一种业务处理的方法及装置制造方法及图纸

本申请提供了一种业务处理的方法，所述方法包括：训练神经网络模型；当接收到业务请求时，确定所述业务请求对应的资源属性信息；其中，所述资源属性信息包括处理所述业务请求所需的资源配置；根据所述神经网络模型，确定所述资源属性信息对应的设备属性信息，并从可用设备列表中，确定与所述设备属性信息匹配的目标控制设备；采用所述目标控制设备，处理所述业务请求，实现了高效编排资源，从而避免了人工输入重复性劳动和降低人工输入的错误率。

【技术实现步骤摘要】
一种业务处理的方法及装置
本申请涉及通信领域，特别是涉及一种业务处理的方法及装置。
技术介绍
在业务处理过程中，往往需要进行资源编排。在现有的5G编排系统中，都是由人工进行编排，管理员根据资源使用情况，划分和部署资源，如划分子网，部署网络服务资源。在编排资源时，管理员需要获取海量参数信息，筛选有用的数据，经过评估，形成编排部署文件，导入云系统分配资源，而通过人根据不同的策略来编排资源，分析大量的数据，费时费力，出错率高。
技术实现思路
本申请实施例提供一种业务处理的方法及装置，以解决人工分析数据和编排资源，导致的编排效率低下，出错率高的问题，包括：一种业务处理的方法，所述方法包括：训练神经网络模型；当接收到业务请求时，确定所述业务请求对应的资源属性信息；其中，所述资源属性信息包括处理所述业务请求所需的资源配置；根据所述神经网络模型，确定所述资源属性信息对应的设备属性信息，并从可用设备列表中，确定与所述设备属性信息匹配的目标控制设备；采用所述目标控制设备，处理所述业务请求。可选地，所述训练神经网络模型的步骤包括：获取样本资源属性信息；确定所述样本资源属性信息对应的样本设备属性信息；以所述样本设备属性信息为目标，对所述样本资源属性信息进行训练，得到神经网络模型。可选地，所述样本资源属性信息包括第一样本信息和第二样本信息，所述以所述样本设备属性信息为目标，对所述样本资源属性信息进行训练，得到神经网络模型的步骤包括：<br>采用所述第一样本信息和所述样本设备属性信息，确定第一链路权重；采用所述第二样本信息和所述样本设备属性信息，确定第二链路权重；计算所述第二链路权重与所述第一链路权重之间的权重误差；采用所述权重误差，更新所述第一链路权重，得到神经网络模型。可选地，所述业务请求包括通信请求，所述资源属性信息包括话务量，所述目标控制设备包括集中控制器。可选地，所述业务请求包括创建虚拟机请求，所述目标控制设备包括用于创建虚拟机的服务器。可选地，还包括：从所述可用设备列表中，删除所述目标控制设备的记录。可选地，所述方法应用于基站和/或核心网，所述基站为提供5G网络服务的通信基站。一种业务处理的装置，所述装置包括：神经网络模型训练模块，用于训练神经网络模型；资源属性信息确定模块，用于当接收到业务请求时，确定所述业务请求对应的资源属性信息；其中，所述资源属性信息包括处理所述业务请求所需的资源配置；目标控制设备确定模块，用于根据所述神经网络模型，确定所述资源属性信息对应的设备属性信息，并从可用设备列表中，确定与所述设备属性信息匹配的目标控制设备；业务请求处理模块，用于采用所述目标控制设备，处理所述业务请求。可选地，所述神经网络模型训练模块包括：样本资源属性信息获取子模块，用于获取样本资源属性信息；样本设备属性信息确定子模块，用于确定所述样本资源属性信息对应的样本设备属性信息；神经网络模型训练子模块，用于以所述样本设备属性信息为目标，对所述样本资源属性信息进行训练，得到神经网络模型。可选地，所述样本资源属性信息包括第一样本信息和第二样本信息，所述神经网络模型训练子模块包括：第一链路权重确定单元，用于采用所述第一样本信息和所述样本设备属性信息，确定第一链路权重；第二链路权重确定单元，用于采用所述第二样本信息和所述样本设备属性信息，确定第二链路权重；权重误差计算单元，用于计算所述第二链路权重与所述第一链路权重之间的权重误差；第一链路权重更新单元，用于采用所述权重误差，更新所述第一链路权重，得到神经网络模型。可选地，所述业务请求包括通信请求，所述资源属性信息包括话务量，所述目标控制设备包括集中控制器。可选地，所述业务请求包括创建虚拟机请求时，所述目标控制设备包括用于创建虚拟机的服务器。可选地，还包括：记录删除模块，用于从所述可用设备列表中，删除所述目标控制设备的记录。可选地，所述装置应用于基站和/或核心网，所述基站为提供5G网络服务的通信基站。本申请具有以下优点：在本申请中，通过训练神经网络模型，当接收到业务请求时，确定业务请求对应的资源属性信息；其中，资源属性信息包括处理所述业务请求所需的资源配置；根据神经网络模型，确定资源属性信息对应的设备属性信息，并从可用设备列表中，确定与设备属性信息匹配的目标控制设备；采用目标控制设备，处理业务请求，实现了高效编排资源，从而避免了人工输入重复性劳动和降低人工输入的错误率。附图说明为了更清楚地说明本申请的技术方案，下面将对本申请的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本申请一实施例提供的业务处理的方法的步骤流程图；图2是本申请另一实施例提供的业务处理的方法的步骤流程图；图3是本申请另一实施例提供的业务处理的方法的步骤流程图；图4是本申请一实施例提供的业务处理的装置的结构框图。具体实施方式为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。参照图1，示出了本申请一实施例提供的一种业务处理的方法的步骤流程图，具体可以包括如下步骤：步骤101，训练神经网络模型；神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activationfunction)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。在本申请一实施例中，步骤101可以包括如下步骤：子步骤11，获取样本资源属性信息；作为一示例，样本资源属性信息可以为待创建的虚拟机的规格，如虚拟机的内存为8G，硬盘为40G，CPU数为8。作为另一示例，样本资源属性信息可以为通信中的话务量。子步骤12，确定所述样本资源属性信息对应的样本设备属性信息；作为一示例，样本资源属性信息对应的样本设备属性信息可以为满足创建该虚拟机规格的服务器规格，如1号服务器的内存为40G，硬盘为100T，CPU数为10，而2号服务器的内存为7G，硬盘为100T，CPU数为10不符合该虚拟机的规格要求，因为2号服务器的内存不能满本文档来自技高网...

【技术保护点】
1.一种业务处理的方法，其特征在于，所述方法包括：/n训练神经网络模型；/n当接收到业务请求时，确定所述业务请求对应的资源属性信息；其中，所述资源属性信息包括处理所述业务请求所需的资源配置；/n根据所述神经网络模型，确定所述资源属性信息对应的设备属性信息，并从可用设备列表中，确定与所述设备属性信息匹配的目标控制设备；/n采用所述目标控制设备，处理所述业务请求。/n

【技术特征摘要】
1.一种业务处理的方法，其特征在于，所述方法包括：
训练神经网络模型；
当接收到业务请求时，确定所述业务请求对应的资源属性信息；其中，所述资源属性信息包括处理所述业务请求所需的资源配置；
根据所述神经网络模型，确定所述资源属性信息对应的设备属性信息，并从可用设备列表中，确定与所述设备属性信息匹配的目标控制设备；
采用所述目标控制设备，处理所述业务请求。


2.根据权利要求1所述的方法，其特征在于，所述训练神经网络模型的步骤包括：
获取样本资源属性信息；
确定所述样本资源属性信息对应的样本设备属性信息；
以所述样本设备属性信息为目标，对所述样本资源属性信息进行训练，得到神经网络模型。


3.根据权利要求2所述的方法，其特征在于，所述样本资源属性信息包括第一样本信息和第二样本信息，所述以所述样本设备属性信息为目标，对所述样本资源属性信息进行训练，得到神经网络模型的步骤包括：
采用所述第一样本信息和所述样本设备属性信息，确定第一链路权重；
采用所述第二样本信息和所述样本设备属性信息，确定第二链路权重；
计算所述第二链路权重与所述第一链路权重之间的权重误差；
采用所述权重误差，更新所述第一链路权重，得到神经网络模型。


4.根据权利要求1或2或3所述的方法，其特征在于，所述业务请求包括通信请求，所述资源属性信息包括话务量，所述目标控制设备包括集中控制器。


5.根据权利要求1或2或3所述的方法，其特征在于，所述业务请求包括创建虚拟机请求，所述目标控制设备包括用于创建虚拟机的服务器。


6.根据权利要求1所述的方法，其特征在于，还包括：
从所述可用设备列表中，删除所述目标控制设备的记录。


7.根据权利要求1所述的方法，其特征在于，所述方法应用于基站和/或核心网，所述基站为提供5G网络服务的通信基站。


8.一种业务处理的装置，其特征在于，所述装置包括：
神经网络模型训练模块，用于训练神经网络模型；
资源属性...

【专利技术属性】
技术研发人员：李昭，
申请(专利权)人：大唐移动通信设备有限公司，
类型：发明
国别省市：北京;11