CN116647877B - 一种基于图卷积模型的流量类别验证方法和系统 - Google Patents
一种基于图卷积模型的流量类别验证方法和系统 Download PDFInfo
- Publication number
- CN116647877B CN116647877B CN202310691754.5A CN202310691754A CN116647877B CN 116647877 B CN116647877 B CN 116647877B CN 202310691754 A CN202310691754 A CN 202310691754A CN 116647877 B CN116647877 B CN 116647877B
- Authority
- CN
- China
- Prior art keywords
- graph
- target application
- model
- flow
- terminal
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005096 rolling process Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000010354 integration Effects 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 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 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2441—Traffic characterised by specific attributes, e.g. priority or QoS relying on flow classification, e.g. using integrated services [IntServ]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于图卷积模型的流量类别验证方法和系统。方法包括以下步骤:获取目标应用的历史流量数据;根据目标应用的历史流量数据对图卷积初始模型进行训练,得到能够用于对目标应用的流量类别进行验证的图卷积分类模型;将图卷积分类模型部署至NWDAF网元;将目标应用向终端发送的注册请求转发至NWDAF网元;通过图卷积分类模型对注册请求中的流量类别进行验证,返回验证结果;根据验证结果确定是否接受目标应用的注册请求。本发明通过部署于NWDAF网元的图卷积模型实现应用向终端所请求流量类别的正确性,使得核心网终端能够感知到应用请求了错误的流量类别,避免由于流量类别的错误造成为应用分配不恰当网络承载通道的情况。
Description
技术领域
本发明涉及5G信号传输领域,尤其是一种基于图卷积模型的流量类别验证方法和系统。
背景技术
在4G以前的网络传输中,用户终端的应用数据都是通过同一条默认承载通道传输至运营商基站的;5G中则引入了网络切片概念,网络切片概念是指当应用向终端发送带有流量类别的注册请求后;终端将流量类别匹配URSP规则,根据匹配结果为各种类型的应用分配不同的网络承载通道(即PDU会话),每个通道分别占用不同的延迟、带宽、传播速率,以此实现网络资源的灵活分配。
然而现有的根据URSP规则为应用分配网络承载通道的流程缺乏验证环节,即可能出现由于流量类别的错误造成为应用分配不恰当网络承载通道的情况;造成应用传输数据的卡顿、宕机或是网络资源的浪费;且终端、应用与核心网都无法感知到分配错误的情况,难以进行修正。
发明内容
有鉴于此,本发明实施例提供一种基于图卷积模型的流量类别验证方法和系统。
本发明的第一方面提供了一种基于图卷积模型的流量类别验证方法,包括以下步骤:
获取目标应用的历史流量数据;
根据所述目标应用的历史流量数据对图卷积初始模型进行训练,得到能够用于对所述目标应用的流量类别进行验证的图卷积分类模型;
将所述图卷积分类模型部署至NWDAF网元;
将所述目标应用向终端发送的注册请求转发至NWDAF网元;
通过所述图卷积分类模型对所述注册请求中的流量类别进行验证,返回验证结果;
根据所述验证结果确定是否接受目标应用的注册请求。
进一步地,在所述根据目标应用的历史流量数据对图卷积初始模型进行训练之前,还包括对目标应用的历史流量数据进行预处理的步骤;所述对目标应用的历史流量数据进行预处理,具体包括缺失值处理和数据归一化处理。
进一步地,所述历史流量数据包括目标应用历史请求的流量类别、流量指标、目标应用标识和终端标识;所述流量指标具体包括流量大小、时延和流量速率。
根据权利要求3所述的一种基于图卷积模型的流量类别验证方法,其特征在于,所述根据所述目标应用的历史流量数据对图卷积初始模型进行训练,得到能够用于对所述目标应用的流量类别进行验证的图卷积分类模型,具体包括以下步骤:
将所述目标应用的历史流量数据依预设比例划分为训练集和验证集;
使用所述训练集对所述图卷积初始模型进行训练,得到图卷积中间模型;
使用所述验证集评估所述图卷积中间模型的分类准确率,对所述图卷积中间模型进行迭代优化;当所述图卷积中间模型的分类准确率高于预设准确率标准时,将所述图卷积中间模型作为能够用于对所述目标应用的流量类别进行验证的图卷积分类模型部署至NWDAF网元。
进一步地,所述图卷积初始模型中包括输入模块、主干网络模块、融合模块、预测模块和输出模块;所述图卷积初始模型的训练具体包括以下步骤:
所述输入模块根据所述历史流量数据建立无向拓扑图;所述无向拓扑图中具有以目标应用标识构建的第一节点实体、以终端标识构建的第二节点实体和连接所述第一节点实体、第二节点实体的边;所述边用于表示终端为所述目标应用分配的网络承载通道;
所述主干网络模块对所述无向拓扑图进行基于残差的多层特征提取,得到拓扑图基于顶点域的多个特征;
所述融合模块对所述基于顶点域的多个特征进行融合,得到全局特征;
所述预测模块根据所述全局特征预测所述无向拓扑图中每条边的流量类别,将带有流量类别的无向拓扑图作为图卷积初始模型的分类结果输出。
进一步地,所述无向拓扑图中第一节点实体和第二节点实体具有多个维度,包括关于流量大小的维度、关于时延的维度和关于流量速率的维度;
所述主干网络模块包括堆叠的多个图卷积层,所述基于残差的多层特征提取,具体包括以下步骤:
将无向拓扑图作为所述多个图卷积层的底层输入,在图卷积层中提取输入在节点之间的特征和在维度之间的特征;拟合残差映射F,逐点加法得到该层基于顶点域的特征gl+1;
gl+1=F(gl,wl)+gl=gres l+1+gl
其中,gl+1表示图卷积层的输出,gl表示图卷积层的输入,下一图卷积层的输入为上一图卷积层的输出,第一个图卷积层的输入为所述无向拓扑图;gres l+1表示图卷积层输入与输出间的残差;wl表示l层的可学习参数集;
记录每一层的输出基于顶点域的特征gl+1,输入融合模块进行融合。
进一步地,所述融合模块对所述基于顶点域的多个特征进行融合,具体包括以下步骤:
将每一层基于顶点域的特征进行连接,形成每一层的局部特征;
对所述每一层的局部特征进行卷积操作和最大池化处理,聚合为全局特征。
本发明第二方面提供一种基于图卷积模型的流量类别验证系统,部署于5G核心网的NWDAF网元,包括终端和NWDAF网元;所述终端和NWDAF网元处于同一个5G核心网中;
所述终端用于获取目标应用的历史流量数据,并将所述目标应用的历史流量数据传输至NWDAF网元;
所述NWDAF网元用于根据所述目标应用的历史流量数据对图卷积初始模型进行训练,得到能够用于对所述目标应用的流量类别进行验证的图卷积分类模型;
当目标应用向所述终端发送注册请求时,所述终端将所述目标应用向终端发送的注册请求转发至NWDAF网元;
所述NWDAF网元通过所述图卷积分类模型对所述注册请求中的流量类别进行验证,向所述终端返回验证结果;
所述终端根据所述验证结果确定是否接受目标应用的注册请求。
本发明第三方面公开一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现一种基于图卷积模型的流量类别验证方法。
一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现一种基于图卷积模型的流量类别验证方法。
本发明的实施例具有如下方面有益效果:本发明通过部署于NWDAF网元的图卷积模型实现应用向终端所请求流量类别的正确性,使得核心网终端能够感知到应用请求了错误的流量类别。本发明能够避免由于流量类别的错误造成为应用分配不恰当网络承载通道的情况;优化5G核心网中网络承载通道的分配,提高网络资源的使用效率。
本发明的附加方面和优点将在下面的描述部分中给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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的附图。
图1是本发明一种基于图卷积模型的流量类别验证方法和系统基本实施流程图;
图2是本发明一种基于图卷积模型的流量类别验证方法和系统中所使用图卷积模型基本结构图;
图3是本发明一种基于图卷积模型的流量类别验证方法和系统中无向拓扑图的结构;
图4是本发明一种基于图卷积模型的流量类别验证方法和系统中图卷积模型训练过程的通信流程图;
图5是本发明一种基于图卷积模型的流量类别验证方法和系统中验证过程的通信流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
URSP(UE Route Selection Policy,用户路由选择策略)是用于确定应用在核心网中的网络承载通道的规则;终端通过URSP规则来确定检测到的应用是否可以关联于现有的PDU会话,或者是否可以卸载到PDU会话之外的非3GPP接入渠道,或者触发建立新的PDU会话。
每一条URSP规则中都包含一个流量描述符,以流量描述符与应用发送的注册请求的匹配程度来确定该条URSP规则是否适用于该应用。每一条URSP规则中还包含一个或多个路由选择描述符,每一条路由选择描述符中都记载了关联于PDU会话选择的各项组件值,终端寻找到与路由选择描述符中记载的各项组件值相匹配的PDU会话后,将该PDU会话作为适用于该条URSP规则的应用的网络承载通道,将该条网络承载通道分配给该应用。
对于每个新注册的应用,终端按照规则优先级的顺序评估URSP规则,并确定该应用是否与任何URSP规则的流量描述符匹配。当寻找到适用于该应用的URSP规则时,终端应按照路由选择描述符优先级的顺序在该URSP规则中选择一个路由选择描述符。确定路由选择描述符后,终端将所选路由选择描述符的组件与现有PDU会话进行比较,尝试找寻与路由选择描述符的组件相匹配的PDU会话。当存在匹配的PDU会话时,终端将应用与此PDU会话相关联,应用通过此PDU会话进行网络交互。如果现有PDU会话均不匹配,则终端尝试使用所选路由选择描述符指定的值来建立新的PDU会话,应用通过新的PDU会话进行网络交互。
上述基于URSP规则的网络承载通道分配过程缺乏对终端注册请求中流量类别的验证过程。因此可能出现为应用分配不恰当网络承载通道的情况。例如,单个应用可能在IM或聊天会话的注册请求中仅指定了与IM或聊天会话相关的流量描述符;但该应用后续还存在直播视频或者流媒体等网络传输需求,由于不同的流量类别对延迟、带宽、传播速率的要求都不同;因此用于IM或聊天会话的网络承载通道无法满足直播视频或者流媒体的网络传输需求,造成应用卡顿,加载缓慢等情况。
有鉴于此,本发明实施例提供了一种基于图卷积模型的流量类别验证方法,如图1所示,包括以下步骤:
S1.获取目标应用的历史流量数据;
S2.根据目标应用的历史流量数据对图卷积初始模型进行训练,得到能够用于对目标应用的流量类别进行验证的图卷积分类模型;
S3.将图卷积分类模型部署至NWDAF网元;
S4.将目标应用向终端发送的注册请求转发至NWDAF网元;
S5.通过图卷积分类模型对注册请求中的流量类别进行验证,返回验证结果;
S6.根据验证结果确定是否接受目标应用的注册请求。
本实施例中通过图卷积模型(Graph Convolutional Network,GCN)对应用的历史流量数据的学习与分类验证,训练出一个图卷积分类模型,通过该模型的分类结果来验证应用程序请求的流量类别是否正确。
本实施例中图卷积模型的输入为目标应用的历史流量数据,具体包括目标应用历史请求的流量类别、流量指标、目标应用标识和终端标识等。其中,流量指标具体包括流量大小、时延和流量速率。通过目标应用的历史流量数据确定目标应用所需的网络承载通道。
在根据目标应用的历史流量数据对图卷积初始模型进行训练之前,本实施例首先对目标应用的历史流量数据进行预处理,包括缺失值处理和数据归一化处理等。缺失值处理是指针对历史流量数据中的少部分缺失值,通过插值运算的方式以缺失值前后的数据为依据,补足历史流量数据中的缺失值,使得历史流量数据连续。数据归一化处理则是针对不同量纲的历史流量数据归一为同一量纲下的历史流量数据,从而消除奇异样本数据导致的不良影响。
本实施例中根据目标应用的历史流量数据对图卷积初始模型进行训练,得到能够用于对目标应用的流量类别进行验证的图卷积分类模型,具体包括以下步骤:
S2-1.将目标应用的历史流量数据依预设比例划分为训练集和验证集;
S2-2.使用训练集对图卷积初始模型进行训练,得到图卷积中间模型;
S2-3.使用验证集评估图卷积中间模型的分类准确率,对图卷积中间模型进行迭代优化;当图卷积中间模型的分类准确率高于预设准确率标准时,将图卷积中间模型作为能够用于对目标应用的流量类别进行验证的图卷积分类模型部署至NWDAF网元。
本实施例中将预处理后的训练集数据作为图卷积初始模型的输入,对图卷积初始模型进行训练,得到图卷积中间模型;将预处理后的测试集数据作为图卷积中间模型输入,对图卷积中间模型进行评估,将图卷积中间模型迭代学习得到训练完成的图卷积分类模型并部署在NWDAF网元。
本实施例所使用图卷积模型结构参考图2,包括输入模块、主干网络模块、融合模块、预测模块和输出模块。图卷积初始模型的训练具体包括以下步骤:
输入模块根据历史流量数据建立无向拓扑图;无向拓扑图中具有以目标应用标识构建的第一节点实体、以终端标识构建的第二节点实体和连接第一节点实体、第二节点实体的边;边用于标识终端为目标应用分配的网络承载通道;
主干网络模块对无向拓扑图进行基于残差的多层特征提取,得到拓扑图基于顶点域的多个特征;
融合模块对基于顶点域的多个特征进行融合,得到全局特征;
预测模块根据全局特征预测无向拓扑图中每条边的流量类别,将带有流量类别的无向拓扑图作为图卷积初始模型的分类结果输出。
本实施例中输入模块用于根据历史流量数据建立无向拓扑图,如图3所示。无向拓扑图中具有以目标应用标识构建的第一节点实体、以终端标识构建的第二节点实体和连接第一节点实体、第二节点实体的边;边用于标识终端为目标应用分配的网络承载通道。其中,第一节点实体和第二节点实体具有多个维度,包括关于流量大小的维度、关于时延的维度和关于流量速率的维度。通过将应用的历史流量数据转化为无向拓扑图,从无向拓扑图提取节点实体自身的特征和边的特征,进一步通过聚合这些特征实现对应用的流量类别进行预测。
本实施例中主干网络模块包括堆叠的多个图卷积层,基于残差的多层特征提取,具体包括以下步骤:
将无向拓扑图作为多个图卷积层的底层输入,在图卷积层中提取输入在节点之间的特征和在维度之间的特征;拟合残差映射F,逐点加法得到该层基于顶点域的特征gl+1;
gl+1=F(gl,wl)+gl=gres l+1+gl
其中,gl+1表示图卷积层的输出,gl表示图卷积层的输入,下一图卷积层的输入为上一图卷积层的输出,第一个图卷积层的输入为无向拓扑图;gres l+1表示图卷积层输入与输出间的残差;wl表示l层的可学习参数集。
记录每一层的输出基于顶点域的特征gl+1,输入融合模块进行融合。
本实施例中主干网络模块采用动态图卷积的方式提取无向拓扑图中的特征。动态图卷积过程中,主干网络模块中的每一层图卷积层提取输入的拓扑图基于顶点域的特征,包括无向拓扑图里节点实体之间边的特征与节点实体多个维度之间的特征;上一层图卷积层提取输出的无向拓扑图作为下一层图卷积层的输入。层与层之间的区别在于图卷积的视野,随着图卷积层层数的加深,每个节点实体能聚合到的特征越远,视野也越大。特别地,本实施例在主干网络模块在网络的上一层特征进入下一层前加入了动态扩展k-NN算法,对无向拓扑图的终端节点实体重新聚合,得到拥有相似维度特征的终端聚合节点实体。例如,将流量大小接近的终端节点实体聚合为一个新的终端聚合节点实体,以减少遍历大量数据的压力。
本实施例中融合模块用于将主干网络模块每层输出的基于顶点域的特征进行融合。具体包括以下步骤:
将每一层基于顶点域的特征进行连接,形成每一层的局部特征;
对每一层的局部特征进行卷积操作和最大池化处理,聚合为全局特征。
具体地,本实施例中融合模块将每个图卷积层从主干网络模块提取的基于顶点域的特征作为输入,将这些特征连接起来,然后将它们通过1×1卷积层,然后进行最大池化。融合模块中f表示过滤器大小,后一层将整个无向拓扑图的顶点特征聚合为单个全局特征向量,该特征向量与之前所有图卷积层中每个顶点的特征相连接,实现全局信息和局部信息的融合。
本实施例中图卷积模型训练过程的通信流程如图4所示,包括以下步骤:
A1.获取目标应用的历史流量数据;
A2.将目标应用的历史流量数据传输至NWDAF网元;
A3.根据目标应用的历史流量数据对图卷积初始模型进行训练;
A4.迭代后得到能够用于对目标应用的流量类别进行验证的图卷积分类模型。
本实施例中对应用注册请求的验证过程如图5所示,包括以下步骤:
B1.应用向终端发送包含流量类别的注册请求消息(携带有应用的唯一标识、流量类别、流量大小、时延、流量速率的数据信息等);
B2.终端接收到应用程序的注册请求后,向部署在NWDAF网元上的分类模型发送流量类别验证请求;
B3.NWDAF网元利用图卷积分类模型验证流量类别是否正确,返回验证结果;
B4.终端根据验证结果确定为应用分配的网络承载通道。
本实施例中具体分配的网络承载通道以与URSP规则的流量描述符最匹配的一条所对应的路由选择描述符确定;当存在与路由选择描述符匹配的PDU会话时,终端将应用与此PDU会话相关联,应用通过此PDU会话进行网络交互。如果现有PDU会话均不匹配,则终端尝试使用所选路由选择描述符指定的值来建立新的PDU会话,应用通过新的PDU会话进行网络交互。
本发明实施例还提供一种基于图卷积模型的流量类别验证系统,部署于5G核心网的NWDAF网元,包括终端和NWDAF网元;终端和NWDAF网元处于同一个5G核心网中;
终端用于获取目标应用的历史流量数据,并将目标应用的历史流量数据传输至NWDAF网元;
NWDAF网元用于根据目标应用的历史流量数据对图卷积初始模型进行训练,得到能够用于对目标应用的流量类别进行验证的图卷积分类模型;
当目标应用向终端发送注册请求时,终端将目标应用向终端发送的注册请求转发至NWDAF网元;
NWDAF网元通过图卷积分类模型对注册请求中的流量类别进行验证,向终端返回验证结果;
终端根据验证结果确定是否接受目标应用的注册请求。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
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,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于图卷积模型的流量类别验证方法,其特征在于,包括以下步骤:
获取目标应用的历史流量数据;
根据所述目标应用的历史流量数据对图卷积初始模型进行训练,得到能够用于对所述目标应用的流量类别进行验证的图卷积分类模型;
将所述图卷积分类模型部署至NWDAF网元;
将所述目标应用向终端发送的注册请求转发至NWDAF网元;
通过所述图卷积分类模型对所述注册请求中的流量类别进行验证,返回验证结果;
根据所述验证结果确定是否接受目标应用的注册请求。
2.根据权利要求1所述的一种基于图卷积模型的流量类别验证方法,其特征在于,在所述根据目标应用的历史流量数据对图卷积初始模型进行训练之前,还包括对目标应用的历史流量数据进行预处理的步骤;所述对目标应用的历史流量数据进行预处理,具体包括缺失值处理和数据归一化处理。
3.根据权利要求1所述的一种基于图卷积模型的流量类别验证方法,其特征在于,所述历史流量数据包括目标应用历史请求的流量类别、流量指标、目标应用标识和终端标识;所述流量指标具体包括流量大小、时延和流量速率。
4.根据权利要求3所述的一种基于图卷积模型的流量类别验证方法,其特征在于,所述根据所述目标应用的历史流量数据对图卷积初始模型进行训练,得到能够用于对所述目标应用的流量类别进行验证的图卷积分类模型,具体包括以下步骤:
将所述目标应用的历史流量数据依预设比例划分为训练集和验证集;
使用所述训练集对所述图卷积初始模型进行训练,得到图卷积中间模型;
使用所述验证集评估所述图卷积中间模型的分类准确率,对所述图卷积中间模型进行迭代优化;当所述图卷积中间模型的分类准确率高于预设准确率标准时,将所述图卷积中间模型作为能够用于对所述目标应用的流量类别进行验证的图卷积分类模型部署至NWDAF网元。
5.根据权利要求4所述的一种基于图卷积模型的流量类别验证方法,其特征在于,所述图卷积初始模型中包括输入模块、主干网络模块、融合模块、预测模块和输出模块;所述图卷积初始模型的训练具体包括以下步骤:
所述输入模块根据所述历史流量数据建立无向拓扑图;所述无向拓扑图中具有以目标应用标识构建的第一节点实体、以终端标识构建的第二节点实体和连接所述第一节点实体、第二节点实体的边;所述边用于表示终端为所述目标应用分配的网络承载通道;
所述主干网络模块对所述无向拓扑图进行基于残差的多层特征提取,得到拓扑图基于顶点域的多个特征;
所述融合模块对所述基于顶点域的多个特征进行融合,得到全局特征;
所述预测模块根据所述全局特征预测所述无向拓扑图中每条边的流量类别,将带有流量类别的无向拓扑图作为图卷积初始模型的分类结果输出。
6.根据权利要求5所述的一种基于图卷积模型的流量类别验证方法,其特征在于,所述无向拓扑图中第一节点实体和第二节点实体具有多个维度,包括关于流量大小的维度、关于时延的维度和关于流量速率的维度;
将无向拓扑图作为多个图卷积层的底层输入,在图卷积层中提取输入在节点之间的特征和在维度之间的特征;拟合残差映射F,逐点加法得到该层基于顶点域的特征gl+1;
gl+1=F(gl,wl)+gl=gres l+1+gl
其中,gl+1表示图卷积层的输出,gl表示图卷积层的输入,下一图卷积层的输入为上一图卷积层的输出,第一个图卷积层的输入为所述无向拓扑图;gres l+1表示图卷积层输入与输出间的残差;wl表示l层的可学习参数集;
记录每一层的输出基于顶点域的特征gl+1,输入融合模块进行融合。
7.根据权利要求5所述的一种基于图卷积模型的流量类别验证方法,其特征在于,所述融合模块对所述基于顶点域的多个特征进行融合,具体包括以下步骤:
将每一层基于顶点域的特征进行连接,形成每一层的局部特征;
对所述每一层的局部特征进行卷积操作和最大池化处理,聚合为全局特征。
8.一种基于图卷积模型的流量类别验证系统,部署于5G核心网的NWDAF网元,其特征在于,包括终端和NWDAF网元;所述终端和NWDAF网元处于同一个5G核心网中;
所述终端用于获取目标应用的历史流量数据,并将所述目标应用的历史流量数据传输至NWDAF网元;
所述NWDAF网元用于根据所述目标应用的历史流量数据对图卷积初始模型进行训练,得到能够用于对所述目标应用的流量类别进行验证的图卷积分类模型;
当目标应用向所述终端发送注册请求时,所述终端将所述目标应用向终端发送的注册请求转发至NWDAF网元;
所述NWDAF网元通过所述图卷积分类模型对所述注册请求中的流量类别进行验证,向所述终端返回验证结果;
所述终端根据所述验证结果确定是否接受目标应用的注册请求。
9.一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310691754.5A CN116647877B (zh) | 2023-06-12 | 2023-06-12 | 一种基于图卷积模型的流量类别验证方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310691754.5A CN116647877B (zh) | 2023-06-12 | 2023-06-12 | 一种基于图卷积模型的流量类别验证方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116647877A CN116647877A (zh) | 2023-08-25 |
CN116647877B true CN116647877B (zh) | 2024-03-15 |
Family
ID=87618812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310691754.5A Active CN116647877B (zh) | 2023-06-12 | 2023-06-12 | 一种基于图卷积模型的流量类别验证方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116647877B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110798360A (zh) * | 2019-11-06 | 2020-02-14 | 腾讯科技(深圳)有限公司 | Nwdaf网元的选择方法、装置、电子设备及可读存储介质 |
WO2020062390A1 (zh) * | 2018-09-25 | 2020-04-02 | 深圳先进技术研究院 | 一种网络流量分类方法、系统及电子设备 |
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 |
WO2021103135A1 (zh) * | 2019-11-25 | 2021-06-03 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的流量分类方法、系统及电子设备 |
WO2021142914A1 (zh) * | 2020-01-19 | 2021-07-22 | 深圳大学 | 基于双进化的流量数据类型集成分类方法及装置 |
CN113612656A (zh) * | 2021-07-26 | 2021-11-05 | 招商银行股份有限公司 | 网络流量检测方法、装置、终端设备及存储介质 |
WO2022053168A1 (en) * | 2020-09-11 | 2022-03-17 | Telefonaktiebolaget Lm Ericsson (Publ) | Traffic classification rules based on analytics |
CN115021986A (zh) * | 2022-05-24 | 2022-09-06 | 中国科学院计算技术研究所 | 一种用于物联网设备识别可部署模型的构建方法与装置 |
CN116017528A (zh) * | 2022-12-14 | 2023-04-25 | 中国联合网络通信集团有限公司 | 流量预测方法、装置及服务器 |
CN116033409A (zh) * | 2021-10-27 | 2023-04-28 | 华为技术有限公司 | 获取数据分析结果的方法及通信装置 |
WO2023101161A1 (ko) * | 2021-11-30 | 2023-06-08 | 삼성전자 주식회사 | 트래픽 최적화 모듈 및 이의 동작 방법 |
CN116248334A (zh) * | 2022-12-16 | 2023-06-09 | 国网冀北电力有限公司信息通信分公司 | 流量安防方法、装置、计算机设备和计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10185761B2 (en) * | 2015-08-07 | 2019-01-22 | Cisco Technology, Inc. | Domain classification based on domain name system (DNS) traffic |
US20230171640A1 (en) * | 2021-11-30 | 2023-06-01 | Samsung Electronics Co., Ltd. | Traffic optimization module and operating method thereof |
-
2023
- 2023-06-12 CN CN202310691754.5A patent/CN116647877B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020062390A1 (zh) * | 2018-09-25 | 2020-04-02 | 深圳先进技术研究院 | 一种网络流量分类方法、系统及电子设备 |
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 |
CN110798360A (zh) * | 2019-11-06 | 2020-02-14 | 腾讯科技(深圳)有限公司 | Nwdaf网元的选择方法、装置、电子设备及可读存储介质 |
WO2021103135A1 (zh) * | 2019-11-25 | 2021-06-03 | 中国科学院深圳先进技术研究院 | 一种基于深度神经网络的流量分类方法、系统及电子设备 |
WO2021142914A1 (zh) * | 2020-01-19 | 2021-07-22 | 深圳大学 | 基于双进化的流量数据类型集成分类方法及装置 |
WO2022053168A1 (en) * | 2020-09-11 | 2022-03-17 | Telefonaktiebolaget Lm Ericsson (Publ) | Traffic classification rules based on analytics |
CN113612656A (zh) * | 2021-07-26 | 2021-11-05 | 招商银行股份有限公司 | 网络流量检测方法、装置、终端设备及存储介质 |
CN116033409A (zh) * | 2021-10-27 | 2023-04-28 | 华为技术有限公司 | 获取数据分析结果的方法及通信装置 |
WO2023101161A1 (ko) * | 2021-11-30 | 2023-06-08 | 삼성전자 주식회사 | 트래픽 최적화 모듈 및 이의 동작 방법 |
CN115021986A (zh) * | 2022-05-24 | 2022-09-06 | 中国科学院计算技术研究所 | 一种用于物联网设备识别可部署模型的构建方法与装置 |
CN116017528A (zh) * | 2022-12-14 | 2023-04-25 | 中国联合网络通信集团有限公司 | 流量预测方法、装置及服务器 |
CN116248334A (zh) * | 2022-12-16 | 2023-06-09 | 国网冀北电力有限公司信息通信分公司 | 流量安防方法、装置、计算机设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116647877A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695697B (zh) | 多方联合决策树构建方法、设备及可读存储介质 | |
CN112738820B (zh) | 一种服务功能链的动态部署方法、装置及计算机设备 | |
US20140122574A1 (en) | Remote management system with adaptive session management mechanism | |
US20150163328A1 (en) | Interactive Dynamic Ordering of Deep Packet Inspection Rules | |
WO2021022875A1 (zh) | 数据的分布式存储方法及系统 | |
US6212169B1 (en) | Parameter reconfiguration of connected calls | |
CN107133248A (zh) | 一种应用程序的分类方法和装置 | |
Zhang et al. | Leveraging QoE heterogenity for large-scale livecaset scheduling | |
CN107103360B (zh) | 一种基于混合云的可靠应用分配分布式遗传方法 | |
CN116647877B (zh) | 一种基于图卷积模型的流量类别验证方法和系统 | |
CN111581442A (zh) | 一种实现图嵌入的方法、装置、计算机存储介质及终端 | |
CN111770152B (zh) | 一种边缘数据管理方法、介质、边缘服务器和系统 | |
CN115718868A (zh) | 模型训练方法、装置及系统 | |
CN110351202A (zh) | 5g核心网流量分组方法、装置、设备和计算机存储介质 | |
CN114866301A (zh) | 基于直推图的加密流量识别与分类方法及系统 | |
CN108667893A (zh) | 数据推荐方法、装置和电子设备 | |
CN115499657A (zh) | 视频码率自适应网络的训练方法、应用方法、装置及设备 | |
Li | Icn routing strategy based on reinforcement learning and neural network | |
CN114422438A (zh) | 电力通信网络的链路调节方法及装置 | |
CN113852565A (zh) | 热门应用识别方法、网络系统、网络设备及存储介质 | |
CN114070751B (zh) | 基于双子图的服务质量预测方法、系统、设备及介质 | |
CN113676341A (zh) | 一种质差评估方法及相关设备 | |
CN108337112B (zh) | 一种基于信息流模型的网络动态业务建模方法 | |
CN116367223B (zh) | 基于强化学习的xr服务优化方法、装置、电子设备和存储介质 | |
CN114389961B (zh) | 一种基于节点热度采样的图流三角形计数方法及装置 |
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 |