[发明专利]5G网络切片的自动分类方法、其装置、电子设备及计算机存储介质

权利要求书

1.一种5G网络切片的自动分类方法，其特征在于，所述方法包括：

根据服务等级协议的历史数据，生成训练数据集合；

使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练；

在所述神经网络模型收敛至目标优化结果时，输出当前的神经网络模型作为在线分类器；

获取当前服务等级协议的用户需求并输入所述在线分类器；

通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型。

2.根据权利要求1所述的方法，其特征在于，所述根据服务等级协议的历史数据，生成训练数据集合，进一步包括：

标注所述历史数据中的服务等级协议所属的网络切片类型；

确定定义所述服务等级协议的用户需求的若干个需求属性；

获取所述服务等级协议中的每个所述需求属性的属性值。

3.根据权利要求2所述的方法，其特征在于，所述获取所述服务等级协议中的每个所述需求属性的属性值之后，进一步包括：

将非数值型的属性值转换为数值型的属性值；

对所述服务等级协议中，每个所述需求属性的属性值均进行归一化处理。

4.根据权利要求2所述的方法，其特征在于，所述基于深度学习框架搭建的神经网络模型包括：输入层、全连接层以及输出层；

所述输入层含有与所述需求属性数量对应的神经元，用于输入所述服务等级协议的需求属性；

所述输出层含有与所述网络切片类型相对应的神经元，用于输出所述服务等级协议属于对应网络切片类型的概率；

所述全连接层设置有多层，每一层包含若干个神经元，用于根据输入的多个需求属性，对所述服务等级协议进行分类；

每一个所述全连接层之后设置有一个舍弃层；所述舍弃层用于以预设的舍弃概率使所述全连接层中的部分神经元失效。

5.根据权利要求4所述的方法，其特征在于，所述全连接层设置有6层，包括第一至第六全连接层；

所述第一和第二全连接层包含64个神经元，所述第三和第四全连接层包含32个神经元，所述第五和第六全连接层包含16个神经元；所述舍弃层的神经元舍弃概率设置为20％。

6.根据权利要求4所述的方法，其特征在于，所述使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练，进一步包括：

通过所述神经网络模型，计算所述历史数据中的服务等级协议属于不同网络切片类型的概率；

根据所述神经网络模型对服务等级协议的分类错误的概率，计算所述神经网络模型的对数损失；

通过适应性矩阵估计优化算法求解使所述对数损失最小的神经网络模型。

7.根据权利要求1所述的方法，其特征在于，所述通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型之后，进一步包括：

输出与所述网络切片类型对应的切片模板。

8.一种5G网络切片的自动分类装置，其特征在于，所述装置包括：

数据预处理模块，用于根据服务等级协议的历史数据，生成训练数据集合；

模型训练模块，用于使用所述训练数据集合，对基于深度学习框架搭建的神经网络模型进行训练；

分类器生成模块，用于在所述神经网络模型收敛至目标优化结果时，输出当前的神经网络模型作为在线分类器；

用户需求提取模块，用于获取当前服务等级协议的用户需求并输入所述在线分类器；

输出模块，用于通过所述在线分类器识别所述当前服务等级协议所属的网络切片类型。

9.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7任一项所述的自动分类方法。

10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7任一项所述的自动分类方法。