CN116739440A - 自智网络的评价方法、装置、电子设备及存储介质 - Google Patents
自智网络的评价方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116739440A CN116739440A CN202311031313.9A CN202311031313A CN116739440A CN 116739440 A CN116739440 A CN 116739440A CN 202311031313 A CN202311031313 A CN 202311031313A CN 116739440 A CN116739440 A CN 116739440A
- Authority
- CN
- China
- Prior art keywords
- task
- self
- intelligence
- network
- tasks
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 135
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 description 12
- 230000003287 optical effect Effects 0.000 description 6
- 230000008447 perception Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种自智网络的评价方法、装置、电子设备及存储介质,涉及自智网络技术领域。该方法包括:自智网络包括多个任务类型,每个任务类型包括至少一个任务,根据各任务的自智能力,确定任务类型的自智能力;根据所有任务类型的自智能力以及各任务类型的自智能力与预设层级的映射关系,确定自智网络的层级和层级的基准评价结果;若自智网络的层级存在上一层级,确定第一任务、每个第一任务的至少一种关键因子以及各关键因子的权重值;根据所有第一任务各自的关键因子的权重值,确定所述自智网络的增值评价结果;根据基准评价结果和增值评价结果,确定自智网络的实际评价结果。本申请可以评估自智网络的智能化程度。
Description
技术领域
本申请涉及自智网络技术领域,具体而言,本申请涉及一种自智网络的评价方法、装置、电子设备及存储介质。
背景技术
自智网络是应网络智能化发展而生,旨在构建网络全生命周期的自动化、打造“自配置、自修复、自优化”的数智化运维能力。同时,自智网络中引入了意图,用来表达用户需求、目标和约束,允许系统相应地调整操作方式,将意图转译为网络配置策略,实际部署应用。
现有的自智网络的评价方法,提供了工作流中人类和电信系统的参与的任务的自智能力的定性描述,但是缺乏对自智网络实用的定量的评价方法,例如根据评估自智网络层级的框架方法,已评估当前的网络优化业务场景、网络故障管理场景处于同一层级,由于在两个场景中的执行任务自动化时消耗的时间不同、使用的资源不同以及技术难度可能也不相同,虽然两个场景都已评估出两个自智网络的层级相同,但实际应用中,两者的智能化程度是不同的,如何定量的去评价同一层级的自智网络的智能化程度是当前亟需解决的问题。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的自智网络的评价方法、装置、电子设备及存储介质。
根据本申请实施例的第一方面,提供了一种自智网络层级的评价方法,自智网络包括多个任务类型,每个任务类型包括至少一个任务,该方法包括:
对于每个任务类型,确定任务类型包含的各任务的自智能力,根据各任务的自智能力,确定任务类型的自智能力;
根据所有任务类型的自智能力以及各任务类型的自智能力与预设层级的映射关系,确定自智网络的层级和层级的基准评价结果;其中,预设层级包括至少两个层级,相邻层级的自智网络中,上一层级的自智网络的至少一个任务类型的自智能力强于下一层级的自智网络中对应的任务类型的自智能力;
若自智网络的层级存在上一层级,获取所有任务类型中自智能力为人工完成以及人和系统共同完成的若干个任务,作为第一任务集;获取自智网络向上一层级的自智网络演进时,第一任务集中自智能力发生变化的至少一个任务,作为第二任务集;
根据第一任务集、第二任务集以及至少一种关键因子,确定自智网络的增值评价结果;
根据基准评价结果和增值评价结果,确定自智网络的实际评价结果。
作为一种可选的实施方式,对于每个任务类型,确定任务类型包含的各任务的自智能力,根据各任务的自智能力,确定任务类型的自智能力,包括:
若任务类型包含的所有任务均由人工完成,则任务类型的自智能力为人工完成;
若任务类型包含的所有任务均由系统完成,则任务类型的自智能力为系统完成;
若任务类型包含至少一个由人和系统共同完成的任务,则任务类型的自智能力为人和系统共同完成。
作为一种可选的实施方式,获取自智网络向上一层级的自智网络演进时,第一任务集中自智能力发生变化的至少一个任务,作为第二任务集,包括:
获取自智网络的上一层级的自智网络中第一任务集的每个任务的自智能力;
将自智网络中第一任务集的每个任务的自智能力和上一层级的自智网络中对应任务的自智能力进行匹配,获取第一任务集中自智能力发生变化的至少一个任务,作为第二任务集。
作为一种可选的实施方式,至少一种关键因子,包括以下任意一种情况:
任务消耗的时间;
任务使用的资源;
任务消耗的时间以及任务使用的资源;
任务消耗的时间以及任务的技术难度;
任务使用的资源以及任务的技术难度;
任务消耗的时间、任务使用的资源以及任务的技术难度。
作为一种可选的实施方式,根据第一任务集、第二任务集以及至少一种关键因子,确定自智网络的增值评价结果,之前还包括:
若至少一种关键因子不包括任务的技术难度,则获取第一任务集中每个任务的每种关键因子的指标值,以及自智网络的每种关键因子的指标值;
若至少一种关键因子包括任务的技术难度,则获取第一任务集中每个任务的技术难度的指标值、第一任务集中每个任务除任务的技术难度以外的其他关键因子的指标值以及自智网络除任务的技术难度以外其他关键因子的指标值。
作为一种可选的实施方式,根据第一任务集、第二任务集以及至少一种关键因子,确定自智网络的增值评价结果,包括:
若至少一种关键因子不包括任务的技术难度,根据第一任务集中每个任务的每种关键因子的指标值,以及自智网络每种关键因子的指标值,确定第一任务集中每个任务的权重值;
根据第一任务集中每个任务的权重值,确定第一任务集中所有任务的总权重值;
获取第二任务集中每个任务的权重值,确定第二任务集中所有任务的总权重值;
根据第一任务集中所有任务的总权重值和第二任务集中所有任务的总权重值,确定自智网络的增值评价结果。
作为一种可选的实施方式,根据第一任务集、第二任务集以及至少一种关键因子,确定自智网络的增值评价结果,包括:
若至少一种关键因子包括任务的技术难度,根据第一任务集中每个任务的技术难度的指标值、第一任务集中每个任务除任务的技术难度以外的其他关键因子的指标值以及自智网络除任务的技术难度以外其他关键因子的指标值,确定第一任务集中每个任务的权重值;
根据第一任务集中每个任务的权重值,确定第一任务集中所有任务的总权重值;
获取第二任务集中每个任务的权重值,确定第二任务集中所有任务的总权重值;
根据第一任务集中所有任务的总权重值和第二任务集中所有任务的总权重值,确定自智网络的增值评价结果。
根据本申请实施例的第二方面,提供了一种自智网络的评价装置,该装置包括:
确定任务类型的自智能力模块:对于每个任务类型,确定任务类型包含的各任务的自智能力,根据各任务的自智能力,确定任务类型的自智能力;
确定自智网络的层级和基准评价结果模块:根据所有任务类型的自智能力以及各任务类型的自智能力与预设层级的映射关系,确定自智网络的层级和层级的基准评价结果;其中,预设层级包括至少两个层级,相邻层级的自智网络中,上一层级的自智网络的至少一个任务类型的自智能力强于下一层级的自智网络中对应的任务类型的自智能力;
确定第一任务集和第二任务集模块:若自智网络的层级存在上一层级,获取所有任务类型中自智能力为人工完成以及人和系统共同完成的若干个任务,作为第一任务集;获取自智网络向上一层级的自智网络演进时,第一任务集中自智能力发生变化的至少一个任务,作为第二任务集;
确定增值评价结果模块:根据第一任务集、第二任务集以及至少一种关键因子,确定自智网络的增值评价结果;
确定实际评价结果模块:根据基准评价结果和增值评价结果,确定自智网络的实际评价结果。
根据本申请实施例的第三方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,处理器执行计算机程序以实现上述第一方面的任一项方法的步骤。
根据本申请实施例的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,计算机程序被处理器执行时实现上述第一方面的任一项方法的步骤。
本发明实施例提供的技术方案,获得了如下技术效果:
本申请实施例的技术方案,通过确定自智网络对应的层级,确定了该层级的自智网络的基准评价结果,同时,通过引入任务消耗的时间、使用的资源以及任务的技术难度这三种关键因子中的至少一种,确定自智网络的增值评价结果,解决了现有技术中缺乏对相同层级的自智网络进行定量评价的技术问题,实现了对自智网络的智能化程度的定量评价。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的计算机系统的结构示意图;
图2为本申请实施例提供的一种自智网络的评价方法的流程示意图;
图3为本申请实施例提供的一种自智网络的评价装置的结构示意图;
图4为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
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本申请提供的自智网络的评价方法、装置、电子设备及存储介质,旨在解决现有技术的如上技术问题。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
如图1所示,其示例性地示出了本申请实施例提供的计算机系统的结构示意图,如图所示,该系统包括终端101和服务器102,终端101通过网络103与服务器102进行通信连接。
在本实施例中,终端101可以是任何类型的移动计算设备,包括移动计算机(例如个人数字助理(PDA)、膝上型计算机、笔记本计算机、诸如平板计算机、上网本等)、移动电话(例如,蜂窝电话)、可穿戴式计算设备(例如智能手表、头戴式设备,包括智能眼镜)或其他类型的移动设备。在一些实施例中,终端101也可以是固定式计算设备,例如台式计算机、游戏机、智能电视等。
服务器102可以存储和运行可以执行本文所描述的各种方法的指令,其分别可以是单个服务器或服务器集群或云服务器,或者其中的任两个或三个可以是同一服务器或同一服务器集群或云服务器。应理解,本文所提及的服务器典型地为具有大量存储器和处理器资源的服务器计算机,但是其他实施例也是可能的。
网络103的示例包括局域网(LAN)、广域网(WAN)、个域网(PAN)、和/或诸如因特网之类的通信网络的组合。服务器102以及终端101的每一个可以包括能够通过网络103进行通信的至少一个通信接口(未示出)。这样的通信接口可以是下列各项中的一个或多个:任何类型的网络接口(例如,网络接口卡(NIC))、有线或无线(诸如IEEE 802.11无线LAN(WLAN))无线接口、以太网接口、通用串行总线(USB)接口、蜂窝网络接口、BluetoothTM接口、近场通信(NFC)接口等。
本申请实施例提供的计算机系统的结构示意图,如图1所示,终端101可以包括显示屏以及可以经由显示屏与消费者交互的终端应用。终端101可以例如经由网络103与服务器102进行交互,例如向其发送数据或从其接收数据。终端应用可以为本地应用程序、网页(Web)应用程序或者作为轻量化应用的小程序(LiteApp,例如手机小程序)。在终端应用为需要安装的本地应用程序的情况下,可以将终端应用安装在终端101中。在终端应用为Web应用程序的情况下,可以通过浏览器访问终端应用。在终端应用为小程序的情况下,可以通过搜索终端应用的相关信息(如终端应用的名称等)、扫描终端应用的图形码(如条形码、二维码等)等方式来在终端101上直接打开终端应用,而无需安装终端应用。
本申请实施例中提供了一种自智网络的评价方法,自智网络包括多个任务类型,每个任务类型包括至少一个任务。如图2所示,该方法包括:
S101、对于每个任务类型,确定任务类型包含的各任务的自智能力,根据各任务的自智能力,确定任务类型的自智能力。
本申请实施例中,自智网络包括多个任务类型,每个任务类型包括了至少一种任务,每种任务的自智能力存在差异,对于任意一个任务类型,根据该任务类型中所有任务的自智能力,可以确定该任务类型的自智能力。例如:自智网络可以包括分析任务类型,其中,分析任务类型可以包括:网络问题识别任务、网络恶化预测任务、网络问题定界任务、网络问题根因分析任务以及网络调整解决方案分析任务。若上述5个任务由人工完成,则可以确定这5个任务的自智能力为人工完成,此时,分析任务类型的自智能力为人工完成;若上述5个任务由系统完成,则可以确定这5个任务的自智能力为系统完成,此时,分析任务类型的自智能力为系统完成;若上述5个任务中存在至少一个任务由人和系统共同完成,则可以确定分析任务类型中包括至少一个任务的自智能力为人和系统共同完成,此时,分析任务类型的自智能力为人和系统共同完成。
S102、根据所有任务类型的自智能力以及各任务类型的自智能力与预设层级的映射关系,确定自智网络的层级和层级的基准评价结果;其中,预设层级包括至少两个层级,相邻层级的自智网络中,上一层级的自智网络的至少一个任务类型的自智能力强于下一层级的自智网络中对应的任务类型的自智能力。
本申请的实施例中,自智网络的任务类型可以包括:执行、感知、分析、决策和意图控制;按照各任务类型的自智能力,可以映射到不同预设层级的自智网络。各任务类型的自智能力与预设层级的自智网络的映射关系如表1所示:
表1:各任务类型的自智能力与预设层级的自智网络的映射关系表
由表1可知,L0层级中执行、感知、分析、决策和意图控制这五个任务类型的自智能力为人工完成,此时,L0层级的自智网络也可以叫做“手动操作网络”;L1层级中执行和感知任务类型的自智能力为人和系统共同完成,分析、决策和意图控制任务类型的自智能力为人工完成,此时,L1层级的自智网络也可以叫做“辅助操作网络”;L2层级中执行任务类型的自智能力为系统完成,感知和分析任务类型的自智能力为人和系统共同完成,决策和意图控制任务类型的自智能力为人工完成,此时,L2层级的自智网络也可以叫做“初级自智网络”;L3层级中执行和感知任务类型的自智能力为系统完成,分析、决策任务类型的自智能力为人和系统共同完成,意图控制任务类型的自智能力为人工完成,此时,L3层级的自智网络也可以叫做“中级自智网络”;L4层级执行、感知、分析和决策任务类型的自智网络为系统完成,意图控制任务类型的自智能力为人和系统共同完成,此时,L4层级的自智网络也可以叫做“高级自智网络”;L5层级中执行、感知、分析、决策和意图控制的自智能力均为系统完成,此时,L5层级的自智网络也可以叫做“完全自智网络”。由此可知,从L0层级到L5层级,各层级的自智网络的自智能力是逐步提高的,相邻层级的自智网络,上一层级的自智网络存在至少一个任务类型的自智能力高于下一层级的自智网络中对应任务类型的自智能力,例如:L2层级的自智网络中,感知任务类型的自智能力为人和系统共同完成,L3层级的自智网络中,感知任务类型的自智能力为系统完成,可以理解为,从L2层级的自智网络向L3层级的自智网络的演进过程中,感知任务类型的自智能力变强了。因此,L3层级的自智网络的感知任务类型的自智能力强于L2层级的自智网络中感知任务类型的自智能力。
本申请实施例中,对于L0,L1,L2,L3,L4和L5这6个预设层级,预设了每个层级的自智网络的基准评价结果,例如:L0到L5层级的自智网络,基准评价结果分别为0、1、2、3、4、5;可以理解为,L0层级的自智网络的基准评价结果最低为0,L5层级的自智网络的基准评价结果最高为5。
需要说明的是,本申请实施例中,系统可以包括电信系统;当决策的自智能力为人和系统共同完成时,人工作出的决策的优先级高于系统作出决策的优先级,可以理解为,当人工作出的决策和系统作出的决策发生冲突时,以人工作出的决策为准。
S103、若自智网络的层级存在上一层级,获取所有任务类型中自智能力为人工完成以及人和系统共同完成的若干个任务,作为第一任务集;获取自智网络向上一层级的自智网络演进时,第一任务集中自智能力发生变化的至少一个任务,作为第二任务集。
本申请的实施例中,确定当前自智网络的层级后,如果当前自智网络的层级存在上一层级,则获取当前自智网络中自智能力为人工完成以及人和系统共同完成的若干个任务,将这些任务作为第一任务集;同时,获取上一层级的自智网络中第一任务集的每个任务的自智能力,将当前自智网络中第一任务集的每个任务的自智能力和上一层级的自智网络中对应任务的自智能力进行匹配,确定第一任务集中自智能力发生变化的至少一个任务,作为第二任务集。
需要说明的是,本申请实施例中,第二任务集包含的任务是当前自智网络向上一层级的自智网络演进过程中,第一任务集中自智能力发生变化的任务,例如:当前自智网络中任务A的自智能力为人和系统共同完成,上一层级的自智网络中任务A的自智能力是系统完成,因而,可以确定任务A为自智能力发生变化的任务,由此可知,第二任务集是第一任务集的子集。
S104、根据第一任务集、第二任务集以及至少一种关键因子,确定自智网络的增值评价结果。
本申请实施例中,同一层级的自智网络的基准评价结果是相同的,通过至少一种关键因子来确定自智网络的增值评价结果,可以理解为,对于同一层级的两个自智网络,通过增值评价结果对这两个自智网络的智能化程度进行量化。
可选的,本申请实施例中,关键因子可以包括:任务消耗的时间、任务使用的资源以及任务的技术难度中的至少一种;需要说明的是,本申请实施例中,可以选择上述关键因子中的一种或多种作为自智网络的增值评价结果的关键因子。通过第一任务集、第二任务集以及至少一种关键因子,确定自智网络的增值评价结果。具体来说就是,获取第一任务集中每个任务的每种关键因子的指标值,以及当前自智网络的每种关键因子的指标值,确定第一任务集中每种任务对应关键因子的权重值,如果关键因子不止一种,将该任务的所有关键因子的权重值取平均值,获得该任务的权重值;将第一任务集中所有任务的权重值相加,得到第一任务集的总权重值;由于第二任务集是第一任务集的子集,在获得第一任务集中各任务的权重值之后,第二任务集中各任务的权重值也就确定下来了,将第二任务集中各任务的权重值相加,获得第二任务集的总权重值,将第二任务集的总权重值除以第一任务集的总权重值,所得的商作为该自智网络的增值评价结果,由于第二任务集是第一任务集的子集,因而,获得的增值评价结果的范围大于0小于1。
S105、根据基准评价结果和增值评价结果,确定自智网络的实际评价结果。
本申请实施例中,在确定了当前网络的层级之后,获得该层级的基准评价结果,再根据该自智网络的增值评价结果,二者相加确定该自智网络的实际评价结果。
需要说明的是,本申请实施例中,同一层级的自智网络,基准评价结果是相同的,不同的是增值评价结果,因此,增值评价结果越高的自智网络,实际评价结果也就越高,代表智能化程度也就越高。
在上述各实施例的基础上,作为一种可选的实施例,对于每个任务类型,确定任务类型包含的各任务的自智能力,根据各任务的自智能力,确定任务类型的自智能力,包括:
若任务类型包含的所有任务均由人工完成,则任务类型的自智能力为人工完成;
若任务类型包含的所有任务均由系统完成,则任务类型的自智能力为系统完成;
若任务类型包含至少一个由人和系统共同完成的任务,则任务类型的自智能力为人和系统共同完成。
需要说明的是,若任务类型的自智能力为人和系统共同完成,可能存在该任务类型中有的任务的自智能力为人工完成,有的任务的自智能力为人和系统共同完成,还有的任务的自智能力为系统完成,此时,只要有一个任务的自智能力为人和系统共同完成,则可以确定该任务类型的自智能力为人和系统共同完成。
在上述各实施例的基础上,作为一种可选的实施例,获取自智网络向上一层级的自智网络演进时,第一任务集中自智能力发生变化的至少一个任务,作为第二任务集,包括:
获取自智网络的上一层级的自智网络中第一任务集的每个任务的自智能力;
将自智网络中第一任务集的每个任务的自智能力和上一层级的自智网络中对应任务的自智能力进行匹配,获取第一任务集中自智能力发生变化的至少一个任务,作为第二任务集。
需要指出的是,如果当前自智网络的所有任务类型的自智能力均为人工完成,可以理解为当前自智网络为L0层级的自智网络,则该自智网络不包含自智能力为人工完成以及人和系统共同完成的任务,因此,无法获得增值评价结果,该自智网络的实际评价结果和L0层级的基准评价结果相同。
还需要指出的是,如果当前自智网络中所有任务类型的自智能力均为系统完成,则当前自智网络对应的层级为L5,由于L5层级已经是自智网络的最高层级,不存在上一层级的自智网络,无法获得增值评价结果,因此,该自智网络的实际评价结果和L5层级的基准评价结果相同。
在上述各实施例的基础上,作为一种可选的实施例,至少一种关键因子,包括以下任意一种情况:
任务消耗的时间;
任务使用的资源;
任务消耗的时间以及任务使用的资源;
任务消耗的时间以及任务的技术难度;
任务使用的资源以及任务的技术难度;
任务消耗的时间、任务使用的资源以及任务的技术难度。
本申请实施例中,任务的执行的范围可分为网元级、域内级、跨域级,当任务在网元内执行时,则技术难度最低,当任务在管理域内部跨多个网元执行时,则技术难度次之;当任务需要跨多个管理域执行时,则技术难度为最高。
本申请实施例中,若任务在网元内执行,则技术难度为1;若任务在管理域内部跨网元执行,则技术难度为2;若任务需要跨管理域执行,则技术难度为3。
在上述各实施例的基础上,作为一种可选的实施例,根据第一任务集、第二任务集以及至少一种关键因子,确定自智网络的增值评价结果,之前还包括:
若至少一种关键因子不包括任务的技术难度,则获取第一任务集中每个任务的每种关键因子的指标值,以及自智网络的每种关键因子的指标值;
若至少一种关键因子包括任务的技术难度,则获取第一任务集中每个任务的技术难度的指标值、第一任务集中每个任务除任务的技术难度以外的其他关键因子的指标值以及自智网络除任务的技术难度以外其他关键因子的指标值。
本申请实施例中,如果用于自智网络的增值评价结果的关键因子不包括任务的技术难度,例如:关键因子为任务消耗的时间,则获取第一任务集中每个任务所消耗的时间,以及执行自智网络的所有任务所使用的时间;又比如:关键因子为任务使用的资源,则获取第一任务集中每个任务使用的资源,以及执行自智网络的所有任务所使用的资源,其中,使用的资源可以包括:占用的内存空间、占用的CPU资源、占用的硬盘空间等。如果用于自智网络的增值评价结果的关键因子包括任务的技术难度,例如:关键因子包括任务消耗的时间和任务的技术难度,则获取第一任务集中各任务消耗的时间以及自智网络中所有任务消耗的时间,以及获取第一任务集中各任务的技术难度,此时,不需要获取自智网络中除第一任务集的任务以外的其他任务的技术难度。
需要说明的是,自智网络中所有任务消耗的时间或所有任务使用的资源的指标值,指的是自智网络中每个任务消耗的时间或使用的资源之和,以关键因子为任务消耗的时间为例进行说明,自智网络包括5个任务类型,每个任务类型包括2个任务,每个任务消耗的时间为1秒,则自智网络所有任务消耗的时间为每个任务消耗的时间之和,也就是10秒。
在上述各实施例的基础上,作为一种可选的实施例,根据第一任务集、第二任务集以及至少一种关键因子,确定自智网络的增值评价结果,包括:
若至少一种关键因子不包括任务的技术难度,根据第一任务集中每个任务的每种关键因子的指标值,以及自智网络每种关键因子的指标值,确定第一任务集中每个任务的权重值;
根据第一任务集中每个任务的权重值,确定第一任务集中所有任务的总权重值;
获取第二任务集中每个任务的权重值,确定第二任务集中所有任务的总权重值;
根据第一任务集中所有任务的总权重值和第二任务集中所有任务的总权重值,确定自智网络的增值评价结果。
本申请实施例中,若用于计算自智网络的增值评价结果的关键因子不包括任务的技术难度,例如:关键因子包括任务消耗的时间和任务使用的资源,则分别用每个任务消耗的时间和使用的资源的指标值去除以自智网络所有任务消耗的时间之和以及所有任务使用的资源之和,从而分别得到第一任务集中每个任务消耗的时间和使用的资源的权重值,将每个任务消耗的时间和使用的资源的权重值取平均值,作为该任务的权重值。需要指出的是,如果用于计算自智网络的增值评价结果的关键因子只包括一种,则第一任务集中每个任务的该关键因子的权重值就是对应的任务的权重值,不需要取平均值。
在获得第一任务集中每个任务的权重值之后,就可以将第一任务集中所有任务的权重值相加,获得第一任务集中所有任务的总权重值。由于第二任务集是第一任务集的子集,第二任务集中的所有任务都已经包含在第一任务集,因此,第二任务集中各任务的权重值不需要再行计算,直接获取第一任务集中对应任务的权重值即可,将第二任务集中每个任务的权重值相加,得到第二任务集中所有任务的总权重值,将第二任务集所有任务的总权重值除以第一任务集中所有任务的总权重值,获得该自智网络的增值评价结果。
在上述各实施例的基础上,作为一种可选的实施例,根据第一任务集、第二任务集以及至少一种关键因子,确定自智网络的增值评价结果,包括:
若至少一种关键因子包括任务的技术难度,根据第一任务集中每个任务的技术难度的指标值、第一任务集中每个任务除任务的技术难度以外的其他关键因子的指标值以及自智网络除任务的技术难度以外其他关键因子的指标值,确定第一任务集中每个任务的权重值;
根据第一任务集中每个任务的权重值,确定第一任务集中所有任务的总权重值;
获取第二任务集中每个任务的权重值,确定第二任务集中所有任务的总权重值;
根据第一任务集中所有任务的总权重值和第二任务集中所有任务的总权重值,确定自智网络的增值评价结果。
本申请实施例中,若用于计算自智网络的增值评价结果的关键因子包括任务的技术难度,例如:关键因子包括任务消耗的时间和任务的技术难度,则分别用每个任务消耗的时间除以自智网络所有任务消耗的时间之和,以及每个任务的技术难度除以第一任务集中所有任务的技术难度之和,从而分别得到第一任务集中每个任务消耗的时间和技术难度的权重值,将每个任务消耗的时间和技术难度的权重值取平均值,作为该任务的权重值。
在获得第一任务集中每个任务的权重值之后,就可以将第一任务集中所有任务的权重值相加,获得第一任务集中所有任务的总权重值。由于第二任务集是第一任务集的子集,也就是说,第二任务集中的所有任务都已经包含在第一任务集,因此,第二任务集中各任务的权重值不需要再行计算,直接获取第一任务集中对应任务的权重值即可,将第二任务集中每个任务的权重值相加,得到第二任务集中所有任务的总权重值,将第二任务集所有任务的总权重值除以第一任务集中所有任务的总权重值,获得该自智网络的增值评价结果。
下面通过具体的实施例,来一进步介绍自智网络的评价方法。
自智网络A包括5个任务类型,分别是:执行、感知、分析、决策、意图控制。每个任务类型包括的任务如下所示:
意图控制:
任务1:网络优化策略的生成和确定;
任务2:网络优化意图评估。
感知:
任务3:网络相关数据收集。
分析:
任务4:网络问题识别;
任务5:网络恶化预测;
任务6:网络问题定界;
任务7:网络问题根因分析;
任务8:网络调整解决方案分析。
决策:
任务9:网络调整方案评估与决定。
执行:
任务10:网络调整方案执行。
其中,任务1、任务2、任务5、任务8、任务9的自智能力为人工完成,任务3、任务4、任务6、任务7的自智能力为人和系统共同完成;任务10的自智能力为系统完成。由此可知,决策和意图控制类型的自智能力为人工完成,执行、感知、分析任务类型的自智能力为人和系统共同完成。根据表1可知,自智网络A为L2层级的自智网络。
获取自智网络A中执行、感知、分析任务类型中自智能力为人工完成以及人和系统共同完成的任务,可知,任务3、任务4、任务6、任务7、任务10符合要求,作为第一任务集。
当自智网络A由L2层级向L3层级演进时,任务3、任务4、任务6的自智能力由人和系统共同完成,变化成完全由系统完成,则可以确定,任务3、任务4、任务6为第二任务集。
同时,本申请实施例还预先设置了不同层级的自智网络的基准评价结果,如下所示:
对于L0层级的自智网络,基准评价结果M=0;
对于L1层级的自智网络,基准评价结果M=1;
对于L2层级的自智网络,基准评价结果M=2;
对于L3层级的自智网络,基准评价结果M=3;
对于L4层级的自智网络,基准评价结果M=4;
对于L5层级的自智网络,基准评价结果M=5。
自智网络A为L2层级的自智网络,因此自智网络A的基准评价结果M为2。
本申请实施例中,选择的关键因子不同,获得的自智网络的增值评价结果也会存在差异,下面分别介绍本申请实施例提到的关键因子的6种情况。
第一种情况,关键因子只包括任务消耗的时间:
任务3、任务4、任务6、任务7、任务10消耗的时间分别为t3、t4、t6、t7、t10。自智网络A中所有任务消耗的总时间为T,则可以计算出这5个任务的权重值分别为Wi=,其中,i=3,4,6,7,10。
由于第二任务集中的任务都包含在第一任务集中,因此,第二任务集中的任务3、任务4、任务6的权重值无需重复计算,直接获取第一任务集中该任务的权重值即可。由此可知,自智网络A的增值评价结果Q的计算公式如下所示:
Q=
自智网络A的实际评价结果S=M+Q。
第二种情况,关键因子只包括任务使用的资源:
任务3、任务4、任务6、任务7、任务10使用的资源分别为c3、c4、c6、c7、c10。自智网络A中所有任务消耗的总时间为C,则可以计算出这5个任务的权重值分别为Wi=,其中,i=3,4,6,7,10。
由于第二任务集中的任务都包含在第一任务集中,因此,第二任务集中的任务3、任务4、任务6的权重值无需重复计算,直接获取第一任务集中该任务的权重值即可。由此可知,自智网络A的增值评价结果Q的计算公式如下所示:
Q=
自智网络A的实际评价结果S=M+Q。
第三种情况,关键因子包括任务消耗的时间以及任务使用的资源:
任务3、任务4、任务6、任务7、任务10消耗的时间分别为t3、t4、t6、t7、t10。自智网络A中所有任务消耗的总时间为T。
任务3、任务4、任务6、任务7、任务10使用的资源分别为c3、c4、c6、c7、c10。自智网络A中所有任务消耗的总时间为C。
则可以计算出这5个任务的权重值分别为Wi=()/2,其中,i=3,4,6,7,10。
由于第二任务集中的任务都包含在第一任务集中,因此,第二任务集中的任务3、任务4、任务6的权重值无需重复计算,直接获取第一任务集中该任务的权重值即可。由此可知,自智网络A的增值评价结果Q的计算公式如下所示:
Q=
自智网络A的实际评价结果S=M+Q。
第四种情况,关键因子包括任务消耗的时间以及任务的技术难度:
任务3:网络相关数据收集,需要跨管理域收集网络相关数据的任务,因此,任务3的技术难度为3。
任务4:网络问题识别,分析管理域内部的网络性能(例如基于地理网格的网络性能)和确定是否存在网络问题(例如覆盖相关问题、吞吐量相关问题),因此,任务4的技术难度为2。
任务6:网络问题定界,分析网络问题并确定网络问题类别(例如,弱覆盖、高负载、低吞吐量),该任务在管理域内部执行,因此,任务6的技术难度为2。
任务7:网络问题根因分析,分析已识别或预测的网络问题的根本原因(即问题发生的位置和问题的原因)的任务。该任务在管理域内执行,因此,任务7的技术难度为2。
任务10:网络调整方案执行,调整和配置网络参数。该任务在网元层面进行执行,例如覆盖率调整解决方案执行,调整数字倾斜和数字方位角,因此,任务10的技术难度为1。
可以计算得到任务3、任务4、任务6、任务7和任务10的总的技术难度为10;
任务3、任务4、任务6、任务7、任务10消耗的时间分别为t3、t4、t6、t7、t10。自智网络A中所有任务消耗的总时间为T。
任务3的技术难度的权重值为:3/10=0.3,消耗的时间的权重值为,则任务3的权重值/>。
任务4的技术难度的权重值为:2/10=0.2,消耗的时间的权重值为,则任务4的权重值/>。
任务6的技术难度的权重值为:2/10=0.2,消耗的时间的权重值为,则任务6的权重值/>。
任务7的技术难度的权重值为:2/10=0.2,消耗的时间的权重值为,则任务7的权重值/>。
任务10的技术难度的权重值为:1/10=0.1,消耗的时间的权重值为,则任务10的权重值/>。
由于第二任务集中的任务都包含在第一任务集中,因此,第二任务集中的任务3、任务4、任务6的权重值无需重复计算,直接获取第一任务集中该任务的权重值即可。由此可知,自智网络A的增值评价结果Q的计算公式如下所示:
Q=
自智网络A的实际评价结果S=M+Q。
第五种情况,关键因子包括任务使用的资源以及任务的技术难度:
任务3:网络相关数据收集,需要跨管理域收集网络相关数据的任务,因此,任务3的技术难度为3。
任务4:网络问题识别,分析管理域内部的网络性能(例如基于地理网格的网络性能)和确定是否存在网络问题(例如覆盖相关问题、吞吐量相关问题),因此,任务4的技术难度为2。
任务6:网络问题定界,分析网络问题并确定网络问题类别(例如,弱覆盖、高负载、低吞吐量),该任务在管理域内部执行,因此,任务6的技术难度为2。
任务7:网络问题根因分析,分析已识别或预测的网络问题的根本原因(即问题发生的位置和问题的原因)的任务。该任务在管理域内执行,因此,任务7的技术难度为2。
任务10:网络调整方案执行,调整和配置网络参数。该任务在网元层面进行执行,例如覆盖率调整解决方案执行,调整数字倾斜和数字方位角,因此,任务10的技术难度为1。
可以计算得到任务3、任务4、任务6、任务7和任务10的总的技术难度为10;
任务3、任务4、任务6、任务7、任务10使用的资源分别为c3、c4、c6、c7、c10。自智网络A中所有任务消耗的总时间为C。
任务3的技术难度的权重值为:3/10=0.3,使用的资源的权重值为,则任务3的权重值/>。
任务4的技术难度的权重值为:2/10=0.2,使用的资源的权重值为,则任务4的权重值/>。
任务6的技术难度的权重值为:2/10=0.2,使用的资源的权重值为,则任务6的权重值/>。
任务7的技术难度的权重值为:2/10=0.2,使用的资源的权重值为,则任务7的权重值/>。
任务10的技术难度的权重值为:1/10=0.1,使用的资源的权重值为,则任务10的权重值/>。
由于第二任务集中的任务都包含在第一任务集中,因此,第二任务集中的任务3、任务4、任务6的权重值无需重复计算,直接获取第一任务集中该任务的权重值即可。由此可知,自智网络A的增值评价结果Q的计算公式如下所示:
Q=
自智网络A的实际评价结果S=M+Q。
第六种情况,关键因子包括任务消耗的时间、任务使用的资源以及任务的技术难度:
任务3:网络相关数据收集,需要跨管理域收集网络相关数据的任务,因此,任务3的技术难度为3。
任务4:网络问题识别,分析管理域内部的网络性能(例如基于地理网格的网络性能)和确定是否存在网络问题(例如覆盖相关问题、吞吐量相关问题),因此,任务4的技术难度为2。
任务6:网络问题定界,分析网络问题并确定网络问题类别(例如,弱覆盖、高负载、低吞吐量),该任务在管理域内部执行,因此,任务6的技术难度为2。
任务7:网络问题根因分析,分析已识别或预测的网络问题的根本原因(即问题发生的位置和问题的原因)的任务。该任务在管理域内执行,因此,任务7的技术难度为2。
任务10:网络调整方案执行,调整和配置网络参数。该任务在网元层面进行执行,例如覆盖率调整解决方案执行,调整数字倾斜和数字方位角,因此,任务10的技术难度为1。
可以计算得到任务3、任务4、任务6、任务7和任务10的总的技术难度为10;
任务3、任务4、任务6、任务7、任务10消耗的时间分别为t3、t4、t6、t7、t10。自智网络A中所有任务消耗的总时间为T。
任务3、任务4、任务6、任务7、任务10使用的资源分别为c3、c4、c6、c7、c10。自智网络A中所有任务消耗的总时间为C。
任务3的技术难度的权重值为:3/10=0.3,消耗的时间的权重值为,使用的资源的权重值为/>,则任务3的权重值/>。
任务4的技术难度的权重值为:2/10=0.2,消耗的时间的权重值为,使用的资源的权重值为/>,则任务4的权重值/>。
任务6的技术难度的权重值为:2/10=0.2,消耗的时间的权重值为,使用的资源的权重值为/>,则任务6的权重值/>。
任务7的技术难度的权重值为:2/10=0.2,消耗的时间的权重值为,使用的资源的权重值为/>,则任务7的权重值/>。
任务10的技术难度的权重值为:1/10=0.1,消耗的时间的权重值为,使用的资源的权重值为/>,则任务10的权重值/>。
由于第二任务集中的任务都包含在第一任务集中,因此,第二任务集中的任务3、任务4、任务6的权重值无需重复计算,直接获取第一任务集中该任务的权重值即可。由此可知,自智网络A的增值评价结果Q的计算公式如下所示:
Q=
自智网络A的实际评价结果S=M+Q。
综合上面6种情况,可知,本申请实施例中,自智网络的实际评价结果等于该自智网络对应层级的基准评级结果和该自智网络的增值评价结果之和。由于增值评价结果Q的范围大于0小于1,由此可知,自智网络A的实际评价结果大于2小于3。同理可知,L1层级的自智网络的实际评价结果大于1小于2;L3层级的自智网络的实际评价结果的范围大于3小于4;L4层级的自智网络的实际评价结果大于4小于5。
本申请实施例中,任务消耗时间短、使用的资源越少、技术难度越小,则任务的复杂度较低,任务权重值也就较低,因此,自智网络如果向上一个层级的自智网络演进过程中,需要提高第二任务集中的任务的权重值,可以理解为提高自智网络的增值评价结果。如果要提高第二任务集中任务的权重值,则需要提高第二任务集中任务所消耗的时间、使用的资源以及技术难度中的至少一种关键因子的指标值。以任务的消耗的时间为例进行说明,第二任务集中的任务由人和系统共同完成,如果执行该任务过程中人工占得比例较高,则使用的系统资源较少,此时,该任务的智能化、自动化程度也就相对的较低,自智能力不高;当提高系统在执行该任务中的比重时,该任务大部分工作由系统完成,需要使用较多的资源;因而,可以通过使用的资源的多少来判断该任务的智能化程度和自动化程度,进一步的可以判断该任务的自智能力。
本申请的实施例提供了一种自智网络的评价装置1000,如图3所示,该装置包括:
确定任务类型的自智能力模块1001:对于每个任务类型,确定任务类型包含的各任务的自智能力,根据各任务的自智能力,确定任务类型的自智能力;
确定自智网络的层级和基准评价结果模块1002:根据所有任务类型的自智能力以及各任务类型的自智能力与预设层级的映射关系,确定自智网络的层级和层级的基准评价结果;其中,预设层级包括至少两个层级,相邻层级的自智网络中,上一层级的自智网络的至少一个任务类型的自智能力强于下一层级的自智网络中对应的任务类型的自智能力;
确定第一任务集和第二任务集模块1003:若自智网络的层级存在上一层级,获取所有任务类型中自智能力为人工完成以及人和系统共同完成的若干个任务,作为第一任务集;获取自智网络向上一层级的自智网络演进时,第一任务集中自智能力发生变化的至少一个任务,作为第二任务集;
确定增值评价结果模块1004:根据第一任务集、第二任务集以及至少一种关键因子,确定自智网络的增值评价结果;
确定实际评价结果模块1005:根据基准评价结果和增值评价结果,确定自智网络的实际评价结果。
本申请实施例的装置可执行本申请实施例所提供的自智网络的评价方法,其实现原理相类似,本申请各实施例的装置中的各模块所执行的动作是与本申请各实施例的自智网络的评价方法中的步骤相对应的,对于装置的各模块的详细功能描述具体可以参见前文中所示的对应方法中的描述,此处不再赘述。
在一个可选实施例中提供了一种电子设备,如图4所示,图4所示的电子设备4000包括:处理器4001和存储器4003。其中,处理器4001和存储器4003相连,如通过总线4002相连。可选地,电子设备4000还可以包括收发器4004,收发器4004可以用于该电子设备与其他电子设备之间的数据交互,如数据的发送和/或数据的接收等。需要说明的是,实际应用中收发器4004不限于一个,该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器4001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线4002可包括一通路,在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质、其他磁存储设备、或者能够用于携带或存储计算机程序并能够由计算机读取的任何其他介质,在此不做限定。
存储器4003用于存储执行本申请实施例的计算机程序,并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的计算机程序,以实现前述方法实施例所示的步骤。
其中,电子设备包可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4所示的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
本申请实施例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,计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。与现有技术相比可实现:
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
本申请实施例还提供了一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时可实现前述方法实施例的步骤及相应内容。与现有技术相比可实现前述方法实施例的步骤及相应内容。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”、“1”、“2”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除图示或文字描述以外的顺序实施。
应该理解的是,虽然本申请实施例的流程图中通过箭头指示各个操作步骤,但是这些步骤的实施顺序并不受限于箭头所指示的顺序。除非本文中有明确的说明,否则在本申请实施例的一些实施场景中,各流程图中的实施步骤可以按照需求以其他的顺序执行。此外,各流程图中的部分或全部步骤基于实际的实施场景,可以包括多个子步骤或者多个阶段。这些子步骤或者阶段中的部分或全部可以在同一时刻被执行,这些子步骤或者阶段中的每个子步骤或者阶段也可以分别在不同的时刻被执行。在执行时刻不同的场景下,这些子步骤或者阶段的执行顺序可以根据需求灵活配置,本申请实施例对此不限制。
以上仅是本申请部分实施场景的可选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请的方案技术构思的前提下,采用基于本申请技术思想的其他类似实施手段,同样属于本申请实施例的保护范畴。
Claims (10)
1.一种自智网络的评价方法,其特征在于,所述自智网络包括多个任务类型,每个任务类型包括至少一个任务,所述方法包括:
对于每个任务类型,确定所述任务类型包含的各任务的自智能力,根据各任务的自智能力,确定所述任务类型的自智能力;
根据所有任务类型的自智能力以及各任务类型的自智能力与预设层级的映射关系,确定所述自智网络的层级和所述层级的基准评价结果;其中,所述预设层级包括至少两个层级,相邻层级的自智网络中,上一层级的自智网络的至少一个任务类型的自智能力强于下一层级的自智网络中对应的任务类型的自智能力;
若所述自智网络的层级存在上一层级,获取所有任务类型中自智能力为人工完成以及人和系统共同完成的若干个任务,作为第一任务集;获取所述自智网络向上一层级的自智网络演进时,所述第一任务集中自智能力发生变化的至少一个任务,作为第二任务集;
根据所述第一任务集、所述第二任务集以及至少一种关键因子,确定所述自智网络的增值评价结果;
根据所述基准评价结果和所述增值评价结果,确定所述自智网络的实际评价结果。
2.根据权利要求1所述的方法,其特征在于,所述对于每个任务类型,确定所述任务类型包含的各任务的自智能力,根据各任务的自智能力,确定所述任务类型的自智能力,包括:
若所述任务类型包含的所有任务均由人工完成,则所述任务类型的自智能力为人工完成;
若所述任务类型包含的所有任务均由系统完成,则所述任务类型的自智能力为系统完成;
若所述任务类型包含至少一个由人和系统共同完成的任务,则所述任务类型的自智能力为人和系统共同完成。
3.根据权利要求1所述的方法,其特征在于,所述获取所述自智网络向上一层级的自智网络演进时,所述第一任务集中自智能力发生变化的至少一个任务,作为第二任务集,包括:
获取所述自智网络的上一层级的自智网络中第一任务集的每个任务的自智能力;
将所述自智网络中第一任务集的每个任务的自智能力和所述上一层级的自智网络中对应任务的自智能力进行匹配,获取所述第一任务集中自智能力发生变化的至少一个任务,作为第二任务集。
4.根据权利要求1所述的方法,其特征在于,所述至少一种关键因子,包括以下任意一种情况:
任务消耗的时间;
任务使用的资源;
任务消耗的时间以及任务使用的资源;
任务消耗的时间以及任务的技术难度;
任务使用的资源以及任务的技术难度;
任务消耗的时间、任务使用的资源以及任务的技术难度。
5.根据权利要求1或4所述的方法,其特征在于,所述根据所述第一任务集、第二任务集以及至少一种关键因子,确定所述自智网络的增值评价结果,之前还包括:
若所述至少一种关键因子不包括任务的技术难度,则获取所述第一任务集中每个任务的每种关键因子的指标值,以及所述自智网络的每种关键因子的指标值;
若所述至少一种关键因子包括任务的技术难度,则获取所述第一任务集中每个任务的技术难度的指标值、所述第一任务集中每个任务除任务的技术难度以外的其他关键因子的指标值以及所述自智网络除任务的技术难度以外其他关键因子的指标值。
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一任务集、第二任务集以及至少一种关键因子,确定所述自智网络的增值评价结果,包括:
若所述至少一种关键因子不包括任务的技术难度,根据所述第一任务集中每个任务的每种关键因子的指标值,以及所述自智网络每种关键因子的指标值,确定所述第一任务集中每个任务的权重值;
根据所述第一任务集中每个任务的权重值,确定所述第一任务集中所有任务的总权重值;
获取所述第二任务集中每个任务的权重值,确定所述第二任务集中所有任务的总权重值;
根据所述第一任务集中所有任务的总权重值和所述第二任务集中所有任务的总权重值,确定所述自智网络的增值评价结果。
7.根据权利要求5所述的方法,其特征在于,所述根据所述第一任务集、第二任务集以及至少一种关键因子,确定所述自智网络的增值评价结果,包括:
若所述至少一种关键因子包括任务的技术难度,根据所述第一任务集中每个任务的技术难度的指标值、所述第一任务集中每个任务除任务的技术难度以外的其他关键因子的指标值以及所述自智网络除任务的技术难度以外其他关键因子的指标值,确定所述第一任务集中每个任务的权重值;
根据所述第一任务集中每个任务的权重值,确定所述第一任务集中所有任务的总权重值;
获取所述第二任务集中每个任务的权重值,确定所述第二任务集中所有任务的总权重值;
根据所述第一任务集中所有任务的总权重值和所述第二任务集中所有任务的总权重值,确定所述自智网络的增值评价结果。
8.一种自智网络的评价装置,其特征在于,包括:
确定任务类型的自智能力模块:对于每个任务类型,确定所述任务类型包含的各任务的自智能力,根据各任务的自智能力,确定所述任务类型的自智能力;
确定自智网络的层级和基准评价结果模块:根据所有任务类型的自智能力以及各任务类型的自智能力与预设层级的映射关系,确定所述自智网络的层级和所述层级的基准评价结果;其中,所述预设层级包括至少两个层级,相邻层级的自智网络中,上一层级的自智网络的至少一个任务类型的自智能力强于下一层级的自智网络中对应的任务类型的自智能力;
确定第一任务集和第二任务集模块:若所述自智网络的层级存在上一层级,获取所有任务类型中自智能力为人工完成以及人和系统共同完成的若干个任务,作为第一任务集;获取所述自智网络向上一层级的自智网络演进时,所述第一任务集中自智能力发生变化的至少一个任务,作为第二任务集;
确定增值评价结果模块:根据所述第一任务集、所述第二任务集以及至少一种关键因子,确定所述自智网络的增值评价结果;
确定实际评价结果模块:根据所述基准评价结果和所述增值评价结果,确定所述自智网络的实际评价结果。
9.一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-7任一项所述方法的步骤。
10.一种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权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311031313.9A CN116739440B (zh) | 2023-08-16 | 2023-08-16 | 自智网络的评价方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311031313.9A CN116739440B (zh) | 2023-08-16 | 2023-08-16 | 自智网络的评价方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116739440A true CN116739440A (zh) | 2023-09-12 |
CN116739440B CN116739440B (zh) | 2023-11-17 |
Family
ID=87910110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311031313.9A Active CN116739440B (zh) | 2023-08-16 | 2023-08-16 | 自智网络的评价方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739440B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106549813A (zh) * | 2015-09-16 | 2017-03-29 | 中兴通讯股份有限公司 | 一种网络性能的评估方法及系统 |
WO2017166990A1 (zh) * | 2016-03-31 | 2017-10-05 | 深圳光启合众科技有限公司 | 具备评价能力的人工智能系统及其评价方法 |
CN114048115A (zh) * | 2021-11-04 | 2022-02-15 | 中国电子科技集团公司第二十八研究所 | 一种信息系统智能化水平评估方法 |
CN115454802A (zh) * | 2022-09-19 | 2022-12-09 | 中国农业银行股份有限公司 | 信息系统的全栈架构的评价方法、装置、设备及存储介质 |
CN115564210A (zh) * | 2022-09-27 | 2023-01-03 | 安世亚太科技股份有限公司 | 一种网络实体任务完成能力评价方法及评估系统 |
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 |
WO2023103390A1 (zh) * | 2021-12-07 | 2023-06-15 | 北京百度网讯科技有限公司 | 任务处理方法、任务处理装置、电子设备以及存储介质 |
-
2023
- 2023-08-16 CN CN202311031313.9A patent/CN116739440B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106549813A (zh) * | 2015-09-16 | 2017-03-29 | 中兴通讯股份有限公司 | 一种网络性能的评估方法及系统 |
WO2017166990A1 (zh) * | 2016-03-31 | 2017-10-05 | 深圳光启合众科技有限公司 | 具备评价能力的人工智能系统及其评价方法 |
CN114048115A (zh) * | 2021-11-04 | 2022-02-15 | 中国电子科技集团公司第二十八研究所 | 一种信息系统智能化水平评估方法 |
WO2023103390A1 (zh) * | 2021-12-07 | 2023-06-15 | 北京百度网讯科技有限公司 | 任务处理方法、任务处理装置、电子设备以及存储介质 |
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 |
CN115454802A (zh) * | 2022-09-19 | 2022-12-09 | 中国农业银行股份有限公司 | 信息系统的全栈架构的评价方法、装置、设备及存储介质 |
CN115564210A (zh) * | 2022-09-27 | 2023-01-03 | 安世亚太科技股份有限公司 | 一种网络实体任务完成能力评价方法及评估系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116739440B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109845303B (zh) | 网络切片的管理方法及管理单元 | |
US10432491B2 (en) | Control device for estimation of power consumption and energy efficiency of application containers | |
US11218369B2 (en) | Method, apparatus and system for changing a network based on received network information | |
CN112020098A (zh) | 负荷均衡方法、装置、计算设备及计算机存储介质 | |
Alhumaima et al. | Modelling the power consumption and trade‐offs of virtualised cloud radio access networks | |
CN113286315A (zh) | 负载均衡判断方法、装置、设备及存储介质 | |
CN114614989A (zh) | 基于数字孪生技术的网络业务的可行性验证方法及装置 | |
CN112434885B (zh) | 节能小区的业务预测方法和装置 | |
Zhang et al. | Competition of duopoly MVNOs for IoT applications through wireless network virtualization | |
CN116739440B (zh) | 自智网络的评价方法、装置、电子设备及存储介质 | |
Luna et al. | Solving large-scale real-world telecommunication problems using a grid-based genetic algorithm | |
CN112153679B (zh) | 一种转网方法及装置 | |
CN114679498B (zh) | 意图信息处理方法、装置、电子设备及可读存储介质 | |
CN112085282B (zh) | 小区流量预测方法及服务器 | |
CN111107569B (zh) | 一种问题小区的筛选方法和装置 | |
CN113411874A (zh) | 基站节能方法、基站节能装置、电子设备及介质 | |
CN114040422A (zh) | 网络参数配置方法与装置 | |
US20210103830A1 (en) | Machine learning based clustering and patterning system and method for network traffic data and its application | |
Artych et al. | Security constraints for placement of latency sensitive 5G MEC applications | |
CN105188071A (zh) | 一种测试终端功耗的方法、设备和系统 | |
Barrachina‐Muñoz et al. | Deploying cloud‐native experimental platforms for zero‐touch management 5G and beyond networks | |
KR102163214B1 (ko) | CoMP 기반 스몰 셀 네트워크에서의 기계학습을 활용한 능동 캐싱 기법 | |
CN114339796B (zh) | 小区休眠数据处理方法、装置、电子设备及存储介质 | |
CN117978612B (zh) | 网络故障检测方法、存储介质以及电子设备 | |
CN113472842B (zh) | 移动边缘计算网络中的用户状态感知方法及相关设备 |
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 |