CN117221839B - 5g信令识别方法及其系统 - Google Patents
5g信令识别方法及其系统 Download PDFInfo
- Publication number
- CN117221839B CN117221839B CN202311481561.3A CN202311481561A CN117221839B CN 117221839 B CN117221839 B CN 117221839B CN 202311481561 A CN202311481561 A CN 202311481561A CN 117221839 B CN117221839 B CN 117221839B
- Authority
- CN
- China
- Prior art keywords
- signaling
- metadata
- semantic
- data
- training
- 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
- 230000011664 signaling Effects 0.000 title claims abstract description 302
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000013598 vector Substances 0.000 claims description 137
- 238000012549 training Methods 0.000 claims description 59
- 230000004927 fusion Effects 0.000 claims description 57
- 238000012098 association analyses Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 14
- 230000006854 communication Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- 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
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种5G信令识别方法及其系统,其根据信令的内容、地址和协议等其他特征,将其分类为不同的类别,例如用户面信令、控制面信令、业务面信令等,其中,用户面信令主要用于传输用户数据,控制面信令用于网络控制和管理,而业务面信令则涉及特定的业务需求和服务。该信令识别方法能够有效地利用信令的原始数据和元数据中的全部语义关联信息,实现高精度、高效率、高鲁棒性的信令识别,从而提高网络的性能、安全性和效率,并实现更好的网络管理和优化,为运营商优化网络建设、提升网络服务提供助力。
Description
技术领域
本申请涉及智能识别领域,且更为具体地,涉及一种5G信令识别方法及其系统。
背景技术
随着5G网络建设的快速推进,移动网络承载能力再度发生飞跃,用户对于网服务的需求体验也随之不断提升,运营商在网络建设、网络维护、网络管理等方面的要求不断升级,保证网络建设的有效性,提供优质的网络服务是运营商的根本需求。5G网络的信令系统是保障网络正常运行和提供高质量服务的重要组成部分,其复杂性和多样性也随着网络的发展而增加。因此,对5G网络的信令进行有效的识别和分类,是对网络进行监测、分析、管理和优化的基础和前提,其可以帮助运营商优化网络建设、提升网络服务,从而提高用户体验和网络性能。
然而,目前的信令识别方法主要基于规则匹配或机器学习的方法,存在以下问题:一是规则匹配方法需要人工编写大量的规则,不仅耗时耗力,而且难以适应信令的变化和更新;二是机器学习方法需要大量的标注数据,而在实际场景中,标注数据往往不足或不准确;三是现有的方法往往只考虑信令的原始数据或元数据中的部分信息,忽略了信令内容和属性之间的语义关联和上下文信息,导致识别效果不理想。
因此,期望一种优化的5G信令识别方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种5G信令识别方法及其系统,其根据信令的内容、地址和协议等其他特征,将其分类为不同的类别,例如用户面信令、控制面信令、业务面信令等,其中,用户面信令主要用于传输用户数据,控制面信令用于网络控制和管理,而业务面信令则涉及特定的业务需求和服务。该信令识别方法能够有效地利用信令的原始数据和元数据中的全部语义关联信息,实现高精度、高效率、高鲁棒性的信令识别,从而提高网络的性能、安全性和效率,并实现更好的网络管理和优化,为运营商优化网络建设、提升网络服务提供助力。
根据本申请的一个方面,提供了一种5G信令识别方法,其包括:
获取由数据采集解析设备采集的待识别信令数据;
从所述待识别信令数据提取原始数据和元数据,其中,所述元数据包括源地址、目的地址、时间戳和协议类型;
对所述原始数据进行语义编码以得到信令原始数据语义特征向量;
对所述元数据进行语义关联分析以得到信令元数据语义关联特征向量;
融合所述信令原始数据语义特征向量和所述信令元数据语义关联特征向量以得到信令原始数据-元数据语义融合特征;以及
基于所述信令原始数据-元数据语义融合特征,确定信令的类型标签。
根据本申请的另一个方面,提供了一种5G信令识别系统,其包括:
数据采集模块,用于获取由数据采集解析设备采集的待识别信令数据;
数据提取模块,用于从所述待识别信令数据提取原始数据和元数据,其中,所述元数据包括源地址、目的地址、时间戳和协议类型;
语义编码模块,用于对所述原始数据进行语义编码以得到信令原始数据语义特征向量;
语义关联分析模块,用于对所述元数据进行语义关联分析以得到信令元数据语义关联特征向量;
特征融合模块,用于融合所述信令原始数据语义特征向量和所述信令元数据语义关联特征向量以得到信令原始数据-元数据语义融合特征;以及
标签生成模块,用于基于所述信令原始数据-元数据语义融合特征,确定信令的类型标签。
与现有技术相比,本申请提供的一种5G信令识别方法及其系统,其根据信令的内容、地址和协议等其他特征,将其分类为不同的类别,例如用户面信令、控制面信令、业务面信令等,其中,用户面信令主要用于传输用户数据,控制面信令用于网络控制和管理,而业务面信令则涉及特定的业务需求和服务。该信令识别方法能够有效地利用信令的原始数据和元数据中的全部语义关联信息,实现高精度、高效率、高鲁棒性的信令识别,从而提高网络的性能、安全性和效率,并实现更好的网络管理和优化,为运营商优化网络建设、提升网络服务提供助力。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的5G信令识别方法的流程图;
图2为根据本申请实施例的5G信令识别方法的系统架构图;
图3为根据本申请实施例的5G信令识别方法的训练阶段的流程图;
图4为根据本申请实施例的5G信令识别方法的子步骤S4的流程图;
图5为根据本申请实施例的5G信令识别系统的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
目前的信令识别方法主要基于规则匹配或机器学习的方法,存在以下问题:一是规则匹配方法需要人工编写大量的规则,不仅耗时耗力,而且难以适应信令的变化和更新;二是机器学习方法需要大量的标注数据,而在实际场景中,标注数据往往不足或不准确;三是现有的方法往往只考虑信令的原始数据或元数据中的部分信息,忽略了信令内容和属性之间的语义关联和上下文信息,导致识别效果不理想。因此,期望一种优化的5G信令识别方案。
在本申请的技术方案中,提出了一种5G信令识别方法。图1为根据本申请实施例的5G信令识别方法的流程图。图2为根据本申请实施例的5G信令识别方法的系统架构图。如图1和图2所示,根据本申请的实施例的5G信令识别方法,包括步骤:S1,获取由数据采集解析设备采集的待识别信令数据;S2,从所述待识别信令数据提取原始数据和元数据,其中,所述元数据包括源地址、目的地址、时间戳和协议类型;S3,对所述原始数据进行语义编码以得到信令原始数据语义特征向量;S4,对所述元数据进行语义关联分析以得到信令元数据语义关联特征向量;S5,融合所述信令原始数据语义特征向量和所述信令元数据语义关联特征向量以得到信令原始数据-元数据语义融合特征;以及,S6,基于所述信令原始数据-元数据语义融合特征,确定信令的类型标签。
特别地,所述S1,获取由数据采集解析设备采集的待识别信令数据。其中,信令数据是指在通信网络中用于控制和管理通信过程的数据。它包含了与建立、维护和终止通信会话相关的信息。在通信网络中,当用户进行通信时,信令数据用于协调和管理通信过程,确保通信的顺利进行。
特别地,所述S2,从所述待识别信令数据提取原始数据和元数据,其中,所述元数据包括源地址、目的地址、时间戳和协议类型。应可以理解,所述原始数据是指信令的实际内容,即信令的载荷或有效负载,它包含了信令传递的具体信息,如文本、音频、视频、图像等,所述原始数据是信令的主要部分,用于传递特定的信息或执行特定的操作。所述元数据是指与信令相关的描述性信息,提供了关于信令的上下文和属性的额外信息。元数据通常包括以下内容:源地址、目的地址、时间戳和协议类型,其中,所述源地址和所述目的地址分别表示指示信令的发送者和接收者的网络地址,所述源地址表示信令的起始点,所述目的地址表示信令的目标点;所述时间戳表示指示信令的生成或捕获时间,该时间戳可以用于记录信令的发生顺序、计算延迟或分析信令的时序特征;所述协议类型为指示信令所使用的协议类型,如TCP、UDP、HTTP、SMTP等,该协议类型描述了信令的通信规则和格式。
相应的,在一种可能的实现方案中,可通过以下步骤从所述待识别信令数据提取原始数据和元数据,其中,所述元数据包括源地址、目的地址、时间戳和协议类型,例如:从信令数据源中读取待识别的信令数据;对读取的信令数据进行解析,将其转换为可处理的数据结构。这可以根据信令数据的格式和协议进行相应的解析操作;从解析后的信令数据中提取源地址和目的地址信息;从解析后的信令数据中提取时间戳信息。时间戳表示信令数据的生成或捕获时间,可以是日期时间格式或以某种时间单位表示的数值;从解析后的信令数据中提取协议类型信息。协议类型指示信令数据所使用的通信协议,例如TCP、UDP、HTTP、SMTP等;将提取的源地址、目的地址、时间戳和协议类型组合成元数据。可以使用数据结构(如字典、元组等)来表示元数据,使其便于后续的处理和分析。
特别地,所述S3,对所述原始数据进行语义编码以得到信令原始数据语义特征向量。为了捕捉到信令的语义信息,以便进行后续的分析和处理,在本申请的技术方案中,进一步对所述原始数据进行语义编码以得到信令原始数据语义特征向量。通过对所述原始数据进行语义编码,可以将其转化为具有固定维度的语义特征向量。语义编码的过程可以利用自然语言处理或机器视觉技术等其他相关技术,将原始数据转化为语义表示。这样,可以提取出信令中的原始数据关键信息,并去除冗余和噪声,以将所述原始数据表示为更加紧凑和有意义的向量形式。
相应的,在一种可能的实现方案中,可通过以下步骤对所述原始数据进行语义编码以得到信令原始数据语义特征向量,例如:对信令原始数据进行预处理步骤,包括数据清洗、去除噪声、标准化等。这可以确保数据质量和一致性,使后续的编码过程更加有效和准确;对信令原始数据进行文本分词,将文本划分为单词或短语的序列。然后,使用词向量化技术(如Word2Vec、GloVe等)将每个单词或短语转换为向量表示。这样可以将文本数据转换为数值化的表示形式,以便计算机能够处理和理解;如果信令原始数据是序列数据(如时间序列数据),可以使用序列编码技术(如循环神经网络(RNN)、长短期记忆网络(LSTM)等)对序列进行编码。这可以捕捉序列中的时间依赖关系和上下文信息;对词向量化或序列编码后的数据进行特征选择和降维操作,以减少特征的维度并去除冗余信息;将经过特征选择和降维后的数据表示为特征向量。每个样本或数据点都表示为一个向量,其中每个维度对应一个特征;使用适当的语义编码模型(如深度学习模型、自编码器等)对特征向量进行编码,以提取数据的语义特征;根据语义编码模型的输出,得到每个样本的语义特征向量,即所述信令原始数据语义特征向量。
特别地,所述S4,对所述元数据进行语义关联分析以得到信令元数据语义关联特征向量。特别地,在本申请的一个具体示例中,如图4所示,所述S4,包括:S41,对所述元数据进行编码以得到元数据编码向量的序列;以及,S42,将所述元数据编码向量的序列通过信令元数据上下文语义编码器以得到信令元数据语义关联特征向量。
具体地,所述S41,对所述元数据进行编码以得到元数据编码向量的序列。考虑到所述元数据包含了信令的关键属性信息,例如源地址、目的地址、时间戳和协议类型等。因此,为了能够对于这些数据进行关联分析和语义编码,需要进一步对所述元数据进行编码以得到元数据编码向量的序列,以将这些信令属性信息转化为计算机可处理的形式,以便进行后续的分析和处理。通过对元数据进行编码,可以提取出元数据中的各个数据项的关键特征,并将其表示为向量的形式。这样,有助于减少数据的维度,去除冗余信息,并将元数据转化为更加紧凑和有意义的向量表示形式,以便于后续对于信令的元数据进行上下文语义分析和理解。
具体地,所述S42,将所述元数据编码向量的序列通过信令元数据上下文语义编码器以得到信令元数据语义关联特征向量。应可以理解,在信令识别中,不仅仅需要考虑单个元数据的数据项的特征信息,还需要考虑元数据的各个数据项之间的关系和上下文信息。例如,在一个通信会话中,多个信令元数据可能相互关联,它们的顺序、时间间隔、交互模式等都可能包含有用的信息,这对于信令的类型识别具有重要意义。因此,在本申请的技术方案中,进一步将所述元数据编码向量的序列通过信令元数据上下文语义编码器以得到信令元数据语义关联特征向量。应可以理解,通过使用所述信令元数据上下文语义编码器,可以捕捉到元数据中各个数据项之间的关联和上下文信息,并将所述元数据编码向量的序列转化为具有语义关联特征的向量表示。通过捕捉这些语义关联特征,可以更好地理解信令元数据的整体语义,从而提高信令识别的准确性和效果。更具体地,将所述元数据编码向量的序列通过信令元数据上下文语义编码器以得到信令元数据语义关联特征向量,包括:将所述元数据编码向量的序列进行一维排列以得到全局元数据编码特征向量;计算所述全局元数据编码特征向量与所述元数据编码向量的序列中各个元数据编码向量的转置向量之间的乘积以得到多个自注意力关联矩阵;分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;分别以所述多个概率值中各个概率值作为权重对所述元数据编码向量的序列中各个元数据编码向量进行加权以得到所述多个上下文语义元数据编码特征向量;以及,将所述多个上下文语义元数据编码特征向量进行级联以得到所述信令元数据语义关联特征向量。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述元数据进行语义关联分析以得到信令元数据语义关联特征向量,例如:对信令元数据进行预处理步骤,包括数据清洗、去除噪声、标准化等;从信令元数据中提取相关特征;将提取的特征表示为向量形式。对于文本特征,可以使用词向量化技术(如Word2Vec、GloVe等)将文本转换为向量表示;对特征向量进行相似度计算,以衡量信令元数据之间的语义关联程度。常用的相似度计算方法包括余弦相似度、欧氏距离、曼哈顿距离等;应用关联分析技术来发现信令元数据之间的语义关联;根据关联分析的结果,对特征进行选择和降维操作,以减少特征的维度并去除冗余信息;根据特征选择和降维后的数据,生成每个信令元数据的关联特征向量。
特别地,所述S5,融合所述信令原始数据语义特征向量和所述信令元数据语义关联特征向量以得到信令原始数据-元数据语义融合特征。应可以理解,在信令识别任务中,由于所述信令的原始数据和所述信令的元数据都包含了有用的语义特征信息,但它们可能具有不同的特征表示和重要性,为了充分利用这两种信息,需要将所述原始数据和所述元数据的语义特征信息进行有效的整合,以得到更全面和准确的信令原始数据-元数据语义融合特征向量。特别地,在进行特征融合的过程中,考虑到所述信令的原始数据语义特征与所述信令的元数据之间具有着相互的影响,这对于信令的识别具有着重要意义,因此,在本申请的技术方案中,进一步使用双向注意力融合模块来融合所述信令原始数据语义特征向量和所述信令元数据语义关联特征向量以得到信令原始数据-元数据语义融合特征向量。应可以理解,所述双向注意力融合模块可以通过注意力机制来捕捉所述原始数据语义特征和所述元数据语义特征之间的时序协同关联信息。也就是说,通过引入所述双向的注意力机制,可以同时考虑所述原始数据语义特征和所述元数据语义特征之间的相互影响。这样,可以更全面地理解它们之间的相互语义关联和作用,并将这些关联信息融合到一个统一的特征表示中,从而提高信令识别模型对信令的理解和表示能力,提高识别的准确性和鲁棒性。
特别地,所述S6,基于所述信令原始数据-元数据语义融合特征,确定信令的类型标签。也就是,在本申请的技术方案中,将所述信令原始数据-元数据语义融合特征向量通过分类器以得到分类结果,所述分类结果用于表示信令的类型标签。具体地,在本申请的技术方案中,所述分类器的分类标签为信令的类型标签,因此,在得到所述分类结果后,可以基于所述分类结果来进行信令的类型识别,通过这样的方式,能够根据信令的内容、地址和协议等其他特征,将其分类为不同的类别,例如用户面信令、控制面信令、业务面信令等,这里,用户面信令主要用于传输用户数据,控制面信令用于网络控制和管理,而业务面信令则涉及特定的业务需求和服务。具体地,使用所述分类器的多个全连接层对所述信令原始数据-元数据语义融合特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
分类器是指一种机器学习模型或算法,用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分,它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层是神经网络中常见的一种层类型。在全连接层中,每个神经元都与上一层的所有神经元相连接,每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入,并通过权重对这些输入进行加权求和,然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数,用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值,并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层,特别适用于多分类问题,因为它能够将网络输出映射为各个类别的概率分布。在训练过程中,Softmax函数的输出可以用于计算损失函数,并通过反向传播算法来更新网络参数。值得注意的是,Softmax函数的输出并不会改变元素之间的相对大小关系,只是对其进行了归一化处理。因此,Softmax函数并不改变输入向量的特性,只是将其转化为概率分布形式。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述信令元数据上下文语义编码器、所述双向注意力融合模块和所述分类器进行训练。也就是说,在本申请的5G信令识别方法中,还包括训练阶段,用于对所述信令元数据上下文语义编码器、所述双向注意力融合模块和所述分类器进行训练。
图3为根据本申请实施例的5G信令识别方法的训练阶段的流程图。如图3所示,根据本申请实施例的5G信令识别方法,包括:训练阶段,包括:S110,获取训练数据,所述训练数据包括训练待识别信令数据,以及,所述信令的类型标签;S120,从所述训练待识别信令数据提取训练原始数据和训练元数据;S130,对所述训练原始数据进行语义编码以得到训练信令原始数据语义特征向量;S140,对所述训练元数据进行编码以得到训练元数据编码向量的序列;S150,将所述训练元数据编码向量的序列通过所述信令元数据上下文语义编码器以得到训练信令元数据语义关联特征向量;S160,使用所述双向注意力融合模块来融合所述训练信令原始数据语义特征向量和所述训练信令元数据语义关联特征向量以得到训练信令原始数据-元数据语义融合特征向量;S170,将所述训练信令原始数据-元数据语义融合特征向量通过所述分类器以得到分类损失函数值;以及,S180,基于所述分类损失函数值并通过梯度下降的方向传播来对所述信令元数据上下文语义编码器、所述双向注意力融合模块和所述分类器进行训练,其中,在所述训练的每次权重矩阵迭代时,对所述训练信令原始数据-元数据语义融合特征向量进行特征修正。
其中,将所述训练信令原始数据-元数据语义融合特征向量通过所述分类器以得到分类损失函数值,包括:使用所述分类器对所述训练信令原始数据-元数据语义融合特征向量进行处理以得到训练分类结果:以及,计算所述训练分类结果与所述信令的类型标签的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
特别地,在本申请的技术方案中,所述信令原始数据语义特征向量和所述信令元数据语义关联特征向量分别表达所述待识别信令数据中提取的原始数据和元数据的文本语义特征,通过使用双向注意力融合模块,可以使得融合得到的所述信令原始数据-元数据语义融合特征向量在基于跨异质源数据域的文本语义特征的双向注意力交互加权的基础上,包含跨域异质源数据的文本语义特征及其语义上下文关联特征,从而使得所述信令原始数据-元数据语义融合特征向量具有跨异质源数据域的多维度文本语义关联表示,也就是,与不同性质的原始数据和元数据的源数据域对应的多维度密集文本语义分布表示,这就会导致在所述信令原始数据-元数据语义融合特征向量通过分类器进行分类回归训练时,所述分类器的权重矩阵的训练效率降低。基于此,本申请的申请人在将所述信令原始数据-元数据语义融合特征向量通过分类器进行分类回归的训练时,基于所述信令原始数据-元数据语义融合特征向量来进行分类器的训练,具体表示为:
其中和/>分别是上次和本次迭代的权重矩阵,其中在首次迭代时,采用不同的初始化策略设置/>和/>,(例如,/>是单位矩阵而/>是以待分类的信令原始数据-元数据语义融合特征向量的全局均值为对角特征值的均值对角矩阵),/>是待分类的信令原始数据-元数据语义融合特征向量,/>和/>分别表示特征向量/>和/>的全局均值,且/>是偏置矩阵,例如初始设置为单位矩阵,向量以列向量形式。也就是,考虑到在进行基于待分类的信令原始数据-元数据语义融合特征向量/>的密集预测任务时,需要将权重矩阵的高分辨率表示与待分类的信令原始数据-元数据语义融合特征向量/>的文本语义特征分布多维度密集关联上下文进行集成,因此通过在迭代过程中最大化权重空间的分布边界,来基于迭代关联表示资源认知地实现渐进集成,从而提高权重矩阵的训练效果,提升分类器整体的训练效率。这样,能够有效地利用信令的原始数据和元数据中的全部语义关联信息,实现高精度、高效率和高鲁棒性的信令识别,从而提高网络的性能、安全性和效率,并实现更好的网络管理和优化,为运营商优化网络建设、提升网络服务提供助力。
综上,根据本申请实施例的5G信令识别方法被阐明,其根据信令的内容、地址和协议等其他特征,将其分类为不同的类别,例如用户面信令、控制面信令、业务面信令等,其中,用户面信令主要用于传输用户数据,控制面信令用于网络控制和管理,而业务面信令则涉及特定的业务需求和服务。该信令识别方法能够有效地利用信令的原始数据和元数据中的全部语义关联信息,实现高精度、高效率、高鲁棒性的信令识别,从而提高网络的性能、安全性和效率,并实现更好的网络管理和优化,为运营商优化网络建设、提升网络服务提供助力。
进一步地,还提供一种风光发电储能管理系统。
图5为根据本申请实施例的5G信令识别系统的框图。如图5所示,根据本申请实施例的5G信令识别系统300,包括:数据采集模块310,用于获取由数据采集解析设备采集的待识别信令数据;数据提取模块320,用于从所述待识别信令数据提取原始数据和元数据,其中,所述元数据包括源地址、目的地址、时间戳和协议类型;语义编码模块330,用于对所述原始数据进行语义编码以得到信令原始数据语义特征向量;语义关联分析模块340,用于对所述元数据进行语义关联分析以得到信令元数据语义关联特征向量;特征融合模块350,用于融合所述信令原始数据语义特征向量和所述信令元数据语义关联特征向量以得到信令原始数据-元数据语义融合特征;以及,标签生成模块360,用于基于所述信令原始数据-元数据语义融合特征,确定信令的类型标签。
如上所述,根据本申请实施例的5G信令识别系统300可以实现在各种无线终端中,例如具有5G信令识别算法的服务器等。在一种可能的实现方式中,根据本申请实施例的5G信令识别系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该5G信令识别系统300可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该5G信令识别系统300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该5G信令识别系统300与该无线终端也可以是分立的设备,并且该5G信令识别系统300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种5G信令识别方法,其特征在于,包括:
获取由数据采集解析设备采集的待识别信令数据;
从所述待识别信令数据提取原始数据和元数据,其中,所述元数据包括源地址、目的地址、时间戳和协议类型;
对所述原始数据进行语义编码以得到信令原始数据语义特征向量;
对所述元数据进行语义关联分析以得到信令元数据语义关联特征向量;
融合所述信令原始数据语义特征向量和所述信令元数据语义关联特征向量以得到信令原始数据-元数据语义融合特征;以及
基于所述信令原始数据-元数据语义融合特征,确定信令的类型标签。
2. 根据权利要求1所述的5G信令识别方法,其特征在于,对所述元数据进行语义关联分析以得到信令元数据语义关联特征向量,包括:
对所述元数据进行编码以得到元数据编码向量的序列;以及
将所述元数据编码向量的序列通过信令元数据上下文语义编码器以得到信令元数据语义关联特征向量。
3.根据权利要求2所述的5G信令识别方法,其特征在于,将所述元数据编码向量的序列通过信令元数据上下文语义编码器以得到信令元数据语义关联特征向量,包括:
将所述元数据编码向量的序列进行一维排列以得到全局元数据编码特征向量;
计算所述全局元数据编码特征向量与所述元数据编码向量的序列中各个元数据编码向量的转置向量之间的乘积以得到多个自注意力关联矩阵;
分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵;
将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值;
分别以所述多个概率值中各个概率值作为权重对所述元数据编码向量的序列中各个元数据编码向量进行加权以得到所述多个上下文语义元数据编码特征向量;以及
将所述多个上下文语义元数据编码特征向量进行级联以得到所述信令元数据语义关联特征向量。
4.根据权利要求3所述的5G信令识别方法,其特征在于,融合所述信令原始数据语义特征向量和所述信令元数据语义关联特征向量以得到信令原始数据-元数据语义融合特征,包括:使用双向注意力融合模块来融合所述信令原始数据语义特征向量和所述信令元数据语义关联特征向量以得到信令原始数据-元数据语义融合特征向量作为所述信令原始数据-元数据语义融合特征。
5.根据权利要求4所述的5G信令识别方法,其特征在于,基于所述信令原始数据-元数据语义融合特征,确定信令的类型标签,包括:将所述信令原始数据-元数据语义融合特征向量通过分类器以得到分类结果,所述分类结果用于表示信令的类型标签。
6.根据权利要求5所述的5G信令识别方法,其特征在于,还包括训练步骤:用于对所述信令元数据上下文语义编码器、所述双向注意力融合模块和所述分类器进行训练。
7.根据权利要求6所述的5G信令识别方法,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包括训练待识别信令数据,以及,所述信令的类型标签;
从所述训练待识别信令数据提取训练原始数据和训练元数据;
对所述训练原始数据进行语义编码以得到训练信令原始数据语义特征向量;
对所述训练元数据进行编码以得到训练元数据编码向量的序列;
将所述训练元数据编码向量的序列通过所述信令元数据上下文语义编码器以得到训练信令元数据语义关联特征向量;
使用所述双向注意力融合模块来融合所述训练信令原始数据语义特征向量和所述训练信令元数据语义关联特征向量以得到训练信令原始数据-元数据语义融合特征向量;
将所述训练信令原始数据-元数据语义融合特征向量通过所述分类器以得到分类损失函数值;以及
基于所述分类损失函数值并通过梯度下降的方向传播来对所述信令元数据上下文语义编码器、所述双向注意力融合模块和所述分类器进行训练,其中,在所述训练的每次权重矩阵迭代时,对所述训练信令原始数据-元数据语义融合特征向量进行特征修正。
8. 根据权利要求7所述的5G信令识别方法,其特征在于,将所述训练信令原始数据-元数据语义融合特征向量通过所述分类器以得到分类损失函数值,包括:
使用所述分类器对所述训练信令原始数据-元数据语义融合特征向量进行处理以得到训练分类结果:以及
计算所述训练分类结果与所述信令的类型标签的真实值之间的交叉熵损失函数值作为所述分类损失函数值。
9.一种5G信令识别系统,其特征在于,包括:
数据采集模块,用于获取由数据采集解析设备采集的待识别信令数据;
数据提取模块,用于从所述待识别信令数据提取原始数据和元数据,其中,所述元数据包括源地址、目的地址、时间戳和协议类型;
语义编码模块,用于对所述原始数据进行语义编码以得到信令原始数据语义特征向量;
语义关联分析模块,用于对所述元数据进行语义关联分析以得到信令元数据语义关联特征向量;
特征融合模块,用于融合所述信令原始数据语义特征向量和所述信令元数据语义关联特征向量以得到信令原始数据-元数据语义融合特征;以及
标签生成模块,用于基于所述信令原始数据-元数据语义融合特征,确定信令的类型标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311481561.3A CN117221839B (zh) | 2023-11-09 | 2023-11-09 | 5g信令识别方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311481561.3A CN117221839B (zh) | 2023-11-09 | 2023-11-09 | 5g信令识别方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117221839A CN117221839A (zh) | 2023-12-12 |
CN117221839B true CN117221839B (zh) | 2024-01-16 |
Family
ID=89037479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311481561.3A Active CN117221839B (zh) | 2023-11-09 | 2023-11-09 | 5g信令识别方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117221839B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413999A (zh) * | 2019-07-17 | 2019-11-05 | 新华三大数据技术有限公司 | 实体关系抽取方法、模型训练方法及相关装置 |
CN110928997A (zh) * | 2019-12-04 | 2020-03-27 | 北京文思海辉金信软件有限公司 | 意图识别方法、装置、电子设备及可读存储介质 |
WO2022043643A1 (en) * | 2020-08-25 | 2022-03-03 | Emotional Perception AI Limited | Method of training a neural network and related system and method for categorizing and recommending associated content |
CN114938337A (zh) * | 2022-04-12 | 2022-08-23 | 华为技术有限公司 | 一种模型训练方法、装置及电子设备 |
CN115099233A (zh) * | 2022-06-27 | 2022-09-23 | 平安银行股份有限公司 | 一种语义解析模型的构建方法、装置、电子设备及存储介质 |
CN115688885A (zh) * | 2022-11-04 | 2023-02-03 | 广东赛昉科技有限公司 | 一种基于卷积神经网络的bert模型的微调方法及系统 |
CN116635874A (zh) * | 2020-12-25 | 2023-08-22 | 微软技术许可有限责任公司 | 用于预测数据的数据模型的生成 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11451670B2 (en) * | 2020-12-16 | 2022-09-20 | Oracle International Corporation | Anomaly detection in SS7 control network using reconstructive neural networks |
-
2023
- 2023-11-09 CN CN202311481561.3A patent/CN117221839B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110413999A (zh) * | 2019-07-17 | 2019-11-05 | 新华三大数据技术有限公司 | 实体关系抽取方法、模型训练方法及相关装置 |
CN110928997A (zh) * | 2019-12-04 | 2020-03-27 | 北京文思海辉金信软件有限公司 | 意图识别方法、装置、电子设备及可读存储介质 |
WO2022043643A1 (en) * | 2020-08-25 | 2022-03-03 | Emotional Perception AI Limited | Method of training a neural network and related system and method for categorizing and recommending associated content |
CN116635874A (zh) * | 2020-12-25 | 2023-08-22 | 微软技术许可有限责任公司 | 用于预测数据的数据模型的生成 |
CN114938337A (zh) * | 2022-04-12 | 2022-08-23 | 华为技术有限公司 | 一种模型训练方法、装置及电子设备 |
CN115099233A (zh) * | 2022-06-27 | 2022-09-23 | 平安银行股份有限公司 | 一种语义解析模型的构建方法、装置、电子设备及存储介质 |
CN115688885A (zh) * | 2022-11-04 | 2023-02-03 | 广东赛昉科技有限公司 | 一种基于卷积神经网络的bert模型的微调方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117221839A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084337B (zh) | 文本分类模型的训练方法、文本分类方法及设备 | |
CN110580292B (zh) | 一种文本标签生成方法、装置和计算机可读存储介质 | |
CN113312916B (zh) | 基于触发词语态学习的金融文本事件抽取方法 | |
US20150310862A1 (en) | Deep learning for semantic parsing including semantic utterance classification | |
CN111159409B (zh) | 基于人工智能的文本分类方法、装置、设备、介质 | |
CN111177367B (zh) | 案件分类方法、分类模型训练方法及相关产品 | |
CN113704460B (zh) | 一种文本分类方法、装置、电子设备和存储介质 | |
CN111428028A (zh) | 基于深度学习的信息分类方法及相关设备 | |
CN115186673A (zh) | 科技信息管理系统及其管理方法 | |
CN115409018B (zh) | 基于大数据的公司舆情监测系统及其方法 | |
CN114416979A (zh) | 一种文本查询方法、设备和存储介质 | |
CN111538818A (zh) | 数据查询方法、装置、电子设备及存储介质 | |
CN113949582A (zh) | 一种网络资产的识别方法、装置、电子设备及存储介质 | |
CN111694961A (zh) | 一种用于敏感数据泄露检测的关键词语义分类方法与系统 | |
CN115098673A (zh) | 基于变体注意力及层次结构的业务文书信息抽取方法 | |
CN116992304A (zh) | 基于人工智能的政策匹配分析系统及其方法 | |
CN116416480A (zh) | 一种基于多模板提示学习的视觉分类方法和装置 | |
CN114821401A (zh) | 视频审核方法、装置、设备、存储介质及程序产品 | |
CN111259087A (zh) | 基于领域知识库的计算机网络协议实体链接方法和系统 | |
CN117221839B (zh) | 5g信令识别方法及其系统 | |
CN115168590A (zh) | 文本特征提取方法、模型训练方法、装置、设备及介质 | |
CN114443904A (zh) | 视频查询方法、装置、计算机设备及计算机可读存储介质 | |
CN113627514A (zh) | 知识图谱的数据处理方法、装置、电子设备和存储介质 | |
CN112417886A (zh) | 意图实体信息抽取方法、装置、计算机设备及存储介质 | |
CN111666452A (zh) | 用于对视频进行聚类的方法和装置 |
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 |