CN113747480B - 5g切片故障的处理方法、装置及计算设备 - Google Patents
5g切片故障的处理方法、装置及计算设备 Download PDFInfo
- Publication number
- CN113747480B CN113747480B CN202010467646.6A CN202010467646A CN113747480B CN 113747480 B CN113747480 B CN 113747480B CN 202010467646 A CN202010467646 A CN 202010467646A CN 113747480 B CN113747480 B CN 113747480B
- Authority
- CN
- China
- Prior art keywords
- fault
- description text
- slice
- network
- condition
- 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
- 238000003672 processing method Methods 0.000 title abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 97
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 15
- 238000013459 approach Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 108091026890 Coding region Proteins 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- OOXMVRVXLWBJKF-DUXPYHPUSA-N n-[3-[(e)-2-(5-nitrofuran-2-yl)ethenyl]-1,2,4-oxadiazol-5-yl]acetamide Chemical compound O1C(NC(=O)C)=NC(\C=C\C=2OC(=CC=2)[N+]([O-])=O)=N1 OOXMVRVXLWBJKF-DUXPYHPUSA-N 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
- G06F16/353—Clustering; Classification into predefined classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Debugging And Monitoring (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种5G切片故障的处理方法、装置及计算设备,该方法包括:采集5G切片网络的故障描述文本,从所述故障描述文本中提取出故障用户侧现象描述文本和故障网络侧现象描述文本;将所述故障用户侧现象描述文本和故障网络侧现象描述文本作为多条件输入至训练好的多条件故障建议模型中,输出得到故障处理建议信息;其中,所述多条件故障建议模型为条件生成对抗网络模型;根据所述故障处理建议信息对5G切片故障进行处理。通过上述方式,利用条件生成对抗网络模型可以预测得到5G切片网络故障的故障处理建议信息,以便及时、准确的针对故障进行处理。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种5G切片故障的处理方法、装置及计算设备。
背景技术
网络切片(Network Slice)是端到端的逻辑功能和其所需的物理或虚拟资源集合,包括接入网、传输网、核心网等,网络切片可认为是5G网络中的虚拟化“专网”;网络切片基于NFV的统一基础设施构建,实现低成本高效运营。网络切片技术可以实现通信网络的逻辑隔离,允许在每个网络切片中配置和重用网络元件及功能以满足特定的行业应用需求。
切片网络结构复杂、节点类型多样、关系错综复杂,涉及无线网子域、传输网子域、核心网子域,相比传统网络,切片故障将可能涉及三个专业,对运维人员的技能要求非常高,需要各专业人员跨专业协同进行故障处理。目前切片故障处理主要依赖于人工经验判断或案例库搜索的方式,但人工经验判断的方式效率较低、容易出错,而案例库搜索的方式只能对已出现过的故障案例提供处理建议,对于未出现过的案例则无法提供处理建议,因此两种传统方式均无法满足5G网络切片运维需求。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的5G切片故障的处理方法、装置及计算设备。
根据本发明实施例的一个方面,提供了一种5G切片故障的处理方法,包括:
采集5G切片网络的故障描述文本,从所述故障描述文本中提取出故障用户侧现象描述文本和故障网络侧现象描述文本;
将所述故障用户侧现象描述文本和故障网络侧现象描述文本作为多条件输入至训练好的多条件故障建议模型中,输出得到故障处理建议信息;其中,所述多条件故障建议模型为条件生成对抗网络模型;
根据所述故障处理建议信息对5G切片故障进行处理。
根据本发明实施例的另一方面,提供了一种5G切片故障的处理装置,包括:
采集模块,适于采集5G切片网络的故障描述文本;
提取模块,适于从所述故障描述文本中提取出故障用户侧现象描述文本和故障网络侧现象描述文本;
预测模块,适于将所述故障用户侧现象描述文本和故障网络侧现象描述文本作为多条件输入至训练好的多条件故障建议模型中,输出得到故障处理建议信息;其中,所述多条件故障建议模型为条件生成对抗网络模型;
处理模块,适于根据所述故障处理建议信息对5G切片故障进行处理。
根据本发明实施例的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述5G切片故障的处理方法对应的操作。
根据本发明实施例的再一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述5G切片故障的处理对应的操作。
根据本发明实施例的5G切片故障的处理方法、装置及计算设备,在原有条件生成对抗网络模型单一条件输入基础上改进为多条件输入,利用其可按需求生成序列的特点来学习故障用户侧现象描述文本和故障网络侧现象描述文本,并作为多条件来生成对应该切片故障现象的处理建议,给予一线运维人员故障指导,以便及时、准确的针对故障进行处理。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明实施例的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的5G切片故障的处理方法的流程图;
图2示出了本发明另一个实施例提供的5G切片故障的处理方法的流程图;
图3示出了本发明一个具体实施例中的条件生成对抗网络模型的构成示意图;
图4示出了一个具体示例中生成器的构成示意图;
图5示出了本发明实施例提供的5G切片故障的处理装置的结构示意图;
图6示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的5G切片故障的处理方法的流程图。该方法可由任意具有数据处理能力的计算设备来执行。如图1所示,该方法包括以下步骤:
步骤S110:采集5G切片网络的故障描述文本,从该故障描述文本中提取出故障用户侧现象描述文本和故障网络侧现象描述文本。
其中,故障描述文本是指描述故障情况的文本,针对每一次故障,在采集得到故障描述问题后,从中提取出故障用户侧现象描述文本和故障网络侧现象描述文本。
步骤S120:将该故障用户侧现象描述文本和故障网络侧现象描述文本作为多条件输入至训练好的多条件故障建议模型中,输出得到故障处理建议信息;其中,该多条件故障建议模型为条件生成对抗网络模型。
在本发明中,在原有条件生成对抗网络(conditional GAN)模型单一条件输入基础上改进为多条件输入,并训练得到多条件故障建议模型,将故障用户侧现象描述文本和故障网络侧现象描述文本作为模型的多条件输入,以生成该故障的处理建议,及时给予一线运维人员故障指导。例如,处理建议为:将故障网元业务流切换至符合分担的网元节点。
其中,主要利用条件生成对抗网络可按需求生成序列的特点来学习描述文本(故障用户侧现象描述文本和故障网络侧现象描述问题)和真实故障处理建议之间的关系,来训练得到多条件故障建议模型。
步骤S130:根据该故障处理建议信息对5G切片故障进行处理。
根据本实施例提供的5G切片故障的处理方法,在原有条件生成对抗网络模型单一条件输入基础上改进为多条件输入,利用其可按需求生成序列的特点来学习故障用户侧现象描述文本和故障网络侧现象描述文本,并作为多条件来生成对应该切片故障现象的处理建议,给予一线运维人员故障指导,以便及时、准确的针对故障进行处理。
图2示出了本发明另一个实施例提供的5G切片故障的处理方法的流程图。如图2所示,该方法包括以下步骤:
步骤S210:训练多条件故障建议模型。
其中,多条件故障建议模型为条件生成对抗网络模型,条件生成对抗网络(Conditional GAN),即在GAN的基础上加入了一个条件y,在生成器和判别器中加入条件参与训练,这样训练出来的模型可以根据设置的条件生成所需的数据。
具体地,采集5G切片网络的多组历史故障描述文本,其中,一组历史故障描述文本是指一次故障对应的故障描述问题;针对任一组历史故障描述文本,从该历史故障描述文本中提取出故障用户侧现象描述文本样本和故障网络侧现象描述文本样本,其中,故障用户侧现象描述文本即在切片故障发生时,切片用户侧感知到的现象的描述文本,例如,切片用户A在使用切片实例1时,流量速率比正常减低50%,视频卡顿次数增加30%,以及,故障网络侧现象描述文本即在切片故障发生时,网络侧观察到的现象的描述文本,例如某切片节点请求时延比正常增加40%,请求成功率比正常降低50%,另外,在一些同时利用故障根因描述文本作为条件之一进行预测的实施例中,还需从历史故障描述文本中提取出故障根因描述文本样本,并在后续输入模型中进行学习;将该故障用户侧现象描述文本样本和故障网络侧现象描述文本样本,以及与该历史故障描述文本对应的真实故障处理建议信息样本,作为一组训练数据输入至初始化的条件生成对抗网络模型中,其中,真实故障处理建议信息即实际处理该一组历史故障描述文本对应的故障时,所采取的处理建议对应的信息,以及,该真实故障处理建议信息可包含多个顺序处理步骤的信息,例如,步骤一将故障网元业务切换至符合分担的网元节点,步骤二检查故障网元对应的NFVI(网络功能虚拟化基础设施解决方案)硬件层,步骤三重启故障网元。利用多组训练数据对该条件生成对抗网络模型进行训练,在该条件生成对抗网络模型收敛后导出模型权重,得到多条件故障建议模型。
在一些可选的实施例中,在利用多组训练数据对该条件生成对抗网络模型进行训练时,需要对数据进行文本清洗并将文本序列化。统一字母大小写,将大写字母转换成小写字母,将文本中的每个单词转换为整数序列,例如:[“qci”:40,“imsi”:105,“info”:8,“update”:278,“on”:89,“agent”:164,“modify”:59,“the”:21,“type”:303,“storage”:231,...]。同时取切片故障用户侧现象描述文本集中最长的长度K作为其编码序列长度、并将每一条文本长度填充为K,取切片故障网络侧现象描述文本集中最长的长度L作为其编码序列长度、并将每一条文本长度填充为L,取切片故障处理建议文本集中最长的长度M作为其编码序列长度、并将每一条文本长度填充为M。
进一步的,该条件生成对抗网络模型包括生成器(generator,简称G)和判别器(discriminator,简称D),该两者为竞争对抗关系,换言之,在生成的过程中加入一个可以鉴别真实数据和生成数据的判别器,使生成器G和判别器D相互对抗,判别器D的作用是分辨真实数据和生成数据,生成器G的作用是通过不断学习而生成使判别器混淆的数据。随着时间的推移,生成器G和判别器D在不断地进行对抗,当判别器D无法再分辨出真假数据,则认为此时的生成器G已经达到了一个很优的效果。生成器G和判别器D都增加额外信息y为条件,y可以是任意信息,例如类别信息或者其他模态的数据。通过将额外信息y输送给判别模型和生成模型,作为输入层的一部分,从而实现条件GAN。
图3示出了本发明一个具体实施例中的条件生成对抗网络模型的构成示意图。如图3所示,使用编码器-解码器(encoder-decoder)架构搭建一个切片故障处理建议的生成器G,负责生成指定切片故障现象描述的切片故障处理建议(按处理时间顺序分为多个步骤),同时搭建一个由卷积神经网络组成的判别器D,负责判断生成的结果与正确的切片故障处理建议存在多大的差距,并将判别器D输出的分数回报给生成器G以进行调整,使其产生与切片故障描述文本所对应的正确的故障处理建议。下面以一个具体的示例来说明生成器和判别器的构成及原理:
其一,生成器的构成及原理。
图4示出了一个具体示例中生成器的构成示意图。如图4所示,生成器由编码器(encoder)和解码器(decoder)组成:神经元选取长短期记忆(LSTM,long short-termmemory)神经元,LSTM通过控制缓存中的值保存的时间,可以记住长期的信息,适合进行长序列的学习。
生成器包含1个词嵌入层、12个隐藏层以及1个全连接层。其中12个隐藏层中前6层属于编码器,后6层属于解码器。编码器中包含两个分支,分别输入经编码后的故障用户侧现象描述文本和故障网络侧现象描述文本,每个分支的模型参数设置相同。
其中,词嵌入层(embedding):输入数据维度设置为切片故障用户侧现象描述文本集或网络侧现象描述文本集的文本词典大小,输出设置为需要将单词转换为向量空间的大小128维度。该层的作用是对输入文本中的每个单词进行向量映射(word embeddings),即将文本中的每个单词的整数序列转换为固定形状128维度的向量;
其中,12个隐藏层均设置64个LSTM神经元,每一层的激活函数均设置为“relu”;
其中,全连接Dense层:即输出层,包含Dense全连接神经元个数设置为与输出序列维度大小相同,激活函数设置为“softmax”,将softmax输出结果,送入多类交叉熵损失函数,使得输出形状转换成最终输出的维度。
其二,判别器的构成及原理。
将输出的切片故障处理建议文本序列与输入的切片故障用户侧现象描述和网络侧现象描述文本序列相连接输入至判别器,因此输入序列的长度为K+L+M。判别器是由卷积神经网络组成的分类器:
第一层词嵌入层(embedding):输入设置为总数据文本词典的大小,输出设置为需要将单词转换为向量空间的大小128维度。将切片故障处理建议文本序列与切片故障用户侧现象描述和网络侧现象描述文本整数序列转换为固定形状128维度的向量;
第二层为卷积层(Conv1D):卷积核个数为48(即输出的维度),卷积核的空域窗长度设置为2(即卷积核每次连续读取2个词),激活函数设置为“relu”。利用卷积层进行文本特征提取;
第三层为最大值池化层(MaxPooling1D):池化窗口大小设置为2,最大值池化层将卷积核抽取出的特征值中的最大值保留,其他特征值全部丢弃;
第四层为平整层(flatten):该层用来将输入“压平”,将三维的输入转化成二维,常用在从卷积层到全连接层的过渡。
第五层为全连接层:包含16个神经元,激活函数设置为“relu”;
第六层输出层(Dense全连接层):含1个Dense神经元,激活函数设置为“sigmoid”,输出值为1或0。将sigmoid输出结果,送入二值交叉熵损失函数。
目标函数如下:
其中,θ为模型参数,ui为第i个切片故障网络侧现象描述文本,ci为第i个切片故障网络侧现象描述文本,xi为对应第i个切片故障现象的切片故障处理建议信息,D(ui,ci,xi)为判别器的输出值,当D(ui,ci,xi)为正值时,则更新模型参数以增加logPθ(xi|ci),当D(ui,ci,xi)为负值时,则更新模型参数以减小logPθ(xi|ci)。
对于上述包含判别器和生成器的条件生成对抗网络模型,在进行训练时,首先初始化生成器和判别器的模型参数,每个训练循环中,先固定生成器参数,训练判别器,然后固定判别器参数,训练生成器,直至判别器无法分辨对应条件的切片故障处理建议是真实的还是生成器生成的。其中,在利用多组训练数据对该条件生成对抗网络模型进行训练的过程中,每一个训练循环的过程如下:
步骤一,固定所述条件生成对抗网络模型中生成器的参数,将多组故障用户侧现象描述文本样本和故障网络侧现象描述文本样本输入至所述生成器中,生成对应的多个预测故障处理建议信息样本。
将故障用户侧现象描述文本样本U和故障网络侧现象描述文本样本C输入至生成器G中,以生成得到预测故障处理建议信息样本X。
步骤二,针对任一组故障用户侧现象描述文本样本和故障网络侧现象描述文本样本,将其与对应的真实故障处理建议信息样本作为正样本,以及将其与对应的预测故障处理建议信息样本作为负样本,得到多个正样本和多个负样本。
换言之,判别器D的训练样本分为正负样本,其中,正样本为对应真实故障处理建议信息的样本,负样本为对应预测故障处理建议信息的样本。以及,每组故障用户侧现象描述文本样本和故障网络侧现象描述文本样本均可构建得到一个正样本和一个负样本,则多组可得到多个正样本和多个负样本。
步骤三,将所述多个正样本和多个负样本输入至判别器中,判别器通过学习来更新判别器的参数以判别真实故障处理建议信息样本和预测故障处理建议信息样本。
判别器学习给予故障用户侧现象描述文本样本U、故障网络侧现象描述文本样本C和对应的真实故障处理建议信息样本X’对以较高的分数,故障用户侧现象描述文本样本U、故障网络侧现象描述文本样本C和对应的预测故障处理建议信息样本X对以较低的分数,从而更新判别器的参数。
步骤四,固定所述条件生成对抗网络模型中判别器的参数,生成器依据判别器返回的分数,并通过学习更新生成器的参数以使生成的预测故障处理建议信息样本趋近于真实故障处理建议信息样本。
生成器学习的目标是使生成的切片故障处理建议与真实的切片故障处理建议越接近越好,从而最大化判别器输出的分数(真为1,假为0),分数可视作强化学习中的回报(如图3中的回报D(u,c,x)),从而更新生成器的参数。
在上述步骤S210中,对模型的训练过程进行了详细的说明,在下文的步骤S220至步骤S240对应的故障处理部分中,凡是涉及与训练过程中同样的处理的部分,以及相同的术语的含义,可参见训练过程中的说明,后续不再赘述,例如,描述文本序列化的处理,故障用户侧现象描述文本样本与故障用户侧现象描述文本。
步骤S220:采集5G切片网络的故障描述文本,从该故障描述文本中提取出故障用户侧现象描述文本和故障网络侧现象描述文本。
实际中,可从切片管理架构的网络切片管理功能模块中采集5G切片网络的故障描述文本。切片管理架构主要由CSMF、NSMF、NSSMF组成,具体如下:
其中,CSMF(Communication Service Management Function,通信业务管理功能),完成用户业务通信服务的需求订购和处理,负责将运营商/第三方客户的通信服务需求转化为对网络切片的需求,并通过和NSMF之间的接口向NSMF发送对网络切片的需求(如创建、终结、修改网络切片实例请求等),从NSMF获取网络切片的管理数据(如性能、故障数据等)。
其中,NSMF(Network Slice Management Function,网络切片管理功能),负责接收CSMF(Communication Service Management Function,通信业务管理功能)发送的网络切片需求,对网络切片实例的生命周期、性能、故障等进行管理,编排网络切片实例的组成,分解网络切片实例的需求为各网络切片子网实例或网络功能的需求,向各NSSMF发送网络切片子网实例管理请求。
其中,NSSMF(Network Slice Subnet Management Function,网络切片子网管理功能),接收从NSMF下发的网络切片子网部署需求,对网络切片子网实例进行管理,编排网络切片子网实例的组成,将网络切片子网的SLA需求映射为网络服务的QoS需求,向ETSINFV域的NFVO***下发网络服务的部署请求。
步骤S230:将该故障现象描述文本和故障根因描述文本作为多条件输入至训练好的多条件故障建议模型中,输出得到故障处理建议信息;其中,该多条件故障建议模型为条件生成对抗网络模型。
具体地,故障处理建议信息包括多个处理步骤的建议信息,其中,在建议信息中,该多个处理步骤顺序排列。
另外,在本发明的一些可选的实施例中,还将故障根因描述文本作为一个条件,相应的,在所述采集5G切片网络的故障描述文本之后,从所述故障描述文本中提取出故障根因描述文本,并在预测时,将所述故障用户侧现象描述文本、故障网络侧现象描述文本以及故障根因描述文本作为多条件输入至训练好的多条件故障建议模型中,输出得到故障处理建议信息。
步骤S240:根据该故障处理建议信息对5G切片故障进行处理。
根据本实施例提供的5G切片故障的处理方法,在原有条件生成对抗网络(conditional GAN)模型单一条件输入基础上改进为多条件输入,利用其可按需求生成序列的特点来学习切片用户侧和网络侧的故障现象,并作为多条件来生成对应该切片故障现象的处理建议,及时给予一线运维人员故障指导。本提案设计的条件生成对抗网络模型由生成器和判别器组成,其中切片故障处理建议生成器G由编码器-解码器架构的LSTM神经网络组成,负责生成指定切片故障用户侧现象描述和网络侧现象描述的切片故障处理建议(按处理时间顺序分为多个步骤);其中判别器D由卷积神经网络组成,负责判断生成的结果与正确的切片故障处理建议存在的差距,并根据判别器输出的分数调整生成器G。通过判别器的输出调整生成器,使其能够产生与切片故障现象描述所对应的正确切片故障处理建议。从而大大提高切片故障处理效率、提升切片故障的解决能力。
图5示出了本发明实施例提供的5G切片故障的处理装置的结构示意图。
如图5所示,该装置包括:
采集模块510,适于采集5G切片网络的故障描述文本;
提取模块520,适于从所述故障描述文本中提取出故障用户侧现象描述文本和故障网络侧现象描述文本;
预测模块530,适于将所述故障用户侧现象描述文本和故障网络侧现象描述文本作为多条件输入至训练好的多条件故障建议模型中,输出得到故障处理建议信息;其中,所述多条件故障建议模型为条件生成对抗网络模型;
处理模块540,适于根据所述故障处理建议信息对5G切片故障进行处理。
在一种可选的方式中,所述提取模块进一步适于:
从所述故障描述文本中提取出故障根因描述文本;
所述预测模块进一步适于:将所述故障用户侧现象描述文本、故障网络侧现象描述文本以及故障根因描述文本作为多条件输入至训练好的多条件故障建议模型中,输出得到故障处理建议信息。
在一种可选的方式中,所述故障处理建议信息包括多个处理步骤的建议信息。
在一种可选的方式中,所述装置还包括:训练模块,适于:
采集5G切片网络的多组历史故障描述文本;
针对任一组历史故障描述文本,从所述历史故障描述文本中提取出故障用户侧现象描述文本样本和故障网络侧现象描述文本样本;将所述故障用户侧现象描述文本样本和故障网络侧现象描述文本样本,以及与所述历史故障描述文本对应的真实故障处理建议信息样本,作为一组训练数据输入至初始化的条件生成对抗网络模型中;
利用多组训练数据对所述条件生成对抗网络模型进行训练,在所述条件生成对抗网络模型收敛后导出模型权重,得到多条件故障建议模型。
在一种可选的方式中,所述条件生成对抗网络模型包括生成器和判别器;所述训练模块进一步适于:
固定所述条件生成对抗网络模型中生成器的参数,将多组故障用户侧现象描述文本样本和故障网络侧现象描述文本样本输入至所述生成器中,生成对应的多个预测故障处理建议信息样本;
针对任一组故障用户侧现象描述文本样本和故障网络侧现象描述文本样本,将其与对应的真实故障处理建议信息样本作为正样本,以及将其与对应的预测故障处理建议信息样本作为负样本,得到多个正样本和多个负样本;
将所述多个正样本和多个负样本输入至判别器中,判别器通过学习来更新判别器的参数以判别真实故障处理建议信息样本和预测故障处理建议信息样本;
固定所述条件生成对抗网络模型中判别器的参数,生成器依据判别器返回的分数,并通过学习更新生成器的参数以使生成的预测故障处理建议信息样本趋近于真实故障处理建议信息样本。
在一种可选的方式中,所述采集模块进一步适于:
从切片管理架构的网络切片管理功能模块中采集5G切片网络的故障描述文本。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的5G切片故障的处理方法。
图6示出了本发明实施例提供的计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图6所示,该计算设备可以包括:处理器(processor)602、通信接口(Communications Interface)604、存储器(memory)606、以及通信总线608。
其中:处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。通信接口604,用于与其它设备比如客户端或其它服务器等的网元通信。处理器602,用于执行程序610,具体可以执行上述用于计算设备的5G切片故障的处理方法实施例中的相关步骤。
具体地,程序610可以包括程序代码,该程序代码包括计算机操作指令。
处理器602可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器606,用于存放程序610。存储器606可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序610具体可以用于使得处理器602执行以下操作:
采集5G切片网络的故障描述文本,从所述故障描述文本中提取出故障用户侧现象描述文本和故障网络侧现象描述文本;
将所述故障用户侧现象描述文本和故障网络侧现象描述文本作为多条件输入至训练好的多条件故障建议模型中,输出得到故障处理建议信息;其中,所述多条件故障建议模型为条件生成对抗网络模型;
根据所述故障处理建议信息对5G切片故障进行处理。
在一种可选的方式中,所述程序610进一步使所述处理器602执行以下操作:
从所述故障描述文本中提取出故障根因描述文本;
将所述故障用户侧现象描述文本、故障网络侧现象描述文本以及故障根因描述文本作为多条件输入至训练好的多条件故障建议模型中,输出得到故障处理建议信息。
在一种可选的方式中,所述故障处理建议信息包括多个处理步骤的建议信息。
在一种可选的方式中,所述程序610进一步使所述处理器602执行以下操作:
采集5G切片网络的多组历史故障描述文本;
针对任一组历史故障描述文本,从所述历史故障描述文本中提取出故障用户侧现象描述文本样本和故障网络侧现象描述文本样本;将所述故障用户侧现象描述文本样本和故障网络侧现象描述文本样本,以及与所述历史故障描述文本对应的真实故障处理建议信息样本,作为一组训练数据输入至初始化的条件生成对抗网络模型中;
利用多组训练数据对所述条件生成对抗网络模型进行训练,在所述条件生成对抗网络模型收敛后导出模型权重,得到多条件故障建议模型。
在一种可选的方式中,所述条件生成对抗网络模型包括生成器和判别器;所述程序610进一步使所述处理器602执行以下操作:
固定所述条件生成对抗网络模型中生成器的参数,将多组故障用户侧现象描述文本样本和故障网络侧现象描述文本样本输入至所述生成器中,生成对应的多个预测故障处理建议信息样本;
针对任一组故障用户侧现象描述文本样本和故障网络侧现象描述文本样本,将其与对应的真实故障处理建议信息样本作为正样本,以及将其与对应的预测故障处理建议信息样本作为负样本,得到多个正样本和多个负样本;
将所述多个正样本和多个负样本输入至判别器中,判别器通过学习来更新判别器的参数以判别真实故障处理建议信息样本和预测故障处理建议信息样本;
固定所述条件生成对抗网络模型中判别器的参数,生成器依据判别器返回的分数,并通过学习更新生成器的参数以使生成的预测故障处理建议信息样本趋近于真实故障处理建议信息样本。
在一种可选的方式中,所述程序610进一步使所述处理器602执行以下操作:
从切片管理架构的网络切片管理功能模块中采集5G切片网络的故障描述文本。
在此提供的算法或显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明实施例的内容,并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明实施例并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (8)
1.一种5G切片故障的处理方法,包括:
采集5G切片网络的故障描述文本,从所述故障描述文本中提取出故障用户侧现象描述文本、故障网络侧现象描述文本以及故障根因描述文本;其中,所述故障用户侧现象描述文本为在切片故障发生时,切片用户侧感知到的现象的描述文本;所述故障网络侧现象描述文本为在切片故障发生时,网络侧观察到的现象的描述文本;
将所述故障用户侧现象描述文本、故障网络侧现象描述文本以及故障根因描述文本作为多条件输入至训练好的多条件故障建议模型中,输出得到故障处理建议信息;其中,所述多条件故障建议模型为条件生成对抗网络模型,在原有条件生成对抗网络模型单一条件输入基础上改进为多条件输入训练得到;所述条件生成对抗网络模型包括生成器以及判别器,所述生成器用于生成指定切片故障现象描述的切片故障处理建议,所述判别器用于判断生成的结果与正确的切片故障处理建议存在的差距,并将输出的分数回报给所述生成器以进行调整,使其产生与切片故障描述文本所对应的正确的故障处理建议;
根据所述故障处理建议信息对5G切片故障进行处理。
2.根据权利要求1所述的方法,其中,所述故障处理建议信息包括多个处理步骤的建议信息。
3.根据权利要求1-2任一项所述的方法,其中,所述多条件故障建议模型通过以下步骤训练得到:
采集5G切片网络的多组历史故障描述文本;
针对任一组历史故障描述文本,从所述历史故障描述文本中提取出故障用户侧现象描述文本样本和故障网络侧现象描述文本样本;将所述故障用户侧现象描述文本样本和故障网络侧现象描述文本样本,以及与所述历史故障描述文本对应的真实故障处理建议信息样本,作为一组训练数据输入至初始化的条件生成对抗网络模型中;
利用多组训练数据对所述条件生成对抗网络模型进行训练,在所述条件生成对抗网络模型收敛后导出模型权重,得到多条件故障建议模型。
4.根据权利要求3所述的方法,其中,所述利用多组训练数据对所述条件生成对抗网络模型进行训练进一步包括:
固定所述条件生成对抗网络模型中生成器的参数,将多组故障用户侧现象描述文本样本和故障网络侧现象描述文本样本输入至所述生成器中,生成对应的多个预测故障处理建议信息样本;
针对任一组故障用户侧现象描述文本样本和故障网络侧现象描述文本样本,将其与对应的真实故障处理建议信息样本作为正样本,以及将其与对应的预测故障处理建议信息样本作为负样本,得到多个正样本和多个负样本;
将所述多个正样本和多个负样本输入至判别器中,判别器通过学习来更新判别器的参数以判别真实故障处理建议信息样本和预测故障处理建议信息样本;
固定所述条件生成对抗网络模型中判别器的参数,生成器依据判别器返回的分数,并通过学习更新生成器的参数以使生成的预测故障处理建议信息样本趋近于真实故障处理建议信息样本。
5.根据权利要求1所述的方法,其中,所述采集5G切片网络的故障描述文本进一步包括:
从切片管理架构的网络切片管理功能模块中采集5G切片网络的故障描述文本。
6.一种5G切片故障的处理装置,包括:
采集模块,适于采集5G切片网络的故障描述文本;
提取模块,适于从所述故障描述文本中提取出故障用户侧现象描述文本、故障网络侧现象描述文本以及故障根因描述文本;其中,所述故障用户侧现象描述文本为在切片故障发生时,切片用户侧感知到的现象的描述文本;所述故障网络侧现象描述文本为在切片故障发生时,网络侧观察到的现象的描述文本;
预测模块,适于将所述故障用户侧现象描述文本、故障网络侧现象描述文本以及故障根因描述文本作为多条件输入至训练好的多条件故障建议模型中,输出得到故障处理建议信息;其中,所述多条件故障建议模型为条件生成对抗网络模型,在原有条件生成对抗网络模型单一条件输入基础上改进为多条件输入训练得到;所述条件生成对抗网络模型包括生成器以及判别器,所述生成器用于生成指定切片故障现象描述的切片故障处理建议,所述判别器用于判断生成的结果与正确的切片故障处理建议存在的差距,并将输出的分数回报给所述生成器以进行调整,使其产生与切片故障描述文本所对应的正确的故障处理建议;
处理模块,适于根据所述故障处理建议信息对5G切片故障进行处理。
7.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-5中任一项所述的5G切片故障的处理方法对应的操作。
8.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-5中任一项所述的5G切片故障的处理方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010467646.6A CN113747480B (zh) | 2020-05-28 | 2020-05-28 | 5g切片故障的处理方法、装置及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010467646.6A CN113747480B (zh) | 2020-05-28 | 2020-05-28 | 5g切片故障的处理方法、装置及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113747480A CN113747480A (zh) | 2021-12-03 |
CN113747480B true CN113747480B (zh) | 2024-05-07 |
Family
ID=78724072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010467646.6A Active CN113747480B (zh) | 2020-05-28 | 2020-05-28 | 5g切片故障的处理方法、装置及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113747480B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114661504A (zh) * | 2022-02-23 | 2022-06-24 | 清华大学 | 一种对重复出现类型故障的可操作可解释的根因定位方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101299863A (zh) * | 2008-06-11 | 2008-11-05 | ***通信集团湖北有限公司 | 投诉方法、投诉处理方法、终端、投诉处理服务器及*** |
JP2009223362A (ja) * | 2008-03-13 | 2009-10-01 | Fuji Xerox Co Ltd | 故障診断装置およびプログラム |
CN108074370A (zh) * | 2016-11-11 | 2018-05-25 | 国网湖北省电力公司咸宁供电公司 | 一种基于机器视觉的电力输电线路防外力破坏的预警***与方法 |
CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
CN108990087A (zh) * | 2017-06-05 | 2018-12-11 | 中兴通讯股份有限公司 | 无线小区异常覆盖定位方法和装置 |
CN109412882A (zh) * | 2017-08-18 | 2019-03-01 | 中兴通讯股份有限公司 | 特征提取方法、装置、服务器及计算机可读存储介质 |
CN109495897A (zh) * | 2017-09-12 | 2019-03-19 | ***通信集团公司 | Lte网络问题区域化聚合方法及装置 |
CN109787846A (zh) * | 2019-03-27 | 2019-05-21 | 湖北大学 | 一种5g网络服务质量异常监测和预测方法及*** |
CN110113747A (zh) * | 2017-06-08 | 2019-08-09 | 上海掌门科技有限公司 | 一种用于连接隐藏无线接入点的方法与设备 |
CN110493806A (zh) * | 2018-05-15 | 2019-11-22 | ***通信集团浙江有限公司 | 移动网络投诉溯源方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9917749B2 (en) * | 2015-05-26 | 2018-03-13 | Verizon Patent And Licensing Inc. | Cloud-based wireless network analysis |
US11018958B2 (en) * | 2017-03-14 | 2021-05-25 | Tupl Inc | Communication network quality of experience extrapolation and diagnosis |
-
2020
- 2020-05-28 CN CN202010467646.6A patent/CN113747480B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009223362A (ja) * | 2008-03-13 | 2009-10-01 | Fuji Xerox Co Ltd | 故障診断装置およびプログラム |
CN101299863A (zh) * | 2008-06-11 | 2008-11-05 | ***通信集团湖北有限公司 | 投诉方法、投诉处理方法、终端、投诉处理服务器及*** |
CN108074370A (zh) * | 2016-11-11 | 2018-05-25 | 国网湖北省电力公司咸宁供电公司 | 一种基于机器视觉的电力输电线路防外力破坏的预警***与方法 |
CN108990087A (zh) * | 2017-06-05 | 2018-12-11 | 中兴通讯股份有限公司 | 无线小区异常覆盖定位方法和装置 |
CN110113747A (zh) * | 2017-06-08 | 2019-08-09 | 上海掌门科技有限公司 | 一种用于连接隐藏无线接入点的方法与设备 |
CN109412882A (zh) * | 2017-08-18 | 2019-03-01 | 中兴通讯股份有限公司 | 特征提取方法、装置、服务器及计算机可读存储介质 |
CN109495897A (zh) * | 2017-09-12 | 2019-03-19 | ***通信集团公司 | Lte网络问题区域化聚合方法及装置 |
CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
CN110493806A (zh) * | 2018-05-15 | 2019-11-22 | ***通信集团浙江有限公司 | 移动网络投诉溯源方法及装置 |
CN109787846A (zh) * | 2019-03-27 | 2019-05-21 | 湖北大学 | 一种5g网络服务质量异常监测和预测方法及*** |
Non-Patent Citations (5)
Title |
---|
IP RAN保护方案的研究与设计;刘晶;;光通信研究;20131121(06);全文 * |
Qualcomm Europe.R1-061065 "E-UTRA MBMS Text Proposal".3GPP tsg_ran\WG1_RL1.2006,(TSGR1_44bis),全文. * |
VoLTE网络分组域设备容灾技术研究;鲍伟华;谢志刚;;电视技术;20160217(02);全文 * |
基于客户感知的TD-SCDMA网络优化创新;赵良毕;于志文;;移动通信;20100308(05);全文 * |
移动基站研发中的大数据运用;赵松峄;姚劲松;柏青;刘继民;吕平宝;;移动通信;20171130(22);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113747480A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875807B (zh) | 一种基于多注意力多尺度的图像描述方法 | |
CN110427461B (zh) | 智能问答信息处理方法、电子设备及计算机可读存储介质 | |
CN110197195B (zh) | 一种新型面向行为识别的深层网络***及方法 | |
CN109948149A (zh) | 一种文本分类方法及装置 | |
US11423307B2 (en) | Taxonomy construction via graph-based cross-domain knowledge transfer | |
CN113157919B (zh) | 语句文本方面级情感分类方法及*** | |
CN115455171B (zh) | 文本视频的互检索以及模型训练方法、装置、设备及介质 | |
CN111653275A (zh) | 基于lstm-ctc尾部卷积的语音识别模型的构建方法及装置、语音识别方法 | |
CN112398674A (zh) | 虚拟网络功能描述vnfd配置模板的生成方法及装置 | |
CN113747480B (zh) | 5g切片故障的处理方法、装置及计算设备 | |
CN117634459A (zh) | 目标内容生成及模型训练方法、装置、***、设备及介质 | |
CN111738226B (zh) | 一种基于cnn和rcnn模型的文本识别方法及装置 | |
CN111445545B (zh) | 一种文本转贴图方法、装置、存储介质及电子设备 | |
CN107704580A (zh) | 基于用户时期的问答推送方法、装置、服务器及存储介质 | |
CN111581386A (zh) | 多输出文本分类模型的构建方法、装置、设备及介质 | |
CN115905865A (zh) | 文本合并判断模型的训练方法和文本合并判断方法 | |
CN113822453B (zh) | 5g切片的多用户投诉共性确定方法及装置 | |
CN115705464A (zh) | 一种信息的处理方法、装置及设备 | |
CN113806498B (zh) | 网络切片实例运行状况的在线问答方法及装置 | |
CN113312445A (zh) | 数据处理方法、模型构建方法、分类方法及计算设备 | |
CN110866195B (zh) | 文本描述的生成方法、装置、电子设备及存储介质 | |
CN113762978B (zh) | 5g切片用户的投诉定界方法、装置及计算设备 | |
CN113825148A (zh) | 网络节点告警等级的确定方法、装置及计算设备 | |
CN109919203A (zh) | 一种基于离散动态机制的数据分类方法及装置 | |
CN112990425A (zh) | 5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质 |
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 |