一种传输性能预测模型的训练方法及其相关设备技术

本申请公开了一种传输性能预测模型的训练方法及其相关设备，属于人工智能AI领域，该训练方法包括：在获取到第一训练样本及其第一属性，和第二训练样本及其第二属性之后，利用传输性能预测模型，确定第一训练样本的第一识别特征和第二训练样本的第二识别特征，并根据第一属性与第二属性的相似度、以及第一识别特征与第二识别特征的相似度，确定损失函数，以便后续利用该损失函数更新传输性能预测模型。其中，因属性相似度能够更准确地表征网络中不同训练样本之间的相似程度，使得基于属性相似度确定的损失函数更准确，使得传输性能预测模型能够在损失函数的指导下进行准确地更新，有利于提高传输性能预测模型的预测性能。利于提高传输性能预测模型的预测性能。利于提高传输性能预测模型的预测性能。

【技术实现步骤摘要】
一种传输性能预测模型的训练方法及其相关设备


[0001]本申请涉及通信
，特别是涉及一种传输性能预测模型的训练方法及其相关设备。

技术介绍

[0002]半监督学习(semi-supervised learning，SSL)模型是一种应用广泛的学习模型。其中，因SSL模型是基于大量无类别标签的训练样本和少量有类别标签的训练样本进行训练的，使得SSL模型的训练过程无需依赖大量有类别标签的训练样本，如此有效地降低SSL模型对有类别标签的训练样本的数量需求，从而有利于提高SSL模型的应用范围。
[0003]另外，在SSL模型的训练过程中，SSL模型可以根据训练样本(尤其是无类别标签的训练样本)与其他训练样本(例如，有类别标签的训练样本)之间是否相似，来确定训练样本的识别结果，以便使得训练好的SSL模型，能够将各训练样本以及与该训练样本相似的其它训练样本划分到同一类中，尤其是能够将各无类别标签的训练样本以及与该无类别标签的训练样本相似的其它训练样本划分到同一类中。为了便于理解，下面结合应用场景进行说明。
[0004]例如，当SSL模型应用于网络(例如，光传输网(Optical Transport Network，OTN)或微波通信网等)，且SSL模型用于预测网络中数据流的传输性能是否发生劣化时，在SSL模型的训练过程中，先将数据流的历史传输性能作为训练样本，再根据任意两个训练样本在自身特征上的相似度(也就是，该两个训练样本之间的传输性能相似度)，衡量该两个训练样本之间的相似程度，以便SSL模型能够在传输性能相似度的指导下，对训练样本(无类别标签的的训练样本和有类别标签的的训练样本)进行识别。
[0005]然而，因网络中训练样本的特征空间比较复杂，使得两个训练样本之间的传输性能相似度，无法准确地表征出该两个训练样本之间的相似程度，从而使得基于传输性能相似度进行更新训练的SSL模型，无法对训练样本(尤其是无类别标签的训练样本)进行正确地识别，如此导致训练好的SSL模型的预测性能较差，从而导致该SSL模型无法准确地预测出网络中数据流是否发生劣化。

技术实现思路

[0006]基于此，本申请实施例提供了一种传输性能预测模型的训练方法及其相关设备，能够提高传输性能预测模型的预测性能，从而使得该传输性能预测模型能够准确地预测出网络中数据流的传输性能是否发生劣化。
[0007]第一方面，本申请实施例提供了一种传输性能预测模型的训练方法，该传输性能预测模型用于预测网络中数据流的传输性能是否发生劣化，而且该训练方法具体包括：首先，获取训练样本集和属性集，其中，训练样本集包括第一训练样本和第二训练样本，第一训练样本用于表征网络中第一数据流在第一历史时间段内传输性能，第二训练样本用于表征网络中第二数据流在第二历史时间段内传输性能，属性集包括第一属性和第二属性，第
一属性包括第一采样时间和第一路径，第一采样时间为从网络中采集第一训练样本的时间，第一路径为第一数据流在网络中的传输路径，第二属性包括第二采样时间和第二路径，第二采样时间为从网络中采集第二训练样本的时间，第二路径为第二数据流在网络中的传输路径。其次，将训练样本集输入传输性能预测模型得到识别特征集，其中，识别特征集包括第一识别特征和第二识别特征，第一识别特征用于表征第一训练样本的识别结果，第二识别特征用于表征第二训练样本的识别结果。然后，根据第一属性与第二属性的相似度、以及第一识别特征与第二识别特征的相似度，计算损失函数，以便后续利用该损失函数更新传输性能预测模型。
[0008]可见，本申请依据任意两个训练样本在属性信息上的相似度(下文简称为：属性相似度)，确定损失函数。其中，因属性相似度能够更准确地表征网络中不同训练样本之间的相似程度，使得基于属性相似度确定的损失函数更准确，从而使得传输性能预测模型能够在该损失函数的指导下进行更准确地更新，如此使得训练好的传输性能预测模型，能够将训练样本(尤其是无类别标签的的训练样本)准确地划分到与其相似的其它训练样本所属类别中，从而使得训练好的传输性能预测模型具有较好的识别性能，如此提高了传输性能预测模型的预测性能，从而使得该传输性能预测模型，能够准确地预测出网络中数据流的传输性能是否发生劣化。
[0009]在第一方面的一种可能实现方式中，第一属性与第二属性的相似度的获取过程，具体为：先根据第一采样时间和第二采样时间确定时间相似度，并根据第一路径和第二路径确定路径相似度；再根据时间相似度和路径相似度的乘积，确定第一属性与第二属性的相似度。可见，本申请可以参考不同训练样本在时间属性及路径属性上的综合相似程度，确定不同训练样本在属性信息上的相似程度。其中，因时间属性和路径属性是训练样本的主要属性信息，使得训练样本在时间属性上的相似程度及其在路径属性上的相似程度，是计算属性相似度的主要参考因素。还因上述时间相似度能够准确地表征第一训练样本与第二训练样本在时间属性上的相似程度，而且上述路径相似度能够准确地表征第一训练样本与第二训练样本在路径属性上的相似程度，使得基于时间相似度和路径相似度的乘积确定的第一属性与第二属性的相似度，能够准确地表征第一训练样本与第二训练样本在属性信息上的相似度，从而使得后续可以基于第一属性与第二属性的相似度，准确地确定出的第一训练样本和第二训练样本是否相似的判断结果，如此有利于提高传输性能预测模型的识别性能。
[0010]在第一方面的一种可能实现方式中，根据第一采样时间和第二采样时间，确定时间相似度，具体为：先将第一采样时间和第二采样时间的差值，确定为采样时间差；再根据采样时间差和幂律分布函数，确定时间相似度。其中，因基于幂律分布函数确定的时间相似度，能够更准确地表征时间属性对判断不同训练样本是否相似所产生的影响，从而能够提高判断不同训练样本是否相似的准确性，如此有利于提高传输性能预测模型的识别性能。
[0011]在第一方面的一种可能实现方式中，根据第一路径和第二路径确定路径相似度，具体为：首先，获取网络结构信息，网络结构信息包括网络中不同节点之间的连接关系；然后，根据网络结构信息，生成第一路径的路径向量和第二路径的路径向量；最后，根据第一路径的路径向量和第二路径的路径向量，确定路径相似度。其中，因网络结构信息能够准确地表征网络中不同节点之间的连接关系，使得基于网络结构信息确定的数据流传输路径的
路径向量，能够准确地表征该数据流传输路径的在网络中具有的路径特征，从而使得基于路径向量的相似度确定的路径相似度，能够准确地表征不同训练样本在路径属性上的相似程度，如此能够提高路径相似度的确定准确性，从而使得参考路径相似度确定的两个不同训练样本是否相似的判断结果更准确，从而有利于提高传输性能预测模型的识别性能。
[0012]在第一方面的一种可能实现方式中，第一路径的路径向量和第二路径的路径向量的生成过程，具体为：先根据网络结构信息，确定网络中各节点的节点向量；再将第一路径中各节点的节点向量进行加权平均，得到第一路径的路径向量，并将第二路径中各节点的节点向量进行加权平均，得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种传输性能预测模型的训练方法，其特征在于，包括：获取训练样本集和属性集，所述训练样本集包括第一训练样本和第二训练样本，所述第一训练样本用于表征网络中第一数据流在第一历史时间段内传输性能，所述第二训练样本用于表征所述网络中第二数据流在第二历史时间段内传输性能，所述属性集包括第一属性和第二属性，所述第一属性包括第一采样时间和第一路径，所述第一采样时间为从所述网络中采集所述第一训练样本的时间，所述第一路径为所述第一数据流在所述网络中的传输路径，所述第二属性包括第二采样时间和第二路径，所述第二采样时间为从所述网络中采集所述第二训练样本的时间，所述第二路径为所述第二数据流在所述网络中的传输路径；将所述训练样本集输入传输性能预测模型，得到识别特征集，所述识别特征集包括第一识别特征和第二识别特征，所述第一识别特征用于表征所述第一训练样本的识别结果，所述第二识别特征用于表征第二训练样本的识别结果；根据所述第一属性与第二属性的相似度、以及所述第一识别特征与第二识别特征的相似度，计算损失函数；其中，所述损失函数用于更新所述传输性能预测模型。2.根据权利要求1所述的方法，其特征在于，所述第一属性与第二属性的相似度的获取过程，包括：根据所述第一采样时间和所述第二采样时间，确定时间相似度；根据所述第一路径和所述第二路径，确定路径相似度；根据所述时间相似度和所述路径相似度的乘积，确定所述第一属性与第二属性的相似度。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一采样时间和所述第二采样时间，确定时间相似度，包括：将所述第一采样时间和所述第二采样时间的差值，确定为采样时间差；根据所述采样时间差和幂律分布函数，确定所述时间相似度。4.根据权利要求2或3所述的方法，其特征在于，所述根据所述第一路径和所述第二路径，确定路径相似度，包括：获取网络结构信息，所述网络结构信息包括所述网络中不同节点之间的连接关系；根据所述网络结构信息，生成所述第一路径的路径向量和所述第二路径的路径向量；根据所述第一路径的路径向量和所述第二路径的路径向量，确定所述路径相似度。5.根据权利要求4所述的方法，其特征在于，所述根据所述网络结构信息，生成所述第一路径的路径向量和所述第二路径的路径向量，包括：根据所述网络结构信息，确定所述网络中各节点的节点向量；将所述第一路径中各节点的节点向量进行加权平均，得到所述第一路径的路径向量；将所述第二路径中各节点的节点向量进行加权平均，得到所述第二路径的路径向量。6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：获取待处理样本，所述待处理样本用于表征网络中第四数据流在第一预设时间段内传输性能；将所述待处理样本输入所述传输性能预测模型，得到所述传输性能预测模型输出的预测结果；
根据所述预测结果，预测所述第四数据流在第二预设时间段内是否发生劣化。7.根据权利要求6所述的方法，其特征在于，所述方法还包括：若预测所述第四数据流在第二预设时间段内发生劣化，则生成劣化提示信息，所述劣化提示信息携带有所述第四数据流在第二预设时间段内发生劣化的信息。8.一种传输性能预测模型的训练装置，其特征在于，包括：第一获取单元，用于获取训练样本集和属性集，所述训练样本集包括第一训练样本和第二训练样本，所述第一训练样本用于表征网络中第一数据流在第一历史时间段内传输性能，所述第二训练样本用于表征所述网络中第二数据流在第二历史时间段内传输性能，所述属性集包括第一属性和第二属性，所述第一属性包括第一采样时间和第一路径，所述第一采样时间为从所述网络中采集所述第一训练样本的时间，所述第一路径为所述第一数据流在所述网络中的传输路径，所述第二属性包括第二采样时间和第二路径，所述第二采样时间为从所述网络中采集所述第二训练样本的时间，所述第二路径为所述第二数据流在所述网络中的传输路径；识别单元，用于将所述训练样本集输入传输性能预测模型，得到识别特征集，所述识别特征集包括第一识别特征和第二识别特征，所述第一识别特征用于表征所述第一训练样本的识别结果，所述第二识别特征用于表征第二训练样本的识别结果；计算单元，用于根据所述第一属性与第二属性的相似度、以及所述第一识别特征与第二识别特征的相似度，计算损失函数；其中，所述损失函数用于更新所述传输性能预测模型。9.根据权利要求8所述的装置，其特征在于，所述装置还包括：第二获取单元，用于获取所述第一属性与第二属性的相似度；所述第二获取单元，具体用于：根据所述第一采样时间和所述第二采样时间，确定时间相似度；根据所述第一路径和所述第二路径，确定路径相似度；根据所述时间相似度和所述路径相似度的乘积，确定所述第一属性与第二属性的相似度。10.根据权利要求9所述的装置，其特征在于，所述第二获取单元，具体用于：将所述第一采样时间和所述第二采样时间的差值，确定为采样时间差；根据所述采样时间差和...

【专利技术属性】
技术研发人员：汪鹏云，蚁韩羚，杨文森，周永，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：