一种基于机器学习的5G网络质量自动评估方法与流程

一种基于机器学习的5g网络质量自动评估方法
技术领域
1.本发明涉及一种50通信领域，尤其涉及一种基于机器学习的5g网络质量自动评估方法。


背景技术：

2.5g无线通信技术的发展为人们带来了更加便利、智能的业务，促使了媒体类业务、移动互联网业务以及物联网业务等新应用的蓬勃发展。在电力行业使用5g通信网络承载业务中，不同的电力业务对于网络中各参数的要求各不相同。例如，无人机巡检等媒体类业务对于网络中的数据传输速率要求很高，达到几百甚至几千兆，同时对于网络的流量承载要求也很高。而精准负荷控制等生产类业务则更关心网络中的时延参数，对于时延有很苛刻的要求——低至毫秒级别。通信网络质量的好坏，影响着业务数据的传输效果。有效的网络链路质量评估，能够为业务传输的链路选择提供可靠参考，基于此，通过选择合适的网络链路进行相应的业务数据传输，能够最大可能的减少数据包的丢失，保证数据的可靠传输，以此有效减少重传的次数，减少网络的通信耗能，同时能够保证不同业务在传输中的特性需求。
3.由于网络链路等级会随着业务的变化而发生变化，因此传统的固定评估参数的网络等级评估方法不能满足目前电力业务众多的5g通信网络的等级评估要求。当前处于5g网络规模化部署阶段，电力业务接入时受运营商网络覆盖、接入容量、频率干扰等多方面因素影响，其性能和稳定性仍存在一定波动，亟需开展有效的网络质量等级评估，能够为电力业务传输的链路选择提供可靠的参考。
4.例如，一种在中国专利文献上公开的“网络质量评估方法与服务器”，其公告号cn111010312b，方法包括：获取待测节点向多个区域发送探测请求得到多个探测数据；根据各区域的探测数据与预设的质量等级与探测数据阈值的对应关系，得到多个质量等级的测试数据；根据多个质量等级的测试数据与预设的质量等级与权重参数的对应关系，得到待测节点的网络质量评估值。该方案不能满足目前电力业务众多的5g通信网络的等级评估要求


技术实现要素：

5.本发明主要解决现有技术固定评估参数的网络等级评估方法不能满足目前电力业务众多的5g通信网络的等级评估要求的问题；提供一种基于机器学习的5g网络质量自动评估方法，从评估网络质量的参数出发，将机器学习技术应用于网络链路质量评估中，考虑通信网络中不同业务对网络参数的不同需求。
6.本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于机器学习的5g网络质量自动评估方法，包括以下步骤：s1：电力业务数据到达，开始执行网络质量自动评估流程；s2：基于实时性、可靠性、传输速率和覆盖能力的业务网络需求对业务类型进行判
别；s3：通过多层gur网络和自注意力模块级联而成的gru-注意力模型对相应业务下的网络质量等级进行评估；s4：根据误差指标判断网络评估结果是否达到要求；输出达到要求的网络评估结果。
7.本方案在5g通信网络的背景下，从评估网络质量的参数出发，将机器学习技术应用于网络链路质量评估中，考虑通信网络中不同业务对网络参数的不同需求。首先对网络中到达的业务类型进行判断，增加后续网络等级评估的准确性。然后，通过gur-attention模型，根据业务的类型，对评估指标权重进行合理选择，来评估在该业务下，网络所对应的网络链路等级，为业务传输的链路选择提供参考。本方案中结合了随机森林算法(random forest，rf)和门控循环单元(gate recurrent unit，gru)网络来进行实现，同时在gru网络中引入注意力机制，增加模型的学习能力，实现不同业务类型下的网络质量评估。随机森林作为机器学习重要算法之一，是一种利用多个树分类器进行分类和判断的算法。利用该算法能够对网络中到达的业务类型进行判断，为后续网络质量评估的参数选择提供依据。gru模型中具有记忆结构，与lstm相比有着更简单的结构和更少的计算量，能够避免长序列训练过程中的梯度爆炸和梯度消失的问题。注意力机制(attention)的引入，能够帮助模型从大量信息中筛选出少量重要信息，并聚焦到这些重要信息上，忽略大多不重要的信息，使得信息在计算中获得不同的权重。以此来获得具有业务针对性的网络质量评估等级，为业务的网络链路选择提供更加精准的参考。
8.作为优选，所述的步骤s2具体包括以下步骤：s201：构建随机森林模型，通过随机有放回的方式选取训练数据，生成k个训练子集，每个子集构成一个决策树，采用平均加权的方式来获取最终的子结果；s202：采用obb均方误差来对模型优异进行评价，对模型进行训练、调整。
9.根据5g通信网络中不同类型业务的传输需求，对不同电力业务下的网络质量等级进行评估预测。
10.作为优选，决策树第一层依次包括对应实时性、可靠性、传输速率和覆盖能力的四网络业务需求的叶节点；各网络业务需求下对应若干网络评估指标；决策树{t(x，θi)，i＝1，2，
…
，k}其中x表示样本数据集；k表示决策树的个数；θi表示第i棵决策树的参数向量。
11.不同业务类型对网络的需求各不相同，每个需求下有对应的网络评估指标，根据5g通信网络中不同类型业务的传输需求，对不同电力业务下的网络质量等级进行评估预测。
12.作为优选，所述的obb均方误差的计算公式为：
其中，yi为因变量的实际值；为预测值；在训练过程中，对k值进行适应性调整，使得计算结果的obb均方误差符合预期要求。
13.k棵决策树组合成随机森林决策模型，最终以每棵决策树结果的算数平均作为预测结果。模型中k的选择影响着模型的判别精准度，k太小时会降低算法的随机性和精度，太大则会增加模型的计算量，导致计算效率下降、计算精度不高。因此训练中采用obb均方误差来对算法优异进行评价。模型训练完成后，即可根据某一时刻到达的业务需求，对业务类型进行判断。
14.作为优选，所述步骤s3包括以下步骤：s301：利用gru网络来拟合输入序列的非线性和时间序列性，将输入序列x＝[x(0)，x(1)，x(2)...，x(t)]进行特征提取；其中，x(t)中包含这一时刻通信网络中的评估指标值和到达业务的类型；s302：将提取出来的特征输入到自注意力层；自注意力层对相应业务下所要采用的评估指标进行选取，并对选取的评估指标权重进行计算，根据得到的权重来对当前网络的质量等级进行评估，进而得到具体的网络质量评估等级；s303：自注意力层将相关指标通过线性层融合，得到t+1时刻的输出y(t+1)。
[0015]
该模型通过不断重复这一过程，利用前一段时间的输入，来对下一个时刻的网络质量等级进行评估。
[0016]
作为优选，gur网络中包含重置门和更新门两个门结构；更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门越大，前一时刻的状态信息被带入得越多；重置门控制前一状态被写入到当前的候选集上的信息量，重置门越小，前一状态被写入的信息量越少；t时刻隐藏层的输出h
t
的计算过程为：其中，h
t-1
为前一时刻隐藏层的输出；z
t
用于计算当前时刻需要更新的内容；z
t
＝σ(w
(r)
x
t
+u
(r)ht-1
)r
t
用于计算候选隐藏层r
t
＝σ(w
(z)
x
t
+u
(z)ht-1
)激活函数w(z)
，u
(z)
，w
(r)
，u
(r)
，w
(h)
，u
(h)
表示对应的权重系数矩阵，
⊙
则表示向量元素积。
[0017]
gru-注意力模型中，通过叠加多个gru层来拟合评估指标的非线性和时间序列特征，并引入自注意力机制，对不同业务类型下的评估指标进行选择并对其权重进行计算，进而得到网络在指定业务类型下的网络质量评估等级。
[0018]
作为优选，根据误差指标判断网络评估结果是否达到要求，若误差指标小于预设的阈值，则输出网络质量等级的评估结果；否则重新返回步骤s2，直到误差指标小于预设的阈值。选择使用平均绝对百分比误差(mape)和均方根误差(rmse)作为网络质量评估的误差评价指标。
[0019]
作为优选，使用平均绝对百分比误差和均方根误差作为网络质量评估的误差评价指标；两者的计算表达式如下：指标；两者的计算表达式如下：其中n是样本数据的总数，yi和是第i个样点的真实质量等级与预测质量等级。
[0020]
选择使用平均绝对百分比误差(mape)和均方根误差(rmse)作为网络质量评估的误差评价指标。
[0021]
本发明的有益效果是：1.根据通信网络中不同业务对网络需求的差异化，引入随机森林算法对到来的业务类型进行判断，以精确化后续的网络评估参数，提高网络质量评估的针对性。
[0022]
2.通过gru-attention模型有针对性的对网络质量进行评估，模型中通过叠加gru网络来拟合网络参数的非线性和时间序列特性，并引入自注意力机制对评估指标和其权重进行捕获，进而得到具有针对性的网络质量评估结果。
附图说明
[0023]
图1是本发明的基于机器学习的5g网络质量自动评估方法流程图。
[0024]
图2是本发明的gru网络结构图。
具体实施方式
[0025]
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
[0026]
实施例：本实施例的一种基于机器学习的5g网络质量自动评估方法，如图1所示，包括以下步骤：s1：电力业务数据到达，开始执行网络质量自动评估流程。
[0027]
s2：基于实时性、可靠性、传输速率和覆盖能力的业务网络需求对业务类型进行判别。
[0028]
s201：构建随机森林模型，通过随机有放回的方式选取训练数据，生成k个训练子集，每个子集构成一个决策树，采用平均加权的方式来获取最终的子结果。
[0029]
电力5g通信网络中承载业务类型繁多，不同类型的业务对于通信网络的质量要求各不相同，有些业务更关注于网络的数据传输速率，而有些数据则将重点放于网络传输的实时性。因此对网络在不同业务类型下的网络质量进行评估，能够为业务数据传输的链路选择提供有效的参考。
[0030]
为了实现业务类型的判别，引入了随机森林算法，该算法以bagging集成学习算法和随机空间算法为基础。算法的基本组成单元是决策树{t(x，θi)，i＝1，2，
…
，k}，其中x表示样本数据集，k表示决策树的个数，θi表示第i棵决策树的参数向量。
[0031]
在训练过程中，算法会通过自助法重抽样技术，从原始的训练样本集n中有放回的重复随机抽取n个样本生成k个子训练集，每个子训练集构成一棵决策树。
[0032]
针对原始训练集中的m个变量，构建决策树时，在每棵树的叶节点处等概率的抽取m
t
个变量作为分支变量，来进行后续的决策工作，建树的过程中m
t
保持不变。k棵决策树组合成随机森林决策模型，最终以每棵决策树结果的算数平均作为预测结果。
[0033]
s202：采用obb均方误差来对模型优异进行评价，对模型进行训练、调整。
[0034]
模型中k的选择影响着模型的判别精准度，k太小时会降低算法的随机性和精度，太大则会增加模型的计算量，导致计算效率下降、计算精度不高。因此训练中采用obb均方误差来对算法优异进行评价，计算公式为：其中，yi为因变量的实际值；为预测值。
[0035]
在训练过程中，对k值进行适应性调整，使得计算结果的obb均方误差符合预期要求。
[0036]
模型中决策数的第一层选择了四个叶节点，一个叶节点代表一个业务对网络的需求，业务对于通信网络的需求众多，在本方法中，选取实时性、可靠性、传输速率和覆盖能力四个需求作为决策数的分支变量，即m
t
＝4。通过大量训练样本和验证样本对随机森林模型进行训练验证后，得到最终的业务类型判别模型，即可根据某一时刻到达的业务需求，对其类型进行判断。根据业务的四个需求值，每个决策树给出相应的决策，对得到的4个结果进行处理，在这里选择使用加权平均的方式来得到最终的业务类型决策结果。
[0037]
不同业务类型对网络的需求各不相同，每个需求下有对应的网络评估指标。例如到来的业务为视频业务，该类业务对于通信网络的传输速率和覆盖能力有很高的要求，因此这两个需求下的最大传输速率、sinr、平均传输速率、rsrp等评估指标，在质量等级评估中的权重应相对较大，来实现具有业务针对性的网络质量评估。
[0038]
s3：通过多层gur网络和自注意力模块级联而成的gru-注意力模型对相应业务下的网络质量等级进行评估。
[0039]
在获得业务类型后，通过gru-注意力模型对网络质量等级进行评估。
[0040]
s301：利用gru网络来拟合输入序列的非线性和时间序列性，将输入序列x＝[x(0)，x(1)，x(2)...，x(t)]进行特征提取，把重要的信息提取出来。
[0041]
其中，x(t)中包含这一时刻通信网络中的评估指标值和到达业务的类型。
[0042]
gru网络的结构如图2所示，gur网络中包含重置门和更新门两个门结构。。网络中数据顺着箭头方向流动，其中
×
表示矩阵元素相乘。
[0043]
gru网络是lstm网络的一种变体，一样具有记忆功能，能够解决rnn网络中所存在的长依赖问题。但它的结构更为简单，它将lstm中的三个门函数简化为更新门和重置门两个门，不论是在在预测精度还是预测速度上均优于lstm。它能够捕捉输入序列的非线性和序列特性进行拟合，使得预测结果更为精确。
[0044]
更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门越大，前一时刻的状态信息被带入得越多；重置门控制前一状态被写入到当前的候选集上的信息量，重置门越小，前一状态被写入的信息量越少；t时刻隐藏层的输出h
t
的计算过程为：其中，h
t-1
为前一时刻隐藏层的输出；z
t
用于计算当前时刻需要更新的内容；z
t
＝σ(w
(r)
x
t
+u
(r)ht-1
)r
t
用于计算候选隐藏层r
t
＝σ(w
(z)
x
t
+u
(z)ht-1
)激活函数激活函数w
(z)
，u
(z)
，w
(r)
，u
(r)
，w
(h)
，u
(h)
表示对应的权重系数矩阵，
⊙
则表示向量元素积。
[0045]
s302：将提取出来的特征输入到自注意力层。
[0046]
自注意力层对相应业务下所要采用的评估指标进行选取，并对选取的评估指标权重进行计算，根据得到的权重来对当前网络的质量等级进行评估，进而得到具体的网络质量评估等级。
[0047]
注意力(attention)机制旨在模仿人类视觉注意力机制，可以强化网络模型的学习能力和泛化能力。其核心思想是忽略无关信息，只选择对当前任务起关键作用的信息。
[0048]
注意力机制的引入，能够从大量的评估指标中筛选出业务所重点关注的评估指标，指标的权重越大则评估时越聚焦于其对应的值上。
[0049]
self-attention是注意力机制的一个特例，可以用于捕获其输入输出之间的全局依赖关系和序列本身的长距离依赖。self-attention机制主要采用缩放点积注意力，其计算满足如下公式：其中，q、k、v分别表示查询、键、值矩阵，dk表示k矩阵的维数。注意力模块的输入由查询(queries)、键(keys)、值(values)矩阵三部分组成，输出是基于查询和键的相似度与值的加权和。
[0050]
attention机制的具体计算过程可以归纳为两个过程，第一个过程是根据query和key计算权重系数，第二个过程根据权重系数对value进行加权求和。
[0051]
s303：自注意力层将相关指标通过线性层融合，得到t+1时刻的输出y(t+1)。
[0052]
该模型通过不断重复这一过程，利用前一段时间的输入，来对下一个时刻的网络质量等级进行评估。
[0053]
gru-注意力模型中，通过叠加多个gru层来拟合评估指标的非线性和时间序列特征，并引入自注意力机制，对不同业务类型下的评估指标进行选择并对其权重进行计算，进而得到网络在指定业务类型下的网络质量评估等级。
[0054]
s4：根据误差指标判断网络评估结果是否达到要求；输出达到要求的网络评估结果。
[0055]
根据误差指标判断网络评估结果是否达到要求，若误差指标小于预设的阈值，则输出网络质量等级的评估结果；否则重新返回步骤s2，直到误差指标小于预设的阈值。
[0056]
使用平均绝对百分比误差和均方根误差作为网络质量评估的误差评价指标。两者的计算表达式如下：的计算表达式如下：其中n是样本数据的总数，yi和是第i个样点的真实质量等级与预测质量等级。
[0057]
本方案从通信网络中不同业务的网络需求特性出发，提出了基于业务网络需求的业务类型判别机制，根据通信网络中不同业务对网络需求的差异化，引入随机森林算法对到来的业务类型进行判断，以精确化后续的网络评估参数，提高网络质量评估的针对性。确定业务类型后，通过gru-注意力模型有针对性的对网络质量进行评估，模型中通过叠加gru网络来拟合网络参数的非线性和时间序列特性，并引入自注意力机制对评估指标和其权重进行捕获，进而得到具有针对性的网络质量评估结果。本实施例所提出的网络质量评估方法能够有效的评估网络在不同业务下的质量等级，为业务传输的链路选择提供更为精确的参考。
[0058]
应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅
读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。