SPN语义配置解析模型训练方法、系统、设备及介质

本技术属于大数据处理领域，特别涉及一种基于分层知识图谱的spn语义配置解析模型训练方法、系统、设备及介质。

背景技术：

1、spn网络（slicing packet network）是支撑5g端到端切片、超低时延、高可靠传输的核心承载网络，相较于传统ptn、otn网络，协议架构更复杂、配置层级更严谨、参数约束更严苛。其完整配置体系包含flexe物理层、g.mtn通路层、mpls-tp分组层、切片管理层四层协议栈，各层级存在固定的承载、封装、映射关系，配置参数存在大量跨层依赖、取值限制、互斥绑定、必选匹配规则。

2、各主流厂商设备的命令格式、参数命名、配置嵌套逻辑存在差异，大幅提升了spn配置智能化解析的难度。现有同类技术普遍存在模块独立割裂、领域适配浅表、约束建模静态、通用算法简单套用的核心瓶颈，无法满足高精度、自适应、可迭代的spn配置解析需求。

技术实现思路

1、为解决上述问题，本技术提供了一种基于分层知识图谱的spn语义配置解析模型训练方法、系统、设备及介质。本方案实现知识图谱动态自适应优化，精准识别显性、隐性配置违规，提升多厂商spn配置语义解析精度。

2、本公开第一方面提出一种基于分层知识图谱的spn语义配置解析模型训练方法，所述训练方法包括：

3、构建包括协议栈层、配置实体层以及参数约束层的知识图谱，基于跨层关联矩阵对所述知识图谱进行初始化并执行全局合法性校验，输出动态参数的知识图谱；

4、通过所述配置实体层中各个实体节点的时隙资源生成时隙资源冲突特征，基于注意力权重，将各个所述实体节点的语义相似度和时隙资源冲突特征融合生成异源融合特征；

5、通过所述知识图谱的跨层信息流计算动态门控系数，并通过所述动态门控系数对所述知识图谱的跨层关联矩阵进行反向调控；

6、构建适配spn业务的多任务联合训练损失函数，基于所述异源融合特征分别对所述知识图谱执行层级联动掩码预测任务、层级依赖结构拟合任务以及可量化约束合规对比任务，并分别通过所述多任务联合训练损失函数得到训练损失；

7、根据所述层级联动掩码预测任务、层级依赖结构拟合任务以及可量化约束合规对比任务的训练损失进行全局梯度反向传播，同步迭代更新所述知识图谱的图谱参数、所述注意力权重、所述动态门控系数，直至所述层级联动掩码预测任务、层级依赖结构拟合任务以及可量化约束合规对比任务的训练损失满足预设训练收敛条件，得到spn语义配置解析模型。

8、根据本公开一种优选实施方式，所述训练方法还包括：

9、将spn离散配置约束转化为惩罚项；

10、将所述惩罚项融入所述训练损失进行全局梯度方向传播。

11、根据本公开一种优选实施方式，所述跨层关联矩阵包括：实体-参数动态依赖矩阵、协议-实体软适配矩阵；

12、所述协议-实体软适配矩阵以遵循spn国际标准的二值硬矩阵为先验，叠加可训练软掩码进行非标协议归属兼容；

13、所述实体-参数依赖矩阵通过所述动态门控系数迭代更新。

14、根据本公开一种优选实施方式，所述通过所述配置实体层中各个实体节点的时隙资源生成时隙资源冲突特征，基于注意力权重，将各个所述实体节点的语义相似度和时隙资源冲突特征融合生成异源融合特征，包括：

15、提取所述配置实体层中各个实体节点的时隙向量，作为时隙资源；

16、通过各个实体节点的时隙向量之间的交并比量化所述实体节点间时隙资源冲突程度，作为时隙资源冲突特征；

17、结合全网时隙占用率生成动态增强系数，将所述动态增强系数融合语义相似度与时隙冲突惩罚特征计算归一化注意力权重；

18、通过各个所述实体节点的归一化注意力权重，对相邻的实体节点进行节点特征聚合，得到各个所述实体节点的异源融合特征。

19、根据本公开一种优选实施方式，所述层级依赖结构拟合任务的训练损失包括：对所述跨层关联矩阵中的实体-参数动态依赖矩阵二值化生成实时依赖真值，配置树跳数衰减系数对远近层级依赖施加差异化惩罚。

20、根据本公开一种优选实施方式，所述可量化约束合规对比任务的训练损失包括：数值越界违规度以及参数互斥向量点积违规度。

21、根据本公开一种优选实施方式，所述对所述知识图谱进行初始化，包括：

22、为所述协议栈层中的协议节点配置标准属性向量，所述标准属性向量包括：最小时隙颗粒度、最大承载通道、底层承载属性、封装能力、带宽上下限、时延等级以及保护能力；

23、为所述配置实体层的实体节点配置状态向量与时隙占用二进制向量；

24、为参数约束层的约束节点配置包含数值约束类型、带宽上下限、枚举属性、互斥组属性以及必选属性的可训练约束向量。

25、为了解决上述技术问题，本公开第二方面提出一种基于分层知识图谱的spn语义配置解析模型训练系统，所述训练系统包括：

26、知识图谱构建模块，用于构建包括协议栈层、配置实体层以及参数约束层的知识图谱，基于跨层关联矩阵对所述知识图谱进行初始化并执行全局合法性校验，输出动态参数的知识图谱；

27、节点聚合模块，用于通过所述配置实体层中各个实体节点的时隙资源生成时隙资源冲突特征，基于注意力权重，将各个所述实体节点的语义相似度和时隙资源冲突特征融合生成异源融合特征；

28、动态门控模块，用于通过所述知识图谱的跨层信息流计算动态门控系数，并通过所述动态门控系数对所述知识图谱的跨层关联矩阵进行反向调控；

29、模型训练模块，用于构建适配spn业务的多任务联合训练损失函数，基于所述异源融合特征分别对所述知识图谱执行层级联动掩码预测任务、层级依赖结构拟合任务以及可量化约束合规对比任务，并分别通过所述多任务联合训练损失函数得到训练损失；

30、模型迭代模块，用于根据所述层级联动掩码预测任务、层级依赖结构拟合任务以及可量化约束合规对比任务的训练损失进行全局梯度反向传播，同步迭代更新所述知识图谱的图谱参数、所述注意力权重、所述动态门控系数，直至所述层级联动掩码预测任务、层级依赖结构拟合任务以及可量化约束合规对比任务的训练损失满足预设训练收敛条件，得到spn语义配置解析模型。

31、为了解决上述技术问题，本公开第三方面提出一种电子设备，包括：

32、处理器；以及

33、存储计算机可执行指令的存储器，所述计算机可执行指令在被执行时使所述处理器执行上述任一项实施例所述的训练方法。

34、为了解决上述技术问题，本公开第四方面提出一种计算机存储介质，其中，所述计算机存储介质存储一个或多个程序，当所述一个或多个程序被处理器执行时，实现上述任一项实施例所述的训练方法。

35、与现有技术相比，本技术具有如下优点：先搭建含协议栈、配置实体、参数约束三层的可动态更新知识图谱，经跨层关联矩阵初始化与合法性校验输出图谱动态参数；再提取实体时隙冲突特征，融合语义相似度与时隙特征得到异源融合特征，依靠跨层信息流计算动态门控系数反向调控图谱关联矩阵；设计 spn 专属多任务联合损失，依托异源融合特征并行执行层级联动掩码预测、层级依赖拟合、约束合规对比三类任务，依据总损失反向传播同步迭代图谱、注意力、门控全部参数至收敛，得到解析模型；可同时建模spn文本语义与硬件时隙资源约束，实现知识图谱动态自适应优化，精准识别显性、隐性配置违规，提升多厂商spn配置语义解析精度与收敛速度。

36、本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。