[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

本發明公開了一種信息處理方法、模型的生成及訓練方法、電子設備和介質。其中，信息處理方法包括：獲取網絡中業務信息的傳輸參數，其中，傳輸參數表征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傳輸參數進行傳輸性能預測，其中，網絡模型包括GCN模型，GCN模型為根據網絡中業務信息的傳輸路徑信息而得到。在本發明實施例中，由于GCN模型為根據網絡中業務信息的傳輸路徑信息而得到，因此該GCN模型能夠與傳輸該業務信息的網絡拓撲相符合，所以，通過利用包括有該GCN模型的網絡模型對網絡中的業務信息的傳輸參數進行處理，能夠較為準確有效的實現對網絡中的業務信息的傳輸性能預測。

技術領域

本發明實施例涉及但不限于網絡技術領域，尤其涉及一種信息處理方法、網絡模型的生成方法、網絡模型的訓練方法、電子設備及計算機可讀存儲介質。

背景技術

隨著網絡的快速發展，網絡拓撲越來越復雜，為了保證網絡中業務傳輸的穩定性以及高質量，有必要對業務的傳輸性能進行預測。然而，目前對網絡中業務的傳輸性能預測主要還是依靠運維人員的經驗而進行，智能化程度較低，雖然相關技術中提出了采用機器學習算法嘗試應對業務的傳輸性能預測，但影響業務的傳輸性能預測的因素包括時間、空間、社會環境等，這些因素多且復雜，導致簡單的機器學習算法在應對這種受多維因素影響的傳輸性能預測功能的實現時略顯吃力，從而不能有效實現對網絡中業務的傳輸性能的預測。

發明內容

以下是對本文詳細描述的主題的概述。本概述并非是為了限制權利要求的保護范圍。

本發明實施例提供了一種信息處理方法、網絡模型的生成方法、網絡模型的訓練方法、電子設備及計算機可讀存儲介質，能夠有效實現對網絡中業務信息的傳輸性能的預測。

第一方面，本發明實施例提供了一種信息處理方法，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(Graph Convolution Network，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。

第二方面，本發明實施例還提供了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。

第三方面，本發明實施例還提供了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。

第四方面，本發明實施例還提供了一種電子設備，包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如上所述第一方面的信息處理方法。

第五方面，本發明實施例還提供了一種電子設備，包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如上所述第二方面的網絡模型的生成方法。

第六方面，本發明實施例還提供了一種電子設備，包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序時實現如上所述第三方面的網絡模型的訓練方法。