CN116095750B - 数据面转发方法、装置、电子设备及可读存储介质 - Google Patents
数据面转发方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN116095750B CN116095750B CN202310085352.0A CN202310085352A CN116095750B CN 116095750 B CN116095750 B CN 116095750B CN 202310085352 A CN202310085352 A CN 202310085352A CN 116095750 B CN116095750 B CN 116095750B
- Authority
- CN
- China
- Prior art keywords
- memory copy
- network model
- sequence
- data
- copy codes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims description 92
- 230000006870 function Effects 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 27
- 238000007726 management method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000011161 development Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 230000005284 excitation Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 12
- 230000002787 reinforcement Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
- H04W28/065—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information using assembly or disassembly of packets
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供了一种数据面转发方法、装置、电子设备及可读存储介质,该方法包括:UPF接收来自UE的数据,对DPDK中的内存拷贝代码的顺序进行调整,并按照调整顺序后的代码进行数据处理和转发,确定数据转发率;UPF将数据转发率以及调整后的内存拷贝代码的顺序经由SMF发送给NWDAF;NWDAF根据数据转发率以及调整后的内存拷贝代码的顺序,确定目标顺序,并将目标顺序经由SMF发送给UPF;UPF对DPDK中的调整内存拷贝代码,并按照调整后的内存拷贝代码进行数据处理和转发。本申请通过调整内存拷贝代码的顺序并统计其转发率确定代码的最优顺序,能够提高数据转发的效率,实现对业务和用户进行个性化智能优化。
Description
技术领域
本申请涉及数据面转发技术领域,具体而言,涉及一种数据面转发方法、装置、电子设备及可读存储介质。
背景技术
随着移动数据需求量的不断增长,越来越多的硬件设备接入到移动网络中,同时也涌现出各式各样新的业务和应用,对网络带来了较大压力。
目前,可采用5G网络技术缓解流量压力,5G网络技术已经融入到人们的生活中,具有低时延、提高网络容量的功能和特点。
虽然5G网络技术虽然可以改善数据流量激增带来的网络压力,但是,仍然缺少智能化的管理方式,无法对业务和用户进行个性化智能优化。因此,亟需提供一种对网络资源进行智能化管理以提升网络容量并根据业务和用户特点调整服务质量的方法。
发明内容
本申请的目的在于,针对上述现有技术中的不足,提供一种数据面转发方法、装置、电子设备及可读存储介质,以解决现有技术中缺少智能化管理方式以及无法对业务和用户进行个性化智能优化的问题。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请一实施例提供了一种数据面转发方法,所述方法包括:
用户面功能UPF接收来自用户设备UE的数据,对UPF上部署的数据平面开发套件DPDK中的内存拷贝代码的顺序进行调整,并按照调整顺序后的内存拷贝代码进行数据处理和转发,确定数据转发率;
UPF将所述数据转发率以及调整后的内存拷贝代码的顺序经由会话管理单元SMF发送给智能分析网元NWDAF;
NWDAF根据所述数据转发率以及调整后的内存拷贝代码的顺序,确定内存拷贝代码的目标顺序,并将所述目标顺序经由SMF发送给UPF;
UPF根据所述目标顺序对DPDK中的内存拷贝代码进行调整,并按照调整后的内存拷贝代码进行数据处理和转发。
可选的,所述NWDAF根据所述数据转发率以及调整后的内存拷贝代码的顺序,确定内存拷贝代码的目标顺序,包括:
NWDAF根据所述数据转发率以及调整后的内存拷贝代码的顺序,构建深度学习网络模型,并基于所述深度学习网络模型确定内存拷贝代码的目标顺序。
可选的,所述NWDAF根据所述数据转发率以及调整后的内存拷贝代码的顺序,构建深度学习网络模型,并基于所述深度学习网络模型确定内存拷贝代码的目标顺序,包括:
NWDAF将所述数据转发率以及调整后的内存拷贝代码的顺序作为训练样本,将所述训练样本输入初始网络模型中,得到所述初始网络模型的输出结果;
NWDAF根据所述初始网络模型的输出结果以及所述输出结果的后一输出结果,确定所述初始网络模型的损失信息,并根据所述损失信息对所述初始网络模型进行迭代修正,得到所述深度学习网络模型;
NWDAF根据所述深度学习网络模型的输出结果确定内存拷贝代码的目标顺序。
可选的,所述NWDAF根据所述初始网络模型的输出结果以及所述输出结果的后一输出结果,确定所述初始网络模型的损失信息,包括:
NWDAF将所述初始网络模型的输出结果、所述后一输出结果以及所述训练样本对应的奖励值输入损失函数中进行计算,得到所述初始网络模型的损失信息。
可选的,所述NWDAF根据所述深度学习网络模型的输出结果确定内存拷贝代码的目标顺序,包括:
NWDAF将当前接收到的内存拷贝代码的顺序以及数据转发率输入所述深度学习网络模型中,得到所述深度学习网络模型的输出结果;
NWDAF根据所述深度学习网络模型的输出结果确定内存拷贝代码的目标顺序。
可选的,所述NWDAF将当前接收到的内存拷贝代码的顺序以及数据转发率输入所述深度学习网络模型中,得到所述深度学习网络模型的输出结果,包括:
NWDAF将当前接收到的内存拷贝代码的顺序以及数据转发率输入所述深度学习网络模型中,由所述深度学习网络模型中的线性输入层、激励层以及线性输出层依次进行处理,得到所述深度学习网络模型的输出结果。
可选的,所述对UPF上部署的数据平面开发套件DPDK中的内存拷贝代码的顺序进行调整,包括:
对所述内存拷贝代码进行随机移动,以使得所述内存拷贝代码的顺序调整。
第二方面,本申请另一实施例提供了一种数据面转发装置,所述装置包括:
第一确定模块,用于根据用户面功能UPF接收来自用户设备UE的数据,对UPF上部署的数据平面开发套件DPDK中的内存拷贝代码的顺序进行调整,并按照调整顺序后的内存拷贝代码进行数据处理和转发,确定数据转发率;
发送模块,用于UPF将所述数据转发率以及调整后的内存拷贝代码的顺序经由会话管理单元SMF发送给智能分析网元NWDAF;
第二确定模块,用于NWDAF根据所述数据转发率以及调整后的内存拷贝代码的顺序,确定内存拷贝代码的目标顺序,并将所述目标顺序经由SMF发送给UPF;
调整模块,用于UPF根据所述目标顺序对DPDK中的内存拷贝代码进行调整,并按照调整后的内存拷贝代码进行数据处理和转发。
可选的,所述第二确定模块具体用于:
根据所述数据转发率以及调整后的内存拷贝代码的顺序,构建深度学习网络模型,并基于所述深度学习网络模型确定内存拷贝代码的目标顺序。
可选的,第二确定模块具体用于:
将所述数据转发率以及调整后的内存拷贝代码的顺序作为训练样本,将所述训练样本输入初始网络模型中,得到所述初始网络模型的输出结果;
根据所述初始网络模型的输出结果以及所述输出结果的后一输出结果,确定所述初始网络模型的损失信息,并根据所述损失信息对所述初始网络模型进行迭代修正,得到所述深度学习网络模型;
根据所述深度学习网络模型的输出结果确定内存拷贝代码的目标顺序。
可选的,第二确定模块具体用于:
将所述初始网络模型的输出结果、所述后一输出结果以及所述训练样本对应的奖励值输入损失函数中进行计算,得到所述初始网络模型的损失信息。
可选的,第二确定模块具体用于:
将当前接收到的内存拷贝代码的顺序以及数据转发率输入所述深度学习网络模型中,得到所述深度学习网络模型的输出结果;
根据所述深度学习网络模型的输出结果确定内存拷贝代码的目标顺序。
可选的,第二确定模块具体用于:
将当前接收到的内存拷贝代码的顺序以及数据转发率输入所述深度学习网络模型中,由所述深度学习网络模型中的线性输入层、激励层以及线性输出层依次进行处理,得到所述深度学习网络模型的输出结果。
可选的,所述调整模块具体用于:
对所述内存拷贝代码进行随机移动,以使得所述内存拷贝代码的顺序调整。
第三方面,本申请另一实施例提供了一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如上述第一方面所述的数据面转发方法的步骤。
第四方面,本申请另一实施例提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如上述第一方面所述的数据面转发方法的步骤。
本实施例中,UPF接收来自UE的数据后对DPDK中的内存拷贝代码的顺序进行调整,并按照调整顺序后的内存拷贝代码进行数据处理和转发,确定数据转发率,UPF将数据转发率以及调整后的内存拷贝代码的顺序经由SMF发送给NWDAF,NWDAF根据数据转发率以及调整后的内存拷贝代码的顺序,确定内存拷贝代码的目标顺序,并将目标顺序经由SMF发送给UPF,UPF根据目标顺序对DPDK中的内存拷贝代码进行调整,并按照调整后的内存拷贝代码进行数据处理和转发。这样,通过调整内存拷贝代码的顺序并统计相应数据转发率并对其进行分析,能够得到内存拷贝代码的最优排序,进而能够提高数据转发的效率,实现对业务和用户进行个性化智能优化。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种数据面转发方法的架构示意图;
图2为本申请实施例提供的一种数据面转发方法的流程示意图;
图3为本申请实施例提供的一种深度学习网络模型的训练过程示意图;
图4为本申请实施例提供的一种构建深度学习网络模型方法的流程示意图;
图5为本申请实施例提供的一种深度学习网络模型的结构示意图;
图6为本申请实施例提供的一种内存拷贝代码目标顺序获取方法的流程示意图;
图7为本申请实施例提供的一种数据面转发装置的结构示意图;
图8示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
目前的5G网络技术虽然具有低时延、大容量等优势,但是仍然缺少智能化的管理方式,无法对业务和用户进行个性化智能优化,因此,亟需提供一种对网络资源进行智能化管理以提升网络容量并根据业务和用户特点调整服务质量的方法。
基于上述问题,本申请提出了一种数据面转发方法,基于深度学习网络模型动态调整内存拷贝代码的顺序,从而实现对业务和用户进行个性化智能优化。
图1是数据面转发系统的架构示意图,为了更好地理解本申请实施例提供的技术方案,首先结合图1,对数据面转发系统涉及的设备及功能进行介绍。
用户设备(user equipment,UE)为用户终端,也称终端设备,是一种具有无线收发功能的设备,可以经由无线接入网中的接入网设备与一个或多个核心网设备通信。在本申请中,UE可以理解为用户,其中一个UE可以对应一个用户识别模块。本申请对用户终端的种类不做限定。
5G无线基站(the next Generation Node B,gNB)可以在用户终端和移动网络之前收发通信信号,具有控制面的信息接入和移动信息功能(Access and mobilitymanagement function,SMF)路由选择、无线资源管理功能和用户平面数据UPF路由选择等。gNB可以分割为集中单元(Central Unit,CU)和分布单元(Distributed Unit,DU),其中CU主要实现非实时的无线高层栈的功能,DU主要实现物理层功能和实时性需求的功能。
用户面功能(User Plane Function,UPF)为用户面功能,主要负责5G核心网用户面数据包路由和转发、数据和业务识别、动作和策略执行等,UPF通过N4接口与会话管理功能进行交互,直接受会话管理功能控制和管理,依据会话管理功能下发的各种策略执行业务流的处理,在本申请中可简称为UPF。
数据平面开发套件(Date plane development kit,DPDK),主要基于Linux系统运行,该套件用来进行包数据处理加速的软件库,与传统的数据包处理相比,DPDK具有轮询、用户态驱动、亲和性和独占、降低访存开销和软件调优等特点。
会话管理功能(Session management function,SMF)主要负责与分离的数据面交互,创建、更新和删除PDU会话,并管理与用户端口功能UPF(User port function)的会话环境。
5G网络数据分析功能(Network data analytics function,NWDAF)结合基于服务架构的标准接口,以通过订阅或请求模型从其他网络功能和类似程序中收集数据。5G网络数据分析功能主要负责简化核心网络数据的生成和使用方式,并生成洞察和采取行动来增强最终用户体验。
数据网络(Date network,DN)是位于运营商网络之外的网络,主要负责提供互联网、云/OOT服务、企业网等以数据为中心的服务网络,其不包括在5G核心网中。
应理解,上述网元或者功能既可以是硬件设备中的网元,也可以是在专用设备上运行的软件功能,或者是平台的虚拟化功能,本申请实施例对此不作限定。
图2为数据面转发方法的流程示意图,下面根据图2,对数据面转发方法进行说明。
S201、UE将数据发送到gNB。
相应的,gNB接收来自UE的数据。
可选的,UE发出的数据可以是UE发出的对流量的请求数据,也可以是用户上传到网络的数据。
S202、gNB将数据转发至UPF。
相应的,UPF接收来自gNB的数据。
可选的,gNB将从UE接收到的数据转发给UPF。示例性的,gNB将接收的数据的IP报头压缩和加密进行封装,然后将封装好的数据包发送给UPF。
S203、UPF对UPF上部署的DPDK中的内存拷贝代码的顺序进行调整,并按照调整顺序后的内存拷贝代码进行数据处理和转发,确定数据转发率。
示例性的,内存拷贝代码例如可以是C或C++语言编写的函数,该函数例如可以为void*memcpy(void*destin,void*source,unsigned n)。该函数的功能可以是从源内存地址的起始位置开始拷贝若干个字节到目标内存地址中,即从源source中拷贝n个字节到目标destin中。
可选的,在对DPDK中的内存拷贝代码顺序进行调整时,可以对内存拷贝代码进行移动,在移动过程中记录代码移动的状态,即调整后的内存拷贝代码的顺序。
可选的,DPDK可以通过调整内存拷贝代码的顺序,并按照调整顺序后的内存拷贝代码进行数据处理和转发,并根据数据转发的结果记录网络性能指标。其中,网络性能指标可以是每秒的数据转发率。其中DPDK可以对调序后的内存拷贝代码进行加速处理,可以使代码的优化得到提升,保障5G的低时延性。
S204、UPF将数据转发率以及调整后的内存拷贝代码的顺序发送给SMF。
相应的,SMF接收来自UPF的数据。
S205、SMF将数据转发率以及调整后的内存拷贝代码的顺序转发给NWDAF。
相应的,NWDAF接收来自SMF的数据。
可选的,会话管理功能SMF可以负责服务器和IP地址管理功能,维护协议数据单元UPF(Protocol Data Unit)的会话状态,并设置UPF的配置参数,确保数据包传递时使用的最合适的路由。
S206、NWDAF根据数据转发率以及调整后的内存拷贝代码的顺序,确定内存拷贝代码的目标顺序。
可选的,上述步骤S201-S205可以执行多次,以对内存拷贝代码的顺序进行多次调整,并相应得到多种调整后的内存拷贝代码的顺序以及利用多种顺序处理转发数据后所得到的多种数据转发率。
在得到多种调整后的内存拷贝代码的顺序以及多种数据转发率之后,NWDAF可以对多种调整后的内存拷贝代码的顺序以及多种数据转发率进行分析,以确定出上述目标顺序。该目标顺序是与当前用户或业务的个性化需求最为匹配的内存拷贝代码的顺序。
示例性的,目标顺序可以是数据转发率最大的内存拷贝代码顺序,可以是与原内存拷贝代码顺序一致的,也可以是经过调整后与原内存拷贝代码顺序不一致的。
S207、NWDAF将目标顺序发送给SMF。
相应的,SMF接收到目标顺序。
S208、SMF将目标顺序转发给UPF。
相应的,UPF接收SMF发送的分析结果。
S209、UPF根据目标顺序对DPDK中的内存拷贝代码进行调整,并按照调整后的内存拷贝代码进行数据处理和转发。
进一步的,UPF根据调整后的内存拷贝代码进行数据处理和转发,其中数据处理可以是对调整后的内存拷贝代码进行封装加密。
本实施例中,UPF接收来自UE的数据后对DPDK中的内存拷贝代码的顺序进行调整,并按照调整顺序后的内存拷贝代码进行数据处理和转发,确定数据转发率,UPF将数据转发率以及调整后的内存拷贝代码的顺序经由SMF发送给NWDAF,NWDAF根据数据转发率以及调整后的内存拷贝代码的顺序,确定内存拷贝代码的目标顺序,并将目标顺序经由SMF发送给UPF,UPF根据目标顺序对DPDK中的内存拷贝代码进行调整,并按照调整后的内存拷贝代码进行数据处理和转发。这样,通过调整内存拷贝代码的顺序并统计相应数据转发率并对其进行分析,能够得到内存拷贝代码的最优排序,进而能够提高数据转发的效率,实现对业务和用户进行个性化智能优化。
接下来对上述步骤S206中,对NWDAF根据数据转发率以及调整后的内存拷贝代码的顺序,确定内存拷贝代码的目标顺序的过程进行说明:
NWDAF根据数据转发率以及调整后的内存拷贝代码的顺序,构建深度学习网络模型,并基于深度学习网络模型确定内存拷贝代码的目标顺序。
可选的,上述深度学习网络模型可以是强化学习模型,该模型是把深度学习中的神经网络引入强化学习后得到的模型中。在本实施例中,深度强化学习的模型可以是将数据转发率以及调整后的内存拷贝代码的顺序作为训练样本,将训练样本输入初始网络模型中得到初始网络模型,根据初始网络模型确定初始网络模型的损失信息,然后根据损失信息对初始网络模型进行迭代修正,得到内存拷贝代码的目标顺序。
可选的,图3是深度学习网络模型的训练过程示意图,其中,DPDK可以将内存拷贝代码进行随机移动,在移动过程中记录代码顺序以及数据转发率,然后将内存拷贝代码顺序及数据转发率发送给NWDAF,由NWDAF对内存拷贝代码进行DQN(Deep Q network)网络训练。
应理解,DQN网络训练属于深度强化学习的一种,可以是深度学习与Q学习(Qlearning)的结合。本实施例通过使用DQN网络训练的方式通过查表的行为获得最优解。
进一步的,通过NWDAF对内存拷贝代码顺序及数据转发率的模型的训练可以得到最大数据转发率对应的内存拷贝模型的顺序,即为目标顺序。
本实施例中,通过构建深度学习网络模型并基于深度学习网络模型确定内存拷贝代码的目标顺序,能够保证所得到的目标顺序是与用户的个人性化需求最为匹配的顺序。
接下来结合图4,对NWDAF根据数据转发率以及调整后的内存拷贝代码的顺序,构建深度学习网络模型,并基于深度学习网络模型确定内存拷贝代码的目标顺序进行进一步的说明:
S401、NWDAF将数据转发率以及调整后的内存拷贝代码的顺序作为训练样本,将训练样本输入初始网络模型中,得到初始网络模型的输出结果。
可选的,训练样本可以是由UPF调整后的内存拷贝代码的顺序和其对应的数据转发率构成的一个组合。
可选的,初始网络模型的输出结果可以是Q(t)值。
可选的,Q(t)值可以是一个矩阵,该矩阵包括状态和行为的组合,在本实施例中,Q(t)值可以对应内存拷贝代码在t时刻的所有可能的顺序以及对应的数据转发率。
S402、NWDAF根据初始网络模型的输出结果以及输出结果的后一输出结果,确定初始网络模型的损失信息,并根据损失信息对初始网络模型进行迭代修正,得到深度学习网络模型。
可选的,初始网络模型的输出结果Q(t)的后一输出结果可以是Q(t+1)值,Q(t+1)值可以对应内存拷贝代码在t+1时刻的所有可能的顺序以及对应的数据转发率。
基于上述的Q(t)以及Q(t+1),可以确定出初始网络模型的损失信息,该损失信息能够表征初始网络模型的准确程度。基于该损失信息,可以对初始网络模型的模型参数进行调整,进而,可以将训练样本输入调整后的初始网络模型中进行处理,并得到新的Q(t)以及Q(t+1)。循环执行这一过程,不断对初始网络模型进行修正,直至初始网络模型的损失信息满足预设条件,将满足预设条件的初始网络模型作为上述深度学习网络模型。
S403、NWDAF根据深度学习网络模型的输出结果确定内存拷贝代码的目标顺序。
可选的,NWDAF可以利用深度学习网络模型对当前接收到的内存拷贝代码的顺序以及数据转发率进行调整获得目标顺序,目标顺序可以是满足用户的个性化需要的内存拷贝代码的最优排序。可选的,目标顺序可以与初始内存拷贝代码顺序一致,也可以是经过优化后内存拷贝代码顺序。
本实施例中,通过对内存拷贝代码顺序调整并与数据转发率建立初始网络模型,通过损失信息对初始网络模型进行迭代修正得到深度学习网络模型,根据深度网络学习模型的输出结果确定内存拷贝代码的目标顺序。利用损失信息对初始网络模型进行迭代修正可以避免模型出现过拟合现象,根据修正后的网络学习模型获得目标顺序可以获得高转发率的内存拷贝函数顺序,从而实现网络资源的智能化管理,满足用户的个性化需求。
下面对上述步骤S402对NWDAF根据初始网络模型的输出结果以及输出结果的后一输出结果,确定初始网络模型的损失信息作说明:
可选的,NWDAF将初始网络模型的输出结果、后一输出结果以及训练样本对应的奖励值输入损失函数中进行计算,得到初始网络模型的损失信息。
如前文所述的,上述深度学习网络模型可以是强化学习模型,在强化学习模型中,涉及奖励值。奖励值可以是对强化学习模型输出结果的即时反馈,可以表示强化学习模型完成调整内存拷贝代码顺序动作的效果。示例性的,若强化学习模型中内存拷贝代码有移动的动作,则奖励值为1,若强化学习模型中内存拷贝代码没有移动的动作,则奖励值为0。
示例性的,表1是内存拷贝代码移动的动作和其对应的奖励值,其中S(t)代码和S(t+1)代码分别可以为t时刻和t+1时刻的内存拷贝代码的顺序。
下面以表1的第二行为例:t时刻的内存拷贝代码的顺序为(1,2,3,…N),t+1时刻的内存拷贝代码的顺序为(2,1,3,…N),那么这个代码变化的动作就是将1和2的位置调换,表明内存拷贝代码有移动的动作,因此,对应的奖励值为1。
表1
S(t)代码顺序 | S(t+1)代码顺序 | 动作 | 奖励值 |
(1,2,3,…N) | (2,1,3,…N) | 1→2 | 1 |
(2,1,3,…N) | (2,3,1,…N) | 1→3 | 1 |
(2,3,1,…N) | (2,3,4,1,…N) | 1→4 | 1 |
可选的,可以预先建立初始网络模型的损失函数,并将初始网络模型的输出结果、所述后一输出结果以及所述训练样本对应的奖励值作为损失函数的输入参数输入至损失函数中进行计算,得到上述损失信息。损失信息可以表示初始网络模型性能的不拟合程度,损失越小,说明初始网络模型对最优解的拟合程度越好,反之拟合程度越差。
示例性的,上述的损失函数可以为下述公式(1)所示的函数:
L=(reward+Q(t+1)-Q(t))2 (1)
其中,L表示函数的计算结果,即上述的损失信息,reward表示奖励值,Q(t)表示初始网络模型的输出结果,Q(t+1)表示输出结果的后一输出结果。
本实施例中,通过初始网络模型的输出结果、后一输出结果以及训练样本对应的奖励值计算初始网络模型的损失信息,可以对初始网络模型进行迭代修正,避免模型出现过拟合现象,从而得到深度学习网络模型。
下面根据图6对步骤S403中NWDAF根据深度学习网络模型的输出结果确定内存拷贝代码的目标顺序作说明:
S601、NWDAF将当前接收到的内存拷贝代码的顺序以及数据转发率输入深度学习网络模型中,得到深度学习网络模型的输出结果。
S602、NWDAF根据深度学习网络模型的输出结果确定内存拷贝代码的目标顺序。
可选的,当UPF当前接收到数据之后,经由SMF将当前的数据发送给NWDAF。NWDAF接收到当前的数据之后,可以基于训练好的深度网络模型,确定出与当前最为匹配的内存拷贝代码的顺序。
本实施例中,通过NWDAF将当前接收到的内存拷贝代码的顺序以及数据转发率输入到深度学习网络模型中获得输出结果,并根据输出结果确定内存拷贝代码的目标顺序,可以得到转发率最大的内存拷贝代码的顺序,从而实现按照用户个性化特点进行服务质量的动态调整。
接下来对步骤S601中NWDAF将当前接收到的内存拷贝代码的顺序以及数据转发率输入深度学习网络模型中,得到深度学习网络模型的输出结果作进说明:
NWDAF将当前接收到的内存拷贝代码的顺序以及数据转发率输入深度学习网络模型中,由深度学习网络模型中的线性输入层、激励层以及线性输出层依次进行处理,得到深度学习网络模型的输出结果。
可选的,深度学习网络模型可以包括线性输入层,激励层和线性输出层。图5是深度学习网络模型的结构示意图,如图5所示,深度学习网络模型中线性输入层可以接收输入数据,包括内存拷贝代码的顺序和其对应的数据转发率。在线性输入层处理完之后,将数据再输入激励层进行处理,再由激励层将处理后的数据输入线性输出层进行,线性输出层中的输出结果可以是Q(t)值,其中Q(t)值可以包括当前内存拷贝代码的所有的移动顺序以及对应数据转发率。
值得说明的是,前述的初始网络模型的结构与上述图5所示的结构一致。
本实施例中,NWDAF通过当前接收到的内存拷贝代码的顺序以及数据转发率输入深度学习网络模型进行处理,得到深度学习网络模型的输出结果,通过深度学习网络模型的训练获得当前接收到的数据转发率最高的内存拷贝代码顺序,从而满足用户个性化需求。
接下来对上述对前述步骤S203UPF上部署的数据平面开发套件DPDK中的内存拷贝代码的顺序进行调整进行说明:
对内存拷贝代码进行随机移动,以使得内存拷贝代码的顺序调整。
可选的,在搭建深度学习网络模型的过程中对内存拷贝代码进行随机移动,可以使内存拷贝代码的移动没有规律性,可以使深度学习网络模型的准确度更高。
本实施例中,通过对内存拷贝代码的随机移动调整内存拷贝代码的顺序,可以提高深度学习网络模型的普适性,从而保证所得到的目标顺序是与用户的个人性化需求最为匹配的顺序。
基于同一发明构思,本申请实施例中还提供了与数据面转发方法对应的数据面转发装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述数据面转发方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参照图7所示,为本申请实施例提供的一种数据面转发装置的结构示意图,该装置包括:第一确定模块701、发送模块702、第二确定模块703以及调整模块704。
第一确定模块701,用于:根据用户面功能UPF接收来自用户设备UE的数据,对UPF上部署的数据平面开发套件DPDK中的内存拷贝代码的顺序进行调整,并按照调整顺序后的内存拷贝代码进行数据处理和转发,确定数据转发率;
发送模块702,用于:将数据转发率以及调整后的内存拷贝代码的顺序经由会话管理单元SMF发送给智能分析网元NWDAF;
第二确定模块703,用于:根据数据转发率以及调整后的内存拷贝代码的顺序,确定内存拷贝代码的目标顺序,并将目标顺序经由SMF发送给UPF;
调整模块704,用于:根据目标顺序对DPDK中的内存拷贝代码进行调整,并按照调整后的内存拷贝代码进行数据处理和转发。
可选的,第二确定模块703具体用于:
根据数据转发率以及调整后的内存拷贝代码的顺序,构建深度学习网络模型,并基于深度学习网络模型确定内存拷贝代码的目标顺序。
可选的,第二确定模块具体703用于:
将数据转发率以及调整后的内存拷贝代码的顺序作为训练样本,将训练样本输入初始网络模型中,得到初始网络模型的输出结果;
根据初始网络模型的输出结果以及输出结果的后一输出结果,确定初始网络模型的损失信息,并根据损失信息对初始网络模型进行迭代修正,得到深度学习网络模型;
根据深度学习网络模型的输出结果确定内存拷贝代码的目标顺序。
可选的,第二确定模块703具体用于:
将初始网络模型的输出结果、后一输出结果以及训练样本对应的奖励值输入损失函数中进行计算,得到初始网络模型的损失信息。
可选的,第二确定模块具体用于:
将当前接收到的内存拷贝代码的顺序以及数据转发率输入深度学习网络模型中,得到深度学习网络模型的输出结果;
根据深度学习网络模型的输出结果确定内存拷贝代码的目标顺序。
可选的,第二确定模块703具体用于:
将当前接收到的内存拷贝代码的顺序以及数据转发率输入深度学习网络模型中,由深度学习网络模型中的线性输入层、激励层以及线性输出层依次进行处理,得到深度学习网络模型的输出结果。
可选的,调整模块704具体用于:
对内存拷贝代码进行随机移动,以使得内存拷贝代码的顺序调整。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
本申请实施例中,UPF接收来自UE的数据后对DPDK中的内存拷贝代码的顺序进行调整,并按照调整顺序后的内存拷贝代码进行数据处理和转发,确定数据转发率,UPF将数据转发率以及调整后的内存拷贝代码的顺序经由SMF发送给NWDAF,NWDAF根据数据转发率以及调整后的内存拷贝代码的顺序,确定内存拷贝代码的目标顺序,并将目标顺序经由SMF发送给UPF,UPF根据目标顺序对DPDK中的内存拷贝代码进行调整,并按照调整后的内存拷贝代码进行数据处理和转发。这样,通过调整内存拷贝代码的顺序并统计相应数据转发率,并根据代码顺序和数据转发率确定内存拷贝代码的最优排序,能够提高数据转发的效率,实现网络资源的智能化管理,也能实现按照用户的数据特点进行服务质量的动态调整,大程度的满足用户使用需求。
本申请实施例还提供了一种电子设备,如图8所示,为本申请实施例提供的电子设备结构示意图,包括:处理器801、存储器802,可选的,还可以包括总线803。存储器802存储有处理器801可执行的机器可读指令(比如,图7中的装置中第一确定模块701、发送模块702、第二确定模块703以及调整模块704对应的执行指令等),当电子设备运行时,处理器801与存储器802之间通过总线803通信,机器可读指令被处理器801执行时执行上述方法实施例中的方法步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述方法实施例中的方法步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (9)
1.一种数据面转发方法,其特征在于,包括:
用户面功能UPF接收来自用户设备UE的数据,对UPF上部署的数据平面开发套件DPDK中的内存拷贝代码的顺序进行调整,并按照调整顺序后的内存拷贝代码进行数据处理和转发,确定数据转发率;
UPF将所述数据转发率以及调整后的内存拷贝代码的顺序经由会话管理单元SMF发送给智能分析网元NWDAF;
NWDAF根据所述数据转发率以及调整后的内存拷贝代码的顺序,确定内存拷贝代码的目标顺序,并将所述目标顺序经由SMF发送给UPF;
UPF根据所述目标顺序对DPDK中的内存拷贝代码进行调整,并按照调整后的内存拷贝代码进行数据处理和转发;
所述NWDAF根据所述数据转发率以及调整后的内存拷贝代码的顺序,确定内存拷贝代码的目标顺序,包括:
NWDAF根据所述数据转发率以及调整后的内存拷贝代码的顺序,构建深度学习网络模型,并基于所述深度学习网络模型确定内存拷贝代码的目标顺序。
2.根据权利要求1所述的方法,其特征在于,所述NWDAF根据所述数据转发率以及调整后的内存拷贝代码的顺序,构建深度学习网络模型,并基于所述深度学习网络模型确定内存拷贝代码的目标顺序,包括:
NWDAF将所述数据转发率以及调整后的内存拷贝代码的顺序作为训练样本,将所述训练样本输入初始网络模型中,得到所述初始网络模型的输出结果;
NWDAF根据所述初始网络模型的输出结果以及所述输出结果的后一输出结果,确定所述初始网络模型的损失信息,并根据所述损失信息对所述初始网络模型进行迭代修正,得到所述深度学习网络模型;
NWDAF根据所述深度学习网络模型的输出结果确定内存拷贝代码的目标顺序。
3.根据权利要求2所述的方法,其特征在于,所述NWDAF根据所述初始网络模型的输出结果以及所述输出结果的后一输出结果,确定所述初始网络模型的损失信息,包括:
NWDAF将所述初始网络模型的输出结果、所述后一输出结果以及所述训练样本对应的奖励值输入损失函数中进行计算,得到所述初始网络模型的损失信息。
4.根据权利要求2所述的方法,其特征在于,所述NWDAF根据所述深度学习网络模型的输出结果确定内存拷贝代码的目标顺序,包括:
NWDAF将当前接收到的内存拷贝代码的顺序以及数据转发率输入所述深度学习网络模型中,得到所述深度学习网络模型的输出结果;
NWDAF根据所述深度学习网络模型的输出结果确定内存拷贝代码的目标顺序。
5.根据权利要求4所述的方法,其特征在于,所述NWDAF将当前接收到的内存拷贝代码的顺序以及数据转发率输入所述深度学习网络模型中,得到所述深度学习网络模型的输出结果,包括:
NWDAF将当前接收到的内存拷贝代码的顺序以及数据转发率输入所述深度学习网络模型中,由所述深度学习网络模型中的线性输入层、激励层以及线性输出层依次进行处理,得到所述深度学习网络模型的输出结果。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述对UPF上部署的数据平面开发套件DPDK中的内存拷贝代码的顺序进行调整,包括:
对所述内存拷贝代码进行随机移动,以使得所述内存拷贝代码的顺序调整。
7.一种数据面转发装置,其特征在于,所述装置包括:
第一确定模块,用于接收来自用户设备UE的数据,对UPF上部署的数据平面开发套件DPDK中的内存拷贝代码的顺序进行调整,并按照调整顺序后的内存拷贝代码进行数据处理和转发,确定数据转发率;
发送模块,用于将所述数据转发率以及调整后的内存拷贝代码的顺序经由会话管理单元SMF发送给智能分析网元NWDAF;
第二确定模块,用于根据所述数据转发率以及调整后的内存拷贝代码的顺序,确定内存拷贝代码的目标顺序,并将所述目标顺序经由SMF发送给UPF;
调整模块,用于根据所述目标顺序对DPDK中的内存拷贝代码进行调整,并按照调整后的内存拷贝代码进行数据处理和转发;
第二确定模块,具体用于:
根据所述数据转发率以及调整后的内存拷贝代码的顺序,构建深度学习网络模型,并基于所述深度学习网络模型确定内存拷贝代码的目标顺序。
8.一种电子设备,其特征在于,包括:处理器和存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器执行所述机器可读指令,以执行时执行如权利要求1至6任一所述的数据面转发方法的步骤。
9.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至6任一所述的数据面转发方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310085352.0A CN116095750B (zh) | 2023-01-13 | 2023-01-13 | 数据面转发方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310085352.0A CN116095750B (zh) | 2023-01-13 | 2023-01-13 | 数据面转发方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116095750A CN116095750A (zh) | 2023-05-09 |
CN116095750B true CN116095750B (zh) | 2023-10-31 |
Family
ID=86208089
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310085352.0A Active CN116095750B (zh) | 2023-01-13 | 2023-01-13 | 数据面转发方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116095750B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019210947A1 (en) * | 2018-05-02 | 2019-11-07 | Telefonaktiebolaget Lm Ericsson (Publ) | Systems, network functions and methods therein for enabling a determination of information associated with a user plane connection in a communications network |
CN110650100A (zh) * | 2019-10-16 | 2020-01-03 | 南京中孚信息技术有限公司 | 抓取网卡数据包的方法、装置及电子设备 |
CN113014627A (zh) * | 2021-02-10 | 2021-06-22 | 深圳震有科技股份有限公司 | 报文转发方法、装置、智能终端及计算机可读存储介质 |
CN113127139A (zh) * | 2019-12-31 | 2021-07-16 | 阿里巴巴集团控股有限公司 | 一种基于数据面开发套件dpdk的内存分配方法和装置 |
DE102021100911A1 (de) * | 2020-01-21 | 2021-07-22 | Intel Corporation | VERFAHREN UND VORRICHTUNGEN ZUM AUFTEILEN VON KI/ML-OPERATIONEN FÜR DATENANALYSE ZWISCHEN EINER NF EINES 5G-NETZES UND EINER AF GEMÄß EINER KI/ML-OPERATIONSRICHTLINIE |
CN113596863A (zh) * | 2020-04-30 | 2021-11-02 | 大唐移动通信设备有限公司 | 确定用户面功能及信息提供的方法、设备及介质 |
WO2022026482A1 (en) * | 2020-07-30 | 2022-02-03 | Convida Wireless, Llc | User plane optimizations using network data analytics |
WO2022116665A1 (zh) * | 2020-12-04 | 2022-06-09 | 中兴通讯股份有限公司 | Tcp流的调整方法和系统 |
CN115146691A (zh) * | 2021-03-30 | 2022-10-04 | 华为技术有限公司 | 管控模型训练的方法及装置、系统 |
WO2022253414A1 (en) * | 2021-06-01 | 2022-12-08 | Nokia Technologies Oy | A packet data unit session for machine learning exploration for wireless communication network optimization |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PL3854116T3 (pl) * | 2018-09-20 | 2023-01-02 | Telefonaktiebolaget Lm Ericsson (Publ) | Sposób zarządzania ruchem za pomocą funkcji upf płaszczyzny użytkownika, odpowiednia upf, funkcja zarządzania sesją oraz funkcja analizy danych sieciowych |
CN114465739A (zh) * | 2020-10-21 | 2022-05-10 | 中兴通讯股份有限公司 | 异常识别方法和系统、存储介质及电子装置 |
WO2022118083A1 (en) * | 2020-12-04 | 2022-06-09 | Telefonaktiebolaget Lm Ericsson (Publ) | Dynamic multi-access policy generation |
CN113891396B (zh) * | 2021-09-01 | 2022-07-26 | 深圳金信诺高新技术股份有限公司 | 数据包的处理方法、装置、计算机设备和存储介质 |
CN115334586B (zh) * | 2022-10-17 | 2023-01-03 | 深圳市领创星通科技有限公司 | 数据转发方法、装置、计算机设备和存储介质 |
-
2023
- 2023-01-13 CN CN202310085352.0A patent/CN116095750B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019210947A1 (en) * | 2018-05-02 | 2019-11-07 | Telefonaktiebolaget Lm Ericsson (Publ) | Systems, network functions and methods therein for enabling a determination of information associated with a user plane connection in a communications network |
CN110650100A (zh) * | 2019-10-16 | 2020-01-03 | 南京中孚信息技术有限公司 | 抓取网卡数据包的方法、装置及电子设备 |
CN113127139A (zh) * | 2019-12-31 | 2021-07-16 | 阿里巴巴集团控股有限公司 | 一种基于数据面开发套件dpdk的内存分配方法和装置 |
DE102021100911A1 (de) * | 2020-01-21 | 2021-07-22 | Intel Corporation | VERFAHREN UND VORRICHTUNGEN ZUM AUFTEILEN VON KI/ML-OPERATIONEN FÜR DATENANALYSE ZWISCHEN EINER NF EINES 5G-NETZES UND EINER AF GEMÄß EINER KI/ML-OPERATIONSRICHTLINIE |
CN113596863A (zh) * | 2020-04-30 | 2021-11-02 | 大唐移动通信设备有限公司 | 确定用户面功能及信息提供的方法、设备及介质 |
WO2022026482A1 (en) * | 2020-07-30 | 2022-02-03 | Convida Wireless, Llc | User plane optimizations using network data analytics |
WO2022116665A1 (zh) * | 2020-12-04 | 2022-06-09 | 中兴通讯股份有限公司 | Tcp流的调整方法和系统 |
CN114666423A (zh) * | 2020-12-04 | 2022-06-24 | 中兴通讯股份有限公司 | Tcp流的调整方法和系统 |
CN113014627A (zh) * | 2021-02-10 | 2021-06-22 | 深圳震有科技股份有限公司 | 报文转发方法、装置、智能终端及计算机可读存储介质 |
CN115146691A (zh) * | 2021-03-30 | 2022-10-04 | 华为技术有限公司 | 管控模型训练的方法及装置、系统 |
WO2022253414A1 (en) * | 2021-06-01 | 2022-12-08 | Nokia Technologies Oy | A packet data unit session for machine learning exploration for wireless communication network optimization |
Non-Patent Citations (2)
Title |
---|
5G核心网演进需求及关键技术;王卫斌;朱进国;王全;;中兴通讯技术(01);全文 * |
基于DPDK的多端口并行通信机制;姜海粟;陈庆奎;;小型微型计算机系统(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116095750A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180019961A1 (en) | Message processing method, processing server, terminal, and storage medium | |
CN108683735A (zh) | 设备控制方法和装置 | |
CN108200170A (zh) | 消息处理方法、装置及可读存储介质 | |
CN108200158A (zh) | 请求传输系统、方法、装置及存储介质 | |
CN105027572A (zh) | 用于通过丢弃视频帧来降低在网络上传送视频所需的比特率的方法 | |
CN103945455A (zh) | 一种实现自适应心跳数据包发送的方法及装置 | |
CN107395559A (zh) | 基于redis的数据处理方法及设备 | |
CN114666423A (zh) | Tcp流的调整方法和系统 | |
CN104471904A (zh) | 基于实时网络动态的内容优化 | |
US20230118085A1 (en) | Voice communication method and system under a broadband and narrow-band intercommunication environment | |
CN108432212B (zh) | 基于流控制传输协议sctp的通信方法、装置和系统 | |
CN116095750B (zh) | 数据面转发方法、装置、电子设备及可读存储介质 | |
CN112398754B (zh) | 数据传输方法、装置、介质、电子设备及网络接入设备 | |
CN112822221A (zh) | 一种服务器的选择方法、装置、设备及介质 | |
CN112364365A (zh) | 工业数据加密方法、边缘服务器及计算机可读存储介质 | |
CN107483628A (zh) | 基于dpdk的单向代理方法及系统 | |
RU2674253C1 (ru) | Способ приема и способ отправки информации по каналу нисходящей линии связи, устройство пользователя и сетевое устройство | |
CN105847396A (zh) | 数据传输的方法及设备 | |
CN109845153A (zh) | 动态划分媒体流 | |
CN107800653B (zh) | 报文压缩方法及装置 | |
CN102546645B (zh) | 一种基于音频信息实现对象匹配的系统及方法 | |
US20120066292A1 (en) | Apparatus and method for controlling service mobility | |
CN110113139B (zh) | 一种下行业务信道发送方法、用户终端和基站 | |
CN110071925A (zh) | 数据传输方法和相应的服务器、计算机可读存储介质 | |
CN106815074A (zh) | 多媒体文件下载方法与电子装置 |
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 |