[发明专利]一种基于时延优化的通信网现场维护模型迁移方法

说明书

本发明公开了一种基于时延优化的通信网现场维护模型迁移方法，包括以下步骤：首先，基于相似度的服务需求分析分别计算类型相似度、名称相似度和解释信息相似度，减少无关信息的影响，提升服务匹配准确率，最终根据各个相似度的权重计算得到综合相似度；其次，根据服务需求相似度选择不同情况下的迁移方式，分别使用直接迁移、冻结骨干网络、多阶段迁移的方式进行模型迁移，解决了通信网智能运维环境复杂，迁移效率低的问题；最后，考虑任务时延、边缘节点资源、任务资源需求多种指标，使用多优先级队列模型以及改进的离散粒子群算法，完成通信网现场维护场景下的迁移任务和维护任务卸载，达到最小化任务时延，提升任务完成效率的目的。

技术领域

本发明涉及通信网现场维护技术领域，尤其涉及一种基于时延优化的通信网现场维护模型迁移方法。

背景技术

随着通信网不断扩展和结构日益复杂，通信网现场维护工作量大、管理问题多、自动化支撑工具缺乏等问题也日益突出。针对这些问题，通信网现场维护体系也开始采用移动边缘计算架构来提升通信网现场维护的质量和效率。在此场景中，通信网现场维护使用的模型由不同的边缘节点进行训练，模型相对独立。然而，通信网现场维护工作中接入边缘节点的智能终端设备(如可穿戴设备、巡检无人机、巡检机器人)均具有移动性，这导致其可接入的边缘节点会发生变化。但这些图像识别、故障诊断模型并非部署到所有的边缘节点，且模型难以直接迁移给其他边缘节点使用，若直接迁移训练后的模型，可能将导致模型迁移精度过差甚至无法使用。另外，在边缘节点进行模型迁移时将涉及到模型的训练，会耗费大量的计算资源，模型迁移的执行将影响到正常维护任务的执行。

为了解决上述问题，现有技术中已有关于模型迁移方法，如：

技术方案1：CN202111206993.4提出一种模型迁移方法、装置，上述方法包括：获取目标模型、验证数据集和参数微调数据集；对所述目标模型进行知识蒸馏处理，得到迁移模型，并在对所述目标模型进行所述知识蒸馏处理的过程中，根据所述验证数据集和所述知识蒸馏处理对应的误差函数，对所述迁移模型进行优化处理；使用所述参数微调数据集对所述迁移模型进行自监督训练，以对所述迁移模型的参数进行微调。采用上述技术手段，解决现有技术中，缺少机器人模型迁移的方法的问题。

技术方案2：CN202110510119.3提出一种模型迁移方法及装置，所述模型为评分卡模型，所述方法包括：基于源场景的第一训练样本、与第一训练样本数据对应的样本标签，训练得到与源场景对应的第一机器学习模型；获取目标场景的无标签的第二训练样本；其中，所述第二训练样本与所述第一训练样本的特征空间相同；基于调整所述第二训练样本的特征分布逼近所述第一训练样本的特征分布，将所述第一机器学习模型的已训练好的模型参数进行校准，得到模型参数校准后的第二机器学习模型，以完成模型迁移。

技术方案3：CN202010219449.2提出了一种模型迁移训练方法、装置、设备及存储介质，涉及人工智能领域。具体实现方案为：将源模型中至少两个迁移层的网络参数作为目标模型中关联的迁移层的初始参数；根据所述至少两个迁移层关联的训练参数与所述初始参数之间的距离，构建目标函数；基于所述目标函数，对包括有初始参数的目标模型进行训练。最终实现了对源模型的信息的继承以及目标模型的自适应，避免了模型迁移训练过程中的过拟合现象，提高了目标模型的泛化能力。

在现有的模型迁移方法中，技术方案1通过对目标模型进行知识蒸馏来得到迁移模型，并使用数据集对模型进行微调，但知识蒸馏的方法适用条件较为苛刻，且对参数较为敏感。技术方案2通过使用第一机器学习模型的已训练好的模型参数进行校准，得到模型参数校准后的第二机器学习模型，从而完成模型迁移，但该技术方案主要考虑了样本数据的分布，并没有对源模型和目的模型的服务需求展开研究。技术方案3通过引入迁移层的训练参数与初始参数之间的距离，从而在模型训练过程中兼顾各迁移层的模型迁移和训练情况，但仅关注参数间的关系，没有对源模型和目的模型的服务需求展开研究。另外，技术方案1、2、3均没有考虑到通信网现场维护场景下模型迁移对普通维护任务执行的影响，其方案均不适用于通信网现场维护场景。

发明内容