【技术实现步骤摘要】
本专利技术属于流量识别，具体涉及一种基于深度学习的智能化5g切片规划方法。
技术介绍
1、5g智能电网中，电业务识别是确保电网高效、稳定和安全运行的关键环节。随着电力系统的复杂性增加，对各种电业务的准确识别和快速响应变得尤为重要。目前虽然已经研发出多种电业务识别方法，但大部分是用于异常流量的二分类检测；
2、公开号为cn103532776a的专利申请，基于数据业务流来识别入侵流量；公开号为cn105184486a的专利申请则基于svm向量机进行流量识别。
3、但在实际运行中，由于模型成本、计算资源和实时性需求等多种因素的制约，仍存在明显的挑战和局限。例如，高精度的业务识别模型需要大量的计算资源，这在某些边缘计算场景中是不切实际的。
4、现阶段，面向电网的5g切片研究并不成熟。当前的技术手段尚不能满足不断增长的新业务接入需求。为了更好地服务于现代电力系统，亟需研发更加高效、灵活的5g切片规划和管理手段。
5、在分析现有技术(如cn103532776a和cn105184486a)所面临的挑战和局限时，可以从以下几个方面进行：
6、1.模型成本和计算资源：高精度的业务识别模型，如基于svm的流量识别模型，通常需要大量的计算资源。这对于计算能力有限的环境(如某些边缘计算场景)来说，实现这样的模型是不切实际的。这限制了模型的广泛部署和应用。
7、2.实时性需求：在电网等关键基础设施中，5g切片的实时性需求极高。当前技术在处理大量数据时无法实现实时性能，从而影响对紧急情
8、3.灵活性和适应性：随着新业务的不断接入，5g网络需要具备高度的灵活性和适应性来应对不断变化的需求。现有技术在快速适应新业务类型和流量模式方面存在局限。
9、4.准确性与复杂性的平衡：虽然高精度的业务识别模型可以提供较好的识别准确性，但这通常伴随着更高的模型复杂性。在资源受限的环境下，如何在准确性和模型复杂性之间取得平衡，是一个重要的挑战。
10、5.能耗问题：在特定应用场景(如边缘计算设备)中，能源效率是一个重要考量因素。高复杂度的模型导致过高的能耗，不利于在这些环境中的应用。
11、6.安全性和隐私问题：在处理敏感的电网数据时，需要确保数据的安全性和用户隐私。现有技术在确保数据安全和隐私保护方面需要进一步加强。
12、综上所述，尽管现有技术在5g切片的研究方面取得了一定进展，但在模型成本、计算资源、实时性需求、灵活性和适应性、能耗以及安全性等方面还面临着明显的挑战和局限，需要进一步的研究和改进。
技术实现思路
1、为了克服上述现有技术存在的不足，本专利技术的目的在于提供一种基于深度学习的智能化5g切片规划方法，该方法既能满足实时性要求，又能在有限的计算资源下实现高精度识别的电业务识别，确保5g智能电网的稳定与高效运行。
2、为了实现上述目的，本专利技术采用的技术方案是：
3、基于深度学习的智能化5g切片规划方法，包括以下步骤；
4、步骤1：将pcap数据包中的有效载荷信息(即packet data)转化为可视化为图像,并对图像进行预处理；
5、步骤2：训练cnn神经网络，并对其进行优化，计算损失函数以衡量模型性能；利用cnn神经网络对预处理的图像进行关键特征的提取，根据提取的关键特征实现对电网业务的识别，用于5g切片模板的绑定，实现网络资源按需分配；
6、步骤3：基于电业务识别结果，智能化生成切片参数，辅助5g切片模块智能绑定网络切片，实现网络资源按需分配。
7、所述步骤1具体包括以下步骤：
8、步骤1.1：有效载荷信息提取
9、采用python进行pcap数据包的解析以及有效载荷信息提取；根据pcap数据包结构特征提取关键信息，pcap数据包由pcap(packet capture)包头、数据包的包头(packetheader)和数据包内容(packet data)组成；通过读取packet header确定数据包内容的位置和长度，从而获取数packet data；即有效载荷信息；
10、步骤1.2：有效载荷信息转为图片
11、从pcap数据包中提取了所有的packetdata数据后，将数据内容转换为特定大小的二维图像，即jpg格式的图片；
12、步骤1.3：数据增强
13、对所述二维图像进行数据增强。即对所述jpg格式的图片进行旋转、反转、缩放、平移与剪切，向jpg格式的图片中添加随机噪声；包括导入所需的库和模块、打开jpg图像文件、将图像转换为像素数组、遍历图像的每个像素并为每个像素的rgb通道添加随机噪声、限制像素值在0到255之间以及保存添加噪声后的图像为新的jpg文件，以增加数据的鲁棒性。
14、所述步骤1.1中，根据pcap数据包特征，直接从pcap数据包中提取[36:40]字节来获取packet data，在数据提取后，根据预定的图像大小(nxn)，需要对提取到的数据进行处理，以获取符合要求的二维矩阵；
15、对数据包内容，即有效载荷信息进行限定；首先，判断数据包内容的长度是否大于n^2，如果数据包内容的长度小于n^2，说明数据不足以填充整个图像，因此需要进行零填充操作；如果数据包内容的长度大于n^2，则需要对数据包内容进行截取操作，以确保二维矩阵的大小为nxn，通过截取前n^2个数据，保留最相关的信息，并将其重塑为nxn的二维矩阵。
16、所述步骤1.2具体为：
17、首先需要包含pcap data数据的二维矩阵后，并按照预定义的尺寸重组为二维矩阵；如果提取的数据长度小于预定义的尺寸，通过零填充的方式调整图像大小以匹配预定义的尺寸，然后使用opencv库将其保存为jpg格式的图片。
18、所述步骤2具体包括以下步骤：
19、步骤2.1：轻量化卷积神经网络
20、采用卷积神经网络对电网业务识别，在保证识别精度的情况下，实现轻量化的cnn模型；卷积神经网络包括3个卷积层、2个池化层、以及2个全连接层；
21、将所得图像输入到轻量化的卷积神经网络中，使用softmax进行分类；
22、cnn模型首先将输入数据经过一个卷积层处理，产生尺寸为30×30×32的特征映射，紧接着，一个池化层将特征映射的尺寸减半至15×15×32之后，数据流经第二个卷积层，得到一个13×13×64的特征映射；再一次池化后，特征映射尺寸缩小至6×6×64；最后一次卷积得到4×4×64的特征映射；最后将特征映射展平成一个一维数组，然后通过两次全连接操作，最终得到分类结果；
23、将经过数据处理过所述的jpg格式的图片输入到cnn模型中，最后使用softmax进行分类，在保证精度的前提下，实现了更加简单的网络模型。
24、步骤2.2.：采用tensorflowke本文档来自技高网...
【技术保护点】
1.一种基于深度学习的智能化5G切片规划方法，其特征在于，包括以下步骤；
2.如权利要求1所述的基于深度学习的智能化5G切片规划方法，其特征在于，所述步骤1具体包括以下步骤：
3.如权利要求2所述的基于深度学习的智能化5G切片规划方法，其特征在于，所述步骤1.1中，根据Pcap数据包特征，直接从Pcap数据包中提取[36:40]字节来获取数据包内容，在数据提取后，根据设定的图像大小，对提取到的数据进行处理，以获取符合要求的二维矩阵。
4.如权利要求3所述的基于深度学习的智能化5G切片规划方法，其特征在于，对数据包内容，即有效载荷信息进行限定；
5.如权利要求4所述的基于深度学习的智能化5G切片规划方法，其特征在于，所述步骤1.2具体为：
6.如权利要求1所述的基于深度学习的智能化5G切片规划方法，其特征在于，所述步骤2具体包括以下步骤：
7.如权利要求6所述的基于深度学习的智能化5G切片规划方法，其特征在于，卷积神经网络首先将输入数据经过一个卷积层处理，产生尺寸为30×30×32的特征映射，紧接着，一个池化层
8.如权利要求6所述的基于深度学习的智能化5G切片规划方法，其特征在于，使用model.fit()方法训练模型，传入训练数据、标签，以及训练轮次(epochs)和批次大小(batchsize)，在训练完成后，使用model.evaluate()方法评估模型的性能，传入测试数据和测试标签；
9.如权利要求1所述的基于深度学习的智能化5G切片规划方法，其特征在于，所述步骤3具体包括以下步骤；
10.一种实施权利要求1～9任意一项所述基于深度学习的智能化5G切片规划方法的基于深度学习的智能化5G网络切片规划系统，其特征在于，所述基于深度学习的智能化5G网络切片规划系统包括：
...【技术特征摘要】
1.一种基于深度学习的智能化5g切片规划方法，其特征在于，包括以下步骤；
2.如权利要求1所述的基于深度学习的智能化5g切片规划方法，其特征在于，所述步骤1具体包括以下步骤：
3.如权利要求2所述的基于深度学习的智能化5g切片规划方法，其特征在于，所述步骤1.1中，根据pcap数据包特征，直接从pcap数据包中提取[36:40]字节来获取数据包内容，在数据提取后，根据设定的图像大小，对提取到的数据进行处理，以获取符合要求的二维矩阵。
4.如权利要求3所述的基于深度学习的智能化5g切片规划方法，其特征在于，对数据包内容，即有效载荷信息进行限定；
5.如权利要求4所述的基于深度学习的智能化5g切片规划方法，其特征在于，所述步骤1.2具体为：
6.如权利要求1所述的基于深度学习的智能化5g切片规划方法，其特征在于，所述步骤2具体包括以下步骤：
7.如权利要求6所述的基于深度学习的智能化5g切片规划方法，其特征在于，卷积神经网络首先将输入数据经过一个卷积层处理...
【专利技术属性】
技术研发人员：黄成斌，丛犁，窦增，周阳，陈晨，赵亮，张艳，李佳，毕彦君，张强，
申请(专利权)人：国网吉林省电力有限公司，
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。