CN117693931A - 减少由操纵性网络功能引起的系统劣化 - Google Patents

减少由操纵性网络功能引起的系统劣化 Download PDF

Info

Publication number
CN117693931A
CN117693931A CN202180100831.4A CN202180100831A CN117693931A CN 117693931 A CN117693931 A CN 117693931A CN 202180100831 A CN202180100831 A CN 202180100831A CN 117693931 A CN117693931 A CN 117693931A
Authority
CN
China
Prior art keywords
value
configuration
cognitive functions
noise
values
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
Application number
CN202180100831.4A
Other languages
English (en)
Inventor
A·班纳吉
S·姆万杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nokia Solutions and Networks Oy
Original Assignee
Nokia Solutions and Networks Oy
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nokia Solutions and Networks Oy filed Critical Nokia Solutions and Networks Oy
Publication of CN117693931A publication Critical patent/CN117693931A/zh
Pending legal-status Critical Current

Links

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
    • H04L41/08—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
    • H04L41/0836—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability to enhance reliability, e.g. reduce downtime
    • 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
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition

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)
  • Mobile Radio Communication Systems (AREA)

Abstract

一种方法，包括：接收关于当前系统状态的信息；检索系统的配置参数的所存储的三元组；基于当前状态和所存储的三元组，预测配置参数的期望值；接收针对配置参数的所计算的优化值；基于期望值和所计算的优化值，减少系统性能的潜在劣化，其中，三元组中的每个三元组包括关于先前系统状态的信息、配置参数的应用值、以及针对配置参数的先前的OCRS；OCRS中的每个OCRS指示配置参数的先前期望值的相应范围；潜在劣化比较系统的第一性能和系统的第二性能，系统的第一性能在所有认知功能都不具有操纵行为的假设下，系统的第二性能在至少一个认知功能具有操纵行为的假设下。

Description

减少由操纵性网络功能引起的系统劣化
技术领域
本公开涉及认知自主网络。具体地，涉及操纵(恶意)认知功能。
缩写
3GPP 第三代合作伙伴计划
4G/5G/6G 第四代/第五代/第六代
BAD 行为异常检测
CAN 认知自主网络
CCO 覆盖和容量优化
CF 认知功能
CM 配置管理器
CPC 配置参数伪装
CPT 配置参数跟踪
CW 配置权重
DM DoD管理器
DoD 动态性程度
EG(S) 艾森伯格-盖尔(解决方案)
ESM 节能模式
HO 切换
KPI 关键性能指标
MAS 多代理系统
MASCP 最大允许系统折衷百分比
MLA 机器学习算法
MLB 移动负载均衡
MNO 移动网络运营商
MRO 移动稳健性优化
MSE 均方误差
NAF 网络自动化功能
NN 神经网络
OCRS 最优配置范围集
RAN 无线电接入网络
SON 自组织网络
SF SON功能
TTT 触发时间
TXP 传输点
UF 效用函数
背景技术
在移动网络中，由自组织网络(SON)成功引入了基于规则的网络自动化。SON中的NAF(也被称为SON功能(SF))局限于两个基本方面：(i)由于其基于规则的行为，它们无法进行自我调整(例如在快速变化的环境中)；以及(ii)大量规则的存在使系统的维护和升级变得困难。
为了克服SON的局限性，认知自主网络(CAN)正在得到推广。在CAN中，SON的SF被认知功能(CF)取代。这些CF(其本身就是学习代理)基于自己的学习而行动，而不遵循任何固定的规则集合。CF可以确定自己在特定网络状态下的最佳网络配置。CF可以周期性地检查网络状态是否发生变化。每个周期被称为一个循环。如果网络状态没有变化，则它将继续学习，直到下一个周期结束。如果网络状态发生了变化，则CF计算其输入配置的所期望的(近似)最优值，并将其与在系统处设置的值进行比较。如果他们是相同的，则CF不做任何操作，并继续学习直到下一个周期结束。否则，CF发起一个进程来实现所期望的配置。在这个进程中，CF使用两个值：最优配置范围集(OCRS)，它是特定网络配置参数的值的集合，针对该值的集合，CF的目标是最优或接近最优；以及效用函数(UF)，它将CF的输出映射到通用预定义比例，如[0:10]。这种CF被称为请求CF，如图1中所示。
通用预定义比例旨在使配置的质量具有可比性。即，不同的CF具有不同的目标和KPI，例如MLB解决负载，并且MRO解决切换。负载和HO具有不同的单位和维度。因此，当需要设置参数(如TTT)时(MLB和MRO两者都使用TTT)，控制器必须了解TTT值对于MLB和MRO的良好程度。因此，如果MLB和MRO两者用相同的比例尺([0:10])来表示TTT值的良好程度，控制器就会更容易理解。通常，控制器对了解TTT的负载的绝对值并不感兴趣，它更感兴趣的是了解TTT值的相对良好程度。
配置可以由一个或多个网络配置参数描述。网络配置参数中的每个网络配置参数可以具有一个值或多个值(例如，配置参数可以是矢量或矩阵)。术语“网络配置参数的值”涵盖了用于网络配置参数的这些选项中的每个选项。术语“配置的值”涵盖了由CAN控制的系统的全体网络配置参数。
在CAN中，通常存在多个具有相应目标的CF。控制器协调所有CF之间的请求。协调过程如图1中所示。实线框表示由单个实体完成的操作。虚线框指示涉及多个实体的行动。协调过程工作如下：
1.CF检测当前不是最优的那些配置，
2.CF生成对应的OCRS和UF，并将其与请求一起发送给控制器，以重新计算网络配置参数的值。
3.控制器请求所有CF发送其OCRS和UF，
4.CF提供其OCRS和UF，
5.基于所接收的OCRS和UF，控制器计算出对于系统的组合利益而言最优的值([1],[2])，并在网络中设置该值。
在现有技术([1]至[6]，特别是[1]和[3])中，CAN被抽象为多代理系统(MAS)，其中CF是代理，并且控制器在对网络配置参数作出任何改变之前都要与CF协调。作为MAS中的代理，CF具有以下特性：
P1.每个代理都能在动态环境中学习，并自行决定对于自身而言的最佳行动。
P2.没有代理可以与其他代理通信，并且没有代理对系统有完整的了解。
P3.这些代理中的一些或所有共享相同的资源，并且它们之间存在利益冲突。
P4.每个代理都试图与其他代理同时优化其自身的目的或目标，
并且不存在共同或团队目标的概念。
[1]提出了如何在CF之间发生冲突的情况下找到一个良好的折衷，并找到对于系统组合利益最优的值。例如，如果配置参数的期望值中存在2个具有利益的CF，并且每个CF从不同的值中接收不同的效用，则折衷被计算为作为最大化CF效用乘积的值。在[2]中，对这一想法进行了扩展，在计算网络配置参数的最终值时考虑了在特定配置上的CF的个体利益。CF对特定配置的兴趣被量化为配置权重(CW)，并且最终的最优值由OCC使用Eisenberg-Gale(EG)解决方案计算得出。
[3]提出了两个附加功能。它们可以在控制器内部实现，也可以在控制器外部实现(利用相应的接口)：
(i)可以在控制器内部计算CW值的函数(被称为CM)。在计算最优配置时，CM也是与CF通信的模块(如图3中所示)。
(ii)阻止CF利用配置重新计算请求来泛洪控制器的函数(被称为DM)。DM对CF施加限制。具体来说，DM引入以下项中的至少一项：
a)t值，指定触发配置的重新计算所需的最小请求数目；以及
b)m值，CF在一个周期内可以提出的最大请求数目。
如图3中所示，MNO指定了系统运行的节能模式(ESM)和每个周期的频率(f)。DM将这些值转换为t值和m值。
参考文献
[1]US临时申请US63/056084:“AN INTEREST BASED OPTIMAL CONFIGURATIONCALCULATION MECHANISM IN COGNITIVE AUTONOMOUS NETWORKS”.
[2]PCT/EP2020/061183“A COORDINATION AND CONTROL MECHANISM FORCONFLICT RESOLUTION FOR COGNITIVE FUNCTIONS”.
[3]A.Banerjee,S.S.Mwanje and G.Carle,"Game theoretic ConflictResolution Mechanism for Cognitive Autonomous Networks,"2020年计算机和电信系统性能评估国际研讨会(SPECTS)，马德里，西班牙，2020年，第1-8页.
[4]PCT/EP2021/054165:“DESIGN OF A ENERGY SAVINGS MODE OF OPERATIONFOR COGNITIVE AUTONOMOUS NETWORKS”.
[5]Banerjee,A.,Mwanje,S.S.,&Carle,G.(2020).RAN CognitiveController.arXiv preprint a-+rXiv:2010.10278.
[6]Banerjee,A.,Mwanje,S.S.,&Carle,G.(2021).Optimal ConfigurationDetermination in Cognitive Autonomous Networks.2021年IFIP/IEEE综合网络与服务管理(IM)研讨会，波尔多，法国，2021.
发明内容
本发明的目的是改进现有技术。
根据本发明的第一方面，提供了一种装置，包括：一个或多个处理器，以及存储器，该存储器存储指令，该指令在由一个或多个处理器执行时，使该装置执行：向期望评估设备提供：系统的配置参数；以及针对多个认知功能中的至少一个认知功能，从相应的认知功能接收到的配置参数的相应的当前最优配置范围集；基于从多个认知功能接收到的当前最优配置范围集，计算配置参数的优化值；向期望评估设备供应配置参数的优化值；其中最优配置范围集中的每个最优配置范围集指示配置参数的相应的期望值的范围；以及配置参数定义系统的配置的至少一部分。
根据本发明的第二方面，提供了一种装置，包括：一个或多个处理器，以及存储器，该存储器存储指令，该指令在由一个或多个处理器执行时，使该装置执行：接收关于当前系统状态的信息；针对一个或多个认知功能中的每个认知功能，检索针对系统的配置参数的相应的一个或多个所存储的三元组；针对一个或多个认知功能中的每个认知功能，基于系统的当前状态、以及相应的所存储的三元组来预测配置参数的相应的期望值；接收针对配置参数的所计算的优化值；基于针对一个或多个认知功能中的至少一个认知功能的期望值、以及针对配置参数的所计算的优化值，减少系统的性能的潜在劣化，其中，针对一个或多个认知功能中的每个认知功能，一个或多个所存储的三元组中的每个所存储的三元组包括：关于系统的相应的先前状态的信息、配置参数的相应的应用值、以及关于相应的认知功能的配置参数的相应的先前的最优配置范围集；针对一个或多个认知功能中的每个认知功能，所存储的三元组的最优配置范围集中的每个最优配置范围集指示：相应的认知功能先前所期望的配置参数的值的相应范围；配置参数定义系统的配置的至少一部分；潜在劣化比较系统的第一性能和系统的第二性能，系统的第一性能在一个或多个认知功能中的所有认知功能都不具有操纵行为的假设下，系统的第二性能在一个或多个认知功能中的至少一个认知功能具有操纵行为的假设下。
根据本发明的第三方面，提供了一种装置，包括：一个或多个处理器，以及存储器，该存储器存储指令，该指令在由一个或多个处理器执行时，使该装置执行：监控是否接收到设置系统的配置参数的噪声的指令；如果接收到该指令，则设置该噪声；向系统的控制器提供该噪声。
根据本发明的第四方面，提供了一种方法，包括：向期望评估设备提供：系统的配置参数；以及针对多个认知功能中的至少一个认知功能，从相应的认知功能接收到的配置参数的相应的当前最优配置范围集；基于从多个认知功能接收到的当前最优配置范围集，计算配置参数的优化值；向期望评估设备供应配置参数的优化值；其中最优配置范围集中的每个最优配置范围集指示配置参数的相应的期望值的范围；以及配置参数定义系统的配置的至少一部分。
根据本发明的第五方面，提供了一种方法，包括：接收关于当前系统状态的信息；针对一个或多个认知功能中的每个认知功能，检索针对系统的配置参数的相应的一个或多个所存储的三元组；针对一个或多个认知功能中的每个认知功能，基于系统的当前状态、以及相应的所存储的三元组来预测配置参数的相应的期望值；接收针对配置参数的所计算的优化值；基于针对一个或多个认知功能中的至少一个认知功能的期望值、以及针对配置参数的所计算的优化值，减少系统的性能的潜在劣化，其中，针对一个或多个认知功能中的每个认知功能，一个或多个所存储的三元组中的每个所存储的三元组包括：关于系统的相应的先前状态的信息、配置参数的相应的应用值、以及关于相应的认知功能的配置参数的相应的先前的最优配置范围集；针对一个或多个认知功能中的每个认知功能，所存储的三元组的最优配置范围集中的每个最优配置范围集指示：相应的认知功能先前所期望的配置参数的值的相应范围；配置参数定义系统的配置的至少一部分；潜在劣化比较系统的第一性能和系统的第二性能，系统的第一性能在一个或多个认知功能中的所有认知功能都不具有操纵行为的假设下，系统的第二性能在一个或多个认知功能中的至少一个认知功能具有操纵行为的假设下。
根据本发明的第六方面，提供了一种方法，包括：监控是否接收到设置系统的配置参数的噪声的指令；如果接收到该指令，则设置该噪声；向系统的控制器提供该噪声。
第四方面至第六方面的每种方法都可以是减少系统劣化的方法。
根据本发明的第七方面，提供了一种计算机程序产品，包括指令集，当该指令集在装置上被执行时，被配置为使该装置执行根据第四方面至第六方面的任一方面的方法。该计算机程序产品可被实现为计算机可读介质、或被直接加载到计算机中。
根据本发明的一些实施例，可以实现以下优势中的至少一项：
·恶意(操纵性)CF的影响可以是有限的；
·恶意CF可以被清除。
应当理解，除非明确被声明为排除替代方案，否则上述任何修改可以被单独或组合应用于它们指代的各个方面。
附图说明
结合附图，进一步的细节、特征、目的和优点从本发明的优选实施例的以下详细描述中显而易见，其中：
图1示出了根据现有技术的CAN的工作流；
图2示出了示例CAN的概况；
图3示出了根据现有技术的CAN的控制架构；
图4示出了根据本发明的一些示例实施例的包括CPT和CPC与控制器的交互的CAN的控制架构；
图5示出了根据本发明的一些示例实施例的CPT的接口；
图6示出了根据本发明的一些示例实施例的CPT的工作流；
图7示出了根据本发明的一些示例实施例的CPC的工作流；
图8示出了根据本发明的一些示例实施例的CPC的接口；
图9示出了根据本发明的一些示例实施例的包括CPT和CPC与控制器的交互的CAN的控制架构；
图10示出了根据本发明的一些示例实施例的端到端的数据流；
图11示出了根据本发明的示例实施例的装置；
图12示出了根据本发明的示例实施例的方法；
图13示出了根据本发明的示例实施例的装置；
图14示出了根据本发明的示例实施例的方法；
图15示出了根据本发明的示例实施例的装置；
图16示出了根据本发明的示例实施例的方法；
图17示出了根据本发明的示例实施例的装置。
具体实施方式
在下文中，将参照附图详细描述本发明的某些实施例，其中，除非另有说明，否则各实施例的特征可被自由组合。然而，应当明确理解，对某些实施例的描述仅以示例的方式给出，并且绝不意味着将本发明理解为局限于所公开的细节。
此外，应当理解，该装置被配置为执行对应的方法，尽管在某些情况下仅描述了该装置或该方法。
从图1中示出的CAN的操作过程中可以清楚地看出，配置的最终值取决于由CF提出的每个值。因此，如果CF行为异常，并故意向控制器发送误导性的值(例如，为了操纵控制器以实现其自身目的)，则整个系统的性能将受到损害。这种类型的操纵性CF被称为Manipulative(或恶意)CF。本发明的一些示例实施例提供了处理CAN中Manipulative CF的方法，从而减少甚至消除整体网络性能的劣化。
让我们考虑如图2中所示的带有两个CF(F1和F2)、以及一个控制器的CAN。让我们假设存在一个配置p，该配置由F1和F2共享(现实生活中的示例为F1负责MLB，F2负责CCO，并且它们两者共享TXP)。CAN被部署在网络状态(或外部环境)不时发生变化的现实场景中。如现有技术[1]、[2]和[3]中所提及的，CF不断观察网络状态，从中学习，并基于所学知识行动。
通常(特别是在多供应方场景中)，移动网络运营商(MNO)或控制器不知道CF的内部逻辑和算法。因此，在CF变得可操作之前，MNO或控制器无法识别恶意CF。恶意CF如何操纵控制器的一个示例如下：恶意CF了解最优配置如何被计算。然后，每当重新计算配置时，恶意CF都会故意向控制器发送误导信息，例如，为了优化其自己的目标，而不顾其他CF的目标。
例如，针对图2中的2-CF CAN，认为F1在可操作模式下进行了以下观察。在网络状态s1中，如果F1向控制器提出OCRS p1(针对共享网络配置参数p)，控制器将值t1设置为最终值。控制器基于从两个CF接收到的OCRS和UF来计算t1，为这些所接收的信息设置适当的权重。
因此，在n次这样的实例之后，F1能够学习<si,pi,之间的关系，即，在网络状态sj中，F1可以预测：如果它向控制器提出值pj，tj的值将会是多少。根据发明者作出的模拟，在许多情况下，预测相当准确，独立于控制器从F2接收到的OCRS和UF。现在，在网络状态sn+1中，F1计算出自身的最优p值是pn+1，但同时它预测如果它向控制器提出值pn+1，最终值将被设置为tn+1。
每个CF的设计方式都是为了优化其目标。因此，F1知道它必须采取措施以便将p的最终值设置为pn+1而不是tn+1。为此，F1可能会提出假值，以增加当它向控制器提出值pn+1’时，最终值将被设置为pn+1’且其目标被优化的机会。换言之，F1可能会操纵控制器以保证其(F1的)目标。然而，这种特别的优化可能会以整个系统性能的劣化为代价。
作为另一个示例，CF可以故意降低整个系统的性能。
如果整个系统的最优解决方案被CF操纵(如上所述)，则不仅会导致其他CF的性能严重下降，还会导致整个系统(即移动网络、RAN等)的严重性能劣化。因此，建议检测CF之间的任何操纵行为，以阻止系统性能的劣化。然而，一般地，无论是MNO还是控制器都无法提前了解CF的意图(例如在多供应方系统中)。本发明的一些示例实施例提供了一种解决方案以处理系统中的恶意CF，即使事先不了解他们的意图。
在大多数以前的专利申请和研究论文中，假设系统中的所有CF都是值得信任的，并且它们没有任何恶意意图。然而，实际上，恶意CF可能存在于CAN中。
当控制器计算配置的最优值时，操纵性(或恶意)CF可以向控制器发送故意误导信息。术语“故意误导信息”意味着如果CF在没有任何关于控制器如何基于来自多个CF的OCRS和/或UF来确定网络的配置值(即三元组<si，pi，ti>中的值ti)的情况下确定OCRS和/或UF，则该OCRS和/或UF与CF获得的OCRS和/或UF不同。通过发送故意误导信息，CF可以操纵控制器，从而其确定配置的值仅对于该CF(而非所有CF的组合利益)而言是最优的。CF的这种自利行为可能导致网络的严重性能劣化。
本发明的一些示例实施例利用了以下信息来减少或甚至阻止系统的严重性能劣化：
·系统的当前状态；
·由一个或多个CF提供的配置参数的OCRS历史记录，以及针对其提供相应的OCRS的系统状态，以及响应于提供相应的OCRS而应用的配置参数的值；
·响应于提供由该一个或多个CF提供的相应的当前OCRS而计算出的配置参数(例如，基于EG优化)的所计算的优化值。
例如，为了阻止由恶意CF造成的系统性能的降低，本发明的一些示例实施例可以阻止恶意CF预测<si,pi,ti>之间的关系。即，恶意CF很难了解控制器如何计算最优配置。因此，恶意CF无法故意强烈地影响系统性能。
在一些示例实施例中，为了阻止恶意CF跟踪<si,pi,ti>之间的关系，并向控制器发送故意误导OCRS和/或UF，引入了两个附加功能：
(i)CPT，针对任何配置，CPT检查<si、pi、ti>之间的关系对于任何CF是否可跟踪。为此，CPT可以使用机器学习算法(MLA)或神经网络(NN)来学习当si和pi变化时ti如何变化。通过学习，pi可以知道，如果si和pi是给定的，CPT的预测是否接近实际的ti。
(ii)CPC，CPC在配置参数的最终值中添加一些误差(噪音)，使<si、pi、ti>之间的关系不再可跟踪。CPC最好能同时确保系统性能不会因为增加的噪音而降低到某一水平。
在一些示例实施例中，CPC和CPT可以被视作单个单元。
图4示出了这两个功能(CPT和CPC)相互之间、以及与控制器(包括CM和OCC)如何进行交互。在控制器基于从CF接收的OCRS(和相关的UF)重新计算配置参数的值(经优化的配置参数值)之后，CPT检查该计算方法是否可被任何CF跟踪。如果是可跟踪的，则CPT将此信息转发到CPC，CPC向经优化的配置参数值添加一些噪声，从而关系变得非常难以跟踪。
以下将更详细地描述CPT和CPC的接口和端到端工作流。此外，还将描述与控制器一起实现这些功能的多个选项及其优缺点。解释了端到端工作流。功能、接口和工作流针对一个配置参数进行描述，但可应用于任何数目的配置参数。
为了防止CF找出配置参数<s,p,t>之间的关系，CPT注意在<s,p,t>中不存在明显的关系。<s,p,t>表示同一配置参数的多个三元组<si、pi、ti>。
通常地，CPT具有两个主要责任：
(i)它存储之前的三元组<si、pi、ti>(用于推理的目的)。该框维护与每个配置参数和CF相对应的数据库。一旦OCC重新计算了配置参数，该框就会将相应的三元组存储到相应的数据库中。或者，在某些示例实施例中，部分或全部三元组可以被存储在CPT的外部，并且CPT可以在需要时检索它们。
(ii)对于任何CF，它预测配置参数的<s、p、t>之间的关系是否可跟踪。这一功能可以使用任何合适的机器学习算法(MLA)或神经网络(NN)来实现。一旦OCC重新计算出配置参数的(优化)值，CPT就会获取至少一个配置参数和至少一个CF的最新
<s、p、t>值，并检查<s、p、t>之间的关系对于至少一个CF是否可追踪。优选地，CPT获取所有配置参数和所有CF的最新<s、p、t>值，并检查<s、p、t>之间的关系对于任何CF是否可跟踪。如果CPT发现任何配置参数的关系对于任何CF可追踪，它就会通知CPC关于该配置参数的信息。优选地，CPT不延迟地通知CPC。
在一些示例实施例中，CPT还可以向CPC发送关系可跟踪的CF。在一些示例实施例中，除了配置参数的名称(以及可选地，关系可跟踪的CF)，CPT还可以向CPC发送包括该配置参数和CF的三元组<s、p、t>的数据库。该数据库可以帮助CPC计算噪声(Δ)值。
图5示出了CPT的接口：
CPT的输入
(i)网络状态-它指定系统的状态(或，一般地，由CAN控制的外部环境的状态)。例如，连接到gNB的UE的数目是网络状态的一个示例，其中系统是网络。
(ii)由控制器(OCC)重新计算的经优化的配置参数值。它指定接近于组合利益的最优值的配置值。它可以使用EG优化来计算[1]。
(iii)[OCRS1，OCRS2，…，{c、CF}的名称]-CM向CPT发送以下信息：(i)接收到重新计算请求的配置参数(c)的名称；
以及(ii)系统中所有CF(或CF的子集)的OCRS值。在一些示例实施例中，CM还可以额外地向CPT发送(iii)请求重新计算的CF的名称。
CPT的输出
(iv)[{c、CF}的名称，过去{s、p、t}值集]-CPT向CPC发送以下信息：(i)接收到重新计算请求的配置参数(c)的名称，其中针对至少一个CF的三元组<si、pi、ti>是可跟踪的。此外，在一些示例实施例中，CPT可以向CPC发送(ii)请求重新计算的CF的名称，以及(iii)与该CF和c相对应的过去<s、p、t>值的数据库。
CPT的任务是持续跟踪至少一个配置参数(最好是所有配置参数)与至少一个CF(最好是所有CF)的<s、p、t>之间的关系。图6示出了根据本发明的一些示例实施例的CPT的工作流。
在S1中，CPT跟踪针对至少一个配置参数(最好是所有配置参数)的三元组<s、p、t>。当控制器接收到重新计算配置参数的请求，并且控制器将所计算的配置参数优化值提供给CPT时，就可以执行这种跟踪。如果CPT找出一个配置参数c，其三元组<s、p、t>对于任何CF都是可跟踪的(S2)，则CPT将配置参数c的名称发送给CPC(S3)。每次接收到重新计算参数的请求时，都可以重复此循环。
如果由CPT触发CPC来计算噪声，则取决于本发明的一些示例实施例的实现方式，存在不同的选择。例如，噪声可以是相应的配置参数的预设值。在另一个示例中，噪声可以通过(伪)随机函数来计算，其中上下限是为相应配置参数预设的。噪声可以具有正值或负值。
这些选项具有计算量小的优势。然而，在这些选项中，噪声可能相当小，以至于优化配置参数的计算可能仍然可以以合理的准确性和努力而对至少一个CF进行跟踪；或者噪声可能相当大，以至于计算无法再以合理的准确性和工作量进行跟踪，但网络性能会大大劣化。因此，在一些示例实施例中，CPC计算必要的最小噪声，以阻止任何CF跟踪计算。
最小噪声可以使用卡方测试或X2检验来计算。它由以下公式给出：
基本原理如下：Oi是由控制器设置的配置参数在从CPC添加噪声之后的观测值，并且Ei是由CF预测的该配置参数的期望值。按照惯例，可以安全地假设：当CF发现其预测的一组配置参数的X2值大于预定义的阈值时(按照惯例，该阈值为0.002，但可以更小(如0.001)或更大(如0.003))，它放弃跟踪由控制器设置的配置值，并停止操纵性行为。
恶意CF的这种假定行为可以被CPC利用如下：从MNO中，CPC获得由CPC添加的噪声所导致的整体系统性能劣化的最大允许值。该值被称为最大允许系统性能折衷(MASCP)。接收到MASCP值后，CPC计算配置参数的多个暂定值，以确保根据CPC可用的模型，系统性能降低不会超过MASCP值。在一些示例实施例中，CPC甚至会计算出配置参数的所有暂定值，以确保根据该模型，系统性能不会因超过MASCP值而降低。该模型可基于CPC的现有知识或由MNO提供的一些功能。CPC在所计算的所有暂定值中选择一个，例如与由OCC计算出的优化值相差最远的暂定值。基于这一选择，CPC可以确定从由OCC提供配置参数值中添加或减去的差值δ，也可以覆盖由OCC提供的配置参数值(取决于实现方式)。针对这两种实现方式，相应的值都可以被表示为“噪声Δ”。
一般来说，如图8中所示，CPC至少从CPT接收配置参数c的名称作为输入。此外，CPC还可选择性地从CPT接收：可跟踪计算的CF的名称，和/或针对配置参数和CF的先前<s、p、t>三元组的数据库。控制器或CPT可以不提供先前<s、p、t>三元组的数据库，而是提供每个当前三元组<si、pi、ti>，然后CPC将它们存储到数据库中，与CPT的存储相对应。还有一种选项是，CPT和CPC可以共同使用一个先前的<s、p、t>三元组的数据库。此外，CPT或控制器可选择性地通知CPC请求重新计算配置参数的CF的名称。
基于针对至少一个CF的先前的<s、p、t>三元组的所存储的数据库、以及系统的当前状态，CPC可以预测配置参数的所计算的优化值，与CPT所做的类似。在一些示例实施例中，CPT可以向CPC提供该预测。因此，CPC模拟卡方测试的期望值Ei。然后，CPC可以从所计算的暂定值中选择一个，该暂定值的卡方测试值大于预定义的阈值。
图7示出了根据本发明的一些示例实施例的CPC的工作流。在S11中，CPC检索针对至少一个控制参数和至少一个CF的先前的三元组<s、p、t>。在S12中，CPC从MNO接收MASCP和系统模型，基于该系统模型计算系统的性能。此外，CPC接收系统的当前状态、以及由控制器计算出的配置参数的优化值。
在S13中，CPC基于先前的三元组<s、p、t>和当前的系统状态来计算配置参数的预期值。在S14中，CPC计算配置参数的暂定值，从而不违背MASCP。
只要在计算S13和S14之前能获得计算所需的数值，S11至S14的操作顺序是任意的。一些操作可以全部或部分并行执行。
在S15中，CPC检查针对至少一个暂定值的卡方测试值是否大于预定义阈值。如果S15是肯定的，则CPC从选择这些暂定值中的一个暂定值，并基于此确定噪声Δ(S16)。如果S15是否定的，则CPC可以选择离所计算的优化值最远的暂定值(图7中未示出)，或者从MNO请求更大的MASCP(S17)。利用该更大的MASCP，CPC可以重复操作S14至S17。
在一些示例实施例中，如果这种暂定值不存在，则CPC可以从MNO请求更大的MASCP值，并且基于该更大的MASCP值计算其他暂定值。如果MNP不接受对于更大的MASCP值的请求，则CPC可以选择由控制器计算的离优化值最远的暂定值。因此，CPC可以计算离由控制器计算的优化值最近的配置参数值，以优化整体性能并仍然阻止CP跟踪该计算。
作为输出，CPC提供噪声值Δ，控制器可以将该噪声值添加到所计算的配置参数值上、或从中减去，或该噪声取代由OCC计算出的配置参数值(取决于实现方式)。
针对添加(或减去)由CPC提供的噪声，至少有两种选项。在第一种选项中，CPC的默认输出值(即噪声，误差)可以是0。只有由CPT指令时，CPC才生成不同于0的一些噪声。CPC的输出始终被添加到由OCC计算的配置的最终值中。在第二种选项中，如果CPC没有被指令生成一些噪声，则CPC的输出值可以是任意的。只有当控制器(例如OCC之后的加法阶段)接收到来自CPC的噪声将被添加(因为计算是可追踪的)的指令时，来自CPC的噪声才会被添加到来自OCC的输出中。
当CPT和CPC作为单独的功能(如图4中所示)被实现时，其具有一些优势：
(i)MNO对内部逻辑和工作流有更好的理解。
(ii)MNO始终具有根据需求添加或移除它们的选项，并因此可以适应系统的操作复杂性。
(iii)控制器、CPT和CPC可以来自不同的供应方，这有助于MNO作出经济决策。
然而，CPT和CPC也可以在控制器内部被实现。由于控制器、CPT和CPC必须由同一供应方制造，因此这种实现方式留给移动网络运营商的灵活性的选择很少。此外，这种设计对内部逻辑和工作流程的了解也很少。
图9示出了根据本发明的一些示例实施例的添加了CPT和CPC的控制器的架构，其具有功能和接口，包括与CF的接口(示出为单个框)。在图9中，除了CM和OCC，控制器还包括DM(可选的)。
图10示出了CPT和CPC如何与控制器一起工作。无论CPT和CPC是在控制器内部还是外部被实现，其工作流程都是相同的。
一旦CF请求配置重新计算(S21)，CM就会检查t值和m值条件是否都满足(S22)。如果一个或两个条件未被满足(S23＝否)，则CM放弃该请求(S24)。如果两个条件都被满足(S23＝是)，或如果t值和m值都未被检查，则CM要求所有CF发送最新的OCRS和UF。在CM从所有CF接收到这些信息之后，其计算每个CF的CW值，并向OCC发送[OCRS、UF、CW]值集。CM还将向CPT发送配置参数名称、以及从不同CF接收到的OCRS集(S25)。在OCC使用EG优化等方法计算出最优值(如[1]中所述)之后，将该值发送到CPT(S26)。CPT还获取当前网络状态，然后确定<s、p、t>之间的关系是否可跟踪(S27)。如果不是，则将由OCC计算出的值设置为配置参数的最终值(S28)。否则，如果CPT发现关系是可跟踪的，它向CPC发送配置参数的名称、以及(可选地)过去的{s,p,t}值集(S29)。基于此，CPC设置Δ的值。然后将该Δ值与由OCC计算的值相加，并设置为最终值(S30)。
本发明的一些示例实施例的重要优势是，它阻止CF跟踪控制器如何工作。通过这种方式，还可以阻止CF可能的恶意行为、及其对操纵系统配置参数值的尝试。
图11示出了根据本发明的示例实施例的装置。该装置可以是控制器、或其元件。图12示出了根据本发明的示例实施例的方法。根据图11的装置可以执行图12的方法，但不局限于该方法。图12的方法可以由图11的装置执行，但不局限于由该装置执行。
该装置包括用于提供的部件110、用于计算的部件120、用于供应的部件130。此外，在本发明的一些示例实施例中，该装置可以选择性地包括用于修改的部件140，以及用于应用(图11和图12中以虚线表示)的部件150。用于提供的部件110、用于计算的部件120、用于供应的部件130、用于修改的部件140、以及用于应用的部件150分别可以是提供部件、计算部件、供应部件、修改部件、以及应用部件。用于提供的部件110、用于计算的部件120、用于供应的部件130、用于修改的部件140、以及用于应用的部件150分别可以是提供器、计算器、供应器、修改器和应用器。用于提供的部件110、用于计算的部件120、用于供应的部件130、用于修改的部件140、以及用于应用的部件150分别可以是提供处理器、计算处理器、供应处理器、修改处理器、以及应用处理器。
用于提供的部件110向期望评估设备(诸如CPT或CPC)提供：系统的配置参数；以及针对多个认知功能中的至少一个认知功能，配置参数的相应的当前OCRS(S110)。OCRS中的每个OCRS从相应的认知功能中被接收。OCRS中的每个OCRS指示配置参数的期望值的相应范围。配置参数定义系统的配置的至少一部分。
基于从多个认知功能接收到的当前OCRS，用于计算的部件120计算配置参数的优化值(S120)。用于供应的部件130向CPT供应配置参数的优化值(S130)。
如果该装置包括用于修改的部件140以及用于供应的部件150，则用于修改的部件140修改由噪声从例如CPC中接收到的S120的所计算的优化值(S140)。取决于实现方式，“修改”可以意味着S120的所计算的优化值和噪声经历了一些算术运算(诸如添加或减去)、或噪声取代S120的所计算的优化值。因此，用于修改的部件140获取配置参数的最终值。用于应用的部件150将配置参数的最终值应用到系统(S150)。
图13示出了根据本发明的示例实施例的装置。该装置可以是期望评估设备，诸如CPT或CPC或其元件。图14示出了根据本发明的示例实施例的方法。根据图13的装置可以执行图14的方法，但并不局限于该方法。图14的方法可以由图13的装置执行，但并不局限于由该装置执行。
该装置包括用于接收的第一部件210、用于检索的部件220、用于预测的部件230、用于接收的第二部件240、以及用于减少的部件250。用于接收的第一部件210、用于检索的部件220、用于预测的部件230、用于接收的第二部件240、以及用于减少的部件250分别可以是第一接收部件、检索部件、预测部件、第二接收部件、以及减少部件。用于接收的第一部件210、用于检索的部件220、用于预测的部件230、用于接收的第二部件240、以及用于减少的部件250分别可以是第一接收器、检索器、预测期、第二接收器、以及减少器。用于接收的第一部件210、用于检索的部件220、用于预测的部件230、用于接收的第二部件240、以及用于减少的部件250分别可以是第一接收处理器、检索接收器、预测接收器、第二接收处理器、以及减少处理器。
用于接收的第一部件210接收关于系统的当前状态的信息(S210)。
针对多个认知功能中的至少一个认知功能，用于检索的部件220检索针对系统的配置参数的相应的一个或多个所存储的三元组(S220)。针对多个认知功能中的至少一个认知功能，一个或多个所存储的三元组中的每个所存储的三元组包括：关于系统的相应的先前状态的信息、配置参数的相应的应用值、以及关于相应的认知功能的配置参数的相应的先前的最优配置范围集。针对一个或多个认知功能中的每个认知功能，所存储的三元组的最优配置范围集中的每个最优配置范围集指示：相应的认知功能先前所期望的配置参数的值的相应范围；配置参数定义系统的配置的至少一部分。
针对一个或多个认知功能中的每个认知功能，用于预测的部件230预测配置参数的相应的期望值(S230)。该预测基于系统的当前状态、以及相应的所存储的三元组。
用于接收的第二部件240接收针对配置参数的所计算的优化值(S240)。例如，用于接收的第二部件可以从系统的控制器接收所计算的优化值。
如果S210和S220先于S230被执行，则S210至S240可以以任意顺序被执行。它们可以全部或部分并行执行。
用于减少的部件250基于针对一个或多个认知功能中的至少一个认知功能的期望值、以及针对配置参数的所计算的优化值，减少系统的性能的潜在劣化(S250)。该潜在劣化比较系统的第一性能和系统的第二性能，系统的第一性能在一个或多个认知功能中的所有认知功能都不具有操纵行为的假设下，系统的第二性能在一个或多个认知功能中的至少一个认知功能具有操纵行为的假设下。
如果该装置是CPT，则减少性能的潜在劣化(S250)可以包括：针对一个或多个认知功能中的至少一个认知功能，基于相应的期望值，检测所计算的优化值对于认知功能中的至少一个认知功能是否是可跟踪的。如果所计算的优化值是可跟踪的，则指令配置参数伪装用于设置噪声的函数。
如果该装置是CPC，则减少性能的潜在劣化(S250)可以包括：监控是否接收到设置系统的配置参数的噪声的指令。如果接收到该指令，基于期望值和所计算的优化值来设置该噪声。向系统的控制器提供该噪声。
图15示出了根据本发明的示例实施例的装置。装置可以是CPC、或其元件。图16示出了根据本发明的示例实施例的方法。根据图15的装置可以执行图16的方法，但并不局限于该方法。图16的方法可以由图15的装置执行，但并不局限于由该装置执行。
该装置包括用于监控的部件310、用于设置的部件320、以及用于提供的部件330。用于监控的部件310、用于设置的部件320、以及用于提供的部件330分别可以是监控部件、设置部件、以及提供部件。用于监控的部件310、用于设置的部件320、以及用于提供的部件330分别可以是监控器、设置器和提供器。用于监控的部件310、用于设置的部件320、以及用于提供的部件330分别可以是监控处理器、设置处理器、以及提供处理器。
用于监控的部件310监控是否接收到设置系统的配置参数的噪声的指令(S310)。
如果接收到该指令(S310＝是)，则用于设置的部件320设置该噪声(即，该噪声的值)(S320)。用于提供的部件330向系统的控制器提供该噪声(S330)。
图17示出了根据本发明的实施例的装置。该装置包括：至少一个处理器810；至少一个存储器820，包括计算机程序代码的；并且至少一个处理器810与至少一个存储器820以及计算机程序代码一起，被布置为使装置至少执行根据图12、14和16、以及相关描述的至少一种方法。
本发明的一些示例实施例特定地用于移动网络中网络自动化功能(NAF)的操作。本发明的一些示例实施例针对5G网络(NR)进行了解释。然而，本发明并不局限于5G。本发明也可被用于其他网络，例如3GPP网络的前几代或即将推出的几代(诸如4G、6G、7G等)。它可被用于任何无线(移动)和有线通信网络。它甚至可以在通信网络之外的系统中使用，在这种系统中，CF作为控制器的代理，以自主影响系统的配置。后者的一个示例是工厂自动化。“网络”是“系统”的一种特殊情况。
控制器可以具有图3中所示的配置。然而，在本发明的一些示例实施例中，控制器可以包括附加功能或更少的功能。例如，在一些示例实施例中，控制器不包括DM，或仅计算t值和m值之一的DM。在一些示例实施例中，CPC和CPT中的一个或两个与控制器集成。在一些示例实施例中，CPC和CPT中的一个或两个与控制器分离。
本发明的一些示例实施例描述了控制器使用EG优化来重新计算配置参数值。然而，本公开并不局限于EG优化。也可以替代地使用其他优化算法。
本发明的一些示例实施例描述了恶意CF向控制器提供错误OCRS的情况。然而，在一些示例实施例中，恶意CF可以向控制器提供错误UF、或错误UF和错误OCRS。然而，通常情况下，错误UF不会像错误OCRS那样降低整个系统的性能。
在一些示例实施例中，由CPC设置的噪声可以被添加或减去。然而，在一些示例实施例中，噪声和配置参数的计算值可以进行其他算术运算，诸如乘法或除法(在这种情况中，噪声的值为1)。
在一些示例实施例中，CPT和/或CPC可以附加地检查它们是否接收到某个CF存在操纵性行为的嫌疑的指示(“恶意指示”)。例如，在并行专利申请中描述的BAD功能可以提供此类指示，或者MNO可以(手动地)提供此类指示。在这种情况中，CPT和/或COC可以只对那些接收到恶意指示的CF执行相应的操作，而不对其他CF执行操作。
在一个或多个消息中，一条信息可以从一个实体被发送到另一个实体。这些消息中的每个消息可以包括其他(不同的)信息。
网元、网络功能和方法的名称基于当前标准。在其他版本或其他技术中，只要这些网元和/或网络功能和/或协议和/或方法提供相应的功能，它们的名称可以不同。
如果没有另外声明、或从上下文中明确声明，则两个实体不同的声明意味着它们执行不同的功能。这并不必意味着它们基于不同的硬件。即，本说明中描述的每个实体可以基于不同的硬件，或者一些或所有实体可以基于相同的硬件。这并不必意味着它们基于不同的软件。即，本说明中描述的每个实体可以基于不同的软件，或者一些或所有实体可以基于相同的软件。本说明中描述的每个实体都可以在云中部署。
根据上述说明，应当显而易见的是，本发明的示例实施例提供了例如配置参数跟踪功能(诸如CPT)或其组件、体现该功能的装置、控制和/或操作该功能的方法、控制和/或操作该功能的计算机程序、以及承载(多个)此类计算机程序并形成(多个)计算机程序产品。根据上述说明，应当显而易见的是，本发明的示例实施例提供了例如配置参数伪装功能(诸如CPC)或其组件、体现该功能的装置、控制和/或操作该功能的方法、控制和/或操作该功能的计算机程序以及承载(多个)此类计算机程序并形成(多个)计算机程序产品。
作为非限制性示例，上述框、装置、系统、技术或方法的实现方式包括硬件、软件、固件、专用电路或逻辑、通用硬件或控制器、或其他计算设备、或其某些组合的实现方式。本说明中描述的每个实体都可以在云中体现。
应当理解，以上描述的内容目前被认为是本发明的优选实施例。然而，应当注意，优选实施例的描述仅作为示例给出，并且在不脱离由所附权利要求定义的本发明范围的情况下，可以做出各种修改。

Claims (42)

1.一种装置，包括：
一个或多个处理器，以及
存储器，所述存储器存储指令，所述指令在由所述一个或多个处理器执行时，使所述装置执行：
向期望评估设备提供：系统的配置参数；以及针对多个认知功能中的至少一个认知功能，从相应的所述认知功能接收到的所述配置参数的相应的当前最优配置范围集；
基于从所述多个认知功能接收到的所述当前最优配置范围集，计算所述配置参数的优化值；
向所述期望评估设备供应所述配置参数的所述优化值；其中
所述最优配置范围集中的每个最优配置范围集指示所述配置参数的相应的期望值的范围；以及
所述配置参数定义所述系统的配置的至少一部分。
2.根据权利要求1所述的装置，其中所述指令在由所述一个或多个处理器执行时，还使所述装置执行：
基于随机函数来确定所述噪声是被添加还是被减去。
3.根据权利要求1至2中任一项所述的装置，其中，
针对所述认知功能中的至少一个认知功能，相应的效用函数以及所述当前最优配置范围集一起被接收，并且所述指令在由所述一个或多个处理器执行时，还使所述装置执行以下项中的至少一项：
针对所述认知功能中的至少一个认知功能，向所述期望评估设备提供相应的所述效用函数、以及所述当前最优配置范围集；以及
基于从所述认知功能接收到的所述效用函数，附加地计算所述优化值，其中
所述效用函数中的每个效用函数按通用预定义比例来指示对应的最优配置范围集的质量。
4.根据权利要求1至3中任一项所述的装置，其中所述期望评估设备包括配置参数跟踪函数和配置参数伪装函数中的一个。
5.根据权利要求1至4中任一项所述的装置，其中所述指令在由所述一个或多个跟踪处理器执行时，还使所述装置执行：
由从配置参数伪装函数接收到的噪声来修改所计算的所述优化值，以获取所述配置参数的最终值；
将所述配置参数的所述最终值应用于所述系统。
6.一种装置，包括：
一个或多个处理器，以及
存储指令的存储器，所述指令在由所述一个或多个处理器执行时，使所述装置执行：
接收关于当前系统状态的信息；
针对所述一个或多个认知功能中的每个认知功能，检索针对所述系统的配置参数的相应的一个或多个所存储的三元组；
针对所述一个或多个认知功能中的每个认知功能，基于所述系统的所述当前状态、以及相应的所存储的所述三元组来预测所述配置参数的相应的期望值；
接收针对所述配置参数的所计算的优化值；
基于针对所述一个或多个认知功能中的至少一个认知功能的所述期望值、以及针对所述配置参数的所计算的所述优化值，减少所述系统的性能的潜在劣化，其中
针对所述一个或多个认知功能中的每个认知功能，所述一个或多个所存储的三元组中的每个所存储的三元组包括：
关于所述系统的相应的先前状态的信息、所述配置参数的相应的应用值、以及关于相应的所述认知功能的所述配置参数的相应的先前的最优配置范围集；
针对所述一个或多个认知功能中的每个认知功能，所存储的所述三元组的所述最优配置范围集中的每个最优配置范围集指示：相应的所述认知功能先前所期望的所述配置参数的值的相应范围；
所述配置参数定义所述系统的配置的至少一部分；
所述潜在劣化比较所述系统的第一性能和所述系统的第二性能，所述系统的所述第一性能在所述一个或多个认知功能中的所有认知功能都不具有操纵行为的假设下，所述系统的所述第二性能在所述一个或多个认知功能中的至少一个认知功能具有操纵行为的假设下。
7.根据权利要求6所述的装置，其中所述指令在由所述一个或多个处理器执行时，还使所述装置执行：
监控是否接收到针对所述一个或多个认知功能中的至少一个认知功能的相应的恶意指示；
如果没有接收到针对所述一个或多个认知功能中的至少一个认知功能的相应的恶意指示，则抑制所述劣化的所述减少。
8.根据权利要求6至7中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时，还使所述装置执行：
针对所述认知功能中的至少一个认知功能，基于一个或多个所存储的效用函数，附加地预测所述配置参数的相应的所述期望值，其中
关于所存储的所述三元组中的至少一个三元组存储相应的所存储的效用函数；
所存储的所述效用函数中的每个效用函数按通用预定义比例来指示对应的所存储的三元组的所述最优配置范围集的质量。
9.根据权利要求6至8中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时，还使所述装置执行：
针对所述认知功能中的每个认知功能，接收所述配置参数的相应的当前最优配置范围集；
针对所述认知功能中的每个认知功能，存储相应的当前三元组、以及相应的所述一个或多个所存储的三元组；其中
针对所述认知功能中的每个认知功能，相应的所述当前三元组包括：关于所述系统的所述当前状态的信息、所述配置参数的当前应用值、以及针对所述配置参数的相应的所述当前最优配置范围集。
10.根据权利要求6至9中任一项所述的装置，其中所述减少所述劣化包括：
针对所述一个或多个认知功能中的至少一个认知功能，基于相应的所述期望值，检测所计算的所述优化值对于所述认知功能中的所述至少一个认知功能是否是可跟踪的；
针对所述一个或多个认知功能中的所述至少一个认知功能，如果所计算的所述优化值是可跟踪的，则指令配置参数伪装用于设置噪声的函数。
11.根据权利要求10所述的装置，其中针对所述一个或多个认知功能中的所述至少一个认知功能，如果所述期望值与所计算的所述优化值之间的误差的绝对值小于预定义的阈值，则检测到所计算的所述优化值是可跟踪的。
12.根据权利要求10至11中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时，还使所述装置执行：
针对所述认知功能中的每个认知功能，如果相应的所述当前三元组不是可跟踪的，则抑制所述指令所述配置参数伪装用于设置所述噪声的函数。
13.根据权利要求6至12中任一项所述的装置，其中所述减少包括：
监控是否接收到设置系统的配置参数的噪声的指令；
如果接收到所述指令，则基于所述期望值和所计算的所述优化值来设置所述噪声；
向所述系统的控制器提供所述噪声。
14.根据权利要求13所述的装置，其中所述指令在由所述一个或多个处理器执行时，还使所述装置执行：
接收用于根据所述配置参数的值来预测所述系统的性能的模型；
接收最大允许系统性能折衷的值；
计算所述配置参数的多个第一暂定值，从而针对根据所述模型的所述多个第一暂定值中的每个第一暂定值，如果所述配置参数被设置为相应的所述第一暂定值，则所述系统的性能不会劣化到超过所述最大允许系统性能折衷的所述值；
选择所述配置参数的所述第一暂定值中的、不同于所计算的所述优化值的一个第一暂定值；
基于所选择的所述第一暂定值来确定所述噪声。
15.根据权利要求14所述的装置，其中所述指令在由所述一个或多个处理器执行时，还使所述装置执行：
所述选择所述第一暂定值中的所述一个第一暂定值，从而所选择的所述第一暂定值离所计算的所述优化值最远。
16.根据权利要求14至15中任一项所述的装置，其中所述指令在由所述一个或多个处理器执行时，还使所述装置执行：
所述选择所述第一暂定值中的所述一个第一暂定值，从而所选择的所述第一暂定值与所计算的所述优化值之间的卡方测试的值大于预定义的阈值。
17.根据权利要求16所述的装置，其中所述指令在由所述一个或多个处理器执行时，还使所述装置执行：
针对所述第一暂定值中的任何第一暂定值，检查所选择的所述第一暂定值与所计算的所述优化值之间的所述卡方测试的所述值是否大于所述预定义的阈值；
针对所述第一暂定值中的每个第一暂定值，如果所述卡方测试的所述值不大于所述预定义的阈值，则请求更大的最大允许系统性能折衷；
计算所述配置参数的多个第二暂定值，从而针对根据所述模型的所述多个第二暂定值中的每个第二暂定值，如果所述配置参数被设置为相应的所述第二暂定值，则所述系统的性能不会劣化到超过所述更大的最大允许系统性能折衷的所述值；
选择所述系统参数的所述第二暂定值中的一个第二暂定值，从而所选择的所述第二暂定值与所计算的所述优化值之间的卡方测试的值大于预定义的阈值；
基于所选择的所述第二暂定值来确定所述噪声。
18.一种装置，包括：
一个或多个处理器，以及
存储器，所述存储器存储指令，所述指令在由所述一个或多个处理器执行时，使所述装置执行：
监控是否接收到设置系统的配置参数的置噪声的指令；
如果接收到所述指令，则设置所述噪声；
向所述系统的控制器提供所述噪声。
19.根据权利要求18所述的装置，其中所述设置所述噪声包括以下项中的一项：
将所述噪声设置为所述配置参数的预定义的值；以及
由随机函数设置所述噪声，其中所述随机函数的最大值和最小值被预定义用于所述配置参数。
20.根据权利要求18所述的装置，其中所述噪声被设置为最小值，从而针对一个或多个认知功能中的至少一个认知功能，基于所述至少一个认知功能的所存储的三元组，所述至少一个认知功能的当前三元组不是可跟踪的，其中
针对所述一个或多个认知功能中的每个认知功能，相应的所述当前三元组包括：当前系统状态、所述配置参数的所计算的优化值、以及关于相应的所述认知功能的所述配置参数的当前最优配置范围集；以及
针对所述一个或多个认知功能中的每个认知功能，所述一个或多个所存储的三元组中的每个所存储的三元组包括：关于相应的先前的系统状态的信息、所述配置参数的相应的应用值、以及关于相应的所述认知功能的所述配置参数的相应的先前的最优配置范围集；
所述系统状态中的每个系统状态指示所述系统的相应的状态；
所述最优配置范围集中的每个最优配置范围集指示所述配置参数的值的相应范围；
所述配置参数定义所述系统的配置的至少一部分。
21.一种方法，包括：
向期望评估设备提供：系统的配置参数；以及针对多个认知功能中的至少一个认知功能，从相应的所述认知功能接收到的所述配置参数的相应的当前最优配置范围集；
基于从所述多个认知功能接收到的所述当前最优配置范围集，计算所述配置参数的优化值；
向所述期望评估设备供应所述配置参数的所述优化值；其中
所述最优配置范围集中的每个最优配置范围集指示所述配置参数的相应的期望值的范围；以及
所述配置参数定义所述系统的配置的至少一部分。
22.根据权利要求21所述的方法，还包括：
基于随机函数来确定所述噪声是被添加还是被减去。
23.根据权利要求21至22中任一项所述的方法，其中，
针对所述认知功能中的至少一个认知功能，相应的效用函数以及所述当前最优配置范围集一起被接收，并且所述指令在由所述一个或多个处理器执行时，还使所述装置执行以下项中的至少一项：
针对所述认知功能中的至少一个认知功能，向所述期望评估设备提供相应的所述效用函数、以及所述当前最优配置范围集；以及
基于从所述认知功能接收到的所述效用函数，附加地计算所述优化值，其中
所述效用函数中的每个效用函数按通用预定义比例来指示对应的最优配置范围集的质量。
24.根据权利要求21至23中任一项所述的方法，其中所述期望评估设备包括配置参数跟踪函数和配置参数伪装函数中的一个。
25.根据权利要求21至24中任一项所述的方法，还包括：
由从配置参数伪装函数接收到的噪声来修改所计算的所述优化值，以获取所述配置参数的最终值；
将所述配置参数的所述最终值应用到所述系统。
26.一种方法，包括：
接收关于当前系统状态的信息；
针对所述一个或多个认知功能中的每个认知功能，检索针对所述系统的配置参数的相应的一个或多个所存储的三元组；
针对所述一个或多个认知功能中的每个认知功能，基于所述系统的所述当前状态、以及相应的所存储的所述三元组来预测所述配置参数的相应的期望值；
接收针对所述配置参数的所计算的优化值；
基于针对所述一个或多个认知功能中的至少一个认知功能的所述期望值、以及针对所述配置参数的所计算的所述优化值，减少所述系统的性能的潜在劣化，其中
针对所述一个或多个认知功能中的每个认知功能，所述一个或多个所存储的三元组中的每个所存储的三元组包括：关于所述系统的相应的先前状态的信息、所述配置参数的相应的应用值、以及关于相应的所述认知功能的所述配置参数的相应的先前的最优配置范围集；
针对所述一个或多个认知功能中的每个认知功能，所存储的所述三元组的所述最优配置范围集中的每个最优配置范围集指示：相应的所述认知功能先前所期望的所述配置参数的值的相应范围；
所述配置参数定义所述系统的配置的至少一部分；
所述潜在劣化比较所述系统的第一性能和所述系统的第二性能，所述系统的所述第一性能在所述一个或多个认知功能中的所有认知功能都不具有操纵行为的假设下，所述系统的所述第二性能在所述一个或多个认知功能中的至少一个认知功能具有操纵行为的假设下。
27.根据权利要求26所述的方法，还包括：
监控是否接收到针对所述一个或多个认知功能中的至少一个认知功能的相应的恶意指示；
如果没有接收到针对所述一个或多个认知功能中的至少一个认知功能的相应的恶意指示，则抑制所述劣化的所述减少。
28.根据权利要求26至27中任一项所述的方法，还包括：
针对所述认知功能中的至少一个认知功能，基于一个或多个所存储的效用函数，附加地预测所述配置参数的相应的所述期望值，其中
关于所存储的所述三元组中的至少一个三元组存储相应的所存储的效用函数；
所存储的所述效用函数中的每个效用函数按通用预定义比例来指示对应的所存储的三元组的所述最优配置范围集的质量。
29.根据权利要求26至28中任一项所述的方法，还包括：
针对所述认知功能中的每个认知功能，接收所述配置参数的相应的当前最优配置范围集；
针对所述认知功能中的每个认知功能，存储相应的当前三元组、以及相应的所述一个或多个所存储的三元组；其中
针对所述认知功能中的每个认知功能，相应的所述当前三元组包括：关于所述系统的当前状态的信息、所述配置参数的当前应用值、以及针对所述配置参数的相应的所述当前最优配置范围集。
30.根据权利要求26至29中任一项所述的方法，其中所述减少所述劣化包括：
针对所述一个或多个认知功能中的至少一个认知功能，基于相应的所述期望值，检测所计算的所述优化值对于所述认知功能中的所述至少一个认知功能是否是可跟踪的；
针对所述一个或多个认知功能中的所述至少一个认知功能，如果所计算的所述优化值是可跟踪的，则指令配置参数伪装用于设置噪声的函数。
31.根据权利要求30所述的方法，其中针对所述一个或多个认知功能中的所述至少一个认知功能，如果所述期望值与所计算的所述优化值之间的误差的绝对值小于预定义的阈值，则检测到所计算的所述优化值是可跟踪的。
32.根据权利要求30至31中任一项所述的方法，还包括：
针对所述认知功能中的每个认知功能，如果相应的所述当前三元组不是可跟踪的，则抑制所述指令所述配置参数伪装用于设置所述噪声的函数。
33.根据权利要求26至32中任一项所述的方法，其中所述减少包括：
监控是否接收到设置系统的配置参数的噪声的指令；
如果接收到所述指令，则基于所述期望值和所计算的所述优化值来设置所述噪声；
向所述系统的控制器提供所述噪声。
34.根据权利要求33所述的方法，还包括：
接收用于根据所述配置参数的值来预测所述系统的性能的模型；
接收最大允许系统性能折衷的值；
计算所述配置参数的多个第一暂定值，从而针对根据所述模型的所述多个第一暂定值中的每个第一暂定值，如果所述配置参数被设置为相应的所述第一暂定值，则所述系统的性能不会劣化到超过所述最大允许系统性能折衷的所述值；
选择所述配置参数的所述第一暂定值中的、不同于所计算的所述优化值的一个第一暂定值；
基于所选择的所述第一暂定值来确定所述噪声。
35.根据权利要求34所述的方法，还包括：
所述选择所述第一暂定值中的所述一个第一暂定值，从而所选择的所述第一暂定值离所计算的所述优化值最远。
36.根据权利要求34至35中任一项所述的方法，还包括：
所述选择所述第一暂定值中的所述一个第一暂定值，从而所选择的所述第一暂定值与所计算的所述优化值之间的卡方测试的值大于预定义的阈值。
37.根据权利要求36所述的方法，还包括：
针对所述第一暂定值中的任何第一暂定值，检查所选择的所述第一暂定值与所计算的所述优化值之间的所述卡方测试的所述值是否大于所述预定义的阈值；
针对所述第一暂定值中的每个第一暂定值，如果所述卡方测试的所述值不大于所述预定义的阈值，则请求更大的最大允许系统性能折衷；
计算所述配置参数的多个第二暂定值，从而针对根据所述模型的所述多个第二暂定值中的每个第二暂定值，如果所述配置参数被设置为相应的所述第二暂定值，则所述系统的性能不会劣化到超过所述更大的最大允许系统性能折衷的所述值；
选择所述系统参数的所述第二暂定值中的一个第二暂定值，从而所选择的所述第二暂定值与所计算的所述优化值之间的卡方测试的值大于预定义的阈值；
基于所选择的所述第二暂定值来确定所述噪声。
38.一种方法，包括：
监控是否接收到设置系统的配置参数的噪声的指令；
如果接收到所述指令，则设置所述噪声；
向所述系统的控制器提供所述噪声。
39.根据权利要求38所述的方法，其中所述设置所述噪声包括以下项中的一项：
将所述噪声设置为所述配置参数的预定义的值；以及
由随机函数设置所述噪声，其中所述随机函数的最大值和最小值被预定义用于所述配置参数。
40.根据权利要求38所述的方法，其中所述噪声被设置为最小值，从而针对一个或多个认知功能中的至少一个认知功能，基于所述至少一个认知功能的所存储的三元组，所述至少一个认知功能的当前三元组不是可跟踪的，其中
针对所述一个或多个认知功能中的每个认知功能，相应的所述当前三元组包括：当前系统状态、所述配置参数的所计算的优化值、以及关于相应的所述认知功能的所述配置参数的当前最优配置范围集；以及
针对所述一个或多个认知功能中的每个认知功能，所述一个或多个所存储的三元组中的每个所存储的三元组包括：关于相应的先前的系统状态的信息、所述配置参数的相应的应用值、以及关于相应的所述认知功能的所述配置参数的相应的先前的最优配置范围集；
所述系统状态中的每个系统状态指示所述系统的相应的状态；
所述最优配置范围集中的每个最优配置范围集指示所述配置参数的值的相应范围；
所述配置参数定义所述系统的配置的至少一部分。
41.一种计算机程序产品，包括指令集，当所述指令集在装置上被执行时，被配置为使所述装置执行根据权利要求21至40中任一项所述的方法。
42.根据权利要求41所述的计算机程序产品，被实现为计算机可读介质、或被直接加载到计算机中。
CN202180100831.4A 2021-05-24 2021-05-24 减少由操纵性网络功能引起的系统劣化 Pending CN117693931A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/IB2021/054486 WO2022248905A1 (en) 2021-05-24 2021-05-24 Reducing system degradation caused by manipulative network functions

Publications (1)

Publication Number Publication Date
CN117693931A true CN117693931A (zh) 2024-03-12

Family

ID=76197505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180100831.4A Pending CN117693931A (zh) 2021-05-24 2021-05-24 减少由操纵性网络功能引起的系统劣化

Country Status (4)

Country Link
US (1) US20240243972A1 (zh)
EP (1) EP4348959A1 (zh)
CN (1) CN117693931A (zh)
WO (1) WO2022248905A1 (zh)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3507941B1 (en) * 2016-09-02 2022-11-16 Nokia Technologies Oy Method and apparatus for providing cognitive functions and facilitating management in cognitive network management systems

Also Published As

Publication number Publication date
WO2022248905A1 (en) 2022-12-01
EP4348959A1 (en) 2024-04-10
US20240243972A1 (en) 2024-07-18

Similar Documents

Publication Publication Date Title
JP6507279B2 (ja) 管理方法、非一時的コンピュータ可読媒体および管理装置
Denko et al. Trust management in ubiquitous computing: A Bayesian approach
US20220248237A1 (en) Neural network circuit remote electrical tilt antenna infrastructure management based on probability of actions
CN114932553B (zh) 机器人组队方法、机器人及存储介质
Rishwaraj et al. Heuristics-based trust estimation in multiagent systems using temporal difference learning
Liu et al. A hybrid mobile robot path planning scheme based on modified gray wolf optimization and situation assessment
Sallam et al. IMODEII: an Improved IMODE algorithm based on the Reinforcement Learning
Malandrino et al. Matching DNN compression and cooperative training with resources and data availability
US20240119300A1 (en) Configuring a reinforcement learning agent based on relative feature contribution
Manzano et al. Online learning constrained model predictive control based on double prediction
CN117693931A (zh) 减少由操纵性网络功能引起的系统劣化
US20220051135A1 (en) Load balancing using data-efficient learning
Wang et al. VHetNets for AI and AI for VHetNets: An Anomaly Detection Case Study for Ubiquitous IoT
CN111814331B (zh) 复杂情况下多变点的设备剩余使用寿命预测方法
Wigness et al. Efficient and resilient edge intelligence for the internet of battlefield things
Alvarenga et al. Multirobot patrolling against adaptive opponents with limited information
CN117235742A (zh) 一种基于深度强化学习的智能化渗透测试方法与系统
US20150296041A1 (en) Constraint based signal for intellegent and optimized end user mobile experience enhancement
US20240283703A1 (en) Detecting manipulative network functions
Welikala et al. Event-driven receding horizon control for distributed persistent monitoring on graphs
Ghnaya et al. Maximizing information usefulness in vehicular CP networks using actor-critic reinforcement learning
Guindani et al. Bayesian optimization with machine learning for big data applications in the cloud
Zhu Control challenges for resilient control systems
WO2024089856A1 (ja) 推定装置、学習装置、推定方法、学習方法、及びプログラム
Iakovidis Safe Reinforcement Learning for Remote Electrical Tilt Optimization

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