CN116170829B - 一种独立专网业务的运维场景识别方法及装置 - Google Patents
一种独立专网业务的运维场景识别方法及装置 Download PDFInfo
- Publication number
- CN116170829B CN116170829B CN202310464150.7A CN202310464150A CN116170829B CN 116170829 B CN116170829 B CN 116170829B CN 202310464150 A CN202310464150 A CN 202310464150A CN 116170829 B CN116170829 B CN 116170829B
- Authority
- CN
- China
- Prior art keywords
- private network
- sample
- data
- scene
- network data
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—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
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/02—Capturing of monitoring data
- H04L43/028—Capturing of monitoring data by filtering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种独立专网业务的运维场景识别方法及装置,涉及无线通信技术领域,该方法包括:获取网络底层各个接口的检测数据,从检测数据中筛选出信令面数据和用户面数据,得到由信令面数据和用户面数据构成的专网数据;将专网数据输入至训练好的场景分类识别模型中,得到由场景分类识别模型输出的业务场景;场景分类识别模型是由样本用户的样本专网数据以及样本专网数据对应的样本标签训练得到的。本发明通过场景分类识别模型对行业运维场景的灵活且精准的识别,形成能力中心的特征模式识别的基础能力,为场景化用户感知,用户切片契合度,行业终端异常行为分析等上层应用提供更有效的数据支撑。
Description
技术领域
本发明涉及无线通信技术领域,具体涉及一种独立专网业务的运维场景识别方法及装置。
背景技术
垂直行业应用已成为5G快速发展的重要驱动力,为满足垂直行业多样化的面对服务商家与企业级用户(To Business,2B)应用需求,运营商在5G SA专网项目支撑工作中需要做到基于场景化的精细管理,而前提基础就是对行业客户运维场景(应用场景)的精确识别。
目前对于行业用户专网的运维场景进行识别时,存在分析精准度无法保证以及无法进行实际应用的问题,可见,如何对于专网的应用场景进行精确识别,已成为目前业界关注的重点问题。
发明内容
有鉴于此,本发明实施例提供了一种独立专网业务的运维场景识别方法及装置,以解决现有对于行业用户应用场景进行识别时存在分析精准度无法保证以及无法进行实际应用的问题。
根据第一方面,本发明实施例提供了一种独立专网业务的运维场景识别方法,所述方法包括:
获取网络底层各个接口的检测数据,从检测数据中筛选出信令面数据和用户面数据,得到由信令面数据和用户面数据构成的专网数据;
将专网数据输入至训练好的场景分类识别模型中,得到由场景分类识别模型输出的业务场景;场景分类识别模型是由样本用户的样本专网数据以及样本专网数据对应的样本标签训练得到的,样本专网数据是从样本检测数据中筛选得到的,样本标签是基于有监督机器学习方式得到,且,样本标签是基于预设标签规则和原子特征得到的,原子特征是基于预设指标规则、样本检测数据和样本用户对应的在网特征并从样本专网数据中提取得到的。
结合第一方面,在第一方面第一实施方式中,所述场景分类识别模型包括第一分类识别模型和第二分类识别模型;第一分类识别模型是基于有监督学习方式得到的,并用于预测打上标签的专网数据的运维场景;第二分类识别模型是基于无监督机器学习方式得到的,并用于预测未打上标签的专网数据的运维场景。
结合第一方面第一实施方式,在第一方面第二实施方式中,所述第一分类模型用于输出唯一一个运维场景,相应的,所述第一分类识别模型通过以下步骤训练得到:
确定样本用户的在网特征;
基于预设指标规则、样本检测数据和在网特征,从预设数量的样本专网数据中提取原子特征;
按照预设组合规则,对原子特征分类;
基于预设标签规则和已分类的原子特征,为预设数量的样本专网数据确定对应的唯一一个原子特征;
将预设数量的样本专网数据作为训练使用的输入数据,将样本专网数据对应的原子特征作为训练使用的标签,采用有监督的机器学习方式,得到用于生成专网数据的运维场景的第一分类识别模型。
结合第一方面第一实施方式,在第一方面第三实施方式中,所述第一分类模型用于输出对应不同维度的至少两个运维场景,相应的,所述第一分类识别模型通过以下步骤训练得到:
确定样本用户的在网特征;
基于预设指标规则、样本检测数据和在网特征,从预设数量的样本专网数据中提取原子特征;
按照预设组合规则,对原子特征分类,并按照预设维度规则,将已分类的原子特征分入所述维度对应的组中;每个维度具有若干组;
基于预设标签规则和已分类的原子特征,为预设数量的样本专网数据确定对应的唯一一个原子特征;样本专网数据对应的原子特征对应至少两个所述维度;
将预设数量的样本专网数据作为训练使用的输入数据,将样本专网数据对应的原子特征作为训练使用的标签,采用有监督的机器学习方式,得到用于生成专网数据的运维场景的第一分类识别模型。
结合第一方面第二实施方式或者第三实施方式,在第一方面第四实施方式中,所述第二分类识别模型通过以下步骤训练得到:
确定未打上标签的样本专网数据;
将未打上标签的样本专网数据作为训练使用的输入数据,采用聚类的机器学习方式,得到用于生成专网数据的运维场景的第二分类识别模型。
结合第一方面第四实施方式,在第一方面第五实施方式中,所述将专网数据输入至训练好的场景分类识别模型中,得到由场景分类识别模型输出的业务场景,具体包括:
基于预设标签规则和已分类的原子特征,为预设数量的专网数据确定标签;
将对应有标签的专网数据输入至第一分类识别模型中,得到由第一分类识别模型输出的第一运维场景;
将未有标签的专网数据输入至第二分类识别模型中,得到由第二分类识别模型输出的第二运维场景;
基于第一运维场景以及第二运维场景,得到专网数据的运维场景。
结合第一方面,在第一方面第六实施方式中,所述获取网络底层各个接口的检测数据,从检测数据中筛选出信令面数据和用户面数据,得到由信令面数据和用户面数据构成的专网数据,具体包括:
获取网络底层各个接口的检测数据;
基于预设筛选规则,从检测数据中筛选出专网数据。
根据第三方面,本发明实施例还提供一种独立专网业务的运维场景识别装置,所述装置包括:
获取模块,用于获取网络底层各个接口的检测数据,从检测数据中筛选出信令面数据和用户面数据,得到由信令面数据和用户面数据构成的专网数据;
识别模块,用于将专网数据输入至训练好的场景分类识别模型中,得到由场景分类识别模型输出的业务场景;场景分类识别模型是由样本用户的样本专网数据以及样本专网数据对应的样本标签训练得到的,样本专网数据是从样本检测数据中筛选得到的,样本标签是基于有监督机器学习方式得到,且,样本标签是基于预设标签规则和原子特征得到的,原子特征是基于预设指标规则、样本检测数据和样本用户对应的在网特征并从样本专网数据中提取得到的。
根据第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述独立专网业务的运维场景识别方法的步骤。
根据第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述独立专网业务的运维场景识别方法的步骤。
本发明的独立专网业务的运维场景识别方法及装置,通过从接口的检测数据中得到专网数据,增加了分析样本,提升了识别精度,基于现有的行业应用及可支持的应用场景去梳理行业及场景关联关系,场景分类识别模型在构建时基于用户的信令面及用户面数据,挖掘各行业各细分场景的所依赖的原子特征,形成针对行业应用的一个原子特征集,并基于该原子特征集以及配置原子特征的各种组合形成的分类,实现场景分类识别模型对行业运维场景的灵活且精准的识别,形成能力中心的特征模式识别的基础能力,为场景化用户感知,用户切片契合度,行业终端异常行为分析等上层应用提供更有效的数据支撑。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了本发明提供的独立专网业务的运维场景识别方法的流程示意图;
图2示出了本发明提供的独立专网业务的运维场景识别方法中步骤S10具体的流程示意图;
图3示出了本发明提供的独立专网业务的运维场景识别方法中第一分类识别的训练示意图之一;
图4示出了本发明提供的独立专网业务的运维场景识别方法中第一分类识别的训练示意图之二;
图5示出了本发明提供的独立专网业务的运维场景识别方法中第二分类识别的训练示意图;
图6示出了本发明提供的独立专网业务的运维场景识别装置的结构示意图;
图7示出了本发明提供的独立专网业务的运维场景识别方法的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
5G既面向公众用户提供传统意义上的网络服务,即面向消费者的业务 (ToCustomer,2C),同时还面向垂直行业以及面向政企提供切片,如工业应用、智能电网、车联网、智慧医疗、银行以及各种 APP 应用等,这也称为面对服务商家与企业级用户(ToBusiness,2B)。
5G独立组网(5G SA)专网是一种5G网络模式,是3GPP定义的核心架构,引入了基于服务的架构和各种网络功能的功能分离等,其架构具有端到端高速和服务保证的明显优势,特别适用于准备开始新的企业 5G 服务的移动网络运营商。运营商在5G SA项目支撑工作中,如何构建5G 2B业务重点客户、重要场景的定制化运维保障服务能力,推动定制化保障服务能力产品化以此构建完整的技术体系,增强网络能力,助力5G服务垂直行业用户,并且和已有 2C 网络共存和协同演进,这已成为目前业界关注的重点问题。由于行业内部本身存在多样化的运维场景,而不同场景对于网络资源,性能保障的要求也有巨大的差异性和交叉性,因此,服务并保障好5G行业应用,就要做到基于场景化的精细管理,而前提基础就是做好行业客户运维场景的识别。
在现有技术中,行业客户专网运维场景的识别方法主要有以下三种方法:
1、行业客户运维场景的识别时限制数据来源,某些系统采用前端企业用户开通数据,通过用户清单,直接在网络运维数据中找到实际行业客户,用以确定运维场景。然而,该方法只能做到实际行业客户的分析,并由于前端数据的更迭周期较长,影响到现网数据的分析准确性。
2、行业客户运维场景的识别时接入数据单一,某些系统采用单一网络识别字段,例如通过数据网络名称(Data Network Name,DNN)、业务网际互连协议(InternetProtocol,IP)、域名系统(DomainNameSystem,DNS)查询记录在网络运维数据中找到行业用户,用以确定运维场景。然而,该方法只能做到实际行业用户的分析,并且由于终端设备错误配置也会影响到分析的准确性
3、行业客户运维场景的识别时接入非运营商数据,某些系统采用网络爬虫爬取互联网上行业单位信息,通过关键字匹配、地址识别,并增加机器学习的方式,用以确定运维场景。然后,该方法涉及互联网爬虫技术,爬取数据质量受到互联网开放性的制约难以保证,几乎无法在实际生产中使用。
为了解决上述问题,在本实施例中提供了一种独立专网业务的运维场景识别方法,旨在基于现有的行业应用及可支持的运维场景去梳理行业及场景关联关系,实现对行业运维场景的精确灵活识别。本发明实施例的独立专网业务的运维场景识别方法可用于电子设备中,电子设备包括但不局限于电脑、移动终端等,图1是根据本发明实施例的独立专网业务的运维场景识别方法的流程示意图,如图1所示,该方法包括如下步骤:
S10、获取5G(SA)网络底层各个接口的检测数据,从检测数据中筛选出信令面数据和用户面数据,得到由信令面数据和用户面数据构成的专网数据。在本发明实施例中,各个接口包括但不局限于:N1、N2、N3接口,检测数据为XDR数据。
更具体的,检测数据相应的接口需要至少包括N1、N2、N3接口(包括HTTP/HTTPS、DNS、MMS、FTP、Email、SIP、RTSP、COAP等),并且需要涵盖各个接口的关键字段。
从接口的检测数据中得到专网数据,因此只要是占用5G网络通讯的行业用户都在分析范围内,增加了分析样本,全网识别其应用场景,提升了识别精度。
其中,N1接口为用户设备(User Equipment,UE)和接入和移动管理功能网元(Access and Mobility Management Function,AMF)间的信令面接口,N1是逻辑概念的接口,不存在物理口,N1接口基于N2接口信令实现;N2接口为接入网网元(Access Network,AN)和AMF网元间的信令面接口;N3接口是AN网元与用户面功能网元 (User PlaneFunction,UPF) 间的接口,主要用于传递5G AN与UPF的上下行用户面数据。
作为本发明实施例的一些可能实施方式,如果在检测数据的采集过程中发现一些问题,可以将其进行记录,形成问题清单,方便在后续获取整个专网网络中XDR数据时进行追溯。
5G SA专网数据包含信令面数据和用户面任意应用的详细记录(X-ApplicationDetail Record,XDR)数据,也被称之为深度包检测技术(Deep Packet Inspection,DP1)数据,5G SA专网数据是运维场景识别、业务统计、用户故障诊断的重要基础,在网络管理中有起到十分重要的作用。XDR是从呼叫详细记录(Call Detail Record,CDR)延伸的概念,XDR中的X表示任意应用。XDR数据是基于全量数据进行处理后,生成的供信令监测平台和信令类应用使用的信令及业务的详细记录,具体的,信令XDR数据是基于所采集的控制面信令而生成的信令过程的详细记录,业务XDR数据则是基于所采集的用户面业务数据而生成的业务传输过程的详细记录。
因此,步骤S10中在采集检测数据的基础上,还会从检测数据中过滤/筛选出用户的专网数据,即专网用户记录XDR数据,专网用户记录XDR数据包含了信令面数据和用户面数据,使得步骤S10最终得到的业务数据为跨行业及业务场景的数据集。
例如用户A和用户B是在固定的专网内,有固定的基站、核心网网元,可以通过做一张包含用户A和用户B用户信息、基站(gNB)IP、UPF IP、AMF IP的对应关系表配置表、配置界面;又例如用户C分布在大网,根据DNN判断,做一张包含用户C的用户信息、DNN的对应关系表配置表、配置界面。在本发明实施例中,对于检测数据的筛选/过滤规则可配置,且,规则需要与程序解耦,达到高度自动化级别,在此对基于筛选/过滤规则的具体形式并不做任何限制,只需保证电子设备能够从检测数据中筛选出专网用户记录XDR数据即可。
S20、将专网数据输入至训练好的场景分类识别模型中,得到由场景分类识别模型输出的业务场景。在本发明实施例中,场景分类识别模型是由样本用户的样本专网数据即样本专网用户记录XDR数据以及样本专网数据对应的样本标签训练得到的,样本专网数据是从样本检测数据中筛选得到的,样本标签是基于有监督机器学习方式得到,且,样本标签是基于预设标签规则和原子特征得到的,原子特征是基于预设指标规则、样本检测数据和样本用户对应的在网特征并从样本专网数据中提取得到的。
需要说明的是,如何获取样本检测数据以及如何从样本检测数据中筛选得到样本专网数据,详细请见如图1所示实施例的步骤S10,在此不再赘述。
具体的,用于训练场景分类识别模型的数据包括样本专网数据以及样本专网数据对应的样本标签,基于机器学习的分类识别方法,训练场景分类识别模型,从而利用场景分类识别模型来识别用户的运维场景。
更具体的,根据5G专网样本用户的在网特征、样本检测数据(N1 XDR、N2 XDR、N3XDR)的数据信息以及配置的预设指标规则,从样本专网数据中提取出原子特征,样本专网用户记录XDR数据生产出对应的原子特征,原子特征汇总之后得到原子特征集。
在本发明实施例中,原子特征包含流量类、频次类、时延类、性能类等,例如总流量、上行流量、下行流量、大包流量、大包次数、大包流量占比、大包次数占比、TCP建立成功率、HTTP建立成功率、TCP建立时延、TCP无线侧建立时延、TCP核心网侧建立时延、HTTP成功率、下行大包速率等等。
该方法中,对原子特征进行分类,分类后的原子特征可以基于终端用户的使用习惯、业务特征、5G网络使用习惯、终端用户的运动习惯、终端用户的业务喜好等等用户的特征,对用户进行画像,实现用户的运维场景识别。
由于样本专网用户记录XDR数据同样是包含了信令面数据和用户面数据,因此,本发明实施例能够构建跨行业及业务场景的细颗粒度原子特征集。
作为本发明实施例的一些优选实施方式,所采用的原子特征分为了8类,分别为基础类、流量类、频次类、位置范围类、业务类、移动性类、质量分析类以及终端型号类的原子特征,原子特征涵盖了控制面以及用户面两个维度的特征,场景分类识别模型的组成主要通过原子特征,从控制面、用户面两个维度全方位刻画行业用户的特征。可以理解的是,具体采用哪些种类可以根据实际需求进行更改,支持原子特征类型的替换及增补。基于样本数据得到原子特征可以存储在特征知识库中。
例如,对于某个兴起的未知行业场景,与特征知识库进行模式匹配,根据匹配程度的高低,决定是否决策出新场景的原子特征组合或新增该场景的新原子特征项。
通过对原子特征的各种组合,得到不同种类的原子特征,形成对某一业务场景的定义,能够体现该场景下,业务对网络所提供的QoS需求,在本发明实施例中通过对5G 2B各行业调研,研究各行业典型业务,定义为运维场景,并以此提炼各种运维场景的特征,得到能在不同行业间通用定义的运维场景。
在得到原子特征后,在本发明实施例中,还会按照维度汇集原子特征,得到各个维度的原子特征。例如,汇集成用户级、小区级、用户小区级、AMF级、UPF级、小时级、天级等维度的原子特征。
之后,在基于预设标签规则和原子特征为部分的样本专网数据打标签,标签是用于数据建模的特征向量,给用户的数据打标签就是特征工程,另外的样本专网数据则基于无监督机器学习方式,识别运维场景。
本发明的提供的独立专网业务的运维场景识别方法,通过从接口的检测数据中得到专网数据,增加了分析样本,提升了识别精度,基于现有的行业应用及可支持的应用场景去梳理行业及场景关联关系,场景分类识别模型在构建时基于用户的信令面及用户面数据,挖掘各行业各细分场景的所依赖的原子特征,形成针对行业应用的一个原子特征集,并基于该原子特征集以及配置原子特征的各种组合形成的分类,实现场景分类识别模型对行业运维场景的灵活且精准的识别,形成能力中心的特征模式识别的基础能力,为场景化用户感知,用户切片契合度,行业终端异常行为分析等上层应用提供更有效的数据支撑。
下面结合图2对本发明实施例提供的独立专网业务的运维场景识别方法进行描述,步骤S10具体包括:
S11、获取5G(SA)网络底层各个接口的检测数据。
S12、基于预设筛选规则,从检测数据中筛选出专网数据。
可以理解的是,专网数据的预设筛选规则可配置。在本发明实施例中,预设筛选与程序是高度解耦的。
在此对基于筛选/过滤规则的具体形式并不做任何限制,只需保证电子设备能够从检测数据中筛选出专网用户记录XDR数据即可。
在本发明实施例中,场景分类识别模型包括第一分类识别模型和第二分类识别模型,其中,第一分类识别模型是基于有监督学习方式得到的预训练模型,第一分类识别模型用于预测打上标签的用户数据的运维场景,第二分类识别模型则基于无监督机器学习方式得到并用于预测未打上标签的用户数据的运维场景。
下面结合图3对本发明实施例提供的独立专网业务的运维场景识别方法进行描述,第一分类识别模型通过以下步骤训练得到:
A10、确定样本用户的在网特征。
A20、基于预设指标规则、样本检测数据和在网特征,从预设数量的样本专网数据中提取原子特征。
A30、按照预设组合规则,对原子特征分类。
A40、基于预设标签规则和已分类的原子特征,为预设数量的样本专网数据确定对应的唯一一个原子特征。
A50、将预设数量的样本专网数据作为训练使用的输入数据,将样本专网数据对应的原子特征作为训练使用的标签,采用有监督的机器学习方式,得到用于生成专网数据的运维场景的第一分类识别模型。
图3所示的实施例中,第一分类模型用于输出唯一一个运维场景。
作为本发明实施例的一些可能实施方式,由于对原子特征按照不同的维度进行汇总,那么,某个原子特征可能既对应了用户维度该维度其中一个组的特征,也可以同时对应的小区维度该维度其中一个组的特征。需要说明的是,不同维度的标签可能对应了不同种类的原子特征,也可能对应了相同种类的原子特征。
相应的,下面结合图4对本发明实施例提供的独立专网业务的运维场景识别方法进行描述,第一分类识别模型通过以下步骤训练得到:
B10、确定样本用户的在网特征。
B20、基于预设指标规则、样本检测数据和在网特征,从预设数量的样本专网数据中提取原子特征。
B30、按照预设组合规则,对原子特征分类,并按照预设维度规则,将已分类的原子特征分入维度对应的组中,每个维度具有若干组。
在本实施例中,并非所有的原子特征都能分入到某一个维度中,例如得到了共8大类150种的原子特征,A维度对应的原子特征为其中140种原子特征。
B40、基于预设标签规则和已分类的原子特征,为预设数量的样本专网数据确定对应的唯一一个原子特征。预设标签规则中包含了样本标签需要包含哪几个维度的标签。例如,当样本标签中包含了用户维度和小区维度时,那么打上的样本标签不仅获得现有或潜在行业用户标签,另外还获得基站小区维度行业标签,做到一轮标识用户及小区两个维度标签,从而更加完整刻画行业客户的运维用场景。
B50、将预设数量的样本专网数据作为训练使用的输入数据,将样本专网数据对应的原子特征作为训练使用的标签,采用有监督的机器学习方式,得到用于生成专网数据的运维场景的第一分类识别模型。
当专网数据的标签包括了至少两个维度时,第一分类识别模型输出的运维场景也会是多个,具体的,具有几个维度的子标签,就会输出相应数量的运维场景。即,图4所示的实施例中,第一分类模型用于输出对应不同维度的至少两个运维场景。
下面结合图5对本发明实施例提供的独立专网业务的运维场景识别方法进行描述,第二分类识别模型通过以下步骤训练得到:
C10、确定未打上标签的样本专网数据,即确定预设数量以外的样本专网数据。
C20、将未打上标签的样本专网数据作为训练使用的输入数据,采用聚类的机器学习方式,得到用于生成专网数据的运维场景的第二分类识别模型。
作为本发明实施例的一些优选实施方式,聚类采用的是层次聚类(hierarchicalclustering),层次聚类是在不同层次对数据集进行划分,从而形成树形的聚类结构。数据集的划分可采用“自底向上”的聚合策略,也可采用“自顶向下”的分拆策略。
具体的,首先将每个数据点作为一个单独的聚类进行处理。如果数据集有X个数据点,那么就有X个聚类。然后选择一个度量两个聚类之间距离的距离度量。作为一个示例,将使用平均连接(average linkage)聚类,它定义了两个聚类之间的距离,即第一个聚类中的数据点和第二个聚类中的数据点之间的平均距离。之后,在每次迭代中,将两个聚类合并为一个。将两个聚类合并为具有最小平均连接的组。如根据选择的距离度量,这两个聚类之间的距离最小,因此是最相似的,应该组合在一起。重复上述步骤直到到达树的根。只有一个包含所有数据点的聚类。通过这种方式,可以选择最终需要多少个聚类,只需选择何时停止合并聚类,也就是停止建造这棵树的时候。
需要说明的是,基于标签采用对应唯一一个原子特征还是至少两个维度的原子特征,第二分类识别模型也会将用户的数据聚类至同样数量的原子特征,即输出与第一分类识别模型数量相等的运维场景。
相应的,步骤S20具体包括:
S21、基于预设标签规则和已分类的原子特征,为预设数量的专网数据确定标签。
S22、将对应有标签的专网数据输入至第一分类识别模型中,得到由第一分类识别模型输出的第一运维场景。
S23、将未有标签的专网数据输入至第二分类识别模型中,得到由第二分类识别模型输出的第二运维场景。
S24、基于第一运维场景以及第二运维场景,得到专网数据的运维场景。
具体的,专网数据的运维场景是对第一运维场景以及第二运维场景的组合。
下面对本发明实施例提供的基于树形维度的数据归集装置进行描述,下文描述的基于树形维度的数据归集装置与上文描述的独立专网业务的运维场景识别方法可相互对应参照。
为了解决上述问题,在本实施例中提供了一种独立专网业务的运维场景识别装置,旨在基于现有的行业应用及可支持的运维场景去梳理行业及场景关联关系,实现对行业运维场景的精确灵活识别。本发明实施例的独立专网业务的运维场景识别装置可用于电子设备中,电子设备包括但不局限于电脑、移动终端等,图6是根据本发明实施例的独立专网业务的运维场景识别装置的结构示意图,如图6所示,该装置包括:
获取模块10,用于获取5G(SA)网络底层各个接口的检测数据,从检测数据中筛选出信令面数据和用户面数据,得到由信令面数据和用户面数据构成的专网数据。在本发明实施例中,各个接口包括但不局限于:N1、N2、N3接口,检测数据为XDR数据。
更具体的,检测数据相应的接口需要至少包括N1、N2、N3接口(包括HTTP/HTTPS、DNS、MMS、FTP、Email、SIP、RTSP、COAP等),并且需要涵盖各个接口的关键字段。
从接口的检测数据中得到专网数据,因此只要是占用5G网络通讯的行业用户都在分析范围内,增加了分析样本,全网识别其应用场景,提升了识别精度。
其中,N1接口为UE和AMF间的信令面接口,N1是逻辑概念的接口,不存在物理口,N1接口基于N2接口信令实现;N2接口为AN和AMF间的信令面接口;N3接口是AN与UPF间的接口,主要用于传递5G AN与UPF的上下行用户面数据。
作为本发明实施例的一些可能实施方式,如果在检测数据的采集过程中发现一些问题,可以将其进行记录,形成问题清单,方便在后续获取整个专网网络中XDR数据时进行追溯。
5G SA专网数据包含信令面数据和用户面XDR数据,也被称之为DP1数据,5G SA专网数据是运维场景识别、业务统计、用户故障诊断的重要基础,在网络管理中有起到十分重要的作用。XDR是从CDR延伸的新概念,XDR中的X表示任意应用。XDR数据是基于全量数据进行处理后,生成的供信令监测平台和信令类应用使用的信令及业务的详细记录,具体的,信令XDR数据是基于所采集的控制面信令而生成的信令过程的详细记录,业务XDR数据则是基于所采集的用户面业务数据而生成的业务传输过程的详细记录。
因此,获取模块10中在采集检测数据的基础上,还会从检测数据中过滤/筛选出用户的专网数据,即专网用户记录XDR数据,专网用户记录XDR数据包含了信令面数据和用户面数据,使得获取模块10最终得到的业务数据为跨行业及业务场景的数据集。
例如用户A和用户B是在固定的专网内,有固定的基站、核心网网元,可以通过做一张包含用户A和用户B用户信息、基站(gNB) IP、UPF IP、AMF IP的对应关系表配置表、配置界面;又例如用户C分布在大网,根据DNN判断,做一张包含用户C的用户信息、DNN的对应关系表配置表、配置界面。在本发明实施例中,对于检测数据的筛选/过滤规则可配置,且,规则需要与程序解耦,达到高度自动化级别,在此对基于筛选/过滤规则的具体形式并不做任何限制,只需保证电子设备能够从检测数据中筛选出专网用户记录XDR数据即可。
识别模块20,用于将专网数据输入至训练好的场景分类识别模型中,得到由场景分类识别模型输出的业务场景。在本发明实施例中,场景分类识别模型是由样本用户的样本专网数据即样本专网用户记录XDR数据以及样本专网数据对应的样本标签训练得到的,样本专网数据是从样本检测数据中筛选得到的,样本标签是基于有监督机器学习方式得到,且,样本标签是基于预设标签规则和原子特征得到的,原子特征是基于预设指标规则、样本检测数据和样本用户对应的在网特征并从样本专网数据中提取得到的。
具体的,用于训练场景分类识别模型的数据包括样本专网数据、第一标签和第二标签,基于机器学习的半监督标签分类识别装置,首先对已打上第一标签的样本专网数据即做有监督的场景分类识别,然后对未打上标签的样本专网数据做无监督机器学习例如层次聚类,从而识别运维场景。
更具体的,根据5G专网样本用户的在网特征、样本检测数据(N1 XDR、N2 XDR、N3XDR)的数据信息以及配置的预设指标规则,从样本专网数据中提取出原子特征,样本专网用户记录XDR数据生产出对应的原子特征,原子特征汇总之后得到原子特征集。
在本发明实施例中,原子特征包含流量类、频次类、时延类、性能类等,例如总流量、上行流量、下行流量、大包流量、大包次数、大包流量占比、大包次数占比、TCP建立成功率、HTTP建立成功率、TCP建立时延、TCP无线侧建立时延、TCP核心网侧建立时延、HTTP成功率、下行大包速率等等。
该装置中,对原子特征进行分类,分类后的原子特征可以基于终端用户的使用习惯、业务特征、5G网络使用习惯、终端用户的运动习惯、终端用户的业务喜好等等用户的特征,对用户进行画像,实现用户的运维场景识别。
由于样本专网用户记录XDR数据同样是包含了信令面数据和用户面数据,因此,本发明实施例能够构建跨行业及业务场景的细颗粒度原子特征集。
作为本发明实施例的一些优选实施方式,所采用的原子特征分为了8类,为基础类、流量类、频次类、位置范围类、业务类、移动性类、质量分析类以及终端型号类的原子特征,原子特征涵盖了控制面以及用户面两个维度的特征,场景分类识别模型的组成主要通过原子特征,从控制面、用户面两个维度全方位刻画行业用户的特征。可以理解的是,具体采用哪些种类可以根据实际需求进行更改,支持原子特征类型的替换及增补。基于样本数据得到原子特征可以存储在特征知识库中。
例如,对于某个兴起的未知行业场景,与特征知识库进行模式匹配,根据匹配程度的高低,决定是否决策出新场景的原子特征组合或新增该场景的新原子特征项。
通过对原子特征的各种组合,得到不同种类的原子特征,形成对某一业务场景的定义,体现该场景下,业务对网络所提供的QoS需求,在本发明实施例中通过对5G 2B各行业调研,研究各行业典型业务,定义为运维场景,提炼各种运维场景的特征,寻找能在不同行业间通用定义的运维场景。
在得到原子特征后,在本发明实施例中,还会按照维度汇集原子特征,得到各个维度的原子特征。例如,汇集成用户级、小区级、用户小区级、AMF级、UPF级、小时级、天级等维度的原子特征。
之后,在基于预设标签规则和原子特征为部分的样本专网数据打标签,标签是用于数据建模的特征向量,给用户的数据打标签就是特征工程,另外的样本专网数据则基于无监督机器学习方式,识别运维场景。
本发明的提供的独立专网业务的运维场景识别装置,通过从接口的检测数据中得到专网数据,增加了分析样本,提升了识别精度,基于现有的行业应用及可支持的应用场景去梳理行业及场景关联关系,场景分类识别模型在构建时基于用户的信令面及用户面数据,挖掘各行业各细分场景的所依赖的原子特征,形成针对行业应用的一个原子特征集,并基于该原子特征集以及配置原子特征的各种组合形成的分类,实现场景分类识别模型对行业运维场景的灵活且精准的识别,形成能力中心的特征模式识别的基础能力,为场景化用户感知,用户切片契合度,行业终端异常行为分析等上层应用提供更有效的数据支撑。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行独立专网业务的运维场景识别方法,该方法包括:
获取网络底层各个接口的检测数据,从检测数据中筛选出信令面数据和用户面数据,得到由信令面数据和用户面数据构成的专网数据;
将专网数据输入至训练好的场景分类识别模型中,得到由场景分类识别模型输出的业务场景;场景分类识别模型是由样本用户的样本专网数据以及样本专网数据对应的样本标签训练得到的,样本专网数据是从样本检测数据中筛选得到的,样本标签是基于有监督机器学习方式得到,且,样本标签是基于预设标签规则和原子特征得到的,原子特征是基于预设指标规则、样本检测数据和样本用户对应的在网特征从样本专网数据中提取得到的。
此外,上述的存储器830中的逻辑指令可以通过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,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的独立专网业务的运维场景识别方法,该方法包括:
获取网络底层各个接口的检测数据,从检测数据中筛选出信令面数据和用户面数据,得到由信令面数据和用户面数据构成的专网数据;
将专网数据输入至训练好的场景分类识别模型中,得到由场景分类识别模型输出的业务场景;场景分类识别模型是由样本用户的样本专网数据以及样本专网数据对应的样本标签训练得到的,样本专网数据是从样本检测数据中筛选得到的,样本标签是基于有监督机器学习方式得到,且,样本标签是基于预设标签规则和原子特征得到的,原子特征是基于预设指标规则、样本检测数据和样本用户对应的在网特征从样本专网数据中提取得到的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的独立专网业务的运维场景识别方法,该方法包括:
获取网络底层各个接口的检测数据,从检测数据中筛选出信令面数据和用户面数据,得到由信令面数据和用户面数据构成的专网数据;
将专网数据输入至训练好的场景分类识别模型中,得到由场景分类识别模型输出的业务场景;场景分类识别模型是由样本用户的样本专网数据以及样本专网数据对应的样本标签训练得到的,样本专网数据是从样本检测数据中筛选得到的,样本标签是基于有监督机器学习方式得到,且,样本标签是基于预设标签规则和原子特征得到的,原子特征是基于预设指标规则、样本检测数据和样本用户对应的在网特征从样本专网数据中提取得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种独立专网业务的运维场景识别方法,其特征在于,所述方法包括:
获取网络底层各个接口的检测数据,从检测数据中筛选出信令面数据和用户面数据,得到由信令面数据和用户面数据构成的专网数据;
将专网数据输入至训练好的场景分类识别模型中,得到由场景分类识别模型输出的业务场景;场景分类识别模型是由样本用户的样本专网数据以及样本专网数据对应的样本标签训练得到的,样本专网数据是从样本检测数据中筛选得到的,样本标签是基于有监督机器学习方式得到,且,样本标签是基于预设标签规则和原子特征得到的,原子特征是基于预设指标规则、样本检测数据和样本用户对应的在网特征并从样本专网数据中提取得到的;
所述场景分类识别模型包括第一分类识别模型和第二分类识别模型;第一分类识别模型是基于有监督学习方式得到的,并用于预测打上标签的专网数据的运维场景;第二分类识别模型是基于无监督机器学习方式得到的,并用于预测未打上标签的专网数据的运维场景,预设标签规则用于表征样本标签所对应的至少一个维度;
所述第一分类模型用于输出对应不同维度的至少两个运维场景,相应的,所述第一分类识别模型通过以下步骤训练得到:
确定样本用户的在网特征;
基于预设指标规则、样本检测数据和在网特征,从预设数量的样本专网数据中提取原子特征;
按照预设组合规则,对原子特征分类,并按照预设维度规则,将已分类的原子特征分入所述维度对应的组中;每个维度具有若干组;
基于预设标签规则和已分类的原子特征,为预设数量的样本专网数据确定对应的唯一一个原子特征;样本专网数据对应的原子特征对应至少两个所述维度;
将预设数量的样本专网数据作为训练使用的输入数据,将样本专网数据对应的原子特征作为训练使用的标签,采用有监督的机器学习方式,得到用于生成专网数据的运维场景的第一分类识别模型。
2.根据权利要求1所述的独立专网业务的运维场景识别方法,其特征在于,所述第一分类模型用于输出唯一一个运维场景,相应的,所述第一分类识别模型通过以下步骤训练得到:
确定样本用户的在网特征;
基于预设指标规则、样本检测数据和在网特征,从预设数量的样本专网数据中提取原子特征;
按照预设组合规则,对原子特征分类;
基于预设标签规则和已分类的原子特征,为预设数量的样本专网数据确定对应的唯一一个原子特征;
将预设数量的样本专网数据作为训练使用的输入数据,将样本专网数据对应的原子特征作为训练使用的标签,采用有监督的机器学习方式,得到用于生成专网数据的运维场景的第一分类识别模型。
3.根据权利要求1或者2所述的独立专网业务的运维场景识别方法,其特征在于,所述第二分类识别模型通过以下步骤训练得到:
确定未打上标签的样本专网数据;
将未打上标签的样本专网数据作为训练使用的输入数据,采用聚类的机器学习方式,得到用于生成专网数据的运维场景的第二分类识别模型。
4.根据权利要求3所述的独立专网业务的运维场景识别方法,其特征在于,所述将专网数据输入至训练好的场景分类识别模型中,得到由场景分类识别模型输出的业务场景,具体包括:
基于预设标签规则和已分类的原子特征,为预设数量的专网数据确定标签;
将对应有标签的专网数据输入至第一分类识别模型中,得到由第一分类识别模型输出的第一运维场景;
将未有标签的专网数据输入至第二分类识别模型中,得到由第二分类识别模型输出的第二运维场景;
基于第一运维场景以及第二运维场景,得到专网数据的运维场景。
5.根据权利要求1所述的独立专网业务的运维场景识别方法,其特征在于,所述获取网络底层各个接口的检测数据,从检测数据中筛选出信令面数据和用户面数据,得到由信令面数据和用户面数据构成的专网数据,具体包括:
获取网络底层各个接口的检测数据;
基于预设筛选规则,从检测数据中筛选出专网数据。
6.一种独立专网业务的运维场景识别装置,其特征在于,所述装置包括:
获取模块,用于获取网络底层各个接口的检测数据,从检测数据中筛选出信令面数据和用户面数据,得到由信令面数据和用户面数据构成的专网数据;
识别模块,用于将专网数据输入至训练好的场景分类识别模型中,得到由场景分类识别模型输出的业务场景;场景分类识别模型是由样本用户的样本专网数据以及样本专网数据对应的样本标签训练得到的,样本专网数据是从样本检测数据中筛选得到的,样本标签是基于有监督机器学习方式得到,且,样本标签是基于预设标签规则和原子特征得到的,原子特征是基于预设指标规则、样本检测数据和样本用户对应的在网特征并从样本专网数据中提取得到的,预设标签规则用于表征样本标签所对应的至少一个维度;
所述识别模块中的所述场景分类识别模型包括第一分类识别模型和第二分类识别模型;第一分类识别模型是基于有监督学习方式得到的,并用于预测打上标签的专网数据的运维场景;第二分类识别模型是基于无监督机器学习方式得到的,并用于预测未打上标签的专网数据的运维场景;
所述识别模块中的所述第一分类模型用于输出对应不同维度的至少两个运维场景,相应的,所述第一分类识别模型通过以下方式训练得到:
确定样本用户的在网特征;基于预设指标规则、样本检测数据和在网特征,从预设数量的样本专网数据中提取原子特征;按照预设组合规则,对原子特征分类,并按照预设维度规则,将已分类的原子特征分入所述维度对应的组中;每个维度具有若干组;基于预设标签规则和已分类的原子特征,为预设数量的样本专网数据确定对应的唯一一个原子特征;样本专网数据对应的原子特征对应至少两个所述维度;将预设数量的样本专网数据作为训练使用的输入数据,将样本专网数据对应的原子特征作为训练使用的标签,采用有监督的机器学习方式,得到用于生成专网数据的运维场景的第一分类识别模型。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述独立专网业务的运维场景识别方法的步骤。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述独立专网业务的运维场景识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310464150.7A CN116170829B (zh) | 2023-04-26 | 2023-04-26 | 一种独立专网业务的运维场景识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310464150.7A CN116170829B (zh) | 2023-04-26 | 2023-04-26 | 一种独立专网业务的运维场景识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116170829A CN116170829A (zh) | 2023-05-26 |
CN116170829B true CN116170829B (zh) | 2023-07-04 |
Family
ID=86418626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310464150.7A Active CN116170829B (zh) | 2023-04-26 | 2023-04-26 | 一种独立专网业务的运维场景识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116170829B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119662A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 一种网络流量分类方法 |
CN112188532A (zh) * | 2019-07-02 | 2021-01-05 | 中国移动通信集团贵州有限公司 | 网络异常检测模型的训练方法、网络检测方法及装置 |
WO2022078042A1 (zh) * | 2020-10-12 | 2022-04-21 | 中兴通讯股份有限公司 | 流量细分识别方法、系统、电子设备和存储介质 |
WO2022083509A1 (zh) * | 2020-10-19 | 2022-04-28 | 华为技术有限公司 | 一种数据流识别方法以及装置 |
CN114511112A (zh) * | 2022-01-24 | 2022-05-17 | 北京通建泰利特智能系统工程技术有限公司 | 一种基于物联网的智慧运维方法、系统和可读存储介质 |
CN115526254A (zh) * | 2022-09-26 | 2022-12-27 | 中国农业银行股份有限公司 | 场景识别系统、方法、电子设备及存储介质 |
CN115767550A (zh) * | 2022-12-02 | 2023-03-07 | 北京亚鸿世纪科技发展有限公司 | 一种5g专网的网络风险评估的方法和装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022002242A1 (zh) * | 2020-07-02 | 2022-01-06 | 北京灵汐科技有限公司 | 一种场景识别方法和系统、电子设备、介质 |
CN112183577A (zh) * | 2020-08-31 | 2021-01-05 | 华为技术有限公司 | 一种半监督学习模型的训练方法、图像处理方法及设备 |
CN112348117B (zh) * | 2020-11-30 | 2024-07-12 | 腾讯科技(深圳)有限公司 | 场景识别方法、装置、计算机设备和存储介质 |
CN112989949A (zh) * | 2021-02-08 | 2021-06-18 | 北京星网锐捷网络技术有限公司 | 网络场景识别方法、设备及存储介质 |
CN114049584A (zh) * | 2021-10-09 | 2022-02-15 | 百果园技术(新加坡)有限公司 | 一种模型训练和场景识别方法、装置、设备及介质 |
CN115955691A (zh) * | 2022-05-10 | 2023-04-11 | 中国联合网络通信集团有限公司 | 5g专网感知评价方法、装置、电子设备及可读存储介质 |
CN115438747A (zh) * | 2022-09-29 | 2022-12-06 | 中国农业银行股份有限公司 | 异常账户识别模型训练方法、装置、设备及介质 |
-
2023
- 2023-04-26 CN CN202310464150.7A patent/CN116170829B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020119662A1 (zh) * | 2018-12-14 | 2020-06-18 | 深圳先进技术研究院 | 一种网络流量分类方法 |
CN112188532A (zh) * | 2019-07-02 | 2021-01-05 | 中国移动通信集团贵州有限公司 | 网络异常检测模型的训练方法、网络检测方法及装置 |
WO2022078042A1 (zh) * | 2020-10-12 | 2022-04-21 | 中兴通讯股份有限公司 | 流量细分识别方法、系统、电子设备和存储介质 |
WO2022083509A1 (zh) * | 2020-10-19 | 2022-04-28 | 华为技术有限公司 | 一种数据流识别方法以及装置 |
CN114511112A (zh) * | 2022-01-24 | 2022-05-17 | 北京通建泰利特智能系统工程技术有限公司 | 一种基于物联网的智慧运维方法、系统和可读存储介质 |
CN115526254A (zh) * | 2022-09-26 | 2022-12-27 | 中国农业银行股份有限公司 | 场景识别系统、方法、电子设备及存储介质 |
CN115767550A (zh) * | 2022-12-02 | 2023-03-07 | 北京亚鸿世纪科技发展有限公司 | 一种5g专网的网络风险评估的方法和装置 |
Non-Patent Citations (2)
Title |
---|
5G智慧港口场景的传输网络切片应用;沈铭;;移动通信(07);全文 * |
基于用户感知的移动数据业务端到端优化;刘莺;胡剑炜;;吉首大学学报(自然科学版)(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116170829A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
D’Alconzo et al. | A survey on big data for network traffic monitoring and analysis | |
US11301778B2 (en) | Method and system for training and validating machine learning in network environments | |
Zheng et al. | Big data-driven optimization for mobile networks toward 5G | |
Liu et al. | Monitoring and analyzing big traffic data of a large-scale cellular network with Hadoop | |
US20200160230A1 (en) | Tool-specific alerting rules based on abnormal and normal patterns obtained from history logs | |
CN111277578A (zh) | 加密流量分析特征提取方法、系统、存储介质、安全设备 | |
WO2022001918A1 (zh) | 构建预测模型的方法、装置、计算设备和存储介质 | |
CN112333706B (zh) | 物联网设备异常检测方法、装置、计算设备及存储介质 | |
CN103117903A (zh) | 上网流量异常检测方法及装置 | |
CN110719194B (zh) | 一种网络数据的分析方法及装置 | |
CN113225359A (zh) | 一种基于类脑计算的安全流量分析系统 | |
CN108768695A (zh) | Kqi的问题定位方法及装置 | |
CN110008977B (zh) | 聚类模型构建方法以及装置 | |
Nkongolo et al. | Classifying social media using deep packet inspection data | |
CN112884121A (zh) | 基于生成对抗深度卷积网络的流量识别方法 | |
CN115277113A (zh) | 一种基于集成学习的电网网络入侵事件检测识别方法 | |
CN110266603B (zh) | 基于http协议的身份认证业务网络流量分析系统及方法 | |
CN111083710A (zh) | 一种用于5g系统的智慧组网方法 | |
CN103475532A (zh) | 硬件检测方法和系统 | |
CN114238402A (zh) | 告警数据处理方法、装置、存储介质以及电子设备 | |
JP2020136894A (ja) | 予測装置、予測方法及びプログラム | |
CN107332681A (zh) | 一种故障维度分析方法及网络设备 | |
CN116170829B (zh) | 一种独立专网业务的运维场景识别方法及装置 | |
CN116886440A (zh) | 一种威胁情报生产方法、装置、设备及存储介质 | |
CN101764754A (zh) | 基于dpi和dfi的业务识别系统中的样本获取方法 |
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 |