网络切片业务体验预测方法、装置和设备与流程

1.本发明实施例涉及无线通信网络技术领域，具体涉及一种网络切片业务体验预测方法、装置和设备。


背景技术：

2.目前5g网络已经开始布署并投入使用，5g网络切片将一个物理网络切割成多个虚拟的端到端的网络，每一个都可获得逻辑独立的网络资源，且各切片之间可相互隔离。这样，当某一个切片中产生错误或故障时，并不会影响其他切片。通过网络切片技术，5g网络针对不同的业务场景和需求灵活配置，从而支持更多业务需求。
3.目前5g网络切片业务体验质量主要根据专家经验对各个切片网络属性设置权重来评估mos值，并且对于不同的切片业务需要人工设置不同的权重，费时费力、效率低下。


技术实现要素：

4.鉴于上述问题，本发明实施例提供了一种网络切片业务体验预测方法，用于解决现有技术中存在的上述问题。
5.本发明实施例提出的网络切片业务体验预测方法，包括：
6.获取第一网络切片的历史多维度属性值kpi及对应的历史平均意见分mos；
7.将所述历史多维度属性值kpi及对应的历史平均意见分mos进行预处理；
8.根据所述预处理后的历史多维度属性值kpi及对应的历史平均意见分mos对深度神经网络模型进行训练，输出训练后的权重值；
9.获取第二网络切片的实时多维度属性值kpi及对应的实时平均意见分mos；
10.将所述实时多维度属性值kpi及对应的实时平均意见分mos进行预处理；
11.将所述训练后的权重值作为初始权重值重新构建所述深度神经网络模型；
12.根据所述预处理后的实时多维度属性值kpi及对应的实时平均意见分mos对所述重新构建的深度神经网络模型进行训练后，对所述第二网络切片的业务体验进行预测。
13.进一步的，所述将历史多维度属性值kpi及对应的历史平均意见分mos进行预处理，包括：
14.将所述历史多维度属性值kpi及对应的历史平均意见分mos进行归一化处理；
15.并将归一化后的数据集划分为第一网络切片训练集和第一网络切片测试集；
16.所述将实时多维度属性值kpi及对应的实时平均意见分mos进行预处理，包括：
17.将所述实时多维度属性值kpi及对应的实时平均意见分mos进行归一化处理；
18.并将归一化后的数据集划分为第二网络切片训练集和第二网络切片测试集。
19.进一步的，所述深度神经网络模型包括输入层、隐藏层和输出层；
20.所述输入层用于输入第一网络切片训练集和第一网络切片测试集；
21.所述隐藏层包括5个全连接层和5个丢弃层，其中所述全连接层中，第一和第二全连接层包含128个神经元；第三和第四全连接层包含64个神经元；所诉第五全连接层包含32
个神经元；
22.所述输出层用于输出业务体验预测结果。
23.进一步的，所述深度神经网络模型选择平均绝对值误差mse作为目标函数。
24.进一步的，所述丢弃层的丢弃概率为20％。
25.进一步的，所述将训练后的权重值作为初始权重值重新构建所述深度神经网络模型，包括：
26.将所述训练后的权重值作为所述深度神经网络模型的第五个全连接层的初始权重值重新构建所述深度神经网络。
27.进一步的，所述根据预处理后的实时多维度属性值kpi及对应的实时平均意见分mos对所述重新构建的深度神经网络模型进行训练后，对所述第二网络切片的业务体验进行预测，包括：
28.将所述第二网络切片训练集和第二网络切片测试集输入所述重新构建的深度神经网络进行训练；
29.输出第二网络切片的预测平均意见分mos。
30.本发明实施例进一步提出了一种网络切片业务体验预测装置，所述装置包括：
31.第一网络切片历史数据获取模块：用于获取第一网络切片的历史多维度属性值kpi及对应的历史平均意见分mos；
32.第一网络切片历史数据预处理模块：用于将所述历史多维度属性值kpi及对应的历史平均意见分mos进行预处理；
33.深度网络模型训练模块：用于根据所述预处理后的历史多维度属性值kpi及对应的历史平均意见分mos对深度神经网络模型进行训练，输出训练后的权重值；
34.第二网络切片实时数据获取模块：用于获取第二网络切片的实时多维度属性值kpi及对应的实时平均意见分mos；
35.第二网络切片实时数据预处理模块：用于将所述实时多维度属性值kpi及对应的实时平均意见分mos进行预处理；
36.深度神经网络模型重建模块：用于将所述训练后的权重值作为初始权重值重新构建所述深度神经网络模型；
37.业务体验预测模块：用于根据所述预处理后的实时多维度属性值kpi及对应的实时平均意见分mos对所述重新构建的深度神经网络模型进行训练后，对所述第二网络切片的业务体验进行预测。
38.本发明实施例进一步提出了一种网络切片业务体验预测设备，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；
39.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实施例中所述的网络切片业务体验预测方法。
40.本发明实施例进一步提出了一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在网络切片业务体验预测设备上运行时，使得网络切片业务体验预测设备执行上述实施例中所述的网络切片业务体验预测方法。
41.综上所述，本发明实施例通过利用迁移学习将已训练完毕的第一网络切片业务模
型权重值作为第二网络切片业务训练模型时的初始权重，第二网络切片业务模型将在已训练完毕的模型权重基础上开始训练，从而利用迁移学习将该切片业务mos度量模型应用至其他切片业务mos度量场景，实现5g切片跨业务的mos值精准度量，帮助运营商精准评估应用服务提供商的切片体验质量。
42.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
43.附图仅用于示出实施方式，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：
44.图1示出了本发明实施例提供的网络切片业务体检预测方法流程图；
45.图2示出了本发明实施例提供的深度神经网络模型结构图；
46.图3示出了本发明实施例提供的网络切片业务体检预测装置结构图；
47.图4示出了本发明实施例提供的网络切片业务体检预测设备结构图。
具体实施方式
48.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。
49.5g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的集合，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。
50.应用服务提供商(application service provider,asp)的切片体验质量(quality of experience,qoe)要求是切片用户的核心诉求。对于切片服务感受最直接的最终用户(即asp)来说，asp依赖大量的qoe需求来衡量感知的服务质量，这些需求包括：每个业务的平均意见分(mean opinion score,mos)(即业务体验)、用户业务平均mos满足度百分比(如90％的用户达到或超过规定的业务mos要求)。为了获得平均的业务mos和满足业务mos的用户百分比，asp需要综合考虑单个用户业务mos值与主要网络属性(如上传/下载容量、抖动、允许的最大时延、网络可用性和专用业务特征等)之间的关系。通常业务mos是由一个或多个对用户体验影响最大的网络属性主导的，因此不同行业应用的业务mos结构会存在显著区别。比如，从游戏开发者/发布者的角度来看，不同种类的游戏切片的业务mos设计也存在着明显差异。云游戏的用户体验与用户所占用的带宽密切相关，用户数据速率上的限制通常会导致业务mos分大幅下降；多人游戏通常对时延更加敏感。传输延迟越低，业务mos分越高；除了低时延和高可靠性外，电子竞技在其业务mos模型中需要重点考虑用户体验的一致性，以保证玩家之间的公平竞争。
51.而目前要对各个网络切片的mos进行评价必须获取大量的数据标签，而这些标签
的获得非常困难，因此，本技术实施例针对这种情况提出一种基于迁移学习的网络切片业务体验预测方法，通过其他容易获取的标签且和任务相似的任务来进行迁移学习，避免了以前需要基于大量数据才能进行预测的方式，由于从头建立模型是复杂和耗时的，因此，通过本发明实施例可以增加网络切片业务mos的预测效率。
52.本技术实施例提出的网路切片业务体验预测方法，如图1所示，包括：
53.步骤101：获取第一网络切片的历史多维度属性值kpi及对应的历史平均意见分mos；
54.从切片管理功能实体nsmf(network slice management function)上获取第一网络切片(s1)的历史多维度属性值kpi及对应的每个时刻的历史平均意见分mos。其中，所述第一网络切片指比较容易获取历史数据的网络切片，将以此网络切片的数据为基础进行预测。所述多维度属性值kpi包括虚拟化存储资源利用率、虚拟化网络资源利用率、虚拟化计算资源利用率、网络及网络切片实例注册用户数、5g网络端到端时延、无线接入网传输时延、核心网传输时延、传输网传输时延、网络切片实例上行吞吐量、网络切片实例下行吞吐量等。
55.步骤102：将所述历史多维度属性值kpi及对应的历史平均意见分mos进行预处理；
56.将获取的历史多维度属性值kpi及对应的历史平均意见分mos进行归一化处理，所述归一化是指将数据按比例进行缩放，将数据统一映射到[0,1]的范围内，将数据缩放至给定的最小值和最大值之间，归一化后将提升深度神经网络模型的收敛速度，提升深度神经网络模型的精度。
[0057]
归一化完成后，将归一化后的数据集的80％作为第一网络切片训练集，剩余20％作为第一网络切片测试集。用训练数据去训练本模型，用测试数据来检验模型的性能。
[0058]
步骤103：根据所述预处理后的历史多维度属性值kpi及对应的历史平均意见分mos对深度神经网络模型进行训练，输出训练后的权重值；
[0059]
本发明实施例中采用深度神经网络模型进行预测，深度神经网络(dnn，deep neural network)所谓的“深度”是指中间的隐藏层有很多层。所以深度学习其实就是隐藏层有很多层的神经网络。神经元(neuron)是神经网络的基本单元，也称节点(node)，它从外部或其它节点收到输入(input)，并通过一个激活函数(activation function)来计算输出(output)；每一个输入都对应权重(weight)，即这个节点收到的每一个输入的相对重要性；偏置(bias)可以理解为一种特殊的输入。
[0060]
如图2所示，本发明实施例采用的所述深度神经网络模型包括输入层、隐藏层和输出层。
[0061]
所述输入层接收第一网络切片(s1)业务的第一网络切片训练数据和第一网络切片测试数据。
[0062]
所述隐藏层包括5个全连接层和5个丢弃层，其中所述全连接层中，第一和第二全连接层包含128个神经元；第三和第四全连接层包含64个神经元；所诉第五全连接层包含32个神经元；全连接层使用的激活函数均为
‘
relu’。在每一个全连接层之后，都引入一个丢弃层(dropout)，以有效避免过拟合，所谓的dropout层是指以概率p舍弃神经元并让其它神经元以概率q＝1-p保留，本方案中设置舍弃概率＝0.2，即随机忽略20％的神经元，使其失效。
[0063]
所述输出层含有1个全连接神经元，输出该切片业务的mos预测值。
[0064]
模型将训练1000个回合(epochs＝1000)，批处理大小设置为10(batch_size＝10)，选择平均绝对值误差mse(mean squared error)作为损失函数即目标函数(loss＝'mse')，梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度(optimizer＝'adam')。神经网络通过梯度下降，可以找到使目标函数最小的最优权重值，神经网络通过训练会自主学习到权重值。用训练集进行训练，使得误差mse越小越好，并在每轮训练后用测试集来评价验证模型。
[0065]
平均绝对值误差mse函数如下：
[0066][0067]
模型收敛后导出该模型的权重，利用迁移学习将该第一网络切片业务mos度量模型应用至第二网络切片业务或其他网络切片业务mos度量场景。对于第一网络切片的预测，其初始的权重由所述深度神经网络自主学习，无需人为设定权重值。
[0068]
步骤104：获取第二网络切片(s2)的实时多维度属性值kpi及对应的实时平均意见分mos；
[0069]
当基于所述第一网络切片的深度神经网路模型训练完成后，将所述权重值应用于其他网络切片的业务体验预测中。在对第二网络切片进行预测之前，首先要从nsmf中获取所述第二网络切片的实时多维度属性值kpi和对应的实时平均意见分mos。
[0070]
步骤105：将所述实时多维度属性值kpi及对应的实时平均意见分mos进行预处理；
[0071]
将获取的实时多维度属性值kpi及对应的实时平均意见分mos进行归一化处理，所述归一化是指将数据按比例进行缩放，将数据统一映射到[0,1]的范围内，将数据缩放至给定的最小值和最大值之间，归一化后将提升深度神经网络模型的收敛速度，提升深度神经网络模型的精度。
[0072]
归一化完成后，将归一化后的数据集的80％作为第二网络切片训练集，剩余20％作为第二网络切片测试集。用训练数据去训练本模型，用测试数据来检验模型的性能。
[0073]
为了准确的对第二网络切片进行预测，以及为了减少深度神经网络模型的计算量，针对第二网路切片只需要获取实施多维度属性值kpi和对应的实时平均意见分mos，在实时数据的基础上进行预测，也增加了数据获取的便利性。
[0074]
步骤106：将所述训练后的权重值作为初始权重值重新构建所述深度神经网络模型；
[0075]
将上述已训练完毕的深度神经网络模型权重值作为第二网络切片业务(s2)训练模型时的初始权重值，第二网络切片业务深度神经网络模型将在已训练完毕的模型权重值基础上开始训练。从而利用迁移学习将该历史的切片业务体验预测模型应用至其他切片业务mos度量场景。
[0076]
所述的迁移学习是指针对小样本数据集导致的过拟合问题，通过冻结深度神经网络模型部分网络层在大规模源域训练过的权重参数，将数据训练转移到小规模目标域中并重新训练该模型最后的全连接层，然后将训练之后的参数保存。在迁移学习中，我们已有的知识叫做源域(source domain)，要学习的新知识叫目标域(target domain)。
[0077]
迁移学习的严格定义为：给定源域ds＝{xs,fs(x)}和学习任务ts,目标域dt＝
{xt,ft(x)}和学习任务tt,迁移学习旨在源域不同于目标域或学习任务tt不同于学习任务ts的条件下通过使用学习任务ts和源域ds＝{xs,fs(x)}所获取的知识来帮助学习目标的在目标域dt的预测函数ft()。
[0078]
在本技术实施例中，所述重新构建深度神经网络模型是指将上述训练后的权重值作为所述深度神经网络模型的第五个全连接层的初始权重值重新构建所述深度神经网络，即对于第二网络切片的业务体验预测，将直接基于训练后的权重值进行预测。
[0079]
由于不同行业应用的业务mos结构会存在显著区别，因此本发明实施例利用迁移学习将某个业务的切片mos度量模型迁移至其他不同行业应用的业务，利用神经网络学习用户业务mos值与实时的主要网络属性之间的关系，实现精准度量5g切片业务的mos值，从而帮助运营商精准评估应用服务提供商的切片体验质量。
[0080]
步骤107：根据所述预处理后的实时多维度属性值kpi及对应的实时平均意见分mos对所述重新构建的深度神经网络模型进行训练后，对所述第二网络切片的业务体验进行预测；
[0081]
将所述第二网络切片训练集和第二网络切片测试集输入所述重新构建的深度神经网络进行训练，基于上述训练后生成的权重值，只需要将第二网络切片训练集和第二网络切片测试集通过第五全连接层进行训练，即可输出所述第二网络切片的预测结果，输出第二网络切片的预测平均意见分mos，从而精准评估应用服务提供商的切片体验质量。
[0082]
因此，综上所述，本发明实施例通过利用迁移学习将已训练完毕的第一网络切片业务模型权重值作为第二网络切片业务训练模型时的初始权重，第二网络切片业务模型将在已训练完毕的模型权重基础上开始训练，从而利用迁移学习将该切片业务mos度量模型应用至其他切片业务mos度量场景，实现5g切片跨业务的mos值精准度量，帮助运营商精准评估应用服务提供商的切片体验质量。
[0083]
图3示出了本发明提出的网络切片业务体验预测装置实施例的结构示意图。如图3所示，该网络切片业务体验预测装置300包括：第一网络切片历史数据获取模块301、第一网络切片历史数据预处理模块302、深度网络模型训练模块303、第二网络切片实时数据获取模块304、第二网络切片实时数据预处理模块305、深度神经网络模型重建模块306和业务体验预测模块307；
[0084]
第一网络切片历史数据获取模块301：用于获取第一网络切片的历史多维度属性值kpi及对应的历史平均意见分mos；
[0085]
第一网络切片历史数据预处理模块302：用于将所述历史多维度属性值kpi及对应的历史平均意见分mos进行预处理；
[0086]
深度网络模型训练模块303：用于根据所述预处理后的历史多维度属性值kpi及对应的历史平均意见分mos对深度神经网络模型进行训练，输出训练后的权重值；
[0087]
第二网络切片实时数据获取模块304：用于获取第二网络切片的实时多维度属性值kpi及对应的实时平均意见分mos；
[0088]
第二网络切片实时数据预处理模块305：用于将所述实时多维度属性值kpi及对应的实时平均意见分mos进行预处理；
[0089]
深度神经网络模型重建模块306：用于将所述训练后的权重值作为初始权重值重新构建所述深度神经网络模型；
[0090]
业务体验预测模块307：用于根据所述预处理后的实时多维度属性值kpi及对应的实时平均意见分mos对所述重新构建的深度神经网络模型进行训练后，对所述第二网络切片的业务体验进行预测。
[0091]
进一步的，所述第一网络切片历史数据预处理模块302还用于将所述历史多维度属性值kpi及对应的历史平均意见分mos进行归一化处理，并将归一化后的数据集划分为第一网络切片训练集和第一网络切片测试集。
[0092]
进一步的，所述第二网络切片实时数据预处理模块305还用于将所述实时多维度属性值kpi及对应的实时平均意见分mos进行归一化处理，并将归一化后的数据集划分为第二网络切片训练集和第二网络切片测试集。
[0093]
进一步的，所述深度神经网络模型重建模块306还用于将所述训练后的权重值作为所述深度神经网络模型的第五个全连接层的初始权重值重新构建所述深度神经网络。
[0094]
进一步的，业务体验预测模块307还用于将所述第二网络切片训练集和第二网络切片测试集输入所述重新构建的深度神经网络进行训练，输出第二网络切片的预测平均意见分mos。
[0095]
因此，综上所述，本发明实施例通过利用迁移学习将已训练完毕的第一网络切片业务模型权重值作为第二网络切片业务训练模型时的初始权重，第二网络切片业务模型将在已训练完毕的模型权重基础上开始训练，从而利用迁移学习将该切片业务mos度量模型应用至其他切片业务mos度量场景，实现5g切片跨业务的mos值精准度量，帮助运营商精准评估应用服务提供商的切片体验质量。
[0096]
图4示出了本发明提供的网络切片业务体验预测设备实施例的结构示意图，本发明具体实施例并不对网络切片业务体验预测设备的具体实现做限定。
[0097]
如图4所示，该网络切片业务体验预测设备可以包括：处理器(processor)402、通信接口(communications interface)404、存储器(memory)406、以及通信总线408。
[0098]
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。通信接口404，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402，用于执行程序410，具体可以执行上述用于网络切片业务体验预测方法实施例中的相关步骤。
[0099]
具体地，程序410可以包括程序代码，该程序代码包括计算机可执行指令。
[0100]
处理器402可能是中央处理器cpu，或者是特定集成电路asic(application specific 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。网络切片业务体验预测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。
[0101]
存储器406，用于存放程序410。存储器406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。
[0102]
程序410具体可以被处理器402调用使网络切片业务体验预测设备执行以下操作：
[0103]
获取第一网络切片的历史多维度属性值kpi及对应的历史平均意见分mos；
[0104]
将所述历史多维度属性值kpi及对应的历史平均意见分mos进行预处理；
[0105]
根据所述预处理后的历史多维度属性值kpi及对应的历史平均意见分mos对深度神经网络模型进行训练，输出训练后的权重值；
[0106]
获取第二网络切片的实时多维度属性值kpi及对应的实时平均意见分mos；
[0107]
将所述实时多维度属性值kpi及对应的实时平均意见分mos进行预处理；
[0108]
将所述训练后的权重值作为初始权重值重新构建所述深度神经网络模型；
[0109]
根据所述预处理后的实时多维度属性值kpi及对应的实时平均意见分mos对所述重新构建的深度神经网络模型进行训练后，对所述第二网络切片的业务体验进行预测。
[0110]
进一步的，所述将历史多维度属性值kpi及对应的历史平均意见分mos进行预处理，包括：
[0111]
将所述历史多维度属性值kpi及对应的历史平均意见分mos进行归一化处理；
[0112]
并将归一化后的数据集划分为第一网络切片训练集和第一网络切片测试集；
[0113]
所述将实时多维度属性值kpi及对应的实时平均意见分mos进行预处理，包括：
[0114]
将所述实时多维度属性值kpi及对应的实时平均意见分mos进行归一化处理；
[0115]
并将归一化后的数据集划分为第二网络切片训练集和第二网络切片测试集。
[0116]
进一步的，所述深度神经网络模型包括输入层、隐藏层和输出层；
[0117]
所述输入层用于输入第一网络切片训练集和第一网络切片测试集；
[0118]
所述隐藏层包括5个全连接层和5个丢弃层，其中所述全连接层中，第一和第二全连接层包含128个神经元；第三和第四全连接层包含64个神经元；所诉第五全连接层包含32个神经元；
[0119]
所述输出层用于输出业务体验预测结果。
[0120]
进一步的，所述深度神经网络模型选择平均绝对值误差mse作为目标函数。
[0121]
进一步的，所述丢弃层的丢弃概率为20％。
[0122]
进一步的，所述将训练后的权重值作为初始权重值重新构建所述深度神经网络模型，包括：
[0123]
将所述训练后的权重值作为所述深度神经网络模型的第五个全连接层的初始权重值重新构建所述深度神经网络。
[0124]
进一步的，所述根据预处理后的实时多维度属性值kpi及对应的实时平均意见分mos对所述重新构建的深度神经网络模型进行训练后，对所述第二网络切片的业务体验进行预测，包括：
[0125]
将所述第二网络切片训练集和第二网络切片测试集输入所述重新构建的深度神经网络进行训练；
[0126]
输出第二网络切片的预测平均意见分mos。
[0127]
因此，综上所述，本发明实施例通过利用迁移学习将已训练完毕的第一网络切片业务模型权重值作为第二网络切片业务训练模型时的初始权重，第二网络切片业务模型将在已训练完毕的模型权重基础上开始训练，从而利用迁移学习将该切片业务mos度量模型应用至其他切片业务mos度量场景，实现5g切片跨业务的mos值精准度量，帮助运营商精准评估应用服务提供商的切片体验质量。
[0128]
本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有至少一可执行指令，该可执行指令在网络切片业务体验预测设备/装置上运行时，使得所述网络切片业务体验预测设备/装置执行上述任意方法实施例中的网络切片业务体验预测方法。
[0129]
可执行指令具体可以用于使得网络切片业务体验预测设备/装置执行以下操作：
[0130]
获取第一网络切片的历史多维度属性值kpi及对应的历史平均意见分mos；
[0131]
将所述历史多维度属性值kpi及对应的历史平均意见分mos进行预处理；
[0132]
根据所述预处理后的历史多维度属性值kpi及对应的历史平均意见分mos对深度神经网络模型进行训练，输出训练后的权重值；
[0133]
获取第二网络切片的实时多维度属性值kpi及对应的实时平均意见分mos；
[0134]
将所述实时多维度属性值kpi及对应的实时平均意见分mos进行预处理；
[0135]
将所述训练后的权重值作为初始权重值重新构建所述深度神经网络模型；
[0136]
根据所述预处理后的实时多维度属性值kpi及对应的实时平均意见分mos对所述重新构建的深度神经网络模型进行训练后，对所述第二网络切片的业务体验进行预测。
[0137]
进一步的，所述将历史多维度属性值kpi及对应的历史平均意见分mos进行预处理，包括：
[0138]
将所述历史多维度属性值kpi及对应的历史平均意见分mos进行归一化处理；
[0139]
并将归一化后的数据集划分为第一网络切片训练集和第一网络切片测试集；
[0140]
所述将实时多维度属性值kpi及对应的实时平均意见分mos进行预处理，包括：
[0141]
将所述实时多维度属性值kpi及对应的实时平均意见分mos进行归一化处理；
[0142]
并将归一化后的数据集划分为第二网络切片训练集和第二网络切片测试集。
[0143]
进一步的，所述深度神经网络模型包括输入层、隐藏层和输出层；
[0144]
所述输入层用于输入第一网络切片训练集和第一网络切片测试集；
[0145]
所述隐藏层包括5个全连接层和5个丢弃层，其中所述全连接层中，第一和第二全连接层包含128个神经元；第三和第四全连接层包含64个神经元；所诉第五全连接层包含32个神经元；
[0146]
所述输出层用于输出业务体验预测结果。
[0147]
进一步的，所述深度神经网络模型选择平均绝对值误差mse作为目标函数。
[0148]
进一步的，所述丢弃层的丢弃概率为20％。
[0149]
进一步的，所述将训练后的权重值作为初始权重值重新构建所述深度神经网络模型，包括：
[0150]
将所述训练后的权重值作为所述深度神经网络模型的第五个全连接层的初始权重值重新构建所述深度神经网络。
[0151]
进一步的，所述根据预处理后的实时多维度属性值kpi及对应的实时平均意见分mos对所述重新构建的深度神经网络模型进行训练后，对所述第二网络切片的业务体验进行预测，包括：
[0152]
将所述第二网络切片训练集和第二网络切片测试集输入所述重新构建的深度神经网络进行训练；
[0153]
输出第二网络切片的预测平均意见分mos。
[0154]
因此，综上所述，本发明实施例通过利用迁移学习将已训练完毕的第一网络切片业务模型权重值作为第二网络切片业务训练模型时的初始权重，第二网络切片业务模型将在已训练完毕的模型权重基础上开始训练，从而利用迁移学习将该切片业务mos度量模型应用至其他切片业务mos度量场景，实现5g切片跨业务的mos值精准度量，帮助运营商精准评估应用服务提供商的切片体验质量。
[0155]
本发明实施例提供了一种计算机程序，所述计算机程序可被处理器调用使网络切
片业务体验预测设备执行上述任意方法实施例中的网络切片业务体验预测方法。
[0156]
本发明实施例提供了一种计算机程序产品，计算机程序产品包括存储在计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令在计算机上运行时，使得所述计算机执行上述任意方法实施例中的网络切片业务体验预测方法。
[0157]
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。
[0158]
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。
[0159]
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。
[0160]
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。
[0161]
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。
[0162]
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。