基于时间间隙的服务质量QoS动态配置方法及系统技术方案

本发明专利技术公开了一种基于时间间隙的服务质量QoS动态配置方法及系统，该方法包括：B

【技术实现步骤摘要】
基于时间间隙的服务质量QoS动态配置方法及系统


[0001]本专利技术涉及通信服务
，尤其涉及一种基于时间间隙的服务质量QoS动态配置方法及系统。

技术介绍

[0002]5G技术不仅仅在通信速度上有着大幅提升，更重要的是，其方便了行业垂直应用通信网络，也即行业根据自身需求定制单独的通信网络。例如，在“交通、能源、娱乐、工业、智慧城市、医疗、农业、金融、教育”等垂直行业，面向移动通信运营商的通用的解决方案往往是不适用的，需要进行深度的定制化。
[0003]在5G移动通信的垂直行业应用中，对于通信质量有着较高的要求，目前，通过基于时间依赖的QoS(服务质量)来确保通信质量。QoS，即在5GS中预留一定时间的资源，可以满足数据短暂传输和周期性地使用重要的5GS资源的需求。在特定的时间保留资源，可以使需要传输数据的用户组更有效地多路复用。
[0004]对于一些特殊领域，例如银行，为了对客户进行智能分类，就需要很多客户的数据来训练智能处理模型，而训练模型就需要大量的数据(越多越好)，但是银行又要保护客户的信息，这就限制了模型的准确性。对此，目前采用联邦学习训练方法进行模型训练，也即每个银行用自己的数据训练模型，把得到的模型参数上传到服务器，服务器再通过算法把每个银行的模型参数进行综合，得到一个更准的模型，然后每个银行就可以向服务器下载综合后的模型进行分类。在这里，每个银行拥有一个本地的AI/ML(人工智能/机器学习)应用，每个本地的AI/ML应用必要时需要传输AI/ML模型参数给服务器，而每次传输时都需要基站为其提供相应的QoS配置，以确保通信质量。然而，由于现有QoS配置系统所提供的QoS配置在相当长的时间内固定不变(除非人为改变)，用户设备如果在约定的时间段(配置有QS服务的时间间隙)内不可用，也即AI/ML应用没有传输数据的需求，协议没有对网络的表现行为说明，但是基站和UPF(用户面功能)在该时间段仍然预留资源，这会造成网络资源浪费。

技术实现思路

[0005]本专利技术的目的是提供一种可根据本地目标区域相关应用对通信网络的使用情况智能动态调整QoS配置以提升通信资源利用率的基于时间间隙的服务质量QoS动态配置方法及系统。
[0006]为了实现上述目的，本专利技术公开了一种基于时间间隙的服务质量QoS动态配置方法，用于人工智能AI/机器学习ML应用通过通信系统向服务器传输AI/ML模型参数，该方法包括：
[0007]本地网络数据分析功能B
‑
NWDAF获取具备初始执行参数的数据表模型，所述数据表模型基于神经网络架构构建，所述数据表模型包括关联模型和QoS配置模型；
[0008]所述关联模型，用于根据当前区域AI/ML应用的业务类型生成相应的关联表，所述
关联表记录有与当前区域AI/ML应用的业务类型所对应的第一选择参数；
[0009]所述QoS配置模型，用于根据所述第一选择参数启动并生成QoS配置表，所述QoS配置表记录有当前区域在不同时间间隙所对应的QoS配置；
[0010]所述B
‑
NWDAF基于当前区域AI/ML应用所产生的动态数据对所述数据表模型进行实时训练，并对所述数据表模型的执行参数进行动态更新；
[0011]所述B
‑
NWDAF通过所述关联表和所述QoS配置表生成并下发与所述B
‑
NWDAF所属区域的业务类型相对应的QoS配置。
[0012]较佳地，所述B
‑
NWDAF通过心跳连接参数动态检测接入基站的AI/ML应用的状态。
[0013]较佳地，所述B
‑
NWDAF生成并下发QoS配置的方法包括：
[0014]所述B
‑
NWDAF从操作、管理和维护功能获取当前AI/ML应用所在区域的业务类型；
[0015]所述关联模型根据所获取到的业务类型输出相应的关联表，并从该关联表中提取出第一选择参数；
[0016]所述QoS配置模型根据该第一选择参数生成相应的QoS配置表；
[0017]基于所述关联表和所述QoS配置表生成QoS配置定时映射表，所述QoS配置定时映射表记录与当前区域AI/ML应用的业务类型在不同时间间隙所对应的QoS配置；
[0018]所述B
‑
NWDAF将新生成的所述QoS配置定时映射表下发到基站。
[0019]较佳地，所述数据表模型还包括突发率模型，所述关联表中还记录有与AI/ML应用的业务类型所对应的第二选择参数；
[0020]所述突发率模型，用于根据所述第二选择参数启动并生成突发率表；
[0021]所述突发率表，用于记录当前区域在不同的非约定时间段突发请求QoS配置的第一概率，所述非约定时间段为与当前QoS配置所对应的时间间隙之外的时间段；
[0022]当AI/ML应用在非约定时间段内请求QoS配置时，所述B
‑
NWDAF临时为该非约定时间段开辟相应的QoS配置，直至该AI/ML应用与基站断开连接，并更新所述第一概率的值；
[0023]判断所述第一概率是否大于预设值，如果是，则将该第一概率所对应的非约定时间段加入所述QoS配置表，并在该QoS配置表中为该非约定时间段设置相应的QoS配置，使得该非约定时间段变为约定时间段。
[0024]较佳地，所述数据表模型还包括掉线率模型，所述关联表中记录有与AI/ML应用的业务类型所对应的第三选择参数；
[0025]所述掉线率模型，用于根据所述所述第三选择参数启动并生成突发率表；
[0026]所述掉线率表，用于记录当前区域在不同的具有所述QoS配置的约定时间段内AI/ML应用与基站断开的第二概率；
[0027]在所述QoS配置表中的约定时间段内，当B
‑
NWDAF检测到所述AI/ML应用与基站断开连接时，对所述第二概率进行更新；
[0028]判断所述第二概率是否大于预设值，如果是，则将所述QoS配置表中的与该第二概率相对应的约定时间段内的QoS配置去除。
[0029]较佳地，所述B
‑
NWDAF从中心网络数据分析功能C
‑
NWDAF获取所述数据表模型。
[0030]较佳地，所述B
‑
NWDAF将训练更新后的数据表模型发送给所述C
‑
NWDAF，所述C
‑
NWDAF根据各个所述B
‑
NWDAF传送的数据表模型进行联合训练。
[0031]本专利技术还公开一种基于时间间隙的服务质量QoS动态配置系统，用于人工智能AI/
机器学习ML应用通过通信系统向服务器传输AI/ML模型参数，该系统包括：
[0032]初始模型获取模块，其用于基于本地网络数据分析功能B
‑
NWDAF获取具备初始执行参数的数据表模型，所述数据表模型基于神经网络架构构建，所述数据表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时间间隙的服务质量QoS动态配置方法，用于人工智能AI/机器学习ML应用通过通信系统向服务器传输AI/ML模型参数，其特征在于，该方法包括：本地网络数据分析功能B
‑
NWDAF获取具备初始执行参数的数据表模型，所述数据表模型基于神经网络架构构建，所述数据表模型包括关联模型和QoS配置模型；所述关联模型，用于根据当前区域AI/ML应用的业务类型生成相应的关联表，所述关联表记录有与当前区域AI/ML应用的业务类型所对应的第一选择参数；所述QoS配置模型，用于根据所述第一选择参数启动并生成QoS配置表，所述QoS配置表记录有当前区域在不同时间间隙所对应的QoS配置；所述B
‑
NWDAF基于当前区域AI/ML应用所产生的动态数据对所述数据表模型进行实时训练，并对所述数据表模型的执行参数进行动态更新；所述B
‑
NWDAF通过所述关联表和所述QoS配置表生成并下发与所述B
‑
NWDAF所属区域的业务类型相对应的QoS配置。2.根据权利要求1所述的基于时间间隙的服务质量QoS动态配置方法，其特征在于，所述B
‑
NWDAF通过心跳连接参数动态检测接入基站的AI/ML应用的状态。3.根据权利要求1所述的基于时间间隙的服务质量QoS动态配置方法，其特征在于，所述B
‑
NWDAF生成并下发QoS配置的方法包括：所述B
‑
NWDAF从操作、管理和维护功能获取当前AI/ML应用所在区域的业务类型；所述关联模型根据所获取到的业务类型输出相应的关联表，并从该关联表中提取出第一选择参数；所述QoS配置模型根据该第一选择参数生成相应的QoS配置表；基于所述关联表和所述QoS配置表生成QoS配置定时映射表，所述QoS配置定时映射表记录与当前区域AI/ML应用的业务类型在不同时间间隙所对应的QoS配置；所述B
‑
NWDAF将新生成的所述QoS配置定时映射表下发到基站。4.根据权利要求2所述的基于时间间隙的服务质量QoS动态配置方法，其特征在于，所述数据表模型还包括突发率模型，所述关联表中还记录有与AI/ML应用的业务类型所对应的第二选择参数；所述突发率模型，用于根据所述第二选择参数启动并生成突发率表；所述突发率表，用于记录当前区域在不同的非约定时间段突发请求QoS配置的第一概率，所述非约定时间段为与当前QoS配置所对应的时间间隙之外的时间段；当AI/ML应用在非约定时间段内请求QoS配置时，所述B
‑
NWDAF临时为该非约定时间段开辟相应的QoS配置，直至该AI/ML应用与基站断开连接，并更新所述第一概率的值；判断所述第一概率是否大于预设值，如果是，则将该第一概率所对应的非约定时间段加入所述QoS配置表，并在该QoS配置表中为该非约定时间段设置相应的QoS配置，使得该非约定时间段变为约定时间段。5.根据权利要求2所述的基于时间间...

【专利技术属性】
技术研发人员：关极婷，谢涵，
申请(专利权)人：广州爱浦路网络技术有限公司，
类型：发明
国别省市：