切片局数据调整方法及装置、控制系统

技术领域

本发明实施例涉及通信技术领域，具体涉及一种切片局数据调整方法及装置、控制系统。

背景技术

网络切片(Network Slice)是端到端的逻辑功能和其所需的物理或虚拟资源集合，包括接入网、传输网、核心网等，网络切片可认为是5G网络中的虚拟化“专网”网络切片是基于NFV的统一基础设施构建，实现低成本高效运营。

网络切片技术可以实现通信网络的逻辑隔离，允许在每个网络切片中配置和重用网络元件及功能以满足特定的行业应用需求。

现有技术中，5G网络切片局数据的调整需要依靠人工配置，如运维人员需要通过U2000进行手工配置，效率低下，灵活性不够，响应不及时，不适应5G切片面向垂直行业的规模应用、不适应垂直行业对于业务的动态调整需求。

发明内容

鉴于上述问题，本发明实施例提供了一种切片局数据调整方法及装置、控制系统，克服了上述问题或者至少部分地解决了上述问题。

根据本发明实施例的一个方面，提供了一种切片局数据调整方法，所述方法包括：获取切片应用的业务调整需求及当前存放的切片局数据；分别对所述业务调整需求及所述当前存放的切片局数据进行预处理；将经过预处理的业务调整需求及当前存放的切片局数据输入至神经网络模型进行调整，得到目标切片局数据。

在一种可选的方式中，所述获取切片应用的业务调整需求及当前存放的切片局数据之前还包括：获取数据集并对所述数据集进行预处理；搭建神经网络模型并优化所述神经网络模型。

在一种可选的方式中，所述分别对所述业务调整需求及所述当前存放的切片局数据进行预处理，包括：分别对所述业务调整需求及所述当前存放的切片局数据进行文本序列化处理，得到对应的序列化处理结果；

所述将所述业务调整需求及所述当前存放的切片局数据输入至神经网络模型进行调整，得到目标切片局数据，包括：将所述业务调整需求及所述当前存放的切片局数据输入至所述优化的神经网络模型中进行调整，得到所述目标切片局数据。

在一种可选的方式中，所述神经网络模型包括编码器及与其连接的解码器，所述将所述业务调整需求及所述当前存放的切片局数据输入至所述优化的神经网络模型中进行调整，得到所述目标切片局数据，包括：将所述业务调整需求及所述当前存放的切片局数据输入至所述编码器进行编码处理，输出上下文向量；将所述上下文向量输入至所述解码器进行运算处理，输出目标切片数据。

在一种可选的方式中，所述编码器包括第一编码分支、第二编码分支及分别与所述第一编码分支及第二编码分支连接的合并层，所述将所述业务调整需求及所述当前存放的切片局数据输入至所述编码器进行编码处理，输出上下文向量，包括：将所述业务调整需求输入至所述第一编码分支进行编码处理，输出第一向量；将所述当前存放的切片局数据输入至所述第二编码分支进行编码处理，输出第二向量；将所述第一向量及第二向量输入至所述合并层进行合并处理，输出上下文向量。

在一种可选的方式中，所述第一编码分支包括依次连接的第一嵌入层、第一编码层及第二编码层，所述第二编码分支包括：依次连接的第二嵌入层、第三编码层及第四编码层，所述第二编码层及第四编码层分别与所述合并层连接，所述解码层包括：依次连接的第一解码层、第二解码层及全连接层，其中：所述将所述业务调整需求输入至所述第一编码分支进行编码处理，输出第一向量，包括：将所述业务调整需求输入到所述第一嵌入层进行向量映射，输出第一映射结果；将所述第一映射结果输入至所述第一编码层进行编码处理，输出第一编码数据；将所述第一编码数据输入至所述第二编码层进行编码处理，输出所述第一向量；所述将所述当前存放的切片局数据输入至所述第二编码分支进行编码处理，输出第二向量，包括：将所述当前存放的切片局数据输入至所述第二嵌入层进行向量映射，输出第二映射结果；将所述第二映射结果输入至所述第三编码层进行编码处理，输出第二编码数据；将所述第二编码数据输入至所述第四编码才进行编码处理，输出所述第二向量；所述将所述上下文向量输入至所述解码器进行运算处理，输出目标切片数据，包括：将所述上下文向量输入至所述第一解码层进行解码处理，输入第一解码数据；将所述第一解码数据输入至所述第二解码层进行解码处理，输出第二解码数据；将所述第二解码数据输入至所述全连接层进行运算处理，输出目标切片局数据。

根据本发明实施例的另一个方面，提供了一种切片局数据调整装置，包括：获取模块，用于获取切片应用的业务调整需求及当前存放的切片局数据；预处理模块，用于分别对所述业务调整需求及所述当前存放的切片局数据进行预处理，并输入至神经网络模型；神经网络模型，用于基于经过预处理的业务调整需求及当前存放的切片局数据进行调整，输出目标切片局数据。

根据本发明实施例的另一方面，提供了控制系统，所述控制系统包括：通信业务管理功能模块，用于接收用户的业务调整需求，并根据所述业务调整需求从网络切片管理功能模块中获取当前存放的切片局数据，将所述业务调整需求及所获取的当前存放的切片局数据传输给切片局数据调整装置；切片局数据调整装置，用于分别对所述业务调整需求及所述当前存放的切片局数据进行预处理，将经过预处理的业务调整需求及当前存放的切片局数据输入至神经网络模型进行调整，得到目标切片局数据，将所述目标切片局数据发送给所述网络切片管理功能模块；网络切片管理功能模块，用于接收并下发所述目标切片局数据。

根据本发明实施例的另一方面，提供了一种设备，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上述抑切片局数据调整方法的步骤。

根据本发明实施例的又一方面，提供了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，所述可执行指令使所述处理器执行上述切片局数据调整方法步骤。

本发明实施例中，根据行业用户的需求及当前存放的切片局数据，利用神经网络模型来进行调整，输出目标切片局数据，可实现动态调整目的。

上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明第一实施例提供的切片局数据调整方法的流程示意图；

图2示出了本发明第一实施例提供的切片局数据调整方法的步骤S3的具体流程示意图；

图3示出了本发明第二实施例的切片局数据调整装置的结构示意图；

图4示出了示出了本发明第三实施例的控制系统的结构示意图；

图5示出了本发明第四实施例的设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

图1示出了本发明第一实施例提供的切片局数据调整方法的流程示意图。如图1所示，该切片局数据调整方法应用于切片局数据调整装置，该切片局数据调整方法包括：

步骤S1，获取切片应用的业务调整需求及当前存放的切片局数据；

具体地，获取切片应用的业务调整需求及当前存放的切片局数据，如由通信业务管理功能模块(CSFM，Communication Service Management Function)发送的切片应用的业务调整需求及当前存放的切片局数据，其中，该通信业务管理功能模块首先接收行业用户发起的业务调整需求，该通信业务管理功能模块将该业务调整需求发送给网络切片管理功能模块(NSMF，Network Slice Management Function)，该网络切片管理功能模块根据该业务调整需求向通信业务管理功能模块反馈当前存放的切片局数据。该通信业务管理功能模块将该业务调整需求及对应的切片局数据输入至切片局数据调整装置，需要说明的是，该通信业务管理功能模块可首先将业务调整需求发送给切片局数据调整装置，在得到网络切片管理功能模块反馈的当前存放的切片局数据后再将所述切片局数据输入至切片局数据调整装置，或者，可同时输入该业务调整需求及切片局数据，此处对此不作限制。其中，该当前存放的切片局数据指的是当前的且与所述业务调整需求对应的切片局数据。

进一步地，该网络切片管理功能模块接收到业务调整需求时，对该业务调整需求进行分解，得到业务调整子需求，然后将该业务调整子需求下发给对应的网络切片子网管理功能模块(NSSMF，Network Slice Subnet Management Function)，该网络切片子网管理功能模块对网络切片子网实例进行管理，编排网络切片子网实例的组成，将网络切片子网的SLA需求映射为网络服务的服务质量(QOS,Quality of Service)需求，向ETSI NFV域的网络功能虚拟化编排功能模块(NFVO，NFV Orchestrator)系统下发网络服务的部署请求，网络功能虚拟化编排功能模块负责网络服务的编排和管理，将网络服务需求转换为对应网络功能的需求，向VNFM系统下发VNF的部署请求，得到当前存放的切片局数据。

步骤S2，分别对业务调整需求及当前存放的切片局数据进行预处理；

具体地，分别对业务调整需求及当前存放的切片局数据进行预处理，如分别对业务调整需求及当前存放的切片局数据进行文本序列处理，使得数据格式统一化，以便于数据的匹配使用，与后续的神经网络模型适配。

步骤S3，将经过预处理的业务调整需求及当前存放的切片局数据输入至神经网络模型进行调整，得到目标切片局数据；

具体地，将经过预处理的业务调整需求及当前存放的切片局数据输入至神经网络模型中进行调整，得到目标切片局数据；将业务调整需求及当前存放的切片局数据在神经网络模型中进行学习调整，输出目标切片局数据。

在本实施例中，根据行业用户的需求及当前存放的切片局数据，利用神经网络模型来进行调整，输出目标切片局数据，可实现动态调整目的。

在本实施例的一个优选方案中，该步骤S1之前还包括：

获取数据集并对数据集进行预处理；

具体地，从通信业务管理功能模块中获取历史行业用户的业务调整需求，并从网络切片管理功能模块中获取每一次历史用户的业务调整前的切片局数据和业务调整后的切片局数据，将所获取的数据(业务调整需求、切片局数据)形成数据集，并分为测试集及训练集。

进一步地，该切片应用的业务调整需求可为以下的一种或多种：时延(例如小于5ms)、吞吐率、丢包率、掉话率、可靠性(例如99.999％)、服务范围、用户规模、隔离性(例如强、中、弱)、安全性(例如强、中、弱)、网络能力(大连接、低时延、高带宽)、接入方式、maxTP/site(例如5Gbps)；

进一步地，每一条切片局数据包含无线网子切片局数据、传输网子切片局数据、核心网子切片局数据。无线网子切片局数据可以包括：最大支持小区数、最大吞吐量(DL+UL)、最大RRC连接用户数、单gNodeB最大数据无线承载、上下行比例、扇区个数、频谱效率、Xn流量占比等；传输网子切片局数据可以包括：接入层带宽、汇聚层带宽、核心层带宽、承载网时延、单跳平均时延、设备转发时延、时间同步要求(例如350ns)等；核心网子切片局数据可包括：CPU、内存、存储等。

在本实施例的一个优选方案中，数据集的预处理过程如下：

分别对业务调整需求集及切片局数据集进行文本序列化处理，得到序列化处理结果；

具体地，对历史行业用户的业务调整需求集、以及对应的用户业务调整前的切片局数据集和业务调整后的切片局数据集进行文本清洗并将文本序列化处理。例如：移除所有标点符号，若文本为中文则对文本进行分词处理、若文本为英文则将字母统一为小写，同时将每个词索引化处理，使得每一段文本被转化成一段索引数字，并对未达到最大文本长度的序列补零处理；取行业用户的业务调整需求集中的长度最长者(emand-adjustment_length)作为该业务调整需求集的序列长度，取其词典大小为demand-adjustment_vocab_size(数据集的词典大小是根据该数据集中出现的单词数量来确定),取对应的用户业务调整前的切片局数据集的长度最长者(ore-adjustment_length)作为调整前的切片局数据集的索引序列长度，取其词典大小为before-adjustment_vocab_size，取对应的用户业务调整后的切片局数据集的长度最长者er-adjustment_length作为调整后的切片局数据的索引序列长度，取其词典大小为after-adjustment_vocab_size。

优选地，若存在多个业务调整需求，获取每一业务调整需求的索引序列，将长度最长的索引序列作为基准索引序列(其长度作为基准长度)，将其序列长度作为所在数据集的索引序列长度，将数据集中的其他业务调整需求对应的索引序列长度进行补偿，得到每一业务调整需求的最终索引序列，如基准索引序列长度为284928398(9位)，某一条业务调整需求对应的索引序列为：29854897(8位)，则基于该基准索引序列的基准长度，需要对其进行补零处理，得到最终的索引序列为：298548970。

分别基于序列化处理结果形成对应的索引结果，得到索引结果集；

具体地，将每一索引结构集合起来形成索引结果集；

将索引结果集分为对应的测试集及训练集；

具体地，将索引结果集分为测试集及训练集，该训练集用于输入至神经网络模型中进行训练优化以训练该神经网络模型，该测试集用户输入至神经网络模型作为测试数据以测试所述神经网络模型。优选地，将该索引结果集中的90％的数据作为训练集，将10％作为测试集。

搭建神经网络模型并优化神经网络模型；

具体地，通过深度学习框架搭建编码神经网络模型，所述神经网络模型包括编码器及与其连接的解码器，其中，编码器用于将行业用户的业务调整需求和对应的调整前的切片局数据(包括多个子切片局数据)中的各子切片局数据文本分别编码成对应的向量，然后将编码得到的向量合并为上下文向量；如分别将行业用户的业务调整需求及对应的切片局数据分别编码成对应的向量，并合并为上下文向量，如编码得到的向量分别为[1,2,3]和[4,5,6]，将两个向量合并为[1,2,3,4,5,6]，需要说明的是，是将业务需求调整与对应的每一子切片局数据编码成对应的向量，将编码成的向量合并成上下文向量，得到每一子切片局数据对应的上下文向量。

解码器对编码得到的上下文向量进行解码生成该切片调整后的各子切片局数据，自动学习解码所得的上下文向量与预设的调整后切片局数据之间的映射关系，得到对应的目标函数，采用梯度下降法获取所述目标函数的目标权重值，以所述目标权重值对应的神经网络模型作为所述优化的神经网络模型。

具体地，解码器对编码得到的上下文向量进行解码生成该切片调整后的各子切片局数据，自动学习解码所得的上下文向量与预设的调整后局数据之间的映射关系，基于预设的调整后切片局数据计算目标函数，利用梯度下降法获取所述目标函数的目标权重值，以所述目标权重值对应的神经网络模型作为所述优化的神经网络模型，其中，所述预设的调整后切片局数据是预先设置的。所述目标函数具体为f(x)，利用该函数的导数来获取最小值，该最小值即为目标权重值，在获取目标权重值后，保存当前的神经网络模型，以此作为优化的神经网络模型。

优选地，采用categorical crossentropy多类交叉熵作为目标函数，该目标函数具体为：

所述编码器包括第一编码分支、第二编码分支及分别与所述第一编码分支及第二编码分支连接的合并层，该第一分支包括：依次连接的第一嵌入层、第一编码层及第二编码层，第二分支包括：依次连接的第二嵌入层、第三编码层及第四编码层，其中，所述第二编码层及第四编码层分别与所述合并层连接。该解码器包括：依次连接的第一解码层、第二解码层及全连接层，其中，所述合并层与所述第一解码层连接。

在本实施例的进一步优选方案中，该第一分支还包括与所述第一嵌入层连接的输入层，用以输入行业用户的业务调整需求，该业务调整需求的索引序列长度为：demand-adjustment_length，该第一输入层输出的数据的结构为：(None,demand-adjustment_length)；第一嵌入层将每个词转化为向量，输入数据维度为demand-adjustment_vocab_size，将词转换为128维度的空间向量后输出，输入文本序列长度为demand-adjustment_length，因此该第一嵌入层输出数据的结构为(None,demand-adjustment_length，128)。该层的作用是对输入的词进行向量映射，将每个词的索引转换为128维的固定形状向量；第一编码层及第二编码层均为LSTM编码层，包括含128个LSTM神经元，对应的激活函数为“relu”，该层输出数据的结构为(None,demand-adjustment_length,128)；

第二分支还包括与第二嵌入层连接的第二输入层，所述第二输入层用以输入当前存放的切片局数据，该第二输入层索引化后的业务调整前切片局数据，每条索引序列长度为before-adjustment_length，因此该层输出数据的结构为(None,before-adjustment_length)；第二嵌入层利用词嵌入将每个词转化为向量，输入数据维度为before-adjustment_vocab_size，输出设置为需要将词转换为128维度的空间向量，输入序列长度为before-adjustment_length，因此该层输出数据的结构为(None,before-adjustment_length，128)；第三编码层及第四编码层均为LSTM编码层，每一LSTM编码层包括128个LSTM神经元，对应的激活函数设置为“relu”,该层输出数据的结构为(None,before-adjustment_length,128)；

在本实施例中，解码器包括以此连接的第五解码层、第六解码层及全连接层，其中，第五及第六解码层的结构与前述的第一、第二、第三、第四解码层的结构及功能一致，均为LSTM解码层，包括128个LSTM神经元，对应的激活函数为“relu”，经过所述第五解码层及第六解码层输出的数据的结构均为：(None,demand-adjustment_length+before-adjustment_length,128)；该全连接层包括Dense全连接神经元，神经元的个数取值为after-adjustment_vocab_size的结果，其层对应的激活函数为“softmax”，将该激活函数输出的结果输入至前述的目标函数(如多类交叉熵损失函数)中进行运算，输出调整后的切片局数据。

在本实施例中，训练优化的过程如下：将训练回合数设置为1000(epochs＝1000)，将一次处理数据的大小设置为100(batch_size＝100)，选择categorical crossentropy多类交叉熵作为损失函数即目标函数(loss＝'categorical_crossentropy')梯度下降优化算法中选择adam优化器，以改善传统梯度下降的学习速度。通过梯度下降方式，自主找到目标函数的最小权重值。模型收敛后导出该模型的权重，对应的神经网络模型结构即为优化的神经网络模型。

需要说明的是，可先搭建神经网络模型，后获取数据集，也可以同时进行，此处对二者的先后顺序不作限制。

在本实施例的一个实施方案中，该步骤S2具体为：分别对业务调整需求及当前存放的切片局数据进行文本序列化处理，得到对应的序列化处理结果；而序列化处理过程可参照前述的描述，此处不再赘述。

本实施例的一个实施方案中，该步骤S3具体为：将所述业务调整需求及所述当前存放的切片局数据输入至所述优化的神经网络模型中进行调整，得到所述目标切片局数据。

在本实施例的进一步实施方案中，如图2所示，该步骤S3具体包括：

步骤S31，将业务调整需求及当前存放的切片局数据输入至编码器进行编码处理，输出上下文向量；

具体地，将该业务调整需求及当前存放的切片局数据输入至编码器进行编码处理，输出上下文向量；编码的具体过程与前述的编码处理过程类似，此处不再赘述。

步骤S32，将上下文向量输入至解码器进行运算处理，输出目标切片数据；

具体地，将上下文向量输入至所述解码器进行运算处理，输出目标切片数据。

在本实施例的进一步优选实施方案中，该步骤S31具体包括：

将业务调整需求输入至所述第一编码分支进行编码处理，输出第一向量；

具体地，将业务调整需求输入至第一输入层进行索引化处理，输出索引化的业务调整需求至第一嵌入层，第一嵌入层对其进行向量映射，输出第一映射结果；将第一映射结果输入至第一编码层进行编码处理，输出第一编码数据；将第一编码数据输入至第二编码层进行编码处理，输出所述第一向量；例如：将经过序列化处理的业务调整需求输入至第一嵌入层进行向量转换，将该序列化处理的业务调整需求中的每个词转化为向量，输出128维度的空间向量至该第一编码层，该第一编码层及第二编码层对该空间向量进行编码处理，输出第一向量至合并层；

将当前存放的切片局数据输入至所述第二编码分支进行编码处理，输出第二向量；

具体地，将当前存放的切片局数据输入至第二嵌入层进行向量映射，输出第二映射结果；将第二映射结果输入至第三编码层进行编码处理，输出第二编码数据；将第二编码数据输入至第四编码才进行编码处理，输出所述第二向量；例如：将经过序列化处理的当前存放的切片局数据输入至第二输入层，由第二输入层将该其进行索引化处理，输出索引化处理的切片局数据至第二嵌入层，第二嵌入层利用词嵌入将每个词转化为向量，输出对应的向量至第三编码层，第三编码层及第四编码层对该向量进行编码处理，输出第二向量至合并层；

将第一向量及第二向量输入至合并层进行合并处理，输出上下文向量。

需要说明的是，第一分支及第二分支可同时工作，此处对二者的处理顺序不作限制。

在本实施例的进一步优选实施方案中，该步骤S32具体包括：

将上下文向量输入至第一解码层进行解码处理，输入第一解码数据；

将所述第一解码数据输入至所述第二解码层进行解码处理，输出第二解码数据；

将第二解码数据输入至全连接层进行运算处理，输出目标切片局数据。

具体地，通过第一解码层、第二解码层及全连接层自动学习所述上下文向量与预设的调整后的切片局数据之间的映射关系，通过该映射关系计算得到目标切片局数据并输出。

在本实施例中，根据行业用户的需求及当前存放的切片局数据，利用神经网络模型来进行调整，输出目标切片局数据，可实现动态调整目的。

图3示出了本发明第二实施例的切片局数据调整装置的结构示意图。该装置包括：获取模块31,与获取模块31连接的预处理模块32、与预处理模块32连接的神经网络模型33，其中：

获取模块31，用于获取切片应用的业务调整需求及当前存放的切片局数据；

具体地，获取切片应用的业务调整需求及当前存放的切片局数据，如由通信业务管理功能模块(CSFM，Communication Service Management Function)发送的切片应用的业务调整需求及当前存放的切片局数据，其中，该通信业务管理功能模块首先接收行业用户发起的业务调整需求，该通信业务管理功能模块将该业务调整需求发送给网络切片管理功能模块(NSMF，Network Slice Management Function)，该网络切片管理功能模块根据该业务调整需求向通信业务管理功能模块反馈当前存放的切片局数据。该通信业务管理功能模块将该业务调整需求及对应的切片局数据输入至切片局数据调整装置，需要说明的是，该通信业务管理功能模块可首先将业务调整需求发送给切片局数据调整装置，在得到网络切片管理功能模块反馈的当前存放的切片局数据后再将所述切片局数据输入至切片局数据调整装置，或者，可同时输入该业务调整需求及切片局数据，此处对此不作限制。

进一步地，该网络切片管理功能模块接收到业务调整需求时，对该业务调整需求进行分解，得到业务调整子需求，然后将该业务调整子需求下发给对应的网络切片子网管理功能模块(NSSMF，Network Slice Subnet Management Function)，该网络切片子网管理功能模块对网络切片子网实例进行管理，编排网络切片子网实例的组成，将网络切片子网的SLA需求映射为网络服务的服务质量(QOS,Quality of Service)需求，向ETSI NFV域的网络功能虚拟化编排功能模块(NFVO，NFV Orchestrator)系统下发网络服务的部署请求，网络功能虚拟化编排功能模块负责网络服务的编排和管理，将网络服务需求转换为对应网络功能的需求，向VNFM系统下发VNF的部署请求，得到当前存放的切片局数据。

预处理模块32，用于分别对业务调整需求及当前存放的切片局数据进行预处理；

具体地，分别对业务调整需求及当前存放的切片局数据进行预处理，如分别对业务调整需求及当前存放的切片局数据进行文本序列处理，使得数据格式统一化，以便于数据的匹配使用，与后续的神经网络模型适配。

神经网络模块33，用于将经过预处理的业务调整需求及当前存放的切片局数据输入至神经网络模型进行调整，得到目标切片局数据；

具体地，将经过预处理的业务调整需求及当前存放的切片局数据输入至神经网络模型中进行调整，得到目标切片局数据；将业务调整需求及当前存放的切片局数据在神经网络模型中进行学习调整，输出目标切片局数据。

在本实施例中，根据行业用户的需求及当前存放的切片局数据，利用神经网络模型来进行调整，输出目标切片局数据，可实现动态调整目的。

在本实施例的一个优选方案中，该装置还包括：创建优化模块，其中：

该获取模块31还用于：获取数据集；

具体地，从通信业务管理功能模块中获取历史行业用户的业务调整需求，并从网络切片管理功能模块中获取每一次历史用户的业务调整前的切片局数据和业务调整后的切片局数据，将所获取的数据(业务调整需求、切片局数据)形成数据集，并分为测试集及训练集。

进一步地，该切片应用的业务调整需求可为以下的一种或多种：时延(例如小于5ms)、吞吐率、丢包率、掉话率、可靠性(例如99.999％)、服务范围、用户规模、隔离性(例如强、中、弱)、安全性(例如强、中、弱)、网络能力(大连接、低时延、高带宽)、接入方式、maxTP/site(例如5Gbps)；

进一步地，每一条切片局数据包含无线网子切片局数据、传输网子切片局数据、核心网子切片局数据。无线网子切片局数据可以包括：最大支持小区数、最大吞吐量(DL+UL)、最大RRC连接用户数、单gNodeB最大数据无线承载、上下行比例、扇区个数、频谱效率、Xn流量占比等；传输网子切片局数据可以包括：接入层带宽、汇聚层带宽、核心层带宽、承载网时延、单跳平均时延、设备转发时延、时间同步要求(例如350ns)等；核心网子切片局数据可包括：CPU、内存、存储等。

该预处理模块32还用于对数据集进行预处理；

分别对业务调整需求集及切片局数据集进行文本序列化处理，得到序列化处理结果；

具体地，对历史行业用户的业务调整需求集、以及对应的用户业务调整前的切片局数据集和业务调整后的切片局数据集进行文本清洗并将文本序列化处理。例如：移除所有标点符号，若文本为中文则对文本进行分词处理、若文本为英文则将字母统一为小写，同时将每个词索引化处理，使得每一段文本被转化成一段索引数字，并对未达到最大文本长度的序列补零处理；取行业用户的业务调整需求集中的长度最长者(emand-adjustment_length)作为该业务调整需求集的序列长度，取其词典大小为demand-adjustment_vocab_size(数据集的词典大小是根据该数据集中出现的单词数量来确定),取对应的用户业务调整前的切片局数据集的长度最长者(ore-adjustment_length)作为调整前的切片局数据集的索引序列长度，取其词典大小为before-adjustment_vocab_size，取对应的用户业务调整后的切片局数据集的长度最长者er-adjustment_length作为调整后的切片局数据的索引序列长度，取其词典大小为after-adjustment_vocab_size。

优选地，若存在多个业务调整需求，获取每一业务调整需求的索引序列，将长度最长的索引序列作为基准索引序列(其长度作为基准长度)，将其序列长度作为所在数据集的索引序列长度，将数据集中的其他业务调整需求对应的索引序列长度进行补偿，得到每一业务调整需求的最终索引序列，如基准索引序列长度为284928398(9位)，某一条业务调整需求对应的索引序列为：29854897(8位)，则基于该基准索引序列的基准长度，需要对其进行补零处理，得到最终的索引序列为：298548970。

分别基于序列化处理结果形成对应的索引结果，得到索引结果集；

具体地，将每一索引结构集合起来形成索引结果集；

将索引结果集分为对应的测试集及训练集；

具体地，将索引结果集分为测试集及训练集，该训练集用于输入至神经网络模型中进行训练优化以训练该神经网络模型，该测试集用户输入至神经网络模型作为测试数据以测试所述神经网络模型。优选地，将该索引结果集中的90％的数据作为训练集，将10％作为测试集。

创建优化模块，用于搭建神经网络模型并优化神经网络模型；

具体地，通过深度学习框架搭建编码神经网络模型，所述神经网络模型包括编码器及与其连接的解码器，其中，编码器用于将行业用户的业务调整需求和对应的调整前的切片局数据(包括多个子切片局数据)中的各子切片局数据文本分别编码成对应的向量，然后将编码得到的向量合并为上下文向量；如分别将行业用户的业务调整需求及对应的切片局数据分别编码成对应的向量，并合并为上下文向量，如编码得到的向量分别为[1,2,3]和[4,5,6]，将两个向量合并为[1,2,3,4,5,6]，需要说明的是，是将业务需求调整与对应的每一子切片局数据编码成对应的向量，将编码成的向量合并成上下文向量，得到每一子切片局数据对应的上下文向量。

解码器对编码得到的上下文向量进行解码生成该切片调整后的各子切片局数据，自动学习解码所得的上下文向量与预设的调整后切片局数据之间的映射关系，得到对应的目标函数，采用梯度下降法获取所述目标函数的目标权重值，以所述目标权重值对应的神经网络模型作为所述优化的神经网络模型。

具体地，解码器对编码得到的上下文向量进行解码生成该切片调整后的各子切片局数据，自动学习解码所得的上下文向量与预设的调整后局数据之间的映射关系，基于预设的调整后切片局数据计算目标函数，利用梯度下降法获取所述目标函数的目标权重值，以所述目标权重值对应的神经网络模型作为所述优化的神经网络模型，其中，所述预设的调整后切片局数据是预先设置的。所述目标函数具体为f(x)，利用该函数的导数来获取最小值，该最小值即为目标权重值，在获取目标权重值后，保存当前的神经网络模型，以此作为优化的神经网络模型。

优选地，采用categorical crossentropy多类交叉熵作为目标函数，该目标函数具体为：

所述编码器包括第一编码分支、第二编码分支及分别与所述第一编码分支及第二编码分支连接的合并层，该第一分支包括：依次连接的第一嵌入层、第一编码层及第二编码层，第二分支包括：依次连接的第二嵌入层、第三编码层及第四编码层，其中，所述第二编码层及第四编码层分别与所述合并层连接。该解码器包括：依次连接的第一解码层、第二解码层及全连接层，其中，所述合并层与所述第一解码层连接。

在本实施例的进一步优选方案中，该第一分支还包括与所述第一嵌入层连接的输入层，用以输入行业用户的业务调整需求，该业务调整需求的索引序列长度为：demand-adjustment_length，该第一输入层输出的数据的结构为：(None,demand-adjustment_length)；第一嵌入层将每个词转化为向量，输入数据维度为demand-adjustment_vocab_size，将词转换为128维度的空间向量后输出，输入文本序列长度为demand-adjustment_length，因此该第一嵌入层输出数据的结构为(None,demand-adjustment_length，128)。该层的作用是对输入的词进行向量映射，将每个词的索引转换为128维的固定形状向量；第一编码层及第二编码层均为LSTM编码层，包括含128个LSTM神经元，对应的激活函数为“relu”，该层输出数据的结构为(None,demand-adjustment_length,128)；

第二分支还包括与第二嵌入层连接的第二输入层，所述第二输入层用以输入当前存放的切片局数据，该第二输入层索引化后的业务调整前切片局数据，每条索引序列长度为before-adjustment_length，因此该层输出数据的结构为(None,before-adjustment_length)；第二嵌入层利用词嵌入将每个词转化为向量，输入数据维度为before-adjustment_vocab_size，输出设置为需要将词转换为128维度的空间向量，输入序列长度为before-adjustment_length，因此该层输出数据的结构为(None,before-adjustment_length，128)；第三编码层及第四编码层均为LSTM编码层，每一LSTM编码层包括128个LSTM神经元，对应的激活函数设置为“relu”,该层输出数据的结构为(None,before-adjustment_length,128)；

在本实施例中，解码器包括以此连接的第五解码层、第六解码层及全连接层，其中，第五及第六解码层的结构与前述的第一、第二、第三、第四解码层的结构及功能一致，均为LSTM解码层，包括128个LSTM神经元，对应的激活函数为“relu”，经过所述第五解码层及第六解码层输出的数据的结构均为：(None,demand-adjustment_length+before-adjustment_length,128)；该全连接层包括Dense全连接神经元，神经元的个数取值为after-adjustment_vocab_size的结果，其层对应的激活函数为“softmax”，将该激活函数输出的结果输入至前述的目标函数(如多类交叉熵损失函数)中进行运算，输出调整后的切片局数据。

在本实施例中，训练优化的过程如下：将训练回合数设置为1000(epochs＝1000)，将一次处理数据的大小设置为100(batch_size＝100)，选择categorical crossentropy多类交叉熵作为损失函数即目标函数(loss＝'categorical_crossentropy')梯度下降优化算法中选择adam优化器，以改善传统梯度下降的学习速度。通过梯度下降方式，自主找到目标函数的最小权重值。模型收敛后导出该模型的权重，对应的神经网络模型结构即为优化的神经网络模型。

需要说明的是，可先搭建神经网络模型，后获取数据集，也可以同时进行，此处对二者的先后顺序不作限制。

在本实施例的一个实施方案中，该预处理模块32具体用于：分别对业务调整需求及当前存放的切片局数据进行文本序列化处理，得到对应的序列化处理结果；而序列化处理过程可参照前述的描述，此处不再赘述。

本实施例的一个实施方案中，该神经网络模型具体用于：对输入的业务调整需求及所述当前存放的切片局数据进行调整，输出目标切片局数据；具体的调整过程如下：

将业务调整需求及当前存放的切片局数据输入至编码器进行编码处理，输出上下文向量；

具体地，将该业务调整需求及当前存放的切片局数据输入至编码器进行编码处理，输出上下文向量；编码的具体过程与前述的编码处理过程类似，此处不再赘述。

例如：将业务调整需求输入至所述第一编码分支进行编码处理，输出第一向量；

具体地，将业务调整需求输入至第一输入层进行索引化处理，输出索引化的业务调整需求至第一嵌入层，第一嵌入层对其进行向量映射，输出第一映射结果；将第一映射结果输入至第一编码层进行编码处理，输出第一编码数据；将第一编码数据输入至第二编码层进行编码处理，输出所述第一向量；例如：将经过序列化处理的业务调整需求输入至第一嵌入层进行向量转换，将该序列化处理的业务调整需求中的每个词转化为向量，输出128维度的空间向量至该第一编码层，该第一编码层及第二编码层对该空间向量进行编码处理，输出第一向量至合并层；

将当前存放的切片局数据输入至所述第二编码分支进行编码处理，输出第二向量；

具体地，将当前存放的切片局数据输入至第二嵌入层进行向量映射，输出第二映射结果；将第二映射结果输入至第三编码层进行编码处理，输出第二编码数据；将第二编码数据输入至第四编码才进行编码处理，输出所述第二向量；例如：将经过序列化处理的当前存放的切片局数据输入至第二输入层，由第二输入层将该其进行索引化处理，输出索引化处理的切片局数据至第二嵌入层，第二嵌入层利用词嵌入将每个词转化为向量，输出对应的向量至第三编码层，第三编码层及第四编码层对该向量进行编码处理，输出第二向量至合并层；

将第一向量及第二向量输入至合并层进行合并处理，输出上下文向量。

需要说明的是，第一分支及第二分支可同时工作，此处对二者的处理顺序不作限制。

将上下文向量输入至解码器进行运算处理，输出目标切片数据；

具体地，将上下文向量输入至所述解码器进行运算处理，输出目标切片数据。

例如：将上下文向量输入至第一解码层进行解码处理，输入第一解码数据；

将所述第一解码数据输入至所述第二解码层进行解码处理，输出第二解码数据；

将第二解码数据输入至全连接层进行运算处理，输出目标切片局数据。

具体地，通过第一解码层、第二解码层及全连接层自动学习所述上下文向量与预设的调整后的切片局数据之间的映射关系，通过该映射关系计算得到目标切片局数据并输出。

在本实施例中，根据行业用户的需求及当前存放的切片局数据，利用神经网络模型来进行调整，输出目标切片局数据，可实现动态调整目的。

本发明第三实施例还提供了一种控制系统，如图4所示，该控制系统包括：通信业务管理功能模块41、与通信业务管理功能模块41连接的切片局数据调整装置42、与通信业务管理功能模块41及切片局数据调整装置42均连接的网络切片管理功能模块43，其中：

通信业务管理功能模块41，用于接收用户的业务调整需求，并根据所述业务调整需求从网络切片管理功能模块中获取当前存放的切片局数据，将所述业务调整需求及所获取的当前存放的切片局数据传输给切片局数据调整装置；

切片局数据调整装置42，用于分别对所述业务调整需求及所述当前存放的切片局数据进行预处理，将经过预处理的业务调整需求及当前存放的切片局数据输入至神经网络模型进行调整，得到目标切片局数据，将所述目标切片局数据发送给所述网络切片管理功能模块；

网络切片管理功能模块，用于接收通信业务管理功能模块41发送的业务调整需求，对该业务调整需求进行解析，将解析结果下发给子网络切片功能模块，由对应的子网络切片功能模块反馈当前存放的切片局数据，将获取的切片局数据反馈给通信业务管理功能模块41，还用于接收切片局数据调整装置42发送的目标切片局数据，并下发所述目标切片局数据以对当前的切片局数据进行调整。

在本实施例中，该切片局数据调整装置42的具体结构、工作原理与上述实施例二的描述一致，此处不再赘述。

本发明第四实施例还提供了一种计算机存储介质，所述计算机存储介质包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述第一实施例中的切片局数据调整方法。

可执行指令具体可以用于使得处理器执行以下操作：

获取切片应用的业务调整需求及当前存放的切片局数据；

分别对所述业务调整需求及所述当前存放的切片局数据进行预处理；

将经过预处理的业务调整需求及当前存放的切片局数据输入至神经网络模型进行调整，得到目标切片局数据。

在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：

获取数据集并对所述数据集进行预处理；

搭建神经网络模型并优化所述神经网络模型。

在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：

分别对所述业务调整需求及所述当前存放的切片局数据进行文本序列化处理，得到对应的序列化处理结果，和/或

将所述业务调整需求及所述当前存放的切片局数据输入至所述优化的神经网络模型中进行调整，得到所述目标切片局数据。

在一种可选的方式中，所述神经网络模型包括编码器及与其连接的解码器，所述可执行指令使所述处理器执行以下操作：

将所述业务调整需求及所述当前存放的切片局数据输入至所述编码器进行编码处理，输出上下文向量；

将所述上下文向量输入至所述解码器进行运算处理，输出目标切片数据。

在一种可选的方式中，所述编码器包括第一编码分支、第二编码分支及分别与所述第一编码分支及第二编码分支连接的合并层，所述可执行指令使所述处理器执行以下操作：

将所述业务调整需求输入至所述第一编码分支进行编码处理，输出第一向量；

将所述当前存放的切片局数据输入至所述第二编码分支进行编码处理，输出第二向量；

将所述第一向量及第二向量输入至所述合并层进行合并处理，输出上下文向量。

在一种可选的方式中，所述第一编码分支包括依次连接的第一嵌入层、第一编码层及第二编码层，所述第二编码分支包括：依次连接的第二嵌入层、第三编码层及第四编码层，所述第二编码层及第四编码层分别与所述合并层连接，所述解码层包括：依次连接的第一解码层、第二解码层及全连接层，所述可执行指令使所述处理器执行以下操作：

将所述业务调整需求输入到所述第一嵌入层进行向量映射，输出第一映射结果；

将所述第一映射结果输入至所述第一编码层进行编码处理，输出第一编码数据；

将所述第一编码数据输入至所述第二编码层进行编码处理，输出所述第一向量；和/或

将所述当前存放的切片局数据输入至所述第二嵌入层进行向量映射，输出第二映射结果；

将所述第二映射结果输入至所述第三编码层进行编码处理，输出第二编码数据；

将所述第二编码数据输入至所述第四编码才进行编码处理，输出所述第二向量；和/或

将所述上下文向量输入至所述第一解码层进行解码处理，输入第一解码数据；

将所述第一解码数据输入至所述第二解码层进行解码处理，输出第二解码数据；

将所述第二解码数据输入至所述全连接层进行运算处理，输出目标切片局数据。

在本实施例中，根据行业用户的需求及当前存放的切片局数据，利用神经网络模型来进行调整，输出目标切片局数据，可实现动态调整目的。

图5示出了本发明第五实施例的设备的结构示意图，本发明具体实施例并不对设备的具体实现做限定。

如图5所示，该设备可以包括：处理器(processor)502、通信接口(CommunicationsInterface)504、存储器(memory)506、以及通信总线508。

其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。处理器502，用于执行程序510，具体可以执行上述第一实施例中的切片局数据调整方法的相关步骤。

具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。

处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器506，用于存放程序510，存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序510具体可以用于使得处理器502执行以下操作：

获取切片应用的业务调整需求及当前存放的切片局数据；

分别对所述业务调整需求及所述当前存放的切片局数据进行预处理；

将经过预处理的业务调整需求及当前存放的切片局数据输入至神经网络模型进行调整，得到目标切片局数据。

在一种可选的方式中，所述程序510使所述处理器502执行以下操作：

获取数据集并对所述数据集进行预处理；

搭建神经网络模型并优化所述神经网络模型。

在一种可选的方式中，所述程序510使所述处理器502执行以下操作：

分别对所述业务调整需求及所述当前存放的切片局数据进行文本序列化处理，得到对应的序列化处理结果；

将所述业务调整需求及所述当前存放的切片局数据输入至所述优化的神经网络模型中进行调整，得到所述目标切片局数据。

在一种可选的方式中，所述神经网络模型包括编码器及与其连接的解码器，所述程序510使所述处理器502执行以下操作：

将所述业务调整需求及所述当前存放的切片局数据输入至所述编码器进行编码处理，输出上下文向量；

将所述上下文向量输入至所述解码器进行运算处理，输出目标切片数据。

在一种可选的方式中，所述编码器包括第一编码分支、第二编码分支及分别与所述第一编码分支及第二编码分支连接的合并层，所述程序510使所述处理器502执行以下操作：

将所述业务调整需求输入至所述第一编码分支进行编码处理，输出第一向量；

将所述当前存放的切片局数据输入至所述第二编码分支进行编码处理，输出第二向量；

将所述第一向量及第二向量输入至所述合并层进行合并处理，输出上下文向量。

在一种可选的方式中，所述第一编码分支包括依次连接的第一嵌入层、第一编码层及第二编码层，所述第二编码分支包括：依次连接的第二嵌入层、第三编码层及第四编码层，所述第二编码层及第四编码层分别与所述合并层连接，所述解码层包括：依次连接的第一解码层、第二解码层及全连接层，所述程序510使所述处理器502执行以下操作：

将所述业务调整需求输入到所述第一嵌入层进行向量映射，输出第一映射结果；

将所述第一映射结果输入至所述第一编码层进行编码处理，输出第一编码数据；

将所述第一编码数据输入至所述第二编码层进行编码处理，输出所述第一向量；将所述当前存放的切片局数据输入至所述第二嵌入层进行向量映射，输出第二映射结果；

将所述第二映射结果输入至所述第三编码层进行编码处理，输出第二编码数据；

将所述第二编码数据输入至所述第四编码才进行编码处理，输出所述第二向量；将所述上下文向量输入至所述第一解码层进行解码处理，输入第一解码数据；

将所述第一解码数据输入至所述第二解码层进行解码处理，输出第二解码数据；

将所述第二解码数据输入至所述全连接层进行运算处理，输出目标切片局数据。

在本发明中，根据行业用户的需求及当前存放的切片局数据，利用神经网络模型来进行调整，输出目标切片局数据，可实现动态调整目的。

在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。