CN110121180B - 一种数据分析装置、***及方法 - Google Patents
一种数据分析装置、***及方法 Download PDFInfo
- Publication number
- CN110121180B CN110121180B CN201810112132.1A CN201810112132A CN110121180B CN 110121180 B CN110121180 B CN 110121180B CN 201810112132 A CN201810112132 A CN 201810112132A CN 110121180 B CN110121180 B CN 110121180B
- Authority
- CN
- China
- Prior art keywords
- information
- model
- module
- data analysis
- data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/542—Event management; Broadcasting; Multicasting; Notifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0889—Techniques to speed-up the configuration process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/54—Indexing scheme relating to G06F9/54
- G06F2209/544—Remote
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/043—Distributed expert systems; Blackboards
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供一种数据分析装置、***及方法。该数据分析装置,一方面,可以针对移动接入网络的某个网络节点,收集该网络节点的数据,然后进行数据分析及调整该网络节点配置参数,实现对该网络节点的针对性的数据分析及参数调整,因而可以提升数据分析和配置参数调整的速度;另一方面,数据分析装置的各模块之间可以并行运行,因而可以进一步地提升数据分析和配置参数调整的速度。
Description
技术领域
本申请涉及移动通信技术领域,尤其涉及一种数据分析装置、***及方法。
背景技术
移动网络中每时每刻都会产生大量的数据,例如,产生的数据包括网络连接数据、网元设备数据、用户数据和业务数据等。目前,基于机器学习技术对移动网络产生的数据进行分析,并基于分析结果优化移动网络,以便于更好地支持用户业务,这已经成为移动网络演进的趋势。
移动网络包括移动接入网络和移动核心网络。针对移动接入网络,目前还没有相应的数据分析方法,并且由于移动接入网络的无线空口数据时效较短,因而对数据分析的处理速度要求较高。
因此,如何实现对移动接入网络的数据进行快速分析,是当前需要解决的问题。
发明内容
本申请提供一种数据分析装置、***及方法,用以实现快速地对移动接入网络中的网元进行数据分析,并根据分析结果调整网元的配置参数。
第一方面,本申请提供一种数据分析装置。该装置包括:第一模块,用于获取第一特征提取信息,根据第一特征提取信息获取网络节点的第一数据,根据第一数据和第一特征提取信息生成第一特征向量,并发送第一特征向量。第二模块,用于获取模型信息,根据模型信息创建模型实例;从第一模块接收第一特征向量,根据第一特征向量和模型实例生成预测结果,并发送预测结果。第三模块,用于获取策略信息,从第二模块接收预测结果,根据预测结果和策略信息确定配置参数值,并根据配置参数值更新网络节点的配置参数。
上述数据分析装置,一方面,可以针对移动接入网络的某个网络节点,收集该网络节点的数据,然后进行数据分析及调整该网络节点配置参数,实现对该网络节点的针对性的数据分析及参数调整,因而可以提升数据分析和配置参数调整的速度;另一方面,各模块之间可以并行运行,因而可以进一步地提升数据分析和配置参数调整的速度。
在一种可能的实现方式中,上述数据分析装置还包括第四模块,用于发送第一特征提取信息、模型信息和策略信息。
在第一种实现方式中,第四模块用于发送第一特征提取信息、模型信息和策略信息,包括:第四模块向第二模块发送模型信息,向第一模块发送第一特征提取信息,以及向第三模块发送所述策略信息。
如此,由第四模块分别将第一特征提取信息、模型信息和策略信息发送给第一模块、第二模块和第三模块。
在该实现方式中,进一步,第一特征提取信息包括模型标识,模型信息包括该模型标识,该模型标识用于标识所述模型实例;第二模块还用于向第一模块发送第一订阅消息,第一订阅消息包括上述模型标识,第一订阅消息用于向第一模块订阅该模型标识对应的上述第一特征向量。
如此,第二模块可向第一模块订阅第一特征向量,当第一模块生成了第一特征向量后,可直接将第二特征向量发送给第二模块。
在第二种实现方式中,第四模块用于发送第一特征提取信息、模型信息和策略信息,包括:第四模块向第二模块发送第一特征提取信息、模型信息和策略信息;然后,第二模块向第一模块发送第一特征提取信息,以及向第三模块发送策略信息。
如此,由第四模块将第一特征提取信息、模型信息和策略信息发送给第二模块,第二模块再分别将第一特征提取信息和策略信息发送给第一模块和第三模块。
在该实现方式中,进一步,第一特征提取信息包括模型标识,模型信息包括模型标识,该模型标识用于标识模型实例;第二模块向第一模块发送第一特征提取信息,包括:第二模块向第一模块发送第二订阅消息,第二订阅消息包括第一特征提取信息,第二订阅消息用于向第一模块订阅模型标识对应的第一特征向量。
如此,如此,第二模块可向第一模块订阅第一特征向量,当第一模块生成了第一特征向量后,可直接将第二特征向量发送给第二模块。
在一种可能的实现方式中,第四模块还用于向第一模块发送第三订阅消息,第三订阅消息包括第二特征提取信息。第一模块还用于根据第二特征提取信息获取网络节点的第二数据,根据第二数据和第二特征提取信息生成第二特征向量,并向第四模块发送第二特征向量。第四模块还用于根据第二特征向量训练模型信息对应的模型。
如此,第四模块通过向第一模块订阅获得第二特征向量,从而可以根据第二特征向量训练模型并生成模型信息,该模型信息可发送给第二模块,由第二模块用于生成模型实例。从而实现了模型训练与模型使用的分离,即第四模块训练模型,第二模块使用模型实例,有利于进一步提升对网络节点的数据分析及配置参数调整的速度。
在一种可能的实现方式中,第四模块还用于接收来自监控装置的指示消息,指示消息包括模型信息对应的模型的模型类型,指示消息用于指示创建模型和启动模型的训练;以及,向监控装置发送响应消息,响应消息用于指示完成模型的训练。
如此,通过一个外部的监控装置,来触发数据分析装置的第四模块进行模型训练的创建和训练,有助于实现对该数据分析装置的控制。
在又一可能的实现方式中,第一模块获取第一特征提取信息,包括:第一模块从其他数据分析装置获取第一特征提取信息。第二模块获取模型信息,包括:第二模块从其他数据分析装置获取模型信息;第三模块获取策略信息,包括:第三模块从其他数据分析装置获取策略信息。
在上述任一实施例中,作为一种实现方式,数据分析装置位于中心单元CU,网络节点为该CU。或者,数据分析装置位于分布式单元DU,网络节点为该DU;或者,数据分析装置位于无线接入设备,网络节点为该无线接入设备。
即数据分析装置可以位于CU、DU或无线接入设备,用于实现对CU、DU或无线接入设备的数据手机、数据分析和配置参数的调整。
第二方面,本申请提供一种数据分析***。该***包括:第一数据分析装置和第二数据分析装置。第一数据分析装置,用于发送第一特征提取信息、模型信息和策略信息。第二数据分析装置,用于从第一数据分析装置接收第一特征提取信息、模型信息和策略信息,根据第一特征提取信息获取网络节点的第一数据,根据第一数据和第一特征提取信息生成第一特征向量;根据模型信息创建模型实例;根据第一特征向量和模型实例生成预测结果,根据预测结果和策略信息确定配置参数值,并根据配置参数值更新网络节点的配置参数。
上述数据分析***,第二数据分析装置在接收到第一数据分析装置发送的第一特征提取信息、模型信息和策略信息后,可以针对移动接入网络的某个网络节点,收集该网络节点的数据,然后进行数据分析及调整该网络节点配置参数,实现对该网络节点的针对性的数据分析及参数调整,因而可以提升数据分析和配置参数调整的速度。
在一种可能的实现方式中,第一数据分析装置还用于向第二数据分析装置发送订阅消息,订阅消息包括第二特征提取信息,从第二数据分析装置获取第二特征向量,以及根据第二特征向量训练模型信息对应的模型,第二数据分析装置还用于根据第二特征提取信息获取网络节点的第二数据,根据第二数据和第二特征提取信息生成第二特征向量,并向第一数据分析装置发送第二特征向量。
如此,第二数据分析装置接受第一数据分析装置的订阅,向第一数据分析装置发送第二特征向量,由第一数据分析装置根据第二特征向量对模型进行绚丽,得到模型信息并发送给第二数据分析装置。该***实现了模型训练和模型使用的分离,有利于提升第二数据分析装置对网络节点的数据收集、数据分析及配置参数调整的速度。尤其是当第二数据分析装置的计算资源不足、第一数据分析装置的计算资源充足时,将比较消耗计算资源的模型训练的操作交由第一数据分析装置完成,可提升数据分析***的整体性能。
在一种可能的实现方式中,第一数据分析装置还用于接收来自监控装置的指示消息,指示消息包括模型信息对应的模型的模型类型,指示消息用于指示创建模型和启动模型的训练;以及,向监控装置发送响应消息,响应消息用于指示完成所述模型的训练。
如此,通过一个外部的监控装置,来触发第一数据分析装置进行模型的创建和训练,有助于实现对该第一数据分析装置的控制。
可选地,该数据分析***包括上述监控装置。
在一种可能的实现方式中,第一数据分析装置位于中心单元CU,第二数据分析装置位于分布式单元DU,网络节点为该DU。或者,第一数据分析装置位于第一无线接入设备,第二数据分析装置位于第二无线接入设备,网络节点为第二无线接入设备。
第三方面,本申请提供一种数据分析方法。该方法包括:数据分析装置获取第一特征提取信息、模型信息及策略信息。数据分析装置根据第一特征提取信息获取网络节点的第一数据,根据第一数据和第一特征提取信息生成第一特征向量,根据模型信息创建模型实例。数据分析装置根据第一特征向量和模型实例生成预测结果。数据分析装置根据预测结果和策略信息确定配置参数值,并根据配置参数值更新网络节点的配置参数。
上述数据分析方法,一方面,可以针对移动接入网络的某个网络节点,由数据分析装置收集该网络节点的数据,然后进行数据分析及调整该网络节点配置参数,实现对该网络节点的针对性的数据分析及参数调整,因而可以提升数据分析和配置参数调整的速度。
在一种可能的实现方式中,数据分析装置获取第二特征提取信息,根据第二特征提取信息获取网络节点的第二数据,数据分析装置根据第二数据和第二特征提取信息生成第二特征向量,数据分析装置根据第二特征向量训练模型信息对应的模型。
在一种可能的实现方式中,数据分析装置接收来自监控装置的指示消息,指示消息包括模型信息对应的模型的模型类型,指示消息用于指示创建模型和启动模型的训练。数据分析装置向监控装置发送响应消息,响应消息用于指示完成模型的训练。
如此,通过一个外部的监控装置,来触发数据分析装置进行模型的创建和训练,有助于实现对该数据分析装置的控制。
在一种可能的实现方式中,数据分析装置位于中心单元CU,网络节点为该CU。或者,数据分析装置位于分布式单元DU,网络节点为该DU。或者,数据分析装置位于无线接入设备,网络节点为无线接入设备。
第四方面,本申请提供一种数据分析方法。该方法包括:第一数据分析装置获取模型信息。第一数据分析装置获取第一特征提取信息和策略信息,并向第二数据分析装置发送第一特征提取信息、模型信息和策略信息。
在一种可能的实现方式中,第一数据分析装置获取模型信息,包括:第一数据分析装置接收来自监控装置的指示消息,指示消息包括模型类型,指示消息用于指示创建模型和启动模型的训练,根据模型类型创建并训练模型,以得到模型信息。
在一种可能的实现方式中,第一数据分析装置根据模型类型创建并训练模型,包括:第一数据分析装置向第二数据分析装置发送订阅消息,订阅消息包括第二特征提取信息;第一数据分析装置接收来自第二数据分析装置的第二特征向量,第二特征向量是根据第二特征提取信息生成的;第一数据分析装置根据第二特征向量训练模型类型对应的模型,得到模型信息。
第五方面,本申请提供一种数据分析方法。该方法包括:第二数据分析装置从第一数据分析装置接收第一特征提取信息、模型信息和策略信息。第二数据分析装置根据第一特征提取信息获取网络节点的第一数据,根据第一数据和第一特征提取信息生成第一特征向量。以及,根据模型信息创建模型实例;第二数据分析装置根据第一特征向量和模型实例生成预测结果。第二数据分析装置根据预测结果和策略信息确定配置参数值,并根据配置参数值更新网络节点的配置参数。
上述数据分析方法,第二数据分析装置在接收到第一数据分析装置发送的第一特征提取信息、模型信息和策略信息后,可以针对移动接入网络的某个网络节点,收集该网络节点的数据,然后进行数据分析及调整该网络节点配置参数,实现对该网络节点的针对性的数据分析及参数调整,因而可以提升数据分析和配置参数调整的速度。
在一种可能的实现方式中,第二数据分析装置接收来自第一数据分析装置的订阅消息,订阅消息包括第二特征提取信息。第二数据分析装置根据第二特征提取信息获取网络节点的第二数据,根据第二数据和第二特征提取信息生成第二特征向量。第二数据分析装置向第一数据分析装置发送第二特征向量。
第六方面,本申请提供一种数据分析装置,该装置具有实现上述第三方面的各实施例的功能。该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。
第七方面,本申请提供一种数据分析装置,包括:处理器和存储器;该存储器用于存储指令,当该装置运行时,该处理器执行该存储器存储的该指令,以使该装置执行上述第三方面或第三方面的任一实现方法中的数据分析方法。需要说明的是,该存储器可以集成于处理器中,也可以是独立于处理器之外。
第八方面,本申请提供一种数据分析装置,该装置包括处理器,所述处理器用于与存储器耦合,并读取存储器中的指令并根据所述指令执行上述第三方面或第三方面的任一实现方法中的数据分析方法。
第九方面,本申请提供一种数据分析装置,该装置具有实现上述第四方面的各实施例的功能。该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。
第十方面,本申请提供一种数据分析装置,包括:处理器和存储器;该存储器用于存储指令,当该装置运行时,该处理器执行该存储器存储的该指令,以使该装置执行上述第四方面或第四方面的任一实现方法中的数据分析方法。需要说明的是,该存储器可以集成于处理器中,也可以是独立于处理器之外。
第十一方面,本申请提供一种数据分析装置,该装置包括处理器,所述处理器用于与存储器耦合,并读取存储器中的指令并根据所述指令执行上述第四方面或第四方面的任一实现方法中的数据分析方法。
第十二方面,本申请提供一种数据分析装置,该装置具有实现上述第五方面的各实施例的功能。该功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。
第十三方面,本申请提供一种数据分析装置,包括:处理器和存储器;该存储器用于存储指令,当该装置运行时,该处理器执行该存储器存储的该指令,以使该装置执行上述第五方面或第五方面的任一实现方法中的数据分析方法。需要说明的是,该存储器可以集成于处理器中,也可以是独立于处理器之外。
第十四方面,本申请提供一种数据分析装置,该装置包括处理器,所述处理器用于与存储器耦合,并读取存储器中的指令并根据所述指令执行上述第五方面或第五方面的任一实现方法中的数据分析方法。
第十五方面,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有程序或指令,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
第十六方面,本申请还提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
作为一种可能的实现方式,上述任一方面中的第一特征提取信息包括输入数据参数信息、特征处理信息和输出的特征向量信息,输入数据参数信息用于指示采集第一数据,特征处理信息用于指示将第一数据转换为第一特征向量的处理方式,输出的特征向量信息用于指示发送第一特征向量的格式。
作为一种可能的实现方式,上述任一方面中的模型信息包括模型描述信息,模型描述信息用于指示模型实例对应的参数信息。
作为一种可能的实现方式,上述任一方面中的策略信息包括配置参数信息和预测结果信息,配置参数信息用于指示配置参数,预测结果信息用于指示预测结果与配置参数的配置参数值的映射关系。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
图1(a)为本申请提供的一种可能的接入网的网络架构示意图;
图1(b)为本申请提供的又一种可能的网络架构示意图;
图2为本申请提供的一种数据分析装置示意图;
图3为本申请提供的一种数据分析方法示意图;
图4为本申请提供的又一种数据分析方法示意图;
图5为本申请提供的又一种数据分析方法示意图;
图6为本申请提供的一种数据分析***示意图;
图7为本申请提供的又一种数据分析方法示意图;
图8为本申请提供的又一种数据分析方法示意图;
图9为本申请提供的又一种数据分析方法示意图;
图10为本申请提供的一种数据分析装置示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述。方法实施例中的具体操作方法也可以应用于装置实施例或***实施例中。其中,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
如图1(a)所示,为本申请适用的一种可能的接入网的网络架构示意图。该网络架构包括中心单元(central unit,CU)和分布式单元(distributed unit,DU)。通常情况下,一个CU可以连接一个或多个DU。并且,由于DU受限于设备的体积、功耗等因素,计算资源较为有限。
无线接入网络中的CU,主要支持无线资源控制(radio resource control,RRC)协议、分组数据汇聚协议(packet data convergence protocol,PDCP)和业务数据适配协议(service data adaptation protocol,SDAP)等。CU一般会部署在中心局点,具有较为丰富的计算资源。
无线接入网络中的DU,主要支持无线链路控制层(radio link control,RLC)协议、媒体接入控制层(media access control,MAC)协议和物理层(PHY)协议等。DU一般采用分布式部署方式。
基于上述图1(a)所示的网络架构,本申请将针对不同的应用场景,提供相应的装置或***,以实现本申请的数据分析方法。
在第一种应用场景中,DU的计算资源虽然较为有限,但仍然能够完成模型训练,而CU的计算资源比较丰富,也能够完成模型训练。在第二种应用场景中,DU的计算资源较为有限,且不能够完成模型训练,而CU的计算资源比较丰富,能够完成模型训练。
在上述第一种应用场景中,基于图1(a)所示的网络架构,本申请提供的数据分析装置可部署于CU,主要用于收集CU上各个协议层(包括RRC层、PDCP层和SDAP层等)产生的上下文、日志、状态信息、调度和转发的流量信息等数据,基于收集的数据训练模型,使用训练得到的模型生成模型实例,使用模型实例和收集的数据进行在线预测,并基于预测结果执行相应的策略,以实现根据生成的策略对CU内的配置参数进行动态调整,达到优化CU的目的。由于数据分析装置是针对该CU进行专门部署,因而具有处理时间短,处理速度快的特点,能够适应于CU对处理时延的要求。
在上述第一种应用场景中,基于图1(a)所示的网络架构,本申请提供的数据分析装置还可部署于DU,主要用于收集DU上的各个协议层(包括RLC层、MAC层和PHY层)产生的上下文、日志、状态信息、调度和转发的流量信息等数据,基于收集的数据训练模型,使用训练得到的模型生成模型实例,使用模型实例和收集的数据进行在线预测,并基于预测结果执行相应的策略,以实现根据生成的策略对DU内的配置参数进行动态调整,达到优化DU的目的。由于数据分析装置是针对该DU进行专门部署,因而具有处理时间短,处理速度快的特点,能够适应于DU对处理时延的要求。该场景中,DU自身的计算资源虽然有限,当仍然可以完成模型训练的任务。
在上述第二种应用场景中,基于图1(a)所示的网络架构,本申请还提供一种数据分析***,该数据分析***包括第一数据分析装置和第二数据分析装置。其中第一数据分析装置可部署于CU,第二数据分析装置可部署于DU。由第一数据分析装置完成模型训练,并将模型训练后得到的模型信息发送给第二数据装置,以及将特征提取信息和策略信息下发给第二数据分析装置。第二数据分析装置根据特征提取信息对从DU收集到的数据进行提取,使用模型信息生成模型实例,并使用模型实例对提取的数据进行预测得到预测结果,基于预测结果和策略信息选择相应的策略,然后基于选择的策略调整DU的配置参数,实现实时快速地对DU的配置参数进行优化,达到优化DU的目的。由于实行了模型训练和模型使用的分离,因而使得计算资源不充足的DU也可以完成对DU的配置参数的实时快速调整,可提升DU的性能。
进一步地,该第一数据分析装置还可以从CU收集数据,根据特征提取信息对收集到的数据进行提取,并基于提取的数据完成模型训练得到模型信息,并根据模型信息对提取的数据进行预测,基于预测结果和策略信息选择相应的策略,然后基于选择的策略调整CU的配置参数,实现实时快速地对CU的配置参数进行优化。
如图1(b)所示,为本申请适用的另一种可能的网络架构示意图。该网络架构包括第一无线接入设备和至少一个第二无线接入设备。其中,第一无线接入设备是具有丰富计算资源,而第二无线接入设备受限于设备的体积、功耗等因素,通常计算资源较为有限。
例如,在一种实现方式中,该第一无线接入设备可以是大容量的主下一代基站(master next generation NodeB,master gNodeB),第二无线接入设备为单站点基站(例如为基站(NodeB)、演进型基站(evolved NodeB,eNodeB)或者gNodeB等)或者为从下一代基站(slave gNodeB)。通常情况下,一个大容量基站可以连接一个或多个的单站点基站。
基于上述图1(b)本申请将针对不同的应用场景,提供相应的装置或***,以实现本申请的数据分析方法。
在第一种应用场景中,第二无线接入设备的计算资源虽然较为有限,但仍然能够完成模型训练,而CU的计算资源比较丰富,也能够完成模型训练。在第二种应用场景中,第二无线接入设备的计算资源较为有限,且不能够完成模型训练,而第一无线接入设备的计算资源比较丰富,能够完成模型训练。
在上述第一种应用场景中,基于图1(b)所示的网络架构,本申请提供的数据分析装置可部署于第一无线接入设备,主要用于收集第一无线接入设备上各个协议层(包括RRC层、PDCP层、SDAP层、RLC层、MAC层和PHY层等)产生的上下文、日志、状态信息、调度和转发的流量信息等数据,基于收集的数据训练模型,使用训练得到的模型生成模型实例,使用模型实例和收集的数据进行在线预测,并基于预测结果执行相应的策略,以实现根据生成的策略对第一无线接入设备内的配置参数进行动态调整,达到优化第一无线接入设备的目的。由于数据分析装置是针对该第一无线接入设备进行专门部署,因而具有处理时间短,处理速度快的特点,能够适应于第一无线接入设备对处理时延的要求。
在上述第一种应用场景中,基于图1(b)所示的网络架构,本申请提供的数据分析装置还可部署于第二无线接入设备,主要用于收集第二无线接入设备上的各个协议层(包括RRC层、PDCP层、SDAP层、RLC层、MAC层和PHY层等)产生的上下文、日志、状态信息、调度和转发的流量信息等数据,基于收集的数据训练模型,使用训练得到的模型生成模型实例,使用模型实例和收集的数据进行在线预测,并基于预测结果执行相应的策略,以实现根据生成的策略对第二无线接入设备内的配置参数进行动态调整,达到优化第二无线接入设备的目的。由于数据分析装置是针对该第二无线接入设备进行专门部署,因而具有处理时间短,处理速度快的特点,能够适应于第二无线接入设备对处理时延的要求。该场景中,第二无线接入设备自身的计算资源虽然有限,当仍然可以完成模型训练的任务。
在上述第二种应用场景中,基于图1(b)所示的网络架构,本申请还提供一种数据分析***,该数据分析***包括第一数据分析装置和第二数据分析装置。其中第一数据分析装置可部署于第一无线接入设备,第二数据分析装置可部署于第二无线接入设备。由第一数据分析装置完成模型训练,并将模型训练后得到的模型信息发送给第二数据装置,以及将特征提取信息和策略信息下发给第二数据分析装置。第二数据分析装置根据特征提取信息对从第二无线接入设备收集到的数据进行提取,使用模型信息生成模型实例,并使用模型实例对提取的数据进行预测得到预测结果,基于预测结果和策略信息选择相应的策略,然后基于选择的策略调整第二无线接入设备的配置参数,实现实时快速地对第二无线接入设备的配置参数进行优化,达到优化第二无线接入设备的目的。由于实行了模型训练和模型使用的分离,因而使得计算资源不充足的第二无线接入设备也可以完成对第二无线接入设备的配置参数的实时快速调整,可提升第二无线接入设备的性能。
进一步地,该第一数据分析装置还可以从第一无线接入设备收集数据,根据特征提取信息对收集到的数据进行提取,并基于提取的数据完成模型训练得到模型信息,并根据模型信息对提取的数据进行预测,基于预测结果和策略信息选择相应的策略,然后基于选择的策略调整第一无线接入设备的配置参数,实现实时快速地对第一无线接入设备的配置参数进行优化。
下面结合附图,对本申请提供的数据分析装置、***及方法做具体说明。
如图2所示,为本申请提供的一种数据分析装置示意图,该装置包括第一模块、第二模块、第三模块。
该数据分析装置可部署于图1(a)所示的CU和DU中的至少一个,或者,也可部署于图1(b)所示的第一无线接入设备和第二无线接入设备中的至少一个。
第一模块用于获取第一特征提取信息,根据第一特征提取信息获取网络节点的第一数据,根据第一数据和第一特征提取信息生成第一特征向量,并发送第一特征向量。
第二模块用于获取模型信息,根据模型信息创建模型实例;从第一模块接收第一特征向量,根据第一特征向量和模型实例生成预测结果,并发送预测结果。
第三模块用于获取策略信息,从第二模块接收预测结果,根据预测结果和策略信息确定配置参数值,并根据配置参数值更新网络节点的配置参数。
可选地,该装置还包括第四模块。
下面结合具体实施例,对使用数据分析装置进行数据分析的方法进行说明。
实现方法一,数据分析装置包括第一模块、第二模块、第三模块,以及还包括第四模块
基于该数据分析装置,本申请提供一种数据分析方法,参考图3,包括以下步骤:
步骤301,第四模块向第一模块发送第一特征提取信息,相应地,第一模块接收来自第四模块的第一特征提取信息。
步骤302,第四模块向第二模块发送模型信息,相应地,第二模块接收来自第四模块的模型信息。
步骤303,第四模块向第三模块发送策略信息,相应地,第三模块接收来自第四模块的策略信息。
需要说明的是,上述步骤301、步骤302、步骤303之间的执行顺序没有限制,可以是任意的。例如按步骤301、步骤303、步骤302执行,再比如按步骤302、步骤303、步骤301执行,再比如按步骤303、步骤301、步骤302执行,或者,也可以同时执行步骤301、步骤302和步骤303,等等。
通过上述步骤301-步骤303,第四模块分别将第一特征提取信息、模型信息和策略信息发送至第一模块、第二模块和第三模块。
其中,第一特征提取信息、模型信息和策略信息均包括同一个模型标识,该模型标识用于标识模型实例。
步骤304,第二模块向第一模块发送第一订阅消息,相应地,第一模块接收来自第二模块的第一订阅消息。
该第一订阅消息包括模型标识。
例如,第二模块在接收到第四模块发送的模型信息后,从模型信息获取到模型标识,然后将模型标识携带于第一订阅消息中,向第一模块发送第一订阅消息。该第一订阅消息用于向第一模块订阅该模型标识对应的第一特征向量。
该步骤304为可选步骤,实际应用中,也可以不执行该步骤。
步骤305,第一模块根据第一特征提取信息,获取网络节点的第一数据。
其中,该网络节点可以是上述图1(a)所示的CU或DU,或者该网络节点可以是上述图1(b)所示的第一无线接入设备或第二无线接入设备。
例如,若图3所示的数据分析装置部署于图1(a)所示的CU,则该网络节点为该CU,即数据分析装置根据第一特征提取信息从CU中获取第一数据。
再比如,若图3所示的数据分析装置部署于图1(a)所示的DU,则该网络节点为该DU,即数据分析装置根据第一特征提取信息从DU中获取第一数据。
再比如,若图3所示的数据分析装置部署于图1(b)所示的第一无线接入设备,则该网络节点为该第一无线接入设备,即数据分析装置根据第一特征提取信息从第一无线接入设备中获取第一数据。
再比如,若图3所示的数据分析装置部署于图1(b)所示的第二无线接入设备,则该网络节点为该第二无线接入设备,即数据分析装置根据第一特征提取信息从第二无线接入设备中获取第一数据。
第一模块接收到第一订阅消息后,从中获取到模型标识,并根据模型标识确定相应的第一特征提取信息,具体地,第一模块获取的第一特征提取信息中也包括该模型标识。也可以理解为,该模型标识可用于第一模块使用与该模型标识对应的第一特征提取信息来获取第一数据。
作为一种实现方式,第一特征提取信息包括输入数据参数信息,该输入数据参数信息用于指示采集第一数据。也可以理解为,该输入数据参数信息指示了需要获取哪些第一数据,则数据分析装置从网络节点获取第一数据的方式可以是:根据该输入数据参数信息获取到相应的第一数据。
作为示例,输入数据参数信息可以包括下列信息中的部分或全部:
a.采集的原始数据的标识,例如该标识可以用于标识信噪比、信号强度测量或用户业务数据包等信息;
b.采样方式,例如包括定时采样、事件触发采样、定流量采样等;
c.采样的数据总量;
d.数据有效值范围;
e.缺失或者无效数据的填充值;
f.数据类型转换,例如将文字信息转换为数值信息。
从而,第一模块可以根据输入数据参数信息中的上述信息,从采集到的网络节点的原始数据中获取到第一数据。
步骤306,第一模块根据第一特征提取信息和第一数据,生成第一特征向量。
作为一种实现方式,在第一特征提取信息中还包括特征处理信息和输出的特征向量信息,其中,特征处理信息用于指示将第一数据转换为第一特征向量的处理方式,输出的特征向量信息用于指示发送第一特征向量的格式。第一特征向量的格式可以是取值范围、数据映射规则或数据变换函数等。输出的特征向量信息还可以指示将特征处理结果直接作为第一特征向量。
作为一种示例,特征处理信息可以包括一个或多个特征提取组件信息,每个特征提取组件信息可以包括下列信息中的部分或全部:
a.处理方式,例如包括特征变换、归一化、特征平滑、标准化、参数降维等;
b.特征提取组件参数信息,例如包括系数值、函数(例如,求和、差、均值、方差、对数、极大极小值、高斯平均等函数)等,还可以包括预置在第一模块上的特征提取组件模板标识和特征提取组件模板的配置参数信息,该配置参数信息可用于设置特征提取参数的范围。
其中,如果特征处理信息中包含多个特征提取组件信息,则对第一数据的处理,需要按照顺序完成,其顺序可以是特征处理信息中的特征提取组件信息的先后排列顺序,也可以在特征处理信息中单独标识各个特征提取组件信息的处理顺序。
从而,第一模块可以根据上述特征处理信息对第一数据进行处理,得到处理后的第一数据。
然后,第一模块根据输出的特征向量信息对处理后的第一数据进行处理,得到第一特征向量。
步骤307,第一模块向第二模块发送第一特征向量,第二模块接收来自第一模块的第一特征向量。
步骤308,第二模块根据模型信息创建模型实例。
作为一种实现方式,该模型实例中包括模型标识和模型描述信息,该模型描述信息用于指示模型实例对应的参数信息。
该模型实例,可以理解为是一个经过训练后的模型的一个实例,是可以直接用于进行数据分析的。因此第二模块无需对模型进行训练,只需要根据模型信息创建一个模型实例,并使用该模型实例进行数据分析即可,因而可以提升第二模块进行数据分析的速度。
作为一个示例,模型描述信息包括训练好的模型(例如可以实机器学习模型)的完整信息。当第二模块根据模型描述信息创建一个模型实例时,该模型实例可以具备训练好的模型的特性。例如,完成一个逻辑回归的机器学习模型训练后,该模型信息包括拓扑信息(比如,拓扑节点和连接方式等)、拓扑节点的参数信息(比如,参数标识以及参数值等)等。模型信息下发到第二模块后,第二模块能创建出一个逻辑回归模型实例,能重现该模型的特性,即,如果两个模型输入的特征向量相同,则两个模型的预测结果也是相同的。
需要说明的是,该步骤308并不限于在步骤307之后执行,而是可以在步骤302和步骤308之间的任意时刻执行,例如,可以是在步骤302之后,步骤303之前执行,或者是在步骤303之后,步骤304之前执行,或者是在步骤304之后,步骤305之前执行等。
或者,在又一种实现方式中,还可以是将步骤302和步骤308合并为一个步骤,即执行步骤302的同时还执行步骤308。
步骤309,第二模块根据模型实例和第一特征向量生成预测结果。
即,第二模块将第一特征向量作为输入参数,输入到模型实例中进行运算,从而得到预测结果。
步骤310,第二模块向第三模块发送预测结果,相应地,第三模块接收来自第二模块的预测结果。
步骤311,第三模块根据策略信息和预测结果确定配置参数值。
作为一种实现方式,该策略信息包括模型标识、配置参数信息和预测结果信息。
其中,配置参数信息用于指示配置参数,预测结果信息用于指示预测结果与配置参数的配置参数值的映射关系。
作为一个实例,配置参数信息可以包括需要调整配置参数的网络节点的网络功能或性能的参数标识,例如,最大带宽、调度队列深度、调度优先级、导频发射功率、天线仰角、多天线调度设置等。配置参数信息还可以包括配置参数值信息,配置参数值信息为配置参数的内容,例如可以为数值、枚举值或者开关量等。
预测结果信息可以包括预测结果与配置参数值的映射关系,或者可以包括基于预测结果生成配置参数值的算法、公式或者函数等。
因此,基于策略信息和第二模块生成的预测结果,可以得到一个或多个配置参数值,该配置参数值可用于对网络节点的配置参数进行调整。
步骤312,第三模块根据配置参数值更新网络节点的配置参数。
第三模块根据生成的配置参数值,更新网络节点的配置参数,从而完成了对网络节点的配置参数的实时调整,以实现优化配置参数的目的。
上述数据分析装置,一方面,可以针对移动接入网络的某个网络节点,收集该网络节点的数据,然后进行数据分析及调整该网络节点配置参数,实现对该网络节点的针对性的数据分析及参数调整,因而可以提升数据分析和配置参数调整的速度;另一方面,各模块之间可以并行运行,因而可以进一步地提升数据分析和配置参数调整的速度。
进一步地,作为一种实现方式,在上述步骤301之前,还包括以下模型训练的过程,该模型训练过程用于对模型进行训练,以得到图3所示的实施例中的第二模块所使用的模型信息,具体地,第二模块可以根据该模型信息创建模型实例,并根据模型实例生成预测结果。
如图4所示,为本申请提供的又一种数据分析方法,该数据分析方法主要包括模型训练过程。该模型训练过程,包括:
步骤401,第四模块向第一模块发送第三订阅消息,相应地,第一模块接收来自第四模块的第三订阅消息。
该第三订阅消息包括第二特征提取信息。
步骤402,第一模块根据第二特征提取信息,获取网络节点的第二数据。
作为一种实现方式,数据分析装置从网络节点获取第二数据的方式,例如可以是:第二特征提取信息包括输入数据参数信息,该输入数据参数信息用于指示采集第二数据,也可以理解为,该输入数据参数信息指示了需要获取哪些第二数据,从而数据分析装置可以根据该输入数据参数信息获取到相应的第二数据。
作为示例,输入数据参数信息可以包括下列信息中的部分或全部:
a.采集的原始数据的标识,例如该标识可以用于标识信噪比、信号强度测量或用户业务数据包等信息;
b.采样方式,例如包括定时采样、事件触发采样、定流量采样等;
c.采样的数据总量;
d.数据有效值范围;
e.缺失或者无效数据的填充值;
f.数据类型转换,例如将文字信息转换为数值信息。
从而,第一模块可以根据输入数据参数信息中的上述信息,从采集到的网络节点的原始数据中获取到第二数据。
步骤403,第一模块根据第二数据和第二特征提取信息,生成第二特征向量。
作为一种实现方式,在第二特征提取信息中还包括特征处理信息和输出的特征向量信息,其中,特征处理信息用于指示将第二数据转换为第二特征向量的处理方式,输出的特征向量信息用于指示发送第二特征向量的格式。
作为一种示例,特征处理信息可以包括一个或多个特征提取组件信息,每个特征提取组件信息可以包括下列信息中的部分或全部:
a.处理方式,例如包括特征变换、归一化、特征平滑、标准化、参数降维等;
b.特征提取组件参数信息,例如包括系数值、函数(例如,求和、差、均值、方差、对数、极大极小值、高斯平均等函数)等,还可以包括预置在第一模块上的特征提取组件模板标识和特征提取组件模板的配置参数信息,该配置参数信息可以设置特征提取参数的范围。
其中,如果特征处理信息中包含多个特征提取组件信息,则对第二数据的处理,需要按照顺序完成,其顺序可以是特征处理信息中的特征提取组件信息的先后排列顺序,也可以在特征处理信息中单独标识各个特征提取组件信息的处理顺序。
从而,第一模块可以根据特征处理信息对第二数据进行处理,得到处理后的第二数据。
然后,第一模块根据输出的特征向量信息对处理后的第二数据进行处理,得到第二特征向量。
步骤404,第一模块向第四模块发送第二特征向量,相应地,第四模块接收来自第一模块的第二特征向量。
步骤405,第四模块根据第二特征向量训练模型,并生成模型信息。
即,第四模块将第二特征向量作为输入参数,输入到待训练的模型中,在模型训练完成后得到模型信息,该模型信息即为上述图3所示的实施例中由第二模块用来创建模型实例的模型信息。
需要说明的是,上述图4所示的实施例中第一模块获取的第二特征向量是由第四模块用来进行模型训练的,而图3所示的实施例中第一模块获取的第一特征向量是由第二模块用来作为模型实例的输入,从而得到预测结果。
通过上述方法,由第四模块进行模型训练从而得到模型信息,并将模型发送给第二模块,由第二模块根据模型信息创建模型实例。该方法实现了模型训练与模型使用的分离,即由第四模块进行模型训练,由第二模块使用模型,两个模块可以并行运行,可提高数据处理装置的数据分析速度。
作为一种实现方式,在上述步骤401之前,还包括:
步骤501,监控装置向第四模块发送指示消息,相应地,第四模块接收来自监控装置的指示消息。
该指示消息包括模型的模型类型,该模型类型与上述模型信息对应。该指示消息用于指示创建模型和启动模型的训练。
也可以理解为,该监控装置可用于触发第四模块进行模型训练,并且将待训练的模型的类型携带于指示消息中发送给第四模块。从而第四模块可以根据监控装置的指示,完成模型训练。如此,通过一个外部的监控装置,来触发数据分析装置的第四模块进行模型训练的创建和训练,有助于实现对该数据分析装置的控制。
可选地,该指示消息中还可以包括第一特征提取信息和策略信息,该第一特征提取信息和策略信息即为上述图3所示的实施例中所使用到的第一特征提取信息和策略信息。即,数据分析装置所使用的第一特征提取信息和策略信息可以来自监控装置。
进一步地,若在图4所示的实施例的步骤401之前执行上述步骤501,则可选地,在图4所示的实施例执行上述步骤405之后,还可以执行下述步骤:
步骤502,第四模块向监控装置发送响应消息,监控装置接收来自第四模块的响应消息。
若第四模块训练完成,则该响应消息用于指示完成模型的训练。
若第四模块训练未完成,例如训练失败,则该响应消息用于指示模型训练失败。
从而,监控装置可以更好地实现对数据分析装置的控制。
上述图4所示的实施例,给出了一种获取到模型信息的方法,即由第四模块完成模型的训练以得到模型信息,并将模型信息发送给第二模块进行使用。
作为又一种实现方式,还可以不执行图4所示的实施例,即不执行上述步骤401-步骤405,或不执行上述步骤501、步骤401-步骤405及步骤502。而是由第四模块通过其它方式获取到模型信息,例如可以是由其他数据分析装置或监控装置完成模型训练并得到模型信息,然后将模型信息发送给第四模块,进而第四模块再将得到的模型信息发送给第二模块。
作为又一种实现方式,上述实施例3中的步骤301-步骤304,还可以由步骤3011-步骤3041替换。如图5所示,为本申请提供的又一种数据分析方法示意图。该方法包括以下步骤:
步骤3011,第四模块向第二模块发送第一特征提取信息、模型信息和策略信息,相应地,第二模块接收来自第四模块发送的第一特征提取信息、模型信息和策略信息。
其中,第一特征提取信息、模型信息和策略信息均包括相同的模型标识,该模型标识用于标识标识模型实例。
步骤3021,第二模块向第一模块发送第一特征提取信息,相应地,第一模块接收来自第二模块发送的第一特征提取信息。
步骤3031,第二模块向第三模块发送策略信息,相应地,第三模块接收来自第二模块发送的策略信息。
其中,上述步骤3021和步骤3031之间的执行顺序不限定。
步骤3041,第二模块向第一模块发送第二订阅消息,相应地,第一模块接收来自第二模块发送的第二订阅消息。
作为一种实现方式,第二模块接收到第一特征提取信息、模型信息和策略信息后,可以从第一特征提取信息、模型信息或策略信息中获取到模型标识,将模型标携带于第二订阅消息中,然后将第二订阅消息发送至第一模块。该第二订阅消息用于向第一模块订阅模型标识对应的第一特征向量。
作为又一种实现方式,第二模块将第一特征提取信息携带于第二订阅消息,然后将第二订阅消息发送至第一模块。该第二订阅消息用于向第一模块订阅模型标识对应的第一特征向量。在该实现方式下,则上述步骤3021不需要执行。
步骤3051-步骤3121,与图3所示的实施例中的步骤305-步骤312相同,可参考前述描述,这里不再赘述。
需要说明的是,图4所示的实施例也可以与图5所示的实施例相结合,即可以在图5所示的实施例的步骤3011之前,执行图4所示的是实施例。具体实现过程可参考前述描述,这里不再赘述。
实现方法二,数据分析装置包括第一模块、第二模块和第三模块
该实现方法中,数据分析装置中不包括第四模块,则可由一个外部的其他数据分析装置(例如可以称为目标数据分析装置)完成对上述数据分析装置中的数据的收集,进行模型训练以得到模型信息,并将第一特征提取信息、模型信息和策略信息发送给上述数据分析装置,分别由数据分析装置中的第一模块、第二模块和第三模块进行使用。
在具体实现流程中,可将上述实现方法一中的“第四模块”替换为“其他数据分析装置”即可。
下面结合图1(a)和图1(b),介绍上述提供的数据分析装置的具体部署方式。
在上述实现方法一中,数据分析装置包括第一模块、第二模块、第三模块和第四模块。可选地,该第四模块可用于进行模型的训练。
结合图1(a)所示的网络架构,在一种实现方式中,若数据分析装置不具备模型训练的功能,则该数据分析装置可以部署于DU中,然后由CU完成模型训练的工作。
在又一种实现方式中,若数据分析装置具备模型训练的功能,且DU的计算资源能够完成模型训练的工作,则该数据分析装置可以部署于DU中。进一步地,该数据分析装置还可以部署于CU中。
结合图1(b)所示的网络架构,在一种实现方式中,若数据分析装置不具备模型训练的功能,则该数据分析装置可以部署于第二无线接入设备中,然后由第一无线接入设备完成模型训练的工作。
在又一种实现方式中,若数据分析装置具备模型训练的功能,且第二无线接入设备的计算资源能够完成模型训练的工作,则该数据分析装置可以部署于第二无线接入设备中。进一步地,该数据分析装置还可以部署于第一无线接入设备中。
在上述实现方法二中,数据分析装置包括第一模块、第二模块和第三模块。该数据分析装置不具备模型训练的功能。
结合图1(a)所示的网络架构,在一种实现方式中,该数据分析装置可以部署于DU中,然后由CU完成模型训练的工作。
结合图1(b)所示的网络架构,在一种实现方式中,该数据分析装置可以部署于第二无线接入设备中,然后由第一无线接入设备完成模型训练的工作。
如图6所示,为本申请提供的一种数据分析***,该***包括第一数据分析装置和第二数据分析装置。可选地,该***还包括监控装置。
第一数据分析装置,用于发送第一特征提取信息、模型信息和策略信息;
第二数据分析装置,用于从第一数据分析装置接收第一特征提取信息、模型信息和策略信息;根据第一特征提取信息获取网络节点的第一数据,根据第一数据和第一特征提取信息生成第一特征向量;根据模型信息创建模型实例;根据第一特征向量和模型实例生成预测结果;根据预测结果和策略信息确定配置参数值,并根据配置参数值更新网络节点的配置参数。
上述数据分析***,第二数据分析装置在接收到第一数据分析装置发送的第一特征提取信息、模型信息和策略信息后,可以针对移动接入网络的某个网络节点,收集该网络节点的数据,然后进行数据分析及调整该网络节点配置参数,实现对该网络节点的针对性的数据分析及参数调整,因而可以提升数据分析和配置参数调整的速度。
下面结合附图,对本申请提供的是数据分析***进行数据分析的方法做具体介绍。
如图7所示,为本申请提供的一种数据分析方法示意图,该方法包括以下步骤:
步骤701,第一数据分析装置向第二数据分析装置发送第一特征提取信息、模型信息和策略信息,相应地,第二数据分析装置接收来自第一数据分析装置的第一特征提取信息、模型信息和策略信息。
步骤702,第二数据分析装置根据第一特征提取信息,获取网络节点的第一数据。
该步骤中第二数据分析装置获取网络节点的第一数据的方法,与图3所示的实施例的步骤305中第一模块获取网络节点的第一数据的方法类似,可参考前述描述,这里不再赘述。
步骤703,第二数据分析装置根据第一数据和第一特征提取信息,生成第一特征向量。
该步骤中第二数据分析装置生成第一特征向量的方法,与图3所示的实施例的步骤306中第一模块生成第一特征向量的方法类似,可参考前述描述,这里不再赘述。
步骤704,第二数据分析装置根据模型信息创建模型实例。
该步骤中第二数据分析装置创建模型实例的方法,与图3所示的实施例的步骤308中第二模块创建模型实例的方法类似,可参考前述描述,这里不再赘述。
步骤705,第二数据分析装置根据模型实例和第一特征向量生成预测结果。
该步骤中第二数据分析装置生成预测结果的方法,与图3所示的实施例的步骤309中第二模块生成预测结果的方法类似,可参考前述描述,这里不再赘述。
步骤706,第二数据分析装置根据预测结果和策略信息确定配置参数值。
该步骤中第二数据分析装置确定配置参数值的方法,与图3所示的实施例的步骤311中第三模块确定配置参数值的方法类似,可参考前述描述,这里不再赘述。
步骤707,第二数据分析装置根据配置参数值更新网络节点的配置参数。
该步骤中第二数据分析装置更新网络节点的配置参数的方法,与图3所示的实施例的步骤312中第三模块更新网络节点的配置参数的方法类似,可参考前述描述,这里不再赘述。
进一步地,作为一种实现方式,在上述步骤701之前,还可以包括以下模型训练的过程,该模型训练过程用于对模型进行训练,以得到图6所示的实施例中的第二数据分析装置所使用的模型信息,具体地,第二数据分析装置可以根据该模型信息创建模型实例,并根据模型实例生成预测结果。
该模型训练的任务可以由第一数据分析装置来完成,如图8所示,为本申请提供的又一种数据分析方法,该数据分析方法主要包括模型训练过程。模型训练过程包括:
步骤801,第一数据分析装置向第二数据分析装置发送订阅消息,相应地,第二数据分析装置接收来自第一数据分析装置的订阅消息。
该订阅消息包括第二特征提取信息。
步骤802,第二数据分析装置根据第二特征提取信息,获取网络节点的第二数据。
该步骤中第二数据分析装置获取网络节点的第二数据的方法,与图4所示的实施例的步骤402中第一模块获取网络节点的第二数据的方法类似,可参考前述描述,这里不再赘述。
步骤803,第二数据分析装置根据第二数据和第二特征提取信息,生成第二特征向量。
该步骤中第二数据分析装置生成第二特征向量的方法,与图4所示的实施例的步骤403中第一模块生成第二特征向量的方法类似,可参考前述描述,这里不再赘述。
步骤804,第二数据分析装置向第一数据分析装置发送第二特征向量,相应地,第一数据分析装置接收来自第二数据分析装置的第二特征向量。
步骤805,第一数据分析装置根据第二特征向量训练模型,并生成模型信息。
该步骤中第二数据分析装置根据第二特征向量训练模型并生成模型信息的方法,与图4所示的实施例的步骤405中第四模块根据第二特征向量训练模型并生成模型信息的方法类似,可参考前述描述,这里不再赘述。
需要说明的是,上述图8所示的实施例中第二数据分析装置获取的第二特征向量是由第一数据分析装置用来进行模型训练的,而图7所示的实施例中第二数据分析装置获取的第一特征向量是由第二数据分析装置用来作为模型实例的输入,从而得到预测结果。
通过上述方法,由第一数据分析装置进行模型训练从而得到模型信息,并将模型发送给第二数据分析装置,由第二数据分析装置根据模型信息创建模型实例。该方法实现了模型训练与模型使用的分离,即由第一数据分析装置进行模型训练,由第二数据分析装置使用模型,两个数据分析装置可以并行运行,可提高数据处理装置的数据分析速度。
作为一种实现方式,在上述步骤801之前,还包括:
步骤901,监控装置向第一数据分析装置发送指示消息,相应地,第一数据分析装置接收来自监控装置的指示消息。
该指示消息包括模型的模型类型,该模型类型与前述模型信息对应。该指示消息用于指示创建模型和启动模型的训练。
也可以理解为,该监控装置可用于触发第一数据分析装置进行模型训练,并且将待训练的模型的类型携带于指示消息中发送给第一数据分析装置。从而第一数据分析装置可以根据监控装置的指示,完成模型训练。如此,通过一个外部的监控装置,来触发数据分析装置的第一数据分析装置进行模型训练的创建和训练,有助于实现对该第一数据分析装置的控制。
可选地,该指示消息中还可以包括第一特征提取信息和策略信息,该第一特征提取信息和策略信息即为上述图7所示的实施例中所使用到的第一特征提取信息和策略信息。即,第二数据分析装置所使用的第一特征提取信息和策略信息可以来自监控装置。
进一步地,若在图8所示的实施例的步骤801之前执行上述步骤901,则可选地,在图8所示的实施例执行上述步骤805之后,还可以执行下述步骤:
步骤902,第一数据分析装置向监控装置发送响应消息,监控装置接收来自第一数据分析装置的响应消息。
若第一数据分析装置训练完成,则该响应消息用于指示完成模型的训练。
若第一数据分析装置训练未完成,例如训练失败,则该响应消息用于指示模型训练失败。
从而,监控装置可以更好地实现对第一数据分析装置的控制。
上述图8所示的实施例,给出了一种获取到模型信息的方法,即由第一数据分析装置完成模型的训练以得到模型信息,并将模型信息发送给第二数据分析装置进行使用。
作为又一种实现方式,还可以不执行图8所示的实施例,即不执行上述步骤801-步骤805,或不执行上述步骤901、步骤801-步骤805及步骤902。而是由第一数据分析装置通过其它方式获取到模型信息,例如可以是由其他数据分析装置或监控装置完成模型训练并得到模型信息,然后将模型信息发送给第一数据分析装置,进而第一数据分析装置可以再将得到的模型信息发送给第二数据分析装置。
上述图6所示的数据分析***,主要应用于DU或第二无线接入设备的计算资源不足,难以完成模型训练的应用场景。
在该场景下,基于图1(a)所示的网络架构,则上述第一数据分析装置可部署于CU,上述第二数据分析装置可部署于DU,上述网络节点为该DU。由第一数据分析装置完成模型的训练并得到模型信息,第二数据分析装置根据模型信息创建模型实例,并根据模型实例进行预测分析收集到的DU的数据,以实现对DU进行配置参数的更新和优化。
在该场景下,基于图1(b)所示的网络架构,则上述第一数据分析装置可部署于第一无线接入设备,上述第二数据分析装置可部署于第二无线接入设备,上述网络节点为该第二无线接入设备。由第一数据分析装置完成模型的训练并得到模型信息,第二数据分析装置根据模型信息创建模型实例,并根据模型实例进行预测分析收集到的第二无线接入设备的数据,以实现对第二无线接入设备进行配置参数的更新和优化。
作为示例,下面给出一种第一数据分析装置和第二数据分析装置的具体实现方式。例如,参考图6,第一数据分析装置包括第八模块和第九模块,可选地,第一数据分析装置还包括第十模块和第十一模块。第二数据分析装置包括第五模块、第六模块和第七模块。
其中,第八模块可用于执行图7所示的实施例中的步骤701。进一步地,第八模块还可用于执行图8所示的实施例的步骤步骤805。进一步地,第八模块还可用于执行图8所示的实施例的步骤901和步骤902。第九模块可用于执行图8所示的实施例的步骤801、步骤804。
第五模块可用于执行图7所示的实施例中的步骤702、步骤703,进一步地,第五模块还可用于执行图8所示的实施例的步骤801-步骤804。第六模块可用于执行图7所示的实施例中的步骤704、步骤705。第七模块可用于执行图7所示的实施例中的步骤706、步骤707。
下面结合附图进行具体说明。如图9所示,为本申请提供的又一种数据分析方法示意图,包括:
步骤1001,第八模块向第九模块发送第四订阅消息,相应地,第九模块接收来自第八模块的第四订阅消息。
该第四订阅消息包括第二特征提取信息,该第四订阅消息用于请求订阅网络节点的第二特征向量,其中,第二数据分析装置部署于该网络节点。
步骤1002,第九模块向第五模块发送第五订阅消息,相应地,第五模块接收来自第九模块的第五订阅消息。
该第五订阅消息包括上述第二特征提取信息,该第五订阅消息用于请求订阅网络节点的第二特征向量。也可以理解为,第五订阅消息用于向第二数据分析装置订阅网络节点的第二特征向量。
步骤1003,第五模块根据第二特征提取信息,获取网络节点的第二数据。
该步骤中第五模块获取网络节点的第二数据的方法,与图4所示的实施例的步骤402中第一模块获取网络节点的第二数据的方法类似,可参考前述描述,这里不再赘述。
步骤1004,第五模块根据第二数据和第二特征提取信息,生成第二特征向量。
该步骤中第五模块生成第二特征向量的方法,与图4所示的实施例的步骤403中第一模块生成第二特征向量的方法类似,可参考前述描述,这里不再赘述。
步骤1005,第五模块向第九模块发送第二特征向量,相应地,第九模块接收来自第九模块的第二特征向量。
步骤1006,第九模块向第八模块发送第二特征向量,相应地,第八模块接收来自第九模块的第二特征向量。
步骤1007,第八模块根据第二特征向量训练模型,并生成模型信息。
该步骤中第八模块根据第二特征向量训练模型并生成模型信息的方法,与图4所示的实施例的步骤403中第四模块根据第二特征向量训练模型并生成模型信息的方法类似,可参考前述描述,这里不再赘述。
步骤1008-步骤1019,与图3所示的实施例的步骤301-步骤311类似,可参数前述描述。其中,步骤1008-步骤1019中的第五模块执行的操作类似步骤301-步骤311中的第一模块执行的操作,步骤1008-步骤1019中的第六模块执行的操作类似步骤301-步骤311中的第二模块执行的操作,步骤1008-步骤1019中的第七模块执行的操作类似步骤301-步骤311中的第三模块执行的操作,步骤1008-步骤1019中的第八模块执行的操作类似步骤301-步骤311中的第四模块执行的操作。
进一步地,步骤1008-步骤1019中的步骤1008-步骤1011,还可以替换为类似于图5所示的实施例中的步骤3011-3041的操作,具体执行方法可参考前述图5所示的实施例中的相关描述,这里不再赘述。
通过上述步骤1001-步骤1007,可实现由第一数据分析装置的第八模块向第一数据分析装置的第九模块订阅第二数据分析装置生成的第二特征向量,然后第九模块向第二数据分析装置的第五模块订阅第二数据分析装置生成的第二特征向量。第二数据分析装置的第五模块在接收到订阅后,根据第二特征提取信息生成第二数据,以及根据第二特征提取信息和第二数据生成第二特征向量,并将生成的第二特征向量发送给第九模块,第九模块向接收到的第二特征向量发送给第八模块。从而第八模块可根据接收到的第二特征向量进行模型的训练,以得到模型信息,该模型信息可发送给第五模块,由第五模块用于生成模型实例并使用该模型实例进行预测。由此,实现了由第一数据分析装置训练模型以得到模型信息,并将模型发送给第二数据分析装置,由第二数据分析装置根据模型信息创建模型实例。该方法实现了模型训练与模型使用的分离,即由第一数据分析装置进行模型训练,由第二数据分析装置使用模型,两个数据分析装置可以并行运行,可提高数据处理装置的数据分析速度。
需要说明的是,上述步骤1001-步骤1007为可选步骤。若不执行上述步骤1001-步骤1007,则可以由第一数据分析装置的第八模块通过其它方式获取到模型信息,例如可以是由其他数据分析装置或监控装置完成模型训练并得到模型信息,然后将模型信息发送给第一数据分析装置的第八模块,进而第一数据分析装置的第八模块可以再将得到的模型信息发送给第二数据分析装置的第五模块。
作为又一种实现方式,第一数据分析装置还可以是通过第八模块向第二数据分析装置的第五模块订阅网络节点的第二特征向量。在该实施例中,则图9所示的步骤1001-步骤1002可以由以下步骤1001’替换:
步骤1001’,第八模块向第五模块发送订阅消息,相应地,第五模块接收来自第八模块的订阅消息。
该订阅消息包括第二特征提取信息,该订阅消息用于请求订阅网络节点的第二特征向量,其中,第二数据分析装置部署于该网络节点。
相应地,图9所示的步骤1006-步骤1007可由以下步骤1002’替换:
步骤1002,第五模块向第八模块发送第二特征向量,相应地,第八模块接收来自第五模块的第二特征向量。
进一步地,在上述步骤1001之前,还可以包括类似图8所示的步骤901的操作,即第八模块接收监控装置的指示消息。进一步地,在上述步骤1019之后,还可以包括类似图8所示的步骤902的操作,即第八模块向监控装置发送响应消息。具体实现细节,可参考前述描述,这里不再赘述。
进一步地,图6所示的数据分析***的第一数据分析装置还可以包括第十模块、第十一模块。即第一数据分析装置包括第八模块、第九模块、第十模块、第十一模块。此时,该第一数据分析装置中的第八模块、第九模块、第十模块、第十一模块通过相互配合,可以实现对部署了第一数据分析装置的网络节点(例如,网络节点为网络节点如图1(a)所示的CU,或为如图1(b)所示的第一无线接入设备)进行数据收集,模型训练,生成模型实例,进行在线预测,并根据预测结果生成配置参数值,以及根据配置参数值调整网络节点的配置参数等。
当第八模块、第九模块、第十模块、第十一模块用于实现上述功能时,则第八模块、第九模块、第十模块、第十一模块的具体实现细节,类似于图2所示的实施例中的第四模块、第一模块、第二模块、第三模块的实现过程。具体地,第八模块的执行的操作可参考图2所示的实施例中的第四模块的执行的操作,第九模块的执行的操作可参考图2所示的实施例中的第一模块的执行的操作,第十模块的执行的操作可参考图2所示的实施例中的第二模块的执行的操作,第十一模块的执行的操作可参考图2所示的实施例中的第三模块的执行的操作。这里不再赘述。
需要说明的是,本申请上述任一实施例中的第一模块、第二模块、第三模块、第四模块、第五模块、第六模块、第七模块、第八模块、第九模块、第十模块、第十一模块、第一订阅消息、第二订阅消息、第三订阅消息、第四订阅消息、第五订阅消息、监控装置等仅是一个名称,名称本身不构成限定。在5G网络以及未来其它的网络中,这些名称也可以是其他的名称,本申请实施例对此不作具体限定。
例如,作为示例,上述第一订阅消息、第二订阅消息、第三订阅消息、第四订阅消息、第五订阅消息均可以简称为订阅消息、或请求消息等。
再比如,作为示例,上述第一模块、第五模块、第九模块均可以称为数据服务功能(data service function,DSF)模块,上述第二模块、第六模块、第十模块均可以称为模型执行功能(model execution function,MEF)模块,上述第三模块、第七模块、第十一模块均可以称为自适应策略功能(adaptive policy function,APF)模块,上述第四模块、第八模块均可以称为分析和模型化功能(analysis and modelling function,A&MF)模块。
再比如,作为示例,上述监控装置还可以称为运营支持***数据分析(operationsupport system data analytics,OSSDA)装置。
因此,本发明公开了一种数据分析装置,包括:
第一模块,用于获取第一特征提取信息,根据第一特征提取信息获取网络节点的第一数据,根据第一数据和第一特征提取信息生成第一特征向量,并发送第一特征向量;
第二模块,用于获取模型信息,根据模型信息创建模型实例;从第一模块接收第一特征向量,根据第一特征向量和模型实例生成预测结果,并发送预测结果;
第三模块,用于获取策略信息,从第二模块接收预测结果,根据预测结果和策略信息确定配置参数值,并根据配置参数值更新网络节点的配置参数。
在一种可能的实现方式中,所述装置还包括第四模块,用于发送第一特征提取信息、模型信息和策略信息。
在一种可能的实现方式中,第四模块用于发送第一特征提取信息、模型信息和策略信息,包括:第四模块用于向第二模块发送模型信息,向第一模块发送第一特征提取信息,以及向第三模块发送策略信息。
在一种可能的实现方式中,第一特征提取信息包括模型标识,模型信息包括模型标识,模型标识用于标识模型实例;第二模块还用于向第一模块发送第一订阅消息,第一订阅消息包括模型标识,第一订阅消息用于向第一模块订阅模型标识对应的第一特征向量。
在一种可能的实现方式中,第四模块用于发送第一特征提取信息、模型信息和策略信息,包括:第四模块用于向第二模块发送第一特征提取信息、模型信息和策略信息;第二模块还用于向第一模块发送第一特征提取信息,以及向第三模块发送策略信息。
在一种可能的实现方式中,第一特征提取信息包括模型标识,模型信息包括模型标识,模型标识用于标识模型实例;第二模块向第一模块发送第一特征提取信息,包括:第二模块向第一模块发送第二订阅消息,第二订阅消息包括第一特征提取信息,第二订阅消息用于向第一模块订阅模型标识对应的第一特征向量。
在一种可能的实现方式中,第四模块还用于向第一模块发送第三订阅消息,第三订阅消息包括第二特征提取信息;第一模块还用于根据第二特征提取信息获取网络节点的第二数据,根据第二数据和第二特征提取信息生成第二特征向量,并向第四模块发送第二特征向量;第四模块还用于根据第二特征向量训练模型信息对应的模型。
在一种可能的实现方式中,第四模块还用于接收来自监控装置的指示消息,指示消息包括模型信息对应的模型的模型类型,指示消息用于指示创建模型和启动模型的训练;以及,向监控装置发送响应消息,响应消息用于指示完成模型的训练。
在一种可能的实现方式中,第一模块获取第一特征提取信息,包括:第一模块从其他数据分析装置获取第一特征提取信息;第二模块获取模型信息,包括:第二模块从其他数据分析装置获取模型信息;第三模块获取策略信息,包括:第三模块从其他数据分析装置获取策略信息。
在一种可能的实现方式中,数据分析装置位于中心单元CU,网络节点为CU;或者,数据分析装置位于分布式单元DU,网络节点为DU;或者,数据分析装置位于无线接入设备,网络节点为无线接入设备。
上述数据分析装置中,数据分析装置的各模块的操作可参考图3-图5中的操作及上述相关文字说明,这里不再赘述。
本申请还提供一种数据分析***,包括:第一数据分析装置和第二数据分析装置。第一数据分析装置,用于发送第一特征提取信息、模型信息和策略信息。第二数据分析装置,用于从第一数据分析装置接收第一特征提取信息、模型信息和策略信息;根据第一特征提取信息获取网络节点的第一数据,根据第一数据和第一特征提取信息生成第一特征向量;根据模型信息创建模型实例;根据第一特征向量和模型实例生成预测结果;根据预测结果和策略信息确定配置参数值,并根据配置参数值更新网络节点的配置参数。
在一种可能的实现方式中,第一数据分析装置还用于向第二数据分析装置发送订阅消息,订阅消息包括第二特征提取信息;从第二数据分析装置获取第二特征向量,以及根据第二特征向量训练模型信息对应的模型;第二数据分析装置还用于根据第二特征提取信息获取网络节点的第二数据,根据第二数据和第二特征提取信息生成第二特征向量,并向第一数据分析装置发送第二特征向量。
在一种可能的实现方式中,第一数据分析装置还用于接收来自监控装置的指示消息,指示消息包括模型信息对应的模型的模型类型,指示消息用于指示创建模型和启动模型的训练;以及,向监控装置发送响应消息,响应消息用于指示完成模型的训练。
在一种可能的实现方式中,***还包括监控装置。
在一种可能的实现方式中,第一数据分析装置位于中心单元CU,第二数据分析装置位于分布式单元DU,网络节点为DU;或者,第一数据分析装置位于第一无线接入设备,第二数据分析装置位于第二无线接入设备,网络节点为第二无线接入设备。
上述数据分析***中,数据分析***的第一数据分析装置和第二数据分析装置的操作可参考图7-图8中的第一数据分析装置和第二数据分析装置的操作及上述相关文字说明,这里不再赘述。
因此,本申请还提供一种数据分析方法,包括:数据分析装置获取第一特征提取信息、模型信息及策略信息;数据分析装置根据第一特征提取信息获取网络节点的第一数据,根据第一数据和第一特征提取信息生成第一特征向量,根据模型信息创建模型实例;数据分析装置根据第一特征向量和模型实例生成预测结果;数据分析装置根据预测结果和策略信息确定配置参数值,并根据配置参数值更新网络节点的配置参数。
在一种可能的实现方式中,还包括:数据分析装置获取第二特征提取信息,根据第二特征提取信息获取网络节点的第二数据;数据分析装置根据第二数据和第二特征提取信息生成第二特征向量;数据分析装置根据第二特征向量训练模型信息对应的模型。
在一种可能的实现方式中,还包括:数据分析装置接收来自监控装置的指示消息,指示消息包括模型信息对应的模型的模型类型,指示消息用于指示创建模型和启动模型的训练;数据分析装置向监控装置发送响应消息,响应消息用于指示完成模型的训练。
在一种可能的实现方式中,数据分析装置位于中心单元CU,网络节点为CU;或者,数据分析装置位于分布式单元DU,网络节点为DU;或者,数据分析装置位于无线接入设备,网络节点为无线接入设备。
上述数据分析方法中,数据分析方法的操作可参考图3-图5中的操作及上述相关文字说明,这里不再赘述。
因此,本申请还提供一种数据分析方法,包括:第一数据分析装置获取模型信息;第一数据分析装置获取第一特征提取信息和策略信息,并向第二数据分析装置发送第一特征提取信息、模型信息和策略信息。
在一种可能的实现方式中,第一数据分析装置获取模型信息,包括:第一数据分析装置接收来自监控装置的指示消息,指示消息包括模型类型,指示消息用于指示创建模型和启动模型的训练,根据模型类型创建并训练模型,以得到模型信息。
在一种可能的实现方式中,第一数据分析装置根据模型类型创建并训练模型,包括:第一数据分析装置向第二数据分析装置发送订阅消息,订阅消息包括第二特征提取信息;第一数据分析装置接收来自第二数据分析装置的第二特征向量,第二特征向量是根据第二特征提取信息生成的;第一数据分析装置根据第二特征向量训练模型类型对应的模型,得到模型信息。
上述数据分析方法中,第一数据分析装置的操作可参考图7-图8中的第一数据分析装置操作及上述相关文字说明,这里不再赘述。
因此,本申请还提供一种数据分析方法,包括:第二数据分析装置从第一数据分析装置接收第一特征提取信息、模型信息和策略信息;
第二数据分析装置根据第一特征提取信息获取网络节点的第一数据,根据第一数据和第一特征提取信息生成第一特征向量;以及,根据模型信息创建模型实例;第二数据分析装置根据第一特征向量和模型实例生成预测结果;第二数据分析装置根据预测结果和策略信息确定配置参数值,并根据配置参数值更新网络节点的配置参数。
在一种可能的实现方式中,还包括:第二数据分析装置接收来自第一数据分析装置的订阅消息,订阅消息包括第二特征提取信息;第二数据分析装置根据第二特征提取信息获取网络节点的第二数据,根据第二数据和第二特征提取信息生成第二特征向量;
第二数据分析装置向第一数据分析装置发送第二特征向量。
上述数据分析方法中,第二数据分析装置的操作可参考图7-图8中第二数据分析装置的操作及上述相关文字说明,这里不再赘述。
进一步地,本申请提供的上述任一装置、任一***、或者任一方法中,第一特征提取信息包括输入数据参数信息、特征处理信息和输出的特征向量信息,输入数据参数信息用于指示采集第一数据,特征处理信息用于指示将第一数据转换为第一特征向量的处理方式,输出的特征向量信息用于指示发送第一特征向量的格式。
进一步地,本申请提供的上述任一装置、任一***、或者任一方法中,模型信息包括模型描述信息,模型描述信息用于指示模型实例对应的参数信息。
进一步地,本申请提供的上述任一装置、任一***、或者任一方法中,策略信息包括配置参数信息和预测结果信息,配置参数信息用于指示配置参数,预测结果信息用于指示预测结果与配置参数的配置参数值的映射关系。
基于相同的发明构思,如图10所示,为本申请提供的一种装置示意图,该装置可以是数据分析装置或芯片,可执行上述任一实施例的方法。
该装置1000包括至少一个处理器1001,通信线路1002,存储器1003以及至少一个通信接口1004。
处理器1001可以是一个通用中央处理器(central processing unit,CPU),微处理器,特定应用集成电路(application specific integrated circuit,ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。
通信线路1002可包括一通路,在上述组件之间传送信息。
通信接口1004,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器1003可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyer服务器able programmable read-only memory,EEPROM)、只读光盘(compact discread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过通信线路1002与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器1003用于存储执行本申请方案的计算机执行指令,并由处理器1001来控制执行。处理器1001用于执行存储器1003中存储的计算机执行指令,从而实现本申请下述实施例提供的组播报文的发送方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
在具体实现中,作为一种实施例,处理器1001可以包括一个或多个CPU,例如图10中的CPU0和CPU1。
在具体实现中,作为一种实施例,装置1000可以包括多个处理器,例如图10中的处理器1001和处理器1008。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
当图10所示的装置为芯片时,例如可以是数据分析装置的芯片,则该芯片包括处理器1001(还可以包括处理器1008)、通信线路1002、存储器1003和通信接口1004。具体地,通信接口1004可以是输入接口、管脚或电路等。存储器1003可以是寄存器、缓存等。处理器1001和处理器1008可以是一个通用的CPU,微处理器,ASIC,或一个或多个用于控制上述任一实施例的数据分析方法的程序执行的集成电路。
当图10所示的装置为图2所示的数据分析装置的一种具体实现时,则该处理器1001可用于实现图2中的第一模块、第二模块、第三模块和第四模块的处理功能,例如用于实现图3所示的步骤305、步骤306、步骤308、步骤309、步骤311和步骤312,还可用于实现图4所示的步骤402、步骤403和步骤405,还可用于实现图5所示的步骤305、步骤306、步骤308、步骤309、步骤311和步骤312。该通信接口1004可用于实现图3所示的步骤301-步骤304、步骤307和步骤310,还可用于实现图4所示的步骤401、步骤404、步骤501和步骤502,还可用于实现图5所示的步骤3011-步骤3041、步骤307和步骤310。该存储器1003可用于存储是实现上述数据分析方法时所产生的第一数据、第二数据、第一特征向量、第二特征向量、模型实例、第一特征提取信息、第二特征提取信息、模型信息、策略信息、预测结果、配置参数值等等。
当图10所示的装置为图6所示的第一数据分析装置的一种具体实现时,则该处理器1001可用于实现图8中的第一数据分析装置的处理功能,例如用于实现图8所示的步骤805,还可用于实现图9所示第八模块和第九模块的功能,例如用于实现图9所示的步骤1007。该通信接口1004可用于实现图7所示的步骤701,还可用于实现图8所示的步骤801、步骤804、步骤901和步骤902,还可用于实现图9所示的步骤1002、步骤1005、步骤1008-步骤1010。该存储器1003可用于存储是实现上述数据分析方法时所产生的第一数据、第二数据、第一特征向量、第二特征向量、模型实例、第一特征提取信息、第二特征提取信息、模型信息、策略信息、预测结果、配置参数值等等。
当图10所示的装置为图6所示的第二数据分析装置的一种具体实现时,则该处理器1001可用于实现图7中的第二数据分析装置的处理功能,例如用于实现图7所示的步骤702-步骤707,还可用于实现图8中的第二数据分析装置的处理功能,例如用于实现图8所示的步骤802、步骤803,还可用于实现图9所示第五模块、第六模块和第七模块的功能,例如用于实现图9所示的步骤1003、步骤1004、步骤1012、步骤1013、步骤1015、步骤1016、步骤1018和步骤1019。该通信接口1004可用于实现图7所示的步骤701,还可用于实现图8所示的步骤801和步骤804,还可用于实现图9所示的步骤1002、步骤1005、步骤1008-步骤1010。该存储器1003可用于存储是实现上述数据分析方法时所产生的第一数据、第二数据、第一特征向量、第二特征向量、模型实例、第一特征提取信息、第二特征提取信息、模型信息、策略信息、预测结果、配置参数值等等。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端设备中。可选地,处理器和存储媒介也可以设置于终端设备中的不同的部件中。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本发明进行了描述,显而易见的,在不脱离本发明的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明,且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (20)
1.一种数据分析装置,其特征在于,包括:第一模块、第二模块、第三模块和第四模块;
所述第四模块,用于向所述第一模块发送第一特征提取信息,向所述第二模块发送模型信息,以及向所述第三模块发送策略信息,所述第一特征提取信息包括模型标识,所述模型信息包括所述模型标识,所述模型标识用于标识模型实例;
所述第一模块,用于从所述第二模块接收第一订阅消息,所述第一订阅消息包括所述模型标识,所述第一订阅消息用于向所述第一模块订阅所述模型标识对应的第一特征向量;获取所述模型标识对应的所述第一特征提取信息,根据所述第一特征提取信息获取网络节点的第一数据,根据所述第一数据和所述第一特征提取信息生成所述第一特征向量,并向所述第二模块发送所述第一特征向量;
所述第二模块,用于从所述第四模块接收所述模型信息,根据所述模型信息创建所述模型实例;从所述第一模块接收所述第一特征向量,根据所述第一特征向量和所述模型实例生成预测结果,并向所述第三模块发送所述预测结果;
所述第三模块,用于从所述第四模块接收所述策略信息,从所述第二模块接收所述预测结果,根据所述预测结果和所述策略信息确定配置参数值,并根据所述配置参数值更新所述网络节点的配置参数。
2.一种数据分析装置,其特征在于,包括:第一模块、第二模块、第三模块和第四模块;
所述第四模块,用于向所述第二模块发送第一特征提取信息、模型信息和策略信息,所述第一特征提取信息包括模型标识,所述模型信息包括所述模型标识,所述模型标识用于标识模型实例;
所述第一模块,用于从所述第二模块接收第二订阅消息,所述第二订阅消息包括所述第一特征提取信息,所述第二订阅消息用于向所述第一模块订阅所述模型标识对应的第一特征向量;获取所述模型标识对应的所述第一特征提取信息,根据所述第一特征提取信息获取网络节点的第一数据,根据所述第一数据和所述第一特征提取信息生成所述第一特征向量,并向所述第二模块发送所述第一特征向量;
所述第二模块,用于从所述第四模块接收所述模型信息,根据所述模型信息创建所述模型实例;从所述第一模块接收所述第一特征向量,根据所述第一特征向量和所述模型实例生成预测结果,并向所述第三模块发送所述预测结果;
所述第三模块,用于从所述第二模块接收所述策略信息,从所述第二模块接收所述预测结果,根据所述预测结果和所述策略信息确定配置参数值,并根据所述配置参数值更新所述网络节点的配置参数。
3.根据权利要求1或2所述的装置,其特征在于,所述第四模块还用于向所述第一模块发送第三订阅消息,所述第三订阅消息包括第二特征提取信息;
所述第一模块还用于根据所述第二特征提取信息获取所述网络节点的第二数据,根据所述第二数据和所述第二特征提取信息生成第二特征向量,并向所述第四模块发送所述第二特征向量;
所述第四模块还用于根据所述第二特征向量训练所述模型信息对应的模型。
4.根据权利要求3所述的装置,其特征在于,所述第四模块还用于接收来自监控装置的指示消息,所述指示消息包括所述模型信息对应的模型的模型类型,所述指示消息用于指示创建所述模型和启动所述模型的训练;以及,向所述监控装置发送响应消息,所述响应消息用于指示完成所述模型的训练。
5.根据权利要求1、2或4所述的装置,其特征在于,所述数据分析装置位于中心单元CU,所述网络节点为所述CU;或者,
所述数据分析装置位于分布式单元DU,所述网络节点为所述DU;或者,
所述数据分析装置位于无线接入设备,所述网络节点为所述无线接入设备。
6.根据权利要求1、2或4所述的装置,其特征在于,所述第一特征提取信息包括输入数据参数信息、特征处理信息和输出的特征向量信息,所述输入数据参数信息用于指示采集所述第一数据,所述特征处理信息用于指示将所述第一数据转换为所述第一特征向量的处理方式,所述输出的特征向量信息用于指示发送所述第一特征向量的格式。
7.根据权利要求1、2或4所述的装置,其特征在于,所述模型信息包括模型描述信息,所述模型描述信息用于指示所述模型实例对应的参数信息。
8.根据权利要求1、2或4所述的装置,其特征在于,所述策略信息包括配置参数信息和预测结果信息,所述配置参数信息用于指示所述配置参数,所述预测结果信息用于指示所述预测结果与所述配置参数的配置参数值的映射关系。
9.一种数据分析***,其特征在于,包括:第一数据分析装置和第二数据分析装置;
所述第一数据分析装置,用于向所述第二数据分析装置发送第一特征提取信息、模型信息、策略信息和订阅消息,所述订阅消息包括第二特征提取信息;从所述第二数据分析装置获取第二特征向量,以及根据所述第二特征向量训练所述模型信息对应的模型;
所述第二数据分析装置,用于从所述第一数据分析装置接收所述第一特征提取信息、所述模型信息、所述策略信息和所述订阅消息;根据所述第一特征提取信息获取网络节点的第一数据,根据所述第一数据和所述第一特征提取信息生成第一特征向量;根据所述模型信息创建模型实例;根据所述第一特征向量和所述模型实例生成预测结果;根据所述预测结果和所述策略信息确定配置参数值,根据所述配置参数值更新所述网络节点的配置参数;以及,根据所述第二特征提取信息获取所述网络节点的第二数据,根据所述第二数据和所述第二特征提取信息生成所述第二特征向量,并向所述第一数据分析装置发送所述第二特征向量。
10.根据权利要求9所述的***,其特征在于,所述第一数据分析装置还用于接收来自监控装置的指示消息,所述指示消息包括所述模型信息对应的模型的模型类型,所述指示消息用于指示创建所述模型和启动所述模型的训练;以及,向所述监控装置发送响应消息,所述响应消息用于指示完成所述模型的训练。
11.根据权利要求10所述的***,其特征在于,所述***还包括所述监控装置。
12.根据权利要求9至11中任一项所述的***,其特征在于,所述第一数据分析装置位于中心单元CU,所述第二数据分析装置位于分布式单元DU,所述网络节点为所述DU;或者,
所述第一数据分析装置位于第一无线接入设备,所述第二数据分析装置位于第二无线接入设备,所述网络节点为所述第二无线接入设备。
13.根据权利要求9至11中任一项所述的***,其特征在于,所述第一特征提取信息包括输入数据参数信息、特征处理信息和输出的特征向量信息,所述输入数据参数信息用于指示采集所述第一数据,所述特征处理信息用于指示将所述第一数据转换为所述第一特征向量的处理方式,所述输出的特征向量信息用于指示发送所述第一特征向量的格式。
14.根据权利要求9至11中任一项所述的***,其特征在于,所述模型信息包括模型描述信息,所述模型描述信息用于指示所述模型实例对应的参数信息。
15.根据权利要求9至11中任一项所述的***,其特征在于,所述策略信息包括配置参数信息和预测结果信息,所述配置参数信息用于指示所述配置参数,所述预测结果信息用于指示所述预测结果与所述配置参数的配置参数值的映射关系。
16.一种数据分析方法,其特征在于,包括:
第二数据分析装置从第一数据分析装置接收第一特征提取信息、模型信息和策略信息;
所述第二数据分析装置根据所述第一特征提取信息获取网络节点的第一数据,根据所述第一数据和所述第一特征提取信息生成第一特征向量;以及,根据所述模型信息创建模型实例;
所述第二数据分析装置根据所述第一特征向量和所述模型实例生成预测结果;
所述第二数据分析装置根据所述预测结果和所述策略信息确定配置参数值,并根据所述配置参数值更新所述网络节点的配置参数;
所述第二数据分析装置接收来自所述第一数据分析装置的订阅消息,所述订阅消息包括第二特征提取信息;
所述第二数据分析装置根据所述第二特征提取信息获取所述网络节点的第二数据,根据所述第二数据和所述第二特征提取信息生成第二特征向量;
所述第二数据分析装置向所述第一数据分析装置发送所述第二特征向量。
17.根据权利要求16所述的方法,其特征在于,所述第一特征提取信息包括输入数据参数信息、特征处理信息和输出的特征向量信息,所述输入数据参数信息用于指示采集所述第一数据,所述特征处理信息用于指示将所述第一数据转换为所述第一特征向量的处理方式,所述输出的特征向量信息用于指示发送所述第一特征向量的格式。
18.根据权利要求16或17所述的方法,其特征在于,所述模型信息包括模型描述信息,所述模型描述信息用于指示所述模型实例对应的参数信息。
19.根据权利要求16或17所述的方法,其特征在于,所述策略信息包括配置参数信息和预测结果信息,所述配置参数信息用于指示所述配置参数,所述预测结果信息用于指示所述预测结果与所述配置参数的配置参数值的映射关系。
20.一种可读存储介质,其特征在于,所述可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行如权利要求16至19中任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810112132.1A CN110121180B (zh) | 2018-02-05 | 2018-02-05 | 一种数据分析装置、***及方法 |
PCT/CN2018/119000 WO2019148960A1 (zh) | 2018-02-05 | 2018-12-03 | 一种数据分析装置、***及方法 |
EP18903069.5A EP3720169A4 (en) | 2018-02-05 | 2018-12-03 | DATA ANALYSIS DEVICE, SYSTEM AND METHOD |
US16/985,195 US11523288B2 (en) | 2018-02-05 | 2020-08-04 | Data analysis apparatus, system, and method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810112132.1A CN110121180B (zh) | 2018-02-05 | 2018-02-05 | 一种数据分析装置、***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110121180A CN110121180A (zh) | 2019-08-13 |
CN110121180B true CN110121180B (zh) | 2020-12-15 |
Family
ID=67478618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810112132.1A Active CN110121180B (zh) | 2018-02-05 | 2018-02-05 | 一种数据分析装置、***及方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11523288B2 (zh) |
EP (1) | EP3720169A4 (zh) |
CN (1) | CN110121180B (zh) |
WO (1) | WO2019148960A1 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111949349A (zh) * | 2018-08-21 | 2020-11-17 | 第四范式(北京)技术有限公司 | 统一地执行特征抽取的方法及*** |
US11403327B2 (en) * | 2019-02-20 | 2022-08-02 | International Business Machines Corporation | Mixed initiative feature engineering |
CN112532660A (zh) * | 2019-08-27 | 2021-03-19 | 中兴通讯股份有限公司 | 一种数据同步的方法、装置和网络管理*** |
CN110955781A (zh) * | 2019-11-14 | 2020-04-03 | 北京明略软件***有限公司 | 一种模型训练方法、装置、实现对标处理的方法及装置 |
CN111078500A (zh) * | 2019-12-11 | 2020-04-28 | 何晨 | 运行配置参数的调整方法、装置、计算机设备和存储介质 |
US11283876B2 (en) * | 2020-03-20 | 2022-03-22 | Verizon Patent And Licensing Inc. | Systems and methods for end-to-end request-response flow routing for geographically distributed client devices |
CN114143802A (zh) * | 2020-09-04 | 2022-03-04 | 华为技术有限公司 | 数据传输方法和装置 |
WO2022061940A1 (zh) * | 2020-09-28 | 2022-03-31 | 华为技术有限公司 | 一种模型数据传输方法及通信装置 |
CN112270376A (zh) * | 2020-11-10 | 2021-01-26 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备、存储介质和开发*** |
CN114764384A (zh) * | 2021-01-14 | 2022-07-19 | 华为技术有限公司 | 一种数据分析装置的管控方法与通信装置 |
CN116017422A (zh) * | 2021-10-21 | 2023-04-25 | 华为技术有限公司 | 一种通信方法及装置 |
CN114157562A (zh) * | 2021-11-11 | 2022-03-08 | 珠海格力电器股份有限公司 | 一种配网方法、装置、***、电子设备及存储介质 |
WO2024067439A1 (zh) * | 2022-09-30 | 2024-04-04 | 维沃移动通信有限公司 | 数据集生成方法、信息发送方法、装置及相关设备 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7107207B2 (en) * | 2002-06-19 | 2006-09-12 | Microsoft Corporation | Training machine learning by sequential conditional generalized iterative scaling |
CN1240009C (zh) * | 2003-06-19 | 2006-02-01 | 上海交通大学 | 基于网络的设备状态监控与性能退化预测方法 |
US7937455B2 (en) * | 2004-07-28 | 2011-05-03 | Oracle International Corporation | Methods and systems for modifying nodes in a cluster environment |
US20090254847A1 (en) * | 2008-04-02 | 2009-10-08 | Microsoft Corporation | Analysis of visually-presented data |
US8352495B2 (en) * | 2009-12-15 | 2013-01-08 | Chalklabs, Llc | Distributed platform for network analysis |
CN102118245A (zh) * | 2009-12-31 | 2011-07-06 | 中国人民解放军国防科学技术大学 | 大规模网络安全事件的规模预测知识训练方法和预测方法 |
US9355160B2 (en) * | 2013-02-08 | 2016-05-31 | Wolfram Alpha Llc | Automated data analysis |
AU2014259538B2 (en) * | 2013-11-08 | 2015-12-10 | Accenture Global Services Limited | Network node failure predictive system |
US11729054B2 (en) * | 2014-07-15 | 2023-08-15 | Comcast Cable Communications, Llc | Reconfigurable device for processing signals |
US10200884B2 (en) * | 2015-01-14 | 2019-02-05 | Futurewei Technologies, Inc. | Analytics-assisted, multi-agents, self-learning, self-managing, flexible and adaptive framework for intelligent SON |
US10117142B2 (en) * | 2015-08-28 | 2018-10-30 | Viavi Solutions Uk Limited | Modeling mobile network performance |
US9729728B2 (en) * | 2015-11-11 | 2017-08-08 | Verizon Patent And Licensing Inc. | Machine-learned policies for PCRF |
US10708795B2 (en) * | 2016-06-07 | 2020-07-07 | TUPL, Inc. | Artificial intelligence-based network advisor |
CN107222875B (zh) * | 2017-07-10 | 2019-10-01 | 东南大学 | 基于大数据分析的小基站开关控制方法 |
US10958585B2 (en) * | 2018-12-31 | 2021-03-23 | Juniper Networks, Inc. | Methods and apparatus for facilitating fault detection and/or predictive fault detection |
-
2018
- 2018-02-05 CN CN201810112132.1A patent/CN110121180B/zh active Active
- 2018-12-03 EP EP18903069.5A patent/EP3720169A4/en active Pending
- 2018-12-03 WO PCT/CN2018/119000 patent/WO2019148960A1/zh unknown
-
2020
- 2020-08-04 US US16/985,195 patent/US11523288B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
EP3720169A4 (en) | 2021-03-17 |
US11523288B2 (en) | 2022-12-06 |
CN110121180A (zh) | 2019-08-13 |
WO2019148960A1 (zh) | 2019-08-08 |
EP3720169A1 (en) | 2020-10-07 |
US20200367074A1 (en) | 2020-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110121180B (zh) | 一种数据分析装置、***及方法 | |
US20200401945A1 (en) | Data Analysis Device and Multi-Model Co-Decision-Making System and Method | |
US20210042578A1 (en) | Feature engineering orchestration method and apparatus | |
Liu et al. | A task oriented computation offloading algorithm for intelligent vehicle network with mobile edge computing | |
KR20190039757A (ko) | 가상 무선 액세스 네트워크를 관리하는 방법 및 소프트웨어 구성요소를 조정하는 방법 | |
WO2022226713A1 (zh) | 策略确定的方法和装置 | |
KR20170071381A (ko) | 멀티-에이전트 기반 코드 오프로딩을 수행하는 모바일 포그 컴퓨팅 시스템 및 그 방법 | |
US20230112127A1 (en) | Electronic device for deploying application and operation method thereof | |
CN114666423A (zh) | Tcp流的调整方法和*** | |
CN116250270A (zh) | 一种模型配置方法及装置 | |
JP2024515333A (ja) | ネットワークスライス自己最適化方法、基地局、及び記憶媒体 | |
CN113692052A (zh) | 一种网络边缘机器学习训练方法 | |
WO2024103960A1 (zh) | 网络切片配置方法及***、计算机可存储介质 | |
EP2930617A1 (en) | Resource management method and device | |
CN107147694B (zh) | 一种信息处理方法和装置 | |
Li | Optimal offloading for dynamic compute-intensive applications in wireless networks | |
Hu et al. | Edge intelligence-based e-health wireless sensor network systems | |
US20230379682A1 (en) | Data handling for a radio access network controller | |
CN114615708B (zh) | 一种将终端均衡接入集中单元用户面的方法及装置 | |
CN112825591B (zh) | 时域资源调度方法、终端、基站、通信网络以及存储介质 | |
WO2023093725A1 (zh) | 一种校准方法及装置 | |
WO2024099175A1 (zh) | 一种算法管理方法和装置 | |
WO2024007156A1 (zh) | 一种通信方法和装置 | |
US20240205101A1 (en) | Inter-node exchange of data formatting configuration | |
CN105392172A (zh) | 一种建立通信连接的方法及装置 |
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 |