CN118118932A - 一种网元自适应处理方法、装置及基带处理单元 - Google Patents
一种网元自适应处理方法、装置及基带处理单元 Download PDFInfo
- Publication number
- CN118118932A CN118118932A CN202410383295.9A CN202410383295A CN118118932A CN 118118932 A CN118118932 A CN 118118932A CN 202410383295 A CN202410383295 A CN 202410383295A CN 118118932 A CN118118932 A CN 118118932A
- Authority
- CN
- China
- Prior art keywords
- network element
- communication network
- machine learning
- learning model
- data
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 35
- 238000003672 processing method Methods 0.000 title claims abstract description 34
- 238000004891 communication Methods 0.000 claims abstract description 369
- 238000010801 machine learning Methods 0.000 claims abstract description 229
- 238000012549 training Methods 0.000 claims abstract description 60
- 230000003044 adaptive effect Effects 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 24
- 238000000034 method Methods 0.000 abstract description 31
- 230000003993 interaction Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000006403 short-term memory Effects 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
- H04L41/0803—Configuration setting
- H04L41/0813—Configuration setting characterised by the conditions triggering a change of settings
- H04L41/0816—Configuration setting characterised by the conditions triggering a change of settings the condition being an adaptation, e.g. in response to network events
-
- 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
- H04L41/0876—Aspects of the degree of configuration automation
- H04L41/0886—Fully automatic configuration
-
- 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)
- Automation & Control Theory (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供了一种网元自适应处理方法、装置及基带处理单元,该方法包括:如果有通信网元接入基带处理单元BBU,获取通信网元的设备属性参数和数据描述信息,数据描述信息基于网络配置协议构建得到;将设备属性参数和数据描述信息输入至第一机器学习模型,得到第一机器学习模型确定的数据获取消息,数据获取消息和通信网元相对应;基于数据获取消息,获取通信网元的第一数据;获取通信网元对应的参数描述信息;将第一数据、设备属性参数和通信网元对应的参数描述信息输入至第二机器学习模型,得到第二机器学习模型确定的通信网元的配置参数,第二机器学习模型基于第一机器学习模型训练得到。
Description
技术领域
本申请涉及通信技术领域,特别涉及一种网元自适应处理方法、装置及基带处理单元。
背景技术
目前,一个基站主要可以包括BBU(基带处理单元,Bandwidth Based Unit)和多个RRU(远端射频单元,Remote Radio Unit)等,其中,BBU与RRU之间进行业务数据交互,并且BBU可以对RRU进行控制(如自复位、故障查询、诊断、故障恢复等)。在基站使用过程中,如果有新的RRU加入或旧的RRU被替换,可能会出现RRU和BBU不兼容的问题。
发明内容
本申请提供如下技术方案:
本申请一方面提供一种网元自适应处理方法,包括:
如果有通信网元接入基带处理单元BBU,获取所述通信网元的设备属性参数和数据描述信息,所述数据描述信息基于网络配置协议构建得到;
将所述设备属性参数和所述数据描述信息输入至第一机器学习模型,得到所述第一机器学习模型确定的数据获取消息,所述数据获取消息和所述通信网元相对应;
基于所述数据获取消息,获取所述通信网元的第一数据;
获取所述通信网元对应的参数描述信息;
将所述第一数据、所述设备属性参数和所述通信网元对应的参数描述信息输入至第二机器学习模型,得到所述第二机器学习模型确定的所述通信网元的配置参数,所述第二机器学习模型基于所述第一机器学习模型训练得到。
所述网元自适应处理方法还包括:
如果所述通信网元的配置参数为非空值,且基于所述BBU和所述通信网元之间的通信参数确定出所述通信网元的配置参数错误,基于所述通信网元的配置参数,更新所述第二机器学习模型。
所述网元自适应处理方法还包括:
如果所述通信网元的配置参数为空值,更新所述第一机器学习模型和所述第二机器学习模型。
所述第一机器学习模型通过以下方式训练得到:
基于至少一个样本通信网元的设备属性样本参数、数据描述样本信息和所述数据描述样本信息对应的真实数据获取消息,对第一机器学习模型进行训练,得到能确定预测数据获取消息的第一机器学习模型,所述第一机器学习模型的损失函数值满足所述第一设定阈值,其中,所述第一机器学习模型的损失函数值至少表征所述真实数据获取消息和所述预测数据获取消息之间的差异。
所述第二机器学习模型通过以下方式训练得到:
将所述至少一个样本通信网元的设备属性样本参数和数据描述样本信息输入至第一机器学习模型,得到所述第一机器学习模型确定的预测数据获取消息;
基于所述预测数据获取消息,获取所述样本通信网元的第二数据;
获取所述样本通信网元对应的参数描述信息;
基于所述样本通信网元对应的参数描述信息、所述样本通信网元的设备属性样本参数和所述第二数据对第二机器学习模型进行训练,得到用于确定所述样本通信网元的预测配置参数的第二机器学习模型,所述第二机器学习模型的损失函数值满足第二设定阈值,其中,所述第二机器学习模型的损失函数值至少表征所述样本通信网元的真实配置参数和所述预测配置参数之间的差异。
所述数据描述信息包括:用于对所述通信网元的数据内容进行描述的Yang模型。
获取所述通信网元的设备属性参数和数据描述信息,包括:
基于所述通信网元的标识从预先构建的设备库中,获取所述通信网元的设备属性参数和数据描述信息,所述预先构建的设备库中包含多种通信网元中每种所述通信网元的设备属性参数和数据描述信息。
获取所述通信网元对应的参数描述信息,包括:
基于所述通信网元的标识从预先构建的参数库中,获取所述通信网元对应的参数描述信息,所述预先构建的参数库中包含多种通信网元中每种所述通信网元对应的参数描述信息。
本申请另一方面提供一种网元自适应处理装置,包括:
第一获取模块,用于如果有新的通信网元接入基带处理单元BBU,获取所述通信网元的设备属性参数和数据描述信息,所述数据描述信息基于网络配置协议构建得到;
第一确定模块,用于将所述设备属性参数和所述数据描述信息输入至第一机器学习模型,得到所述第一机器学习模型确定的数据获取消息;
第二获取模块,用于基于所述数据获取消息,获取所述通信网元的第一数据;
第三获取模块,用于获取所述通信网元对应的参数描述信息;
第二确定模块,用于将所述第一数据、所述设备属性参数和所述通信网元对应的参数描述信息输入至第二机器学习模型,得到所述第二机器学习模型确定的所述通信网元的配置参数,所述第二机器学习模型基于所述第一机器学习模型训练得到。
本申请第三方面提供一种基带处理单元,用于:
如果有新的通信网元接入基带处理单元BBU,获取所述通信网元的设备属性参数和数据描述信息,所述数据描述信息基于网络配置协议构建得到;
将所述设备属性参数和所述数据描述信息输入至第一机器学习模型,得到所述第一机器学习模型确定的数据获取消息;
基于所述数据获取消息,获取所述通信网元的第一数据;
获取所述通信网元对应的参数描述信息;
将所述第一数据、所述设备属性参数和所述通信网元对应的参数描述信息输入至第二机器学习模型,得到所述第二机器学习模型确定的所述通信网元的配置参数,所述第二机器学习模型基于所述第一机器学习模型训练得到。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例1提供的一种网元自适应处理方法的流程示意图;
图2是本申请实施例2提供的一种网元自适应处理方法的流程示意图;
图3是本申请提供的一种网元自适应处理方法的一种实施场景示意图;
图4是本申请实施例3提供的一种网元自适应处理方法的流程示意图;
图5是本申请提供的一种网元自适应处理方法的另一种实施场景示意图;
图6是本申请提供的一种网元自适应处理方法的再一种实施场景示意图;
图7是本申请提供的一种网元自适应处理装置的结构示意图;
图8是本申请提供的一种基带处理单元的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
目前,开放式无线接入网(Open Radio Access Network,简称O-RAN)架构,允许不同厂商开发的网络设备之间进行互操作。例如,在基于O-RAN架构的5G通信皮基站系统中采用的BBU、射频拉远单元集线器(remoteradiounithub,rHUB)、小功率RRU(picro-rru,pRRU)等网络设备可以来自于不同厂商。其中,BBU通过直接或间接的方式对rHUB、pRRU进行管理。
但是,应用O-RAN架构会面临众多厂商间仍然存在数据模型、接口模型等各自私有定义的现象,由此导致在版本迭代过程(即,有些厂商设备被禁用,需要更换为其它厂商的设备;或,已有厂商的设备发生更新)中,不同厂商的网络设备在同一功能上可能存在差异,影响系统(如,基站系统、通信运营商管理和维护的网络系统以及企业应用系统)的稳定性和可靠性。
为保证基站系统的稳定性和可靠性,需要对网络设备进行兼容性开发,以解决网络设备兼容性问题。目前,在当前基于O-RAN架构的基站系统中,解决网络设备兼容性问题的常规方式是逐一对不同厂商的网络设备进行集成和配置。但是,上述方式存在以下问题:集成难度大:不同厂商的设备之间接口协议和数据格式不同,需要针对每个设备进行单独的设置和配置,集成难度非常大;维护成本高:由于设备种类繁多,维护和管理成本也很高,需要投入大量的人力、物力和财力;可扩展性差:传统方法无法适应不断变化的设备需求,随着业务规模的不断扩大,可能会出现不兼容的情况,导致系统性能下降;传输效率低:由于不同厂商设备之间的兼容性问题,导致数据传输效率低下,无法充分利用5G通信技术的优势。
为解决上述问题,本申请提供了一种网元自适应处理方法,接下来对本申请提供的网元自适应处理方法进行详细介绍。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
参照图1,为本申请实施例1提供的一种网元自适应处理方法的流程示意图,网元自适应处理方法可以应用于BBU,如图1所示,该方法可以包括但并不局限于以下步骤:
步骤S101、如果有通信网元接入BBU,获取通信网元的设备属性参数和数据描述信息。
在本实施例中,可以但不局限于通过判断通信网元请求分配IP地址,来判断是否有通信网元接入BBU。例如,在基站系统中增加新的通信网元的场景中,新的通信网元在与BBU进行光纤连接或通过HUB与BBU进行连接之后,新的通信网元会向BBU请求分配IP地址,以接入BBU。或,在对基站系统中旧的通信网元进行替换的场景中,旧的通信网元与BBU之间的物理链路断开,用于替换旧的通信网元的新通信网元在与BBU进行光纤连接或通过HUB与BBU进行连接之后,新的通信网元会向BBU请求分配IP地址,以接入BBU。
对应于在基站系统中增加新的通信网元的实施场景,接入BBU的通信网元可以使BBU管理的通信网元对应的拓扑结构发生变化。
对应于对基站系统中旧的通信网元进行替换的实施场景,接入BBU的通信网元可以不影响BBU管理的通信网元对应的拓扑结构,但会使通信网元对应的拓扑结构中通信网元发生变化。
BBU和通信网元之间可以进行业务数据交互,BBU也可以对通信网元进行控制。通信网元可以包括但不局限于:与BBU直接连接的RRU;或者,与BBU直接连接的HUB以及与HUB连接的RRU。
在通信网元接入BBU之后,BBU可以从通信网元中获得通信网元的设备属性参数。
设备属性参数可以用于表征通信网元的硬件属性,例如,设备属性参数可以包括但不局限于:表征设备类型(如,RRU或HUB)的参数和表征通信网元所属厂商的参数。
通信网元的数据描述信息可以基于网络配置协议(如,可以为NETCONF协议)构建得到。通信网元的数据描述信息可以用于对通信网元的数据内容进行描述。通信网元可以基于数据描述信息封装数据内容,封装的数据内容可以有效传输至BBU。
步骤S102、将设备属性参数和数据描述信息输入至第一机器学习模型,得到第一机器学习模型确定的数据获取消息,数据获取消息和通信网元相对应。
在本实施例中,第一机器学习模型在训练过程中,可以学习通信网元的数据描述信息和数据获取消息之间的映射关系,在训练完成之后,基于第一机器学习模型确定的数据获取消息,可以从通信网元获得数据描述信息对应的数据内容。例如,通信网元可以包括RRUa,RRUa的数据描述信息可以用于描述RRUa的载波范围和时延参数y1,将RRUa的设备属性参数和数据描述信息输入至第一机器学习模型,得到第一机器学习模型确定的数据获取消息,基于第一机器学习模型确定的数据获取消息,可以从RRUa获得载波范围x1-xn及时延参数y1。
步骤S103、基于数据获取消息,获取通信网元的第一数据。
在本实施例中,BBU可以将数据获取消息发送给通信网元,以使得通信网元响应于数据获取消息,返回第一数据给BBU,第一数据是基于对应的数据描述信息封装得到的。
步骤S104、获取通信网元对应的参数描述信息。
参数描述信息可以用于描述通信网元对参数配置的要求。参数描述信息可以包括但不局限于:参数类型、取值范围、可用选项(如,用于表示是否支持5G网络)等。
步骤S105、将第一数据、设备属性参数和通信网元对应的参数描述信息输入至第二机器学习模型,得到第二机器学习模型确定的通信网元的配置参数,第二机器学习模型基于第一机器学习模型训练得到。
在本实施例中,第二机器学习模型在训练过程中,可以学习通信网元的硬件属性和通信网元的配置参数之间的关联,在训练完成之后,第二机器学习模型可以基于第一数据、设备属性参数和通信网元对应的参数描述信息,确定通信网元的配置参数,使通信网元的配置参数对应于通信网元的设备属性参数。
例如,通信网元可以包括5G通信基站系统中的RRUa,RRUa的数据描述信息可以包括用于描述RRUa的前传网络传输参数的数据描述信息c,将RRUa的设备属性参数和数据描述信息c输入至第一机器学习模型,得到第一机器学习模型确定的数据获取消息D,基于数据获取消息D,可以获得RRUa的载波频率范围x1-xn(xn大于x1)及时延参数y1(即,前传网络传输参数的一种实施方式)。若RRUa的参数描述信息包括:参数类型包括:载波频率为数值类型,时延参数为数值类型;可用选项,表示RRUa支持5G网络;取值范围包括:时延参数范围为y11-y1m,其中y1m大于y11,将RRUa的载波频率范围x1-xn、时延参数y1(即,第一数据的一种实施方式)、设备属性参数和参数描述信息输入至第二机器学习模型,得到第二机器学习模型确定的RRUa的配置参数可以包括适用于5G网络的载波中心频率x5,x5大于x1,且x5小于xn,以及适用于5G网络的时延参数y13,时延参数y13大于y11,且小于y1m,时延参数y13和时延参数y1不同。
BBU可以将通信网元的配置参数发送给通信网元,以使得通信网元基于配置参数进行配置,在配置之后,通信网元和BBU之间可以进行有效的业务数据交互,或,BBU对通信网元进行控制。
在本实施例中,如果有通信网元接入BBU,获取通信网元的设备属性参数和数据描述信息,将设备属性参数和数据描述信息输入至第一机器学习模型,得到第一机器学习模型确定的数据获取消息,数据获取消息和通信网元相对应,使得在BBU和通信网元所使用的数据描述信息的规范不一致的情况下,BBU得到的数据获取消息也可以被通信网元响应,进而可以基于数据获取消息,获取通信网元的第一数据。通过上述方式,可以实现接入网元的即插即用,降低BBU和RRU之间的集成难度和维护成本,增强系统(如,基站系统、通信运营商所管理和维护的5G网络系统、智慧城市系统、工业自动化系统、智能物流系统等)的可扩展性和可维护性。
在获取通信网元的第一数据之后,可以获取通信网元对应的参数描述信息,将第一数据、设备属性参数和通信网元对应的参数描述信息输入至第二机器学习模型,得到第二机器学习模型确定的通信网元的配置参数,实现在BBU和通信网元所使用的数据描述信息的规范不一致的情况下,获得配置参数,以对通信网元进行自适应配置,解决BBU和通信网元之间的兼容性问题。
并且,对旧的通信网元进行替换,可以在不影响整个系统的情况下进行,可以提高通信网元更好的灵活性。
作为本申请另一可选实施例,参照图2,为本申请实施例2提供的一种网元自适应处理方法的流程示意图,如图2所示,该方法可以包括但不局限于以下步骤:
步骤S201、如果有通信网元接入基带处理单元BBU,获取通信网元的设备属性参数和数据描述信息,数据描述信息基于网络配置协议构建得到。
步骤S202、将设备属性参数和数据描述信息输入至第一机器学习模型,得到第一机器学习模型确定的数据获取消息,数据获取消息和通信网元相对应。
步骤S203、基于数据获取消息,获取通信网元的第一数据。
步骤S204、获取通信网元对应的参数描述信息。
步骤S205、将第一数据、设备属性参数和通信网元对应的参数描述信息输入至第二机器学习模型,得到第二机器学习模型确定的通信网元的配置参数,第二机器学习模型基于第一机器学习模型训练得到。
步骤S201-S205的详细过程可以参见实施例1中步骤S101-S105的相关介绍,在此不再赘述。
步骤S206、如果通信网元的配置参数为非空值,且基于BBU和通信网元之间的通信参数确定出通信网元的配置参数错误,基于通信网元的配置参数,更新第二机器学习模型。
如果通信网元的配置参数为非空值,可以将通信网元的配置参数发送给通信网元,以使得通信网元基于配置参数进行配置,在配置之后,通信网元和BBU之间可以进行有效的业务数据交互,或,BBU对通信网元进行控制。
如果通信网元基于错误的配置参数进行配置,会影响BBU和通信网元之间的通信,因此,可以在通信网元和BBU之间可以进行业务数据交互的过程中,或,在BBU对通信网元进行控制的过程中,可以获得BBU和通信网元之间的通信参数。通信参数可以包括业务相关的参数(如,上行流量或下行流量)和通信网元针对配置参数返回的响应信息(如,通信网元定义的配置参数的范围、配置参数的类型)。
例如,如果满足以下至少之一,可以确定出通信网元的配置参数错误:
上行流量低于第一流量阈值;
下行流量低于第二流量阈值;
第二机器学习模型确定的配置参数和通信网元定义的配置参数的范围不匹配;
第二机器学习模型确定的配置参数的类型和通信网元定义的配置参数的类型不匹配。
本实施例中,可以基于第二机器学习模型确定的通信网元的配置参数扩充第二机器学习模型的训练数据,基于扩充后的训练数据对第二机器学习模型进行更新。例如,如图3所示,Model1可以用于确定数据获取消息,基于数据获取消息可以获取通信网元的第一数据,在获取到通信网元对应的参数描述信息之后,可以将第一数据、设备属性参数和通信网元对应的参数描述信息输入至第二机器学习模型(表示为Model2),得到为Model2确定的通信网元的配置参数,如果Model2确定的通信网元的配置参数错误,可以收集错误的配置参数,扩充Model2的第二训练数据集,基于扩充后的第二训练数据集更新Model2。
需要说明的是,图3仅为一种更新的示例,其并作为对第二机器学习模型进行更新的方式的限制。
在本实施例中,如果通信网元的配置参数为非空值,且基于BBU和通信网元之间的通信参数确定出通信网元的配置参数错误,通过基于通信网元的配置参数,更新第二机器学习模型,提高第二机器学习模型的训练精度,训练精度越高,第二机器学习模型确定的通信网元的配置参数的准确性也越高。
作为本申请另一可选实施例,参照图4,为本申请实施例3提供的一种网元自适应处理方法的流程示意图,如图4所示,该方法可以包括但不局限于以下步骤:
步骤S301、如果有通信网元接入基带处理单元BBU,获取通信网元的设备属性参数和数据描述信息,数据描述信息基于网络配置协议构建得到。
步骤S302、将设备属性参数和数据描述信息输入至第一机器学习模型,得到第一机器学习模型确定的数据获取消息,数据获取消息和通信网元相对应。
步骤S303、基于数据获取消息,获取通信网元的第一数据。
步骤S304、获取通信网元对应的参数描述信息。
步骤S305、将第一数据、设备属性参数和通信网元对应的参数描述信息输入至第二机器学习模型,得到第二机器学习模型确定的通信网元的配置参数,第二机器学习模型基于第一机器学习模型训练得到。
步骤S301-S305的详细过程可以参见实施例1中步骤S101-S105的相关介绍,在此不再赘述。
步骤S306、如果通信网元的配置参数为空值,更新第一机器学习模型和第二机器学习模型。
在本实施例中,第二机器学习模型基于第一机器学习模型训练得到,第一机器学习模型的训练精度及输出结果可以影响第二机器学习模型的训练精度及输出结果。
如果通信网元的配置参数为空值,可能不仅仅是第二机器学习模型的训练精度不够,还可能是第一机器学习模型的训练精度也不够,因此,可以更新第一机器学习模型和第二机器学习模型,提高第一机器学习模型和第二机器学习模型的训练精度,第一机器学习模型和第二机器学习模型的训练精度越高,第二机器学习模型确定的通信网元的配置参数的准确性也越高。
通过上述更新方式,可以减少因仅更新第二机器学习模型而导致的配置参数仍然不准确的情况发生。
在本实施例中,可以扩充第一机器学习模型和第二机器学习模型的训练数据集,基于扩充后的训练数据集,更新第一机器学习模型和第二机器学习模型。例如,如图5所示,第一机器学习模型(表示为Model1)可以基于第一训练数据集训练得到,第二机器学习模型(表示为Model2)可以基于第二训练数据集训练得到。训练完成的Model1可以用于确定数据获取消息,基于数据获取消息可以获取通信网元的第一数据,在获取到通信网元对应的参数描述信息之后,可以将第一数据、设备属性参数和通信网元对应的参数描述信息输入至Model2,得到Model2确定的通信网元的配置参数,如果Model2确定的通信网元的配置参数为空值,可以收集正确的数据获取消息,扩充Model1的第一训练数据集,可以收集正确的配置参数,扩充Model2的第二训练数据集,基于扩充后的第二训练数据集和第二训练数据集更新Model1和Model2。
需要说明的是,图5仅为一种更新的示例,其并作为对第一机器学习模型和第二机器学习模型进行更新的方式的限制。
作为本申请另一可选实施例,为本申请实施例4提供的一种网元自适应处理方法,本实施例主要是对实施例1中第一机器学习模型的训练过程的一种实施方式,第一机器学习模型可以通过但不局限于以下方式训练得到:
步骤S11、基于至少一个样本通信网元的设备属性样本参数、数据描述样本信息和数据描述样本信息对应的真实数据获取消息,对第一机器学习模型进行训练,得到能确定预测数据获取消息的第一机器学习模型。
第一机器学习模型的损失函数值满足第一设定阈值,其中,第一机器学习模型的损失函数值至少表征真实数据获取消息和预测数据获取消息之间的差异。
第一设定阈值可以根据需要进行设置,在本申请中不做限制。
对步骤S11进行更为详细的描述可以参照如下:
步骤S111、获取至少一个样本通信网元的设备属性样本参数、数据描述样本信息和数据描述样本信息对应的真实数据获取消息。
在本实施例中,至少一个样本通信网元可以来自于不同的厂商。例如,至少一个样本通信网元可以包括但不局限于:来自厂商1的RRU、来自厂商2的HUB、来自厂商3的RRU等。
设备属性样本参数可以参照实施例1中的设备属性参数的描述,在本实施例中不再赘述。
数据描述样本信息可以参照实施例1中的数据描述信息的描述,在本实施例中不再赘述。
真实数据获取消息可以参照实施例1中的数据获取消息的描述,在本实施例中不再赘述。真实数据获取消息与实施例1中的数据获取消息的不同在于,真实数据获取消息是BBU针对样本通信网元实际产生的数据获取消息,而非第一机器学习模型确定出来的。
步骤S112、将至少一个样本通信网元的设备属性样本参数和数据描述样本信息输入至第一机器学习模型,得到第一机器学习模型确定的预测数据获取消息。
在本实施例中,对第一机器学习模型的结构不做限制。例如,第一机器学习模型可以包括但不局限于:LSTM(长短期记忆)模型。
步骤S113、确定出第一机器学习模型的损失函数值不满足第一设定阈值,调整第一机器学习模型的参数,继续执行步骤S111。
在本实施例中,可以根据需要设置损失函数,在本申请中对损失函数不做限制。例如,损失函数可以包括但不局限于:均方误差MSE。
其中,用于调整第一机器学习模型的参数的优化算法可以根据需要进行设置,在本申请中不做限制。例如,优化算法可以包括但不局限于:Adam优化算法。
步骤S114、确定出第一机器学习模型的损失函数值满足第一设定阈值,结束训练步骤。
其中,第一机器学习模型的损失函数值至少表征真实数据获取消息和预测数据获取消息之间的差异。
如果有新增厂商的通信网元,可以基于新增厂商的通信网元对第一机器学习模型进行更新,不断优化第一机器学习模型,提高第一机器学习模型的训练精度。
在本实施例中,通过对第一机器学习模型进行训练可以使第一机器学习模型学习到数据描述信息和数据获取消息之间的映射关系,使得第一机器学习模型可以应用在通信网元和BBU之间的数据描述信息的规范不一致的场景,使BBU可以基于第一机器学习模型确定能被通信网元响应的数据获取消息。
作为本申请另一可选实施例,为本申请实施例5提供的一种网元自适应处理方法,本实施例主要是对实施例1中第二机器学习模型的训练过程的一种实施方式,第二机器学习模型可以通过但不局限于以下方式训练得到:
步骤S21、将至少一个样本通信网元的设备属性样本参数和数据描述样本信息输入至第一机器学习模型,得到第一机器学习模型确定的预测数据获取消息。
步骤S22、基于预测数据获取消息,获取样本通信网元的第二数据。
步骤S23、获取样本通信网元对应的参数描述信息。
步骤S24、基于样本通信网元对应的参数描述信息、样本通信网元的设备属性样本参数和第二数据对第二机器学习模型进行训练,得到用于确定样本通信网元的预测配置参数的第二机器学习模型。
第二机器学习模型的损失函数值满足第二设定阈值,其中,第二机器学习模型的损失函数值至少表征样本通信网元的真实配置参数和预测配置参数之间的差异。
样本通信网元的真实配置参数可以来自于从样本通信网元的历史的真实配置参数。
对步骤S24进行更为详细的描述可以参照如下:
步骤S241、将样本通信网元对应的参数描述信息、样本通信网元的设备属性样本参数和第二数据输入第二机器学习模型,得到第二机器学习模型确定的样本通信网元的预测配置参数。
在本申请中,可以根据需要对第二机器学习模型的结构进行设置,在此不做限制。例如,第二机器学习模型可以包括但不局限于:决策树模型。
步骤S242、确定出第二机器学习模型的损失函数值不满足第二设定阈值,调整第二机器学习模型的参数,继续获取至少一个样本通信网元的设备属性样本参数和数据描述样本信息,继续执行步骤S21。
第二设定阈值可以根据需要进行设置,在本申请中不做限制。
在本申请中,可以但不局限于通过反向传播算法和Adam优化算法调整第二机器学习模型的参数。
步骤S243、确定出第二机器学习模型的损失函数值满足第二设定阈值,结束训练步骤。
在本实施例中,基于第一机器学习模型对第二机器学习模型进行训练,可以使第二机器学习模型学习到通信网元的硬件属性和配置参数之间的关联,使得第二机器学习模型可以应用在通信网元和BBU之间的数据描述信息的规范不一致的场景,在通信网元和BBU之间的数据描述信息的规范不一致的情况下,基于通信网元的第一数据,仍可以确定通信网元的配置参数。
作为本申请另一可选实施例,为本申请实施例6提供的一种网元自适应处理方法,本实施例主要是对上述各实施例中所描述的数据描述信息的一种具体实施方式,数据描述信息可以包括但不局限于:用于对通信网元的数据内容进行描述的Yang模型。
如果通信网元的数据内容有多种,每种数据内容可以各自对应一个Yang模型。例如,通信网元的数据内容可以包括:网络传输参数和告警数据,网络传输参数可以对应Yang模型11,通信网元的告警数据可以对应Yang模型22。
通信网元可以具有交互接口。交互接口可以用于提供通信网元的数据内容的调用服务。交互接口不同于通信网元和BBU之间的硬件接口,BBU可以调用交互接口,以将数据获取消息发送给通信网元,获取通信网元的数据内容。
如果通信网元的数据内容有多种,交互接口可以有多个,每个交互接口各自对应一种数据内容。例如,通信网元的网络传输参数可以对应交互接口11,通信网元的告警数据可以对应交互接口22,BBU可以调用交互接口11,以获取通信网元的网络传输参数,BBU可以调用交互接口22,以获取通信网元的告警数据。
在本实施例中,可以将通信网元的设备属性参数和Yang模型输入第一机器学习模型,得到第一机器学习模型确定的数据获取消息,识别出对应的交互接口,通过调用对应的交互接口,将数据获取消息发送给通信网元,获取与数据获取消息对应的数据内容。例如,通信网元可以包括RRU,可以将RRU的设备属性参数和Yang模型输入第一机器学习模型,得到第一机器学习模型确定的RPC请求或订阅消息(即,数据获取消息的一种实施方式),识别出对应的交互接口,通过调用对应的交互接口,将RPC请求或订阅消息发送给通信网元,获取与RPC请求对应的数据内容或与订阅消息对应的数据内容。
在本实施例中,如果有通信网元(如,RRU或HUB)接入基带处理单元BBU,获取通信网元的设备属性参数和Yang模型,将设备属性参数和Yang模型输入至第一机器学习模型,得到第一机器学习模型确定的数据获取消息(如,RPC请求或订阅消息),使得在BBU和通信网元所使用的Yang模型的规范不一致的情况下,BBU得到的数据获取消息也可以被通信网元响应,进而BBU也可以基于数据获取消息,获取通信网元的第一数据,降低BBU和RRU之间的集成难度和维护成本,增强系统(如,基站系统、通信运营商所管理和维护的5G网络系统、智慧城市系统、工业自动化系统、智能物流系统等)的可扩展性和可维护性。
在获取通信网元的第一数据之后,可以获取通信网元对应的参数描述信息,将第一数据、设备属性参数和通信网元对应的参数描述信息输入至第二机器学习模型,得到第二机器学习模型确定的通信网元的配置参数,实现在BBU和通信网元所使用的Yang模型的规范不一致的情况下,获得配置参数,以对通信网元进行自适应配置,解决BBU和通信网元之间的兼容性问题。
作为本申请另一可选实施例,为本申请实施例7提供的一种网元自适应处理方法,本实施例主要是对上述实施例1中获取通信网元的设备属性参数和数据描述信息的具体实施方式,获取通信网元的设备属性参数和数据描述信息可以包括但不局限于:
步骤S1011、基于通信网元的标识从预先构建的设备库中,获取通信网元的设备属性参数和数据描述信息,预先构建的设备库中包含多种通信网元中每种通信网元的设备属性参数和数据描述信息。
在本实施例中,可以预先收集不同厂商的通信网元的设备属性参数和数据描述信息,基于不同厂商的通信网元的设备属性参数和数据描述信息,预先构建设备库,
设备库中包含多种通信网元中每种通信网元的设备属性参数和数据描述信息。设备库中每种通信网元具有各自的标识,不同种的通信网元的标识不同。
例如,可以预先收集不同厂商的RRU的设备属性参数和Yang模型,基于不同厂商的RRU的设备属性参数和Yang模型,预先构建设备库,设备库中包含多种RRU中每种RRU的设备属性参数和Yang模型。
BBU可以为预先构建的设备库分配存储空间,将预先构建的设备库存储在BBU的存储空间中。
在本实施例中,基于通信网元的标识从预先构建的设备库中,获取通信网元的设备属性参数和数据描述信息,可以提高获取设备属性参数和数据描述信息的效率,进而可以提高第一机器学习模型确定数据获取消息的效率及第二机器学习模型确定通信网元的配置参数的效率。
作为本申请另一可选实施例,为本申请实施例8提供的一种网元自适应处理方法,本实施例主要是对上述实施例1中获取通信网元对应的参数描述信息的具体实施方式,获取通信网元对应的参数描述信息可以包括但不局限于:
步骤S1041、基于通信网元的标识从预先构建的参数库中,获取通信网元对应的参数描述信息,预先构建的参数库中包含多种通信网元中每种通信网元对应的参数描述信息。
在本实施例中,可以预先收集不同厂商的通信网元的配置参数和参数描述信息中至少一种,基于不同厂商的通信网元的配置参数和参数描述信息中至少一种,预先构建参数库。
基于不同厂商的通信网元的配置参数和参数描述信息中至少一种,预先构建参数库,可以包括以下至少之一:
基于不同厂商的通信网元的配置参数,确定不同厂商的通信网元对参数配置的要求,得到用于描述要求的参数描述信息,以构建参数库;
将不同厂商的通信网元的参数描述信息组成参数库。
参数库中包含多种通信网元中每种通信网元的参数描述信息。参数库中每种通信网元具有各自的标识,不同种的通信网元的标识不同。
例如,可以预先收集不同厂商的RRU的参数描述信息,基于不同厂商的RRU的参数描述信息,预先构建参数库,设备库中包含多种RRU中每种RRU的参数描述信息。
BBU可以为预先构建的参数库分配存储空间,将预先构建的参数库存储在BBU的存储空间中。
在本实施例中,基于通信网元的标识从预先构建的参数库中,获取通信网元的参数描述信息,可以提高获取参数描述信息的效率,进而可以提高第二机器学习模型确定通信网元的配置参数的效率。
当然,步骤S1041也可以作为实施例7中步骤S104的一种具体实施方式。现结合预先构建的设备库和参数库,以Yang模型为例,对第一机器学习模型和第二机器学习模型的训练及决策过程进行说明,例如,如图6所示,在模型训练阶段,可以基于各个厂商的Yang模型对第一机器学习模型训练得到Model1,基于预先构建的设备库和参数库及Model1得到的RPC请求或订阅消息,训练第二机器学习模型,训练得到Model2。
在决策阶段,如果监听到有通信网元接入BBU,从预先构建的设备库中获取通信网元的设备属性参数和Yang模型,将通信网元的设备属性参数和Yang模型输入到Model1,得到Model1确定的RPC请求或订阅消息。
从预先构建的参数库中获取通信网元的参数描述信息,从预先构建的设备库中获取通信网元的设备属性参数,将通信网元的参数描述信息、设备属性参数及Model1确定的RPC请求或订阅消息输入至Model2,得到Model2确定的通信网元的配置参数。
如果配置参数错误,或,配置参数为空值,或,或新增厂商,均可以对Model1和Model2进行更新。
需要说明的是,图6仅为一种示例,其并作为对第一机器学习模型和第二机器学习模型进行训练以及决策过程的限制。
接下来对本申请提供的一种网元自适应处理装置进行介绍,下文介绍的网元自适应处理装置与上文介绍的网元自适应处理方法可相互对应参照。
请参见图7,网元自适应处理装置包括:第一获取模块100、第一确定模块200、第二获取模块300、第三获取模块400和第二确定模块500。
第一获取模块100,用于如果有新的通信网元接入基带处理单元BBU,获取通信网元的设备属性参数和数据描述信息,数据描述信息基于网络配置协议构建得到。
第一确定模块200,用于将设备属性参数和数据描述信息输入至第一机器学习模型,得到第一机器学习模型确定的数据获取消息。
第二获取模块300,用于基于数据获取消息,获取通信网元的第一数据。
第三获取模块400,用于获取通信网元对应的参数描述信息。
第二确定模块500,用于将第一数据、设备属性参数和通信网元对应的参数描述信息输入至第二机器学习模型,得到第二机器学习模型确定的通信网元的配置参数,第一机器学习模型和第二机器学习模型不同。
在本实施例中,网元自适应处理装置还可以包括:
第一更新模块,用于如果通信网元的配置参数为非空值,且基于BBU和通信网元之间的通信参数确定出通信网元的配置参数错误,基于通信网元的配置参数,更新第二机器学习模型。
在本实施例中,网元自适应处理装置还可以包括:
第二更新模块,用于如果通信网元的配置参数为空值,更新第一机器学习模型和第二机器学习模型。
在本实施例中,网元自适应处理装置还可以包括:
第一训练模块,用于:
基于至少一个样本通信网元的设备属性样本参数、数据描述样本信息和数据描述样本信息对应的真实数据获取消息,对第一机器学习模型进行训练,得到能确定预测数据获取消息的第一机器学习模型,第一机器学习模型的损失函数值满足第一设定阈值,其中,第一机器学习模型的损失函数值至少表征真实数据获取消息和预测数据获取消息之间的差异。
在本实施例中,网元自适应处理装置还可以包括:
第二训练模块,用于:
将至少一个样本通信网元的设备属性样本参数和数据描述样本信息输入至第一机器学习模型,得到第一机器学习模型确定的预测数据获取消息;
基于预测数据获取消息,获取样本通信网元的第二数据;
获取样本通信网元对应的参数描述信息;
基于样本通信网元对应的参数描述信息样本通信网元的设备属性样本参数和第二数据对第二机器学习模型进行训练,得到用于确定样本通信网元的预测配置参数的第二机器学习模型,第二机器学习模型的损失函数值满足第二设定阈值,其中,第二机器学习模型的损失函数值至少表征样本通信网元的真实配置参数和预测配置参数之间的差异。
在本实施例中,数据描述信息可以包括:用于对通信网元的数据内容进行描述的Yang模型。
第一获取模块100,具体可以用于:
基于通信网元的标识从预先构建的设备库中,获取通信网元的设备属性参数和数据描述信息,预先构建的设备库中包含多种通信网元中每种通信网元的设备属性参数和数据描述信息。
第三获取模块400,具体可以用于:
基于通信网元的标识从预先构建的参数库中,获取通信网元对应的参数描述信息,预先构建的参数库中包含多种通信网元中每种通信网元对应的参数描述信息。
与上述本申请提供的一种网元自适应处理方法实施例相对应的,本申请还提供了一种基带处理单元。
基带处理单元,用于:
如果有新的通信网元接入基带处理单元BBU,获取通信网元的设备属性参数和数据描述信息,数据描述信息基于网络配置协议构建得到;
将设备属性参数和数据描述信息输入至第一机器学习模型,得到第一机器学习模型确定的数据获取消息;
基于数据获取消息,获取通信网元的第一数据;
获取通信网元对应的参数描述信息;
将第一数据、设备属性参数和通信网元对应的参数描述信息输入至第二机器学习模型,得到第二机器学习模型确定的通信网元的配置参数,第二机器学习模型基于第一机器学习模型训练得到。
在本实施例中,BBU中的OAM(操作维护管理)模块可以包括但不局限于:数据采集与存储单元;数据处理及自适应单元。
数据采集与存储单元,可以用于获取预先构建的设备库和参数库,对预先构建的设备库和参数库进行存储。
如图8所示,数据处理及自适应单元,可以用于:
如果有新的通信网元接入BBU,从预先构建的设备库中获取通信网元的设备属性参数和数据描述信息,数据描述信息基于网络配置协议构建得到;
将设备属性参数和数据描述信息输入至第一机器学习模型,得到第一机器学习模型确定的数据获取消息;
基于数据获取消息,获取通信网元的第一数据;
从预先构建的参数库中获取通信网元对应的参数描述信息;
将第一数据、设备属性参数和通信网元对应的参数描述信息输入至第二机器学习模型,得到第二机器学习模型确定的通信网元的配置参数,第二机器学习模型基于第一机器学习模型训练得到。
需要说明的是,图8仅为一种示例,其并不作为对BBU管理的拓扑结构的限制。
需要说明的是,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
以上对本申请所提供的一种网元自适应处理方法、装置及基带处理单元进行了详细介绍,本文中应用了具体个例对本申请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申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,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申请的限制。
Claims (10)
1.一种网元自适应处理方法,包括:
如果有通信网元接入基带处理单元BBU,获取所述通信网元的设备属性参数和数据描述信息,所述数据描述信息基于网络配置协议构建得到;
将所述设备属性参数和所述数据描述信息输入至第一机器学习模型,得到所述第一机器学习模型确定的数据获取消息,所述数据获取消息和所述通信网元相对应;
基于所述数据获取消息,获取所述通信网元的第一数据;
获取所述通信网元对应的参数描述信息;
将所述第一数据、所述设备属性参数和所述通信网元对应的参数描述信息输入至第二机器学习模型,得到所述第二机器学习模型确定的所述通信网元的配置参数,所述第二机器学习模型基于所述第一机器学习模型训练得到。
2.根据权利要求1所述的网元自适应处理方法,所述网元自适应处理方法还包括:
如果所述通信网元的配置参数为非空值,且基于所述BBU和所述通信网元之间的通信参数确定出所述通信网元的配置参数错误,基于所述通信网元的配置参数,更新所述第二机器学习模型。
3.根据权利要求1所述的网元自适应处理方法,所述网元自适应处理方法还包括:
如果所述通信网元的配置参数为空值,更新所述第一机器学习模型和所述第二机器学习模型。
4.根据权利要求1所述的网元自适应处理方法,所述第一机器学习模型通过以下方式训练得到:
基于至少一个样本通信网元的设备属性样本参数、数据描述样本信息和所述数据描述样本信息对应的真实数据获取消息,对第一机器学习模型进行训练,得到能确定预测数据获取消息的第一机器学习模型,所述第一机器学习模型的损失函数值满足所述第一设定阈值,其中,所述第一机器学习模型的损失函数值至少表征所述真实数据获取消息和所述预测数据获取消息之间的差异。
5.根据权利要求1所述的网元自适应处理方法,所述第二机器学习模型通过以下方式训练得到:
将所述至少一个样本通信网元的设备属性样本参数和数据描述样本信息输入至第一机器学习模型,得到所述第一机器学习模型确定的预测数据获取消息;
基于所述预测数据获取消息,获取所述样本通信网元的第二数据;
获取所述样本通信网元对应的参数描述信息;
基于所述样本通信网元对应的参数描述信息、所述样本通信网元的设备属性样本参数和所述第二数据对第二机器学习模型进行训练,得到用于确定所述样本通信网元的预测配置参数的第二机器学习模型,所述第二机器学习模型的损失函数值满足第二设定阈值,其中,所述第二机器学习模型的损失函数值至少表征所述样本通信网元的真实配置参数和所述预测配置参数之间的差异。
6.根据权利要求1所述的网元自适应处理方法,所述数据描述信息包括:用于对所述通信网元的数据内容进行描述的Yang模型。
7.根据权利要求1所述的网元自适应处理方法,获取所述通信网元的设备属性参数和数据描述信息,包括:
基于所述通信网元的标识从预先构建的设备库中,获取所述通信网元的设备属性参数和数据描述信息,所述预先构建的设备库中包含多种通信网元中每种所述通信网元的设备属性参数和数据描述信息。
8.根据权利要求1所述的网元自适应处理方法,获取所述通信网元对应的参数描述信息,包括:
基于所述通信网元的标识从预先构建的参数库中,获取所述通信网元对应的参数描述信息,所述预先构建的参数库中包含多种通信网元中每种所述通信网元对应的参数描述信息。
9.一种网元自适应处理装置,包括:
第一获取模块,用于如果有新的通信网元接入基带处理单元BBU,获取所述通信网元的设备属性参数和数据描述信息,所述数据描述信息基于网络配置协议构建得到;
第一确定模块,用于将所述设备属性参数和所述数据描述信息输入至第一机器学习模型,得到所述第一机器学习模型确定的数据获取消息;
第二获取模块,用于基于所述数据获取消息,获取所述通信网元的第一数据;
第三获取模块,用于获取所述通信网元对应的参数描述信息;
第二确定模块,用于将所述第一数据、所述设备属性参数和所述通信网元对应的参数描述信息输入至第二机器学习模型,得到所述第二机器学习模型确定的所述通信网元的配置参数,所述第二机器学习模型基于所述第一机器学习模型训练得到。
10.一种基带处理单元,用于:
如果有新的通信网元接入基带处理单元BBU,获取所述通信网元的设备属性参数和数据描述信息,所述数据描述信息基于网络配置协议构建得到;
将所述设备属性参数和所述数据描述信息输入至第一机器学习模型,得到所述第一机器学习模型确定的数据获取消息;
基于所述数据获取消息,获取所述通信网元的第一数据;
获取所述通信网元对应的参数描述信息;
将所述第一数据、所述设备属性参数和所述通信网元对应的参数描述信息输入至第二机器学习模型,得到所述第二机器学习模型确定的所述通信网元的配置参数,所述第二机器学习模型基于所述第一机器学习模型训练得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410383295.9A CN118118932A (zh) | 2024-03-31 | 2024-03-31 | 一种网元自适应处理方法、装置及基带处理单元 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410383295.9A CN118118932A (zh) | 2024-03-31 | 2024-03-31 | 一种网元自适应处理方法、装置及基带处理单元 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118118932A true CN118118932A (zh) | 2024-05-31 |
Family
ID=91212487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410383295.9A Pending CN118118932A (zh) | 2024-03-31 | 2024-03-31 | 一种网元自适应处理方法、装置及基带处理单元 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118118932A (zh) |
-
2024
- 2024-03-31 CN CN202410383295.9A patent/CN118118932A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108199897B (zh) | 一种支持缓存管理的opc ua多服务器聚合方法 | |
CN112925646A (zh) | 一种电力数据边缘计算系统以及计算方法 | |
CN113708974A (zh) | 基于自适应组网的边缘云网络系统及协同方法 | |
CN102420699B (zh) | 数字射频拉远系统的设备编号分配方法及系统 | |
CN109639484B (zh) | 基于软件定义的工业融合网络管理方法及其网络管理器 | |
CN115150274B (zh) | 时间敏感网络设备的统一配置方法、系统及存储介质 | |
CN114980302A (zh) | 设备接入方法、设备管理方法、系统和计算机设备 | |
US20230403223A1 (en) | Data analysis apparatus management and control method and communication apparatus | |
CN117692937B (zh) | 一种5g全连接工厂设备网络拓扑结构及其构建、使用方法 | |
CN115174621A (zh) | 用于水电站智能巡检的边缘物联代理装置 | |
US11556100B2 (en) | Control method, related device, and system | |
CN104270432B (zh) | 基于钻井行业实时数据服务系统及数据交互方法 | |
CN112003825A (zh) | 一种基于sdn的虚拟网络隔离方法及sdn控制器 | |
JP2022546131A (ja) | 複数の管理領域のための通信方法及び装置 | |
CN118118932A (zh) | 一种网元自适应处理方法、装置及基带处理单元 | |
CN116471177A (zh) | 时间敏感网络动态配置管理系统、方法及介质 | |
CN102904739A (zh) | 一种实现事件转发的方法及通用信息模型cim服务器 | |
CN113114480A (zh) | 一种数据的上报方法及相关设备 | |
CN115834634A (zh) | 一种面向智能楼宇网联设备的管理方法和系统 | |
CN113453255B (zh) | 一种边设备容器的业务数据传输负载均衡优化方法及装置 | |
CN117294743A (zh) | 一种构建方法、第一通信节点、存储介质及构建系统 | |
WO2022214193A1 (en) | Control network for mobile robots | |
Cornel-Cristian et al. | Smart grid integration of IoT | |
Lins et al. | Software-defined networking for industry 4.0 | |
Nurgaliyev et al. | AN ANALYSIS OF THE HETEROGENEOUS IOT DEVICE NETWORK INTERACTION IN A CYBER-PHYSICAL SYSTEM |
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 |