5G切片实例的容灾池选择方法、装置及计算设备与流程

5g切片实例的容灾池选择方法、装置及计算设备
技术领域
1.本发明涉及数据处理技术领域，具体涉及一种5g切片实例的容灾池选择方法、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。一个网络切片所构成的逻辑网络是通过该网络切片实例nsi(network slice instance，简称网络切片实例)来实现，网络切片实例是一个真实运行的逻辑网络，能满足一定网络特性或服务需求，通过实例化网络切片的各个网络功能和对应的资源来构成一个网络切片。
3.切片容灾池是用于当切片发生故障时，容灾池快速为其提供新的切片，以保障用户业务不中断，容灾切片所能够提供的sla(service-level agreement，服务等级协议)服务保障需要与原有切片越接近越好。
4.然而，在现有技术中，5g切片实例容灾池选择主要通过人工预先设置优先级的方式，而设置优先级的规则主要依靠专家经验来作出判断，由于主要依赖于专家经验，在切片容灾池的选择上容易产生偏差，导致容灾切片所能够提供的sla服务保障与原有切片容易产生偏差，无法为切片实例选择最符合其sla需求的容灾池，从而导致切片用户的业务质量一致性受影响。


技术实现要素：

5.鉴于上述问题，提出了本发明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切片实例的容灾池选择方法、装置及计算设备。
6.根据本发明的一个方面，提供了一种5g切片实例的容灾池选择方法，包括：
7.接收切片容灾池选择请求，其中，切片容灾池选择请求携带有待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性；
8.将待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性输入至容灾池选择模型中，预测得到待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分；
9.根据待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分，确定目标切片容灾池；
10.向网络切片管理功能反馈目标切片容灾池信息，以供网络切片管理功能指示目标切片容灾池根据待预测切片实例的服务等级协议需求创建容灾切片。
11.可选地，根据待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分，确定目标切片容灾池进一步包括：
12.将最高匹配度评分对应的切片容灾池确定为目标切片容灾池。
13.可选地，方法进一步包括：
14.获取历史切片实例的服务等级协议需求以及相应历史时段的各个切片容灾池的特征属性；
15.对历史切片实例的服务等级协议需求与相应历史时段的各个切片容灾池的特征属性进行匹配度标注处理，根据标注结果形成样本数据集；
16.基于深度神经网络模型，根据样本数据集构建容灾池选择模型。
17.可选地，将待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性输入至容灾池选择模型中之前，方法进一步包括：
18.对待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性进行归一化处理；
19.获取历史切片实例的服务等级协议需求以及相应历史时段的各个切片容灾池的特征属性之后，方法进一步包括：
20.对历史切片实例的服务等级协议需求以及历史时刻的各个切片容灾池的特征属性进行归一化处理。
21.可选地，待预测切片实例的服务等级协议需求包括以下中的一种或多种：时延、吞吐率、丢包率、掉话率、可靠性、服务范围、用户规模、隔离性、安全性、接入方式、max tp/site。
22.可选地，切片容灾池的特征属性包括以下中的一种或多种：
23.切片各子网可用容量、所处地理位置、服务业务场景、资源配置信息。
24.根据本发明的又一方面，提供了一种5g切片实例的容灾池选择装置，包括：
25.接收模块，适于接收切片容灾池选择请求，其中，切片容灾池选择请求携带有待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性；
26.预测模块，适于将待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性输入至容灾池选择模型中，预测得到待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分；
27.选取模块，适于根据待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分，确定目标切片容灾池；
28.反馈模块，适于向网络切片管理功能反馈目标切片容灾池信息，以供网络切片管理功能指示目标切片容灾池根据待预测切片实例的服务等级协议需求创建容灾切片。
29.可选地，选取模块进一步适于：
30.将最高匹配度评分对应的切片容灾池确定为目标切片容灾池。
31.装置进一步包括：
32.第一数据预处理模块，适于获取历史切片实例的服务等级协议需求以及相应历史时段的各个切片容灾池的特征属性；对历史切片实例的服务等级协议需求与相应历史时段的各个切片容灾池的特征属性进行匹配度标注处理，根据标注结果形成样本数据集；
33.模型训练模块，适于基于深度神经网络模型，根据样本数据集构建容灾池选择模型。
34.可选地，装置进一步包括：
35.第二数据预处理模块，适于对待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性进行归一化处理；
36.第一数据预处理模块进一步适于：对历史切片实例的服务等级协议需求以及历史时刻的各个切片容灾池的特征属性进行归一化处理。
37.可选地，待预测切片实例的服务等级协议需求包括以下中的一种或多种：时延、吞吐率、丢包率、掉话率、可靠性、服务范围、用户规模、隔离性、安全性、接入方式、max tp/site。
38.可选地，切片容灾池的特征属性包括以下中的一种或多种：切片各子网可用容量、所处地理位置、服务业务场景、资源配置信息。
39.根据本发明的又一方面，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；
40.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切片实例的容灾池选择方法对应的操作。
41.根据本发明的再一方面，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切片实例的容灾池选择方法对应的操作。
42.根据本发明的5g切片实例的容灾池选择方法、装置及计算设备，通过接收切片容灾池选择请求，切片容灾池选择请求携带有待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性；将待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性输入至容灾池选择模型中，预测得到待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分；根据匹配度评分，从各个切片容灾池中确定目标切片容灾池；向网络切片管理反馈目标切片容灾池信息，以供网络切片管理功能指示目标切片容灾池根据待预测切片实例的服务等级协议需求创建容灾切片。通过上述方式，利用深度学习模型来预测与5g切片的用户sla需求相匹配的切片容灾池，避免了专家经验的不确定性，能够选择最符合用户sla需求的容灾池，从而能够保证切片用户的业务质量的一致性。
43.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，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
44.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：
45.图1示出了本发明实施例提供的5g切片的容灾池选择方法的流程图；
46.图2示出了本发明另一实施例提供的5g切片实例的容灾池选择方法的流程图；
47.图3示出了本实施例中的深度学习模型的示意图；
48.图4示出了根据本发明实施例的5g切片实例的容灾池选择方法的流程图；
49.图5示出了本发明实施例提供的5g切片实例的容灾池选择装置的结构示意图；
50.图6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
51.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。
52.在实施本发明实施例之前，首先对本文中设计的如下几个术语进行说明：
53.1.切片管理架构：主要由csmf、nsmf、nssmf组成。
54.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)。
55.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。
56.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。
57.图1示出了本发明实施例提供的5g切片实例的容灾池选择方法的流程图，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：
58.步骤s110，接收切片容灾池选择请求，切片容灾池选择请求携带有待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性。
59.其中，可从通信业务管理功能(csmf)中获取待预测切片实例的服务等级协议需求，待预测切片实例的服务等级协议需求可以是切片用户在请求新建切片实例时提供给csmf的。可从网络切片管理功能(nsmf)中采集各个切片容灾池的特征属性。
60.步骤s120，将待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性输入至容灾池选择模型中，预测得到待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分。
61.预先构建容灾池选择模型，例如，首先标注历史新建切片实例的用户sla需求以及对应新建时刻的各个切片容灾池的特征属性之间的匹配度得分，从而形成样本数据集，根据样本数据集构建容灾池选择模型。
62.容灾池选择模型的输入为切片用户服务等级协议(sla)需求以及各个切片容灾池的特征属性，输出为切片用户sla需求与各个切片容灾池之间的匹配度得分。
63.步骤s130，根据待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分，确定目标切片容灾池；
64.可选地，将高于预设阈值的匹配度评分所对应的切片容灾池确定为目标切片容灾池，目标切片容灾池也就是最终选择的用户sla需求匹配的切片容灾池。
65.步骤s140，向网络切片管理功能反馈目标切片容灾池信息，以供网络切片管理功能指示目标切片容灾池根据待预测切片实例的服务等级协议需求创建容灾切片。
66.向网络切片管理功能(nsmf)反馈目标切片容灾池信息，例如，目标切片容灾池的编号或者标识，nsmf根据接收到的目标切片容灾池信息，指示相应的切片容灾池根据上述用户sla需求创建容灾切片。
67.可选地，将网络切片管理功能还将目标切片容灾池信息反馈给切片用户，以便切片用户获知最终选择的与待预测切片实例的服务等级协议需求相匹配的切片容灾池。
68.根据本实施例所提供的5g切片实例的容灾池选择方法，接收切片容灾池选择请求，切片容灾池选择请求携带有待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性；将待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性输入至容灾池选择模型中，预测得到待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分；根据匹配度评分，从各个切片容灾池中确定目标切片容灾池；向网络切片管理反馈目标切片容灾池信息，以供网络切片管理功能指示目标切片容灾池根据待预测切片实例的服务等级协议需求创建容灾切片。由此可见，本实施例方案，利用深度学习模型来预测与5g切片的用户sla需求相匹配的切片容灾池，避免了专家经验的不确定性，能够选择最符合用户sla需求的容灾池，从而能够保证切片用户的业务质量的一致性。
69.图2示出了本发明另一实施例提供的5g切片实例的容灾池选择方法的流程图，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2所示，该方法包括以下步骤：
70.步骤s210，获取历史切片实例的服务等级协议需求以及相应历史时段的各个切片容灾池的特征属性。
71.本实施例中，用于训练容灾池选择模型的样本数据包括：历史切片实例的服务等级协议需求以及相应历史时段的各个切片容灾池的特征属性，例如，从csmf中获取历史新建切片实例的用户sl需求和对应的新建时刻的各个可用切片容灾池的特征属性。
72.其中，服务等级协议需求通常包括：时延、吞吐率、丢包率、掉话率、可靠性、服务范围、用户规模、隔离性、安全性、接入方式、max tp/site。切片容灾池的特征属性通常包括：切片各子网可用容量、所处地理位置、服务业务场景、资源配置信息。
73.步骤s220，对历史切片实例的服务等级协议需求与相应历史时段的各个切片容灾池的特征属性进行匹配度标注处理，根据标注结果形成样本数据集。
74.对历史切片实例的服务等级协议需求与相应历史时段的每一个切片容灾池的属性特征逐一成对进行匹配度评分，从而形成样本数据集，例如，当切片容灾池有n个时，对历史切片实例的服务等级协议需求与第1个切片容灾池之间的匹配度进行评分，对历史切片实例的服务等级协议需求与第2个切片容灾池之间的匹配度进行评分
……
。
75.可选地，将对历史切片实例的服务等级协议需求与相应历史时段的各个切片容灾池的特征属性进行匹配度标注处理之后得到的总数据集划分为训练数据集合测试数据集，例如，取总数据集的80％为训练数据集，用于模型训练，取剩余的20％为测试数据，用于评价验证训练的模型。
76.步骤s230，基于深度神经网络模型，根据样本数据集构建容灾池选择模型。
77.在一种可选的方式中，在步骤s230之前，对历史切片实例的服务等级协议需求与相应历史时段的各个切片容灾池的特征属性进行归一化处理，归一化处理是指将数据按比
例缩放，将数据统一映射到指定的范围内，也即将数据缩放至指定的最小值和最大值之间，例如指定的范围为[0，1]。
[0078]
归一化处理的计算公式如下：x
nom
＝(x-x
min
)/(x
max-x
min
)，其中，x就是待归一化的原始数据，x
nom
为归一化后的数据，x
min
为标注的匹配度评分之间的最小值，x
max
为标注的匹配度评分之间的最大值。
[0079]
本实施例的方法中，采用深度神经网络来构建容灾池选择模型，深度神经网络所谓的“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。神经元是神经网络的基本单元，也称节点，它从外部或其它节点收到输入并通过一个激活函数来计算输出；每一个输入都对应权重，即这个节点收到的每一个输入的相对重要性；偏置可以理解为一种特殊的输入。
[0080]
使用深度学习框架搭建深度神经网络模型，将经预处理的历史切片实例的用户sla需求以及对应的历史时刻各个切片容灾池的属性特征分别通过全连接层抽取为多维空间向量，模型利用全连接层和舍弃层提取合并后两者输入的特征向量，自动抽取出两两之间的匹配关系，最终输出该切片实例的用户sla需求与各个可用切片容灾池的匹配度评分。
[0081]
图3示出了本实施例中的深度学习模型的示意图，如图3所示，该深度学习模型包括：
[0082]
分支1：输入切片实例的用户sla需求，连续经过两个全连接层进行特征提取，两个全连接层都设置有32个神经元，使用相同的激活函数，如“relu”。
[0083]
分支2：输入切片容灾池i的特征属性，连接经过两个全连接层进行特征提取，两个全连接层都设置有32个神经元，使用相同的激活函数，如“relu”。
[0084]
合并层：将两类数据的特征向量按列维度进行拼接。
[0085]
隐藏层：包含2个全连接层和2个dropout层。其中第一个全连接层含有128个神经元，第二个全连接层含有64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均引入一个dropout层，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，本实施例中设置舍弃概率＝0.2，即随机忽略20％的神经元，使其失效。
[0086]
输出层：包含有1个dense神经元，激活函数设置为'relu'，输出该切片实例的用户sla需求与切片容灾池i的匹配度评分yi。
[0087]
具体实施时，模型将训练1000个回合，批处理大小设置为10，选择平均绝对值误差作为损失函数即目标函数，损失函数如下：
[0088][0089]
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。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，随着训练回合数的增加，训练误差也逐渐下降，模型逐渐收敛，离线训练完成后，即得到容灾池选择模型。需要说明的是，神经网络的层数和神经元个数等超参数的设置是通过多次模型调参得到，受不同的问题场景、不同的数据集影响，最终选择能使准确率最高的超参数。
[0090]
步骤s240，接收切片容灾池选择请求，切片容灾池选择请求携带有待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性。
[0091]
其中，可从通信业务管理功能(csmf)中获取待预测切片实例的服务等级协议需求，待预测切片实例的服务等级协议需求可以是切片用户在请求新建切片实例时提供给csmf的。可从网络切片管理功能(nsmf)中采集各个切片容灾池的特征属性。
[0092]
步骤s250，将待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性输入至容灾池选择模型中，预测得到待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分。
[0093]
容灾池选择模型的输入为切片用户sla需求以及各个切片容灾池，输出为切片用户sla需求与各个切片容灾池之间的匹配度得分。
[0094]
例如，待预测切片实例的用户sla需求可表示为{s1、s2、s3、
…
、sm}，当切片容灾池有n个时，匹配度评分可表示为：{y1、y2、y3、
…
、yn}
[0095]
步骤s260，将最高匹配度评分对应的切片容灾池确定为目标切片容灾池。
[0096]
步骤s270，向网络切片管理功能反馈目标切片容灾池信息，以供网络切片管理功能指示目标切片容灾池根据待预测切片实例的服务等级协议需求创建容灾切片。
[0097]
向网络切片管理功能(nsmf)反馈目标切片容灾池信息，例如，目标切片容灾池的编号或者标识，nsmf根据接收到的目标切片容灾池信息，指示相应的切片容灾池根据上述用户sla需求创建容灾切片。
[0098]
可选地，将网络切片管理功能还将目标切片容灾池信息反馈给切片用户，以便切片用户获知最终选择的与待预测切片实例的服务等级协议需求相匹配的切片容灾池。
[0099]
根据本实施例所提供的5g切片实例的容灾池选择方法，从csmf中获取历史切片实例的用户sla需求和对应的当时切片容灾池的特征属性，将每个历史切片实例的用户sla需求与每个切片容灾池分级特征逐一成对进行人工匹配度评分，从而形成训练数据集，并对训练数据集进行归一化预处理。使用深度学习框架搭建深度神经网络模型，根据训练数据集训练深度申请网络模型以得到容灾池选择模型；将经预处理的待预测切片实例的用户sla需求以及对应的时刻各个切片容灾池的属性特征分别通过全连接层抽取为多维空间向量，模型利用全连接层和舍弃层提取合并后两者输入的特征向量，自动抽取出两两之间的匹配关系，最终输出该切片实例的用户sla需求与各可用切片容灾池的匹配度评分，取匹配度评分最高的作为该切片实例的容灾池选择结果。将所分配的切片容灾池编号反馈给切片用户和nsmf，使得切片用户能获得与其切片sla需求最佳匹配的容灾切片。通过上述方式，利用深度学习模型来预测与5g切片的用户sla需求相匹配的切片容灾池，避免了专家经验的不确定性，能够选择最符合用户sla需求的容灾池，从而能够保证切片用户的业务质量的一致性。
[0100]
图4示出了根据本发明实施例的5g切片实例的容灾池选择方法的流程图，如图4所示，具体包括以下步骤：
[0101]
1.切片用户向csmf(通信业务管理功能)发起携带sla需求的新建切片实例请求；
[0102]
2.csmf(通信业务管理功能)从nsmf(网络切片管理功能)中获取各个切片容灾池的特征属性；
[0103]
3.csmf(通信业务管理功能)向数据预处理模块发起容灾池选择请求，数据预处理模块对sla需求和各个切片容灾池特征属性进行归一化处理。
[0104]
4.数据预处理模块将预处理后的数据输入至基于深度学习的容灾池选择模型中。
[0105]
5.容灾池选择模型逐一输出各个切片容灾池的匹配度评分。
[0106]
6.取匹配度评分最高的作为目标切片容灾池，并向nsmf(网络切片管理功能)进行反馈。
[0107]
7.nsmf(网络切片管理功能)向切片用户反馈目标切片容灾池。
[0108]
图5示出了本发明实施例提供的5g切片实例的容灾池选择装置的结构示意图。如图5所示，该装置包括：
[0109]
接收模块51，适于接收切片容灾池选择请求，其中，切片容灾池选择请求携带有待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性；
[0110]
预测模块52，适于将待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性输入至容灾池选择模型中，预测得到待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分；
[0111]
选取模块53，适于根据待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分，确定目标切片容灾池；
[0112]
反馈模块54，适于向网络切片管理功能反馈目标切片容灾池信息，以供网络切片管理功能指示目标切片容灾池根据待预测切片实例的服务等级协议需求创建容灾切片。
[0113]
一种可选的方式中，选取模块53进一步适于：
[0114]
将最高匹配度评分对应的切片容灾池确定为目标切片容灾池。
[0115]
一种可选的方式中，装置进一步包括：
[0116]
第一数据预处理模块，适于获取历史切片实例的服务等级协议需求以及相应历史时段的各个切片容灾池的特征属性；对历史切片实例的服务等级协议需求与相应历史时段的各个切片容灾池的特征属性进行匹配度标注处理，根据标注结果形成样本数据集；
[0117]
模型训练模块，适于基于深度神经网络模型，根据样本数据集构建容灾池选择模型。
[0118]
一种可选的方式中，装置进一步包括：
[0119]
第二数据预处理模块，适于对待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性进行归一化处理；
[0120]
第一数据预处理模块进一步适于：对历史切片实例的服务等级协议需求以及历史时刻的各个切片容灾池的特征属性进行归一化处理。
[0121]
一种可选的方式中，待预测切片实例的服务等级协议需求包括以下中的一种或多种：时延、吞吐率、丢包率、掉话率、可靠性、服务范围、用户规模、隔离性、安全性、接入方式、max tp/site。
[0122]
一种可选的方式中，切片容灾池的特征属性包括以下中的一种或多种：切片各子网可用容量、所处地理位置、服务业务场景、资源配置信息。
[0123]
通过上述方式，利用深度学习模型来预测与5g切片的用户sla需求相匹配的切片容灾池，避免了专家经验的不确定性，能够选择最符合用户sla需求的容灾池，从而能够保证切片用户的业务质量的一致性。
[0124]
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切片实例的容灾池选择方法。
[0125]
可执行指令具体可以用于使得处理器执行以下操作：
[0126]
接收切片容灾池选择请求，其中，切片容灾池选择请求携带有待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性；
[0127]
将待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性输入至容灾池选择模型中，预测得到待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分；
[0128]
根据待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分，确定目标切片容灾池；
[0129]
向网络切片管理功能反馈目标切片容灾池信息，以供网络切片管理功能指示目标切片容灾池根据待预测切片实例的服务等级协议需求创建容灾切片。
[0130]
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：
[0131]
将最高匹配度评分对应的切片容灾池确定为目标切片容灾池。
[0132]
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：
[0133]
获取历史切片实例的服务等级协议需求以及相应历史时段的各个切片容灾池的特征属性；
[0134]
对历史切片实例的服务等级协议需求与相应历史时段的各个切片容灾池的特征属性进行匹配度标注处理，根据标注结果形成样本数据集；
[0135]
基于深度神经网络模型，根据样本数据集构建容灾池选择模型。
[0136]
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：
[0137]
对待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性进行归一化处理；
[0138]
对历史切片实例的服务等级协议需求以及历史时刻的各个切片容灾池的特征属性进行归一化处理。
[0139]
在一种可选的方式中，待预测切片实例的服务等级协议需求包括以下中的一种或多种：时延、吞吐率、丢包率、掉话率、可靠性、服务范围、用户规模、隔离性、安全性、接入方式、max tp/site。
[0140]
在一种可选的方式中，切片容灾池的特征属性包括以下中的一种或多种：
[0141]
切片各子网可用容量、所处地理位置、服务业务场景、资源配置信息。
[0142]
通过上述方式，利用深度学习模型来预测与5g切片的用户sla需求相匹配的切片容灾池，避免了专家经验的不确定性，能够选择最符合用户sla需求的容灾池，从而能够保证切片用户的业务质量的一致性。
[0143]
图6示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
[0144]
如图6所示，该计算设备可以包括：处理器(processor)602、通信接口(communications interface)604、存储器(memory)606、以及通信总线608。
[0145]
其中：处理器602、通信接口604、以及存储器606通过通信总线608完成相互间的通信。通信接口604，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602，用于执行程序610，具体可以执行上述用于计算设备的5g切片实例的容灾池选择方法实施例中的相关步骤。
[0146]
具体地，程序610可以包括程序代码，该程序代码包括计算机操作指令。
[0147]
处理器602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。
[0148]
存储器606，用于存放程序610。存储器606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。
[0149]
程序610具体可以用于使得处理器602执行以下操作：
[0150]
接收切片容灾池选择请求，其中，切片容灾池选择请求携带有待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性；
[0151]
将待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性输入至容灾池选择模型中，预测得到待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分；
[0152]
根据待预测切片实例的服务等级协议需求与各个切片容灾池之间的匹配度评分，确定目标切片容灾池；
[0153]
向网络切片管理功能反馈目标切片容灾池信息，以供网络切片管理功能指示目标切片容灾池根据待预测切片实例的服务等级协议需求创建容灾切片。
[0154]
在一种可选的方式中，所述程序610使所述处理器602执行以下操作：
[0155]
将最高匹配度评分对应的切片容灾池确定为目标切片容灾池。
[0156]
在一种可选的方式中，所述程序610使所述处理器602执行以下操作：
[0157]
获取历史切片实例的服务等级协议需求以及相应历史时段的各个切片容灾池的特征属性；
[0158]
对历史切片实例的服务等级协议需求与相应历史时段的各个切片容灾池的特征属性进行匹配度标注处理，根据标注结果形成样本数据集；
[0159]
基于深度神经网络模型，根据样本数据集构建容灾池选择模型。
[0160]
在一种可选的方式中，所述程序610使所述处理器602执行以下操作：对待预测切片实例的服务等级协议需求以及各个切片容灾池的特征属性进行归一化处理；
[0161]
对历史切片实例的服务等级协议需求以及历史时刻的各个切片容灾池的特征属性进行归一化处理。
[0162]
在一种可选的方式中，待预测切片实例的服务等级协议需求包括以下中的一种或多种：时延、吞吐率、丢包率、掉话率、可靠性、服务范围、用户规模、隔离性、安全性、接入方式、max tp/site。
[0163]
在一种可选的方式中，切片容灾池的特征属性包括以下中的一种或多种：
[0164]
切片各子网可用容量、所处地理位置、服务业务场景、资源配置信息。
[0165]
通过上述方式，利用深度学习模型来预测与5g切片的用户sla需求相匹配的切片容灾池，避免了专家经验的不确定性，能够选择最符合用户sla需求的容灾池，从而能够保证切片用户的业务质量的一致性。
[0166]
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。
[0167]
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。
[0168]
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。
[0169]
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。
[0170]
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。
[0171]
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。
[0172]
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。