CN116017404A - 园区专网的网元驱动方法、装置、电子设备及存储介质 - Google Patents
园区专网的网元驱动方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116017404A CN116017404A CN202211736334.6A CN202211736334A CN116017404A CN 116017404 A CN116017404 A CN 116017404A CN 202211736334 A CN202211736334 A CN 202211736334A CN 116017404 A CN116017404 A CN 116017404A
- Authority
- CN
- China
- Prior art keywords
- network
- model
- private
- alarm information
- park
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012360 testing method Methods 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 17
- 239000000523 sample Substances 0.000 description 41
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- ABEXEQSGABRUHS-UHFFFAOYSA-N 16-methylheptadecyl 16-methylheptadecanoate Chemical compound CC(C)CCCCCCCCCCCCCCCOC(=O)CCCCCCCCCCCCCCC(C)C ABEXEQSGABRUHS-UHFFFAOYSA-N 0.000 description 2
- 241000764238 Isis Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005417 image-selected in vivo spectroscopy Methods 0.000 description 2
- 238000012739 integrated shape imaging system Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
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
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供一种园区专网的网元驱动方法、装置、电子设备及存储介质。该方法包括:获取承载网与核心网的当前的网络告警信息,所述承载网是所述核心网与园区专网之间的网络;根据预设精度的模型,将所述当前的网络告警信息输入至所述预设精度的模型中,获得预测值,所述预测值表征所述承载网和所述核心网之间当前的网络连接状态;若确定所述预测值表征的当前的网络连接状态为断网,则驱动所述园区专网的网元,以使所述园区专网的用户识别卡再次入网。采用本申请的方法,可确保本地通信业务不中断。
Description
技术领域
本申请涉及园区专网技术,尤其涉及一种园区专网的网元驱动方法、装置、电子设备及存储介质。
背景技术
随着工业互联网的高速发展,运营商利用5G 2B模式也即是“公网专用”模式为客户提供专网应用,采用在大区/省中心运营商网络部署的用户数据网元(UDM,PCF),5G控制面网元(AMF,SMF)提供园区5G用户信令面处理,采用入驻园区的5G用户面网元(UEG),提供园区5G用户面转发。运营商通过“公网专用”方式解决企业园区2B应用各自诉求,保障企业数据安全,数据不出专网。
通常,由于边缘MEC(Multi-access/Mobile Edge Computing,多接入移动边缘计算)的控制面在核心网侧,若出现边缘MEC到核心网侧的承载网出现故障断网时,会造成整个边缘MEC故障,无法为客户提供计算和存储能力,因此为了解决此问题,把UPF、UDM、AMF、SMF等网元下沉到企业园区。大网断网故障发生起,园区专网被动检测到故障发生,驱动下沉至园区本地的各网元,以满足断网时园区专网的用户识别卡能再次入网,正常通信和上网。
然而,大网断网故障发生起,园区专网被动检测到故障发生,驱动网元保护本地通信业务的方式,会存在着延时问题。断网发生之前,网元还未被成功驱动,无法有效保护本地通信业务。
发明内容
本申请提供一种园区专网的网元驱动方法、装置、电子设备及存储介质,用以解决现有技术中,无法有效保护本地通信业务的技术问题。
第一方面,本申请提供一种园区专网的网元驱动方法,应用于园区专网的电子设备,包括:
获取承载网与核心网的当前的网络告警信息,所述承载网是所述核心网与园区专网之间的网络;
根据预设精度的模型,将所述当前的网络告警信息输入至所述预设精度的模型中,获得预测值,所述预测值表征所述承载网和所述核心网之间当前的网络连接状态;
若确定所述预测值表征的当前的网络连接状态为断网,则驱动所述园区专网的网元,以使所述园区专网的用户识别卡再次入网。
第二方面,本申请提供一种园区专网的网元驱动装置,位于园区专网的电子设备中,包括:
告警信息获取模块,用于获取承载网与核心网的当前的网络告警信息,所述承载网是所述核心网与园区专网之间的网络;
预测值获取模块,用于根据预设精度的模型,将所述当前的网络告警信息输入至所述预设精度的模型中,获得预测值,所述预测值表征所述承载网和所述核心网之间当前的网络连接状态;
网元驱动模块,用于若确定所述预测值表征的当前的网络连接状态为断网,则驱动所述园区专网的网元,以使所述园区专网的用户识别卡再次入网。
第三方面,本申请提供一种园区专网的电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法。
本申请提供的园区专网的网元驱动方法、装置、电子设备及存储介质,获取承载网与核心网的当前的网络告警信息,所述承载网是所述核心网与园区专网之间的网络;根据预设精度的模型,将所述当前的网络告警信息输入至所述预设精度的模型中,获得预测值,所述预测值表征所述承载网和所述核心网之间当前的网络连接状态;若确定所述预测值表征的当前的网络连接状态为断网,则驱动所述园区专网的网元,以使所述园区专网的用户识别卡再次入网。由于出现网络故障后,到断网有一定的时间,例如几秒或者几分钟。因此,通过预设精度的模型基于当前的网络告警信息进行预测,确定将出现断网时,立即主动驱动园区专网的网元,可以实现在真正断网之前成功驱动园区专用的网元,从而避免了时延问题,可以使园区专网的用户识别卡再次入网,以确保本地通信业务不中断。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为实现本申请实施例的园区专网的网元驱动方法的一种应用场景图;
图2为本申请一实施例的实现园区专网的网元驱动方法的流程示意图;
图3为本申请另一实施例的实现园区专网的网元驱动方法的流程示意图;
图4为本申请实现园区专网的网元驱动方法的结构示意图;
图5为用来实现园区专网的网元驱动方法中的园区专网的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了清楚理解本申请的技术方案,首先对现有技术的方案进行详细介绍。
通常,由于边缘MEC(Multi-access/Mobile Edge Computing,多接入移动边缘计算)的控制面在核心网侧,若出现边缘MEC到核心网侧的承载网出现故障断网时,会造成整个边缘MEC故障,无法为客户提供计算和存储能力,因此为了解决此问题,把UPF、UDM、AMF、SMF等网元下沉到企业园区。大网断网故障发生起,园区专网被动检测到故障发生,驱动下沉至园区本地的各网元,以满足断网时园区专网的用户识别卡能再次入网,正常通信和上网。
然而,大网断网故障发生起,园区专网被动检测到故障发生,驱动网元保护本地通信业务的方式,会存在着延时问题。断网发生之前,网元还未被成功驱动,无法有效保护本地通信业务。
所以在面对现有技术的技术问题时,发明人通过创造性的研究后发现,为了有效保护本地通信业务。由于出现网络故障后,到断网有一定的时间,例如几秒或者几分钟的过渡时间。因此,先获取承载网和核心网的当前的网络告警信息,再通过预设精度的模型基于当前的网络告警信息进行预测,在确定将出现断网时,立即驱动园区专网的网元,而不是被动的等到检测到故障发生再启动网元,因此可以利用过渡时间实现在断网之前成功驱动园区专用的网元,从而避免了时延问题,可以使园区专网的用户识别卡再次入网,以确保本地通信业务不中断。
如图1所示,本申请实施例提供的园区专网的网元驱动方法的应用场景,在该应用场景中对应的网络架构中包括园区专网的电子设备10与承载网的电子设备20、核心网的电子设备30,三者进行通信连接。园区专网的电子设备10从承载网的电子设备20、核心网的电子设备30中分别获取承载网、核心网的当前的网络告警信息。再根据预设精度的模型,将当前的网络告警信息输入至预设精度的模型中,获得预测值,预测值表征承载网和核心网之间当前的网络连接状态。若确定预测值表征的当前的网络连接状态为断网,则驱动园区专网的网元,以使园区专网的用户识别卡再次入网。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2是本申请一实施例提供的园区专网的网元驱动方法,如图2所示,本实施例提供的园区专网的网元驱动方法的执行主体是园区专网的电子设备。则本实施例提供的园区专网的网元驱动方法包括以下步骤:
步骤101,获取承载网与核心网的当前的网络告警信息。
其中,承载网是所述核心网与园区专网之间的网络,园区专网通过承载网与核心网建立通信连接。当前的网络告警信息是指当前最新时刻从核心网以及承载网产生的网络告警信息。
当前的网络告警信息包括当前时刻的端口CRC、端口、端口协议、BFD会话、ISIS协议、路由器丢包率、流量以及流量瞬时变化率等信息。
承载网与核心网的当前的网络告警信息可以通过园区专网侧的网元端口探针获取。
步骤102,根据预设精度的模型,将所述当前的网络告警信息输入至所述预设精度的模型中,获得预测值。
其中,预测值表征承载网和核心网之间当前的网络连接状态,预测值可以为0或1,例如0表示未发生断网,1表示发生断网。预设精度的模型可以是训练好的神经网络。
将当前的网络告警信息输入到预设精度的模型中,即可输出获得预测值。
步骤103,若确定所述预测值表征的预测网络连接状态为断网,则驱动所述园区专网的网元,以使所述园区专网的用户识别卡再次入网。
其中,根据预测值,园区专网的电子设备即可确定当前的网络连接状态。例如,若输出的预测值为1,园区专网的电子设备即可确定承载网和核心网之间当前的网络连接状态为断网。由于出现网络故障后,到断网有一定的时间,例如几秒或者几分钟。因此,在基于当前的网络告警信息确定将发生断网时,立即驱动园区专网的网元,可以实现在真正断网之前成功驱动园区专用的网元,从而使园区专网的用户识别卡再次入网。
先前用户识别卡是通过驱动核心网的网元接入的网络,园区专网的用户识别卡再次入网是指,换成驱动园区专网的网元接入网络。园区专网的网元即核心网下沉至园区专网本地的网元。
本申请中,获取承载网与核心网的当前的网络告警信息,所述承载网是所述核心网与园区专网之间的网络;根据预设精度的模型,将所述当前的网络告警信息输入至所述预设精度的模型中,获得预测值,所述预测值表征所述承载网和所述核心网之间当前的网络连接状态;若确定所述预测值表征的当前的网络连接状态为断网,则驱动所述园区专网的网元,以使所述园区专网的用户识别卡再次入网。由于出现网络故障后,到断网有一定的时间,例如几秒或者几分钟。因此,通过预设精度的模型基于当前的网络告警信息进行预测,确定将出现断网时,立即主动驱动园区专网的网元,可以实现在真正断网之前成功驱动园区专用的网元,从而避免了时延问题,可以使园区专网的用户识别卡再次入网,以确保本地通信业务不中断。
作为一种可选实施方式,如图3所示,本实施例中,在步骤101之前,还包括以下步骤:
步骤201,获取所述承载网与所述核心网的多个历史网络告警信息以及对应的数值标签,获得训练样本集和测试样本。
其中,训练样本集和测试样本集中的样本为实际采集的承载网与核心网的多个历史网络告警信息以及对应的数值标签,数值标签可以为0或1,数值标签用于表征断网或未发生断网,例如0表示未发生断网,1表示断网。
在理想情况下,若采集的多个历史网络告警信息是归整的,可直接用于机器训练,则可将实际采集到的承载网与核心网的多个历史网络告警信息,在人工根据各历史网络告警信息为其添加对应的数值标签后,直接作为训练样本集和测试样本集中的样本。每个历史网络告警信息包括端口CRC、端口、端口协议、BFD会话、ISIS协议、路由器丢包率、流量以及流量瞬时变化率等信息。
步骤202,根据所述训练样本集中的多个历史网络告警信息对未训练至收敛的模型进行迭代训练,获得已训练至收敛的模型。
其中,未训练至收敛的模型是指未训练好的神经网络,训练开始前以及训练过程中的模型均可称为未训练至收敛的模型。基于训练样本集中的多个历史网络告警信息对未训练至收敛的模型进行迭代训练,是为了获得训练好的趋于收敛的模型,即已训练至收敛的模型。
步骤203,将所述测试样本集中的多个历史网络告警信息分别输入至所述已训练至收敛的模型中,获得对应的测试值。
其中,为了判断迭代训练多轮之后,已训练至收敛的模型是否达到所需的准确度/精度。因此,通过将测试样本集中的多个历史告警信息分别输入至未训练至收敛的模型中,获得相应的测试值。根据各预测值的准确度可以判断模型的准确度。
步骤204,将各测试值与测试样本集中对应的历史告警信息的数值标签进行比对,若确定与对应数值标签相同的测试值占比达到设定值,确定获得预设精度的模型。
其中,与对应的数值标签相同的测试值占比是指在各测试值中,与对应的数值标签相同的测试值所占的比例。设定值是人为预先设定的模型训练结束时至少要达到的准确度。
将各测试值与测试样本集中对应的历史告警信息的数值标签进行比对,例如,测试值为0,测试样本集中对应的历史告警信息的数值标签也为0,或者,测试值为1,测试样本集中对应的历史告警信息的数值标签也为1,则测试值与对应的数值标签相同。
若确定与对应的数值标签相同的测试值占比达到设定值,则确定获得预设精度的模型。
本实施例中,获取训练样本集和测试样本集,所述训练样本集和所述测试样本集中的样本为实际采集的所述承载网与所述核心网的多个历史网络告警信息以及对应的数值标签,所述数值标签用于表征断网或未发生断网;根据所述训练样本集中的多个历史网络告警信息对未训练至收敛的模型进行迭代训练,获得已训练至收敛的模型;将所述测试样本集中的多个历史网络告警信息分别输入至所述已训练至收敛的模型中,获得对应的测试值;将各所述测试值与所述测试样本集中对应的历史告警信息的数值标签进行比对,若确定测试值与对应数值标签相同的占比达到设定值,则确定获得所述预设精度的模型。由于预设精度的模型是通过训练样本集中的多个历史网络告警信息进行迭代训练,获得已训练至收敛的模型,后续再通过测试样本集中的多个历史网络告警信息对已训练至收敛的模型进行测试,确定与对应数值标签相同的测试值占比达到设定值时,才停止模型的训练,因此,使获得的预设精度的模型的准确度较高。
作为一种可选实施方式,本实施例中,步骤201,包括以下步骤:
步骤301,获取所述承载网与所述核心网的多个历史网络告警信息,对所述多个历史网络告警信息进行清洗,获得多个清洗后的历史网络告警信息,各所述清洗后的历史网络告警信息已标注对应的数值标签。
由于实际采集的多个历史网络告警信息总是不归整的,不能直接用于机器训练,例如,对于网络告警信息中的端口为down时,不同厂家设备的描述可能不同,可能会出现关闭、失效等多样化的描述。归整即对其进行统一描述,例如以down为默认描述,则获得的历史网络告警信息中的端口的描述信息为关闭或失效时,均改为down,从而有利于机器识别处理。
因此,需要对多个历史网络告警信息进行清洗,以获得多个清洗后的历史网络告警数据。清洗的过程即前述的将历史网络告警信息中描述不统一的进行统一,以及将缺乏描述的进行补充或剔除,从而实现数据归一化,有利于机器训练。
清洗后的历史网络告警数据的数值标签是人为标注的,在标注时以对应的网络连接状况为参考,从而保证样本数据的准确性。
步骤302,按照设定的比例将所述多个清洗后的历史网络告警信息进行划分,以获得所述训练样本集和所述测试样本集。
其中,设定的比例可以是7:3、8:2等,不做限定。
本实施例中,获取所述承载网与所述核心网的多个历史网络告警信息,对所述多个历史网络告警信息进行清洗,获得多个清洗后的历史网络告警信息,各所述清洗后的历史网络告警信息已标注对应的数值标签;按照设定的比例将所述多个清洗后的历史网络告警信息进行划分,以获得所述训练样本集和所述测试样本集。由于对采集的多个历史网络告警数据进行了清洗,可以实现数据归一化,有利于机器训练。
在一个实施例中,未训练至收敛的模型、已训练至收敛的模型为卷积神经网络CNN。该卷积神经网络的输入是回归模型的输入x,输出是回归模型的输出hθ(x)。
其中,hθ(x)=P(y=1|x)=1/(1+e-g(θ,x)),y=1表示网络设备故障,y=0表示网络设备无故障,θ为模型参数;g(θ,x)为分类边界,x是网络设备的网络告警信息。此处回归模型可以是概率型非线性回归模型Logistic。
作为一种可选实施方式,本实施例中,步骤202,包括以下步骤:
步骤401,初始化所述未训练至收敛的模型的权重与偏置。
此外,还可设置最大迭代次数,当迭代训练次数非常大仍无法达到目标误差值时,可以使模型终止训练。
步骤402,每次迭代过程中,通过预设的损失函数计算所述未训练至收敛的模型的输出值与真实值之间的误差,判断该次迭代过程中的误差是否小于或等于目标误差值。
其中,输入值是网络告警信息,输出值可以是数值,例如0.9。真实值可以理解为,网络告警信息携带的数值标签中的值,例如0或者1。输出值与真实值之间的误差,可以是取二者差值的绝对值。例如若真实值为0,若输出值为0.2,则误差为0.2,若真实值为1,则误差为0.8。
每次迭代过程中,均判断该次迭代过程中的误差是否小于或等于目标误差值。
步骤403,若确定在第M次迭代过程中,第M次迭代过程中的误差大于所述目标误差值,则对所述权重进行调整,并进行下一次迭代。
其中,M为正整数。对权重与偏置进行调整时,先计算误差反向传播梯度中激活函数的分数阶导数,并计算每个神经元节点的分数阶倒数;计算误差梯度;再根据误差关于权重的梯度,修正权重并按照循环进行下一次迭代。
步骤404,若确定在第N次迭代过程中,第N次迭代过程中的误差小于或等于所述目标误差值,则确定获得已训练至收敛的模型,所述N为正整数。
其中,N为正整数且M小于或等于N。当在第N次迭代过程中,第N次迭代过程中的误差小于或等于所述目标误差值,则确定获得已训练至收敛的模型。
本实施例中,初始化所述未训练至收敛的模型的权重与偏置;每次迭代过程中,通过预设的损失函数计算所述未训练至收敛的模型的输出值与真实值之间的误差,判断该次迭代过程中的误差是否小于或等于目标误差值;若确定在第M次迭代过程中,第M次迭代过程中的误差大于所述目标误差值,则对所述权重进行调整,并进行下一次迭代;若确定在第N次迭代过程中,第N次迭代过程中的误差小于或等于所述目标误差值,则确定获得已训练至收敛的模型,所述N、M为正整数且M小于或等于N。由于已训练至收敛的模型是基于第N次迭代过程中的误差小于或等于目标误差值确定的,因此,可以确保已训练至收敛的模型是趋于收敛状态的。
作为一种可选实施方式,本实施例中,网元包括UDM网元和AMF网元,步骤103,包括以下步骤:
步骤501,驱动所述园区专网的AMF网元以使基站接入所述核心网中。
其中,AMF网元是可以管理基站与核心网连接的网元。
步骤502,若确定所述基站成功接入所述核心网中,则驱动所述园区专网的UDM网元将所述园区内的多个用户识别卡的鉴权信息发送至所述基站,使鉴权信息合法的多个用户识别卡接入所述基站。
其中,用户识别卡入网可理解为用户手机号入网。UDM网元是可以将用户识别卡的鉴权信息给到基站,由基站决定是否同意用户识别卡接入基站。在基站完成入网后,再进行用户识别卡入网,通常对于鉴权信息合法的用户识别卡,基站会准许其接入网络。
用户识别卡接入网络时,可以正常使用通信业务功能,进行拨号上网。
本实施例中,驱动所述园区专网的AMF网元以使基站接入所述核心网中;若确定所述基站成功接入所述核心网中,则驱动所述园区专网的UDM网元将所述园区内的多个用户识别卡的鉴权信息发送至所述基站,使鉴权信息合法的多个用户识别卡接入所述基站。由于在与核心网即将发生断网的情况下,可以驱动园区专网的AMF网元和UDM网元分别实现基站入网和用户识别卡入网,从而可以保护本地通信业务能够在断网情况下仍可进行。
图4是本申请一实施例提供的园区专网的网元驱动装置的结构示意图,如图4所示,本实施例提供的园区专网的网元驱动装置40位于园区专网的电子设备中,则本实施例提供的园区专网的网元驱动装置40,包括:
告警信息获取模块,用于获取承载网与核心网的当前的网络告警信息,所述承载网是所述核心网与园区专网之间的网络;
预测值获取模块,用于根据预设精度的模型,将所述当前的网络告警信息输入至所述预设精度的模型中,获得预测值,所述预测值表征所述承载网和所述核心网之间当前的网络连接状态;
网元驱动模块,用于若确定所述预测值表征的当前的网络连接状态为断网,则驱动所述园区专网的网元,以使所述园区专网的用户识别卡再次入网。
可选地,所述装置还包括模型训练模块,用于:获取所述承载网与所述核心网的多个历史网络告警信息以及对应的数值标签,获得训练样本集和测试样本集,所述数值标签用于表征断网或未发生断网;根据所述训练样本集中的多个历史网络告警信息对未训练至收敛的模型进行迭代训练,获得已训练至收敛的模型;将所述测试样本集中的多个历史网络告警信息分别输入至所述已训练至收敛的模型中,获得对应的测试值;将各所述测试值与所述测试样本集中对应的历史告警信息的数值标签进行比对,若确定与对应数值标签相同的测试值占比达到设定值,则确定获得所述预设精度的模型。
可选地,模型训练模块,在获取所述承载网与所述核心网的多个历史网络告警信息以及对应的数值标签,获得训练样本集和测试样本集时,具体用于:获取所述承载网与所述核心网的多个历史网络告警信息,对所述多个历史网络告警信息进行清洗,获得多个清洗后的历史网络告警信息,各所述清洗后的历史网络告警信息已标注对应的数值标签;按照设定的比例将所述多个清洗后的历史网络告警信息进行划分,以获得所述训练样本集和所述测试样本集。
可选地,所述模型为卷积神经网络。
可选地,在根据所述训练样本集中的多个历史网络告警信息对未训练至收敛的模型进行迭代训练,获得已训练至收敛的模型时,具体用于:初始化所述未训练至收敛的模型的权重与偏置;每次迭代过程中,通过预设的损失函数计算所述未训练至收敛的模型的输出值与真实值之间的误差,判断该次迭代过程中的误差是否小于或等于目标误差值;若确定在第M次迭代过程中,第M次迭代过程中的误差大于所述目标误差值,则对所述权重进行调整,并进行下一次迭代;若确定在第N次迭代过程中,第N次迭代过程中的误差小于或等于所述目标误差值,则确定获得已训练至收敛的模型,所述N、M为正整数且M小于或等于N。
可选地,网元包括UDM网元和AMF网元,
可选地,网元驱动模块,具体用于:驱动所述园区专网的AMF网元以使基站接入所述核心网中;若确定所述基站成功接入所述核心网中,则驱动所述园区专网的UDM网元将所述园区内的多个用户识别卡的鉴权信息发送至所述基站,使鉴权信息合法的多个用户识别卡接入所述基站。
图5是根据一示例性实施例示出的一种园区专网的电子设备的框图,该设备可以是如图5所示,园区专网的电子设备,包括:存储器51,处理器52;存储器51用于存储处理器可执行指令的存储器;处理器52用于运行计算机程序或指令,以实现如上任意一个实施例提供的园区专网的网元驱动方法。
其中,存储器51,用于存放程序。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。存储器51可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
其中,处理器52可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本公开实施例的一个或多个集成电路。
可选的,在具体实现上,如果存储器51和处理器52独立实现,则存储器51和处理器52可以通过总线53相互连接并完成相互间的通信。总线53可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线53、外部设备互连(PeripheralComponent,简称为PCI)总线53或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线53等。总线53可以分为地址总线53、数据总线53、控制总线53等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线53或一种类型的总线53。
可选的,在具体实现上,如果存储器51和处理器52集成在一块芯片上实现,则存储器51和处理器52可以通过内部接口完成相同间的通信。
一种非临时性计算机可读存储介质,当该存储介质中的指令由园区专网的电子设备的处理器执行时,使得园区专网的电子设备能够执行上述园区专网的电子设备的园区专网的网元驱动方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种园区专网的网元驱动方法,其特征在于,应用于园区专网的电子设备,所述方法包括:
获取承载网与核心网的当前的网络告警信息,所述承载网是所述核心网与园区专网之间的网络;
根据预设精度的模型,将所述当前的网络告警信息输入至所述预设精度的模型中,获得预测值,所述预测值表征所述承载网和所述核心网之间当前的网络连接状态;
若确定所述预测值表征的当前的网络连接状态为断网,则驱动所述园区专网的网元,以使所述园区专网的用户识别卡再次入网。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述承载网与所述核心网的多个历史网络告警信息以及对应的数值标签,获得训练样本集和测试样本集,所述数值标签用于表征断网或未发生断网;
根据所述训练样本集中的多个历史网络告警信息对未训练至收敛的模型进行迭代训练,获得已训练至收敛的模型;
将所述测试样本集中的多个历史网络告警信息分别输入至所述已训练至收敛的模型中,获得对应的测试值;
将各所述测试值与所述测试样本集中对应的历史告警信息的数值标签进行比对,若确定与对应数值标签相同的测试值占比达到设定值,则确定获得所述预设精度的模型。
3.根据权利要求2所述的方法,其特征在于,所述获取所述承载网与所述核心网的多个历史网络告警信息以及对应的数值标签,获得训练样本集和测试样本集,包括:
获取所述承载网与所述核心网的多个历史网络告警信息,对所述多个历史网络告警信息进行清洗,获得多个清洗后的历史网络告警信息,各所述清洗后的历史网络告警信息已标注对应的数值标签;
按照设定的比例将所述多个清洗后的历史网络告警信息进行划分,以获得所述训练样本集和所述测试样本集。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述模型为卷积神经网络。
5.根据权利要求2所述的方法,其特征在于,所述根据所述训练样本集中的多个历史网络告警信息对未训练至收敛的模型进行迭代训练,获得已训练至收敛的模型,包括:
初始化所述未训练至收敛的模型的权重与偏置;
每次迭代过程中,通过预设的损失函数计算所述未训练至收敛的模型的输出值与真实值之间的误差,判断该次迭代过程中的误差是否小于或等于目标误差值;
若确定在第M次迭代过程中,第M次迭代过程中的误差大于所述目标误差值,则对所述权重进行调整,并进行下一次迭代;
若确定在第N次迭代过程中,第N次迭代过程中的误差小于或等于所述目标误差值,则确定获得已训练至收敛的模型,所述N、M为正整数且M小于或等于N。
6.根据权利要求1所述的方法,其特征在于,所述网元包括UDM网元和AMF网元,所述驱动所述园区专网的网元,以使所述园区专网的用户识别卡再次入网,包括:
驱动所述园区专网的AMF网元以使基站接入所述核心网中;
若确定所述基站成功接入所述核心网中,则驱动所述园区专网的UDM网元将所述园区内的多个用户识别卡的鉴权信息发送至所述基站,使鉴权信息合法的多个用户识别卡接入所述基站。
7.一种园区专网的网元驱动装置,其特征在于,位于园区专网的电子设备中,所述装置包括:
告警信息获取模块,用于获取承载网与核心网的当前的网络告警信息,所述承载网是所述核心网与园区专网之间的网络;
预测值获取模块,用于根据预设精度的模型,将所述当前的网络告警信息输入至所述预设精度的模型中,获得预测值,所述预测值表征所述承载网和所述核心网之间当前的网络连接状态;
网元驱动模块,用于若确定所述预测值表征的当前的网络连接状态为断网,则驱动所述园区专网的网元,以使所述园区专网的用户识别卡再次入网。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括模型训练模块,用于:获取所述承载网与所述核心网的多个历史网络告警信息以及对应的数值标签,获得训练样本集和测试样本集,所述数值标签用于表征断网或未发生断网;根据所述训练样本集中的多个历史网络告警信息对未训练至收敛的模型进行迭代训练,获得已训练至收敛的模型;将所述测试样本集中的多个历史网络告警信息分别输入至所述已训练至收敛的模型中,获得对应的测试值;将各所述测试值与所述测试样本集中对应的历史告警信息的数值标签进行比对,若确定与对应数值标签相同的测试值占比达到设定值,则确定获得所述预设精度的模型。
9.一种园区专网的电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211736334.6A CN116017404A (zh) | 2022-12-30 | 2022-12-30 | 园区专网的网元驱动方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211736334.6A CN116017404A (zh) | 2022-12-30 | 2022-12-30 | 园区专网的网元驱动方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116017404A true CN116017404A (zh) | 2023-04-25 |
Family
ID=86030099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211736334.6A Pending CN116017404A (zh) | 2022-12-30 | 2022-12-30 | 园区专网的网元驱动方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116017404A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106488500A (zh) * | 2016-09-06 | 2017-03-08 | 国网信息通信产业集团有限公司 | 一种公网与专网自适应的方法及装置 |
CN107666728A (zh) * | 2016-07-26 | 2018-02-06 | 普天信息技术有限公司 | 一种释放终端的方法及基站 |
CN109117941A (zh) * | 2018-07-16 | 2019-01-01 | 北京思特奇信息技术股份有限公司 | 告警预测方法、系统、存储介质及计算机设备 |
CN112202917A (zh) * | 2020-10-14 | 2021-01-08 | 中国联合网络通信集团有限公司 | 一种多接入边缘计算业务终止的方法及设备 |
CN112423301A (zh) * | 2020-11-02 | 2021-02-26 | 中国联合网络通信集团有限公司 | 专网注册管理方法和amf网元 |
CN113497726A (zh) * | 2020-04-01 | 2021-10-12 | 中国移动通信集团山东有限公司 | 告警监控方法、系统、计算机可读存储介质及电子设备 |
CN113873522A (zh) * | 2021-09-13 | 2021-12-31 | 中国电子科技集团公司第三十研究所 | 一种能支持国际漫游的广域移动通信安全专网构建方法 |
CN114697952A (zh) * | 2020-12-29 | 2022-07-01 | 成都鼎桥通信技术有限公司 | 故障弱化的处理方法、设备和通信系统 |
CN114845382A (zh) * | 2022-03-31 | 2022-08-02 | 广州爱浦路网络技术有限公司 | 一种5g专网与公网组网方法 |
-
2022
- 2022-12-30 CN CN202211736334.6A patent/CN116017404A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107666728A (zh) * | 2016-07-26 | 2018-02-06 | 普天信息技术有限公司 | 一种释放终端的方法及基站 |
CN106488500A (zh) * | 2016-09-06 | 2017-03-08 | 国网信息通信产业集团有限公司 | 一种公网与专网自适应的方法及装置 |
CN109117941A (zh) * | 2018-07-16 | 2019-01-01 | 北京思特奇信息技术股份有限公司 | 告警预测方法、系统、存储介质及计算机设备 |
CN113497726A (zh) * | 2020-04-01 | 2021-10-12 | 中国移动通信集团山东有限公司 | 告警监控方法、系统、计算机可读存储介质及电子设备 |
CN112202917A (zh) * | 2020-10-14 | 2021-01-08 | 中国联合网络通信集团有限公司 | 一种多接入边缘计算业务终止的方法及设备 |
CN112423301A (zh) * | 2020-11-02 | 2021-02-26 | 中国联合网络通信集团有限公司 | 专网注册管理方法和amf网元 |
CN114697952A (zh) * | 2020-12-29 | 2022-07-01 | 成都鼎桥通信技术有限公司 | 故障弱化的处理方法、设备和通信系统 |
CN113873522A (zh) * | 2021-09-13 | 2021-12-31 | 中国电子科技集团公司第三十研究所 | 一种能支持国际漫游的广域移动通信安全专网构建方法 |
CN114845382A (zh) * | 2022-03-31 | 2022-08-02 | 广州爱浦路网络技术有限公司 | 一种5g专网与公网组网方法 |
Non-Patent Citations (3)
Title |
---|
徐雷: "《网络安全技术丛书 5G安全技术》", 31 October 2022, 机械工业出版社, pages: 136 - 138 * |
毋建军: "《计算机视觉应用开发》", 30 June 2022, 北京邮电大学出版社, pages: 181 - 185 * |
王国法: "《中国煤矿智能化发展报告 2022年》", 31 August 2022, 北京应急管理出版社, pages: 225 - 226 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3439241B1 (en) | Using machine learning to monitor link quality and predict link faults | |
CN109586952B (zh) | 服务器扩容方法、装置 | |
CN115102841B (zh) | 网络故障恢复方法、装置、设备及存储介质 | |
KR102291615B1 (ko) | 통신망의 장애를 예측하는 장치 및 방법 | |
CN115858311A (zh) | 运维监控的方法、装置、电子设备及可读存储介质 | |
CN111865665A (zh) | 一种网络设备故障自愈方法和装置 | |
CN111611097A (zh) | 故障检测方法、装置、设备及存储介质 | |
CN108400885A (zh) | 一种服务可用性检测方法、装置及电子设备 | |
US10111120B2 (en) | Apparatus and method for diagnosing anomaly in mobile communication network | |
CN116017404A (zh) | 园区专网的网元驱动方法、装置、电子设备及存储介质 | |
CN115242621B (zh) | 网络专线监控方法、装置、设备及计算机可读存储介质 | |
CN115037653B (zh) | 业务流量监控方法、装置、电子设备和存储介质 | |
CN110069382A (zh) | 软件监控方法、服务器、终端设备、计算机设备及介质 | |
CN113452533B (zh) | 计费自巡检、自愈合方法、装置、计算机设备和存储介质 | |
CN114598547A (zh) | 应用于网络攻击识别的数据分析方法及电子设备 | |
CN111371908B (zh) | 发送信息的方法、装置、存储介质及电子装置 | |
CN113961864A (zh) | 系统巡检方法、装置、存储介质及电子设备 | |
CN115994098B (zh) | 一种基于人工智能的软件运行异常的分析方法和系统 | |
CN113259531B (zh) | 一种呼叫中心自动语音服务运维方法及系统 | |
CN114125906B (zh) | 网络异常的诊断方法、装置、计算设备及计算机存储介质 | |
JPH02209051A (ja) | プロトコル故障検出方法 | |
CN111224861B (zh) | 即时消息服务的开通方法、系统、设备及存储介质 | |
CN112506736B (zh) | office文件打开状态监控方法及装置 | |
CN112312445B (zh) | 语音呼叫的处理方法、装置、存储介质和服务器 | |
CN116719677A (zh) | 故障分析方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |