[發明專利]信息處理方法、模型的生成及訓練方法、電子設備和介質

在審

• 申請號: 202011312980.0
• 申請日: 2020-11-20
• 公開（公告）號: CN114531363A
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 王大江;葉友道;楊璽坤;栗偉清;王振宇
• 申請（專利權）人: 中興通訊股份有限公司
• 主分類號: H04L41/14
• 分類號: H04L41/14;H04L41/0803;H04L41/12;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 梁嘉琦

1.一種信息處理方法，包括：

獲取網絡中業務信息的傳輸參數，其中，所述傳輸參數表征所述業務信息在網絡中的傳輸性能；

利用預先訓練好的網絡模型對所述傳輸參數進行傳輸性能預測，其中，所述網絡模型包括圖卷積網絡GCN模型，所述GCN模型為根據網絡中業務信息的傳輸路徑信息而得到。

2.根據權利要求1所述的方法，其特征在于，所述GCN模型包括用于輸入所述傳輸參數的輸入節點，所述輸入節點與所述傳輸路徑信息相對應，存在同源關系或者同宿關系的傳輸路徑信息所對應的所述輸入節點之間相連接。

3.根據權利要求1所述的方法，其特征在于，所述網絡模型還包括深度神經網絡DNN模型，所述利用預先訓練好的網絡模型對所述傳輸參數進行傳輸性能預測，包括：

利用所述GCN模型對所述傳輸參數進行處理，得到傳輸特征參數；

利用所述DNN模型對所述傳輸特征參數進行處理，得到傳輸性能預測結果。

4.根據權利要求3所述的方法，其特征在于，所述利用所述GCN模型對所述傳輸參數進行處理，得到傳輸特征參數，包括：

利用如下公式對所述傳輸參數進行處理以得到傳輸特征參數：

y＝Θ*gx＝σ(α(L)x)

其中，所述y為所述傳輸特征參數；所述x為所述傳輸參數；所述Θ為卷積核函數；所述*g為采用譜方法的圖卷積算子，表示所述x與所述Θ的乘積；所述α為卷積核參數；所述L為歸一化的圖拉普拉斯算子；所述σ為激活函數。

5.根據權利要求3所述的方法，其特征在于，在得到傳輸性能預測結果之后，所述方法還包括：

利用所述傳輸性能預測結果對所述業務信息進行傳輸性能優化處理。

6.根據權利要求1至5任意一項所述的方法，其特征在于，所述傳輸參數包括業務流量、光信噪比OSNR、誤碼率和出光功率中的至少一個。

7.一種網絡模型的生成方法，包括：

獲取網絡中業務信息的傳輸路徑信息；

根據所述傳輸路徑信息生成GCN模型，其中，所述GCN模型包括用于輸入所述業務信息的傳輸參數的輸入節點，所述輸入節點與所述傳輸路徑信息相對應，所述傳輸參數表征所述業務信息在網絡中的傳輸性能。

8.根據權利要求7所述的方法，其特征在于，所述傳輸路徑信息包括首節點信息和尾節點信息，所述根據所述傳輸路徑信息生成GCN模型，包括：

根據所述首節點信息和所述尾節點信息建立所述輸入節點；

將存在同源關系或者同宿關系的傳輸路徑信息所對應的所述輸入節點相連接，得到GCN模型。

9.根據權利要求7或8所述的方法，其特征在于，所述GCN模型采用如下公式表征：

y＝Θ*gx＝σ(α(L)x)

其中，所述y為所述GCN模型的輸出參數；所述x為輸入到所述GCN模型的輸入參數；所述Θ為卷積核函數；所述*g為采用譜方法的圖卷積算子，表示所述x與所述Θ的乘積；所述α為卷積核參數；所述L為歸一化的圖拉普拉斯算子；所述σ為激活函數。

10.根據權利要求7或8所述的方法，其特征在于，所述傳輸參數包括業務流量、OSNR、誤碼率和出光功率中的至少一個。

11.一種網絡模型的訓練方法，包括：

獲取網絡中業務信息的傳輸參數，其中，所述傳輸參數表征所述業務信息在網絡中的傳輸性能；

利用所述傳輸參數對所述網絡模型進行訓練，其中，所述網絡模型包括GCN模型，所述GCN模型為根據網絡中業務信息的傳輸路徑信息而得到。

12.根據權利要求11所述的方法，其特征在于，所述GCN模型包括用于輸入所述傳輸參數的輸入節點，所述輸入節點與所述傳輸路徑信息相對應，存在同源關系或者同宿關系的傳輸路徑信息所對應的所述輸入節點之間相連接。