CN116192662B - 基于业务行为预测与确定性网络关联模型及推荐方法 - Google Patents

Abstract

本发明实施例提供了一种基于业务行为预测与确定性网络关联模型及推荐方法，通过构建业务关联超图和构建网络切片超图，然后训练第一注意力模型获得第一输入权重矩阵和第二输入权重矩阵，基于第一输入权重矩阵、第二输入权重矩阵、业务关联超图和网络切片超图得到可以根据用户提出的业务需求、给用户生成符合用户需求的切片网络的基于业务行为预测与确定性网络关联模型，基于业务行为预测与确定性网络关联模型生成的网络切片所能实现的功能服务与用户的业务需求之间的匹配度高。它能够精准自动获取业务意愿（业务需求、业务行为），也能够把业务意愿与网络切片精准关联，还能够基于业务意愿自动生成网络切片。

Description

基于业务行为预测与确定性网络关联模型及推荐方法

技术领域

本发明涉及通讯网络技术领域，具体而言，涉及一种基于业务行为预测与确定性网络关联模型及推荐方法。

背景技术

随着高清实时视频流与工业机器控制等网络应用的增多，传统网络“尽力而为”的数据转发方式，越来越难以支撑未来业务对差异化服务、确定性、低时延的需求。例如工业互联网中的数据上传和控制指令下发、远程机器人手术、无人驾驶、VR游戏等，需要将端到端时延控制在1-10毫秒，将时延抖动控制在微秒级，但传统的网络却难以满足以上要求，无法实现确定性的时延抖动控制。确定性网络运营而生，它可为数据的传输提供带宽、时延、抖动等质量可确定的服务，在元宇宙、工业互联网、电力、车联网、远程医疗等领域提供“准时、准确”的信息传输服务质量。

互联网从消费领域进入实体经济将面临巨大变革，也存在两个挑战，一个是网络需要确定可控，另一个是网络要能提供差异性的服务。在AR、VR、3D通话、全息影像、交互式游戏、远程工控、自动驾驶、车路协同等领域，更需要网络确定可控并能提供差异性服务，即，基于人类业务意愿去自动搭建和操作网络切片去实现确定性传输的自治闭环。

体现业务意愿的新型网络架构的研究已经成为前沿热点。网络开放网络基金会(Open Networking Foundation，ONF)制定了意图网络架构的标准草案。也有知名公司发布了基于意愿网络系统所需具备能力报告。另一个知名公司也发布了《ESG：向基于意愿网络迈进白皮书》。然而，业务意愿与网络切片属于不同层面的理念，业务意愿与网络切片关联机制及影响机理尚未有效揭示。业务意愿与网络切片关联机制及影响机理目前是本领域技术人员的一个技术难题。

在技术层面，业务意愿往往通过数据预测用户的业务选择来体现，通过基础数据信息结合网络切片，构建一个可以为用户推荐符合用户提出的业务需求的网络切片，该网络切片能够满足用户提供符合用户所需的业务需求（业务选择行为的预测）的功能、性能、资源等。因此构建一个符合用户业务行为选择（需求）与网络切片关联的模型，提高为用户推荐可靠性的网络切片法人可靠性，具有极大的意义。

发明内容

本发明的目的在于提供了一种基于业务行为预测与确定性网络关联模型及推荐方法，用以解决现有技术中存在的上述问题。

本发明实施例提供了一种基于业务行为预测与确定性网络关联模型，所述基于业务行为预测与确定性网络关联模型通过下述的基于业务行为预测与确定性网络关联模型的构建方法获得，所述基于业务行为预测与确定性网络关联模型的构建方法包括：

构建业务关联超图：将业务作为业务关联超图的节点，将业务场景作为业务关联超图的超边；针对业务关联超图的每个节点，以业务关联超图中的任意一个节点作为第一目标节点，将与所述第一目标节点属于同一业务场景的所有节点与所述第一目标节点组成业务关联超图的一条超边，在业务关联超图中，一条超边对应一个业务场景；为业务关联超图中的每个节点和每条超边定义权重；所述节点的坐标为节点对应的业务的生命周期及所需的功能；

构建网络切片超图：将网络切片作为网络切片超图的节点，将网络基础设备作为网络切片超图的超边；针对网络切片超图的每个节点，以网络切片超图中的任意一个节点作为第二目标节点，将与所述第二目标节点共享同一个网络基础设备进行信息转发的所有节点与所述第二目标节点组成网络切片超图的一条超边，在网络切片超图中，一条超边对应一个网络基础设备；为网络切片超图中的每个节点和每条超边定义权重；

训练第一注意力模型：获得第一训练数据和第二训练数据，第一训练数据包括业务场景信息、业务所需的功能信息和业务所需的性能指标信息，第二训练数据包括网络切片的模态信息、虚拟化网络功能信息和虚拟化网络资源信息；将第一训练数据输入第一RNN，第一RNN产生一个输出向量和一个隐藏状态向量，将第二训练数据输入第二RNN，第二RNN产生一个输出向量和一个隐藏状态向量；若第一RNN产生的输出向量与第二RNN产生的输出向量之间的损失值大于设定值，将第二RNN产生的输出向量与第一RNN产生的隐藏状态向量连接成第一注意力向量，将第一RNN产生的输出向量与第二RNN产生的隐藏状态向量连接成第二注意力向量；获得第一注意力向量与第二注意力向量的相似指数，基于所述相似指数更新所述第一RNN的输入权重和第二RNN的输入权重，再重新将第一训练数据输入第一RNN，将第二训练数据输入第二RNN，直到第一RNN产生的输出向量与第二RNN产生的输出向量之间的损失值小于或者等于设定值，确定第一RNN和第二RNN训练结束；第一RNN和第二RNN训练结束后，第一RNN的权重矩阵为第一输入权重矩阵，第二RNN的权重矩阵为第二输入权重矩阵；

基于第一输入权重矩阵、第二输入权重矩阵、业务关联超图和网络切片超图，获得基于业务行为预测与确定性网络关联模型。

可选的，基于业务行为预测与确定性网络关联模型包括第一GCN、第二GCN和前馈神经网络，第一GCN与第二GCN的输出之间通过联合函数连接，前馈神经网络的输入为第一GCN的输出和/或第一GCN的输出；所述基于第一输入权重矩阵、第二输入权重矩阵、业务关联超图和网络切片超图，获得基于业务行为预测与确定性网络关联模型，包括：

将业务关联超图作为第一GCN的输入，将网络切片超图作为第二GCN的输入，将第一GCN的输出和第二GCN的输出作为联合函数的输入，通过联合函数计算第一GCN的输出与第二GCN的输出的关联度；若关联度小于预设值，将第一GCN的输出作为前馈神经网络的输入，向前反馈至第一GCN的输入，结合第一输入权重矩阵与关联度调整第一GCN的权值矩阵，将第二GCN的输出作为前馈神经网络的输入，向前反馈至第二GCN的输入，结合第二输入权重矩阵与关联度调整第二GCN的权值矩阵；再将业务关联超图作为调整权值矩阵后的第一GCN的输入，将网络切片超图作为调整权值矩阵后第二GCN的输入，再过联合函数计算第一GCN的输出与第二GCN的输出的关联度，直到关联度大于或者等于预设值，停止训练第一GCN和第二GCN，得到基于业务行为预测与确定性网络关联模型。

可选的，基于第一输入权重矩阵、第二输入权重矩阵、业务关联超图和网络切片超图，获得基于业务行为预测与确定性网络关联模型，包括：

将第一输入权重矩阵和第二输入权重矩阵进行拼接，得到关联矩阵；

基于拼接矩阵分别调整业务关联超图的超边权重矩阵和网络切片超图的超边权重矩阵，分别得到调整业务超边权重矩阵和调整切片超边权重矩阵；

将所述业务关联超图和网络切片超图进行融合，获得融合超图；融合超图中包含多条超边，每条超边设置有权值；

基于调整业务超边权重矩阵和调整切片超边权重矩阵调整融合超图的初始权值矩阵，得到融合权值矩阵；

基于融合权值矩阵，优化融合超图，得到基于业务行为预测与确定性网络关联模型。

可选的，基于拼接矩阵分别调整业务关联超图的超边权重矩阵和网络切片超图的超边权重矩阵，分别得到调整业务超边权重矩阵和调整切片超边权重矩阵，包括：

获得拼接矩阵中的元素的权重的均值，若拼接矩阵中的元素的权重小于所述均值，将所述元素的取值设置为0，若拼接矩阵中的元素的权重大于或者等于所述均值，将所述元素的取值设置为1，将更新取值后的拼接矩阵作为关联矩阵；

将关联矩阵的维度进行第一次扩展或者缩减，得到第一权重调整矩阵，第一权重调整矩阵可与业务关联超图的超边权重矩阵进行矩阵乘积操作；

将第一权重调整矩阵与业务关联超图的超边权重矩阵进行矩阵乘积操作，得到调整业务超边权重矩阵；

将关联矩阵的维度进行第二次扩展或者缩减，得到第二权重调整矩阵，第二权重调整矩阵可与网络切片超图的超边权重矩阵进行矩阵乘积操作；

将第二权重调整矩阵与网络切片超图的超边权重矩阵进行矩阵乘积操作，得到调整切片超边权重矩阵。

可选的，将所述业务关联超图和网络切片超图进行融合，获得融合超图，包括：

针对特定的业务场景，以业务作为初始对齐超图的节点，将网络切片作为初始对齐超图的超边；针对初始对齐超图的节点，将与该节点可在同一个网络切片下实现业务功能的所有业务组成初始对齐超图的超边；每条超边设置有权值；多条边对应有多个权值，多个权值构成初始对齐超图的初始权值矩阵；

将业务关联超图与初始对齐超图进行矩阵乘积操作，获得中间超图；

将中间超图与网络切片超图进行矩阵乘积操作，获得融合超图。

可选的，基于调整业务超边权重矩阵和调整切片超边权重矩阵调整融合超图的初始权值矩阵，得到融合权值矩阵，包括：

将调整业务超边权重矩阵和调整切片超边权重矩阵进行矩阵乘积操作，得到调整矩阵；

以调整矩阵作为卷积核，对初始权值矩阵进行卷积操作，得到融合权值矩阵。

可选的，基于调整后的融合权值矩阵，优化融合超图，得到基于业务行为预测与确定性网络关联模型，包括：

若融合边权重矩阵中的权值元素的值为0，删除掉所述权值元素对应的超边，获得基于业务行为预测与确定性网络关联模型。

可选的，获得第一注意力向量与第二注意力向量的相似指数，包括：

获得第一注意力向量与第二注意力向量之间的夹角的余弦函数，以所述余弦函数作为第一注意力向量与第二注意力向量的相似指数。

可选的，以第一注意力向量与第二注意力向量的相似指数的倒数作为第一RNN产生的输出向量与第二RNN产生的输出向量之间的损失值。

第二方面，本发明实施例还提供了一种基于业务行为预测与确定性网络关联模型的业务推荐方法，所述基于业务行为预测与确定性网络关联模型的业务推荐方法包括：

获得用户的业务需求信息；业务需求信息包括业务场景信息、业务所需的功能信息和业务所需的性能指标信息；

将所述用户需求信息作为通过上述任意一项所述的方法获得的基于业务行为预测与确定性网络关联模型的输入，基于业务行为预测与确定性网络关联模型生成所述用户需求信息匹配的网络切片；

将所述网络切片推荐给所述用户，所述网络切片用于给所述用户提供匹配所述用户业务需求的服务。

相较于现有技术，本发明实施例达到了以下有益效果：

本发明实施例提供了一种基于业务行为预测与确定性网络关联模型及推荐方法，通过构建业务关联超图：将业务作为业务关联超图的节点，将业务场景作为业务关联超图的超边，针对业务关联超图的每个节点，将与该节点属于同一业务场景的所有节点与该节点组成业务关联超图的一条超边，在业务关联超图中，一条超边对应一个业务场景，为业务关联超图中的每个节点和每条超边定义权重。所述节点的坐标为节点对应的业务的生命周期及所需的功能。构建网络切片超图：将网络切片作为网络切片超图的节点，将网络基础设备作为网络切片超图的超边，针对网络切片超图的每个节点，将与该节点共享同一个网络基础设备进行信息转发的所有节点组成网络切片超图的一条超边，在网络切片超图中，一条超边对应一个网络基础设备，为网络切片超图中的每个节点和每条超边定义权重。然后训练第一注意力模型：获得第一训练数据和第二训练数据，第一训练数据包括业务场景信息、业务所需的功能信息和业务所需的性能指标信息，第二训练数据包括网络切片的模态信息、虚拟化网络功能信息和虚拟化网络资源信息，将第一训练数据输入第一RNN，第一RNN产生一个输出向量和一个隐藏状态向量，将第二训练数据输入第二RNN，第二RNN产生一个输出向量和一个隐藏状态向量，若第一RNN产生的输出向量与第二RNN产生的输出向量之间的损失值大于设定值，将第二RNN产生的输出向量与第一RNN产生的隐藏状态向量连接成第一注意力向量，将第一RNN产生的输出向量与第二RNN产生的隐藏状态向量连接成第二注意力向量，获得第一注意力向量与第二注意力向量的相似指数，基于所述相似指数更新所述第一RNN的输入权重和第二RNN的输入权重，再重新将第一训练数据输入第一RNN，将第二训练数据输入第二RNN，直到第一RNN产生的输出向量与第二RNN产生的输出向量之间的损失值小于或者等于设定值，确定第一RNN和第二RNN训练结束；第一RNN和第二RNN训练结束后，第一RNN的权重矩阵为第一输入权重矩阵，第二RNN的权重矩阵为第二输入权重矩阵。基于第一输入权重矩阵、第二输入权重矩阵、业务关联超图和网络切片超图，获得基于业务行为预测与确定性网络关联模型。

通过采用以上方案，基于注意力机制、网络切片与网络基础设备之间关联的网络切片超图以及业务与业务场景关联的业务关联超图，训练出可以根据用户提出的业务需求、给用户生成符合用户需求的切片网络的基于业务行为预测与确定性网络关联模型，基于业务行为预测与确定性网络关联模型生成的网络切片所能实现的功能服务与用户的业务需求之间的匹配度高。

附图说明

图1是本发明实施例提供的一种基于业务行为预测与确定性网络关联模型的构建方法流程图。

图2是本发明实施例提供的一种基于业务行为预测与确定性网络关联模型结构示意图。

图3是本发明实施例提供的一种基于业务行为预测与确定性网络关联模型的业务推荐方法流程图。

图4是本发明实施例提供的一种电子设备的方框结构示意图。

图中标记：总线500；接收器501；处理器502；发送器503；存储器504；总线接口505。

实施方式

下面结合附图，对本发明作详细的说明。

实施例1：本发明实施例提供了一种基于业务行为预测与确定性网络关联模型的构建方法，所述基于业务行为预测与确定性网络关联模型的构建方法包括如图1所示的步骤：

S101：构建业务关联超图：将业务作为业务关联超图的节点，将业务场景作为业务关联超图的超边，针对业务关联超图的每个节点，以业务关联超图中的任意一个节点作为第一目标节点，将与所述第一目标节点属于同一业务场景的所有节点与所述第一目标节点组成业务关联超图的一条超边，在业务关联超图中，一条超边对应一个业务场景，为业务关联超图中的每个节点和每条超边定义权重。所述节点的坐标为节点对应的业务的生命周期及所需的功能。

在本发明实施例中，一个业务场景里包含多个业务行为，这些业务行为表示用户选择或者不选择业务，业务指的是在特定业务场景（行业）当中，所需要处理好的相关事务。可以通过获得关联超图的超边矩阵、节点特征向量、超边权重矩阵和节点度、超边度等信息，来体现构建业务关联超图。

S102：构建网络切片超图：将网络切片作为网络切片超图的节点，将网络基础设备作为网络切片超图的超边，针对网络切片超图的每个节点，以网络切片超图中的任意一个节点作为第二目标节点，将与所述第二目标节点共享同一个网络基础设备进行信息转发的所有节点组成网络切片超图的一条超边，在网络切片超图中，一条超边对应一个网络基础设备，为网络切片超图中的每个节点和每条超边定义权重。

可以通过获得关联超图的超边矩阵、节点特征向量、超边权重矩阵和节点度、超边度等信息，来体现构建业务关联超图。

S103：训练第一注意力模型：获得第一训练数据和第二训练数据，第一训练数据包括业务场景信息、业务所需的功能信息和业务所需的性能指标信息，第二训练数据包括网络切片的模态信息、虚拟化网络功能信息和虚拟化网络资源信息，将第一训练数据输入第一RNN，第一RNN产生一个输出向量和一个隐藏状态向量，将第二训练数据输入第二RNN，第二RNN产生一个输出向量和一个隐藏状态向量，若第一RNN产生的输出向量与第二RNN产生的输出向量之间的损失值大于设定值，将第二RNN产生的输出向量与第一RNN产生的隐藏状态向量连接成第一注意力向量，将第一RNN产生的输出向量与第二RNN产生的隐藏状态向量连接成第二注意力向量，获得第一注意力向量与第二注意力向量的相似指数，基于所述相似指数更新所述第一RNN的输入权重和第二RNN的输入权重，再重新将第一训练数据输入第一RNN，将第二训练数据输入第二RNN，直到第一RNN产生的输出向量与第二RNN产生的输出向量之间的损失值小于或者等于设定值，确定第一RNN和第二RNN训练结束；第一RNN和第二RNN训练结束后，第一RNN的权重矩阵为第一输入权重矩阵，第二RNN的权重矩阵为第二输入权重矩阵。

在本发明实施例中，所用到的网络结构是循环神经网络（Recurrent NeuralNetwork, RNN）是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络（recursive neuralnetwork）。

在本发明实施例中，设定值的取值可以是0.8，设定值也可以通过下述方法获得：获得第一RNN产生的输出向量与第二RNN产生的输出向量之间的夹角的余弦值（称作第一余弦值），获得第一RNN产生的隐藏状态向量与第二RNN产生的隐藏状态向量之间的余弦值（称作第二余弦值），将第一余弦值与第二余弦值的平均值作为设定值的取值。

可选的，获得第一注意力向量与第二注意力向量的相似指数，包括：

获得第一注意力向量与第二注意力向量之间的夹角的余弦函数，以所述余弦函数作为第一注意力向量与第二注意力向量的相似指数。以第一注意力向量与第二注意力向量的相似指数的倒数作为第一RNN产生的输出向量与第二RNN产生的输出向量之间的损失值。可选的，若相似指数等于0，则以设定第一RNN产生的输出向量与第二RNN产生的输出向量之间的损失值等于1。

在本发明实施例中，基于所述相似指数更新所述第一RNN的输入权重和第二RNN的输入权重，具体为：若相似指数小于上述的设定值，则对第一RNN的输入权重和第二RNN的输入权重进行加上或者减去所述设定值。

第一RNN和第二RNN训练结束后，第一输入权重矩阵包括多个输入权重，第二输入权重矩阵包括多个输入权重，这些输入权重按照上述方法进行调整，已经达到一个平衡的状态。

S104：基于第一输入权重矩阵、第二输入权重矩阵、业务关联超图和网络切片超图，获得基于业务行为预测与确定性网络关联模型。

通过采用以上方案，基于注意力机制、网络切片与网络基础设备之间关联的网络切片超图以及业务与业务场景关联的业务关联超图，训练出可以根据用户提出的业务需求、给用户生成符合用户需求的切片网络的基于业务行为预测与确定性网络关联模型，基于业务行为预测与确定性网络关联模型生成的网络切片的所能实现的功能服务与用户的业务需求之间的匹配度高。

作为一种可选的事实上方式，基于业务行为预测与确定性网络关联模型包括第一GCN、第二GCN和前馈神经网络，第一GCN与第二GCN的输出之间通过联合函数连接，前馈神经网络的输入为第一GCN的输出和/或第一GCN的输出。具体的模型结构如图2所示。

本发明实施例中，通过图神经网络（Graph Neural Network，GNN）来训练基于业务行为预测与确定性网络关联模型。图神经网络是近年来出现的一种利用深度学习直接对图结构数据进行学习的框架，其优异的性能引起了学者高度的关注和深入的探索。通过在图中的节点和边上制定一定的策略，GNN 将图结构数据转化为规范而标准的表示，并输入到多种不同的神经网络中进行训练，在节点分类、边信息传播和图聚类等任务上取得优良的效果。

在本发明实施例中，基于第一输入权重矩阵、第二输入权重矩阵、业务关联超图和网络切片超图，获得基于业务行为预测与确定性网络关联模型，可以采用下述方式实现：

将业务关联超图作为第一GCN的输入，将网络切片超图作为第二GCN的输入，将第一GCN的输出和第二GCN的输出作为联合函数的输入，通过联合函数计算第一GCN的输出与第二GCN的输出的关联度。

联合函数可以用于计算第一GCN的输出和第二GCN的输出之间的夹角额余弦函数，或者计算第一GCN的输出和第二GCN的输出之间的欧氏距离。

若关联度小于预设值，将第一GCN的输出作为前馈神经网络的输入，向前反馈至第一GCN的输入（将前馈神经网络的输出作为第一GCN的输入），结合第一输入权重矩阵与关联度调整第一GCN的权值矩阵，将第二GCN的输出作为前馈神经网络的输入，向前反馈至第二GCN的输入（将前馈神经网络的输出作为第二GCN的输入），结合第二输入权重矩阵与关联度调整第二GCN的权值矩阵，再将业务关联超图作为调整权值矩阵后的第一GCN的输入，将网络切片超图作为调整权值矩阵后第二GCN的输入，再过联合函数计算第一GCN的输出与第二GCN的输出的关联度，直到关联度大于或者等于预设值，停止训练第一GCN和第二GCN，得到基于业务行为预测与确定性网络关联模型。在本发明实施例中，预设值的取值可以等于上述的设定值，即预设值的取值与设定值的取值保持一致。

可选的，联合函数计算第一GCN的输出与第二GCN的输出的关联度，可以是计算第一GCN的输出与第二GCN的输出相似度，进一步的，可以计算第一GCN的输出向量与第二GCN的输出向量之间的夹角的余弦值，以余弦值作为第一GCN的输出与第二GCN的输出的关联度。

作为另一种可选的实施方式，基于第一输入权重矩阵、第二输入权重矩阵、业务关联超图和网络切片超图，获得基于业务行为预测与确定性网络关联模型，采用如下方式获得：

首先，将第一输入权重矩阵和第二输入权重矩阵进行拼接，得到关联矩阵。其次，基于拼接矩阵分别调整业务关联超图的超边权重矩阵和网络切片超图的超边权重矩阵，分别得到调整业务超边权重矩阵和调整切片超边权重矩阵。然后，将所述业务关联超图和网络切片超图进行融合，获得融合超图；融合超图中包含多条超边，每条超边设置有权值。再则，基于调整业务超边权重矩阵和调整切片超边权重矩阵调整融合超图的初始权值矩阵，得到融合权值矩阵。最后，基于融合权值矩阵，优化融合超图，得到基于业务行为预测与确定性网络关联模型。

在本发明实施例中，对两个矩阵进行拼接的方式可以是将两个矩阵按照前后拼接，例如矩阵A=[1,2,3]，矩阵B=[4,5,6]，那么对矩阵A和B进行拼接得到的矩阵C=[1,2,3,4,5,6]。还例如，矩阵A=[1,2,3；4,5,6]，矩阵B=[7,8,9;4,2,3]，那么对矩阵A和B进行拼接得到的矩阵C=[1,2,3, 7,8,9；4,5,6, 4,2,3]。还例如，矩阵A=[1,2,3]，矩阵B=[7,8,9;4,2,3]，那么对矩阵A和B进行拼接得到的矩阵C=[1,2,3, 7,8,9；0,0,0, 4,2,3]，即对两个维度不同的矩阵进行拼接时，将没有对应关系的行、列元素的取值设置为0。对于向量的拼接方式也是类似，在此不再赘述。

其中，基于拼接矩阵分别调整业务关联超图的超边权重矩阵和网络切片超图的超边权重矩阵，分别得到调整业务超边权重矩阵和调整切片超边权重矩阵，包括：

步骤A、获得拼接矩阵中的元素的权重的均值，若拼接矩阵中的元素的权重小于所述均值，将所述元素的取值设置为0，若拼接矩阵中的元素的权重大于或者等于所述均值，将所述元素的取值设置为1，将更新取值后的拼接矩阵作为关联矩阵。

步骤B、将关联矩阵的维度进行第一次扩展或者缩减，得到第一权重调整矩阵，第一权重调整矩阵可与业务关联超图的超边权重矩阵进行矩阵乘积操作。

在本发明实施例中，对关联矩阵的维度进行第一次扩展或者缩减，具体可以是：若业务关联超图的超边权重矩阵的行数为N、列数为M，关联矩阵的行数为J、列数为K，当N不等于K且M不等于J时，将关联矩阵的维度调整成行数为J、列数为K，即当N大于K时，将关联矩阵的列数进行扩展，使得关联矩阵的列数为N，对于扩展后的元素的取值设置为0，当即当N小于K时，将关联矩阵的列数进行缩减，使得关联矩阵的列数为N。当M大于J时，将关联矩阵的列进行扩展，使得关联矩阵的行数为M，对于扩展后的元素的取值设置为0，当M小于J时，将关联矩阵的行数进行缩减，使得关联矩阵的行数为M。即第一权重调整矩阵的行数为M，列数为N。步骤C、将第一权重调整矩阵与业务关联超图的超边权重矩阵进行矩阵乘积操作，得到调整业务超边权重矩阵。

步骤D、将关联矩阵的维度进行第二次扩展或者缩减，得到第二权重调整矩阵，第二权重调整矩阵可与网络切片超图的超边权重矩阵进行矩阵乘积操作。

在本发明实施例中，对关联矩阵的维度进行第二次扩展或者缩减，具体可以是：

若网络切片超图的超边权重矩阵的行数为F、列数为G，关联矩阵的行数为H、列数为I，当F不等于I且G不等于H时，将关联矩阵的维度调整成行数为H、列数为I，即当F大于I时，将关联矩阵的列数进行扩展，使得关联矩阵的列数为F，对于扩展后的元素的取值设置为0，当即当F小于I时，将关联矩阵的列数进行缩减，使得关联矩阵的列数为F。当G大于H时，将关联矩阵的列进行扩展，使得关联矩阵的行数为G，对于扩展后的元素的取值设置为0，当G小于H时，将关联矩阵的行数进行缩减，使得关联矩阵的行数为G。即第二权重调整矩阵的行数为G，列数为F。

步骤F、将第二权重调整矩阵与网络切片超图的超边权重矩阵进行矩阵乘积操作，得到调整切片超边权重矩阵。

作为进一步的，将所述业务关联超图和网络切片超图进行融合，获得融合超图，包括：

针对特定的业务场景，以业务作为初始对齐超图的节点，将网络切片作为初始对齐超图的超边；针对初始对齐超图的节点，将与该节点可在同一个网络切片下实现业务功能的所有业务组成初始对齐超图的超边，每条超边设置有权值，多条边对应有多个权值，多个权值构成初始对齐超图的初始权值矩阵。将业务关联超图与初始对齐超图进行矩阵乘积操作，获得中间超图。将中间超图与网络切片超图进行矩阵乘积操作，获得融合超图。如此，融合超图中包含多条超边，每条超边设置有权值。

通过采用以上的技术方案，如此得到的融合超图，可以包含了切片网络与业务之间的丰富完整的关联信息，进而使得在融合超图的基础上得到的基于业务行为预测与确定性网络关联模型，可以根据用户提出的业务需求、给用户提供符合用户需求的切片网络，基于业务行为预测与确定性网络关联模型提供网络切片所能实现的功能与用户的业务需求匹配度高，网络切片可以为用户提供定制化服务的准确性高。

作为进一步的，基于调整业务超边权重矩阵和调整切片超边权重矩阵调整融合超图的初始权值矩阵，得到融合权值矩阵，具体为：

将调整业务超边权重矩阵和调整切片超边权重矩阵进行矩阵乘积操作，得到调整矩阵。以调整矩阵作为卷积核，对初始权值矩阵进行卷积操作，得到融合权值矩阵。

基于调整后的融合权值矩阵，优化融合超图，得到基于业务行为预测与确定性网络关联模型，具体为：若融合边权重矩阵中的权值元素的值为0，删除掉所述权值元素对应的超边，获得基于业务行为预测与确定性网络关联模型。同时，更新基于业务行为预测与确定性网络关联模型的超边矩阵、节点特征向量、超边权重矩阵和节点度、超边度等信息。

即，在本发明实施例中，基于业务行为预测与确定性网络关联模型可以是一种算法模型，也可以是一种网络架构模型。

综上，基于上述的方案，作为隐含的功能，基于业务行为预测与确定性网络关联模型可以预测用户的业务执行方向，进而根据预测出的用户的业务执行方向给用户生成符合用户业务需求的切片网络，切片网络可以给用户提供定制化的服务，且所能实现的功能匹配用户需求的准确性高。

实施例2

基于上述的基于业务行为预测与确定性网络关联模型的构建方法，本发明实施例提供了一种基于业务行为预测与确定性网络关联模型的构建系统，可用于执行上述的基于业务行为预测与确定性网络关联模型的构建方法。基于业务行为预测与确定性网络关联模型的构建方法系统包括四个模块，分别为：

超图生成模块，用于构建业务关联超图：将业务作为业务关联超图的节点，将业务场景作为业务关联超图的超边，针对业务关联超图的每个节点，将与该节点属于同一业务场景的所有节点与该节点组成业务关联超图的一条超边，在业务关联超图中，一条超边对应一个业务场景，为业务关联超图中的每个节点和每条超边定义权重。所述节点的坐标为节点对应的业务的生命周期及所需的功能。

超图生成模块还用于构建网络切片超图：将网络切片作为网络切片超图的节点，将网络基础设备作为网络切片超图的超边，针对网络切片超图的每个节点，将与该节点共享同一个网络基础设备进行信息转发的所有节点组成网络切片超图的一条超边，在网络切片超图中，一条超边对应一个网络基础设备，为网络切片超图中的每个节点和每条超边定义权重。

训练模块，用于训练第一注意力模型：获得第一训练数据和第二训练数据，第一训练数据包括业务场景信息、业务所需的功能信息和业务所需的性能指标信息，第二训练数据包括网络切片的模态信息、虚拟化网络功能信息和虚拟化网络资源信息，将第一训练数据输入第一RNN，第一RNN产生一个输出向量和一个隐藏状态向量，将第二训练数据输入第二RNN，第二RNN产生一个输出向量和一个隐藏状态向量，若第一RNN产生的输出向量与第二RNN产生的输出向量之间的损失值大于设定值，将第二RNN产生的输出向量与第一RNN产生的隐藏状态向量连接成第一注意力向量，将第一RNN产生的输出向量与第二RNN产生的隐藏状态向量连接成第二注意力向量，获得第一注意力向量与第二注意力向量的相似指数，基于所述相似指数更新所述第一RNN的输入权重和第二RNN的输入权重，再重新将第一训练数据输入第一RNN，将第二训练数据输入第二RNN，直到第一RNN产生的输出向量与第二RNN产生的输出向量之间的损失值小于或者等于设定值，确定第一RNN和第二RNN训练结束；第一RNN和第二RNN训练结束后，第一RNN的权重矩阵为第一输入权重矩阵，第二RNN的权重矩阵为第二输入权重矩阵。

构建模型模块，用于基于第一输入权重矩阵、第二输入权重矩阵、业务关联超图和网络切片超图，获得基于业务行为预测与确定性网络关联模型。

关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3

本发明实施例提供了一种基于业务行为预测与确定性网络关联模型，基于业务行为预测与确定性网络关联模型的其中一种模型结构如图2所示。业务行为预测与确定性网络关联模型用于根据用户的业务需求生成可以为用户提供定制化服务的网络切片。基于业务行为预测与确定性网络关联模型的获得方式为上述基于业务行为预测与确定性网络关联模型的构建方法。

实施例4

在获得了上述的基于业务行为预测与确定性网络关联模型后，本发明实施例提供了一种基于业务行为预测与确定性网络关联模型的业务推荐方法，包括如图3所示的步骤。结合图3，所述业务行为预测与确定性网络关联模型的业务推荐包括：

S201：获得用户的业务需求信息。其中，业务需求信息包括业务场景信息、业务所需的功能信息和业务所需的性能指标信息。可选的，业务需求信息还可以包括其他的信息，例如设备、网络切片生命周期、性能信息、资源数量信息等。

S202：将用户需求信息作为基于业务行为预测与确定性网络关联模型的输入，基于业务行为预测与确定性网络关联模型输出与用户需求信息匹配的网络切片。

S203：将网络切片推荐给用户。

其中，网络切片用于给所述用户提供匹配所述用户业务需求的服务。网络切片是一种按需组网的方式，可以让运营商在统一的基础设施上分离出多个虚拟的端到端网络，每个网络切片从无线接入网到承载网再到核心网上进行逻辑隔离，以适配各种各样类型的应用。在一个网络切片中，至少可分为无线网子切片、承载网子切片和核心网子切片三部分。为此，可以说网络切片代表了业务。给用户推荐网络切片，即给用户推荐了与用户的业务需求匹配度高的业务实现方式，也是给用户推荐为了完成用户的业务需求的业务。采用以上方案，推荐的准确性高，可靠性高。

在本发明实施例中，将网络切片推荐给用户的具体实施方式可以是：直接将网络切片推送到用户端。

通过采用以上方案，对业务意愿（可以用业务需求、业务选择可能性、业务执行方向预测表征业务意愿）具有多场景性、模糊性、抽象性，网络拓扑（网络切切片）具有动态性、网络功能具有多模态性、网络资源异构跨域性，提出的基于业务行为预测与确定性网络关联模型能够精准自动获取业务需求，也能够把业务需求与网络切片精准关联，还能够基于业务需求自动生成网络切片，并将该网络切片推荐给用户。

实施例5

基于上述的基于业务行为预测与确定性网络关联模型的业务推荐方法，本发明实施例提供了一种基于业务行为预测与确定性网络关联模型的业务推荐系统，可用于执行上述的基于业务行为预测与确定性网络关联模型的业务推荐方法。基于业务行为预测与确定性网络关联模型的业务推荐系统包括：

获取模块，用于获得用户的业务需求信息。其中，业务需求信息包括业务场景信息、业务所需的功能信息和业务所需的性能指标信息。

切片生成模块，用于将用户需求信息作为基于业务行为预测与确定性网络关联模型的输入，基于业务行为预测与确定性网络关联模型输出与用户需求信息匹配的网络切片。

推荐模块，用于将网络切片推荐给用户。具体的，可以直接将生成的网络切片推送到用户端。

实施例6

本发明实施例还提供了一种电子设备，如图4所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述的基于业务行为预测与确定性网络关联模型的构建方法、基于业务行为预测与确定性网络关联模型的业务推荐方法的任一方法的步骤。

其中，在图4中，总线架构（用总线500来代表），总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种基于业务行为预测与确定性网络关联模型的构建方法、基于业务行为预测与确定性网络关联模型的业务推荐方法的任一方法的步骤以及上述的所涉及的数据。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括摘要和附图）中公开的特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

在本发明实施例中，单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种基于业务行为预测与确定性网络关联模型，其特征在于，所述基于业务行为预测与确定性网络关联模型通过下述的基于业务行为预测与确定性网络关联模型的构建方法获得，所述基于业务行为预测与确定性网络关联模型的构建方法包括：

构建业务关联超图：将业务作为业务关联超图的节点，将业务场景作为业务关联超图的超边；针对业务关联超图的每个节点，以业务关联超图中的任意一个节点作为第一目标节点，将与所述第一目标节点属于同一业务场景的所有节点与所述第一目标节点组成业务关联超图的一条超边，在业务关联超图中，一条超边对应一个业务场景；为业务关联超图中的每个节点和每条超边定义权重；所述节点的坐标为节点对应的业务的生命周期及所需的功能；

构建网络切片超图：将网络切片作为网络切片超图的节点，将网络基础设备作为网络切片超图的超边；针对网络切片超图的每个节点，以网络切片超图中的任意一个节点作为第二目标节点，将与所述第二目标节点共享同一个网络基础设备进行信息转发的所有节点与所述第二目标节点组成网络切片超图的一条超边，在网络切片超图中，一条超边对应一个网络基础设备；为网络切片超图中的每个节点和每条超边定义权重；

训练第一注意力模型：获得第一训练数据和第二训练数据，第一训练数据包括业务场景信息、业务所需的功能信息和业务所需的性能指标信息，第二训练数据包括网络切片的模态信息、虚拟化网络功能信息和虚拟化网络资源信息；将第一训练数据输入第一RNN，第一RNN产生一个输出向量和一个隐藏状态向量，将第二训练数据输入第二RNN，第二RNN产生一个输出向量和一个隐藏状态向量；若第一RNN产生的输出向量与第二RNN产生的输出向量之间的损失值大于设定值，将第二RNN产生的输出向量与第一RNN产生的隐藏状态向量连接成第一注意力向量，将第一RNN产生的输出向量与第二RNN产生的隐藏状态向量连接成第二注意力向量；获得第一注意力向量与第二注意力向量的相似指数，基于所述相似指数更新所述第一RNN的输入权重和第二RNN的输入权重，再重新将第一训练数据输入第一RNN，将第二训练数据输入第二RNN，直到第一RNN产生的输出向量与第二RNN产生的输出向量之间的损失值小于或者等于设定值，确定第一RNN和第二RNN训练结束；第一RNN和第二RNN训练结束后，第一RNN的权重矩阵为第一输入权重矩阵，第二RNN的权重矩阵为第二输入权重矩阵；

基于第一输入权重矩阵、第二输入权重矩阵、业务关联超图和网络切片超图，获得基于业务行为预测与确定性网络关联模型。

2.根据权利要求1所述的基于业务行为预测与确定性网络关联模型，其特征在于，基于业务行为预测与确定性网络关联模型包括第一GCN、第二GCN和前馈神经网络，第一GCN与第二GCN的输出之间通过联合函数连接，前馈神经网络的输入为第一GCN的输出和/或第一GCN的输出；所述基于第一输入权重矩阵、第二输入权重矩阵、业务关联超图和网络切片超图，获得基于业务行为预测与确定性网络关联模型，包括：

将业务关联超图作为第一GCN的输入，将网络切片超图作为第二GCN的输入，将第一GCN的输出和第二GCN的输出作为联合函数的输入，通过联合函数计算第一GCN的输出与第二GCN的输出的关联度；若关联度小于预设值，将第一GCN的输出作为前馈神经网络的输入，向前反馈至第一GCN的输入，结合第一输入权重矩阵与关联度调整第一GCN的权值矩阵，将第二GCN的输出作为前馈神经网络的输入，向前反馈至第二GCN的输入，结合第二输入权重矩阵与关联度调整第二GCN的权值矩阵；再将业务关联超图作为调整权值矩阵后的第一GCN的输入，将网络切片超图作为调整权值矩阵后第二GCN的输入，再过联合函数计算第一GCN的输出与第二GCN的输出的关联度，直到关联度大于或者等于预设值，停止训练第一GCN和第二GCN，得到基于业务行为预测与确定性网络关联模型。

3.根据权利要求1所述的基于业务行为预测与确定性网络关联模型，其特征在于，基于第一输入权重矩阵、第二输入权重矩阵、业务关联超图和网络切片超图，获得基于业务行为预测与确定性网络关联模型，包括：

将第一输入权重矩阵和第二输入权重矩阵进行拼接，得到关联矩阵；

基于拼接矩阵分别调整业务关联超图的超边权重矩阵和网络切片超图的超边权重矩阵，分别得到调整业务超边权重矩阵和调整切片超边权重矩阵；

将所述业务关联超图和网络切片超图进行融合，获得融合超图；融合超图中包含多条超边，每条超边设置有权值；

基于调整业务超边权重矩阵和调整切片超边权重矩阵调整融合超图的初始权值矩阵，得到融合权值矩阵；

基于融合权值矩阵，优化融合超图，得到基于业务行为预测与确定性网络关联模型。

4.根据权利要求3所述的基于业务行为预测与确定性网络关联模型，其特征在于，基于拼接矩阵分别调整业务关联超图的超边权重矩阵和网络切片超图的超边权重矩阵，分别得到调整业务超边权重矩阵和调整切片超边权重矩阵，包括：

获得拼接矩阵中的元素的权重的均值，若拼接矩阵中的元素的权重小于所述均值，将所述拼接矩阵中的元素的取值设置为0，若拼接矩阵中的元素的权重大于或者等于所述均值，将所述拼接矩阵中的元素的取值设置为1，将更新取值后的拼接矩阵作为关联矩阵；

将关联矩阵的维度进行第一次扩展或者缩减，得到第一权重调整矩阵，第一权重调整矩阵可与业务关联超图的超边权重矩阵进行矩阵乘积操作；

将第一权重调整矩阵与业务关联超图的超边权重矩阵进行矩阵乘积操作，得到调整业务超边权重矩阵；

将关联矩阵的维度进行第二次扩展或者缩减，得到第二权重调整矩阵，第二权重调整矩阵可与网络切片超图的超边权重矩阵进行矩阵乘积操作；

将第二权重调整矩阵与网络切片超图的超边权重矩阵进行矩阵乘积操作，得到调整切片超边权重矩阵。

5.根据权利要求4所述的基于业务行为预测与确定性网络关联模型，其特征在于，将所述业务关联超图和网络切片超图进行融合，获得融合超图，包括：

针对特定的业务场景，以业务作为初始对齐超图的节点，将网络切片作为初始对齐超图的超边；针对初始对齐超图的节点，将与该节点可在同一个网络切片下实现业务功能的所有业务组成初始对齐超图的超边；每条超边设置有权值；多条边对应有多个权值，多个权值构成初始对齐超图的初始权值矩阵；

将业务关联超图与初始对齐超图进行矩阵乘积操作，获得中间超图；

将中间超图与网络切片超图进行矩阵乘积操作，获得融合超图。

6.根据权利要求5所述的基于业务行为预测与确定性网络关联模型，其特征在于，基于调整业务超边权重矩阵和调整切片超边权重矩阵调整融合超图的初始权值矩阵，得到融合权值矩阵，包括：

将调整业务超边权重矩阵和调整切片超边权重矩阵进行矩阵乘积操作，得到调整矩阵；

以调整矩阵作为卷积核，对初始权值矩阵进行卷积操作，得到融合权值矩阵。

7.根据权利要求6所述的基于业务行为预测与确定性网络关联模型，其特征在于，基于调整后的融合权值矩阵，优化融合超图，得到基于业务行为预测与确定性网络关联模型，包括：

若融合边权重矩阵中的权值元素的值为0，删除掉所述权值元素对应的超边，获得基于业务行为预测与确定性网络关联模型。

8.根据权利要求1所述的基于业务行为预测与确定性网络关联模型，其特征在于，获得第一注意力向量与第二注意力向量的相似指数，包括：

获得第一注意力向量与第二注意力向量之间的夹角的余弦函数，以所述余弦函数作为第一注意力向量与第二注意力向量的相似指数。

9.根据权利要求1所述的基于业务行为预测与确定性网络关联模型，其特征在于，以第一注意力向量与第二注意力向量的相似指数的倒数作为第一RNN产生的输出向量与第二RNN产生的输出向量之间的损失值。

10.一种基于业务行为预测与确定性网络关联模型的业务推荐方法，其特征在于，所述基于业务行为预测与确定性网络关联模型的业务推荐方法包括：

获得用户的业务需求信息；业务需求信息包括业务场景信息、业务所需的功能信息和业务所需的性能指标信息；

将所述用户需求信息作为通过上述权利要求1-9任意一条权利要求所述的方法获得的基于业务行为预测与确定性网络关联模型的输入，基于业务行为预测与确定性网络关联模型生成所述用户需求信息匹配的网络切片；

将所述网络切片推荐给所述用户，所述网络切片用于给所述用户提供匹配所述用户业务需求的服务。

Images