用于监测准确度和改进合成数据生成的方法与流程
各种示例实施例总体上涉及无线网络,并且更具体地,涉及在无线网络中监测准确度和改进合成数据生成。
背景技术:
1、第三代合作伙伴计划(3gpp)网络可以包括网络功能,该网络功能执行分析并且将所生成的分析信息与3gpp网络的其他网络功能分享。该分析信息可以被使用于在进行关于将采取的动作的决策中协助3gpp网络的其他网络功能。例如,分析信息可以被利用于在诸如切换的决策中协助网络功能。
2、在3gpp网络中,各种功能可以被提供分析信息,并且可以利用通过适当的数据被训练的(多个)人工智能/机器学习(ai/ml)模型实例。一旦被训练,ai/ml模型可以基于输入进ai/ml模型的新数据生成分析信息(诸如统计信息和/或预测),其可以导致3gpp网络的各种操作方面的被改进的性能。
技术实现思路
1、在本公开的第一方面中,提供了一种方法。该方法包括:从网络功能服务消费者处接收针对分析的请求;从该通信网络的一个或多个数据来源获取真实数据;以及由该网络数据分析功能,确定由被训练的第一机器学习模型所预测的分析的第一准确度,其中该被训练的第一机器学习模型使用包括真实数据的第一训练数据集被训练。该方法还包括:从合成数据控制器处获取由一个或多个合成数据生成器所生成的合成数据;由该网络数据分析功能,确定由被训练的第二机器学习模型所预测的分析的第二准确度,其中该被训练的第二机器学习模型使用包括该真实数据和该合成数据的第二训练数据集被训练;由该网络数据分析功能,比较该第一准确度和该第二准确度;以及基于该比较,确定该第一机器学习模型和该第二机器学习模型中的哪个模型预测的分析更加准确。
2、在该第一方面的一些或者全部示例中,该比较包括确定该第一准确度小于该第二准确度,并且发送对针对分析的该请求的响应,该响应包括由该第二机器学习模型所预测的该分析。
3、在该第一方面的一些或者全部示例中,该比较包括确定该第一准确度大于该第二准确度,并且发送对针对分析的该请求的响应,该响应包括由该第一机器学习模型所预测的该分析。
4、在该第一方面的一些或者全部示例中,该方法还包括:向该合成数据控制器发送指示该第一机器学习模型和该第二机器学习模型中的哪个模型预测的分析更加准确的信息。
5、在该第一方面的一些或者全部示例中,该第二准确度的该确定包括:确定使用第三机器学习模型所预测的分析的第三准确度,该第三机器学习模型使用包括该真实数据和第一百分比的该合成数据的训练数据集被训练;确定使用第四机器学习模型所预测的分析的第四准确度,该第四机器学习模型使用包括该真实数据和第二百分比的该合成数据的训练数据集被训练;比较该第三准确度和该第四准确度;当该第三准确度大于该第四准确度时,将该第二准确度确定为该第三准确度;以及当该第四准确度大于该第三准确度时,将该第二准确度确定为该第四准确度。
6、在该第一方面的上述示例中,该方法还包括向该合成数据控制器发送与该第三准确度和该第四准确度相关的信息。
7、在该第一方面的一些或者全部示例中,该一个或多个数据来源包括该通信网络的接入与移动性管理功能(amf)、应用功能(af)、或者操作和管理功能(oam)。
8、在本公开的第二方面中,提供了一种方法。该方法包括:由合成数据生成器从网络数据分析功能处接收与第一准确度和第二准确度的比较相关的信息,该第一准确度针对使用第一机器学习模型所预测的分析,该第一机器学习模型使用真实数据被训练,该第二准确度针对使用被训练的第二机器学习模型所预测的分析,该被训练的第二机器学习模型使用真实数据和合成数据的组合被训练;以及基于该信息,由合成数据生成器确定是否存储或者丢弃该合成数据。
9、在该第二方面的一些或者全部示例中,用于训练该第一机器学习模型的该真实数据来自接入与移动性管理功能(amf)、应用功能(af)、或者操作和管理功能(oam)中的一个或多个。
10、在该第二方面的一些或者全部示例中,用于训练该第二机器学习模型的该合成数据来自合成数据来源。
11、在该第二方面的一些或者全部示例中,该确定包括确定该第二准确度大于该第一准确度并且使得该合成数据被存储在数据存储库中。
12、在该第二方面的一些或者全部示例中,该确定包括确定该第一准确度大于或等于该第二准确度,并且丢弃该合成数据。
13、在该第二方面的一些或者全部示例中,该第二准确度的该确定包括:比较第三准确度与第四准确度,其中该第三准确度包括将该第二数据的第一百分比用作该训练数据,并且该第四准确度包括将该第二数据的第二百分比用作该训练数据。
14、在该第二方面的上述示例中,该方法还包括:发送与该第三准确度和该第四准确度相关的信息。
15、在本公开的第三方面中,提供了一种装置。该装置包括:至少一个处理器;以及至少一个存储器,该至少一个存储器存储指令,当该指令由该至少一个处理器执行时,使得该装置至少执行第一方面和第二方面的上述示例中的任一示例所述的方法。
16、在本公开的第四方面中,提供了一种非暂态计算机可读介质。该非暂态计算机可读介质存储指令,当该指令由装置的至少一个处理器执行时,使得该装置至少执行第一方面和第二方面的上述示例中的任一示例所述的方法。
17、根据一些方面,提供了独立权利要求的主题。一些进一步的方面在从属权利要求中被定义。
1.一种用于通信网络的网络数据分析功能的方法,所述方法包括:
2.根据权利要求1所述的方法,其中所述比较包括:确定所述第一准确度小于所述第二准确度,并且发送对针对分析的所述请求的响应,所述响应包括:由所述第二机器学习模型所预测的所述分析。
3.根据权利要求1或2所述的方法,其中所述比较包括:确定所述第一准确度大于所述第二准确度,并且发送对针对分析的所述请求的响应,所述响应包括:由所述第一机器学习模型所预测的所述分析。
4.根据权利要求1到3中的任一项所述的方法,还包括:向所述合成数据控制器发送指示所述第一机器学习模型和所述第二机器学习模型中的哪个模型预测的分析更加准确的信息。
5.根据权利要求1至4中任一项所述的方法,其中所述第二准确度的所述确定包括:确定使用第三机器学习模型所预测的分析的第三准确度,所述第三机器学习模型使用包括所述真实数据和所述合成数据的第一百分比的训练数据集被训练;确定使用第四机器学习模型所预测的分析的第四准确度,所述第四机器学习模型使用包括所述真实数据和所述合成数据的第二百分比的训练数据集被训练;比较所述第三准确度和所述第四准确度;当所述第三准确度大于所述第四准确度时,将所述第二准确度确定为所述第三准确度;以及当所述第四准确度大于所述第三准确度时,将所述第二准确度确定为所述第四准确度。
6.根据权利要求5所述的方法,还包括:向所述合成数据控制器发送与所述第三准确度和所述第四准确度相关的信息。
7.根据权利要求1到6中的任一项所述的方法,其中所述一个或多个数据来源包括:所述通信网络的接入与移动性管理功能(amf)、应用功能(af)、或者操作和管理功能(oam)。
8. 一种装置,包括:
9.一种装置,包括用于执行根据权利要求1到7中的任一项所述的方法的部件。
10.一种非暂态计算机可读介质,所述非暂态计算机可读介质存储指令,当所述指令由装置的至少一个处理器执行时,使得所述装置至少执行根据权利要求1到7中的任一项所述的方法。
11.一种计算机程序,所述计算机程序包括指令,当所述计算机程序由装置执行时,使得所述装置至少执行根据权利要求1到7中的任一项所述的方法。
12. 一种方法,包括:
13.根据权利要求12所述的方法,其中用于训练所述第一机器学习模型的所述真实数据来自接入与移动性管理功能(amf)、应用功能(af)、或者操作和管理功能(oam)中的一个或多个。
14.根据权利要求12或13所述的方法,其中用于训练所述第二机器学习模型的所述合成数据来自合成数据来源。
15.根据权利要求12到14中的任一项所述的方法,其中所述确定包括:确定所述第二准确度大于所述第一准确度、并且使得所述合成数据被存储在数据存储库中。
16.根据权利要求12到15中的任一项所述的方法,其中所述确定包括:确定所述第一准确度大于或等于所述第二准确度、并且丢弃所述合成数据。
17.根据权利要求12到16中的任一项所述的方法,其中所述第二准确度的所述确定包括:比较第三准确度和第四准确度,其中所述第三准确度包括将所述第二数据的第一百分比用作所述训练数据,并且所述第四准确度包括将所述第二数据的第二百分比用作所述训练数据。
18.根据权利要求17所述的方法,其中所述信息还包括:与所述第三准确度和所述第四准确度相关的信息。
19.一种合成数据生成器,包括:
20. 一种合成数据生成器,包括:
21.一种非暂态计算机可读介质,所述非暂停计算机可读介质存储指令,当所述指令由合成数据生成器的至少一个处理器执行时,使得所述合成数据生成器至少执行根据权利要求12到18中的任一项所述的方法。
22.一种计算机程序,所述计算机程序包括指令,当所述计算机程序由装置执行时,使得所述装置至少执行根据权利要求12到18中的任一项所述的方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com