片实例的当前虚拟资源故障率，例如，可以检测目标虚拟资源在本次运行期间提交的故障记录的条数，计算该条数与本次运行期间网络处理平台中所有虚拟资源提交的故障记录的总条数的比值，或者，计算该条数与预设数值的比值，得到当前实际故障率。
进一步地，确定切片实例使用的物理设备，即，目标物理设备实际发生故障的次数。例如，可以检测物理设备在本次运行期间提交的故障记录的条数，从而得到实际发生故障的次数。然后基于该次数确定切片实例使用的物理设备的当前实际故障率。例如，可以计算该次数与本次运行期间网络处理平台中所有物理设备提交的故障记录的总条数的比值，或者，计算该次数与预设数值的比值，得到当前实际故障率。
可选的，在一种实现方式中，上述确定所述切片实例的当前虚拟资源故障率，具体可以包括：
步骤C11、基于所述目标虚拟资源的各项监控指标，分别确定各项监控指标对应的故障率。
监控指标可以根据实际需求设置，监控指标可以包括至少两项。示例性的，监控指标可以包括中央处理器(CPU)使用率、CPU空闲率以及内存使用率。其中，CPU空闲率可以用于判断CPU是否瓶颈，例如，运行队列大于CPU核数3～4倍，则可以认为处于瓶颈。内存使用率可以用于判断内存是否为瓶颈，例如，至少有10％的可用内存，否则可以认为处于瓶颈。其中，内存使用率上限可以为85％。当然，监控指标还可以包括目标虚拟资源与宿主机之间的网络延时、网络丢包等等。可以通过对目标虚拟资源的监控管理，从历史数据库中获取目标虚拟资源的监控指标数据。需要说明的是，实际应用场景中，宿主机的宿主操作系统可以具备下述功能：支持独立的虚拟化产品，例如，VMware、Hyper-V、能够保留宿主操作系统中必须的进程、能够确保宿主操作系统上防病毒软件不扫描虚拟硬盘与虚拟机相关的任何文件、支持宿主操作系统的处理器调度方法、空闲时间能够安排碎片整理。
进一步地，可以将各项监控指标分别作为预设的故障率预测模型的输入，将该故障率预测模型的输出，作为该项监控指标对应的故障率。其中，一项监控指标对应的故障率，可以是从该项监控指标预测的目标虚拟资源发生故障的概率。
步骤C12、基于各项监控指标对应的故障率进行加权平均，得到所述当前虚拟资源故障率。
具体的，可以计算所有监控指标对应的故障率之和，然后除以所有监控指标对应的数量，得到当前虚拟资源故障率。本发明实施例中，基于目标虚拟资源的各项监控指标确定各项监控指标对应的故障率，基于各项监控指标对应的故障率确定当前虚拟资源故障率，由于各项监控指标能从不同角度反映目标虚拟资源的运行情况，因此，这种方式，一定程度上可以提高所确定的当前虚拟资源故障率的准确度。
步骤C2、基于所述当前虚拟资源故障率更新所述历史虚拟资源故障率，以及，基于所述当前实际故障率更新所述目标网络切片模板对应的历史物理设备故障率。
具体的，可以历史虚拟资源故障率可以存储在目标网络切片模板的初始配置信息中。具体的，在确定目标虚拟资源之后，还可以将目标虚拟资源的虚拟资源标识更新至初始配置信息中。需要说明的是，在初始配置信息中当前存在之前的历史虚拟资源故障率的情况下，可以采用替换的方式实现更新，在不存在的情况下，可以采用添加的方式实现更新，上述其他部分的更新操作也可以采用类似原理。
目标网络切片模板的初始配置信息中包括的物理设备故障率，历史物理设备故障率可以是之前针对该目标网络切片模板所使用的物理设备计算的。
具体的，可以基于目标网络切片的S-NSSAI，查询目标网络切片模板的初始配置信息，以获取初始配置信息中的虚拟资源故障率以及物理设备故障率，从而得到历史虚拟资源故障率以及历史物理设备故障率。目标网络切片的S-NSSAI与目标网络切片模板的初始配置信息中S-NSSAI相同。将当前虚拟资源故障率与历史虚拟资源故障率进行比较，当前实际故障率与历史物理设备故障率进行比较。在当前虚拟资源故障率小于历史虚拟资源故障率的情况下，基于当前虚拟资源故障率进行更新。在当前实际故障率小于历史物理设备故障率的情况下，基于当前实际故障率进行更新。也就是说，初始配置信息具体可以包括用户终端UE的标识、网络切片模板的标识、基于该网络切片模板创建网络切片的S-NSSAI、物理设备故障率、分配的虚拟资源的标识以及虚拟资源故障率。
这样，通过更新可以使得初始配置信息中的历史虚拟资源故障率以及历史物理设备故障率更加能反应真实运行情况，进而为后续处理过程提供更准确的参照。且通过更新历史虚拟资源故障率，可以完成对云化基础设施的虚拟资源进行分配，从而使得后续可以更高效、合理、科学的进行调度。需要说明的是，本发明实施例中涉及的操作，可以是在网络通信环境中执行，上述网络切片处理方法可以应用于第五代移动通信技术(5thGeneration Mobile Communication Technology，5G)或者第六代移动通信技术(5thGeneration Mobile Communication Technology，6G)。本发明实施例中，基于人工智能(AI)模型实现基于网络切片技术的无线Mesh网络的按需组网优化。具体的，基于AI模型实现设置目标网络切片模板，进行网络切片模板注册、网络切片选择等操作。对5G网络向6G网络AI转型过程中的按需组网，提供了一种基于AI模型的优化方法。通过人工智能的模型高效应用，一定程度上弥补5G在按需组网过程中网络编排缺乏AI控制分析的弊端，逐步的将5G网络向6G网络AI转型。同时，提高人工智能在5G按需组网领域的应用，可以提升5G按需组网时网络切片模版注册、根据模版设置网络切片、网络编辑功能三个模块的效率。
图2是本发明实施例提供的一种场景示意图，如图2所示，可以结合历史故障数据库以及预设模板库，进行智能网络切片模板注册以及智能根据模板设置网络切片。其中，进行智能网络切片模板注册以及智能根据模板设置网络切片可以理解为基于故障预测模型，确定目标物理设备，基于模板分析模型以及目标物理设备设置目标网络切片模板，基于切片分析模型，从符合目标网络切片模板的多个备选网络切片中确定目标网络切片。接着，可以基于智能网络编排功能进行创建分配、实例化，以基于虚拟资源对目标网络切片实例化，从而完成部署。其中，云化基础设施中的虚拟资源可以包括前述目标虚拟资源。监控管理可以指的是对目标虚拟资源的监控指标进行监控。需要说明的是，实际应用中，该场景中还可以包括虚拟化多业务引擎(vMSE)、虚拟化演进分组核心网(vEPC)以及虚拟镜像管理系统(vIMS)等云服务，以丰富所能提供的功能。
图3是本发明实施例提供的一种网络切片处理装置的结构图，该装置20可以包括：
第一确定模块201，用于响应于用户终端提交的用户请求，基于预设的故障预测模型，确定备选物理设备的故障发生率；所述备选物理设备是同类型网络切片模板所用的物理设备，所述同类型网络切片模板是预设模板库中对应的类型与所述用户请求的需求类型相匹配的网络切片模板；
第一设置模块202，用于基于所述备选物理设备中的目标物理设备，为所述用户终端设置目标网络切片模板；所述目标物理设备的所述故障发生率满足第一预设要求；
第二设置模块203，用于为所述用户终端设置符合所述目标网络切片模板的目标网络切片。
可选的，所述故障发生率用于表征所述备选物理设备未来发生故障的概率；所述第一确定模块201，具体用于：
基于历史故障记录文件，获取所述备选物理设备对应的故障记录条数以及历史故障记录总条数；
将所述故障记录条数以及故障记录总条数作为所述故障预测模型的输入，并获取所述故障预测模型的输出，得到所述备选物理设备的故障发生率；
所述装置20还包括：获取模块，用于在所述第一设置模块基于所述备选物理设备中的目标物理设备，为所述用户终端设置目标网络切片模板之前获取各所述备选物理设备的实际故障率；所述实际故障率基于所述备选物理设备实际发生故障的次数确定；第二确定模块，用于将所述实际故障率以及所述故障发生率均为最低的备选物理设备，确定为所述目标物理设备。
可选的，所述第一设置模块202，具体用于：
基于预设的模板分析模型，从所述同类型网络切片模板中选择异常率满足第二预设要求的同类型网络切片模板；将所述目标物理设备设置为所述异常率满足第二预设要求的同类型网络切片模板所使用的物理设备，得到所述目标网络切片模板；
或者，为所述用户终端注册新的网络切片模板，并将所述目标物理设备设置为所述新的网络切片模板所使用的物理设备，得到所述目标网络切片模板。
可选的，所述第一设置模块202，还具体用于：
将各所述同类型网络切片模板的切片模板特征作为预设的异常率预测模型的输入，并获取所述异常率预测模型为各所述同类型网络切片模板输出的异常率；
基于各所述同类型网络切片模板的异常率，选择所述异常率满足第二预设要求的同类型网络切片模板；所述模板分析模型为所述异常率预测模型。
可选的，所述第二设置模块203，具体用于：
基于所述目标网络切片模板对应的历史虚拟资源故障率，选择目标虚拟资源并基于所述目标虚拟资源创建所述目标网络切片的切片实例，以完成设置；
所述装置还包括：第三确定模块，用于在所述第二设置模块为所述用户终端设置符合所述目标网络切片模板的目标网络切片之后，确定所述切片实例的当前虚拟资源故障率，以及，所述切片实例使用的物理设备的当前实际故障率；更新模块，用于基于所述当前虚拟资源故障率更新所述历史虚拟资源故障率，以及，基于所述当前实际故障率更新所述目标网络切片模板对应的历史物理设备故障率。
可选的，所述第三确定模块，具体用于：
基于所述目标虚拟资源的各项监控指标，分别确定各项监控指标对应的故障率；
基于各项监控指标对应的故障率进行加权平均，得到所述当前虚拟资源故障率。
可选的，所述装置20还包括：
检测模块，用于检测所述预设模板库中是否存在之前为所述用户终端注册的网络切片模板；
第四确定模块，用于若存在，则将之前为所述用户终端注册的网络切片模板，确定为所述同类型网络切片模板。
可选的，所述异常率预测模型是基于随机森林算法构建的。
综上所述，本发明实施例提供的网络切片处理装置，响应于用户终端提交的用户请求，基于预设的故障预测模型，确定备选物理设备的故障发生率；备选物理设备是同类型网络切片模板所用的物理设备，同类型网络切片模板是预设模板库中对应的类型与用户请求的需求类型相匹配的网络切片模板。基于备选物理设备中的目标物理设备，为用户终端设置目标网络切片模板；目标物理设备的故障发生率满足第一预设要求。为用户终端部署符合目标网络切片模板的目标网络切片。通过智能化预测同类型网络切片模板所用物理设备的故障发生率，采用故障发生率满足第一预设要求的目标物理设备为用户终端设置目标网络切片模板，并为用户终端部署符合该目标网络切片模板的目标网络切片。这样，一定程度上可以提高为用户终端设置的网络切片的网络质量。
同时，通过引入智能化模型，可以提高处理过程中的智能化程度.
本发明还提供了一种电子设备，参见图4，包括：处理器901、存储器902以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9021，所述处理器执行所述程序时实现前述实施例的网络切片处理方法。
本发明还提供了一种可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行前述实施例的网络切片处理方法。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
需要说明的是，本发明实施例中获取的各种信息、数据，均是在得到信息/数据持有方授权的情况下获取的。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明的排序设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
本发明所涉及的用户信息(包括但不限于用户的设备信息、用户个人信息等)、相关数据等均为经用户授权或经各方授权后的信息。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种网络切片处理方法，其特征在于，所述方法包括：
响应于用户终端提交的用户请求，基于预设的故障预测模型，确定备选物理设备的故障发生率；所述备选物理设备是同类型网络切片模板所用的物理设备，所述同类型网络切片模板是预设模板库中对应的类型与所述用户请求的需求类型相匹配的网络切片模板；
基于所述备选物理设备中的目标物理设备，为所述用户终端设置目标网络切片模板；所述目标物理设备的所述故障发生率满足第一预设要求；
为所述用户终端设置符合所述目标网络切片模板的目标网络切片。
2.根据权利要求1所述的方法，其特征在于，所述故障发生率用于表征所述备选物理设备未来发生故障的概率；所述基于预设的故障预测模型，确定备选物理设备的故障发生率，包括：
基于历史故障记录文件，获取所述备选物理设备对应的故障记录条数以及历史故障记录总条数；
将所述故障记录条数以及故障记录总条数作为所述故障预测模型的输入，并获取所述故障预测模型的输出，得到所述备选物理设备的故障发生率；
所述基于所述备选物理设备中的目标物理设备，为所述用户终端设置目标网络切片模板之前，所述方法还包括：获取各所述备选物理设备的实际故障率；所述实际故障率基于所述备选物理设备实际发生故障的次数确定；将所述实际故障率以及所述故障发生率均为最低的备选物理设备，确定为所述目标物理设备。
3.根据权利要求1所述的方法，其特征在于，所述基于所述备选物理设备中的目标物理设备，为所述用户终端设置目标网络切片模板，包括：
基于预设的模板分析模型，从所述同类型网络切片模板中选择异常率满足第二预设要求的同类型网络切片模板；将所述目标物理设备设置为所述异常率满足第二预设要求的同类型网络切片模板所使用的物理设备，得到所述目标网络切片模板；
或者，为所述用户终端注册新的网络切片模板，并将所述目标物理设备设置为所述新的网络切片模板所使用的物理设备，得到所述目标网络切片模板。
4.根据权利要求3所述的方法，其特征在于，所述基于预设的模板分析模型，从所述同类型网络切片模板中选择异常率满足第二预设要求的同类型网络切片模板，包括：
将各所述同类型网络切片模板的切片模板特征作为预设的异常率预测模型的输入，并获取所述异常率预测模型为各所述同类型网络切片模板输出的异常率；
基于各所述同类型网络切片模板的异常率，选择所述异常率满足第二预设要求的同类型网络切片模板；所述模板分析模型为所述异常率预测模型。
5.根据权利要求1-4任一所述的方法，其特征在于，所述为所述用户终端设置符合所述目标网络切片模板的目标网络切片，包括：
基于所述目标网络切片模板对应的历史虚拟资源故障率，选择目标虚拟资源并基于所述目标虚拟资源创建所述目标网络切片的切片实例，以完成设置；
所述为所述用户终端设置符合所述目标网络切片模板的目标网络切片之后，还包括：确定所述切片实例的当前虚拟资源故障率，以及，所述切片实例使用的物理设备的当前实际故障率；基于所述当前虚拟资源故障率更新所述历史虚拟资源故障率，以及，基于所述当前实际故障率更新所述目标网络切片模板对应的历史物理设备故障率。
6.根据权利要求5所述的方法，其特征在于，所述确定所述切片实例的当前虚拟资源故障率，包括：
基于所述目标虚拟资源的各项监控指标，分别确定各项监控指标对应的故障率；
基于各项监控指标对应的故障率进行加权平均，得到所述当前虚拟资源故障率。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
检测所述预设模板库中是否存在之前为所述用户终端注册的网络切片模板；
若存在，则将之前为所述用户终端注册的网络切片模板，确定为所述同类型网络切片模板。
8.根据权利要求4所述的方法，其特征在于，所述异常率预测模型是基于随机森林算法构建的。
9.一种网络切片处理装置，其特征在于，所述装置包括：
第一确定模块，用于响应于用户终端提交的用户请求，基于预设的故障预测模型，确定备选物理设备的故障发生率；所述备选物理设备是同类型网络切片模板所用的物理设备，所述同类型网络切片模板是预设模板库中对应的类型与所述用户请求的需求类型相匹配的网络切片模板；
第一设置模块，用于基于所述备选物理设备中的目标物理设备，为所述用户终端设置目标网络切片模板；所述目标物理设备的所述故障发生率满足第一预设要求；
第二设置模块，用于为所述用户终端设置符合所述目标网络切片模板的目标网络切片。
10.一种电子设备，其特征在于，包括：
处理器、存储器以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，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
11.一种可读存储介质，其特征在于，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行权利要求1-8中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210671043.7A CN115037625B (zh) | 2022-06-14 | 2022-06-14 | 网络切片处理方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210671043.7A CN115037625B (zh) | 2022-06-14 | 2022-06-14 | 网络切片处理方法、装置、电子设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115037625A CN115037625A (zh) | 2022-09-09 |
| CN115037625B true CN115037625B (zh) | 2024-04-26 |
Family
ID=83124418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210671043.7A Active CN115037625B (zh) | 2022-06-14 | 2022-06-14 | 网络切片处理方法、装置、电子设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115037625B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108770016A (zh) * | 2018-06-04 | 2018-11-06 | 北京邮电大学 | 基于模板的5g端到端网络切片生成方法及装置 |
| CN109218047A (zh) * | 2017-06-30 | 2019-01-15 | 中国移动通信有限公司研究院 | 网络切片处理方法及装置、通信系统及存储介质 |
| CN114071657A (zh) * | 2020-07-31 | 2022-02-18 | 中移(苏州)软件技术有限公司 | 网络切片的处理方法、装置和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108632068B (zh) * | 2017-03-22 | 2020-09-11 | 大唐移动通信设备有限公司 | 一种网络切片模板生成、网络切片模板应用方法和装置 |
| CN109600246B (zh) * | 2017-09-30 | 2021-09-21 | 华为技术有限公司 | 网络切片管理方法及其装置 |
-
2022
- 2022-06-14 CN CN202210671043.7A patent/CN115037625B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109218047A (zh) * | 2017-06-30 | 2019-01-15 | 中国移动通信有限公司研究院 | 网络切片处理方法及装置、通信系统及存储介质 |
| CN108770016A (zh) * | 2018-06-04 | 2018-11-06 | 北京邮电大学 | 基于模板的5g端到端网络切片生成方法及装置 |
| CN114071657A (zh) * | 2020-07-31 | 2022-02-18 | 中移(苏州)软件技术有限公司 | 网络切片的处理方法、装置和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115037625A (zh) | 2022-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bunyakitanon et al. | End-to-end performance-based autonomous VNF placement with adopted reinforcement learning | |
| WO2020258920A1 (zh) | 一种网络切片资源管理方法及设备 | |
| US11106560B2 (en) | Adaptive thresholds for containers | |
| US8141130B2 (en) | Automated dissemination of enterprise policy for runtime customization of resource arbitration | |
| CN108228347A (zh) | 一种任务感知的Docker自适应调度系统 | |
| US20080086731A1 (en) | Method and system for managing resources in a data center | |
| CN105379204B (zh) | 用于选择数据路由的资源的方法和系统 | |
| CA2476314A1 (en) | Method and system for managing resources in a data center | |
| US11310125B2 (en) | AI-enabled adaptive TCA thresholding for SLA assurance | |
| CN110460662A (zh) | 物联网数据的处理方法和系统 | |
| Nunes et al. | State of the art on microservices autoscaling: An overview | |
| US20130132590A1 (en) | Managing Session Data of a Composite Service Session in a Communication Network | |
| CN117395251A (zh) | 资源调度方法、装置和计算机可读存储介质 | |
| CN111090401B (zh) | 存储设备性能预测方法及装置 | |
| CN115037625B (zh) | 网络切片处理方法、装置、电子设备及可读存储介质 | |
| CN114978913B (zh) | 一种基于切链的服务功能链跨域部署方法及系统 | |
| Zeydan et al. | A multi-criteria decision making approach for scaling and placement of virtual network functions | |
| CN113596146B (zh) | 一种基于大数据的资源调度的方法及装置 | |
| Ramachandran et al. | 5G network management system with machine learning based analytics | |
| CN112925831A (zh) | 基于云计算服务的大数据挖掘方法及大数据挖掘服务系统 | |
| Basu et al. | Deepcare: Deep learning-based smart healthcare framework using 5g assisted network slicing | |
| CN112965795A (zh) | 集群调度方法、电子设备及存储介质 | |
| Feng et al. | Tango: Harmonious management and scheduling for mixed services co-located among distributed edge-clouds | |
| Aljulayfi et al. | Towards elastic edge computing environments: an investigation of adaptive approaches | |
| Vanga et al. | Preventing Data Leakage and Traffic Optimization in Software-Defined Programmable 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 |