一种预训练大模型辅助的端到端网络意图分解及决策方法技术

一种预训练大模型辅助的端到端网络意图分解及决策方法，包括以下步骤；S101，输入有关于集中管理端到端网络意图；S102，基于CoT形式的Prompt工程优化用户输入的端到端网络意图；大模型智能体通过权重调整对端到端网络意图进行参数微调；S103，大模型智能体对端到端网络意图进行意图分解规划，生成不同的子目标/任务；S104，将动作指令集合输入至强化学习智能决策小模型，形成各域的动作空间；各域通过最大化奖励函数选取最佳动作指令；S105，利用各域的数据感知功能采集数据并反馈至大模型，大模型基于各域实时数据进行调整。本发明专利技术精准刻画语料并提升环境交互能力，提升强化学习智能决策模型的泛化能力和样本效率，使其更适用于各种交互决策场景。

【技术实现步骤摘要】

本专利技术属于网络意图分解及决策，具体涉及一种预训练大模型辅助的端到端网络意图分解及决策方法。

技术介绍

1、面向移动互联网流量的爆炸式增长、物联网海量终端的随遇接入需求，以及千行百业的新兴业务和异构应用场景等网络端到端时延和可靠性等要求，人类社会进入智能化时代，社会发展绿色节能化。第六代移动通信(6th-generation,6g)技术赋能的端到端网络为用户提供更高速率、更低延迟、质量可保障的无线信息通信服务，满足大规模地面组网下多样化、多元化、分级化的服务与业务需求。随着端到端网络用户接入数量增加、业务需求类型繁多、组网设备数量激增，存在网络结构更复杂、动态性更高、资源高度约束等问题。强化学习算法为解决上述问题提供了研究思路，通过设计基于强化学习的端到端网络多域优化框架，以进行高效快速的网络设计、分析、优化与管控。

2、当前强化学习的研究与应用中，智能体所处环境固定、任务领域特定，导致强化学习模型的泛化性与鲁棒性较低，同时在不同场景中泛化性能差、抽象程度低、轨迹信息量低，缺乏普适性，导致不同场景多智能体之间难以协同，无法建立通用预训练模型。本文档来自技高网...

【技术保护点】

1.一种预训练大模型辅助的端到端网络意图分解及决策方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的一种预训练大模型辅助的端到端网络意图分解及决策方法，其特征在于，所述S101的具体步骤为：用户首先明确网络管理需求，以自然语言形式将需求转换为明确表达的端到端网络意图；用户通过预训练大模型提供的API接口，将自然语言形式的端到端网络意图输入至大模型。

3.根据权利要求1所述的一种预训练大模型辅助的端到端网络意图分解及决策方法，其特征在于，所述S102中参数微调的具体步骤为：

4.根据权利要求3所述的一种预训练大模型辅助的端到端网络意图分解及决策方...

【技术特征摘要】

1.一种预训练大模型辅助的端到端网络意图分解及决策方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的一种预训练大模型辅助的端到端网络意图分解及决策方法，其特征在于，所述s101的具体步骤为：用户首先明确网络管理需求，以自然语言形式将需求转换为明确表达的端到端网络意图；用户通过预训练大模型提供的api接口，将自然语言形式的端到端网络意图输入至大模型。

3.根据权利要求1所述的一种预训练大模型辅助的端到端网络意图分解及决策方法，其特征在于，所述s102中参数微调的具体步骤为：

4.根据权利要求3所述的一种预训练大模型辅助的端到端网络意图分解及决策方法，其特征在于，所述cot形式的prompt工程优化端到端网络意图过程中，端到端网络意图要素具体为：

5.根据权利要求3所述的一种预训练大模型...

【专利技术属性】
技术研发人员：杨春刚，王瑶，李堂义，赵晓雪，张静雯，欧阳颖，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：