TWI819874B - 網路管理方法及網路實體 - Google Patents
網路管理方法及網路實體 Download PDFInfo
- Publication number
- TWI819874B TWI819874B TW111141673A TW111141673A TWI819874B TW I819874 B TWI819874 B TW I819874B TW 111141673 A TW111141673 A TW 111141673A TW 111141673 A TW111141673 A TW 111141673A TW I819874 B TWI819874 B TW I819874B
- Authority
- TW
- Taiwan
- Prior art keywords
- network
- result
- slice
- slices
- detection result
- Prior art date
Links
- 238000007726 management method Methods 0.000 title claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 230000006870 function Effects 0.000 claims description 70
- 238000004891 communication Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims 1
- 238000010168 coupling process Methods 0.000 claims 1
- 238000005859 coupling reaction Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 description 20
- 230000002787 reinforcement Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 239000013256 coordination polymer Substances 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/76—Admission control; Resource allocation using dynamic resource allocation, e.g. in-call renegotiation requested by the user or requested by the network in response to changing network conditions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/14—Reselecting a network or an air interface
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本發明提供一種網路管理方法及網路實體。在方法中,取得偵測結果。依據偵測結果切換多個網路切片中的一者至另一者。偵測結果為偵測影像的結果。每一網路切片提供網路資源。網路資源用於取得影像。藉此,可動態調整網路設定參數,進而節能。
Description
本發明是有關於一種通訊技術,且特別是有關於一種網路管理方法及網路實體。
智慧型監控系統可針對不同情境提供多階段偵測,並適合用於諸如跌倒偵測、犯罪偵測、校園安全、工地安全、產線監控等應用。然而,監控系統通常是在固定網路頻寬的環境下運作。因此,網路電力會維持在特定功率,從而耗能。
有鑑於此,本發明實施例提供一種網路管理方法及網路實體,可依據偵測結果動態調整網路資源,從而節能省電。
本發明實施例的網路管理方法包括(但不僅限於)下列步驟:取得偵測結果。依據偵測結果切換多個網路切片(network slices)中的一者至另一者。偵測結果為偵測影像的結果。每一網路切片提供網路資源。網路資源用於取得影像。
本發明實施例的網路實體包括(但不僅限於)通訊收發器、記憶體及處理器。通訊收發器用以傳送或接收訊號。記憶體用以儲存程式碼。處理器耦接通訊收發器及記憶體。處理器用以載入程式碼以執行下列步驟:取得偵測結果,並依據偵測結果切換多個網路切片中的一者至另一者。偵測結果為偵測影像的結果。每一網路切片提供網路資源。網路資源用於取得影像。
基於上述,依據本發明實施例的網路管理方法及網路實體,可基於影像的偵測結果切換到另一個網路切片。藉此,可視需求動態調整網路資源,進而節省電能。
為讓本發明的上述特徵和優點能更明顯易懂,下文特舉實施例,並配合所附圖式作詳細說明如下。
圖1是依據本發明一實施例的系統1的示意圖。請參照圖1,系統1包括(但不僅限於)一台或更多台終端裝置10、一台或更多台基地台20及一台或更多台網路實體30。
終端裝置10可以是網路攝影機、監視器、智慧型手機、平板電腦、智能助理裝置、車載系統、路側裝置(Roadside Unit,RSU)。在一實施例中,終端裝置10包括影像擷取裝置(圖未示,且例如是攝影機或相機),並用以擷取影像。在一實施例中,終端裝置10包括通訊收發器(圖未示,且支援例如***(4G)、第五代(5G)、或其他世代行動網路),並用以傳送影像或其他訊號。
基地台20可以是家用演進型節點B(Home Evolved Node B,HeNB)、eNB、次世代節點B(gNB)、基地收發器系統(Base Transceiver System,BTS)、中繼器(relay)、或轉發器(repeater)。在一實施例中,基地台20用以提供網路服務給終端裝置10。
網路實體30可能是核心網路(core network)實體、網路控制器、桌上型電腦、各類型伺服器、工作站、或後台主機。
網路實體30包括(但不僅限於)通訊收發器31、記憶體32及處理器33。
通訊收發器31可以是於一根或更多根天線、接收器、傳送器、類比至數位或數位至類比轉換器的無線收發器,也可以是基地台間或網路實體30之間的傳輸介面(例如,乙太網路或光纖網路)。在一實施例中,通訊收發器31用以傳送資料至其他裝置或接收來自其他裝置的資料。
記憶體32可以是任何型態的固定或可移動隨機存取記憶體(Random Access Memory,RAM)、唯讀記憶體(Read-Only Memory,ROM)、快閃記憶體(Flash Memory)或類似元件或上述元件的組合。在一實施例中,記憶體32儲存程式碼、裝置組態、碼本(Codebook)、緩衝的或永久的資料,並儲存特定通訊協定相關軟體模組。
處理器33耦接通訊收發器31及記憶體32。處理器33經組態以處理數位訊號且執行根據本發明的例示性實施例之程序,且可存取或載入記憶體32所儲存的資料及軟體模組。在一實施例中,處理器33的功能可藉由使用諸如中央處理單元(Central Processing Unit,CPU)、微處理器、微控制器、數位信號處理(Digital Signal Processing,DSP)晶片、場可程式化邏輯閘陣列(Field Programmable Gate Array,FPGA)等可程式化單元來實施。在一實施例中,處理器33的功能亦可用獨立電子裝置或積體電路(Integrated Circuit,IC)實施。在一實施例中,處理器33的操作亦可用軟體實現。
下文中,將搭配系統1中各裝置及/或元件說明本發明實施例所述的方法。本發明實施例方法的各個流程可依照實施情形而調整,且並不僅限於此。
圖2是依據本發明一實施例的網路管理方法的流程圖。請參照圖2,網路實體30的處理器33取得偵測結果(步驟S210)。具體而言,偵測結果為偵測影像的結果。在一實施例中,影像是源自於終端裝置10。例如,終端裝置10的影像擷取裝置對指定環境(例如,工廠、醫院或賣場)定時或不定時錄影或拍攝,以取得影像。基地台20可取得來自終端裝置10的影像,並經由網際網路、區域網路或私人網路傳送至網路實體30。
在一實施例中,處理器33可基於物件偵測技術取得偵測結果。物件偵測技術例如是基於神經網路的演算法(例如,YOLO(You only look once)、基於區域的卷積神經網路(Region Based Convolutional Neural Networks,R-CNN)、或快速R-CNN(Fast CNN))或是基於特徵匹配的演算法(例如,方向梯度直方圖(Histogram of Oriented Gradient,HOG)、尺度不變特徵轉換(Scale-Invariant Feature Transform,SIFT)、Harr、或加速穩健特徵(Speeded Up Robust Features,SURF)的特徵比對),但不以此為限。
依據不同需求,處理器33可偵測影像是否存在目標物(例如,人、武器或車),或者處理器33可偵測影像是否發生目標事件(例如,人拿取商品、人手持刀或汽車闖入禁停區域)。然而,目標物及目標事件的內容仍可依據實際需求而變更,且本發明實施例不加以限制。在其他實施例中,處理器33也可透過通訊收發器31直接取得由其他運算裝置所決定的偵測結果。
處理器33可依據偵測結果切換多個網路切片(network slicing)中的一者至另一者(步驟S220)。具體而言,5G的網路切片技術可以為不同的服務提供不同的網路資源。藉由網路切片的特性可對智慧型監控系統進行網路優化,進而適用於監控系統不同階段的網路需求,以達到節省電能、頻寬及/或延遲的效果。
系統1可形成一種智慧型監控系統。智慧型監控系統可提供多階段監控。例如,監控(Monitoring)、理解(Insight)及強制(Enforcement)三個階段。
每一網路切片提供一種網路資源/功能。在本發明實施例中,網路資源/功能可用於在無線電存取網路(Radio Access Network,RAN)中取得來自終端裝置10的影像。在一實施例中,處理器33可利用推論模型(例如,深度神經網路(Deep Neural Network,DNN)、多層感知器(Multi-Layer Perceptron,MLP)、支持向量機(Support Vector Machine,SVM)或其他機器學習模型)定義/設定每一網路切片對應的網路資源。網路資源例如是頻寬、延遲及/或優先權。機器學習演算法可分析訓練樣本以自中獲得規律,從而透過規律對未知資料預測。而推論模型即是經學習後所建構出的機器學習模型,並據以對待評估資料推論。
在一實施例中,處理器33可利用增強學習(Reinforcement Learning)優化/校正/修改推論模型。圖3是依據本發明一實施例的增強學習的示意圖。請參照圖3,網路切片S1、S2、S3分別對應於監控、理解及強制三個階段。增強學習302可透過MLP(Multilayer perceptron)或其他機器學習演算法來訓練推論模型IM,並分別對網路切片S1、S2、S3(即,三個階段)對應的網路資源進行優化學習,從而決定三個階段所對應的網路切片S1、S2、S3的功能建置的參數設定。
增強學習302可與動態(dynamic)環境重複地互動,以學習正確地執行一項任務。處理器33可定義環境EN。環境EN包括網路切片S1~S3及感測網路(例如,基地台20及終端裝置10所處的RAN)。感測網路可使用那些網路切片S1~S3所提供的網路資源。也就是,終端裝置10可在網路資源所限定的頻寬、延遲及/或優先權下存取感測網路。藉此,網路實體30可經由感測網路取得來自終端裝置10的影像。網路切片S1~S3所提供的網路功能F1~F4可用於實現網路資源的提供,並待後續實施例詳述。
增強學習302的運作主要是仰賴動態的環境EN中的資料(可能隨著外部條件變化而改變的資料,並例如是時段、天氣或交通流量)。增強學習演算法的目標,即是於找出能夠產生最佳結果的策略。增強學習302可藉著代理(agent)AG(透過軟體實現)在環境EN中進行探索、互動及/或學習,並據以決定轉換函數(function)(即,策略301)。策略301的輸入可包括環境EN的觀察(observation)結果OR。觀察結果OR是那些網路切片S1~S3的狀態(state)。例如,監控階段的網路切片S1的狀態是(1,0,0),理解階段的網路切片S2的狀態是(0,1,0),且強制階段的網路切片S3的狀態是(0,0,1)。
策略301的輸出是行動(action)AC。處理器33可將環境EN的觀察結果OR輸入至策略301,以決定那些網路切片S1~S3所提供的網路資源的新設定參數(即,行動AC)。新設定參數包括硬體資源及/或網路切片S1~S3所提供的網路資源。新設定參數例如是對調整網路功能(例如,使用者平面功能(User Plane Function,UPF))的處理器、記憶體及儲存空間的使用限制(即,硬體資源)。或者,新設定參數例如是路由路徑、頻寬、QoS優先權、轉送路徑或延遲(即,網路資源),並可適用於軟體定義網路(Software-Defined Networking,SDN)控制器設定網路交換器及/或路由器。
此外,處理器33還可依據環境EN的回饋(reward)RW用於決定策略301(也就是,找到轉換函數)。透過反覆地執行行動AC並取得對應觀察結果OR,可得到回饋RW。回饋RW是對於新設定參數的評價。若回饋RW不如預期(例如,小於回饋門檻值),則增強學習302會持續調整策略301。此外,網路功能虛擬化設施(Network Functions Virtualization Infrastructure,NFVI)與SDN控制器可依據策略301來決定行動AC(例如,對網路切片S1~S3的新設定參數),直到得到一個理想回饋RW(例如,大於回饋門檻值)為止。而最終的策略302將會是最佳的網路資源設定的轉換函數,且處理器33可利用這轉換函數取得網路切片S1~S3的新設定參數。
在一實施例中,回饋RW為使用那些網路切片S1~S3所提供的網路資源下對應的影像規格及/或用於影像的執行效率。影像規格例如是影像解析度或影格速率(Frame rate)。執行效率可以是不同階段的偵測速率。例如,監控階段的物件偵測速率、理解階段的上下文(context)/事件辨識速率、或強制階段的成功通報率。
在一實施例中,回饋RW的數學表示式為:
Reward=(ODRm/log(Rm*FPSm),CRRi/log(Ri*FPSi),SARe/log(Re*FPSe))…(1)
,其中Reward是回饋RW,Rm、Ri、Re分別是監控、理解及強制階段的影像解析度,FPSm、FPSi、FPSe分別是監控、理解及強制階段所需的影像解析度,ODRm是監控階段的物件偵測速率,CRRi是理解階段的上下文/事件辨識速率,且SARe是強制階段的成功通報率。取對數的倒數的原因之一是希望以最少的網路資源達到最大的執行效率。
而增強學習302的目標之一是找到讓回饋RW最多的策略301。以數學表示式而言,轉換函數定義為π且π(s)=a,其中s為狀態(即,觀察結果OR),且a為行動AC。增強學習302的目標之一即是最大化Q
π(s, a)。Q
π()是基於值(value-based)的最佳化函數。最大化Q
π(s, a)也就是決定所有策略301中可使得最大化函數得出最大值的一者。最佳化函數例如是貝爾曼(Bellman)函數,並透過疊代(iteration)方式取得。例如,Q-learning(Q-tabl)中的DQN(Deep Q-learning Network)將觀察結果OR輸入神經網路,並據以輸出每一行為AC對應的Q值。也就是,值函數逼近(value function approximation)。簡單而言,在處理器33執行增進學習302的過程中,可儲存一個表(table)並用以記錄特定狀態下執行所有動作AC以及所產生的值(例如,Q
π(s, a)的值)。處理器33可利用這表找出最佳的行為AC(可得出最多回饋RW)。在DQN中,則是將Q-Table的設計轉成使用一個神經網路來學習。透過神經網路的學習,搭配不同的層(layer),可從環境CN中,提取大量特徵來學習。此外,Dueling DQN、Rainbow DQN或其他演算法也可用於決定策略301。
關於增強學習302的應用,首先,可透過網路功能虛擬化設施與SDN控制器依據初始的策略301產生對應於每一網路切片S1~S3所提供的網路資源的初始設定參數(即,行動AC)。在經過一段時間的執行行為AC及取得觀察結果OR,可得到回饋RW(例如,前述方程式(1)的Reward)。處理器33可依據回饋RW的優劣(例如,與回饋門檻值比較)決定是否調整策略301,並據以更新行為AC。也就是,透過增強學習302找出一個最佳的轉換函數(即,策略301,例如前述π)。基於這策略301可決定三個狀態(state)(例如,網路切片S1~S3分別對應的監控、理解及強制三個階段)的網路資源的新設定參數,使系統1可以在最省的網路資源下達到預期的執行效率。
處理器33可下達指令,使網路功能虛擬化設施與SDN控制器可使用這些新設定參數產生並註冊對應於不同階段的網路切片S1~S3的網路功能F1~F4、及網路連接設定,並使系統1可在這些設定下運作。在一實施例中,處理器33可註冊新產生的網路切片S1~S3至核心網路,以讓核心網路的網路功能可認得這些網路切片S1~S3並據以進行網路切片S1~S3之間的切換。
圖4是依據本發明一實施例的核心網路40的網路切片的示意圖。請參照圖4,網路功能可以是對應於會話管理功能(Session Management Function,SMF)的網路功能F1、對應於網路儲存功能(Network Repository Function,NRF)的網路功能F2、對應於策略控制功能(Policy Control Function,RCF)的網路功能F3、對應於使用者平面功能(User Plane Function,UPF)的網路功能F4、網路顯露功能(Network Exposure Function,NEF)F5、NRF F6、網路切片特定授權及授權功能(Network Slice Specific Authentication and Authorization Function,NSSAAF)F7、網路切片選擇功能(Network Slice Selection Function,FSSF)F8及存取及移動管理功能(Access and Mobility Management Function,AMF)F9。網路實體30可透過應用程式介面(Application Programming Interface,API)41存取部分或全部網路功能。
網路切片S1~S3是依據服務需求而自核心網路40分離出網路功能F1~F4。依據3GPP TS23.501,網路切片S1~S1是被定義包含在公共陸地移動網路(Public Land Mobile Network,PLMN)中,包括核心網路40和無線電存取網路(RAN)的控制平面(Control Plane,CP)CP和使用者平面(User Plane,UP)UP,並由一組可提供特定網路能力且需要不同資源(例如,計算、儲存和網路等)的網路功能元件(例如,網路功能F1~F4)所組成。
圖5A是依據本發明一實施例的核心網路40的網路功能的示意圖。請參照圖5A,核心網路40可包括對應於SMF的網路功能F1、對應於RCF的網路功能F3、NEF F5、NRF F6、FSSF F8、AMF F9、授權伺服器功能(Authentication Server Function,ASF)F10、服務通訊代理(Service Communication Proxy,SCP)F11、統一資料管理(Unified Data Management,UDM)F12、應用功能(Application Function,AF)F13及網路切片進入控制功能(Network Slice Admission Control Function,NSACF)F14(屬於控制平面CP)。而使用者平面UP包括對應於UPF的網路功能F4及資料網路(Data Network,DN)DN、無線電存取網路50及終端裝置10。不同網路功能/元件之間相互作用的連接點以N1~N4表示。
基於網路功能虛擬化(Network Function virtualization)及軟體定義網路(Software-Defined Network,SDN)技術(例如,OpenStack、K8S、Openflow),可在現有行動網路的環境中,透過虛擬環境並利用軟體定義的方式產生對應不同資源(例如,計算、儲存、網路等)的網路功能(元件)F1~F4。也就是,網路功能F1~F4是以功能虛擬化的方式來產生並據以分配資源。當需要網路切片S1~S3時,網路功能虛擬化設施可依據服務需求產生網路功能F1~F4,且SDN控制器控制諸如轉送(forwarding)、路由(routing)及交換(switching)等參數,使這些網路功能F1~F4進行網路傳輸連結,並分別形成網路切片S1~S3。
舉例而言,圖5B是依據本發明一實施例的網路功能F1~F4的網路切片S1、S2的示意圖。請參照圖5B,網路功能F1~F4連結在一起,且兩組網路功能F1~F2分別形成網路切片S1、S2(可能對應於不同資料網路DN1~DN2,但不以此為限)。而核心網路可保留部分一般網路功能CNF(例如,NRF F6、NSSF F8及AMF F9)。
須說明的是,圖4、圖5A及圖5B所示的網路功能及網路切片僅是作為範例說明,隨著通訊技術的演進,在其他世代的網路可能有不同的內容。
接著,系統1的網路環境設定(例如,針對網路功能及/或網路連接)完成之後,處理器33可執行多階段的智慧型監控。
圖6是依據本發明一實施例的多階段智慧監控的流程圖。請參照圖6,處理器33可定義網路切片S2所提供的網路資源優於網路切片S1所提供的網路資源,且定義網路切片S3所提供的網路資源優於網路切片S2所提供的網路資源。例如,表(1)是網路切片S1~S3與網路資源(例如,頻寬及延遲)的對應關係:
表(1)
網路切片 | 頻寬 | 延遲 |
S1 | 1.32 Mbps (百萬位元每秒) | 10 ms(毫秒)以上 |
S2 | 5.84 Mbps | 1 ms~10 ms |
S3 | 5.84 Mbps | 1 ms以下 |
須說明的是,「優於」可以是頻寬較大及/或延遲較少。然而,依據不同設定參數的內容,「優於」的定義可能會改變。
處理器33可使用網路切片S1(例如,對應於監控階段)所提供的網路資源,並判斷影像的偵測結果是否為第一結果(步驟S610)。在一實施例中,第一結果為存在目標物(例如,人、動物、車或武器)。監控階段的主要工作之一在於物件偵測。監控的畫面通常會維持在某個靜止的畫面,因此這個階段對於影像解析度要求較低(例如,1080P或780P)。
反應於偵測結果不為第一結果(例如,不存在目標物),處理器33將網路環境維持在網路切片S1,並繼續判斷偵測結果是否為第一結果(步驟S610)。
反應於偵測結果為第一結果(例如,存在目標物),處理器33可將網路切片S1切換成網路切片S2。例如,處理器33透過通訊收發器31傳送指令/要求給核心網路的NEF,以請核心網路切換成網路切片S2。此外,處理器33可使用網路切片S2(例如,對應於理解階段)所提供的網路資源,並判斷偵測結果是否為第二結果(步驟S620)。在一實施例中,第二結果為發生目標事件(例如,目標物位於禁停區域、目標物攜帶武器或目標物倒地)。理解階段的主要工作之一在於分析及推導(deduct),並可分析辨識是否有異常或危急的狀況發生。
在一實施例中,偵測第二結果的所需的影像規格高於偵測第一結果的所需的影像規格。例如,表(2)是網路切片S1~S3與影像規格(例如,影像解析度及影格速率)的對應關係:
表(2)
網路切片 | 影像解析度 | 影格速率 |
S1 | 1920×1080 | 30 FPS (影格每秒) |
S2 | 4K | 60 FPS |
S3 | 4K | 60 FPS |
也就是說,除了調整資源,網路實體30還可設定終端裝置10所傳送影像的影像規格,以有效利用資源。
反應於使用網路切片S2所提供的網路資源所得到的偵測結果不為第二結果,處理器33可將網路切片S2切換成網路切片S1,並繼續判斷偵測結果是否為第一結果(步驟S610)。
反應於偵測結果為第二結果,處理器33可將網路切片S2切換成網路切片S3。例如,處理器33透過通訊收發器31傳送指令/要求給核心網路的NEF,以請核心網路切換成網路切片S3。此外,處理器33可使用網路切片S3(例如,對應於強制階段)所提供的網路資源,並判斷偵測結果是否為第三結果(步驟S630)。在一實施例中,第三結果為發生目標事件(例如,目標物位於禁停區域、目標物攜帶武器或目標物倒地)。此外,反應於偵測結果為第三結果,處理器33還透過通訊收發器31通報第三結果(步驟S640)。強制階段除了分析及推導,還能通報異常或危急的狀況發生。例如,發出現場的警報,且發出訊息給相關人員,以呼叫緊急處理。直到撤銷目標事件(也就是,未發生目標事件),處理器33才切回理解階段(例如,切換至網路切片S2)。同理地,反應於理解階段沒偵測到目標事件,則處理器33切換至監控階段(例如,切換至網路切片S1)。
須說明的是,智慧型監控不限於三個階段,且各階段的偵測目標不限於圖6所示實施例的目標及事件偵測。
綜上所述,在本發明實施例的網路管理方法中,依據影像的偵測結果切換網路切片,並利用增強學習優化網路切片的設定參數。藉此,可應用在現行智慧監控系統,動態調整資源,進而節省電能,並提供可靠的網路服務。
雖然本發明已以實施例揭露如上,然其並非用以限定本發明,任何所屬技術領域中具有通常知識者,在不脫離本發明的精神和範圍內,當可作些許的更動與潤飾,故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
1:系統
10:終端裝置
20:基地台
30:網路實體
31:通訊收發器
32:記憶體
33:處理器
S210~S220、S610~S640:步驟
S1~S3:網路切片
AG:代理
OR:觀察結果
EN:環境
F1~F4:網路功能
AC:行動
RW:回饋
301:策略
302:增強學習
IM:推論模型
40:核心網路
41:API
F5:NEF
F6:NRF
F7:NSSAAF
F8:FSSF
F9:AMF
CP:控制平面
UP:使用者平面
F10:ASF
F11:SCP
F12:UDM
F13:NSACF
F14:NSACF
50:無線電存取網路
N1~N4:連接點
DN、DN1、DN2:資料網路
CNF:一般網路功能
圖1是依據本發明一實施例的系統的示意圖。
圖2是依據本發明一實施例的網路管理方法的流程圖。
圖3是依據本發明一實施例的增強學習的示意圖。
圖4是依據本發明一實施例的核心網路的網路切片(network slicing)的示意圖。
圖5A是依據本發明一實施例的核心網路的網路功能的示意圖。
圖5B是依據本發明一實施例的網路功能的網路切片的示意圖。
圖6是依據本發明一實施例的多階段智慧監控的流程圖。
S210~S220:步驟
Claims (18)
- 一種網路管理方法,包括:取得一偵測結果,其中該偵測結果為偵測一影像的結果;依據該偵測結果切換多個網路切片(network slices)中的一者至另一者,其中每一該網路切片提供一網路資源,該些網路切片包括一第一網路切片及一第二網路切片,且該網路資源用於取得該影像;反應於該偵測結果為一第一結果,將該第一網路切片切換成該第二網路切片;以及使用該第二網路切片所提供的網路資源,並判斷該偵測結果是否為一第二結果,其中該第一結果為存在一目標物,且該第二結果為發生一目標事件。
- 如請求項1所述的網路管理方法,其中該第二網路切片所提供的網路資源優於該第一網路切片所提供的網路資源,且偵測該第二結果的所需的影像規格高於偵測該第一結果的所需的影像規格。
- 如請求項2所述的網路管理方法,更包括:反應於使用該第二網路切片所提供的網路資源所得到的該偵測結果不為該第二結果,將該第二網路切片切換成該第一網路切片。
- 如請求項2所述的網路管理方法,其中該些網路切片還包括一第三網路切片,其中該第三網路切片所提供的網路資源 優於該第二網路切片所提供的網路資源,且依據該偵測結果切換該些網路切片中的一者至另一者的步驟包括:反應於該偵測結果為該第二結果,將該第二網路切片切換成該第三網路切片;以及使用該第三網路切片所提供的網路資源,並判斷該偵測結果是否為一第三結果。
- 如請求項4所述的網路管理方法,更包括:反應於該偵測結果為該第三結果,通報該第三結果。
- 如請求項5所述的網路管理方法,其中該第二結果與該第三結果為發生一目標事件。
- 如請求項1所述的網路管理方法,更包括:定義一環境,其中該環境包括該些網路切片及一感測網路,其中該感測網路使用該些網路切片所提供的網路資源,且該影像經由該感測網路取得;以及將該環境的一觀察(observation)結果輸入至一策略(policy),以決定該些網路切片所提供的網路資源的一新設定參數,其中該環境的一回饋(reward)用於決定該策略,該觀察結果是該些網路切片,該策略是轉換函數,且該回饋是該新設定參數的評價。
- 如請求項7所述的網路管理方法,其中該回饋為使用該些網路切片所提供的網路資源下對應的影像規格及用於該影像的執行效率中的至少一者。
- 如請求項7所述的網路管理方法,其中該新設定參數包括一硬體資源及該網路資源中的至少一者。
- 一種網路實體,包括:一通訊收發器,用以傳送或接收訊號;一記憶體,用以儲存一程式碼;以及一處理器,耦接該通訊收發器及該記憶體,並用以載入該程式碼以執行:透過該通訊收發器取得一偵測結果,其中該偵測結果為偵測一影像的結果;依據該偵測結果切換多個網路切片(network slicing)中的一者至另一者,其中每一該網路切片提供一網路資源,該些網路切片包括一第一網路切片及一第二網路切片,且該網路資源用於取得該影像;反應於該偵測結果為一第一結果,將該第一網路切片切換成該第二網路切片;以及使用該第二網路切片所提供的網路資源,並判斷該偵測結果是否為一第二結果,其中該第一結果為存在一目標物,且該第二結果為發生一目標事件。
- 如請求項10所述的網路實體,其中該第二網路切片所提供的網路資源優於該第一網路切片所提供的網路資源,且偵測該第二結果的所需的影像規格高於偵測該第一結果的所需的影像規格。
- 如請求項11所述的網路實體,其中該處理器還用以執行:反應於使用該第二網路切片所提供的網路資源所得到的該偵測結果不為該第二結果,將該第二網路切片切換成該第一網路切片。
- 如請求項11所述的網路實體,其中該些網路切片還包括一第三網路切片,其中該第三網路切片所提供的網路資源優於該第二網路切片所提供的網路資源,且該處理器還用以執行:反應於該偵測結果為該第二結果,將該第二網路切片切換成該第三網路切片;以及使用該第三網路切片所提供的網路資源,並判斷該偵測結果是否為一第三結果。
- 如請求項13所述的網路實體,其中該處理器還用以執行:反應於該偵測結果為該第三結果,通報該第三結果。
- 如請求項14所述的網路實體,其中該第二結果與該第三結果為發生一目標事件。
- 如請求項10所述的網路實體,其中該處理器還用以執行:定義一環境,其中該環境包括該些網路切片及一感測網路,其中該感測網路使用該些網路切片所提供的網路資源,且該影像經由該感測網路取得;以及 將該環境的一觀察結果輸入至一策略,以決定該些網路切片所提供的網路資源的一新設定參數,其中該環境的一回饋用於決定該策略,該觀察結果是該些網路切片,該策略是轉換函數,且該回饋是該新設定參數的評價。
- 如請求項16所述的網路實體,其中該回饋為使用該些網路切片所提供的網路資源下對應的影像規格及用於該影像的執行效率中的至少一者。
- 如請求項16所述的網路實體,其中該新設定參數包括一硬體資源及該網路資源中的至少一者。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111141673A TWI819874B (zh) | 2022-11-01 | 2022-11-01 | 網路管理方法及網路實體 |
CN202211422911.4A CN117997794A (zh) | 2022-11-01 | 2022-11-15 | 网络管理方法及网络实体 |
US18/167,085 US12015564B2 (en) | 2022-11-01 | 2023-02-10 | Network management method and network entity |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111141673A TWI819874B (zh) | 2022-11-01 | 2022-11-01 | 網路管理方法及網路實體 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI819874B true TWI819874B (zh) | 2023-10-21 |
TW202420794A TW202420794A (zh) | 2024-05-16 |
Family
ID=89857975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111141673A TWI819874B (zh) | 2022-11-01 | 2022-11-01 | 網路管理方法及網路實體 |
Country Status (3)
Country | Link |
---|---|
US (1) | US12015564B2 (zh) |
CN (1) | CN117997794A (zh) |
TW (1) | TWI819874B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190372879A1 (en) * | 2017-02-16 | 2019-12-05 | Huawei Technologies Duesseldorf Gmbh | Network monitoring entity and method for a communication network implementing network slices |
CN111758244A (zh) * | 2018-03-08 | 2020-10-09 | 华为技术有限公司 | 用于端到端通信服务的网络功能 |
TWI740713B (zh) * | 2020-11-11 | 2021-09-21 | 財團法人工業技術研究院 | 網路切片的資源管理方法、資源管理系統及工作負載調度裝置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7031612B2 (ja) * | 2017-02-08 | 2022-03-08 | 住友電気工業株式会社 | 情報提供システム、サーバ、移動端末、及びコンピュータプログラム |
CN110365946A (zh) * | 2019-07-26 | 2019-10-22 | 浙江大华技术股份有限公司 | 灾情应对方案的生成方法、装置、存储介质及电子装置 |
WO2022024982A1 (ja) * | 2020-07-31 | 2022-02-03 | 日本電気株式会社 | 通信システム、第1のユーザ装置、第2のユーザ装置、コアネットワークノード、制御方法、プログラム、及びプログラムを記録した非一過性の記録媒体 |
CN114126006A (zh) * | 2020-08-27 | 2022-03-01 | 中兴通讯股份有限公司 | 转卡切片切换方法、设备及存储介质 |
US20230276392A1 (en) * | 2020-12-30 | 2023-08-31 | Nec Corporation | Service access to disjoint network slices |
US11722928B1 (en) * | 2021-07-12 | 2023-08-08 | T-Mobile Innovations Llc | Network slicing in a wireless communication network |
-
2022
- 2022-11-01 TW TW111141673A patent/TWI819874B/zh active
- 2022-11-15 CN CN202211422911.4A patent/CN117997794A/zh active Pending
-
2023
- 2023-02-10 US US18/167,085 patent/US12015564B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190372879A1 (en) * | 2017-02-16 | 2019-12-05 | Huawei Technologies Duesseldorf Gmbh | Network monitoring entity and method for a communication network implementing network slices |
CN111758244A (zh) * | 2018-03-08 | 2020-10-09 | 华为技术有限公司 | 用于端到端通信服务的网络功能 |
TWI740713B (zh) * | 2020-11-11 | 2021-09-21 | 財團法人工業技術研究院 | 網路切片的資源管理方法、資源管理系統及工作負載調度裝置 |
Also Published As
Publication number | Publication date |
---|---|
US12015564B2 (en) | 2024-06-18 |
US20240146665A1 (en) | 2024-05-02 |
CN117997794A (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6538869B2 (ja) | ネットワーク管理 | |
US11290344B2 (en) | Policy-driven method and apparatus | |
US11265205B2 (en) | System and method for anomaly detection with root cause identification | |
US11582111B2 (en) | Master node, a local node and respective methods performed thereby for predicting one or more metrics associated with a communication network | |
TWI740713B (zh) | 網路切片的資源管理方法、資源管理系統及工作負載調度裝置 | |
EP3742669B1 (en) | Machine learning in radio access networks | |
JP2018503319A (ja) | Nfvの管理およびオーケストレーションのための方法および装置 | |
US20220230062A1 (en) | Dynamic network configuration | |
US20190364450A1 (en) | Performance measurement job control for 5g networks and network slicing | |
WO2019206100A1 (zh) | 一种特征工程编排方法及装置 | |
JP2019506809A (ja) | 協働する仮想化ネットワーク機能 | |
KR102291615B1 (ko) | 통신망의 장애를 예측하는 장치 및 방법 | |
TWI819874B (zh) | 網路管理方法及網路實體 | |
TW202420794A (zh) | 網路管理方法及網路實體 | |
EP4333533A1 (en) | Computing power resource scheduling method and related apparatus | |
CN111836020B (zh) | 监控***中的码流传输方法、装置及存储介质 | |
EP3457634B1 (en) | Collection of management plane performance data | |
Yan et al. | Deep learning-based containerization resource management in vehicular fog computing | |
US20240172109A1 (en) | Call performance optimization | |
US9769018B2 (en) | Reporting technique for a telecommunications network | |
US20230319759A1 (en) | Real-time 3d location service for deterministic rf signal delivery | |
US20240049032A1 (en) | Analytics perfromance management | |
EP4203410A1 (en) | User device, server, method, apparatus and computer readable medium for network communication | |
US10148538B2 (en) | Distributed controllers | |
CN117580079A (zh) | 一种基于网络环境的电力态势感知方法 |