【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种模型增强训练方法、装置、电子设备及存储介质。
技术介绍
1、5g网络架构中，在核心网中引入nwdaf网元，作为定制数据收集和智能分析的承载实体，不仅能够从5g核心网(5gc)的nf，af，及oam收集数据，还具备智能分析的能力(如计算、训练、推理和预测等)，并将分析结果输出给nf或af或oam，供nf、af或oam决策使用。随着标准不断演进，对nwdaf网元本身，网络分析流程，数据收集流程做了增强，r16和r17标准分别定义14个和7个以网络自优化为主的uc，如：辅助upf选择、辅助qos参数调整、辅助amf进行移动性管理、辅助实现网元/切片负载均衡、ue相关数据收集分析、辅助异常时间检测定位，如拥塞反馈等。目前基本围绕各uc进行nwdaf部署实施，模型训练围绕各uc，同时结合用户画像、终端行为、网络体验画像和连接画像等。
技术实现思路
1、本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术提出一种模型增强训练方法、装置、电子设备及存储介质，能够高效进行模型增强训练。
2、一方面，本专利技术实施例提供了一种模型增强训练方法，包括：
3、获取服务消费者的分析信息请求，将分析信息请求传输到多节点集群；多节点集群包括若干网络数据分析功能群组；
4、根据分析信息请求，从多节点集群中获取多个网络数据分析功能群组；并获取各个网络数据分析功能群组中的机器学习模型；
5、当获取的多个网络数
6、基于获取的网络数据分析功能群组对应的机器学习模型，结合加密样本获得融合机器学习模型；通过本地所有样本对融合机器学习模型进行模型训练，并将训练完成的融合机器学习模型传输到多节点集群的每个网络数据分析功能群组；
7、基于训练完成的融合机器学习模型对多节点集群的每个网络数据分析功能群组对应的机器学习模型进行更新迭代，直至达到预设条件。
8、可选地，获取服务消费者的分析信息请求，包括至少以下之一：
9、获取服务消费者发送的对机器学习模型的订阅消息；
10、获取服务消费者发送的对机器学习模型的请求消息。
11、可选地，分析信息请求包括分析id；根据分析信息请求，从多节点集群中获取多个网络数据分析功能群组，包括：
12、基于分析id确定预选模型类型，进而通过多节点集群进行集群成员的动态选择，获取得到多个网络数据分析功能群组。
13、可选地，从多节点集群中获取多个网络数据分析功能群组这一步骤前；方法还包括：
14、每个网络数据分析功能群组采用本地数据训练该网络数据分析功能群组的机器学习模型。
15、可选地，基于密钥获得加密样本，包括：
16、通过密钥对获取的多个网络数据分析功能群组的样本数据进行加密，得到加密样本。
17、可选地，基于训练完成的融合机器学习对多节点集群的每个网络数据分析功能群组对应的机器学习模型进行更新迭代，直至达到预设条件，包括：
18、基于训练完成的融合机器学习模型，分别对多节点集群的每个网络数据分析功能群组进行新样本训练，进而对应更新对应各个网络数据分析功能群组的机器学习模型，直至模型训练达到预设精度。
19、可选地，方法还包括：
20、将每个网络数据分析功能群组对应的机器学习模型训练完成的结果返回到多节点集群；
21、通过多节点集群将训练完成的结果推送到服务消费者。
22、另一方面，本专利技术实施例提供了一种模型增强训练装置，包括：
23、第一模块，用于获取服务消费者的分析信息请求，将分析信息请求传输到多节点集群；多节点集群包括若干网络数据分析功能群组；
24、第二模块，用于根据分析信息请求，从多节点集群中获取多个网络数据分析功能群组；并获取各个网络数据分析功能群组中的机器学习模型；
25、第三模块，用于当获取的多个网络数据分析功能群组中训练的机器学习模型是针对非共性成员的模型训练，基于获取的网络数据分析功能群组和对应的机器学习模型生成密钥；进而基于密钥获得加密样本；
26、第四模块，用于基于获取的网络数据分析功能群组对应的机器学习模型，结合加密样本获得融合机器学习模型；通过本地所有样本对融合机器学习模型进行模型训练，并将训练完成的融合机器学习模型传输到多节点集群的每个网络数据分析功能群组；
27、第五模块，用于基于训练完成的融合机器学习模型对多节点集群的每个网络数据分析功能群组对应的机器学习模型进行更新迭代，直至达到预设条件。
28、可选地，装置还包括：
29、第六模块，用于将每个网络数据分析功能群组对应的机器学习模型训练完成的结果返回到多节点集群；
30、第七模块，用于通过多节点集群将训练完成的结果推送到服务消费者。
31、另一方面，本专利技术实施例提供了一种电子设备，包括：处理器以及存储器；存储器用于存储程序；处理器执行程序实现上述模型增强训练方法。
32、另一方面，本专利技术实施例提供了一种计算机存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于实现上述模型增强训练方法。
33、本专利技术实施例获取服务消费者的分析信息请求，将分析信息请求传输到多节点集群；多节点集群包括若干网络数据分析功能群组；根据分析信息请求，从多节点集群中获取多个网络数据分析功能群组；并获取各个网络数据分析功能群组中的机器学习模型；当获取的多个网络数据分析功能群组中训练的机器学习模型是针对非共性成员的模型训练，基于获取的网络数据分析功能群组和对应的机器学习模型生成密钥；进而基于密钥获得加密样本；基于获取的网络数据分析功能群组对应的机器学习模型，结合加密样本获得融合机器学习模型；通过本地所有样本对融合机器学习模型进行模型训练，并将训练完成的融合机器学习模型传输到多节点集群的每个网络数据分析功能群组；基于训练完成的融合机器学习模型对多节点集群的每个网络数据分析功能群组对应的机器学习模型进行更新迭代，直至达到预设条件。本专利技术实施例通过不同网络数据分析功能群组的协同训练，且针对非共性成员的模型训练，能够高效进行模型增强训练。
本文档来自技高网...【技术保护点】
1.一种模型增强训练方法，其特征在于，包括：
2.根据权利要求1所述的模型增强训练方法，其特征在于，所述获取服务消费者的分析信息请求，包括至少以下之一：
3.根据权利要求1所述的模型增强训练方法，其特征在于，所述分析信息请求包括分析ID；所述根据所述分析信息请求，从所述多节点集群中获取多个所述网络数据分析功能群组，包括：
4.根据权利要求1所述的模型增强训练方法，其特征在于，所述从所述多节点集群中获取多个所述网络数据分析功能群组这一步骤前；所述方法还包括：
5.根据权利要求1所述的模型增强训练方法，其特征在于，所述基于所述密钥获得加密样本，包括：
6.根据权利要求1所述的模型增强训练方法，其特征在于，所述基于训练完成的所述融合机器学习对所述多节点集群的每个所述网络数据分析功能群组对应的所述机器学习模型进行更新迭代，直至达到预设条件，包括：
7.根据权利要求1所述的模型增强训练方法，其特征在于，所述方法还包括：
8.一种模型增强训练装置，其特征在于，包括：
9.一种电子设备，其特征在于，
10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种模型增强训练方法，其特征在于，包括：
2.根据权利要求1所述的模型增强训练方法，其特征在于，所述获取服务消费者的分析信息请求，包括至少以下之一：
3.根据权利要求1所述的模型增强训练方法，其特征在于，所述分析信息请求包括分析id；所述根据所述分析信息请求，从所述多节点集群中获取多个所述网络数据分析功能群组，包括：
4.根据权利要求1所述的模型增强训练方法，其特征在于，所述从所述多节点集群中获取多个所述网络数据分析功能群组这一步骤前；所述方法还包括：
5.根据权利要求1所述的模型增强训练方法，其特征在于，所述基于所述密钥获得加密样本...
【专利技术属性】
技术研发人员：常洁，林黛娣，严黎明，毕家瑜，黄海昆，项春林，陈正文，曾祥宇，
申请(专利权)人：天翼物联科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。