CN116321244B - N3IWFs/TNGFs的详细信息时效性设置方法、计算机装置和存储介质 - Google Patents
N3IWFs/TNGFs的详细信息时效性设置方法、计算机装置和存储介质 Download PDFInfo
- Publication number
- CN116321244B CN116321244B CN202310077184.0A CN202310077184A CN116321244B CN 116321244 B CN116321244 B CN 116321244B CN 202310077184 A CN202310077184 A CN 202310077184A CN 116321244 B CN116321244 B CN 116321244B
- Authority
- CN
- China
- Prior art keywords
- time
- timeliness
- information
- detailed information
- tngfs
- 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 42
- 230000032683 aging Effects 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 7
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 24
- 238000004590 computer program Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 4
- 230000036962 time dependent Effects 0.000 description 3
- 230000001550 time effect Effects 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种N3IWFs/TNGFs的详细信息时效性设置方法、计算机装置及存储介质,包括将用户终端的地址信息输入训练好的时间序列预测模型,获取时间序列预测模型输出的时效性预测结果信息,其中时效性预测结果信息表示详细信息在未来一段时间内的时效性,根据时效性预测结果信息,设置N3IWFs/TNGFs的详细信息的时效等步骤。本发明能够使用时间序列预测模型,预测非3GPP接入时,给用户设备UE提供的关于N3IWF/TNGF的详细信息的时效性,使得用户设备UE能够适当利用有效的关于N3IWF/TNGF的详细信息进行非3GPP接入,从而提升非3GPP的接入效率与安全性。本发明广泛应用于通信技术领域。
Description
技术领域
本发明涉及通信技术领域,尤其是一种N3IWFs/TNGFs的详细信息时效性设置方法、计算机装置及存储介质。
背景技术
随着先进通信技术迅速发展,通信网络的服务覆盖区域逐渐扩大,用户数量正相继增加,通信核心网对多种接入方式的需求愈加提升。以5G通信网络为例,核心网允许的接入方式包括3GPP接入、非3GPP授信接入、非3GPP非授信接入等。
在进行非3GPP授信接入、非3GPP非授信接入(统称为非3GPP接入)时,如何确定哪些信息数据提供给UE来选择接入的N3IWFs/TNGFs是需要解决的问题,同时,这些提供给用户设备的信息数据的时效性又该如何确定是需要解决的其二问题。由于目前的相关技术无法确定提供给用户设备来辅助选择接入的N3IWFs/TNGFs信息数据的时效性,导致无法保证非3GPP接入的高效性与安全性。
术语解释:
N3WIF:Non-3GPP InterWorking Function,非3GPP互通功能;
TNGF:Trusted Non-3GPP Gateway Funtion,授信非3GPP网关功能;
AMF:Access and Mobility Management Function,接入和移动性管理功能;
3GPP:3rd Generation Partnership Project,第三代合作伙伴计划;
UE:User Equipment,用户设备;
RAN:Radio Access Network,无线接入网络;
AF:Application Function,应用功能;
SMS:Short Message Service,短消息业务;
SMSF:Short Message Service Function,短消息服务功能;
NSAG:Network Slice AS Group,网络切片接入层组;
S-NSSAI:Single Network Slice Selection Assistance Information,单个网络切片选择辅助信息;
DNN:Data Network Name,数据网络名;
NWDAF:Network Data Analytics Function,网络数据分析功能;
PLMN:Public Land Mobile Network,公共陆地移动网;
LSTM:Long Short-Term Memory,长短期记忆,在深度学习算法方面,LSTM是一种递归神经网络,可以学习和预测时间序列,通过迭代训练以得到最优模型,这个算法主要用于文本生成、机器翻译、语音识别、生成图像描述、视频标记、时序预测等任务。
发明内容
针对目前的相关技术无法确定提供给用户设备来辅助选择接入的N3IWFs/TNGFs信息数据的时效性,导致无法保证非3GPP接入的高效性与安全性等技术问题,本发明的目的在于提供一种N3IWFs/TNGFs的详细信息时效性设置方法、计算机装置及存储介质。
一方面,本发明实施例包括一种N3IWFs/TNGFs的详细信息时效性设置方法,包括:
加载训练好的时间序列预测模型;
将用户终端的地址信息输入所述时间序列预测模型,获取所述时间序列预测模型输出的时效性预测结果信息;所述时效性预测结果信息用于表示N3IWFs/TNGFs的详细信息在未来一段时间内的时效性;
根据所述时效性预测结果信息,设置所述N3IWFs/TNGFs的详细信息的时效。
进一步地,所述N3IWFs/TNGFs的详细信息时效性设置方法还包括:
获取训练好的所述时间序列预测模型。
进一步地,所述获取训练好的所述时间序列预测模型,包括:
建立LSTM模型作为所述时间序列预测模型;
获取所述N3IWFs/TNGFs的详细信息的若干个历史时效时间序列,以及各所述历史时效时间序列各自对应的地址信息;所述历史时效时间序列表示相应的所述地址信息所标记的用户终端,在若干个历史时刻下对应所述N3IWFs/TNGFs的详细信息的有效性;
划分训练数据和测试数据;所述训练数据包括一部分所述历史时效时间序列以及相应的所述地址信息,所述测试数据包括另一部分所述历史时效时间序列以及相应的所述地址信息;
使用所述训练数据对所述LSTM模型进行训练;
使用所述测试数据对所述LSTM模型进行测试调参。
进一步地,所述使用所述训练数据对所述LSTM模型进行训练,包括:
将所述训练数据中的每个所述地址信息,以及相应的所述历史时效时间序列的在前部分作为所述LSTM模型的输入信息,以及所述历史时效时间序列的在后部分作为所述LSTM模型的预期输出信息;
根据所述LSTM模型对所述输入信息进行处理得到的实际输出信息,与相应的所述预期输出信息之间的损失值,调整所述LSTM模型的网络参数。
进一步地,所述根据所述时效性预测结果信息,设置所述N3IWFs/TNGFs的详细信息的时效,包括:
确定所述时效性预测结果信息所对应的未来一段时间内的若干个未来时刻;
根据所述时效性预测结果信息,确定所述N3IWFs/TNGFs的详细信息在各所述未来时刻的有效性的量化表示值;
设置各所述未来时刻各自所对应的时长权重;
根据各所述量化表示值和各所述时长权重,确定所述N3IWFs/TNGFs的详细信息在未来一段时间内的有效时长。
进一步地,所述设置各所述未来时刻各自所对应的时长权重,包括:
对最接近当前时刻的所述未来时刻设置初始时长权重;
对其他所述未来时刻设置时长权重;其中,任一所述未来时刻对应的时长权重,与该未来时刻与当前时刻的时长负相关,且均小于所述初始时长权重。
进一步地,所述对最接近当前时刻的所述未来时刻设置初始时长权重,包括:
获取所述N3IWFs/TNGFs的详细信息在当前时刻之前的有效时长;
确定各所述未来时刻的总数;
根据各所述未来时刻的总数,对所述N3IWFs/TNGFs的详细信息在当前时刻之前的有效时长求平均值;
以所述平均值作为所述初始时长权重。
进一步地,所述根据各所述量化表示值和各所述时长权重,确定所述N3IWFs/TNGFs的详细信息在未来一段时间内的有效时长,包括:
以所述时长权重,作为对应同一所述未来时刻的所述量化表示值的权重,对各所述量化表示值进行加权求和;
以所述加权求和的结果,作为所述N3IWFs/TNGFs的详细信息在未来一段时间内的有效时长。
另一方面,本发明实施例还包括一种计算机装置,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行实施例中的N3IWFs/TNGFs的详细信息时效性设置方法。
另一方面,本发明实施例还包括一种存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行实施例中的N3IWFs/TNGFs的详细信息时效性设置方法。
本发明的有益效果是:实施例中的N3IWFs/TNGFs的详细信息时效性设置方法,能够使用时间序列预测模型,预测非3GPP接入时,给用户设备UE提供的关于N3IWF/TNGF的详细信息的时效性,使得用户设备UE能够适当利用有效的关于N3IWF/TNGF的详细信息进行非3GPP接入,从而提升非3GPP的接入效率与安全性。
附图说明
图1为实施例中N3IWFs/TNGFs的详细信息时效性设置方法的步骤示意图;
图2为实施例中所使用的LSTM模型的原理示意图;
图3为实施例中N3IWFs/TNGFs的详细信息时效性设置方法的流程示意图。
具体实施方式
本实施例中,参照图1,N3IWFs/TNGFs的详细信息时效性设置方法包括以下步骤:
S1.加载训练好的时间序列预测模型;
S2.将用户终端的地址信息输入时间序列预测模型,获取时间序列预测模型输出的时效性预测结果信息;
S3.根据时效性预测结果信息,设置N3IWFs/TNGFs的详细信息的时效。
本实施例中,在执行步骤S1-S3之前,还执行获取训练好的时间序列预测模型的步骤。该步骤具体包括:
P1.建立LSTM模型作为时间序列预测模型;
P2.获取N3IWFs/TNGFs的详细信息的若干个历史时效时间序列,以及各历史时效时间序列各自对应的地址信息;历史时效时间序列表示相应的地址信息所标记的用户终端,在若干个历史时刻下对应N3IWFs/TNGFs的详细信息的有效性;
P3.划分训练数据和测试数据;训练数据包括一部分历史时效时间序列以及相应的地址信息,测试数据包括另一部分历史时效时间序列以及相应的地址信息;
P4.使用训练数据对LSTM模型进行训练;
P5.使用测试数据对LSTM模型进行测试调参。
步骤P1中,使用LSTM模型,作为本实施例中要使用的时间序列预测模型。LSTM模型的原理如图2所示。参照图2,LSTM模型包括输入模块、LSTM算法模块和输出模块。各个模块功能如下:
输入模块:提供数据输入到算法前的预处理功能,包含数据预处理、归一化。数据通过UE设置的锚点进行采集,采集提供给UE的关于N3IWFs/TNGFs的详细信息的时效(按时间序列的),采集UE的IP地址(按时间序列的),数据形式如表1。采集后的数据进行数据预处理,归一化后作为输入到LSTM算法模块中。
LSTM算法模块:提供对关于N3IWFs/TNGFs的详细信息时效预测功能,通过学习采集的关于N3IWFs/TNGFs的详细信息的历史时效,预测下一时刻的详细信息的时效。具体的LSTM算法:
输入门——负责处理当前序列位置的输入,确定在细胞状态中保存哪些新信息,这里分成两部分,第一部分使用了sigmoid激活函数,输出为It;第二部分,使用了tanh激活函数,输出为两者结果后面会相乘再取更新细胞状态。
It=σ(Wi·[ht-1,xt]+bi)
遗忘门——决定从细胞状态重舍弃哪些信息,即以一定的概率控制是否遗忘上一层的隐藏细胞状态。输入有上一序列的隐藏状态ht-1和本序列数据xt,通过一个激活函数,一般是sigmoid,得到遗忘门的输出ft,由于sigmoid的输出再[0,1]之间,因此这里的输出ft代表了遗忘上一层隐藏细胞状态的概率,即:
ft=σ(Wf·[ht-1,xt]+bf)
输出门——确定输出值,输出依赖于细胞状态,隐藏状态ht的更新由两部分组成,第一部分是ot,由上一序列的隐藏状态ht-1和本序列数据xt,以及激活函数sigmoid得到,第二部分由隐藏状态Ct和tanh激活函数组成,即:
ot=σ(Wo[ht-1,xt]+bo
ht=ot*tanh(Ct)
细胞状态更新——前面的遗忘门与输入门的结果都会作用于细胞状态细胞状态/>是由两部分组成,第一部分是Ct-1与遗忘门输出的ft的乘积,第二部分是输入门的it与的乘积,其中“*”为hadamard积,即:
·xt表示时间步t的输入
·ht表示时间步t的hidden状态
·ht-1,ct-1分别表示前一个时间步的hidden和cell状态
·表示候选的cell状态
·It,ft和ot分别为输入门,遗忘门,输出门
·W表示权重(例如,Wix是在计算输入门it时,对输入xt做线性变换的权重weight)
·b表示偏差(例如,bi是输入门的偏差bias)
·σ表示门的非线性激活函数,默认为sigmoid
输出模块:提供LSTM算法预测结果的输出展示功能,包括模型再训练、数据复用的操作。
步骤P2中,获取N3IWFs/TNGFs的详细信息的若干个历史时效时间序列,以及各历史时效时间序列各自对应的地址信息。
表1
本实施例中,N3IWFs/TNGFs的详细信息的若干个历史时效时间序列,以及各历史时效时间序列各自对应的地址信息的格式如表1所示。
参照表1,以其中的第一行数据为例,用户终端IP地址信息192.168.xxx.1可以标记唯一的用户终端UE,每个用户终端UE对应的1、1、0……1、0、0等形成一个历史时效时间序列,表示历史时刻T0下N3IWFs/TNGFs的详细信息有效、历史时刻T1下N3IWFs/TNGFs的详细信息有效、历史时刻T2下N3IWFs/TNGFs的详细信息无效……历史时刻Tn-2下N3IWFs/TNGFs的详细信息有效、历史时刻Tn-1下N3IWFs/TNGFs的详细信息无效、历史时刻Tn下N3IWFs/TNGFs的详细信息无效。
步骤P3中,将这些历史时效时间序列以及相应的地址信息划分为训练数据data_train和测试数据data_test。其中,训练数据data_train包括一部分历史时效时间序列以及相应的地址信息,测试数据data_test包括另一部分历史时效时间序列以及相应的地址信息。
步骤P4中,使用训练数据data_train对LSTM模型进行训练。步骤P5中,使用测试数据data_test对LSTM模型进行测试调参。
具体地,在执行步骤P4,也就是使用训练数据data_train对LSTM模型进行训练这一步骤时,可以执行以下步骤:
P401.将训练数据中的每个地址信息,以及相应的历史时效时间序列的在前部分作为LSTM模型的输入信息,以及历史时效时间序列的在后部分作为LSTM模型的预期输出信息;
P402.根据LSTM模型对输入信息进行处理得到的实际输出信息,与相应的预期输出信息之间的损失值,调整LSTM模型的网络参数。
步骤P401中,以表1中的第一行数据为例,可以将IP地址信息“192.168.xxx.1”对应的历史时效时间序列“1、1、0……1、0、0”划分成在前部分“1、1、0……1”(对应T0、T1……Tn-2等历史时刻)和在后部分“0、0”(对应Tn-1、Tn等历史时刻)两部分,以IP地址信息“192.168.xxx.1”和在前部分“1、1、0……1”组成LSTM模型的输入信息,输入至LSTM模型,由LSTM模型进行处理。
步骤P402中,获取LSTM模型对“192.168.xxx.1”和“1、1、0……1”等输入信息进行处理得到的实际输出信息,根据实际输出信息和在后部分“0、0”(预期输出信息)计算损失值。当损失值大于预设范围,则对LSTM模型进行反向传播等处理,从而对LSTM模型的网络参数权重进行训练;当损失值小于预设范围,则结束对LSTM模型的训练。
通过执行步骤P1-P5,获得训练好的LSTM模型,可以作为时间序列预测模型Model1,用来执行N3IWFs/TNGFs的详细信息时效性设置方法。
在执行步骤S1-S3时,可以按照图3所示的流程进行。
参照图3,在执行步骤S1-S3之前,用户设备UE在PLMN中选择一个PLMN和一个N3IWF。选择流程按照TS 23.501中指定,不考虑任何切片信息。用户设备UE启动初始注册程序,该程序可以按照TS 23.502[3]第4.12.2.2条步骤第1-11(非授信的非3GPP访问)和第4.12a.2.2条步骤第1-14(授信的非3gpp访问)中所述进行。
参照图3,执行步骤S1时,将训练好的LSTM模型Model1部署在核心网中的NWDAF网元上。
参照图3,执行步骤S2时,核心网中的AMF网元获取用户设备UE的IP地址信息,将IP地址信息发送给NWDAF网元运行的LSTM模型Model1,请求LSTM模型Model1进行预测。
执行步骤S2时,向LSTM模型Model1输入用户设备UE的IP地址信息,得到模型预测的下一单位时间序列的时效性预测结果信息Result1。
时效性预测结果信息用于表示N3IWFs/TNGFs的详细信息在未来一段时间内的时效性。例如,LSTM模型Model1对用户设备UE的IP地址信息进行处理,可能输出格式如表2所示的时效性预测结果信息。
表2
以表2中的第一行数据为例,LSTM模型Model1对用户设备UE的IP地址信息“192.168.xxx.7”进行处理,输出的时效性预测结果信息Result1可以表示为“1、1、0”,其含义可以是在未来一段时间内,N3IWFs/TNGFs的详细信息将依次为有效、有效、无效。具体地,在未来一段时间内的Tn+1这一未来时刻,N3IWFs/TNGFs的详细信息的有效性的量化表示值为1,即N3IWFs/TNGFs的详细信息在Tn+1这一未来时刻为有效;在Tn+2这一未来时刻,N3IWFs/TNGFs的详细信息的有效性的量化表示值为1,即N3IWFs/TNGFs的详细信息在Tn+2这一未来时刻为有效;在未来一段时间内的Tn+3这一未来时刻,N3IWFs/TNGFs的详细信息的有效性的量化表示值为0,即N3IWFs/TNGFs的详细信息在Tn+3这一未来时刻为无效。
步骤S3中,NWDAF网元可以将执行步骤S2所得到的时效性预测结果信息发送至AMF网元,AMF网元向用户设备UE发送注册接受消息,并包含关于目标N3IWF的详细信息。N3IWF信息可以包含关于N3IWF和每个N3IWF支持的S-NSSAI的信息。同时,基于时效性预测结果信息Result1来设置该信息的时效。具体地,AMF网元将时效性预测结果信息转发给各个N3IWFs/TNGFs,各个N3IWFs/TNGFs收到某一用户设备的IP地址信息对应的时效性预测结果信息Result1,基于时效性预测结果信息Result1,设置N3IWFs/TNGFs的详细信息转发给用户设备UE时的有效时间。
例如,以表2中的第一行数据为例,对于IP地址信息为“192.168.xxx.7”的用户设备UE,预测N3IWFs/TNGFs的详细信息在未来时刻Tn+1为有效,可以在未来时刻Tn+1时将N3IWFs/TNGFs的详细信息转发给用户设备UE。
本实施例中,通过执行步骤S1-S3,能够使用时间序列预测模型,预测非3GPP接入时,给用户设备UE提供的关于N3IWF/TNGF的详细信息的时效性,使得用户设备UE能够适当利用有效的关于N3IWF/TNGF的详细信息进行非3GPP接入,从而提升非3GPP的接入效率与安全性。
本实施例中,在执行步骤S3,也就是根据时效性预测结果信息,设置N3IWFs/TNGFs的详细信息的时效这一步骤时,具体可以执行以下步骤:
S301.确定时效性预测结果信息所对应的未来一段时间内的若干个未来时刻;
S302.根据时效性预测结果信息,确定N3IWFs/TNGFs的详细信息在各未来时刻的有效性的量化表示值;
S303.设置各未来时刻各自所对应的时长权重;
S304.根据各量化表示值和各时长权重,确定N3IWFs/TNGFs的详细信息在未来一段时间内的有效时长。
步骤S301中,参照表2,LSTM模型Model1输出的时效性预测结果信息Result1,可以表示为对Tn+1、Tn+2和Tn+3等若干个未来时刻的详细信息有效性进行预测的结果。
步骤S302中,参照表2,LSTM模型Model1输出的时效性预测结果信息Result1,其量化表示值包括1和0,其中1表示信息有效,0表示信息无效。例如,表2中对于IP地址信息为“192.168.xxx.7”的用户设备UE,预测N3IWFs/TNGFs的详细信息在未来时刻Tn+1、Tn+2和Tn+3对应的量化表示值分别为1、1、0,表示预测N3IWFs/TNGFs的详细信息在未来时刻Tn+1、Tn+2和Tn+3时的有效性分别为有效、有效、无效。
步骤S303中,设置各未来时刻各自所对应的时长权重。本实施例中,如果当前时刻为Tn,那么Tn+1是最接近当前时刻的未来时刻,可以先对未来时刻Tn+1设置初始时长权重。初始时长权重可以是一个固定值,也可以先统计出N3IWFs/TNGFs的详细信息在当前时刻Tn之前的持续有效时长tt,由于预测了Tn+1、Tn+2和Tn+3等3个未来时刻,即未来时刻的总数为3,可以求取持续有效时长tt的平均数tt/3,作为初始时长权重,也就是对未来时刻Tn+1设置时长权重为t1=tt/3。
步骤S303中,对未来时刻Tn+2设置时长权重为t2,对未来时刻Tn+3设置时长权重为t3,并且满足t1>t2>t3。具体地,可以根据t2=(1/2)t1、t3=(1/2)t2等指数规律或者等差等规律递减。通过设置逐个递减的时长权重,可以使得离当前时刻越接近的未来时刻的时长权重影响越大,符合预测算法对越接近的时刻的预测结果越准确的规律。
本实施例中,在执行步骤S304,也就是根据各量化表示值和各时长权重,确定N3IWFs/TNGFs的详细信息在未来一段时间内的有效时长这一步骤时,具体可以执行以下步骤:
S30401.以时长权重,作为对应同一未来时刻的量化表示值的权重,对各量化表示值进行加权求和;
S30402.以加权求和的结果,作为N3IWFs/TNGFs的详细信息在未来一段时间内的有效时长。
步骤S30401中,以表2中的第一行数据为例,对于IP地址信息为“192.168.xxx.7”的用户设备UE,其在Tn+1、Tn+2和Tn+3等3个未来时刻的量化表示值分别为1、1、0,Tn+1、Tn+2和Tn+3等3个未来时刻的权重分别为t1、t2、t3,因此加权求和的结果为1×t1+1×t2+0×t3=t1+t2;以表2中的第二行数据为例,对于IP地址信息为“192.168.xxx.8”的用户设备UE,其在Tn+1、Tn+2和Tn+3等3个未来时刻的量化表示值分别为0、1、1,Tn+1、Tn+2和Tn+3等3个未来时刻的权重分别为t1、t2、t3,因此加权求和的结果为0×t1+1×t2+1×t3=t2+t3。
本实施例中,执行步骤S301-S304的原理在于,根据N3IWFs/TNGFs的详细信息在若干个具体未来时刻的时效性预测结果,能够估计出N3IWFs/TNGFs的详细信息在未来一段时间内的有效时长,从而能够在进行非3GPP接入时,向用户设备UE提供更多的关于N3IWF/TNGF的详细信息的时效性的信息,有利于提升非3GPP的接入效率与安全性。
可以通过编写执行本实施例中的N3IWFs/TNGFs的详细信息时效性设置方法的计算机程序,将该计算机程序写入至存储介质或者计算机装置中,当计算机程序被读取出来运行时,执行本实施例中的N3IWFs/TNGFs的详细信息时效性设置方法,从而实现与实施例中的N3IWFs/TNGFs的详细信息时效性设置方法相同的技术效果。
需要说明的是,如无特殊说明,当某一特征被称为“固定”、“连接”在另一个特征,它可以直接固定、连接在另一个特征上,也可以间接地固定、连接在另一个特征上。此外,本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。此外,除非另有定义,本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例,而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种元件,但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如,在不脱离本公开范围的情况下,第一元件也可以被称为第二元件,类似地,第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例,并且除非另外要求,否则不会对本发明的范围施加限制。
应当认识到,本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现,其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本实施例描述的过程的操作,除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (8)
1.一种N3IWFs/TNGFs的详细信息时效性设置方法,其特征在于,所述N3IWFs/TNGFs的详细信息时效性设置方法包括:
获取训练好的时间序列预测模型;
加载训练好的时间序列预测模型;
将用户终端的地址信息输入所述时间序列预测模型,获取所述时间序列预测模型输出的时效性预测结果信息;所述时效性预测结果信息用于表示N3IWFs/TNGFs的详细信息在未来一段时间内的时效性;
根据所述时效性预测结果信息,设置所述N3IWFs/TNGFs的详细信息的时效;
所述根据所述时效性预测结果信息,设置所述N3IWFs/TNGFs的详细信息的时效,包括:
确定所述时效性预测结果信息所对应的未来一段时间内的若干个未来时刻;
根据所述时效性预测结果信息,确定所述N3IWFs/TNGFs的详细信息在各所述未来时刻的有效性的量化表示值;
设置各所述未来时刻各自所对应的时长权重;
根据各所述量化表示值和各所述时长权重,确定所述N3IWFs/TNGFs的详细信息在未来一段时间内的有效时长。
2.根据权利要求1所述的N3IWFs/TNGFs的详细信息时效性设置方法,其特征在于,所述获取训练好的所述时间序列预测模型,包括:
建立LSTM模型作为所述时间序列预测模型;
获取所述N3IWFs/TNGFs的详细信息的若干个历史时效时间序列,以及各所述历史时效时间序列各自对应的地址信息;所述历史时效时间序列表示相应的所述地址信息所标记的用户终端,在若干个历史时刻下对应所述N3IWFs/TNGFs的详细信息的有效性;
划分训练数据和测试数据;所述训练数据包括一部分所述历史时效时间序列以及相应的所述地址信息,所述测试数据包括另一部分所述历史时效时间序列以及相应的所述地址信息;
使用所述训练数据对所述LSTM模型进行训练;
使用所述测试数据对所述LSTM模型进行测试调参。
3.根据权利要求2所述的N3IWFs/TNGFs的详细信息时效性设置方法,其特征在于,所述使用所述训练数据对所述LSTM模型进行训练,包括:
将所述训练数据中的每个所述地址信息,以及相应的所述历史时效时间序列的在前部分作为所述LSTM模型的输入信息,以及所述历史时效时间序列的在后部分作为所述LSTM模型的预期输出信息;
根据所述LSTM模型对所述输入信息进行处理得到的实际输出信息,与相应的所述预期输出信息之间的损失值,调整所述LSTM模型的网络参数。
4.根据权利要求1所述的N3IWFs/TNGFs的详细信息时效性设置方法,其特征在于,所述设置各所述未来时刻各自所对应的时长权重,包括:
对最接近当前时刻的所述未来时刻设置初始时长权重;
对其他所述未来时刻设置时长权重;其中,任一所述未来时刻对应的时长权重,与该未来时刻与当前时刻的时长负相关,且均小于所述初始时长权重。
5.根据权利要求4所述的N3IWFs/TNGFs的详细信息时效性设置方法,其特征在于,所述对最接近当前时刻的所述未来时刻设置初始时长权重,包括:
获取所述N3IWFs/TNGFs的详细信息在当前时刻之前的有效时长;
确定各所述未来时刻的总数;
根据各所述未来时刻的总数,对所述N3IWFs/TNGFs的详细信息在当前时刻之前的有效时长求平均值;
以所述平均值作为所述初始时长权重。
6.根据权利要求3-5任一项所述的N3IWFs/TNGFs的详细信息时效性设置方法,其特征在于,所述根据各所述量化表示值和各所述时长权重,确定所述N3IWFs/TNGFs的详细信息在未来一段时间内的有效时长,包括:
以所述时长权重,作为对应同一所述未来时刻的所述量化表示值的权重,对各所述量化表示值进行加权求和;
以所述加权求和的结果,作为所述N3IWFs/TNGFs的详细信息在未来一段时间内的有效时长。
7.一种计算机装置,其特征在于,包括存储器和处理器,所述存储器用于存储至少一个程序,所述处理器用于加载所述至少一个程序以执行权利要求1-6任一项所述的N3IWFs/TNGFs的详细信息时效性设置方法。
8.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行权利要求1-6任一项所述的N3IWFs/TNGFs的详细信息时效性设置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310077184.0A CN116321244B (zh) | 2023-02-01 | 2023-02-01 | N3IWFs/TNGFs的详细信息时效性设置方法、计算机装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310077184.0A CN116321244B (zh) | 2023-02-01 | 2023-02-01 | N3IWFs/TNGFs的详细信息时效性设置方法、计算机装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116321244A CN116321244A (zh) | 2023-06-23 |
CN116321244B true CN116321244B (zh) | 2023-12-15 |
Family
ID=86796859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310077184.0A Active CN116321244B (zh) | 2023-02-01 | 2023-02-01 | N3IWFs/TNGFs的详细信息时效性设置方法、计算机装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116321244B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104584621A (zh) * | 2012-09-28 | 2015-04-29 | 英特尔公司 | 用于减少计算设备的无线重新连接时间的混合场外/现场预测计算 |
CN104704886A (zh) * | 2012-09-28 | 2015-06-10 | 英特尔公司 | 减少计算装置的无线重连时间 |
CN112564760A (zh) * | 2019-09-25 | 2021-03-26 | 诺基亚技术有限公司 | 确定移动非陆地接入节点的覆盖范围可用性估计 |
CN113554180A (zh) * | 2021-06-30 | 2021-10-26 | 北京百度网讯科技有限公司 | 信息预测方法、装置、电子设备及存储介质 |
CN115496175A (zh) * | 2021-06-18 | 2022-12-20 | 中国移动通信集团浙江有限公司 | 新建边缘节点接入评估方法、装置、终端设备及产品 |
CN116170859A (zh) * | 2023-02-27 | 2023-05-26 | 广州爱浦路网络技术有限公司 | 无线接入方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014093921A1 (en) * | 2012-12-13 | 2014-06-19 | Huawei Technologies Co., Ltd. | Methods and systems for admission control and resource availability prediction considering user equipment (ue) mobility |
EP3266259B1 (en) * | 2015-06-04 | 2021-11-10 | Hewlett Packard Enterprise Development LP | Enable access point availability prediction |
-
2023
- 2023-02-01 CN CN202310077184.0A patent/CN116321244B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104584621A (zh) * | 2012-09-28 | 2015-04-29 | 英特尔公司 | 用于减少计算设备的无线重新连接时间的混合场外/现场预测计算 |
CN104704886A (zh) * | 2012-09-28 | 2015-06-10 | 英特尔公司 | 减少计算装置的无线重连时间 |
CN112564760A (zh) * | 2019-09-25 | 2021-03-26 | 诺基亚技术有限公司 | 确定移动非陆地接入节点的覆盖范围可用性估计 |
CN115496175A (zh) * | 2021-06-18 | 2022-12-20 | 中国移动通信集团浙江有限公司 | 新建边缘节点接入评估方法、装置、终端设备及产品 |
CN113554180A (zh) * | 2021-06-30 | 2021-10-26 | 北京百度网讯科技有限公司 | 信息预测方法、装置、电子设备及存储介质 |
CN116170859A (zh) * | 2023-02-27 | 2023-05-26 | 广州爱浦路网络技术有限公司 | 无线接入方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116321244A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3654610B1 (en) | Graphical structure model-based method for prevention and control of abnormal accounts, and device | |
CN106685933B (zh) | 一种授权策略推荐及装置 | |
TWI733217B (zh) | 登入方式的推播、顯示方法、裝置及設備 | |
CN110309874B (zh) | 负样本筛选模型训练方法、数据筛选方法和数据匹配方法 | |
JP2021173987A (ja) | 声紋抽出モデル訓練方法及び声紋認識方法、その装置並びに媒体 | |
CN111190600B (zh) | 基于gru注意力模型的前端代码自动生成的方法及系统 | |
CN109753910B (zh) | 关键点提取方法、模型的训练方法、装置、介质及设备 | |
CN110824587B (zh) | 图像预测方法、装置、计算机设备和存储介质 | |
CN109949103B (zh) | 一种数据处理方法、装置及电子设备 | |
WO2021036397A1 (zh) | 目标神经网络模型的生成方法和装置 | |
CN112925924A (zh) | 多媒体文件的推荐方法、装置、电子设备及存储介质 | |
CN116321244B (zh) | N3IWFs/TNGFs的详细信息时效性设置方法、计算机装置和存储介质 | |
JP2020187734A (ja) | 遺伝モデルに基づきディープニューラルネットワーク(dnn)を訓練することにおけるデータ拡張 | |
CN113782093B (zh) | 一种基因表达填充数据的获取方法及装置、存储介质 | |
CN114926701A (zh) | 一种模型训练方法、目标检测方法、以及相关设备 | |
CN111144243B (zh) | 基于对抗学习的户型图识别方法和装置 | |
CN116721724A (zh) | 合金性能预测方法、装置、存储介质、电子设备及芯片 | |
CN116682518A (zh) | 合金配方确定方法、装置、介质以及电子设备 | |
CN116362348A (zh) | 参数优化方法以及装置 | |
CN108154169A (zh) | 图像处理方法及装置 | |
CN110020728B (zh) | 业务模型强化学习方法以及装置 | |
JP2003525497A (ja) | システムのモデリング方法及びシステムのモデリング装置 | |
CN116861962A (zh) | 一种数据处理方法及装置 | |
CN110457393B (zh) | 信息共享方法及相关产品 | |
CN113238947A (zh) | 一种人机协同的对话系统评测方法及系统 |
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 |