热点业务流识别、分发方法及装置与流程
本技术涉及数据处理,具体而言,涉及一种热点业务流识别、分发方法及装置。
背景技术:
1、在5g网络中,为支持多用户同时接收相同数据(如直播、群组通信、批量文件下载),目前主要采用单播方式和5g多播/广播(5mbs)两种方式。在单播方式中,每个用户独立建立pdu(protocol data unit,协议数据单元)会话,核心网upf(user plane function,用户面功能)为每个用户独立转发一份数据流,基站收到多份相同内容的流后分别发送给各用户,这会导致传输带宽需求随用户数线性增长。在5mbs方式中,核心网建立组播会话,通过共享隧道向基站发送单份数据流,基站在空口通过ptm(point-to-multipoint,点对多点)方式发送给多个用户,这需要核心网、传输网、终端全链路支持ip组播。
2、然而,上述单播方式或5mbs方式,在传输带宽受限或已达物理上限的场景下,均无法有效利用空口能力并实现跨基站协同优化。
3、首先,传输带宽成为瓶颈且存在物理上限。随着空口能力持续增长(如毫米波、多小区聚合),单基站下行能力可达数11gbps甚至更高,但基站与上游之间的传输环带宽存在物理极限,升级需更换光纤及设备,成本极高且周期长。例如,在智能汽车工厂ota(over-the-air,空中下载技术)升级或大型演唱会等场景中,多基站汇聚的巨大流量远超传输环物理容量,导致空口能力无法充分发挥,且传统组播方案因部署复杂、产业链协同成本高、终端支持度差以及无法处理异步请求场景而难以落地。
4、其次,相关技术方案缺乏智能化的动态识别能力。无论是单播还是组播,其业务识别和分发决策均依赖于静态配置(如预先分配的组播地址、固定的业务模板)或简单规则(如基于ip五元组的流量统计)。这些方法无法感知业务内容本身,无法预判热点趋势,只能进行事后统计,无法自适应不同场景(如演唱会、工厂、网课等业务模式差异巨大,但规则固定);且各基站独立处理,缺乏全局视野,无法实现跨基站的协同感知与缓存共享,导致传输环带宽浪费严重,难以在不依赖核心网和传输网改造的前提下,突破回传带宽的物理上限并实现智能的跨基站协同缓存与二级分发。
5、针对上述的问题,目前尚未提出有效的解决方案。
技术实现思路
1、本技术实施例提供了一种热点业务流识别、分发方法及装置,以至少解决由于相关技术缺乏接入网侧的跨基站协同识别与缓存能力,导致回传带宽无法突破物理上限的技术问题。
2、根据本技术实施例的一个方面,提供了一种热点业务流识别方法,应用于智能板卡,包括:获取业务流的多维特征;采用分层识别模型对多维特征进行识别,输出与业务流对应的热点置信度,其中,分层识别模型包括:基于预设规则进行匹配的第一识别路径、基于机器学习模型进行多维特征分析的第二识别路径,以及基于反馈数据进行模型参数更新的第三识别路径;聚合多个基站的请求模式,依据热点置信度和请求模式确定热点业务流,并将热点业务流存储至全局缓存池,其中,请求模式用于反映业务流在多个基站范围内的群体请求聚合程度。
3、可选地,方法还包括:依据请求模式,对全局缓存池中的热点业务流执行多级分发操作,其中,多级分发操作包括:一级分发,将热点业务流分发至多个基站;二级分发,通过多个基站将接收到的热点业务流进行复制后分发至多个用户设备。
4、可选地,多维特征至少包括业务流的时空特征、内容特征、用户行为特征、网络状态特征、历史模式特征和业务层特征中的两种或多种。
5、可选地,采用分层识别模型对多维特征进行识别,包括:在第一识别路径中,基于规则库中的预设规则或业务标签对多维特征进行匹配,在匹配成功的情况下,输出与业务流对应的热点置信度;在匹配失败或热点置信度低于第一阈值的情况下,进入第二识别路径;在第二识别路径中,采用机器学习模型对多维特征进行识别,得到初始热点置信度;在初始热点置信度大于或等于第二阈值的情况下,将初始热点置信度确定为与业务流对应的热点置信度;在初始热点置信度小于第二阈值的情况下,进入第三识别路径;在第三识别路径中,将业务流标记为待学习样本,并触发在线模式或离线模式下的模型参数更新。
6、可选地,方法还包括:获取业务流的实际热度数据,并将实际热度数据与初始热点置信度进行对比,生成反馈样本,其中,反馈样本用于表征模型识别结果与实际业务需求之间的偏差;依据反馈样本确定分层识别模型的性能指标;在性能指标低于预设性能阈值或反馈样本数量达到预设数量阈值的情况下,对分层识别模型中的模型参数进行增量更新。
7、可选地,聚合多个基站的请求模式,并依据热点置信度和请求模式确定热点业务流,包括:在热点置信度大于第一预设热度阈值的情况下,获取多个基站对于目标业务流的请求记录,并依据请求记录形成对应基站的请求模式,其中,目标业务流为业务流中的任意一个业务流,请求记录包括以下至少之一:业务流在环网范围内的总请求数、请求基站数、请求增长速度;依据请求模式确定多个基站的聚合热度指标,其中,聚合热度指标用于反映业务流在多个基站范围内的群体请求聚合程度及热度扩散趋势;在聚合热度指标大于第二预设热度阈值的情况下,将目标业务流确定为热点业务流,并生成对应的热点标识。
8、可选地,方法还包括:依据热点业务流的请求增长速度或历史模式特征预测热点业务流待分发且尚未产生请求模式的目标基站;向目标基站发送预缓存指令,其中,预缓存指令用于指示目标基站准备接收来自智能板卡的热点业务流,或指示智能板卡提前在全局缓存池中预加载热点业务流。
9、根据本技术实施例的另一方面,还提供了一种热点业务流分发方法,应用于基站,包括:接收智能板卡发送的热点业务流,其中,智能板卡用于获取业务流的多维特征;采用分层识别模型对多维特征进行识别,输出与业务流对应的热点置信度,其中,分层识别模型包括:基于预设规则进行匹配的第一识别路径、基于机器学习模型进行多维特征分析的第二识别路径以及基于识别结果的反馈数据进行模型参数更新的第三识别路径;聚合多个基站的请求模式,并依据热点置信度和请求模式确定热点业务流,其中,请求模式用于表示业务流在多个基站范围内的群体请求聚合程度;复制热点业务流,并分发至多个用户设备。
10、根据本技术实施例的另一方面,还提供了一种热点业务流识别装置,包括:获取模块,用于获取业务流的多维特征;识别模块,用于采用分层识别模型对多维特征进行识别,输出与业务流对应的热点置信度,其中,分层识别模型包括:基于预设规则进行匹配的第一识别路径、基于机器学习模型进行多维特征分析的第二识别路径,以及基于反馈数据进行模型参数更新的第三识别路径;确定模块,用于聚合多个基站的请求模式,依据热点置信度和请求模式确定热点业务流,并将热点业务流存储至全局缓存池。其中,请求模式用于反映业务流在多个基站范围内的群体请求聚合程度。
11、根据本技术实施例的又一方面,还提供了一种电子设备,包括:存储器和处理器,其中,存储器,用于存储程序指令;处理器,与存储器连接,用于执行实现上述热点业务流识别或分发方法。
12、根据本技术实施例的再一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的计算机程序,其中,非易失性存储介质所在设备通过运行计算机程序执行上述热点业务流识别或分发方法。
13、根据本技术实施例的再一方面,还提供了一种计算机程序产品,包括计算机指令,计算机指令被处理器执行时实现上述热点业务流识别或分发方法。
14、在本技术实施例中,通过获取业务流的多维特征;采用分层识别模型对多维特征进行识别,输出与业务流对应的热点置信度,其中,分层识别模型包括:基于预设规则进行匹配的第一识别路径、基于机器学习模型进行多维特征分析的第二识别路径,以及基于反馈数据进行模型参数更新的第三识别路径;聚合多个基站的请求模式,依据热点置信度和请求模式确定热点业务流,并将热点业务流存储至全局缓存池,其中,请求模式用于反映业务流在多个基站范围内的群体请求聚合程度,达到了在接入网侧智能识别热点业务流并实现跨基站共享缓存的目的,从而实现了将回传带宽需求从用户量级压缩至基站量级,突破传输环物理带宽上限的技术效果,进而解决了由于相关技术缺乏接入网侧的跨基站协同识别与缓存能力,导致回传带宽无法突破物理上限的技术问题。
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