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

CN113762978B - 5g切片用户的投诉定界方法、装置及计算设备 - Google Patents

5g切片用户的投诉定界方法、装置及计算设备 Download PDF

Info

Publication number
CN113762978B
CN113762978B CN202010493567.2A CN202010493567A CN113762978B CN 113762978 B CN113762978 B CN 113762978B CN 202010493567 A CN202010493567 A CN 202010493567A CN 113762978 B CN113762978 B CN 113762978B
Authority
CN
China
Prior art keywords
complaint
slice
network
user
graph
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
CN202010493567.2A
Other languages
English (en)
Other versions
CN113762978A (zh
Inventor
邢彪
张卷卷
陈维新
章淑敏
叶晓燕
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 CN202010493567.2A priority Critical patent/CN113762978B/zh
Publication of CN113762978A publication Critical patent/CN113762978A/zh
Application granted granted Critical
Publication of CN113762978B publication Critical patent/CN113762978B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services
    • G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
    • G06Q30/016—After-sales
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/10—Dynamic resource partitioning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Tourism & Hospitality (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种5G切片用户的投诉定界方法、装置及计算设备，该方法包括：获取用户使用目标切片实例的投诉内容以及投诉时间段内目标切片实例的性能数据；对投诉内容进行序列化处理，得到序列化后的投诉信息；根据性能数据和目标切片实例的切片实例拓扑图，转化得到邻接矩阵和特征矩阵；将序列化后的投诉信息、邻接矩阵和特征矩阵输入至训练好的基于混合图网络的投诉定界模型中，预测得到目标切片实例的定界结果，并定位用户投诉的源节点。通过上述方式，在对投诉内容和相关的性能数据分别进行序列化以及转化预处理后，即可利用基于混合图网络的投诉定界模型预测得到定界结果并用于确定投诉的源节点，实现切片用户投诉的快速溯源定界。

Description

5G切片用户的投诉定界方法、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切片用户的投诉定界方法、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。
切片网络结构复杂、节点类型多样、关系错综复杂，涉及无线网子域、传输网子域、核心网子域，相比传统网络，切片用户投诉定界将涉及三个专业，对运维人员的技能要求非常高，目前需要多专业人员协同进行投诉处理。因此目前切片投诉定界仍主要依赖于人工经验判断的方式，但该方式效率较低、容易出错，无法满足5G网络切片运维需求。
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切片用户的投诉定界方法、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切片用户的投诉定界方法，包括：
获取用户使用目标切片实例的投诉内容以及所述投诉内容对应的投诉时间段内目标切片实例的性能数据；
对所述投诉内容进行序列化处理，得到序列化后的投诉信息；根据所述性能数据和目标切片实例的切片实例拓扑图，转化得到所述目标切片实例的邻接矩阵和特征矩阵；
将所述序列化后的投诉信息、邻接矩阵和特征矩阵输入至训练好的基于混合图网络的投诉定界模型中，预测得到所述目标切片实例的定界结果；
根据所述定界结果定位用户投诉的源节点。
根据本发明实施例的另一方面，提供了一种5G切片用户的投诉定界装置，包括：
获取模块，适于获取用户使用目标切片实例的投诉内容以及所述投诉内容对应的投诉时间段内目标切片实例的性能数据；
数据预处理模块，适于对所述投诉内容进行序列化处理，得到序列化后的投诉信息；根据所述性能数据和目标切片实例的切片实例拓扑图，转化得到所述目标切片实例的邻接矩阵和特征矩阵；
预测模块，适于将所述序列化后的投诉信息、邻接矩阵和特征矩阵输入至训练好的基于混合图网络的投诉定界模型中，预测得到所述目标切片实例的定界结果；
定位模块，适于根据所述定界结果定位用户投诉的源节点。
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切片用户的投诉定界方法对应的操作。
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切片用户的投诉定界方法对应的操作。
根据本发明实施例的5G切片用户的投诉定界方法、装置及计算设备，利用基于混合图网络的投诉定界模型，将处理切片实例拓扑的图网络和处理切片用户投诉文本的卷积神经网络进行联合学习，预测得到定界结果，以便准确确定切片用户投诉的源节点，进而利于后续有针对性的进行投诉处理，相较于人工经验判断的方式，可以提高定界效率，提高定界的准确性，更能适应5G网络的切片运维需求。
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切片用户的投诉定界方法的流程图；
图2示出了本发明另一个实施例提供的5G切片用户的投诉定界方法的流程图；
图3示出了一个具体示例中搭建的基于混合图网络的网络模型示意图；
图4示出了本发明一个完整的投诉定界流程的示意图；
图5示出了本发明实施例提供的5G切片用户的投诉定界装置的结构示意图；
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。
在实施本发明实施例之前，首先对本文中涉及的如下几个术语进行相关说明：
1.切片管理架构，其主要由CSMF、NSMF、NSSMF组成：
CSMF(Communication Service Management Function，通信业务管理功能模块)，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)。
NSMF(Network Slice Management Function，网络切片管理功能模块)，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。
NSSMF(Network Slice Subnet Management Function，网络切片子网管理功能模块)，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ETSI NFV域的NFVO系统下发网络服务的部署请求。
2.网络切片实例(Network slice instance，简称NSI)
网络切片实例，是一个真实运行的逻辑网络，能满足一定网络特性或服务需求。一个网络切片实例可能提供一种或多种服务。网络切片实例可以由网管系统创建，一个网管系统可能创建多个网络切片实例并同时对它们进行管理，包括在网络切片实例运行过程中的性能监视和故障管理等。当多个网络切片实例共存时，网络切片实例之间可能共享部分网络资源和网络功能。一个完整的网络切片实例是能够提供完整的端到端的网络服务的，而组成网络切片实例的可以是网络切片子网实例(Network Slice Subnet Instance,NSSI)和网络功能。
图1示出了本发明实施例提供的5G切片用户的投诉定界方法的流程图。如图1所示，该方法包括以下步骤：
步骤S110：获取用户使用目标切片实例的投诉内容以及该投诉内容对应的投诉时间段内目标切片实例的性能数据。
其中，目标切片实例可为任意切片实例，针对当前投诉，则目标切片实例为该用户使用的网络所在的切片实例。
其中，投诉内容对应的投诉时间段是指投诉事由存在所对应的时间段，例如，用户发现某日中午12点到13点之间存在故障a，并对此进行投诉，则投诉内容对应的投诉时间段为12点到13点之间。
具体地，在获取到用户的投诉后，进一步获取目标切片实例在该投诉时间段内的性能数据，其中，性能数据可体现出目标切片实例的各个节点的性能情况，例如，是否存在告警、配置变更等。
步骤S120：对该投诉内容进行序列化处理，得到序列化后的投诉信息；根据该性能数据和目标切片实例的切片实例拓扑图，转化得到该目标切片实例的邻接矩阵和特征矩阵。
其中，目标切片实例的切片实例拓扑图中包含有物理和/或逻辑节点的节点信息，以及节点之间的连接关系。
其中，邻接矩阵可反映切片拓扑图中各节点的连接关系，以及特征矩阵可反映出各节点的性能特征。
步骤S130：将该序列化后的投诉信息、邻接矩阵和特征矩阵输入至训练好的基于混合图网络的投诉定界模型中，预测得到该目标切片实例的定界结果。
在本发明实施例中，利用基于混合图网络的投诉定界模型来预测定界结果，其中，图卷积神经网络(GCNs，Graph Convolutional Networks)由Thomas Kpif于2017年在论文Semi-supervised classification 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。在本发明实施例中，图指切片实例拓扑图，每个节点代表拓扑图中的物理或逻辑节点，每条边代表节点之间的关系。GCN的本质目的就是用来提取拓扑图的空间特征，目标是要学习图上的信号或特征的一个映射，输入包括邻接矩阵A和特征矩阵X，模型会产生一个节点级别的输出或图级别的输出Z。
在实际实施时，该基于混合图网络的投诉定界模型除了包括GCN之外，还包括处理切片用户投诉信息的卷积神经网络，以便对输入的投诉信息、邻接矩阵和特征矩阵进行联合学习，预测得到定界结果。其中，该定界结果可显示出切片实例拓扑图中的每个节点是否为投诉事由的源节点的信息。
步骤S140：根据该定界结果定位用户投诉的源节点。
根据定界结果显示的每个节点是否为投诉事由的源节点的信息，定位出投诉的源节点，以便后续有针对性的进行投诉处理。
根据本实施例提供的5G切片用户的投诉定界方法，利用基于混合图网络的投诉定界模型，将处理切片实例拓扑的图网络和处理切片用户投诉文本的卷积神经网络进行联合学习，预测得到定界结果，以便准确确定切片用户投诉的源节点，进而利于后续有针对性的进行投诉处理，相较于人工经验判断的方式，可以提高定界效率，提高定界的准确性，更能适应5G网络的切片运维需求。
图2示出了本发明另一个实施例提供的5G切片用户的投诉定界方法的流程图。如图2所示，该方法包括以下步骤：
步骤S210：训练得到基于混合图网络的投诉定界模型。
在利用基于混合图网络的投诉定界模型进行预测之前，首先需要训练得到该模型，其中，训练过程主要包括训练数据准备与预处理，模型搭建，以及模型训练该三个阶段。下面将大体按照三个阶段来说明具体的训练过程：
阶段一，数据准备与预处理。获取历史切片用户提出的多个历史投诉内容以及该多个投诉内容分别对应的投诉时间段内的多组历史性能数据；对该多个历史投诉内容进行序列化处理，得到序列化后的多个投诉信息样本；根据该多组历史性能数据对应的历史切片实例拓扑图，转化得到该多个邻接矩阵样本和多个特征矩阵样本；以及，对每一次历史投诉涉及的投诉节点进行定界标记；将该序列化后的多个投诉信息样本、多个邻接矩阵样本和多个特征矩阵样本作为训练输入数据，以及将对应的多个定界标记作为训练输出数据。
具体地，从切片管理架构的通信业务管理功能模块(Communication ServiceManagement Function，简称CSMF)中收集历史切片用户提出的网络投诉内容，从网络切片管理功能模块(Network Slice Management Function，简称NSMF)中收集历史切片用户投诉对应的历史性能数据作为总数据集，其中，性能数据包括：切片实例中各节点在投诉时间段内的告警数据(包括严重、紧急、重要、事件等级别的告警)、性能指标数据(即性能KPI，包括每秒请求次数、请求延时、请求成功率等)以及配置变更数据(例如版本升级、硬件更换、软件配置更改等)，以及人工对每一项投诉涉及的切片实例拓扑节点进行定界标记，例如，将投诉的源节点标记为1，而非源节点标记为0。
然后将历史投诉内容进行序列化处理，得到序列化后的投诉信息样本，作为模型训练的输入之一；以及，将每次投诉对应的历史性能数据转化为邻接矩阵样本A和特征矩阵样本X，其中，将投诉的切片实例的拓扑图中每个网络节点作为图的节点V，节点与节点之间的连接作为图的边E，因此每个切片拓扑图可表示为G＝(V，E)，V为拓扑节点的集合V＝{V1,V2,V3,…,VN}，E为节点间边的集合,若节点Vi和节点Vj之间相连则eij＝1,否则eij＝0，将切片实例拓扑图结合性能数据转化为模型训练的输入之二，即邻接矩阵样本A和特征矩阵样本X。
其中，邻接矩阵样本A为切片实例拓扑中各节点的连接关系，为矩阵形式的图结构的特征描述，eij表示拓扑节点Vi和拓扑节点Vj之间的连接关系，节点之间相连为1，否则为0，形状为N*N(N为节点的个数)。
特征矩阵样本X是对每个节点的特征描述，由对应投诉时间段的切片实例中节点产生的告警数据、性能KPI数据、以及节点配置变更数据组成，若无告警产生或无配置变更则用零填充。定义每条节点告警的编码序列长度为F，F取总数据集中长度最长告警的长度，将每条告警的长度均填充为F，形状为N*F；定义每条节点配置变更数据的编码序列长度为K，K取总数据集中长度最长配置变更数据的长度，将每条告警的长度均填充为K，形状为N*K；定义每个节点性能包含M项KPI。因此特征矩阵X可表示为N*(F+K+M)的特征矩阵。
标签矩阵Y为人工对每一项投诉涉及的切片实例拓扑节点进行定界标记结果，形状为N*1。
另外，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。
阶段二，模型搭建。搭建基于混合图网络的投诉定界模型，其中包括处理切片实例拓扑的图网络和处理切片用户投诉文本的卷积神经网络，然后对模型初始化。
阶段三，模型训练。利用该训练输入数据和训练输出数据对初始化的基于混合图网络的网络模型进行训练，得到基于混合图网络的投诉定界模型。训练过程中，计算预测得到的切片实例的定界结果和真实的切片实例的定界结果(yi，即定界标记对应的定界结果)之间的误差，训练目标是最小化该误差，并在每轮训练后用测试集来评价验证该模型，模型收敛后导出该模型的参数，得到训练好的基于混合图网络的投诉定界模型。可选的，训练目标函数选择'binary_crossentropy'二类对数损失函数：
可选的，将训练回合数设置为1500(epochs＝1500)，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。
进一步的，该基于混合图网络的网络模型包括基于卷积神经网络的切片投诉特征提取器，基于图卷积神经网络的投诉时间段切片实例拓扑特征提取器，以及切片投诉源节点定界器，其中，切片投诉特征提取器用于对序列化后的投诉信息进行特征提取，切片实例拓扑特征提取器用于对切片实例的拓扑特征进行提取，以及源节点定界器用于根据前述两个提取器提取的特征定位投诉的源节点。对于上述构成的基于混合图网络的网络模型，其利用该训练输入数据和训练输出数据对初始化的基于混合图网络的网络模型进行训练，得到基于混合图网络的投诉定界模型进一步包括：步骤一，将多个邻接矩阵样本和多个特征矩阵样本输入至该投诉时间段切片实例拓扑特征提取器中，该投诉时间段切片实例拓扑特征提取器提取得到切片实例的潜在空间向量表示；以及，将多个投诉信息样本输入至切片投诉特征提取器，该切片投诉特征提取器提取得到投诉特征向量；步骤二，将该潜在空间向量表示和投诉特征向量合并后输入至切片投诉源节点定界器中进行投诉定界，并结合多个定界标记来学习并调整模型权重；步骤三，在该基于混合图网络的网络模型收敛后则停止训练，并根据模型参数得到基于混合图网络的投诉定界模型。
图3示出了一个具体示例中搭建的基于混合图网络的网络模型示意图。如图3所示，该网络模型包括切片用户投诉文本特征提取器(切片投诉特征提取器)、投诉时间段切片实例拓扑特征提取器以及切片投诉源节点定界器。下面将针对上述三个组成部分的具体结构进行说明：
1)投诉时间段切片实例拓扑特征提取器：利用图卷积神经网络提取从NSMF获取的投诉时间段切片实例拓扑图的空间特征，将切片实例节点间关系和各节点在投诉时间段的告警、性能、配置变更特征投影到低维向量空间中得到切片实例拓扑的潜在空间向量表示Z。
第一层为输入层：输入切片实例i的邻接矩阵A和特征矩阵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256，激活函数设置为“lamda”。输出切片实例拓扑的潜在空间向量表示Z：Z＝GCN(X，A)；
第四层为平整层(flatten):该层用来将输入“压平”，将三维的输入转化成二维。
2)切片用户投诉文本特征提取器：通过卷积神经网络对从CSMF获取的序列化后的切片用户投诉内容进行特征抽取得到切片实例的投诉特征向量表示U。
第一层词嵌入层(embedding)：输入设置为总数据文本词典的大小，输出设置为需要将单词转换为向量空间的大小128维度。将切片用户投诉文本序列转换为固定形状128维度的向量；
第二层为卷积层(Conv1D)：卷积核个数为128(即输出的维度)，卷积核的空域窗长度设置为2(即卷积核每次连续读取2个词)，激活函数设置为“relu”。利用卷积层进行文本特征提取；
第三层为最大值池化层(MaxPooling1D)：池化窗口大小设置为2，最大值池化层将卷积核抽取出的特征值中的最大值保留，其他特征值全部丢弃；
第四层为平整层(flatten):该层用来将输入“压平”，将三维的输入转化成二维，常用在从卷积层到全连接层的过渡。
3)切片投诉源节点定界器：将Z和U进行合并，最终通过全连接层发现各节点在投诉时间段的告警、性能、配置变更特征与切片投诉之间的关系，从而来预测切片投诉的源节点。
第一层合并层(concatenate)：将两个分支的平整层输出结果进行合并拼接形成新的向量V；
第二层为全连接层：包含64个神经元，激活函数设置为“relu”；
第三层为输出层，由全连接层(Dense)构成：神经元个数设置为N(N为切片实例拓扑的节点数)，激活函数设置为“sigmoid”。输出切片实例i的投诉定界结果，输出结果长度为N，每个值对应每个节点的预测结果，0为非投诉溯源节点，1为投诉溯源节点。
至此，已对基于混合图网络的网络模型的训练过程进行了详细说明，下文中的步骤S220至步骤S240的过程将具体说明利用训练得到的基于混合图网络的投诉定界模型进行预测的过程，该实时预测的过程中关于输入数据的处理，以及涉及的相关术语等几乎与训练过程中的一致，在理解本方案的过程中，可以互相参照。例如，投诉信息样本与投诉信息，又如，序列化处理，对性能数据的转化处理等。
步骤S220：从切片管理架构的通信业务管理功能模块中获取用户使用目标切片实例的投诉内容，以及从切片管理架构的网络切片管理功能模块中获取该投诉内容对应的投诉时间段内目标切片实例的性能数据。
其中，该性能数据包括以下至少一项：切片实例中各节点产生的告警数据、性能指标数据以及配置变更数据。
步骤S230：对该投诉内容进行序列化处理，得到序列化后的投诉信息；根据该性能数据和目标切片实例的切片实例拓扑图，转化得到该目标切片实例的邻接矩阵和特征矩阵。
其中，该邻接矩阵为切片实例拓扑图中多个节点之间的连接关系，eij表示拓扑节点Vi和拓扑节点Vj之间的连接关系，节点之间相连为1，否则为0。形状为N*N(N为节点的个数)；特征矩阵为切片实例拓扑图中多个节点的特征描述，由多个节点的性能数据组成，定义每条节点告警的编码序列长度为F，F取总数据集中长度最长告警的长度，将每条告警的长度均填充为F，定义每条节点配置变更数据的编码序列长度为K，K取总数据集中长度最长配置变更数据的长度，将每条告警的长度均填充为K，定义每个节点性能包含M项KPI，则在特征矩阵中一个节点的特征描述的长度为F+K+M。
步骤S240：将该序列化后的投诉信息、邻接矩阵和特征矩阵输入至训练好的基于混合图网络的投诉定界模型中，预测得到该目标切片实例的定界结果。
具体地，在基于混合图网络的投诉定界模型内部，其预测过程包括：将序列化后的投诉信息输入至投诉特征提取器，提取出投诉特征，以及将邻接矩阵和特征矩阵输入至切片实例拓扑特征提取器，提出拓扑特征，然后将投诉特征和拓扑特征输入至源节点定界器中，则可以预测得到定界结果。
进一步的，定界结果由与目标切片实例中的多个节点对应的多个定界值组成，其中，针对任一节点，若预测出该节点为投诉源节点，则在投诉结果中显示该节点的定界值为第一定界值，若预测出该节点不是投诉源节点，则在投诉结果中显示该节点的定界值为第二定界值、例如，第一定界值为1，第二定界值为0。
步骤S250：根据该定界结果定位用户投诉的源节点。
具体地，将定界值为第一定界值的节点定位为用户投诉的源节点。例如，将定界值为1的节点定位为用户投诉的源节点。考虑到实际中可能出现投诉与切片实例不相关的情况，在定位用户投诉的源节点之前，可判断定界结果中多个节点的定界值是否全为第二定界值，若是，则输出用户投诉与目标切片实例无关的信息；若否，则进一步将定界值为第一定界值的节点定位为用户投诉的源节点。
图4示出了本发明一个完整的投诉定界流程的示意图。如图4所示，具体地定界过程如下：
1.切片用户向通信业务管理功能CSMF提交使用切片实例i的投诉；
2.CSMF将投诉内容发送至网络切片管理功能NSMF，并向NSMF获取投诉时间段切片实例i中各节点产生的告警(包括严重、紧急、重要、事件等级别告警)、性能KPI(包含每秒请求次数、请求时延、请求成功率等)、以及配置变更情况(例如版本升级、硬件更换、软件配置更改等)；
3.NSMF将投诉内容以及投诉时间段切片实例i中各节点产生的告警、性能KPI、以及配置变更情况发送至预处理模块进行数据预处理；
4.经预处理后，将投诉时间段切片实例i中各节点产生的告警、性能KPI、以及配置变更情况数据转换为切片实例i在投诉时间段的拓扑图，同时对切片投诉内容序列化；
5.将表示切片实例i在投诉时间段拓扑图的邻接矩阵A、特征矩阵X输入至基于图网络的投诉时间段切片实例拓扑特征提取器，同时将序列化后的切片用户投诉内容输入至基于卷积神经网络的切片投诉特征提取器，然后将以上两个特征提取器输出的特征向量进行合并后输入至切片投诉源节点定界器；
6.模型输出切片实例i的投诉定界结果，并判断输出结果是否为全零。6.1，若否，则将该切片用户的投诉定界至切片实例i的某个子网中的某个节点(即输出为1的节点)；6.2，若是，则该投诉与切片网络无关；
根据本实施例提供的5G切片用户的投诉定界方法，在现有图网络基础上创新性提出混合图网络模型，将处理切片实例拓扑的图网络和处理切片用户投诉文本的卷积神经网络进行联合学习。本模型包括投诉时间段切片实例拓扑特征提取器、切片用户投诉文本特征提取器以及切片投诉源节点定界器，其中，投诉时间段切片实例拓扑特征提取器利用图卷积神经网络提取从NSMF获取的投诉时间段切片实例拓扑图的空间特征，将切片实例节点间关系和各节点在投诉时间段的告警、性能、配置变更特征投影到低维向量空间中得到切片实例拓扑的潜在空间向量表示Z；同时切片用户投诉文本特征提取器通过卷积神经网络对从CSMF获取的序列化后的切片用户投诉内容进行特征抽取得到切片实例的投诉特征向量表示U。然后由切片投诉源节点定界器将Z和U进行合并，最终通过全连接层发现各节点在投诉时间段的告警、性能、配置变更特征与切片投诉之间的关系，从而来预测切片投诉的源节点，实现切片用户投诉的快速溯源定界。
图5示出了本发明实施例提供的5G切片用户的投诉定界装置的结构示意图。如图5所示，该装置包括：
获取模块510，适于获取用户使用目标切片实例的投诉内容以及所述投诉内容对应的投诉时间段内目标切片实例的性能数据；
数据预处理模块520，适于对所述投诉内容进行序列化处理，得到序列化后的投诉信息；根据所述性能数据和目标切片实例的切片实例拓扑图，转化得到所述目标切片实例的邻接矩阵和特征矩阵；
预测模块530，适于将所述序列化后的投诉信息、邻接矩阵和特征矩阵输入至训练好的基于混合图网络的投诉定界模型中，预测得到所述目标切片实例的定界结果；
定位模块540，适于根据所述定界结果定位用户投诉的源节点。
在一种可选的方式中，所述性能数据包括以下至少一项：切片实例中各节点产生的告警数据、性能指标数据以及配置变更数据。
在一种可选的方式中，所述邻接矩阵为切片实例拓扑图中多个节点之间的连接关系；特征矩阵为切片示例拓扑图中多个节点的特征描述，由多个节点的性能数据组成。
在一种可选的方式中，所述获取模块进一步适于：
从切片管理架构的通信业务管理功能模块中获取用户使用目标切片实例的投诉内容，以及从切片管理架构的网络切片管理功能模块中获取所述投诉内容对应的投诉时间段内目标切片实例的性能数据。
在一种可选的方式中，所述定界结果由与目标切片实例中的多个节点对应的多个定界值组成；
所述定位模块进一步适于：将定界值为第一定界值的节点定位为用户投诉的源节点。
在一种可选的方式中，所述装置还包括：训练模块，适于：
获取历史切片用户提出的多个历史投诉内容以及所述多个投诉内容分别对应的投诉时间段内的多组历史性能数据；
对所述多个历史投诉内容进行序列化处理，得到序列化后的多个投诉信息样本；根据所述多组历史性能数据对应的历史切片实例拓扑图，转化得到所述多个邻接矩阵样本和多个特征矩阵样本；以及，对每一次历史投诉涉及的投诉节点进行定界标记；
将所述序列化后的多个投诉信息样本、多个邻接矩阵样本和多个特征矩阵样本作为训练输入数据，以及将对应的多个定界标记作为训练输出数据；
利用所述训练输入数据和训练输出数据对初始化的基于混合图网络的网络模型进行训练，得到基于混合图网络的投诉定界模型。
在一种可选的方式中，所述基于混合图网络的网络模型包括基于卷积神经网络的切片投诉特征提取器，基于图卷积神经网络的投诉时间段切片实例拓扑特征提取器，以及切片投诉源节点定界器；
所述训练模块进一步适于：
将多个邻接矩阵样本和多个特征矩阵样本输入至所述投诉时间段切片实例拓扑特征提取器中，所述投诉时间段切片实例拓扑特征提取器提取得到切片实例的潜在空间向量表示；以及，将多个投诉信息样本输入至切片投诉特征提取器，所述切片投诉特征提取器提取得到投诉特征向量；
将所述潜在空间向量表示和投诉特征向量合并后输入至切片投诉源节点定界器中进行投诉定界，并结合多个定界标记来学习并调整模型权重；
在所述基于混合图网络的网络模型收敛后则停止训练，并根据模型参数得到基于混合图网络的投诉定界模型。
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切片用户的投诉定界方法。
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切片用户的投诉定界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：
获取用户使用目标切片实例的投诉内容以及所述投诉内容对应的投诉时间段内目标切片实例的性能数据；
对所述投诉内容进行序列化处理，得到序列化后的投诉信息；根据所述性能数据和目标切片实例的切片实例拓扑图，转化得到所述目标切片实例的邻接矩阵和特征矩阵；
将所述序列化后的投诉信息、邻接矩阵和特征矩阵输入至训练好的基于混合图网络的投诉定界模型中，预测得到所述目标切片实例的定界结果；
根据所述定界结果定位用户投诉的源节点。
在一种可选的方式中，所述性能数据包括以下至少一项：切片实例中各节点产生的告警数据、性能指标数据以及配置变更数据。
在一种可选的方式中，所述邻接矩阵为切片实例拓扑图中多个节点之间的连接关系；特征矩阵为切片示例拓扑图中多个节点的特征描述，由多个节点的性能数据组成。
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：
从切片管理架构的通信业务管理功能模块中获取用户使用目标切片实例的投诉内容，以及从切片管理架构的网络切片管理功能模块中获取所述投诉内容对应的投诉时间段内目标切片实例的性能数据。
在一种可选的方式中，所述定界结果由与目标切片实例中的多个节点对应的多个定界值组成；
所述程序610使所述处理器602执行以下操作：将定界值为第一定界值的节点定位为用户投诉的源节点。
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：
获取历史切片用户提出的多个历史投诉内容以及所述多个投诉内容分别对应的投诉时间段内的多组历史性能数据；
对所述多个历史投诉内容进行序列化处理，得到序列化后的多个投诉信息样本；根据所述多组历史性能数据对应的历史切片实例拓扑图，转化得到所述多个邻接矩阵样本和多个特征矩阵样本；以及，对每一次历史投诉涉及的投诉节点进行定界标记；
将所述序列化后的多个投诉信息样本、多个邻接矩阵样本和多个特征矩阵样本作为训练输入数据，以及将对应的多个定界标记作为训练输出数据；
利用所述训练输入数据和训练输出数据对初始化的基于混合图网络的网络模型进行训练，得到基于混合图网络的投诉定界模型。
在一种可选的方式中，所述基于混合图网络的网络模型包括基于卷积神经网络的切片投诉特征提取器，基于图卷积神经网络的投诉时间段切片实例拓扑特征提取器，以及切片投诉源节点定界器；
所述程序610使所述处理器602执行以下操作：将多个邻接矩阵样本和多个特征矩阵样本输入至所述投诉时间段切片实例拓扑特征提取器中，所述投诉时间段切片实例拓扑特征提取器提取得到切片实例的潜在空间向量表示；以及，将多个投诉信息样本输入至切片投诉特征提取器，所述切片投诉特征提取器提取得到投诉特征向量；
将所述潜在空间向量表示和投诉特征向量合并后输入至切片投诉源节点定界器中进行投诉定界，并结合多个定界标记来学习并调整模型权重；
在所述基于混合图网络的网络模型收敛后则停止训练，并根据模型参数得到基于混合图网络的投诉定界模型。
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 (8)

1.一种5G切片用户的投诉定界方法，包括：
获取用户使用目标切片实例的投诉内容以及所述投诉内容对应的投诉时间段内目标切片实例的性能数据；
对所述投诉内容进行序列化处理，得到序列化后的投诉信息；根据所述性能数据和目标切片实例的切片实例拓扑图，转化得到所述目标切片实例的邻接矩阵和特征矩阵；
将所述序列化后的投诉信息、邻接矩阵和特征矩阵输入至训练好的基于混合图网络的投诉定界模型中，预测得到所述目标切片实例的定界结果；
根据所述定界结果定位用户投诉的源节点；
所述基于混合图网络的投诉定界模型通过以下步骤训练得到：
获取历史切片用户提出的多个历史投诉内容以及所述多个历史投诉内容分别对应的投诉时间段内的多组历史性能数据；
对所述多个历史投诉内容进行序列化处理，得到序列化后的多个投诉信息样本；根据所述多组历史性能数据对应的历史切片实例拓扑图，转化得到所述多个邻接矩阵样本和多个特征矩阵样本；以及，对每一次历史投诉涉及的投诉节点进行定界标记；
将所述序列化后的多个投诉信息样本、多个邻接矩阵样本和多个特征矩阵样本作为训练输入数据，以及将对应的多个定界标记作为训练输出数据；
利用所述训练输入数据和训练输出数据对初始化的基于混合图网络的网络模型进行训练，得到基于混合图网络的投诉定界模型；
所述基于混合图网络的网络模型包括基于卷积神经网络的切片投诉特征提取器，基于图卷积神经网络的投诉时间段切片实例拓扑特征提取器，以及切片投诉源节点定界器；
所述利用所述训练输入数据和训练输出数据对初始化的基于混合图网络的网络模型进行训练，得到基于混合图网络的投诉定界模型进一步包括：
将多个邻接矩阵样本和多个特征矩阵样本输入至所述投诉时间段切片实例拓扑特征提取器中，所述投诉时间段切片实例拓扑特征提取器提取得到切片实例的潜在空间向量表示；以及，将多个投诉信息样本输入至切片投诉特征提取器，所述切片投诉特征提取器提取得到投诉特征向量；
将所述潜在空间向量表示和投诉特征向量合并后输入至切片投诉源节点定界器中进行投诉定界，并结合多个定界标记来学习并调整模型权重；
在所述基于混合图网络的网络模型收敛后则停止训练，并根据模型参数得到基于混合图网络的投诉定界模型。
2.根据权利要求1所述的方法，其中，所述性能数据包括以下至少一项：切片实例中各节点产生的告警数据、性能指标数据以及配置变更数据。
3.根据权利要求1所述的方法，其中，所述邻接矩阵为切片实例拓扑图中多个节点之间的连接关系；特征矩阵为切片示例拓扑图中多个节点的特征描述，由多个节点的性能数据组成。
4.根据权利要求1所述的方法，其中，所述获取用户使用目标切片实例的投诉内容以及所述投诉内容对应的投诉时间段内目标切片实例的性能数据进一步包括：
从切片管理架构的通信业务管理功能模块中获取用户使用目标切片实例的投诉内容，以及从切片管理架构的网络切片管理功能模块中获取所述投诉内容对应的投诉时间段内目标切片实例的性能数据。
5.根据权利要求1所述的方法，其中，所述定界结果由与目标切片实例中的多个节点对应的多个定界值组成；
所述根据所述定界结果定位用户投诉的源节点进一步包括：
将定界值为第一定界值的节点定位为用户投诉的源节点。
6.一种5G切片用户的投诉定界装置，包括：
获取模块，适于获取用户使用目标切片实例的投诉内容以及所述投诉内容对应的投诉时间段内目标切片实例的性能数据；
数据预处理模块，适于对所述投诉内容进行序列化处理，得到序列化后的投诉信息；根据所述性能数据和目标切片实例的切片实例拓扑图，转化得到所述目标切片实例的邻接矩阵和特征矩阵；
预测模块，适于将所述序列化后的投诉信息、邻接矩阵和特征矩阵输入至训练好的基于混合图网络的投诉定界模型中，预测得到所述目标切片实例的定界结果；
定位模块，适于根据所述定界结果定位用户投诉的源节点；
所述装置还包括：训练模块，适于获取历史切片用户提出的多个历史投诉内容以及所述多个历史投诉内容分别对应的投诉时间段内的多组历史性能数据；
对所述多个历史投诉内容进行序列化处理，得到序列化后的多个投诉信息样本；根据所述多组历史性能数据对应的历史切片实例拓扑图，转化得到所述多个邻接矩阵样本和多个特征矩阵样本；以及，对每一次历史投诉涉及的投诉节点进行定界标记；
将所述序列化后的多个投诉信息样本、多个邻接矩阵样本和多个特征矩阵样本作为训练输入数据，以及将对应的多个定界标记作为训练输出数据；
利用所述训练输入数据和训练输出数据对初始化的基于混合图网络的网络模型进行训练，得到基于混合图网络的投诉定界模型；
所述基于混合图网络的网络模型包括基于卷积神经网络的切片投诉特征提取器，基于图卷积神经网络的投诉时间段切片实例拓扑特征提取器，以及切片投诉源节点定界器；
所述训练模块进一步适于：
将多个邻接矩阵样本和多个特征矩阵样本输入至所述投诉时间段切片实例拓扑特征提取器中，所述投诉时间段切片实例拓扑特征提取器提取得到切片实例的潜在空间向量表示；以及，将多个投诉信息样本输入至切片投诉特征提取器，所述切片投诉特征提取器提取得到投诉特征向量；
将所述潜在空间向量表示和投诉特征向量合并后输入至切片投诉源节点定界器中进行投诉定界，并结合多个定界标记来学习并调整模型权重；
在所述基于混合图网络的网络模型收敛后则停止训练，并根据模型参数得到基于混合图网络的投诉定界模型。
7.一种计算设备，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1-5中任一项所述的5G切片用户的投诉定界方法对应的操作。
8.一种计算机存储介质，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1-5中任一项所述的5G切片用户的投诉定界方法对应的操作。
CN202010493567.2A 2020-06-03 2020-06-03 5g切片用户的投诉定界方法、装置及计算设备 Active CN113762978B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010493567.2A CN113762978B (zh) 2020-06-03 2020-06-03 5g切片用户的投诉定界方法、装置及计算设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010493567.2A CN113762978B (zh) 2020-06-03 2020-06-03 5g切片用户的投诉定界方法、装置及计算设备

Publications (2)

Publication Number Publication Date
CN113762978A CN113762978A (zh) 2021-12-07
CN113762978B true CN113762978B (zh) 2023-08-18

Family

ID=78783196

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010493567.2A Active CN113762978B (zh) 2020-06-03 2020-06-03 5g切片用户的投诉定界方法、装置及计算设备

Country Status (1)

Country Link
CN (1) CN113762978B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776900A (zh) * 2018-07-02 2018-11-09 北京市天元网络技术股份有限公司 网络投诉智能定界方法及系统
CN109391513A (zh) * 2018-10-11 2019-02-26 西安海润通信技术有限公司 一种基于大数据的网络感知智能预警与提升方法
CN110401549A (zh) * 2018-04-24 2019-11-01 中国移动通信集团广东有限公司 互联网用户投诉场景回溯方法、装置及系统
CN110691384A (zh) * 2019-10-23 2020-01-14 中国联合网络通信集团有限公司 一种网络切片使用方法及装置
CN110728525A (zh) * 2018-07-16 2020-01-24 中国移动通信集团浙江有限公司 一种网络批量用户投诉的定界处理方法及装置
CN111132190A (zh) * 2019-11-28 2020-05-08 中通服建设有限公司 基站负荷预警方法、装置
CN111130855A (zh) * 2019-12-05 2020-05-08 中国联合网络通信集团有限公司 一种问题定位方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110401549A (zh) * 2018-04-24 2019-11-01 中国移动通信集团广东有限公司 互联网用户投诉场景回溯方法、装置及系统
CN108776900A (zh) * 2018-07-02 2018-11-09 北京市天元网络技术股份有限公司 网络投诉智能定界方法及系统
CN110728525A (zh) * 2018-07-16 2020-01-24 中国移动通信集团浙江有限公司 一种网络批量用户投诉的定界处理方法及装置
CN109391513A (zh) * 2018-10-11 2019-02-26 西安海润通信技术有限公司 一种基于大数据的网络感知智能预警与提升方法
CN110691384A (zh) * 2019-10-23 2020-01-14 中国联合网络通信集团有限公司 一种网络切片使用方法及装置
CN111132190A (zh) * 2019-11-28 2020-05-08 中通服建设有限公司 基站负荷预警方法、装置
CN111130855A (zh) * 2019-12-05 2020-05-08 中国联合网络通信集团有限公司 一种问题定位方法和装置

Also Published As

Publication number Publication date
CN113762978A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
US10834183B2 (en) Managing idle and active servers in cloud data centers
CN115225536B (zh) 一种基于无监督学习的虚拟机异常检测方法及系统
CN113825165B (zh) 基于时间图网络的5g切片网络拥塞预警方法及装置
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
CN112398674A (zh) 虚拟网络功能描述vnfd配置模板的生成方法及装置
CN113824575B (zh) 故障节点识别的方法、装置、计算设备及计算机存储介质
CN113259145B (zh) 网络切片的端到端组网方法、组网装置及网络切片设备
CN113762978B (zh) 5g切片用户的投诉定界方法、装置及计算设备
CN113541986B (zh) 5g切片的故障预测方法、装置及计算设备
CN113825161B (zh) 基于深度自编码神经网络的5g切片异常检测方法及装置
CN114143163B (zh) 基于图注意力网络的切片误告警识别方法及装置
CN113411841B (zh) 5g切片的割接合并方法、装置及计算设备
CN113765683A (zh) 网络切片的割接告警屏蔽方法及装置
CN113806498B (zh) 网络切片实例运行状况的在线问答方法及装置
CN117540807A (zh) 一种模型权重参数存储方法、装置、设备及存储介质
CN113825148B (zh) 网络节点告警等级的确定方法、装置及计算设备
CN113822454B (zh) 切片投诉处理资源的预估方法及装置
CN116976402A (zh) 超图卷积神经网络的训练方法、装置、设备及存储介质
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
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
CN115687740A (zh) 一种消息投放群体的推荐方法和装置
CN113747480B (zh) 5g切片故障的处理方法、装置及计算设备
CN113810212B (zh) 5g切片用户投诉的根因定位方法及装置
CN114079958B (zh) 5g切片实例的容灾池选择方法、装置及计算设备
CN109919203A (zh) 一种基于离散动态机制的数据分类方法及装置

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
GR01 Patent grant
GR01 Patent grant