CN118233350A - 服务性能测量方法、装置、电子设备及存储介质 - Google Patents
服务性能测量方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN118233350A CN118233350A CN202211644343.2A CN202211644343A CN118233350A CN 118233350 A CN118233350 A CN 118233350A CN 202211644343 A CN202211644343 A CN 202211644343A CN 118233350 A CN118233350 A CN 118233350A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- time length
- service
- performance measurement
- 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
- 238000000691 measurement method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 213
- 238000010801 machine learning Methods 0.000 claims description 68
- 238000005259 measurement Methods 0.000 claims description 52
- 238000004458 analytical method Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 20
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 48
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 14
- 230000001960 triggered effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012517 data analytics Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开提供了一种服务性能测量方法、装置、电子设备及计算机可读存储介质，涉及移动通信技术领域。该方法包括：获取功能网元接收目标模型提供服务的请求的第一时间及目标模型提供服务输出结果的第二时间，计算第一时间与第二时间的差值，得到时间长度信息，根据时间长度信息与训练门限生成模型训练总次数、目标训练时长的总和，根据模型训练总次数及模型训练总时长得到模型训练平均时长，本公开实施例能通过量化的模型训练总次数、模型训练总时长或模型训练平均时长等服务性能测量结果评估功能网元服务性能。
Description
技术领域
本公开涉及移动通信技术领域，尤其涉及一种服务性能测量方法、装置、电子设备及计算机可读存储介质。
背景技术
在整个基于ML(Machine Learning，机器学习)的网络智能化实现框架下，模型训练时的开销是最为显著的，模型训练过程对功能网元性能的影响，要显著地高于功能网元提供的其他服务对功能网元性能的影响，获取功能网元是否触发了模型训练这一信息，是评估网络智能化框架中网元性能的重要依据，相关技术无法区别功能网元是否触发了模型训练过程，无法对功能网元触发的模型训练过程进行观测。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开提供一种服务性能测量方法、装置、电子设备及计算机可读存储介质，至少在一定程度上克服相关技术中无法观测功能网元触发的模型训练信息的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开的一个方面，提供一种服务性能测量方法，包括：
获取功能网元提供目标模型提供服务的时间长度信息，其中，所述目标模型提供服务是用于提供模型的服务；
根据所述时间长度信息及训练门限，生成服务性能测量结果。
在本公开的一个实施例中，所述模型为机器学习ML模型。
在本公开的一个实施例中，所述服务性能测量结果包括以下至少之一：模型训练总次数、模型训练总时长、模型训练平均时长。
在本公开的一个实施例中，所述根据所述时间长度信息及训练门限，生成服务性能测量结果包括：获取一定时间内所述时间长度信息大于所述训练门限的次数，生成所述模型训练总次数。
在本公开的一个实施例中，所述获取一定时间内所述时间长度信息大于所述训练门限的次数，生成所述模型训练总次数包括：
将计时器的时间长度调整为与所述训练门限一致；
当所述功能网元接收到所述目标模型提供服务的请求时，启动所述计时器进行计时；
根据所述功能网元是否在所述计时器超时前提供结果的信息，生成所述模型训练总次数。
在本公开的一个实施例中，所述根据所述功能网元是否在所述计时器超时前提供结果的信息，生成所述模型训练总次数包括：
判断所述功能网元是否在所述计时器超时前提供结果；
若是，则所述时间长度信息小于或等于所述训练门限，不计数；
否则，所述时间长度信息大于所述训练门限，计数；
根据一定时间内所述时间长度信息大于所述训练门限的次数，生成所述模型训练总次数。
在本公开的一个实施例中，所述根据所述功能网元是否在所述计时器超时前提供结果的信息，生成所述模型训练总次数包括：
判断所述功能网元是否在所述计时器超时前提供结果；
若是，则所述时间长度信息小于所述训练门限，不计数；
否则，所述时间长度信息大于或等于所述训练门限，计数；
根据一定时间内所述时间长度信息大于或等于所述训练门限的次数，生成所述模型训练总次数。
在本公开的一个实施例中，所述根据所述时间长度信息及训练门限，生成服务性能测量结果包括：
获取一定时间内目标训练时长，其中，所述目标训练时长为大于或等于所述训练门限的时间长度信息；
计算所述目标训练时长的总和，生成所述模型训练总时长。
在本公开的一个实施例中，所述根据所述时间长度信息及训练门限，生成服务性能测量结果包括：
根据所述模型训练总次数及所述模型训练总时长得到所述模型训练平均时长。
在本公开的一个实施例中，所述获取功能网元提供目标模型提供服务的时间长度信息包括：
获取所述功能网元接收所述目标模型提供服务的请求的第一时间；
获取所述请求对应的所述目标模型提供服务输出结果的第二时间；
计算所述第一时间与所述第二时间的差值，得到所述时间长度信息。
在本公开的一个实施例中，所述目标模型提供服务包括用于指示如下内容的参数：提供模型、更新模型或重新训练模型。
在本公开的一个实施例中，还包括：
获取所述目标模型的类型标识；根据所述类型标识确定对应的分析类型过滤器；
通过所述分析类型过滤器得到所述目标模型提供服务的时间长度信息。
在本公开的一个实施例中，所述功能网元为网络数据分析功能网元。
根据本公开的另一个方面，还提供了一种服务性能测量装置，包括：时间长度获取模块、测量结果生成模块；
时间长度获取模块，获取功能网元提供目标机器学习模型提供服务的时间长度信息，其中，所述目标模型提供服务是用于提供模型的服务；
测量结果生成模块，根据所述时间长度信息及训练门限，生成服务性能测量结果。
根据本公开的另一个方面，还提供了一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述服务性能测量方法。
根据本公开的另一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述的服务性能测量方法。
本公开的实施例所提供的服务性能测量方法、装置、电子设备及计算机可读存储介质，获取功能网元接收目标模型提供服务的请求的第一时间，获取请求对应的目标模型提供服务输出结果的第二时间，计算第一时间与第二时间的差值，得到时间长度信息，根据时间长度信息与训练门限生成模型训练总次数、模型训练总时长，并根据模型训练总次数及模型训练总时长得到模型训练平均时长，通过量化的模型训练总次数、模型训练总时长或模型训练平均时长等服务性能测量结果评估功能网元服务性能。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本公开实施例中一种服务性能测量方法流程图；
图2示出本公开实施例中一种时间长度信息获取方法流程图；
图3示出本公开实施例中一种模型训练总次数生成方法流程图；
图4示出本公开实施例中一种NWDAF分析模型提供服务的性能测量方法流程图；
图5示出本公开实施例中一种NWDAF的服务性能测量结果生成方法流程图；
图6示出本公开实施例中一种服务性能测量装置示意图；
图7示出本公开实施例中一种电子设备的结构框图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
为了便于理解，下面首先对本公开涉及到的几个名词进行解释如下：
NWDAF(Network Data Analytics Function，网络数据分析功能)是5GC中的网元，支持从NFs、AFs以及OAM收集数据，并向NFs、AFs以及OAM提供分析信息，NWDAF可以提供分析服务、数据管理服务以及模型相关的服务等。
MDAS(Management Data Analytics Service，管理数据分析服务)提供不同网络相关参数的数据分析等。
VNFC(Virtualized Network Function Component，虚拟化网络功能组件)是VNF(Virtualized Network Function，虚拟化网络功能层)的组件，用于完成VNF的某项特定功能。
ML(Machine Leaming，机器学习)通过研究算法和统计模型，让计算机系统使用这些算法和统计模型，依靠模式和推理来执行特定的任务，能基于样本数据建立数学模型，以便在没有被明确编程的情况下作出预测或决策。
下面结合附图及实施例对本示例实施方式进行详细说明。
首先，本公开实施例中提供了一种服务性能测量方法，该方法可以由任意具备计算处理能力的电子设备执行。
图1示出本公开实施例中一种服务性能测量方法流程图，如图1所示，本公开实施例中提供的服务性能测量方法包括如下步骤：
S102，获取功能网元提供目标模型提供服务的时间长度信息；
在一个实施例中，功能网元是可以提供模型提供服务的网元，功能网元包括但不限于网络数据分析功能网元、MDAS。
网络数据分析功能网元作为5GC(5G核心网)中大数据采集和智能分析的独立网元，具备能力标准化、汇聚网络数据、实时性更高、支持闭环可控等特点。
MDAS(Management Data Analytics Service，管理数据分析服务)提供不同网络相关参数的数据分析等。
在一个实施例中，模型可以是机器学习ML模型，目标ML模型提供服务是用于提供ML模型的服务ML Model Provisioning，用于提供ML模型的服务；目标ML模型提供服务包括但不限于用于指示如下内容的参数：提供模型、更新模型或重新训练模型。
时间长度信息为待测的功能实体提供每个目标ML模型提供服务输出结果的时间消耗，可通过获取功能网元接收ML模型提供服务的服务请求或订阅请求的时间、与该服务请求对应的响应时间、与该订阅请求对应的订阅通知时间来计算时间长度信息。
在一个实施例中，目标ML模型服务不包含提供服务结果的时间或者时延要求。
S104，根据时间长度信息及训练门限，生成服务性能测量结果。
ML模型训练过程对功能网元性能的影响，要显著地高于功能网元提供的其他服务对NWDAF性能的影响；训练门限为判断ML模型的训练是否发生的阈值，在一个实施例中，训练门限可根据用户需要进行设置，也可以根据ML模型历史数据进行设置，对比不作限制。
服务性能测量结果是根据ML模型训练信息生成的用于评估功能网元性能的数据，服务性能测量结果能识别功能网元是否触发模型训练过程或事件，并进一步能针对功能网元触发的模型训练过程的性能指标测量。
在一个实施例中，服务性能测量结果包括以下至少之一：模型训练总次数、模型训练总时长、模型训练平均时长等。
在一个实施例中，可根据需要用户设置等于训练门限是否计数，模型训练总次数生成方法包括：获取一定时间内时间长度信息大于训练门限，生成模型训练总次数；模型训练总次数生成方法也可包括：获取一定时间内时间长度信息大于或等于训练门限，生成模型训练总次数。
在一个实施例中，模型训练总时长生成方法包括：获取一定时间内目标训练时长，其中，目标训练时长为大于或等于训练门限的时间长度信息。
在一个实施例中，获取一定时间内时间长度信息大于训练门限的次数，生成模型训练总次数中，对应的目标训练时长为大于训练门限的时间长度信息，并计算目标训练时长的总和，生成对应的模型训练总时长，并根据该模型训练总时长与模型训练总次数生成对应的模型训练平均时长。
在一个实施例中，获取一定时间内时间长度信息大于或等于训练门限的次数，生成模型训练总次数中，对应的目标训练时长为大于或等于训练门限的时间长度信息，并计算目标训练时长的总和，生成对应的模型训练总时长，并根据该模型训练总时长与模型训练总次数生成对应的模型训练平均时长。
在一个实施例中，模型训练总次数、模型训练总时长或模型训练平均时长可以根据权重计算获得。
在一个实施例中，本公开实施例以时间长度信息大于训练门限，生成模型训练总次数为例进行介绍；获取一定时间内大于训练门限的时间长度信息，设置多个阈值生成多个阈值区间，多个阈值区间与多个权重系数一一对应，获取在每个阈值区间的时间长度信息次数，计算该次数与对应的权重系数的乘积生成每个阈值区间的次数，每个阈值区间的次数的和为根据权重计算的模型训练总次数。
在一个实施例中，以设置三个阈值为例，即第一阈值、第二阈值及第三阈值，第三阈值大于第二阈值，第二阈值大于第一阈值；并设置三个阈值生成三个阈值区间，对应的三个权重系数，即第一权重系数、第二权重系数及第三权重系数，三个权重系数的总和为1，获取一定时间内时间长度信息在第一阈值区间的次数，即时间长度信息大于第一阈值，且时间长度信息小于或等于第二阈值的次数得到第一次数，获取一定时间内时间长度信息在第二阈值区间的次数，即时间长度信息大于第二阈值，且时间长度信息小于或等于第三阈值的次数得到第二次数，获取一定时间内时间长度信息在第三阈值区间的次数，即时间长度信息大于第三阈值的次数得到第三次数，根据权重计算得到的模型训练总次数为第一次数与第一权重系数乘积、第二次数与第二权重系数乘积、第三次数与第三权重系数乘积的和。
在一个实施例中，获取一定时间内大于训练门限的时间长度信息，设置多个阈值生成多个阈值区间，多个阈值区间与多个权重系数一一对应，获取在每个阈值区间的目标训练时长，计算该目标训练时长与对应的权重系数的乘积生成每个阈值区间的目标训练时长，每个阈值区间的目标训练时长的和为根据权重计算的模型训练总时长。
在一个实施例中，以设置三个阈值为例，即第一阈值、第二阈值及第三阈值，第三阈值大于第二阈值，第二阈值大于第一阈值；并设置三个阈值生成三个阈值区间，对应的三个权重系数，即第一权重系数、第二权重系数及第三权重系数，三个权重系数的总和为1，获取一定时间内在第一阈值区间的第一目标训练时长，即第一目标训练时长大于第一阈值，且第一目标训练时长小于或等于第二阈值；获取一定时间内在第二阈值区间的第二目标训练时长，即第二目标训练时长大于第二阈值，且第二目标训练时长小于或等于第三阈值；获取一定时间内在第三阈值区间的第三目标训练时长，即第三目标训练时长大于第三阈值，根据权重计算得到的模型训练总时长为第一目标训练时长与第一权重系数乘积、第一目标训练时长与第二权重系数乘积、第一目标训练时长与第三权重系数乘积的和。
在一个实施例中，根据权重计算得到的模型训练总次数及模型训练总时长，得到根据权重计算得到的模型训练平均时长。
在一个实施例中，通过服务性能测量结果可以反映实现ML模型训练功能的VNFC(Virtualized Network Function Component，虚拟化网络功能组件)实例的性能，也可以反映功能网元的性能，评估该VNFC的能量效率。
相关技术中，对于功能网元内部的事件的观测，通常的做法是设计特定的服务接口，通过内部记录事件以及服务化接口，对外部进行事件记录的开放，对于服务时间的观测，普遍用于测量服务提供者的时延性能。
上述实施例中，获取功能网元提供ML模型相关的服务的时间长度信息，根据上述时间长度信息是否达到设定的训练门限，判断模型训练的发生，量化模型训练对功能网元性能的影响，而不需要对外发出事件提醒，通过模型训练总次数、模型训练总时长、模型训练平均时长任一个或多个的组合，作为待测功能网元的服务性能测量结果评估功能网元等的性能，不需要功能网元主动上报就能观测功能网元内部处理事件。
图2示出本公开实施例中一种时间长度信息获取方法流程图，如图2所示，本公开实施例中提供的时间长度信息获取方法包括如下步骤：
S202，获取功能网元接收目标模型提供服务的请求的第一时间；
目标模型提供服务为功能网元消费者发送的模型提供服务；在一个实施例中，请求包括但不限于订阅请求或服务请求，请求包括但不限于：功能网元消费者标识、功能网元标识、目标模型类型标识等。
在一个实施例中，功能网元接收功能网元消费者发送的订阅请求或服务请求，获取功能网元接收目标模型提供服务的订阅请求或服务请求的第一时间。
S204，获取请求对应的目标模型提供服务输出结果的第二时间；
在一个实施例中，获取功能网元接收功能网元消费者发送的订阅请求后发送订阅通知的第二时间，或获取功能网元接收功能网元消费者发送的服务请求后发送响应的第二时间。
S206，计算第一时间与第二时间的差值，得到时间长度信息。
在一个实施例中，获取目标模型的类型标识；根据类型标识确定对应的分析类型过滤器；通过分析类型过滤器得到目标模型提供服务的时间长度信息。
在一个实施例中，获取与待测功能网元相关的时间长度信息，根据待测功能网元提供模型服务的类型标识分别进行聚类分析，生成与类型标识对应的分析类型过滤器。
在一个实施例中，待测的待测功能网元接收的针对特定类型的模型提供服务的服务请求或订阅请求，其中，服务请求或订阅请求包括模型的类型标识，测量待测的待测功能网元提供每个当前模型提供服务的时间长度信息，将多个时间长度信息根据类型标识进行聚类分析，生成与类型标识对应的分析类型过滤器。
在一个实施例中，分析类型过滤器可以周期进行更新。
上述实施例中，网络功能实体或实例的管理，依赖于网络功能实体或实例的性能观测和评价，可通过功能网元与功能网元消费者的交互信息，得到时间长度信息，NWDAF在向服务消费者提供分析模型的时候，根据时间长度信息可以自行判断是否需要对模型进行更新，也即是否需要进行模型训练，而不需要对外发出事件提醒。
图3示出本公开实施例中一种模型训练总次数生成方法流程图，如图3所示，本公开实施例中提供的模型训练总次数生成方法包括如下步骤：
S302，将计时器的时间长度调整为与训练门限一致。
例如，训练门限为1分钟，则计时器的时间长度调整为1分钟。
S304，当功能网元接收到目标模型提供服务的请求时，启动计时器进行计时；
S306，判断功能网元是否在计时器超时前提供结果；
S308，若是，则时间长度信息小于或等于训练门限，不计数；
S310，否则，时间长度信息大于训练门限，计数；
S312，根据一定时间内时间长度信息大于训练门限的次数，生成模型训练总次数。
在一个实施例中，可根据用户需要设置时间长度信息等于训练门限时是否计数，本公开实施例以时间长度信息大于训练门限计数为例进行介绍。
在一个实施例中，以计时器的时间长度为1分钟为例，在一定时间内，当功能网元接收到第一个目标模型提供服务的服务请求或订阅请求时，启动计时器进行计时，当功能网元在1分钟内提供请求结果或订阅结果，则不计数；当功能网元接收到第二个目标模型提供服务的服务请求或订阅请求时，启动计时器进行计时，当功能网元在1分钟内未提供请求结果或订阅结果，则通过计数器计数为1；功能网元接收到第三个目标模型提供服务的服务请求或订阅请求时，启动计时器进行计时，当功能网元在1分钟内未提供请求结果或订阅结果，则通过计数器计数为2；因而，在该时间范围内时间长度信息大于训练门限的次数为2，模型训练总次数为2。
上述实施例中，根据上述时间长度信息是否达到设定的训练门限，判断模型训练的发生，量化模型训练对功能网元性能的影响，而不需要对外发出事件提醒，通过模型训练总次数作为待测功能网元的服务性能测量结果评估功能网元等的性能，不需要功能网元主动上报就能观测功能网元内部处理事件。
图4示出本公开实施例中一种NWDAF分析模型提供服务的性能测量方法流程图，如图4所示，本公开实施例中提供的NWDAF分析模型提供服务的性能测量方法包括如下步骤：
Rel-15开始，3GPP(3rd Generation Partnership Project，第三代合作伙伴计划)在核心网中引入了NWDAF(Network Data Analytics Function，网络数据分析功能)进行网络数据分析；3GPP Rel-17对NWDAF的架构进行了增强，其中之一是通过LogicalDecomposition(逻辑分解)，允许NWDAF在提供分析服务的同时，也可以通过服务化接口，提供ML模型。
S402，测量待测的NWDAF实例接收的针对特定类型的ML模型提供服务的服务请求或订阅请求的时间t1；
S404，测量与S102中每个服务请求或订阅请求对应的NWDAF提供ML模型输出结果的时间t2；
在一个实施例中，测量NWDAF实例接收ML模型提供服务的服务请求t1，测量与该服务请求对应的NWDAF提供ML模型响应的时间t2。
在一个实施例中，测量NWDAF实例接收ML模型提供服务的订阅请求t1，测量与该订阅请求对应的NWDAF提供ML模型订阅通知的时间t2。
S406，计算topt＝t2-t1，得到待测的NWDAF实例提供每个当前ML模型提供服务的时间长度信息，即ML模型输出结果的时间消耗；
S408，针对特定NWDAF实例或特定的ML模型类型，生成分析类型过滤器。
不同的NWDAF实例的资源配置不同，同时，不同NWDAF实例能够提供的分析模型种类，以及模型的更新状态也不相同。因此，所生成的分析类型过滤器，需要同时考虑上述因素，才有可能得到准确的结果。
在一个实施例中，首先基于在特定NWDAF实例记录topt；其次，按照该NWDAF实例提供的分析服务的类型标识的数量进行聚类分析；最后，生成与类型标识对应的分析类型过滤器。
在一个实施例中，待测的NWDAF实例接收的针对特定类型的ML模型提供服务的服务请求或订阅请求，其中，服务请求或订阅请求包括ML模型的类型标识，测量待测的NWDAF实例提供每个当前ML模型提供服务的时间长度信息，将多个时间长度信息根据类型标识进行聚类分析，生成与类型标识对应的分析类型过滤器。
在一个实施例中，分析类型过滤器可以周期进行更新，不需要在每次判断的时候重新生成；分析类型过滤器的更新周期可以根据用户需要进行设置，例如，用户可设置1小时更新分析类型过滤器；分析类型过滤器的更新周期也可以根据历史数据进行设置，例如，获取关于分析类型过滤器的历史数据，该分析类型过滤器已输入500个时间长度信息则更新分析类型过滤器。
S410，根据当前NWDAF实例收到的服务请求或订阅请求中的类型标识，将topt送入特定的分析类型过滤器，判断当前NWDAF是否触发了ML模型的训练过程。
在一个实施例中，在针对每个类型标识生成的分析类型过滤器以topt作为输入，将输出分为两类，分别代表是否发生ML模型训练过程；例如，在一定时间内，输入的所有topt均小于训练门限，则没有发生ML模型训练过程，在一定时间内，输入的一个或多个topt均小于训练门限，则发生ML模型训练过程。
S412，基于这一方法得到的服务性能测量结果，可以进一步应用于一系列的有关NWDAF性能，NWDAF提供的ML模型性能的评估中，结合在NWDAF中配置的重训练触发条件，可以提供对NWDAF所提供分析服务的泛化性能进行观测和量化，用于进一步调整和优化NWDAF提供分析服务的效果，如准确性，一致性，连续性等。
虚拟化网络功能组件(Virtualized Network Function Component，VNFC)是VNF(Virtualized Network Function，虚拟化网络功能层)的组件，一个或多个VNFC组成一个VNF，用于完成VNF的某项特定功能；功能网元是指基于VNF实现的网元，一个或多个VNF构成一个功能网元；功能网元包括但不限于NWDAF等网元。
VNF实例化的过程都需要获取每个VNFC的规格，然后以VNFC为单位，依次按序向虚拟化云平台发起实例化请求，虚拟化云平台根据每个VNFC启动资源的需求及本地资源视图情况，选择合适的计算节点进行单个VNFC的实例化。
在一个实施例中，通过服务性能测量结果可以反映NWDAF的性能，也可以反映实现ML模型训练功能的VNFC实例的性能，评估该VNFC的能量效率。
上述实施例中，模型训练过程对NWDAF性能的影响，要显著地高于NWDAF提供的其他服务对NWDAF性能的影响，在不改动NWDAF服务框架的情况下，通过观测NWDAF的服务类型，服务参数和服务相应触发时间的数据，实现对NWDAF内部处理过程或模型训练事件的测量，扩展了对NWDAF行为的观测能力及测量能力，除了具备通常意义上的观测NWDAF时延性能的能力外，不需要NWDAF主动上报，从而为准确估计NWDAF性能提供了NWDAF触发模型训练的信息。
图5示出本公开实施例中一种NWDAF的服务性能测量结果生成方法流程图，如图5所示，本公开实施例中提供的NWDAF的服务性能测量结果生成方法包括如下步骤：
在某一个时间点t0，及一个时间窗长度L，通过上述参数和所提的方法，可以得到NWDAF的如下性能指标：
S502，通过一个计数器cMT统计在时间长度L内，通过分析类型过滤器，得到针对特定ML模型的模型训练总次数的统计结果。
S504，通过一个计数器cMTTime，在其清零后，对在时间长度L内，判定为发生了模型训练的topt进行累加，得到针对特定ML模型的模型训练总时长的测量结果。
S506，根据模型训练总次数及模型训练总时长，得到NWDAF提供特定ML模型的模型训练平均时长的测量结果，其公式如下：
其中，cMT为模型训练总次数；
cMTTime为模型训练总时长；
cMTAvgTime为模型训练平均时长。
S508，针对具体的应用场合，{cMT,cMTTime,cMTAvgTime}三者中的任一个或多个的组合，均为待测NWDAF的服务性能测量结果。
上述实施例中，通过模型训练总次数、模型训练总时长、模型训练平均时长任一个或多个的组合，作为待测功能网元的服务性能测量结果评估功能网元等的性能，具备检测可能造成NWDAF资源大量占用的模型训练事件的能力，不需要功能网元主动上报就能观测功能网元内部处理事件。
基于同一发明构思，本公开实施例中还提供了一种服务性能测量装置，如下面的实施例。由于该装置实施例解决问题的原理与上述方法实施例相似，因此该装置实施例的实施可以参见上述方法实施例的实施，重复之处不再赘述。
图6示出本公开实施例中一种服务性能测量装置示意图，如图6所示，该服务性能测量装置6包括：时间长度获取模块601、测量结果生成模块602；
时间长度获取模块601，获取功能网元提供目标模型提供服务的时间长度信息，其中，目标模型提供服务是用于提供ML模型的服务；
测量结果生成模块602，根据时间长度信息及训练门限，生成服务性能测量结果。
上述实施例中，获取功能网元提供模型相关的服务的时间长度信息，根据上述时间长度信息是否达到设定的训练门限，判断模型训练的发生，量化模型训练对功能网元性能的影响，而不需要对外发出事件提醒，通过模型训练总次数、模型训练总时长、模型训练平均时长任一个或多个的组合，作为待测功能网元的服务性能测量结果评估功能网元等的性能，不需要功能网元主动上报就能观测功能网元内部处理事件。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元710执行，使得所述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
例如，所述处理单元710可以执行上述方法实施例的如下步骤：获取功能网元提供目标机器学习ML模型提供服务的时间长度信息；根据时间长度信息及训练门限，生成服务性能测量结果。
例如，所述处理单元710可以执行上述方法实施例的如下步骤：测量待测的NWDAF实例接收的针对特定类型的ML模型提供服务的服务请求或订阅请求的时间t1；测量与S102中每个服务请求或订阅请求对应的NWDAF提供ML模型输出结果的时间t2；计算topt＝t2-t1，得到待测的NWDAF实例提供每个当前ML模型提供服务的时间长度信息；针对特定NWDAF实例或特定的ML模型类型，生成分析类型过滤器；根据当前NWDAF实例收到的服务请求或订阅请求中的类型标识，将topt送入特定的分析类型过滤器，判断当前NWDAF是否触发了ML模型的训练过程；基于服务性能测量结果，可以进一步应用于有关NWDAF性能、NWDAF提供的ML模型性能的评估中。
例如，所述处理单元710可以执行上述方法实施例的如下步骤：获取功能网元提供目标机器学习ML模型提供服务的时间长度信息；根据时间长度信息及训练门限，生成服务性能测量结果。
存储单元720可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线730可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备700也可以与一个或多个外部设备740(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备700交互的设备通信，和/或与使得该电子设备700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口750进行。
并且，电子设备700还可以通过网络适配器760与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器760通过总线730与电子设备700的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备700使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质可以是可读信号介质或者可读存储介质。图7示出本公开实施例中一种计算机可读存储介质的示意图，如图7所示，该计算机可读存储介质700上存储有能够实现本公开上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：获取功能网元提供目标机器学习ML模型提供服务的时间长度信息；根据时间长度信息及训练门限，生成服务性能测量结果。
例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：测量待测的NWDAF实例接收的针对特定类型的ML模型提供服务的服务请求或订阅请求的时间t1；测量与S102中每个服务请求或订阅请求对应的NWDAF提供ML模型输出结果的时间t2；计算topt＝t2-t1，得到待测的NWDAF实例提供每个当前ML模型提供服务的时间长度信息；针对特定NWDAF实例或特定的ML模型类型，生成分析类型过滤器；根据当前NWDAF实例收到的服务请求或订阅请求中的类型标识，将topt送入特定的分析类型过滤器，判断当前NWDAF是否触发了ML模型的训练过程；基于服务性能测量结果，可以进一步应用于有关NWDAF性能、NWDAF提供的ML模型性能的评估中。
例如，本公开实施例中的程序产品被处理器执行时实现如下步骤的方法：通过一个计数器cMT统计在时间长度L内，通过分析类型过滤器，得到针对特定ML模型的模型训练总次数的统计结果；通过一个计数器cMTTime，在其清零后，对在时间长度l内，判定为发生了模型训练的topt进行累加，得到针对特定ML模型的模型训练总时长的测量结果；根据模型训练总次数及模型训练总时长，得到NWDAF提供特定ML模型的模型训练平均时长的测量结果。
本公开中的计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在本公开中，计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可选地，计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
在具体实施时，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。
Claims (16)
1.一种服务性能测量方法，其特征在于，包括：
获取功能网元提供目标模型提供服务的时间长度信息，其中，所述目标模型提供服务是用于提供模型的服务；
根据所述时间长度信息及训练门限，生成服务性能测量结果。
2.根据权利要求1所述的服务性能测量方法，其特征在于，所述模型为机器学习ML模型。
3.根据权利要求1所述的服务性能测量方法，其特征在于，所述服务性能测量结果包括以下至少之一：模型训练总次数、模型训练总时长、模型训练平均时长。
4.根据权利要求3所述的服务性能测量方法，其特征在于，所述根据所述时间长度信息及训练门限，生成服务性能测量结果包括：
获取一定时间内所述时间长度信息大于所述训练门限的次数，生成所述模型训练总次数。
5.根据权利要求4所述的服务性能测量方法，其特征在于，所述获取一定时间内所述时间长度信息大于所述训练门限的次数，生成所述模型训练总次数包括：
将计时器的时间长度调整为与所述训练门限一致；
当所述功能网元接收到所述目标模型提供服务的请求时，启动所述计时器进行计时；
根据所述功能网元是否在所述计时器超时前提供结果的信息，生成所述模型训练总次数。
6.根据权利要求5所述的服务性能测量方法，其特征在于，所述根据所述功能网元是否在所述计时器超时前提供结果的信息，生成所述模型训练总次数包括：
判断所述功能网元是否在所述计时器超时前提供结果；
若是，则所述时间长度信息小于或等于所述训练门限，不计数；
否则，所述时间长度信息大于所述训练门限，计数；
根据一定时间内所述时间长度信息大于所述训练门限的次数，生成所述模型训练总次数。
7.根据权利要求5所述的服务性能测量方法，其特征在于，所述根据所述功能网元是否在所述计时器超时前提供结果的信息，生成所述模型训练总次数包括：
判断所述功能网元是否在所述计时器超时前提供结果；
若是，则所述时间长度信息小于所述训练门限，不计数；
否则，所述时间长度信息大于或等于所述训练门限，计数；
根据一定时间内所述时间长度信息大于或等于所述训练门限的次数，生成所述模型训练总次数。
8.根据权利要求3所述的服务性能测量方法，其特征在于，所述根据所述时间长度信息及训练门限，生成服务性能测量结果包括：
获取一定时间内目标训练时长，其中，所述目标训练时长为大于或等于所述训练门限的时间长度信息；
计算所述目标训练时长的总和，生成所述模型训练总时长。
9.根据权利要求3所述的服务性能测量方法，其特征在于，所述根据所述时间长度信息及训练门限，生成服务性能测量结果包括：
根据所述模型训练总次数及所述模型训练总时长得到所述模型训练平均时长。
10.根据权利要求1所述的服务性能测量方法，其特征在于，所述获取功能网元提供目标模型提供服务的时间长度信息包括：
获取所述功能网元接收所述目标模型提供服务的请求的第一时间；
获取所述请求对应的所述目标模型提供服务输出结果的第二时间；
计算所述第一时间与所述第二时间的差值，得到所述时间长度信息。
11.根据权利要求1所述的服务性能测量方法，其特征在于，所述目标模型提供服务包括用于指示如下内容的参数：提供模型、更新模型或重新训练模型。
12.根据权利要求1所述的服务性能测量方法，其特征在于，还包括：
获取所述目标模型的类型标识；
根据所述类型标识确定对应的分析类型过滤器；
通过所述分析类型过滤器得到所述目标模型提供服务的时间长度信息。
13.根据权利要求1所述的服务性能测量方法，其特征在于，所述功能网元为网络数据分析功能网元。
14.一种服务性能测量装置，其特征在于，包括：
时间长度获取模块，获取功能网元提供模型提供服务的时间长度信息，其中，所述目标模型提供服务是用于提供模型的服务；
测量结果生成模块，根据所述时间长度信息及训练门限，生成服务性能测量结果。
15.一种电子设备，其特征在于，包括：
处理器；以及
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1～13中任意一项所述服务性能测量方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～13中任意一项所述的服务性能测量方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211644343.2A CN118233350A (zh) | 2022-12-20 | 2022-12-20 | 服务性能测量方法、装置、电子设备及存储介质 |
| PCT/CN2023/131984 WO2024131395A1 (zh) | 2022-12-20 | 2023-11-16 | 服务性能测量方法、装置、设备、存储介质及程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211644343.2A CN118233350A (zh) | 2022-12-20 | 2022-12-20 | 服务性能测量方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118233350A true CN118233350A (zh) | 2024-06-21 |
Family
ID=91498427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211644343.2A Pending CN118233350A (zh) | 2022-12-20 | 2022-12-20 | 服务性能测量方法、装置、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN118233350A (zh) |
| WO (1) | WO2024131395A1 (zh) |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263939A (zh) * | 2019-06-24 | 2019-09-20 | 腾讯科技（深圳）有限公司 | 一种表示学习模型的评估方法、装置、设备及介质 |
| CN111353867A (zh) * | 2020-02-17 | 2020-06-30 | 深圳前海微众银行股份有限公司 | 学习率的调整方法、装置、设备及可读存储介质 |
| US11544560B2 (en) * | 2020-04-10 | 2023-01-03 | Microsoft Technology Licensing, Llc | Prefetching and/or computing resource allocation based on predicting classification labels with temporal data |
| CN113222118B (zh) * | 2021-05-19 | 2022-09-09 | 北京百度网讯科技有限公司 | 神经网络训练方法、装置、电子设备、介质和程序产品 |
| CN113660112B (zh) * | 2021-07-23 | 2023-11-24 | 广州大学 | 一种联邦学习带宽分配方法、系统、计算机设备及介质 |
| CN114860542A (zh) * | 2022-04-28 | 2022-08-05 | 中国电信股份有限公司 | 趋势预测模型的优化方法、优化装置、电子设备和介质 |
| CN115391156A (zh) * | 2022-08-16 | 2022-11-25 | 鹏城实验室 | 一种跨域协同训练任务计算效率仿真方法及相关设备 |
-
2022
- 2022-12-20 CN CN202211644343.2A patent/CN118233350A/zh active Pending
-
2023
- 2023-11-16 WO PCT/CN2023/131984 patent/WO2024131395A1/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024131395A1 (zh) | 2024-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107608862B (zh) | 监控告警方法、监控告警装置及计算机可读存储介质 | |
| CN109120463B (zh) | 流量预测方法及装置 | |
| CN111198808B (zh) | 预测性能指标的方法、装置、存储介质及电子设备 | |
| KR20170085365A (ko) | 배터리의 상태 추정 장치 및 방법 | |
| KR102377628B1 (ko) | 인공지능 서비스에 대한 성능 관리 장치 및 방법 | |
| CN102082703A (zh) | 业务支撑系统设备性能监控的方法及装置 | |
| CN114290960B (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
| US20120174231A1 (en) | Assessing System Performance Impact of Security Attacks | |
| CN109062769B (zh) | It系统性能风险趋势预测的方法、装置和设备 | |
| CN110490132B (zh) | 数据处理方法和装置 | |
| CN110503297B (zh) | 业务场景获取方法、装置、电子设备及介质 | |
| CN112199252A (zh) | 一种异常监控方法、装置及电子设备 | |
| CN117370065B (zh) | 一种异常任务确定方法、电子设备及存储介质 | |
| CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
| CN118233350A (zh) | 服务性能测量方法、装置、电子设备及存储介质 | |
| CN114866438A (zh) | 一种云架构下的异常隐患预测方法及系统 | |
| CN114840983A (zh) | 动力蓄电池soh计算模型构建方法和计算方法 | |
| CN117129895A (zh) | 电池健康状态计算方法、装置、存储介质以及车辆 | |
| CN114266288A (zh) | 一种网元检测方法及相关装置 | |
| CN113673080B (zh) | 应用续航时长预测、模型训练方法及装置、设备及介质 | |
| CN113656275B (zh) | 用户活跃度预测方法、装置、电子设备和存储介质 | |
| CN114565172B (zh) | 电池剩余寿命预测模型构建、电池剩余寿命预测方法 | |
| CN115952069A (zh) | 评估方法、装置及电子设备 | |
| CN117851953B (zh) | 用水异常检测方法、装置、电子设备及存储介质 | |
| CN108268363A (zh) | 用于业务容量管理的方法和设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |