CN117461302A - 数据处理方法及系统,ai管理装置及存储介质 - Google Patents
数据处理方法及系统,ai管理装置及存储介质 Download PDFInfo
- Publication number
- CN117461302A CN117461302A CN202280001277.9A CN202280001277A CN117461302A CN 117461302 A CN117461302 A CN 117461302A CN 202280001277 A CN202280001277 A CN 202280001277A CN 117461302 A CN117461302 A CN 117461302A
- Authority
- CN
- China
- Prior art keywords
- service
- task
- management device
- processing
- core network
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000003672 processing method Methods 0.000 title abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 161
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000007726 management method Methods 0.000 claims description 164
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000010295 mobile communication Methods 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种数据处理方法及系统,AI管理装置及存储介质。该方法包括:AI管理装置确定AI处理任务(S201),AI管理装置接入核心网,AI管理装置与多个AI服务装置连接,多个AI服务装置包括采用不同AI算法的AI服务装置;AI管理装置从多个AI服务装置中,确定目标服务装置,并将AI处理任务分配给目标服务装置(S202);AI管理装置获取目标服务装置的任务处理结果(S203);AI管理装置根据任务处理结果,向目的端发送AI服务结果,目的端包括核心网中的网元或者接入核心网的终端(S204)。
Description
本公开涉及数据处理领域,尤其涉及一种数据处理方法及系统,AI管理装置及存储介质。
人工智能(Artificial Intelligence,AI)是通过机器来模拟人类认识能力的一种科技能力。制约AI技术的全面应用的一个因素是缺乏合适的承载空间。
随着网络通信技术的发展,特别是,5G(第五代移动通信标准)和6G(第六代移动通信标准)技术的发展,极大的提升了移动通信网络的数据传输速率。因此,将通信网络作为AI技术的承载空间是未来通信技术的发展趋势。
发明内容
为克服相关技术中存在的问题,本公开提供一种数据处理方法及系统,AI管理装置及存储介质。
根据本公开实施例的第一方面,提供一种数据处理方法,包括:
AI管理装置确定AI处理任务,所述AI管理装置接入核心网,所述AI管理装置与多个AI服务装置连接,所述多个AI服务装置包括采用不同AI算法的AI服务装置;
所述AI管理装置从所述多个AI服务装置中,确定目标服务装置,并将所述AI处理任务分配给所述目标服务装置;
所述AI管理装置获取所述目标服务装置的任务处理结果;
所述AI管理装置根据所述任务处理结果,向目的端发送AI服务结果,所述目的端包括所述核心网中的网元或者接入所述核心网的终端。
根据本公开实施例的第二方面,提供一种AI管理装置,所述AI管理装置用于接入核心网,以及与多个AI服务装置连接,所述多个AI服务装置包括采用不同AI算法的AI服务装置,所述AI管理装置包括:
第一确定模块,被配置为确定AI处理任务;
第二确定模块,被配置为从所述多个AI服务装置中,确定目标服务装置;
任务分配模块,被配置为将所述AI处理任务分配给所述目标服务装置;
获取模块,被配置为获取所述目标服务装置的任务处理结果;
发送模块,被配置为根据所述任务处理结果,向目的端发送AI服务结果,所述目的端是所述核心网中的网元或者是接入所述核心网的终端。
根据本公开实施例的第三方面,提供另一种AI管理装置,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行本公开实施例的第一方面所提供的数据处理方法的步骤。
根据本公开实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开第一方面所提供的数据处理方法的步骤。
本公开的实施例提供的技术方案中,多个AI服务装置是包括了采用不同的AI算法的AI服务装置,并由AI管理装置进行统一管理多个AI服务装置。这样,AI管理装置接入核心网后,能够统一调度该多个AI服务装置对核心网中的网元或者接入核心网的终 端提供AI服务,从而使得核心网提供的网络覆盖范围内都能够使用AI服务,扩大了AI服务的应用空间。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1A是相关技术中的一种网络系统架构的示意图。
图1B是相关技术中的另一种网络系统架构的示意图。
图2是根据一示例性实施例示出的一种数据处理方法的流程示意图。
图3是根据一示例性实施例示出的一种数据处理方法的流程示意图。
图4是根据一示例性实施例示出的一种数据处理方法的流程示意图。
图5是根据一示例性实施例示出的一种数据处理方法的流程示意图。
图6是根据一示例性实施例示出的一种数据处理方法的流程示意图。
图7是根据一示例性实施例示出的一种数据处理方法的流程示意图。
图8是根据一示例性实施例示出的一种数据处理方法的流程示意图。
图9是根据一示例性实施例示出的一种数据处理系统的流程示意图。
图10是根据一示例性实施例示出的一种网络系统架构的示意图。
图11是根据一示例性实施例示出的一种数据处理方法的流程示意图。
图12是根据一示例性实施例示出的一种AI管理装置的结构框图。
图13是根据一示例性实施例示出的一种AI管理装置的结构框图。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
可以理解的是,本公开中“多个”是指两个或两个以上,其它量词与之类似。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
进一步可以理解的是,术语“第一”、“第二”等用于描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开,并不表示特定的顺序或者重要程度。实际上,“第一”、“第二”等表述完全可以互换使用。例如,在不脱离本公开范围的情况下,第一消息帧也可以被称为第二消息帧,类似地,第二消息帧也可以被称为第一消息帧。
进一步可以理解的是,本公开实施例中尽管在附图中以特定的顺序描述操作,但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作,或是要求执行全部所示的操作以得到期望的结果。在特定环境中,多任务和并行处理可能是有利的。
此外,本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下,并获得由相应装置所有者给予授权的情况下进行的。
目前,第三代合作伙伴项目(3rd generation partnership project,3GPP)引入了网络数据 分析功能(network data analytics function,NWDAF)。NWDAF是3GPP SA2定义的5G网络中的网络数据分析功能,它可以从各个网络功能(network function,NF),应用功能(application function,AF),以及运行管理和维护(operation administration and maintenance,OAM)系统收集数据并进行分析和预测。但是,相关技术中并没有细分NWDAF提供的数据分析类型,并且当网络中存在多个NWDAF实例时,相关技术中也没有网络数据分析服务的消费者找到合适的NWDAF的技术规范,更没有考虑如何将AI技术融入到通信网络中。
为了解决上述问题,本公开实施例提供一种数据处理方法及系统,AI管理装置及存储介质。下面首先介绍本公开实施例的实施环境。
本公开实施例可以适用于于4G(第四代移动通信系统)演进系统,如长期演进(long term evolution,LTE)系统,或者还可以为5G(第五代移动通信系统)系统,如采用新型无线入技术(new radio access technology,New RAT)的接入网;云无线接入网(Cloud Radio Access Network,CRAN)等通信系统。
图1A示例性示出了本公开实施例适用的一种系统架构示意图。应理解,本公开实施例并不限于图1A所示的系统中,此外,图1A中的装置可以是硬件,也可以是从功能上划分的软件或者以上二者结合后的结构。如图1A所示,本公开实施例提供的系统架构包括终端、基站、移动性管理装置、会话管理装置、用户面网元以及数据网络(data network,DN)。终端通过基站以及用户面网元与DN通信。
其中图1A中所示的网元既可以是4G架构中的网元、还可以是5G架构中的网元。
数据网络(data network,DN),为用户提供数据传输服务,可以是协议数据单元(Protocol Data Unit,PDN)网络,如因特网(internet)、IP多媒体业务(IP Multi-media Service,IMS)等。
参见图1B所示的5G的系统架构示意图:移动性管理装置可以包括是5G中的接入与移动性管理实体(access and mobility management function,AMF)。移动性管理装置负责移动网络中终端的接入与移动性管理。其中,AMF负责终端接入与移动性管理,NAS消息路由,会话管理功能实体(session management function,SMF)选择等。AMF可以作为中间网元,用来传输终端和SMF之间的会话管理消息。
会话管理装置,负责转发路径管理,如向用户面网元下发报文转发策略,指示用户面网元根据报文转发策略进行报文处理和转发。会话管理装置可以是5G中的SMF(如图1B所示),负责会话管理,如会话创建/修改/删除,用户面网元选择以及用户面隧道信息的分配和管理等。
用户面网元可以是5G架构中的用户面功能实体(user plane function,UPF),如图1B所示。UPF负责报文处理与转发。
本公开实施例提供的系统架构中还可以包括数据管理装置,用于处理终端设备标识,接入鉴权,注册以及移动性管理等。在5G通信系统中,该数据管理装置可以是统一数据管理(unified data management,UDM)网元。
本公开实施例提供的系统架构中还可以包括策略控制功能实体(policy control function,PCF)或者为策略计费控制功能实体(policy and charging control function,PCRF)。其中,PCF或者PCRF负责策略控制决策和基于流计费控制。
本公开实施例提供的系统架构中还可以包括网络存储网元,用于维护网络中所有网络功能服务的实时信息。在5G通信系统中,该网络存储网元可以是网络存储库功能(network repository function,NRF)网元。网络存储库网元中可以存储了很多网元的信息,比如SMF的信息,UPF的信息,AMF的信息等。网络中AMF、SMF、UPF等网元都可能与NRF相连,一方面可以将自身的网元信息注册到NRF,另一方面其他网元可以从 NRF中获得已经注册过的网元的信息。其他网元(比如AMF)可以根据网元类型、数据网络标识、未知区域信息等,通过向NRF请求获得可选的网元。如果域名系统(domain name system,DNS)服务器集成在NRF,那么相应的选择功能网元(比如AMF)可以向NRF请求获得要选择的其他网元(比如SMF)。
基站作为接入网络(access network,AN)的一个具体实现形式,还可以称为接入节点,如果是无线接入的形式,称为无线接入网(radio access network,RAN),如图1B所示,为终端提供无线接入服务。接入节点具体可以是全球移动通信(global system for mobile communication,GSM)系统或码分多址(code division multiple access,CDMA)系统中的基站,也可以是宽带码分多址(wideband code division multiple access,WCDMA)系统中的基站(NodeB),还可以是LTE系统中的演进型基站(evolutional node B,eNB或eNodeB),或者是5G网络中的基站设备、小基站设备、无线访问节点(WiFiAP)、无线互通微波接入基站(worldwide interoperability for microwave access base station,WiMAX BS)等,本公开对此并不限定。
终端,也可称为接入终端、用户设备(user equipment,UE),用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、无线通信设备、用户代理或用户装置等。图1B以UE为例进行说明。终端可以是蜂窝电话、无绳电话、会话启动协议(session initiation protocol,SIP)电话、无线本地环路(wireless local loop,WLL)站、个人数字处理(personal digital assistant,PDA)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备、物联网终端设备,比如火灾检测传感器、智能水表/电表、工厂监控设备等等。
上述功能既可以是硬件设备中的网络元件,也可以是在专用硬件上运行软件功能,或者是平台(例如,云平台)上实例化的虚拟化功能。
图2是根据一示例性实施例示出的一种数据处理方法的流程图,如图2所示,该数据处理方法包括:
S201、AI管理装置确定AI处理任务。
其中,该AI管理装置接入核心网,该AI管理装置与多个AI服务装置连接,该多个AI服务装置包括采用不同AI算法的AI服务装置。
即本公开实施例提供的数据处理方法的执行主体可以为AI管理装置,在未来的通信和AI技术中,该执行主体或有其它的名称,本申请不做限定。其中,该AI管理装置与多个AI服务装置连接,该多个AI服务装置包括采用不同AI算法的AI服务装置,并且该AI管理装置接入核心网。应理解,通信网络包括了接入网(如图1A中所示的基站)、承载网以及核心网(如图1A中所示的移动性管理装置、会话管理装置以及图1B中所示的NRF)。此外,应理解,AI管理装置可以是一独立的装置,每一AI服务装置可以是独立的装置,部分或全部AI服务装置可以集成在同一装置中。或者,部分或全部AI服务装置还可以与该AI管理装置集成在同一装置中,在此种情况下,该AI管理装置与AI服务装置的连接应理解软件层上的逻辑连接。
S202、AI管理装置从多个AI服务装置中,确定目标服务装置,并将AI处理任务分配给该目标服务装置。目标服务装置为多个AI服务装置中的至少一个。
S203、AI管理装置获取目标服务装置的任务处理结果。
S204、AI管理装置根据任务处理结果,向目的端发送AI服务结果,该目的端包括核心网中的网元或者接入该核心网的终端。
采用上述方法,多个AI服务装置包括了采用不同的AI算法的AI服务装置,即每个AI服务装置对应一类AI算法,并由AI管理装置进行统一管理多个AI服务装置。这样,AI管理装置接入核心网后,能够统一调度该多个AI服务装置对核心网中的网元或者接 入核心网的终端提供AI服务,从而使得核心网提供的网络覆盖范围内都能够使用AI服务,扩大了AI服务的应用空间。
图3是根据一示例性实施例示出的一种数据处理方法的流程图,如图3所示,该数据处理方法包括:
S301、AI管理装置确定AI处理任务。
其中,该AI管理装置接入核心网,该AI管理装置与多个AI服务装置连接,该多个AI服务装置包括采用不同AI算法的AI服务装置。
S302、AI管理装置确定每一AI服务装置的AI算法类型。
每一AI服务装置的AI算法类型可以是预先存储在该AI管理装置中的。或者,该AI管理装置也可以在接入核心网时,将每一AI服务装置的AI算法类型存储在核心网中的网络存储库功能网元中,这样,通过查询网络存储库功能网元即可确定每一AI服务装置的AI算法类型。
S302、AI管理装置从多个AI服务装置中,确定AI算法类型与AI处理任务的任务类型匹配的目标服务装置,并将AI处理任务分配给该目标服务装置。
在一个示例中,AI算法类型与AI处理任务的任务类型之间的匹配关系可以预先设置。
例如,AI处理任务可以包括模型训练,该模型训练的任务类型可以基于模型训练方式进行划分,如将任务类型划分为包括监督训练、无监督训练以及半监督训练等,AI算法类型包括随机森林算法、支持向量机算法、主成分分析降维算法、K-Means聚类算法等等。根据不同的AI算法的特性可以确定每种AI算法适合的训练方式,从而可以预先设置AI算法类型与任务类型之间的匹配关系。
上述只是举例说明,该模型训练的任务类型也可以基于模型训练阶段进行划分,如将任务类型划分为数据标注、迭代训练、模型验证等等。该AI处理任务的任务类型还可以是联邦学习任务中的各个子任务的类型,或者边缘计算任务中的各个子任务的类型。
S304、AI管理装置获取目标服务装置的任务处理结果。
S305、AI管理装置根据任务处理结果,向目的端发送AI服务结果,该目的端包括核心网中的网元或者接入该核心网的终端。
采用本实施例,通过匹配AI算法类型与任务类型,AI管理装置能够准确的为AI处理任务分配用于执行该AI处理任务目标服务装置。
图4是根据一示例性实施例示出的一种数据处理方法的流程图,如图4所示,该数据处理方法包括:
S401、AI管理装置确定AI处理任务。
其中,该AI管理装置接入核心网,该AI管理装置与多个AI服务装置连接,该多个AI服务装置包括采用不同AI算法的AI服务装置。
S402、AI管理装置从多个AI服务装置中,确定目标服务装置,并将AI处理任务分配给该目标服务装置。
其中,该目标服务装置为多个。
S403、AI管理装置获取目标服务装置的任务处理结果。
S404、AI管理装置根据每一目标服务装置的任务处理结果进行聚合,得到AI服务结果,并向目的端发送该AI服务结果。
其中,该目的端包括核心网中的网元或者接入该核心网的终端。
在一个示例中,AI管理装置对处理任务结果的聚合可以包括对处理任务结果进行结构化处理,以使得得到的AI服务结果符合核心网的数据格式规范。
在另一个示例中,AI管理装置对处理任务结果的聚合可以包括从多个任务处理结果 中选择最优的任务处理结果作为AI服务结果。例如,可以将同一AI处理任务分配给不同AI算法类型的目标服务装置,在收到不同AI算法类型的目标服务装置返回的任务处理结果后,从中选出效果最优的任务处理结果作为AI服务结果,该同一AI处理任务例如可以是图像处理任务、语音识别任务、机器翻译任务等等。或者AI管理装置对处理任务结果的聚合可以包括根据多个任务处理结果计算分析得到AI服务结果。例如,采用边缘计算方式进行的模型训练任务,每一目标服务装置可以作为边缘计算节点执行该模型训练任务中的部分子任务,这样,AI管理装置在收到每一目标服务装置返回的任务处理结果后,可以根据多个任务处理结果聚合得到最终训练完成的数学模型,该AI服务结果即包括该最终训练完成的数学模型。
采用本实施例,由于AI管理装置能够对多个AI服务装置的任务处理结果进行聚合,使得根据AI算法划分AI服务装置的粒度能够更细(也即用于完成某一类AI任务的AI算法能够更细粒度的拆分为多个子算法),避免了由于AI服务装置划分过细,导致用于完成同一AI处理任务的目标服务装置的数量过多,任务处理结果无法统一管理的问题。
图5是根据一示例性实施例示出的一种数据处理方法的流程图,如图5所示,该数据处理方法包括:
S501、AI管理装置确定AI处理任务。
其中,该AI管理装置接入核心网,该AI管理装置与多个AI服务装置连接,该多个AI服务装置包括采用不同AI算法的AI服务装置。
S502、AI管理装置将AI处理任务分割成多个AI子任务。
S503、AI管理装置从多个AI服务装置中确定与每一AI子任务对应的目标服务装置,并将每一AI子任务分配给对应的目标服务装置。
S504、AI管理装置获取目标服务装置的任务处理结果。
S505、AI管理装置根据任务处理结果,向目的端发送AI服务结果。
其中,该目的端包括核心网中的网元或者接入该核心网的终端。
该AI处理任务可以是对应业务需求的总任务,将该AI处理任务分割得到的多个子任务,以分配不同的目标服务装置来完成不同的子任务,能够提高得到最终的用于响应该业务需求的AI服务结果的效率。此外,对于需要利用隐私数据执行AI处理任务的场景,通过将AI处理任务分割为多个子任务(例如采用联邦学习或者边缘计算方式进行模型训练涉及到的任务分割),并用不同的AI服务装置分别执行不同的子任务,能够有效避免数据泄露,提升数据的安全性。值得说明的是,AI处理任务可以包括待处理数据,这样在AI管理装置将AI处理任务分配给目标服务装置后,目标服务装置能够对该待处理数据进行任务处理。或者,该AI处理任务可以待处理数据的存储位置信息,在AI管理装置将AI处理任务分配给目标服务装置后,目标服务装置能够根据该存储位置信息获取到待处理数据,并对该待处理数据进行任务处理。
图6是根据一示例性实施例示出的一种数据处理方法的流程图,如图6所示,该数据处理方法包括:
S601、AI管理装置确定AI处理任务。
其中,该AI管理装置接入核心网,该AI管理装置与多个AI服务装置连接,该多个AI服务装置包括采用不同AI算法的AI服务装置。
S602、AI管理装置从多个AI服务装置中,确定目标服务装置,并将AI处理任务分配给该目标服务装置。
目标服务装置为多个AI服务装置中的至少一个。
S603、AI管理装置确定目标服务装置执行的任务所需的算力资源,并将算力资源分配给所述目标服务装置。
S604、AI管理装置获取目标服务装置的任务处理结果。
S605、AI管理装置根据任务处理结果,向目的端发送AI服务结果,该目的端包括核心网中的网元或者接入该核心网的终端。
采用本实施例,AI管理装置负责针对AI服务装置进行算力资源分配,在存在多个目标服务装置的情况下能够均衡每一目标服务装置的算力资源。并且,还可以在多个目标服务装置联合进行任务处理已完成同一个AI处理任务的情况下,通过控制分配给每一目标服务装置的算力资源的大小,能够提升每一目标服务装置联合完成任务处理的效率。
图7是根据一示例性实施例示出的一种数据处理方法的流程图,如图7所示,该数据处理方法包括:
S701、AI管理装置响应于目的端通过核心网发送的AI请求消息,确定AI处理任务。
其中,该AI管理装置接入核心网,该AI管理装置与多个AI服务装置连接,该多个AI服务装置包括采用不同AI算法的AI服务装置,该目的端为接入该核心网的终端(也可称为接入终端或者用户设备等)。该终端可以是通过基站(AN)接入的该核心网,或者是通过无线接入网(RAN)接入该核心网。
在一个示例中,终端发送的请求消息可以包括用于指示AI处理任务的标识信息,AI管理装置在接收到该请求消息后,基于该标识信息即可确定AI处理任务。
在一个示例中,终端发送的请求消息可以包括待处理数据,AI管理装置在接收到该请求消息后,通过该待处理数据的属性确定AI处理任务,该待处理的属性例如可以是数据的类型、数据的结构等等。例如,在该待处理数据的类型为文本类型的情况下,该AI管理装置确定的AI处理任务可以为文本识别和/或机器翻译,在该待处理数据的类型为图像类型的情况下,该AI管理装置确定的AI处理任务可以为图像识别。
S702、AI管理装置从多个AI服务装置中,确定目标服务装置,并将AI处理任务分配给该目标服务装置。目标服务装置为多个AI服务装置中的至少一个。
在一个示例中,终端发送的请求消息可以包括待处理数据,AI管理装置在接收到该请求消息后,可以将待处理数据存储到核心网中的统一数据存储库(UDR,User Data Repository)或者非结构化数据存储库(UDSF,Unstructured Data Storage Network Function)中。在此种情况下,AI处理任务可以包括待处理数据在UDR或者UDSF中的存储位置信息,以便目标服务装置收到该AI处理任务后,基于该存储位置信息从UDR或者UDSF中获取待处理数据进行任务处理。在另一个示例中,该终端也可以在接入核心网进行注册时,将待处理数据存储到UDR或者UDSF中,这样在该终端完成接入核心网的流程后,向AI管理装置发送的请求消息中可以包括该待处理数据的存储位置信息。
S703、AI管理装置获取目标服务装置的任务处理结果。
S704、AI管理装置根据任务处理结果,向目的端发送AI服务结果,该目的端包括核心网中的网元或者接入该核心网的终端。
在一个示例中,该AI管理装置可以根据该任务处理结果,将该AI处理结果通过核心网透传给目的端,提升数据传输的效率。例如,该AI管理装置可以将AI处理结果发送给移动性管理装置(例如5G中的AMF),由该AMF通过基站或者无线接入网将该AI服务结果透传给终端。
采用本实施例,多个AI服务装置包括了采用不同的AI算法的AI服务装置,并由AI管理装置进行统一管理多个AI服务装置。这样,AI管理装置接入核心网后,能够统一调度该多个AI服务装置对接入核心网的终端提供AI服务,从而使得核心网提供的网络覆盖范围内的终端都能够使用AI服务,扩大了AI服务的应用空间。
图8是根据一示例性实施例示出的一种数据处理方法的流程图,如图8所示,该数据处理方法包括:
S801、AI管理装置收集核心网中预设网元的数据。
其中,该AI管理装置接入核心网,该AI管理装置与多个AI服务装置连接,该多个AI服务装置包括采用不同AI算法的AI服务装置。
在一个示例中,AI管理装置可以从核心网中的各个网络功能(如AMF、SMF、策略控制功能、网络能力开放功能等)、应用功能、以及运行管理和维护系统收集数据。
S802、AI管理装置根据收集到的数据确定AI处理任务。
该AI处理任务可以是预先为核心网中的该预设网元预先定制的AI处理任务,例如为预设网元预先定制的故障诊断任务、业务优化任务等。该AI处理任务可以包括从该预设网元收集到的数据。
S803、AI管理装置从多个AI服务装置中,确定目标服务装置,并将AI处理任务分配给该目标服务装置。目标服务装置为多个AI服务装置中的至少一个
S804、AI管理装置获取目标服务装置的任务处理结果。
S805、AI管理装置根据任务处理结果,向目的端发送AI服务结果,该目的端包括核心网中的网元。
在一个示例中,AI管理装置可以根据该任务处理结果,确定核心网中的需进行业务调整的目标网元,并将该AI服务结果发送给作为该目的端的核心网中的该目标网元。
采用上述方法,多个AI服务装置包括了采用不同的AI算法的AI服务装置,并由AI管理装置进行统一管理多个AI服务装置。这样,AI管理装置接入核心网后,能够统一调度该多个AI服务装置对核心网中的网元提供AI服务,为核心网中的网元的故障恢复以及业务优化等提供支持,提高了核心网的自治水平。
图9是根据一示例性实施例示出的一种数据处理系统的示意图,该数据处理系统900包括AI管理装置901以及均与AI管理装置901连接的多个AI服务装置902,该多个AI服务装置902包括采用不同AI算法的AI服务装置。该AI管理装置901用于接入核心网,并执行上述任一方法实施例提供的数据处理方法。所述AI服务装置902用于,响应于接收到AI管理装置901分配的AI处理任务,获取对应该AI处理任务对应的待处理数据进行AI任务处理。
图10是根据一示例性实施例示出的一种网络系统的示意图,用于示出图9所示的数据处理系统900的实施环境。如图10所示的网络系统1000,包括:UE 1001、RAN 1002、AMF 1003、SMF 1004、NRF 1005、UPF 1006、DN 1007、UDM 1008、AUSF 1009、UDR 1010、PCF 1011、UDSF 1012、AI管理装置901、AI服务装置902。其中,RAN 1002与AMF 1003通过N2接口连接,RAN 1002通过N3接口与UPF 1006连接,UE 1001通过N1接口与AMF 1003连接。
图11是根据一示例性实施例示出的一种数据处理方法的示意图,用于说明图9所示的数据处理系统900在图10所示的网络系统1000中的方法步骤。如图11所示,该方法步骤包括:
S1101、UE 1001通过RAN 1002向AMF 1003发送AI Service Establishment Request消息。
其中,该AI Service Establishment Request消息中可以包括:网络数据名(DNN,Data Network Name)、AI服务类型(AI Service Type)、AI服务标识(AI Service ID)等。该AI Service Type用于指示AI处理任务的类型。
S1102、AMF 1003向AI服务装置902发送CreateAI0Context_Request消息,以请求提供AI服务。
其中,该CreateAI0Context_Request消息可以包括:网络数据名DNN、AI Service Type、AI Service ID、用户信息(User information)、接入类型(Access type)、永久设备标识符 (PEI,Permanent Equipment Identifier)、通用公共用户标识(GPSI,Generic Public Subscription Identifier)等信息。
S1103、AI服务装置902根据接收到的请求消息确定AI处理任务,并根据所述AI处理任务所属的AI类型以及需要使用到的AI算法,从多个AI服务装置902中确定目标服务装置。
其中,AI处理任务所属的AI类型例如可以包括监督、无监督、半监督类型,AI处理任务需要使用到的AI算法例如可以包括SVM、随机森林、PCA降维、K-Means聚类算法等。
S1104、AI服务装置902将AI处理任务下发给目标服务装置,并为该目标服务装置分配算力资源。
在目标服务装置为多个的情况下,AI服务装置902可以根据每一目标服务装置对应的任务为每一目标服务装置设定相应的权重大小,并根据权重大小确定分配给每一目标服务装置的算力资源的大小。
S1105、UDR 1010向目标服务装置提供结构化的待处理数据。
S1106、UDSF 1012向目标服务装置提供非结构化的待处理数据。
其中,结构化的待处理数据和非结构化的待处理数据的数据来源可以是UE 1001接入核心网时和/或提出服务请求时,存储在UDR 1010和UDSF 1012中的。
S1107、目标服务装置进行AI任务处理。
S1108、目标服务装置向AI管理装置902反馈任务处理结果。
S1109、AI管理装置901聚合目标服务装置反馈的任务处理结果,得到AI服务结果。
S1110、AI管理装置901将AI服务结果传给AMF 1003。
S1110、AMF 1003将AI服务结果通过RAN 1002透传给UE 1001。
对于上述方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受上文所描述的动作顺序的限制。其次,本领域技术人员也应该知悉,上文所描述的实施例属于优选实施例,所涉及的步骤并不一定是本公开所必须的。
图12是根据一示例性实施例示出的一种AI管理装置的结构框图。该AI管理装置1200用于接入核心网,以及与多个AI服务装置连接,该多个AI服务装置包括采用不同AI算法的AI服务装置,该AI管理装置可以是通过软件、硬件或者软件与硬件结合实现的,用以执行前述方法实施例提供的数据处理方法的步骤。参照图12,该AI管理装置包括第一确定模块1201,第二确定模块1202、获取模块1203和发送模块1204。
第一确定模块1201,被配置为确定AI处理任务;
第二确定模块1202,被配置为从所述多个AI服务装置中,确定目标服务装置;
任务分配模块1203,被配置为将所述AI处理任务分配给所述目标服务装置;
获取模块1204,被配置为获取所述目标服务装置的任务处理结果;
发送模块1205,被配置为根据所述任务处理结果,向目的端发送AI服务结果,所述目的端是所述核心网中的网元或者是接入所述核心网的终端。
本公开的实施例提供的技术方案中,多个AI服务装置是包括了采用不同的AI算法的AI服务装置,并由AI管理装置进行统一管理多个AI服务装置。这样,AI管理装置接入核心网后,能够统一调度该多个AI服务装置对核心网中的网元或者接入核心网的终端提供AI服务,从而使得核心网提供的网络覆盖范围内都能够使用AI服务,扩大了AI服务的应用空间。
可选地,第一确定模块1201包括:
第一确定子模块,用于确定每一所述AI服务装置的AI算法类型;
第二确定子模块,用于从所述多个AI服务装置中,确定AI算法类型与所述AI处理任务的任务类型匹配的目标服务装置。
可选地,所述目标服务装置为多个,所述发送模块1105包括:
聚合子模块,用于根据每一所述目标服务装置的任务处理结果进行聚合,得到所述AI服务结果;
发送子模块,用于向所述目的端发送所述AI服务结果。
可选地,所述任务分配模块1203包括:
任务分割子模块,用于将所述AI处理任务分割成多个AI子任务;
分配子模块,用于从所述多个AI服务装置中确定与每一所述AI子任务对应的目标服务装置,并将每一所述AI子任务分配给对应的目标服务装置。
可选地,所述AI管理装置1200还包括:
第三确定模块,用于确定所述目标服务装置执行的任务所需的算力资源;
算力分配模块,用于将所述算力资源分配给所述目标服务装置。
可选地,所述AI处理任务包括待处理数据或者待处理数据的存储位置信息,所述待处理数据用于所述目标服务装置执行所述AI处理任务。
可选地,所述目的端为接入所述核心网的终端,所述第一确定模块1201具体用于,响应于所述目的端通过所述核心网发送的AI请求消息,确定所述AI处理任务。
可选地,所述AI请求消息包括待处理数据,所述AI管理装置1200还包括:存储模块,用于将所述待处理数据存储到所述核心网中的统一数据存储库UDR或者非结构化数据存储库UDSF中,所述AI处理任务包括所述待处理数据的存储位置信息。
可选地,所述发送模块1205具体用于,所述AI管理装置根据所述任务处理结果,将所述AI处理结果通过所述核心网透传给所述目的端。
可选地,所述目的端是所述核心网中的网元,所述第一确定模块1201包括:数据收集子模块,用于收集所述核心网中预设网元的数据;第三确定子模块,用于根据收集到的数据确定所述AI处理任务。
可选地,所述目的端是所述核心网中的网元,所述发送模块1205包括:
第四确定子模块,用于根据所述任务处理结果,确定所述核心网中的需进行业务调整的目标网元;
发送子模块,用于将所述AI服务结果发送给作为所述目的端的所述目标网元。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质,其上存储有计算机程序指令,该程序指令被处理器执行时实现本公开提供的前述任一方法实施例提供的数据处理方法的步骤。
图13是根据一示例性实施例示出的一种用于AI管理装置的结构框图。例如,AI管理装置1300可以被提供为一服务器。参照图13,AI管理装置1300包括处理组件1322,其进一步包括一个或多个处理器,以及由存储器1332所代表的存储器资源,用于存储可由处理组件1322的执行的指令,例如应用程序。存储器1332中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1322被配置为执行指令,以执行上述方法实施例提供的数据处理方法的步骤。
AI管理装置1300还可以包括一个电源组件1326被配置为执行装置1300的电源管理,一个有线或无线网络接口1350被配置为将AI管理装置1300连接到网络,和一个输入输出(I/O)接口1358。AI管理装置1300可以操作基于存储在存储器1332的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够 由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的数据处理方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (14)
- 一种数据处理方法,其特征在于,包括:AI管理装置确定AI处理任务,所述AI管理装置接入核心网,所述AI管理装置与多个AI服务装置连接,所述多个AI服务装置包括采用不同AI算法的AI服务装置;所述AI管理装置从所述多个AI服务装置中,确定目标服务装置,并将所述AI处理任务分配给所述目标服务装置,所述目标服务装置为所述多个AI服务装置中的至少一个;所述AI管理装置获取所述目标服务装置的任务处理结果;所述AI管理装置根据所述任务处理结果,向目的端发送AI服务结果,所述目的端包括所述核心网中的网元或者接入所述核心网的终端。
- 根据权利要求1所述的方法,其特征在于,所述AI管理装置从所述多个AI服务装置中,确定目标服务装置,包括:所述AI管理装置确定每一所述AI服务装置的AI算法类型;从所述多个AI服务装置中,确定AI算法类型与所述AI处理任务的任务类型匹配的目标服务装置。
- 根据权利要求1所述的方法,其特征在于,所述目标服务装置为多个,所述AI管理装置根据所述任务处理结果,向目的端发送AI服务结果,包括:所述AI管理装置根据每一所述目标服务装置的任务处理结果进行聚合,得到所述AI服务结果,并向所述目的端发送所述AI服务结果。
- 根据权利要求1所述的方法,其特征在于,所述AI管理装置从所述多个AI服务装置中,确定目标服务装置,并将所述AI处理任务分配给所述目标服务装置,包括:所述AI管理装置将所述AI处理任务分割成多个AI子任务;所述AI管理装置从所述多个AI服务装置中确定与每一所述AI子任务对应的目标服务装置,并将每一所述AI子任务分配给对应的目标服务装置。
- 根据权利要求1所述的方法,其特征在于,所述方法还包括:所述AI管理装置确定所述目标服务装置执行的任务所需的算力资源,并将所述算力资源分配给所述目标服务装置。
- 根据权利要求1所述的方法,其特征在于,所述AI处理任务包括待处理数据或者待处理数据的存储位置信息,所述待处理数据用于所述目标服务装置执行所述AI处理任务。
- 根据权利要求1所述的方法,其特征在于,所述目的端为接入所述核心网的终端;所述AI管理装置确定AI处理任务,包括:所述AI管理装置响应于所述目的端通过所述核心网发送的AI请求消息,确定所述AI处理任务。
- 根据权利要求7所述的方法,其特征在于,所述AI请求消息包括待处理数据,所述方法还包括:将所述待处理数据存储到所述核心网中的统一数据存储库UDR或者非结构化数据存储库UDSF中,所述AI处理任务包括所述待处理数据的存储位置信息。
- 根据权利要求7所述的方法,其特征在于,所述AI管理装置根据所述任务处理结果,向目的端发送AI服务结果,包括:所述AI管理装置根据所述任务处理结果,将所述AI处理结果通过所述核心网透传给所述目的端。
- 根据权利要求1所述的方法,其特征在于,所述目的端是所述核心网中的网元,所述AI管理装置确定AI处理任务包括:所述AI管理装置收集所述核心网中预设网元的数据;所述AI管理装置根据收集到的数据确定所述AI处理任务。
- 根据权利要求10所述的方法,其特征在于,所述AI管理装置根据所述任务处理结果,向目的端发送AI服务结果,包括:所述AI管理装置根据所述任务处理结果,确定所述核心网中的需进行业务调整的目标网元;所述AI管理装置将所述AI服务结果发送给作为所述目的端的核心网中的所述目标网元。
- 一种AI管理装置,其特征在于,所述AI管理装置接入核心网,所述AI管理装置与多个AI服务装置连接,所述多个AI服务装置包括采用不同AI算法的AI服务装置,所述AI管理装置包括:第一确定模块,被配置为确定AI处理任务;第二确定模块,被配置为从所述多个AI服务装置中,确定目标服务装置;任务分配模块,被配置为将所述AI处理任务分配给所述目标服务装置;获取模块,被配置为获取所述目标服务装置的任务处理结果;发送模块,被配置为根据所述任务处理结果,向目的端发送AI服务结果,所述目的端是所述核心网中的网元或者是接入所述核心网的终端。
- 一种AI管理装置,其特征在于,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为执行权利要求1~11中任一项所述方法的步骤。
- 一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,该程序指令被处理器执行时实现权利要求1~11中任一项所述方法的步骤。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2022/089127 WO2023206048A1 (zh) | 2022-04-25 | 2022-04-25 | 数据处理方法及系统,ai管理装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117461302A true CN117461302A (zh) | 2024-01-26 |
Family
ID=88516418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280001277.9A Pending CN117461302A (zh) | 2022-04-25 | 2022-04-25 | 数据处理方法及系统,ai管理装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117461302A (zh) |
WO (1) | WO2023206048A1 (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200106829A1 (en) * | 2018-10-02 | 2020-04-02 | Brainworks Foundry, Inc. | Fluid Client Server Partitioning of Machines Learning, AI Software, and Applications |
US10992331B2 (en) * | 2019-05-15 | 2021-04-27 | Huawei Technologies Co., Ltd. | Systems and methods for signaling for AI use by mobile stations in wireless networks |
CN112052027A (zh) * | 2019-06-06 | 2020-12-08 | 阿里巴巴集团控股有限公司 | 一种处理ai任务的方法及装置 |
WO2021248423A1 (zh) * | 2020-06-12 | 2021-12-16 | 华为技术有限公司 | 人工智能资源的调度方法、装置、存储介质和芯片 |
CN111885136B (zh) * | 2020-07-15 | 2022-07-26 | 北京时代凌宇科技股份有限公司 | 基于边云协同的边缘计算网关集群运行方法及系统 |
CN112153145A (zh) * | 2020-09-26 | 2020-12-29 | 江苏方天电力技术有限公司 | 5g边缘环境下面向车联网的计算任务卸载方法及装置 |
CN114285847A (zh) * | 2021-12-17 | 2022-04-05 | 中国电信股份有限公司 | 数据处理、模型训练方法及装置、电子设备、存储介质 |
-
2022
- 2022-04-25 WO PCT/CN2022/089127 patent/WO2023206048A1/zh active Application Filing
- 2022-04-25 CN CN202280001277.9A patent/CN117461302A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023206048A1 (zh) | 2023-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11902104B2 (en) | Data-centric service-based network architecture | |
EP3952248A1 (en) | Method and device for network data analysis | |
US10129108B2 (en) | System and methods for network management and orchestration for network slicing | |
US20210235277A1 (en) | Method and apparatus for dynamically allocating radio resources in a wireless communication system | |
CN109417719B (zh) | 一种网络资源的管理方法、装置及系统 | |
KR20200139748A (ko) | 서비스 가입 방법 및 장치 | |
US11722867B2 (en) | Systems and methods to determine mobile edge deployment of microservices | |
EP3809766A1 (en) | Mec information acquisition method and device | |
CN114303347A (zh) | 通信网络中与机器学习相关的方法、装置和机器可读介质 | |
US11558476B2 (en) | Method and apparatus for renewing subscription for network data analysis in wireless communication system | |
WO2022001941A1 (zh) | 网元管理方法、网管系统、独立计算节点、计算机设备、存储介质 | |
CN113596863A (zh) | 确定用户面功能及信息提供的方法、设备及介质 | |
CN114980034A (zh) | 原生算力业务实现方法、装置、网络设备及终端 | |
KR20210054923A (ko) | 이동통신 네트워크에서 rfsp 인덱스 선택을 위한 네트워크 분석 정보 제공하는 방법 및 장치 | |
US20240056496A1 (en) | Method and Apparatus for Selecting Edge Application Server | |
US20240036942A1 (en) | Information processing method and apparatus, device, and storage medium | |
Bruschi et al. | Managing 5G network slicing and edge computing with the MATILDA telecom layer platform | |
WO2021152629A1 (en) | Method and apparatus for dynamically allocating radio resources in a wireless communication system | |
CN114980033A (zh) | 原生算力业务实现方法、装置、网络设备及终端 | |
CN117461302A (zh) | 数据处理方法及系统,ai管理装置及存储介质 | |
CN115460617A (zh) | 基于联邦学习的网络负载预测方法、装置、电子设备及介质 | |
EP4090083A1 (en) | Communication method, apparatus, and system | |
CN115915289A (zh) | 计算任务的策略确定或资源分配方法、装置、网元及介质 | |
US20210103830A1 (en) | Machine learning based clustering and patterning system and method for network traffic data and its application | |
KR20220001797A (ko) | 무선 통신 네트워크에서 네트워크 분석 정보 제공 방법 및 장치 |
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 |