CN109245916B - 一种意图驱动的云化接入网***及方法 - Google Patents

Abstract

本发明属于无线通信网络技术领域，公开了一种意图驱动的云化接入网***及方法，业务应用层获得移动网络核心应用以及面向垂直行业应用的服务诉求，经由意图北向接口完成转译；意图使能层依托云化网络服务平面，构建基于意图的全局动态管理和编排的控制***，实现业务意图的统一规划、资源的统一调度；基础设施层利用资源虚拟化技术，形成资源池，同时基于5G三大应用场景提供泛在式连接。本发明通过意图驱动的云化泛在极智接入网，实现网络协作化、资源共享化、接口开放化和管理智能化，构建可重构的资源管理架构。本发明还公开了一种意图驱动的云化接入网实现方法，协同调度网络资源，提供端到端的服务保证。

Description

一种意图驱动的云化接入网***及方法

技术领域

本发明属于无线通信网络技术领域，尤其涉及一种意图驱动的云化接入网***及方法。

背景技术

未来的无线通信网络应具备高度的功能模块化、资源共享化、接口开放化、管理智能化和能力开放化等特征，通过一张强大的融合网络支持业务对资源的按需定制。软件定义网络(SDN)是一种新型的网络架构，它的设计理念是将网络的控制平面与数据转发平面进行分离，从而通过集中的控制器中的软件平台去实现可编程化控制底层硬件，实现对网络资源灵活的按需调配。在SDN网络中，网络设备只负责单纯的数据转发，可以采用通用的硬件；而原来负责控制的操作***将提炼为独立的网络操作***，负责对不同业务特性进行适配，而且网络操作***和业务特性以及硬件设备之间的通信都可以通过编程实现。

虚拟化(Virtualization)是一种资源管理技术，是将计算机的各种实体资源，如服务器、网络、内存及存储等，予以抽象、转换后呈现出来，打破实体结构间不可切割的障碍，使用户可以比原本的组态更好的方式来应用这些资源。将网络构建于基于通用基础设施的云化平台上，网元功能虚拟化，控制面高度集中，数据面分散化，有助于实现网元的按需快速部署。由于庞大基础设施，通信网络在物理基础设施、协议和性能方面的差异，目前SDN架构下***若需要同时维持多张虚拟网络，并保证各应用程序共享资源的同时彼此功能不相互影响，协调各程序的运行，提高资源利用效率，但这往往会导致资源分配算法的复杂度和运算量呈指数级上升，很容易导致***崩溃。另外，云运营商在根据云用户的服务需求做出云资源决策时，主要依靠自己的技能和经验。然而，考虑到大量的云服务订单，各种各样的需求以及云配置选项的复杂性，这样的手动决策往往成本高昂且易出错。为了有效管理端到端网络，应用需要从更高抽象级别进行管理，而不是在低级设备的细节处，这种为网络提供指导的抽象策略通常被视为意图。而无线接入网络是距离应用或者用户最后一公里，因此有必要探索意图驱动的无线接入网络。

现有技术一用于基于商业意图驱动策略的网络业务表征、监视和控制的方法和***。该方法包括(1)确定针对至少一个应用的网络要求；(2)根据至少部分地基于当前网络状况的策略来动态地确定适于数据传输的链路，以满足所述网络要求；(3)以及通过所述链路来路由与所述至少一个应用相关联的一个或多个应用网络数据流。该方法存在的不足之处是：该方法利用了策略字符串来表达应用网络驱动模型中的商业意图，但是只是考虑了意图的表征，并未考虑表征出的意图是以单个还是多个形式下放，由此引发意图的一致性校验问题，当多商业意图下发时，易出现逻辑一致性问题，并继而带来网络配置出错等问题。

现有技术二用于获得并处理基于意图的反馈的技术。可通过利用一个或多个布局来生成创作的内容。所生成的布局随后可用于将内容呈现给作者或其它用户。作者还可以提供反馈以请求对所生成的布局进行调整或重新生成。反馈可以包括覆盖反馈和意图反馈，所述覆盖反馈覆盖在布局中所使用的意图解释；所述意图反馈改变用于所述内容数据的意图数据或添加更多用于所述内容数据的意图数据。该技术存在的不足之处是：该方法通过基于用户反馈对内容的布局进行修改来增强与计算设备的用户交互，但反馈机制基于特定计算机结构特征的语言、方法和变换动作，对于反馈功能的鲁棒性和可扩展性尚且不足。

现有技术三一种供应网络通信域的方法，包括：(1)定义网络通信域具有多个网络转发元件；(2)由意图驱动的控制器检测与多个网络转发元件相关联的一个或多个能力；(3)为网络中运行的多个计算机应用程序中的每一个通信服务指定要求，并为与每个应用程序相关联的数据流量分配权重；(4)选择最高权值的计算机应用程序并临时确定通过网络转发元件的路径以满足通信服务要求；(5)配置一个或多个网络转发元件以允许应用数据流量根据临时确定的网络路径通过网络转发。该方法存在的不足之处是：该方法中意图驱动的控制器的管理控制作用没有针对5G RAN，一方面是因为该控制器并未与管理编排***实现结合，另一方面该技术所适用网络环境还是聚焦在固网，尚未迁移到无线通信网络，面对5G时代多元化的任务需求不能提供高效、弹性、灵活的管理能力。

综上所述，现有技术存在的问题是：

传统点到点传输凸显局限性，传统信息论仅考虑点到点传输过程，尚未探讨传输动机、传输内容和传输结果；虚拟化或软件定义网络带来网络配置复杂性，通信应用意图与网络脱节；网络供求凸显分割性，用户需求和网络供给无法精准对齐，网络缺乏敏捷快速的响应能力，无法实现智简的网络管理；网络网元设备凸显低智能性，终端等设备的固有化设计降低用户的参与度，无法实现随心化的用户体验；网络演进凸显停滞性，网络结构封闭，难以融合、扩展与演进，节点进化与网络结构演进脱节。因此需要弹性的网络结构与节点功能，构建网络虚拟化管道与控制机制，从而使其工作方式以及网络运行状态随应用请求变化而动态重构。

解决技术问题的难度和意义：

无线网络规模和复杂性的持续增长，以及用户需求和业务多样化发展，刚性网络架构封闭且缺乏灵活性，关键网络技术分治且缺乏开拓性，无法满足下一代网络智简性、敏捷性、扩展性、随心性和融合性等方面的需求。为突破当前无线网络面临的瓶颈，从网络维度对香农理论再思考，网络架构再革新，网络技术再开拓。经历了信令驱动和数据驱动，研究意图驱动旨在面向用户意图实现灵活的、敏捷的和精准的网络管理和节点交互，意图驱动的无线网络作为下一代网络演进的方向，具有重要科学意义。

发明内容

针对现有技术存在的问题，本发明提供了一种意图驱动的云化接入网***及方法。

本发明是这样实现的，一种意图驱动的云化接入网***，所述意图驱动的云化接入网***包括：

业务应用层，通过意图使能层提供的编程接口对底层设备进行编程，将网元的能力抽象封装，把网络的控制权开放给用户及其他业务伙伴；并提供管理界面；

意图使能层，将应用请求经由意图北向接口转译成的意图流进行解析和一致性校验，并处理成可被当前网络资源执行的网络意图；通过意图与资源的映射算法，获得网络中具体资源的对应操作；采用基于意图的管理和编排的***实现全局应用意图的统一规划，资源的统一调度，采用闭环编排的方式实现网元的生命周期管理；

基础设施层，将一个或多个接入制式的非实时功能CU-C和CU-U独立出来，形成接入聚合层，对于一个或多个接入制式的DU进行统一协同管理。

所述意图驱动的云化接入网***进一步包括：意图引擎模块；

所述意图引擎模块包括：

意图解析模块，用于理解和学习经由北向接口转译而来的意图流；

意图校验模块，用于解决由于出现网络时延或同时多个应用程序下发意图时，可能会发生的意图冲突而产生大量的逻辑一致性问题；

资源映射模块，通过规则匹配，实现资源组合决策的自动化获取；

资源组合模板，存储资源组合模板，定义每个基本服务的基本资源组成；

参数计算模块，根据服务要求和资源约束，确定虚拟网元配置参数；

自主学习模块，基于经验数据，采用监督学习构建的参数决策方案模型；

优化验证模块，用于预验证配置方案的有效性和正确性，同时在长期反馈验证中使网络获得自优化、自愈合的能力。

本发明的另一目的在于提供一种应用所述意图驱动的云化接入网***的意图驱动的云化接入网方法，所述意图驱动的云化接入网方法包括以下步骤：

步骤一，意图北向接口通过声明式表达规则体现应用意图，并解构为<动作，对象，修饰，类型...>的特定表达形式；转译完毕的意图流通过意图北向接口进入云化网络服务平面的基于意图的管理和编排***(IB-MANO)；

步骤二，意图流进入意图引擎中的意图解析模块进行识别应用意图中的请求，对意图流中的操作表示符进行规则匹配；基于承诺理论，利用意图一致性校验模块解决由于出现网络时延或同时多个应用程序下发意图时，可能会发生意图的冲突而产生大量的逻辑一致性问题；

步骤三，针对解析完毕的意图流的请求，结合资源组合模板库中存储的资源组合规则，实现资源组合的确定；对资源组合方案进行优先级和冲突分析，并确定虚拟网元的类型；

步骤四，参数计算模块根据工作负荷和环境信息，并结合自学习模块中学习的历史参数决策信息生成配置参数；决定的资源组成和参数以YAML格式生成，并传给优化验证模块；

步骤五，将得到的配置参数结合实时网络状态与历史数据在优化验证模块中进行比较，验证参数配置的正确性；将数据文件交付给虚拟化网络功能管理器完成编排与管理；应用意图实现后，优化验证模块持续验证意图实现的可靠度，并协同自学习模块实现数据更新；

步骤六，接入网侧反馈信息获取：集中管理节点采用大数据和机器学习等技术建立网络业务整体数据模型，并将关键指标数据实时通过反馈链路传达至自学习模块和优化验证模块，并在管理节点处实现场景预判，进行资源的预先分配调度。

进一步，所述冲突和优先级分析具体包括：

(1)根据输入的策略事件和优先级关系矩阵确定执行的策略行为关联的网络配置属性；若对于每一个网络配置属性，与其相关的多个策略同时被采用，则发生冲突；

(2)根据优先级矩阵中定义的优先级信息，则执行优先级最高的策略关联的网络配置属性，而拒绝执行其他策略；

(3)优先级关系矩阵以网元为单位进行构造，该矩阵描述策略的判决条件满足的情况下采用的策略行为对相关配置属性操作的优先级。

进一步，自学习模块采用监督学习机制，线性回归模型和深度神经网络来实现自学习机制。另外，自学习模块事先会定义处理时间上限以确保应用意图的及时实现。

本发明的另一目的在于提供一种应用所述意图驱动的云化接入网方法的意图引擎实现从意图流到资源动作流的生成方法，所述意图引擎实现从意图流到资源动作流的生成方法包括：

步骤一，意图的解析及一致性校验；

(1)意图解析模块将意图流的一组数据进行词性划分并加载标签，并对每个附有标签的符号实现规则的匹配；解析完毕的原子请求在JSON文件中进行输出；意图流表示为<动作，对象，修饰，类型...>，动作是描述意图的最关键的操作，对象时标识动作的执行者或接受者，修饰用来具体化或参数化某一个约束，类型是连接到另一个服务进程的标识；

(2)基于承诺理论，在意图到达时分析不同的意图目标，生成一个优化的解决方案以满足需要，在上层解决冲突后，再下发给下层执行无冲突的意图；承诺理论的形式表示为：

其中n₁是承诺者，n₂是承诺的接受者，π是承诺的类型，描述了承诺特征；承诺是的类型分为基础，合作，使用，条件；

在网络中，承诺者和承诺的接受者可以是网络中的各种节点，通过承诺理论表征节点对之间的关系；意图应该满足所有涉及节点之间的承诺或最大程度的满足涉及的所有节点承诺的操作集合；

步骤二，策略映射获得资源组合方案。

(1)解析完毕的意图流的请求，结合资源组合模板库中存储的资源组合规则，实现资源组合的确定；

(2)对资源组合方案进行优先级和冲突分析，并确定虚拟网元的类型，分析服务级别、服务可靠性和服务安全性；

步骤三，资源配置参数计算。

(1)参数计算模块根据工作负荷和环境信息，并结合自学习模块中学习的历史参数决策信息生成配置参数；自学习模块采用监督学习机制，即线性回归模型和深度神经网络来实现自学习机制；

(2)决定的资源组成和参数以YAML格式生成，并传给优化验证模块；

步骤四，持续闭环优化验证；

(1)将得到的配置参数结合实时网络状态与历史数据在优化验证模块中进行比较，验证参数配置的正确性；将数据文件交付给虚拟化网络功能管理器完成编排与管理；

(2)应用意图实现后，优化验证模块持续验证意图实现的可靠度，并协同自学习模块实现数据更新。

本发明的另一目的在于提供一种应用所述意图驱动的云化接入网方法的无线通信网络***。

综上所述，本发明的优点及积极效果为：建立的意图驱动的云化接入网***与传统方式相比提升了网络的可用性和敏捷性，意图深化到模块内部，提高网络架构中各模块的智能化程度，为网络植入智能基因，让网络理解应用意图，简化网络的管理和运维。本发明可为网络中不同角色人员带来实际增益：对网络管理人员来说，工程师在对意图驱动的云化接入网络进行配置时可以更关注网络服务而不是具体的微配置，使网络交付与商业需求更贴近。对终端用户来说，网络自动调整适应不同业务，提供更好的用户体验；对网络服务提供商或设备商来说，网络配置和维护工作更加简洁，节省人力。

本发明应该可以减少高达80％的手动无线网络参数配置，网络运维Opex降低80％，网络问题自主解决率达到99％，以及未知威胁检出率提升至99％，从整体上提高资源利用效率，并细化资源控制的粒度，实现灵活可重构、融合可演进、开放可编程、弹性可定制的无线通信网络***。

附图说明

图1是本发明实施例提供的意图驱动的云化接入网***结构示意图；

图中：1、业务应用层；2、意图使能层；3、基础设施层。

图2是本发明实施例提供的意图驱动的云化接入网方法流程图。

图3是本发明实施例提供的意图引擎功能示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明面向后五代移动通信时代多元化任务需求，通过意图驱动的云化泛在接入网，采用软件定义网络、网络功能虚拟化技术，实现资源共享和动态调度，提高频谱效率，以达到低成本、高带宽和弹性灵活的网络运营。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的意图驱动的云化接入网***包括：业务应用层1、意图使能层2、基础设施层3。

业务应用层1，通过意图使能层提供的编程接口对底层设备进行编程，将网元的能力抽象封装，把网络的控制权开放给用户及其他业务伙伴；并提供管理界面，实现丰富多彩的业务创新。

意图使能层2，将应用请求经由意图北向接口转译成的意图流进行解析和一致性校验，并处理成可被当前网络资源执行的网络意图；通过意图与资源的映射算法，获得网络中具体资源的对应操作。采用基于意图的管理和编排的***实现全局应用意图的统一规划，资源的统一调度，采用闭环编排的方式实现网元的生命周期管理。

基础设施层3，将一个或多个接入制式的非实时功能CU-C和CU-U独立出来，形成接入聚合层，对于一个或多个接入制式(如：NR和eLTE)的DU进行统一协同管理。同时，部署增强型射频拉远单元，解决网络状况变化快、业务需求量大、用户行为属性复杂和覆盖范围不足的问题。

如图2所示，本发明实施例提供的意图驱动的云化接入网方法包括以下步骤：

S201：应用意图的转译：意图北向接口通过声明式表达规则体现应用意图，并对其解构为<动作，对象，修饰，类型...>的特定表达形式；转译完毕的意图流通过REST接口进入云化网络服务平面的基于意图的管理和编排***(IB-MANO)；

S202：意图的解析及一致性校验：意图流进入意图引擎中的意图解析模块进行识别应用意图中的请求，对意图流中的操作表示符进行规则匹配；基于承诺理论，利用意图一致性校验模块解决由于出现网络时延或同时多个应用程序下发意图时，可能会发生意图的冲突而产生大量的逻辑一致性问题；

S203：策略映射获得资源组合方案：针对解析完毕的意图流的原子请求，结合资源组合模板库中存储的资源组合规则，实现资源组合的确定；对资源组合方案进行优先级和冲突分析，并确定虚拟网元的类型；

S204：资源配置参数计算：参数计算模块根据工作负荷和环境信息，并结合自学习模块中学习的历史参数决策信息生成配置参数；决定的资源组成和参数以YAML格式生成，并传给优化验证模块；

S205：持续闭环优化验证：将得到的配置参数结合实时网络状态与历史数据在优化验证模块中进行比较，验证参数配置的正确性。最后将数据文件交付给虚拟化网络功能管理器完成编排与管理；应用意图实现后，优化验证模块持续验证意图实现的可靠度，并协同自学习模块实现数据更新；

S206：接入网侧反馈信息获取：集中管理节点(CU)采用大数据和机器学习等技术建立网络业务整体数据模型，并将关键指标数据实时通过反馈链路传达至自学习模块和优化验证模块，并在CU处实现场景预判，进行资源的预先分配调度。

在本发明的优选实施例中，冲突和优先级分析，首先根据输入的策略事件和优先级关系矩阵确定执行的策略行为关联的网络配置属性；若对于每一个网络配置属性，与其相关的多个策略同时被采用，则发生冲突；根据优先级矩阵中定义的优先级信息，则执行优先级最高的策略关联的网络配置属性，而拒绝执行其他策略。优先级关系矩阵以网元为单位进行构造，该矩阵描述了策略的判决条件满足的情况下采用的策略行为对相关配置属性操作的优先级。

在本发明的优选实施例中，自学习模块采用监督学习机制，即线性回归模型和深度神经网络来实现自学习机制。另外，自学习模块事先会定义处理时间上限以确保应用意图的及时实现。

下面结合附图对本发明的应用原理作进一步的描述。

如图3所示，本发明的意图引擎包括七个模块，意图解析模块理解和学习经由北向接口转译而来的意图流；意图一致性校验模块，解决由于出现网络时延或同时多个应用程序下发意图时，可能会发生意图的冲突而产生大量的逻辑一致性问题资源映射模块通过规则匹配，实现资源组合决策的自动化获取；资源组合模板存储了资源组合模板，定义了每个基本服务的基本资源组成；参数计算模块根据服务要求和资源约束，确定虚拟网元配置参数；自学习模块基于经验数据，采用监督学习构建的参数决策方案模型；

优化验证模块用于预验证配置方案的有效性和正确性，同时在长期反馈验证中使网络获得自优化、自愈合的能力。

本发明实施例提供的意图引擎实现从意图流到资源动作流的生成步骤如下：

步骤一，意图的解析及一致性校验。

(1)意图解析模块将意图流的一组数据进行词性划分并加载标签，并对每个附有标签的符号实现规则的匹配。解析完毕的意图请求在JSON文件中进行输出；意图流可以表示为<动作，对象，修饰，类型...>，动作是描述意图的最关键的操作，对象时标识动作的执行者或接受者，修饰用来具体化或参数化某一个约束，类型是连接到另一个服务进程的标识。

(2)基于承诺理论，利用意图一致性校验模块解决由于出现网络时延或同时多个应用程序下发意图时，可能会发生意图的冲突而产生大量的逻辑一致性问题；在意图到达时分析不同的意图目标，生成一个优化的解决方案以满足需要，在上层(控制层)解决冲突后，再下发给下层执行无冲突的意图。承诺理论的形式可以表示为：

其中n₁是承诺者，n₂是承诺的接受者，π是承诺的类型，描述了承诺特征。承诺是的类型可以分为基础，合作，使用，条件。

在网络中，承诺者和承诺的接受者可以是网络中的各种节点，通过承诺理论表征节点对之间的关系。意图应该满足所有涉及节点之间的承诺或最大程度的满足涉及的所有节点承诺的操作集合。

步骤二，策略映射获得资源组合方案。

(1)针对解析完毕的意图流的原子请求，结合资源组合模板库中存储的资源组合规则，实现资源组合的确定；

(2)对资源组合方案进行优先级和冲突分析，并确定虚拟网元的类型，分析服务级别、服务可靠性和服务安全性。

步骤三，资源配置参数计算。

(1)参数计算模块根据工作负荷和环境信息，并结合自学习模块中学习的历史参数决策信息生成配置参数。自学习模块采用监督学习机制，即线性回归模型和深度神经网络来实现自学习机制。另外，自学习模块事先会定义处理时间上限以确保应用意图的及时实现。

(2)决定的资源组成和参数以YAML格式生成，并传给优化验证模块。

步骤四，持续闭环优化验证。

(1)将得到的配置参数结合实时网络状态与历史数据在优化验证模块中进行比较，验证参数配置的正确性。最后将数据文件交付给虚拟化网络功能管理器完成编排与管理。

(2)应用意图实现后，优化验证模块持续验证意图实现的可靠度，并协同自学习模块实现数据更新。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种意图驱动的云化接入网***，其特征在于，所述意图驱动的云化接入网***包括：

业务应用层，通过意图使能层提供的编程接口对底层设备进行编程，将网元的能力抽象封装，把网络的控制权开放给用户及其他业务伙伴；并提供管理界面；

意图使能层，将应用请求经由意图北向接口转译成的意图流进行解析和一致性校验，并处理成可被当前网络资源执行的网络意图；通过意图与资源的映射算法，获得网络中具体资源的对应操作；采用基于意图的管理和编排的***实现全局应用意图的统一规划，资源的统一调度，采用闭环编排的方式实现网元的生命周期管理；

基础设施层，将一个或多个接入制式的非实时功能CU-C和CU-U独立出来，形成接入聚合层，对于一个或多个接入制式的DU进行统一协同管理。

2.如权利要求1所述的意图驱动的云化接入网***，其特征在于，所述意图驱动的云化接入网***进一步包括意图引擎模块，所述意图引擎模块包括：

意图解析模块，用于理解和学习经由北向接口转译而来的意图流；

意图校验模块，用于解决由于出现网络时延或同时多个应用程序下发意图时，可能会发生的意图冲突而产生大量的逻辑一致性问题；

资源映射模块，通过规则匹配，实现资源组合决策的自动化获取；

资源组合模板库 ，存储资源组合模板，定义每个基本服务的基本资源组成；

参数计算模块，根据服务要求和资源约束，确定虚拟网元配置参数；

自主学习模块，基于经验数据，采用监督学习构建的参数决策方案模型；

优化验证模块，用于预验证配置方案的有效性和正确性，同时在长期反馈验证中使网络获得自优化、自愈合的能力。

3.一种应用权利要求1所述意图驱动的云化接入网***的意图驱动的云化接入网方法，其特征在于，所述意图驱动的云化接入网方法包括以下步骤：

步骤一，意图北向接口通过声明式表达规则体现应用意图，并解构为动作，对象，修饰，类型的特定表达形式；转译完毕的意图流通过意图北向接口进入云化网络服务平面的基于意图的管理与编排***IB-MANO；

步骤二，意图流进入意图引擎中的意图解析模块进行识别应用意图中的请求，对意图流中的操作表示符进行规则匹配；基于承诺理论，利用意图一致性校验模块解决由于出现网络时延或同时多个应用程序下发意图时，可能会发生意图的冲突而产生大量的逻辑一致性问题；

步骤三，针对解析完毕的意图流的请求，结合资源组合模板库中存储的资源组合规则，实现资源组合的确定；对资源组合方案进行优先级和冲突分析，并确定虚拟网元的类型；

步骤四，参数计算模块根据工作负荷和环境信息，并结合自学习模块中学习的历史参数决策信息生成配置参数；决定的资源组成和参数以YAML格式生成，并传给优化验证模块；

步骤五，将得到的配置参数结合实时网络状态与历史数据在优化验证模块中进行比较，验证参数配置的正确性；将数据文件交付给虚拟化网络功能管理器完成编排与管理；应用意图实现后，优化验证模块持续验证意图实现的可靠度，并协同自学习模块实现数据更新；

步骤六，接入网侧反馈信息获取：集中管理节点采用大数据和机器学习技术建立网络业务整体数据模型，并将关键指标数据实时通过反馈链路传达至自学习模块和优化验证模块，并在管理节点处实现场景预判，进行资源的预先分配调度。

4.如权利要求3所述的意图驱动的云化接入网方法，其特征在于，所述冲突和优先级分析具体包括：

(1)根据输入的策略事件和优先级关系矩阵确定执行的策略行为关联的网络配置属性；若对于每一个网络配置属性，与其相关的多个策略同时被采用，则发生冲突；

(2)根据优先级矩阵中定义的优先级信息，则执行优先级最高的策略关联的网络配置属性，而拒绝执行其他策略；

(3)优先级关系矩阵以网元为单位进行构造，该矩阵描述策略的判决条件满足的情况下采用的策略行为对相关配置属性操作的优先级。

5.如权利要求3所述的意图驱动的云化接入网方法，其特征在于，自学习模块采用监督学习机制，线性回归模型和深度神经网络来实现自学习机制；自学习模块事先会定义处理时间上限以确保应用意图的及时实现。

6.一种应用权利要求3所述意图驱动的云化接入网方法的意图引擎实现从意图流到资源动作流的生成方法，其特征在于，所述意图引擎实现从意图流到资源动作流的生成方法包括：

步骤一，意图的解析及一致性校验；

(1)意图解析模块将意图流的一组数据进行词性划分并加载标签，并对每个附有标签的符号实现规则的匹配；解析完毕的意图请求在JSON文件中进行输出；意图流表示为动作，对象，修饰，类型，动作是描述意图的最关键的操作，对象- 是 标识动作的执行者或接受者，修饰用来具体化或参数化某一个约束，类型是连接到另一个服务进程的标识；

(2)基于承诺理论，在意图到达时分析不同的意图目标，生成一个优化的解决方案以满足需要，在上层解决冲突后，再下发给下层执行无冲突的意图；承诺理论的形式表示为：

其中n₁是承诺者，n₂是承诺的接受者，π是承诺的类型，描述了承诺特征；承诺的类型分为基础，合作，使用，条件；

在网络中，承诺者和承诺的接受者可以是网络中的各种节点，通过承诺理论表征节点对之间的关系；意图应该满足所有涉及节点之间的承诺或最大程度的满足涉及的所有节点承诺的操作集合；

步骤二，策略映射获得资源组合方案；

(1)解析完毕的意图流的原子请求，结合资源组合模板库中存储的资源组合规则，实现资源组合的确定；

(2)对资源组合方案进行优先级和冲突分析，并确定虚拟网元的类型，分析服务级别、服务可靠性和服务安全性；

步骤三，资源配置参数计算；

(1)参数计算模块根据工作负荷和环境信息，并结合自学习模块中学习的历史参数决策信息生成配置参数；自学习模块采用监督学习机制，即线性回归模型和深度神经网络来实现自学习机制；

(2)决定的资源组成和参数以YAML格式生成，并传给优化验证模块；

步骤四，持续闭环优化验证；

(1)将得到的配置参数结合实时网络状态与历史数据在优化验证模块中进行比较，验证参数配置的正确性；将数据文件交付给虚拟化网络功能管理器完成编排与管理；

(2)应用意图实现后，优化验证模块持续验证意图实现的可靠度，并协同自学习模块实现数据更新。

7.一种应用权利要求3～5任意一项所述意图驱动的云化接入网方法的无线通信网络***。

Images