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制造方法及图纸

本发明专利技术实施例涉及通信核心网技术领域，公开了一种一种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，该方法包括：根据服务等级协议的历史数据，生成训练数据集合使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练；在所述神经网络模型收敛至目标优化结果时，输出当前的神经网络模型作为在线分类器；获取当前服务等级协议的用户需求并输入所述在线分类器；通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型。通过上述方式，本发明专利技术实施例实现了SLA自动分类，可以极大的提升了SLA分类的效率，实现对切片模板的精准选择。

【技术实现步骤摘要】
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
本专利技术实施例涉及通信核心网
，具体涉及一种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。
技术介绍
网络切片是根据不同业务应用对用户数、QoS、带宽的要求，将物理网络切成多张相互独立的逻辑网络的技术，用于满足特定目标、特定服务类别甚至特定客户的需求。其基于一系列切片服务提供商(例如运营商)和切片客户(例如采用切片承载流媒体的内容提供商)约定的服务条款，为5G用户，尤其是垂直行业的5G用户，提供高质量的切片服务。其中，服务保障等级协议(ServiceLevelAgreement，SLA)是针对所提供的服务类型约定的切片编排、服务区域/时间以及保障等级的服务条款，定义或者表达了具体的用户需求。根据目前5G主流的三大应用场景：eMBB、uRLLC、mMTC对用户数、QoS、带宽等的不同要求，可以定义三种不同的通信服务类型，分别对应三种切片模板。在实现本专利技术实施例的过程中，专利技术人发现：现有的分类过程都是采用人工分类的方式，由技本文档来自技高网...

【技术保护点】
1.一种5G网络切片的自动分类方法，其特征在于，所述方法包括：/n根据服务等级协议的历史数据，生成训练数据集合；/n使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练；/n在所述神经网络模型收敛至目标优化结果时，输出当前的神经网络模型作为在线分类器；/n获取当前服务等级协议的用户需求并输入所述在线分类器；/n通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型。/n

【技术特征摘要】
1.一种5G网络切片的自动分类方法，其特征在于，所述方法包括：
根据服务等级协议的历史数据，生成训练数据集合；
使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练；
在所述神经网络模型收敛至目标优化结果时，输出当前的神经网络模型作为在线分类器；
获取当前服务等级协议的用户需求并输入所述在线分类器；
通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型。


2.根据权利要求1所述的方法，其特征在于，所述根据服务等级协议的历史数据，生成训练数据集合，进一步包括：
标注所述历史数据中的服务等级协议所属的网络切片类型；
确定定义所述服务等级协议的用户需求的若干个需求属性；
获取所述服务等级协议中的每个所述需求属性的属性值。


3.根据权利要求2所述的方法，其特征在于，所述获取所述服务等级协议中的每个所述需求属性的属性值之后，进一步包括：
将非数值型的属性值转换为数值型的属性值；
对所述服务等级协议中，每个所述需求属性的属性值均进行归一化处理。


4.根据权利要求2所述的方法，其特征在于，所述基于深度学习框架搭建的神经网络模型包括：输入层、全连接层以及输出层；
所述输入层含有与所述需求属性数量对应的神经元，用于输入所述服务等级协议的需求属性；
所述输出层含有与所述网络切片类型相对应的神经元，用于输出所述服务等级协议属于对应网络切片类型的概率；
所述全连接层设置有多层，每一层包含若干个神经元，用于根据输入的多个需求属性，对所述服务等级协议进行分类；
每一个所述全连接层之后设置有一个舍弃层；所述舍弃层用于以预设的舍弃概率使所述全连接层中的部分神经元失效。


5.根据权利要求4所述的方法，其特征在于，所述全连接层设置有6层，包括第一至第六全连接层；
所述第一和第二全连接层包含6...

【专利技术属性】
技术研发人员：邢彪，郑屹峰，张卷卷，陈维新，章淑敏，
申请(专利权)人：中国移动通信集团浙江有限公司，中国移动通信集团有限公司，
类型：发明
国别省市：浙江;33