CN115134687B - 光接入网的业务识别方法、装置、电子设备及存储介质 - Google Patents
光接入网的业务识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115134687B CN115134687B CN202210712635.9A CN202210712635A CN115134687B CN 115134687 B CN115134687 B CN 115134687B CN 202210712635 A CN202210712635 A CN 202210712635A CN 115134687 B CN115134687 B CN 115134687B
- Authority
- CN
- China
- Prior art keywords
- service
- model
- ont
- onu
- ems
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000003287 optical effect Effects 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000002776 aggregation Effects 0.000 claims abstract description 14
- 238000004220 aggregation Methods 0.000 claims abstract description 14
- 238000002580 esophageal motility study Methods 0.000 claims description 17
- 230000003442 weekly effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 13
- 239000013307 optical fiber Substances 0.000 abstract description 2
- 201000005625 Neuroleptic malignant syndrome Diseases 0.000 description 34
- 238000007726 management method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q11/0067—Provisions for optical access or distribution networks, e.g. Gigabit Ethernet Passive Optical Network (GE-PON), ATM-based Passive Optical Network (A-PON), PON-Ring
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0077—Labelling aspects, e.g. multiprotocol label switching [MPLS], G-MPLS, MPAS
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0079—Operation or maintenance aspects
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Small-Scale Networks (AREA)
Abstract
本申请涉及光纤通信技术领域,公开一种光接入网的业务识别方法。该方法包括:NMS进行初始化训练并将训练后的初始化模型和业务标签发送至每个EMS;各个EMS通过OLT将初始化模型以及业务标签发送至每个ONT或ONU;ONT或ONU将未知业务或特征漂移对应的数据流上报至EMS;EMS确定业务标签;OLT协调ONT或ONU进行增量学习并将增量学习后的模型更新参数上报至EMS;EMS聚合模型更新参数聚合获得第一模型更新参数并下发至ONT或ONU;ONT或ONU对聚合后的模型参数进行训练,再识别本地数据流的业务标签。该方法可提高应用业务识别模型的泛化能力。本申请还公开一种光接入网的业务识别装置、电子设备及存储介质。
Description
技术领域
本申请涉及光纤通信技术领域,例如涉及一种光接入网的业务识别方法、装置、电子设备及存储介质。
背景技术
面对家庭宽带提质、中小企业差异化承载、企业园区的数字化转型的多样诉求,需要在接入侧进行更精准实时的业务感知。随着第五代移动通信技术(5th GenerationMobile Communication Technology,5G)商用以及第六代移动通信技术(6th GenerationMobile Communication Technology,6G)时代的到来,网络需要支持的应用类型扩展到了对网络时延和丢包率要求更高的电竞类、增强现实(Augmented Reality,AR)/虚拟现实(Virtual Reality,VR)、直播等,应用类型和版本众多,用户流量复杂多变,难以通过固定的包特征进行业务识别与分类。
随着人工智能(Artificial Intelligence,AI)技术的发展,通过在各种类型的光网络设备(Optical Network Terminal,ONT)上部署机器学习模型来更实时精准的识别接入网络的应用类型,并通过网元管理系统(Element Management System,EMS)进行统一管理。
在实现本申请实施例的过程中,发现相关技术中至少存在如下问题:
在应用过程中,不断有新的应用数据产生,机器学习模型泛化能力弱,导致应用识别准确率低。
发明内容
为了对披露的实施例的一些方面有基本的理解,下面给出了简单的概括。所述概括不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围,而是作为后面的详细说明的序言。
本申请实施例提供了一种光接入网的业务识别方法、装置、电子设备及存储介质,以提高应用业务识别模型的泛化能力,提高应用业务识别模型的识别准确率。
在一些实施例中,光接入网的业务识别方法包括:网路管理系统(ElementManagement System,NMS)对业务应用识别模型进行初始化训练,并将训练后的初始化模型以及业务标签发送至每个EMS;各个所述EMS通过光线路终端(Optical Line Termination,OLT)将所述初始化模型以及所述业务标签发送至每个光网络设备ONT或光网络单元(Optical Network Unit,ONU);所述ONT或ONU获得本地数据流,并在所述本地数据流中出现未知业务或特征漂移的情况下,所述ONT或ONU将所述未知业务或所述特征漂移对应的数据流通过所述OLT上报至所述EMS;所述EMS根据所述未知业务或特征漂移对应的数据流确定业务标签;所述OLT将所述业务标签发送至所述ONT或ONU;所述ONT或ONU为需要进行增量学习的ONT或ONU;所述ONT或ONU根据所述未知业务或特征漂移对应的数据流以及所述业务标签进行增量学习,并将增量学习后的模型更新参数通过所述OLT上报至所述EMS;所述EMS对所述模型更新参数进行聚合获得第一模型更新参数,并将所述第一模型更新参数通过所述OLT下发至所述ONT或ONU;所述ONT或ONU对所述聚合后的模型参数进行训练,直至模型收敛;所述ONT或ONU根据收敛后的模型识别本地数据流的业务标签。
可选地,在所述EMS对所述模型更新参数进行聚合获得第一模型更新参数之后,光接入网的业务识别方法还包括:所述EMS将所述第一模型更新参数上传至所述NMS;所述NMS周期性聚合多个EMS上传的第一模型更新参数,获得第二模型更新参数,并将所述第二模型更新参数下发至所述EMS;所述EMS通过所述OLT将所述第二模型更新参数下发至所述ONT或ONU。
可选地,所述NMS周期性聚合多个EMS上传的第一模型更新参数,获得第二模型更新参数,包括:所述NMS每周或每月聚合多个EMS上传的第一模型更新参数,获得第二模型更新参数。
可选地,在所述ONT或ONU获得本地数据流之前,光接入网的业务识别方法还包括:NMS对业务应用识别模型进行初始化训练,并将训练后的初始化模型以及业务标签发送至每个EMS;各个EMS通过OLT将所述初始化模型以及所述业务标签发送至每个ONT或ONU。
可选地,在NMS对业务应用识别模型进行初始化训练,并将训练后的初始化模型以及业务标签发送至每个EMS之前,光接入网的业务识别方法还包括:具备联邦学习能力的ONT或ONU向所属EMS进行联邦学习客户端的上报注册;具备联邦学习能力的EMS向所属NMS进行联邦学习客户端的上报注册。
可选地,各个EMS通过OLT将所述初始化模型以及所述业务标签发送至每个ONT或ONU,包括:对于每个EMS,执行如下步骤:获得OLT上传的业务数据;将与所述业务数据匹配的初始化模型以及业务标签通过OLT发送至ONT或ONU。
可选地,在所述ONT或ONU获得本地数据流后,利用当前应用业务识别模型识别所述本地数据流;如果不能识别出业务应用标签,则确定所述本地数据流中出现未知业务或特征漂移。
在一些实施例中,光接入网的业务识别装置包括:第一下发模块、第二下发模块、第一上报模块、匹配模块、第三下发模块、第一训练模块、第一聚合模块、第二训练模块和推理模块;第一下发模块被配置为网路管理系统NMS对业务应用识别模型进行初始化训练,并将训练后的初始化模型以及业务标签发送至每个网元管理单元EMS;第二下发模块被配置为各个所述EMS通过光线路终端OLT将所述初始化模型以及所述业务标签发送至每个光网络设备ONT或光网络单元ONU;第一上报模块被配置为所述ONT或ONU获得本地数据流,并在所述本地数据流中出现未知业务或特征漂移的情况下,所述ONT或ONU将所述未知业务或所述特征漂移对应的数据流通过所述OLT上报至所述EMS;匹配模块被配置为所述EMS根据所述未知业务或特征漂移对应的数据流确定业务标签;第三下发模块被配置为所述OLT将所述业务标签发送至所述ONT或ONU;所述ONT或ONU为需要进行增量学习的ONT或ONU;第一训练模块被配置为所述ONT或ONU根据所述未知业务或特征漂移对应的数据流以及所述业务标签进行增量学习,并将增量学习后的模型更新参数通过所述OLT上报至所述EMS;第一聚合模块被配置为所述EMS对所述模型更新参数进行聚合获得第一模型更新参数,并将所述第一模型更新参数通过所述OLT下发至所述ONT或ONU;第二训练模块被配置为所述ONT或ONU对所述聚合后的模型参数进行训练,直至模型收敛;推理模块被配置为所述ONT或ONU根据收敛后的模型识别本地数据流的业务标签。
可选地,光接入网的业务识别装置还包括第二上报模块、第二聚合模块和第四下发模块;所述第二上报模块被配置为所述EMS将所述第一模型更新参数上传至所述NMS;所述第二聚合模块被配置为所述NMS周期性聚合多个EMS上传的第一模型更新参数,获得第二模型更新参数,并将所述第二模型更新参数下发至所述EMS;所述第四下发模块被配置为所述EMS通过所述OLT将所述第二模型更新参数下发至所述ONT或ONU。
在一些实施例中,电子设备包括处理器和存储有程序指令的存储器,所述处理器被配置为在执行所述程序指令时,执行前述实施例提供的光接入网的业务识别方法。
在一些实施例中,存储介质存储有程序指令,所述程序指令在运行时执行前述实施例提供的光接入网的业务识别方法。
本申请实施例提供的光接入网的业务识别方法、装置、电子设备及存储介质,可以实现以下技术效果:
在本地数据流中出现新的应用数据(未知业务对应的数据)或特征漂移数据的情况下,ONT或ONU向EMS上报未知业务或特征漂移对应的数据流,由EMS为未知业务或特征漂移对应的数据流匹配业务标签,此时,再通过EMS与ONT或ONU的交互完成对应用业务识别模型的更新,该更新后的应用业务模型能够识别新的应用数据或特征漂移的数据,这样,提高了应用业务识别模型的泛化能力,提高应用业务的识别准确率。
以上的总体描述和下文中的描述仅是示例性和解释性的,不用于限制本申请。
附图说明
一个或一个以上实施例通过与之对应的附图进行示例性说明,这些示例性说明和附图并不构成对实施例的限定,附图中具有相同参考数字标号的元件视为类似的元件,并且其中:
图1是本申请实施例提供的一种光接入网的业务识别方法的模型示意图;
图2是本申请实施例提供的一种光接入网的业务识别方法的流程示意图;
图3是本申请实施例提供的一种光接入网的业务识别方法的流程示意图;
图4是本申请实施例提供的一种光接入网的业务识别的装置的示意图;
图5是本申请实施例提供的一种电子设备的示意图。
具体实施方式
为了能够更加详尽地了解本申请实施例的特点与技术内容,下面结合附图对本申请实施例的实现进行详细阐述,所附附图仅供参考说明之用,并非用来限定本申请实施例。在以下的技术描述中,为方便解释起见,通过多个细节以提供对所披露实施例的充分理解。然而,在没有这些细节的情况下,一个或一个以上实施例仍然可以实施。在其它情况下,为简化附图,熟知的结构和装置可以简化展示。
本申请实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等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实施例的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
除非另有说明,术语“多个”表示两个以上。
本申请实施例中,字符“/”表示前后对象是一种“或”的关系。例如,A/B表示:A或B。
术语“和/或”是一种描述对象的关联关系,表示可以存在三种关系。例如,A和/或B,表示:A或B,或,A和B这三种关系。
图1是本申请实施例提供的一种光接入网的业务识别方法的模型示意图。结合图1所示,在本光接入网的业务识别方法的模型包括:
ONT/ONU、OLT、EMS以及NMS,其中,一个NMS与多个EMS通信连接,一个EMS与多个OLT通信连接,一个OLT与多个ONT/ONU通信连接。其中,对于任一ONT/ONU,与该任一ONT/ONU通信连接的OLT为该任一ONT/ONU所属的OLT;对于任一OLT,与该任一OLT通信连接的EMS为该任一OLT所属的EMS;对于任一EMS,与该任一EMS通信连接的NMS为该任一EMS所属的NMS。
ONT/ONU作为部署在用户侧的接入设备,负责感知具体的用户业务,用于将用户流量引入到网络中。OLT由EMS进行管理,在光接入网络中,EMS层一般在域内提供统一的操作维护功能,侧重于地域、网络、子网络内部的网元管理。EMS通过北向接口(NorthboundInterface)与NMS连接,为NMS提供计划和分析数据,并接受来自NMS的统一管理。
在本申请实施例中,多个ONT/ONU及其所属的EMS构成联邦学习网络,在ONT/ONU检测到本地数据流中出现未知业务或特征漂移的数据流的情况下,利用ONT/ONU与EMS构成的联邦学习网络对ONT/ONU的本地应用业务识别模型进行在线训练,使ONT/ONU的本地应用业务识别模型能够识别未知业务或特征漂移的数据流对应的业务标签,提高了ONT/ONU的本地应用业务识别模型的泛化能力,提高了ONT/ONU的本地应用业务识别模型的识别准确率。
图2是本申请实施例提供的一种光接入网的业务识别方法的流程示意图。
结合图2所示,光接入网的业务识别方法包括:
S201、NMS对业务应用识别模型进行初始化训练,并将训练后的初始化模型以及业务标签发送至每个EMS。
其中,每个EMS均为在NMS注册的具备联邦学习能力的EMS。
对应地,在上述步骤之前,具备联邦学习能力的ONT或ONU向所属EMS进行联邦学习客户端的上报注册,完成注册过程,便于NMS将初始化模型以及业务标签下发至每个具备联邦学习能力的EMS。
S202、各个EMS通过OLT将初始化模型以及业务标签发送至每个ONT或ONU。
其中,每个ONT或ONU均为在其对应的EMS注册的具备联邦学习能力的ONT或ONU。
对应地,在上述步骤之前,具备联邦学习能力的EMS向所属NMS进行联邦学习客户端的上报注册。便于EMS将初始化模型以及业务标签下发至每个具备联邦学习能力的ONT或ONU。
可选地,各个EMS通过OLT将初始化模型以及业务标签发送至每个ONT或ONU,包括:对于每个EMS,执行如下步骤:获得OLT上传的业务数据;将与业务数据匹配的初始化模型以及业务标签通过OLT发送至ONT或ONU。
不同地域、不同用户、不同企业的网络应用环境不同,相同应用业务对应的业务数据存在不同,通过下发与OLT的业务数据匹配的初始化模型,可降低特征漂移的现象,提高应用业务识别模型的识别准确度。
S203、ONT或ONU获得本地数据流,并在本地数据流中出现未知业务或特征漂移的情况下,ONT或ONU将未知业务或特征漂移对应的数据流通过OLT上报至EMS。
ONT或ONU部署在用户侧,上述本地数据流,指的是用户侧的数据流。
ONT或ONU中设置有数据采集模块,通过数据采集模块可获得本地数据流。
在不同的应用场景下,同一应用业务产生的数据会存在一定的偏差,同一应用业务的数据产生的偏差即为上述特征漂移。
在ONT或ONU获得本地数据流后,利用当前应用业务识别模型识别本地数据流:如果ONT或ONU可正常识别本地数据流对应的业务标签,则可确定本地数据流中未出现未知业务或特征漂移;如果不能识别出业务应用标签,则确定本地数据流中出现未知业务或特征漂移。
通过上述方式,即可确定出本地数据流中是否出现了未知业务或特征漂移。
S204、EMS根据未知业务或特征漂移对应的数据流确定业务标签。
上述EMS中设置有标签管理模块,该标签管理模块中存储有多个业务标签。
EMS中还设置有模型下发模块,在光接入网的业务识别方法的初始化过程中,EMS通过模型下发模块将应用业务识别模型以及业务标签下发至ONT或ONU。
标签管理模块中存储的业务标签,包括已下发至ONT或ONU的业务标签以及未下发至ONT或ONU的业务标签。
EMS在接收到ONT或ONU上报的未知业务或特征漂移对应的数据流后,可根据数据流与业务标签的对应关系,匹配出未知业务或特征漂移对应的数据流的业务标签。
例如,可在数据流中提取关键信息,依据关键信息与业务标签的对应关系,匹配出数据流中关键信息对应的业务标签。
S205、OLT将业务标签发送至ONT或ONU。
上述ONT或ONU为需要进行增量学习的ONT或ONU。
在EMS确定出业务标签后,通知OLT对进行模型的增量学习,EMS同时通过OLT将确定出的业务标签发送至ONT或ONU。
OLT在接收到EMS的增量学习通知后,在与OLT连接的多个ONT或ONU中确定出上报未知业务或特征漂移对应的数据流ONT或ONU,将EMS发送的业务标签发送至上报未知业务或特征漂移对应的数据流ONT或ONU,使上报未知业务或特征漂移对应的数据流ONT或ONU可根据该业务标签进行增量学习。
S206、ONT或ONU根据未知业务或特征漂移对应的数据流以及业务标签进行增量学习,并将增量学习后的模型更新参数通过OLT上报至EMS。
在ONT或ONU进行增量学习的过程中,对本地应用业务识别模型的参数进行调整。
ONT或ONU包括模型上报模块,ONT或ONU通过模型上报模块可将增量学习后的模型更新参数上报至OLT;OLT包括模型接收模块和模型上报模块,OLT通过模型接收模块接收ONT或ONU上报的模型更新参数,再通过模型上报模块将模型更新参数上报至EMS;EMS包括模型接收模块,可接收OLT上报的模型更新参数。
S207、EMS对模型更新参数进行聚合获得第一模型更新参数,并将第一模型更新参数通过OLT下发至ONT或ONU。
上述聚合指的是联邦学习中的聚合过程。
MES与多个OLT连接,每个OLT与多个ONT或ONU连接,EMS可接收多个ONT或ONU上报的模型更新参数。
EMS对模型更新参数进行聚合获得第一模型更新参数,指的是EMS对多个ONT或ONU上报的模型更新参数,或者,模型更新参数和原始模型参数进行聚合,获得第一模型更新参数。
EMS中包括模型下发模块,EMS可通过模型下发模块将第一模型更新参数下发至OLT,OLT包括模型下发模块,OLT可通过模型下发模块将第一模型更新参数下发至ONT或ONU。
S208、ONT或ONU对聚合后的模型参数进行训练,直至模型收敛。
ONT或ONU包括模型接收模块,通过模型接收模块接收OLT下发的聚合后的模型参数,将聚合后的模型参数导入本地应用业务识别模型,再利用本地数据对导入聚合后的模型参数的本地应用业务识别模型进行训练,直至模型收敛,获得收敛后的模型。
S209、ONT或ONU根据收敛后的模型识别本地数据流的业务标签。
在本地数据流中出现新的应用数据(未知业务对应的数据)或特征漂移数据的情况下,ONT或ONU向EMS上报未知业务或特征漂移对应的数据流,由EMS为未知业务或特征漂移对应的数据流匹配业务标签,此时,再通过EMS与ONT或ONU的交互完成对应用业务识别模型的更新,该更新后的应用业务模型能够识别新的应用数据或特征漂移的数据,这样,提高了应用业务识别模型的泛化能力,提高应用业务的识别准确率。
另外,应用业务识别与分类的过程往往会涉及到用户与企业的隐私数据,在上述提高本地应用业务识别模型的泛化能力的过程中,主要传输业务标签以及模型参数,这样可提高用户与企业的数据安全。
并且,由于应用业务识别与分类的过程涉及到用户与企业的隐私数据,或者,不同地域、类型、用户接入网络的数据样本不同,不同企业或个人,或,不同地域的ONT或ONU与EMS难以直接进行数据的共享流通,无法通过数据汇聚进行集中训练。采用本申请实施例中提供的光接入网的业务识别方法,ONT或ONU利用本地数据进行训练,聚合仅是不同用户、企业,或者不同地域的模型参数,在数据无法进行共享流通的情况下,仍可达到集中训练的效果。
图3是本申请实施例提供的一种光接入网的业务识别方法的流程示意图。
结合图3所示,光接入网的业务识别方法包括:
S301、ONT或ONU获得本地数据流,并在本地数据流中出现未知业务或特征漂移的情况下,ONT或ONU将未知业务或特征漂移对应的数据流通过OLT上报至EMS。
S302、EMS根据未知业务或特征漂移对应的数据流确定业务标签。
S303、OLT将业务标签发送至ONT或ONU。
其中,ONT或ONU为需要进行增量学习的ONT或ONU;
S304、ONT或ONU根据未知业务或特征漂移对应的数据流以及业务标签进行增量学习,并将增量学习后的模型更新参数通过OLT上报至EMS。
S305、EMS对模型更新参数进行聚合获得第一模型更新参数,并将第一模型更新参数通过OLT下发至ONT或ONU。
S306、ONT或ONU对聚合后的模型参数进行训练,直至模型收敛。
S307、ONT或ONU根据收敛后的模型识别本地数据流的业务标签。
S308、EMS将第一模型更新参数上传至NMS。
S309、NMS周期性聚合多个EMS上传的第一模型更新参数,获得第二模型更新参数,并将第二模型更新参数下发至EMS。
可选地,NMS周期性聚合多个EMS上传的第一模型更新参数,获得第二模型更新参数,包括:
NMS每周或每月聚合多个EMS上传的第一模型更新参数,获得第二模型更新参数。
这样,可持续提高ONT或ONU的本地应用业务识别模型的泛化能力,提高识别业务的准确率。
S310、EMS通过OLT将第二模型更新参数下发至ONT或ONU。
S311、ONT或ONU对第二模型更新参数进行训练,直至模型收敛。
S312、ONT或ONU根据收敛后的模型识别本地数据流的业务标签。
在本申请实施例中提供的光接入网的业务识别方法中,多个ONT/ONU及其所属的EMS构成联邦学习网络;多个EMS及其所属的NMS构成联邦学习网络,通过两层联邦学习网络在线更新ONT/ONU的本地应用业务识别模型,提高了ONT/ONU的本地应用业务识别模型的泛化能力和识别准确率。
另外,在一些具体应用中,ONT或ONU、OLT、EMS以及NMS均包括安全隐私模块,在一个设备向另一个设备传输数据时,均对数据进行加密输出,在另一个设备接收到数据时,在进行数据解密,提高了数据传输的安全性;同时,在一个设备向另一个设备传输数据时,安全隐私模块可对数据进行脱敏处理,进一步提高了数据安全性。
图4是本申请实施例提供的一种光接入网的业务识别的装置的示意图。结合图4所示,光接入网的业务识别装置包括第一下发模块41、第二下发模块42、第一上报模块43、匹配模块44、第三下发模块45、第一训练模块46、第一聚合模块47、第二训练模块48以及推理模块49。
第一下发模块41被配置为在ONT或ONU获得本地数据流之前,NMS对业务应用识别模型进行初始化训练,并将训练后的初始化模型以及业务标签发送至每个EMS;第二下发模块42被配置为各个EMS通过OLT将初始化模型以及业务标签发送至每个ONT或ONU;第一上报模块43被配置为光网络设备ONT或光网络单元ONU获得本地数据流,并在本地数据流中出现未知业务或特征漂移的情况下,ONT或ONU将未知业务或特征漂移对应的数据流通过OLT上报至EMS;匹配模块44被配置为EMS根据未知业务或特征漂移对应的数据流确定业务标签;第三下发模块45被配置为OLT将业务标签发送至ONT或ONU;ONT或ONU为需要进行增量学习的ONT或ONU;第一训练模块46被配置为ONT或ONU根据未知业务或特征漂移对应的数据流以及业务标签进行增量学习,并将增量学习后的模型更新参数通过OLT上报至EMS;第一聚合模块47被配置为EMS对模型更新参数进行聚合获得第一模型更新参数,并将第一模型更新参数通过OLT下发至ONT或ONU;第二训练模块48被配置为ONT或ONU对聚合后的模型参数进行训练,直至模型收敛;推理模块49被配置为ONT或ONU根据收敛后的模型识别本地数据流的业务标签。
可选地,光接入网的业务识别装置还包括第二上报模块、第二聚合模块和第四下发模块;第二上报模块被配置为在EMS对模型更新参数进行聚合获得第一模型更新参数之后,EMS将第一模型更新参数上传至网路管理系统NMS;第二聚合模块被配置为NMS周期性聚合多个EMS上传的第一模型更新参数,获得第二模型更新参数,并将第二模型更新参数下发至EMS;第四下发模块被配置为EMS通过OLT将第二模型更新参数下发至ONT或ONU。
可选地,第二聚合模块被具体配置为NMS每周或每月聚合多个EMS上传的第一模型更新参数,获得第二模型更新参数。
可选地,光接入网的业务识别装置还包括第一注册模块和第二注册模块;第一注册模块被配置为在NMS对业务应用识别模型进行初始化训练,并将训练后的初始化模型以及业务标签发送至每个EMS之前,具备联邦学习能力的ONT或ONU向所属EMS进行联邦学习客户端的上报注册;第二注册模块被配置为具备联邦学习能力的EMS向所属NMS进行联邦学习客户端的上报注册。
可选地,第二下发模块42包括获得单元和下发单元;获得单元被配置为每个EMS获得OLT上传的业务数据;下发单元被配置为将与业务数据匹配的初始化模型以及业务标签通过OLT发送至ONT或ONU。
可选地,本地数据流中出现未知业务或特征漂移的情况的确定,包括:在ONT或ONU获得本地数据流后,利用当前应用业务识别模型识别本地数据流;如果不能识别出业务应用标签,则确定本地数据流中出现未知业务或特征漂移。
在一些实施例中,光接入网的业务识别装置包括处理器和存储有程序指令的存储器,处理器被配置为在执行程序指令时,执行前述实施例提供的光接入网的业务识别方法。
图5是本申请实施例提供的一种电子设备的示意图。结合图5所示,电子设备包括:
处理器(processor)51和存储器(memory)52,还可以包括通信接口(Communication Interface)53和总线54。其中,处理器51、通信接口53、存储器52可以通过总线54完成相互间的通信。通信接口53可以用于信息传输。处理器51可以调用存储器52中的逻辑指令,以执行前述实施例提供的光接入网的业务识别方法。
此外,上述的存储器52中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器52作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本申请实施例中的方法对应的程序指令/模块。处理器51通过运行存储在存储器52中的软件程序、指令以及模块,从而执行功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器52可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非易失性存储器。
本申请实施例提供了一种计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令设置为执行前述实施例提供的光接入网的业务识别方法。
本申请实施例提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,使计算机执行前述实施例提供的光接入网的业务识别方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质,也可以是非暂态计算机可读存储介质。
本申请实施例的技术方案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中,包括一个或一个以上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)执行本申请实施例中方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质,包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机读取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
以上描述和附图充分地示出了本申请的实施例,以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。而且,本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的,除非上下文清楚地表明,否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。另外,当用于本申请中时,术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素,和/或组件的存在,但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法或者设备中还存在另外的相同要素。本文中,每个实施例重点说明的可以是与其他实施例的不同之处,各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言,如果其与实施例公开的方法部分相对应,那么相关之处可以参见方法部分的描述。
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,可以取决于技术方案的特定应用和设计约束条件。技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能,但是这种实现不应认为超出本申请实施例的范围。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。
本文所披露的实施例中,所揭露的方法、产品(包括但不限于装置、设备等),可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,可以仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。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单元来实现本实施例。另外,在本申请实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
附图中的流程图和框图显示了根据本申请实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或一个以上用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (10)
1.一种光接入网的业务识别方法,其特征在于,包括:
网路管理系统NMS对业务应用识别模型进行初始化训练,并将训练后的初始化模型以及业务标签发送至每个网元管理单元EMS;
各个所述EMS通过光线路终端OLT将所述初始化模型以及所述业务标签发送至每个光网络设备ONT或光网络单元ONU;
所述ONT或ONU获得本地数据流,并在所述本地数据流中出现未知业务或特征漂移的情况下,所述ONT或ONU将所述未知业务或所述特征漂移对应的数据流通过所述OLT上报至所述EMS;
所述EMS根据所述未知业务或特征漂移对应的数据流确定业务标签;
所述OLT将所述业务标签发送至所述ONT或ONU;所述ONT或ONU为需要进行增量学习的ONT或ONU;
所述ONT或ONU根据所述未知业务或特征漂移对应的数据流以及所述业务标签进行增量学习,并将增量学习后的模型更新参数通过所述OLT上报至所述EMS;
所述EMS对所述模型更新参数进行聚合获得第一模型更新参数,并将所述第一模型更新参数通过所述OLT下发至所述ONT或ONU;
所述ONT或ONU对所述聚合后的模型参数进行训练,直至模型收敛;
所述ONT或ONU根据收敛后的模型识别本地数据流的业务标签。
2.根据权利要求1所述的业务识别方法,其特征在于,在所述EMS对所述模型更新参数进行聚合获得第一模型更新参数之后,还包括:
所述EMS将所述第一模型更新参数上传至所述NMS;
所述NMS周期性聚合多个EMS上传的第一模型更新参数,获得第二模型更新参数,并将所述第二模型更新参数下发至所述EMS;
所述EMS通过所述OLT将所述第二模型更新参数下发至所述ONT或ONU。
3.根据权利要求2所述的业务识别方法,其特征在于,所述NMS周期性聚合多个EMS上传的第一模型更新参数,获得第二模型更新参数,包括:
所述NMS每周或每月聚合多个EMS上传的第一模型更新参数,获得第二模型更新参数。
4.根据权利要求1所述的业务识别方法,其特征在于,在NMS对业务应用识别模型进行初始化训练,并将训练后的初始化模型以及业务标签发送至每个EMS之前,还包括:
具备联邦学习能力的ONT或ONU向所属EMS进行联邦学习客户端的上报注册;
具备联邦学习能力的EMS向所属NMS进行联邦学习客户端的上报注册。
5.根据权利要求1所述的业务识别方法,其特征在于,各个EMS通过OLT将所述初始化模型以及所述业务标签发送至每个ONT或ONU,包括:
对于每个EMS,执行如下步骤:
获得OLT上传的业务数据;
将与所述业务数据匹配的初始化模型以及业务标签通过OLT发送至ONT或ONU。
6.根据权利要求1至5任一项所述的业务识别方法,其特征在于,在所述ONT或ONU获得本地数据流后,利用当前应用业务识别模型识别所述本地数据流;
如果不能识别出业务应用标签,则确定所述本地数据流中出现未知业务或特征漂移。
7.一种光接入网的业务识别装置,其特征在于,包括:
第一下发模块,被配置为网路管理系统NMS对业务应用识别模型进行初始化训练,并将训练后的初始化模型以及业务标签发送至每个网元管理单元EMS;
第二下发模块,被配置为各个所述EMS通过光线路终端OLT将所述初始化模型以及所述业务标签发送至每个光网络设备ONT或光网络单元ONU;
第一上报模块,被配置为所述ONT或ONU获得本地数据流,并在所述本地数据流中出现未知业务或特征漂移的情况下,所述ONT或ONU将所述未知业务或所述特征漂移对应的数据流通过所述OLT上报至所述EMS;
匹配模块,被配置为所述EMS根据所述未知业务或特征漂移对应的数据流确定业务标签;
第三下发模块,被配置为所述OLT将所述业务标签发送至所述ONT或ONU;所述ONT或ONU为需要进行增量学习的ONT或ONU;
第一训练模块,被配置为所述ONT或ONU根据所述未知业务或特征漂移对应的数据流以及所述业务标签进行增量学习,并将增量学习后的模型更新参数通过所述OLT上报至所述EMS;
第一聚合模块,被配置为所述EMS对所述模型更新参数进行聚合获得第一模型更新参数,并将所述第一模型更新参数通过所述OLT下发至所述ONT或ONU;
第二训练模块,被配置为所述ONT或ONU对所述聚合后的模型参数进行训练,直至模型收敛;
推理模块,被配置为所述ONT或ONU根据收敛后的模型识别本地数据流的业务标签。
8.根据权利要求7所述的业务识别装置,其特征在于,还包括:
第二上报模块,被配置为所述EMS将所述第一模型更新参数上传至所述NMS;
第二聚合模块,被配置为所述NMS周期性聚合多个EMS上传的第一模型更新参数,获得第二模型更新参数,并将所述第二模型更新参数下发至所述EMS;
第四下发模块,被配置为所述EMS通过所述OLT将所述第二模型更新参数下发至所述ONT或ONU。
9.一种电子设备,包括处理器和存储有程序指令的存储器,其特征在于,所述处理器被配置为在执行所述程序指令时,执行如权利要求1至6任一项所述的光接入网的业务识别方法。
10.一种存储介质,存储有程序指令,其特征在于,所述程序指令在运行时执行如权利要求1至6任一项所述的光接入网的业务识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210712635.9A CN115134687B (zh) | 2022-06-22 | 2022-06-22 | 光接入网的业务识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210712635.9A CN115134687B (zh) | 2022-06-22 | 2022-06-22 | 光接入网的业务识别方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115134687A CN115134687A (zh) | 2022-09-30 |
CN115134687B true CN115134687B (zh) | 2024-05-07 |
Family
ID=83380427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210712635.9A Active CN115134687B (zh) | 2022-06-22 | 2022-06-22 | 光接入网的业务识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115134687B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020191080A (ja) * | 2019-05-21 | 2020-11-26 | 富士通株式会社 | 増分学習のためのデータ認識方法 |
WO2021169294A1 (zh) * | 2020-02-29 | 2021-09-02 | 华为技术有限公司 | 更新应用识别模型的方法、装置及存储介质 |
WO2022001840A1 (zh) * | 2020-06-29 | 2022-01-06 | 华为技术有限公司 | 一种无源光网络的业务发放方法 |
CN114528304A (zh) * | 2022-02-18 | 2022-05-24 | 安徽工业大学 | 一种自适应客户端参数更新的联邦学习方法、系统及存储介质 |
-
2022
- 2022-06-22 CN CN202210712635.9A patent/CN115134687B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020191080A (ja) * | 2019-05-21 | 2020-11-26 | 富士通株式会社 | 増分学習のためのデータ認識方法 |
WO2021169294A1 (zh) * | 2020-02-29 | 2021-09-02 | 华为技术有限公司 | 更新应用识别模型的方法、装置及存储介质 |
WO2022001840A1 (zh) * | 2020-06-29 | 2022-01-06 | 华为技术有限公司 | 一种无源光网络的业务发放方法 |
CN114528304A (zh) * | 2022-02-18 | 2022-05-24 | 安徽工业大学 | 一种自适应客户端参数更新的联邦学习方法、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
电信网络智能化发展现状与未来展望;程强等;《信息通信技术与政策》;20200930(第9期);16-22 * |
Also Published As
Publication number | Publication date |
---|---|
CN115134687A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210389293A1 (en) | Methods and Systems for Water Area Pollution Intelligent Monitoring and Analysis | |
CN101981546B (zh) | 以不取得事件信息的it装置为对象的根本原因分析方法、装置及程序 | |
KR20170068360A (ko) | 분산 기계 학습을 위한 저장 장치 및 그것의 기계 학습 방법 | |
CN111464485A (zh) | 一种加密代理流量检测方法和装置 | |
CN111753006B (zh) | 一种基于联邦学习的预测系统及方法 | |
CN110460502B (zh) | 基于分布特征随机森林的vpn下应用程序流量识别方法 | |
JP2017524185A (ja) | 資産セキュリティ管理システム | |
CN108537422A (zh) | 安全风险预警系统和方法 | |
CN108881203A (zh) | 基于区块链的数据管理方法、电子设备、存储介质及系统 | |
CN113762034A (zh) | 视频分类方法和装置、存储介质及电子设备 | |
CN105610636A (zh) | 一种面向云计算环境的安全日志生成方法 | |
CN116091826A (zh) | 一种基于联邦学习和半监督学习的智能驾驶感知方法 | |
CN115134687B (zh) | 光接入网的业务识别方法、装置、电子设备及存储介质 | |
CN109636338A (zh) | 一种光电宽带运维管理平台系统 | |
CN115329378A (zh) | 一种具备加密功能的无人机空巡平台 | |
CN113378723B (zh) | 一种基于深度残差网络的输变电线路隐患自动安全识别系统 | |
CN110708341A (zh) | 一种基于远程桌面加密网络流量模式差异的用户行为检测方法及系统 | |
CN114153227B (zh) | 一种基于gps信号的无人机机群密钥提取与安全认证方法 | |
CN114928392B (zh) | 一种基于5g的无人机自动巡检数据实时回传方法和系统 | |
CN103546589A (zh) | 基于Wi-Fi环境下的移动终端相互主动识别方法 | |
CN112564928B (zh) | 服务分类方法及设备、互联网系统 | |
CN113765891A (zh) | 一种设备指纹识别方法以及装置 | |
CN107295087B (zh) | 一种实现网系间数据聚合的系统及方法 | |
CN117834133A (zh) | 基于共识机制的多源感知数据共享方法 | |
CN115412465B (zh) | 基于客户端生成分布式真实网络流量数据集的方法及系统 |
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 |