[发明专利]一种基于NWDAF的机器学习模型更新方法及装置

说明书

本申请提供了一种基于NWDAF的机器学习模型更新方法及装置，机器学习模型应用于NWDAF，方法包括：获取当前时刻的网络数据；通过变点检测，判断当前时刻的网络数据是否为变点；若当前时刻的网络数据是变点，获取当前时刻对应的第一预设时间范围内的网络数据；将第一预设时间范围内的网络数据作为训练样本，将在当前时刻之后间隔第二预设时间范围的时刻获取的网络数据作为标签，更新训练机器学习模型。本申请通过确定当前时刻的网络数据是否为突变数据来更新机器学习模型，解决了现有技术中发现NWDAF中部署的机器学习模型的预测精度下降的时间滞后的技术问题，达到提高NWDAF预测准确率的技术效果。

技术领域

本申请涉及5G通信技术领域，尤其涉及一种基于NWDAF的机器学习模型更新方法及装置。

背景技术

随着人工智能(Artificial Intelligence，AI)和机器学习(Machine Learning，ML)的发展，越来越多的领域开始运用AI/ML模型进行各种预测服务，以使操作人员依据AI/ML模型的预测结果进行分析或处理等操作。在通信领域中，AI/ML模型结合NWDAF(NetworkData Analytics Function，网络数据分析功能)可以在不同场景进行预测服务。

在现有技术中，NWDAF通过训练好的AI/ML模型进行预测得到预测数据，并计算AI/ML模型的预测精度(Accuracy in Use，AiU)。当AiU超过一定阈值后，则NWDAF就会触发对AI/ML模型进行重新训练。而计算AI/ML模型的预测精度AiU需要使用预测数据和真实数据进行计算，从而导致发现AI/ML模型的预测精度降低的时间滞后，进而影响NWDAF的预测准确率。

发明内容

有鉴于此，本申请的目的在于至少提供一种基于NWDAF的机器学习模型更新方法及装置，通过确定当前时刻的网络数据是否为突变数据，来更新机器学习模型，解决了现有技术中较为滞后的发现NWDAF中部署的机器学习模型的预测精度下降的技术问题，达到提高NWDAF的预测准确率的技术效果。

本申请主要包括以下几个方面：

第一方面，本申请实施例提供一种基于NWDAF的机器学习模型更新方法，其中，机器学习模型应用于网络数据分析功能NWDAF，方法包括：获取当前时刻的网络数据；通过变点检测，判断当前时刻的网络数据是否为变点；若当前时刻的网络数据是变点，则获取当前时刻对应的第一预设时间范围内的网络数据；将第一预设时间范围内的网络数据作为训练样本，将在当前时刻之后间隔第二预设时间范围的时刻获取的网络数据作为标签，更新训练机器学习模型。

可选地，NWDAF包括：模型训练功能模块MTLF和模型分析功能模块AnLF，方法还包括：AnLF接收用户发送的数据分析请求；MTLF确定数据分析请求对应的网络数据。

可选地，数据分析请求包括：预测终端的剩余电量、预测网络延时数据，预测网络传输速率。

可选地，获取当前时刻对应的第一预设时间范围内的网络数据，包括：确定第一预设时间范围内的网络数据的网络数据数量；将网络数据数量减去二得到剩余网络数据数量；将当前时刻的网络数据、上一时刻的网络数据、在上一时刻的网络数据之前的剩余网络数据数量的网络数据，作为当前时刻对应的第一预设时间范围内的网络数据；或者，将当前时刻的网络数据、上一时刻的网络数据、在上一时刻的网络数据之前的预设网络数据数量的网络数据、将当前时刻的网络数据之后的剩余网络数据数量减去预设网络数据数量的网络数据，作为当前时刻对应的第一预设时间范围内的网络数据。