CN115442229B - 通信核心网组网方法、设备、存储介质及装置 - Google Patents

通信核心网组网方法、设备、存储介质及装置 Download PDF

Info

Publication number
CN115442229B
CN115442229B CN202110628643.0A CN202110628643A CN115442229B CN 115442229 B CN115442229 B CN 115442229B CN 202110628643 A CN202110628643 A CN 202110628643A CN 115442229 B CN115442229 B CN 115442229B
Authority
CN
China
Prior art keywords
networking
core network
sinking
demand
graph
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
Application number
CN202110628643.0A
Other languages
English (en)
Other versions
CN115442229A (zh
Inventor
邢彪
丁东
胡皓
陈嫦娇
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 Group Zhejiang Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
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 Group Zhejiang Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202110628643.0A priority Critical patent/CN115442229B/zh
Publication of CN115442229A publication Critical patent/CN115442229A/zh
Application granted granted Critical
Publication of CN115442229B publication Critical patent/CN115442229B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L41/0803—Configuration setting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H04L41/0836—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability to enhance reliability, e.g. reduce downtime
    • 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
    • H04L41/0889—Techniques to speed-up the configuration process
    • 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
    • H04L41/12—Discovery or management of network topologies
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种通信核心网组网方法、设备、存储介质及装置，该方法包括：在接收到用户输入的建网需求时，根据建网需求构建建网需求拓扑图，对建网需求拓扑图进行预处理，以获得邻接矩阵以及特征矩阵，通过预设图到序列神经网络模型对邻接矩阵以及特征矩阵进行处理，以获得网元下沉序列，根据网元下沉序列确定下沉核心网网元，并基于下沉核心网网元进行核心网组网；相较于现有的通过人工决策进行通信核心网组网的方式，由于本发明无需人工决策核心网下沉方案，而是基于用户输入的建网需求自动确定下沉核心网网元，并根据下沉核心网网元进行通信核心网组网，从而能够快速响应各类组网需求，提高组网效率，保证组网可靠性。

Description

通信核心网组网方法、设备、存储介质及装置
技术领域
本发明涉及通信技术领域，尤其涉及一种通信核心网组网方法、设备、存储介质及装置。
背景技术
目前，5G核心网在进行组网时，往往先根据待组网园区的组网需求通过人工决策确定5G核心网下沉方案，再基于5G核心网下沉方案进行组网。
但是，上述方式由于依靠人工进行组网处理，从而存在组网效率低、容易出错的缺陷。并且，在进行核心网组网时，各行各业的组网需求也完全不同，而人工处理不同的组网需求需要大量的时间。因此，上述方式还存在无法快速响应各行各业的组网需求的缺陷。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种通信核心网组网方法、设备、存储介质及装置，旨在解决现有技术中通过人工决策进行通信核心网组网存在组网效率低、容易出错以及无法快速响应各行各业的组网需求的技术问题。
为实现上述目的，本发明提供一种通信核心网组网方法，所述通信核心网组网方法包括以下步骤：
在接收到用户输入的建网需求时，根据所述建网需求构建建网需求拓扑图；
对所述建网需求拓扑图进行预处理，以获得邻接矩阵以及特征矩阵；
通过预设图到序列神经网络模型对所述邻接矩阵以及所述特征矩阵进行处理，以获得网元下沉序列；
根据所述网元下沉序列确定下沉核心网网元，并基于所述下沉核心网网元进行核心网组网。
可选地，所述对所述建网需求拓扑图进行预处理，以获得邻接矩阵以及特征矩阵的步骤，具体包括：
从所述建网需求拓扑图中提取多个拓扑节点、各拓扑节点的节点特征以及各拓扑节点之间的连接关系；
统计所述拓扑节点的节点数量，并根据所述节点数量以及所述连接关系建立邻接矩阵；
根据所述节点特征确定需求描述文本，并对所述需求描述文本进行整数序列化处理，获得特征矩阵。
可选地，所述根据所述节点特征确定需求描述文本，并对所述需求描述文本进行整数序列化处理，获得特征矩阵的步骤，具体包括：
根据所述节点特征确定需求描述文本，并对所述需求描述文本进行索引化处理，获得初始索引数值；
统计所述需求描述文本的文本长度，并基于所述文本长度对所述初始索引数值进行处理，获得目标索引数值；
根据所述目标索引数值、所述文本长度以及所述节点数量建立特征矩阵。
可选地，所述根据所述节点特征确定需求描述文本，并对所述需求描述文本进行索引化处理，获得初始索引数值的步骤，具体包括：
根据所述节点特征确定需求描述文本，并对所述需求描述文本进行字符识别，获得初始文本字符；
查找所述初始文本字符对应的文本处理策略，并基于所述文本处理策略对应所述初始文本字符进行处理，获得目标文本字符；
查找所述目标文本字符对应的索引数字，并根据所述索引数字生成所述需求描述文本的初始索引数值。
可选地，所述在接收到用户输入的建网需求时，根据所述建网需求构建建网需求拓扑图的步骤，具体包括：
在接收到用户输入的建网需求时，从所述建网需求中提取多个建网需求点、各建网需求点的描述信息以及各建网需求点之间的逻辑关系；
根据所述建网需求点生成拓扑节点，并根据所述描述信息设置各拓扑节点的节点特征；
根据所述逻辑关系确定各拓扑节点之间的连接关系，并根据所述连接关系依次连接各拓扑节点，以获得建网需求拓扑图。
可选地，所述预设图到序列神经网络模型包括：图编码器以及序列解码器；所述通过预设图到序列神经网络模型对所述邻接矩阵以及所述特征矩阵进行处理，以获得网元下沉序列的步骤，具体包括：
通过所述图编码器对所述邻接矩阵以及所述特征矩阵进行映射处理，获得潜在空间向量；
通过所述序列解码器从所述潜在空间向量中提取各建网需求点之间的关系特征，并基于所述关系特征生成网元下沉序列。
可选地，所述通过预设图到序列神经网络模型对所述邻接矩阵以及所述特征矩阵进行处理，以获得网元下沉序列的步骤之前，所述通信核心网组网方法还包括：
根据所述邻接矩阵以及所述特征矩阵构建模型训练集，并将所述模型训练集输入所述初始图到序列神经网络模型，获得预测下沉网元；
获取目标下沉网元，并根据预设损失函数模型确定所述预测下沉网元以及所述目标下沉网元之间的损失函数值；
根据所述损失函数值对所述初始图到序列神经网络模型进行参数调整，以获得预设图到序列神经网络模型。
此外，为实现上述目的，本发明还提出一种通信核心网组网设备，所述通信核心网组网设备包括存储器、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通信核心网组网程序，所述通信核心网组网程序配置为实现如上文所述的通信核心网组网方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有通信核心网组网程序，所述通信核心网组网程序被处理器执行时实现如上文所述的通信核心网组网方法的步骤。
此外，为实现上述目的，本发明还提出一种通信核心网组网装置，所述通信核心网组网装置包括：构建模块、转换模块、处理模块和组网模块；
所述构建模块，用于在接收到用户输入的建网需求时，根据所述建网需求构建建网需求拓扑图；
所述转换模块，用于对所述建网需求拓扑图进行预处理，以获得邻接矩阵以及特征矩阵；
所述处理模块，用于通过预设图到序列神经网络模型对所述邻接矩阵以及所述特征矩阵进行处理，以获得网元下沉序列；
所述组网模块，用于根据所述网元下沉序列确定下沉核心网网元，并基于所述下沉核心网网元进行核心网组网。
本发明通过在接收到用户输入的建网需求时，根据建网需求构建建网需求拓扑图，对建网需求拓扑图进行预处理，以获得邻接矩阵以及特征矩阵，通过预设图到序列神经网络模型对邻接矩阵以及特征矩阵进行处理，以获得网元下沉序列，根据网元下沉序列确定下沉核心网网元，并基于下沉核心网网元进行核心网组网；相较于现有的通过人工决策进行通信核心网组网的方式，由于本发明无需人工决策核心网下沉方案，而是基于用户输入的建网需求自动确定下沉核心网网元，并根据下沉核心网网元进行通信核心网组网，从而能够快速响应各类组网需求，提高组网效率，保证组网可靠性。。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的通信核心网组网设备的结构示意图；
图2为本发明通信核心网组网方法第一实施例的流程示意图；
图3为本发明通信核心网组网方法一实施例的5G核心网的服务化网络架构图；
图4为本发明通信核心网组网方法一实施例的建网需求拓扑图；
图5为本发明通信核心网组网方法一实施例的LSTM神经元示意图；
图6为本发明通信核心网组网方法第二实施例的流程示意图；
图7为本发明通信核心网组网方法一实施例的图到序列神经网络模型示意图；
图8为本发明通信核心网组网方法第三实施例的流程示意图；
图9为本发明通信核心网组网装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的通信核心网组网设备结构示意图。
如图1所示，该通信核心网组网设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对通信核心网组网设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及通信核心网组网程序。
在图1所示的通信核心网组网设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述通信核心网组网设备通过处理器1001调用存储器1005中存储的通信核心网组网程序，并执行本发明实施例提供的通信核心网组网方法。
基于上述硬件结构，提出本发明通信核心网组网方法的实施例。
参照图2，图2为本发明通信核心网组网方法第一实施例的流程示意图，提出本发明通信核心网组网方法第一实施例。
步骤S10：在接收到用户输入的建网需求时，根据所述建网需求构建建网需求拓扑图。
应当理解的是，本实施例方法的执行主体可以是具有数据处理、网络通信以及程序运行功能的计算服务设备，例如服务器以及电脑等，或者是其他能够实现相同或相似功能的电子设备，本实施例对此不加以限制。
可以理解的是，通信核心网可以是5G核心网。其中，5G核心网采用了服务化(Service Based Architecture，SBA)架构。而SBA架构借鉴了业界成熟的面向服务的(Service-Oriented Architecture，SOA)架构，并结合了电信网络的现状、特点和发展趋势，以软件重构核心网，从而能够实现5G核心网的高效化、软件化、开放化和智能化。
5G通过架构和功能重构，实现软件定义的网络功能和网络连接，4G的“网元”重构为5G的“网络功能”。在网络架构方面，5G核心网采用控制面集中设置，用户面按需下沉。
为了便于理解，参考图3进行说明，但并不对本方案进行限定。图3为5G核心网的服务化网络架构图，图中5G核心网网元功能主要包括：接入和移动管理功能(Access andMobility Management Function，AMF)用于完成移动性管理、NAS MM信令处理、NAS SM信令路由、安全锚点以及安全上下文管理等；会话管理功能(Session Management Function，SMF)用于完成会话管理、UE IP地址分配和管理、UP选择以及控制等；统一数据管理(Unified Data Management，UDM)用于管理和存储签约数据以及鉴权数据；认证服务器功能(Authentication Server Function，AUSF)用于完成用户接入的身份认证功能；用户面管理功能(User Plane Function，UPF)用于完成不同的用户面处理；策略控制功能((Policy Control Function，PCF)用于支持统一策略框架，提供策略规则；网络存储功能(NF Repository Function，NRF)用于维护已部署NF的信息，处理从其他NF过来的NF发现请求；网络开放功能(Network Exposure Function，NEF)用于使内部或外部应用可以访问网络提供的信息或业务，为不同的使用场景定制化网络能力。
需要说明的是，建网需求可以是用户对于通信核心网的需求。例如，数据不出场、低时延保障、数据安全隔离、边缘计算以及分流能力等。
应当理解的是，建网需求可以通过组网自服务平台上传的组网请求来获取。其中，组网自服务平台可以预先与通信核心网组网设备建立通信连接，用户可以通过组网自服务平台输入组网请求。在具体实现中，组网自服务平台可以是5G企业自服务平台。
需要说明的是，建网需求拓扑图可以由拓扑节点、拓扑节点的节点特征以及各拓扑节点的连接关系组成。其中，拓扑节点用于表示建网需求点，拓扑节点的节点特征用于表示建网需求点的描述信息，拓扑节点之间的连接关系用于表示建网需求点之间的逻辑关系。
可以理解的是，根据建网需求构建建网需求拓扑图可以是从建网需求中提取多个建网需求点、各建网需求点的描述信息以及各建网需求点之间的逻辑关系，并根据建网需求点、各建网需求点的描述信息以及各建网需求点之间的逻辑关系构建建网需求拓扑图。
在具体实现中，建网需求拓扑图可表示为G＝(V，E)。其中，V表示拓扑节点的集合，V＝{V1,V2,V3…,VN}，VN表示第N个拓扑节点，E表示各拓扑节点的连接关系。
为了便于理解，参考图4进行说明，但并不对本方案进行限定。图4为建网需求拓扑图，图中包括：拓扑节点A、B、C、D、E、F，拓扑节点A的节点特征“需求1”，拓扑节点B的节点特征“需求2”，拓扑节点C的节点特征“需求3”，拓扑节点D的节点特征“需求4”，拓扑节点E的节点特征“需求5”，拓扑节点F的节点特征“需求6”，拓扑节点A与拓扑节点B的连接关系1，拓扑节点A与拓扑节点C的连接关系2，拓扑节点A与拓扑节点D的连接关系3，拓扑节点B与拓扑节点E的连接关系4，拓扑节点D与拓扑节点F的连接关系5。
步骤S20：对所述建网需求拓扑图进行预处理，以获得邻接矩阵以及特征矩阵。
需要说明的是，邻接矩阵可以用于表示各拓扑节点之间的逻辑关系，在本实施例以及其他实施例中，以A表示邻接矩阵。邻接矩阵A由eij组成，eij表示节点Vi与节点Vj之间的逻辑关系。在具体实现中，可包含并列、主次、总分等逻辑关系。对各逻辑关系进行编码，形成N*N的邻接矩阵A。其中，N表示拓扑节点的数量。
特征矩阵可以用于表示各拓扑节点的节点特征，在本实施例以及其他实施例中，以X表示特征矩阵。
应当理解的是，对建网需求拓扑图进行预处理，以获得邻接矩阵以及特征矩阵可以是通过预设拓扑图转换模型将建网需求拓扑图转换为邻接矩阵以及特征矩阵。其中，预设拓扑图转换模型用于将拓扑图转换为矩阵。
步骤S30：通过预设图到序列神经网络模型对所述邻接矩阵以及所述特征矩阵进行处理，以获得网元下沉序列。
需要说明的是，图到序列神经网络模型(Graph-to-Sequence，Graph2Seq)用于将图映射为序列。
应当理解的是，由于序列到序列(Sequence-to-Sequence，Seq2Seq)结构神经网络只能应用于输入表示为序列的问题，但在本场景中，输入为图结构数据，输出为序列，因此采用图到序列(Graph-to-Sequence，Graph2Seq)神经网络架构。
可以理解的是，Graph2Seq采用与Seq2Seq相似的编码器-解码器架构，由图编码器和序列解码器组成。其中，图编码器由图卷积神经网络(Graph Convolutional Network，GCNs)组成，负责将输入的建网需求拓扑映射为拓扑节点和边的潜在空间向量表示；序列解码器由长短期记忆神经网络(long short-term memory，LSTM)组成，负责从拓扑节点和边的潜在空间向量表示中抽取需求点之间的关系特征，生成目标5G核心网网元下沉结果序列。
需要说明的是，图编码器由GCN构成，GCN的本质目的就是用来提取拓扑图的空间特征，目标是要学习图G＝(V，E)上的信号或特征的一个映射，输入包括邻接矩阵A和特征矩阵X，模型会产生一个节点级别的输出或图级别的输出Z。每一个图神经网络层可以写成这样一个非线性函数：
H(l+1)＝f(H(l),A)
式中，H(0)＝X即为输入数据，X为特征矩阵，H(l)＝Z即为输出数据，l为神经网络的层数，A为邻接矩阵，通过选择不同的f()以及参数来决定不同的模型。
式中，W(l)为第l个神经网络层的参数矩阵，σ()为非线性激活函数，例如，ReLU函数，A为邻接矩阵，为对邻接矩阵A的对称归一化，A∧＝A+I，D∧为A∧的节点度对角矩阵。
将图编码器输出的Z输入至序列解码器，序列解码器由LSTM层构成，本提案所述的长短期记忆(long short-term memory，LSTM)是一种特殊的循环神经网络类型，通过控制缓存中的值保存的时间，可以记住长期的信息，适合进行时间序列的预测。每个神经元有四个输入和一个输出，每个神经元内有一个Cell存放记忆的数值。
为了便于理解，参考图5进行说明，但并不对本方案进行限定。图5为LSTM神经元示意图，图中每一个LSTM神经元中含有三个门控：遗忘门、输入门、输出门。公式代表了遗忘门，在公式/>中新的信息被添加进来，公式/>融合了新信息和旧信息，公式/> 输出目前LSTM单元已学习到的关于下一个时间戳的信息，公式Yt＝σ(W′ht)用于表示神经元的输出。长短期记忆神经网络在长时间序列的学习上具有较好的效果，LSTM单元内每条连接线上含有相应的权重，xt代表输入向量，ht代表隐藏状态，Ct代表t时刻的神经元状态，Yt代表神经元的输出，W为可训练的权重矩阵，b为偏置向量。
需要说明的是，网元下沉序列用于标识需要下沉的网元。例如，网元下沉序列的输出结果长度为K，每个值对应每个节点的预测结果，0为无需下沉的网元，1为需要下沉的网元。其中，K表示网元总数。
进一步地，为了能够提高图到序列神经网络模型的准确性，所述步骤S30之前，还包括：
根据所述邻接矩阵以及所述特征矩阵构建模型训练集，并将所述模型训练集输入所述初始图到序列神经网络模型，获得预测下沉网元；
获取目标下沉网元，并根据预设损失函数模型确定所述预测下沉网元以及所述目标下沉网元之间的损失函数值；
根据所述损失函数值对所述初始图到序列神经网络模型进行参数调整，以获得预设图到序列神经网络模型。
需要说明的是，模型训练集可以由通信核心网组网设备的管理人员预先设置。在具体实现中，例如，通信核心网组网设备的管理人员预先设置总数据集，并总数据集的90％划为训练集，总数据集的10％划为测试集。其中，训练集用于训练模型，测试集用于测试模型。
需要说明的是，预测下沉网元可以是将模型训练集输入初始图到序列神经网络模型获得的下沉网元，在本实施例以及其他实施例中，以表示预测下沉网元。
应当理解的是，目标下沉网元可以通过通信核心网组网设备的管理人员预先设置的标签矩阵来获取。其中，标签矩阵Y为对数据集中的每一条建网需求描述进行人工标记，获得的最佳5G核心网网元下沉方案。标签矩阵Y的长度为K(即网元总数)，需下沉的网元标记为1，可表示为{y1,y2,y3,…yk}，无需下沉的网元标记为0。
需要说明的是，预设损失函数模型用于计算预测下沉网元与目标下沉网元之间的损失函数值。其中，预设损失函数模型如下所示：
式中，loss为损失函数，yi为目标下沉网元，为预测下沉网元。
在具体实现中，例如，目标函数选择'binary_crossentropy'二类对数损失函数，将训练回合数设置为1500(epochs＝1500)，梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度(optimizer＝'adam')。神经网络通过梯度下降，可以找到使目标函数最小的最优权重值，神经网络通过训练会自主学习到权重值。用训练集进行训练，使得目标函数越小越好，并在每轮训练后用测试集来评价验证模型。模型收敛后导出该模型的权重。
步骤S40：根据所述网元下沉序列确定下沉核心网网元，并基于所述下沉核心网网元进行核心网组网。
需要说明的是，下沉核心网网元可以是需要下沉至用户侧的核心网网元。
在具体实现中，例如，根据网元下沉序列确定下沉核心网网元可以是将网元下沉序列为1的网元作为下沉核心网网元。
可以理解的是，基于下沉核心网网元进行核心网组网可以是展示下沉核心网网元，以指导运营商网络运维人员为客户快速进行建网。
在具体实现中，例如，将下沉核心网网元发送至5G企业自服务平台，以指导运营商网络运维人员为客户快速进行建网。
本实施例通过在接收到用户输入的建网需求时，根据建网需求构建建网需求拓扑图，对建网需求拓扑图进行预处理，以获得邻接矩阵以及特征矩阵，通过预设图到序列神经网络模型对邻接矩阵以及特征矩阵进行处理，以获得网元下沉序列，根据网元下沉序列确定下沉核心网网元，并基于下沉核心网网元进行核心网组网；相较于现有的通过人工决策进行通信核心网组网的方式，由于本实施例无需人工决策核心网下沉方案，而是基于用户输入的建网需求自动确定下沉核心网网元，并根据下沉核心网网元进行通信核心网组网，从而能够快速响应各类组网需求，提高组网效率，保证组网可靠性。
参照图6，图6为本发明通信核心网组网方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明通信核心网组网方法的第二实施例。
在第二实施例中，所述步骤S10，包括：
步骤S101：在接收到用户输入的建网需求时，从所述建网需求中提取多个建网需求点、各建网需求点的描述信息以及各建网需求点之间的逻辑关系。
需要说明的是，各建网需求点之间的逻辑关系可以包括并列、主次以及总分等逻辑关系。
步骤S102：根据所述建网需求点生成拓扑节点，并根据所述描述信息设置各拓扑节点的节点特征。
应当理解的是，根据建网需求点生成拓扑节点可以是将每个建网需求点都作为一个拓扑节点。
可以理解的是，根据描述信息设置各拓扑节点的节点特征可以是直接将各建网需求点的描述信息作为各建网需求点对应拓扑节点的节点特征。
步骤S103：根据所述逻辑关系确定各拓扑节点之间的连接关系，并根据所述连接关系依次连接各拓扑节点，以获得建网需求拓扑图。
在具体实现中，建网需求拓扑图可表示为G＝(V，E)。其中，V表示拓扑节点的集合，V＝{V1,V2,V3…,VN}，VN表示第N个拓扑节点，E表示各拓扑节点的连接关系。
为了便于理解，参考图4进行说明，但并不对本方案进行限定。图4为建网需求拓扑图，图中包括：拓扑节点A、B、C、D、E、F，拓扑节点A的节点特征“需求1”，拓扑节点B的节点特征“需求2”，拓扑节点C的节点特征“需求3”，拓扑节点D的节点特征“需求4”，拓扑节点E的节点特征“需求5”，拓扑节点F的节点特征“需求6”，拓扑节点A与拓扑节点B的连接关系1，拓扑节点A与拓扑节点C的连接关系2，拓扑节点A与拓扑节点D的连接关系3，拓扑节点B与拓扑节点E的连接关系4，拓扑节点D与拓扑节点F的连接关系5。
第二实施例通过在接收到用户输入的建网需求时，从建网需求中提取多个建网需求点、各建网需求点的描述信息以及各建网需求点之间的逻辑关系，根据建网需求点生成拓扑节点，并根据描述信息设置各拓扑节点的节点特征，根据逻辑关系确定各拓扑节点之间的连接关系，并根据连接关系依次连接各拓扑节点，以获得建网需求拓扑图；由于本实施例中具体限定了通过拓扑节点、各拓扑节点的节点特征以及各拓扑节点的节点特征来构建建网需求拓扑图的方式，从而能够提高建网需求拓扑图的构建速度，保证建网需求拓扑图的准确性。
在第二实施例中，所述步骤S20，包括：
步骤S201：从所述建网需求拓扑图中提取多个拓扑节点、各拓扑节点的节点特征以及各拓扑节点之间的连接关系。
可以理解的是，从建网需求拓扑图中提取多个拓扑节点、各拓扑节点的节点特征以及各拓扑节点之间的连接关系可以是对建网需求拓扑图进行图像分析，并根据分析结果提取多个拓扑节点、各拓扑节点的节点特征以及各拓扑节点之间的连接关系。
步骤S202：统计所述拓扑节点的节点数量，并根据所述节点数量以及所述连接关系建立邻接矩阵。
应当理解的是，根据节点数量以及连接关系建立邻接矩阵可以是根据节点数量确定邻接矩阵的矩阵列数以及矩阵行数，根据连接关系确定邻接矩阵的矩阵元素，并基于矩阵列数、矩阵行数以及矩阵元素建立邻接矩阵。
在具体实现中，例如，节点数量为N，节点Vi与节点Vj之间的连接关系为eij，则建立N*N的矩阵，矩阵中的矩阵元素为eij。
步骤S203：根据所述节点特征确定需求描述文本，并对所述需求描述文本进行整数序列化处理，获得特征矩阵。
特征矩阵可以用于表示各拓扑节点的节点特征，在本实施例以及其他实施例中，以X表示特征矩阵。
可以理解的是，对需求描述文本进行整数序列化处理，获得特征矩阵可以是将需求描述文本转化为整数序列，以获得特征矩阵。
第二实施例通过从建网需求拓扑图中提取多个拓扑节点、各拓扑节点的节点特征以及各拓扑节点之间的连接关系，统计拓扑节点的节点数量，并根据节点数量以及连接关系建立邻接矩阵，根据节点特征确定需求描述文本，并对需求描述文本进行整数序列化处理，获得特征矩阵，从而能够快速从建网需求拓扑图中提取邻接矩阵以及特征矩阵。
在第二实施例中，所述步骤S30，包括：
步骤S301：通过所述图编码器对所述邻接矩阵以及所述特征矩阵进行映射处理，获得潜在空间向量。
需要说过的是，图到序列神经网络模型由图编码器和序列解码器组成。其中，图编码器利用图卷积层提取各特征节点之间的逻辑关系以及各特征节点的节点特征，将行业用户建网需求拓扑图的节点和边投影到低维向量空间中；再利用序列解码器的LSTM层学习被提取空间特征后的行业用户建网需求拓扑向量表示与正确的5G核心网网元下沉结果目标序列之间的关系。
为了便于理解，参考图7进行说明，但并不对本方案进行限定。图7为图到序列神经网络模型示意图，图中包括：图编码器和序列解码器。
图编码器：由图卷积神经网络组成，负责将输入的建网需求拓扑映射为拓扑节点和边的潜在空间向量表示。Z＝GCN(X,A)
第一层为输入层：输入建网需求拓扑图的邻接矩阵A和特征矩阵X；
第二层为图卷积层(Graph Conv)：卷积核个数为256，激活函数设置为“relu”，利用卷积层进行拓扑特征提取；
第三层为图卷积层(Graph Conv)：卷积核个数为128，激活函数设置为“relu”；
第四层为图卷积层(Graph Conv)：卷积核个数为64，激活函数设置为“lamda”，输出建网需求拓扑节点和边的潜在空间向量表示Z；
序列解码器：由长短期记忆神经网络组成，负责从拓扑节点和边的潜在空间向量表示中抽取需求点之间的关系特征，生成5G核心网网元下沉结果目标序列。y＝LSTM(Z)。
第五层为长短期记忆层(LSTM)：神经元个数设置为64，激活函数设置为“relu”；输入拓扑的潜在空间向量表示Z；
第六层为长短期记忆层(LSTM)：神经元个数设置为128，激活函数设置为“relu”；
第七层为长短期记忆层(LSTM)：全连接神经元个数为256，激活函数设置为“relu”；
第八层为输出层，由全连接层(Dense)构成：神经元个数设置为K(即核心网网元总数)，激活函数设置为“sigmoid”。输出结果长度为K，每个值对应每个节点的预测结果，0为无需下沉的网元，1为需要下沉的网元。
步骤S302：通过所述序列解码器从所述潜在空间向量中提取各建网需求点之间的关系特征，并基于所述关系特征生成网元下沉序列。
应当理解的是，序列解码器由长短期记忆神经网络组成，负责从拓扑节点和边的潜在空间向量表示中抽取建网需求点之间的关系特征，生成5G核心网网元下沉结果目标序列。
第二实施例通过图编码器对所述邻接矩阵以及所述特征矩阵进行映射处理，获得潜在空间向量，通过所述序列解码器从所述潜在空间向量中提取各建网需求点之间的关系特征，并基于所述关系特征生成网元下沉序列；由于本实施例中图到序列神经网络模型具体由图编码器以及序列解码器组成，并具体公开图编码器以及序列解码器的处理过程，从而能够提高图到序列神经网络模型的可靠性。
参照图8，图8为本发明通信核心网组网方法第三实施例的流程示意图，基于上述图6所示的第二实施例，提出本发明通信核心网组网方法的第三实施例。
在第三实施例中，所述步骤S203，包括：
步骤S2031：根据所述节点特征确定需求描述文本，并对所述需求描述文本进行索引化处理，获得初始索引数值。
应当理解的是，对需求描述文本进行索引化处理，获得初始索引数值可以是将需求描述文本转化为索引数值，以获得初始索引数值。
可以理解的是，将需求描述文本转化为索引数值可以是在预设索引表中查找需求描述文本对应的索引数值。其中，预设索引表中包含需求描述文本与索引数值的对应关系，需求描述文本与索引数值的对应关系可以由通信核心网组网设备的管理人员预先设置。
进一步地，考虑到实际应用中，需求描述文本中存在大量干扰信息，为了避免干扰信息对初始索引数值造成干扰。所述步骤S2031，包括：
根据所述节点特征确定需求描述文本，并对所述需求描述文本进行字符识别，获得初始文本字符；
查找所述初始文本字符对应的文本处理策略，并基于所述文本处理策略对应所述初始文本字符进行处理，获得目标文本字符；
查找所述目标文本字符对应的索引数字，并根据所述索引数字生成所述需求描述文本的初始索引数值。
可以理解的是，对需求描述文本进行字符识别，获得初始文本字符可以是通过预设字符识别模型对需求描述文本进行字符识别，获得初始文本字符。其中，预设字符识别模型用于将文本转化为字符。
应当理解的是，查找初始文本字符对应的文本处理策略可以是对初始文本字符，获得文本字符类别，并在预设处理策略表中查找文本字符类别对应的文本处理策略。其中，文本字符类别可以包括标点符号类别、中文字符类别以及英文字符类别等，预设处理策略表中包含文本字符类别与文本处理策略的对应关系，文本字符类别与文本处理策略的对应关系可以由通信核心网组网设备的管理人员预先设置。
在具体实现中，例如，移除所有标点符号，若文本为中文则对文本进行分词、若文本为英文则将字母统一为小写。
步骤S2032：统计所述需求描述文本的文本长度，并基于所述文本长度对所述初始索引数值进行处理，获得目标索引数值。
需要说明的是，文本长度可以是需求描述文本中的最大文本长度。
应当理解的是，基于文本长度对初始索引数值进行处理，获得目标索引数值可以是将未达到最大文本长度的初始索引数值进行补零，直至初始索引数值的长度等于最大文本长度。
步骤S2033：根据所述目标索引数值、所述文本长度以及所述节点数量建立特征矩阵。
可以理解的是，根据目标索引数值、所述文本长度以及所述节点数量建立特征矩阵可以是以节点数量为矩阵行数，以文本长度为矩阵列数，以目标索引数值为矩阵元素建立特征矩阵。
第三实施例通过根据节点特征确定需求描述文本，并对需求描述文本进行索引化处理，获得初始索引数值，统计需求描述文本的文本长度，并基于文本长度对初始索引数值进行处理，获得目标索引数值，根据目标索引数值、文本长度以及节点数量建立特征矩阵，从而能够准确建立特征矩阵。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有通信核心网组网程序，所述通信核心网组网程序被处理器执行时实现如上文所述的通信核心网组网方法的步骤。
此外，参照图9，本发明实施例还提出一种通信核心网组网装置，所述通信核心网组网装置包括：构建模块10、转换模块20、处理模块30和组网模块40；
所述构建模块10，用于在接收到用户输入的建网需求时，根据所述建网需求构建建网需求拓扑图。
可以理解的是，通信核心网可以是5G核心网。其中，5G核心网采用了服务化(Service Based Architecture，SBA)架构。而SBA架构借鉴了业界成熟的面向服务的(Service-Oriented Architecture，SOA)架构，并结合了电信网络的现状、特点和发展趋势，以软件重构核心网，从而能够实现5G核心网的高效化、软件化、开放化和智能化。
5G通过架构和功能重构，实现软件定义的网络功能和网络连接，4G的“网元”重构为5G的“网络功能”。在网络架构方面，5G核心网采用控制面集中设置，用户面按需下沉。
为了便于理解，参考图3进行说明，但并不对本方案进行限定。图3为5G核心网的服务化网络架构图，图中5G核心网网元功能主要包括：接入和移动管理功能(Access andMobility Management Function，AMF)用于完成移动性管理、NAS MM信令处理、NAS SM信令路由、安全锚点以及安全上下文管理等；会话管理功能(Session Management Function，SMF)用于完成会话管理、UE IP地址分配和管理、UP选择以及控制等；统一数据管理(Unified Data Management，UDM)用于管理和存储签约数据以及鉴权数据；认证服务器功能(Authentication Server Function，AUSF)用于完成用户接入的身份认证功能；用户面管理功能(User Plane Function，UPF)用于完成不同的用户面处理；策略控制功能((Policy Control Function，PCF)用于支持统一策略框架，提供策略规则；网络存储功能(NF Repository Function，NRF)用于维护已部署NF的信息，处理从其他NF过来的NF发现请求；网络开放功能(Network Exposure Function，NEF)用于使内部或外部应用可以访问网络提供的信息或业务，为不同的使用场景定制化网络能力。
需要说明的是，建网需求可以是用户对于通信核心网的需求。例如，数据不出场、低时延保障、数据安全隔离、边缘计算以及分流能力等。
应当理解的是，建网需求可以通过组网自服务平台上传的组网请求来获取。其中，组网自服务平台可以预先与通信核心网组网设备建立通信连接，用户可以通过组网自服务平台输入组网请求。在具体实现中，组网自服务平台可以是5G企业自服务平台。
需要说明的是，建网需求拓扑图可以由拓扑节点、拓扑节点的节点特征以及各拓扑节点的连接关系组成。其中，拓扑节点用于表示建网需求点，拓扑节点的节点特征用于表示建网需求点的描述信息，拓扑节点之间的连接关系用于表示建网需求点之间的逻辑关系。
可以理解的是，根据建网需求构建建网需求拓扑图可以是从建网需求中提取多个建网需求点、各建网需求点的描述信息以及各建网需求点之间的逻辑关系，并根据建网需求点、各建网需求点的描述信息以及各建网需求点之间的逻辑关系构建建网需求拓扑图。
在具体实现中，建网需求拓扑图可表示为G＝(V，E)。其中，V表示拓扑节点的集合，V＝{V1,V2,V3…,VN}，VN表示第N个拓扑节点，E表示各拓扑节点的连接关系。
为了便于理解，参考图4进行说明，但并不对本方案进行限定。图4为建网需求拓扑图，图中包括：拓扑节点A、B、C、D、E、F，拓扑节点A的节点特征“需求1”，拓扑节点B的节点特征“需求2”，拓扑节点C的节点特征“需求3”，拓扑节点D的节点特征“需求4”，拓扑节点E的节点特征“需求5”，拓扑节点F的节点特征“需求6”，拓扑节点A与拓扑节点B的连接关系1，拓扑节点A与拓扑节点C的连接关系2，拓扑节点A与拓扑节点D的连接关系3，拓扑节点B与拓扑节点E的连接关系4，拓扑节点D与拓扑节点F的连接关系5。
所述转换模块20，用于对所述建网需求拓扑图进行预处理，以获得邻接矩阵以及特征矩阵。
需要说明的是，邻接矩阵可以用于表示各拓扑节点之间的逻辑关系，在本实施例以及其他实施例中，以A表示邻接矩阵。邻接矩阵A由eij组成，eij表示节点Vi与节点Vj之间的逻辑关系。在具体实现中，可包含并列、主次、总分等逻辑关系。对各逻辑关系进行编码，形成N*N的邻接矩阵A。其中，N表示拓扑节点的数量。
特征矩阵可以用于表示各拓扑节点的节点特征，在本实施例以及其他实施例中，以X表示特征矩阵。
应当理解的是，对建网需求拓扑图进行预处理，以获得邻接矩阵以及特征矩阵可以是通过预设拓扑图转换模型将建网需求拓扑图转换为邻接矩阵以及特征矩阵。其中，预设拓扑图转换模型用于将拓扑图转换为矩阵。
所述处理模块30，用于通过预设图到序列神经网络模型对所述邻接矩阵以及所述特征矩阵进行处理，以获得网元下沉序列。
需要说明的是，图到序列神经网络模型(Graph-to-Sequence，Graph2Seq)用于将图映射为序列。
应当理解的是，由于序列到序列(Sequence-to-Sequence，Seq2Seq)结构神经网络只能应用于输入表示为序列的问题，但在本场景中，输入为图结构数据，输出为序列，因此采用图到序列(Graph-to-Sequence，Graph2Seq)神经网络架构。
可以理解的是，Graph2Seq采用与Seq2Seq相似的编码器-解码器架构，由图编码器和序列解码器组成。其中，图编码器由图卷积神经网络(Graph Convolutional Network，GCNs)组成，负责将输入的建网需求拓扑映射为拓扑节点和边的潜在空间向量表示；序列解码器由长短期记忆神经网络(long short-term memory，LSTM)组成，负责从拓扑节点和边的潜在空间向量表示中抽取需求点之间的关系特征，生成目标5G核心网网元下沉结果序列。
需要说明的是，图编码器由GCN构成，GCN的本质目的就是用来提取拓扑图的空间特征，目标是要学习图G＝(V，E)上的信号或特征的一个映射，输入包括邻接矩阵A和特征矩阵X，模型会产生一个节点级别的输出或图级别的输出Z。每一个图神经网络层可以写成这样一个非线性函数：
H(l+1)＝f(H(l),A)
式中，H(0)＝X即为输入数据，X为特征矩阵，H(l)＝Z即为输出数据，l为神经网络的层数，A为邻接矩阵，通过选择不同的f()以及参数来决定不同的模型。
式中，W(l)为第l个神经网络层的参数矩阵，σ()为非线性激活函数，例如，ReLU函数，A为邻接矩阵，为对邻接矩阵A的对称归一化，A∧＝A+I，D∧为A∧的节点度对角矩阵。
将图编码器输出的Z输入至序列解码器，序列解码器由LSTM层构成，本提案所述的长短期记忆(long short-term memory，LSTM)是一种特殊的循环神经网络类型，通过控制缓存中的值保存的时间，可以记住长期的信息，适合进行时间序列的预测。每个神经元有四个输入和一个输出，每个神经元内有一个Cell存放记忆的数值。
为了便于理解，参考图5进行说明，但并不对本方案进行限定。图5为LSTM神经元示意图，图中每一个LSTM神经元中含有三个门控：遗忘门、输入门、输出门。公式代表了遗忘门，在公式/>中新的信息被添加进来，公式/>融合了新信息和旧信息，公式/> 输出目前LSTM单元已学习到的关于下一个时间戳的信息，公式Yt＝σ(W′ht)用于表示神经元的输出。长短期记忆神经网络在长时间序列的学习上具有较好的效果，LSTM单元内每条连接线上含有相应的权重，xt代表输入向量，ht代表隐藏状态，Ct代表t时刻的神经元状态，Yt代表神经元的输出，W为可训练的权重矩阵，b为偏置向量。
需要说明的是，网元下沉序列用于标识需要下沉的网元。例如，网元下沉序列的输出结果长度为K，每个值对应每个节点的预测结果，0为无需下沉的网元，1为需要下沉的网元。其中，K表示网元总数。
进一步地，为了能够提高图到序列神经网络模型的准确性，所述通信核心网组网装置还包括：训练模块；
所述训练模块，用于根据所述邻接矩阵以及所述特征矩阵构建模型训练集，并将所述模型训练集输入所述初始图到序列神经网络模型，获得预测下沉网元；获取目标下沉网元，并根据预设损失函数模型确定所述预测下沉网元以及所述目标下沉网元之间的损失函数值；根据所述损失函数值对所述初始图到序列神经网络模型进行参数调整，以获得预设图到序列神经网络模型。
需要说明的是，模型训练集可以由通信核心网组网设备的管理人员预先设置。在具体实现中，例如，通信核心网组网设备的管理人员预先设置总数据集，并总数据集的90％划为训练集，总数据集的10％划为测试集。其中，训练集用于训练模型，测试集用于测试模型。
需要说明的是，预测下沉网元可以是将模型训练集输入初始图到序列神经网络模型获得的下沉网元，在本实施例以及其他实施例中，以表示预测下沉网元。
应当理解的是，目标下沉网元可以通过通信核心网组网设备的管理人员预先设置的标签矩阵来获取。其中，标签矩阵Y为对数据集中的每一条建网需求描述进行人工标记，获得的最佳5G核心网网元下沉方案。标签矩阵Y的长度为K(即网元总数)，需下沉的网元标记为1，可表示为{y1,y2,y3,…yk}，无需下沉的网元标记为0。
需要说明的是，预设损失函数模型用于计算预测下沉网元与目标下沉网元之间的损失函数值。其中，预设损失函数模型如下所示：
式中，loss为损失函数，yi为目标下沉网元，为预测下沉网元。
在具体实现中，例如，目标函数选择'binary_crossentropy'二类对数损失函数，将训练回合数设置为1500(epochs＝1500)，梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度(optimizer＝'adam')。神经网络通过梯度下降，可以找到使目标函数最小的最优权重值，神经网络通过训练会自主学习到权重值。用训练集进行训练，使得目标函数越小越好，并在每轮训练后用测试集来评价验证模型。模型收敛后导出该模型的权重。
所述组网模块40，用于根据所述网元下沉序列确定下沉核心网网元，并基于所述下沉核心网网元进行核心网组网。
需要说明的是，下沉核心网网元可以是需要下沉至用户侧的核心网网元。
在具体实现中，例如，根据网元下沉序列确定下沉核心网网元可以是将网元下沉序列为1的网元作为下沉核心网网元。
可以理解的是，基于下沉核心网网元进行核心网组网可以是展示下沉核心网网元，以指导运营商网络运维人员为客户快速进行建网。
在具体实现中，例如，将下沉核心网网元发送至5G企业自服务平台，以指导运营商网络运维人员为客户快速进行建网。
本实施例通过在接收到用户输入的建网需求时，根据建网需求构建建网需求拓扑图，对建网需求拓扑图进行预处理，以获得邻接矩阵以及特征矩阵，通过预设图到序列神经网络模型对邻接矩阵以及特征矩阵进行处理，以获得网元下沉序列，根据网元下沉序列确定下沉核心网网元，并基于下沉核心网网元进行核心网组网；相较于现有的通过人工决策进行通信核心网组网的方式，由于本实施例无需人工决策核心网下沉方案，而是基于用户输入的建网需求自动确定下沉核心网网元，并根据下沉核心网网元进行通信核心网组网，从而能够快速响应各类组网需求，提高组网效率，保证组网可靠性。
本发明所述通信核心网组网装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统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。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。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。
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(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(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。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种通信核心网组网方法，其特征在于，所述通信核心网组网方法包括以下步骤：
在接收到用户输入的建网需求时，根据所述建网需求构建建网需求拓扑图；
对所述建网需求拓扑图进行预处理，以获得邻接矩阵以及特征矩阵；
通过预设图到序列神经网络模型对所述邻接矩阵以及所述特征矩阵进行处理，以获得网元下沉序列；
根据所述网元下沉序列确定下沉核心网网元，并基于所述下沉核心网网元进行核心网组网；
其中，所述对所述建网需求拓扑图进行预处理，以获得邻接矩阵以及特征矩阵的步骤，具体包括：
从所述建网需求拓扑图中提取多个拓扑节点、各拓扑节点的节点特征以及各拓扑节点之间的连接关系；
统计所述拓扑节点的节点数量，并根据所述节点数量以及所述连接关系建立邻接矩阵；
根据所述节点特征确定需求描述文本，并对所述需求描述文本进行索引化处理，获得初始索引数值；
统计所述需求描述文本的文本长度，并基于所述文本长度对所述初始索引数值进行处理，获得目标索引数值；
根据所述目标索引数值、所述文本长度以及所述节点数量建立特征矩阵。
2.如权利要求1所述的通信核心网组网方法，其特征在于，所述根据所述节点特征确定需求描述文本，并对所述需求描述文本进行索引化处理，获得初始索引数值的步骤，具体包括：
根据所述节点特征确定需求描述文本，并对所述需求描述文本进行字符识别，获得初始文本字符；
查找所述初始文本字符对应的文本处理策略，并基于所述文本处理策略对应所述初始文本字符进行处理，获得目标文本字符；
查找所述目标文本字符对应的索引数字，并根据所述索引数字生成所述需求描述文本的初始索引数值。
3.如权利要求1或2所述的通信核心网组网方法，其特征在于，所述在接收到用户输入的建网需求时，根据所述建网需求构建建网需求拓扑图的步骤，具体包括：
在接收到用户输入的建网需求时，从所述建网需求中提取多个建网需求点、各建网需求点的描述信息以及各建网需求点之间的逻辑关系；
根据所述建网需求点生成拓扑节点，并根据所述描述信息设置各拓扑节点的节点特征；
根据所述逻辑关系确定各拓扑节点之间的连接关系，并根据所述连接关系依次连接各拓扑节点，以获得建网需求拓扑图。
4.如权利要求3所述的通信核心网组网方法，其特征在于，所述预设图到序列神经网络模型包括：图编码器以及序列解码器；所述通过预设图到序列神经网络模型对所述邻接矩阵以及所述特征矩阵进行处理，以获得网元下沉序列的步骤，具体包括：
通过所述图编码器对所述邻接矩阵以及所述特征矩阵进行映射处理，获得潜在空间向量；
通过所述序列解码器从所述潜在空间向量中提取各建网需求点之间的关系特征，并基于所述关系特征生成网元下沉序列。
5.如权利要求1或2所述的通信核心网组网方法，其特征在于，所述通过预设图到序列神经网络模型对所述邻接矩阵以及所述特征矩阵进行处理，以获得网元下沉序列的步骤之前，所述通信核心网组网方法还包括：
根据所述邻接矩阵以及所述特征矩阵构建模型训练集，并将所述模型训练集输入初始图到序列神经网络模型，获得预测下沉网元；
获取目标下沉网元，并根据预设损失函数模型确定所述预测下沉网元以及所述目标下沉网元之间的损失函数值；
根据所述损失函数值对所述初始图到序列神经网络模型进行参数调整，以获得预设图到序列神经网络模型。
6.一种通信核心网组网设备，其特征在于，所述通信核心网组网设备包括：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通信核心网组网程序，所述通信核心网组网程序被所述处理器执行时实现如权利要求1至5中任一项所述的通信核心网组网方法的步骤。
7.一种存储介质，其特征在于，所述存储介质上存储有通信核心网组网程序，所述通信核心网组网程序被处理器执行时实现如权利要求1至5中任一项所述的通信核心网组网方法的步骤。
8.一种通信核心网组网装置，其特征在于，所述通信核心网组网装置包括：构建模块、转换模块、处理模块和组网模块；
所述构建模块，用于在接收到用户输入的建网需求时，根据所述建网需求构建建网需求拓扑图；
所述转换模块，用于对所述建网需求拓扑图进行预处理，以获得邻接矩阵以及特征矩阵；
所述处理模块，用于通过预设图到序列神经网络模型对所述邻接矩阵以及所述特征矩阵进行处理，以获得网元下沉序列；
所述组网模块，用于根据所述网元下沉序列确定下沉核心网网元，并基于所述下沉核心网网元进行核心网组网；
其中，所述组网模块，还用于从所述建网需求拓扑图中提取多个拓扑节点、各拓扑节点的节点特征以及各拓扑节点之间的连接关系；统计所述拓扑节点的节点数量，并根据所述节点数量以及所述连接关系建立邻接矩阵；根据所述节点特征确定需求描述文本，并对所述需求描述文本进行索引化处理，获得初始索引数值；统计所述需求描述文本的文本长度，并基于所述文本长度对所述初始索引数值进行处理，获得目标索引数值；根据所述目标索引数值、所述文本长度以及所述节点数量建立特征矩阵。
CN202110628643.0A 2021-06-04 2021-06-04 通信核心网组网方法、设备、存储介质及装置 Active CN115442229B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110628643.0A CN115442229B (zh) 2021-06-04 2021-06-04 通信核心网组网方法、设备、存储介质及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110628643.0A CN115442229B (zh) 2021-06-04 2021-06-04 通信核心网组网方法、设备、存储介质及装置

Publications (2)

Publication Number Publication Date
CN115442229A CN115442229A (zh) 2022-12-06
CN115442229B true CN115442229B (zh) 2023-09-22

Family

ID=84271419

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110628643.0A Active CN115442229B (zh) 2021-06-04 2021-06-04 通信核心网组网方法、设备、存储介质及装置

Country Status (1)

Country Link
CN (1) CN115442229B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102082722A (zh) * 2009-11-30 2011-06-01 中国移动通信集团公司 组网控制的方法与系统
CN107124306A (zh) * 2017-04-24 2017-09-01 电子科技大学 网络功能虚拟化环境下的内容交付网络服务器优化部署方法
CN107567068A (zh) * 2017-09-19 2018-01-09 东北大学 一种超密集小型基站自适应fso回程网络构建方法
CN108377527A (zh) * 2016-11-02 2018-08-07 华为技术有限公司 一种适应灵活部署场景的网络架构
WO2019108098A1 (en) * 2017-11-28 2019-06-06 Telefonaktiebolaget Lm Ericsson (Publ) Improved radio access network node technology
CN111404864A (zh) * 2019-01-02 2020-07-10 中国移动通信有限公司研究院 一种mcdn节点下沉组网系统、节点调度方法及装置
CN112218315A (zh) * 2020-09-27 2021-01-12 浪潮软件科技有限公司 一种5G专网的端到端QoS策略执行及以太网数据转发方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9179363B2 (en) * 2011-08-12 2015-11-03 Telefonaktiebolaget Lm Ericsson (Publ) Systems and methods for determining a coupling characteristic in a radio communications network

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102082722A (zh) * 2009-11-30 2011-06-01 中国移动通信集团公司 组网控制的方法与系统
CN108377527A (zh) * 2016-11-02 2018-08-07 华为技术有限公司 一种适应灵活部署场景的网络架构
CN107124306A (zh) * 2017-04-24 2017-09-01 电子科技大学 网络功能虚拟化环境下的内容交付网络服务器优化部署方法
CN107567068A (zh) * 2017-09-19 2018-01-09 东北大学 一种超密集小型基站自适应fso回程网络构建方法
WO2019108098A1 (en) * 2017-11-28 2019-06-06 Telefonaktiebolaget Lm Ericsson (Publ) Improved radio access network node technology
CN111404864A (zh) * 2019-01-02 2020-07-10 中国移动通信有限公司研究院 一种mcdn节点下沉组网系统、节点调度方法及装置
CN112218315A (zh) * 2020-09-27 2021-01-12 浪潮软件科技有限公司 一种5G专网的端到端QoS策略执行及以太网数据转发方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
EPC架构核心网组网方式分析;吕红卫 冯征;《电信工程技术与标准化》;12-16 *
EPC架构核心网组网方式探讨;杨妮娜;《电子世界》;73-74 *
移动软交换核心网组网策略;张奎。沈涛;《电信交换》;55-59 *

Also Published As

Publication number Publication date
CN115442229A (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN110705592B (zh) 分类模型训练方法、装置、设备及计算机可读存储介质
CN111950269A (zh) 文本语句处理方法、装置、计算机设备和存储介质
CN109902301B (zh) 基于深度神经网络的关系推理方法、装置及设备
CN111541570A (zh) 基于多源特征学习的云服务QoS预测方法
US9852177B1 (en) System and method for generating automated response to an input query received from a user in a human-machine interaction environment
CN110442721B (zh) 神经网络语言模型、训练方法、装置及存储介质
CN115293919B (zh) 面向社交网络分布外泛化的图神经网络预测方法及系统
CN110532452B (zh) 一种基于gru神经网络的新闻网站通用爬虫设计方法
CN111915086A (zh) 异常用户预测方法和设备
CN113778718A (zh) 基于动态路由的微服务资源管理方法、系统和电子设备
CN114201572A (zh) 基于图神经网络的兴趣点分类方法和装置
CN113825165B (zh) 基于时间图网络的5g切片网络拥塞预警方法及装置
CN115442229B (zh) 通信核心网组网方法、设备、存储介质及装置
CN111581386A (zh) 多输出文本分类模型的构建方法、装置、设备及介质
CN111159424A (zh) 标注知识图谱实体的方法，装置，存储介质及电子设备
CN116957006A (zh) 预测模型的训练方法、装置、设备、介质及程序产品
CN112463964B (zh) 文本分类及模型训练方法、装置、设备及存储介质
JP6633556B2 (ja) 音響モデル学習装置、音声認識装置、音響モデル学習方法、音声認識方法、およびプログラム
CN114638308A (zh) 一种获取对象关系的方法、装置、电子设备和存储介质
EP4349055A2 (en) Dimensioning of telecommunication infrastructure
CN115705464A (zh) 一种信息的处理方法、装置及设备
CN112905792A (zh) 基于非文本场景的文本聚类方法、装置、设备及存储介质
CN115496175A (zh) 新建边缘节点接入评估方法、装置、终端设备及产品
CN114510592A (zh) 图像分类方法、装置、电子设备及存储介质
Zhang et al. Deformable channel non‐local network for crowd counting

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