基于图注意力网络的切片误告警识别方法及装置与流程

1.本发明实施例涉及通信技术领域，具体涉及一种基于图注意力网络的切片误告警识别方法及装置。


背景技术：

2.随着无线通信技术的飞速发展，第五代(5
th generation，5g)无线通信技术已是目前业界的热点。5g将支持多样化的应用需求，其中包括支持更高速率体验和更大带宽的接入能力、更低时延和高可靠的信息交互、以及更大规模且低成本的机器类通信设备的接入和管理等。5g网络不再遵循传统网络的组网模式，而是采用网络切片技术，使运营商能够基于一个共用的底层物理网络之上，构建多个专用的虚拟化的、隔离的逻辑网络，网络切片保证了不同需求的客户都能获得不同类型端到端的最佳的网络服务。
3.目前5g网络切片误告警包含了无线网子切片、传输网子切片、核心网子切片三个子域的告警，告警量庞大、种类多样，这给误告警的精准识别提出了挑战，现有技术中网络切片误告警需要在告警发生后，经过人工排查才能确认其是否为误告警，效率低下、费时费力。


技术实现要素：

4.鉴于上述问题，本发明实施例提供了一种基于图注意力网络的切片误告警识别方法及装置，克服了上述问题或者至少部分地解决了上述问题。
5.根据本发明实施例的一个方面，提供了一种基于图注意力网络的切片误告警识别方法，所述方法包括：从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和kpi运行指标特征；根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征；根据所述切片误告警识别模型将所述网络切片节点的第一kpi运行指标特征与所述邻居节点的第二kpi运行指标特征进行融合得到kpi运行指标融合特征；根据所述切片误告警识别模型将所述属性融合特征和所述kpi运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警。
6.在一种可选的方式中，所述从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性，包括：当发现有网络切片节点产生告警时，从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性；根据不同属性将所述网络切片节点的特征属性拆分为所述第一告警文本特征和所述第一kpi运行指标特征；根据不同属性将所述邻居节点的特征属性拆分为所述第二告警文本特征和所述第二kpi运行指标特征。
7.在一种可选的方式中，所述从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性之后，包括：对网络切片节点及邻居节点的特征属性进行预处理，具体包括：分别将所述网络切片节点产生的所述第一告警文本特征和所述邻居节点产生的所述第二告警文本特征编码为序列表示；分别将所述网络切片节点产生的所述第一kpi运行指标特征和所
述邻居节点产生的所述第二kpi运行指标特征进行标准化处理。
8.在一种可选的方式中，所述根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征之前，包括：从nsmf中收集历史网络切片节点的特征属性集作为总数据集，并进行预处理，所述特征属性集包括网络切片节点和邻居节点的历史告警文本特征以及历史kpi运行指标特征；获取人工标记的历史网络切片节点所产生告警是否属于误告警，形成标签矩阵y，形状为n*1，其中n为告警的个数；应用所述总数据集对基于图注意力网络的所述切片误告警识别模型进行训练，获取收敛的所述切片误告警识别模型的权重参数。
9.在一种可选的方式中，所述应用所述总数据集对基于图注意力网络的所述切片误告警识别模型进行训练，获取收敛的所述切片误告警识别模型的权重参数，包括：根据所述总数据集中的所述网络切片节点和邻居节点的历史告警文本特征以及历史kpi运行指标特征对所述切片误告警识别模型进行训练，获取预测的各网络切片节点误告警识别结果；应用二元交叉熵损失函数作为目标函数对预测的网络切片节点误告警识别结果与正确的网络切片节点误告警识别结果之间的误差进行评估；应用梯度下降优化算法使所述切片误告警识别模型梯度下降，获取使所述目标函数最小的所述切片误告警识别模型的最优权重参数，所述最优权重参数为训练后的所述切片误告警识别模型的权重参数。
10.在一种可选的方式中，所述根据所述总数据集中的所述网络切片节点和邻居节点的历史告警文本特征以及历史kpi运行指标特征对所述切片误告警识别模型进行训练，获取预测的各网络切片节点误告警识别结果，包括：应用所述切片误告警识别模型中的第一图注意力层将所述网络切片节点的历史第一告警文本特征与所述邻居节点的历史第二告警文本特征进行融合得到历史属性融合特征；应用所述切片误告警识别模型中的第二图注意力层将所述网络切片节点的历史第一kpi运行指标特征与所述邻居节点的历史第二kpi运行指标特征进行融合得到历史kpi运行指标融合特征；应用所述切片误告警识别模型的第三图注意力层将所述历史属性融合特征和所述历史kpi运行指标融合特征进行注意力聚合，学习不同属性对于判断所述网络切片节点的告警是否为误告警的重要性；应用输出层输出预测的所述网络切片节点误告警识别结果。
11.在一种可选的方式中，所述应用所述切片误告警识别模型中的第一图注意力层将所述网络切片节点的历史第一告警文本特征与所述邻居节点的历史第二告警文本特征进行融合得到历史属性融合特征之前，包括：分别利用词嵌入层将所述历史第一告警文本特征和所述历史第二告警文本特征中的每个词进行向量映射，转化为预设维度的向量，并输入所述第一图注意力层；分别利用映射层将所述历史第一kpi运行指标特征和所述历史第二kpi运行指标特征的维度转换为所述预设维度，并输入所述第二图注意力层。
12.根据本发明实施例的另一个方面，提供了一种基于图注意力网络的切片误告警识别装置，所述装置包括：数据获取单元，用于从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和kpi运行指标特征；属性融合单元，用于根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征；指标融合单元，用于根据所述切片误告警识别模型将所述网络切片节点的第一kpi运行指标特征与所述邻居节点的第二kpi运行指标特征进行融合得到kpi运行指标融合特征；误告警确定单元，用于根据所述切片误告警识别
模型将所述属性融合特征和所述kpi运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警。
13.根据本发明实施例的另一方面，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基于图注意力网络的切片误告警识别方法的步骤。
15.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图注意力网络的切片误告警识别方法的步骤。
16.本发明实施例通过从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和kpi运行指标特征；根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征；根据所述切片误告警识别模型将所述网络切片节点的第一kpi运行指标特征与所述邻居节点的第二kpi运行指标特征进行融合得到kpi运行指标融合特征；根据所述切片误告警识别模型将所述属性融合特征和所述kpi运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警，能够提高网络切片误告警识别的准确率，提升运维人员排查告警的效率。
17.上述说明仅是本发明实施例技术结果的概述，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
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基于图注意力网络的切片误告警识别方法的流程示意图；
20.图2示出了本发明实施例提供的基于图注意力网络的切片误告警识别方法的切片误告警识别模型训练流程示意图；
21.图3示出了本发明实施例提供的基于图注意力网络的切片误告警识别方法的切片误告警识别模型的结构示意图；
22.图4示出了本发明实施例提供的基于图注意力网络的切片误告警识别装置的结构示意图；
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.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”；网络切片基于网络功能虚拟化(network function virtualization，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通信业务管理功能(communication service management function，csmf)、网络切片管理功能(network slice management function，nsmf)、网络切片子网管理功能(network slice subnet management function，nssmf)组成。
26.其中，csmf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)。nsmf负责接收csmf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。nssmf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，向欧洲电信标准化协会(european telecommunications standards institute，etsi)nfv域的nfv编排器(nfv orchestration，nfvo)系统下发网络服务的部署请求。
27.网络切片误告警的识别除了需要对产生的告警文本进行分析以外，还需要了解该网元节点的实际运行情况、以及周边节点的运行状态。本发明实施例利用图注意力网络(graph attention network，gat)善于根据图网络中邻居节点影响力的差异分配不同权重的特点，来分析网络切片场景中产生的告警。
28.图注意力网络是将注意力机制引入图网络，在传播层引入注意力(attention)机制，使中心节点特征的聚合过程中，对不同的相邻节点分配不同的权重，对邻居节点的注意力产生差异，关注那些关联比较大的网络切片节点，而忽视一些关联较小的网络切片节点。原始的图卷积神经网络(graph convolution network，gcn)和其他图神经网络使用的是静态，无法自适应的传播法则，无法捕捉中心节点的哪个邻居节点对于中心节点的分类贡献更大，真实数据并非所有的边都是代表着相同的关联强度。本发明实施例中的图是指为切片告警拓扑图，可表示为g＝(v，e)，v为网络切片节点的集合v＝{v1，v2，v3，
…
，vn}，e为边的集合，每条边代表网络切片节点之间的连接关系，其中1代表有连接，0代表无连接。每个节点的特征即为单位时间内所产生的告警内容，节点特征集合用h表示，每个顶点的特征hi为一个高维向量，包括网络切片节点i产生的告警文本特征h
i1
和网络切片节点i的kpi运行指标特征h
i2
。gcn的本质目的就是用来提取切片拓扑图的空间特征，目标是要学习图g＝(v，e)上的信号或特征的一个映射，输入包括邻接矩阵a和特征矩阵x，gcn模型会产生一个节点级别的输出或图级别的输出z，将本发明实施例的切片误告警识别场景视为节点分类(node classification)问题，最终输出每个网络切片节点所产生的告警是否属于误告警，其中1代表误告警，0代表非误告警。
29.图1示出了本发明实施例提供的基于图注意力网络的切片误告警识别方法的流程示意图。该基于图注意力网络的切片误告警识别方法应用于服务器端，如图1所示，基于图注意力网络的切片误告警识别方法包括：
30.步骤s11：从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和kpi运行指标特征。
31.具体地，当发现有网络切片节点产生告警时，从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性；根据不同属性将所述网络切片节点的特征属性拆分为第一告警文本特征和第一关键绩效指标(key performance indicators，kpi)运行指标特征；根据不同属性将所述邻居节点的特征属性拆分为第二告警文本特征和第二kpi运行指标特征。
32.在本发明实施例中，步骤s11之后，还需要对网络切片节点及邻居节点的特征属性进行预处理。具体地，分别将所述网络切片节点产生的所述第一告警文本特征和所述邻居节点产生的所述第二告警文本特征编码为序列表示。即将第一告警文本特征和第二告警文本特征分别编码成预设长度的序列，若无告警产生则用零填充，其词典大小为warning_vocab_size。
33.分别将所述网络切片节点产生的所述第一kpi运行指标特征和所述邻居节点产生的所述第二kpi运行指标特征进行标准化处理。即对于第一kpi运行指标特征和第二kpi运行指标特征，对原始数据进行线性变换，使结果落到[0,1]区间，根据公式(x-mean)/std进行计算，计算时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。标准化后将提升切片误告警识别模型的收敛速度、提升切片误告警识别模型的精度。
[0034]
步骤s12：根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征。
[0035]
本发明实施例应用切片误告警识别模型中的第一注意力层将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征。和所有的注意力机制一样，图注意力网络gat的计算也分为两步：计算注意力系数(attention coefficient)和加权求和(aggregate)。gat模型通过堆叠图注意力层(graph attention layer)实现，每一个图注意力层的输入为网络切片节点所产生的告警文本特征集合：
[0036][0037]
输出为新的告警文本特征集合：
[0038][0039]
为了计算每个邻居节点的权重，通过一个f
×
f'的共享权重矩阵w应用于每个节点，然后即可计算出attention系数，该注意力系数可以表示邻居节点j相对于网络切片节点i的重要性：
[0040][0041]
其中，a为对齐模型(alignment model)，为邻居节点j处的输入和网络切片节点i处的输出的匹配程度评分。对齐模型a为前馈神经网络，和切片误告警识别模型的其他部分一起训练。
[0042]
为了使得注意力系数更容易计算和便于比较，引入了softmax对所有的网络切片
节点i的相邻节点j进行正则化：
[0043][0044]
因此得到经过图注意力层后的网络切片节点i的特征表示为：即gat输出的对于每个网络切片节点i的新特征(融合了邻域信息)，σ是激活函数。
[0045][0046]
其中，ni表示网络切片节点i的邻居节点集合，系数α即每次卷积时，用来进行加权求和的系数。
[0047]
在本发明实施例中，在步骤s12之前，需要进行切片误告警识别模型的预训练，获取切片误告警识别模型收敛的权重参数。具体地，如图2所示，包括：
[0048]
步骤s201：从nsmf中收集历史网络切片节点的特征属性集作为总数据集，并进行预处理，所述特征属性集包括网络切片节点和邻居节点的历史告警文本特征以及历史kpi运行指标特征。
[0049]
对特征属性集进行预处理的方法与前面相同。分别对网络切片节点和邻居节点产生的历史告警文本特征集编码为序列表示，若无告警产生则用零填充。定义每条告警文本特征的编码序列长度为f，取告警文本特征集中最长长度f作为其编码序列长度，将每条数据的长度均填充为f，取其词典大小为warning_vocab_size。前面的预设长度即为此处的告警文本特征集中最长长度f。将切片节点产生的历史告警文本特征定义为历史第一告警文本特征，邻居节点产生的历史告警文本特征定义为历史第二告警文本特征。还分别对网络切片节点和邻居节点的历史kpi运行指标特征作标准化处理。将网络切片节点的历史kpi运行指标特征定义为历史第一kpi运行指标特征，邻居节点的历史kpi运行指标特征定义为历史第二kpi运行指标特征。
[0050]
步骤s202：获取人工标记的历史网络切片节点所产生告警是否属于误告警，形成标签矩阵y，形状为n*1，其中n为告警的个数。
[0051]
从nsmf中收集历史网络切片节点的所产生告警进行人工标记，是误告警的标记为1，为非误告警的标记为0。获取该人工标记结果，形成形状为n*1的标签矩阵y。该标签矩阵y作为正确的网络切片节点误告警识别结果，用于在对切片误告警识别模型进行训练时与预测的网络切片节点误告警识别结果进行比较。
[0052]
步骤s203：应用所述总数据集对基于图注意力网络的所述切片误告警识别模型进行训练，获取收敛的所述切片误告警识别模型的权重参数。
[0053]
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切片误告警识别模型。
[0054]
对切片误告警识别模型进行训练时，根据所述总数据集中的所述网络切片节点和邻居节点的历史告警文本特征以及历史kpi运行指标特征对所述切片误告警识别模型进行训练，获取预测的各网络切片节点误告警识别结果。
[0055]
切片误告警识别模型的结构如图3所示，在本发明实施例中，分别利用词嵌入层
(embedding)将所述历史第一告警文本特征h
i1
和所述历史第二告警文本特征h
ij1
中的每个词进行向量映射，转化为预设维度的向量，并输入所述第一图注意力层。本发明实施例输入数据的预设维度为warning_vocab_size，输出设置为需要将词转换为64维度的空间向量，输入序列长度为f，因此该词嵌入层输出数据的形状为(none，f，64)。该词嵌入层的作用是对输入的词进行向量映射，将每个词的索引转换为64维的固定形状向量。
[0056]
分别利用映射层将所述历史第一kpi运行指标特征h
i2
和所述历史第二kpi运行指标特征h
ij2
的维度转换为所述预设维度，并输入所述第二图注意力层。即分别利用映射层的转换矩阵将历史第一kpi运行指标特征h
i2
和述历史第二kpi运行指标特征h
ij2
的维度转换为与告警文本特征属性的维度一致。
[0057]
应用所述切片误告警识别模型中的第一图注意力层将所述网络切片节点的历史第一告警文本特征h
i1
与所述邻居节点的历史第二告警文本特征h
ij1
进行融合得到历史属性融合特征。即输入历史网络切片节点i产生的历史第一告警文本特征h
i1
，以及历史网络切片节点i的每个邻居节点j产生的历史第二告警文本特征h
ij1
。分别经过词嵌入层转化为向量后输入至第一图注意力层，通过节点级别的注意力机制来学习各邻居节点j所产生的历史第二告警文本特征h
ij1
对于判断该历史网络切片节点i的告警是否为误告警的不同重要性，通过第一图注意力层输出融合了邻域信息后的历史网络切片节点i的历史属性融合特征。第一图注意力层的卷积核个数为256，激活函数设置为“relu”。
[0058]
应用所述切片误告警识别模型中的第二图注意力层将所述网络切片节点的历史第一kpi运行指标特征h
i2
与所述邻居节点的历史第二kpi运行指标特征h
ij2
进行融合得到历史kpi运行指标融合特征。即输入节点i的kpi运行指标特征h
i2
，以及网络切片节点i的每个邻居节点j的kpi运行指标特征h
ij2
，分别经过映射层转化为向量后输入至第二图注意力层，通过节点级别的注意力机制来学习各邻居节点j的历史第二kpi运行指标h
ij2
对于判断该网络切片节点i的告警是否为误告警的不同重要性，通过第二图注意力层输出融合了邻域信息后的网络切片节点i的历史kpi运行指标融合特征。第二图注意力层的卷积核个数为256，激活函数设置为“relu”。
[0059]
应用所述切片误告警识别模型的第三图注意力层将所述历史属性融合特征和所述历史kpi运行指标融合特征进行注意力聚合，学习不同属性对于判断该节点告警是否为误告警的重要性。即将两个分支得出的网络切片节点i的历史属性融合特征和网络切片节点i的历史kpi运行指标融合特征通过第三图注意力层进行属性级别的注意力聚合，即学习不同属性对于判断该网络切片节点i的告警是否为误告警的重要性。第三图注意力层的卷积核个数为64，激活函数设置为“relu”。
[0060]
最后应用输出层输出预测的所述网络切片节点误告警识别结果。输出层由全连接层(dense)构成，神经元个数设置为1，激活函数设置为“sigmoid”，输出网络切片节点i所产生的告警是否属于误告警的误告警识别结果，其中，1代表误告警、0代表非误告警。
[0061]
得到预测的网络切片节点误告警识别结果之后，应用二元交叉熵损失函数(binary_crossentropy)作为目标函数对预测的网络切片节点误告警识别结果与正确的网络切片节点误告警识别结果之间的误差进行评估，训练目标是最小化该误差：
[0062][0063]
其中，yi表示正确的网络切片节点误告警识别结果，表示预测的网络切片节点误告警识别结果。
[0064]
应用梯度下降优化算法使所述切片误告警识别模型梯度下降，获取使所述目标函数最小的所述切片误告警识别模型的最优权重参数，所述最优权重参数为训练后的所述切片误告警识别模型的权重参数。
[0065]
将训练回合数设置为1000(epochs＝1000)，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')。切片误告警识别模型通过梯度下降，可以找到使目标函数最小的最优权重参数，切片误告警识别模型通过训练会自主学习到权重参数。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切片误告警识别模型。切片误告警识别模型收敛后则导出该切片误告警识别模型的权重参数。
[0066]
在步骤s12中，具体地，参见图3，根据收敛后的权重参数配置切片误告警识别模型，分别利用训练后的切片误告警识别模型中的词嵌入层将第一告警文本特征和第二告警文本特征中的每个词进行向量映射，转化为预设维度的向量，并输入第一图注意力层，应用训练后的切片误告警识别模型中的第一图注意力层将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征。
[0067]
步骤s13：根据所述切片误告警识别模型将所述网络切片节点的第一kpi运行指标特征与所述邻居节点的第二kpi运行指标特征进行融合得到kpi运行指标融合特征。
[0068]
具体地，参见图3，分别利用训练后的切片误告警识别模型中的映射层将第一kpi运行指标特征和第二kpi运行指标特征的维度转换为预设维度，并输入第二图注意力层，应用训练后的切片误告警识别模型中的第二图注意力层将第一kpi运行指标特征与第二kpi运行指标特征进行融合得到kpi运行指标融合特征。
[0069]
步骤s14：根据所述切片误告警识别模型将所述属性融合特征和所述kpi运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警。
[0070]
具体地，参见图3，应用训练后的切片误告警识别模型的第三图注意力层将属性融合特征和kpi运行指标融合特征进行注意力聚合，学习不同属性对于判断该网络切片节点告警是否为误告警的重要性，然后应用输出层输出预测的所述网络切片节点误告警识别结果，1代表误告警、0代表非误告警。
[0071]
本发明实施例通过从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和kpi运行指标特征；根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征；根据所述切片误告警识别模型将所述网络切片节点的第一kpi运行指标特征与所述邻居节点的第二kpi运行指标特征进行融合得到kpi运行指标融合特征；根据所述切片误告警识别模型将所述属性融合特征和所述kpi运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警，能够提高网络切片误告警识别的准确率，提升运维人员排查告警的效率。
[0072]
图4示出了本发明实施例的基于图注意力网络的切片误告警识别装置的结构示意图。如图4所示，该基于图注意力网络的切片误告警识别装置包括：数据获取单元401、属性融合单元402、指标融合单元403、误告警确定单元404以及模型训练单元405。属性融合单元402、指标融合单元403以及误告警确定单元404实现的功能都是在切片误告警识别模型中实现的。其中：
[0073]
数据获取单元401用于从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和kpi运行指标特征；属性融合单元402用于根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征；指标融合单元403用于根据所述切片误告警识别模型将所述网络切片节点的第一kpi运行指标特征与所述邻居节点的第二kpi运行指标特征进行融合得到kpi运行指标融合特征；误告警确定单元404用于根据所述切片误告警识别模型将所述属性融合特征和所述kpi运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警。
[0074]
在一种可选的方式中，数据获取模块401用于：当发现有网络切片节点产生告警时，从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性；根据不同属性将所述网络切片节点的特征属性拆分为所述第一告警文本特征和所述第一kpi运行指标特征；根据不同属性将所述邻居节点的特征属性拆分为所述第二告警文本特征和所述第二kpi运行指标特征。
[0075]
在一种可选的方式中，数据获取模块401还用于：对网络切片节点及邻居节点的特征属性进行预处理，具体包括：分别将所述网络切片节点产生的所述第一告警文本特征和所述邻居节点产生的所述第二告警文本特征编码为序列表示；分别将所述网络切片节点产生的所述第一kpi运行指标特征和所述邻居节点产生的所述第二kpi运行指标特征进行标准化处理。
[0076]
在一种可选的方式中，模型训练单元405用于：从nsmf中收集历史网络切片节点的特征属性集作为总数据集，并进行预处理，所述特征属性集包括网络切片节点和邻居节点的历史告警文本特征以及历史kpi运行指标特征；获取人工标记的历史网络切片节点所产生告警是否属于误告警，形成标签矩阵y，形状为n*1，其中n为告警的个数；应用所述总数据集对基于图注意力网络的所述切片误告警识别模型进行训练，获取收敛的所述切片误告警识别模型的权重参数。
[0077]
在一种可选的方式中，模型训练单元405用于：根据所述总数据集中的所述网络切片节点和邻居节点的历史告警文本特征以及历史kpi运行指标特征对所述切片误告警识别模型进行训练，获取预测的各网络切片节点误告警识别结果；应用二元交叉熵损失函数作为目标函数对预测的网络切片节点误告警识别结果与正确的网络切片节点误告警识别结果之间的误差进行评估；应用梯度下降优化算法使所述切片误告警识别模型梯度下降，获取使所述目标函数最小的所述切片误告警识别模型的最优权重参数，所述最优权重参数为训练后的所述切片误告警识别模型的权重参数。
[0078]
在一种可选的方式中，模型训练单元405用于：应用所述切片误告警识别模型中的第一图注意力层将所述网络切片节点的历史第一告警文本特征与所述邻居节点的历史第二告警文本特征进行融合得到历史属性融合特征；应用所述切片误告警识别模型中的第二
图注意力层将所述网络切片节点的历史第一kpi运行指标特征与所述邻居节点的历史第二kpi运行指标特征进行融合得到历史kpi运行指标融合特征；应用所述切片误告警识别模型的第三图注意力层将所述历史属性融合特征和所述历史kpi运行指标融合特征进行注意力聚合，学习不同属性对于判断所述网络切片节点的告警是否为误告警的重要性；应用输出层输出预测的所述网络切片节点误告警识别结果。
[0079]
在一种可选的方式中，模型训练单元405还用于：分别利用词嵌入层将所述历史第一告警文本特征和所述历史第二告警文本特征中的每个词进行向量映射，转化为预设维度的向量，并输入所述第一图注意力层；分别利用映射层将所述历史第一kpi运行指标特征和所述历史第二kpi运行指标特征的维度转换为所述预设维度，并输入所述第二图注意力层。
[0080]
本发明实施例通过从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和kpi运行指标特征；根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征；根据所述切片误告警识别模型将所述网络切片节点的第一kpi运行指标特征与所述邻居节点的第二kpi运行指标特征进行融合得到kpi运行指标融合特征；根据所述切片误告警识别模型将所述属性融合特征和所述kpi运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警，能够提高网络切片误告警识别的准确率，提升运维人员排查告警的效率。
[0081]
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基于图注意力网络的切片误告警识别方法。
[0082]
可执行指令具体可以用于使得处理器执行以下操作：
[0083]
从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和kpi运行指标特征；
[0084]
根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征；
[0085]
根据所述切片误告警识别模型将所述网络切片节点的第一kpi运行指标特征与所述邻居节点的第二kpi运行指标特征进行融合得到kpi运行指标融合特征；
[0086]
根据所述切片误告警识别模型将所述属性融合特征和所述kpi运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警。
[0087]
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：
[0088]
当发现有网络切片节点产生告警时，从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性；
[0089]
根据不同属性将所述网络切片节点的特征属性拆分为所述第一告警文本特征和所述第一kpi运行指标特征；
[0090]
根据不同属性将所述邻居节点的特征属性拆分为所述第二告警文本特征和所述第二kpi运行指标特征。
[0091]
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：
[0092]
对网络切片节点及邻居节点的特征属性进行预处理，具体包括：
[0093]
分别将所述网络切片节点产生的所述第一告警文本特征和所述邻居节点产生的
所述第二告警文本特征编码为序列表示；
[0094]
分别将所述网络切片节点产生的所述第一kpi运行指标特征和所述邻居节点产生的所述第二kpi运行指标特征进行标准化处理。
[0095]
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：
[0096]
从nsmf中收集历史网络切片节点的特征属性集作为总数据集，并进行预处理，所述特征属性集包括网络切片节点和邻居节点的历史告警文本特征以及历史kpi运行指标特征；
[0097]
获取人工标记的历史网络切片节点所产生告警是否属于误告警，形成标签矩阵y，形状为n*1，其中n为告警的个数；
[0098]
应用所述总数据集对基于图注意力网络的所述切片误告警识别模型进行训练，获取收敛的所述切片误告警识别模型的权重参数。
[0099]
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：
[0100]
根据所述总数据集中的所述网络切片节点和邻居节点的历史告警文本特征以及历史kpi运行指标特征对所述切片误告警识别模型进行训练，获取预测的各网络切片节点误告警识别结果；
[0101]
应用二元交叉熵损失函数作为目标函数对预测的网络切片节点误告警识别结果与正确的网络切片节点误告警识别结果之间的误差进行评估；
[0102]
应用梯度下降优化算法使所述切片误告警识别模型梯度下降，获取使所述目标函数最小的所述切片误告警识别模型的最优权重参数，所述最优权重参数为训练后的所述切片误告警识别模型的权重参数。
[0103]
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：
[0104]
应用所述切片误告警识别模型中的第一图注意力层将所述网络切片节点的历史第一告警文本特征与所述邻居节点的历史第二告警文本特征进行融合得到历史属性融合特征；
[0105]
应用所述切片误告警识别模型中的第二图注意力层将所述网络切片节点的历史第一kpi运行指标特征与所述邻居节点的历史第二kpi运行指标特征进行融合得到历史kpi运行指标融合特征；
[0106]
应用所述切片误告警识别模型的第三图注意力层将所述历史属性融合特征和所述历史kpi运行指标融合特征进行注意力聚合，学习不同属性对于判断所述网络切片节点的告警是否为误告警的重要性；
[0107]
应用输出层输出预测的所述网络切片节点误告警识别结果。
[0108]
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：
[0109]
分别利用词嵌入层将所述历史第一告警文本特征和所述历史第二告警文本特征中的每个词进行向量映射，转化为预设维度的向量，并输入所述第一图注意力层；
[0110]
分别利用映射层将所述历史第一kpi运行指标特征和所述历史第二kpi运行指标特征的维度转换为所述预设维度，并输入所述第二图注意力层。
[0111]
本发明实施例通过从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和kpi运行指标特征；根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性
融合特征；根据所述切片误告警识别模型将所述网络切片节点的第一kpi运行指标特征与所述邻居节点的第二kpi运行指标特征进行融合得到kpi运行指标融合特征；根据所述切片误告警识别模型将所述属性融合特征和所述kpi运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警，能够提高网络切片误告警识别的准确率，提升运维人员排查告警的效率。
[0112]
本发明实施例提供了一种计算机程序产品，所述计算机程序产品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任意方法实施例中的基于图注意力网络的切片误告警识别方法。
[0113]
可执行指令具体可以用于使得处理器执行以下操作：
[0114]
从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和kpi运行指标特征；
[0115]
根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征；
[0116]
根据所述切片误告警识别模型将所述网络切片节点的第一kpi运行指标特征与所述邻居节点的第二kpi运行指标特征进行融合得到kpi运行指标融合特征；
[0117]
根据所述切片误告警识别模型将所述属性融合特征和所述kpi运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警。
[0118]
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：
[0119]
当发现有网络切片节点产生告警时，从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性；
[0120]
根据不同属性将所述网络切片节点的特征属性拆分为所述第一告警文本特征和所述第一kpi运行指标特征；
[0121]
根据不同属性将所述邻居节点的特征属性拆分为所述第二告警文本特征和所述第二kpi运行指标特征。
[0122]
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：
[0123]
对网络切片节点及邻居节点的特征属性进行预处理，具体包括：
[0124]
分别将所述网络切片节点产生的所述第一告警文本特征和所述邻居节点产生的所述第二告警文本特征编码为序列表示；
[0125]
分别将所述网络切片节点产生的所述第一kpi运行指标特征和所述邻居节点产生的所述第二kpi运行指标特征进行标准化处理。
[0126]
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：
[0127]
从nsmf中收集历史网络切片节点的特征属性集作为总数据集，并进行预处理，所述特征属性集包括网络切片节点和邻居节点的历史告警文本特征以及历史kpi运行指标特征；
[0128]
获取人工标记的历史网络切片节点所产生告警是否属于误告警，形成标签矩阵y，形状为n*1，其中n为告警的个数；
[0129]
应用所述总数据集对基于图注意力网络的所述切片误告警识别模型进行训练，获取收敛的所述切片误告警识别模型的权重参数。
[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]
根据所述总数据集中的所述网络切片节点和邻居节点的历史告警文本特征以及历史kpi运行指标特征对所述切片误告警识别模型进行训练，获取预测的各网络切片节点误告警识别结果；
[0132]
应用二元交叉熵损失函数作为目标函数对预测的网络切片节点误告警识别结果与正确的网络切片节点误告警识别结果之间的误差进行评估；
[0133]
应用梯度下降优化算法使所述切片误告警识别模型梯度下降，获取使所述目标函数最小的所述切片误告警识别模型的最优权重参数，所述最优权重参数为训练后的所述切片误告警识别模型的权重参数。
[0134]
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：
[0135]
应用所述切片误告警识别模型中的第一图注意力层将所述网络切片节点的历史第一告警文本特征与所述邻居节点的历史第二告警文本特征进行融合得到历史属性融合特征；
[0136]
应用所述切片误告警识别模型中的第二图注意力层将所述网络切片节点的历史第一kpi运行指标特征与所述邻居节点的历史第二kpi运行指标特征进行融合得到历史kpi运行指标融合特征；
[0137]
应用所述切片误告警识别模型的第三图注意力层将所述历史属性融合特征和所述历史kpi运行指标融合特征进行注意力聚合，学习不同属性对于判断所述网络切片节点的告警是否为误告警的重要性；
[0138]
应用输出层输出预测的所述网络切片节点误告警识别结果。
[0139]
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：
[0140]
分别利用词嵌入层将所述历史第一告警文本特征和所述历史第二告警文本特征中的每个词进行向量映射，转化为预设维度的向量，并输入所述第一图注意力层；
[0141]
分别利用映射层将所述历史第一kpi运行指标特征和所述历史第二kpi运行指标特征的维度转换为所述预设维度，并输入所述第二图注意力层。
[0142]
本发明实施例通过从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和kpi运行指标特征；根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征；根据所述切片误告警识别模型将所述网络切片节点的第一kpi运行指标特征与所述邻居节点的第二kpi运行指标特征进行融合得到kpi运行指标融合特征；根据所述切片误告警识别模型将所述属性融合特征和所述kpi运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警，能够提高网络切片误告警识别的准确率，提升运维人员排查告警的效率。
[0143]
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设备的具体实现做限定。
[0144]
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。
[0145]
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，具体可以执行上述基于图注意力网络的切片误告警识别方法实施例中的相关步骤。
[0146]
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。
[0147]
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各个集成电路。设备包括的一个或各个处理器，可以是同一类型的处理器，如一个或各个cpu；也可以是不同类型的处理器，如一个或各个cpu以及一个或各个asic。
[0148]
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。
[0149]
程序510具体可以用于使得处理器502执行以下操作：
[0150]
从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和kpi运行指标特征；
[0151]
根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征；
[0152]
根据所述切片误告警识别模型将所述网络切片节点的第一kpi运行指标特征与所述邻居节点的第二kpi运行指标特征进行融合得到kpi运行指标融合特征；
[0153]
根据所述切片误告警识别模型将所述属性融合特征和所述kpi运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警。
[0154]
在一种可选的方式中，所述程序510使所述处理器执行以下操作：
[0155]
当发现有网络切片节点产生告警时，从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性；
[0156]
根据不同属性将所述网络切片节点的特征属性拆分为所述第一告警文本特征和所述第一kpi运行指标特征；
[0157]
根据不同属性将所述邻居节点的特征属性拆分为所述第二告警文本特征和所述第二kpi运行指标特征。
[0158]
在一种可选的方式中，所述程序510使所述处理器执行以下操作：
[0159]
对网络切片节点及邻居节点的特征属性进行预处理，具体包括：
[0160]
分别将所述网络切片节点产生的所述第一告警文本特征和所述邻居节点产生的所述第二告警文本特征编码为序列表示；
[0161]
分别将所述网络切片节点产生的所述第一kpi运行指标特征和所述邻居节点产生的所述第二kpi运行指标特征进行标准化处理。
[0162]
在一种可选的方式中，所述程序510使所述处理器执行以下操作：
[0163]
从nsmf中收集历史网络切片节点的特征属性集作为总数据集，并进行预处理，所述特征属性集包括网络切片节点和邻居节点的历史告警文本特征以及历史kpi运行指标特征；
[0164]
获取人工标记的历史网络切片节点所产生告警是否属于误告警，形成标签矩阵y，形状为n*1，其中n为告警的个数；
[0165]
应用所述总数据集对基于图注意力网络的所述切片误告警识别模型进行训练，获取收敛的所述切片误告警识别模型的权重参数。
[0166]
在一种可选的方式中，所述程序510使所述处理器执行以下操作：
[0167]
根据所述总数据集中的所述网络切片节点和邻居节点的历史告警文本特征以及历史kpi运行指标特征对所述切片误告警识别模型进行训练，获取预测的各网络切片节点误告警识别结果；
[0168]
应用二元交叉熵损失函数作为目标函数对预测的网络切片节点误告警识别结果与正确的网络切片节点误告警识别结果之间的误差进行评估；
[0169]
应用梯度下降优化算法使所述切片误告警识别模型梯度下降，获取使所述目标函数最小的所述切片误告警识别模型的最优权重参数，所述最优权重参数为训练后的所述切片误告警识别模型的权重参数。
[0170]
在一种可选的方式中，所述程序510使所述处理器执行以下操作：
[0171]
应用所述切片误告警识别模型中的第一图注意力层将所述网络切片节点的历史第一告警文本特征与所述邻居节点的历史第二告警文本特征进行融合得到历史属性融合特征；
[0172]
应用所述切片误告警识别模型中的第二图注意力层将所述网络切片节点的历史第一kpi运行指标特征与所述邻居节点的历史第二kpi运行指标特征进行融合得到历史kpi运行指标融合特征；
[0173]
应用所述切片误告警识别模型的第三图注意力层将所述历史属性融合特征和所述历史kpi运行指标融合特征进行注意力聚合，学习不同属性对于判断所述网络切片节点的告警是否为误告警的重要性；
[0174]
应用输出层输出预测的所述网络切片节点误告警识别结果。
[0175]
在一种可选的方式中，所述程序510使所述处理器执行以下操作：
[0176]
分别利用词嵌入层将所述历史第一告警文本特征和所述历史第二告警文本特征中的每个词进行向量映射，转化为预设维度的向量，并输入所述第一图注意力层；
[0177]
分别利用映射层将所述历史第一kpi运行指标特征和所述历史第二kpi运行指标特征的维度转换为所述预设维度，并输入所述第二图注意力层。
[0178]
本发明实施例通过从nsmf中获取当前时刻网络切片节点及邻居节点的特征属性，所述特征属性包括告警文本特征和kpi运行指标特征；根据切片误告警识别模型将所述网络切片节点的第一告警文本特征与所述邻居节点的第二告警文本特征进行融合得到属性融合特征；根据所述切片误告警识别模型将所述网络切片节点的第一kpi运行指标特征与所述邻居节点的第二kpi运行指标特征进行融合得到kpi运行指标融合特征；根据所述切片误告警识别模型将所述属性融合特征和所述kpi运行指标融合特征进行注意力聚合，确定所述网络切片节点产生的告警是否属于误告警，能够提高网络切片误告警识别的准确率，提升运维人员排查告警的效率。
[0179]
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。
[0180]
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。
[0181]
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。
[0182]
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。
[0183]
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。
[0184]
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。