CN117715088B - 基于边缘计算的网络切片管理方法、装置、设备及介质 - Google Patents
基于边缘计算的网络切片管理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117715088B CN117715088B CN202410166362.1A CN202410166362A CN117715088B CN 117715088 B CN117715088 B CN 117715088B CN 202410166362 A CN202410166362 A CN 202410166362A CN 117715088 B CN117715088 B CN 117715088B
- Authority
- CN
- China
- Prior art keywords
- network
- network slice
- performance
- model
- edge computing
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 103
- 238000004364 calculation method Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 230000004927 fusion Effects 0.000 claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000003860 storage Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013468 resource allocation Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0895—Configuration of virtualised networks or elements, e.g. virtualised network function or OpenFlow elements
-
- 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
- H04L41/149—Network analysis or design for prediction of maintenance
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0958—Management thereof based on metrics or performance parameters
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种基于边缘计算的网络切片管理方法、装置、设备及介质，涉及计算机技术领域。该方法包括：获取边缘计算单元对应的网络状态数据；基于网络状态数据利用预先构建的预测模型，预测边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据；根据网络需求数据为边缘计算单元分配相应资源配置的网络切片；获取网络切片的性能数据，通过预测模型对网络切片进行性能预测得到性能预测结果；利用模型融合算法对性能预测结果进行评估，并根据评估结果过判断是否执行网络切片管理。能够根据边缘计算单元实时的网络状态和用户需求进行网络切片动态调整，适应网络环境和用户需求的快速变化，提高边缘计算资源的利用率。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种基于边缘计算的网络切片管理方法、装置、设备及介质。
背景技术
网络切片是一种按需组网的方式，可以让运营商在统一的基础设施上分离出多个虚拟的端到端网络，每个网络切片从无线接入网到承载网再到核心网上进行逻辑隔离，以适配各种各样类型的应用。在现有的5G网络架构中，网络切片被用作一种有效的手段，以满足不同类型服务和应用的多样化需求。边缘计算作为一种新兴的计算范式，目的是将计算任务和服务部署到离用户更近的网络边缘，从而减少延迟和网络拥塞。目前，一些5G网络切片解决方案尝试引入边缘计算来提高性能，但通常采用固定部署网络切片，而静态的网络切片部署不具备足够的灵活性，降低了边缘计算性能。
发明内容
有鉴于此，本发明的目的在于提供一种基于边缘计算的网络切片管理方法、装置、设备及介质，能够根据边缘计算单元实时的网络状态和用户需求进行网络切片动态调整，适应网络环境和用户需求的快速变化，提高边缘计算资源的利用率。其具体方案如下：
第一方面，本申请公开了一种基于边缘计算的网络切片管理方法，包括：
获取边缘计算单元对应的网络状态数据；
基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据；所述预测模型中包含多个预测子模型，一个预测子模型用于预测一种类型的网络需求；
根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片；
获取所述网络切片的性能数据，通过所述预测模型对所述网络切片进行性能预测得到性能预测结果；一个预测子模型用于预测一种网络性能的预测；
利用模型融合算法对所述性能预测结果进行评估，并根据评估结果过判断是否执行网络切片管理。
可选的，所述获取边缘计算单元对应的网络状态数据，包括：
按照预设间隔周期性向所述边缘计算单元发送数据获取请求；
所述边缘计算单元根据所述数据获取请求从非易失性存储装置中确定出网络状态数据；所述非易失性存储装置用于存储处理用户请求后得到的处理结果；
获取所述边缘计算单元通过安全加密通道反馈的所述数据获取请求对应的网络状态数据；所述网络状态数据包括网络延迟参数、数据吞吐量、资源使用率和用户活跃度。
可选的，所述根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片，包括：
根据所述网络需求数据确定出针对网络切片的资源配置；
向所述边缘计算单元下发包含所述资源配置的网络切片任务，以便所述边缘计算单元根据所述网络切片任务建立网络切片。
可选的，所述基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据，包括：
将所述网络状态数据输入至预先构建的预测模型；
根据所述预测子模型的输出预测得到所述边缘计算单元在未来第一目标时段内的网络需求数据；所述网络需求数据包括数据流量、用户数量和资源使用率。
可选的，所述将所述网络状态数据输入至预先构建的预测模型之前，还包括：
获取边缘计算单元对应的历史数据；
构建多个预测子模型，利用所述历史数据对所述预测子模型进行训练；不同预测子模型对应不同的需求类型预测目标。
可选的，所述网络切片管理包括切片创建、切片删除或资源重新分配。
可选的，所述利用模型融合算法对所述性能预测结果进行评估，包括：
利用梯度提升树模型对所述性能预测结果进行评估；
相应的，所述基于边缘计算的网络切片管理方法，还包括：
利用交叉验证方法对所述梯度提升树模型进行模型性能评估；
根据模型性能评估结果调整所述梯度提升树模型的模型参数。
可选的，所述获取所述网络切片的性能数据之后，还包括：
基于所述性能数据利用孤立森林算法检测所述网络切片是否存在异常行为。
可选的，所述通过所述预测模型对所述网络切片进行性能预测得到性能预测结果，以及所述利用模型融合算法对所述性能预测结果进行评估，并根据评估结果过判断是否执行网络切片管理，包括：
获取所述网络切片的性能数据，通过所述预测模型中不同预测子模型分别预测未来第二时间段内所述网络切片对应的不同性能指标的指标参数；一个预测子模型用于预测一种类型的性能指标；
根据所述指标参数以及各所述预测子模型对应的权重，利用模型融合算法确定所述指标参数的加权平均值；
通过对比所述加权平均值和预设阈值范围，判断是否执行网络切片管理。
可选的，所述根据所述指标参数以及各所述预测子模型对应的权重，利用模型融合算法确定所述指标参数的加权平均值之前，还包括：
根据预测子模型的性能确定对应的性能指标的权重；
所述基于边缘计算的网络切片管理方法，还包括：
根据所述预测子模型的实时性能，实时更新所述预测子模型对应的权重。
可选的，所述根据所述指标参数以及各所述预测子模型对应的权重，利用模型融合算法确定所述指标参数的加权平均值之后，还包括：
根据各个网络切片对应的加权平均值对所有网络切片进行排序，得到切片排序结果；
相应的，所述根据切片性能要求进行网络切片管理，包括：
根据切片性能要求和所述切片排序结果进行网络切片调整。
可选的，所述基于边缘计算的网络切片管理方法，还包括：
通过循环冗余检查对所述切片排序结果进行准确性验证。
第二方面，本申请公开了一种基于边缘计算的网络切片管理系统，包括边缘计算单元和核心网络单元；
所述边缘计算单元用于向所述核心网络单元发送网络状态数据；
所述核心网络单元用于接收所述边缘计算单元对应的网络状态数据，基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据，所述预测模型中包含多个预测子模型，一个预测子模型用于预测一种类型的网络需求；根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片，获取所述网络切片的性能数据，通过所述预测模型对所述网络切片进行性能预测得到性能预测结果；一个预测子模型用于预测一种网络性能的预测；利用模型融合算法对所述性能预测结果进行评估，并根据评估结果过判断是否执行网络切片管理。
第三方面，本申请公开了一种基于边缘计算的网络切片管理装置，包括：
网络状态数据获取模块，用于获取边缘计算单元对应的网络状态数据；
网络需求数据预测模块，用于基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据；
网络切片分配模块，用于根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片；
切片性能预测模块，用于获取所述网络切片的性能数据，通过所述预测模型对所述网络切片进行性能预测得到性能预测结果；一个预测子模型用于预测一种网络性能的预测；
预测评估模块，用于利用模型融合算法对所述性能预测结果进行评估，并根据评估结果过判断是否执行网络切片管理。
第四方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述的基于边缘计算的网络切片管理方法。
第五方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中计算机程序被处理器执行时实现前述的基于边缘计算的网络切片管理方法。
本申请中，获取边缘计算单元对应的网络状态数据；基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据；根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片；对所述网络切片进行性能监测，并根据切片性能要求进行网络切片管理。可见，根据边缘计算单元的网络状态数据预测未来一段时间内的网络资源需求，根据预测出的网络需求为各个边缘计算单元分配相应资源配置的网络切片，并能够根据实时的网络状态和用户需求进行动态调整，由此适应网络环境和用户需求的快速变化，提高边缘计算资源的利用率。为了更全面长期的进行分析，利用预测模型对网络切片进行性能预测，即预测未来一段时间内网络切片的性能，并基于预测模型中的各预测子模型利用型融合算法对性能预测结果进行评估，然后根据评估结果判断是否执行网络切片管理，提高了网络切片管理的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种基于边缘计算的网络切片管理方法流程图；
图2为本申请提供的一种具体的基于边缘计算的网络切片管理系统结构示意图；
图3为本申请提供的一种具体的基于边缘计算的网络切片管理系统内单元应用交互示意图；
图4为本申请提供的另一种具体的基于边缘计算的网络切片管理系统内单元应用交互示意图；
图5为本申请提供的一种基于边缘计算的网络切片管理装置结构示意图；
图6为本申请提供的一种电子设备结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有技术中，一些5G网络切片解决方案尝试引入边缘计算来提高性能，但通常采用固定部署网络切片，而静态的网络切片部署不具备足够的灵活性，降低了边缘计算性能。为克服上述技术问题，本申请提出一种基于边缘计算的网络切片管理方法，能够根据边缘计算单元实时的网络状态和用户需求进行网络切片动态调整，适应网络环境和用户需求的快速变化，提高边缘计算资源的利用率。
本申请实施例公开了一种基于边缘计算的网络切片管理方法，参见图1所示，该方法可以包括以下步骤：
步骤S11：获取边缘计算单元对应的网络状态数据。
本申请针对边缘计算的网络切片管理方案可以应用于核心网络单元，核心网络单元配置于核心网络，负责协调各边缘计算单元之间的通信、进行网络切片管理，该核心网络单元通过标准的网络接口与外部网络进行连接，并通过专用通信协议与边缘计算单元进行连接。获取的网络状态数据进一步进行预处理，例如数据清洗、规范化和特征选择等。
核心网络单元定期获取各个边缘计算单元实时的网络状态数据，具体的，可以按照预设间隔周期性向边缘计算单元发送数据获取请求，以便边缘计算单元根据数据获取请求从非易失性存储装置中确定出网络状态数据，上述非易失性存储装置用于存储处理用户请求后得到的处理结果；核心网络单元获取边缘计算单元通过安全加密通道反馈的数据获取请求对应的网络状态数据，上述网络状态数据包括但不限于网络延迟参数、数据吞吐量、资源使用率和用户活跃度。即通过定期获取各边缘计算单元的网络使用情况，根据边缘计算单元的实际情况进行网络切片的部署和调整，提高边缘计算单元的利用率。
步骤S12：基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据。
获取到网络状态数据输入至预先构建的预测模型，上述预测模型用于预测边缘计算单元在未来第一目标时段内的网络需求数据，即若仅根据边缘计算单元当前的需求进行分配，很可能会在一段时间后分配的资源无法支持边缘计算的需求，因此根据当前的网络延迟参数、数据吞吐量、资源使用率和用户活跃度等信息，对未来一段时间的网络需求进行预测，进而根据预测分配合适的资源大小，以便尽量满足边缘计算单元的使用。
上述基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据，可以包括：将所述网络状态数据输入至预先构建的预测模型；所述预测模型中包含多个预测子模型，一个预测子模型用于预测一种类型的网络需求；根据所述预测子模型的输出预测得到所述边缘计算单元在未来第一目标时段内的网络需求数据；所述网络需求数据包括数据流量、用户数量和资源使用率。即需要预测的网络需求信息包含多种类型，如需要预测数据流量、用户数量和资源使用率等等。即预测模型包含用于预测数据流量的预测子模型，用于预测用户数量的预测子模型和用于预测资源使用率的预测子模型；每种类型的网络需求信息由一个预测子模型进行预测。需要说明的是，通过预测子模型的输入相同输出不同，输入均为网络状态数据。
在将所述网络状态数据输入至预先构建的预测模型之前，还可以包括：获取边缘计算单元对应的历史数据；构建多个预测子模型，利用所述历史数据对所述预测子模型进行训练；不同预测子模型对应不同的需求类型预测目标。即预测模型中的各预测子模型为经过训练后的模型，训练过程中不同预测子模型以不同需求类型信息为预测目标进行训练。可以理解的是，历史数据包括不同时间点对应的网络状态数据，以便通过学习不同时间点的网络状态实现网络状态预测。
步骤S13：根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片。
根据预测出的网络需求数据为边缘计算单元分配相应资源配置的网络切片，以便尽量满足一段时间内边缘计算单元的使用，提高了边缘计算单元的运算能力。
上述根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片，可以包括：根据所述网络需求数据确定出针对网络切片的资源配置；向所述边缘计算单元下发包含所述资源配置的网络切片任务，以便所述边缘计算单元根据所述网络切片任务建立网络切片。即核心网络单元确定出资源配置后，将包含资源配置的网络切片任务下发给边缘计算单元，以便边缘计算单元根据网络切片任务执行网络切片构建任务。
步骤S14：获取所述网络切片的性能数据，通过所述预测模型对所述网络切片进行性能预测得到性能预测结果。
对分配的网络切片进行性能监测，获取网络切片的性能数据，上述性能数据包括但不限于访问频率和响应时间，然后通过预测模型进行性能预测，性能预测结果包括但不限于访问频率和响应时间。
步骤S15：利用模型融合算法对所述性能预测结果进行评估，并根据评估结果过判断是否执行网络切片管理。
即对网络切片进行性能监测，并根据切片性能要求进行网络切片管理。也即，核心网络单元还用于对所有边缘计算单元的网络切片进行性能监测，然后根据网络切片性能要求进行网络切片管理，如当监测到网络切片性能较低时，进行网络切片配置的调整，或重新进行网络切片分配。由此，通过能够实现基于边缘计算的网络切片的动态部署和管理，优化边缘资源的使用，满足实时的用户需求和网络状态；并通过引入基于机器学习的预测模型，自动化地优化网络切片的性能和资源分配。网络切片管理包括切片创建、切片删除或资源重新分配。即获取到性能数据后，为了更全面长期的进行分析，利用预测模型对网络切片进行性能预测，即预测未来一段时间内网络切片的性能，并基于预测模型中的各预测子模型利用型融合算法对性能预测结果进行评估，然后根据评估结果判断是否执行网络切片管理，上述网络切片管理包括切片创建、切片删除或资源重新分配。
具体的，上述利用模型融合算法对所述性能预测结果进行评估，可以包括：利用梯度提升树模型对所述性能预测结果进行评估；相应的，所述基于边缘计算的网络切片管理方法，还包括：利用交叉验证方法对所述梯度提升树模型进行模型性能评估；根据模型性能评估结果调整所述梯度提升树模型的模型参数。即具体采用梯度提升树模型进行模型融合，并通过交叉验证方法进行模型性能评估，如准确性和健壮性，并根据模型性能更新模型参数，如学习速率、树的深度和叶子节点的最小样本数等模型参数。由此一来，能够在网络环境发生重大变化，如大规模设备接入或网络攻击时，自动触发模型重新训练。
本实施例中，上述获取所述网络切片的性能数据之后，还可以包括：基于所述性能数据利用孤立森林算法检测所述网络切片是否存在异常行为。即利用孤立森林算法对网络切片性能数据进行快速离群点检测，以便能够及时发现网络切片的异常行为。
其中，所述通过所述预测模型对所述网络切片进行性能预测得到性能预测结果，以及所述利用模型融合算法对所述性能预测结果进行评估，并根据评估结果过判断是否执行网络切片管理，具体可以包括：获取所述网络切片的性能数据，通过所述预测模型中不同预测子模型分别预测未来第二时间段内所述网络切片对应的不同性能指标的指标参数；一个预测子模型用于预测一种类型的性能指标；根据所述指标参数以及各所述预测子模型对应的权重，利用模型融合算法确定所述指标参数的加权平均值；通过对比所述加权平均值和预设阈值范围，判断是否执行网络切片管理。即通过多个预测子模型预测网络切片在不同性能指标上的参数，并按照模型融合算法确定指标参数的加权平均值，其中指标参数的权重为根据预测该指标参数的预测子模型的预测准确性确定的，即预测子模型的准确性影响在整体性能评估中单项性能指标的重要程度。
因此，在根据所述指标参数以及各所述预测子模型对应的权重，利用模型融合算法确定所述指标参数的加权平均值之前，需要根据预测子模型的性能确定对应的性能指标的权重。同时，在基于边缘计算的网络切片管理的过程中，可以根据预测子模型的实时性能，实时更新预测子模型对应的权重，进而提高性能预测评估的准确性。
本实施例中，在根据所述指标参数以及各所述预测子模型对应的权重，利用模型融合算法确定所述指标参数的加权平均值之后，还可以根据各个网络切片对应的加权平均值对所有网络切片进行排序，得到切片排序结果，即对分配出的网络切片的性能进行排序。相应的，根据切片性能要求进行网络切片管理时，可以根据切片性能要求和切片排序结果进行网络切片调整，以便能够更加精确便捷的实现网络切片管理。即通过对网络切片的访问频率和响应时间进行预测和分析，进而确定优先级，网络切片管理器根据这些优先级，动态地分配或回收服务器资源。另外，考虑到排序结果实时更新，为保证排序准确性，可以通过循环冗余检查对切片排序结果进行准确性验证。
由上可见，本实施例中获取边缘计算单元对应的网络状态数据；基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据；根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片；对所述网络切片进行性能监测，并根据切片性能要求进行网络切片管理。可见，根据边缘计算单元的网络状态数据预测未来一段时间内的网络资源需求，根据预测出的网络需求为各个边缘计算单元分配相应资源配置的网络切片，并能够根据边缘计算单元实时的网络状态和用户需求进行网络切片动态调整，由此适应网络环境和用户需求的快速变化，提高边缘计算资源的利用率。为了更全面长期的进行分析，利用预测模型对网络切片进行性能预测，即预测未来一段时间内网络切片的性能，并基于预测模型中的各预测子模型利用型融合算法对性能预测结果进行评估，然后根据评估结果判断是否执行网络切片管理，提高了网络切片管理的准确性。
相应的，本申请实施例还公开了一种基于边缘计算的网络切片管理系统，包括边缘计算单元和核心网络单元；
其中，所述边缘计算单元用于向所述核心网络单元发送网络状态数据；
所述核心网络单元用于接收所述边缘计算单元对应的网络状态数据，基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据，所述预测模型中包含多个预测子模型，一个预测子模型用于预测一种类型的网络需求；根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片，获取所述网络切片的性能数据，通过所述预测模型对所述网络切片进行性能预测得到性能预测结果；一个预测子模型用于预测一种网络性能的预测；利用模型融合算法对所述性能预测结果进行评估，并根据评估结果过判断是否执行网络切片管理。
由上可见，本实施例中获取边缘计算单元对应的网络状态数据；基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据；根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片；对所述网络切片进行性能监测，并根据切片性能要求进行网络切片管理。可见，根据边缘计算单元的网络状态数据预测未来一段时间内的网络资源需求，根据预测出的网络需求为各个边缘计算单元分配相应资源配置的网络切片，并能够根据实时的网络状态和用户需求进行动态调整，由此适应网络环境和用户需求的快速变化，提高边缘计算资源的利用率。为了更全面长期的进行分析，利用预测模型对网络切片进行性能预测，即预测未来一段时间内网络切片的性能，并基于预测模型中的各预测子模型利用型融合算法对性能预测结果进行评估，然后根据评估结果判断是否执行网络切片管理，提高了网络切片管理的准确性。
可以理解的是，本实施例公开了一种基于机器学习的服务器网络切片动态管理系统，其核心是实现网络切片的动态部署和优化管理，在边缘和核心网络中实现资源的高效利用。系统框架如图2所示，包括边缘计算单元（ECU，EdgeComputingUnit）、核心网络单元（CCU，CoreComputingUnit），核心网络单元中可以包括网络切片管理器（NSM，NetworkSliceManagement）。其中，边缘计算单元，配置于接近终端用户的地理位置，负责处理来自终端用户的本地请求、缓存常用数据及动态分配网络资源，该边缘计算单元通过安全加密通道与核心网络单元进行逻辑连接。核心网络单元，配置于核心网络，负责协调各边缘计算单元之间的通信、进行5G网络切片管理，该核心网络单元通过标准的网络接口与外部网络进行连接，并通过专用通信协议与边缘计算单元进行连接；网络切片管理器，部署于核心网络单元内部，负责进行网络切片的创建、配置、优化和维护，该网络切片管理器与核心网络单元内部其他组件通过高速内部总线进行连接。通过边缘计算单元、核心网络单元在网络切片和边缘计算之间进行有效的协调，从而优化整体系统性能。在边缘计算单元和核心网络单元之间建立安全通道，引入端到端的加密和身份验证机制，极大地提高了数据的安全性和隐私保护。
系统运行过程中，可以由网络切片管理器收集与边缘计算单元相关的当前网络状态、用户需求和资源使用数据等，网络切片管理器中包含预测模型，采用预测算法结合模型进行未来网络需求的评估；核心网络单元根据网络切片管理器的需求分析结果，将网络切片任务分发给边缘计算单元，并接收边缘计算单元执行任务后的反馈结果；边缘计算单元根据实时数据和核心网络单元的指示，进行本地包括CPU（Central Processing Unit，中央处理器）、内存和带宽等资源进行动态分配；网络切片管理器实时监控网络切片性能，收集关键性能指标，当检测到性能下降时，自动进行切片配置的调整或资源的重新分配。
上述边缘计算单元进一步包括数据处理模块、缓存模块和通信模块，其中，数据处理模块负责接收和处理用户请求，并将处理结果发送至缓存模块；缓存模块负责将数据处理模块的处理结果存储在非易失性存储装置中；通信模块负责通过安全加密通道将数据发送至核心网络单元；其中，数据处理模块与缓存模块、通信模块之间通过内部总线进行连接。非易失性存储装置位于数据处理模块和通信模块之间，该非易失性存储装置负责暂存由数据处理模块处理完毕但尚未传输至核心网络单元的数据；也即，数据处理模块在处理完用户请求后，会将处理结果写入该非易失性存储装置；通信模块在接收到核心网络单元的数据请求后，首先检索该非易失性存储装置以确定是否已有待传输的数据；若该非易失性存储装置中存在待传输的数据，则通信模块将该数据通过安全加密通道传输至核心网络单元；若该非易失性存储装置中不存在待传输的数据，则通信模块将请求转发至数据处理模块进行处理。
上述核心网络单元进一步可以包括切片调度模块和资源管理模块，切片调度模块负责接收边缘计算单元的通信模块传送的数据，并进行切片任务分发；资源管理模块负责监控和调度网络资源，以满足不同网络切片的需求；其中，切片调度模块与资源管理模块之间可以通过API接口（应用程序编程接口，ApplicationProgrammingInterface）进行交互。预测模型的输出会发送到核心网络单元的资源管理模块；资源管理模块根据预测结果，对网络资源进行预先分配或调整，包括带宽、计算能力和存储空间。通过这种方式，系统的整体带宽利用率和用户体验得以显著提升，提高网络的性能，可靠性和可用性，同时降低了运营成本。
可见，通过边缘计算单元和核心网络单元的协同工作，能够更加灵活和精准地分配网络资源，特别是在高流量和突发事件情况下，优化用户体验。网络切片管理器使用基于机器学习的预测模型，通过机器学习和数据分析，能够准确预测未来的网络需求和资源使用情况，进而能够实时调整网络切片的合理配置和资源合理分配，使系统能够自适应不断变化的网络环境和用户需求。并且，系统的模块化设计使其易于扩展和升级，能够快速适应新的技术和应用场景。
如图3所示，边缘计算单元可以为部署于地理位置为纽约的一台服务器，核心网络单元可以位于硅谷的数据中心。网络切片管理器使用SSH协议（安全外壳协议，SecureShell）与边缘计算单元通信，获取实时网络状态数据，核心网络单元基于该数据预测未来一小时内的网络负载，并根据预测结果计算资源需求，然后发送网络切片任务给边缘计算单元，以进行网络切片的动态部署。边缘计算单元检测到请求后，执行资源分配；边缘计算单元的资源分配策略可以为：CPU占用率低于40%则分配给新的切片。网络切片管理器实时监控所有切片的性能，如果某一切片的网络延迟超过预定阈值，网络切片管理器自动调整其资源分配。在实施此方法后，网络延迟减少了15%，数据吞吐量增加了20%，预测模型的准确率达到95%；有效地减少了网络拥塞，提高了用户体验。
如图4所示为一种具体的网络切片动态管理系统内单元应用交互示意图，网络切片管理器可以独立于核心网络单元，边缘计算单元和核心网络单元通过各自的通信模块进行通信，核心网络单元将获取的网络状态数据转发到网络切片管理器进行网络需求预测和切片性能预测，具体可以使用决策树模型作为预测子模型对网络切片的访问频率进行预测；使用XGBoost模型作为预测子模型对响应时间进行预测；将两个模型的预测结果进行加权平均，权重分别为0.6和0.4。核心网络单元还用于根据模型融合的结果，即各类网络性能指标的加权平均值，对网络切片进行排序；排序算法采用快速排序，并将排序结果传递给网络切片管理器。网络切片管理器接收到排序结果后，根据优先级动态分配资源；优先级高的网络切片将优先获取带宽和计算资源；如果资源不足，触发资源回收机制，从优先级低的切片中回收资源。通过实验，在使用该排序算法后，高优先级的网络切片的响应时间减少了25%，系统的整体带宽利用率提高了30%，显著提升了网络资源的利用效率和用户体验。
相应的，本申请实施例还公开了一种基于边缘计算的网络切片管理装置，参见图5所示，该装置包括：
网络状态数据获取模块11，用于获取边缘计算单元对应的网络状态数据；
网络需求数据预测模块12，用于基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据；
网络切片分配模块13，用于根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片；
切片性能预测模块14，用于获取所述网络切片的性能数据，通过所述预测模型对所述网络切片进行性能预测得到性能预测结果；一个预测子模型用于预测一种网络性能的预测；
预测评估模块15，用于利用模型融合算法对所述性能预测结果进行评估，并根据评估结果过判断是否执行网络切片管理。
由上可见，本实施例中获取边缘计算单元对应的网络状态数据；基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据；根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片；对所述网络切片进行性能监测，并根据切片性能要求进行网络切片管理。可见，根据边缘计算单元的网络状态数据预测未来一段时间内的网络资源需求，根据预测出的网络需求为各个边缘计算单元分配相应资源配置的网络切片，并能够根据实时的网络状态和用户需求进行动态调整，由此适应网络环境和用户需求的快速变化，提高边缘计算资源的利用率。为了更全面长期的进行分析，利用预测模型对网络切片进行性能预测，即预测未来一段时间内网络切片的性能，并基于预测模型中的各预测子模型利用型融合算法对性能预测结果进行评估，然后根据评估结果判断是否执行网络切片管理，提高了网络切片管理的准确性。
在一些具体实施例中，所述网络状态数据获取模块11具体可以包括：
请求发送单元，用于按照预设间隔周期性向所述边缘计算单元发送数据获取请求；所述边缘计算单元根据所述数据获取请求从非易失性存储装置中确定出网络状态数据；所述非易失性存储装置用于存储处理用户请求后得到的处理结果；
数据获取单元，用于获取所述边缘计算单元通过安全加密通道反馈的所述数据获取请求对应的网络状态数据；所述网络状态数据包括网络延迟参数、数据吞吐量、资源使用率和用户活跃度。
在一些具体实施例中，所述网络切片分配模块13具体可以包括：
资源配置单元，用于根据所述网络需求数据确定出针对网络切片的资源配置；
任务下发单元，用于向所述边缘计算单元下发包含所述资源配置的网络切片任务，以便所述边缘计算单元根据所述网络切片任务建立网络切片。
在一些具体实施例中，所述网络需求数据预测模块12具体可以包括：
数据输入单元，用于将所述网络状态数据输入至预先构建的预测模型；所述预测模型中包含多个预测子模型，一个预测子模型用于预测一种类型的网络需求；
网络需求数据预测单元，用于根据所述预测子模型的输出预测得到所述边缘计算单元在未来第一目标时段内的网络需求数据；所述网络需求数据包括数据流量、用户数量和资源使用率。
在一些具体实施例中，所述基于边缘计算的网络切片管理装置具体可以包括：
历史数据获取单元，用于在将所述网络状态数据输入至预先构建的预测模型之前，获取边缘计算单元对应的历史数据；
预测子模型训练单元，用于构建多个预测子模型，利用所述历史数据对所述预测子模型进行训练；不同预测子模型对应不同的需求类型预测目标。
在一些具体实施例中，所述网络切片管理包括切片创建、切片删除或资源重新分配。
在一些具体实施例中，所述预测评估模块15具体可以包括：
预测结果评估单元，用于利用梯度提升树模型对所述性能预测结果进行评估；
相应的，所述基于边缘计算的网络切片管理装置，还包括：
模型性能评估单元，用于利用交叉验证方法对所述梯度提升树模型进行模型性能评估；
模型参数调整单元，用于根据模型性能评估结果调整所述梯度提升树模型的模型参数。
在一些具体实施例中，所述基于边缘计算的网络切片管理装置具体可以包括：
异常检测单元，用于在获取所述网络切片的性能数据之后，基于所述性能数据利用孤立森林算法检测所述网络切片是否存在异常行为。
在一些具体实施例中，所述切片性能预测模块14具体可以包括：
指标参数预测单元，用于获取所述网络切片的性能数据，通过所述预测模型中不同预测子模型分别预测未来第二时间段内所述网络切片对应的不同性能指标的指标参数；一个预测子模型用于预测一种类型的性能指标；
相应的，所述预测评估模块15具体可以包括：
模型融合单元，用于根据所述指标参数以及各所述预测子模型对应的权重，利用模型融合算法确定所述指标参数的加权平均值；
判断单元，用于通过对比所述加权平均值和预设阈值范围，判断是否执行网络切片管理。
在一些具体实施例中，所述模型融合单元具体可以包括：
权重确定单元，用于根据预测子模型的性能确定对应的性能指标的权重；
所述基于边缘计算的网络切片管理装置具体还可以包括：
权重调整单元，用于根据所述预测子模型的实时性能，实时更新所述预测子模型对应的权重。
在一些具体实施例中，所述基于边缘计算的网络切片管理装置具体可以包括：
切片排序单元，用于根据各个网络切片对应的加权平均值对所有网络切片进行排序，得到切片排序结果；
相应的，所述预测评估模块15具体可以包括：
网络切片调整单元，用于根据切片性能要求和所述切片排序结果进行网络切片调整。
在一些具体实施例中，所述基于边缘计算的网络切片管理装置具体可以包括：
准确性验证单元，用于通过循环冗余检查对所述切片排序结果进行准确性验证。
进一步的，本申请实施例还公开了一种电子设备，参见图6所示，图中的内容不能被认为是对本申请的使用范围的任何限制。
图6为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的基于边缘计算的网络切片管理方法中的相关步骤。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源包括操作系统221、计算机程序222及包括网络状态数据在内的数据223等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是WindowsServer、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的基于边缘计算的网络切片管理方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请实施例还公开了一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现前述任一实施例公开的基于边缘计算的网络切片管理方法步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM，RandomAccess Memory）、内存、只读存储器（ROM，Read-Only Memory）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种基于边缘计算的网络切片管理方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (16)
1.一种基于边缘计算的网络切片管理方法，其特征在于，包括：
获取边缘计算单元对应的网络状态数据；
基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据；所述预测模型中包含多个预测子模型，一个预测子模型用于预测一种类型的网络需求；
根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片；
获取所述网络切片的性能数据，通过所述预测模型对所述网络切片进行性能预测得到性能预测结果；一个预测子模型用于预测一种网络性能的预测；
利用模型融合算法对所述性能预测结果进行评估，并根据评估结果过判断是否执行网络切片管理。
2.根据权利要求1所述的基于边缘计算的网络切片管理方法，其特征在于，所述获取边缘计算单元对应的网络状态数据，包括：
按照预设间隔周期性向所述边缘计算单元发送数据获取请求；
所述边缘计算单元根据所述数据获取请求从非易失性存储装置中确定出网络状态数据；所述非易失性存储装置用于存储处理用户请求后得到的处理结果；
获取所述边缘计算单元通过安全加密通道反馈的所述数据获取请求对应的网络状态数据；所述网络状态数据包括网络延迟参数、数据吞吐量、资源使用率和用户活跃度。
3.根据权利要求1所述的基于边缘计算的网络切片管理方法，其特征在于，所述根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片，包括：
根据所述网络需求数据确定出针对网络切片的资源配置；
向所述边缘计算单元下发包含所述资源配置的网络切片任务，以便所述边缘计算单元根据所述网络切片任务建立网络切片。
4.根据权利要求1所述的基于边缘计算的网络切片管理方法，其特征在于，所述基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据，包括：
将所述网络状态数据输入至预先构建的预测模型；
根据所述预测子模型的输出预测得到所述边缘计算单元在未来第一目标时段内的网络需求数据；所述网络需求数据包括数据流量、用户数量和资源使用率。
5.根据权利要求4所述的基于边缘计算的网络切片管理方法，其特征在于，所述将所述网络状态数据输入至预先构建的预测模型之前，还包括：
获取边缘计算单元对应的历史数据；
构建多个预测子模型，利用所述历史数据对所述预测子模型进行训练；不同预测子模型对应不同的需求类型预测目标。
6.根据权利要求1所述的基于边缘计算的网络切片管理方法，其特征在于，所述网络切片管理包括切片创建、切片删除或资源重新分配。
7.根据权利要求1所述的基于边缘计算的网络切片管理方法，其特征在于，所述利用模型融合算法对所述性能预测结果进行评估，包括：
利用梯度提升树模型对所述性能预测结果进行评估；
相应的，所述基于边缘计算的网络切片管理方法，还包括：
利用交叉验证方法对所述梯度提升树模型进行模型性能评估；
根据模型性能评估结果调整所述梯度提升树模型的模型参数。
8.根据权利要求1所述的基于边缘计算的网络切片管理方法，其特征在于，所述获取所述网络切片的性能数据之后，还包括：
基于所述性能数据利用孤立森林算法检测所述网络切片是否存在异常行为。
9.根据权利要求1至8任一项所述的基于边缘计算的网络切片管理方法，其特征在于，所述通过所述预测模型对所述网络切片进行性能预测得到性能预测结果，以及所述利用模型融合算法对所述性能预测结果进行评估，并根据评估结果过判断是否执行网络切片管理，包括：
获取所述网络切片的性能数据，通过所述预测模型中不同预测子模型分别预测未来第二时间段内所述网络切片对应的不同性能指标的指标参数；一个预测子模型用于预测一种类型的性能指标；
根据所述指标参数以及各所述预测子模型对应的权重，利用模型融合算法确定所述指标参数的加权平均值；
通过对比所述加权平均值和预设阈值范围，判断是否执行网络切片管理。
10.根据权利要求9所述的基于边缘计算的网络切片管理方法，其特征在于，所述根据所述指标参数以及各所述预测子模型对应的权重，利用模型融合算法确定所述指标参数的加权平均值之前，还包括：
根据预测子模型的性能确定对应的性能指标的权重；
所述基于边缘计算的网络切片管理方法，还包括：
根据所述预测子模型的实时性能，实时更新所述预测子模型对应的权重。
11.根据权利要求9所述的基于边缘计算的网络切片管理方法，其特征在于，所述根据所述指标参数以及各所述预测子模型对应的权重，利用模型融合算法确定所述指标参数的加权平均值之后，还包括：
根据各个网络切片对应的加权平均值对所有网络切片进行排序，得到切片排序结果；
相应的，在判定执行网络切片管理之后，还包括：
根据切片性能要求和所述切片排序结果进行网络切片调整。
12.根据权利要求11所述的基于边缘计算的网络切片管理方法，其特征在于，还包括：
通过循环冗余检查对所述切片排序结果进行准确性验证。
13.一种基于边缘计算的网络切片管理系统，其特征在于，包括边缘计算单元和核心网络单元；
所述边缘计算单元用于向所述核心网络单元发送网络状态数据；
所述核心网络单元用于接收所述边缘计算单元对应的网络状态数据，基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据，所述预测模型中包含多个预测子模型，一个预测子模型用于预测一种类型的网络需求；根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片，获取所述网络切片的性能数据，通过所述预测模型对所述网络切片进行性能预测得到性能预测结果；一个预测子模型用于预测一种网络性能的预测；利用模型融合算法对所述性能预测结果进行评估，并根据评估结果过判断是否执行网络切片管理。
14.一种基于边缘计算的网络切片管理装置，其特征在于，包括：
网络状态数据获取模块，用于获取边缘计算单元对应的网络状态数据；
网络需求数据预测模块，用于基于所述网络状态数据利用预先构建的预测模型，预测所述边缘计算单元在未来第一目标时段内的网络需求以得到网络需求数据；
网络切片分配模块，用于根据所述网络需求数据为所述边缘计算单元分配相应资源配置的网络切片；
切片性能预测模块，用于获取所述网络切片的性能数据，通过所述预测模型对所述网络切片进行性能预测得到性能预测结果；一个预测子模型用于预测一种网络性能的预测；
预测评估模块，用于利用模型融合算法对所述性能预测结果进行评估，并根据评估结果过判断是否执行网络切片管理。
15.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至12任一项所述的基于边缘计算的网络切片管理方法。
16.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中计算机程序被处理器执行时实现如权利要求1至12任一项所述的基于边缘计算的网络切片管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166362.1A CN117715088B (zh) | 2024-02-05 | 2024-02-05 | 基于边缘计算的网络切片管理方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166362.1A CN117715088B (zh) | 2024-02-05 | 2024-02-05 | 基于边缘计算的网络切片管理方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117715088A CN117715088A (zh) | 2024-03-15 |
| CN117715088B true CN117715088B (zh) | 2024-04-26 |
Family
ID=90150169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410166362.1A Active CN117715088B (zh) | 2024-02-05 | 2024-02-05 | 基于边缘计算的网络切片管理方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117715088B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118210693A (zh) * | 2024-04-22 | 2024-06-18 | 中国电子信息产业集团有限公司第六研究所 | 一种智能设备rms评估方法及性能评估系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365366A (zh) * | 2020-11-12 | 2021-02-12 | 广东电网有限责任公司 | 一种基于智能化5g切片的微电网管理方法及系统 |
| CN115580882A (zh) * | 2021-06-21 | 2023-01-06 | 中国电信股份有限公司 | 动态网络切片资源分配方法及装置、存储介质及电子设备 |
| CN116506860A (zh) * | 2023-04-28 | 2023-07-28 | 南京信息职业技术学院 | 基于动态资源分配的基站网络切片管理系统 |
| CN117041265A (zh) * | 2023-08-04 | 2023-11-10 | 浪潮通信技术有限公司 | 边缘计算安装包分发方法及系统 |
| CN117202264A (zh) * | 2023-10-08 | 2023-12-08 | 福州大学 | Mec环境中面向5g网络切片的计算卸载方法 |
| CN117221295A (zh) * | 2023-09-12 | 2023-12-12 | 北京晓珑科技有限公司 | 一种基于边缘计算和网络切片的低延迟视频传输系统 |
-
2024
- 2024-02-05 CN CN202410166362.1A patent/CN117715088B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112365366A (zh) * | 2020-11-12 | 2021-02-12 | 广东电网有限责任公司 | 一种基于智能化5g切片的微电网管理方法及系统 |
| CN115580882A (zh) * | 2021-06-21 | 2023-01-06 | 中国电信股份有限公司 | 动态网络切片资源分配方法及装置、存储介质及电子设备 |
| CN116506860A (zh) * | 2023-04-28 | 2023-07-28 | 南京信息职业技术学院 | 基于动态资源分配的基站网络切片管理系统 |
| CN117041265A (zh) * | 2023-08-04 | 2023-11-10 | 浪潮通信技术有限公司 | 边缘计算安装包分发方法及系统 |
| CN117221295A (zh) * | 2023-09-12 | 2023-12-12 | 北京晓珑科技有限公司 | 一种基于边缘计算和网络切片的低延迟视频传输系统 |
| CN117202264A (zh) * | 2023-10-08 | 2023-12-08 | 福州大学 | Mec环境中面向5g网络切片的计算卸载方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117715088A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiang et al. | Joint task offloading and resource allocation for energy-constrained mobile edge computing | |
| EP2904491B1 (en) | Method, node and computer program for enabling automatic adaptation of resource units | |
| Gill et al. | CHOPPER: an intelligent QoS-aware autonomic resource management approach for cloud computing | |
| CN112583861B (zh) | 服务部署方法、资源配置方法、系统、装置及服务器 | |
| CN117715088B (zh) | 基于边缘计算的网络切片管理方法、装置、设备及介质 | |
| EP3549312B1 (en) | A master node, a local node and respective methods performed thereby for predicting one or more metrics associated with a communication network | |
| Sayadnavard et al. | A reliable energy-aware approach for dynamic virtual machine consolidation in cloud data centers | |
| US20190391897A1 (en) | Adaptive thresholds for containers | |
| CN110602180B (zh) | 一种基于边缘计算的大数据用户行为分析方法及电子设备 | |
| EP3278578B1 (en) | Method and system for mtc event management | |
| Zhao et al. | A QoS-aware IoT service placement mechanism in fog computing based on open-source development model | |
| US20150134823A1 (en) | Exploiting probabilistic latency expressions for placing cloud applications | |
| Adhikary et al. | Quality of service aware cloud resource provisioning for social multimedia services and applications | |
| CN102724103A (zh) | 代理服务器、分层次网络系统及分布式工作负载管理方法 | |
| CN107040475B (zh) | 资源调度方法和装置 | |
| JP2017204712A (ja) | 仮想資源自動選択システム及び方法 | |
| WO2018028781A1 (en) | Method for managing computational resources of a data center | |
| Marian | Artificial Intelligence-Based Algorithm for Resources Allocation | |
| EP2863597B1 (en) | Computer-implemented method, computer system, computer program product to manage traffic in a network | |
| Jaber et al. | Application of edge computing-based information-centric networking in smart cities | |
| Ahmed et al. | Network-aware SDN load balancer with deep active learning based intrusion detection model | |
| Zeydan et al. | A multi-criteria decision making approach for scaling and placement of virtual network functions | |
| CN116996577A (zh) | 电力系统的雾计算资源预分配方法、装置、设备及介质 | |
| Sanchez-Navarro et al. | Advanced spatial network metrics for cognitive management of 5G networks | |
| Zafar et al. | PBCLR: Prediction-based control-plane load reduction in a software-defined IoT network |
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 |