CN116830542A - 通信网络中的方法和节点 - Google Patents
通信网络中的方法和节点 Download PDFInfo
- Publication number
- CN116830542A CN116830542A CN202180093187.2A CN202180093187A CN116830542A CN 116830542 A CN116830542 A CN 116830542A CN 202180093187 A CN202180093187 A CN 202180093187A CN 116830542 A CN116830542 A CN 116830542A
- Authority
- CN
- China
- Prior art keywords
- operator
- target network
- network configuration
- previous
- operators
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000004891 communication Methods 0.000 title claims abstract description 67
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000015654 memory Effects 0.000 claims description 11
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 208000018910 keratinopathic ichthyosis Diseases 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 238000010801 machine learning Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 5
- 239000010931 gold Substances 0.000 description 5
- 229910052737 gold Inorganic materials 0.000 description 5
- 101001038335 Homo sapiens Serine/threonine-protein kinase LMTK2 Proteins 0.000 description 4
- 102100040292 Serine/threonine-protein kinase LMTK2 Human genes 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241001417495 Serranidae Species 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 238000011524 similarity measure Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 241000094111 Parthenolecanium persicae Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Classifications
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5003—Managing SLA; Interaction between SLA and QoS
- H04L41/5019—Ensuring fulfilment of SLA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- 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
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
- H04L41/5003—Managing SLA; Interaction between SLA and QoS
- H04L41/5006—Creating or negotiating SLA contracts, guarantees or penalties
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种由通信网络中的节点执行的用于确定用于向通信网络上的第一运营商提供服务的目标网络配置的方法。该方法包括：获得(202)第一运营商的特性；针对通信网络中的多个先前运营商，获得(204)先前运营商的特性以及用于各个先前运营商的对应目标网络配置；基于第一运营商的特性和先前运营商的特性之间的相似度，将第一运营商与从先前运营商中选择的第二运营商匹配(206)；以及基于用于第二运营商的目标网络配置来确定(208)用于第一运营商的目标网络配置。
Description
技术领域
本公开涉及通信网络中的方法、节点和系统。更具体地但非排他地，本公开涉及确定用于向通信网络上的网络运营商提供服务的目标网络配置。
背景技术
通信网络向在通信网络上运行的运营商(例如，供应商或客户)提供服务。这种服务可以根据服务级别协议(SLA)来提供。服务级别协议规定了应提供服务的目标网络配置。当协商SLA时，运营商可以根据目标网络配置(也称为业务意图BI)来描述其需求。这种目标网络配置可以是人类可读的或以人类可读的方式表示的。目标网络配置通常可以描述目标，例如“增加的吞吐量”。
目标网络配置被转换为关键性能指标(KPI)，KPI是通信网络中可测量的量，例如时延和吞吐量。这允许人类可读的目标网络配置能够以可监视的形式表示。因此，与商定的SLA的条款相比，KPI允许监视通信网络的性能。如果未达到KPI目标，则视为违反SLA。
发明内容
如上所述，服务根据SLA提供给运营商。由于确定用于向运营商提供服务的适当目标网络配置的复杂性，与运营商协商并签署SLA通常是复杂且主要是手动的过程。本文的实施例旨在改进这种情形。
因此，根据第一方面，存在一种由通信网络中的节点执行的用于确定用于向通信网络上的第一运营商提供服务的目标网络配置的方法。该方法包括获得第一运营商的特性；针对通信网络中的多个先前运营商，获得先前运营商的特性以及用于各个先前运营商的对应目标网络配置；基于第一运营商的特性和先前运营商的特性之间的相似度，将第一运营商与从先前运营商中选择的第二运营商匹配；以及基于用于第二运营商的目标网络配置来确定用于第一运营商的目标网络配置。
根据第二方面，存在一种通信网络中的节点，用于确定用于向通信网络上的第一运营商提供服务的目标网络配置。该节点包括存储器和处理器，该存储器包括表示指令集的指令数据，该处理器被配置为与存储器进行通信并执行指令集。该指令集当由处理器执行时，使处理器：获得所述第一运营商的特性；针对所述通信网络中的多个先前运营商，获得所述先前运营商的特性以及用于各个先前运营商的对应目标网络配置；基于第一运营商的特性和先前运营商的特性之间的相似度，将第一运营商与从先前运营商中选择的第二运营商匹配；以及基于用于所述第二运营商的目标网络配置，确定用于所述第一运营商的目标网络配置。
根据第三方面，存在一种通信网络中的节点，用于确定用于在通信网络中向通信网络上的第一运营商提供服务的目标网络配置。该节点适于：获得所述第一运营商的特性；针对所述通信网络中的多个先前运营商，获得所述先前运营商的特性以及用于各个先前运营商的对应目标网络配置；基于第一运营商的特性和先前运营商的特性之间的相似度，将第一运营商与从先前运营商中选择的第二运营商匹配；以及基于用于所述第二运营商的目标网络配置，确定用于所述第一运营商的目标网络配置。
根据第四方面，存在一种包括指令的计算机程序，该指令当在至少一个处理器上执行时，使该至少一个处理器执行第一方面的方法。
根据第五方面，存在一种包含第四方面的计算机程序的载体，其中，该载体包括电信号、光信号、无线电信号或计算机可读存储介质之一。
根据第六方面，存在一种计算机程序产品，该计算机程序产品包括其上存储有根据第四方面的计算机程序的非暂时性计算机可读介质。
本文的实施例允许以自动且可预测的方式针对新运营商或变化环境中的运营商预测目标网络配置。这节省了通常手动协商用于运营商的适当目标网络配置所花费的时间和资源，并可以有助于改进客户引导。如下面将详细描述的，一些实施例使得能够以最小的资源成本和/或最大的可靠性来确定足够的KPI集合及其值以满足目标网络配置。
附图说明
为了更好地理解以及为了更清楚地示出可以如何有效地实施本文的实施例，现在将仅通过示例的方式参考附图，在附图中：
图1示出了根据本文的一些实施例的节点；
图2示出了根据本文的一些实施例的方法；
图3示出了根据本文的一些实施例的系统；以及
图4示出了根据本文的一些实施例的信号图。
具体实施方式
本文的公开涉及通信网络(或电信网络)。通信网络可以包括以下中的任何一个或任何组合：有线链路(例如，ASDL)或诸如全球移动通信系统(GSM)、宽带码分多址(WCDMA)、长期演进(LTE)、新无线电(NR)、WiFi、蓝牙或未来无线技术的无线链路。技术人员将理解，这些仅是示例并且通信网络可以包括其他类型的链路。无线网络可以被配置为根据特定标准或其他类型的预定义规则或过程来操作。因此，无线网络的特定实施例可以实现通信标准，诸如全球移动通信系统(GSM)、通用移动电信系统(UMTS)、长期演进(LTE)和/或其他合适的2G、3G、4G或5G标准；无线局域网(WLAN)标准，例如IEEE 802.11标准；和/或任何其他适合的无线通信标准，例如全球微波接入互操作性(WiMax)、蓝牙、Z-Wave和/或ZigBee标准。
图1示出了根据本文的一些实施例的通信网络中的用于确定用于向通信网络上的第一运营商提供服务的目标网络配置的网络节点100。通常，节点100可以包括通信网络中适合于执行本文描述的功能的任何组件或网络功能(例如，任何硬件或软件模块)。例如，节点可以包括能够、被配置为、被布置为和/或可操作以直接或间接与UE(例如，无线设备)和/或与通信网络中的其他网络节点或设备进行通信的设备，以实现和/或提供向UE的无线或有线接入和/或执行通信网络中的其他功能(例如，管理)。节点的示例包括但不限于接入点(AP)(例如，无线电接入点)、基站(BS)(例如，无线电基站、NodeB、演进NodeB(eNB)和NRNodeB(gNBs))。节点的其他示例包括但不限于核心网络功能，例如第五代核心网络(5GC)中的核心网络功能。
节点100被配置为(例如，适于、操作用于或被编程为)执行如下所述的方法200的任何实施例。应当理解，节点100可以包括运行不同软件和/或过程的一个或多个虚拟机。节点100因此可以包括一个或多个服务器、交换机和/或存储设备，和/或可以包括运行软件和/或过程的云计算基础设施或被配置为以分布式方式执行的基础设施。
该节点包括存储器104和处理器102(例如，处理电路或逻辑)，该存储器104包括表示指令集106的指令数据，该处理器102被配置为与存储器进行通信并执行指令集106。指令集106在由处理器102执行时，使处理器102执行下面描述的方法200。
更详细地，处理器102可以以本文描述的方式来控制节点100的操作。处理器102可以包括一个或多个处理器、处理单元、多核处理器或模块，其被配置或编程为以本文描述的方式控制节点100。在特定实现中，处理器102可以包括多个软件和/或硬件模块，每个软件和/或硬件模块被配置为执行或用于执行如本文所述的节点100的功能的单个或多个步骤。
在一些实施例中，节点100的存储器104可以被配置为存储程序代码或指令106，该程序代码或指令106可以由节点100的处理器102执行以执行本文描述的功能。备选地或附加地，节点100的存储器104可以被配置为存储本文描述的任何请求、资源、信息、数据、信号等。节点100的处理器102可以被配置为控制节点100的存储器104以存储本文描述的任何请求、资源、信息、数据、信号等。
应当理解，节点100可以包括除了图1所示的组件之外或作为图1所示的组件的替代的其他组件。例如，在一些实施例中，节点100可以包括通信接口。通信接口可以用于与通信网络中的其他节点(例如，其他物理或虚拟节点)进行通信。例如，通信接口可以被配置为向其他节点或网络功能发送和/或从其他节点或网络功能接收请求、资源、信息、数据、信号等。节点100的处理器102可以被配置为控制这种通信接口向其他节点或网络功能发送和/或从其他节点或网络功能接收请求、资源、信息、数据、信号等。
如上所述，节点100用于确定用于向通信网络上的第一运营商提供服务的目标网络配置。该节点被配置为获得第一运营商的特性；针对通信网络中的多个先前运营商，获得先前运营商的特性以及用于各个先前运营商的对应目标网络配置；基于第一运营商的特性和先前运营商的特性之间的相似度，将第一运营商与从先前运营商中选择的第二运营商匹配；以及基于用于所述第二运营商的目标网络配置，确定用于所述第一运营商的目标网络配置。
以这种方式，可以确定向第一(例如，新的)运营商提供服务的适当目标网络配置，而不必经历广泛且通常复杂的手动协商过程。
图2示出了根据本文的一些实施例的由通信网络中的节点执行的用于确定用于向通信网络上的第一运营商提供服务的目标网络配置的方法。简言之，在第一步骤202中，该方法包括：获得第一运营商的特性。在第二步骤204中，该方法包括：针对通信网络中的多个先前运营商，获得先前运营商的特性以及用于各个先前运营商的对应目标网络配置。在第三步骤206中，该方法包括：基于第一运营商的特性和先前运营商的特性之间的相似度，将第一运营商与从先前运营商中选择的第二运营商匹配。在第四步骤208中，该方法包括：基于用于第二运营商的目标网络配置来确定用于第一运营商的目标网络配置。
更详细地，第一运营商可以是供应商、或服务提供商(或管理服务提供商)的客户。服务由通信网络的服务提供商提供给第一运营商。在这个意义上，服务可以包括例如向运营商提供资源。运营商可以使用服务向最终用户(例如，无线设备和用户设备)提供无线接入。
目标网络配置TNC(其可以替代地被认为是网络配置目标、网络配置目的或网络配置意图)提供了目标标准的细节(例如，指示目标标准)，在该目标标准下，服务应由服务提供商在通信网络中运行时提供给第一运营商。目标网络配置可以包括一个或多个业务意图(BI)(例如，用BI来表示)。这种目标网络配置可以用在服务级别协议(SLA)中，SLA规定了运营商当使用通信网络时在从服务提供商接收服务时期望的服务级别。
如上所述，目标网络配置(例如，BI)通常表示在通信网络上运行的运营商的顶级要求。目标网络配置可以以人类可读的方式表示。例如，目标网络配置可以表示特定网络拓扑的配置，或者期望在城市的拥挤市区中配置少量5G NR小区。更复杂的意图可以是例如维护或改进端到端应用体验或将小区集群中的客户(例如，最终用户)满意度分数提高2个百分点。
KPI是通信网络中可测量的量，例如对时延和吞吐量的度量。
在示例中，目标网络配置“提高服务质量(QoS)”可以对应于两个KPI：
1.KPI1：(要减少的)时延
2.KPI2：(要增加的)覆盖
当新的运营商被设置在通信网络上运行时，或者现有运营商的情况或要求改变时，则针对该运营商协商新的目标网络配置。然后，高级目标网络配置被转换为可测量的KPI目标，并且这些KPI目标在运营商的SLA中进行规定。目前，确定目标网络配置并将其与KPI目标以及SLO(作为SLA的一部分的服务级别目标)相关主要是手动任务，需要专家对运营商网络和服务交付平台上的现有性能水平、测量能力和KPI/KQI可行性的详细分析，以充分理解定义和目标。商定的目标网络配置记录在基线文档中，并且在双方商定SLA之前与运营商进行验证。服务提供商至少需要满足基线。通常，在与运营商进行几次迭代之后，服务提供商设置a)严重性定义、b)响应时间、c)SLA-KPI测量方法和来源、d)SLA-KPI目标，并就惩罚条款达成一致。如果违反SLA，则导致惩罚、服务中断和运营商不满。通常，如果通信网络未达到目标(例如，如果提供了未满足SLA中规定的KPI目标的服务)，则可以记录服务违反。
本文的实施例旨在针对新运营商或新运营商实例预先预测、适配或调整已知的(例如，先前使用的)目标网络配置，并且进一步提供使得能够以更少的资源满足目标网络配置的建议。本文的方法提出了一种多组件方法，用于基于第一运营商与在通信网络上运行的先前运营商的相似度，以自动方式生成目标网络配置并向第一运营商(例如，客户)建议该目标网络配置。主要思想是使用运营商的历史SLA(包括目标网络配置、KPI等)数据、元数据和关于其网络的数据来确定相似的运营商及其潜在的相似需求，以便生成利用可用资源最好地满足的目标网络配置/KPI。
在步骤202中，该方法包括：获得第一运营商的特性。第一运营商的特性可以包括可以用于将一个运营商与另一运营商区分开的属性或性质。通常，特性可以包括运营商元数据。例如，特性可以包括但不限于运营商元数据(例如，业务线、规模、等级)及其网络参数(例如，规模、地理分配、连接强度)。
作为示例，第一运营商(运营商1)的特性可以是：
技术人员将理解，这仅是示例并且还可以使用许多其他特性。
在步骤204中，该方法包括：针对通信网络中的多个先前运营商，获得先前运营商的特性以及用于各个先前运营商的对应目标网络配置。
先前运营商可以包括例如在通信网络上运行的现有运营商或者先前已经在通信网络上运行的运营商。先前运营商的特性可以与第一运营商的特性属于相同类型，例如，运营商元数据(例如，业务线、规模、等级)、它们的网络参数(例如，规模、地理分配、连接强度)。
如上所述，目标网络配置可以包括先前运营商的(例如，以人类可读形式表示的)BI。
因此，步骤204的输出可以是包括先前运营商、先前运营商的特性以及与所述先前运营商商定的对应目标网络配置(例如，SLA或其中的参数)的数据库。
在一些实施例中，先前运营商的特性和对应的目标网络配置是时间相关的。换言之，运营商的特性或者针对所述运营商商定的目标网络配置可以随时间而改变。因此，由于例如其增长、服务或市场的变化或者升级等级，同一运营商可以被视为具有不同的时间实例。在这种示例中，方法200还可以包括确定先前运营商的不同实例，每个实例对应于不同的时间间隔。
作为示例，假设两个先前运营(运营商2和运营商3)如下：
在该示例中，运营商3分别在2018年和2019年拆分为两个实例。换言之，多个先前运营商可以包括针对每个先前运营商的多于一个条目，该多于一个条目对应于不同的时间段。先前运营商的特性和/或目标网络配置可以在不同时间段内改变。
在先前运营商拆分为不同时间实例的上述实施例中，将第一运营商与第二运营商匹配的步骤可以包括将第一运营商与第二运营商的与特定时间间隔相关联的特定实例匹配。因此，确定用于第一运营商的目标网络配置的步骤可以基于在与特定实例相关联的特定时间间隔中用于第二运营商的目标网络配置。
在一些实施例中，先前运营商的目标网络配置可以被转换(例如，翻译或解析)为符号形式。存在针对这个的通用方法，包括受控自然语言(CNL)以及特定的方法，例如Mubeen、Saad等人在论文“Management of Service Level Agreements for CloudServices in IoT:ASystematic Mapping Study(IoT中的云服务的服务级别协议的管理：系统映射研究)”，IEEE接入6(2018)：30184-30207中对云和IoT提供进行了回顾。例如，SLAng或其他形式语言可以用于对目标网络配置进行建模。SLAng在D.D.Lamanna、J.Skene和W.Emmerich的论文“SLAng:a language for defining service level agreements(SLAng：一种用于定义服务级别协议的语言)”，第九届IEEE分布式计算系统未来趋势研讨会(2003)：100-106中进行了描述。以这种方式解析目标网络配置使它们更容易被机器读取，并且更容易以自动方式进行比较。因此，目标网络配置的符号基础创建了可以在所有运营商中使用的解析器和本体(ontology)。
现在转向步骤206，其中，如上所述，基于第一运营商的特性和先前运营商的特性之间的相似度，将第一运营商与从先前运营商中选择的第二运营商匹配。在一些实施例中，使用相似度评估方法和/或相似度度量(例如，根据基于案例的推理)来执行将第一运营商与第二运营商匹配的步骤。技术人员将熟悉相似度评估方法，但简而言之，相似度度量可以被认为是相似度的函数SIM，其在给定两个输入参数O1和O2(其在本文中包括具有其相应特性的第一运营商和先前运营商)的情况下指派在0和1之间的数值分数：SIM(O1,O2)＝x，其中0≤x≤1。因此，将O1与O2进行匹配相当于用最小的SIM(O1,O2)找到O2。将O1与N个最相似的过去运营商进行匹配相当于找到给出N个最小值SIM(O1,O)的N个运营商O。然而，这仅是示例，并且可以在例如Richter和Webber的题为“Case-Based Reasoning(基于案例的推理)”的书中找到其他示例。
这种相似度评估的输出(例如，步骤206的输出)可以包括先前运营商的特性的向量上的距离度量或相似度指数。换言之，可以针对每个先前运营商获得相对相似度的度量，描述了与其他先前运营商相比，所述先前运营商与第一运营商的相对相似度。相似度指数允许相似的先前运营商进行聚类，并且因此允许要定义“情况”包括：
1.以特征值对形式描述每个先前运营商的特性集(例如(t：2018，NW：大型，T：黄金))，以及
2.“解决方案”，涉及与针对先前运营商定义的目标网络配置相对应的KPI集(例如(KPI1<25ms，KPI2>99％))。
类似地，第一运营商(例如，新的案例)被如此描述，但没有解决方案，其将在步骤208中确定，如下所述。
在一些实施例中，第二运营商可以被选择为与第一运营商最相似的运营商(例如，基于如上所述的相似度度量)。
在一些实施例中，将第一运营商与第二运营商匹配的步骤可以使用聚类来执行。例如，可以对先前运营商的特性和第一运营商的特性执行聚类。然后，该方法可以包括从包括第一运营商的集群中选择第二运营商。换言之，将第一运营商与同一集群中的先前运营商匹配。
可以使用无监督学习(来自机器学习(ML))技术来执行聚类，以基于运营商的结构化数据对运营商进行统计聚类。可以使用标准聚类技术，特别是如果时间分量被离散化为大间隔并因此充当又一个离散值特征。
在一些实施例中，如果时间被密集地索引，则可以采用长短期记忆(LSTM)网络来进行分类。例如，如果每个运营商被拆分为短持续时间的许多不同时间间隔，则这可能无意地使标准聚类技术产生偏差。在这种情况下，可以替代地使用LSTM网络。以这种方式，可以使用最先进的无监督学习(来自机器学习(ML))技术来确定运营商相似度，以基于运营商的结构化数据对运营商进行统计聚类。
因此，步骤206可以包括：使用长短期记忆(LSTM)来预测第二运营商。可以根据多个先前运营商的特性来训练LSTM以针对第一运营商预测匹配的第二运营商。LSTM是监督学习算法，并且LSTM是使用包括示例输入和示例(例如“正确”)输出或基本事实的训练数据进行训练的。在本文的实施例中，基本事实可以例如是在SLA中已经定期商定的完全相同的KPI、来自一些初始相似度分析的标签、或专家定义的标签。
例如，训练数据可以包括由特征和基本事实组成的时间索引示例，例如
(时间：2018-12-01，名称：O2，NW：大型，等级：黄金，KPI：<25ms)
(时间：2018-12-02，名称：O2，NW：大型，等级：黄金，KPI：<20ms)
(时间：2018-12-03，名称：O2，NW：大型，等级：黄金，KPI：<25ms)
…
这里，运营商的O2 KPI要求(基本事实)随着每日时间步长的变化而变化。在训练中，LSTM网络的层在每个时间步长被更新。因此，步骤206可以包括：预测O2的新时间实例的序列的KPI值。
技术人员将熟悉训练LSTM以根据训练数据集来预测与第一运营商的匹配的方式，该训练数据集包括多个示例先前运营商和所述先前运营商的示例匹配(例如，反向传播和梯度下降等)。
转向步骤208，该方法然后包括：基于用于第二运营商的目标网络配置来确定(208)用于第一运营商的目标网络配置。
例如，可以针对第一运营商选择来自用于第二运营商的目标网络配置的一个或多个参数值。可以针对第一运营商选择用于第二运营商的目标网络配置(例如，作为整体)。或者来自第二运营商的目标网络配置的参数子集。
在一些实施例中，可以组合多于一个先前运营商的目标网络配置并建议由第一运营商使用。
例如，将第一运营商与第二运营商匹配的步骤还可以包括：将所述第一运营商与从所述先前运营商中选择的第三运营商匹配，并且根据所述第二运营商和所述第三运营商的目标网络配置来确定用于所述第一运营商的目标网络配置。技术人员将理解，这可以扩展到任何数量的最接近匹配的先前运营商。
在一些实施例中，在步骤208中，可以使用基于案例的推理(CBR)来通过适配先前的解决方案来生成解决方案。CBR可以应用于时间相关和时间独立的先前运营商数据。
作为示例，第二运营商和第三运营商(以及后续运营商，如果适用的话)的目标网络配置中的一个或多个参数(例如，参数值)的平均值可以用在第一运营商的目标网络配置中。在这个意义上，平均值可以包括聚合函数(例如均值、中值、众数、最小值、最大值)或第二运营商和第三运营商的目标网络配置中的参数值的任何其他函数组合。
在一个示例中，可以采用k-最近邻(k-NN)技术，由此对于给定的第一运营商，k(例如，3)个最相似的先前运营商被选择为匹配(在步骤206中)并且其中的大多数(例如，1个中的2个)的网络配置用于第一运营商。如果所选择的最相似的过去案例的解决方案不相同，则可以对其进行适配，例如，取决于应用，如上所述地进行平均和/或使用专家定义的组合解决方案。
在一些实施例中，步骤208可以包括：基于满足第二运营商和第三运营商的目标网络配置中的每个目标网络配置所需的资源，从第二运营商和第三运营商的目标网络配置中选择目标网络配置。例如，步骤206可以包括：从第二运营商和第三运营商中选择需要最少资源的目标网络配置，作为用于第一运营商的目标网络配置。
例如，如果先前的目标网络配置之一需要较少的资源来满足，则可以将其建议为用于第一运营商的目标网络配置。这可以基于参数来执行，例如，<15ms的KPI时延要求比<10ms“更便宜”，因此可以通过例如取最小或最大KPI以反映资源最便宜的配置来针对第一运营商选择目标网络配置。以这种方式，可以建议适当且高效的目标网络配置。这允许用于网络优化的可用资源与业务主张之间的差距被缩小。
在另一示例中，可以考虑性能或服务提供商对先前目标网络配置的遵守。例如，与推荐服务提供商无法满足的目标网络配置相比，可能更期望推荐服务提供商历史上一直能够满足的目标网络配置。
因此，在一些实施例中，确定用于第一运营商的目标网络配置的步骤可以包括：基于通信网络相对于相应目标网络配置的先前性能，从第二运营商和第三运营商的目标网络配置中选择目标网络配置。作为示例，可以根据记录的目标网络配置的违反(例如，SLA违反)的数量来测量性能。这可以根据SLA违反的次数(以及严重程度)的记录来确定。
这是有利的，因为它应确保满足更多的SLA，由于预先知道通信网络可以满足它们，从而提高可靠性和最终用户的体验。
作为说明上述一些原理的示例，假设要预测目标网络配置并建立KPI的(新)第一运营商具有以下特性：
运营商1 2020大型NW黄金等级
在步骤204中，获得具有以下特性的多个先前运营商以及(以对应的KPI表示的)目标网络配置：
在该示例中，第一运营商(运营商1)被认为与{运营商2、运营商3-2019}最相似，并且第三最相似的案例是运营商3-2018。使用3-NN，运营商2和运营商3-2019的目标网络配置适用于运营商1。例如，KPI1可以按原样，即<25ms，并且KPI2(99％和97％的)平均值设置为>98％。对于更复杂的方法，可以使用专家定义的规则，坚持为KPI2选择资源最便宜的选项，在该案例中为>97％，其应满足运营商1作为初始值。因此，在该示例中，针对第一运营商确定了(KPI1<25ms，KPI2>97％)的目标网络配置，其对应的目标网络配置为“改进QoS”。
现在转向其他实施例，可以备选地或附加地考虑第一运营商的偏好。例如，第一运营商(例如，第一运营商的工程师或其他人类代表)可以(例如，以用户输入的形式)指定/提供(例如，以部分网络配置形式的)一个或多个参数或其他要求。这些可以在方法200中进行考虑。例如，在步骤208中，在根据第二先前运营商和第三先前运营商(和/或后续先前运营商)的目标网络配置来确定目标网络配置的实施例中，可以优先考虑其中最接近由第一运营商提供的任何标准的参数。
方法200可以备选地或附加地用于确定或预测部分指定的目标网络配置的任何缺失参数，例如，在第一运营商的代表提供部分SLA的示例中，可以确定缺失/补充参数。
因此，在一些实施例中，确定用于第一运营商的目标网络配置的步骤可以包括：基于由第一运营商提供的一个或多个标准，从第二运营商和第三运营商的目标网络配置中选择目标网络配置。
总之，方法200涉及：确定将先前运营商与第一运营商匹配，然后根据匹配的先前运营商的目标网络配置来确定用于第一运营商的目标网络配置。通过首先与先前运营商匹配，然后随后基于用于第二运营商的目标网络配置来确定用于第一运营商的适当目标网络配置，预测过程对于人类运营商是透明的。与直接根据特性(例如，以“黑匣子”方式)预测目标网络配置相比，该方法还需要更少的先前运营商示例，例如较少的训练数据。具体地，上述CBR示例采用“惰性学习”，由此在给定新实例的情况下，使用相对较少的最相关示例来执行学习。此外，输入和输出参数的数量可以允许变化(例如，与可能需要固定数量的输出的机器学习方法相比)。因此，提供了一种以自动且透明的方式来确定适合在SLA中使用的目标网络配置的方法。
现在转向图3，图3示出了根据本文的实施例的系统。在该实施例中，存在三个主要节点：用户接口(UI)302、控制节点(控制器)304和数据库(DB)310。
UI 302例如可以包括诸如鼠标或键盘和/或显示器的输入设备。UI 302可以用于例如从第一运营商获得任何标准(如上所述)，并且还用于向用户呈现所确定的目标网络配置。DB 310包含符号/机器可处理形式的关于运营商的信息。这包括但不必限于先前SLA、目标网络配置(例如，BI)、KPI/KQI、运营商元数据(例如，业务线、规模、等级)、它们的网络参数(例如，规模、地理分配、连接强度)。
控制节点304主要能够比较运营商以及预测用于新运营商(例如，上述第一运营商)的适当目标网络配置。
在该实施例中，控制器304被拆分为(或控制)五个组件：解析器306、映射器308、相似度评估器312、适配器314和分组器316。参考上面的图1，控制器304、解析器306、映射器308、相似度评估器312、适配器314和分组器316可以形成节点100的一部分。然而，技术人员将理解，这仅是示例，并且本文的功能可以在与该实施例中所示的模块不同的模块之间进行拆分。
解析器306
在该示例中，解析器306将多个先前运营商的目标网络配置(例如，SLA和用户表示的BI)翻译成符号形式。这在上面关于步骤204进行了描述，并且其中的细节也将被理解为同样适用于该实施例。CNL和/或模板可以用于以直接的方式将该形式表示与UI 302的形式表示进行连接。先前目标网络配置的符号表示与任何相关信息一起可以存储在DB 310中。
映射器308
映射器将目标网络配置与对应的KPI进行映射(例如，相关)，这使得符号目标网络配置能够以通信网络中的目标测量的形式来表示。技术人员将熟悉将目标网络配置映射到KPI的方法。在基本设置中，可以使用静态映射，由此使用专家知识将给定的目标网络配置映射到KPI列表。
相似度评估器312
相似度评估器执行步骤204，并且针对通信网络中的多个先前运营商，从DB 310获得先前运营商的特性以及用于各个先前运营商的对应目标网络配置(换言之，它获得先前运营商数据)，并且使用它来确定运营商(或更准确地说，运营商(时间)实例)之间的相似度。如上所述，由于例如增长、服务或市场的变化、升级等级等，同一运营商可以被拆分为对应于不同时间间隔的不同实例。为了简单起见，此后我们仅使用运营商，可能引用其时间实例。
然后，相似度评估器执行步骤206，并基于相似度将第一运营商与第二运营商(以及在一些实施例中，后续运营商)匹配。可以使用上面关于步骤206描述的任何方法来执行相似度评估，例如，使用来自CBR的相似度评估技术或使用无监督学习(来自机器学习(ML))技术以基于运营商的结构化数据对运营商进行统计聚类。也可以使用标准聚类技术或LSTM网络(用于分类，如果时间密集索引)。如上所述，相似度评估器312可以输出描述与其他先前运营商相比时每个先前运营商的相似度的相似度指数(例如，距离度量)。该相似度指数可以由如下适配器组件314使用。
适配器314
适配器模块执行步骤208并根据匹配的第二运营商来确定用于第一运营商的目标网络配置。如上所述，最相似的n个先前运营商可以备选地与第一运营商匹配，在这种情况下，适配器使用基于案例的推理(CBR)通过适配n个最接近匹配的先前运营商的目标网络配置来生成用于第一运营商的目标网络配置。
如上所述，关于步骤208，可以使用各种最先进的CBR技术来基于第二先前运营商(和第三先前运营商以及后续先前运营商)的目标网络配置来确定用于第一运营商的目标网络配置，并且上面给出的示例将被理解为同样适用于图3的示例。例如，可以取决于应用而使用例如平均和/或使用专家定义的组合解决方案来适配第二先前运营商、第三先前运营商和后续先前运营商的目标网络配置。
分组器316
分组器316收集先前运营商数据并根据它们的相似度(使用相似度指数、聚类和可能的专家知识)对它们进行分组以存储在DB中以用于预测目标网络配置的新周期等。
现在转向图4，图4示出了上面关于图3示出和描述的组件之间的信令图。
在步骤402中，用户向UI 302输入用于确定用于第一运营商的目标网络配置的一个或多个标准。该标准例如可以包括部分目标网络配置(TNC)，诸如用于目标网络配置的一个或多个建议的参数或约束。
在步骤404中，UI向控制器304发送该标准，并请求该控制器确定用于第一运营商的目标网络配置(TNC)。
控制器304向解析器306发送消息406，该消息406包括该标准并请求解析器将来自第一运营商的标准转换为符号形式。在步骤408中，解析器306以符号形式将标准发送回控制器304。
在步骤410中，控制器304发送符号形式的标准以存储在数据库310中。
在步骤412中，控制器304向映射器308发送符号标准，并请求映射器将其转换为KPI。在步骤414中，所请求的KPI被发送回控制器。
在步骤416中，控制器304然后请求相似度评估器312确定第一运营商与多个先前运营商中的每个运营商的相似度。控制器向相似度评估器312发送可用于第一运营商的任何特性。相似度评估器312执行上述步骤202和204，并且通过在步骤418中从数据库310请求来获得多个先前运营商中的每个先前运营商的特性以及可能地第一运营商的任何存储的特性，其中，在步骤420中，数据库发送所讨论的所有运营商的特性。
在步骤422中，相似度评估器312向控制器304发送描述每个先前运营商的相似度的参数。然后控制器304基于第一运营商的特性和先前运营商的特性的相似度将第一运营商与从先前运营商中选择的第二运营商(或多个运营商)匹配(例如，执行上述步骤206)。
在步骤424中，控制器要求适配器314基于用于在上面步骤422中匹配的运营商的KPI来确定用于第一运营商的KPI。在步骤426中，将所确定的用于第一运营商的KPI发送回控制器304。
在步骤428中，分组器316根据相似度对运营商连同其特征和KPI进行分组，并且在步骤430中，可以将运营商的组存储在数据库310中。
在步骤432中，控制器然后(如在上述步骤208中一样)基于用于第二运营商的目标网络配置来确定用于第一运营商的目标网络配置。这可以考虑由控制器在步骤304中接收到的用户输入标准(例如，用户输入可以用来自最接近匹配的运营商的目标网络配置的参数来补充)。然后，在步骤434中，向UI 302发送用于第一运营商的建议的目标网络配置，以在步骤436中显示给第一运营商402。
在另一实施例中，提供了一种包括计算机可读介质的计算机程序产品，该计算机可读介质具有在其中实现的计算机可读代码，该计算机可读代码被配置为使得：在由合适的计算机或处理器执行时，使计算机或处理器执行本文所述的一个或多个方法。
因此，应当理解，本公开也适用于适于将实施例付诸实践的计算机程序，特别是载体上或载体中的计算机程序。该程序可以是源代码、目标代码、代码中间源、以及诸如部分编译形式的目标代码的形式，或者适合用于实现根据本文描述的实施例的方法的任何其他形式。
还应当理解，这种程序可以具有许多不同的架构设计。例如，实现该方法或系统的功能的程序代码可以被细分为一个或多个子例程。在这些子例程之间分配功能的许多不同方式对于技术人员来说将是显而易见的。子例程可以一起存储在一个可执行文件中以形成自包含的程序。这种可执行文件可以包括计算机可执行指令，例如处理器指令和/或解释器指令(例如，Java解释器指令)。备选地，可以将一个或多个或所有子例程存储在至少一个外部库文件中并与主程序静态或动态链接，例如在运行时。主程序包含对至少一个子例程的至少一个调用。子例程还可以包括彼此的函数调用。
计算机程序的载体可以是能够承载该程序的任何实体或设备。例如，载体可以包括数据存储设备，例如，ROM(例如，CDROM或半导体ROM)、或者磁记录介质(例如，硬盘)。此外，载体可以是诸如电信号或光信号的可传输载体，其可以经由电缆或光缆或通过无线电或其他方式进行传送。当程序在这种信号中实现时，载体可以由这种电缆或其他设备或装置构成。备选地，载体可以是其中嵌入了程序的集成电路，该集成电路适于执行相关方法或在相关方法的执行中使用。
本领域技术人员在实践请求保护的发明时，可以根据对附图、说明书和所附权利要求的研究，理解和实现对所公开的实施例进行的改变。在权利要求中，词语“包括”不排除其他元件或步骤，并且不定冠词“一”或“一种”不排除复数。单独的处理器或其他单元可以实现权利要求中引用的若干个条目的功能。唯一的事实在于，在相互不同的从属权利要求中叙述的一些措施并不表示这些措施的组合不能被有利地使用。计算机程序可以存储/分布于合适的介质上，如，与其他硬件一起或作为其他硬件的一部分提供的光学存储介质或固态介质，但是也可以以其他形式分布，如，经由互联网或其他有线或无线通讯系统。权利要求中的任何参考符号不应被解释为限制范围。
Claims (22)
1.一种由通信网络中的节点执行的用于确定用于向所述通信网络上的第一运营商提供服务的目标网络配置的方法，所述方法包括：
获得(202)所述第一运营商的特性；
针对所述通信网络中的多个先前运营商，获得(204)所述先前运营商的特性以及用于各个先前运营商的对应目标网络配置；
基于所述第一运营商的特性和所述先前运营商的特性之间的相似度，将所述第一运营商与从所述先前运营商中选择的第二运营商匹配(206)；以及
基于用于所述第二运营商的目标网络配置，确定(208)用于所述第一运营商的目标网络配置。
2.根据权利要求1所述的方法，其中，将所述第一运营商与所述第二运营商匹配(206)的步骤是使用相似度评估方法来执行的。
3.根据权利要求1或2所述的方法，其中，将所述第一运营商与所述第二运营商匹配(206)的步骤包括：
对所述先前运营商的特性和所述第一运营商的特性执行聚类；
从包括所述第一运营商的集群中选择所述第二运营商。
4.根据权利要求1所述的方法，其中，将所述第一运营商与所述第二运营商匹配(206)的步骤包括：
使用长短期记忆LSTM网络来预测匹配的第二运营商，其中，所述LSTM根据所述多个先前运营商的特性进行训练以针对所述第一运营商预测第二运营商。
5.根据前述权利要求中任一项所述的方法，其中，所述先前运营商的特性和对应的目标网络配置是时间相关的，并且其中，所述方法还包括：
确定先前运营商的不同实例，每个实例对应于不同的时间间隔；以及
其中，将所述第一运营商与所述第二运营商匹配的步骤包括将所述第一运营商与所述第二运营商的与特定时间间隔相关联的特定实例匹配；以及
其中，确定用于所述第一运营商的目标网络配置的步骤基于在与所述特定实例相关联的特定时间间隔中用于所述第二运营商的目标网络配置。
6.根据前述权利要求中任一项所述的方法，其中，确定(208)用于所述第一运营商的目标网络配置的步骤包括：针对所述第一运营商，选择来自用于所述第二运营商的目标网络配置的一个或多个参数值。
7.根据前述权利要求中任一项所述的方法，其中，将所述第一运营商与第二运营商匹配(206)的步骤还包括：将所述第一运营商与从所述先前运营商中选择的第三运营商匹配，并且根据所述第二运营商和所述第三运营商的目标网络配置来确定用于所述第一运营商的目标网络配置。
8.根据权利要求7所述的方法，其中，确定(208)用于所述第一运营商的目标网络配置的步骤是使用基于案例的推理方法来执行的。
9.根据权利要求7所述的方法，其中，确定(208)用于所述第一运营商的目标网络配置的步骤包括：使用所述第二运营商和所述第三运营商的目标网络配置中的一个或多个参数的聚合函数或平均值。
10.根据权利要求7所述的方法，其中，确定(208)用于所述第一运营商的目标网络配置的步骤包括：基于满足所述第二运营商和所述第三运营商的目标网络配置中的每个目标网络配置所需的资源，从所述第二运营商和所述第三运营商的目标网络配置中选择目标网络配置。
11.根据权利要求10所述的方法，包括：从所述第二运营商和所述第三运营商中选择需要最少资源的目标网络配置，作为用于所述第一运营商的目标网络配置。
12.根据权利要求7所述的方法，其中，确定(208)用于所述第一运营商的目标网络配置的步骤包括：基于所述通信网络相对于相应目标网络配置的先前性能，从所述第二运营商和所述第三运营商的目标网络配置中选择目标网络配置。
13.根据权利要求12所述的方法，其中，所述性能是根据对所述第二运营商和所述第三运营商的目标网络配置的违反来测量的。
14.根据权利要求7所述的方法，其中，确定(208)用于所述第一运营商的目标网络配置的步骤包括：基于由所述第一运营商提供的一个或多个标准，从所述第二运营商和所述第三运营商的目标网络配置中选择目标网络配置。
15.根据前述权利要求中任一项所述的方法，其中，所述目标网络配置包括业务意图BI或关键性能指标KPI的目标。
16.一种通信网络中的节点(100)，用于确定用于向所述通信网络上的第一运营商提供服务的目标网络配置，所述节点包括：
存储器(104)，包括表示指令集的指令数据；以及
处理器(102)，被配置为与所述存储器通信并执行所述指令集，其中，所述指令集当由所述处理器执行时使所述处理器：
获得所述第一运营商的特性；
针对所述通信网络中的多个先前运营商，获得所述先前运营商的特性以及用于各个先前运营商的对应目标网络配置；
基于所述第一运营商的特性和所述先前运营商的特性之间的相似度，将所述第一运营商与从所述先前运营商中选择的第二运营商匹配；以及
基于用于所述第二运营商的目标网络配置，确定用于所述第一运营商的目标网络配置。
17.根据权利要求16所述的节点(100)，还被配置为执行根据权利要求2至15中任一项所述的方法。
18.一种通信网络中的节点(100)，用于确定用于在通信网络中向所述通信网络上的第一运营商提供服务的目标网络配置，所述节点适于：
获得所述第一运营商的特性；
针对所述通信网络中的多个先前运营商，获得所述先前运营商的特性以及用于各个先前运营商的对应目标网络配置；
基于所述第一运营商的特性和所述先前运营商的特性之间的相似度，将所述第一运营商与从所述先前运营商中选择的第二运营商匹配；以及
基于用于所述第二运营商的目标网络配置，确定用于所述第一运营商的目标网络配置。
19.根据权利要求18所述的节点，还被配置为执行根据权利要求2至15中任一项所述的方法。
20.一种包括指令的计算机程序，所述指令当在至少一个处理器上执行时，使所述至少一个处理器执行根据权利要求1至15中任一项所述的方法。
21.一种包含根据权利要求20所述的计算机程序的载体，其中，所述载体包括电信号、光信号、无线电信号或计算机可读存储介质之一。
22.一种计算机程序产品，包括非暂时性计算机可读介质，所述非暂时性计算机可读介质上存储有根据权利要求20所述的计算机程序。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/SE2021/050096 WO2022173336A1 (en) | 2021-02-09 | 2021-02-09 | Methods for determining a target network configuration |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116830542A true CN116830542A (zh) | 2023-09-29 |
Family
ID=82838078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180093187.2A Pending CN116830542A (zh) | 2021-02-09 | 2021-02-09 | 通信网络中的方法和节点 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20240089182A1 (zh) |
| EP (1) | EP4292323A1 (zh) |
| CN (1) | CN116830542A (zh) |
| WO (1) | WO2022173336A1 (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6421719B1 (en) * | 1995-05-25 | 2002-07-16 | Aprisma Management Technologies, Inc. | Method and apparatus for reactive and deliberative configuration management |
| US9552232B2 (en) * | 2013-03-12 | 2017-01-24 | Xerox Corporation | System and process to recommend cloud service cloud configuration based on service similarity |
| US10355922B1 (en) * | 2014-11-11 | 2019-07-16 | Amazon Technologies, Inc. | Automated computing architecture configuration service |
| US10305738B2 (en) * | 2016-01-06 | 2019-05-28 | Esi Software Ltd. | System and method for contextual clustering of granular changes in configuration items |
| EP3742669B1 (en) * | 2019-05-20 | 2023-11-08 | Nokia Technologies Oy | Machine learning in radio access networks |
-
2021
- 2021-02-09 EP EP21925953.8A patent/EP4292323A1/en active Pending
- 2021-02-09 US US18/274,375 patent/US20240089182A1/en active Pending
- 2021-02-09 CN CN202180093187.2A patent/CN116830542A/zh active Pending
- 2021-02-09 WO PCT/SE2021/050096 patent/WO2022173336A1/en active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| EP4292323A1 (en) | 2023-12-20 |
| WO2022173336A1 (en) | 2022-08-18 |
| US20240089182A1 (en) | 2024-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| D’Oro et al. | Orchestran: Network automation through orchestrated intelligence in the open ran | |
| Bandani et al. | Multiplicative long short-term memory-based software-defined networking for handover management in 5G network | |
| CN109560955B (zh) | 网络的部署信息确定方法及设备 | |
| CN113709048A (zh) | 一种路由信息的发送、接收方法、网元及节点设备 | |
| KR20190043600A (ko) | 인지 네트워크 관리 시스템들에서 인지 기능들을 제공하고 관리를 용이하게 하기 위한 방법 및 장치 | |
| CN111935223B (zh) | 基于5g和云计算的物联网设备处理方法及云计算中心 | |
| KR20210101373A (ko) | 무선 통신 시스템에서 네트워크 슬라이스를 생성하기 위한 장치 및 방법 | |
| WO2023143267A1 (zh) | 一种模型配置方法及装置 | |
| CN108604996B (zh) | 一种nfv系统中的策略传输方法和装置 | |
| Donatti et al. | Survey on machine learning-enabled network slicing: covering the entire life cycle | |
| Bedda et al. | Efficient wireless network slicing in 5G networks: An asynchronous federated learning approach | |
| Chi et al. | Multi-criteria dynamic service migration for ultra-large-scale edge computing networks | |
| CN116830542A (zh) | 通信网络中的方法和节点 | |
| Castro et al. | Opportunities for AI/ML in telecommunications networks | |
| US11622322B1 (en) | Systems and methods for providing satellite backhaul management over terrestrial fiber | |
| US11588882B2 (en) | Method, electronic device, and computer program product for application migration | |
| US20220377652A1 (en) | Resource availability check | |
| Mohandas et al. | Signal processing with machine learning for context awareness in 5G communication technology | |
| Basu et al. | DeepCare: Deep Learning-Based Smart Healthcare Framework using 5G Assisted Network Slicing | |
| US20230045754A1 (en) | Trust related management of artificial intelligence or machine learning pipelines in relation to the trustworthiness factor explainability | |
| CTTC et al. | Deliverable D4. 2 Initial report on elastic MEC platform design and data-driven orchestration and automation | |
| Li et al. | Quantum ant colony-based mobile-aware service deployment in SDN-based multi-access edge computing environments | |
| US20240135247A1 (en) | Method and Apparatus for Selecting Machine Learning Model for Execution in a Resource Constraint Environment | |
| US20220303794A1 (en) | Systems and methods for providing network failure and cause code handling in 5g networks | |
| WO2024027916A1 (en) | Devices, methods and computer-readable media for activation of artificial intelligence and/or machine learning capabilities |
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 |