CN115942392B - 基于时间间隙的服务质量QoS动态配置方法及系统 - Google Patents
基于时间间隙的服务质量QoS动态配置方法及系统 Download PDFInfo
- Publication number
- CN115942392B CN115942392B CN202211408909.1A CN202211408909A CN115942392B CN 115942392 B CN115942392 B CN 115942392B CN 202211408909 A CN202211408909 A CN 202211408909A CN 115942392 B CN115942392 B CN 115942392B
- Authority
- CN
- China
- Prior art keywords
- model
- qos configuration
- qos
- nwdaf
- application
- 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
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于时间间隙的服务质量QoS动态配置方法及系统,该方法包括:B‑NWDAF获取具备初始执行参数的数据表模型,数据表模型基于神经网络架构构建,数据表模型包括关联模型和QoS配置模型;关联模型用于生成相应的关联表,关联表记录有与当前区域AI/ML应用的业务类型所对应的第一选择参数;QoS配置模型用于生成QoS配置表,QoS配置表记录有当前区域在不同时间间隙所对应的QoS配置;B‑NWDAF对数据表模型进行实时训练,并对数据表模型的执行参数进行动态更新;B‑NWDAF通过关联表和QoS配置表生成并下发与B‑NWDAF所属区域的业务类型相对应的QoS配置。通过上述方法,可使得用户区域的QoS配置可根据实际情况得到实时调整,以最大程度上匹配用户需求,有效减少通信资源的浪费。
Description
技术领域
本发明涉及通信服务技术领域,尤其涉及一种基于时间间隙的服务质量QoS动态配置方法及系统。
背景技术
5G技术不仅仅在通信速度上有着大幅提升,更重要的是,其方便了行业垂直应用通信网络,也即行业根据自身需求定制单独的通信网络。例如,在“交通、能源、娱乐、工业、智慧城市、医疗、农业、金融、教育”等垂直行业,面向移动通信运营商的通用的解决方案往往是不适用的,需要进行深度的定制化。
在5G移动通信的垂直行业应用中,对于通信质量有着较高的要求,目前,通过基于时间依赖的QoS(服务质量)来确保通信质量。QoS,即在5GS中预留一定时间的资源,可以满足数据短暂传输和周期性地使用重要的5GS资源的需求。在特定的时间保留资源,可以使需要传输数据的用户组更有效地多路复用。
对于一些特殊领域,例如银行,为了对客户进行智能分类,就需要很多客户的数据来训练智能处理模型,而训练模型就需要大量的数据(越多越好),但是银行又要保护客户的信息,这就限制了模型的准确性。对此,目前采用联邦学习训练方法进行模型训练,也即每个银行用自己的数据训练模型,把得到的模型参数上传到服务器,服务器再通过算法把每个银行的模型参数进行综合,得到一个更准的模型,然后每个银行就可以向服务器下载综合后的模型进行分类。在这里,每个银行拥有一个本地的AI/ML(人工智能/机器学习)应用,每个本地的AI/ML应用必要时需要传输AI/ML模型参数给服务器,而每次传输时都需要基站为其提供相应的QoS配置,以确保通信质量。然而,由于现有QoS配置系统所提供的QoS配置在相当长的时间内固定不变(除非人为改变),用户设备如果在约定的时间段(配置有QS服务的时间间隙)内不可用,也即AI/ML应用没有传输数据的需求,协议没有对网络的表现行为说明,但是基站和UPF(用户面功能)在该时间段仍然预留资源,这会造成网络资源浪费。
发明内容
本发明的目的是提供一种可根据本地目标区域相关应用对通信网络的使用情况智能动态调整QoS配置以提升通信资源利用率的基于时间间隙的服务质量QoS动态配置方法及系统。
为了实现上述目的,本发明公开了一种基于时间间隙的服务质量QoS动态配置方法,用于人工智能AI/机器学习ML应用通过通信系统向服务器传输AI/ML模型参数,该方法包括:
本地网络数据分析功能B-NWDAF获取具备初始执行参数的数据表模型,所述数据表模型基于神经网络架构构建,所述数据表模型包括关联模型和QoS配置模型;
所述关联模型,用于根据当前区域AI/ML应用的业务类型生成相应的关联表,所述关联表记录有与当前区域AI/ML应用的业务类型所对应的第一选择参数;
所述QoS配置模型,用于根据所述第一选择参数启动并生成QoS配置表,所述QoS配置表记录有当前区域在不同时间间隙所对应的QoS配置;
所述B-NWDAF基于当前区域AI/ML应用所产生的动态数据对所述数据表模型进行实时训练,并对所述数据表模型的执行参数进行动态更新;
所述B-NWDAF通过所述关联表和所述QoS配置表生成并下发与所述B-NWDAF所属区域的业务类型相对应的QoS配置。
较佳地,所述B-NWDAF通过心跳连接参数动态检测接入基站的AI/ML应用的状态。
较佳地,所述B-NWDAF生成并下发QoS配置的方法包括:
所述B-NWDAF从操作、管理和维护功能获取当前AI/ML应用所在区域的业务类型;
所述关联模型根据所获取到的业务类型输出相应的关联表,并从该关联表中提取出第一选择参数;
所述QoS配置模型根据该第一选择参数生成相应的QoS配置表;
基于所述关联表和所述QoS配置表生成QoS配置定时映射表,所述QoS配置定时映射表记录与当前区域AI/ML应用的业务类型在不同时间间隙所对应的QoS配置;
所述B-NWDAF将新生成的所述QoS配置定时映射表下发到基站。
较佳地,所述数据表模型还包括突发率模型,所述关联表中还记录有与AI/ML应用的业务类型所对应的第二选择参数;
所述突发率模型,用于根据所述第二选择参数启动并生成突发率表;
所述突发率表,用于记录当前区域在不同的非约定时间段突发请求QoS配置的第一概率,所述非约定时间段为与当前QoS配置所对应的时间间隙之外的时间段;
当AI/ML应用在非约定时间段内请求QoS配置时,所述B-NWDAF临时为该非约定时间段开辟相应的QoS配置,直至该AI/ML应用与基站断开连接,并更新所述第一概率的值;
判断所述第一概率是否大于预设值,如果是,则将该第一概率所对应的非约定时间段加入所述QoS配置表,并在该QoS配置表中为该非约定时间段设置相应的QoS配置,使得该非约定时间段变为约定时间段。
较佳地,所述数据表模型还包括掉线率模型,所述关联表中记录有与AI/ML应用的业务类型所对应的第三选择参数;
所述掉线率模型,用于根据所述第三选择参数启动并生成掉线率表;
所述掉线率表,用于记录当前区域在不同的具有所述QoS配置的约定时间段内AI/ML应用与基站断开的第二概率;
在所述QoS配置表中的约定时间段内,当B-NWDAF检测到所述AI/ML应用与基站断开连接时,对所述第二概率进行更新;
判断所述第二概率是否大于预设值,如果是,则将所述QoS配置表中的与该第二概率相对应的约定时间段内的QoS配置去除。
较佳地,所述B-NWDAF从中心网络数据分析功能C-NWDAF获取所述数据表模型。
较佳地,所述B-NWDAF将训练更新后的数据表模型发送给所述C-NWDAF,所述C-NWDAF根据各个所述B-NWDAF传送的数据表模型进行联合训练。
本发明还公开一种基于时间间隙的服务质量QoS动态配置系统,用于人工智能AI/机器学习ML应用通过通信系统向服务器传输AI/ML模型参数,该系统包括:
初始模型获取模块,其用于基于本地网络数据分析功能B-NWDAF获取具备初始执行参数的数据表模型,所述数据表模型基于神经网络架构构建,所述数据表模型包括关联模型和QoS配置模型;
所述关联模型,用于根据当前区域AI/ML应用的业务类型生成相应的关联表,所述关联表记录有与当前区域AI/ML应用的业务类型所对应的第一选择参数;
所述QoS配置模型,用于根据所述第一选择参数启动并生成QoS配置表,所述QoS配置表记录有当前区域在不同时间间隙所对应的QoS配置;
更新模块,其用于基于当前区域AI/ML应用所产生的动态数据对所述数据表模型进行实时训练,并对所述数据表模型的执行参数进行动态更新;
QoS配置生成模块,其用于通过所述关联表和所述QoS配置表生成与所述B-NWDAF所属区域的业务类型相对应的QoS配置;
发送模块,其用于将所述QoS配置生成模块生成的最新QoS配置下发到基站。
本发明还公开一种基于时间间隙的服务质量QoS动态配置系统,其包括:
一个或多个处理器;
存储器;
以及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的基于时间间隙的服务质量QoS动态配置方法的指令。
本发明还公开一种计算机可读存储介质,其包括计算机程序,所述计算机程序可被处理器执行以完成如上所述的基于时间间隙的服务质量QoS动态配置方法。
与现有技术相比,本发明上述技术方案,B-NWDAF通过本地的数据对数据表模型进行实时训练,以使得数据表模型可实时预测本地区域下AI/ML应用所执行业务的时间,并对QoS配置表和关联表中的参数数据进行动态更新,从而使得,根据关联表和QoS配置表生成并下发的QoS配置也相应得到更新,进而使得用户区域的QoS配置可根据实际情况得到实时调整,以最大程度上匹配用户需求,有效减少通信资源的浪费。
附图说明
图1为本发明实施例中QoS动态配置方法流程图。
图2为图1中生成并下发QoS配置的具体流程图。
图3为本发明实施例中QoS动态配置的总体执行流程图。
具体实施方式
为详细说明本发明的技术内容、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。
本实施例公开了一种基于时间间隙的服务质量QoS动态配置方法,用于人工智能AI/机器学习ML应用通过通信系统(本实施例中为5G系统,或兼容5G系统的下一代系统)向服务器传输AI/ML模型参数,AI/ML应用向服务器传输AI/ML模型参数的过程中,为了避免丢包、时延等问题,基于QoS配置,基站为AI/ML应用预留通信资源,确保AI/ML应用的周期性且单次短时间的数据传输的质量。本实施例中,如图1,该方法包括:
S1:本地网络数据分析功能B-NWDAF获取具备初始执行参数的数据表模型,数据表模型基于神经网络架构构建,数据表模型包括关联模型和QoS配置模型。
对于关联模型,模型的数据结构如下表1所示,用于根据当前区域AI/ML应用的业务类型生成相应的关联表,关联表记录有与当前区域AI/ML应用的业务类型所对应的第一选择参数,如当前区域的AI/ML应用的业务类型为类型1,那么将生成与业务类型1关联的第一选择参数的关联表。本实施例中,该第一选择参数为QoS配置模型的id号。
表1
对于QoS配置模型,模型的数据结构如下表2所示,用于根据第一选择参数(QoS配置模型的id号)启动并生成QoS配置表,QoS配置表记录有当前区域在不同时间间隙所对应的QoS配置。例如,B-NWDAF所在的当前区域为区域1,那么生成与区域1相对应的QoS配置表,其中的QoS配置项包括QoS1和QoS3。
表2
S2:B-NWDAF基于当前区域AI/ML应用所产生的动态数据对数据表模型进行实时训练,并对数据表模型的执行参数进行动态更新。
S3:B-NWDAF通过关联表和QoS配置表生成并下发与B-NWDAF所属区域的业务类型相对应的QoS配置。
具体地,如图2,B-NWDAF生成并下发QoS配置的方法包括:
S30:B-NWDAF从操作、管理和维护功oam能获取当前区域的业务类型。
S31:关联模型根据所获取到的业务类型生成相应的关联表,如下表3,并从该关联表中提取第一选择参数。
表3S32:QoS配置模型根据该第一选择参数生成相应的QoS配置表,如下表4。
表4
S33:基于关联表和QoS配置表生成QoS配置定时映射表,如下表5,QoS配置定时映射表记录与当前区域AI/ML应用的业务类型在不同时间间隙所对应的QoS配置。
表5
S34:B-NWDAF将新生成的QoS配置定时映射表下发到基站以及用户名功能UPF。基站根据QoS配置定时映射表为当前区域的不同时段提供相应的QoS配置,从而为当前区域的AI/ML应用预留所需的通信资源。
在上述实施例中,由于B-NWDAF通过本地的数据对数据表模型进行实时训练,以使得数据表模型可实时预测本地区域下AI/ML应用所执行业务的时间,并对QoS配置表中的参数数据进行动态更新,从而使得,根据关联表和QoS配置表生成并下发的QoS配置也相应得到更新,进而使得用户区域的QoS配置可根据实际情况得到实时调整,以最大程度上匹配用户需求,有效减少通信资源的浪费。
AI/ML应用的实际工作过程中,也可能会在当前QoS配置所对应的时间间隙之外的时间段,也即非约定时间段(QoS配置如QoS1,所对应的时间间隙为约定时间段),产生向服务器传输AI/ML模型参数的需求,为突发需求,为应对这一情况,进一步地,请再次参阅上述表1,数据表模型还包括突发率模型,关联表中还记录有与AI/ML应用的业务类型所对应的第二选择参数。本实施例中,该第二选择参数为突发率模型的id号。
突发率模型,模型的数据结构如下表6所示,用于根据第二选择参数启动并生成突发率表,该突发率表用于记录当前区域在不同的非约定时间段突发请求QoS配置的第一概率。
表6
在本实施例中,B-NWDAF通过心跳连接参数动态检测接入基站的AI/ML应用的状态,当AI/ML应用在非约定时间段内请求QoS配置时,B-NWDAF临时为该非约定时间段开辟相应的QoS配置,使得AI/ML应用的业务不被影响,可随时进行,直至该AI/ML应用与基站断开连接,并更新第一概率的值。
判断第一概率是否大于预设值(如50%),如果是,则将该第一概率所对应的非约定时间段加入QoS配置表,并在该QoS配置表中为该非约定时间段设置相应的QoS配置,使得该非约定时间段变为约定时间段。
在本实施例中,不但解决了AI/ML应用在非约定时间段内的临时需求,而且当在同一非约定时间段内的临时需求比较频繁时,还可自动将该非约定时间段升级为约定时间段,从而QoS的应用更加灵活,而且有效提升用户使用体验感。
另一种情况,在约定时间段内,基站预留有通信资源,然而发现在该区域的该约定时间段内,AI/ML应用频繁处于掉线状态,从而也会造成通信资源的浪费。因此,进一步改进,请再次参阅上述表1,数据表模型还包括掉线率模型,关联表中记录有与AI/ML应用的业务类型所对应的第三选择参数。本实施例中,该第三选择参数为掉线率模型id。
对于掉线率模型,模型的数据结构如下表7,用于根据第三选择参数启动并生成掉线率表,该掉线率表用于记录当前区域在不同的具有QoS配置的约定时间段内AI/ML应用与基站断开的第二概率;
表7
B-NWDAF通过心跳连接参数动态检测接入基站的AI/ML应用的状态,在QoS配置表中的约定时间段内,当B-NWDAF检测到AI/ML应用与基站断开连接时,对第二概率进行更新。
判断第二概率是否大于预设值,如果是,则将QoS配置表中的与该第二概率相对应的约定时间段内的QoS配置去除。当QoS配置表得到更新后,相应地,QoS配置定时映射表也会同步更新,进而,基站和UPF也会同步更新,从而更新资源预留。
更进一步地,B-NWDAF从中心网络数据分析功能C-NWDAF获取数据表模型。
为提升数据表模型中初始执行参数的准确性,B-NWDAF将训练更新后的数据表模型发送给C-NWDAF,C-NWDAF根据各个B-NWDAF传送的数据表模型进行联合训练。
综上,如图3,本发明公开的基于时间间隙的服务质量QoS动态配置方法的具体流程如下:
a:B-NWDAF从C-NWDAF获取带有初始执行参数的关联模型、QoS配置模型、突发率模型以及掉线率模型等具有表格数据结构的数据表模型;
b:B-NWDAF从oam获取当前区域的业务类型;
c:B-NWDAF启动关联模型,以生成关联表,在该关联表中,记录有与当前区域的AI/ML应用的业务类型相对应的第一选择参数、第二选择参数以及第三选择参数。
QoS配置模型根据第一选择参数生成QoS配置表,突发率模型根据第二选择参数生成突发率表,掉线率模型根据第三选择参数生成掉线率表。
基于QoS配置表和QoS配置表生成相应的QoS配置定时映射表。
d:B-NWDAF将QoS配置定时映射表下发给基站和UPF,基站预留资源给AI/ML应用。
e:AI/ML应用与基站建立心跳连接,并基于基站预留的资源进行通信。
f:AI/ML应用将产生的AI/ML模型参数通过基站传输给远端的服务器。
g:B-NWDAF对本地的数据表模型进行训练、更新。
h:基于更新后的数据表模型,QoS配置定时映射表得到更新,B-NWDAF将更新后的QoS配置定时映射表下发给基站。
i:B-NWDAF将更新后的数据表模型回传给C-NWDAF。
j:C-NWDAF对数据表模型进行联合训练,以供其他B-NWDAF初始获得的数据表模型更加精确。
本发明另一较佳实施例中,还公开一种基于时间间隙的服务质量QoS动态配置系统,用于人工智能AI/机器学习ML应用通过通信系统向服务器传输AI/ML模型参数,该系统包括:
初始模型获取模块,其用于基于本地网络数据分析功能B-NWDAF获取具备初始执行参数的数据表模型,数据表模型基于神经网络架构构建,数据表模型包括关联模型和QoS配置模型;
关联模型,用于根据当前区域AI/ML应用的业务类型生成相应的关联表,关联表记录有与当前区域AI/ML应用的业务类型所对应的第一选择参数;
QoS配置模型,用于根据第一选择参数启动并生成QoS配置表,QoS配置表记录有当前区域在不同时间间隙所对应的QoS配置;
更新模块,其用于基于当前区域AI/ML应用所产生的动态数据对数据表模型进行实时训练,并对数据表模型的执行参数进行动态更新;
QoS配置生成模块,其用于通过关联表和QoS配置表生成与B-NWDAF所属区域的业务类型相对应的QoS配置;
发送模块,其用于将QoS配置生成模块生成的最新QoS配置下发到基站。
对于本实施例中QoS动态配置系统的工作原理和工作过程详见上述QoS动态配置方法,在此不再赘述。
本发明还公开另一种QoS动态配置系统系统,其包括一个或多个处理器、存储器以及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的QoS动态配置系统方法的指令。处理器可以采用通用的中央处理器(Central Processing Unit,CPU),微处理器,应用专用集成电路(Application Specific Integrated Circuit,ASIC),或者一个或多个集成电路,用于执行相关程序,以实现本申请实施例的QoS动态配置系统系统中的模块所需执行的功能,或者执行本申请方法实施例的QoS动态配置系统方法。
本发明还公开一种计算机可读存储介质,其包括计算机程序,所述计算机程序可被处理器执行以完成如上所述的QoS动态配置系统方法。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read-onlymemory,ROM),或随机存取存储器(random access memory,RAM),或磁性介质,例如,软盘、硬盘、磁带、磁碟、或光介质,例如,数字通用光盘(digital versatile disc,DVD)、或者半导体介质,例如,固态硬盘(solidstate disk,SSD)等。
本申请实施例还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上述QoS动态配置系统方法。
以上所披露的仅为本发明的优选实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明申请专利范围所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种基于时间间隙的服务质量QoS动态配置方法,用于人工智能AI/机器学习ML应用通过通信系统向服务器传输AI/ML模型参数,其特征在于,该方法包括:
本地网络数据分析功能B-NWDAF获取具备初始执行参数的数据表模型,所述数据表模型基于神经网络架构构建,所述数据表模型包括关联模型和QoS配置模型;
所述关联模型,用于根据当前区域AI/ML应用的业务类型生成相应的关联表,所述关联表记录有与当前区域AI/ML应用的业务类型所对应的第一选择参数;
所述QoS配置模型,用于根据所述第一选择参数启动并生成QoS配置表,所述QoS配置表记录有当前区域在不同时间间隙所对应的QoS配置;
所述B-NWDAF基于当前区域AI/ML应用所产生的动态数据对所述数据表模型进行实时训练,并对所述数据表模型的执行参数进行动态更新;
所述B-NWDAF通过所述关联表和所述QoS配置表生成并下发与所述B-NWDAF所属区域的业务类型相对应的QoS配置。
2.根据权利要求1所述的基于时间间隙的服务质量QoS动态配置方法,其特征在于,所述B-NWDAF通过心跳连接参数动态检测接入基站的AI/ML应用的状态。
3.根据权利要求1所述的基于时间间隙的服务质量QoS动态配置方法,其特征在于,所述B-NWDAF生成并下发QoS配置的方法包括:
所述B-NWDAF从操作、管理和维护功能获取当前AI/ML应用所在区域的业务类型;
所述关联模型根据所获取到的业务类型输出相应的关联表,并从该关联表中提取出第一选择参数;
所述QoS配置模型根据该第一选择参数生成相应的QoS配置表;
基于所述关联表和所述QoS配置表生成QoS配置定时映射表,所述QoS配置定时映射表记录与当前区域AI/ML应用的业务类型在不同时间间隙所对应的QoS配置;
所述B-NWDAF将新生成的所述QoS配置定时映射表下发到基站。
4.根据权利要求2所述的基于时间间隙的服务质量QoS动态配置方法,其特征在于,所述数据表模型还包括突发率模型,所述关联表中还记录有与AI/ML应用的业务类型所对应的第二选择参数;
所述突发率模型,用于根据所述第二选择参数启动并生成突发率表;
所述突发率表,用于记录当前区域在不同的非约定时间段突发请求QoS配置的第一概率,所述非约定时间段为与当前QoS配置所对应的时间间隙之外的时间段;
当AI/ML应用在非约定时间段内请求QoS配置时,所述B-NWDAF临时为该非约定时间段开辟相应的QoS配置,直至该AI/ML应用与基站断开连接,并更新所述第一概率的值;
判断所述第一概率是否大于预设值,如果是,则将该第一概率所对应的非约定时间段加入所述QoS配置表,并在该QoS配置表中为该非约定时间段设置相应的QoS配置,使得该非约定时间段变为约定时间段。
5.根据权利要求2所述的基于时间间隙的服务质量QoS动态配置方法,其特征在于,所述数据表模型还包括掉线率模型,所述关联表中记录有与AI/ML应用的业务类型所对应的第三选择参数;
所述掉线率模型,用于根据所述第三选择参数启动并生成掉线率表;
所述掉线率表,用于记录当前区域在不同的具有所述QoS配置的约定时间段内AI/ML应用与基站断开的第二概率;
在所述QoS配置表中的约定时间段内,当B-NWDAF检测到所述AI/ML应用与基站断开连接时,对所述第二概率进行更新;
判断所述第二概率是否大于预设值,如果是,则将所述QoS配置表中的与该第二概率相对应的约定时间段内的QoS配置去除。
6.根据权利要求1所述的基于时间间隙的服务质量QoS动态配置方法,其特征在于,所述B-NWDAF从中心网络数据分析功能C-NWDAF获取所述数据表模型。
7.根据权利要求6所述的基于时间间隙的服务质量QoS动态配置方法,其特征在于,所述B-NWDAF将训练更新后的数据表模型发送给所述C-NWDAF,所述C-NWDAF根据各个所述B-NWDAF传送的数据表模型进行联合训练。
8.一种基于时间间隙的服务质量QoS动态配置系统,用于人工智能AI/机器学习ML应用通过通信系统向服务器传输AI/ML模型参数,其特征在于,该系统包括:
初始模型获取模块,其用于基于本地网络数据分析功能B-NWDAF获取具备初始执行参数的数据表模型,所述数据表模型基于神经网络架构构建,所述数据表模型包括关联模型和QoS配置模型;
所述关联模型,用于根据当前区域AI/ML应用的业务类型生成相应的关联表,所述关联表记录有与当前区域AI/ML应用的业务类型所对应的第一选择参数;
所述QoS配置模型,用于根据所述第一选择参数启动并生成QoS配置表,所述QoS配置表记录有当前区域在不同时间间隙所对应的QoS配置;
更新模块,其用于基于当前区域AI/ML应用所产生的动态数据对所述数据表模型进行实时训练,并对所述数据表模型的执行参数进行动态更新;
QoS配置生成模块,其用于通过所述关联表和所述QoS配置表生成与所述B-NWDAF所属区域的业务类型相对应的QoS配置;
发送模块,其用于将所述QoS配置生成模块生成的最新QoS配置下发到基站。
9.一种基于时间间隙的服务质量QoS动态配置系统,其特征在于,包括:
一个或多个处理器;
存储器;
以及一个或多个程序,其中一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如权利要求1至7任一项所述的基于时间间隙的服务质量QoS动态配置方法的指令。
10.一种计算机可读存储介质,其特征在于,包括计算机程序,所述计算机程序可被处理器执行以完成如权利要求1至7任一项所述的基于时间间隙的服务质量QoS动态配置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211408909.1A CN115942392B (zh) | 2022-11-10 | 2022-11-10 | 基于时间间隙的服务质量QoS动态配置方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211408909.1A CN115942392B (zh) | 2022-11-10 | 2022-11-10 | 基于时间间隙的服务质量QoS动态配置方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115942392A CN115942392A (zh) | 2023-04-07 |
CN115942392B true CN115942392B (zh) | 2023-08-01 |
Family
ID=86653118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211408909.1A Active CN115942392B (zh) | 2022-11-10 | 2022-11-10 | 基于时间间隙的服务质量QoS动态配置方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115942392B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114189890A (zh) * | 2021-12-08 | 2022-03-15 | 中国电信股份有限公司 | 更新网络服务质量模型的方法、装置、设备及存储介质 |
WO2022069063A1 (en) * | 2020-10-02 | 2022-04-07 | Lenovo (Singapore) Pte. Ltd. | Validity notification for a machine learning model |
CN114443234A (zh) * | 2020-10-20 | 2022-05-06 | 中国移动通信有限公司研究院 | 数据分析方法、装置、nwdaf组群及可读存储介质 |
WO2022116061A1 (zh) * | 2020-12-02 | 2022-06-09 | 华为技术有限公司 | 一种通信方法和装置 |
CN115086940A (zh) * | 2022-05-13 | 2022-09-20 | 广州爱浦路网络技术有限公司 | 基于5G的QoS调整方法、系统、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112311564B (zh) * | 2019-07-23 | 2022-04-22 | 华为技术有限公司 | 应用mos模型的训练方法、设备及系统 |
-
2022
- 2022-11-10 CN CN202211408909.1A patent/CN115942392B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022069063A1 (en) * | 2020-10-02 | 2022-04-07 | Lenovo (Singapore) Pte. Ltd. | Validity notification for a machine learning model |
CN114443234A (zh) * | 2020-10-20 | 2022-05-06 | 中国移动通信有限公司研究院 | 数据分析方法、装置、nwdaf组群及可读存储介质 |
WO2022116061A1 (zh) * | 2020-12-02 | 2022-06-09 | 华为技术有限公司 | 一种通信方法和装置 |
CN114189890A (zh) * | 2021-12-08 | 2022-03-15 | 中国电信股份有限公司 | 更新网络服务质量模型的方法、装置、设备及存储介质 |
CN115086940A (zh) * | 2022-05-13 | 2022-09-20 | 广州爱浦路网络技术有限公司 | 基于5G的QoS调整方法、系统、装置及存储介质 |
Non-Patent Citations (3)
Title |
---|
Input/output information for support of AI/ML enabled Mobility Optimization;LG Electronics Inc.;《3GPP TSG-RAN WG3 Meeting #114-e R3-215528》;第1-3页 * |
Network Data Analytics Function for IBN-based Network Slice Lifecycle Management;Khizar Abbas等;《IEICE - APNOMS》;第148-153页 * |
支持原生数据分析能力的5G 核心网架构增强研究;任驰等;《邮电设计技术》;第40-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115942392A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108924221B (zh) | 分配资源的方法和装置 | |
CN102088754B (zh) | 一种基于网络访问行为的无线局域网接入控制方法及系统 | |
CN113282462B (zh) | 应用于区块链和大数据的信息处理方法及大数据平台 | |
CN108255614A (zh) | 一种基于微服务架构的接口调用系统及方法 | |
WO2014090075A1 (en) | System and method for estimating an effective bandwidth | |
CN113220715B (zh) | 一种数据处理方法、系统、计算机及可读存储介质 | |
CN102355374A (zh) | 一种数据获取方法和设备 | |
WO2022001941A1 (zh) | 网元管理方法、网管系统、独立计算节点、计算机设备、存储介质 | |
CN110475091A (zh) | 视频会议的处理方法及装置 | |
CN105072139A (zh) | 推荐方法和装置 | |
CN110958132A (zh) | 监控网卡设备的方法、基板管理控制器及网卡设备 | |
CN114157710A (zh) | 通信策略配置方法、装置、存储介质及设备 | |
CN115942392B (zh) | 基于时间间隙的服务质量QoS动态配置方法及系统 | |
CN106502856B (zh) | 一种信息处理方法及装置 | |
CN105554569A (zh) | 一种监控关键质量指标的方法、装置及系统 | |
CN110147481B (zh) | 媒体内容推送方法、装置及存储介质 | |
CN104168174A (zh) | 一种传输信息的方法及装置 | |
WO2019062404A1 (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN113010381A (zh) | 一种部件管理的方法和设备 | |
CN109688402A (zh) | 一种基于全息影像的交互方法、客户端及系统 | |
CN114928587B (zh) | 一种基于云边协同系统的AIoT设备复用建模化方法 | |
CN115580568A (zh) | 基于IPv6流标签实现网络服务质量保障的方法及系统 | |
EP3884696A1 (en) | A method and apparatus for abstracting network resources to support end user mobility | |
CN111565115B (zh) | 一种动态宽带跟踪方法、装置、存储介质 | |
CN105099939A (zh) | 在不同数据中心之间执行流量控制的方法和设备 |
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 |