CN117294743A - 一种构建方法、第一通信节点、存储介质及构建系统 - Google Patents
一种构建方法、第一通信节点、存储介质及构建系统 Download PDFInfo
- Publication number
- CN117294743A CN117294743A CN202210701470.5A CN202210701470A CN117294743A CN 117294743 A CN117294743 A CN 117294743A CN 202210701470 A CN202210701470 A CN 202210701470A CN 117294743 A CN117294743 A CN 117294743A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- digital twin
- communication system
- class
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 259
- 238000010276 construction Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000004088 simulation Methods 0.000 claims description 64
- 230000005477 standard model Effects 0.000 claims description 46
- 238000005516 engineering process Methods 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 66
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 238000013499 data model Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000010295 mobile communication Methods 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000036314 physical performance Effects 0.000 description 3
- 230000005225 physical processes and functions Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/131—Protocols for games, networked simulations or virtual reality
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供一种构建方法、第一通信节点、存储介质及构建系统。该方法包括:从模型库获取构建通信系统的数字孪生体所需的模型,所述模型基于所述通信系统的目标数据生成,所述模型库内存储有构建多个通信系统的模型;基于所述模型构建所述数字孪生体。
Description
技术领域
本申请涉及通信技术领域,例如涉及一种构建方法、第一通信节点、存储介质及构建系统。
背景技术
数字孪生体是物理世界和数字空间交互的概念体系。构建通信系统数字孪生体有利于对通信系统物理实体网络进行全生命周期的分析、仿真和控制优化,有助于实现物理实体网络的智慧化运营。
目前构建通信系统的数字孪生体的通信节点仅能专用于构建某一或某一代通信系统的数字孪生体,通信节点的通用性较差。
发明内容
本申请提供一种构建方法、第一通信节点、存储介质及构建系统。
本申请实施例提供了一种构建方法,应用于第一通信节点,包括:
从模型库获取构建通信系统的数字孪生体所需的模型,所述模型基于所述通信系统的目标数据生成,所述模型库内存储有构建多个通信系统的模型;
基于所述模型构建所述数字孪生体。
本申请实施例还提供了一种第一通信节点,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述的构建方法。
本申请实施例还提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述的构建方法。
本申请实施例还提供了一种构建系统,包括:本申请实施例所提供的第一通信节点、第二通信节点和通信系统,所述第二通信节点内包括有所述通信系统的数字孪生体。
关于本申请的以上实施例和其他方面以及其实现方式,在附图说明、具体实施方式和权利要求中提供更多说明。
附图说明
图1为一实施例提供的一种构建方法的流程图;
图2为一实施例提供的一种通信系统数字孪生体构建方法的实现示意图;
图3为一实施例提供的一种通信系统数字孪生体构建装置的实现示意图;
图4为一实施例提供的另一种通信系统数字孪生体构建方法的实现示意图;
图5为一实施例提供的一种构建装置的结构示意图;
图6为一实施例提供的一种第一通信节点的硬件结构示意图;
图7为一实施例提供的一种构建系统的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下文中将结合附图对本申请的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1为一实施例提供的一种构建方法的流程图,如图1所示,本实施例提供的方法可应用于第一通信节点,包括S110和S120。
S110、从模型库获取构建通信系统的数字孪生体所需的模型,所述模型基于所述通信系统的目标数据生成,所述模型库内存储有构建多个通信系统的模型。
本实施例中,数字孪生体可理解为一个充分利用物理模型、传感器更新、运行历史等数据,集成多学科、多物理量、多尺度、多概率的仿真过程,在虚拟空间中完成映射,从而反映相对应的实体装备的全生命周期过程的数字映射系统。通过构建通信系统的数字孪生体能够对通信系统物理实体网络进行全生命周期的分析、仿真和控制优化,有助于实现物理实体网络的智慧化运营。
模型库内存储有构建多个通信系统的模型,这些模型可以基于通信系统的目标数据生成。
其中,多个通信系统可以包括但不限于:基于第四代移动通信技术(the 4thGeneration mobile communication technology,4G)长期演进(Long Term Evolution,LTE)的通信系统、基于第五代移动通信技术(the 5th Generation mobile communicationtechnology,5G)新空口技术(New Radio,NR)的通信系统、和基于第六代移动通信技术(the6th Generation mobile communication technology,6G)的无线通信系统等。
目标数据可理解为与构建通信系统物理实体网络的数字孪生体相关联的数据。此处对目标数据不作具体限定。例如,当数字孪生体未构建和运行之前,目标数据可以包括通信系统的数据(如可以是通信系统的所有数据或根据实际需求所确定的部分数据),具体如通信系统(如物理网络实体)的运行数据、运行状态、网元特征属性、工参信息、环境信息(如无线环境)、配置参数数据、和/或构建数字孪生体所需的模型数据等。当数字孪生体构建和运行之后,目标数据还可以包括构建数字孪生体所产生的数据和/或数字孪生体所产生的数据 (如表征数字孪生体运行状况的数据等)。在此基础上,可以基于通信系统的目标数据生成模型,此处对如何基于通信系统的目标数据生成模型不作具体限定。
在本实施例中,模型库可以存储在数字孪生管控平台中,也可以存储在数字孪生管控平台中的数据平台中,或者也可以存储在数字孪生管控平台中的数据仓库中等,此处对此不作具体限定。在此基础上,可以通过数字孪生管控平台从模型库获取构建通信系统的数字孪生体所需的模型,如可以从数字孪生管控平台的模型库中获取,也可以从数字孪生管控平台的数据平台的模型库中获取,或者也可以从数字孪生管控平台的数据仓库的模型库中获取等。
模型库可以包括一个或多个模型,如可以包括但不限于数据类模型、仿真类模型、智能类模型、协议栈模型。其中,数据类模型可理解为包括表征通信系统的网络历史的数据属性集合和表征通信系统的当前状态的数据属性集合的模型。仿真类模型可理解为对通信系统的网络物理过程和功能进行模拟的模型。智能类模型可理解为基于人工智能(Artificial Intelligence,AI)技术对数据的输入输出构建的模型。协议栈模型可理解为根据通信标准得到的通信系统的协议栈架构的模型。
不同的通信系统的数字孪生体,其对应构建所需的模型可以是不同的,如可以包括数据类模型、仿真类模型、智能类模型和/或协议栈模型。模型库存储的构建多个通信系统的模型可以单独存储;也可以分类(或分区)存储,如针对每个通信系统,其对应构建数字孪生体所需的模型可以分为一类存储;此处对此不作具体限定。
在此基础上,从模型库中获取构建通信系统的数字孪生体所需的模型的过程中,可以根据实际需求确定获取哪些模型和这些模型的获取顺序。例如,可以首先获取协议栈模型;然后获取仿真类模型和智能类模型,并将这两类模型应用于协议栈模型上;最后获取数据类模型。需要说明的是,由于协议栈模型是基础,因此协议栈模型是需要首先获取的,其他模型可以根据实际需求确定相应的获取顺序。
S120、基于所述模型构建所述数字孪生体。
本实施例中,数字孪生体可以搭载于第一通信节点,即与数字孪生管控平台同属于一个载体(即第一通信节点)。或者,数字孪生体也可以搭载于第二通信节点,此处对此不作限定。
在此基础上,若数字孪生体与数字孪生管控平台同属于一个载体(即第一通信节点),则第一通信节点可以在本地构建数字孪生体。若数字孪生体搭载于第二通信节点,则第一通信节点可以将所获取的模型传输至包含数字孪生体的第二通信节点,由第二通信节点基于所接收的模型进行相应数字孪生体的构建。此处对如何基于模型构建数字孪生体不作具体限定。
在传输模型至第二通信节点的过程中,可以根据实际需求确定模型的传输顺序,例如可以先传输协议栈模型,再传输仿真类模型、智能类模型和数据类模型。
本实施例的模型库中存储有构建多个通信系统的模型,可根据实际需求从模型库获取构建通信系统的数字孪生体所需的模型,再基于模型构建对应的数字孪生体,由于模型库存储有多个通信系统的模型,故能够为多个通信系统构建各自所对应的数字孪生体,从而解决了构建通信系统的数字孪生体的通信节点仅能专用于构建某一或某一代通信系统的数字孪生体的问题,提高了通信节点的通用性。
在一实施例中,所述方法还包括:
基于通信系统的目标数据生成模型库。
本实施例中,在从模型库获取构建通信系统的数字孪生体所需的模型之前,还可以基于通信系统的目标数据对应生成多个模型,这多个模型可以构成一个模型库。此处对如何基于通信系统的目标数据生成模型库不作具体限定。如可以将目标数据分类后用于生成对应的模型,分类的具体方式不作限定,如根据模型库所包括模型的类别对目标数据分类。分类后的目标数据可以用于形成对应的模型。模型可以是数据的集合,也可以是神经网络模型等。
在一实施例中,所述方法还包括:
获取通信系统的目标数据;
存储目标数据。
本实施例中,在生成模型库之前,可以获取生成模型库所需的通信系统的目标数据。在获取到通信系统的目标数据之后,可以将目标数据存储在数字孪生管控平台中,如可以将目标数据存储至数字孪生管控平台中的数据平台中,也可以将目标数据存储至数字孪生管控平台中的数据仓库中,此处对目标数据的存储方式不作具体限定。
在一实施例中,所述目标数据包括:
通信系统的数据。
本实施例中,通信系统的数据可以指与通信系统相关联的所有或部分数据,如可以包括通信系统的运行数据、运行状态、网元特征属性、工参信息、环境信息(如无线环境信息)、配置参数数据、和/或构建数字孪生体所需的模型数据等。
通信系统的数据也可认为是通信系统物理网络实体的数据。
在一实施例中,通信系统的数据包括如下一个或多个:
运行数据;运行状态;网元特征属性;工参信息;环境信息;配置参数数据;构建数字孪生体所需的模型数据。
在一实施例中,目标数据包括如下一个或多个:
构建通信系统的数字孪生体产生的数据;
数字孪生体产生的数据。
本实施例中,目标数据还可以包括构建通信系统的数字孪生体产生的数据、和/或数字孪生体产生的数据。
在一实施例中,数字孪生体产生的数据包括:
数字孪生体的运行状况数据,运行状况数据由数字孪生体周期性或实时传输至第一通信节点。
本实施例中,数字孪生体的运行状况数据可理解为用于表征数字孪生体的运行状况的相关数据。
数字孪生体产生的数据可以包括数字孪生体的运行状况数据。数字孪生体的运行状况数据可以由数字孪生体周期性传输至第一通信节点(如可以是数字孪生管控平台控制数字孪生体周期性上报对应的运行状况数据),或实时传输至第一通信节点,此处对此不作限定。
在一实施例中,模型库包括如下一个或多个:
数据类模型;
仿真类模型;
智能类模型;
协议栈模型。
本实施例中,基于目标数据所生成的模型库中可包括一个或多个模型。如模型库可以包括但不限于数据类模型、仿真类模型、智能类模型和/或协议栈模型。
在一实施例中,数据类模型包括通信系统的网络历史的数据属性集合和通信系统的当前状态的数据属性集合。
本实施例中,数据类模型是依赖数据采集的,可包含表征通信系统的网络历史和当前状态的数据属性集合,以用于跟踪网络状态的动态变化。数据类模型可以包括但不限于基于各类计算统计指标、和关键绩效指标(Key Performance Indicators,KPI)的模型等。
可以根据物理网络实体中所使用的数据类模型以及其运行状态等数据生成对应的数据类模型。
在一实施例中,仿真类模型为对通信系统的网络物理过程和功能进行模拟的模型。
本实施例中,仿真类模型可理解为对通信系统的网络物理过程和功能进行模拟的模型。仿真类模型可以包括但不限于算法模型、业务模型、信道模型、和环境模型等。
可以根据物理网络实体的运行数据及物理表现等数据,生成对应的仿真类模型。
在一实施例中,智能类模型为基于目标技术对数据的输入输出构建的模型,目标技术包括人工智能技术。
本实施例中,目标技术可理解为构建智能类模型所采用的技术,目标技术可以包括但不限于人工智能技术,人工智能技术可以包括基于机器学习或深度学习等的人工智能技术。
智能类模型可理解为基于目标技术对数据的输入输出构建的模型。智能类模型,包括但不限于AI算法模型、AI调度模型、和AI信道模型等。
可以根据物理网络实体的运行数据等建立对应的智能类模型。
在一实施例中,协议栈模型是根据通信标准得到的通信系统的协议栈架构的模型。
本实施例中,协议栈模型可认为是根据通信标准得到的通信系统的协议栈架构的模型。协议栈模型可以包括基于LTE、NR、或6G通信系统的协议栈架构模型,以及其它通信系统协议栈架构模型等。不同的通信系统可以对应有不同的协议栈模型。
在一实施例中,从模型库获取构建通信系统的数字孪生体所需的模型,包括:
通过数字孪生管控平台从模型库获取构建通信系统的数字孪生体所需的模型,模型库存储在数据平台中。
本实施例中,基于通信系统的目标数据所生成的模型库可存储在数字孪生管控平台的数据平台中。第一通信节点可以通过数字孪生管控平台从模型库获取构建通信系统的数字孪生体所需的模型。
在一实施例中,模型包括模型架构和模型参数。
本实施例中,模型可以包括模型架构和模型参数。模型架构可理解为模型的组成框架结构。模型参数可理解为模型的配置参数。
例如,对于神经网络类模型,模型架构可以包括网络层数、隐藏层数、和卷积层数等;模型参数可以包括权值、卷积核参数和偏置等。
在一实施例中,从模型库获取构建通信系统的数字孪生体所需的模型包括:
从模型库获取协议栈模型、仿真类模型和智能类模型;
将仿真类模型和所述智能类模型应用至协议栈模型;
获取数据类模型。
本实施例中,从模型库获取构建通信系统的数字孪生体所需的模型的过程可以是:由于协议栈模型是数字孪生体的基本功能实现,协议栈模型具备最基础的协议栈功能,也是数字孪生的基本架构,故可以首先获取协议栈模型作为基础。然后获取仿真类模型和智能类模型,并将仿真类模型和智能类模型应用于协议栈模型上,以能够最大程度的逼近和反映物理网络实体在现实中的网络表现。最后,可以获取数据类模型,以用于感知获取数字孪生体的运行状况等。
需要说明的是,协议栈模型为基础,需要首先获取;其他模型(如仿真类模型、智能类模型和数据类模型)可以根据实际需求确定获取的顺序,此处对此不作限定。
在一实施例中,基于模型构建数字孪生体,包括:
将模型传输至第二通信节点,第二通信节点包括有数字孪生体。
本实施例中,当数字孪生体的载体为第二通信节点时,第一通信节点可以将所获取的模型传输至第二通信节点,由第二通信节点来基于模型构建数字孪生体。
在一实施例中,将模型传输至第二通信节点,包括:
传输协议栈模型;
传输仿真类模型、智能类模型和数据类模型。
本实施例中,在将模型传输至第二通信节点时,同样是将协议栈模型作为基础首先传输至第二通信节点,然后再传输仿真类模型、智能类模型和数据类模型。
在一实施例中,可以先指示模型,再传输模型的参数。如可以采用n(如12)个比特(bit) 指示模型类型以及对应模型类型下的模型,前m如两个比特用于指示模型类型,如00表示协议栈模型,01表示数据类模型,10表示仿真类模型,11表示智能类模型,后10bit表示对应模型类型下的模型。m的取值可以取决于模型库所包括模型的类别数确定。本实施例不限定m和n的取值。
在一实施例中,模型中的仿真类模型和智能类模型中的一个或多个包括标准模型和非标准模型;
标准模型的模型架构固定不变,模型参数可改变;
非标准模型的模型架构和模型参数均可改变。
本实施例中,仿真类模型和/或智能类模型可包括标准模型和非标准模型。
标准模型可理解为模型架构固定不变,模型参数可改变的模型,例如线性模型。
非标准模型可理解为模型架构和模型参数均可能会发生变化的模型;如神经网络模型,其网络模型架构和网络模型参数均会发生变化。
在一实施例中,标准模型在首次传输至第二通信节点的情况下,传输的内容包括所对应模型架构和模型参数;
标准模型在非首次传输至第二通信节点的情况下,由所对应数字孪生体根据运行状态控制更新的模型参数的传输。
本实施例中,对于标准模型,在第一通信节点首次传输标准模型给包含数字孪生体的第二通信节点的情况下,传输的内容可包括所对应模型架构和模型参数。当在第一通信节点非首次传输标准模型给包含数字孪生体的第二通信节点的情况下,可以由所对应数字孪生体根据运行状态控制更新的模型参数的传输。此处对所根据的运行状态不作具体限定,如可以是数字孪生体的运行状态或数字孪生管控平台的运行状态。
例如,由所对应数字孪生体根据运行状态控制更新的模型参数的传输可以是,数字孪生体周期性查看并获取已更新的模型参数从而自动更新,或者数字孪生管控平台可根据数字孪生体上传的运行状态数据仅控制被更新的模型参数下发。通过仅传输更新的模型参数能够降低系统的复杂度。
在一实施例中,非标准模型在首次传输至第二通信节点的情况下,传输的内容包括所对应模型架构和模型参数;
非标准模型在非首次传输至第二通信节点的情况下,传输的内容包括增量或全量的如下内容:模型架构和模型参数。
本实施例中,对于非标准模型,在第一通信节点首次传输非标准模型给包含数字孪生体的第二通信节点的情况下,传输的内容可包括所对应模型架构和模型参数。当在第一通信节点非首次传输非标准模型给包含数字孪生体的第二通信节点的情况下,传输的内容可包括增量或全量的如下内容:模型架构和模型参数。全量可以认为是对应的内容的全部,如全量的模型参数可以为对应模型的所有的模型参数。增量可以认为是更新的内容,如增量的模型参数可以是本次更新的模型参数,本次未更新的模型参数不传输。
以下通过不同实施例对信息传输方法进行示例性说明。
本申请提出一种通信系统数字孪生体构建方法,可以建立精准高效、模块化的数字孪生体。本申请可适用于通信系统和无线通信,包括4G LTE、5G NR和6G无线通信系统,也可用于其它通信系统构建数字孪生体。
图2为一实施例提供的一种通信系统数字孪生体构建方法的实现示意图。如图2所示,该方法的实现过程如下:
S210、采用数据平台存储物理网络实体产生的所有数据。
S220、生成模型库并存储于数据平台。
S230、数字孪生管控平台从数据平台中获取模型。
S240、数字孪生管控平台向数字孪生体下发模型。
S250、数字孪生体的模型使用。
通信系统数字孪生体构建涉及物理网络实体、数字孪生管控平台、数字孪生体,通过数字孪生管控平台对数字孪生体进行管控,从而获得物理网络实体的数字孪生体。为达到上述目的,本申请的数字孪生体构建方法的实现示意图如图2所示,主要包括5个步骤。具体实现方案如下:
第一步:采用数据平台存储物理网络实体产生的所有数据。
采用数据平台存储构建数字孪生体过程产生的所有数据,包括存储物理网络实体产生的所有运行数据和配置参数数据,构建数字孪生体所需的模型数据(如目标数据)。
第二步:生成模型库并存储于数据平台。
根据物理网络实体的运行数据、运行状态、网元特征属性、工参信息、无线环境等数据,生成模型库并存储于数据平台。另外,当数字孪生体构建并运行起来后,也可根据数字孪生体产生的运行数据等其它数据(即数字孪生体产生的数据、构建通信系统的数字孪生体产生的数据),生成模型库并存储于数据平台。模型库中包括但不限于数据类模型、仿真类模型、智能类模型、和协议栈模型。其中,数据类模型是依赖数据采集的,表征网络历史和当前状态的数据属性集合,用于跟踪网络状态的动态变化。根据物理网络实体中所使用的数据类模型、以及其运行状态,生成数据类模型存储于数据平台。仿真类模型,是对网络物理过程和功能进行模拟的模型,根据物理网络实体的运行数据及物理表现,生成对应的仿真类模型存储于数据平台。智能类模型,是基于机器学习、深度学习等AI智能化手段对数据的输入输出构建的智能模型,根据物理网络实体的运行数据建立智能类模型存储于数据平台。协议栈模型,是根据通信标准得到的通信系统协议栈架构模型,包括LTE、NR、6G协议栈架构模型,以及其它通信系统协议栈架构模型。
第三步:数字孪生管控平台从数据平台中获取模型。
由数字孪生管控平台从模型库中获取模型,包括模型架构和模型参数。首先获取协议栈模型,协议栈模型是数字孪生体的基本功能实现,该协议栈模型具备最基础的协议栈功能,也是数字孪生的基本架构。然后获取仿真类模型和智能类模型,仿真类模型包括但不限于算法模型、业务模型、信道模型、环境模型等;智能类模型,包括但不限于AI算法模型、AI 调度模型、AI信道模型等。将这两类模型(即仿真类模型和智能类模型)应用于协议栈模型上,能最大程度的逼近和反映物理网络实体在现实中的网络表现。最后获取数据类模型,数据类模型包括但不限于各类计算统计指标、KPI等,可用于感知获取数字孪生体的运行状况。
第四步:数字孪生管控平台向数字孪生体下发模型。
数字孪生管控平台首先向数字孪生体下发协议栈模型,控制数字孪生体启动后,则下发仿真类模型、智能类模型和数据类模型。每类模型下均有多个具体模型,由数字孪生管控平台对模型进行分类编号,通过和数字孪生体进行通信交互,控制模型下发和数字孪生体的模型接收。
对于数据类模型,需要实时感知数字孪生体的运行状况,由数字孪生体实时上报至数字孪生管控平台,也可由数字孪生管控平台周期性控制数字孪生体进行模型上报(即运行状况数据由数字孪生体周期性或实时传输至第一通信节点)。
对于仿真类模型和智能类模型,可分为标准模型和非标准模型,标准模型为模型架构固定不变,只有模型参数发生变化,如线性模型;非标准模型即模型架构和模型参数均可能会发生变化,如神经网络模型,网络架构和网络参数均会发生变化,模型架构和参数均存储于数据平台中。对于标准模型,数字孪生管控平台仅需首次传输模型架构和模型参数给数字孪生体(即标准模型在首次传输至第二通信节点的情况下,传输的内容包括所对应模型架构和模型参数),当模型参数发生更新,可由数字孪生管控平台根据运行状况仅控制被更新的模型参数下发,从而降低系统的复杂度,也可由数字孪生体周期性查看并获取已更新的模型参数从而自动更新(即标准模型在非首次传输至第二通信节点的情况下,由所对应数字孪生体根据运行状态控制更新的模型参数的传输)。对于非标准模型,数字孪生管控平台首次需传输模型架构和模型参数给数字孪生体(即非标准模型在首次传输至第二通信节点的情况下,传输的内容包括所对应模型架构和模型参数),之后根据模型架构和模型参数的变化,进行增量性或者全量性的模型架构和模型参数下发(即非标准模型在非首次传输至第二通信节点的情况下,传输的内容包括增量或全量的如下内容:模型架构和模型参数)。
第五步:数字孪生体的模型使用。
数字孪生体接收到数字孪生管控平台下发的模型,包括标准模型和非标准模型。对于标准模型,在首次接收标准模型的模型架构和模型参数之后,如需更新模型,仅需根据数字孪生管控平台下发的更新的模型参数,更新数字孪生体的对应标准模型。对于非标准模型,在首次接收非标准模型的模型架构和模型参数之后,如需更新模型,可根据数据平台中非标准模型的改变状况,增量性或者全量性的更新数字孪生体的对应非标准模型。
图3为一实施例提供的一种通信系统数字孪生体构建装置的实现示意图。如图3所示,包括:数据采集模块310、模型库生成和存储模块320、模型获取模块330、模型下发模块340、模型使用模块350;其中数据采集模块310、模型库生成和存储模块320、模型获取模块330和模型下发模块340均位于数字孪生管控平台;
数据采集模块310:用于采用数据平台存储物理网络实体产生的所有数据;
模型库生成和存储模块320:用于生成模型库并存储于数据平台;
模型获取模块330:用于数字孪生管控平台从数据平台中获取模型;
模型下发模块340:用于数字孪生管控平台向数字孪生体下发模型;
模型使用模块350:用于数字孪生体的模型使用。
需要说明的是,在本申请中,除了使用数据平台,也可使用其它数据存储方式如数据仓库等来存储数据和模型。
图4为一实施例提供的另一种通信系统数字孪生体构建方法的实现示意图。如图4所示,包括物理网络实体(即通信系统物理网络实体)、数字孪生管控平台和数字孪生体。数字孪生管控平台通过数据平台存储物理网络实体所产生的所有数据(如运行数据等);数字孪生管控平台基于数据平台中所存储的数据生成模型库并存储于数据平台,其中模型库中可包括数据类模型、仿真类模型、和协议栈模型等;数字孪生管控平台从数据平台中获取模型;数字孪生管控平台向数字孪生体下发模型;数字孪生体的模型使用,即基于模型构建数字孪生体。
实施例1
本申请实施例提出一种通信系统数字孪生体构建方法,所构建的数字孪生体可以为LTE 无线接入网(Radio Access Network,RAN)。
通信系统数字孪生体构建涉及物理网络实体、数字孪生管控平台、数字孪生体,通过数字孪生管控平台对数字孪生体进行管控,从而获得物理网络实体的数字孪生体。如图2所示,主要包括5个步骤。具体实现方案如下:
第一步:采用数据平台存储物理网络实体产生的所有数据。
采用数据平台存储构建数字孪生体过程产生的所有数据,包括存储物理网络实体产生的所有运行数据和配置参数数据,构建数字孪生体所需的模型数据。当数字孪生体构建并运行后,也可将数字孪生体产生的运行数据存储进数据平台中。
第二步:生成模型库并存储于数据平台。
根据物理网络实体的运行数据、运行状态、网元特征属性、工参信息、无线环境等数据,生成模型库并存储于数据平台。模型库中包括但不限于数据类模型、仿真类模型、智能类模型、协议栈模型。需说明的是,当数字孪生体运行起来后,也可根据数字孪生体产生的运行数据,生成模型库并存储于数据平台。
其中,数据类模型是依赖数据采集的,表征网络历史和当前状态的数据属性集合,用于跟踪网络状态的动态变化。生成数据类模型存储于数据平台,包括辅基站(SecondaryNode, SN)添加成功率、SN变更成功率、辅新空口基站(Secondary gNodeB,SgNB)异常释放率、无线资源控制(Radio Resource Control,RRC)连接建立成功率、无线掉线率、LTE切换到 NR成功率、系统内切换成功率、RRC平均用户数、分组数据汇聚协议(Packet DataConvergence Protocol,PDCP)层数据流量、媒体介入控制(Medium Access Control,MAC)MAC层数据流量、上行物理资源块(Physical Resource Block,PRB)利用率、下行PRB利用率等。
仿真类模型,是对网络物理过程和功能进行模拟的模型,根据物理网络实体的运行数据及物理表现,生成对应的仿真类模型存储于数据平台。仿真类模型包括信道模型、环境模型、以及天线模型。将模型架构如概率模型、线性模型、多项式模型或者以上模型的混合形式,以及模型参数如常数项或者多项式系数等存储于数据平台。
智能类模型,是基于机器学习、深度学习等AI智能化手段对数据的输入输出构建的智能模型,根据物理网络实体的运行数据建立智能类模型存储于数据平台。将智能类模型,如神经网络模型架构(如网络层数、隐藏层数),和模型参数(如神经网络模型的权重、偏置) 存储于数据平台。
协议栈模型,是根据通信标准得到的通信系统协议栈架构模型,将LTE的协议栈架构模型包括核心网、基站、终端设备(User Equipment,UE)等模块存储于数据平台。
第三步:数字孪生管控平台从数据平台中获取模型。
数据平台中存在协议栈模型、数据类模型、仿真类模型和智能类模型,每类模型下存在多个模型,需由数字孪生管控平台从模型库中获取相应的模型,包括模型架构和模型参数。首先获取LTE协议栈模型,然后获取仿真类模型(如包括信道模型、环境模型、和天线模型),以及智能类模型(如包括神经网络类型的AI算法模型、AI调度模型、和AI信道模型等)。对同一个物理实体可能同时存在仿真类模型和智能类模型,由数字孪生管控平台选择获取其中一个或者同时获取两个,将这两类模型应用于协议栈模型上,能最大程度的逼近和反映物理网络实体在现实中的网络表现。最后获取生成的数据类模型,用于感知获取数字孪生体的运行状况。
第四步:数字孪生管控平台向数字孪生体下发模型。
获取各类模型后,由数字孪生管控平台向数字孪生体下发各类模型,为了提高数字孪生过程的响应速度和交互能力,通过高效的接口进行通信交互。采用12个比特(bit)指示模型类型以及对应模型类型下的模型,前两个比特用于指示模型类型,其中00表示协议栈模型,01表示数据类模型,10表示仿真类模型,11表示智能类模型,后10个比特(即后10bit) 表示对应模型类型下的模型。
用2bit表示四类模型,每类模型下用10bit表示对应的模型,先指示模型,然后再传输参数,其中对于仿真类模型和智能类模型,参数量较多,对于神经网络类模型,模型架构为网络层数、隐藏层数、和卷积层数等,模型参数为权值、偏置、卷积核参数和偏置等,指示模型后将权值、偏置等参数传递下发到数字孪生体。
数字孪生管控平台首先向数字孪生体下发LTE协议栈模型,控制数字孪生体启动后,则下发仿真类模型、智能类模型和数据类模型。对于数据类模型,需要实时感知数字孪生体的运行状况,由数字孪生体实时上报至数字孪生管控平台,采用12个bit指示模型类型以及对应模型类型下的模型,然后将模型结果上报。标准仿真类模型和智能类模型,数字孪生管控平台仅需首次传输模型架构和模型参数给数字孪生体,当模型参数发生更新后,可由数字孪生管控平台根据运行状况仅控制被更新的模型参数下发,从而降低系统的复杂度,也可由数字孪生体周期性查看并获取已更新的模型参数从而自动更新。
第五步:数字孪生体的模型使用。
数字孪生体接收到数字孪生管控平台下发的模型,对于标准模型,在首次接收标准模型架构和模型参数之后,如需更新模型,仅需根据数字孪生管控平台下发的更新的模型参数,更新数字孪生体的对应标准模型。
实施例2
本申请实施例提出一种通信系统数字孪生体构建方法,所构建的数字孪生体可以为NR RAN。
通信系统数字孪生体构建涉及物理网络实体、数字孪生管控平台、数字孪生体,通过数字孪生管控平台对数字孪生体进行管控,从而获得物理网络实体的数字孪生体。如图2所示,主要包括5个步骤。具体方案如下:
第一步:采用数据平台存储物理网络实体产生的所有数据。
采用数据平台存储构建数字孪生体过程产生的所有数据,包括存储物理网络实体产生的所有运行数据和配置参数数据,构建数字孪生体所需的模型数据。
第二步:生成模型库并存储于数据平台。
根据物理网络实体的运行数据、运行状态、网元特征属性、工参信息、无线环境等数据,生成模型库并存储于数据平台。模型库中包括但不限于数据类模型、仿真类模型、智能类模型、协议栈模型。
其中,数据类模型是依赖数据采集的,表征网络历史和当前状态的数据属性集合,用于跟踪网络状态的动态变化。根据物理网络实体中所使用的数据类模型,将部分数据类模型嵌入至协议栈模型,如上行PDCP分段数据单元(Segment Data Unit,SDU)丢包个数、下行 PDCP SDU丢包个数、下行PDCP SDU弃包个数、上行PDCP总的SDU个数、以及下行PDCP 总的SDU个数等。
仿真类模型包括射线追踪模型、电磁波模型、调度算法模型、和业务模型。将模型架构如对数模型、指数模型、高次项模型或者以上模型的混合形式,以及模型参数如指数幂或者其它系数等存储于数据平台。
智能类模型包括神经网络模型及各类网络结构形式的深度学习模型、树模型、广义线性模型、集成模型等,将集成模型架构(如基模型、树的个数、树的深度、集成方式、节点数等),和模型参数(如节点值、广义线性模型的权重等)存储于数据平台。
将NR的协议栈架构模型包括核心网、基站、UE等模块存储于数据平台。
第三步:数字孪生管控平台从数据平台中获取模型。
获取NR协议栈模型,然后获取仿真类模型和智能类模型,仿真类模型包括射线追踪模型、电磁波模型、调度算法模型、和业务模型等;智能类模型,包括集成模型架构的算法模型、调度模型、信道模型等。最后启动嵌入至协议栈模型的数据类模型。
第四步:数字孪生管控平台向数字孪生体下发模型。
获取各类模型后,由数字孪生管控平台向数字孪生体下发各类模型,为了提高数字孪生过程的响应速度和交互能力,通过高效的接口进行通信交互。采用12个bit指示模型类型以及对应模型类型下的模型,前两个比特用于指示模型类型,其中00表示协议栈模型,01表示数据类模型,10表示仿真类模型,11表示智能类模型,后10bit表示对应模型类型下的模型。
用2bit表示四类模型,每类模型下用10bit表示对应的模型,先指示模型,然后再传输参数,其中对于仿真类模型和智能类模型,参数量较多,对于集成模型,模型架构为树的个数、树的深度、集成方式、和节点数,将节点值等参数传递下发到数字孪生体。
数字孪生管控平台首先向数字孪生体下发NR协议栈模型,控制数字孪生体启动后,由数字孪生体周期性向数字孪生管控平台请求更新模型,同样使用2bit指示需要更新的模型,然后通过数字孪生管控平台模型下发机制下发模型。对于数据类模型,需要实时感知数字孪生体的运行状况,可由数字孪生管控平台周期性控制数字孪生体进行模型结果上报,采用12 个bit指示模型类型以及对应模型类型下的模型,然后将模型结果上报。
对于非标准仿真类模型和智能类模型,数字孪生管控平台首次需传输模型架构和模型参数给数字孪生体,之后根据模型架构和模型参数的变化,进行增量性或者全量性的模型架构和模型参数下发。
第五步:数字孪生体的模型使用。
对于非标准模型,在首次接收非标准模型架构和模型参数之后,如需更新模型,可根据数据平台中非标准模型的改变状况,增量性或者全量性的更新数字孪生体的对应非标准模型。
本申请实施例还提供一种构建装置。图5为一实施例提供的一种构建装置的结构示意图。如图5所示,所述构建装置可配置于第一通信节点,包括:
获取模块410,设置为从模型库获取构建通信系统的数字孪生体所需的模型,所述模型基于所述通信系统的目标数据生成,所述模型库内存储有构建多个通信系统的模型;
构建模块420,基于所述模型构建所述数字孪生体。
本实施例的构建装置,模型库中存储有构建多个通信系统的模型,可根据实际需求从模型库获取构建通信系统的数字孪生体所需的模型,再基于模型构建对应的数字孪生体,使得所生成的数字孪生体可适用于多个通信系统,从而解决了构建通信系统的数字孪生体的通信节点仅能专用于构建某一或某一代通信系统的数字孪生体的问题,提高了通信节点的通用性。
在一实施例中,所述装置还包括:
生成模块,设置为基于通信系统的目标数据生成模型库。
在一实施例中,所述装置还包括:
数据获取模块,设置为获取所述通信系统的目标数据;
数据存储模块,设置为存储所述目标数据。
在一实施例中,所述目标数据包括:
所述通信系统的数据。
在一实施例中,所述通信系统的数据包括如下一个或多个:
运行数据;运行状态;网元特征属性;工参信息;环境信息;配置参数数据;构建所述数字孪生体所需的模型数据。
在一实施例中,所述目标数据包括如下一个或多个:
构建所述通信系统的数字孪生体产生的数据;
所述数字孪生体产生的数据。
在一实施例中,数字孪生体产生的数据包括:
所述数字孪生体的运行状况数据,所述运行状况数据由所述数字孪生体周期性或实时传输至所述第一通信节点。
在一实施例中,所述模型库包括如下一个或多个:
数据类模型;
仿真类模型;
智能类模型;
协议栈模型。
在一实施例中,所述数据类模型包括所述通信系统的网络历史的数据属性集合和所述通信系统的当前状态的数据属性集合。
在一实施例中,所述仿真类模型为对所述通信系统的网络物理过程和功能进行模拟的模型。
在一实施例中,所述智能类模型为基于目标技术对数据的输入输出构建的模型,所述目标技术包括人工智能技术。
在一实施例中,所述协议栈模型是根据通信标准得到的通信系统的协议栈架构的模型。
在一实施例中,获取模块410,包括:
第一获取单元,设置为通过数字孪生管控平台从模型库获取构建通信系统的数字孪生体所需的模型,所述模型库存储在数据平台中。
在一实施例中,所述模型包括模型架构和模型参数。
在一实施例中,获取模块410包括:
第二获取单元,设置为从模型库获取协议栈模型、仿真类模型和智能类模型;
应用单元,设置为将所述仿真类模型和所述智能类模型应用至所述协议栈模型;
第三获取单元,设置为获取数据类模型。
在一实施例中,构建模块420,包括:
传输单元,设置为将所述模型传输至第二通信节点,所述第二通信节点包括有所述数字孪生体。
在一实施例中,将所述模型传输至第二通信节点,具体用于:
传输协议栈模型;
传输仿真类模型、智能类模型和数据类模型。
在一实施例中,所述模型中的仿真类模型和智能类模型中的一个或多个包括标准模型和非标准模型;
所述标准模型的模型架构固定不变,模型参数可改变;
所述非标准模型的模型架构和模型参数均可改变。
在一实施例中,所述标准模型在首次传输至第二通信节点的情况下,传输的内容包括所对应模型架构和模型参数;
所述标准模型在非首次传输至所述第二通信节点的情况下,由所对应数字孪生体根据运行状态控制更新的模型参数的传输。
在一实施例中,所述非标准模型在首次传输至第二通信节点的情况下,传输的内容包括所对应模型架构和模型参数;
所述非标准模型在非首次传输至所述第二通信节点的情况下,传输的内容包括增量或全量的如下内容:模型架构和模型参数。
本实施例提出的构建装置与上述实施例提出的构建方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述任意实施例,并且本实施例具备与执行构建方法相同的有益效果。
本申请实施例还提供了一种第一通信节点。图6为一实施例提供的一种第一通信节点的硬件结构示意图,如图6所示,本申请提供的第一通信节点,包括存储装置520、处理器510 以及存储在存储装置上并可在处理器上运行的计算机程序,处理器510执行所述程序时实现上述的构建方法。
第一通信节点还可以包括存储装置520;该第一通信节点中的处理器510可以是一个或多个,图6中以一个处理器510为例;存储装置520用于存储一个或多个程序;所述一个或多个程序被所述一个或多个处理器510执行,使得所述一个或多个处理器510实现如本申请实施例中所述的构建方法。
第一通信节点还包括:通信装置530、输入装置540和输出装置550。
第一通信节点中的处理器510、存储装置520、通信装置530、输入装置540和输出装置 550可以通过总线或其他方式连接,图6中以通过总线连接为例。
输入装置540可用于接收输入的数字或字符信息,以及产生与第一通信节点的用户设置以及功能控制有关的按键信号输入。输出装置550可包括显示屏等显示设备。
通信装置530可以包括接收器和发送器。通信装置530设置为根据处理器510的控制进行信息收发通信。
存储装置520作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序以及模块,如本申请实施例所述构建方法对应的程序指令/模块(例如,构建装置中的获取模块310和构建模块320。)。存储装置520可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据第一通信节点的使用所创建的数据等。此外,存储装置520可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储装置520可进一步包括相对于处理器510远程设置的存储器,这些远程存储器可以通过网络连接至第一通信节点。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本申请实施例中任一所述的构建方法。
可选的,该构建方法,应用于第一通信节点,包括:从模型库获取构建通信系统的数字孪生体所需的模型,所述模型基于所述通信系统的目标数据生成,所述模型库内存储有构建多个通信系统的模型;基于所述模型构建所述数字孪生体。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。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存储介质。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)、可擦式可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。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。
计算机可读的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。计算机可读的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:无线、电线、光缆、无线电频率(Radio Frequency,RF)等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本申请实施例还提供了一种构建系统。图7为一实施例提供的一种构建系统的结构示意图,如图7所示,本申请提供的构建系统,包括本申请实施例所提供的第一通信节点610、第二通信节点620和通信系统630,第二通信节点630内包括有通信系统630的数字孪生体。
第一通信节点610、第二通信节点620和通信系统630之间建立通信连接。第一通信节点610中可包含数字孪生管控平台;第二通信节点620可包含有通信系统630的数字孪生体;通信系统630可认为是通信系统物理网络实体。
第一通信节点610通过数据平台存储通信系统630物理网络实体所产生的所有数据(如运行数据等);第一通信节点610基于数据平台中所存储的数据生成模型库并存储于数据平台,其中模型库中可包括数据类模型、仿真类模型、和协议栈模型等;第一通信节点610从数据平台的模型库中获取构建通信系统630的数字孪生体所需的模型;第一通信节点610向第二通信节点630下发模型;第二通信节点630的模型使用,即第二通信节点630基于模型构建数字孪生体。
本实施例提出的构建系统与上述实施例提出的构建方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述任意实施例,并且本实施例具备与执行构建方法相同的有益效果。
以上所述,仅为本申请的示例性实施例而已,并非用于限定本申请的保护范围。
本领域内的技术人员应明白,术语用户终端涵盖任何适合类型的无线用户设备,例如移动电话、便携数据处理装置、便携网络浏览器或车载移动台。
一般来说,本申请的多种实施例可以在硬件或专用电路、软件、逻辑或其任何组合中实现。例如,一些方面可以被实现在硬件中,而其它方面可以被实现在可以被控制器、微处理器或其它计算装置执行的固件或软件中,尽管本申请不限于此。
本申请的实施例可以通过移动装置的数据处理器执行计算机程序指令来实现,例如在处理器实体中,或者通过硬件,或者通过软件和硬件的组合。计算机程序指令可以是汇编指令、指令集架构(Instruction Set Architecture,ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码。
本申请附图中的任何逻辑流程的框图可以表示程序步骤,或者可以表示相互连接的逻辑电路、模块和功能,或者可以表示程序步骤与逻辑电路、模块和功能的组合。计算机程序可以存储在存储器上。存储器可以具有任何适合于本地技术环境的类型并且可以使用任何适合的数据存储技术实现,例如但不限于只读存储器(Read-Only Memory,ROM)、随机访问存储器(Random Access Memory,RAM)、光存储器装置和系统(数码多功能光碟(Digital Video Disc,DVD)或光盘(Compact Disk,CD)等。计算机可读介质可以包括非瞬时性存储介质。数据处理器可以是任何适合于本地技术环境的类型,例如但不限于通用计算机、专用计算机、微处理器、数字信号处理器(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑器件(Field-Programmable Gate Array,FPGA) 以及基于多核处理器架构的处理器。
通过示范性和非限制性的示例,上文已提供了对本申请的示范实施例的详细描述。但结合附图和权利要求来考虑,对以上实施例的多种修改和调整对本领域技术人员来说是显而易见的,但不偏离本申请的范围。因此,本申请的恰当范围将根据权利要求确定。
Claims (23)
1.一种构建方法,其特征在于,应用于第一通信节点,包括:
从模型库获取构建通信系统的数字孪生体所需的模型,所述模型基于所述通信系统的目标数据生成,所述模型库内存储有构建多个通信系统的模型;
基于所述模型构建所述数字孪生体。
2.根据权利要求1所述的方法,其特征在于,还包括:
基于通信系统的目标数据生成模型库。
3.根据权利要求1所述的方法,其特征在于,还包括:
获取所述通信系统的目标数据;
存储所述目标数据。
4.根据权利要求1所述的方法,其特征在于,所述目标数据包括:
所述通信系统的数据。
5.根据权利要求4所述的方法,其特征在于,所述通信系统的数据包括如下一个或多个:
运行数据;运行状态;网元特征属性;工参信息;环境信息;配置参数数据;构建所述数字孪生体所需的模型数据。
6.根据权利要求1所述的方法,其特征在于,所述目标数据包括如下一个或多个:
构建所述通信系统的数字孪生体产生的数据;
所述数字孪生体产生的数据。
7.根据权利要求6所述的方法,其特征在于,数字孪生体产生的数据包括:
所述数字孪生体的运行状况数据,所述运行状况数据由所述数字孪生体周期性或实时传输至所述第一通信节点。
8.根据权利要求1所述的方法,其特征在于,所述模型库包括如下一个或多个:
数据类模型;
仿真类模型;
智能类模型;
协议栈模型。
9.根据权利要求8所述的方法,其特征在于,所述数据类模型包括所述通信系统的网络历史的数据属性集合和所述通信系统的当前状态的数据属性集合。
10.根据权利要求8所述的方法,其特征在于,所述仿真类模型为对所述通信系统的网络物理过程和功能进行模拟的模型。
11.根据权利要求8所述的方法,其特征在于,所述智能类模型为基于目标技术对数据的输入输出构建的模型,所述目标技术包括人工智能技术。
12.根据权利要求9所述的方法,其特征在于,所述协议栈模型是根据通信标准得到的通信系统的协议栈架构的模型。
13.根据权利要求1所述的方法,其特征在于,从模型库获取构建通信系统的数字孪生体所需的模型,包括:
通过数字孪生管控平台从模型库获取构建通信系统的数字孪生体所需的模型,所述模型库存储在数据平台中。
14.根据权利要求1所述的方法,其特征在于,所述模型包括模型架构和模型参数。
15.根据权利要求1所述的方法,其特征在于,所述从模型库获取构建通信系统的数字孪生体所需的模型包括:
从模型库获取协议栈模型、仿真类模型和智能类模型;
将所述仿真类模型和所述智能类模型应用至所述协议栈模型;
获取数据类模型。
16.根据权利要求1所述的方法,其特征在于,基于所述模型构建所述数字孪生体,包括:
将所述模型传输至第二通信节点,所述第二通信节点包括有所述数字孪生体。
17.根据权利要求16所述的方法,其特征在于,将所述模型传输至第二通信节点,包括:
传输协议栈模型;
传输仿真类模型、智能类模型和数据类模型。
18.根据权利要求1所述的方法,其特征在于,所述模型中的仿真类模型和智能类模型中的一个或多个包括标准模型和非标准模型;
所述标准模型的模型架构固定不变,模型参数可改变;
所述非标准模型的模型架构和模型参数均可改变。
19.根据权利要求18所述的方法,其特征在于,
所述标准模型在首次传输至第二通信节点的情况下,传输的内容包括所对应模型架构和模型参数;
所述标准模型在非首次传输至所述第二通信节点的情况下,由所对应数字孪生体根据运行状态控制更新的模型参数的传输。
20.根据权利要求18所述的方法,其特征在于,
所述非标准模型在首次传输至第二通信节点的情况下,传输的内容包括所对应模型架构和模型参数;
所述非标准模型在非首次传输至所述第二通信节点的情况下,传输的内容包括增量或全量的如下内容:模型架构和模型参数。
21.一种第一通信节点,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-20任一所述的方法。
22.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-20中任一项所述的方法。
23.一种构建系统,其特征在于,包括如权利要求21所述的第一通信节点、第二通信节点和通信系统,所述第二通信节点内包括有所述通信系统的数字孪生体。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210701470.5A CN117294743A (zh) | 2022-06-20 | 2022-06-20 | 一种构建方法、第一通信节点、存储介质及构建系统 |
PCT/CN2023/099084 WO2023246517A1 (zh) | 2022-06-20 | 2023-06-08 | 一种构建方法、第一通信节点、存储介质及构建系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210701470.5A CN117294743A (zh) | 2022-06-20 | 2022-06-20 | 一种构建方法、第一通信节点、存储介质及构建系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117294743A true CN117294743A (zh) | 2023-12-26 |
Family
ID=89257742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210701470.5A Pending CN117294743A (zh) | 2022-06-20 | 2022-06-20 | 一种构建方法、第一通信节点、存储介质及构建系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117294743A (zh) |
WO (1) | WO2023246517A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117640700B (zh) * | 2024-01-18 | 2024-04-30 | 深圳市宏大联合实业有限公司 | 一种数字孪生方法、系统以及第一节点 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10691087B2 (en) * | 2017-11-30 | 2020-06-23 | General Electric Company | Systems and methods for building a model-based control solution |
CN112306464B (zh) * | 2020-10-14 | 2022-03-29 | 中国科学院沈阳自动化研究所 | 利用数字孪生体实现工业场景下信息物理融合方法和系统 |
CN114448489A (zh) * | 2020-10-30 | 2022-05-06 | 安世亚太科技股份有限公司 | 基于模型的卫星通信系统数字孪生体和系统架构 |
CN112949041B (zh) * | 2021-02-01 | 2022-08-05 | 广东工业大学 | 一种基于数字孪生的自动化立体仓库构建方法 |
-
2022
- 2022-06-20 CN CN202210701470.5A patent/CN117294743A/zh active Pending
-
2023
- 2023-06-08 WO PCT/CN2023/099084 patent/WO2023246517A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023246517A1 (zh) | 2023-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11569933B2 (en) | Method and apparatus for detecting physical downlink control channel based on predicted information | |
WO2019206196A1 (zh) | 一种模型更新方法、装置及系统 | |
CN111629380A (zh) | 面向高并发多业务工业5g网络的动态资源分配方法 | |
CN105407158A (zh) | 一种建立模型和推送消息的方法及装置 | |
US20230281513A1 (en) | Data model training method and apparatus | |
WO2023246517A1 (zh) | 一种构建方法、第一通信节点、存储介质及构建系统 | |
CN109067871B (zh) | 一种电力泛在智能云架构 | |
EP4376386A1 (en) | Electronic device and operation method for deploying application | |
AU2022208075A1 (en) | Management and control method for data analysis apparatus, and communication apparatus | |
CN115981798B (zh) | 文件解析方法、装置、计算机设备及可读存储介质 | |
US20240007874A1 (en) | Embedding neural networks as a matrix for network device in wireless network | |
CN107864488B (zh) | 一种基站业务自动测试的方法、装置及系统 | |
WO2023039905A1 (zh) | Ai数据的传输方法、装置、设备及存储介质 | |
KR102472585B1 (ko) | 빅데이터 기반의 모듈형 ai 엔진 서버 및 그 구동 방법 | |
CN114666221A (zh) | 网络切片子网运维管理方法、装置、系统、设备及介质 | |
WO2024038554A1 (ja) | 制御システム、制御装置、制御方法、及び非一時的なコンピュータ可読媒体 | |
CN115551055B (zh) | 基站的节能方法、系统和生产者网元 | |
WO2024067143A1 (zh) | 一种信息传输方法、装置和系统 | |
CN113839813B (zh) | 设备控制策略模型训练及设备控制方法、介质与设备 | |
CN116886475B (zh) | 一种信道估计方法、设备及系统 | |
CN113260064B (zh) | 一种大规模物联设备的接入方法及系统 | |
CN116566846B (zh) | 模型的管理方法、系统以及共享节点、网络节点 | |
CN115981666B (zh) | 神经网络信息整合方法、装置、系统及存储介质 | |
WO2023051329A1 (zh) | 一种用于网络节能的通信方法及装置 | |
WO2024189830A1 (ja) | システム、装置、方法、及び非一時的なコンピュータ可読媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |