QCI匹配方法、装置、设备及存储介质与流程

qci匹配方法、装置、设备及存储介质
技术领域
1.本发明涉及移动通信技术领域，尤其涉及一种qci匹配方法、装置、设备及存储介质。


背景技术：

2.目前3gpp为data channel分配了新的qci：71(时延150ms，丢包率10-6)、72(时延150ms，丢包率10-6)、73(时延150ms，丢包率10-6)、74(时延150ms，丢包率10-6)、76(时延150ms，丢包率10-6)。但data channel中传递多样化应用内容、传递的媒体类型及格式也多种多样，需要为不同的行业应用分配其所需的qci。但目前3gpp并未明确定义data channel中不同类型的内容所需匹配的qci，即无法为不同的行业应用分配其所需的qci。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提供一种qci匹配方法、装置、设备及存储介质，旨在解决现有技术无法为不同的行业应用分配其所需的qci的技术问题。
5.为实现上述目的，本发明提供了一种qci匹配方法，所述qci匹配方法包括以下步骤：
6.在接收到用户发送的行业应用请求信息时，从所述行业应用请求信息中提取行业应用特征属性；
7.获取用户面功能网元分配给数据通道的服务质量参数类别标识符qci特征属性；
8.将所述行业应用特征属性和所述qci特征属性输入至qci匹配模型中，并获得所述qci匹配模型输出的行业应用与各个qci之间的匹配关系；
9.根据所述匹配关系为行业应用匹配相应的qci。
10.可选地，所述将所述行业应用特征属性和所述qci特征属性输入至qci匹配模型中之前，还包括：
11.获取行业应用特征属性的第一属性类型，以及所述qci特征属性的第二属性类型；
12.根据所述第一属性类型对应的第一数据处理方式对所述行业应用特征属性进行预处理，以获得目标行业应用特征属性；
13.根据所述第二属性类型对应的第二数据处理方式对所述qci特征属性进行预处理，以获得目标qci特征属性；
14.相应地，所述将所述行业应用特征属性和所述qci特征属性输入至qci匹配模型中，包括：
15.将所述目标行业应用特征属性和所述目标qci特征属性输入至qci匹配模型中。
16.可选地，将所述行业应用特征属性和所述qci特征属性输入至qci匹配模型中之前，还包括：
17.从服务器中获取历史行业应用特征属性和有效qci特征属性；
18.获取所述历史行业应用特征属性和所述有效qci特征属性之间的历史匹配度评分；
19.根据所述历史行业应用特征属性、所述有效qci特征属性以及所述历史匹配度评分构建总数据集；
20.根据预设比例从所述总数据集中筛选出目标数据集；
21.按照所述目标数据集对预设神经网络模型进行训练，以获得qci匹配模型。
22.可选地，所述按照所述目标数据集对预设神经网络模型进行训练，以获得qci匹配模型，包括：
23.按照预设训练参数对预设神经网络模型进行设置，以获得参考神经网络模型；
24.将所述目标数据集中的历史行业应用特征属性和有效qci特征属性输入至所述参考神经网络模型，以获得预测匹配度评分；
25.获取所述预测匹配度评分和所述目标数据集中的历史匹配度评分之间的评分误差；
26.根据所述评分误差对所述参考神经网络模型进行优化，以获得qci匹配模型。
27.可选地，所述获得所述qci匹配模型输出的行业应用与各个qci之间的匹配关系，包括：
28.通过所述qci匹配模型中的长短记忆层和舍弃层分别对所述行业应用特征属性和所述qci特征属性进行特征抽取，以获得行业应用特征向量和qci特征向量；
29.通过所述qci匹配模型中的合并层、全连接层以及舍弃层对所述行业应用特征向量和所述qci特征向量进行拼接和提取，以获得行业应用与各个qci之间的匹配关系。
30.可选地，所述根据所述匹配关系为行业应用匹配相应的qci，包括：
31.根据所述匹配关系确定行业应用与各个qci之间的匹配度评分；
32.从所述匹配度评分筛选出目标匹配度评分；
33.通过所述用户面功能网元为所述行业应用匹配所述目标匹配度评分对应的qci。
34.可选地，所述根据所述匹配关系为所述行业应用匹配相应的qci之后，还包括：
35.实时检测所述行业应用特征属性是否变更；
36.在检测到所述行业应用特征属性发生变更时，获取变更后的行业应用特征，并将所述变更后的行业应用特征输入所述qci匹配模型中，以获得新的匹配关系；
37.根据所述新的匹配关系为行业应用匹配相应的qci。
38.此外，为实现上述目的，本发明还提出一种qci匹配装置，所述qci匹配装置包括：
39.接收模块，用于在接收到用户发送的行业应用请求信息时，从所述行业应用请求信息中提取行业应用特征属性；
40.提取模块，用于从所述行业应用请求信息中提取行业应用特征属性；
41.获取模块，用于获取用户面功能网元分配给数据通道的服务质量参数类别标识符qci特征属性；
42.输入模块，用于将所述行业应用特征属性和所述qci特征属性输入至qci匹配模型中，并获得所述qci匹配模型输出的行业应用与各个qci之间的匹配关系；
43.匹配模块，用于根据所述匹配关系为行业应用匹配相应的qci。
44.此外，为实现上述目的，本发明还提出一种qci匹配设备，所述qci匹配设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的qci匹配程序，所述qci匹配程序配置为实现如上文所述的qci匹配方法。
45.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有qci匹配程序，所述qci匹配程序被处理器执行时实现如上文所述的qci匹配方法。
46.本发明在接收到用户发送的行业应用请求信息时，从所述行业应用请求信息中提取行业应用特征属性；获取用户面功能网元分配给数据通道的服务质量参数类别标识符qci特征属性；将所述行业应用特征属性和所述qci特征属性输入至qci匹配模型中，并获得所述qci匹配模型输出的行业应用与各个qci之间的匹配关系；根据所述匹配关系为行业应用匹配相应的qci，通过将行业应用特征属性qci和qci特征属性输入至qci匹配模型行业应用与各个qci之间的匹配关系，根据匹配关系为行业应用匹配相应的qci，能够准确地位行业应用分配所需的qci。
附图说明
47.图1是本发明实施例方案涉及的硬件运行环境的qci匹配设备的结构示意图；
48.图2为本发明qci匹配方法第一实施例的流程示意图；
49.图3为本发明qci匹配方法中长短期记忆神经元的示意图；
50.图4为本发明qci匹配方法第二实施例的流程示意图；
51.图5为本发明qci匹配方法第三实施例的流程示意图；
52.图6为本发明qci匹配方法多分支长短期记忆神经网络模型的示意图；
53.图7为本发明qci匹配装置第一实施例的结构框图。
54.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
55.应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
56.参照图1，图1为本发明实施例方案涉及的硬件运行环境的qci匹配设备结构示意图。
57.如图1所示，该qci匹配设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
58.本领域技术人员可以理解，图1中示出的结构并不构成对qci匹配设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
59.如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及qci匹配程序。
60.在图1所示的qci匹配设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明qci匹配设备中的处理器1001、存储器1005可以设置在qci匹配设备中，所述qci匹配设备通过处理器1001调用存储器1005中存储的qci匹配程序，并执行本发明实施例提供的qci匹配方法。
61.本发明实施例提供了一种qci匹配方法，参照图2，图2为本发明一种qci匹配方法第一实施例的流程示意图。
62.本实施例中，所述qci匹配方法包括以下步骤：
63.步骤s10：在接收到用户发送的行业应用请求信息时，从所述行业应用请求信息中提取行业应用特征属性。
64.需要说明的是，本实施例的执行主体可以是qci匹配设备，qci匹配设备可以是个人电脑、服务器或车载终端等电子设备，还可以为其他可实现相同或相似功能的设备或服务器，本实施例对此不加以限制，在本实施例及下述各实施例中，以qci匹配设备为例对本发明qci匹配方法进行说明。
65.需要说明的是，qci(qos class identifier)是一个标度值，qos(quality of service，服务质量)，class identifier表示类别标识符，用于衡量特定的提供给sdf(服务数据流)的包转发行为(如丢包率，包延迟预算)，它同时应用于gbr和non-gbr承载，用于指定访问节点内定义的控制承载级分组转发方式(如调度权重、接纳门限、队列管理门限、链路层协议配置等)，这些都由运营商预先配置到接入网节点中，本实施例中的行业应用以5g新通话行业应用为例进行说明，行业应用如自动驾驶、智慧交通以及智能工厂等，在需要通过5g开展行业应用时，用户会向qci匹配设备发送相应的行业应用请求信息，在接收到行业应用请求信息时，从行业应用请求信息中提取媒体类型、所需时延、所需带宽以及应用场景等多个行业应用特征属性，可以根据实际需求对行业应用特征属性进行提取，本实施对此不加以限制。
66.步骤s20：获取用户面功能网元分配给数据通道的服务质量参数类别标识符qci特征属性。
67.在本实施例中，用户面功能网元(user plane function，upf)具有用户平面qos处理、用户平面策略规则实施等功能，能够为数据通道data channel分配相应的qci特征属性，本实施例中qci特征属性包括时延、丢包率以及优先级等属性，可以根据实际需求对qci特征属性进行相应地设置，本实施对此不加以限制。
68.步骤s30：将所述行业应用特征属性和所述qci特征属性输入至qci匹配模型中，并获得所述qci匹配模型输出的行业应用与各个qci之间的匹配关系。
69.需要说明的是，进入5g时代，运营商完全可以基于vonr/volte高清视频通话服务来升级用户的通话体验，以免app安装、基于号码、确定性网络体验保障等ott应用所不具备的优势提升流量收入，先发培养用户习惯，抢夺用户，布局未来。gsma在rcs中提出了enriched calling，在通话中引入增强能力，定义了通话前(pre-call)、通话中(in-call)、通话后(post-call)三大场景。在通话前，主叫可以给被叫发送呼叫主题、重要性、图片、位置等信息；在通话中，主被叫双方可以互相发送任意文件、发送im消息、共享位置、共享地图、共享涂鸦、实时视频等；在被叫未接通时，主叫可以给被叫发送文字留言、或语音留言。运营商可以基于通话前、通话中和通话后这三大场景升级vonr/volte高清视频通话业务。
lstm神经元如图4所示，
70.3gpp也制定了ims数据通道标准，其基于volte/vonr高清音视频通话，与webrtc技术结合，通过扩展提供数据通道ims data channel，让语音和视频通话与扩展的数据通道同步，从而能在高清视频通话中实现屏幕共享，叠加ar，甚至是听觉、视觉、触觉、动觉等同步的全沉浸式体验。ims data channel基于udp提供高实时性的单流或多流数据交互通道，可以在通话过程中同时进行桌面共享、白板共享及发送文件等操作。
71.通过引入实时交互通道(ims data channel)，面向垂直行业在高清实时多媒体通话过程中增加行业特色交互式应用。端到端qos保障已经不仅仅是语音、视频两种特定的qos策略和执行，还要针对不同数据业务类型进行定制化的qos策略控制，支持根据多场景协商媒体qos属性。ims data channel不关注所传递通道中内容及其格式，仅需要通信双方对于通信格式达成一致，可采用webpage javascript脚本通用方式通过ims data channel传递多样化应用内容。
72.需要强调的是，数据通道中传递多样化应用内容、传递的媒体类型及格式也多种多样，目前的3gpp无法不同的行业应用分配其所需的qci，本实施例中是利用多分支长短期记忆神经网络自动学习5g行业应用与现有数据通道支持的qci之间的匹配度，从而为5g行业应用分配合适的qci。
73.需要说明的是，本实施例中所述的长短期记忆(lstm，long short-term memory)是一种特殊的循环神经网络类型。所谓的循环神经网络(rnn，recurrent neural network)是一种有记忆的神经网络，rnn中每个隐藏层的输出都会被存储在缓存中，当下一次该隐藏层有数据输入时，存在缓存中的数据也可以被当作是输入的一部分，在每一个时间点，神经元的输出都会放到缓存中去，在下一个时间点，缓存中的值都会被覆盖掉。而lstm相比rnn可以学习长期依赖信息，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神经元如图3所示，每一个lstm神经元中含有三个门控：遗忘门、输入门、输出门。lstm神经元包含6个公式，lstm神经元元包含6个公式，lstm神经元元包含6个公式，lstm神经元其中，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，w为可训练的权重矩阵，b为偏置向量。通过创建的qci匹配模型，然后将行业应用特征属性和qci特征属性作为模型的输入，经过模型处理之后即可得到输入结果，输入结果为行业应用与各个qci之间的匹配关系。
74.进一步地，为了提升模型的收敛速度和精度，使得qci匹配模型能够为行业应用分配更准确的qci，本实施例中在步骤s30之前还包括：获取行业应用特征属性的第一属性类型，以及所述qci特征属性的第二属性类型；根据所述第一属性类型对应的第一数据处理方式对所述行业应用特征属性进行预处理，以获得目标行业应用特征属性；根据所述第二属
性类型对应的第二数据处理方式对所述qci特征属性进行预处理，以获得目标qci特征属性。
75.需要说明的是，本实施例中在将行业应用特征属性和qci特征属性输入至qci匹配模型中之前，需要对行业应用特征属性和qci特征属性进行预处理。具体地，根据属性类型对应的不同数据处理方式对特征属性进行处理，本实施例中可以获取到行业应用特征属性的第一属性类型，以及qci特征属性的第二属性类型，第一属性类型对应的数据处理方式为第一数据处理方式，第二属性类型对应的数据处理方式为第二数据处理方式。本实施例中行业应用特征属性包括媒体类型、所需时延、所需带宽以及应用场景等n个属性，可表示为{x1、x2、x3、...、xn}；数据通道的qci特征属性包括时延、丢包率以及优先级等m个属性，可表示为{a1、a2、a3、...、am}，将以上各属性转化为机器可识别的形式之后，可以确定相应的属性类型，属性类型包括非数值型和数值型，非数值型属性类型所对应的数据处理方式为独热编码，数值型属性类型所对应的数据处理方式为归一化处理，归一化为均值为0、方差为1。当然本实施例中还可以采用其他数据方式，可以根据实际情况进行相应地设置，本实施例对此不加以限制。
76.步骤s40：根据所述匹配关系为行业应用匹配相应的qci。
77.在具体实施中，在确定匹配关系之后，基于匹配关系可以确定各个qci中与行业应用最匹配的qci，将最匹配的qci分配给行业应用。
78.进一步地，本实施例中为了使得qci匹配更加灵活与智能，所述步骤s40之后还包括：实时检测所述行业应用特征属性是否变更；在检测到所述行业应用特征属性发生变更时，获取变更后的行业应用特征，并将所述变更后的行业应用特征输入所述qci匹配模型中，以获得新的匹配关系；根据所述新的匹配关系为行业应用匹配相应的qci。
79.需要说明的是，行业应用特征属性是实时发生变化的，例如用户需要使用不同的行业应用或者随着同一个行业应用的发展所需要不同的延时等要求，本实施例中可以对行业应用特征属性进行检测，将变更后的行业应用特征属性重新输入至qci匹配模型中，从而为行业应用分配新的qci，需要强调的是，发生变更的是行业应用特征属性，而qci特征属性并未发生变更。
80.本实施例通过在接收到用户发送的行业应用请求信息时，从所述行业应用请求信息中提取行业应用特征属性；获取用户面功能网元分配给数据通道的服务质量参数类别标识符qci特征属性；将所述行业应用特征属性和所述qci特征属性输入至qci匹配模型中，并获得所述qci匹配模型输出的行业应用与各个qci之间的匹配关系；根据所述匹配关系为行业应用匹配相应的qci，通过将行业应用特征属性qci和qci特征属性输入至qci匹配模型行业应用与各个qci之间的匹配关系，根据匹配关系为行业应用匹配相应的qci，能够准确地位行业应用分配所需的qci。
81.参考图4，图4为本发明一种qci匹配方法第二实施例的流程示意图。
82.基于上述第一实施例，本实施例qci匹配方法在所述步骤s30之前，还包括：
83.步骤s030：从服务器中获取历史行业应用特征属性和有效qci特征属性。
84.容易理解的是，在将行业应用特征属性和qci特征属性输入至qci匹配模型之前，需要构建qci匹配模型，本实施例中可依据历史行业应用特征属性和有效qci特征属性作进行模型的创建与训练，有效qci特征属性表示数据通道中可用的qci。
85.步骤s130：获取所述历史行业应用特征属性和所述有效qci特征属性之间的历史匹配度评分。
86.在具体实施中，历史行业应用特征属性与有效qci之间也具有匹配关系，根据该匹配关系可以确定历史行业应用特征属性和有效qci特征属性之间的历史匹配度评分，该历史匹配度评分是基于专家经验通过人工的方式进行打分得到的。
87.步骤s230：根据所述历史行业应用特征属性、所述有效qci特征属性以及所述历史匹配度评分构建总数据集。
88.步骤s330：根据预设比例从所述总数据集中筛选出目标数据集。
89.需要说明的是，模型的训练与构建需要相应的数据集，本实施例中可根据历史行业应用特征属性、有效qci特征属性以及历史匹配度评分构建总数据集。需要强调的是，模型的训练之后，需要进行测试与验证，而模型的测试与验证需要依靠相应的测试集，本实施例中可从总数据集中筛选出训练集和测试集，预设比例可设置为80％，还可以设置为其他比例，可以根据实际情况进行相应的调整，本实施例对此不加以限制。以预设比例为80％为例进行说明，假设预设比例为80％时，则可以得到80％总数据集作为模型训练集，即目标数据集，20％总数据集作为模型的测试集。
90.步骤s430：按照所述目标数据集对预设神经网络模型进行训练，以获得qci匹配模型。
91.需要说明的是，如上文所述本实施例是利用长短期记忆神经网络模型为5g新通话的行业应用分配qci，本实施例中可采用长短期记忆神经网络作为预设神经网络模型，然后再将上述目标数据集作为训练数据对长短期记忆神经网络进行训练，即可得到qci匹配模型。
92.进一步地，本实施例中为了使得所训练的模型更加准确，降低误差，本实施例中所述步骤s403具体包括：按照预设训练参数对预设神经网络模型进行设置，以获得参考神经网络模型；将所述目标数据集中的历史行业应用特征属性和有效qci特征属性输入至所述参考神经网络模型，以获得预测匹配度评分；获取所述预测匹配度评分和所述目标数据集中的历史匹配度评分之间的评分误差；根据所述评分误差对所述参考神经网络模型进行优化，以获得qci匹配模型。
93.需要说明的是，本实施例中预设训练参数包括训练回合，屁处理大小以及损失函数即目标函数等，例如模型将训练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')，其中yi和标识匹配度评分。将历史行业应用特征属性和有效qci特征属性输入至所述参考神经网络模型之后，可以得到模型输出的预测匹配度评分，最后再根据上述损失函数可以获取所述预测匹配度评分和历史匹配度评分之间的评分误差。
94.在具体实施中，模型优化所采用的是梯度下降优化算法，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，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。
95.本实施例通过从服务器中获取历史行业应用特征属性和有效qci特征属性；获取
所述历史行业应用特征属性和所述有效qci特征属性之间的历史匹配度评分；根据所述历史行业应用特征属性、所述有效qci特征属性以及所述历史匹配度评分构建总数据集；根据预设比例从所述总数据集中筛选出目标数据集；按照所述目标数据集对预设神经网络模型进行训练，以获得qci匹配模型，通过预设比例从历史行业应用特征属性、有效qci特征属性以及历史匹配度评分构建总数据集中筛选出目标数据集进行训练，使得qci匹配模型更加准确。
96.参考图5，图5为本发明一种qci匹配方法第三实施例的流程示意图。
97.基于上述第一实施例，提出本发明一种qci匹配方法第三实施例。
98.在本实施例中，所述步骤s30包括：
99.步骤s301：通过所述qci匹配模型中的长短记忆层和舍弃层分别对所述行业应用特征属性和所述qci特征属性进行特征抽取，以获得行业应用特征向量和qci特征向量。
100.步骤s302：通过所述qci匹配模型中的合并层、全连接层以及舍弃层对所述行业应用特征向量和所述qci特征向量进行拼接和提取，以获得行业应用与各个qci之间的匹配关系。
101.需要说明的是，本实施例中使用深度学习框架搭建多分支长短期记忆神经网络模型，模型如图6所示。每个分支包括一个输入层、两个长短期记忆层、两个舍弃层；其中两个并列的输入层：分别输入经编码后的5g新通话行业应用属性及data channel可用的qci；其中长短期记忆层：分别设置64、32个lstm神经元，激活函数设置为'relu'；其中舍弃层：在每一个lstm层之后，都引入一个舍弃层(dropout)，以有效避免过拟合(overfitting)，所谓的舍弃层是指以概率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；其中合并层(concatenate)：将两类数据的空间向量按列维度进行拼接，输入至全连接层和舍弃层提取合并后的特征向量，自动抽取出行业应用与各个qci之间的匹配关系之间的匹配关系。
102.进一步地，本实施例中为了更加准确地为行业应用匹配相应的qci，所述步骤s40具体包括：根据所述匹配关系确定行业应用与各个qci之间的匹配度评分；从所述匹配度评分筛选出目标匹配度评分；通过所述用户面功能网元为所述行业应用匹配所述目标匹配度评分对应的qci。
103.需要说明的是，根据所确定的匹配关系，可以确定行业应用于各个qci之间的匹配度，不同的匹配度对应不同的匹配度评分，例如匹配度越高所对应的匹配度评分越高，本实施例中目标匹配度评分为所有匹配度评分中最高的匹配度评分，例如匹配度评分y1，y2，y3之间的评分排序为y1，y2，y3，则可以确定y1为目标匹配度评分。
104.本实施例通过所述qci匹配模型中的长短记忆层和舍弃层分别对所述行业应用特征属性和所述qci特征属性进行特征抽取，以获得行业应用特征向量和qci特征向量；通过所述qci匹配模型中的合并层、全连接层以及舍弃层对所述行业应用特征向量和所述qci特征向量进行拼接和提取，以获得行业应用与各个qci之间的匹配关系，通过长短期记忆层、舍弃层、合并层以及全连接层更加准确得到行业应用与各个qci之间的匹配关系，最后再根据匹配度关系对应的评分为行业应用准确分配相应的qci。
105.此外，本发明实施例还提出一种存储介质，所述存储介质上存储有qci匹配程序，所述qci匹配程序被处理器执行时实现如上文所述的qci匹配方法的步骤。
106.参照图7，图7为本发明qci匹配装置第一实施例的结构框图。
107.如图7所示，本发明实施例提出的qci匹配装置包括：
108.接收模块10，用于在接收到用户发送的行业应用请求信息时，从所述行业应用请求信息中提取行业应用特征属性。
109.提取模块20，用于从所述行业应用请求信息中提取行业应用特征属性。
110.获取模块30，用于获取用户面功能网元分配给数据通道的服务质量参数类别标识符qci特征属性。
111.输入模块40，用于将所述行业应用特征属性和所述qci特征属性输入至qci匹配模型中，并获得所述qci匹配模型输出的行业应用与各个qci之间的匹配关系。
112.匹配模块50，用于根据所述匹配关系为行业应用匹配相应的qci。
113.本实施例通过在接收到用户发送的行业应用请求信息时，从所述行业应用请求信息中提取行业应用特征属性；获取用户面功能网元分配给数据通道的服务质量参数类别标识符qci特征属性；将所述行业应用特征属性和所述qci特征属性输入至qci匹配模型中，并获得所述qci匹配模型输出的行业应用与各个qci之间的匹配关系；根据所述匹配关系为行业应用匹配相应的qci，通过将行业应用特征属性qci和qci特征属性输入至qci匹配模型行业应用与各个qci之间的匹配关系，根据匹配关系为行业应用匹配相应的qci，能够准确地位行业应用分配所需的qci。
114.应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
115.需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
116.另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的qci匹配方法，此处不再赘述。
117.此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
118.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
119.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(read only memory，rom)/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
120.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技
术领域，均同理包括在本发明的专利保护范围内。