CN115550996A - 基于指标数据的QoE预测方法及QoS参数更新方法 - Google Patents

基于指标数据的QoE预测方法及QoS参数更新方法 Download PDF

Info

Publication number
CN115550996A
CN115550996A CN202211251524.9A CN202211251524A CN115550996A CN 115550996 A CN115550996 A CN 115550996A CN 202211251524 A CN202211251524 A CN 202211251524A CN 115550996 A CN115550996 A CN 115550996A
Authority
CN
China
Prior art keywords
data
prediction
qoe
time intervals
qoe prediction
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.)
Granted
Application number
CN202211251524.9A
Other languages
English (en)
Other versions
CN115550996B (zh
Inventor
谢涵
王丹
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.)
Guangzhou Aipu Road Network Technology Co Ltd
Original Assignee
Guangzhou Aipu Road Network Technology 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 Guangzhou Aipu Road Network Technology Co Ltd filed Critical Guangzhou Aipu Road Network Technology Co Ltd
Priority to CN202211251524.9A priority Critical patent/CN115550996B/zh
Publication of CN115550996A publication Critical patent/CN115550996A/zh
Application granted granted Critical
Publication of CN115550996B publication Critical patent/CN115550996B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • 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
    • 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
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5003—Managing SLA; Interaction between SLA and QoS
    • H04L41/5009—Determining service level performance parameters or violations of service level contracts, e.g. violations of agreed response time or mean time between failures [MTBF]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请公开一种基于指标数据的QoE预测方法及QoS参数更新方法，QoE预测方法包括：基于终端应用发起的QoE预测请求以时间间隔连续获取指标数据，所述QoE预测请求包括请求类型、连续获取所述指标数据的所述时间间隔、请求的预测时长、PDU会话ID以及QFI；根据连续获取到的所述指标数据进行预测，得到所述预测时长的QoE预测结果。本申请可以根据QoE预测结果确定5GS是否能够在未来一段时间内保障用户的体验，以便于保障和优化终端应用的体验效果。

Description

基于指标数据的QoE预测方法及QoS参数更新方法
技术领域
本申请涉及5GS技术领域，具体涉及一种基于指标数据的QoE预测方法及QoS参数更新方法。
背景技术
XR是指通过计算机技术和可穿戴设备产生的一个真实与虚拟结合的、可人机交互的环境，主要包括增强现实(Augmented Reality)、虚拟现实(Virtual Reality)、混合现实(Mixed Reality)等多种形式。XR凭借其全新的交互形式，使得众多应用有了更佳的体验方式。通常，XR的体验效果由QoE来进行评价，QoE通过用户、环境和服务三个方面实现对XR的综合评价，用户方面包括用户的背景(如年龄、性别、受教育程度等)、体验期望、体验经历以及体验时的身心状态等。环境方面包括自然环境、服务运行环境等。服务方面包括网络层、应用层及服务层三部分，网络层反映了网络传输的状况，如延迟、带宽、丢包率等；应用层反映非传输服务的性能，如内容分辨率、编解码类型等；服务层则确定了通信的内容、优先级等，如服务的应用级别、质量保证。其中，XR设备对于网络传输和连接的要求极为苛刻，随着5G、边缘计算等新兴技术的成熟，不仅大大提升了网络传输速率，还使得低时延的高速连接成为可能。
QoE的评价指标可以分为两种，一是主观评价指标，通过将用户的体验感受进行量化处理得到，二是客观评价指标，主要包括硬件设备条件、网络性能状况等，现有技术中，主要通过获取客户端与服务端的时延、丢包率等指标对网络性能状况进行评价，当时延过大或丢包率过高时，若要对网络传输性能进行优化，无法有效识别是5G传输网还是其他传输网络需要进行优化。
对于XR应用，除了常规的时延信息以外还需要不同流的时延差作为其评价指标，其原因在于同一XR应用通常涉及多种类型数据的传输，不同数据的传输可能需要不同的QoS参数，那么对于其网络传输而言，则需要不同的QoS flow对不同类型数据进行传输，且同一XR应用不同QoS flow的时延差应确保在一定的范围内，如：视觉数据相对于触觉数据的传输时延应小于15ms，否则，用户体验将大打折扣。
因此，为了进一步保障和优化XR应用的体验效果，有必要构建QoE预测方法。
发明内容
本申请的目的在于提供一种基于指标数据的QoE预测方法、QoS参数更新方法、装置、NWDAF以及计算机可读存储介质，便于保障和优化终端应用的体验效果。
为实现上述目的，本申请提供了一种基于指标数据的QoE预测方法，包括：
基于终端应用发起的QoE预测请求以时间间隔连续获取指标数据，所述QoE预测请求包括请求类型、连续获取所述指标数据的所述时间间隔、请求的预测时长、PDU会话ID以及QFI；
根据连续获取到的所述指标数据进行预测，得到所述预测时长的QoE预测结果。
本申请可以向5GS获取与终端应用体验相关的指标数据，通过QoE预测方法得到未来一段时间(预测时长)内的QoE预测结果，进而可以根据QoE预测结果确定5GS是否能够在未来一段时间内保障用户的体验，以便于保障和优化终端应用的体验效果。
可选地，所述指标数据包括媒体源质量数据和/或5G网络性能数据。
可选地，所述媒体源质量数据包括：启动时间、卡顿次数和时间、码率以及码率波动。
可选地，所述5G网络性能数据包括：UE数据传输速率、拥塞等级、丢包率、每个所述QFI的往返时延、所述QFI之间的时延差。
可选地，所述根据连续获取到的所述指标数据进行预测，得到所述预测时长内的QoE预测结果，包括：
将所述指标数据进行预处理，得到归一化后的标准数据；
根据所述标准数据设定滑动窗口和监督数据，将前N个所述时间间隔的所述标准数据定义为一个所述滑动窗口，作为引入Attention机制的LSTM模型的第一个输入序列，将第N+1至第N+M个所述时间间隔的所述标准数据作为第一个输出序列，将第M+1至第N+M个所述时间间隔的所述标准数据作为所述LSTM模型的第二个输入序列，将第N+M+1至第N+M+M个所述时间间隔的所述标准数据作为第二个输出序列，以此类推，其中M为步长，M设为1或者大于1的整数；
将所述监督数据划分为训练集和测试集；
将所述训练集输入到所述LSTM模型进行计算；
当计算完所述第一个输入序列的隐层输出后，通过Attention模块分别计算前N-1个所述时间间隔的所述标准数据的隐层输出与第N个所述时间间隔的所述标准数据的隐层输出的相似度，得到各所述时间间隔的所述标准数据的注意力；
通过Dense模块将上述计算结果进行汇总输出，得到接下来的M个所述时间间隔的第一预测数据；
根据所述第一预测数据和所述监督数据中的第一个输出序列得到第一预测误差；
利用所述第一预测误差对所述LSTM模型进行训练；
根据训练后的所述LSTM模型计算所述第二个输入序列的隐层输出；
当计算完所述第二个输入序列的隐层输出后，通过所述Attention模块分别计算第M+1至第N+M-1个所述时间间隔的所述标准数据的隐层输出与第N+M个所述时间间隔的所述标准数据的隐层输出的相似度，得到各所述时间间隔的所述标准数据的注意力；
通过所述Dense模块将上述计算结果进行汇总输出，得到再接下来的M个所述时间间隔的第二预测数据；
根据所述第二预测数据和所述监督数据中的第二个输出序列得到第二预测误差；
利用所述第二预测误差对所述LSTM模型进行训练；
以此类推，依次利用接下来的输入序列和输出序列对所述LSTM模型进行训练；
当所述LSTM模型收敛时得到最终预测模型；
将最后N个所述时间间隔的所述标准数据输入所述最终预测模型，得到M个所述时间间隔的预测数据；
将最后N-M个所述时间间隔的所述标准数据和最新得到的M个所述时间间隔的预测数据作为所述最终预测模型的新的输入，再得到M个所述时间间隔的预测数据；
以此类推，直到得到所述预设时长的预测数据序列。
可选地，所述LSTM模型针对每个所述时间间隔的所述标准数据分别计算遗忘门Ft、输入门It，输出门Ot，隐层单元
Figure BDA0003887156990000041
长期记忆Ct以及隐层输出ht，计算公式如下：
Ft＝σ(WF[ht-1,Xt]+bF)
It＝σ(WI[ht-1,Xt]+bI)
Ot＝σ(WO[ht-1,Xt]+bO)
Figure BDA0003887156990000042
Figure BDA0003887156990000043
ht＝Ot*tanh(Ct)
其中，WF、WI、WO、
Figure BDA0003887156990000044
为训练参数，bF、bI、bO、
Figure BDA0003887156990000045
为偏置项，σ、tanh为激活函数，Xt为输入的第t个所述时间间隔的所述标准数据；
各所述时间间隔的所述标准数据的注意力的计算公式如下：
αt＝align(ht,hN)
其中，ht为第t个所述时间间隔的所述标准数据的隐层输出，hN为第N个所述时间间隔的所述标准数据的隐层输出。
可选地，通过所述Dense模块将上述计算结果进行汇总输出的计算公式如下：
Figure BDA0003887156990000051
其中，W为训练参数，b为偏置项，σ为激活函数，h为隐层输出，a为注意力。
可选地，在得到所述预设时长的预测数据序列之后，还包括：
将所述预测数据序列进行反归一化。
可选地，在将所述预测数据序列进行反归一化之后，还包括：
计算所述预测数据序列的均值得到所述终端应用请求的QoE预测结果。
为实现上述目的，本申请还提供了一种装置，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行如上所述的QoE预测方法。
为实现上述目的，本申请还提供了NWDAF，被配置为执行如上所述的QoE预测方法。
为实现上述目的，本申请还提供了一种计算机可读存储介质，其上存储有程序，所述程序被处理器执行时实现如上所述的QoE预测方法。
本申请还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该电子设备执行如上所述的QoE预测方法。
为实现上述目的，本申请还提供了一种基于指标数据的QoS参数更新方法，包括如上所述的QoE预测方法，在得到所述预测时长的QoE预测结果之后，所述QoS参数更新方法还包括：
确定预设QoE阈值是否能够满足所述QoE预测结果；
若所述预设QoE阈值不能满足所述QoE预测结果，则发起QoS请求；
根据所述QoS请求授权新的QoS参数并向对应的NFs更新所述QoS参数。
本申请可以向5GS获取与终端应用体验相关的指标数据，通过QoE预测方法得到未来一段时间(预测时长)内的QoE预测结果，进而根据QoE预测结果确定5GS是否能够在未来一段时间内保障用户的体验，并在无法保障用户体验的情况下发起QoS请求以进行QoS参数的更新，进而有利于保障和优化终端应用的体验效果。
为实现上述目的，本申请还提供了一种基于指标数据的QoE预测方法，包括：
终端应用通过AF向NEF发起QoE预测请求，所述QoE预测请求包括请求类型、连续获取指标数据的时间间隔、请求的预测时长、PDU会话ID以及QFI；
NEF授权并转发AF的所述QoE预测请求，向NWDAF订阅QoE预测事件；
NWDAF以所述时间间隔向NFs连续获取所述指标数据；
NWDAF根据连续获取到的所述指标数据进行预测，得到所述预测时长的QoE预测结果。
本申请可以向5GS获取与终端应用体验相关的指标数据，通过QoE预测方法得到未来一段时间(预测时长)内的QoE预测结果，进而可以根据QoE预测结果确定5GS是否能够在未来一段时间内保障用户的体验，以便于保障和优化终端应用的体验效果。
可选地，所述指标数据包括媒体源质量数据和/或5G网络性能数据；
所述NWDAF以所述时间间隔向NFs连续获取所述指标数据包括：
NWDAF向AF获取所述媒体源质量数据；和/或
NWDAF向PCF发起QoS监测请求；
PCF生成QoS监测策略并下发给SMF；
SMF将QoS监测策略下发给基站和UPF；
UPF以所述时间间隔将所述5G网络性能数据进行连续上报。
可选地，所述根据连续获取到的所述指标数据进行预测，得到所述预测时长内的QoE预测结果，包括：
将所述指标数据进行预处理，得到归一化后的标准数据；
根据所述标准数据设定滑动窗口和监督数据，将前N个所述时间间隔的所述标准数据定义为一个所述滑动窗口，作为引入Attention机制的LSTM模型的第一个输入序列，将第N+1至第N+M个所述时间间隔的所述标准数据作为第一个输出序列，将第M+1至第N+M个所述时间间隔的所述标准数据作为所述LSTM模型的第二个输入序列，将第N+M+1至第N+M+M个所述时间间隔的所述标准数据作为第二个输出序列，以此类推，其中M为步长，M设为1或者大于1的整数；
将所述监督数据划分为训练集和测试集；
将所述训练集输入到所述LSTM模型进行计算；
当计算完所述第一个输入序列的隐层输出后，通过Attention模块分别计算前N-1个所述时间间隔的所述标准数据的隐层输出与第N个所述时间间隔的所述标准数据的隐层输出的相似度，得到各所述时间间隔的所述标准数据的注意力；
通过Dense模块将上述计算结果进行汇总输出，得到接下来的M个所述时间间隔的第一预测数据；
根据所述第一预测数据和所述监督数据中的第一个输出序列得到第一预测误差；
利用所述第一预测误差对所述LSTM模型进行训练；
根据训练后的所述LSTM模型计算所述第二个输入序列的隐层输出；
当计算完所述第二个输入序列的隐层输出后，通过所述Attention模块分别计算第M+1至第N+M-1个所述时间间隔的所述标准数据的隐层输出与第N+M个所述时间间隔的所述标准数据的隐层输出的相似度，得到各所述时间间隔的所述标准数据的注意力；
通过所述Dense模块将上述计算结果进行汇总输出，得到再接下来的M个所述时间间隔的第二预测数据；
根据所述第二预测数据和所述监督数据中的第二个输出序列得到第二预测误差；
利用所述第二预测误差对所述LSTM模型进行训练；
以此类推，依次利用接下来的输入序列和输出序列对所述LSTM模型进行训练；
当所述LSTM模型收敛时得到最终预测模型；
将最后N个所述时间间隔的所述标准数据输入所述最终预测模型，得到M个所述时间间隔的预测数据；
将最后N-M个所述时间间隔的所述标准数据和最新得到的M个所述时间间隔的预测数据作为所述最终预测模型的新的输入，再得到M个所述时间间隔的预测数据；
以此类推，直到得到所述预设时长的预测数据序列。
可选地，所述LSTM模型针对每个所述时间间隔的所述标准数据分别计算遗忘门Ft、输入门It，输出门Ot，隐层单元
Figure BDA0003887156990000081
长期记忆Ct以及隐层输出ht，计算公式如下：
Ft＝σ(WF[ht-1,Xt]+bF)
It＝σ(WI[ht-1,Xt]+bI)
Ot＝σ(WO[ht-1,Xt]+bO)
Figure BDA0003887156990000082
Figure BDA0003887156990000083
ht＝Ot*tanh(Ct)
其中，WF、WI、WO、
Figure BDA0003887156990000084
为训练参数，bF、bI、bO、
Figure BDA0003887156990000085
为偏置项，σ、tanh为激活函数，Xt为输入的第t个所述时间间隔的所述标准数据；
各所述时间间隔的所述标准数据的注意力的计算公式如下：
αt＝align(ht,hN)
其中，ht为第t个所述时间间隔的所述标准数据的隐层输出，hN为第N个所述时间间隔的所述标准数据的隐层输出。
可选地，通过所述Dense模块将上述计算结果进行汇总输出的计算公式如下：
Figure BDA0003887156990000091
其中，W为训练参数，b为偏置项，σ为激活函数，h为隐层输出，a为注意力。
可选地，在得到所述预设时长的预测数据序列之后，还包括：
将所述预测数据序列进行反归一化。
可选地，在将所述预测数据序列进行反归一化之后，还包括：
计算所述预测数据序列的均值得到所述终端应用请求的QoE预测结果。
为实现上述目的，本申请还提供了一种基于指标数据的QoS参数更新方法，包括如前所述的QoE预测方法，
在得到所述预测时长的QoE预测结果之后，所述QoS参数更新方法还包括：
NWDAF将所述QoE预测结果响应给NEF；
NEF将所述QoE预测结果转发给AF；
AF确定预设QoE阈值是否能够满足所述QoE预测结果；
若所述预设QoE阈值不能满足所述QoE预测结果，AF发起QoS请求；
PCF根据所述QoS请求授权新的QoS参数并向对应的NFs更新所述QoS参数；
PCF将所述QoS参数的更新结果响应给AF。
本申请可以向5GS获取与终端应用体验相关的指标数据，通过QoE预测方法得到未来一段时间(预测时长)内的QoE预测结果，进而根据QoE预测结果确定5GS是否能够在未来一段时间内保障用户的体验，并在无法保障用户体验的情况下发起QoS请求以进行QoS参数的更新，进而有利于保障和优化终端应用的体验效果。
附图说明
图1是本申请实施例QoE预测方法的流程图。
图2是本申请实施例QoE预测系统的示意框图。
图3是本申请实施例根据连续获取到的所述指标数据进行预测得到预测时长的QoE预测结果的流程图。
图4是本申请实施例LSTM模型计算的示意图。
图5是本申请实施例装置的示意框图。
图6是本申请实施例QoS参数更新方法的流程图。
图7是本申请另一实施例装置的示意框图。
图8是本申请另一实施例QoE预测方法的流程图。
图9是本申请另一实施例根据连续获取到的所述指标数据进行预测得到预测时长的QoE预测结果的流程图。
图10是本申请另一实施例QoS参数更新方法的流程图。
图11是本申请实施例QoS参数更新方法的流程示意图。
具体实施方式
为了详细说明本申请的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。
为便于理解本申请，在此将本申请出现的相关术语解释如下：
XR：Extended Reality扩展现实
5GS：5G System 5G系统
5GC：5G Core 5G核心网
QoS：Quality of Service服务质量
QoE：Quality of Experience体验质量
QFI：QoS Flow Identifier QoS流标识符
PDU：Protocol Data Unit协议数据单元
AF：Application Function应用功能
NF：Network Function网络功能：5G网络中核心网网元的英文缩写
NEF：Network Exposure Function网络能力开放功能
PCF：Policy Control Function策略控制功能
UPF：User Plane Function用户面功能
NWDAF：Network Data Analytics Function网络数据分析功能
LSTM：long-short term memory长短期记忆神经网络
实施例一
请参阅图1至图4，本申请公开了一种基于指标数据的QoE预测方法，包括：
101、基于终端应用发起的QoE预测请求以时间间隔连续获取指标数据，QoE预测请求包括请求类型、连续获取指标数据的时间间隔、请求的预测时长、PDU会话ID以及QFI。具体地，终端应用可以是XR应用，但不局限于此。
在一些实施方式中，指标数据包括媒体源质量数据和5G网络性能数据。当然，指标数据并不限制为同时包括媒体源质量数据和5G网络性能数据，例如，指标数据也可以只包括媒体源质量数据或5G网络性能数据。
具体地，媒体源质量数据包括：启动时间、卡顿次数和时间、码率以及码率波动(标准差)。当然，媒体源质量数据并不局限于上述数据，例如，还可以包括其他数据或者可以以其他数据替代上述部分数据。
具体地，5G网络性能数据包括：UE数据传输速率、拥塞等级、丢包率、每个QFI的往返时延、QFI之间的时延差(如，视觉数据相对于触觉数据的传输时延差)。由于5G网络性能数据包括QFI之间的时延差，可以根据QFI之间的时延差预测未来预测时长的QFI之间的时延差，对于XR应用和类似应用而言，便于在未来预测时长的QFI之间的时延差不满足需求时执行相应的优化措施。
当然，5G网络性能数据并不局限于上述数据，例如，还可以包括其他数据或者可以以其他数据替代上述部分数据。
具体地，5G网络性能数据为时间间隔内的均值。以UE传输速率例，UE传输速率为单位时间内传输的数据量，由时间间隔内传输的数据总量与除以时间间隔的时长得到(比如时间间隔为10秒，则除以10)；其他数据同理。
具体地，指标数据可以通过图2所示的数据收集模块进行收集。
具体地，请求类型指的是QoE预测；时间间隔指的是连续获取指标数据的间隔时间：以10秒为例，即每间隔10秒获取一次指标数据；请求的预测时长以300秒(5分钟)为例，即预测未来5分钟的体验质量；PDU会话ID为PDU会话的标识，由终端提供，用于标识唯一一个PDU会话；QFI由SMF分配，用于标识同一PDU会话下的不同QoS Flow，不同QoS Flow映射有不同的QoS参数，提供不同的业务。
102、根据连续获取到的指标数据进行预测，得到预测时长的QoE预测结果。
请参阅图3，在一些实施方式中，根据连续获取到的指标数据进行预测，得到预测时长内的QoE预测结果，包括：
1021、将指标数据进行预处理，得到归一化后的标准数据。
具体地，在收集的指标数据存在非量化数据时，预处理包括先进行的量化处理。
量化处理指的是将一些不具体，模糊的指标用具体的数据来表示，从而达到分析比较的目的。例如：拥塞等级可分为流畅、较拥塞、拥塞、非常拥塞等，此类型的数据无法作为模型的输入，因此需要进行量化处理，将其转化为定类数据，用0代表流畅，1代表较拥塞、2代表拥塞、3代表非常拥塞。
具体地，在指标数据同时包括媒体源质量数据和5G网络性能数据时，在归一化处理之前可以先将两部分的数据进行集成(存在非量化数据时先进行量化处理)，将其集成为QoE预测模块可用的标准数据集，然后，将集成的数据进行归一化处理，消除不同数据之间的量纲，便于后续比较分析，同时为了加快训练网络的收敛。
示例性的，数据集成参见下附的数据集表格和公式，分别以10秒为时间间隔收集NFs上报的各类型指标数据，将媒体源质量数据和5G网络性能数据按表格中的形式进行集成。
Figure BDA0003887156990000121
Figure BDA0003887156990000131
集成的后数据集为：
Figure BDA0003887156990000132
更具体地，将集成后的指标数据进行归一化处理的公式为：
Figure BDA0003887156990000133
其中，Xmin为每一列的最小值，Xmax为每一列的最大值，X′为归一化后的数据，数据归一化将数据转换到[-1,1]之间。
具体地，指标数据的预处理通过图2所示的数据预处理模块进行。数据预处理模块可以包括量化模块、集成模块和归一化模块以分别执行上述的数据量化处理、数据集成以及将数据归一化为标准数据的操作。
1022、根据标准数据设定滑动窗口和监督数据，将前N个时间间隔的标准数据定义为一个滑动窗口，作为引入Attention(注意力)机制的LSTM模型的第一个输入序列，将第N+1至第N+M个时间间隔的标准数据作为第一个输出序列，将第M+1至第N+M个时间间隔的标准数据作为LSTM模型的第二个输入序列，将第N+M+1至第N+M+M个时间间隔的标准数据作为第二个输出序列，以此类推，其中M为步长，M设为1或者大于1的整数。
举例而言，以前100个时间间隔(比如每个时间间隔可以设置10秒)的标准数据定义为一个滑动窗口，作为引入Attention机制的LSTM模型的第一个输入序列X1，将第101至第102个时间间隔的标准数据作为第一个输出序列Y1，将第3至第102个时间间隔的标准数据作为LSTM模型的第二个输入序列X2，将第103至第104个时间间隔的标准数据作为第二个输出序列Y2，以此类推，其中M设为2。
Figure BDA0003887156990000141
1023、将监督数据划分为训练集和测试集。
举例而言，可以将监督数据(X,Y)的70％作为训练集，30％作为测试集。
1024、将训练集输入到LSTM模型进行计算。
具体地，LSTM模型计算由图2所示的QoE预测模块执行。QoE预测模块包括LSTM模块、Attention模块和Dense模块。进一步地，QoE预测模块在完成后可以将预测结果返回给终端应用。
1025、当计算完第一个输入序列的隐层输出后(通过LSTM模块)，通过Attention模块分别计算前N-1个时间间隔的标准数据的隐层输出与第N个时间间隔的标准数据的隐层输出的相似度，得到各时间间隔的标准数据的注意力。
具体地，LSTM模型针对每个时间间隔的标准数据分别计算遗忘门Ft、输入门It，输出门Ot，隐层单元
Figure BDA0003887156990000144
长期记忆Ct以及隐层输出ht，计算公式如下：
Ft＝σ(WF[ht-1,Xt]+bF)
It＝σ(WI[ht-1,Xt]+bI)
Ot＝σ(WO[ht-1,Xt]+bO)
Figure BDA0003887156990000142
Figure BDA0003887156990000143
ht＝Ot*tanh(Ct)
其中，WF、WI、WO、
Figure BDA0003887156990000151
为训练参数，bF、bI、bO、
Figure BDA0003887156990000152
为偏置项，σ、tanh为激活函数，Xt为输入的第t个时间间隔的标准数据；
各时间间隔的标准数据的注意力的计算公式如下：
αt＝align(ht,hN)
其中，ht为第t个时间间隔的标准数据的隐层输出，hN为第N个时间间隔的标准数据的隐层输出。
具体地，LSTM隐藏层的维度设置为1或2，网络层数设置为2，学习率为e-2，相似度的计算方法采用余弦相似度。
1026、通过Dense模块将上述计算结果进行汇总输出，得到接下来的M个时间间隔的第一预测数据。
具体地，通过Dense模块将上述计算结果进行汇总输出的计算公式如下：
Figure BDA0003887156990000153
其中，W为训练参数，b为偏置项，σ为激活函数，h为隐层输出，a为注意力。
请参阅图4，其提供了LSTM模型计算的示意图。在该示例中，LSTM模型输出2个时间间隔的第一预测数据
Figure BDA0003887156990000154
1027、根据第一预测数据和监督数据中的第一个输出序列(真实值)得到第一预测误差。
具体地，利用均方差损失函数计算得到第一预测误差。
1028、利用第一预测误差对LSTM模型进行训练。
具体地，采用Adam梯度下降算法对LSTM模型进行训练。
1029、根据训练后的LSTM模型计算第二个输入序列的隐层输出。
1030、当计算完第二个输入序列的隐层输出后，通过Attention模块分别计算第M+1至第N+M-1个时间间隔的标准数据的隐层输出与第N+M个时间间隔的标准数据的隐层输出的相似度，得到各时间间隔的标准数据的注意力。
1031、通过Dense模块将上述计算结果进行汇总输出，得到再接下来的M个时间间隔的第二预测数据。
1032、根据第二预测数据和监督数据中的第二个输出序列(真实值)得到第二预测误差。
1033、利用第二预测误差对LSTM模型进行训。
1034、以此类推，依次利用接下来的输入序列和输出序列对LSTM模型进行训练，当LSTM模型收敛时得到最终预测模型。
1035、将最后N个时间间隔的标准数据输入最终预测模型(通过测试)，得到M个时间间隔的预测数据，即紧接着最后N个时间间隔后面的M个时间间隔的预测数据。
1036、将最后N-M个时间间隔的标准数据和最新得到的M个时间间隔的预测数据作为最终预测模型的新的输入，再得到M个时间间隔的预测数据；
1037、以此类推，直到得到预设时长的预测数据序列，即最后N个时间间隔之后的预设时长的预测数据序列。
本申请采用引入注意力机制的LSTM预测模型，LSTM相对与传统循环神经网络，通过门控机制将有用的信息保留，没用的信息遗忘；引入注意力机制，让模型更加关注更有用的信息，加快网络的收敛速度，提高模型的预测准确率。
具体地，在得到预设时长的预测数据序列之后，QoE预测方法还包括：
将预测数据序列进行反归一化。
更具体地，反归一化计算公式为：
Figure BDA0003887156990000161
其中，Ymax和Ymin分别为预测数据序列中的最大值和最小值。
具体地，在将预测数据序列进行反归一化之后，还包括：
计算预测数据序列的均值得到终端应用请求的QoE预测结果。
具体地，本实施例QoE预测方法由NWDAF执行。
本申请可以向5GS获取与终端应用体验相关的指标数据，通过QoE预测方法得到未来一段时间(预测时长)内的QoE预测结果，进而可以根据QoE预测结果确定5GS是否能够在未来一段时间内保障用户的体验，以便于保障和优化终端应用的体验效果。
实施例二
请结合图5，本申请公开了一种装置，包括：
处理器30；
存储器40，其中存储有处理器30的可执行指令；
其中，处理器30配置为经由执行可执行指令来执行如实施例一所述的QoE预测方法。
实施例三
本申请公开了一种计算机可读存储介质，其上存储有程序，程序被处理器执行时实现如实施例一所述的QoE预测方法。
实施例四
本申请实施例公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该电子设备执行如实施例一所述的QoE预测方法。
实施例五
请参阅图6，本申请公开了一种基于指标数据的QoS参数更新方法，包括如实施例一所述的QoE预测方法，在得到预测时长的QoE预测结果之后，QoS参数更新方法还包括：
104、确定预设QoS阈值是否能够满足QoE预测结果。
105、若预设QoS阈值不能满足QoE预测结果，则发起QoS请求。
在初始注册的时候会根据签约信息获取默认QoS或者预配置的QoS。在实际服务的过程中对未来(预测时长)进行预测得到的QoE预测结果表明预设QoS阈值已不能满足QoE预测结果，也就是说无法保证用户体验效果，那么就需要发起新的QoS请求。
对于一些指标数据而言，预设QoS阈值不能满足QoE预测结果指的是QoE预测结果超过了预设QoS阈值。
比如，预测到未来数据传输速率更大，超过了存储的传输速率阈值，则会向5GS请求新的QoS参数，用于保障用户体验，在新的请求中会包含带宽更大的QoS参数。
QoE预测结果小于预设QoE阈值，则说明能够保证用户体验效果，则无需发起QoS请求。
当然，对于某些指标数据而言，预设QoS阈值不能满足QoE预测结果也可能指的是QoE预测结果小于预设QoS阈值。
具体地，预存有不同终端应用保障用户体验的媒体源质量阈值和5G网络性能阈值，预测得到的媒体源质量数据和5G网络性能数据分别与媒体源质量阈值和5G网络性能阈值进行比较，并根据比较结果确定是否发起QoS请求。
106、根据QoS请求授权新的QoS参数并向对应的NFs更新QoS参数。
具体地，若当前网络无法满足QoS请求，则不会授权新的QoS参数。
本申请可以向5GS获取与终端应用体验相关的指标数据，通过QoE预测方法得到未来一段时间(预测时长)内的QoE预测结果，进而根据QoE预测结果确定5GS是否能够在未来一段时间内保障用户的体验，并在无法保障用户体验的情况下发起QoS请求以进行QoS参数的更新，进而有利于保障和优化终端应用的体验效果。
实施例六
请结合图7，本申请公开了一种装置，包括：
处理器50；
存储器60，其中存储有处理器50的可执行指令；
其中，处理器50配置为经由执行可执行指令来执行如实施例五所述的QoS参数更新方法。
实施例七
本申请公开了一种计算机可读存储介质，其上存储有程序，程序被处理器执行时实现如实施例五所述的QoS参数更新方法。
实施例八
本申请实施例公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。电子设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该电子设备执行如实施例五所述的QoS参数更新方法。
实施例九
请参阅图2、图4、图8以及图9，本申请公开了一种基于指标数据的QoE预测方法，包括：
301、终端应用通过AF向NEF发起QoE预测请求，QoE预测请求包括请求类型、连续获取指标数据的时间间隔、请求的预测时长、PDU会话ID以及QFI。具体地，终端应用可以是XR应用，但不局限于此。
在一些实施方式中，指标数据包括媒体源质量数据和5G网络性能数据。当然，指标数据并不限制为同时包括媒体源质量数据和5G网络性能数据，例如，指标数据也可以只包括媒体源质量数据或5G网络性能数据。
具体地，媒体源质量数据包括：启动时间、卡顿次数和时间、码率以及码率波动(标准差)。当然，媒体源质量数据并不局限于上述数据，例如，还可以包括其他数据或者可以以其他数据替代上述部分数据。
具体地，5G网络性能数据包括：UE数据传输速率、拥塞等级、丢包率、每个QFI的往返时延、QFI之间的时延差(如，视觉数据相对于触觉数据的传输时延差)。由于5G网络性能数据包括QFI之间的时延差，可以根据QFI之间的时延差预测未来预测时长的QFI之间的时延差，对于XR应用和类似应用而言，便于在未来预测时长的QFI之间的时延差不满足要求时执行相应的优化措施。
当然，5G网络性能数据并不局限于上述数据，例如，还可以包括其他数据或者可以以其他数据替代上述部分数据。
具体地，5G网络性能数据为时间间隔内的均值。以UE传输速率例，UE传输速率为单位时间内传输的数据量，由时间间隔内传输的数据总量与除以时间间隔的时长得到(比如时间间隔为10秒，则除以10)；其他数据同理。
具体地，请求类型指的是QoE预测；时间间隔指的是连续获取指标数据的间隔时间：以10秒为例，即每间隔10秒获取一次指标数据；请求的预测时长以300秒(5分钟)为例，即预测未来5分钟的体验质量；PDU会话ID为PDU会话的标识，由终端提供，用于标识唯一一个PDU会话；QFI由SMF分配，用于标识同一PDU会话下的不同QoS Flow，不同QoS Flow映射有不同的QoS参数，提供不同的业务。
302、NEF授权并转发AF的QoE预测请求，向NWDAF订阅QoE预测事件。
303、NWDAF以时间间隔向NFs连续获取指标数据。
具体地，指标数据可以通过图2所示的数据收集模块进行收集。
具体地，NWDAF以时间间隔向NFs连续获取指标数据包括：
NWDAF向AF获取媒体源质量数据；和/或
NWDAF向PCF发起QoS监测请求；
PCF生成QoS监测策略并下发给SMF；
SMF将QoS监测策略下发给基站和UPF；
UPF以时间间隔将5G网络性能数据进行连续上报。
304、NWDAF根据连续获取到的指标数据进行预测，得到预测时长的QoE预测结果。
请参阅图9，在一些实施方式中，根据连续获取到的指标数据进行预测，得到预测时长内的QoE预测结果，包括：
3041、将指标数据进行预处理，得到归一化后的标准数据。
具体地，在收集的指标数据存在非量化数据时，预处理包括先进行的量化处理。
量化处理指的是将一些不具体，模糊的指标用具体的数据来表示，从而达到分析比较的目的。例如：拥塞等级可分为流畅、较拥塞、拥塞、非常拥塞等，此类型的数据无法作为模型的输入，因此需要进行量化处理，将其转化为定类数据，用0代表流畅，1代表较拥塞、2代表拥塞、3代表非常拥塞。
具体地，在指标数据同时包括媒体源质量数据和5G网络性能数据时，在归一化处理之前可以先将两部分的数据进行集成(存在非量化数据时先进行量化处理)，将其集成为QoE预测模块可用的标准数据集，然后，将集成的数据进行归一化处理，消除不同数据之间的量纲，便于后续比较分析，同时为了加快训练网络的收敛。
示例性的，数据集成参见下附的数据集表格和公式，分别以10秒为时间间隔收集NFs上报的各类型指标数据，将媒体源质量数据和5G网络性能数据按表格中的形式进行集成。
Figure BDA0003887156990000211
集成的后数据集为：
Figure BDA0003887156990000212
更具体地，将集成后的指标数据进行归一化处理的公式为：
Figure BDA0003887156990000213
其中，Xmin为每一列的最小值，Xmax为每一列的最大值，X′为归一化后的数据，数据归一化将数据转换到[-1,1]之间。
具体地，指标数据的预处理通过图2所示的数据预处理模块进行。数据预处理模块可以包括量化模块、集成模块和归一化模块以分别执行上述的数据量化处理、数据集成以及将数据归一化为标准数据的操作。
3042、根据标准数据设定滑动窗口和监督数据，将前N个时间间隔的标准数据定义为一个滑动窗口，作为引入Attention(注意力)机制的LSTM模型的第一个输入序列，将第N+1至第N+M个时间间隔的标准数据作为第一个输出序列，将第M+1至第N+M个时间间隔的标准数据作为LSTM模型的第二个输入序列，将第N+M+1至第N+M+M个时间间隔的标准数据作为第二个输出序列，以此类推，其中M为步长，M设为1或者大于1的整数。
举例而言，以前100个时间间隔(比如每个时间间隔可以设置10秒)的标准数据定义为一个滑动窗口，作为引入Attention机制的LSTM模型的第一个输入序列X1，将第101至第102个时间间隔的标准数据作为第一个输出序列Y1，将第3至第102个时间间隔的标准数据作为LSTM模型的第二个输入序列X2，将第103至第104个时间间隔的标准数据作为第二个输出序列Y2，以此类推，其中M设为2。
Figure BDA0003887156990000221
3043、将监督数据划分为训练集和测试集。
举例而言，可以将监督数据(X,Y)的70％作为训练集，30％作为测试集。
3044、将训练集输入到LSTM模型进行计算。
具体地，LSTM模型计算由图2所示的QoE预测模块执行。QoE预测模块包括LSTM模块、Attention模块和Dense模块。进一步地，QoE预测模块在完成后可以将预测结果返回给终端应用。
3045、当计算完第一个输入序列的隐层输出后(通过LSTM模块)，通过Attention模块分别计算前N-1个时间间隔的标准数据的隐层输出与第N个时间间隔的标准数据的隐层输出的相似度，得到各时间间隔的标准数据的注意力。
具体地，LSTM模型针对每个时间间隔的标准数据分别计算遗忘门Ft、输入门It，输出门Ot，隐层单元
Figure BDA0003887156990000236
长期记忆Ct以及隐层输出ht，计算公式如下：
Ft＝σ(WF[ht-1,Xt]+bF)
It＝σ(WI[ht-1,Xt]+bI)
Ot＝σ(WO[ht-1,Xt]+bO)
Figure BDA0003887156990000231
Figure BDA0003887156990000232
ht＝Ot*tanh(Ct)
其中，WF、WI、WO、
Figure BDA0003887156990000233
为训练参数，bF、bI、bO、
Figure BDA0003887156990000234
为偏置项，σ、tanh为激活函数，Xt为输入的第t个时间间隔的标准数据；
各时间间隔的标准数据的注意力的计算公式如下：
αt＝align(ht,hN)
其中，ht为第t个时间间隔的标准数据的隐层输出，hN为第N个时间间隔的标准数据的隐层输出。
具体地，LSTM隐藏层的维度设置为1或2，网络层数设置为2，学习率为e-2，相似度的计算方法采用余弦相似度。
3046、通过Dense模块将上述计算结果进行汇总输出，得到接下来的M个时间间隔的第一预测数据。
具体地，通过Dense模块将上述计算结果进行汇总输出的计算公式如下：
Figure BDA0003887156990000235
其中，W为训练参数，b为偏置项，σ为激活函数，h为隐层输出，a为注意力。
请参阅图4，其提供了LSTM模型进行计算的示意图。在该示例中，LSTM模型输出2个时间间隔的第一预测数据
Figure BDA0003887156990000241
3047、根据第一预测数据和监督数据中的第一个输出序列(真实值)得到第一预测误差。
具体地，利用均方差损失函数计算得到第一预测误差。
3048、利用第一预测误差对LSTM模型进行训练。
具体地，采用Adam梯度下降算法对LSTM模型进行训练。
3049、根据训练后的LSTM模型计算第二个输入序列的隐层输出。
3050、当计算完第二个输入序列的隐层输出后，通过Attention模块分别计算第M+1至第N+M-1个时间间隔的标准数据的隐层输出与第N+M个时间间隔的标准数据的隐层输出的相似度，得到各时间间隔的标准数据的注意力。
3051、通过Dense模块将上述计算结果进行汇总输出，得到再接下来的M个时间间隔的第二预测数据。
3052、根据第二预测数据和监督数据中的第二个输出序列(真实值)得到第二预测误差。
3053、利用第二预测误差对LSTM模型进行训。
3054、以此类推，依次利用接下来的输入序列和输出序列对LSTM模型进行训练，当LSTM模型收敛时得到最终预测模型。
3055、将最后N个时间间隔的标准数据输入最终预测模型，得到M个时间间隔的预测数据。
3056、将最后N-M个时间间隔的标准数据和最新得到的M个时间间隔的预测数据作为最终预测模型的新的输入，再得到M个时间间隔的预测数据；
3057、以此类推，直到得到预设时长的预测数据序列。
本申请采用引入注意力机制的LSTM预测模型，LSTM相对与传统循环神经网络，通过门控机制将有用的信息保留，没用的信息遗忘；引入注意力机制，让模型更加关注更有用的信息，加快网络的收敛速度，提高模型的预测准确率。
具体地，在得到预设时长的预测数据序列之后，QoE预测方法还包括：
将预测数据序列进行反归一化。
更具体地，反归一化计算公式为：
Figure BDA0003887156990000251
其中，Ymax和Ymin分别为预测数据序列中的最大值和最小值。
具体地，在将预测数据序列进行反归一化之后，还包括：
计算预测数据序列的均值得到终端应用请求的QoE预测结果。
本申请可以向5GS获取与终端应用体验相关的指标数据，通过QoE预测方法得到未来一段时间(预测时长)内的QoE预测结果，进而可以根据QoE预测结果确定5GS是否能够在未来一段时间内保障用户的体验，以便于保障和优化终端应用的体验效果。
实施例十
请参阅图10和图11，本申请公开了一种基于指标数据的QoS参数更新方法，包括如实施例九所述的QoE预测方法，在得到预测时长的QoE预测结果之后，QoS参数更新方法还包括：
306、NWDAF将QoE预测结果响应给NEF。
307、NEF将QoE预测结果转发给AF。
308、AF确定预设QoS阈值是否能够满足QoE预测结果。
309、若预设QoS阈值不能满足QoE预测结果，则发起QoS请求。
在初始注册的时候会根据签约信息获取默认QoS或者预配置的QoS。在实际服务的过程中对未来(预测时长)进行预测得到的QoE预测结果表明预设QoS阈值已不能满足QoE预测结果，也就是说无法保证用户体验效果，那么就需要发起新的QoS请求。
对于一些指标数据而言，预设QoS阈值不能满足QoE预测结果指的是QoE预测结果超过了预设QoS阈值。
比如，预测到未来数据传输速率更大，超过了AF存储的传输速率阈值，则会向5GS请求新的QoS参数，用于保障用户体验，在新的请求中会包含带宽更大的QoS参数。
QoE预测结果小于预设QoE阈值，则说明能够保证用户体验效果，则无需发起QoS请求。
当然，对于某些指标数据而言，预设QoS阈值不能满足QoE预测结果也可能指的是QoE预测结果小于预设QoS阈值。
具体地，AF中预存有不同终端应用保障用户体验的媒体源质量阈值和5G网络性能阈值，AF收到NEF返回的媒体源质量数据和5G网络性能数据后分别与媒体源质量阈值和5G网络性能阈值进行比较，并根据比较结果确定是否发起QoS请求。
310、PCF根据QoS请求授权新的QoS参数并向对应的NFs更新QoS参数。
具体地，若当前网络无法满足QoS请求，则不会授权新的QoS参数。
311、PCF将QoS参数的更新结果响应给AF。
本申请可以向5GS获取与终端应用体验相关的指标数据，通过QoE预测方法得到未来一段时间(预测时长)内的QoE预测结果，进而根据QoE预测结果确定5GS是否能够在未来一段时间内保障用户的体验，并在无法保障用户体验的情况下发起QoS请求以进行QoS参数的更新，进而有利于保障和优化终端应用的体验效果。
应当理解，在本申请实施例中，所称处理器可以是中央处理模块(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application SpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上所揭露的仅为本申请的较佳实例而已，不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，均属于本申请所涵盖的范围。

Claims (16)

1.一种基于指标数据的QoE预测方法，其特征在于，包括：
基于终端应用发起的QoE预测请求以时间间隔连续获取指标数据，所述QoE预测请求包括请求类型、连续获取所述指标数据的所述时间间隔、请求的预测时长、PDU会话ID以及QFI；
根据连续获取到的所述指标数据进行预测，得到所述预测时长的QoE预测结果。
2.根据权利要求1所述的QoE预测方法，其特征在于，
所述指标数据包括媒体源质量数据和/或5G网络性能数据。
3.根据权利要求2所述的QoE预测方法，其特征在于，
所述媒体源质量数据包括：启动时间、卡顿次数和时间、码率以及码率波动。
4.根据权利要求2所述的QoE预测方法，其特征在于，
所述5G网络性能数据包括：UE数据传输速率、拥塞等级、丢包率、每个所述QFI的往返时延、所述QFI之间的时延差。
5.一种基于5GS网络性能指标的QoE预测方法，其特征在于，包括：
终端应用通过AF向NEF发起QoE预测请求，所述QoE预测请求包括请求类型、连续获取指标数据的时间间隔、请求的预测时长、PDU会话ID以及QFI；
NEF授权并转发AF的所述QoE预测请求，向NWDAF订阅QoE预测事件；
NWDAF以所述时间间隔向NFs连续获取所述指标数据；
NWDAF根据连续获取到的所述指标数据进行预测，得到所述预测时长的QoE预测结果。
6.根据权利要求5所述的QoE预测方法，其特征在于，
所述指标数据包括媒体源质量数据和/或5G网络性能数据；
所述NWDAF以所述时间间隔向NFs连续获取所述指标数据包括：
NWDAF向AF获取所述媒体源质量数据；和/或
NWDAF向PCF发起QoS监测请求；
PCF生成QoS监测策略并下发给SMF；
SMF将QoS监测策略下发给基站和UPF；
UPF以所述时间间隔将所述5G网络性能数据进行连续上报。
7.根据权利要求1至6任一项所述的QoE预测方法，其特征在于，
所述根据连续获取到的所述指标数据进行预测，得到所述预测时长内的QoE预测结果，包括：
将所述指标数据进行预处理，得到归一化后的标准数据；
根据所述标准数据设定滑动窗口和监督数据，将前N个所述时间间隔的所述标准数据定义为一个所述滑动窗口，作为引入Attention机制的LSTM模型的第一个输入序列，将第N+1至第N+M个所述时间间隔的所述标准数据作为第一个输出序列，将第M+1至第N+M个所述时间间隔的所述标准数据作为所述LSTM模型的第二个输入序列，将第N+M+1至第N+M+M个所述时间间隔的所述标准数据作为第二个输出序列，以此类推，其中M为步长，M设为1或者大于1的整数；
将所述监督数据划分为训练集和测试集；
将所述训练集输入到所述LSTM模型进行计算；
当计算完所述第一个输入序列的隐层输出后，通过Attention模块分别计算前N-1个所述时间间隔的所述标准数据的隐层输出与第N个所述时间间隔的所述标准数据的隐层输出的相似度，得到各所述时间间隔的所述标准数据的注意力；
通过Dense模块将上述计算结果进行汇总输出，得到接下来的M个所述时间间隔的第一预测数据；
根据所述第一预测数据和所述监督数据中的第一个输出序列得到第一预测误差；
利用所述第一预测误差对所述LSTM模型进行训练；
根据训练后的所述LSTM模型计算所述第二个输入序列的隐层输出；
当计算完所述第二个输入序列的隐层输出后，通过所述Attention模块分别计算第M+1至第N+M-1个所述时间间隔的所述标准数据的隐层输出与第N+M个所述时间间隔的所述标准数据的隐层输出的相似度，得到各所述时间间隔的所述标准数据的注意力；
通过所述Dense模块将上述计算结果进行汇总输出，得到再接下来的M个所述时间间隔的第二预测数据；
根据所述第二预测数据和所述监督数据中的第二个输出序列得到第二预测误差；
利用所述第二预测误差对所述LSTM模型进行训练；
以此类推，依次利用接下来的输入序列和输出序列对所述LSTM模型进行训练；
当所述LSTM模型收敛时得到最终预测模型；
将最后N个所述时间间隔的所述标准数据输入所述最终预测模型，得到M个所述时间间隔的预测数据；
将最后N-M个所述时间间隔的所述标准数据和最新得到的M个所述时间间隔的预测数据作为所述最终预测模型的新的输入，再得到M个所述时间间隔的预测数据；
以此类推，直到得到所述预设时长的预测数据序列。
8.根据权利要求7所述的QoE预测方法，其特征在于，
所述LSTM模型针对每个所述时间间隔的所述标准数据分别计算遗忘门Ft、输入门It，输出门Ot，隐层单元
Figure FDA0003887156980000044
长期记忆Ct以及隐层输出ht，计算公式如下：
Ft＝σ(WF[ht-1,Xt]+bF)
It＝σ(WI[ht-1,Xt]+bI)
Ot＝σ(WO[ht-1,Xt]+bO)
Figure FDA0003887156980000041
Figure FDA0003887156980000042
ht＝Ot*tanh(Ct)
其中，WF、WI、WO、
Figure FDA0003887156980000045
为训练参数，bF、bI、bO、
Figure FDA0003887156980000046
为偏置项，σ、tanh为激活函数，Xt为输入的第t个所述时间间隔的所述标准数据；
各所述时间间隔的所述标准数据的注意力的计算公式如下：
αt＝align(ht,hN)
其中，ht为第t个所述时间间隔的所述标准数据的隐层输出，hN为第N个所述时间间隔的所述标准数据的隐层输出。
9.根据权利要求8所述的QoE预测方法，其特征在于，
通过所述Dense模块将上述计算结果进行汇总输出的计算公式如下：
Figure FDA0003887156980000043
其中，W为训练参数，b为偏置项，σ为激活函数，h为隐层输出，a为注意力。
10.根据权利要求7所述的QoE预测方法，其特征在于，
在得到所述预设时长的预测数据序列之后，还包括：
将所述预测数据序列进行反归一化。
11.根据权利要求10所述的QoE预测方法，其特征在于，
在将所述预测数据序列进行反归一化之后，还包括：
计算所述预测数据序列的均值得到所述终端应用请求的QoE预测结果。
12.一种基于指标数据的QoS参数更新方法，其特征在于，包括如权利要求1至4任一项所述的QoE预测方法，
在得到所述预测时长的QoE预测结果之后，所述QoS参数更新方法还包括：
确定预设QoE阈值是否能够满足所述QoE预测结果；
若所述预设QoE阈值不能满足所述QoE预测结果，则发起QoS请求；
根据所述QoS请求授权新的QoS参数并向对应的NFs更新所述QoS参数。
13.一种基于指标数据的QoS参数更新方法，其特征在于，包括如权利要求5或6所述的QoE预测方法，
在得到所述预测时长的QoE预测结果之后，所述QoS参数更新方法还包括：
NWDAF将所述QoE预测结果响应给NEF；
NEF将所述QoE预测结果转发给AF；
AF确定预设QoE阈值是否能够满足所述QoE预测结果；
若所述预设QoE阈值不能满足所述QoE预测结果，AF发起QoS请求；
PCF根据所述QoS请求授权新的QoS参数并向对应的NFs更新所述QoS参数；
PCF将所述QoS参数的更新结果响应给AF。
14.一种装置，其特征在于，包括：
处理器；
存储器，其中存储有所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至4、7至11任一项所述的QoE预测方法。
15.一种NWDAF，其特征在于，被配置为执行权利要求1至4、7至11任一项所述的QoE预测方法。
16.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被处理器执行时实现根据权利要求1至4、7至11任一项所述的QoE预测方法。
CN202211251524.9A 2022-10-12 2022-10-12 基于指标数据的QoE预测方法及QoS参数更新方法 Active CN115550996B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211251524.9A CN115550996B (zh) 2022-10-12 2022-10-12 基于指标数据的QoE预测方法及QoS参数更新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211251524.9A CN115550996B (zh) 2022-10-12 2022-10-12 基于指标数据的QoE预测方法及QoS参数更新方法

Publications (2)

Publication Number Publication Date
CN115550996A true CN115550996A (zh) 2022-12-30
CN115550996B CN115550996B (zh) 2023-10-03

Family

ID=84734507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211251524.9A Active CN115550996B (zh) 2022-10-12 2022-10-12 基于指标数据的QoE预测方法及QoS参数更新方法

Country Status (1)

Country Link
CN (1) CN115550996B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012058781A1 (en) * 2010-11-01 2012-05-10 Technicolor(China) Technology Co., Ltd. Method and apparatus for quality of experience management for network services
WO2012100528A1 (zh) * 2011-01-24 2012-08-02 华为技术有限公司 一种保证QoE的方法及装置
CN102802089A (zh) * 2012-09-13 2012-11-28 浙江大学 一种基于体验质量预测的移动视频码率调整方法
CN105791046A (zh) * 2014-12-26 2016-07-20 中兴通讯股份有限公司 用户体验质量QoE评估方法、装置、终端及服务器
US20190364457A1 (en) * 2016-04-04 2019-11-28 Nokia Technologies Oy Context aware and adaptive qos/qoe target definition in 5g
KR20200129053A (ko) * 2019-05-07 2020-11-17 한국전자통신연구원 네트워크 데이터 분석에 기초한 서비스 경험 분석 제공 방법 및 시스템
CN114640636A (zh) * 2022-03-11 2022-06-17 中国建设银行股份有限公司 一种云视频管理方法及系统
CN114867121A (zh) * 2021-02-04 2022-08-05 中国移动通信有限公司研究院 QoE反馈方法、装置、设备及可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012058781A1 (en) * 2010-11-01 2012-05-10 Technicolor(China) Technology Co., Ltd. Method and apparatus for quality of experience management for network services
WO2012100528A1 (zh) * 2011-01-24 2012-08-02 华为技术有限公司 一种保证QoE的方法及装置
CN102802089A (zh) * 2012-09-13 2012-11-28 浙江大学 一种基于体验质量预测的移动视频码率调整方法
CN105791046A (zh) * 2014-12-26 2016-07-20 中兴通讯股份有限公司 用户体验质量QoE评估方法、装置、终端及服务器
US20190364457A1 (en) * 2016-04-04 2019-11-28 Nokia Technologies Oy Context aware and adaptive qos/qoe target definition in 5g
KR20200129053A (ko) * 2019-05-07 2020-11-17 한국전자통신연구원 네트워크 데이터 분석에 기초한 서비스 경험 분석 제공 방법 및 시스템
CN114867121A (zh) * 2021-02-04 2022-08-05 中国移动通信有限公司研究院 QoE反馈方法、装置、设备及可读存储介质
CN114640636A (zh) * 2022-03-11 2022-06-17 中国建设银行股份有限公司 一种云视频管理方法及系统

Also Published As

Publication number Publication date
CN115550996B (zh) 2023-10-03

Similar Documents

Publication Publication Date Title
WO2021204272A1 (zh) 基于隐私保护确定目标业务模型
US20190294975A1 (en) Predicting using digital twins
CN111294812B (zh) 一种资源扩容规划的方法及系统
WO2019242627A1 (zh) 一种数据处理方法及其装置
CN112231592B (zh) 基于图的网络社团发现方法、装置、设备以及存储介质
CN111368551B (zh) 一种确定事件主体的方法和装置
CN113436620A (zh) 模型的训练方法、语音识别方法、装置、介质及设备
CN113778718B (zh) 基于动态路由的微服务资源管理方法、系统和电子设备
WO2022021834A1 (zh) 神经网络模型确定方法、装置、电子设备、介质及产品
CN111062431A (zh) 图像聚类方法、图像聚类装置、电子设备及存储介质
CN113011210B (zh) 视频处理方法和装置
CN112948582B (zh) 一种数据处理方法、装置、设备以及可读介质
CN114938337A (zh) 一种模型训练方法、装置及电子设备
CN115550996A (zh) 基于指标数据的QoE预测方法及QoS参数更新方法
CN115996292A (zh) 流控模型训练方法、装置、计算机设备和存储介质
CN115858911A (zh) 信息推荐方法、装置、电子设备及计算机可读存储介质
CN115204150B (zh) 信息校验方法、装置、电子设备和计算机可读介质
CN111814051B (zh) 一种资源类型确定方法及装置
CN116149848A (zh) 负载预测方法、装置、电子设备及存储介质
CN111062468B (zh) 生成网络的训练方法和系统、以及图像生成方法及设备
CN111310460B (zh) 语句的调整方法及装置
CN114707633A (zh) 特征提取方法、装置、电子设备和存储介质
CN109285559B (zh) 角色转换点检测方法及装置、存储介质、电子设备
CN114299074A (zh) 一种视频分割方法、装置、设备及存储介质
CN113469204A (zh) 数据处理方法、装置、设备和计算机存储介质

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
GR01 Patent grant
GR01 Patent grant