[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113411841B - 5g切片的割接合并方法、装置及计算设备 - Google Patents

5g切片的割接合并方法、装置及计算设备 Download PDF

Info

Publication number
CN113411841B
CN113411841B CN202010186555.5A CN202010186555A CN113411841B CN 113411841 B CN113411841 B CN 113411841B CN 202010186555 A CN202010186555 A CN 202010186555A CN 113411841 B CN113411841 B CN 113411841B
Authority
CN
China
Prior art keywords
slice
network
information
cut
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010186555.5A
Other languages
English (en)
Other versions
CN113411841A (zh
Inventor
邢彪
郑屹峰
张卷卷
陈维新
章淑敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Group Zhejiang Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202010186555.5A priority Critical patent/CN113411841B/zh
Publication of CN113411841A publication Critical patent/CN113411841A/zh
Application granted granted Critical
Publication of CN113411841B publication Critical patent/CN113411841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04L41/0893—Assignment of logical groups to 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
    • H04L41/12—Discovery or management of network topologies

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种5G切片的割接合并方法、装置及计算设备，该方法包括：获取切片网络待进行的割接拓扑图信息；对所述割接拓扑图信息分解得到切片邻接矩阵和切片特征矩阵；其中，切片邻接矩阵表示割接拓扑图中节点之间的连接关系，以及切片特征矩阵表示待进行的多个割接对每个切片节点的影响属性；将所述切片邻接矩阵和切片特征矩阵输入至训练好的切片网络割接合并器中预测得到割接合并信息；根据所述割接合并信息进行割接处理。通过上述方式，从割接拓扑图信息中分解出切片邻接矩阵和切片特征矩阵后，输入至切片网络割接合并器中即可预测得到对待进行的割接进行合并的方式，可以自动的完成切片割接合并。

Description

5G切片的割接合并方法、装置及计算设备
技术领域
本发明涉及通信技术领域，具体涉及一种5G切片的割接合并方法、装置及计算设备。
背景技术
网络切片(Network Slice)是端到端的逻辑功能和其所需的物理或虚拟资源集合，包括接入网、传输网、核心网等，网络切片可认为是5G网络中的虚拟化“专网”；网络切片基于NFV的统一基础设施构建，实现低成本高效运营。网络切片技术可以实现通信网络的逻辑隔离，允许在每个网络切片中配置和重用网络元件及功能以满足特定的行业应用需求。以及，割接是指运营商针对现网设备的扩容、升级、改造、替换以及配置更改等高危操作，因此割接必然伴随着风险的存在。
然而，切片网络节点繁多、关系复杂，相比传统网络，由于用户不同的个性化需求，每个用户的切片网络都不尽相同，切片网络割接的复杂度和难度也成倍提高，切片网络割接的质量和效率将直接影响切片用户的SLA(Service-Level Agreement，服务等级协议)，若切片割接不进行合理的合并，则会导致切片应用频繁受到影响。而目前切片网络割接合并主要依赖于人工经验判断，效率较低、容易出错，对人员的技能要求较高。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的5G切片的割接合并方法、装置及计算设备。
根据本发明实施例的一个方面，提供了一种5G切片的割接合并方法，包括：
获取切片网络待进行的割接拓扑图信息；
对所述割接拓扑图信息分解得到切片邻接矩阵和切片特征矩阵；其中，切片邻接矩阵表示割接拓扑图中节点之间的连接关系，以及切片特征矩阵表示待进行的多个割接对每个切片节点的影响属性；
将所述切片邻接矩阵和切片特征矩阵输入至训练好的切片网络割接合并器中预测得到割接合并信息；
根据所述割接合并信息进行割接处理。
根据本发明实施例的另一方面，提供了一种5G切片的割接合并装置，包括：
获取模块，适于获取切片网络待进行的割接拓扑图信息；
分解模块，适于对所述割接拓扑图信息分解得到切片邻接矩阵和切片特征矩阵；其中，切片邻接矩阵表示割接拓扑图中节点之间的连接关系，以及切片特征矩阵表示待进行的多个割接对每个切片节点的影响属性；
合并模块，适于将所述切片邻接矩阵和切片特征矩阵输入至训练好的切片网络割接合并器中预测得到割接合并信息；
割接模块，适于根据所述割接合并信息进行割接处理。
根据本发明实施例的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述5G切片的割接合并方法对应的操作。
根据本发明实施例的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述5G切片的割接合并方法对应的操作。
根据本发明实施例的5G切片的割接合并方法、装置及计算设备，，通过从切片网络待进行的割接拓扑图信息中分解出切片邻接矩阵和切片特征矩阵，并输入至训练好的切片网络割接合并器中，可预测得到割接合并信息，进而可以将原有的切片网络割接进行适当的合并，然后再进行割接处理。由此可见，本实施例方案，可自动预测输出割接合并信息，将对切片用户影响较大的割接合并，减少对切片用户的影响；同时，相较于人工判断合并的方式，自动预测输出可以提高切片网络割接效率和准确度。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明实施例的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的5G切片的割接合并方法的流程图；
图2示出了本发明另一个实施例提供的5G切片的割接合并方法的流程图；
图3示出了本发明一个具体示例中的切片网络割接合并器的构成图；
图4示出了本发明一个具体示例中的割接合并方法的完整流程；
图5示出了本发明实施例提供的5G切片的割接合并装置的结构示意图；
图6示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
在对本发明实施例方案进行说明之前，先在此介绍本文中涉及的几个术语：
1.图卷积神经网络(Graph Convolutional Networks，简称GCNs)：
图卷积神经网络由Thomas Kpif于2017年在论文Semi-supervisedclassification with graph convolutional networks中提出，它为图(graph)结构数据的处理提供了一个崭新的思路，将深度学习中常用于图像的卷积神经网络应用到图数据上。
每一个图神经网络层可以写成这样一个非线性函数：
Hl+1＝f(Hl，A)
其中H(0)＝X即为输入数据，H(L)＝Z即为输出数据，L为神经网络的层数，选择不同的f()以及参数也决定了不同的模型。
Figure BDA0002414408130000041
其中W(l)是第l个神经网络层的参数矩阵，是非线性激活函数比如ReLU，A为邻接矩阵，D是A的节点度对角矩阵。
2.切片管理架构主要由CSMF、NSMF、NSSMF组成。
其中，CSMF(Communication Service Management Function，通信业务管理功能)：完成用户业务通信服务的需求订购和处理，负责将运营商/第三方客户的通信服务需求转化为对网络切片的需求，并通过和NSMF之间的接口向NSMF发送对网络切片的需求(如创建、终结、修改网络切片实例请求等)，从NSMF获取网络切片的管理数据(如性能、故障数据等)。
其中，NSMF(Network Slice Management Function，网络切片管理功能)：负责接收CSMF发送的网络切片需求，对网络切片实例的生命周期、性能、故障等进行管理，编排网络切片实例的组成，分解网络切片实例的需求为各网络切片子网实例或网络功能的需求，向各NSSMF发送网络切片子网实例管理请求。
其中，NSSMF(Network Slice Subnet Management Function，网络切片子网管理功能)：接收从NSMF下发的网络切片子网部署需求，对网络切片子网实例进行管理，编排网络切片子网实例的组成，将网络切片子网的SLA需求映射为网络服务的QoS需求，向ETSINFV域的NFVO系统下发网络服务的部署请求。
图1示出了本发明实施例提供的5G切片的割接合并方法的流程图。该方法可用于指导进行网络切片的割接合并，并且该方法可由任意具有数据处理能力的计算设备来执行。
如图1所示，该方法包括以下步骤：
步骤S110：获取切片网络待进行的割接拓扑图信息。
其中，割接拓扑图可表示为G＝(V，E)，V为切片网络节点的集合V＝{V1,V2,V3,…,VN}，E为边的集合，若网络节点Vi和网络节点Vj之间有连接则eij＝1,否则eij＝0。
在本实施例中，可自动获取距离当前最近的预设时间段内、切片网络计划待进行的割接拓扑图信息，其中，该割接拓扑图信息中还包括有反映割接影响的信息。
步骤S120：对该割接拓扑图信息分解得到切片邻接矩阵和切片特征矩阵；其中，切片邻接矩阵表示割接拓扑图中节点之间的连接关系，以及切片特征矩阵表示待进行的多个割接对每个切片节点的影响属性。
具体地，对割接拓扑图信息分解得到切片邻接矩阵和切片特征矩阵，其中，切片相邻矩阵中的各个元素表示相应节点之间的连接关系，切片特征矩阵包含M个属性值，对应计划待进行的M个切片网络割接对每个切片节点的影响。
步骤S130：将该切片邻接矩阵和切片特征矩阵输入至训练好的切片网络割接合并器中预测得到割接合并信息。
其中，切片网络割接合并器是利用历史切片网络的割接拓扑图对应的切片邻接矩阵样本、切片特征矩阵样本，以及对应标注的最佳合并方案信息样本训练得到的。
具体地，将切片邻接矩阵和切片特征矩阵输入至该切片网络割接合并器后，该切片网络割接合并器可最终输出影响节点次数和范围最小的割接方案，即得到割接合并信息，该割接合并信息是指将待进行的M个切片网络割接进行合并的信息。
步骤S140：根据该割接合并信息进行割接处理。
在预测得到割接合并信息后，则可据此割接合并信息对待进行的M个切片网络割接进行合并，并按照合并后结果进行割接处理，以减少对切片用户的影响。
根据本实施例提供的5G切片的割接合并方法，通过从切片网络待进行的割接拓扑图信息中分解出切片邻接矩阵和切片特征矩阵，并输入至训练好的切片网络割接合并器中，可预测得到割接合并信息，进而可以将原有的切片网络割接进行适当的合并，然后再进行割接处理。由此可见，本实施例方案，可自动预测输出割接合并信息，将对切片用户影响较大的割接合并，减少对切片用户的影响；同时，相较于人工判断合并的方式，自动预测输出可以提高切片网络割接效率和准确度。
图2示出了本发明另一个实施例提供的5G切片的割接合并方法的流程图。在本实施例中，将5G切片的割接合并的问题视为节点分类(node classification)问题，最终输出每个割接受影响的节点所归属的合并割接。其中，切片网络割接合并器为GCNs结构，在该切割合并方案中，图是指切片网络的割接拓扑图，每个节点代表切片网络节点，每条边代表切片网络节点之间的关系。利用GCNs来提取割接拓扑图的空间特征，目标是要学习割接拓扑图G＝(V，E)上的信号或特征的一个映射，输入包括切片邻接矩阵A和切片特征矩阵X，模型会产生一个节点级别的输出或图级别的输出。
如图2所示，该方法包括以下步骤：
步骤S210：训练切片网络割接合并器，该切片网络割接合并器为图卷积神经网络结构。
在本发明实施例中，以图卷积神经网络(GCNs)结构来构建切片网络割接合并器，利用GCNs在图结构数据上的学习优势，将割裂合并的问题转化为将割接拓扑图中的节点进行合并的问题，来自动合并待进行的切片网络割接。
具体地，训练切片网络割接合并器的过程如下：收集历史切片网络的割接拓扑图信息作为总数据集，对数据集中的每条数据标记得到割接合并信息样本，以及对每条数据对应的割接拓扑图信息分解得到切片邻接矩阵样本和切片特征矩阵样本；将切片邻接矩阵样本和切片特征矩阵样本作为训练输入数据，将对应的割接合并信息样本作为训练输出数据；利用该训练输入数据和训练输出数据对图卷积神经网络模型进行训练，根据该图卷积神经网络模型收敛时的模型权重构建出切片网络割接合并器。
其中，标记是指将M个待进行的切片网络割接合并为K个割接(K<M)，即将割接受影响节点分类为K类。将割接拓扑图信息转化为模型的输入即切片邻接矩阵样本A’和切片特征矩阵样本X’，切片邻接矩阵样本A’表示切片网络拓扑中各节点的连接关系，切片特征矩阵样本X’包含M个属性值，对应计划待进行的M个切片网络割接对每个切片节点的影响，例如，属性值为0代表该次割接不影响该节点，属性值为1代表该次割接影响该节点。以及，切片网络的割接拓扑图信息可表示为G＝(V，E)，V为切片网络节点的集合V＝{V1,V2,V3,…,VN}，E为边的集合，若网络节点Vi和网络节点Vj之间有连接则eij＝1,否则eij＝0。
以及，将切片邻接矩阵样本A’和切片特征矩阵样本X’的组成如下：
Figure BDA0002414408130000071
切片邻接矩阵样本A’为切片网络拓扑中各节点的连接关系，eij表示组网节点Vi和组网节点Vj之间的连接关系，节点之间相连则为1，不相连则为0，该切片邻接矩阵样本A’形状为N*N(N为节点的个数)；
以及，切片特征矩阵样本X’包含M个属性值，对应计划待进行的M个切片网络割接对每个切片节点的影响，每一个节点i的第j个割接表示为xij，xij＝0代表第j个割接不影响节点i,xij＝1代表第j个割接将影响节点i，该切片特征矩阵样本X’形状为N*M的特征矩阵(N为节点数量，M为数据集中最大的待进行割接的数量)；
对每条数据的标记可以写为标签矩阵Y，即为人工标记的最佳切片割接合并方案，合并为K个割接(K<M)，即将节点分类为K类，取数据集中最大的合并后割接数量为K，形状为N*1。
并且，可将总数据集划分为训练数据和测试数据，取整个数据集的80％为训练数据，剩余20％为测试数据。用训练集进行训练，使得重建数据与原始数据越接近越好，用测试集来评价验证模型。
图3示出了本发明一个具体示例中的切片网络割接合并器的构成图。如图3所示，使用深度学习框架搭建图网络模型，模型由多个图卷积层(GCN)和全连接层(Dense)组成，利用图卷积神经网络提取切片网络割接拓扑图节点连接关系和待进行切片割接所影响的节点范围，将切片拓扑的节点和边投影到低维向量空间中。全连接层通过学习被提取空间特征后的切片割接拓扑向量表示，发现待进行的切片网络割接与最佳切片割接合并方案之间的关系，最终输出影响节点次数和范围最小的割接方案。
其中，第一层为输入层：输入切片邻接矩阵样本A’和切片特征矩阵样本X’；
第二层为图卷积层(Graph Conv)：卷积核个数为256，激活函数设置为“relu”,利用卷积层进行切片网络拓扑特征提取；
第三层为图卷积层(Graph Conv)：卷积核个数为128，激活函数设置为“relu”；
第四层为图卷积层(Graph Conv)：卷积核个数为64，激活函数设置为“lamda”,输出切片拓扑节点和边的潜在空间向量表示Z，Z＝GCN(X’，A’)；
第五层为全连接层(Dense)：全连接神经元个数为64，激活函数设置为“relu”，输入切片网络拓扑的潜在空间向量表示Z；
第六层为全连接层(Dense)：全连接神经元个数为128，激活函数设置为“relu”，输入切片网络拓扑的潜在空间向量表示Z；
第七层为输出层，由全连接层(Dense)构成：神经元个数设置为K，K为切片割接合并后的最大割接数量，激活函数设置为“sigmoid”。输出预测的最佳切片割接合并方案，将M个待进行的切片网络割接合并为K个割接(K<M)，即将割接受影响节点分类为K类。
然后计算预测的最佳切片割接合并方案和真实的最佳切片割接合并方案之间的误差，训练目标是最小化该误差。目标函数选择'binary_crossentropy'二类对数损失函数。将训练回合数设置为1000(epochs＝1000)，梯度下降优化算法选择adam优化器，用于改善传统梯度下降的学习速度(optimizer＝'adam')。神经网络通过梯度下降，可以找到使目标函数最小的最优权重值，神经网络通过训练会自主学习到权重值。用训练集进行训练，使得目标函数越小越好，并在每轮训练后用测试集来评价验证模型。模型收敛后导出该模型的权重。
在上述步骤S210中，对模型训练的过程进行了详细的说明中，下文中将对在线预测过程进行说明。
步骤S220：从切片管理架构中的网络切片管理功能模块获取切片网络待进行的割接拓扑图信息。
从NSMF模块处自动获取距离当前最近的预设时间段内、切片网络计划待进行的割接拓扑图信息。
步骤S230：对该割接拓扑图信息分解得到切片邻接矩阵和切片特征矩阵；其中，切片邻接矩阵表示割接拓扑图中节点之间的连接关系，以及切片特征矩阵表示待进行的多个割接对每个切片节点的影响属性。
其中，该切片邻接矩阵A为N*N的矩阵；若割接拓扑图信息中组网节点Vi和组网节点Vj之间相连，则切片相邻矩阵中元素eij的值为第一连接值；和/或，若割接拓扑图信息中组网节点Vi和组网节点Vj之间不相连，则切片相邻矩阵中元素eij的值为第二连接值。例如，第一连接值为1，第二连接值为0。
以及，该切片特征矩阵X为N*M的矩阵；若割接拓扑图信息中组网节点Vi受第j个割接的影响，则切片特征矩阵中元素xij的值为第一属性值；和/或，若割接拓扑图信息中组网节点Vi不受第j个割接的影响，则切片特征矩阵中元素xij的值为第二属性值。例如，第一属性值为1，第二属性值为0。
需要在此说明的是，上述分解得到切片邻接矩阵A和切片特征矩阵X的过程，以及切片邻接矩阵A和切片特征矩阵X的构成，均可参见前文训练过程中关于切片邻接矩阵A’和切片特征矩阵X’的说明。
步骤S240：将该切片邻接矩阵和切片特征矩阵输入至训练好的切片网络割接合并器中预测得到割接合并信息。
其中，该割接拓扑图信息中的割接数量为M；该割接合并信息中的割接数量为K；其中，K<M，K和M均为大于0的自然数。换言之，通过切片网络割接合并器可以将待进行的M个割接合并为K个割接，则得到了最佳切片割接合并方案。
实际实施时，在将切片邻接矩阵和切片特征矩阵输入至切片网络割接合并器中进行预测之前，可先将切片邻接矩阵A和切片特征矩阵X传递至数据预处理模块进行预处理，处理成符合切片网络割接合并器输入的格式，例如，切片网络割接合并器要求输入的切片特征矩阵X为50*50的矩阵，而由于待进行的割接数量只有48，实际分解得到的切片特征矩阵X为50*48的矩阵，则预处理可以是将矩阵中不足的行和列补齐，该例中则是补上50*2的0。
步骤S250：将该割接合并信息发送给切片管理架构中的网络切片管理功能模块，以供该网络切片管理功能模块进行割接处理。
将该最佳切片割接合并方案反馈至NSMF，指示其根据合并后的切片割接方案进行操作。
图4示出了本发明一个具体示例中的割接合并方法的完整流程。如图4所示，流程如下：1.自动获取最近一段时间内切片网络计划待进行的割接拓扑图信息；2.将割接拓扑图信息对应的拓扑图转化为切片邻接矩阵A和切片特征矩阵X；3.将切片邻接矩阵A和切片特征矩阵X输入至数据预处理模块进行矩阵预处理；4.将预处理后的矩阵输入至切片网络割接合并器；5.切片网络割接合并器输出得到最佳切片割接合并方案；6.将最佳切片割接合并方案发送给NSMF以指示合并后的切片割接操作。
根据本实施例提供的5G切片的割接合并方法，收集历史切片网络割接拓扑图作为总数据集，人工对数据集标记最佳切片割接合并方案，然后将切片割接拓扑图转化为模型的输入即切片邻接矩阵样本和切片特征矩阵样本，切片邻接矩阵样本为切片网络割接拓扑中各节点的连接关系，切片特征矩阵样本包含M个属性值，对应计划待进行的M个切片网络割接对每个切片节点的影响；使用深度学习框架搭建图网络模型，模型由多个图卷积层(GCN)和全连接层(Dense)组成，利用图卷积神经网络提取切片网络割接拓扑图节点连接关系和待进行切片割接所影响的节点范围特征，将切片拓扑的节点和边投影到低维向量空间中；全连接层通过学习被提取空间特征后的切片割接拓扑向量表示，发现待进行的切片网络割接与最佳切片割接合并方案之间的关系，最终训练得到切片网络割接合并器；在进行线上预测时，只需将实时分解到的切片邻接矩阵和切片特征矩阵输入至切片网络割接合并器，即可输出影响节点次数和范围最小的割接方案，将M个待进行的切片网络割接合并为K个割接(K<M)，即将割接受影响节点分类为K类，从而合并重复影响节点的割接，最大程度的减少对切片用户的影响、提升切片网络割接效率。
图5示出了本发明实施例提供的5G切片的割接合并装置的结构示意图。
如图5所示，该装置包括：
获取模块510，适于获取切片网络待进行的割接拓扑图信息；
分解模块520，适于对所述割接拓扑图信息分解得到切片邻接矩阵和切片特征矩阵；其中，切片邻接矩阵表示割接拓扑图中节点之间的连接关系，以及切片特征矩阵表示待进行的多个割接对每个切片节点的影响属性；
合并模块530，适于将所述切片邻接矩阵和切片特征矩阵输入至训练好的切片网络割接合并器中预测得到割接合并信息；
割接模块540，适于根据所述割接合并信息进行割接处理。
在一种可选的方式中，获取模块进一步适于：从切片管理架构中的网络切片管理功能模块获取切片网络待进行的割接拓扑图信息；
割接模块进一步适于：将所述割接合并信息发送给切片管理架构中的网络切片管理功能模块，以供所述网络切片管理功能模块进行割接处理。
在一种可选的方式中，所述切片邻接矩阵为N*N的矩阵；所述分解模块进一步适于：
若割接拓扑图信息中组网节点Vi和组网节点Vj之间相连，则切片相邻矩阵中元素eij的值为第一连接值；和/或，
若割接拓扑图信息中组网节点Vi和组网节点Vj之间不相连，则切片相邻矩阵中元素eij的值为第二连接值。
在一种可选的方式中，所述切片特征矩阵为N*M的矩阵；所述分解模块进一步适于：
若割接拓扑图信息中组网节点Vi受第j个割接的影响，则切片特征矩阵中元素xij的值为第一属性值；和/或，
若割接拓扑图信息中组网节点Vi不受第j个割接的影响，则切片特征矩阵中元素xij的值为第二属性值。
在一种可选的方式中，所述割接拓扑图信息中的割接数量为M；所述割接合并信息中的割接数量为K；其中，K<M，K和M均为大于0的自然数。
在一种可选的方式中，所述切片网络割接合并器为图卷积神经网络结构；所述装置还包括：训练模块，适于：
收集历史切片网络的割接拓扑图信息作为总数据集，对数据集中的每条数据标记得到割接合并信息样本，以及对每条数据对应的割接拓扑图信息分解得到切片邻接矩阵样本和切片特征矩阵样本；
将切片邻接矩阵样本和切片特征矩阵样本作为训练输入数据，将对应的割接合并信息样本作为训练输出数据；
利用所述训练输入数据和训练输出数据对图卷积神经网络模型进行训练，根据所述图卷积神经网络模型收敛时的模型权重构建出切片网络割接合并器。
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的5G切片的割接合并方法。
图6示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图6所示，该计算设备可以包括：处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。
其中：处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。通信接口604，用于与其它设备比如客户端或其它服务器等的网元通信。处理器602，用于执行程序610，具体可以执行上述用于计算设备的5G切片的割接合并方法实施例中的相关步骤。
具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。
处理器602可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器606，用于存放程序610。存储器606可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序610具体可以用于使得处理器602执行以下操作：
获取切片网络待进行的割接拓扑图信息；
对所述割接拓扑图信息分解得到切片邻接矩阵和切片特征矩阵；其中，切片邻接矩阵表示割接拓扑图中节点之间的连接关系，以及切片特征矩阵表示待进行的多个割接对每个切片节点的影响属性；
将所述切片邻接矩阵和切片特征矩阵输入至训练好的切片网络割接合并器中预测得到割接合并信息；
根据所述割接合并信息进行割接处理。
在一种可选的方式中，所述程序610使所述处理器602执行以下操作：
从切片管理架构中的网络切片管理功能模块获取切片网络待进行的割接拓扑图信息；
将所述割接合并信息发送给切片管理架构中的网络切片管理功能模块，以供所述网络切片管理功能模块进行割接处理。
在一种可选的方式中，所述切片邻接矩阵为N*N的矩阵；
所述程序610使所述处理器602执行以下操作：
若割接拓扑图信息中组网节点Vi和组网节点Vj之间相连，则切片相邻矩阵中元素eij的值为第一连接值；和/或，
若割接拓扑图信息中组网节点Vi和组网节点Vj之间不相连，则切片相邻矩阵中元素eij的值为第二连接值。
在一种可选的方式中，所述切片特征矩阵为N*M的矩阵；
所述程序610使所述处理器602执行以下操作：
若割接拓扑图信息中组网节点Vi受第j个割接的影响，则切片特征矩阵中元素xij的值为第一属性值；和/或，
若割接拓扑图信息中组网节点Vi不受第j个割接的影响，则切片特征矩阵中元素xij的值为第二属性值。
在一种可选的方式中，所述割接拓扑图信息中的割接数量为M；所述割接合并信息中的割接数量为K；其中，K<M，K和M均为大于0的自然数。
在一种可选的方式中，所述切片网络割接合并器为图卷积神经网络结构；
所述程序610使所述处理器602执行以下操作：
收集历史切片网络的割接拓扑图信息作为总数据集，对数据集中的每条数据标记得到割接合并信息样本，以及对每条数据对应的割接拓扑图信息分解得到切片邻接矩阵样本和切片特征矩阵样本；
将切片邻接矩阵样本和切片特征矩阵样本作为训练输入数据，将对应的割接合并信息样本作为训练输出数据；
利用所述训练输入数据和训练输出数据对图卷积神经网络模型进行训练，根据所述图卷积神经网络模型收敛时的模型权重构建出切片网络割接合并器。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明实施例并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (10)

1.一种5G切片的割接合并方法，包括：
获取切片网络待进行的割接拓扑图信息；
对所述割接拓扑图信息分解得到切片邻接矩阵和切片特征矩阵；其中，切片邻接矩阵表示割接拓扑图中节点之间的连接关系，以及切片特征矩阵表示待进行的多个割接对每个切片节点的影响属性；
将所述切片邻接矩阵和切片特征矩阵输入至训练好的切片网络割接合并器中预测得到割接合并信息，其中，切片网络割接合并器是利用历史切片网络的割接拓扑图对应的切片邻接矩阵样本、切片特征矩阵样本，以及对应标注的最佳合并方案信息样本训练得到的；
根据所述割接合并信息进行割接处理。
2.根据权利要求1所述的方法，其中，所述获取切片网络待进行的割接拓扑图信息具体为：从切片管理架构中的网络切片管理功能模块获取切片网络待进行的割接拓扑图信息；
所述根据所述割接合并信息进行割接处理具体为：将所述割接合并信息发送给切片管理架构中的网络切片管理功能模块，以供所述网络切片管理功能模块进行割接处理。
3.根据权利要求1或2所述的方法，其中，所述切片邻接矩阵为N*N的矩阵；所述对所述割接拓扑图信息分解得到切片邻接矩阵和切片特征矩阵进一步包括：
若割接拓扑图信息中组网节点Vi和组网节点Vj之间相连，则切片相邻矩阵中元素eij的值为第一连接值；和/或，
若割接拓扑图信息中组网节点Vi和组网节点Vj之间不相连，则切片相邻矩阵中元素eij的值为第二连接值。
4.根据权利要求1或2所述的方法，其中，所述切片特征矩阵为N*M的矩阵；所述对所述割接拓扑图信息分解得到切片邻接矩阵和切片特征矩阵进一步包括：
若割接拓扑图信息中组网节点Vi受第j个割接的影响，则切片特征矩阵中元素xij的值为第一属性值；和/或，
若割接拓扑图信息中组网节点Vi不受第j个割接的影响，则切片特征矩阵中元素xij的值为第二属性值。
5.根据权利要求1或2所述的方法，其中，所述割接拓扑图信息中的割接数量为M；所述割接合并信息中的割接数量为K；其中，K<M，K和M均为大于0的自然数。
6.根据权利要求1所述的方法，其中，所述切片网络割接合并器为图卷积神经网络结构；所述切片网络割接合并器通过以下步骤训练得到：
收集历史切片网络的割接拓扑图信息作为总数据集，对数据集中的每条数据标记得到割接合并信息样本，以及对每条数据对应的割接拓扑图信息分解得到切片邻接矩阵样本和切片特征矩阵样本；
将切片邻接矩阵样本和切片特征矩阵样本作为训练输入数据，将对应的割接合并信息样本作为训练输出数据；
利用所述训练输入数据和训练输出数据对图卷积神经网络模型进行训练，根据所述图卷积神经网络模型收敛时的模型权重构建出切片网络割接合并器。
7.一种5G切片的割接合并装置，包括：
获取模块，适于获取切片网络待进行的割接拓扑图信息；
分解模块，适于对所述割接拓扑图信息分解得到切片邻接矩阵和切片特征矩阵；其中，切片邻接矩阵表示割接拓扑图中节点之间的连接关系，以及切片特征矩阵表示待进行的多个割接对每个切片节点的影响属性；
合并模块，适于将所述切片邻接矩阵和切片特征矩阵输入至训练好的切片网络割接合并器中预测得到割接合并信息，其中，切片网络割接合并器是利用历史切片网络的割接拓扑图对应的切片邻接矩阵样本、切片特征矩阵样本，以及对应标注的最佳合并方案信息样本训练得到的；
割接模块，适于根据所述割接合并信息进行割接处理。
8.根据权利要求7所述的装置，其中，所述获取模块进一步适于：从切片管理架构中的网络切片管理功能模块获取切片网络待进行的割接拓扑图信息；
所述割接模块进一步适于：将所述割接合并信息发送给切片管理架构中的网络切片管理功能模块，以供所述网络切片管理功能模块进行割接处理。
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-6中任一项所述的5G切片的割接合并方法对应的操作。
10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-6中任一项所述的5G切片的割接合并方法对应的操作。
CN202010186555.5A 2020-03-17 2020-03-17 5g切片的割接合并方法、装置及计算设备 Active CN113411841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010186555.5A CN113411841B (zh) 2020-03-17 2020-03-17 5g切片的割接合并方法、装置及计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010186555.5A CN113411841B (zh) 2020-03-17 2020-03-17 5g切片的割接合并方法、装置及计算设备

Publications (2)

Publication Number Publication Date
CN113411841A CN113411841A (zh) 2021-09-17
CN113411841B true CN113411841B (zh) 2022-08-02

Family

ID=77677119

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010186555.5A Active CN113411841B (zh) 2020-03-17 2020-03-17 5g切片的割接合并方法、装置及计算设备

Country Status (1)

Country Link
CN (1) CN113411841B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115696466B (zh) * 2022-09-23 2023-06-06 广州爱浦路网络技术有限公司 一种s-nssai的优先级确定方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109743286A (zh) * 2018-11-29 2019-05-10 武汉极意网络科技有限公司 一种基于图卷积神经网络的ip类型标记方法及设备
CN110276406A (zh) * 2019-06-26 2019-09-24 腾讯科技（深圳）有限公司 表情分类方法、装置、计算机设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11039321B2 (en) * 2017-07-05 2021-06-15 Huawei Technologies Co., Ltd. Methods and systems for network slicing
US10986010B2 (en) * 2018-08-09 2021-04-20 At&T Intellectual Property I, L.P. Mobility network slice selection

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109743286A (zh) * 2018-11-29 2019-05-10 武汉极意网络科技有限公司 一种基于图卷积神经网络的ip类型标记方法及设备
CN110276406A (zh) * 2019-06-26 2019-09-24 腾讯科技（深圳）有限公司 表情分类方法、装置、计算机设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"view on Nextgen Multi-service Core";ZTE;《3GPP tsg_sa\WG2_Arch，S2-153139》;20151013;全文 *
一种5G网络切片的编排算法;周恒等;《电信科学》;20170820(第08期);全文 *
图卷积网络定义和简单示例详解;匿名;《www.elecfans.com》;20171214;全文 *

Also Published As

Publication number Publication date
CN113411841A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
CN108306804A (zh) 一种Ethercat主站控制器及其通信方法和系统
CN110489749B (zh) 一种智能办公自动化系统的业务流程优化方法
CN117294727B (zh) 一种基于云原生和容器技术的云边端协同管理方法
CN113541980B (zh) 网络切片故障根因定位方法、装置、计算设备及存储介质
CN109743286A (zh) 一种基于图卷积神经网络的ip类型标记方法及设备
CN114139626A (zh) 一种电力通信故障分析方法、装置、终端设备及介质
CN113825165B (zh) 基于时间图网络的5g切片网络拥塞预警方法及装置
CN113411841B (zh) 5g切片的割接合并方法、装置及计算设备
CN114546365B (zh) 一种流程可视化的建模方法、服务器、计算机系统及介质
CN113541986B (zh) 5g切片的故障预测方法、装置及计算设备
CN113765683B (zh) 网络切片的割接告警屏蔽方法及装置
CN102870090A (zh) 过程实体图
CN114143163B (zh) 基于图注意力网络的切片误告警识别方法及装置
CN116976402A (zh) 超图卷积神经网络的训练方法、装置、设备及存储介质
CN113762978B (zh) 5g切片用户的投诉定界方法、装置及计算设备
CN115660245A (zh) 业务编排方法及装置、电子设备、存储介质
JP2022013844A (ja) 情報処理方法、情報処理装置及びプログラム
CN112990425A (zh) 5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质
Pankov et al. Model studies of systems with diagnostics based on fault simulation
CN113766532A (zh) 网络切片实例的隔离评估方法及装置
CN113949633A (zh) 基于机器学习的5g网络切片容灾池资源管理方法及装置
CN114500227B (zh) 一种告警分析方法、装置、设备及计算机存储介质
CN117609870B (zh) 结构识别模型训练、模型结构识别方法、设备及介质
CN113825151B (zh) 基于关系图卷积网络的切片告警间关系预测方法及装置
CN117350549B (zh) 计及出力相关性的配电网电压风险识别方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant