5G切片的故障预测方法、装置及计算设备与流程

5g切片的故障预测方法、装置及计算设备
技术领域
1.本发明涉及通信技术领域，具体涉及一种5g切片的故障预测方法、装置及计算设备。


背景技术：

2.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。与此同时，网络切片也可能存在各种各样的故障。
3.然而，在现有技术中，切片潜在故障预测主要通过专家经验对切片网络中各kpi分别设置阈值的方式来实现，预测准确率较低，未考虑切片拓扑网络的时空关系，并且，切片网络的节点繁多、节点间存在多样的依赖关系，切片的时空相关性复杂，自动化预测的难度较大，目前无较好的切片故障预测手段。


技术实现要素：

4.鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的5g切片的故障预测方法、装置及计算设备。
5.根据本发明实施例的一个方面，提供了一种5g切片的故障预测方法，包括：
6.采集待预测的网络切片数据，并划分出切片物理连接图和切片资源逻辑关系图；
7.将所述切片物理连接图转化为第一邻接矩阵和第一特征矩阵，以及将所述切片资源逻辑关系图转化为第二邻接矩阵和第二特征矩阵；
8.将所述第一邻接矩阵、第一特征矩阵、第二邻接矩阵以及第二特征矩阵输入至时空多图卷积网络模型，预测得到所述历史网络切片数据的故障信息。
9.根据本发明实施例的另一方面，提供了一种5g切片的故障预测装置，包括：
10.划分模块，适于采集历史网络切片数据，并划分出切片物理连接图和切片资源逻辑关系图；
11.转化模块，适于将所述切片物理连接图转化为第一邻接矩阵和第一特征矩阵，以及将所述切片资源逻辑关系图转化为第二邻接矩阵和第二特征矩阵；
12.预测模块，适于将所述第一邻接矩阵、第一特征矩阵、第二邻接矩阵以及第二特征矩阵输入至时空多图卷积网络模型，预测得到所述历史网络切片数据的故障信息。
13.根据本发明实施例的又一方面，提供了一种计算设备，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；
14.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5g切片的故障预测方法对应的操作。
15.根据本发明实施例的再一方面，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，所述可执行指令使处理器执行如上述5g切片的故障预测方法对应的操作。
16.根据本发明实施例的5g切片的故障预测方法、装置及计算设备，通过采集待预测的网络切片数据，并划分出切片物理连接图和切片资源逻辑关系图，得到两类拓扑关系；将两类拓扑关系均转化为相应的邻接矩阵和特征矩阵，得到时空多图卷积网络模型的输入数据；将将第一邻接矩阵和第一特征矩阵，以及第二邻接矩阵和第二特征矩阵分别作为两组输入数据输入至时空多图卷积网络模型，可对两类拓扑关系中的时空特征分别进行抽取，然后通过多图汇聚可自动挖掘到时空特征与潜在故障间的联系，进而预测得到故障信息。由此可见，本发明方案，可利用时空多图卷积网络模型对两类拓扑结构的邻接矩阵和特征矩阵对应的时空特征进行抽取，而后挖掘出切片时空特征与潜在故障间的联系，预测得到故障信息，实现了自动、准确的进行故障预测，提前发现切片网络存在的故障。
17.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，以下特举本发明实施例的具体实施方式。
附图说明
18.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实施例的限制。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：
19.图1示出了本发明实施例提供的5g切片的故障预测方法的流程图；
20.图2示出了本发明另一个实施例提供的5g切片的故障预测方法的流程图；
21.图3示出了本发明一个具体的时空多图卷积网络模型的组成示意图；
22.图4示出了本发明实施例提供的5g切片的故障预测装置的结构示意图；
23.图5示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
24.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。
25.在实施本发明实施例之前，首先对本文中涉及的如下几个术语进行说明：
26.1.切片管理架构：主要由csmf、nsmf、nssmf组成。
27.其中，csmf(communication service management function，通信业务管理功能)，完成用户业务通信服务的需求订购和处理，负责将运营商/第三方客户的通信服务需求转化为对网络切片的需求，并通过和nsmf之间的接口向nsmf发送对网络切片的需求(如创建、终结、修改网络切片实例请求等)，从nsmf获取网络切片的管理数据(如性能、故障数据等)。
28.其中，nsmf(network slice management function，网络切片管理功能)，负责接
收csmf(communication service management function，通信业务管理功能)发送的网络切片需求，对网络切片实例的生命周期、性能、故障等进行管理，编排网络切片实例的组成，分解网络切片实例的需求为各网络切片子网实例或网络功能的需求，向各nssmf发送网络切片子网实例管理请求。
29.其中，nssmf(network slice subnet management function，网络切片子网管理功能)，接收从nsmf下发的网络切片子网部署需求，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qos需求，向etsi nfv域的nfvo系统下发网络服务的部署请求。
30.2.lstm(long short-term memory，长短期记忆)是一种特殊的循环神经网络类型，通过控制缓存中的值保存的时间，可以记住长期的信息，适合进行时间序列的预测。每个神经元有四个输入和一个输出，每个神经元内有一个cell存放记忆的数值。lstm神经元如下：
[0031][0032][0033][0034][0035][0036][0037]
y
t
＝σ(w'h
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0038]
每一个lstm神经元中含有三个门控：遗忘门、输入门、输出门。公式(1)代表了遗忘门，在公式(2)和(3)中新的信息被添加进来，公式(4)融合了新信息和旧信息，公式(5)和(6)输出目前lstm单元已学习到的关于下一个时间戳的信息。长短期记忆神经网络在长时间序列的学习上具有较好的效果，lstm单元内每条连接线上含有相应的权重，xt代表输入向量，ht代表隐藏状态，ct代表t时刻的神经元状态，yt代表神经元的输出，w为可训练的权重矩阵，b为偏置向量。
[0039]
图1示出了本发明实施例提供的5g切片的故障预测方法的流程图。该方法可由任意具有数据处理能力的计算设备来执行。如图1所示，该方法包括以下步骤：
[0040]
步骤s110：采集待预测的网络切片数据，并划分出切片物理连接图和切片资源逻辑关系图。
[0041]
其中，可从网络切片管理功能(nsmf)中采集待预测的网络切片数据。
[0042]
步骤s120：将该切片物理连接图转化为第一邻接矩阵和第一特征矩阵，以及将该切片资源逻辑关系图转化为第二邻接矩阵和第二特征矩阵。
[0043]
具体地，针对切片物理连接图和切片资源逻辑关系图，分别将其转化为邻接矩阵(第一邻接矩阵和第二邻接矩阵)和特征矩阵(第一特征矩阵和第二特征矩阵)，其中，第一邻接矩阵和第二邻接矩阵为两类拓扑关系(物理连接和逻辑关系，下同)中各节点的连接关系所构成的矩阵，第一特征矩阵和第二特征矩阵为两类拓扑关系中各节点的切片特征所构
成的矩阵。
[0044]
步骤s130：将该第一邻接矩阵、第一特征矩阵、第二邻接矩阵以及第二特征矩阵输入至时空多图卷积网络模型，预测得到该历史网络切片数据的故障信息。
[0045]
在本发明中，利用时空多图卷积网络(spatiotemporal multi-graph convolution network，st-mgcn)模型来学习5g网络切片中多种拓扑的时空关系，同时捕获网络切片空间和时间的依赖关系，该模型结合了图卷积网络(gcn)和长短期记忆神经网络(lstm)，其中，gcn用于学习复杂的拓扑结构来捕获空间依赖关系，lstm用于学习切片各节点kpi(key performance indicator，关键绩效指标)的动态变化来捕获时间依赖关系。由于切片网络不是二维网格，而是图的形式，通过时空多图卷积网络模型进行预测，则可以反映出切片网络复杂的拓扑结构，准确的捕获时空依赖关系，相较于cnn模型等，可以自动、准确的实现预测。
[0046]
具体地，将第一邻接矩阵和第一特征矩阵，以及第二邻接矩阵和第二特征矩阵分别作为两组输入数据输入至时空多图卷积网络模型，利用时空多图网络对切片网络区域间的切片物理连接关系和切片资源逻辑关系分别进行图卷积，提取各自的空间关系特征，然后经过长短期记忆层对切片各节点的连续t时刻kpi提取时间特征，将经过时空特征抽取后得到的切片关系图潜在变量进行多图汇聚，自动挖掘切片时空特征与潜在故障间的联系，最终经过全连接层输出所预测的故障信息。其中，故障信息包括任意可反映切片网络是否存在故障和/或故障的具体时间、位置、类型、级别等的信息。
[0047]
根据本实施例提供的5g切片的故障预测方法，通过采集待预测的网络切片数据，并划分出切片物理连接图和切片资源逻辑关系图，得到两类拓扑关系；将两类拓扑关系均转化为相应的邻接矩阵和特征矩阵，得到时空多图卷积网络模型的输入数据；将将第一邻接矩阵和第一特征矩阵，以及第二邻接矩阵和第二特征矩阵分别作为两组输入数据输入至时空多图卷积网络模型，可对两类拓扑关系中的时空特征分别进行抽取，然后通过多图汇聚可自动挖掘到时空特征与潜在故障间的联系，进而预测得到故障信息。由此可见，本实施例方案，可利用时空多图卷积网络模型对两类拓扑结构的邻接矩阵和特征矩阵对应的时空特征进行抽取，而后挖掘出切片时空特征与潜在故障间的联系，预测得到故障信息，实现了自动、准确的进行故障预测，提前发现切片网络存在的故障。
[0048]
图2示出了本发明另一个实施例提供的5g切片的故障预测方法的流程图。如图2所示，该方法包括以下步骤：
[0049]
步骤s210：训练得到时空多图卷积网络模型。
[0050]
具体地，采集历史网络切片数据样本，并划分为切片物理连接图样本和切片资源逻辑关系图样本；将该切片物理连接图样本转化为第一邻接矩阵样本和第一特征矩阵样本，以及将该切片资源逻辑关系图样本转化为第二邻接矩阵样本和第二特征矩阵样本；并标注故障信息样本；将该第一邻接矩阵样本、第一特征矩阵样本、第二邻接矩阵样本以及第二特征矩阵样本作为训练输入数据，以及将故障信息样本作为训练输出数据；利用该训练输入数据和训练输出数据进行训练，得到时空多图卷积网络模型。
[0051]
进一步的，上述训练得到时空多图卷积网络模型的过程主要分为以下两个步骤：
[0052]
步骤一，数据预处理。
[0053]
首先，处理得到邻接矩阵样本、特征矩阵样本和标签矩阵样本：
[0054]
从网络切片管理功能nsmf中收集历史网络切片数据，并分为切片物理连接图(各节点的物理连接关系拓扑)样本和切片资源逻辑关系图(通过资源cmdb(configuration management database，配置管理数据库)得到的资源关联关系拓扑)样本作为总数据集，将两种关系图样本分别转化为模型的输入即邻接矩阵样本(第一邻接矩阵样本和第二邻接矩阵样本)和特征矩阵样本(第一特征矩阵样本和第二特征矩阵样本)。其中，邻接矩阵样本为两类拓扑关系图中各节点的不同连接关系，特征矩阵样本分为静态切片特征和动态切片特征，其中动态切片特征为切片网络中各节点t个历史时间步的kpi时间序列。同时，对预测的结果进行人工标记。
[0055]
将切片物理连接图样本表示为g1(v，e1)，将切片资源逻辑关系图样本表示为g2(v，e2)，v为切片节点的集合v＝{v1,v2,v3,
…
,vn}，e为边的集合,根据不同维度的相关性确定节点之间的连边值，在物理连接和逻辑关系中，若切片节点vi和切片节点vj之间有连接则连接值eij为第一连接值，若切片节点vi和切片节点vj之间没有连接则连接值eij为第二连接值，例如，第一连接值为1,第二连接值为0。将两类切片拓扑图转化为模型的输入即邻接矩阵样本和特征矩阵样本:
[0056]
邻接矩阵样本a为两类拓扑关系图中各节点的不同连接关系，分别表示为a1(第一邻接矩阵样本)和a2(第二邻接矩阵样本)。eij表示组网节点vi和组网节点vj之间的连接关系，节点之间相连为1，否则为0。形状为n*n(n为节点的个数)。
[0057]
特征矩阵样本x为两类拓扑关系图中网络切片中各节点的特征表示，分别表示为x1(第一特征矩阵样本)和x2(第二特征矩阵样本)，分为静态切片特征和动态切片特征，静态切片特征包括但不限于以下一项或多项：切片节点所属切片子网、切片节点类型以及切片节点容量，动态切片特征包括但不限于以下一项或多项：网络并发量(caps)、请求时延、请求成功率、错误码个数以及资源利用率。并且，第i个节点在时刻t的历史连续t个时刻属性表示为{xi
t-t 1
、
…
、xi
t-2
、xi
t-1
、xi
t
}，t代表该节点属性的历史时间序列长度。
[0058]
标签矩阵样本y是对所要预测的切片标注的故障信息。
[0059]
其次，对数据集做标准化处理：
[0060]
对每个维度分别进行，将数据按属性(按列进行)减去其均值，并除以其方差，即：处理公式为(x-mean)/std，其中，x为矩阵中的元素值，mean为该元素所在列的均值，std为该元素所在列的方差。通过上述标准化后处理后，将提升模型的收敛速度和模型的精度。
[0061]
最后，划分训练数据和测试数据：
[0062]
将总数据集划分为训练数据和测试数据，取整个数据集的80％为训练数据，剩余20％为测试数据。用训练集进行训练，使得重建数据与原始数据越接近越好，用测试集来评价验证模型。
[0063]
步骤二，搭建并训练模型。
[0064]
搭建由图卷积层、长短期记忆层、多图汇聚层以及全连接层组成的时空多图卷积神经网络(st-mgcn)。利用时空多图网络对切片网络区域间的两种相关关系(切片物理连接图、切片资源逻辑关系图)分别进行图卷积，提取各自的空间关系特征，然后经过长短期记忆层对切片各节点的连续t时刻kpi提取时间特征，将经过时空特征抽取后得到的切片关系图潜在变量进行多图汇聚，最终经过全连接层输出所预测的故障信息。
[0065]
图3示出了本发明一个具体的时空多图卷积网络模型的组成示意图。如图3所示，
时空多图卷积网络模型的构成如下：
[0066]
1)图卷积层(graph conv，简称gcn)：将切片物理连接图g1(v，e1)和切片资源逻辑关系图g2(v，e2)分别对应的邻接矩阵和特征矩阵输入各自的图卷积层，提取以上两种关系图的空间特征，切片物理连接图经l层图卷积层编码后表示为第一切片关系图h
1l
，切片资源逻辑关系图经l层图卷积层编码后表示为第二切片关系图h
2l
。卷积核个数为32，激活函数设置为“relu”。每一个图卷积层可以写成这样一个非线性函数：
[0067]
h
l 1
＝relu(d'-1/2
a'd'-1/2
h
l
w
l
)
[0068]
其中，h(0)＝x即为输入数据，h(l)＝z即为输出数据，l为图卷积层的层数。其中w
l
是第l个图卷积层的参数矩阵，a为邻接矩阵，d'-1/2
a'd'-1/2
是对邻接矩阵a的对称归一化，a’＝a i，d’是a’的节点度对角矩阵。
[0069]
2)长短期记忆层(lstm)：对经图卷积层编码后的切片关系图h
1l
和h
2l
进行时间特征抽取，神经元个数设置为64，激活函数设置为“relu”，输出得到分别对应切片物理连接图和切片资源逻辑关系图的第一切片关系图潜在变量h'
1l
和第二切片关系图潜在变量h'
2l
：
[0070]
h'
1l
＝lstm(h
1l
)
[0071]
h'
2l
＝lstm(h
2l
)
[0072]
3)多图汇聚层：对以上两种关系图经图卷积层和长短期记忆层的时空特征抽取后得到的切片关系图潜在变量h'
1l
和h'
2l
进行多图汇聚，汇聚以节点为单位进行，汇聚得到的结果为h'
1，2l
：
[0073]
h'
1，2l
＝relu(agg(h'
1l
，h'
2l
))
[0074]
agg()为汇聚函数(aggregation function),汇聚的方法可以是求和、求最大值、求平均等等。
[0075]
4)全连接层(dense)：神经元个数设置为4，即对应输出所预测的切片故障区域(例如切片中的第i个节点)、故障时间(例如未来t秒)、故障级别(可分为高、中、低等级别)以及故障类型(可分为m种)，激活函数设置为“relu”。
[0076]
模型将训练1000个回合(epochs＝1000)，批处理大小设置为32(batch_size＝32)，选择均方误差mse(mean squared error)作为损失函数即目标函数(loss＝'mean_squared_error')：
[0077][0078]
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。模型收敛后导出该模型的权重。
[0079]
步骤s220：采集待预测的网络切片数据，并划分出切片物理连接图和切片资源逻辑关系图。
[0080]
在训练得到时空多图卷积网络模型后，若存在切片故障预测需求，则采集待预测的网络切片数据。
[0081]
步骤s230：将该切片物理连接图转化为第一邻接矩阵和第一特征矩阵，以及将该切片资源逻辑关系图转化为第二邻接矩阵和第二特征矩阵。
[0082]
其中，该第一邻接矩阵表示切片物理连接图中各节点之间的物理连接关系；该第
二邻接矩阵表示切片资源逻辑关系图中各节点之间的逻辑连接关系；以及，该第一特征矩阵表示切片物理连接图中各节点的静态切片特征和/或动态切片特征；该第二特征矩阵表示切片资源逻辑关系图中各节点的静态切片特征和/或动态切片特征。
[0083]
其中，静态切片特征包括以下一项或多项：切片节点所属切片子网、切片节点类型以及切片节点容量；和/或，动态切片特征包括以下一项或多项：网络并发量、请求时延、请求成功率、错误码个数以及资源利用率。
[0084]
经过上述转化后，则得到了时空多图卷积网络模型的输入数据，后续则可进行预测。
[0085]
步骤s240：将该第一邻接矩阵、第一特征矩阵、第二邻接矩阵以及第二特征矩阵输入至时空多图卷积网络模型，预测得到该历史网络切片数据的故障信息。
[0086]
其中，该故障信息包括以下一项或多项：切片故障区域信息、切片故障时间信息、切片故障级别信息以及切片故障类型信息。
[0087]
具体地，多图卷积是指对物理连接关系和资源逻辑关系分别进行图卷积，再进行特征融合，实现将一个时刻的物理连接关系和资源逻辑关系的图合成一个图，时间维度的预测是将t个历史时间步的信息融合到一张图上；空间维度的预测是将一个时刻的不同的相关性的图合成一个图。
[0088]
进一步的，与训练时搭建的时空多图卷积网络模型一致，该时空多图卷积网络模型包括图卷积层、长短期记忆层、多图汇聚层以及全连接层，相应的，利用该时空多图卷积网络模型进行预测的过程如下：
[0089]
将第一邻接矩阵和第一特征矩阵，以及第二邻接矩阵和第二特征矩阵作为两组输入分别输入至图卷积层，提取切片物理连接图和切片资源逻辑关系图的空间特征，输出得到分别对应切片物理连接图和切片资源逻辑关系图的第一切片关系图和第二切片关系图；将该第一切片关系图和第二切片关系图作为两组输入分别输入至长短期记忆层，提取切片物理连接图和切片资源逻辑关系图的时间特征，输出得到分别对应切片物理连接图和切片资源逻辑关系图的第一切片关系图潜在变量和第二切片关系图潜在变量。上述过程也即将第一邻接矩阵和第一特征矩阵输入至对切片物理连接关系图中的空间特征进行提取的图卷积层中，在提取出空间特征后，得到经图卷积层编码后的第一切片关系图，然后将第一切片关系图输入至对切片物理连接关系图中的时间特征进行提取的长短期记忆层，在提取出时间特征后，得到经长短期记忆层编码后的第一切片关系图潜在变量，同理，将第二邻接矩阵和第二特征矩阵依次输入至对切片资源逻辑关系图进行空间特征提取的图卷积层和进行时间特征提取的长短期记忆层，可得到第二切片关系图潜在变量，通过这种方式，可分别针对切片物理连接图和切片资源逻辑关系图进行时空特征的提取，可以较容易的捕获到分别的时空关系。
[0090]
然后，将第一切片关系图潜在变量和第二切片关系图潜在变量输入至多图汇聚层进行多图汇聚处理，最终经过全连接层输出预测得到的该历史网络切片数据的故障信息，多图汇聚处理是将两张切片关系图潜在变量以节点进行融合，自动挖掘切片时空特征与潜在故障间的联系。
[0091]
步骤s250：将该故障信息反馈至网络切片管理功能模块。
[0092]
在得到故障信息后，将故障信息反馈给nsmf，进而可利于切片管理架构依据预测
结果进行相应处理，例如，进行故障排查或者消除故障等。
[0093]
根据本实施例提供的5g切片的故障预测方法，首先从网络切片管理功能nsmf中收集历史网络切片数据，并分为切片物理连接图和切片资源逻辑关系图作为总数据集，将两种关系图分别转化为模型的输入即邻接矩阵和特征矩阵，通过搭建由图卷积层、长短期记忆层、多图汇聚层、以及全连接层组成的时空多图卷积神经网络(st-mgcn)，利用时空多图网络对切片网络区域间的切片物理连接关系和切片资源逻辑关系分别进行图卷积，提取各自的空间关系特征，然后经过长短期记忆层对切片各节点的连续t时刻kpi提取时间特征，将经过时空特征抽取后得到的切片关系图潜在变量进行多图汇聚，自动挖掘切片时空特征与潜在故障间的联系，最终经过全连接层输出所预测的切片故障区域、故障时间、故障级别、以及故障类型，并将预测结果返回给nsmf，从而提升了网络切片潜在故障的提前发现能力。
[0094]
图4示出了本发明实施例提供的5g切片的故障预测装置的结构示意图。
[0095]
如图4所示，该装置包括：
[0096]
划分模块410，适于采集历史网络切片数据，并划分出切片物理连接图和切片资源逻辑关系图；
[0097]
转化模块420，适于将所述切片物理连接图转化为第一邻接矩阵和第一特征矩阵，以及将所述切片资源逻辑关系图转化为第二邻接矩阵和第二特征矩阵；
[0098]
预测模块430，适于将所述第一邻接矩阵、第一特征矩阵、第二邻接矩阵以及第二特征矩阵输入至时空多图卷积网络模型，预测得到所述历史网络切片数据的故障信息。
[0099]
在一种可选的方式中，所述第一邻接矩阵表示切片物理连接图中各节点之间的物理连接关系；所述第二邻接矩阵表示切片资源逻辑关系图中各节点之间的逻辑连接关系；以及，
[0100]
所述第一特征矩阵表示切片物理连接图中各节点的静态切片特征和/或动态切片特征；所述第二特征矩阵表示切片资源逻辑关系图中各节点的静态切片特征和/或动态切片特征。
[0101]
在一种可选的方式中，所述静态切片特征包括以下一项或多项：切片节点所属切片子网、切片节点类型以及切片节点容量；和/或，
[0102]
所述动态切片特征包括以下一项或多项：网络并发量、请求时延、请求成功率、错误码个数以及资源利用率。
[0103]
在一种可选的方式中，所述时空多图卷积网络模型包括图卷积层、长短期记忆层、多图汇聚层以及全连接层；
[0104]
所述预测模块进一步适于：
[0105]
将第一邻接矩阵和第一特征矩阵，以及第二邻接矩阵和第二特征矩阵作为两组输入分别输入至图卷积层，提取切片物理连接图和切片资源逻辑关系图的空间特征，输出得到分别对应切片物理连接图和切片资源逻辑关系图的第一切片关系图和第二切片关系图；
[0106]
将所述第一切片关系图和第二切片关系图作为两组输入分别输入至长短期记忆层，提取切片物理连接图和切片资源逻辑关系图的时间特征，输出得到分别对应切片物理连接图和切片资源逻辑关系图的第一切片关系图潜在变量和第二切片关系图潜在变量；
[0107]
将所述第一切片关系图潜在变量和第二切片关系图潜在变量输入至多图汇聚层
进行多图汇聚处理，最终经过全连接层输出预测得到的所述历史网络切片数据的故障信息。
[0108]
在一种可选的方式中，所述故障信息包括以下一项或多项：切片故障区域信息、切片故障时间信息、切片故障级别信息以及切片故障类型信息。
[0109]
在一种可选的方式中，所述装置还包括：反馈模块，适于将所述故障信息反馈至网络切片管理功能模块。
[0110]
在一种可选的方式中，所述装置还包括：训练模块，适于采集历史网络切片数据样本，并划分为切片物理连接图样本和切片资源逻辑关系图样本；
[0111]
将所述切片物理连接图样本转化为第一邻接矩阵样本和第一特征矩阵样本，以及将所述切片资源逻辑关系图样本转化为第二邻接矩阵样本和第二特征矩阵样本；并标注故障信息样本；
[0112]
将所述第一邻接矩阵样本、第一特征矩阵样本、第二邻接矩阵样本以及第二特征矩阵样本作为训练输入数据，以及将故障信息样本作为训练输出数据；
[0113]
利用所述训练输入数据和训练输出数据进行训练，得到时空多图卷积网络模型。
[0114]
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的5g切片的故障预测方法。
[0115]
图5示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
[0116]
如图5所示，该计算设备可以包括：处理器(processor)502、通信接口(communications interface)504、存储器(memory)506、以及通信总线508。
[0117]
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，具体可以执行上述用于计算设备的5g切片的故障预测方法实施例中的相关步骤。
[0118]
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。
[0119]
处理器502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。计算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。
[0120]
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。
[0121]
程序510具体可以用于使得处理器502执行以下操作：
[0122]
采集待预测的网络切片数据，并划分出切片物理连接图和切片资源逻辑关系图；
[0123]
将所述切片物理连接图转化为第一邻接矩阵和第一特征矩阵，以及将所述切片资源逻辑关系图转化为第二邻接矩阵和第二特征矩阵；
[0124]
将所述第一邻接矩阵、第一特征矩阵、第二邻接矩阵以及第二特征矩阵输入至时空多图卷积网络模型，预测得到所述历史网络切片数据的故障信息。在一种可选的方式中，所述第一邻接矩阵表示切片物理连接图中各节点之间的物理连接关系；所述第二邻接矩阵
表示切片资源逻辑关系图中各节点之间的逻辑连接关系；以及，
[0125]
所述第一特征矩阵表示切片物理连接图中各节点的静态切片特征和/或动态切片特征；所述第二特征矩阵表示切片资源逻辑关系图中各节点的静态切片特征和/或动态切片特征。
[0126]
在一种可选的方式中，所述静态切片特征包括以下一项或多项：切片节点所属切片子网、切片节点类型以及切片节点容量；和/或，
[0127]
所述动态切片特征包括以下一项或多项：网络并发量、请求时延、请求成功率、错误码个数以及资源利用率。
[0128]
在一种可选的方式中，所述时空多图卷积网络模型包括图卷积层、长短期记忆层、多图汇聚层以及全连接层；
[0129]
所述程序510进一步使所述处理器502执行以下操作：
[0130]
将第一邻接矩阵和第一特征矩阵，以及第二邻接矩阵和第二特征矩阵作为两组输入分别输入至图卷积层，提取切片物理连接图和切片资源逻辑关系图的空间特征，输出得到分别对应切片物理连接图和切片资源逻辑关系图的第一切片关系图和第二切片关系图；
[0131]
将所述第一切片关系图和第二切片关系图作为两组输入分别输入至长短期记忆层，提取切片物理连接图和切片资源逻辑关系图的时间特征，输出得到分别对应切片物理连接图和切片资源逻辑关系图的第一切片关系图潜在变量和第二切片关系图潜在变量；
[0132]
将所述第一切片关系图潜在变量和第二切片关系图潜在变量输入至多图汇聚层进行多图汇聚处理，最终经过全连接层输出预测得到的所述历史网络切片数据的故障信息。
[0133]
在一种可选的方式中，所述故障信息包括以下一项或多项：切片故障区域信息、切片故障时间信息、切片故障级别信息以及切片故障类型信息。
[0134]
在一种可选的方式中，所述程序510进一步使所述处理器502执行以下操作：
[0135]
将所述故障信息反馈至网络切片管理功能模块。
[0136]
在一种可选的方式中，所述程序510进一步使所述处理器502执行以下操作：
[0137]
采集历史网络切片数据样本，并划分为切片物理连接图样本和切片资源逻辑关系图样本；
[0138]
将所述切片物理连接图样本转化为第一邻接矩阵样本和第一特征矩阵样本，以及将所述切片资源逻辑关系图样本转化为第二邻接矩阵样本和第二特征矩阵样本；并标注故障信息样本；
[0139]
将所述第一邻接矩阵样本、第一特征矩阵样本、第二邻接矩阵样本以及第二特征矩阵样本作为训练输入数据，以及将故障信息样本作为训练输出数据；
[0140]
利用所述训练输入数据和训练输出数据进行训练，得到时空多图卷积网络模型。
[0141]
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实施例的内容，并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
[0142]
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。
[0143]
类似地，应当理解，为了精简本发明实施例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实施例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。
[0144]
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。
[0145]
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。
[0146]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0147]
应该注意的是上述实施例对本发明实施例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。本发明实施例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。