CN118041764A - 一种机器学习的管控方法和装置 - Google Patents
一种机器学习的管控方法和装置 Download PDFInfo
- Publication number
- CN118041764A CN118041764A CN202211410572.8A CN202211410572A CN118041764A CN 118041764 A CN118041764 A CN 118041764A CN 202211410572 A CN202211410572 A CN 202211410572A CN 118041764 A CN118041764 A CN 118041764A
- Authority
- CN
- China
- Prior art keywords
- information
- entity
- target
- network element
- machine learning
- 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
- 238000010801 machine learning Methods 0.000 title claims abstract description 423
- 238000000034 method Methods 0.000 title claims abstract description 417
- 230000008569 process Effects 0.000 claims abstract description 219
- 238000004891 communication Methods 0.000 claims abstract description 77
- 230000008859 change Effects 0.000 claims description 73
- 238000004590 computer program Methods 0.000 claims description 28
- 238000012790 confirmation Methods 0.000 claims description 17
- 230000000977 initiatory effect Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 230000003993 interaction Effects 0.000 abstract description 16
- 230000002452 interceptive effect Effects 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 317
- 230000006870 function Effects 0.000 description 61
- 238000012545 processing Methods 0.000 description 20
- 238000012549 training Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 16
- 238000012360 testing method Methods 0.000 description 16
- 238000012544 monitoring process Methods 0.000 description 11
- 238000009434 installation Methods 0.000 description 10
- 230000004913 activation Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 9
- 238000002360 preparation method Methods 0.000 description 9
- 238000012795 verification Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013519 translation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000010295 mobile communication Methods 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000012517 data analytics Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- MWRWFPQBGSZWNV-UHFFFAOYSA-N Dinitrosopentamethylenetetramine Chemical compound C1N2CN(N=O)CN1CN(N=O)C2 MWRWFPQBGSZWNV-UHFFFAOYSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- 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
- H04L41/085—Retrieval of network configuration; Tracking network configuration history
- H04L41/0853—Retrieval of network configuration; Tracking network configuration history by actively collecting configuration information or by backing up configuration information
-
- 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
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
本申请提供一种机器学习的管控方法和装置,涉及无线通信技术领域,用来减少接口交互消息。该方法中,第一网元确定目标ML实体的管控信息。其中,目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息。第一网元向第二网元发送目标ML实体的管控信息。第二网元根据ML环节需求信息对目标ML实体的机器学习流程进行管控。基于上述方案,第一网元能够对ML实体的ML工作流自动编排和执行,减少了第一网元和第二网元之间交互的消息,提高机器学习流程执行效率的同时,避免了ML实体更新耗时的问题。不仅如此,第二网元能够按第一网元的需求对ML实体的ML工作流进行差异化编排和执行。
Description
技术领域
本申请涉及无线通信技术领域,尤其涉及一种机器学习的管控方法和装置。
背景技术
随着网络智能化水平的提高,越来越多的机器学习(machine learning,ML)实体引入到网络,包括网络管理系统和网络设备中,而且为了实现网络能够实时随着业务进行适应性变更,网络中的ML实体的工作流执行也越来越频繁。针对大量ML实体,而且每个ML实体频繁执行ML工作流,运营商管理系统和设备商管理系统之间需要针对每个ML工作进行大量的数据交互,不仅导致接口交互消息多,而且导致ML实体的更新不及时,效率低,进而影响网络性能。
发明内容
本申请提供一种机器学习的管控方法和装置,用来减少接口交互消息,提升ML实体的更新效率。
第一方面,提供一种机器学习的管控方法。该方法中,第一网元确定目标ML实体的管控信息。其中,目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息。第一网元向第二网元发送目标ML实体的管控信息。第二网元根据ML环节需求信息对目标ML实体的机器学习流程进行管控。
基于上述方案,第一网元可以获取的目标ML实体的管控信息,并下发给第二网元,由第二网元执行对目标ML实体的机器学习流程的管控。该方案中,第一网元能够对ML实体的ML工作流自动编排和执行,减少了第一网元和第二网元之间交互的消息,提高机器学习流程执行效率的同时,避免了ML实体更新耗时的问题。不仅如此,第二网元能够按第一网元的需求对ML实体的ML工作流进行差异化编排和执行。
在一种可能的实现方式中,第二网元向第一网元发送机器学习的管理能力信息,机器学习的管理能力信息包括第二网元支持的ML实体的类型和ML环节能力信息。第一网元根据管理能力信息确定目标ML实体的管控信息。其中,目标ML实体的类型为第二网元支持的ML实体的类型,ML环节需求信息和第二网元支持的ML环节能力信息匹配。
基于该方案,第一网元可以获取第二网元的机器学习的管理能力信息,从而根据第二网元的管理能力信息确定管控信息,减少了由于ML实体的ML工作流存在差异导致的第一网元对ML实体的ML工作流的管控的困难和复杂性,使能第一网元能够通过管控信息对不同ML实体进行管控的同时满足第一网元对不同ML实体类型的ML工作流的差异化需求,减少第一网元和第二网元之间针对ML工作流集成的复杂度,提高集成效率。
在一种可能的实现方式中,第一网元通过第二网元中管理能力信息对应的第一接口模型对象获取管理能力信息。第一接口模型对象是第二网元创建的。在一种可能的实现方式中,第一网元向第二网元发送用于请求创建管控信息对应的第二接口模型对象的第一请求信息,第一请求信息中包含管控信息。基于该方案,第一网元与第二网元可以通过接口模型对象实现信息的交互。
在一种可能的实现方式中,ML环节能力信息包括以下中的一项或多项:一个或多个第一环节的名称、环节控制点能力信息和第一数据信息。其中,环节控制点能力信息用于指示是否支持对一个或多个第一环节设置环节控制点,环节控制点包括暂停点,环节控制点能力信息与一个或多个第一环节一一对应。第一数据信息用于描述目标ML实体的机器学习流程可使用的数据。
基于该方案,第一网元可以获取到第二网元的ML实体的ML工作流支持的环节的信息,从而可以根据支持的环节信息,对ML工作流进行管控。
在一种可能的实现方式中,管控信息还包括机器学习流程触发条件,机器学习流程触发条件用于指示启动目标ML实体的机器学习流程的条件。
基于该方案,第一网元可以向第二网元发送机器学习流程的触发条件,从而让第二网元根据该触发条件启动机器学习流程。
在一种可能的实现方式中,一个或多个第一环节包括以下中的一项或多项:数据准备、ML实体训练、ML实体验证、ML实体测试、ML实体下载、ML实体安装、ML实体激活和ML实体推理。
在一种可能的实现方式中,目标ML实体信息包括目标ML实体的类型,管控信息用于目标ML实体的类型对应的ML实体。或者,目标ML实体信息包括目标ML实体的实体标识,管控信息用于目标ML实体。
在一种可能的实现方式中,ML环节需求信息包括以下中的一项或多项:一个或多个第二环节的名称,一个或多个第二环节的名称是一个或多个第一环节的名称中的部分或全部。环节控制点需求信息,环节控制点需求信息用于指示是否对一个或多个第二环节设置环节控制点,环节空点需求信息与第二环节一一对应,环节控制点需求信息基于环节控制点能力信息确定。第二数据信息,第二数据信息用于指示机器学习流程需使用的数据,第二数据信息基于第一数据信息确定。
基于该方案,第二网元可以向第一网元发送第一网元对于机器学习流程的环节的需求,从而让第二网元根据该需求,对机器学习流程的环节进行管控。
在一种可能的实现方式中,管控信息还包括第一指示信息,第一指示信息用于指示是否删除目标ML实体对应的机器学习流程前的ML实体。基于该方案,第二网元可以根据第一指示信息,确定是否删除机器学习流程前的ML实体。
在一种可能的实现方式中,第二网元向第一网元发送启动信息。其中,启动信息包括目标ML实体的机器学习流程的工作流标识和目标ML实体的实体标识,启动信息用于指示第二网元启动对目标ML实体的机器学习流程。
基于该方案,第一网元可以根据第二网元发送的启动信息,确定第二网元已启动对目标ML实体的机器学习流程。
在一种可能的实现方式中,启动信息还包括以下中的一项或多项:管控信息的标识、目标ML实体的机器学习流程的环节进度信息和目标ML实体的版本。其中,环节进度信息用于指示目标ML实体的机器学习流程中环节的执行进度。
基于该方案,第一网元可以根据启动信息了解到目标ML实体的机器学习流程的信息,以便于对该机器学习流程进行监控。
在一种可能的实现方式中,第一网元接收来自第二网元的通知信息,通知信息用于通知第二网元已创建目标ML实体的机器学习流程对应的第三接口模型对象,通知信息中携带启动信息。基于该方案,第二网元可以的创建机器学习流程的接口模型对象,并通过该接口模型对象与第一网元实现信息的交互。
在一种可能的实现方式中,第二网元向第一网元发送进度变更信息,进度变更信息包括目标ML实体的机器学习流程的工作流标识和目标ML实体的机器学习流程的环节进度信息,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。基于该方案,第一网元可以确定机器学习流程所包含的环节的执行进度。
在一种可能的实现方式中,第一网元向第二网元发送第二指示信息,第二指示信息包括目标ML实体的机器学习流程的工作流标识,第二指示信息用于指示第二网元继续目标ML实体的机器学习流程。基于该方案,第一网元可以对机器学习流程进行监控,指示第二网元继续执行机器学习流程。
在一种可能的实现方式中,第二指示信息还包括目标ML实体的机器学习流程包含的环节名称。基于该方案,第一网元可以对机器学习流程所包含的环节进行监控。
在一种可能的实现方式中,第一网元接收来自第二网元的第三接口模型对象的变更信息,变更信息中携带进度变更信息。第三接口模型对象是第二网元创建的目标ML实体的机器学习流程对应的接口模型对象。
在一种可能的实现方式中,第二指示信息用于请求第二网元配置第三接口模型对象的继续指示参数,继续指示参数用于指示第二网元继续目标ML实体的机器学习流程。第三接口模型对象是第二网元创建的目标ML实体的机器学习流程对应的接口模型对象。
在一种可能的实现方式中,第一网元接收来自第二网元的进度变更信息,进度变更信息包括工作流标识,目标ML实体的机器学习流程包含的环节的状态为等待第一网元确认。
基于该方案,第二网元可以根据第一网元的需求,执行机器学习流程包含的环节,并根据第一网元的需求向第一网元反馈环节的执行进度,等待第一网元确认后继续执行机器学习流程。
在一种可能的实现方式中,第一网元接收来自第二网元的目标ML实体的机器学习流程结束通知,目标ML实体的机器学习流程结束通知包括目标ML实体的机器学习流程的工作流标识,目标ML实体的机器学习流程结束通知用于指示第二网元结束目标ML实体的机器学习流程。基于该方案,第一网元可以根据第二网元的结束通知,确定第二网元已完成目标ML实体的机器学习流程。
在一种可能的实现方式中,目标ML实体的机器学习流程结束通知还包括:目标ML实体的机器学习流程的环节进度信息,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
第二方面,提供一种机器学习的管控方法。该方法可以由第一网元执行,或者芯片/芯片系统执行。该方法中,第一网元确定目标机器学习ML实体的管控信息。其中,目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息。第一网元向第二网元发送目标ML实体的管控信息。其中,目标ML实体的管控信息用于指示第二网元根据ML环节需求信息对目标ML实体的机器学习流程进行管控。
在一种可能的实现方式中,第一网元从第二网元获取机器学习的管理能力信息,管理能力信息包括第二网元支持的ML实体的类型和ML环节能力信息。第一网元根据管理能力信息确定目标ML实体的管控信息。其中,目标ML实体的类型为第二网元支持的ML实体的类型,ML环节需求信息和第二网元支持的ML环节能力信息匹配。
在一种可能的实现方式中,ML环节能力信息包括以下中的一项或多项:一个或多个第一环节的名称、环节控制点能力信息和第一数据信息。其中,环节控制点能力信息用于指示是否支持对一个或多个第一环节设置环节控制点,环节控制点包括暂停点,环节控制点能力信息与一个或多个第一环节一一对应。第一数据信息用于描述目标ML实体的机器学习流程可使用的数据。
在一种可能的实现方式中,一个或多个第一环节包括以下中的一项或多项:数据准备、ML实体训练、ML实体验证、ML实体测试、ML实体下载、ML实体安装、ML实体激活和ML实体推理。
在一种可能的实现方式中,目标ML实体信息包括目标ML实体的类型,管控信息用于目标ML实体的类型对应的ML实体。或者,目标ML实体信息包括目标ML实体的实体标识,管控信息用于目标ML实体。
在一种可能的实现方式中,管控信息还包括机器学习流程触发条件,机器学习流程触发条件用于指示启动目标ML实体的机器学习流程的条件。
在一种可能的实现方式中,管控信息还包括第一指示信息,第一指示信息用于指示是否删除目标ML实体对应的机器学习流程前的ML实体。
在一种可能的实现方式中,ML环节需求信息包括以下中的一项或多项:一个或多个第二环节的名称,一个或多个第二环节的名称是一个或多个第一环节的名称中的部分或全部。环节控制点需求信息,环节控制点需求信息用于指示是否对一个或多个第二环节设置环节控制点,环节空点需求信息与第二环节一一对应,环节控制点需求信息基于环节控制点能力信息确定。第二数据信息,第二数据信息用于指示机器学习流程需使用的数据,第二数据信息基于第一数据信息确定。
在一种可能的实现方式中,第一网元通过第二网元中管理能力信息对应的第一接口模型对象获取所管理能力信息。第一接口模型对象是第二网元创建的。
在一种可能的实现方式中,第一网元向第二网元发送用于请求创建管控信息对应的第二接口模型对象的第一请求信息,第一请求信息中包含管控信息。
在一种可能的实现方式中,第一网元接收来自第二网元的启动信息,启动信息包括目标ML实体的机器学习流程的工作流标识和目标ML实体的实体标识,启动信息用于指示第二网元启动对目标ML实体的机器学习流程。
在一种可能的实现方式中,启动信息还包括以下中的一项或多项:管控信息的标识、目标ML实体的机器学习流程的环节进度信息和目标ML实体的版本。其中,环节进度信息用于指示目标ML实体的机器学习流程中环节的执行进度。
在一种可能的实现方式中,第一网元接收来自第二网元的通知信息,通知信息用于通知第二网元已创建目标ML实体的机器学习流程对应的第三接口模型对象,通知信息中携带启动信息。
在一种可能的实现方式中,第一网元接收来自第二网元的进度变更信息,进度变更信息包括目标ML实体的机器学习流程的工作流标识和目标ML实体的机器学习流程的环节进度信息,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,第一网元接收来自第二网元的第三接口模型对象的变更信息,变更信息中携带进度变更信息。第三接口模型对象是第二网元创建的目标ML实体的机器学习流程对应的接口模型对象。
在一种可能的实现方式中,第一网元向第二网元发送第二指示信息,第二指示信息包括目标ML实体的机器学习流程的工作流标识,第二指示信息用于指示第二网元继续目标ML实体的机器学习流程。
在一种可能的实现方式中,第二指示信息还包括目标ML实体的机器学习流程包含的环节名称。
在一种可能的实现方式中,第二指示信息用于请求第二网元配置第三接口模型对象的继续指示参数,继续指示参数用于指示第二网元继续目标ML实体的机器学习流程。第三接口模型对象是第二网元创建的目标ML实体的机器学习流程对应的接口模型对象。
在一种可能的实现方式中,第一网元接收来自第二网元的进度变更信息,进度变更信息包括工作流标识,目标ML实体的机器学习流程包含的环节的状态为等待第一网元确认。
在一种可能的实现方式中,第一网元接收来自第二网元的目标ML实体的机器学习流程结束通知,目标ML实体的机器学习流程结束通知包括目标ML实体的机器学习流程的工作流标识,目标ML实体的机器学习流程结束通知用于指示第二网元结束目标ML实体的机器学习流程。
在一种可能的实现方式中,目标ML实体的机器学习流程结束通知还包括:目标ML实体的机器学习流程的环节进度信息,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
第三方面,提供一种机器学习的管控方法。该方法可以由第一网元执行,或者芯片/芯片系统执行。该方法中,确定目标机器学习ML实体的管控信息。其中,目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息。向第二网元发送目标ML实体的管控信息。其中,目标ML实体的管控信息用于指示第二网元根据ML环节需求信息对目标ML实体的机器学习流程进行管控。
在一种可能的实现方式中,从第二网元获取机器学习的管理能力信息,管理能力信息包括第二网元支持的ML实体的类型和ML环节能力信息。根据管理能力信息确定目标ML实体的管控信息。其中,目标ML实体的类型为第二网元支持的ML实体的类型,ML环节需求信息和第二网元支持的ML环节能力信息匹配。
在一种可能的实现方式中,ML环节能力信息包括以下中的一项或多项:一个或多个第一环节的名称、环节控制点能力信息和第一数据信息。其中,环节控制点能力信息用于指示是否支持对一个或多个第一环节设置环节控制点,环节控制点包括暂停点,环节控制点能力信息与一个或多个第一环节一一对应。第一数据信息用于描述目标ML实体的机器学习流程可使用的数据。
在一种可能的实现方式中,一个或多个第一环节包括以下中的一项或多项:数据准备、ML实体训练、ML实体验证、ML实体测试、ML实体下载、ML实体安装、ML实体激活和ML实体推理。
在一种可能的实现方式中,目标ML实体信息包括目标ML实体的类型,管控信息用于目标ML实体的类型对应的ML实体。或者,目标ML实体信息包括目标ML实体的实体标识,管控信息用于目标ML实体。
在一种可能的实现方式中,管控信息还包括机器学习流程触发条件,机器学习流程触发条件用于指示启动目标ML实体的机器学习流程的条件。
在一种可能的实现方式中,管控信息还包括第一指示信息,第一指示信息用于指示是否删除目标ML实体对应的机器学习流程前的ML实体。
在一种可能的实现方式中,ML环节需求信息包括以下中的一项或多项:一个或多个第二环节的名称,一个或多个第二环节的名称是一个或多个第一环节的名称中的部分或全部。环节控制点需求信息,环节控制点需求信息用于指示是否对一个或多个第二环节设置环节控制点,环节空点需求信息与第二环节一一对应,环节控制点需求信息基于环节控制点能力信息确定。第二数据信息,第二数据信息用于指示机器学习流程需使用的数据,第二数据信息基于第一数据信息确定。
在一种可能的实现方式中,通过第二网元中管理能力信息对应的第一接口模型对象获取所管理能力信息。第一接口模型对象是第二网元创建的。
在一种可能的实现方式中,向第二网元发送用于请求创建管控信息对应的第二接口模型对象的第一请求信息,第一请求信息中包含管控信息。
在一种可能的实现方式中,接收来自第二网元的启动信息,启动信息包括目标ML实体的机器学习流程的工作流标识和目标ML实体的实体标识,启动信息用于指示第二网元启动对目标ML实体的机器学习流程。
在一种可能的实现方式中,启动信息还包括以下中的一项或多项:管控信息的标识、目标ML实体的机器学习流程的环节进度信息和目标ML实体的版本。其中,环节进度信息用于指示目标ML实体的机器学习流程中环节的执行进度。
在一种可能的实现方式中,接收来自第二网元的通知信息,通知信息用于通知第二网元已创建目标ML实体的机器学习流程对应的第三接口模型对象,通知信息中携带启动信息。
在一种可能的实现方式中,接收来自第二网元的进度变更信息,进度变更信息包括目标ML实体的机器学习流程的工作流标识和目标ML实体的机器学习流程的环节进度信息,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,接收来自第二网元的第三接口模型对象的变更信息,变更信息中携带进度变更信息。第三接口模型对象是第二网元创建的目标ML实体的机器学习流程对应的接口模型对象。
在一种可能的实现方式中,向第二网元发送第二指示信息,第二指示信息包括目标ML实体的机器学习流程的工作流标识,第二指示信息用于指示第二网元继续目标ML实体的机器学习流程。
在一种可能的实现方式中,第二指示信息还包括目标ML实体的机器学习流程包含的环节名称。
在一种可能的实现方式中,第二指示信息用于请求第二网元配置第三接口模型对象的继续指示参数,继续指示参数用于指示第二网元继续目标ML实体的机器学习流程。第三接口模型对象是第二网元创建的目标ML实体的机器学习流程对应的接口模型对象。
在一种可能的实现方式中,接收来自第二网元的进度变更信息,进度变更信息包括工作流标识,目标ML实体的机器学习流程包含的环节的状态为等待确认。
在一种可能的实现方式中,接收来自第二网元的目标ML实体的机器学习流程结束通知,目标ML实体的机器学习流程结束通知包括目标ML实体的机器学习流程的工作流标识,目标ML实体的机器学习流程结束通知用于指示第二网元结束目标ML实体的机器学习流程。
在一种可能的实现方式中,目标ML实体的机器学习流程结束通知还包括:目标ML实体的机器学习流程的环节进度信息,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
第四方面,提供一种机器学习的管控方法,该方法可以由第二网元执行,或者芯片/芯片系统执行。该方法中,第二网元接收来自第一网元的目标机器学习ML实体的管控信息。其中,目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息。第二网元根据ML环节需求信息对目标ML实体的机器学习流程进行管控。
在一种可能的实现方式中,第二网元向第一网元发送机器学习的管理能力信息,机器学习的管理能力信息包括第二网元支持的ML实体的类型和ML环节能力信息。其中,目标ML实体的类型为第二网元支持的ML实体的类型,ML环节需求信息和第二网元支持的ML环节能力信息匹配。
在一种可能的实现方式中,ML环节能力信息包括以下中的一项或多项:一个或多个第一环节的名称、环节控制点能力信息和第一数据信息。其中,环节控制点能力信息用于指示是否支持对一个或多个第一环节设置环节控制点,环节控制点包括暂停点,环节控制点能力信息与一个或多个第一环节一一对应。第一数据信息用于描述目标ML实体的机器学习需使用的数据。
在一种可能的实现方式中,一个或多个第一环节包括以下中的一项或多项:数据准备、ML实体训练、ML实体验证、ML实体测试、ML实体下载、ML实体安装、ML实体激活和ML实体推理。
在一种可能的实现方式中,目标ML实体信息包括目标ML实体的类型,管控信息用于目标ML实体的类型对应的ML实体。或者,目标ML实体信息包括目标ML实体的实体标识,管控信息用于目标ML实体。
在一种可能的实现方式中,管控信息还包括机器学习流程触发条件,机器学习流程触发条件用于指示启动目标ML实体的机器学习流程的条件。
在一种可能的实现方式中,管控信息还包括第一指示信息,第一指示信息用于指示是否删除目标ML实体对应的机器学习流程前的ML实体。
在一种可能的实现方式中,ML环节需求信息包括以下中的一项或多项:一个或多个第二环节的名称,一个或多个第二环节的名称是一个或多个第一环节的名称中的部分或全部。环节控制点需求信息,环节控制点需求信息用于指示是否对一个或多个第二环节设置环节控制点,环节空点需求信息与第二环节一一对应,环节控制点需求信息基于环节控制点能力信息确定。第二数据信息,第二数据信息用于指示机器学习可使用的数据,第二数据信息基于第一数据信息确定。
在一种可能的实现方式中,第二网元创建管理能力信息对应的第一接口模型对象,第一接口模型对象包括管理能力信息。
在一种可能的实现方式中,第二网元接收来自第一网元的用于请求创建管控信息对应的第二接口模型对象的第一请求信息,第一请求信息中包括管控信息。
在一种可能的实现方式中,第二网元创建目标ML实体的机器学习流程的目标ML实体的机器学习流程对应的第三接口模型对象,第三接口模型对象包括以下中的一个或多个参数:目标ML实体的机器学习流程的工作流标识、实体标识、管控信息的标识、目标ML实体的机器学习流程的环节进度信息。其中,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,环节进度信息包括环节名称、环节状态、环节进度百分比和环节结果。其中,环节状态包括未开始、进行中、等待确认或完成。环节结果包括成功或失败。
在一种可能的实现方式中,第二网元向第一网元发送启动信息,启动信息包括目标ML实体的机器学习流程的工作流标识和目标ML实体的实体标识。其中,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,启动信息还包括以下中的一项或多项:管控信息的标识、目标ML实体的机器学习流程的环节进度信息和目标ML实体的版本。
在一种可能的实现方式中,第二网元向第一网元发送通知信息,通知信息用于通知第二网元已创建目标ML实体的机器学习流程对应的第三接口模型对象,通知信息中携带启动信息。
在一种可能的实现方式中,第二网元向第一网元发送进度变更信息,进度变更信息包括目标ML实体的机器学习流程的工作流标识和目标ML实体的机器学习流程的环节进度信息,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,第二网元向第一网元发送第三接口模型对象的变更信息,变更信息中包含进度变更信息。第三接口模型对象是第二网元创建的目标ML实体的机器学习流程对应的接口模型对象。
在一种可能的实现方式中,第二网元接收来自第一网元的第二指示信息,第二指示信息包括目标ML实体的机器学习流程的工作流标识,第二指示信息用于指示第二网元继续目标ML实体的机器学习流程。
在一种可能的实现方式中,第二指示信息还包括目标ML实体的机器学习流程包含的环节名称。
在一种可能的实现方式中,第二指示信息用于请求第二网元配置第三接口模型对象的继续指示参数,继续指示参数用于指示第二网元继续目标ML实体的机器学习流程。第三接口模型对象是第二网元创建的目标ML实体的机器学习流程对应的接口模型对象。
在一种可能的实现方式中,第二网元向第一网元发送进度变更信息,进度变更信息包括工作流标识,目标ML实体的机器学习流程包含的环节的状态为等待确认。
在一种可能的实现方式中,第二网元向第一网元发送目标ML实体的机器学习流程结束通知,目标ML实体的机器学习流程结束通知包括目标ML实体的机器学习流程的工作流标识,目标ML实体的机器学习流程结束通知用于指示第二网元结束目标ML实体的机器学习流程。
在一种可能的实现方式中,目标ML实体的机器学习流程结束通知还包括:目标ML实体的机器学习流程的环节进度信息,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,第二网元删除目标ML实体的机器学习流程对应的第三接口模型对象,第三接口模型对象是第二网元创建的目标ML实体的机器学习流程对应的接口模型对象。
第五方面,提供一种机器学习的管控方法,该方法可以由第二网元执行,或者芯片/芯片系统执行。该方法中,接收来自第一网元的目标机器学习ML实体的管控信息。其中,目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息。根据ML环节需求信息对目标ML实体的机器学习流程进行管控。
在一种可能的实现方式中,向第一网元发送机器学习的管理能力信息,机器学习的管理能力信息包括支持的ML实体的类型和ML环节能力信息。其中,目标ML实体的类型为支持的ML实体的类型,ML环节需求信息和支持的ML环节能力信息匹配。
在一种可能的实现方式中,ML环节能力信息包括以下中的一项或多项:一个或多个第一环节的名称、环节控制点能力信息和第一数据信息。其中,环节控制点能力信息用于指示是否支持对一个或多个第一环节设置环节控制点,环节控制点包括暂停点,环节控制点能力信息与一个或多个第一环节一一对应。第一数据信息用于描述目标ML实体的机器学习需使用的数据。
在一种可能的实现方式中,一个或多个第一环节包括以下中的一项或多项:数据准备、ML实体训练、ML实体验证、ML实体测试、ML实体下载、ML实体安装、ML实体激活和ML实体推理。
在一种可能的实现方式中,目标ML实体信息包括目标ML实体的类型,管控信息用于目标ML实体的类型对应的ML实体。或者,目标ML实体信息包括目标ML实体的实体标识,管控信息用于目标ML实体。
在一种可能的实现方式中,管控信息还包括机器学习流程触发条件,机器学习流程触发条件用于指示启动目标ML实体的机器学习流程的条件。
在一种可能的实现方式中,管控信息还包括第一指示信息,第一指示信息用于指示是否删除目标ML实体对应的机器学习流程前的ML实体。
在一种可能的实现方式中,ML环节需求信息包括以下中的一项或多项:一个或多个第二环节的名称,一个或多个第二环节的名称是一个或多个第一环节的名称中的部分或全部。环节控制点需求信息,环节控制点需求信息用于指示是否对一个或多个第二环节设置环节控制点,环节空点需求信息与第二环节一一对应,环节控制点需求信息基于环节控制点能力信息确定。第二数据信息,第二数据信息用于指示机器学习可使用的数据,第二数据信息基于第一数据信息确定。
在一种可能的实现方式中,创建管理能力信息对应的第一接口模型对象,第一接口模型对象包括管理能力信息。
在一种可能的实现方式中,接收来自第一网元的用于请求创建管控信息对应的第二接口模型对象的第一请求信息,第一请求信息中包括管控信息。
在一种可能的实现方式中,创建目标ML实体的机器学习流程的目标ML实体的机器学习流程对应的第三接口模型对象,第三接口模型对象包括以下中的一个或多个参数:目标ML实体的机器学习流程的工作流标识、实体标识、管控信息的标识、目标ML实体的机器学习流程的环节进度信息。其中,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,环节进度信息包括环节名称、环节状态、环节进度百分比和环节结果。其中,环节状态包括未开始、进行中、等待确认或完成。环节结果包括成功或失败。
在一种可能的实现方式中,向第一网元发送启动信息,启动信息包括目标ML实体的机器学习流程的工作流标识和目标ML实体的实体标识。其中,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,启动信息还包括以下中的一项或多项:管控信息的标识、目标ML实体的机器学习流程的环节进度信息和目标ML实体的版本。
在一种可能的实现方式中,向第一网元发送通知信息,通知信息用于通知已创建目标ML实体的机器学习流程对应的第三接口模型对象,通知信息中携带启动信息。
在一种可能的实现方式中,向第一网元发送进度变更信息,进度变更信息包括目标ML实体的机器学习流程的工作流标识和目标ML实体的机器学习流程的环节进度信息,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,向第一网元发送第三接口模型对象的变更信息,变更信息中包含进度变更信息。第三接口模型对象是创建的目标ML实体的机器学习流程对应的接口模型对象。
在一种可能的实现方式中,接收来自第一网元的第二指示信息,第二指示信息包括目标ML实体的机器学习流程的工作流标识,第二指示信息用于指示继续目标ML实体的机器学习流程。
在一种可能的实现方式中,第二指示信息还包括目标ML实体的机器学习流程包含的环节名称。
在一种可能的实现方式中,第二指示信息用于请求配置第三接口模型对象的继续指示参数,继续指示参数用于指示继续目标ML实体的机器学习流程。第三接口模型对象是创建的目标ML实体的机器学习流程对应的接口模型对象。
在一种可能的实现方式中,向第一网元发送进度变更信息,进度变更信息包括工作流标识,目标ML实体的机器学习流程包含的环节的状态为等待确认。
在一种可能的实现方式中,向第一网元发送目标ML实体的机器学习流程结束通知,目标ML实体的机器学习流程结束通知包括目标ML实体的机器学习流程的工作流标识,目标ML实体的机器学习流程结束通知用于指示结束目标ML实体的机器学习流程。
在一种可能的实现方式中,目标ML实体的机器学习流程结束通知还包括:目标ML实体的机器学习流程的环节进度信息,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,删除目标ML实体的机器学习流程对应的第三接口模型对象,第三接口模型对象是创建的目标ML实体的机器学习流程对应的接口模型对象。
第六方面,提供一种通信装置,包括:处理单元和收发单元。
处理单元,用于确定目标机器学习ML实体的管控信息。其中,目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息。收发单元,用于向第二网元发送目标ML实体的管控信息。其中,目标ML实体的管控信息用于指示第二网元根据ML环节需求信息对目标ML实体的机器学习流程进行管控。
在一种可能的实现方式中,收发单元,还用于从第二网元获取机器学习的管理能力信息,管理能力信息包括第二网元支持的ML实体的类型和ML环节能力信息。根据管理能力信息确定目标ML实体的管控信息。其中,目标ML实体的类型为第二网元支持的ML实体的类型,ML环节需求信息和第二网元支持的ML环节能力信息匹配。
在一种可能的实现方式中,ML环节能力信息包括以下中的一项或多项:一个或多个第一环节的名称、环节控制点能力信息和第一数据信息。其中,环节控制点能力信息用于指示是否支持对一个或多个第一环节设置环节控制点,环节控制点包括暂停点,环节控制点能力信息与一个或多个第一环节一一对应。第一数据信息用于描述目标ML实体的机器学习流程可使用的数据。
在一种可能的实现方式中,一个或多个第一环节包括以下中的一项或多项:数据准备、ML实体训练、ML实体验证、ML实体测试、ML实体下载、ML实体安装、ML实体激活和ML实体推理。
在一种可能的实现方式中,目标ML实体信息包括目标ML实体的类型,管控信息用于目标ML实体的类型对应的ML实体。或者,目标ML实体信息包括目标ML实体的实体标识,管控信息用于目标ML实体。
在一种可能的实现方式中,管控信息还包括机器学习流程触发条件,机器学习流程触发条件用于指示启动目标ML实体的机器学习流程的条件。
在一种可能的实现方式中,管控信息还包括第一指示信息,第一指示信息用于指示是否删除目标ML实体对应的机器学习流程前的ML实体。
在一种可能的实现方式中,ML环节需求信息包括以下中的一项或多项:一个或多个第二环节的名称,一个或多个第二环节的名称是一个或多个第一环节的名称中的部分或全部。环节控制点需求信息,环节控制点需求信息用于指示是否对一个或多个第二环节设置环节控制点,环节空点需求信息与第二环节一一对应,环节控制点需求信息基于环节控制点能力信息确定。第二数据信息,第二数据信息用于指示机器学习流程需使用的数据,第二数据信息基于第一数据信息确定。
在一种可能的实现方式中,收发单元,具体用于通过第二网元中管理能力信息对应的第一接口模型对象获取所管理能力信息。第一接口模型对象是第二网元创建的。
在一种可能的实现方式中,收发单元,具体用于向第二网元发送用于请求创建管控信息对应的第二接口模型对象的第一请求信息,第一请求信息中包含管控信息。
在一种可能的实现方式中,收发单元,还用于接收来自第二网元的启动信息,启动信息包括目标ML实体的机器学习流程的工作流标识和目标ML实体的实体标识,启动信息用于指示第二网元启动对目标ML实体的机器学习流程。
在一种可能的实现方式中,启动信息还包括以下中的一项或多项:管控信息的标识、目标ML实体的机器学习流程的环节进度信息和目标ML实体的版本。其中,环节进度信息用于指示目标ML实体的机器学习流程中环节的执行进度。
在一种可能的实现方式中,收发单元,具体用于接收来自第二网元的通知信息,通知信息用于通知第二网元已创建目标ML实体的机器学习流程对应的第三接口模型对象,通知信息中携带启动信息。
在一种可能的实现方式中,收发单元,还用于接收来自第二网元的进度变更信息,进度变更信息包括目标ML实体的机器学习流程的工作流标识和目标ML实体的机器学习流程的环节进度信息,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,收发单元,具体用于接收来自第二网元的第三接口模型对象的变更信息,变更信息中携带进度变更信息。第三接口模型对象是第二网元创建的目标ML实体的机器学习流程对应的接口模型对象。
在一种可能的实现方式中,收发单元,还用于向第二网元发送第二指示信息,第二指示信息包括目标ML实体的机器学习流程的工作流标识,第二指示信息用于指示第二网元继续目标ML实体的机器学习流程。
在一种可能的实现方式中,第二指示信息还包括目标ML实体的机器学习流程包含的环节名称。
在一种可能的实现方式中,第二指示信息用于请求第二网元配置第三接口模型对象的继续指示参数,继续指示参数用于指示第二网元继续目标ML实体的机器学习流程。第三接口模型对象是第二网元创建的目标ML实体的机器学习流程对应的接口模型对象。
在一种可能的实现方式中,收发单元,还用于接收来自第二网元的进度变更信息,进度变更信息包括工作流标识,目标ML实体的机器学习流程包含的环节的状态为等待确认。
在一种可能的实现方式中,收发单元,还用于接收来自第二网元的目标ML实体的机器学习流程结束通知,目标ML实体的机器学习流程结束通知包括目标ML实体的机器学习流程的工作流标识,目标ML实体的机器学习流程结束通知用于指示第二网元结束目标ML实体的机器学习流程。
在一种可能的实现方式中,目标ML实体的机器学习流程结束通知还包括:目标ML实体的机器学习流程的环节进度信息,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
第七方面,提供一种通信装置,包括:处理单元和收发单元。
收发单元,用于接收来自第一网元的目标机器学习ML实体的管控信息。其中,目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息。处理单元,用于根据ML环节需求信息对目标ML实体的机器学习流程进行管控。
在一种可能的实现方式中,收发单元,还用于向第一网元发送机器学习的管理能力信息,机器学习的管理能力信息包括支持的ML实体的类型和ML环节能力信息。其中,目标ML实体的类型为支持的ML实体的类型,ML环节需求信息和支持的ML环节能力信息匹配。
在一种可能的实现方式中,ML环节能力信息包括以下中的一项或多项:一个或多个第一环节的名称、环节控制点能力信息和第一数据信息。其中,环节控制点能力信息用于指示是否支持对一个或多个第一环节设置环节控制点,环节控制点包括暂停点,环节控制点能力信息与一个或多个第一环节一一对应。第一数据信息用于描述目标ML实体的机器学习需使用的数据。
在一种可能的实现方式中,一个或多个第一环节包括以下中的一项或多项:数据准备、ML实体训练、ML实体验证、ML实体测试、ML实体下载、ML实体安装、ML实体激活和ML实体推理。
在一种可能的实现方式中,目标ML实体信息包括目标ML实体的类型,管控信息用于目标ML实体的类型对应的ML实体。或者,目标ML实体信息包括目标ML实体的实体标识,管控信息用于目标ML实体。
在一种可能的实现方式中,管控信息还包括机器学习流程触发条件,机器学习流程触发条件用于指示启动目标ML实体的机器学习流程的条件。
在一种可能的实现方式中,管控信息还包括第一指示信息,第一指示信息用于指示是否删除目标ML实体对应的机器学习流程前的ML实体。
在一种可能的实现方式中,ML环节需求信息包括以下中的一项或多项:一个或多个第二环节的名称,一个或多个第二环节的名称是一个或多个第一环节的名称中的部分或全部。环节控制点需求信息,环节控制点需求信息用于指示是否对一个或多个第二环节设置环节控制点,环节空点需求信息与第二环节一一对应,环节控制点需求信息基于环节控制点能力信息确定。第二数据信息,第二数据信息用于指示机器学习可使用的数据,第二数据信息基于第一数据信息确定。
在一种可能的实现方式中,处理单元,还用于创建管理能力信息对应的第一接口模型对象,第一接口模型对象包括管理能力信息。
在一种可能的实现方式中,收发单元,具体用于接收来自第一网元的用于请求创建管控信息对应的第二接口模型对象的第一请求信息,第一请求信息中包括管控信息。
在一种可能的实现方式中,处理单元,还用于创建目标ML实体的机器学习流程的目标ML实体的机器学习流程对应的第三接口模型对象,第三接口模型对象包括以下中的一个或多个参数:目标ML实体的机器学习流程的工作流标识、实体标识、管控信息的标识、目标ML实体的机器学习流程的环节进度信息。其中,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,环节进度信息包括环节名称、环节状态、环节进度百分比和环节结果。其中,环节状态包括未开始、进行中、等待确认或完成。环节结果包括成功或失败。
在一种可能的实现方式中,收发单元,还用于向第一网元发送启动信息,启动信息包括目标ML实体的机器学习流程的工作流标识和目标ML实体的实体标识。其中,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,启动信息还包括以下中的一项或多项:管控信息的标识、目标ML实体的机器学习流程的环节进度信息和目标ML实体的版本。
在一种可能的实现方式中,收发单元,具体用于向第一网元发送通知信息,通知信息用于通知已创建目标ML实体的机器学习流程对应的第三接口模型对象,通知信息中携带启动信息。
在一种可能的实现方式中,收发单元,还用于向第一网元发送进度变更信息,进度变更信息包括目标ML实体的机器学习流程的工作流标识和目标ML实体的机器学习流程的环节进度信息,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,收发单元,具体用于向第一网元发送第三接口模型对象的变更信息,变更信息中包含进度变更信息。第三接口模型对象是创建的目标ML实体的机器学习流程对应的接口模型对象。
在一种可能的实现方式中,收发单元,还用于接收来自第一网元的第二指示信息,第二指示信息包括目标ML实体的机器学习流程的工作流标识,第二指示信息用于指示继续目标ML实体的机器学习流程。
在一种可能的实现方式中,第二指示信息还包括目标ML实体的机器学习流程包含的环节名称。
在一种可能的实现方式中,第二指示信息用于请求配置第三接口模型对象的继续指示参数,继续指示参数用于指示继续目标ML实体的机器学习流程。第三接口模型对象是创建的目标ML实体的机器学习流程对应的接口模型对象。
在一种可能的实现方式中,收发单元,还用于向第一网元发送进度变更信息,进度变更信息包括工作流标识,目标ML实体的机器学习流程包含的环节的状态为等待确认。
在一种可能的实现方式中,收发单元,还用于向第一网元发送目标ML实体的机器学习流程结束通知,目标ML实体的机器学习流程结束通知包括目标ML实体的机器学习流程的工作流标识,目标ML实体的机器学习流程结束通知用于指示结束目标ML实体的机器学习流程。
在一种可能的实现方式中,目标ML实体的机器学习流程结束通知还包括:目标ML实体的机器学习流程的环节进度信息,环节进度信息用于指示目标ML实体的机器学习流程中包含的环节的执行进度。
在一种可能的实现方式中,处理单元,还用于删除目标ML实体的机器学习流程对应的第三接口模型对象,第三接口模型对象是创建的目标ML实体的机器学习流程对应的接口模型对象。
第八方面,提供了一种通信装置,该通信装置可以为上述实施例中第六方面或第七方面中任一种可能的实现方式中的通信装置,或者为设置在第六方面或第七方面中任一方面的通信装置中的芯片。该通信装置包括通信接口以及处理器,可选的,还包括存储器。其中,该存储器用于存储计算机程序或指令或者数据,处理器与存储器、通信接口耦合,当处理器读取所述计算机程序或指令或数据时,使通信装置执行上述第二方面中任一种可能的实现方式中第一网元所执行的方法,或使通信装置执行上述第三方面中任一种可能的实现方式中第二网元所执行的方法。
应理解,该通信接口可以通过所述通信装置中的天线、馈线和编解码器等实现,或者,如果通信装置为设置在网络设备或终端设备中的芯片,则通信接口可以是该芯片的输入/输出接口,例如输入/输出管脚等。所述通信装置还可以包括收发器,用于该通信装置与其它设备进行通信。
第九方面,本申请实施例提供了一种芯片系统,该芯片系统包括处理器,还可以包括存储器,用于实现第一方面至第五方面中任一种可能的实现方式中的第一网元或第二网元执行的方法。在一种可能的实现方式中,所述芯片系统还包括存储器,用于保存程序指令和/或数据。该芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
第十方面,本申请提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序或指令,当该计算机程序或指令被运行时,实现上述各方面中由第一网元或第二网元执行的方法。
第十一方面,提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序代码或指令,当所述计算机程序代码或指令被运行时,使得上述各方面中由第一网元或第二网元执行的方法被执行。
第十二方面,提供了一种通信装置,所述通信装置包括执行上述各方面方法的单元或模块。
第十三方面,提供了一种芯片系统,包括逻辑电路和输入输出接口。逻辑电路,用于执行上述第一网元或第二网元所执行的方法。输入输出接口,用于与其他装置。
上述第二方面至第十三方面及其实现方式的有益效果可以参考对第一方面的方法及其实现方式的有益效果的描述。
附图说明
图1为一种机器学习流程的示意图;
图2为本申请实施例提供的一种通信系统的示意图;
图3为另一种机器学习流程的示意图;
图4为本申请实施例提供的另一种通信系统的示意图;
图5为本申请实施例提供的一种机器学习的管控方法的示例性流程图;
图6为本申请实施例提供的一种应用场景的示意图;
图7为本申请实施例提供的一种通信装置的示意图;
图8为本申请实施例提供的另一种通信装置的示意图;
图9为本申请实施例提供的另一种通信装置的示意图;
图10为本申请实施例提供的另一种通信装置的示意图。
具体实施方式
为了理解本申请实施例提供的技术方案,以下对本申请实施例涉及的技术术语进行解释和说明。
1、机器学习(machine learning,ML)实体,指ML模型(model)或者包含ML模型的实体,ML实体可以部署在网管系统或者网元设备上。
2、ML工作流(ML operational workflow),描述了ML实体的生命周期管理。参阅图1,可以包括以下ML实体环节:
1)ML训练(ML traning),从训练数据中学习,以生成可用于推理的,新的或者更新的ML实体。
2)ML测试(test),使用测试数据测试ML实体,以评估训练后的ML实体的新能,以选择是否用于推理。
3)ML部署(ML deployment),将ML实体部署(包括安装和激活)到目标推理实体上,使得目标推理实体可以使用该ML实体进行推理。
4)ML推理(ML inference),目标推理实体使用ML实体进行推理,得到推理结果。
3、接口模型信息(information model),描述两个系统之间的交互信息,其中isreadable=True描述接口调用者可以读取对应的,isreadable=False描述接口调用者不能读取对应的参数。isWritable=True描述接口调用者可以指定对应参数的数值,isWriteable=False描述接口调用者不能指定对应参数的数值。
4、环节,指机器学习流程中所执行的相关联的操作。例如,可以包括数据准备、ML实体训练、ML实体验证、ML实体测试、ML实体下载、ML实体安装、ML实体激活和ML实体推理等。
5、环节能力信息,指针对各个环节ML实体支持的操作。
6、环节需求信息,指针对各个环节的要求,可以与环节能力信息匹配。例如,环节需求信息中指示的操作需要包含在环节能力信息中,也就是ML实体能够支持某一操作时,环节需求信息中才能可以包含该某一操作。
7、环节控制点,指示对环节进行相应控制,如暂停点可以指示对环节进行暂停。
可以理解的是,本文中的ML可以与人工智能(artificial intelligence,AI)互换。
以下,结合附图介绍本申请实施例提供的技术方案。
本申请实施例提供的技术方案可以用于自治网络范围。参阅图2,介绍了本申请实施例提供的自治网络系统。如图2所示,自治域网络范围可以包括以下三种情况。
单域自治网络,可以包括网元和域管理功能单元。
跨域自治网络,可以包括网元、域管理功能单元和跨域管理功能单元。
业务自治网络,可以包括网元,域管理功能单元、跨域管理功能单元和业务运营单元。
以下,对本申请实施例中涉及的网元进行介绍。
业务运营单元,也可以称为通信业务管理功能单元(communication servicemanagement function),可以提供计费、结算、帐务、客服、营业、网络监控、通信业务生命周期管理,业务意图翻译等功能和管理服务。包括运营商的运营系统或者垂直行业的运营系统(vertical operational technology system)。
跨域管理功能单元:也可以称之为网络管理功能单元(network managementfunction,NMF),跨域管理功能单元提供以下一项或几项功能或者管理服务:网络的生命周期管理,网络的部署,网络的故障管理,网络的性能管理,网络的配置管理,网络的保障,网络的优化功能,通信服务提供商的网络意图(intent from communication serviceprovider,intent-CSP)的翻译,通信服务使用者的网络意图(intent from communicationservice consumer,intent-CSC)的翻译等。这里的网络可以包括一个或者多个网元,子网络或者网络切片。例如,跨域管理功能单元可以是网络切片管理功能(network slicemanagement function,NSMF),或者管理数据分析功能(management data analyticalfunction,MDAF),或者跨域自组织网络功能(self-organization network function,SON-function),或者跨域意图管理功能单元。
需要说明的是,在某些部署场景下,跨域管理功能单元也可以提供以下一项或几项管理功能或者管理服务:子网络的生命周期管理,子网络的部署,子网络的故障管理,子网络的性能管理,子网络的配置管理,子网络的保障,子网络的优化功能,通信服务提供商的子网络意图的翻译,通信服务使用者的子网络意图的翻译等。其中,子网络可以由多个小的子网络组成或者由多个网络切片子网络组成。
域管理功能单元:也可以称之为子网络管理功能(subnetwork managementfunction,NMF)或者网元管理功能单元(network element/function managementfunction),域管理功能单元提供以下一项或者多项功能或者管理服务:子网络或者网元的生命周期管理,子网络或者网元的部署,子网络或者网元的故障管理,子网络或者网元的性能管理,子网络或者网元的保障,子网络或者网元的优化管理,子网络或者网元的意图翻译等。这里的子网络包括一个或者多个网元。或者,这里的子网络也可以包括一个或多个子网络,即一个或多个子网络组成一个更大覆盖范围的子网络。又或者,这里的子网络也可以包括一个或多个网络切片子网络。子网络包括以下几种描述方式之一:
某个技术域的网络,比如无线接入网,核心网,传输网等。
某个制式的网络,比如全球移动通信系统(global system for mobilecommunications,GSM)网络,长期演进技术(long term evolution,LTE)网络,5G网络等。
某个设备商提供的网络,比如设备商X提供的网络等。
某个地理区域的网络,比如工厂A的网络,地级市B的网络等。
网元:为提供网络服务的实体,包括核心网网元、接入网网元等。例如,核心网网元可以包括但不限于接入与移动管理功能(access and mobility management function,AMF)实体、会话管理功能(session management function,SMF)实体、策略控制功能(policy control function,PCF)实体、网络数据分析功能(network data analysisfunction,NWDAF)实体、网络存储功能(network repository function,NRF)、网关等。接入网网元可以包括但不限于:各类基站(例如下一代基站(generation node B,gNB),演进型基站(evolved Node B,eNB)、集中控制单元(central unit control panel,CUCP)、集中单元(central unit,CU)、分布式单元(distributed unit,DU)、集中用户面单元(centralunit user panel,CUUP)等。
在服务化管理架构下,聚焦管理服务的提供者(Management Service Producer,MnS Producer)和管理服务的消费者(Management Service Consumer,MnS Consumer),应理解:
当管理服务为上述业务运营单元提供的管理服务时,业务运营单元为管理服务提供者,其他业务运营商单元可以为管理服务消费者;
当管理服务为上述跨域管理功能单元提供的管理服务时,跨域管理功能单元为管理服务提供者,业务运营单元为管理服务消费者;
当管理服务为上述域管理功能单元提供的管理服务时,域管理功能单元为管理服务提供者,跨域管理功能单元或者业务运营单元为管理服务消费者;
当管理服务为上述网元提供的管理服务时,网元为管理服务提供者,域管理功能单元或者跨域管理功能单元或者业务运营单元为管理服务消费者。
随着垂直行业的引入,终端设备的增加和业务的多样性,运营商的网络越来越复杂,导致网络运维难度的增加。如何降低网络运维成本,简化网络运维流程,快速部署网络来满足多样性化地业务是网络运维迫切需要改善的点。
自动化或者智能化技术(以下简称自治技术)在移动通信网络中的应用日渐成为行业的关注重点和研究热点。行业寄希望于通过引入自治技术,比如人工智能,机器学习,大数据分析或数字孪生等,帮助解决移动通信网络遇到的运维效率问题。自治技术可以应用于网络生命周期的多个运维工作流,包括网络规划,网络部署,网络优化,业务运营等,能够减少人工操作,降低运营商的运营成本(operating expense,OPEX是),提供运维效率。目前,网络管理系统,如管理数据分析功能(management data analytic function,MDAF)和网元设备,如网络数据分析功能(network data analytic function,NWDAF)或无线接入网数据分析功能(radio access network data analytic function,RDAF)都在逐步引入ML来实现网络的自治功能。网络管理系统和网元设备的智能化都依赖于ML模型。将ML模型应用到网络管理系统或者网元设备包含了完整的ML工作流,包括ML训练,ML测试,ML部署和ML推理等环节。ML工作流由网络管理系统或者网元设备执行,但是运营商需要对ML工作流进行控制,使得ML模型能够按照运营商期望的结果进行工作。
目前,在设备商管理系统实现ML工作流时,运营商管理系统和设备商管理系统需要针对ML工作流中每一个环节进行交互,包括启动相应环节,输入所述环节需要的数据,获取所述环节的输出数据用于启动下一个环节等。即针对每一个ML工作流,都需要经过以下的大量交互。参阅图3,针对每一个ML工作流,运营商管理系统和设备商管理系统可以进行以下信息的交互。
1.下发训练数据,请求训练。
2.上报训练结果,包括训练出的ML模型。
3.下发测试数据和训练模型,请求对相应ML模型进行测试。
4.上报ML模型测试结果。
5.下发ML模型,请求安装并激活ML模型。
6.上报ML模型部署结果。
7.请求对所述ML模型进行推理。
8.返回ML模型推理结果。
随着网络智能化水平的提高,越来越多的ML实体引入到网络,包括网络管理系统和网络设备中,而且为了实现网络能够实时随着业务进行适应性变更,网络中的ML实体的工作流执行也越来越频繁。针对大量ML实体,而且每个ML实体频繁执行ML工作流,运营商管理系统和设备商管理系统之间需要针对每个ML工作进行大量的数据交互,不仅导致接口交互消息多,而且导致ML实体的更新不及时,效率低,进而影响网络性能。
不仅如此,不同设备商的ML实体,或者同一设备商不同的ML实体的ML工作流的执行都存在差异,尤其是每个ML工作流环节的输入输出也存在差异,运营商管理系统如果需要对这些差异化的ML实体进行类似细节的管理,需要熟练掌握这些差异化ML实体的ML工作流的每个环节,最终导致运营商管理系统的复杂性,以及运营商管理系统和不同设备商管理系统之间集成的困难。
鉴于此,本申请实施例提供一种机器学习的管控方法。本申请实施例提供的方法使能ML工作流的自动编排和管理,同时可以满足运营商对不同ML实体的ML工作流的差异化管控需求。参阅图4,该方法中运营商管理系统可以获取的特定ML实体的管控信息,并下发给设备商管理系统。设备商管理系统根据该管控信息,执行对特定ML实体的机器学习流程的管控。基于该方案,设备商管理系统能够对ML实体的ML工作流自动编排和执行,提高ML工作流执行效率的同时,避免了ML实体更新耗时的问题。不仅如此,设备商管理系统能够按运营商管理系统的需求对不同的ML实体的ML工作流进行差异化编排和执行。
参阅图5,为本申请实施例提供的一种机器学习的管控方法的示例性流程图,可以包括以下操作。图5所示的实施例中,第一网元可以部署于如图4所示的运营商管理系统,第二网元可以部署于如图4所示的设备商管理系统。
图5所示的实施例中第一网元和第二网元可以包括以下三种场景。
场景#1:针对单域的ML实体或者网元的ML实体,第二网元可以是域管理功能单元,第一网元可以是跨域管理功能单元。
场景#2:针对跨域的ML实体,第二网元可以是跨域管理功能单元,第一网元可以是业务运营单元。
场景#3:针对业务运营的ML实体,第二网元可以是业务运营单元,第一网元可以是自治网络之外的一个第三方系统,比如企业系统。
S501:第一网元确定目标ML实体的管控信息。
上文中,目标ML实体的管控信息可以包括目标ML实体信息(ML entity infos)和ML环节需求信息(selected ML step info)。其中,目标ML实体信息可以指示目标ML实体。例如,目标ML实体信息可以包括目标ML实体的类型、目标ML实体所在的组的信息和目标ML实体的标识等中的一项或多项。
上文中的ML环节需求信息可以指示目标ML实体的机器学习流程包含的第二环节的需求。例如,ML环节需求信息可以包括第二环节的环节名称(ML step name),也就是ML环节需求信息可以包括目标ML实体的机器学习流程需包含的第二环节。可选的,ML环节需求信息还可以包括环节控制点需求信息(control point indicator)和/或第二数据信息。其中,环节控制点需求信息与第二环节对应,指示是否对第二环节设置环节控制点,如暂停点等。可以理解的是,控制的时机,如暂停的时机可以是预先设置的或者第一网元指示的。
第二数据信息也可以与第二环节一一对应,该第二数据信息可以用于描述目标ML实体的机器学习流程需使用的数据。
S502:第一网元向第二网元发送目标ML实体的管控信息。
其中,目标ML实体的管控信息可以用于指示第二网元根据ML环节需求信息对目标ML实体的机器学习流程进行管控。
S503:第二网元根据ML环节需求信息对目标ML实体的机器学习流程进行管控。
例如,第二网元可以根据目标ML实体信息确定目标ML实体。
举例来说,在目标ML实体信息包括目标ML实体的类型的情况下,第二网元可以确定该目标ML实体的类型包含的ML实体。可以理解的是,上文中ML环节需求信息可以应用于目标ML实体的类型包含的ML实体。一种可能的情况中,第二网元可以根据ML环节需求信息对该类型包含的各个ML实体的机器学习的流程进行管控,也就是说目标ML实体可以是前文中的各个ML实体。另一种可能的情况中,第二网元可以根据ML环节需求信息对该类型包含的ML实体中的一个ML实体的机器学习流程进行管控,也就是说目标ML实体可以是前文中的一个ML实体。
又例如,在目标ML实体信息包括目标ML实体所在的组的信息的情况下,第二网元可以确定该目标ML实体所在的组。可以理解的是,上文中ML环节需求信息可以应用于目标ML实体所在的组包含的ML实体。一种可能的情况中,第二网元可以根据ML环节需求信息对目标ML实体所在的组包含的各个ML实体的机器学习的流程进行管控,也就是说目标ML实体可以是前文中的各个ML实体。另一种可能的情况中,第二网元可以根据ML环节需求信息对目标ML实体所在的组包含的ML实体中的一个ML实体的机器学习流程进行管控,也就是说目标ML实体可以是前文中的一个ML实体。
又例如,在目标ML实体信息包括目标ML实体的标识的情况下,第二网元可以根据该目标ML实体的标识确定目标ML实体。可以理解的是,上文中ML环节需求信息可以应用于该目标ML实体。第二网元可以根据ML环节需求信息对目标ML实体的机器学习流程进行管控。
在S503中,第二网元可以根据ML环节需求信息确定目标ML实体的机器学习流程的需求。例如,ML环节需求信息包括第二环节的环节名称的情况下,第二网元可以对目标ML实体的机器学习流程中包含的第二环节进行管控。
可选的,ML环节需求信息包括环节控制点需求信息的情况下,第二网元可以根据该环节控制点需求信息确定是否对第二环节设置环节控制点。例如,在环节控制点需求信息指示对第二环节设置环节控制点的情况下,第二网元可以对该第二环节设置环节控制点,如暂停点。
可选的,ML环节需求信息包括第二数据信息的情况下,第二网元可以根据第二数据信息获取相应的用于机器学习流程的数据。例如,第二数据信息可以指示数据的访问信息,如数据的存储地址或者接口访问的统一资源标识符(uniform resource identifier,URI)等。一种可能的情况中,该第二数据信息可以是外部数据源信息(external datasource info)。该外部数据源信息可以用于第二网元获取外部数据。外部数据为第二网元不能产生的数据,需要其它系统输入,可以是环境数据,如电子地图、温度等,或者应用数据,如视频卡顿等,或者人工标定的数据。外部数据源信息可以是数据库对象的集合(schema),或者数据名,数据采集对象等。
在一种可能的实施例中,ML环节需求信息还可以包括机器学习流程触发条件(MLworkflow trigger info)。该机器学习流程触发条件可以用于指示启动目标ML实体的机器学习流程的条件。也就是说,在满足机器学习流程触发条件的情况下,第二网元可以启动目标ML实体的机器学习流程。可以理解的是,机器学习流程触发条件可以是时间,如每个周一,或者每天的某一时刻等,或者还可以是事件,如覆盖性能衰落、网元负载过高或者用户体验差等,本申请不做具体限定。
另一种可能的实施例中,ML环节需求信息还可以包括第一指示信息,该第一指示信息用于指示是否删除执行目标ML实体的机器学习流程前的ML实体。例如,该第一指示信息可以是旧ML实体是否删除指示信息(delete source ML entity indicator)。在目标ML实体的机器学习流程结束后会生成一个新的ML实体,那么针对旧的ML实体是否删除可以通过第一指示信息指示。如果该第一指示信息指示删除,那么第二网元在目标ML实体的机器学习流程结束之后可以删除旧的ML实体。如果指示不删除,那么第二网元在目标ML实体的机器学习流程结束之后不删除旧的ML实体。
基于上述方案,第一网元可以获取的目标ML实体的管控信息,并下发给第二网元,由第二网元执行对目标ML实体的机器学习流程的管控。该方案中,第一网元能够对ML实体的ML工作流自动编排和执行,减少了第一网元和第二网元之间交互的消息,提高机器学习流程执行效率的同时,避免了ML实体更新耗时的问题。不仅如此,第二网元能够按第一网元的需求对ML实体的ML工作流进行差异化编排和执行。
在S502中,第一网元可以向第二网元发送第一请求信息。该第一请求信息可以指示请求第二网元创建目标ML实体的管控信息对应的第二接口模型对象,该第一请求信息可以携带上述管控信息。第二网元可以根据第一请求信息,创建管控信息对应的第二接口模型对象。并将管控信息配置到第二接口模型对象中。
可选的,第一网元可以为管控信息分配一个管控信息的标识,并在第一请求信息中携带该管控信息的标识以及对应的管控信息。第二网元可以创建管控信息的标识对应的第二接口模型对象。
以下,通过表1介绍管控信息对应的第二接口模型对象。
表1:一种第二接口模型对象的示例
如表1所示,第二网元可以创建管控信息对应的第二接口模型对象。第二网元可以将管控信息,以及管控信息包含的目标ML实体信息和ML环节需求信息对应的属性设置为可读和可配置。并且第二网元可以将第一请求信息中携带的管控信息配置到上述第二接口模型对象中。
如前所述,ML环节需求信息可以包含第二环节的环节名称、第二数据信息、机器学习流程触发条件和第一指示信息中的一项或多项。第二网元也可以在第二接口模型对象中配置上述ML环节需求信息,如表2所示。
表2:一种第二接口模型对象的示例
/>
如表2所示,第二网元可以在第二接口模型对象中上述ML环节需求信息对应的属性设置为可读以及可配置,这样第二网元可以将第一请求信息中携带的ML环节需求信息配置到第二接口模型对象中。可以理解的是,上述表2中是以ML环节需求信息中包含环节名称、第二数据信息、机器学习流程触发条件和第一指示信息为例示出的,ML环节需求信息中可以包含环节名称、第二数据信息、机器学习流程触发条件和第一指示信息中的一项或多项,甚至其他机器学习流程所需要的信息,本申请对ML环节需求信息中包含的信息不做具体限定。
基于上述方案,通过引入接口模型对象可以让第一网元与第二网元之间进行信息交互和同步,第二网元通过设置每个属性可读以及可配置,实现第二网元的接口开放能力,因此第一网元可以通过配置接口模型对象里属性为可配置的参数实现对管控信息的配置,这样第二网元能够获取管控信息,从而可以对机器学习流程进行管控。通过接口模型对象实现信息交互,可以减少第一网元与第二网元之间的接口信息的交互。
在S503中,第二网元获取到管控信息后,可以根据ML环节需求信息对目标ML实体的机器学习流程进行管控。一种可能的情况中,第二网元在对目标ML实体的机器学习流程进行管控之前,可以获取该目标ML实体对应的管控信息,并且可以建立目标ML实体和管控信息的关联关系。例如,第一网元可以向第二网元发送多个目标ML实体对应的多个管控信息。那么,在第二网元对目标ML实体的机器学习流程进行管控前,第二网元可以确定上文中多个管控信息中目标ML实体对应的管控信息,或者说目标ML实体的机器学习流程对应的管控信息。并根据该目标ML实体对应的管控信息中包含的ML环节需求信息对目标ML实体的机器学习流程进行监控。
在一种可能的实施例中,在S501中第一网元可以根据第二网元的管理能力信息确定管控信息。例如,图5所示的实施例中,还可以包含以下操作S500。
S500:第一网元从第二网元获取机器学习的管理能力信息。
其中,上述管理能力信息(MLMcapability)可以包括第二网元支持的ML实体的类型和ML环节能力信息。第一网元则可以根据该管理能力信息确定管控信息。例如,目标ML实体的类型可以是第二网元支持的ML实体的类型。又例如,ML环节能力信息可以与第二网元支持的ML环节信息匹配。
上文中,第二网元支持的ML实体的类型,用于指示上文中管理能力信息适用的ML实体的范围。其中,ML实体的范围可以是一个或多个ML实体的类型,也就是第二网元支持的ML实体的类型。一种可能的情况中,ML实体的类型可以包括管理数据分析类型,闭环场景信息类型或者意图场景信息类型。可选的,上述类型的ML实体可以部署在管理系统。
其中,管理数据分析类型可以指示分析管理数据的ML实体,如覆盖问题分析的ML实体、寻呼优化分析的ML实体、业务体验分析的ML实体、故障预测分析的ML实体、节能分析的ML实体和移动性分析的ML实体等中的一项或多项。闭环场景信息类型可以指示网络中闭环场景的ML实体,如包括覆盖优化的ML实体和负载均衡的ML实体等中的一项或多项。意图场景信息类型可以指示获取意图的ML实体,如获取区域覆盖优化意图的ML实体,获取区域速率优化意图的ML实体,获取区域容量优化意图的ML实体,获取区域节能意图的ML实体,获取区域无线网络部署意图的ML实体,获取区域无线业务部署意图的ML实体等中的一项或多项。
另一种可能的情况中,ML实体的类型可以包括网络数据分析类型和基站智能化类型。可选的,上述类型的ML实体可以部署在网元设备上。其中,网络数据分析类型可以指示分析网络数据的ML实体,如用户设备(user equipement,UE)移动性分析的ML实体,用户数据拥塞分析的ML实体,服务质量(quality of service,QoS)体验连续性分析的ML实体,网元(network function,NF)负载分析的ML实体等中的一项或多项。基站智能化类型可以指示用于智能化基站的ML实体的类型,如用于基站节能的ML实体和用于基站负载均衡的ML实体等中的一项或多项。
在S500中,ML环节能力信息可以包括第一环节的环节名称(ML step name)。一种可能的情况中,上文中第二环节的环节名称是第一环节的环节名称中的一项或多项。也就是说,第一网元根据ML环节能力信息确定了ML环节需求信息。举例来说,第一环节的环节名称可以包括数据准备、ML实体训练(ML entity training)、ML实体验证(MLenityvalidation)、ML实体测试(MLentitytest)、ML实体下载(MLentitydownload)、ML实体安装(MLentityinstallment)、ML实体激活(MLentityactivation)和ML实体推理(MLenetityinference)中的一项或多项。类似的,第二环节的环节名称中也可以包括以上第一环节的环节名称中的一项或多项。
可选的,ML环节能力信息还可以包括环节控制点能力信息(controlpointcanbeset)和/或第一数据信息。其中,环节控制点能力信息与第一环节一一对应,用于描述第二网元是否允许运营商在对应的第一环节设置环节控制点,如暂停点。第一数据信息也可以与第一环节一一对应,该第一数据信息可以用于描述第一环节可以使用的数据。可选的,第一数据信息可以是外部数据信息(externaldatatobeused),该外部数据信息可以用于获取外部数据,可以参照第二数据信息实施,此处不再赘述。
一种可能的情况中,上文中ML环节需求信息中环节控制点需求信息可以是根据ML环节能力信息包括的环节控制点能力信息确定的。例如,在环节控制点能力信息指示允许对第一环节设置环节控制点,那么环节控制点需求信息也可以指示对应的第二环节设置环节控制点。
类似的,第二数据信息也可以是根据第一数据信息确定的。例如,第一数据信息可以指示数据的访问信息,如数据的存储地址或者接口访问的URI等。那么ML环节需求信息中第二环节对应的第二数据信息可以和上述第一数据信息相同。
基于上述方案,第一网元可以获取第二网元的机器学习的管理能力信息,从而根据第二网元的管理能力信息确定管控信息,减少了由于ML实体的ML工作流存在差异导致的第一网元对ML实体的ML工作流的管控的困难和复杂性,使能第一网元能够通过管控信息对不同ML实体进行管控的同时满足第一网元对不同ML实体类型的ML工作流的差异化需求,减少第一网元和第二网元之间针对ML工作流集成的复杂度,提高集成效率。
在S500中,第一网元可以通过管理能力信息对应的第一接口模型对象获取该管理能力信息。举例来说,第二网元可以创建管理能力信息对应的第一接口模型对象,并在该第一接口模型对象中配置相应的管理能力信息。可选的,第二网元可以为管理能力信息分配管理能力信息标识,并创建该管理能信息标识对应的第一接口模型对象。
以下,通过表3介绍管理能力信息。
表3:一种第一接口模型对象的示例
如表3所示,第二网元可以创建管理能力信息的第一接口模型对象。并将该第一接口模型对象中的管理能力信息标识、ML实体的类型和ML环节能力信息对应的属性设置为可读但不可配置。这样,第一网元则可以通过第一接口模型对象读取相应的ML实体的类型和ML环节能力信息,且上述信息不会被其他网元更改。
如前所述,ML环节能力信息可以包含第一环节的环节名称和第一数据信息中的一项或多项。第二网元也可以在第一接口模型对象中配置上述ML环节能力信息,如表4所示。
表4:一种第一接口模型对象的示例
如表4所示,第二网元可以在第一接口模型对象中将上述ML环节能力信息对应的属性设置为可读且不可配置。这样,第一网元可以通过第一接口模型对象读取上述ML环节能力信息。可以理解的是,上述表4中是以ML环节能力信息中包含环节名称和第一数据信息为例示出的,ML环节能力信息中可以包含环节名称和第一数据信息中的一项或多项,甚至其他机器学习流程所需要的信息,本申请对ML环节能力信息中包含的信息不做具体限定。
基于上述方案,第二网元可以通过引入接口模型对象实现第一网元与第二网元之间的信息交互,第二网元可以将接口模型对象的属性设置为可读但不可配置,从而可以让第一网元能够通过获取接口模型对象里属性设置为可读但不可配置的参数来读取管理能力信息,但不可以更改管理能力信息。
本申请实施例中,第二网元在对目标ML实体的机器学习流程进行管控的过程中,还可以将机器学习流程的进度反馈给第一网元。可选的,图5所示的实施例中还可以包括以下操作S504。
S504:第二网元向第一网元发送启动信息。
相应的,第一网元接收来自第二网元的启动信息。
例如,在管控信息中指示第二网元向第一网元发送启动信息的情况下,第二网元可以向第一网元发送启动信息。
其中,上述启动信息可以包括目标ML实体的机器学习流程的工作流标识和目标ML实体的实体标识。该启动信息可以用于指示第二网元已启动对目标ML实体的机器学习流程。可选的,启动信息中还可以包括以下中的一项或多项:管控信息的标识、目标ML实体的机器学习流程的环节进度信息和目标ML实体的版本。其中,环节进度信息可以用于指示目标ML实体的机器学习流程中环节的执行进度。该目标ML实体的版本可以理解为在机器学习流程中新生成的ML实体的版本。
基于上述方案,第二网元可以启动目标ML实体的机器学习流程,并根据第一网元的需求,向第一网元报告目标ML实体的机器学习流程已启动的信息,从而实现第一网元对目标ML实体的机器学习流程的监控,实时感知第二网元中启动的每个ML实例的机器学习流程。
在一种可能的实现方式中,第二网元在S504之前可以创建目标ML实体的机器学习流程对应的第三接口模型对象。第二网元可以在第三接口模型对象中配置工作流标识、目标ML实体的标识和管控信息的标识和机器学习流程的环节进度信息等参数。以下,对上述参数进行介绍。
1、工作流标识,用于唯一标识一个ML工作流。该ML工作流可以是目标ML实体的机器学习流程。
2、目标ML实体的标识,用于指示ML工作流应用的目标ML实体。
3、管控信息的标识,用于指示ML工作流关联的管控信息。
4、环节进度信息(MLstepprogressinfolist),用于描述工作流中环节的进度信息。可选的,环节进度信息可以包括以下信息中的一项或多项:环节名称(MLstepname),该环节名称可以是第二环节的环节名称中的一项或多项。环节名称可以是目标ML实体支持的第二环节的环节名称。环节状态(MLstepstatus),描述对应的环节的状态。其中,环节状态的取值可以使未开始、进行中、等待确认和完成等。在刚创建第三接口模型对象时,包含的环节的环节状态均是未开始。环节进度百分比(MLstepperentage)和环节结果(MLstep)。其中,环节结果可以描述机器学习流程中环节的执行的结果,可以是成功或者失败。
可以理解的是,一个机器学习流程中可能包括多个环节,因此环节进度信息也可能有多个,每一个环节进度信息可以对应一个环节(第二环节)。
可选的,第二网元还可以在第三接口模型对象中配置工作流新生成的ML实体的版本(MLversiontobeinstalled),也就是目标ML实体的版本。该目标ML实体的版本可以用于后续的ML实体下载和ML实体安装。
以下,通过表5介绍上述第三接口模型对象。
表5:一种第三接口模型对象的示例。
如表5所示,第二网元可以在第三接口模型对象中配置上述参数,并将上述参数对应的属性设置为可读但不可配置。这样,第一网元则可以根据上述第三接口模型对象确定目标ML实体的机器学习流程的相关信息。
在S504中,第二网元可以向第一网元发送通知信息,该通知信息中可以携带上述启动信息。该通知信息可以用于通知第二网元已创建第三接口模型对象。
基于上述方案,第二网元可以创建机器学习流程对应的接口模型对象,用来向第一网元发送机器学习流程的进度信息等。上述方案中,第一网元可以从该通知信息中获取工作流标识和目标ML实体的标识等信息,则可以确定对应的第三接口模型对象,从而通过第三接口模型对象中属性设置为可读但不可配的参数来读取相应的目标ML实体的机器学习流程的相关信息,实时获取第二网元中每个ML实体机器学习流程的进度信息。
可选的,上述图5还可以包括以下操作S505~S507。
S505:第二网元向第一网元发送进度变更信息。
相应的,第一网元接收来自第二网元的进度变更信息。
其中,进度变更信息可以包括目标ML实体的机器学习流程的工作流标识和目标ML实体的机器学习流程的环节进度信息。
例如,在目标ML实体的机器学习流程中环节状态发生变化的情况下,第二网元可以向第一网元发送进度变更信息,如环节状态的取值从未开始到进行中等。
又例如,在管控信息中指示在一个或多个第二环节设置环节控制点,则第二网元可以在开始执行该一个或多个第二环节或者结束执行该一个或多个第二环节的情况下,第二网元可以向第一网元发送进度变更信息,如该一个或多个第二环节的环节状态的取值可以由未开始到等待确认。
一种可能的情况中,第二网元可以配置对应的第三接口模型对象,例如配置第三接口模型对象中环节进度信息的参数,如环节状态由未开始配置为进行中、环节进度百分比配置为X%等。第二网元可以向第一网元发送第三接口模型对象的变更信息,该变更信息可以用于通知第一网元第三接口模型对象中的参数发生变化。这样,第一网元就可以读取第三接口模型对象中的各个参数,从而确定目标ML实体的机器学习流程的包含的环节的执行进度。上述变更信息可以包括工作流标识和目标ML实体的标识,第一网元可以根据工作流标识和目标ML实体的标识确定对应的第三接口模型对象。
基于上述方案,第二网元也可以根据第一网元的需求,向第一网元发送机器学习流程的进度变更信息,让第一网元可以了解到机器学习流程的进度,实现第一网元对机器学习流程的管控。
S506:第一网元向第二网元发送第二指示信息。
相应的,第二网元接收来自第一网元的第二指示信息。
该第二指示信息中可以包括工作流标识,该第二指示信息可以用于指示第二网元继续目标ML实体的机器学习流程。可选的,该第二指示信息还可以包括环节名称,该第二指示信息可以指示第二网元继续机器学习流程中该环节名称对应的环节。例如,在S505中的进度变更信息中,第二环节的环节状态为等待确认的情况下,第一网元可以向第二网元发送第二指示信息,以指示第二网元继续机器学习流程。
一种可能的情况中,第二网元也可以在第三接口模型对象中配置第二指示信息的参数,如表6所示。
表6:一种第三接口模型对象的示例。
如表6所示,第二网元可以将第二指示信息对应的属性设置为可读且可配置,这样第一网元就可以配置该第二指示信息以指示第二网元继续机器学习流程。可选的,该第二指示信息可以包含环节名称,第二网元在读取第三接口模型对象中的第二指示信息的情况下,可以继续目标ML实体的机器学习流程,也就是继续该环节名称对应的环节。
基于上述方案,第二网元可以根据第一网元的需求,对机器学习流程包含的环节设置环节控制点,并向第一网元上报该环节的进度信息。第二网元可以根据第一网元的指示信息,继续机器学习流程。由于第二网元将接口模型对象的属性中第二指示信息设置为可读且可配置,因此第一网元可以通过配置接口模型对象中的第二指示信息,指示第一网元继续机器学习流程。
S507:第二网元向第一网元发送机器学习流程结束通知。
相应的,第一网元接收来自第二网元的流程结束通知。
该流程结束通知可以包括工作流标识和环节进度信息,该流程结束通知可以用于指示第二网元结束上述工作流标识对应的目标ML实体的机器学习流程。
例如,在ML工作流执行完成时,第二网元会删除ML工作流对应的第三接口模型对象,并向第一网元发送流程结束通知。举例来说,流程结束通知中的环节进度信息可以包括环节状态,取值为完成;还可以包括环节进度百分比,取值为100%;还可以包括环节结果,取值为成功或失败等。
基于上述方案,本申请实施例中引入ML实体的生命周期自动管理的管控接口,如第一接口模型对象、第二接口模型对象和第三接口模型对象,第一网元能够对目标ML实体的机器学习流程自动编排和执行,并通过管控接口了解机器学习流程的进度,减少第一网元和第二网元交互的信息。
上文中,第一网元可以是ML实体的生命周期管理(ML entity lifecyclemanagement,MLM)监控模块,或者第一网元中可以部署MLM监控模块。第二网元可以是MLM执行模块,或者第二网元中可以部署MLM执行模块。参阅图6,为本申请实施例提供的应用场景的示例性示意图。本申请实施例提供的技术方案可以应用于如图6所示的MLM监控模块和MLM执行模块,以及逻辑接口,如MLM监控模块和MLM执行模块之间的逻辑接口,可以称为MLM管控接口。
其中,MLM执行模块执行ML实体的生命周期管理,包括ML工作流的编排和ML工作流中每个环节的执行。MLM监控模块对ML实体生命周期管理进行管控,比如生成ML实体生命周期管理的管控需求,监视ML实体生命周期管理的进度等。自治网络监控模块和自治网络执行模块存在以下几种部署场景:
在服务化管理架构下,ML监控模块为管理服务消费者,ML执行模块为管理服务提供者。逻辑接口为ML实体生命周期管理(life cycle management,LCM)管控服务,用于实现上述第一接口模型对象、第二接口模型对象和第三接口模型对象。
下面结合附图介绍本申请实施例中用来实现上述方法的通信装置。因此,上文中的内容均可以用于后续实施例中,重复的内容不再赘述。
图7为本申请实施例提供的通信装置700的示意性框图。该通信装置700可以对应实现上述各个方法实施例中由第一网元或第二网元实现的功能或者步骤。该通信装置可以包括处理单元710和收发单元720。可选的,还可以包括存储单元,该存储单元可以用于存储指令(代码或者程序)和/或数据。处理单元710和收发单元720可以与该存储单元耦合,例如,处理单元710可以读取存储单元中的指令(代码或者程序)和/或数据,以实现相应的方法。上述各个单元可以独立设置,也可以部分或者全部集成。
在一些可能的实施方式中,通信装置700能够对应实现上述方法实施例中第一网元的行为和功能。例如通信装置700可以为第一网元,也可以为应用于第一网元中的部件(例如芯片或者电路)。收发单元720可以用于执行图5所示的实施例中由第一网元所执行的全部接收或发送操作。例如图5所示的实施例中的S501,和/或用于支持本文所描述的技术的其它过程;其中,处理单元710用于执行如图5所示的实施例中由第一网元所执行的除了收发操作之外的全部操作,和/或用于支持本文所描述的技术的其它过程。
例如,处理单元710,用于确定目标机器学习ML实体的管控信息。其中,目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息。收发单元720,用于向第二网元发送目标ML实体的管控信息。其中,目标ML实体的管控信息用于指示第二网元根据ML环节需求信息对目标ML实体的机器学习流程进行管控。
在一些可能的实施方式中,通信装置700能够对应实现上述方法实施例中第二网元的行为和功能。例如通信装置700可以为第二网元,也可以为应用于第二网元中的部件(例如芯片或者电路)。收发单元720可以用于执行图5所示的实施例中由第二网元所执行的全部接收或发送操作。例如图5所示的实施例中的S501,和/或用于支持本文所描述的技术的其它过程;其中,处理单元710用于执行如图5所示的实施例中由第二网元所执行的除了收发操作之外的全部操作。
例如,收发单元720,用于接收来自第一网元的目标机器学习ML实体的管控信息。其中,目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息。处理单元710,用于根据ML环节需求信息对目标ML实体的机器学习流程进行管控。
有关处理单元710和收发单元720所执行的操作,可以参见前述方法实施例的相关描述。
应理解,本申请实施例中的处理单元710可以由处理器或处理器相关电路组件实现,收发单元720可以由收发器或收发器相关电路组件或者通信接口实现。
基于同一构思,如图8所示,本申请实施例提供一种通信装置800。该通信装置800包括处理器810。可选的,通信装置800还可以包括存储器820,用于存储处理器810执行的指令或存储处理器810运行指令所需要的输入数据或存储处理器810运行指令后产生的数据。处理器810可以通过存储器820存储的指令实现上述方法实施例所示的方法。
基于同一构思,如图9所示,本申请实施例提供一种通信装置900,该通信装置900可以是芯片或者芯片系统。可选的,在本申请实施例中芯片系统可以由芯片构成,也可以包含芯片和其他分立器件。
通信装置900可以包括至少一个处理器910,该处理器910与存储器耦合,可选的,存储器可以位于该装置之内,也可以位于该装置之外。例如,通信装置900还可以包括至少一个存储器920。存储器920保存实施上述任一实施例中必要计算机程序、配置信息、计算机程序或指令和/或数据;处理器910可能执行存储器920中存储的计算机程序,完成上述任一实施例中的方法。
本申请实施例中的耦合是装置、单元或模块之间的间接耦合或通信连接,可以是电性,机械或其它的形式,用于装置、单元或模块之间的信息交互。处理器910可能和存储器920协同操作。本申请实施例中不限定上述收发器930、处理器910以及存储器920之间的具体连接介质。
通信装置900中还可以包括收发器930,通信装置900可以通过收发器930和其它设备进行信息交互。收发器930可以是电路、总线、收发器或者其它任意可以用于进行信息交互的装置,或称为信号收发单元。如图9所示,该收发器930包括发射机931、接收机932和天线933。此外,当该通信装置900为芯片类的装置或者电路时,该通信装置900中的收发器也可以是输入输出电路和/或通信接口,可以输入数据(或称,接收数据)和输出数据(或称,发送数据),处理器为集成的处理器或者微处理器或者集成电路,处理器可以根据输入数据确定输出数据。
在一种可能的实现方式中,该通信装置900可以应用于第一网元,具体通信装置900可以是第一网元,也可以是能够支持第一网元实现上述涉及的任一实施例中第一网元的功能的装置。存储器920保存实现上述任一实施例中的第一网元的功能的必要计算机程序、计算机程序或指令和/或数据。处理器910可执行存储器920存储的计算机程序,完成上述任一实施例中第一网元执行的方法。
在一种可能的实施方式中,该通信装置900可以应用于第二网元,具体通信装置900可以是第二网元,也可以是能够支持第二网元实现上述涉及的任一实施例中第二网元的功能的装置。存储器920保存实现上述任一实施例中的第二网元的功能的必要计算机程序、计算机程序或指令和/或数据。处理器910可执行存储器920存储的计算机程序,完成上述任一实施例中第二网元执行的方法。
由于本实施例提供的通信装置900可应用于第二网元,完成上述第二网元执行的方法,或者可以应用于第一网元,完成上述第一网元执行的方法。因此其所能获得的技术效果可参考上述方法实施例,在此不再赘述。
在本申请实施例中,处理器可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实施或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
在本申请实施例中,存储器可以是非易失性存储器,比如硬盘(hard disk drive,HDD)或固态硬盘(solid-state drive,SSD)等,还可以是易失性存储器(volatilememory),例如随机存取存储器(random-access memory,RAM)。存储器还可以是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。本申请实施例中的存储器还可以是电路或者其它任意能够实施存储功能的装置,用于存储计算机程序、计算机程序或指令和/或数据。
基于以上实施例,参见图10,本申请实施例还提供另一种通信装置1000,包括:输入输出接口1010和逻辑电路1020;输入输出接口1010,用于接收代码指令并传输至逻辑电路1020;逻辑电路1020,用于运行代码指令以执行上述任一实施例中第二网元或第一网元执行的方法。
以下,对该通信装置应用于第二网元或第一网元所执行的操作进行详细说明。
一种可选的实施方式中,该通信装置1000可应用于第二网元,执行上述第二网元所执行的方法,具体的例如前述图5中所示的实施例中第二网元所执行的方法。
输入输出接口1010,用于输入来自第一网元的目标机器学习ML实体的管控信息。其中,目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息。逻辑电路1020,用于根据ML环节需求信息对目标ML实体的机器学习流程进行管控。
由于本实施例提供的通信装置1000可应用于第二网元,完成上述第二网元执行的方法。因此其所能获得的技术效果可参考上述方法实施例,在此不再赘述。
一种可选的实施方式中,该通信装置1000可应用于第一网元,执行上述第一网元所执行的方法,具体的例如前述图5所示的实施例中第一网元所执行的方法。
逻辑电路1020,用于确定目标机器学习ML实体的管控信息。其中,目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息。输入输出接口1010,用于向第二网元输出目标ML实体的管控信息。其中,目标ML实体的管控信息用于指示第二网元根据ML环节需求信息对目标ML实体的机器学习流程进行管控。
由于本实施例提供的通信装置1000可应用于第一网元,完成上述第一网元执行的方法。因此其所能获得的技术效果可参考上述方法实施例,在此不再赘述。
基于以上实施例,本申请实施例还提供一种通信系统。该通信系统包括至少一个应用于第二网元的通信装置和至少一个应用于第一网元的通信装置。所能获得的技术效果可参考上述方法实施例,在此不再赘述。
基于以上实施例,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序或指令,当指令被执行时,使上述任一实施例中第二网元执行的方法被实施或者第一网元执行的方法被实施。该计算机可读存储介质可以包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
为了实现上述图7~图10的通信装置的功能,本申请实施例还提供一种芯片,包括处理器,用于支持该通信装置实现上述方法实施例中第二网元或第一网元所涉及的功能。在一种可能的设计中,该芯片与存储器连接或者该芯片包括存储器,该存储器用于保存该通信装置必要的计算机程序或指令和数据。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序或指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序或指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序或指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序或指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应理解,本文中术语“和/或”,仅仅是一种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。此外,本申请中出现的符号“/”可以表示“和/或”,例如A/B表示A和/或B。
应理解,在本申请实施例中,“与A对应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
本申请实施例中出现的“多个”是指两个或两个以上。
本申请实施例中出现的第一、第二等描述,仅作示意与区分描述对象之用,没有次序之分,也不表示本申请实施例中对描述的对象个数的特别限定,不能构成对本申请实施例的任何限制。
本申请的各个实施例中的内容可以相互参考,如果没有特殊说明以及逻辑冲突,不同的实施例之间的术语和/或描述具有一致性、且可以相互引用,不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
可以理解的,本申请实施例中,终端设备和/或网络设备可以执行本申请实施例中的部分或全部步骤,这些步骤或操作仅是示例,本申请实施例中,还可以执行其它操作或者各种操作的变形。此外,各个步骤可以按照本申请实施例呈现的不同的顺序来执行,并且有可能并非要执行本申请实施例中的全部操作。
Claims (41)
1.一种机器学习的管控方法,其特征在于,包括:
第一网元确定目标机器学习ML实体的管控信息;其中,所述目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息;
所述第一网元向第二网元发送所述目标ML实体的管控信息;
所述第二网元根据所述ML环节需求信息对所述目标ML实体的机器学习流程进行管控。
2.根据权利要求1所述的方法,其特征在于,还包括:
所述第二网元向所述第一网元发送机器学习的管理能力信息,所述机器学习的管理能力信息包括第二网元支持的ML实体的类型和ML环节能力信息;
所述第一网元确定目标机器学习ML实体的管控信息,包括:
所述第一网元根据所述管理能力信息确定所述目标ML实体的管控信息;其中,所述目标ML实体的类型为所述第二网元支持的ML实体的类型,所述ML环节需求信息和所述第二网元支持的ML环节能力信息匹配。
3.根据权利要求2所述的方法,其特征在于,所述ML环节能力信息包括以下中的一项或多项:
一个或多个第一环节的名称、环节控制点能力信息和第一数据信息;其中,所述环节控制点能力信息用于指示是否支持对所述一个或多个第一环节设置环节控制点,所述环节控制点包括暂停点,所述环节控制点能力信息与所述一个或多个第一环节一一对应;所述第一数据信息用于描述所述目标ML实体的机器学习流程可使用的数据。
4.根据权利要求1~3任一所述的方法,其特征在于,所述ML环节能力信息包括以下中的一项或多项:
一个或多个第一环节的名称、环节控制点能力信息和第一数据信息;其中,所述环节控制点能力信息用于指示是否支持对所述一个或多个第一环节设置环节控制点,所述环节控制点包括暂停点,所述环节控制点能力信息与所述一个或多个第一环节一一对应;所述第一数据信息用于描述所述目标ML实体的机器学习流程可使用的数据。
5.根据权利要求1~4任一所述的方法,其特征在于,所述管控信息还包括机器学习流程触发条件,所述机器学习流程触发条件用于指示启动所述目标ML实体的机器学习流程的条件。
6.根据权利要求3所述的方法,其特征在于,所述ML环节需求信息包括以下中的一项或多项:一个或多个第二环节的名称,所述一个或多个第二环节的名称是所述一个或多个第一环节的名称中的部分或全部;环节控制点需求信息,所述环节控制点需求信息用于指示是否对所述一个或多个第二环节设置环节控制点,所述环节空点需求信息与第二环节一一对应,所述环节控制点需求信息基于所述环节控制点能力信息确定;第二数据信息,所述第二数据信息用于指示所述机器学习流程需使用的数据,所述第二数据信息基于所述第一数据信息确定。
7.根据权利要求1~6任一所述的方法,其特征在于,还包括:
所述第二网元向所述第一网元发送启动信息;
其中,所述启动信息包括所述目标ML实体的机器学习流程的工作流标识和所述目标ML实体的实体标识,所述启动信息用于指示所述第二网元启动对所述目标ML实体的机器学习流程。
8.根据权利要求1~7任一所述的方法,其特征在于,所述启动信息还包括以下中的一项或多项:所述管控信息的标识、所述目标ML实体的机器学习流程的环节进度信息和所述目标ML实体的版本;其中,所述环节进度信息用于指示所述目标ML实体的机器学习流程中环节的执行进度。
9.根据权利要求1~7任一所述的方法,其特征在于,还包括:
所述第二网元向所述第一网元发送进度变更信息,所述进度变更信息包括所述目标ML实体的机器学习流程的工作流标识和所述目标ML实体的机器学习流程的环节进度信息,所述环节进度信息用于指示所述目标ML实体的机器学习流程包含的环节的执行进度。
10.根据权利要求1~9任一所述的方法,其特征在于,还包括:
所述第一网元向所述第二网元发送第二指示信息,所述第二指示信息包括所述目标ML实体的机器学习流程的工作流标识,所述第二指示信息用于指示所述第二网元继续所述目标ML实体的机器学习流程。
11.根据权利要求10所述的方法,其特征在于,所述第二指示信息还包括所述目标ML实体的机器学习流程包含的环节名称。
12.根据权利要求10或11所述的方法,其特征在于,所述第一网元向所述第二网元发送第二指示信息之前,还包括:
所述第一网元接收来自所述第二网元的进度变更信息,所述进度变更信息包括所述工作流标识,所述目标ML实体的机器学习流程包含的环节的状态为等待所述第一网元确认。
13.一种机器学习的管控方法,其特征在于,包括:
第一网元确定目标机器学习ML实体的管控信息;其中,所述目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息;
所述第一网元向第二网元发送所述目标ML实体的管控信息;其中,所述目标ML实体的管控信息用于指示所述第二网元根据所述ML环节需求信息对所述目标ML实体的机器学习流程进行管控。
14.根据权利要求13所述的方法,其特征在于,还包括:
所述第一网元从所述第二网元获取机器学习的管理能力信息,所述管理能力信息包括第二网元支持的ML实体的类型和ML环节能力信息;
所述第一网元确定目标机器学习ML实体的管控信息,包括:
所述第一网元根据所述管理能力信息确定所述目标ML实体的管控信息;其中,所述目标ML实体的类型为所述第二网元支持的ML实体的类型,所述ML环节需求信息和所述第二网元支持的ML环节能力信息匹配。
15.根据权利要求14所述的方法,其特征在于,所述ML环节能力信息包括以下中的一项或多项:
一个或多个第一环节的名称、环节控制点能力信息和第一数据信息;其中,所述环节控制点能力信息用于指示是否支持对所述一个或多个第一环节设置环节控制点,所述环节控制点包括暂停点,所述环节控制点能力信息与所述一个或多个第一环节一一对应;所述第一数据信息用于描述所述目标ML实体的机器学习流程可使用的数据。
16.根据权利要求13~15任一所述的方法,其特征在于,所述目标ML实体信息包括所述目标ML实体的类型,所述管控信息用于所述目标ML实体的类型对应的ML实体;或者,所述目标ML实体信息包括所述目标ML实体的实体标识,所述管控信息用于所述目标ML实体。
17.根据权利要求13~16任一所述的方法,其特征在于,所述管控信息还包括机器学习流程触发条件,所述机器学习流程触发条件用于指示启动所述目标ML实体的机器学习流程的条件。
18.根据权利要求15所述的方法,其特征在于,所述ML环节需求信息包括以下中的一项或多项:一个或多个第二环节的名称,所述一个或多个第二环节的名称是所述一个或多个第一环节的名称中的部分或全部;环节控制点需求信息,所述环节控制点需求信息用于指示是否对所述一个或多个第二环节设置环节控制点,所述环节空点需求信息与第二环节一一对应,所述环节控制点需求信息基于所述环节控制点能力信息确定;第二数据信息,所述第二数据信息用于指示所述机器学习流程需使用的数据,所述第二数据信息基于所述第一数据信息确定。
19.根据权利要求13~18任一所述的方法,其特征在于,还包括:
所述第一网元接收来自所述第二网元的启动信息,所述启动信息包括所述目标ML实体的机器学习流程的工作流标识和所述目标ML实体的实体标识,所述启动信息用于指示所述第二网元启动对所述目标ML实体的机器学习流程。
20.根据权利要求19所述的方法,其特征在于,所述启动信息还包括以下中的一项或多项:所述管控信息的标识、所述目标ML实体的机器学习流程的环节进度信息和所述目标ML实体的版本;其中,所述环节进度信息用于指示所述目标ML实体的机器学习流程中环节的执行进度。
21.根据权利要求13~20任一所述的方法,其特征在于,还包括:
所述第一网元接收来自所述第二网元的进度变更信息,所述进度变更信息包括所述目标ML实体的机器学习流程的工作流标识和所述目标ML实体的机器学习流程的环节进度信息,所述环节进度信息用于指示所述目标ML实体的机器学习流程中包含的环节的执行进度。
22.根据权利要求13~21任一所述的方法,其特征在于,还包括:
所述第一网元向所述第二网元发送第二指示信息,所述第二指示信息包括所述目标ML实体的机器学习流程的工作流标识,所述第二指示信息用于指示所述第二网元继续所述目标ML实体的机器学习流程。
23.根据权利要求22所述的方法,其特征在于,所述第二指示信息还包括所述目标ML实体的机器学习流程包含的环节名称。
24.根据权利要求22或23所述的方法,其特征在于,所述第一网元向所述第二网元发送第二指示信息之前,还包括:
所述第一网元接收来自所述第二网元的进度变更信息,所述进度变更信息包括所述工作流标识,所述目标ML实体的机器学习流程包含的环节的状态为等待所述第一网元确认。
25.一种机器学习的管控方法,其特征在于,包括:
第二网元接收来自第一网元的目标机器学习ML实体的管控信息;其中,所述目标ML实体的管控信息包括目标ML实体信息和ML环节需求信息;
所述第二网元根据所述ML环节需求信息对所述目标ML实体的机器学习流程进行管控。
26.根据权利要求25所述的方法,其特征在于,还包括:
所述第二网元向所述第一网元发送机器学习的管理能力信息,所述机器学习的管理能力信息包括第二网元支持的ML实体的类型和ML环节能力信息;
其中,所述目标ML实体的类型为所述第二网元支持的ML实体的类型,所述ML环节需求信息和所述第二网元支持的ML环节能力信息匹配。
27.根据权利要求25或26所述的方法,其特征在于,所述ML环节能力信息包括以下中的一项或多项:
一个或多个第一环节的名称、环节控制点能力信息和第一数据信息;其中,所述环节控制点能力信息用于指示是否支持对所述一个或多个第一环节设置环节控制点,所述环节控制点包括暂停点,所述环节控制点能力信息与所述一个或多个第一环节一一对应;所述第一数据信息用于描述所述目标ML实体的机器学习需使用的数据。
28.根据权利要求25~27任一所述的方法,其特征在于,所述目标ML实体信息包括所述目标ML实体的类型,所述管控信息用于所述目标ML实体的类型对应的ML实体;或者,所述目标ML实体信息包括所述目标ML实体的实体标识,所述管控信息用于所述目标ML实体。
29.根据权利要求25~28任一所述的方法,其特征在于,所述管控信息还包括机器学习流程触发条件,所述机器学习流程触发条件用于指示启动所述目标ML实体的机器学习流程的条件。
30.根据权利要求26所述的方法,其特征在于,所述ML环节需求信息包括以下中的一项或多项:一个或多个第二环节的名称,所述一个或多个第二环节的名称是所述一个或多个第一环节的名称中的部分或全部;环节控制点需求信息,所述环节控制点需求信息用于指示是否对所述一个或多个第二环节设置环节控制点,所述环节空点需求信息与第二环节一一对应,所述环节控制点需求信息基于所述环节控制点能力信息确定;第二数据信息,所述第二数据信息用于指示所述机器学习可使用的数据,所述第二数据信息基于所述第一数据信息确定。
31.根据权利要求25~30任一所述的方法,其特征在于,还包括:
所述第二网元向所述第一网元发送启动信息,所述启动信息包括所述目标ML实体的机器学习流程的工作流标识和所述目标ML实体的实体标识;其中,所述环节进度信息用于指示所述目标ML实体的机器学习流程中包含的环节的执行进度。
32.根据权利要求31所述的方法,其特征在于,所述启动信息还包括以下中的一项或多项:所述管控信息的标识、所述目标ML实体的机器学习流程的环节进度信息和所述目标ML实体的版本。
33.根据权利要求25~32任一所述的方法,其特征在于,还包括:
所述第二网元向所述第一网元发送进度变更信息,所述进度变更信息包括所述目标ML实体的机器学习流程的工作流标识和所述目标ML实体的机器学习流程的环节进度信息,所述环节进度信息用于指示所述目标ML实体的机器学习流程中包含的环节的执行进度。
34.根据权利要求25~33任一所述的方法,其特征在于,还包括:
所述第二网元接收来自所述第一网元的第二指示信息,所述第二指示信息包括所述目标ML实体的机器学习流程的工作流标识,所述第二指示信息用于指示所述第二网元继续所述目标ML实体的机器学习流程。
35.根据权利要求34所述的方法,其特征在于,所述第二指示信息还包括所述目标ML实体的机器学习流程包含的环节名称。
36.根据权利要求34或35所述的方法,其特征在于,所述第二网元接收来自所述第一网元的第二指示信息之前,还包括:
所述第二网元向所述第一网元发送进度变更信息,所述进度变更信息包括所述工作流标识,所述目标ML实体的机器学习流程包含的环节的状态为等待确认。
37.一种通信装置,其特征在于,包括用于执行如权利要求13~24中任一项所述的方法的单元,或者包括用于执行如权利要求25~36中任一项所述的方法的单元。
38.一种通信装置,其特征在于,包括:处理器和存储器;
所述存储器,用于存储计算机程序或指令;
所述处理器,用于执行存储器中的计算机程序或指令,使所述装置执行如权利要求13~24中任一项所述的方法,或使所述装置执行如权利要求25~36中任一项所述的方法。
39.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被电子装置调用时,使所述电子装置执行如权利要求13~24中任一项所述的方法,或使所述电子装置执行如权利要求25~36中任一项所述的方法。
40.一种计算机程序产品,其特征在于,包括计算机执行指令,当所述计算机执行指令在计算机上运行时,使得所述计算机执行如权利要求13~24中任一项所述的方法,或使所述电子装置执行如权利要求25~36中任一项所述的方法。
41.一种通信系统,其特征在于,包括用于执行如权利要求13~24中任一项所述的方法的第一网元和用于执行如权利要求25~36中任一项所述的方法的第二网元。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211410572.8A CN118041764A (zh) | 2022-11-11 | 2022-11-11 | 一种机器学习的管控方法和装置 |
PCT/CN2023/127620 WO2024099131A1 (zh) | 2022-11-11 | 2023-10-30 | 一种机器学习的管控方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211410572.8A CN118041764A (zh) | 2022-11-11 | 2022-11-11 | 一种机器学习的管控方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118041764A true CN118041764A (zh) | 2024-05-14 |
Family
ID=90993922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211410572.8A Pending CN118041764A (zh) | 2022-11-11 | 2022-11-11 | 一种机器学习的管控方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN118041764A (zh) |
WO (1) | WO2024099131A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119808A (zh) * | 2018-02-06 | 2019-08-13 | 华为技术有限公司 | 一种基于机器学习的数据处理方法以及相关设备 |
EP4131088A4 (en) * | 2020-03-24 | 2023-05-10 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | MACHINE LEARNING MODEL FORMING METHOD, ELECTRONIC DEVICE AND STORAGE MEDIA |
WO2022013093A1 (en) * | 2020-07-13 | 2022-01-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Managing a wireless device that is operable to connect to a communication network |
CN115211168A (zh) * | 2020-08-14 | 2022-10-18 | 中兴通讯股份有限公司 | 一种基于ai的负载预测方法 |
CN115146691A (zh) * | 2021-03-30 | 2022-10-04 | 华为技术有限公司 | 管控模型训练的方法及装置、系统 |
-
2022
- 2022-11-11 CN CN202211410572.8A patent/CN118041764A/zh active Pending
-
2023
- 2023-10-30 WO PCT/CN2023/127620 patent/WO2024099131A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024099131A1 (zh) | 2024-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11297601B2 (en) | Resource allocation method and orchestrator for network slicing in the wireless access network | |
EP3579505B1 (en) | Orchestration and management system and network slice processing method | |
KR101524459B1 (ko) | 무선 액세스 기술과 연관된 셀의 선택법 | |
CN110061871B (zh) | 基站开站方法、装置、计算机存储介质及设备 | |
CN109391490B (zh) | 网络切片的管理方法和装置 | |
CN108282773B (zh) | 信息发送、资源配置方法及装置、控制节点、网元 | |
KR20010031434A (ko) | 무선 기지국용 개방 “플러그 및 플레이” 오 및 엠 아키텍처 | |
US20130148596A1 (en) | Resource management system and method of centralized base station in mobile communication network | |
US20240031240A1 (en) | Method, apparatus, and system for training management and control model | |
CN109756357A (zh) | 一种网络切片生成方法和装置、及终端 | |
CN102036276A (zh) | 在同一小区下同时使用支持不同频段的终端的方法及系统 | |
CN115699842A (zh) | 模型管理方法、系统、装置、通信设备及存储介质 | |
WO2020236047A1 (en) | First node, second node, third node, fourth node, fifth node and methods performed thereby for handling resource consumption in a communications network | |
US20230403223A1 (en) | Data analysis apparatus management and control method and communication apparatus | |
CN107333279B (zh) | 最小化路测方法、基站及网络管理系统 | |
US20230362678A1 (en) | Method for evaluating action impact over mobile network performance | |
CN118041764A (zh) | 一种机器学习的管控方法和装置 | |
EP4250802A1 (en) | Optimizing physical cell id assignment in a wireless communication network | |
US11419045B2 (en) | Automatic evaluation and management of slice reselection experiences | |
CN112311567A (zh) | 一种通信方法及装置 | |
CN115866634A (zh) | 一种网络性能异常分析方法、装置及可读存储介质 | |
CN112312420A (zh) | 最小化路测的处理、配置方法、装置、终端及网络侧设备 | |
Eisenblätter et al. | Integrated self-management for future radio access networks: Vision and key challenges | |
CN114666233B (zh) | 一种网络资源的请求方法及其相关设备 | |
WO2024046423A1 (zh) | 一种数据分析方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |