CN115051934A - 网络性能预测方法、装置、电子设备、存储介质及产品 - Google Patents

网络性能预测方法、装置、电子设备、存储介质及产品 Download PDF

Info

Publication number
CN115051934A
CN115051934A CN202210763040.6A CN202210763040A CN115051934A CN 115051934 A CN115051934 A CN 115051934A CN 202210763040 A CN202210763040 A CN 202210763040A CN 115051934 A CN115051934 A CN 115051934A
Authority
CN
China
Prior art keywords
data
network performance
graph
network
cell
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
CN202210763040.6A
Other languages
English (en)
Inventor
李文文
廖明杰
王希栋
欧阳晔
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.)
Asiainfo Technologies China Inc
Original Assignee
Asiainfo Technologies China Inc
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 Asiainfo Technologies China Inc filed Critical Asiainfo Technologies China Inc
Priority to CN202210763040.6A priority Critical patent/CN115051934A/zh
Publication of CN115051934A publication Critical patent/CN115051934A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Telephonic Communication Services (AREA)
  • Debugging And Monitoring (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请实施例提供了一种网络性能预测方法、装置、电子设备、存储介质及产品，涉及移动通信及人工智能技术领域。该方法包括：获取待处理的第一网络指标数据；通过预构建的网络性能预测模型对第一网络指标数据进行预测，得到网络性能预测结果；其中，网络性能预测模型的构建步骤包括：获取至少一个小区的第二网络指标数据；基于第二网络指标数据，构建用于表征各小区之间的第一相关性的第一图结构，以及用于表征针对每个小区内各网络性能指标之间的第二相关性的第二图结构，以确定层次化图数据；基于层次化图数据生成网络性能预测模型。本申请实施例解决了现有技术中没有考虑到小区内各指标之间的影响，以及小区之间的影响的技术问题。

Description

网络性能预测方法、装置、电子设备、存储介质及产品
技术领域
本申请涉及移动通信及人工智能技术领域，具体而言，本申请涉及一种网络性能预测方法、装置、电子设备、存储介质及产品。
背景技术
随着4G业务的高速发展以及流量的快速增长，导致大量的移动通信网络小区指标超过预警门限而网络质量下降，需提前并有效地解决拥塞以持续保证用户高质量感知。同时，随着5G NR技术的发展，5G在全国范围内的应用也在不断地扩大，急需优化网络性能，比如减轻高容量小区的负荷。
考虑到网络基础设施投入成本大，网络容量亦不可无限放大，为了避免网络过载现象，网络容量局部部署必须可控。目前，利用大数据预测方式对移动运营商收集的大量小区网络性能指标数据进行网络容量预测评估已经成为最经济有效方法，其目的在于为用户评估和预测网络性能。然而，现有的小区指标预测方法主要针对单指标序列的预测，没有考虑到同一小区内其它指标对当前待预测指标的影响，以及邻近小区对当前小区的影响，很大程度上影响小区指标预测的准确度。
发明内容
本申请实施例提供了一种网络性能预测方法、装置、电子设备、存储介质及产品，用于解决现有技术中没有考虑到同一小区内其它指标对当前待预测指标的影响，以及邻近小区对当前小区的影响的技术问题。
根据本申请实施例的一个方面，提供了一种网络性能预测方法，包括：
获取待处理的第一网络指标数据；
通过预构建的网络性能预测模型对所述第一网络指标数据进行预测，得到网络性能预测结果；
其中，所述网络性能预测模型的构建步骤包括：
获取至少一个小区的第二网络指标数据；
基于所述第二网络指标数据，构建用于表征各小区之间的第一相关性的第一图结构，以及用于表征针对每个小区内各网络性能指标之间的第二相关性的第二图结构，并基于所述第一图结构与所述第二图结构确定层次化图数据；
基于所述层次化图数据生成网络性能预测模型。
在一个可能的实现方式中，基于所述第二网络指标数据，构建用于表征各小区之间的第一相关性的第一图结构，包括：
根据所述第二网络指标数据中的小区工程参数，确定用于指示各小区之间的邻接关系的第一相关性；
根据各小区之间的第一相关性，构建第一图结构；
其中，所述第一图结构中的一个节点表征一个小区，所述第一图结构中的边表征所连接的两个节点之间的第一相关性。
在一个可能的实现方式中，基于所述第二网络指标数据，构建用于表征针对每个小区内各网络性能指标之间的第二相关性的第二图结构，包括：
将至少一个网络性能指标作为所述第二图结构的节点，并针对每一网络性能指标，将其所对应的第二网络指标数据中的时序指标数据进行标准化处理，得到各节点的待处理指标数据；
针对每一节点，分别计算该节点与其他节点的待处理指标数据之间的相关系数，以确定用于小区内各网络性能指标之间的关联关系的第二相关性；
根据各网络性能指标之间的第二相关性，构建第二图结构；
其中，所述第二图结构中的边表征用于指示所连接的两个节点之间的第二相关性。
在一个可能的实现方式中，所述网络性能预测模型包括依次连接的子图时空单元、连接层以及主图时空单元；
所述网络性能预测模型执行以下步骤，包括：
通过所述子图时空单元对所述层次化图数据中与所述第二图结构相关的针对第i个小区的多指标数据进行特征提取并聚合，得到第i个小区的多指标特征预测值，其中，i≥1；
通过所述连接层将各小区的多指标特征预测值与所述层次化图数据中所述第一图结构所对应的多小区多指标数据进行连接，得到待处理特征数据；
通过所述主图时空单元将所述待处理特征数据进行特征提取并聚合，得到多小区多指标特征预测值，并将其作为所述网络性能预测模型的输出。
在一个可能的实现方式中，所述基于所述层次化图数据生成网络性能预测模型，包括：
获取至少一个小区的网络指标历史数据，基于所述网络指标历史数据生成层次化图训练数据以及层次化图测试数据；
在所述子图时空单元中，对所述层次化图训练数据中针对第i个小区的多指标训练数据进行学习，直至所得到的第i个小区的多指标特征满足第一训练条件；
在所述主图时空单元中，对所述层次化图训练数据中的多小区多指标训练数据进行学习，直至所得到的多小区多指标特征满足第二训练条件，以获得训练后的网络性能预测模型；
利用所述层次化图测试数据对训练后的网络性能预测模型进行评估，以优化所述网络性能预测模型。
在一个可能的实现方式中，所述子图时空单元包括级联排序的多个第一时空层，所述第一时空层包括连接的第一时间卷积层和第一空间卷积层；
所述主图时空单元包括级联排序的多个第二时空层，所述第二时空层包括连接的第二时间卷积层和第二空间卷积层。
根据本申请实施例的另一个方面，提供了一种网络性能预测装置，包括：
第一数据获取模块，用于获取待处理的第一网络指标数据；
性能预测模块，用于通过预构建的网络性能预测模型对所述第一网络指标数据进行预测，得到网络性能预测结果；
其中，所述装置还包括：
第二数据获取模块，用于获取至少一个小区的第二网络指标数据；
层次化图数据生成模块，用于基于所述第二网络指标数据，构建用于表征各小区之间的第一相关性的第一图结构，以及用于表征针对每个小区内各网络性能指标之间的第二相关性的第二图结构，并基于所述第一图结构与所述第二图结构确定层次化图数据；
模型构建模块，用于基于所述层次化图数据生成网络性能预测模型。
根据本申请实施例的另一个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现上述实施例所述方法的步骤。
根据本申请实施例的另一个方面，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实施例所述的方法的步骤。
根据本申请实施例的再一个方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述实施例所述方法的步骤。
本申请实施例提供的技术方案带来的有益效果是：
本申请提供的网络性能预测方法，通过获取待处理的第一网络指标数据，继而通过预构建的网络性能预测模型对所述第一网络指标数据进行预测，得到网络性能预测结果；其中，所述网络性能预测模型的构建步骤包括：获取至少一个小区的第二网络指标数据；基于所述第二网络指标数据，构建用于表征各小区之间的第一相关性的第一图结构，以及用于表征针对每个小区内各网络性能指标之间的第二相关性的第二图结构，并基于所述第一图结构与所述第二图结构确定层次化图数据，基于所述层次化图数据生成网络性能预测模型，这样考虑到多小区之间、以及网络性能指标之间的相关性，解决了现有技术中没有考虑到同一小区内其它指标对当前待预测指标的影响，以及邻近小区对当前小区的影响的技术问题，则利用以层次化图数据构建的网络性能预测模型进行预测，能够提高网络性能预测的准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的计算机系统架构示意图；
图2为本申请实施例提供的一种网络性能预测方法的流程示意图；
图3为本申请一个示例性实施例提供的第一图结构的示意图；
图4为本申请一个示例性实施例提供的第二图结构的示意图；
图5为本申请一个示例性实施例提供的层次化图数据的示意图；
图6为本申请实施例提供的一种网络性能预测装置的结构示意图；
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合本申请中的附图描述本申请的实施例。应理解，下面结合附图所阐述的实施方式，是用于解释本申请实施例的技术方案的示例性描述，对本申请实施例的技术方案不构成限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请实施例所使用的术语“包括”以及“包含”是指相应特征可以实现为所呈现的特征、信息、数据、步骤、操作、元件和/或组件，但不排除实现为本技术领域所支持其他特征、信息、数据、步骤、操作、元件、组件和/或它们的组合等。应该理解，当我们称一个元件被“连接”或“耦接”到另一元件时，该一个元件可以直接连接或耦接到另一元件，也可以指该一个元件和另一元件通过中间元件建立连接关系。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的术语“和/或”指示该术语所限定的项目中的至少一个，例如“A和/或B”可以实现为“A”，或者实现为“B”，或者实现为“A和B”。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
图1为本申请实施例提供的计算机系统架构示意图。该计算机系统100包括终端设备101和服务器102，其中，终端设备101与服务器102之间通过通信网络连接，且终端设备101以及服务器102可以通过有线或无线通信方式进行直接或间接地连接，本申请对此不做限制。
终端设备101可以为安装有应用程序或可以运行程序的任意终端设备，诸如智能手机、平板电脑、笔记本电脑、台式计算机等，本申请实施例并不对此进行限定。关于硬件结构，上述终端设备101包括显示屏、存储器、处理器及输入设备，但不限于此。
服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络、以及大数据和人工智能平台等基础云计算服务的云服务器。
服务器102为多个终端设备101中开发且运行的应用程序提供后台服务。在本申请中，终端设备101用于采集至少一个小区的第一网络指标数据、第二网络指标数据，并将采集到的数据发送到服务器，使得该服务器102基于接收到的第二网络指标数据，构建用于表征各小区之间的第一相关性的第一图结构，以及用于表征针对每个小区内各网络性能指标之间的第二相关性的第二图结构，并基于第一图结构与第二图结构确定层次化图数据，继而基于层次化图数据生成网络性能预测模型，从而通过该网络性能预测模型对接收到的第一网络指标数据进行预测，得到网络性能预测结果，这样该模型考虑到多小区之间、以及网络性能指标之间的相关性，从而利用网络性能预测模型对待处理的第一网络指标数据进行预测，以获得网络性能预测结果，能够提高小区网络性能预测的准确度。
可选地，本申请实施例提供的网络性能预测方法可以实施于终端设备101中，也即由终端设备101采集到相关的数据后，自身完成网络性能预测模型的构建，以及对所获取的待处理的第一网络指标数据进行预测得到网络性能预测结果。
图2为本申请实施例提供的一种网络性能预测方法的流程示意图。本申请实施例中提供了一种网络性能预测方法，以应用于图1所示的服务器102为例进行说明，该方法包括步骤S201至S202。
S201、获取待处理的第一网络指标数据。
其中，第一网络指标数据包括小区工程参数以及针对每个小区内的多个网络性能指标的指标数据，但不限于此。
可选的，小区工程参数用于表征小区的特性，小区工程参数包括小区名称、所属基站、经纬度、覆盖类型、天线信息、下倾角及方位角，但不限于此。
可选的，网络性能指标包括PDCPUL(即上行流量PDCPUL)、PDCPDL(即下行流量PDCPDL)、PUSCH(即上行利用率PUSCH)、PDSCH(即下行利用率PDSCH)、PDCCH(即下行利用率PDCCH)以及RRC(即在4G小区中标识为有效RRC连接平均数，以及在5G小区中标识为有效数据传输的RRC数)。
S202、通过预构建的网络性能预测模型对所述第一网络指标数据进行预测，得到网络性能预测结果。
在本申请中，将待处理的第一网络指标数据转换为待处理的层次化图数据，其中，依据待处理的第一网络指标数据中的小区工程参数构建用于表征各小区之间的第一相关性的第一图结构，以及依据待处理网络指标数据中针对各网络性能指标的指标数据构建用于表征针对每个小区内各网络性能指标之间的第二相关性的第二图结构，以此得到待处理的层次化图数据。进一步，将待处理的层次化图数据输入到网络性能预测模型，通过子图时空单元针对单个小区的多指标数据进行特征提取并聚合，得到单个小区的多指标特征预测值，继而通过连接层输出待处理特征数据，从而通过主图时空单元针对待处理特征数据进行特征提取并聚合，得到多小区多指标特征预测值，以此获得小区网络性能的预测结果。
在本申请中，所述网络性能预测模型的构建步骤包括：
获取至少一个小区的第二网络指标数据；
基于所述第二网络指标数据，构建用于表征各小区之间的第一相关性的第一图结构，以及用于表征针对每个小区内各网络性能指标之间的第二相关性的第二图结构，并基于所述第一图结构与所述第二图结构确定层次化图数据；
基于所述层次化图数据生成网络性能预测模型。
其中，第二网络指标数据包括小区工程参数以及针对每个小区内的多个网络性能指标的指标数据，但不限于此。可以理解的是，第一网络指标数据与第二网络指标数据属于同一类型的数据，在本申请中通过第一和第二区分是用于训练模型的数据(第二网络指标数据)，还是实例中进行网络性能预测的数据(第一网络指标数据)。
需要说明的是，通过第二网络指标数据中各小区的小区工程参数，获取各小区之间的第一相关性，如邻接关系，以此构建第一图结构，使得在利用由第一图结构构建的网络性能预测模型进行网络性能预测时，能够考虑到邻近小区对当前小区的影响。以及，通过每个小区内的网络性能指标，获取每个小区内各网络性能指标之间的第二相关性，如关联关系，以此构建第二图结构，使得在利用由第二图结构构建的网络性能预测模型进行网络性能预测时，能够考虑到同一小区内其它指标对当前待预测指标的影响。
在一些实施例中，基于所述第二网络指标数据，构建用于表征各小区之间的第一相关性的第一图结构，包括：
根据所述第二网络指标数据中的小区工程参数，确定用于指示各小区之间的邻接关系的第一相关性；
根据各小区之间的第一相关性，构建第一图结构；
其中，所述第一图结构中的一个节点表征一个小区，所述第一图结构中的边表征所连接的两个节点之间的第一相关性。
在本实施例中，针对第一图结构，以小区作为第一图结构的节点，依据第二网络指标数据中各小区的小区工程参数确定各小区之间的邻接关系，并以该邻接关系作为第一结构图中节点之间的边。示例性的，选取单一数据，如所属基站，以确定同一基站覆盖的小区之间的邻接关系；或选取多种数据，如所属基站及经纬度，以确定小区之间的邻接关系。
可选的，以网络性能指标为六个为例，如PDCPUL、PDCPDL、PUSCH、PDSCH、PDCCH以及RRC，第一图结构表示为gp＝(Vp,Ep,Ap)，第一图结构的节点在t时刻的图数据信息通过张量
Figure BDA0003721526580000101
表示，其中|Vp|表示第一图结构的节点数。
例如，图3为本申请一个示例性实施例提供的第一图结构的示意图，以5个小区(如小区1、小区2、小区3、小区4及小区5)为例进行说明，在第一图结构中，以小区作为节点，以由小区的小区工程参数确定的邻接关系作为边。其中，小区1均与小区2、小区3及小区4相互邻接，而且小区2还均与小区4、小区5相互邻接，小区4还均与小区3、小区5邻接。因此，所构建的第一图结构表征小区之间的邻接关系。
在一些实施例中，基于所述第二网络指标数据，构建用于表征针对每个小区内各网络性能指标之间的第二相关性的第二图结构，包括：
将至少一个网络性能指标作为所述第二图结构的节点，并针对每一网络性能指标，将其所对应的第二网络指标数据中的时序指标数据进行标准化处理，得到各节点的待处理指标数据；
针对每一节点，分别计算该节点与其他节点的待处理指标数据之间的相关系数，以确定用于小区内各网络性能指标之间的关联关系的第二相关性；
根据各网络性能指标之间的第二相关性，构建第二图结构；
其中，所述第二图结构中的边表征用于指示所连接的两个节点之间的第二相关性。
在本实施例中，针对第二图结构，以网络性能指标作为节点，并以各网络性能指标之间的第二相关性(如网络性能指标之间的相关系数)作为边。需要说明的是，关于任意两个网络性能指标之间的相关系数ρ，ρ取值范围[-1,1]，那么ρ的绝对值越大，表明该两个指标之间的关联关系越大，即在第二图结构上该两个指标之间存在一连边，且相关系数ρ为该边的权重。另一方面，设定一个大于0且小于1的相关性阈值，当ρ的绝对值小于该相关性阈值时，则表明该两个指标之间不存在关联关系，即在第二图结构上该两个指标之间不存在连边。
在一可选实施例中，通过数据挖掘算法构建第二图结构的连边，以应用数据相关性算法为例说明，针对第二网络指标数据中各网络性能指标的时许指标数据进行标准化处理，得到各节点的待处理指标数据，以消除因数据之间的不同尺度等因素带来的影响。继而，针对每一节点，计算该节点与其他节点的待处理指标数据之间的相关系数，如余弦相似度等(本申请对相关系数计算的方法不作限定)，以便将与该节点的相关系数超于预设阈值的其他节点建立连边，从而生成针对每一小区各网络性能指标的第二图结构。
在另一可选实施例中，对第二网络指标数据中网络性能指标的指标数据进行嵌入(embedding)处理，使得在添加模型参数的情况下，能够降低数据的维度，在嵌入空间中，较为准确地计算节点间的相关系数或节点的距离，以此构建第二图结构。
可选的，以网络性能指标为六个为例，第二图结构表示为gc＝(Vc,Ec,Ac)，第二图结构的节点在t时刻的图数据信息表示为
Figure BDA0003721526580000121
其中|Vc|表示第二图结构的节点数。
例如，图4为本申请一个示例性实施例提供的第二图结构的示意图，针对网络性能指标为PDCPUL、PDCPDL、PUSCH、PDSCH、PDCCH以及RRC，在第二图结构中，以网络性能指标作为节点，由于各网络性能指标之间均存在关联关系，即各节点之间存在连边。
因此，在本申请中，基于第一图结构与第二图结构，确定表征多小区多指标的层次化图数据，如层次化图数据该表示为
Figure BDA0003721526580000122
示例性的，图5为本申请一个示例性实施例提供的层次化图数据的示意图，在层次化图数据中，展示表征5个小区之间的邻接关系的第一图结构，以及针对第一图结构中“小区5”的节点，展示在小区5中6个网络性能指标之间的相关性的第二图结构。
在一些实施例中，所述网络性能预测模型包括依次连接的子图时空单元、连接层以及主图时空单元；
所述网络性能预测模型执行以下步骤，包括：
通过所述子图时空单元对所述层次化图数据中与所述第二图结构相关的针对第i个小区的多指标数据进行特征提取并聚合，得到第i个小区的多指标特征预测值，其中，i≥1；
通过所述连接层将各小区的多指标特征预测值与所述层次化图数据中所述第一图结构所对应的多小区多指标数据进行连接，得到待处理特征数据；
通过所述主图时空单元将所述待处理特征数据进行特征提取并聚合，得到多小区多指标特征预测值，并将其作为所述网络性能预测模型的输出。
在本申请中，基于层次化图数据构建用于捕捉空间特征和时间特征的网络性能预测模型，继而利用网络指标历史数据对该网络性能预测模型进行训练，并针对训练后的网络性能预测模型的模型效果评估，优化该网络性能预测模型，以生成用于数据预测的网络性能预测模型。
需要说明的是，子图时空单元用于提取层次化图数据中关于第二图结构的多指标数据的多指标特征预测值(即子图时空特征)，其包括子图时序特征以及子图空间特征，其中，多指标数据包括第二图结构与第一图结构的映射关系、第二图结构中每个节点的网络性能指标名称、对应的指标数据及节点间的第二相关性等。继而，通过连接层将子图时空单元输出的多指标特征预测值与层次化图数据中关于第一图结构的多小区多指标数据进行连接合并，得到待处理特征数据，其中，多小区多指标数据包括第二图结构与第一图结构的映射关系、第一图结构中每个节点的小区名称、对应的小区工程参数及节点间的第一相关性等。从而，通过主图时空单元提取待处理特征数据的多小区多指标特征预测值。
基于上述实施例，在一些实施例中，所述子图时空单元包括级联排序的多个第一时空层，所述第一时空层包括连接的第一时间卷积层和第一空间卷积层；
所述主图时空单元包括级联排序的多个第二时空层，所述第二时空层包括连接的第二时间卷积层和第二空间卷积层。
在本实施例中，第一时间卷积层用于提取层次化图数据中的子图时序特征，第一空间卷积层用于根据第二图结构的连接关系，通过消息传递机制，子图提取和聚合单个小区的多指标特征并输出单小区的多指标特征预测值。第二时空层用于提取层次化图数据中的主图时序特征，第二空间卷积层用于通过消息传递机制，实现针对多小区多指标特征的处理，输出多小区多指标特征预测值。
示例性的，层次化图数据中关于第二图结构的多指标数据，即单个小区前T个时刻的多指标数据表示为矩阵
Figure BDA0003721526580000141
层次化图数据中关于第一图结构的多小区多指标数据，即|Vp|个小区前T个时刻的多指标数据通过张量表示为
Figure BDA0003721526580000142
经子图时空单元进行子图特征的提取，输出单小区的多指标特征预测值
Figure BDA0003721526580000143
通过连接层将|Vp|个第二图结构输出的数据整理为
Figure BDA0003721526580000144
并与多小区多指标数据连接为
Figure BDA0003721526580000145
在一些实施例中，所述基于所述层次化图数据生成网络性能预测模型，包括：
获取至少一个小区的网络指标历史数据，基于所述网络指标历史数据生成层次化图训练数据以及层次化图测试数据；
在所述子图时空单元中，对所述层次化图训练数据中针对第i个小区的多指标训练数据进行学习，直至所得到的第i个小区的多指标特征满足第一训练条件；
在所述主图时空单元中，对所述层次化图训练数据中的多小区多指标训练数据进行学习，直至所得到的多小区多指标特征满足第二训练条件，以获得训练后的网络性能预测模型；
利用所述层次化图测试数据对训练后的网络性能预测模型进行评估，以优化所述网络性能预测模型。
在本实施例中，将网络指标历史数据分为层次化图训练数据和层次化图测试数据，采用层次化图训练数据对模型进行训练，并采用层次化图测试数据对训练后的模型进行测试评估，以输出网络性能预测模型。示例性的，首先在i个第二图结构
Figure BDA0003721526580000151
上给定的前T个时刻的多指标数据(子图信号数据)
Figure BDA0003721526580000152
通过学习一个映射
Figure BDA0003721526580000153
满足
Figure BDA0003721526580000154
Figure BDA0003721526580000155
来预测未来M个时刻的第i个小区的多指标特征；其次，在连接层的作用下，传递到第一图结构节点上的
Figure BDA0003721526580000156
与多小区多指标数相接为
Figure BDA0003721526580000157
接着，在待处理特征数据
Figure BDA0003721526580000158
上学习一个映射
Figure BDA0003721526580000159
使得
Figure BDA00037215265800001510
来预测未来M个时刻的多小区多指标特征。
进一步，使用层次化图测试数据，结合评估指标，如RMSE、MAE、MAPE等，对模型效果进行评估。在模型效果达到预期效果时，即可输出网络性能预测模型：
Figure BDA00037215265800001511
与
Figure BDA00037215265800001512
本申请提供的网络性能预测方法，通过获取待处理的第一网络指标数据，继而通过预构建的网络性能预测模型对所述第一网络指标数据进行预测，得到网络性能预测结果；其中，所述网络性能预测模型的构建步骤包括：获取至少一个小区的第二网络指标数据；基于所述第二网络指标数据，构建用于表征各小区之间的第一相关性的第一图结构，以及用于表征针对每个小区内各网络性能指标之间的第二相关性的第二图结构，并基于所述第一图结构与所述第二图结构确定层次化图数据，基于所述层次化图数据生成网络性能预测模型，这样考虑到多小区之间、以及网络性能指标之间的相关性，解决了现有技术中没有考虑到同一小区内其它指标对当前待预测指标的影响，以及邻近小区对当前小区的影响的技术问题，则利用以层次化图数据构建的网络性能预测模型进行预测，能够提高网络性能预测的准确度。
参见图6，为本申请实施例提供的一种网络性能预测装置的结构示意图，该网络性能预测装置300，包括：
第一数据获取模块301，用于获取待处理的第一网络指标数据；
性能预测模块302，用于通过预构建的网络性能预测模型对所述第一网络指标数据进行预测，得到网络性能预测结果；
其中，所述装置还包括：
第二数据获取模块303，用于获取至少一个小区的第二网络指标数据；
层次化图数据生成模块304，用于基于所述第二网络指标数据，构建用于表征各小区之间的第一相关性的第一图结构，以及用于表征针对每个小区内各网络性能指标之间的第二相关性的第二图结构，并基于所述第一图结构与所述第二图结构确定层次化图数据；
模型构建模块305，用于基于所述层次化图数据生成网络性能预测模型。
在一些实施例中，层次化图数据生成模块304包括：
第一相关性确定单元，用于根据所述第二网络指标数据中的小区工程参数，确定用于指示各小区之间的邻接关系的第一相关性；
第一图结构构建单元，用于根据各小区之间的第一相关性，构建第一图结构；
其中，所述第一图结构中的一个节点表征一个小区，所述第一图结构中的边表征所连接的两个节点之间的第一相关性。
在一些实施例中，层次化图数据生成模块304包括：
时序指标数据处理单元，用于将至少一个网络性能指标作为所述第二图结构的节点，并针对每一网络性能指标，将其所对应的第二网络指标数据中的时序指标数据进行标准化处理，得到各节点的待处理指标数据；
第二相关性确定单元，用于针对每一节点，分别计算该节点与其他节点的待处理指标数据之间的相关系数，以确定用于小区内各网络性能指标之间的关联关系的第二相关性；
第二图结构构建单元，用于根据各网络性能指标之间的第二相关性，构建第二图结构；
其中，所述第二图结构中的边表征用于指示所连接的两个节点之间的第二相关性。
在一些实施例中，所述网络性能预测模型包括依次连接的子图时空单元、连接层以及主图时空单元；
模型构建模块305，包括：
子图特征提取单元，用于通过所述子图时空单元对所述层次化图数据中与所述第二图结构相关的针对第i个小区的多指标数据进行特征提取并聚合，得到第i个小区的多指标特征预测值，其中，i≥1；
连接层处理单元，用于通过所述连接层将各小区的多指标特征预测值与所述层次化图数据中所述第一图结构所对应的多小区多指标数据进行连接，得到待处理特征数据；
主图特征提取单元，用于通过所述主图时空单元将所述待处理特征数据进行特征提取并聚合，得到多小区多指标特征预测值，并将其作为所述网络性能预测模型的输出。
在一些实施例中，模型构建模块305包括：
数据划分单元，用于获取至少一个小区的网络指标历史数据，基于所述网络指标历史数据生成层次化图训练数据以及层次化图测试数据；
子图时空单元训练单元，用于在所述子图时空单元中，对所述层次化图训练数据中针对第i个小区的多指标训练数据进行学习，直至所得到的第i个小区的多指标特征满足第一训练条件；
主图时空单元训练单元，用于在所述主图时空单元中，对所述层次化图训练数据中的多小区多指标训练数据进行学习，直至所得到的多小区多指标特征满足第二训练条件，以获得训练后的网络性能预测模型；
模型评估单元，用于利用所述层次化图测试数据对训练后的网络性能预测模型进行评估，以优化所述网络性能预测模型。
在一些实施例中，所述子图时空单元包括级联排序的多个第一时空层，所述第一时空层包括连接的第一时间卷积层和第一空间卷积层；
所述主图时空单元包括级联排序的多个第二时空层，所述第二时空层包括连接的第二时间卷积层和第二空间卷积层。
本申请实施例的装置可执行本申请实施例所提供的方法，其实现原理相类似，本申请各实施例的装置中的各模块所执行的动作是与本申请各实施例的方法中的步骤相对应的，对于装置的各模块的详细功能描述具体可以参见前文中所示的对应方法中的描述，此处不再赘述。
本申请实施例中提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，该处理器执行上述计算机程序以实现网络性能预测方法的步骤，与相关技术相比可实现：考虑到多小区之间、以及网络性能指标之间的相关性，解决了现有技术中没有考虑到同一小区内其它指标对当前待预测指标的影响，以及邻近小区对当前小区的影响的技术问题，则利用以层次化图数据构建的网络性能预测模型进行预测，能够提高网络性能预测的准确度。
在一个可选实施例中提供了一种电子设备，如图7所示，图7所示的电子设备4000包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004，收发器4004可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU(Central Processing Unit，中央处理器)，通用处理器，DSP(Digital Signal Processor，数据信号处理器)，ASIC(Application SpecificIntegrated Circuit，专用集成电路)，FPGA(Field Programmable Gate Array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect，外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture，扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，RAM(Random Access Memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质、其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质，在此不做限定。
存储器4003用于存储执行本申请实施例的计算机程序，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的计算机程序，以实现前述方法实施例所示的步骤。
本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
本申请实施例还提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“1”、“2”等(如果存在)是用于区别类似的对象，而不必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，以便这里描述的本申请的实施例能够以除图示或文字描述以外的顺序实施。
应该理解的是，虽然本申请实施例的流程图中通过箭头指示各个操作步骤，但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明，否则在本申请实施例的一些实施场景中，各流程图中的实施步骤可以按照需求以其他的顺序执行。此外，各流程图中的部分或全部步骤基于实际的实施场景，可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行，这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下，这些子步骤或者阶段的执行顺序可以根据需求灵活配置，本申请实施例对此不限制。
以上所述仅是本申请部分实施场景的可选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请的方案技术构思的前提下，采用基于本申请技术思想的其他类似实施手段，同样属于本申请实施例的保护范畴。

Claims (10)

1.一种网络性能预测方法，其特征在于，包括：
获取待处理的第一网络指标数据；
通过预构建的网络性能预测模型对所述第一网络指标数据进行预测，得到网络性能预测结果；
其中，所述网络性能预测模型的构建步骤包括：
获取至少一个小区的第二网络指标数据；
基于所述第二网络指标数据，构建用于表征各小区之间的第一相关性的第一图结构，以及用于表征针对每个小区内各网络性能指标之间的第二相关性的第二图结构，并基于所述第一图结构与所述第二图结构确定层次化图数据；
基于所述层次化图数据生成网络性能预测模型。
2.根据权利要求1所述的方法，其特征在于，基于所述第二网络指标数据，构建用于表征各小区之间的第一相关性的第一图结构，包括：
根据所述第二网络指标数据中的小区工程参数，确定用于指示各小区之间的邻接关系的第一相关性；
根据各小区之间的第一相关性，构建第一图结构；
其中，所述第一图结构中的一个节点表征一个小区，所述第一图结构中的边表征所连接的两个节点之间的第一相关性。
3.根据权利要求1所述的方法，其特征在于，基于所述第二网络指标数据，构建用于表征针对每个小区内各网络性能指标之间的第二相关性的第二图结构，包括：
将至少一个网络性能指标作为所述第二图结构的节点，并针对每一网络性能指标，将其所对应的第二网络指标数据中的时序指标数据进行标准化处理，得到各节点的待处理指标数据；
针对每一节点，分别计算该节点与其他节点的待处理指标数据之间的相关系数，以确定用于小区内各网络性能指标之间的关联关系的第二相关性；
根据各网络性能指标之间的第二相关性，构建第二图结构；
其中，所述第二图结构中的边表征用于指示所连接的两个节点之间的第二相关性。
4.根据权利要求1所述的方法，其特征在于，所述网络性能预测模型包括依次连接的子图时空单元、连接层以及主图时空单元；
所述网络性能预测模型执行以下步骤，包括：
通过所述子图时空单元对所述层次化图数据中与所述第二图结构相关的针对第i个小区的多指标数据进行特征提取并聚合，得到第i个小区的多指标特征预测值，其中，i≥1；
通过所述连接层将各小区的多指标特征预测值与所述层次化图数据中所述第一图结构所对应的多小区多指标数据进行连接，得到待处理特征数据；
通过所述主图时空单元将所述待处理特征数据进行特征提取并聚合，得到多小区多指标特征预测值，并将其作为所述网络性能预测模型的输出。
5.根据权利要求4所述的方法，其特征在于，所述基于所述层次化图数据生成网络性能预测模型，包括：
获取至少一个小区的网络指标历史数据，基于所述网络指标历史数据生成层次化图训练数据以及层次化图测试数据；
在所述子图时空单元中，对所述层次化图训练数据中针对第i个小区的多指标训练数据进行学习，直至所得到的第i个小区的多指标特征满足第一训练条件；
在所述主图时空单元中，对所述层次化图训练数据中的多小区多指标训练数据进行学习，直至所得到的多小区多指标特征满足第二训练条件，以获得训练后的网络性能预测模型；
利用所述层次化图测试数据对训练后的网络性能预测模型进行评估，以优化所述网络性能预测模型。
6.根据权利要求4所述的方法，其特征在于，所述子图时空单元包括级联排序的多个第一时空层，所述第一时空层包括连接的第一时间卷积层和第一空间卷积层；
所述主图时空单元包括级联排序的多个第二时空层，所述第二时空层包括连接的第二时间卷积层和第二空间卷积层。
7.一种网络性能预测装置，其特征在于，包括：
第一数据获取模块，用于获取待处理的第一网络指标数据；
性能预测模块，用于通过预构建的网络性能预测模型对所述第一网络指标数据进行预测，得到网络性能预测结果；
其中，所述装置还包括：
第二数据获取模块，用于获取至少一个小区的第二网络指标数据；
层次化图数据生成模块，用于基于所述第二网络指标数据，构建用于表征各小区之间的第一相关性的第一图结构，以及用于表征针对每个小区内各网络性能指标之间的第二相关性的第二图结构，并基于所述第一图结构与所述第二图结构确定层次化图数据；
模型构建模块，用于基于所述层次化图数据生成网络性能预测模型。
8.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-6任一项所述方法的步骤。
9.一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1-6任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，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1-6任一项所述方法的步骤。
CN202210763040.6A 2022-06-29 2022-06-29 网络性能预测方法、装置、电子设备、存储介质及产品 Pending CN115051934A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210763040.6A CN115051934A (zh) 2022-06-29 2022-06-29 网络性能预测方法、装置、电子设备、存储介质及产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210763040.6A CN115051934A (zh) 2022-06-29 2022-06-29 网络性能预测方法、装置、电子设备、存储介质及产品

Publications (1)

Publication Number Publication Date
CN115051934A true CN115051934A (zh) 2022-09-13

Family

ID=83165725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210763040.6A Pending CN115051934A (zh) 2022-06-29 2022-06-29 网络性能预测方法、装置、电子设备、存储介质及产品

Country Status (1)

Country Link
CN (1) CN115051934A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220022066A1 (en) * 2018-12-11 2022-01-20 Telefonaktiebolaget Lm Ericsson (Publ) Method and system to predict network performance of a fixed wireless network
CN113988464A (zh) * 2021-11-17 2022-01-28 国家电网有限公司客户服务中心 基于图神经网络的网络链路属性关系预测方法及设备
CN114338416A (zh) * 2020-09-29 2022-04-12 中国移动通信有限公司研究院 一种时空多指标预测方法、装置和存储介质
CN114389966A (zh) * 2022-03-24 2022-04-22 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于图神经网络和流时空关联的网络流量识别方法和系统
CN114466369A (zh) * 2021-12-20 2022-05-10 中兴通讯股份有限公司 网络资源处理方法、存储介质及电子装置
CN114615693A (zh) * 2021-11-18 2022-06-10 广州亚信技术有限公司 网络容量预测方法、装置、电子设备及计算机存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220022066A1 (en) * 2018-12-11 2022-01-20 Telefonaktiebolaget Lm Ericsson (Publ) Method and system to predict network performance of a fixed wireless network
CN114338416A (zh) * 2020-09-29 2022-04-12 中国移动通信有限公司研究院 一种时空多指标预测方法、装置和存储介质
CN113988464A (zh) * 2021-11-17 2022-01-28 国家电网有限公司客户服务中心 基于图神经网络的网络链路属性关系预测方法及设备
CN114615693A (zh) * 2021-11-18 2022-06-10 广州亚信技术有限公司 网络容量预测方法、装置、电子设备及计算机存储介质
CN114466369A (zh) * 2021-12-20 2022-05-10 中兴通讯股份有限公司 网络资源处理方法、存储介质及电子装置
CN114389966A (zh) * 2022-03-24 2022-04-22 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于图神经网络和流时空关联的网络流量识别方法和系统

Similar Documents

Publication Publication Date Title
EP3644581B1 (en) Edge-cloud collaboration system for analyzing internet of things data and operating method thereof
CN111867049B (zh) 定位方法、装置及存储介质
CN110991905B (zh) 风险模型训练方法以及装置
Liu et al. Sensors anomaly detection of industrial internet of things based on isolated forest algorithm and data compression
CN113286315B (zh) 负载均衡判断方法、装置、设备及存储介质
Xu et al. Raspberry pi based intelligent wireless sensor node for localized torrential rain monitoring
CN114614989A (zh) 基于数字孪生技术的网络业务的可行性验证方法及装置
CN117082547A (zh) 小区异常检测方法、装置、电子设备和可读存储介质
CN114118748B (zh) 一种服务质量预测方法、装置、电子设备及存储介质
CN116489038A (zh) 网络流量的预测方法、装置、设备和介质
CN103686895A (zh) 切换控制方法、无线网络控制器和接入节点
CN113850669A (zh) 用户分群方法、装置、计算机设备及计算机可读存储介质
CN116227929B (zh) 通信数据的分析方法、装置、设备及存储介质
CN115051934A (zh) 网络性能预测方法、装置、电子设备、存储介质及产品
CN115174237B (zh) 一种物联网系统恶意流量的检测方法、装置和电子设备
CN114615693B (zh) 网络容量预测方法、装置、电子设备及计算机存储介质
Li et al. Short-term rainfall attenuation prediction for wireless communication
CN114760087A (zh) 软件定义工业互联网中的DDoS攻击检测方法及系统
CN114745289A (zh) 网络性能数据的预测方法、装置、存储介质及设备
Li et al. An empirical study on gan-based traffic congestion attack analysis: A visualized method
CN112235723A (zh) 定位方法、装置、电子设备及计算机可读存储介质
CN112637904A (zh) 负载均衡方法、装置及计算设备
Sasirekha et al. An Enhanced Vehicle to Cloud Communication by Prediction Based Machine Learning Approaches
Wang et al. Deployment and evaluation of LoRa network configuration based on random forest
CN116739440B (zh) 自智网络的评价方法、装置、电子设备及存储介质

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