网络切片实例的隔离评估方法及装置与流程

1.本发明实施例涉及移动通信技术领域，具体涉及一种网络切片实例的隔离评估方法及装置。


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。切片管理架构主要由csmf(communication service management function,通信业务管理模块)、nsmf(network slice management function，网络切片管理模块)、nssmf(network slice sutnet management function，网络切片子网管理模块)组成。
3.网络切片技术可让运营商在一个硬件基础设施上切分出多个虚拟的端到端网络，每个网络切片在设备、接入网、传输网以及核心网方面实现逻辑隔离，适配各种类型服务的不同特殊需求。对于每一个网络切片而言，虚拟服务器、网络带宽、服务质量等专属资源都能得到充分保证。同时由于切片之间相互隔离，所以一个切片的错误或故障不会影响到其他切片的通信。
4.隔离性是5g网络切片的主要特点之一，能否精准满足用户对切片隔离性的需求，是切片网络的关键。切片的隔离性主要体现在：核心网子切片中的节点是共享网元还是独占网元、传输网子切片中的节点处于硬管道还是软管道、无线网子切片中的节点是专用小区还是共享小区，以及无线时频资源是独占(硬切)还是共享(软切)。目前切片网络隔离性依赖于人工经验判断，效率较低、容易出错，对人员的技能要求较高。


技术实现要素：

5.鉴于上述问题，本发明实施例提供了一种网络切片实例的隔离评估方法及装置，克服了上述问题或者至少部分地解决了上述问题。
6.根据本发明实施例的一个方面，提供了一种网络切片实例的隔离评估方法，所述方法包括：对待评估切片实例数据进行预处理，所述待评估切片实例数据包括至少两个切片实例的数据；将经过预处理的切片实例数据输入至双重图结构神经网络模型进行切片实例之间的隔离评估，得到每一所述待评估切片实例的评估结果。
7.在一种可选的方式中，所述对待评估切片实例数据进行预处理，包括：对所述待评估切片实例数据进行矩阵转换得到对应的矩阵。
8.在一种可选的方式中，所述双重图结构神经网络模型包括：第一处理模块、与所述第一处理模块连接的第二处理模块、与所述第二处理模块连接的评估模块，所述将经过预处理的切片实例数据输入至双重图结构神经网络模型进行切片实例之间的隔离评估，得到每一所述待评估切片实例的评估结果，包括：对于每一所述外部节点，使用所述第一处理模
块基于所述内部图数据获取对应的内部节点的特征数据并叠加，得到第一特征数据；使用所述第二处理模块基于每一所述外部节点对应的第一特征数据得到第二特征数据；使用所述评估模块基于每一所述外部节点的第二特征数据进行切片实例之间的隔离评估，得到对应的评估结果。
9.在一种可选的方式中，所述第一处理模块包括若干依次连接的内部卷积层及一个内部合并层，所述使用所述第一处理模块基于所述内部图数据获取对应的内部节点的特征数据并叠加，得到第一特征数据，包括：将所述内部图数据输入至所述内部卷积层中由所述内部卷积层进行特征提取，将提取结果输入到下一所述内部卷积层中进行特征提取，直到由最后一个卷积层输出提取特征至所述内部合并层；使用所述内部合并层对输入的提取特征进行叠加运算得到内部节点的总特征数据。
10.在一种可选的方式中，所述内部图数据所述包括至少一个内部节点的数据及所述内部节点的邻接矩阵数据，所述内部卷积层的结构均一致，所述内部卷积层对应的函数为：其中，所述x
k
表示第k个内部节点v
k
的特征数据，所述l为所述内部卷积层的标号，a
k
为所述内部节点v
k
的邻接列表，所述w及m分别权重矩阵，ν
m
为所述内部节点v
k
对应的邻接矩阵中的节点；所述内部合并层对应的函数为：其中，所述l是所述内部卷积层的数量，所述g'
l
为内部节点的总特征数据。
11.在一种可选的方式中，所述第二处理模块包括若干依次连接的外部卷积层，所述使用所述第二处理模块基于每一所述外部节点对应的第一特征数据得到第二特征数据，包括：
12.将所述内部节点的总特征数据输入至所述外部卷积层由所述外部卷积层进行特征提取，将提取结果输入到下一所述外部卷积层进行特征提取，直到由最后一个卷积层输出对应切片实例的特征数据。
13.在一种可选的方式中，所述外部图数据包括一个外部节点的数据，所述外部卷积层的结构均一致，所述外部卷积层对应的函数为：
14.及
15.其中，所述表示外部节点i对应的特征数据，所述a
i
为所述外部节点的邻接列表(邻接矩阵列表)，所述u及v表示权重矩阵，所述n为所述外部节点的邻接矩阵的节点标号，所述s为所述外部卷积层的数量，所述表示外部节点i对应的切片实例的特征数据。
16.在一种可选的方式中，所述评估模块包括全连接层，所述使用所述评估模块基于每一所述外部节点的第二特征数据进行切片实例之间的隔离评估，得到对应的评估结果，包括：
17.使用所述全连接层基于所输入的特征数据进行切片实例之间的隔离评估，得到对
应的评估结果，所述全连接层函数为：其中，所述y表示外部节点i及j所对应的切片实例之间的隔离评估结果。
18.根据本发明实施例的另一个方面，提供了一种网络切片实例的隔离评估装置，包括：预处理模块，用于对待评估切片实例数据进行预处理，所述待评估切片实例数据包括至少两个切片实例的数据；评估模块，用于将经过预处理的切片实例数据输入至双重图结构神经网络模型进行切片实例之间的隔离评估，得到每一所述待评估切片实例的评估结果。
19.根据本发明实施例的另一方面，提供了一种设备，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；
20.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网络切片实例的隔离评估方法的步骤。
21.根据本发明实施例的又一方面，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，所述可执行指令使所述处理器执行上述基于网络切片实例的隔离评估方法步骤。
22.本发明实施例中，基于双重图结构神经网络模型来进行切片实例之间的隔离评估，无需手动评估，提高评估效率及科学性。
23.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
24.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：
25.图1示出了本发明第一实施例提供的网络切片实例的隔离评估方法的流程示意图；
26.图2-1示出了本发明第一实施例提供的网络切片实例的隔离评估方法的切片子网络的结构示意图；
27.图2-2示出了本发明第一实施例提供的网络切片实例的隔离评估方法的双重图结构神经网络模型的结构示意图；
28.图3示出了本发明第一实施例提供的网络切片实例的隔离评估方法的步骤s2的具体流程示意图；
29.图4示出了本发明第二实施例的网络切片实例的隔离评估装置的结构示意图；
30.图5示出了本发明第三实施例的设备的结构示意图。
具体实施方式
31.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。
32.图1示出了本发明第一实施例提供的网络切片实例的隔离评估方法的流程示意图。如图1所示，该方法包括：
33.步骤s1，对待评估切片实例数据进行预处理；
34.具体地，若需要进行切片实例之间的隔离评估(该切片为网络切片)，则首先需要对待评估切片实例数据，该待评估切片实例数据包括至少两个切片实例的数据(在实际场景中，应该是有多个切片实例之间进行比较)，在一个优选方案中，本方法的实际应用场景是基于双重图网络结构，该双重图网络结构包括外部图结构及内部图结构，外部图结构对应外部节点数据，内部图结构对应内部节点数据，该双重图网络结构包括若干切片实例，每一切片实例包括外部图数据及内部图数据，外部图数据包括外部节点数据，内部图数据包括内部节点数据，外部节点数据包括外部节点的特征数据，外部节点的邻接矩阵数据，该邻接矩阵数据可以包括邻接列表(如与该外部节点邻接的其他外部节点的数据)，内部节点数据可以包括多个内部节点，每一内部节点的特征数据及对应的邻接矩阵数据，该邻接矩阵数据包括邻接列表(如与该内部节点邻接的其他内部节点的数据，该数据可以包括属性数据，如是否隔离)。换句话说，一个切片实例对应一个外部节点，一个外部节点对应至少一个内部节点。外部节点之间若存在边代表切片实例之间存在影响(即非隔离)，外部节点之间若不存在边则表示切片实例之间是隔离的，内部图结构包括若干内部节点，每一内部节点代表切片实例中的网络功能，内部图中的每条边表示内部节点时间的网络功能连接关系，即内部节点之间也存在是否隔离的状态。例如：在网络切片双重图结构中，将外部图结构表示为g'＝(v',a'),其中，v'表示切片实例的集合，a'表示切片实例的邻接矩阵(0表示隔离，1表示未隔离)，将内部图结构表示为g＝(v,a)∈v'，v表示切片实例中网络功能的集合(即内部图结构)，a是切片实例中网络功能的邻接矩阵(或叫邻接列表)(0表示隔离，1表示未隔离)。内部图节点的特征数据(特征向量)为对应切片实例的网络功能属性的特征数据，节点的属性包括节点所处切片子网和节点隔离状况，其中节点所属切片子网包括核心网子切片、传输网子切片、无线网子切片(见图2-1)；对应的节点隔离状况包括：核心网子切片中的节点是共享网元还是独占网元、传输网子切片中的节点处于硬管道还是软管道、无线网子切片中的节点是专用小区还是共享小区、以及无线时频资源是独占(硬切)还是共享(软切)等。每一个节点i的特征表示为x
i
。
35.对待评估切片实例数据进行预处理的过程中，首先对节点的两个属性(特征属性及邻接属性)进行编码，然后分别对外部图数据及内部图数据的两个属性数据进行矩阵转换，得到对应的特征属性矩阵及邻接矩阵。
36.步骤s2，将经过预处理的切片实例数据输入至双重图结构神经网络模型进行切片实例之间的隔离评估，得到每一待评估切片实例的评估结果。
37.具体地，将经过预处理的切片实例数据输入至双重图结构神经网络模型进行切片实例之间的隔离评估，得到每一待评估切片实例的评估结果，此时，输入的切片实例可以为若干个(至少两个)，由双重图结构神经网络模型根据输入的切片实例数据进行隔离评估，输出对应的评估结果，例如，输入的切片实例为3个，分别为第一切片实例，第二切片实例及第三切片实例，该双重图结构神经网络模型根据输入的三个切片实例的数据进行隔离评
估，分别输出第一切片实例与第二切片实例、第一切片实例与第三切片实例、第二切片实例与第三切片实例之间的隔离评估结果。
38.在本实施例中，基于双重图结构神经网络模型来进行切片实例之间的隔离评估，无需手动评估，提高评估效率及科学性。
39.在本实施例的一个优选方案中，该双重图结构神经网络模型为预先设置，该模型包括第一处理模块、与所述第一处理模块连接的第二处理模块、与所述第二处理模块连接的评估模块，如图2-2所示，该第一处理模块包括若干依次连接的内部卷积层(如h层)及一个内部合并层，该第二处理模块包括若干依次连接的外部卷积层(如s层)，所述评估模块包括全连接层，该全连接层包括若干神经元，优选地，该神经元个数可以为(t-1)*t,即每次可以往该神经网络模型中输入t个切片实例数据，任意切片实例对为(t-1)*t。
40.在本实施例的一个优选方案中，如图3所示，该步骤s2具体包括：
41.步骤s21，对于每一外部节点，使用第一处理模块基于内部图数据获取对应的内部节点的特征数据并叠加，得到第一特征数据；
42.具体地，由于同时输入若干个切片实例数据，该第一处理模块相当于分成相同数量的子处理模块，分别对输入的切片实例数据进行处理，输出对应的第一特征数据，由于一个外部节点对应至少两个内部节点，因此可以外部节点为对象，分别对每一外部节点的内部节点的内部图数据进行处理，得到对应的第一特征数据，于是最终得到每一外部节点对应的第一特征数据；
43.步骤s22，使用第二处理模块基于每一外部节点对应的第一特征数据得到第二特征数据；
44.具体地，由第二处理模块根据输入的每一外部节点对应的第一特征数据及外部数据来进行特征提取，得到第二特征数据，于是得到每一切片实例的特征数据。
45.步骤s23，使用评估模块基于每一外部节点的第二特征数据进行切片实例之间的隔离评估，得到对应的评估结果；
46.具体地，由评估模块根据输入的每一切片实例的特征数据来进行评估分析，得到每一切片实例与其他切片实例之间的隔离评估结果。
47.在本实施例的进一步优选方案中，该步骤s21具体包括：
48.将内部图数据输入至内部卷积层中由所述内部卷积层进行特征提取，将提取结果输入到下一内部卷积层中进行特征提取，直到由最后一个卷积层输出提取特征至内部合并层；
49.具体地，该内部卷积层为t个，分别为第一内部卷积层、第二内部卷积层、、、第t内部卷积层，每一内部卷积层的结构一致，每一内部卷积层为rule函数，对应的函数为：其中，所述x
k
表示第k个内部节点v
k
的特征数据，所述l为所述内部卷积层的标号，a
k
为所述内部节点v
k
的邻接列表，所述w及m分别为权重矩阵，ν
m
为所述内部节点对应的邻接列表的节点，所述m为内部节点的邻接矩阵的节点标号；
50.首先将内部图数据输入至第一内部卷积层进行卷积运算，输出卷积运算结果至第二内部卷积层，由第二内部卷积层对输入的数据进行卷积运算，输出运算结果至第三内部卷积层、、、同理，直到从第l内部卷积层输出特征数据至内部合并层中。
51.使用内部合并层对输入的提取特征进行叠加运算得到内部节点的总特征数据。
52.具体地，该内部合并层为relu函数，对应的函数为：其中，l是所述内部卷积层的数量，所述g'
l
为内部节点的总特征数据。
53.根据该函数进行运算，输出该外部节点对应的第一特征数据(即总特征数据)至外部卷积层中。
54.在本实施例的一个优选方案中，所述第二处理模块包括若干依次连接的外部卷积层，每一外部卷积层的结构均一致，外部卷积层的对应的函数为：
[0055][0056]
其中，所述表示外部节点i对应的特征数据，所述a
i
为所述外部节点的邻接列表，所述u及v表示权重矩阵，所述n为所述外部节点的邻接矩阵的节点标号，所述s为所述外部卷积层的数量，所述表示外部节点i对应的切片实例的特征数据。
[0057]
该步骤s22具体包括：
[0058]
将内部节点的特征数据输入至所述外部卷积层由外部卷积层进行特征提取，将提取结果输入到下一外部卷积层进行特征提取，直到由最后一个卷积层输出提取特征；
[0059]
具体地，该外部卷积层为s层，分别为第一外部卷积层、第二外部卷积层、、、第s外部卷积层，将内部节点的特征数据输入至第一外部卷积层进行卷积运算，输出运算结果至第二外部卷积层中进行运算、、、直到从第s外部卷积层输出对应切片实例的特征数据；
[0060]
在本实施例的一个优选方案中，该全连接层对应的函数为所述y表示外部节点i及j所对应的切片实例之间的隔离评估结果，将函数值y输入至激活函数输出隔离评估结果。
[0061]
在本实施例的一个优选方案中，该步骤s1之前还包括：
[0062]
接收隔离评估指示；
[0063]
具体地，若需要隔离评估时，会接收到隔离评估指示，该隔离评估指示携带待评估的切片实例数据。
[0064]
在本实施例中，接收隔离评估指示之前，还可包括：
[0065]
获取数据集；
[0066]
创建并训练双重图结构神经网络模型；
[0067]
具体地，首先从nsmf中收集历史数据集，历史数据集包括网络切片需求数据、双重图结构数据，然后对外部图结构数据的邻接表情进行人工标记，以标记每一切片实例之间的隔离性分类(0表示隔离、1表示未隔离)；然后将总数据集分为测试数据集及训练数据集，
将总数据集输入至所述双重图结构神经网络模型中进行训练优化，通过将神经网络模型输出的评估结果与真实的切片实例之间的隔离性评估结果之间的差值来训练最小化该误差，例如，选择目标函数为'binary_crossentropy'二类对数损失函数。将训练回合数设置为1500(epochs＝1500)，采用梯度下降优化算法选择adam优化器，通过梯度下降法，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，使得目标函数越小越好，并在每轮训练后用测试集来评价验证模型，模型收敛后导出该模型的权重，完成神经网络模型的优化。
[0068]
在本实施例的一个优选方案中，该步骤s2之后还可以包括：
[0069]
判断评估结果是否符合预设要求；
[0070]
具体地，根据用于预先设置的标准来判断隔离评估结果是否符合要求，例如，若用户要求某个切片实例隔离，而隔离性评估结果为0，则符合，隔离性评估结果为1，则不符合，不符合时需要反馈给nsmf以进行切片配置的调整。
[0071]
在本实施例中，基于双重图结构神经网络模型来进行切片实例之间的隔离评估，无需手动评估，提高评估效率及科学性。
[0072]
其次，利用双重图结构数据来进行隔离性评估，可以提高评估的可靠性。
[0073]
图4示出了本发明第二实施例的网络切片实例的隔离评估装置的结构示意图。该装置包括：预处理模块41及与其连接的评估模块42，其中：
[0074]
预处理模块41，用于对待评估切片实例数据进行预处理；
[0075]
具体地，若需要进行切片实例之间的隔离评估，则首先需要对待评估切片实例数据，该待评估切片实例数据包括至少两个切片实例的数据(在实际场景中，应该是有多个切片实例之间进行比较)，在一个优选方案中，本方法的实际应用场景是基于双重图网络结构，该双重图网络结构包括外部图结构及内部图结构，外部图结构对应外部节点数据，内部图结构对应内部节点数据，该双重图网络结构包括若干切片实例，每一切片实例包括外部图数据及内部图数据，外部图数据包括外部节点数据，内部图数据包括内部节点数据，外部节点数据包括外部节点的特征数据，外部节点的邻接矩阵数据，该邻接矩阵数据可以包括邻接列表(如与该外部节点邻接的其他外部节点的数据)，内部节点数据可以包括多个内部节点，每一内部节点的特征数据及对应的邻接矩阵数据，该邻接矩阵数据包括邻接列表(如与该内部节点邻接的其他内部节点的数据，该数据可以包括属性数据，如是否隔离)。换句话说，一个切片实例对应一个外部节点，一个外部节点对应至少一个内部节点。外部节点之间若存在边代表切片实例之间存在影响(即非隔离)，外部节点之间若不存在边则表示切片实例之间是隔离的，内部图结构包括若干内部节点，每一内部节点代表切片实例中的网络功能，内部图中的每条边表示内部节点时间的网络功能连接关系，即内部节点之间也存在是否隔离的状态。例如：在网络切片双重图结构中，将外部图结构表示为g'＝(v',a'),其中，v'表示切片实例的集合，a'表示切片实例的邻接矩阵(0表示隔离，1表示未隔离)，将内部图结构表示为g＝(v,a)∈v'，v表示切片实例中网络功能的集合(即内部图结构)，a是切片实例中网络功能的邻接矩阵(0表示隔离，1表示未隔离)。内部图节点的特征数据(特征向量)为对应切片实例的网络功能属性的特征数据，节点的属性包括节点所处切片子网和节点隔离状况，其中节点所属切片子网包括核心网子切片、传输网子切片、无线网子切片(见2-1)；对应的节点隔离状况包括：核心网子切片中的节点是共享网元还是独占网元、传输网
子切片中的节点处于硬管道还是软管道、无线网子切片中的节点是专用小区还是共享小区、以及无线时频资源是独占(硬切)还是共享(软切)等。每一个节点i的特征表示为x
i
。
[0076]
对待评估切片实例数据进行预处理的过程中，首先对节点的两个属性(特征属性及邻接属性)进行编码，然后分别对外部图数据及内部图数据的两个属性数据进行矩阵转换，得到对应的特征属性矩阵及邻接矩阵。
[0077]
评估模块42，用于将经过预处理的切片实例数据输入至双重图结构神经网络模型进行切片实例之间的隔离评估，得到每一待评估切片实例的评估结果。
[0078]
具体地，将经过预处理的切片实例数据输入至双重图结构神经网络模型进行切片实例之间的隔离评估，得到每一待评估切片实例的评估结果，此时，输入的切片实例可以为若干个(至少两个)，由双重图结构神经网络模型根据输入的切片实例数据进行隔离评估，输出对应的评估结果，例如，输入的切片实例为3个，分别为第一切片实例，第二切片实例及第三切片实例，该双重图结构神经网络模型根据输入的三个切片实例的数据进行隔离评估，分别输出第一切片实例与第二切片实例、第一切片实例与第三切片实例、第二切片实例与第三切片实例之间的隔离评估结果。
[0079]
在本实施例中，基于双重图结构神经网络模型来进行切片实例之间的隔离评估，无需手动评估，提高评估效率及科学性。
[0080]
在本实施例的一个优选方案中，该双重图结构神经网络模型为预先设置，该模型包括第一处理模块、与所述第一处理模块连接的第二处理模块、与所述第二处理模块连接的评估模块，如图2-2所示，该第一处理模块包括若干依次连接的内部卷积层及一个内部合并层，该第二处理模块包括若干依次连接的外部卷积层，所述评估模块包括全连接层，该全连接层包括若干神经元，优选地，该神经元个数可以为(t-1)*t,即每次可以往该神经网络模型中输入t个切片实例数据，任意切片实例对为(t-1)*t。
[0081]
在本实施例的一个优选方案中，该评估模块42具体包括：第一处理单元、与其连接的第二处理单元、与第二处理模块连接的评估单元，其中：
[0082]
第一处理单元，用于对于每一外部节点，使用第一处理模块基于内部图数据获取对应的内部节点的特征数据并叠加，得到第一特征数据；
[0083]
具体地，由于同时输入若干个切片实例数据，该第一处理模块相当于分成相同数量的子处理模块，分别对输入的切片实例数据进行处理，输出对应的第一特征数据，由于一个外部节点对应至少两个内部节点，因此可以外部节点为对象，分别对每一外部节点的内部节点的内部图数据进行处理，得到对应的第一特征数据，于是最终得到每一外部节点对应的第一特征数据；
[0084]
第二处理单元，用于使用第二处理模块基于每一外部节点对应的第一特征数据得到第二特征数据；
[0085]
具体地，由第二处理模块根据输入的每一外部节点对应的第一特征数据及外部数据来进行特征提取，得到第二特征数据，于是得到每一切片实例的特征数据。
[0086]
评估单元，用于使用评估模块基于每一外部节点的第二特征数据进行切片实例之间的隔离评估，得到对应的评估结果；
[0087]
具体地，由评估模块根据输入的每一切片实例的特征数据来进行评估分析，得到每一切片实例与其他切片实例之间的隔离评估结果。
[0088]
在本实施例的进一步优选方案中，该第一处理单元具体用于：
[0089]
将内部图数据输入至内部卷积层中由所述内部卷积层进行特征提取，将提取结果输入到下一内部卷积层中进行特征提取，直到由最后一个卷积层输出提取特征至内部合并层；
[0090]
具体地，该内部卷积层为t个，分别为第一内部卷积层、第二内部卷积层、、、第t内部卷积层，每一内部卷积层的结构一致，每一内部卷积层为rule函数，对应的函数为：其中，所述x
k
表示第k个内部节点v
k
的特征数据，所述l为所述内部卷积层的标号，a
k
为所述内部节点v
k
的邻接列表，所述w及m分别为权重矩阵，ν
m
为所述内部节点对应的邻接矩阵中的节点，所述m为内部节点的邻接矩阵的节点标号；
[0091]
首先将内部图数据输入至第一内部卷积层进行卷积运算，输出卷积运算结果至第二内部卷积层，由第二内部卷积层对输入的数据进行卷积运算，输出运算结果至第三内部卷积层、、、同理，直到从第l内部卷积层输出特征数据至内部合并层中。
[0092]
使用内部合并层对输入的提取特征进行叠加运算得到内部节点的总特征数据。
[0093]
具体地，该内部合并层为relu函数，对应的函数为：其中，l是所述内部卷积层的数量，所述g'
l
为内部节点的特征数据。根据该函数进行运算，输出该外部节点对应的第一特征数据至外部卷积层中。
[0094]
在本实施例的一个优选方案中，所述第二处理模块包括若干依次连接的外部卷积层，每一外部卷积层的结构均一致，外部卷积层的对应的函数为：及其中，所述表示外部节点i对应的特征数据，所述a
i
为外部节点i的邻接列表，所述u及v表示权重矩阵，所述n为所述外部节点的邻接矩阵的节点标号，所述s为所述外部卷积层的数量；所述表示外部节点i对应的切片实例的特征数据。
[0095]
进一步地，该第二处理单元具体用于：
[0096]
将内部节点的特征数据输入至所述外部卷积层由外部卷积层进行特征提取，将提取结果输入到下一外部卷积层进行特征提取，直到由最后一个卷积层输出提取特征；
[0097]
具体地，该外部卷积层为s层，分别为第一外部卷积层、第二外部卷积层、、、第s外部卷积层，将内部节点的特征数据输入至第一外部卷积层进行卷积运算，输出运算结果至第二外部卷积层中进行运算、、、直到从第s外部卷积层输出对应切片实例的特征数据；
[0098]
在本实施例的一个优选方案中，该全连接层对应的函数为所述y表示外部节点i及j所对应的切片实例之间的隔离评估结果，将函数值y输入至激活函数输出隔离评估结果。
[0099]
在本实施例中，该预处理模块还可以用于：
[0100]
接收隔离评估指示；
[0101]
具体地，若需要隔离评估时，会接收到隔离评估指示，该隔离评估指示携带待评估的切片实例数据。
[0102]
在本实施例的一个优选方案中，该评估模块优选为双重图结构神经网络模型。
[0103]
在本实施例中，基于双重图结构神经网络模型来进行切片实例之间的隔离评估，无需手动评估，提高评估效率及科学性。
[0104]
其次，利用双重图结构数据来进行隔离性评估，可以提高评估的可靠性。
[0105]
本发明第三实施例还提供了一种计算机存储介质，所述计算机存储介质包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述第一实施例中的网络切片实例的隔离评估方法。
[0106]
可执行指令具体可以用于使得处理器执行以下操作：
[0107]
对待评估切片实例数据进行预处理，所述待评估切片实例数据包括至少两个切片实例的数据；
[0108]
将经过预处理的切片实例数据输入至双重图结构神经网络模型进行切片实例之间的隔离评估，得到每一所述待评估切片实例的评估结果。
[0109]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0110]
对所述待评估切片实例数据进行矩阵转换得到对应的矩阵。
[0111]
在一种可选的方式中，对所述待评估切片实例数据进行矩阵转换得到对应的矩阵，所述可执行指令使所述处理器执行以下操作：
[0112]
对于每一所述外部节点，使用所述第一处理模块基于所述内部图数据获取对应的内部节点的特征数据并叠加，得到第一特征数据；
[0113]
使用所述第二处理模块基于每一所述外部节点对应的第一特征数据得到第二特征数据；
[0114]
使用所述评估模块基于每一所述外部节点的第二特征数据进行切片实例之间的隔离评估，得到对应的评估结果。
[0115]
在一种可选的方式中，所述第一处理模块包括若干依次连接的内部卷积层及一个内部合并层，所述可执行指令使所述处理器执行以下操作：
[0116]
将所述内部图数据输入至所述内部卷积层中由所述内部卷积层进行特征提取，将提取结果输入到下一所述内部卷积层中进行特征提取，直到由最后一个卷积层输出提取特征至所述内部合并层；
[0117]
使用所述内部合并层对输入的提取特征进行叠加运算得到内部节点的总特征数据。
[0118]
在一种可选的方式中，所述内部图数据所述包括至少一个内部节点的数据及所述内部节点的邻接矩阵数据，所述内部卷积层的结构均一致，所述内部卷积层对应的函数为：其中，所述x
k
表示第k个内部节点v
k
的特征数据，所述l为所述内部卷积层的标号，a
k
为所述内部节点v
k
的邻接列表，所述w及m分别为权重矩阵，ν
m
为所述内部节点v
k
对应的邻接矩阵中的节点；所述内部合并层对应的函数为：
其中，l是所述内部卷积层的数量，所述g'
l
为内部节点的总特征数据。
[0119]
在一种可选的方式中，所述第二处理模块包括若干依次连接的外部卷积层所述可执行指令使所述处理器执行以下操作：
[0120]
将所述内部节点的总特征数据输入至所述外部卷积层由所述外部卷积层进行特征提取，将提取结果输入到下一所述外部卷积层进行特征提取，直到由最后一个卷积层输出对应切片实例的特征数据。
[0121]
在一种可选的方式中，所述外部图数据包括一个外部节点的数据，所述外部卷积层的结构均一致，所述外部卷积层对应的函数为：
[0122]
及
[0123]
其中，所述表示外部节点i对应的特征数据，所述a
i
为所述外部节点的邻接列表，所述u及v表示权重矩阵，所述n为所述外部节点的邻接矩阵的节点，所述s为所述外部卷积层的数量，所述表示外部节点i对应的切片实例的特征数据。
[0124]
在一种可选的方式中，所述评估模块包括全连接层，所述可执行指令使所述处理器执行以下操作：
[0125]
使用所述全连接层基于所输入的特征数据进行切片实例之间的隔离评估，得到对应的评估结果，所述全连接层函数为：其中，所述y表示外部节点i及j所对应的切片实例之间的隔离评估结果。
[0126]
在本实施例中，基于双重图结构神经网络模型来进行切片实例之间的隔离评估，无需手动评估，提高评估效率及科学性。
[0127]
图5示出了本发明第六实施例的设备的结构示意图，本发明具体实施例并不对设备的具体实现做限定。
[0128]
如图5所示，该设备可以包括：处理器(processor)502、通信接口(communicalions inlerface)504、存储器(memory)506、以及通信总线508。
[0129]
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，具体可以执行上述第一实施例中的网络切片实例的隔离评估方法的相关步骤。
[0130]
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。
[0131]
处理器502可能是中央处理器cpu，或者是特定集成电路asic(applicalion specific inlegraled circuil)，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。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。
[0132]
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-volalile memory)，例如至少一个磁盘存储器。
[0133]
程序510具体可以用于使得处理器502执行以下操作：
[0134]
对待评估切片实例数据进行预处理，所述待评估切片实例数据包括至少两个切片实例的数据；
[0135]
将经过预处理的切片实例数据输入至双重图结构神经网络模型进行切片实例之间的隔离评估，得到每一所述待评估切片实例的评估结果。
[0136]
在一种可选的方式中，所述程序510使所述处理器502执行以下操作：
[0137]
对所述待评估切片实例数据进行矩阵转换得到对应的矩阵。
[0138]
在一种可选的方式中，所述双重图结构神经网络模型包括：第一处理模块、与所述第一处理模块连接的第二处理模块、与所述第二处理模块连接的评估模块，所述程序510使所述处理器502执行以下操作：
[0139]
对于每一所述外部节点，使用所述第一处理模块基于所述内部图数据获取对应的内部节点的特征数据并叠加，得到第一特征数据；
[0140]
使用所述第二处理模块基于每一所述外部节点对应的第一特征数据得到第二特征数据；
[0141]
使用所述评估模块基于每一所述外部节点的第二特征数据进行切片实例之间的隔离评估，得到对应的评估结果。
[0142]
在一种可选的方式中，所述第一处理模块包括若干依次连接的内部卷积层及一个内部合并层，所述程序510使所述处理器502执行以下操作：
[0143]
将所述内部图数据输入至所述内部卷积层中由所述内部卷积层进行特征提取，将提取结果输入到下一所述内部卷积层中进行特征提取，直到由最后一个卷积层输出提取特征至所述内部合并层；
[0144]
使用所述内部合并层对输入的提取特征进行叠加运算得到内部节点的总特征数据。
[0145]
在一种可选的方式中，所述内部图数据所述包括至少一个内部节点的数据及所述内部节点的邻接矩阵数据，所述内部卷积层的结构均一致，所述内部卷积层对应的函数为：其中，所述x
k
表示第k个内部节点v
k
的特征数据，所述l为所述内部卷积层的标号，a
k
为所述内部节点v
k
的邻接列表，所述w及m分别为权重矩阵，ν
m
为所述内部节点v
k
对应的邻接矩阵中的节点；所述内部合并层对应的函数为：其中，l是所述内部卷积层的数量，所述g'
l
为内部节点的总特征数据。
[0146]
在一种可选的方式中，所述第二处理模块包括若干依次连接的外部卷积层，所述程序510使所述处理器502执行以下操作：将所述内部节点的总特征数据输入至所述外部卷积层由所述外部卷积层进行特征提取，将提取结果输入到下一所述外部卷积层进行特征提取，直到由最后一个卷积层输出对应切片实例的特征数据。
[0147]
在一种可选的方式中，所述外部图数据包括一个外部节点的数据，所述外部卷积
层的结构均一致，所述外部卷积层对应的函数为：
[0148]
及
[0149][0150]
其中，所述表示外部节点i对应的特征数据，所述a
i
为所述外部节点的邻接列表，所述u及v表示权重矩阵，所述n为所述外部节点的邻接矩阵的节点，所述s为所述外部卷积层的数量，所述表示外部节点i对应的切片实例的特征数据。
[0151]
在一种可选的方式中，所述评估模块包括全连接层，所述程序510使所述处理器502执行以下操作：使用所述全连接层基于所输入的特征数据进行切片实例之间的隔离评估，得到对应的评估结果，所述全连接层函数为：其中，所述y表示外部节点i及j所对应的切片实例之间的隔离评估结果。
[0152]
在本发明中，基于双重图结构神经网络模型来进行切片实例之间的隔离评估，无需手动评估，提高评估效率及科学性。
[0153]
其次，利用双重图结构数据来进行隔离性评估，可以提高评估的可靠性。
[0154]
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。
[0155]
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。
[0156]
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。
[0157]
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。
[0158]
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。
[0159]
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。