无线访问点控制器、操作方法和电子设备

技术领域

本发明涉及AP申报注册的领域，且更为具体地，涉及一种无线访问点控制器、无线访问点控制器的操作方法和电子设备。

背景技术

无线访问点控制器(Wireless Access Point Controller)是用于集中化控制无线AP的网络设备，负责管理无线网络中的所有无线AP，其中，无线访问点控制器对AP的管理包括：下发配置、修改相关配置参数、射频智能管理、接入安全控制等。

当AP工作在瘦模式时，需要注册到AC上，成功注册后才能接受AC的统一管理，这个过程也叫AP的上线。一般来说，单个AP申报注册时不会发生问题，但是例如在更换无线网络内的无线访问点控制器的场景下，会存在多个AP同时申报注册的情况。当多个AP同时申报注册时，一方面需要考虑各个AP的申报注册是否存在冲突，以提高AP申报注册的准确性，另一方面也不适于逐个审查每个AP的申报注册，以避免AP申报注册的效率降低。

因此，为了在保证准确性和效率的前提下实现多个AP的同时申报注册，期待一种无线访问点控制器的操作方法。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种无线访问点控制器、无线访问点控制器的操作方法和电子设备，其采用基于深度学习技术的语义理解模型在保证准确性和效率的前提下对于多个AP的申报注册信息进行集中处理，以确定每个AP的申报注册是否正确，以便实现多个AP的同时申报注册。通过这样的方式，一方面可以提高AP申报注册的准确性，另一方面还可以避免发生AP申报注册时效率较低的情况。

根据本申请的一个方面，提供了一种无线访问点控制器，其包括：

申报注册信息获取单元，用于获取多个无线AP同时申报注册时的多个申报注册信息；

语义转化单元，用于使用语义理解模型分别将所述多个无线AP的申报注册信息转化为语义特征向量；

矩阵构造单元，用于将对应于多个无线AP的申报注册信息的多个语义特征向量在样本维度上排列为注册信息矩阵；

神经网络单元，用于使用卷积神经网络从所述注册信息矩阵中提取出注册信息特征图，所述注册信息特征图的尺度为L*S*C，L代表语义特征向量的长度，S代表无线AP的数目，且C代表通道数；

特征值分解单元，用于将所述注册信息特征图在S维度上的每个L*C的特征矩阵进行特征值分解，以获得对应于每个所述L*C的特征矩阵的对角本征值矩阵和本征向量矩阵；

本征值向量构造单元，用于取每个所述L*C的特征矩阵的对角本征值矩阵中的本征值，以获得对应于每个无线AP的本征值向量；以及

申报注册判别单元，用于将所述本征值向量作为分类向量输入分类器以获得分类结果，所述分类结果用于表示无线AP的申报注册是否正确。

在上述无线访问点控制器中，所述申报注册信息，包括：“操作状态”、“无线IP地址”、“簇优先级”和“簇控制器”。

在上述无线访问点控制器中，所述语义转化单元，包括：分词处理子单元，用于对各个所述无线AP的申报注册信息进行分词处理；关键词标识单元，用于标识各个所述无线AP的申报注册信息的关键词；词向量转化单元，用于使用所述语义理解模型的词嵌入模型将所述无线AP的申报注册信息中的各个词转化为词向量以获得普通词向量序列和关键词向量序列；以及，上下文编码单元，用于将所述普通词向量序列和所述关键词向量序列按照所述无线AP的申报注册信息中的顺序进行排列后基于双向LSTM神经网络进行上下文编码，以获得所述语义特征向量。

在上述无线访问点控制器中，所述语义理解模型为将关键词作为实体的Bert模型。

在上述无线访问点控制器中，所述特征值分解单元，进一步用于：将所述注册信息特征图在S维度上的每个L*C的特征矩阵以如下公式进行特征值分解，以获得对应于每个所述L*C的特征矩阵的对角本征值矩阵和本征向量矩阵；所述公式为：L*C＝AΛA

在上述无线访问点控制器中，所述申报注册判别单元，进一步用于：将所述本征值向量作为分类向量输入Softmax分类函数以获得所述本征值向量归属于无线AP的申报注册正确的第一概率和所述本征值向量归属于无线AP的申报注册不正确的第二概率；以及，基于所述第一概率和所述第二概率的比较，确定所述分类结果。

在上述无线访问点控制器中，所述卷积神经网络以如下公式从所述注册信息矩阵中提取出注册信息特征图；所述公式为：

f

其中，f

根据本申请的另一方面，一种无线访问点控制器的操作方法，其包括：

获取多个无线AP同时申报注册时的多个申报注册信息；

使用语义理解模型分别将所述多个无线AP的申报注册信息转化为语义特征向量；

将对应于多个无线AP的申报注册信息的多个语义特征向量在样本维度上排列为注册信息矩阵；

使用卷积神经网络从所述注册信息矩阵中提取出注册信息特征图，所述注册信息特征图的尺度为L*S*C，L代表语义特征向量的长度，S代表无线AP的数目，且C代表通道数；

将所述注册信息特征图在S维度上的每个L*C的特征矩阵进行特征值分解，以获得对应于每个所述L*C的特征矩阵的对角本征值矩阵和本征向量矩阵；

取每个所述L*C的特征矩阵的对角本征值矩阵中的本征值，以获得对应于每个无线AP的本征值向量；以及

将所述本征值向量作为分类向量输入分类器以获得分类结果，所述分类结果用于表示无线AP的申报注册是否正确。

在上述无线访问点控制器的操作方法中，所述申报注册信息，包括：“操作状态”、“无线IP地址”、“簇优先级”和“簇控制器”。

在上述无线访问点控制器的操作方法中，使用语义理解模型分别将所述多个无线AP的申报注册信息转化为语义特征向量，包括：对各个所述无线AP的申报注册信息进行分词处理；标识各个所述无线AP的申报注册信息的关键词；使用所述语义理解模型的词嵌入模型将所述无线AP的申报注册信息中的各个词转化为词向量以获得普通词向量序列和关键词向量序列；以及，将所述普通词向量序列和所述关键词向量序列按照所述无线AP的申报注册信息中的顺序进行排列后基于双向LSTM神经网络进行上下文编码，以获得所述语义特征向量。

在上述无线访问点控制器的操作方法中，所述语义理解模型为将关键词作为实体的Bert模型。

在上述无线访问点控制器的操作方法中，将所述注册信息特征图在S维度上的每个L*C的特征矩阵进行特征值分解，以获得对应于每个所述L*C的特征矩阵的对角本征值矩阵和本征向量矩阵，包括：将所述注册信息特征图在S维度上的每个L*C的特征矩阵以如下公式进行特征值分解，以获得对应于每个所述L*C的特征矩阵的对角本征值矩阵和本征向量矩降；所述公式为：L*C＝AΛA

在上述无线访问点控制器的操作方法中，将所述本征值向量作为分类向量输入分类器以获得分类结果，所述分类结果用于表示无线AP的申报注册是否正确，包括：将所述本征值向量作为分类向量输入Softmax分类函数以获得所述本征值向量归属于无线AP的申报注册正确的第一概率和所述本征值向量归属于无线AP的申报注册不正确的第二概率；以及，基于所述第一概率和所述第二概率的比较，确定所述分类结果。

在上述无线访问点控制器的操作方法中，所述卷积神经网络以如下公式从所述注册信息矩阵中提取出注册信息特征图；所述公式为：

f

其中，f

根据本申请的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的无线访问点控制器的操作方法。

根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的无线访问点控制器的操作方法。

与现有技术相比，本申请提供的无线访问点控制器、无线访问点控制器的操作方法和电子设备，其采用基于深度学习技术的语义理解模型在保证准确性和效率的前提下对于多个AP的申报注册信息进行集中处理，以确定每个AP的申报注册是否正确，以便实现多个AP的同时申报注册。通过这样的方式，一方面可以提高AP申报注册的准确性，另一方面还可以避免发生AP申报注册时效率较低的情况。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的无线访问点控制器的应用场景图。

图2为根据本申请实施例的无线访问点控制器的框图。

图3为根据本申请实施例的无线访问点控制器中语义转化单元的框图。

图4为根据本申请实施例的无线访问点控制器的操作方法的流程图。

图5为根据本申请实施例的无线访问点控制器的操作方法的架构示意图。

图6为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如前所述，当AP工作在瘦模式时，需要注册到AC上，成功注册后才能接受AC的统一管理，这个过程也叫AP的上线。一般来说，单个AP申报注册时不会发生问题，但是例如在更换无线网络内的无线访问点控制器的场景下，会存在多个AP同时申报注册的情况，此时，如何实现多个AP的同时申报注册便于需要研究的问题。

当多个AP同时申报注册时，一方面需要考虑各个AP的申报注册是否存在冲突，以提高AP申报注册的准确性，另一方面也不适于逐个审查每个AP的申报注册，以避免AP申报注册的效率降低。因此，本申请的申请人考虑对于多个AP的申报注册信息进行集中处理，以便确定每个AP的申报注册是否正确。

AP在申报注册时，会基于信息项提交多项信息字段，例如“操作状态”、“无线IP地址”、“簇优先级”、“簇控制器”等等，由于这些信息字段之间也存在着语义方面的关联，因此在本申请的技术方案中，首先使用语义理解模型，将每个AP的申报注册信息转换为语义特征向量。并且，考虑到信息字段中的关键词以及上下文关系，语义理解模型可以使用将关键词作为实体的Bert模型结合融合上下文信息的双向LSTM神经网络。

这样，在获得每个AP的申报注册信息的语义特征向量之后，如上所述，为了挖掘出多个AP的申报注册信息之间的关联关系，例如，识别是否存在IP冲突、优先级冲突等固有模式，将对应于多个AP的语义特征向量在样本维度上排列为注册信息矩阵，并输入卷积神经网络以获得注册信息特征图，从而获得各个AP的语义信息的高维关联特征。该注册信息特征图的维度可以表示为L*S*C，其中L代表语义特征向量的长度，S代表AP的数目，且C代表通道数。

进一步地，考虑到全局平均值池化会损失过多的关键信息，为了得到对应于每个AP的L*C矩阵的更充分表达的特征值，将S维度上的每个L*C矩阵进行特征值分解，以得到L*C＝AΛA

这样，取对角本征值矩阵中的各本征值，就可以获得对应于每个AP的本征值向量，然后以该向量作为分类向量输入分类器，就可以得到每个AP的申报注册是否正确的分类结果。

基于此，本申请提出了一种无线访问点控制器，其包括：申报注册信息获取单元，用于获取多个无线AP同时申报注册时的多个申报注册信息；语义转化单元，用于使用语义理解模型分别将所述多个无线AP的申报注册信息转化为语义特征向量；矩阵构造单元，用于将对应于多个无线AP的申报注册信息的多个语义特征向量在样本维度上排列为注册信息矩阵；神经网络单元，用于使用卷积神经网络从所述注册信息矩阵中提取出注册信息特征图，所述注册信息特征图的尺度为L*S*C，L代表语义特征向量的长度，S代表无线AP的数目，且C代表通道数；特征值分解单元，用于将所述注册信息特征图在S维度上的每个L*C的特征矩阵进行特征值分解，以获得对应于每个所述L*C的特征矩阵的对角本征值矩阵和本征向量矩阵；本征值向量构造单元，用于取每个所述L*C的特征矩阵的对角本征值矩阵中的本征值，以获得对应于每个无线AP的本征值向量；以及，申报注册判别单元，用于将所述本征值向量作为分类向量输入分类器以获得分类结果，所述分类结果用于表示无线AP的申报注册是否正确。

图1图示了根据本申请实施例的无线访问点控制器的应用场景图。如图1所示，在该应用场景中，首先，获取多个无线AP(例如，如图1中所示意的B)同时申报注册时的多个申报注册信息；然后，将所述多个申报注册信息输入至部署有无线访问点算法的服务器中(例如，如图1中所示意的云服务器S)，其中，所述服务器能够以无线访问点算法对所述多个申报注册信息进行处理，以生成用于表示无线AP的申报注册是否正确的分类结果。

在该应用场景中，所述申报注册信息包括但不局限于“操作状态”、“无线IP地址”、“簇优先级”和“簇控制器”等。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

图2图示了根据本申请实施例的无线访问点控制器的框图。如图2所示，根据本申请实施例的无线访问点控制器200，包括：申报注册信息获取单元210，用于获取多个无线AP同时申报注册时的多个申报注册信息；语义转化单元220，用于使用语义理解模型分别将所述多个无线AP的申报注册信息转化为语义特征向量；矩阵构造单元230，用于将对应于多个无线AP的申报注册信息的多个语义特征向量在样本维度上排列为注册信息矩阵；神经网络单元240，用于使用卷积神经网络从所述注册信息矩阵中提取出注册信息特征图，所述注册信息特征图的尺度为L*S*C，L代表语义特征向量的长度，S代表无线AP的数目，且C代表通道数；特征值分解单元250，用于将所述注册信息特征图在S维度上的每个L*C的特征矩阵进行特征值分解，以获得对应于每个所述L*C的特征矩阵的对角本征值矩阵和本征向量矩阵；本征值向量构造单元260，用于取每个所述L*C的特征矩阵的对角本征值矩阵中的本征值，以获得对应于每个无线AP的本征值向量；以及，申报注册判别单元270，用于将所述本征值向量作为分类向量输入分类器以获得分类结果，所述分类结果用于表示无线AP的申报注册是否正确。

具体地，在本申请实施例中，所述申报注册信息获取单元210，用于获取多个无线AP同时申报注册时的多个申报注册信息。如前所述，一般来说，单个AP申报注册时不会发生问题，但是例如在更换无线网络内的无线访问点控制器的场景下，会存在多个AP同时申报注册的情况，当多个AP同时申报注册时，一方面需要考虑各个AP的申报注册是否存在冲突，以提高AP申报注册的准确性，另一方面也不适于逐个审查每个AP的申报注册，以避免AP申报注册的效率降低。因此，在本申请的技术方案中，将对于多个AP的申报注册信息进行集中处理，以便确定每个AP的申报注册是否正确，以实现多个AP的同时申报注册。值得一提的是，这里，所述申报注册信息包括但不局限于“操作状态”、“无线IP地址”、“簇优先级”和“簇控制器”等。

具体地，在本申请实施例中，所述语义转化单元220，使用语义理解模型分别将所述多个无线AP的申报注册信息转化为语义特征向量。应可以理解，AP在申报注册时，会基于信息项提交多项信息字段，例如“操作状态”、“无线IP地址”、“簇优先级”、“簇控制器”等等，由于这些信息字段之间也存在着语义方面的关联，因此在本申请的技术方案中，首先使用语义理解模型，将每个AP的申报注册信息转换为语义特征向量。并且，考虑到信息字段中的关键词以及上下文关系，语义理解模型可以使用将关键词作为实体的Bert模型结合融合上下文信息的双向LSTM神经网络。

更具体地，在本申请的实施例中，所述语义转化单元，包括：首先，对各个所述无线AP的申报注册信息进行分词处理，应可以理解，在对各个所述无线AP的申报注册信息进行识别之前，需要将各个所述无线AP的申报注册信息进行分词处理，以防止识别出的信息混乱。接着，标识各个所述无线AP的申报注册信息的关键词，也就是，将各个所述无线AP的申报注册信息的关键词和普通词区分开来。然后，使用所述语义理解模型的词嵌入模型将所述无线AP的申报注册信息中的各个词转化为词向量以获得普通词向量序列和关键词向量序列，也就是，以语义理解模型的词嵌入模型对所述无线AP的申报注册信息进行处理，以提取出所述无线AP的申报注册信息中普通词和关键词的语义信息。这里，所述语义理解模型可以为将关键词作为实体的Bert模型。最后，将所述普通词向量序列和所述关键词向量序列按照所述无线AP的申报注册信息中的顺序进行排列后基于双向LSTM神经网络进行上下文编码，以获得所述语义特征向量。这里，所述语义特征向量表示融合了所述无线AP的申报注册信息中的普通词的语义信息、关键词语义信息以及上下文关系的语义信息的关联特征。

图3图示了根据本申请实施例的无线访问点控制器中语义转化单元的框图。如图3所示，所述语义转化单元220，包括：分词处理子单元221，用于对各个所述无线AP的申报注册信息进行分词处理；关键词标识单元222，用于标识各个所述无线AP的申报注册信息的关键词；词向量转化单元223，用于使用所述语义理解模型的词嵌入模型将所述无线AP的申报注册信息中的各个词转化为词向量以获得普通词向量序列和关键词向量序列；以及，上下文编码单元224，用于将所述普通词向量序列和所述关键词向量序列按照所述无线AP的申报注册信息中的顺序进行排列后基于双向LSTM神经网络进行上下文编码，以获得所述语义特征向量。

具体地，在本申请实施例中，所述矩阵构造单元230和神经网络单元240，用于将对应于多个无线AP的申报注册信息的多个语义特征向量在样本维度上排列为注册信息矩阵，并使用卷积神经网络从所述注册信息矩阵中提取出注册信息特征图，所述注册信息特征图的尺度为L*S*C，L代表语义特征向量的长度，S代表无线AP的数目，且C代表通道数。应可以理解，在获得每个AP的申报注册信息的语义特征向量之后，为了挖掘出多个AP的申报注册信息之间的关联关系，例如，识别是否存在IP冲突、优先级冲突等固有模式。因此，在本申请的技术方案中，将对应于多个AP的语义特征向量在样本维度上排列为注册信息矩阵，并输入卷积神经网络，以通过卷积神经网络对所述注册信息矩阵进行处理，以提取出所述注册信息矩阵在高维空间中的特征表示，也就是，提取出所述各个AP的语义信息的高维关联特征，以获得注册信息特征图。这里，该所述注册信息特征图的维度可以表示为L*S*C，其中L代表语义特征向量的长度，S代表AP的数目，且C代表通道数。并且，该所述注册信息特征图表示融合了各个AP的语义信息的高维关联性特征。

值得一提的是，更具体地，在本申请实施例中，所述卷积神经网络以如下公式从所述注册信息矩阵中提取出注册信息特征图；所述公式为：

f

其中，f

具体地，在本申请实施例中，所述特征值分解单元250和本征值向量构造单元260，用于将所述注册信息特征图在S维度上的每个L*C的特征矩阵进行特征值分解，以获得对应于每个所述L*C的特征矩阵的对角本征值矩阵和本征向量矩阵，并取每个所述L*C的特征矩阵的对角本征值矩阵中的本征值，以获得对应于每个无线AP的本征值向量。应可以理解，考虑到全局平均值池化会损失过多的关键信息，为了使得到对应于每个AP的L*C矩阵的更充分表达的特征值。因此，在本申请的技术方案中，首先，将S维度上的每个L*C矩阵进行特征值分解，以得到对应于每个所述L*C的特征矩阵的对角本征值矩阵和本征向量矩降然后，再取每个所述L*C的特征矩阵的对角本征值矩阵中的各本征值，就可以获得对应于每个AP的本征值向量。这里，所述本征值向量表示融合了更多关键信息的多个AP的申报注册信息之间的深层关联特征。

更具体地，在本申请实施例中，所述特征值分解单元，进一步用于：将所述注册信息特征图在S维度上的每个L*S的特征矩阵以如下公式进行特征值分解，以获得对应于每个所述L*S的特征矩阵的对角本征值矩阵和本征向量矩阵；所述公式为：L*C＝AΛA

具体地，在本申请实施例中，所述申报注册判别单元270，用于将所述本征值向量作为分类向量输入分类器以获得分类结果，所述分类结果用于表示无线AP的申报注册是否正确。在一个具体示例中，所述申报注册判别单元，进一步用于：首先，将所述本征值向量作为分类向量输入Softmax分类函数以获得所述本征值向量归属于无线AP的申报注册正确的第一概率和所述本征值向量归属于无线AP的申报注册不正确的第二概率，这里，所述Softmax分类函数为：P＝exp(xi)/∑

综上，基于本申请实施例的所述无线访问点控制器200被阐明，其采用基于深度学习技术的语义理解模型在保证准确性和效率的前提下对于多个AP的申报注册信息进行集中处理，以确定每个AP的申报注册是否正确，以便实现多个AP的同时申报注册。通过这样的方式，一方面可以提高AP申报注册的准确性，另一方面还可以避免发生AP申报注册时效率较低的情况。

如上所述，根据本申请实施例的无线访问点控制器200可以实现在各种终端设备中，例如无线访问点算法的服务器等。在一个示例中，根据本申请实施例的无线访问点控制器200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该无线访问点控制器200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该无线访问点控制器200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该无线访问点控制器200与该终端设备也可以是分立的设备，并且该无线访问点控制器200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图4图示了无线访问点控制器的操作方法的流程图。如图4所示，根据本申请实施例的无线访问点控制器的操作方法，包括步骤：S110，获取多个无线AP同时申报注册时的多个申报注册信息；S120，使用语义理解模型分别将所述多个无线AP的申报注册信息转化为语义特征向量；S130，将对应于多个无线AP的申报注册信息的多个语义特征向量在样本维度上排列为注册信息矩阵；S140，使用卷积神经网络从所述注册信息矩阵中提取出注册信息特征图，所述注册信息特征图的尺度为L*S*C，L代表语义特征向量的长度，S代表无线AP的数目，且C代表通道数；S150，将所述注册信息特征图在S维度上的每个L*C的特征矩阵进行特征值分解，以获得对应于每个所述L*C的特征矩阵的对角本征值矩阵和本征向量矩阵；S160，取每个所述L*C的特征矩阵的对角本征值矩阵中的本征值，以获得对应于每个无线AP的本征值向量；以及，S170，将所述本征值向量作为分类向量输入分类器以获得分类结果，所述分类结果用于表示无线AP的申报注册是否正确。

图5图示了根据本申请实施例的无线访问点控制器的操作方法的架构示意图。如图5所示，在所述无线访问点控制器的操作方法的网络架构中，首先，使用语义理解模型(例如，如图5中所示意的SUM)分别将获取的多个无线AP同时申报注册时的所述多个无线AP的申报注册信息(例如，如图5中所示意的IN1-INn)转化为语义特征向量(例如，如图5中所示意的VS1-VSn)；接着，将对应于多个无线AP的申报注册信息的多个语义特征向量在样本维度上排列为注册信息矩阵(例如，如图5中所示意的MR)；然后，使用卷积神经网络(例如，如图5中所示意的CNN)从所述注册信息矩阵中提取出注册信息特征图(例如，如图5中所示意的FR)，所述注册信息特征图的尺度为L*S*C，L代表语义特征向量的长度，S代表无线AP的数目，且C代表通道数；接着，将所述注册信息特征图在S维度上的每个L*C的特征矩阵进行特征值分解，以获得对应于每个所述L*C的特征矩阵的对角本征值矩阵(例如，如图5中所示意的MD1-MDn)和本征向量矩阵(例如，如图5中所示意的ME1-MEn)；然后，取每个所述L*C的特征矩阵的对角本征值矩阵中的本征值，以获得对应于每个无线AP的本征值向量(例如，如图5中所示意的VE)；以及，最后，将所述本征值向量作为分类向量输入分类器(例如，如图5中所示意的圈S)以获得分类结果，所述分类结果用于表示无线AP的申报注册是否正确。

更具体地，在步骤S110和S120中，获取多个无线AP同时申报注册时的多个申报注册信息，并使用语义理解模型分别将所述多个无线AP的申报注册信息转化为语义特征向量。也就是，首先，获取多个无线AP同时申报注册时的多个申报注册信息，在一个具体示例中，所述申报注册信息包括但不局限于“操作状态”、“无线IP地址”、“簇优先级”和“簇控制器”等。然后，使用语义理解模型，将每个AP的申报注册信息转换为语义特征向量，并且，考虑到信息字段中的关键词以及上下文关系，语义理解模型可以使用将关键词作为实体的Bert模型结合融合上下文信息的双向LSTM神经网络。

更具体地，在步骤S130和S140中，将对应于多个无线AP的申报注册信息的多个语义特征向量在样本维度上排列为注册信息矩阵，并使用卷积神经网络从所述注册信息矩阵中提取出注册信息特征图，所述注册信息特征图的尺度为L*S*C，L代表语义特征向量的长度，S代表无线AP的数目，且C代表通道数。也就是，将对应于多个AP的语义特征向量在样本维度上排列为注册信息矩阵，并输入卷积神经网络，以通过卷积神经网络对所述注册信息矩阵进行处理，以提取出所述注册信息矩阵在高维空间中的特征表示，也就是，提取出所述各个AP的语义信息的高维关联特征，以获得注册信息特征图。这里，该所述注册信息特征图的维度可以表示为L*S*C，其中L代表语义特征向量的长度，S代表AP的数目，且C代表通道数。并且，该所述注册信息特征图表示融合了各个AP的语义信息的高维关联性特征。

更具体地，在步骤S150和步骤S160中，将所述注册信息特征图在S维度上的每个L*C的特征矩阵进行特征值分解，以获得对应于每个所述L*C的特征矩阵的对角本征值矩阵和本征向量矩阵，并取每个所述L*C的特征矩阵的对角本征值矩阵中的本征值，以获得对应于每个无线AP的本征值向量。应可以理解，考虑到全局平均值池化会损失过多的关键信息，为了得到对应于每个AP的L*C矩阵的更充分表达的特征值，首先，将S维度上的每个L*C矩阵进行特征值分解，以得到L*C＝AΛA

更具体地，在步骤S170中，将所述本征值向量作为分类向量输入分类器以获得分类结果，所述分类结果用于表示无线AP的申报注册是否正确。也就是，首先，将所述本征值向量作为分类向量输入Softmax分类函数以获得所述本征值向量归属于无线AP的申报注册正确的第一概率和所述本征值向量归属于无线AP的申报注册不正确的第二概率；然后，基于所述第一概率和所述第二概率的比较，确定所述分类结果。具体地，当所述第一概率大于所述第二概率时，所述分类结果为无线AP的申报注册正确；当所述第一概率小于所述第二概率时，所述分类结果为无线AP的申报注册不正确。

综上，基于本申请实施例的所述无线访问点控制器的操作方法被阐明，其采用基于深度学习技术的语义理解模型在保证准确性和效率的前提下对于多个AP的申报注册信息进行集中处理，以确定每个AP的申报注册是否正确，以便实现多个AP的同时申报注册。通过这样的方式，一方面可以提高AP申报注册的准确性，另一方面还可以避免发生AP申报注册时效率较低的情况。

下面，参考图6来描述根据本申请实施例的电子设备。如图6所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的无线访问点控制器的操作方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如注册信息特征图、本征值向量等各种内容。

在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

该输入系统13可以包括例如键盘、鼠标等等。

该输出系统14可以向外部输出各种信息，包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的无线访问点控制器的操作方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的无线访问点控制器的操作方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。