[發(fā)明專利]基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)切片資源動(dòng)態(tài)劃分方法及裝置

有效

• 申請?zhí)枺?/td>: 202011484431.1
• 申請日: 2020-12-15
• 公開（公告）號(hào): CN112613230B
• 公開（公告）日: 2023-01-17
• 發(fā)明（設(shè)計(jì)）人: 蔣麗瓊;孫嚴(yán)智;羅海林;洪丹軻;劉宇明;張國翊;字然;溫泉;陳龍;朱海龍
• 申請（專利權(quán)）人: 云南電網(wǎng)有限責(zé)任公司;中國南方電網(wǎng)有限責(zé)任公司
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N3/04;G06N3/08;H04W24/02;H04W24/06
• 代理公司: 昆明正原專利商標(biāo)代理有限公司 53100
• 代理人: 金耀生;于洪

1.基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)切片資源動(dòng)態(tài)劃分方法，其特征在于，包括：

獲取至少一個(gè)樣本終端設(shè)備的屬性參數(shù)，以及對應(yīng)的樣本網(wǎng)絡(luò)切片策略，所述樣本終端設(shè)備以及所述網(wǎng)絡(luò)切片策略與預(yù)設(shè)時(shí)間段相關(guān)聯(lián)；

將所述屬性參數(shù)作為輸入，所述網(wǎng)絡(luò)切片策略作為輸出，進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，得到網(wǎng)絡(luò)切片資源劃分模型，其中，所述網(wǎng)絡(luò)切片資源劃分模型為復(fù)合神經(jīng)網(wǎng)絡(luò)模型，在所述網(wǎng)絡(luò)切片資源劃分模型的學(xué)習(xí)訓(xùn)練過程中，采用擬合梯度進(jìn)行模型參數(shù)的更新；

獲取當(dāng)前終端設(shè)備的屬性參數(shù)，輸入至所述網(wǎng)絡(luò)切片資源劃分模型中，得到輸出的網(wǎng)絡(luò)切片策略，將所述網(wǎng)絡(luò)切片策略發(fā)送至所述終端設(shè)備，以使所述終端設(shè)備根據(jù)所述網(wǎng)絡(luò)切片策略執(zhí)行相應(yīng)的路由；

在獲取至少一個(gè)樣本終端設(shè)備的屬性參數(shù)，以及對應(yīng)的樣本網(wǎng)絡(luò)切片策略之前，還包括：

進(jìn)行預(yù)設(shè)時(shí)間段劃分；

相應(yīng)的，所述獲取至少一個(gè)樣本終端設(shè)備的屬性參數(shù)，以及對應(yīng)的樣本網(wǎng)絡(luò)切片策略，包括：

依據(jù)不同的時(shí)間段，確定對應(yīng)的樣本終端設(shè)備的屬性參數(shù)，以及對應(yīng)的樣本網(wǎng)絡(luò)切片策略；

在將所述網(wǎng)絡(luò)切片策略發(fā)送至所述終端設(shè)備之后，還包括：

獲取所述終端設(shè)備數(shù)據(jù)傳輸參數(shù)，確定所述數(shù)據(jù)傳輸參數(shù)是否和所述終端設(shè)備的屬性匹配，如果否，則發(fā)送重新路由指令至所述終端設(shè)備。

2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)切片資源動(dòng)態(tài)劃分方法，其特征在于，所述進(jìn)行預(yù)設(shè)時(shí)間段劃分，包括：

根據(jù)預(yù)設(shè)時(shí)間內(nèi)的終端接入數(shù)量、接入類型以及網(wǎng)絡(luò)負(fù)載參數(shù)確定預(yù)設(shè)時(shí)間段。

3.根據(jù)權(quán)利要求1-2中任一項(xiàng)所述的基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)切片資源動(dòng)態(tài)劃分方法，其特征在于，所述復(fù)合神經(jīng)網(wǎng)絡(luò)模型包括：

非全連接稀疏建模模塊、感知器層以及一個(gè)反饋通路模塊；所述非全連接稀疏建模模塊使用殘差網(wǎng)絡(luò)結(jié)構(gòu)，用于在每一輪迭代中完成各個(gè)樣本之間差值的稀疏建模；所述感知器層用于生成稀疏建模模塊所需的外輸入；所述反饋通路模塊用于調(diào)節(jié)所述非全連接稀疏建模模塊。

4.根據(jù)權(quán)利要求1-2中任一項(xiàng)所述的基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)切片資源動(dòng)態(tài)劃分方法，其特征在于，采用擬合梯度進(jìn)行模型參數(shù)的更新包括：

將樣本終端的屬性參數(shù)集合輸入到神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，獲取當(dāng)前神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，根據(jù)當(dāng)前神經(jīng)網(wǎng)絡(luò)模型參數(shù)的數(shù)值擬合出下一步的梯度。

5.基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)切片資源動(dòng)態(tài)劃分裝置，其特征在于，包括：

樣本獲取模塊，用于獲取至少一個(gè)樣本終端設(shè)備的屬性參數(shù)，以及對應(yīng)的樣本網(wǎng)絡(luò)切片策略，所述樣本終端設(shè)備以及所述網(wǎng)絡(luò)切片策略與預(yù)設(shè)時(shí)間段相關(guān)聯(lián)；所述獲取至少一個(gè)樣本終端設(shè)備的屬性參數(shù)，以及對應(yīng)的樣本網(wǎng)絡(luò)切片策略，包括：依據(jù)不同的時(shí)間段，確定對應(yīng)的樣本終端設(shè)備的屬性參數(shù)，以及對應(yīng)的樣本網(wǎng)絡(luò)切片策略；

模型訓(xùn)練模塊，用于將所述屬性參數(shù)作為輸入，所述網(wǎng)絡(luò)切片策略作為輸出，進(jìn)行神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，得到網(wǎng)絡(luò)切片資源劃分模型，其中，所述網(wǎng)絡(luò)切片資源劃分模型為復(fù)合神經(jīng)網(wǎng)絡(luò)模型，在所述網(wǎng)絡(luò)切片資源劃分模型的學(xué)習(xí)訓(xùn)練過程中，采用擬合梯度進(jìn)行模型參數(shù)的更新；

策略生成模塊，用于獲取當(dāng)前終端設(shè)備的屬性參數(shù)，輸入至所述網(wǎng)絡(luò)切片資源劃分模型中，得到輸出的網(wǎng)絡(luò)切片策略，將所述網(wǎng)絡(luò)切片策略發(fā)送至所述終端設(shè)備，以使所述終端設(shè)備根據(jù)所述網(wǎng)絡(luò)切片策略執(zhí)行相應(yīng)的路由；

還包括預(yù)設(shè)時(shí)間確定模塊，用于在獲取至少一個(gè)樣本終端設(shè)備的屬性參數(shù)，以及對應(yīng)的樣本網(wǎng)絡(luò)切片策略之前，進(jìn)行預(yù)設(shè)時(shí)間段劃分；

還包括路由指令模塊，用于在將所述網(wǎng)絡(luò)切片策略發(fā)送至所述終端設(shè)備之后：

獲取所述終端設(shè)備數(shù)據(jù)傳輸參數(shù)，確定所述數(shù)據(jù)傳輸參數(shù)是否和所述終端設(shè)備的屬性匹配，如果否，則發(fā)送重新路由指令至所述終端設(shè)備。

6.根據(jù)權(quán)利要求5所述的基于神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)切片資源動(dòng)態(tài)劃分裝置，其特征在于，所述進(jìn)行預(yù)設(shè)時(shí)間段劃分，包括：

根據(jù)預(yù)設(shè)時(shí)間內(nèi)的終端接入數(shù)量、接入類型以及網(wǎng)絡(luò)負(fù)載參數(shù)確定預(yù)設(shè)時(shí)間段。