一种QoS预测方法及装置

一种qos预测方法及装置
技术领域
1.本发明涉及通信领域，尤其涉及一种服务质量(quality of service，qos)预测方法及装置。


背景技术：

2.目前，基于当前物理网络环境对网络的服务质量进行预测，也就是基于当前特定的物理网络环境进行qos预测。为了保证网络服务维持稳定运行，不能随意变动物理网络环境来进行qos预测，因此qos预测结果相对单一。然而，未来时段物理网络环境存在多种潜在的可能性变更，例如，未来时段网络带宽持续下降或信噪比恶化等，如何实现针对多样化的网络环境进行qos预测是需要解决的技术问题。


技术实现要素：

3.本发明提供一种qos预测方法及装置，有利于实现针对多样化的网络环境进行qos预测，进而有利于提高端到端业务流的服务质量。
4.第一方面，本发明提供一种qos预测方法，下面以网络设备作为该方法的执行主体为例进行阐述，该方法包括：网络设备将qos预测模型部署到网络仿真器中，网络仿真器用于构建与物理网络业务流映射的数字孪生网络；网络设备在网络仿真器中针对数字孪生网络的网络环境，加载qos预测模型。
5.一种可选的实施方式中，网络设备在网络仿真器中针对数字孪生网络的网络环境，加载qos预测模型，包括：网络设备在网络仿真器中设置数字孪生网络的网络环境；网络设备针对数字孪生网络的多种网络环境中的每种网络环境，加载qos预测模型。
6.一种可选的实施方式中，qos预测模型是网络设备与网络数据分析功能(network data analytics function，nwdaf)网元基于联邦学习获得的。
7.一种可选的实施方式中，该方法还包括：网络设备基于网络设备的空口无线参数，确定与qos参数对应的第一预测模型；网络设备向nwdaf网元发送第一预测模型对应的模型参数；网络设备接收来自nwdaf网元的第二预测模型对应的模型参数，第二预测模型是nwdaf网元基于来自多个网络设备中每个网络设备的第一预测模型对应的模型参数确定的。
8.如果接收到第一指示信息，网络设备基于第二预测模型对应的模型参数确定qos预测模型；否则，网络设备基于第二预测模型对应的模型参数和空口无线参数，更新第一预测模型对应的模型参数，并向nwdaf网元发送第一预测模型对应的更新后的模型参数。其中，第一指示信息用于指示网络设备停止更新模型。
9.一种可选的实施方式中，该方法还包括：网络设备向策略控制功能(policy control function，pcf)网元发送网络环境对应的网络参数、针对网络环境加载qos预测模型得到的qos预测结果；pcf网元用于基于网络环境对应的网络参数以及qos预测结果调整物理网络策略。
10.第二方面，本发明还提供了一种qos预测装置，该装置包括：
11.部署单元，用于将qos预测模型部署到网络仿真器中，网络仿真器用于构建与物理网络业务流映射的数字孪生网络。
12.预测单元，用于在网络仿真器中针对数字孪生网络的网络环境，加载qos预测模型。
13.一种可选的实施方式中，预测单元在网络仿真器中针对数字孪生网络的网络环境，加载qos预测模型，具体用于：在网络仿真器中设置数字孪生网络的网络环境；针对数字孪生网络的多种网络环境中的每种网络环境，加载qos预测模型。
14.一种可选的实施方式中，qos预测模型是qos预测装置与nwdaf网元基于联邦学习获得的。
15.一种可选的实施方式中，该装置还包括：
16.确定单元，用于基于网络设备的空口无线参数，确定与qos参数对应的第一预测模型。
17.发送单元，用于向nwdaf网元发送第一预测模型对应的模型参数。
18.接收单元，用于接收来自nwdaf网元的第二预测模型对应的模型参数，第二预测模型是nwdaf网元基于来自多个装置中每个装置的第一预测模型对应的模型参数确定的。
19.确定单元，还用于：在接收单元接收到第一指示信息时，基于第二预测模型对应的模型参数确定qos预测模型；否则，基于第二预测模型对应的模型参数和空口无线参数，更新第一预测模型对应的模型参数。第一指示信息用于指示网络设备停止更新模型。
20.发送单元，还用于在确定单元更新第一预测模型对应的模型参数之后，向nwdaf网元发送第一预测模型对应的更新后的模型参数。
21.一种可选的实施方式中，发送单元还用于向pcf网元发送网络环境对应的网络参数、针对网络环境加载qos预测模型得到的qos预测结果；pcf网元用于基于网络环境对应的网络参数以及qos预测结果调整物理网络策略。
22.第三方面，本发明还提供一种通信装置，包括存储器和处理器，存储器用于存储计算机程序，计算机程序包括程序指令，处理器被配置用于调用程序指令，使通信装置执行第一方面所述的方法。
23.第四方面，本发明还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机可读指令，当计算机可读指令在通信装置上运行时，使得通信装置执行第一方面所述的方法。
24.和现有技术相比，本发明的有益效果在于：
25.本发明中，网络设备可以在网络仿真器中基于数字孪生网络模拟物理网络环境，在网络仿真器中针对数字孪生网络的网络环境进行qos预测。该方法有利于基于数字孪生网络模拟物理网络环境的多种变化，从而有利于实现针对网络环境的多种情况进行qos预测，进而有利于及时针对各情况的物理网络环境进行策略调整，提高端到端业务流的服务质量。
附图说明
26.图1是本发明实施例提供的一种网络架构的示意图。
27.图2是本发明实施例提供的一种联邦学习的示意图。
28.图3是本发明实施例提供的一种数字孪生网络架构的示意图。
29.图4是本发明实施例提供的一种qos预测方法的流程示意图。
30.图5是本发明实施例提供的另一种qos预测方法的示意图。
31.图6是本发明实施例提供的一种qos预测方法框架的示意图。
32.图7是本发明实施例提供的一种qos预测装置的结构示意图。
33.图8是本发明实施例提供的一种通信装置的结构示意图。
具体实施方式
34.下面结合本发明中的附图对本发明进行描述。
35.首先，为了更好地理解本发明，对本发明适用的通信系统进行描述。
36.本发明的技术方案可以应用于各种通信系统，例如：长期演进(long term evolution，lte)系统、第四代移动通信技术(4th generation，4g)系统、新空口技术(new radio，nr)系统、第五代移动通信技术(5th generation mobile networks，5g)系统，以及随着通信技术的不断发展，本发明的技术方案还可用于后续演进的通信系统，如第六代移动通信技术(6th generation mobile networks，6g)系统、第七代移动通信技术(7th generation mobile networks，7g)系统，等等。
37.请参见图1，图1是本发明提供的一种网络架构的示意图，该网络架构为5g系统的独立组网架构，本发明的技术方案可应用于该网络架构。该网络架构包括：终端设备、无线接入网(radio access network，ran)、5g核心网(5g core，5gc)和数据网络(data network，dn)。其中，5g核心网可以分为控制面功能(controller plane function，cpf)和用户面功能(user plane function，upf)。cpf包括nwdaf、网络开放功能(network exposure function，nef)、网络存储功能(network repository function，nrf)、pcf、统一数据管理功能(unified data management，udm)、应用功能(application function，af)、认证服务器功能(authentication server function，ausf)、接入和移动性管理功能(access and mobility management function，amf)、会话管理功能(session management function，smf)。另外，在图1所示的网络架构中，n1、n2、n3、n4和n6是5g网络连接通道；终端设备和ran设备之间通过空口(over the air，ota)进行连接，其他设备/网元之间的连接均为有线连接。因此，空口的无线参数变化对端到端业务流qos的影响很大，ran设备的本地数据与当前网络所能提供的5g业务服务质量关系密切。
38.实施例中，nwdaf是5g网络中核心网的一种网络功能。nwdaf网元(即具有nwdaf的网元)可用于收集和分析各种网络功能和元素的数据，如收集和分析用户平面功能、会话管理功能的数据。nwdaf网元还可负责为各种网络功能网元提供实时的网络智能，如流量优化、网络切片、qos管理等。
39.5gc是5g网络的核心网络，其是支持5g无线接入技术的基础设施之一。5gc包括一系列网络功能，如用户数据管理、会话管理、安全功能等，5gc可以实现高速数据传输、低时延、大规模连接和更安全的通信等，从而支持各种新的应用场景和服务。
40.下一代基站(the next generation node b，gnb)是一种ran设备，其连接到核心网并提供无线接入。gnb能够支持更高的带宽和更低的延迟，同时还支持更多的连接和设备
类型，包括物联网设备、智能家居设备和车辆等。gnb还采用了更加灵活的架构，可以根据网络需求进行部署和配置以支持不同的应用场景。
41.pcf网元(即具有pcf的网元)可用于使用统一的策略框架来管理网络行为，并协同统一数据仓储功能(unified data repository，udr)网元(即具有udr的网元)中的用户信息来执行相关的策略。
42.空口ota用于在通信系统中基于无线电波接收数据和发送数据。空口ota通常可用于描述无线电信号在发送和接收之间的过程，即无线信号从终端设备传输到基站或从基站传输到终端设备的过程。
43.终端设备也可以称为用户设备(user equipment，ue)。终端设备可以是手机(mobile phone)、平板电脑(pad)、带无线收发功能的电脑、虚拟现实(virtual reality，vr)终端、增强现实(augmented reality，ar)终端、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端等等。
44.网络设备可为具有无线收发功能的设备或可设置于该设备的芯片，该网络设备可以为ran设备。例如，网络设备包括但不限于：演进型节点b(evolved node b，enb)、gnb、无线网络控制器(radio network controller，rnc)、节点b(node b，nb)、网络设备控制器(base station controller，bsc)、网络设备收发台(base transceiver station，bts)、家庭网络设备(例如，home evolved node b，或home node b，hnb)、基带单元(baseband unit，bbu)，无线中继节点、无线回传节点、传输点(transmission and reception point，trp或者transmission point，tp)等，还可以为4g、5g、6g等系统中使用的设备等，这里不做限制。
45.为了便于理解本发明公开的实施例，本发明公开的实施例中场景以5g网络的场景为例进行说明，应当指出的是，本发明公开的实施例中的方案还可以应用于其他无线通信网络中，相应的名称也可以用其他无线通信网络中的对应功能的名称进行替代。
46.下面对本发明涉及的相关概念进行简单的介绍。
47.1.服务质量
48.服务质量(即qos)可用于针对不同应用场景的需求、针对不同服务类型和不同应用程序提供端到端的服务质量保证，从而为用户提供更好的服务体验。例如，对于实时视频流和语音通话等实时通信应用，需要低延迟和高带宽的服务质量，以确保通信质量和用户体验。又例如，对于大规模物联网应用和云计算等应用程序，需要高可靠性和高安全性的服务质量，以确保数据传输的可靠性和安全性。因此，在动态变化的网络中对服务质量进行预测，根据可能出现的服务质量变化提前做出策略调整，能够更有效地保障业务质量和用户体验。
49.在5g网络中，qos的主要特征包括：带宽、时延、可靠性、安全性、灵活性。其中，5g网络提供高带宽，可以满足高速数据传输需求。5g网络提供低延迟服务，可以实现高速实时通信。5g网络提供高可靠性服务，可实现高可靠性数据传输。5g网络提供高安全性服务，可以保护用户数据隐私和网络安全。5g网络提供灵活的qos服务质量，可以根据应用场景和用户需求进行调整和优化。
50.在5g系统中，qos参数(即与qos相关的参数)包括：带宽(bandwidth)、信噪比(signal to interference plus noise ratio，snr)、误码率(bit error rate，ber)、接收信号参考功率(reference signal receiving power，rsrp)、调制和编码策略(modulation and coding scheme，mcs)、时延(latency)、丢包率(packet loss)、容量(capacity)、调度算法(scheduling algorithm)、重传次数(number of retransmissions)。下面以基站为例，对这些参数进行阐述。
51.其中，带宽是基站分配给每个用户的可用频谱带宽。snr是基站接收到的信号强度与噪声水平之间的比率，snr可用于评估信道质量。ber是在传输过程中发生错误比特的比率，ber通常用于衡量数据的可靠性。rsrp可用于在无线网络中表征无线信号强度。mcs是物理层数据流的编码方式，标准规范中有十六种mcs，按照传输效率从低到高的调制方式可包括：二进制相移键控(binary phase shift keying，bpsk)、正交相移键控(quadrature phase shift keying，qpsk)、16正交幅度调制(quadrature amplitude modulation，qam)、64qam。
52.时延是数据从源传输到目标所需的时间，时延可用于衡量实时应用程序(如语音和视频)质量。丢包率是在数据传输过程中丢失的数据包的比率，丢包率通常会影响应用程序的响应时间和质量。容量是基站能够同时处理的用户数量，容量通常由基站中处理器的处理能力和存储容量决定。调度算法是基站用于分配带宽和资源的算法，其可用于确保满足不同用户的服务质量要求。重传次数是在数据传输过程中需要重新发送数据包的次数，重传次数通常会影响延迟和丢包率。
53.2.联邦学习
54.联邦学习(federated learning，fl)是一种新兴的机器学习框架，fl允许在保护数据隐私的前提下，多个参与者通过共同训练机器学习模型来实现预测或分类任务，fl是一种有效的分布式学习方法。在联邦学习中，每个参与者(例如移动设备、传感器或云服务器)都保存着自己的本地数据，并通过交换加密的模型参数来更新全局模型，而不是直接共享数据。这种方法不仅可以保护数据隐私，还可以减少通信开销和降低模型泛化误差。
55.其中，联邦学习不需要参与者将本地数据上传到中心服务器，可以避免数据泄露和滥用，因此联邦学习具有数据隐私保护的优点。并且，联邦学习中参与者与中心服务器之间只需要交换模型参数，而不是原始数据，因此通信开销相对较小。另外，联邦学习可以通过结合不同参与者的数据来增加训练样本，从而提高模型泛化性能，因此，联邦学习还具有更好的模型泛化性能。
56.例如，结合图2，客户端(client)#1、客户端#2、客户端#3这三个参与者中每个客户端均可以在本地训练模型，得到每个客户端分别对应的本地fl模型(local fl model)，每个客户端分别向联邦中心(如中心服务器)发送该客户端对应的本地fl模型所对应的模型参数(如图2中客户端#1发送ω1、客户端#2发送ω2、客户端#3发送ω3)；联邦中心基于来自客户端#1、客户端#2、客户端#3分别的模型参数，确定全局fl模型(global fl model)，并向客户端#1、客户端#2、客户端#3分别发送全局fl模型所对应的模型参数(如图2中联邦中心发送g)。
57.3.数字孪生网络
58.数字孪生网络(digital twin network，dtn)是以数字化方式创建物理网络实体
对应的虚拟孪生体，且该虚拟孪生体与与物理网络实体之间可以实时交互映射；dtn是基于现实网络数据交互的虚拟仿真环境。dtn可以是基于大数据和ai进行构建的，dtn有利于有效保障网络负载大、网络规模大的场景下的网络运维，实时优化网络，并助力网络切片、边缘计算等新业务创新。
59.dtn的核心要素为：数据、模型、交互、映射。可以通过实时或者非实时的数据采集方式，采集物理网络层的数据，并存储到数据仓库，为构建网络孪生体以及为网络孪生体赋能提供数据支撑，并且基于这些数据形成功能丰富的数据模型。其中，物理网络层的数据可包括：物理实体数据、空间数据、资源数据、协议、接口、路由、信令、流程、性能、日志、状态等。另外，可以通过灵活组合的方式创建多种模型实例，服务于各种网络应用，同时通过网络孪生体以高保真可视化的页面去映射物理网络实体，最终达到可视化页面、孪生网络层、物理网络层的实时交互。同时，基于人工智能和大数据分析等技术，可以对物理网络进行全生命周期的分析、诊断、仿真和控制。
60.请参见图3，图3是本发明实施例提供的一种数字孪生网络架构的示意图。该数字孪生网络架构包括：网络应用层、孪生网络层、物理网络层。其中，网络应用层可用于实现网络技术验证优化、网络可视化、网络管理维护，孪生网络层可用于实现服务映射模型、网络孪生体管理、网络仿真验证，网络应用层和孪生网络层之间可以进行数据交互。
61.4.网络仿真器
62.网络仿真器可用于构建数字孪生网络，网络仿真器可以是网络设备中基于代码实现的虚拟单元，还可以是部署在网络设备中的硬件，不作限制。
63.本发明实施例中，网络仿真器可以是ns-3。ns-3是一个广泛使用的开源网络仿真器，其可用于模拟和评估各种通信网络协议和应用程序。ns-3提供了一组模块化的库，包括网络协议、路由、无线网络、传感器网络、移动网络、应用程序和设备等。使用ns-3，用户可以创建一个虚拟的通信网络环境，对各种网络协议和应用程序进行测试和评估。另外，本发明实施例中的网络仿真器还可以其他能够用于构建数字孪生网络的仿真器，不作限制。
64.目前，5g网络服务质量是基于当前物理网络环境进行预测，其预测结果是基于当前特定物理网络状态下得到的qos预测值。然而，为了保证网络服务维持稳定运行，不能随意变动物理网络环境来进行相关测试，所以qos预测结果相对单一；而未来时段物理网络存在多种潜在的可能性变更(例如：未来时段网络带宽持续下降或是信噪比恶化等)，其特定变更条件下的qos变化趋势可能无法得到有效预测。
65.本发明实施例提供一种qos预测方法，有利于基于数字孪生网络模拟物理网络环境的多种变化，从而有利于实现针对网络环境多种情况进行qos预测，进而有利于及时针对各情况的物理网络环境进行策略调整，提高端到端业务流的服务质量。
66.下面结合附图对本发明提供的qos预测方法及装置进行阐述。
67.请参见图4，图4是本发明提供的一种qos预测方法的流程示意图。该qos预测方法的执行主体可以为网络设备，或者还可以为网络设备中的芯片等，在此不做限定。图5以网络设备作为执行主体为例进行说明。该qos预测方法包括以下步骤：
68.s101、网络设备将qos预测模型部署到网络仿真器中，该网络仿真器用于构建与物理网络业务流映射的数字孪生网络。
69.在一种可选的实施方式中，qos预测模型是网络设备与nwdaf网元基于联邦学习获
得的。采用联邦学习的方式确定qos预测模型有利于使得各个网络设备可以通过交互模型参数来确定qos预测模型，而可以不用向其他设备共享本地数据，从而提高网络设备的数据隐私安全性。可见，采用联邦学习的方式可以在保证网络设备的数据隐私安全的同时，兼顾训练数据集的完整性。
70.可选的，该方法还可以包括：多个网络设备中每个网络设备基于该网络设备的空口无线参数，确定与qos参数对应的第一预测模型；多个网络设备中每个网络设备向nwdaf网元发送第一预测模型对应的模型参数。nwdaf网元基于来自多个网络设备中每个网络设备的第一预测模型对应的模型参数，确定第二预测模型。nwdaf网元向多个网络设备中每个网络设备发送第二预测模型对应的模型参数。
71.如果第二预测模型对应的模型参数收敛，nwdaf网元可向多个网络设备发送第一指示信息，第一指示信息用于指示网络设备停止更新模型。如果第二预测模型对应的模型参数不收敛，nwdaf网元不向多个网络设备发送第一指示信息。
72.针对多个网络设备中的每个网络设备，如果该网络设备接收到第一指示信息，该网络设备基于第二预测模型对应的模型参数确定qos预测模型；否则，该网络设备基于第二预测模型对应的模型参数和空口无线参数，更新第一预测模型对应的模型参数，并向nwdaf网元发送第一预测模型对应的更新后的模型参数。nwdaf网元基于多个网络设备中每个网络设备的第一预测模型对应的更新后的模型参数更新第二预测模型对应的模型参数，并向多个网络设备中每个网络设备发送第二预测模型对应的更新后的模型参数。
73.在nwdaf网元更新第二预测模型对应的模型参数之后，如果第二预测模型对应的模型参数收敛，nwdaf网元向多个网络设备发送第一指示信息；如果第二预测模型对应的模型参数不收敛，nwdaf网元不向多个网络设备发送第一指示信息。针对多个网络设备中的每个网络设备，可以基于是否接收到第一指示信息，确定执行基于最近一次接收到的第二预测模型对应的模型参数确定qos预测模型这一操作，或者，执行基于最近一次接收到的第二预测模型对应的模型参数和空口无线参数更新第一预测模型对应的模型参数这一操作。
74.可理解地，网络设备在每次更新第一预测模型对应的模型参数之后，均执行向nwdaf网元发送第一预测模型对应的更新后的模型参数这一操作。nwdaf网元在每次接收到来自多个网络设备分别的第一预测模型对应的更新后的模型参数之后，均执行基于多个网络设备分别的第一预测模型对应的更新后的模型参数更新第二预测模型对应的模型参数，并向多个网络设备分别发送第二预测模型对应的更新后的模型参数这一操作，以及基于第二预测模型对应的更新后的模型参数是否收敛确定是否向多个网络设备分别发送第一指示信息这一操作。直至nwdaf网元确定第二预测模型对应的模型参数收敛，nwdaf网元可停止执行基于来自多个网络设备分别的模型参数更新第二预测模型对应的模型参数，并向多个网络设备中每个网络设备发送第二预测模型对应的模型参数这一操作。网络设备在接收到第一指示信息时，停止执行更新第一预测模型对应的模型参数这一操作，而执行基于最近一次接收到的第二预测模型对应的模型参数确定qos预测模型这一操作。
75.另外，如果待预测的qos参数的数量为m(m为正整数)，每个网络设备确定的第一预测模型的数量为m，每个网络设备确定的m个第一预测模型与m个qos参数一一对应；nwdaf网元确定的第二预测模型的数量为m，该m个第二预测模型与m个qos参数一一对应；相应的，每个网络设备确定的qos预测模型的数量为m，该m个qos预测模型与m个qos参数一一对应。
76.例如，以线性模型，空口无线参数为mcs、rsrp、sinr，qos参数为带宽、时延、丢包率为例进行示例性地阐述。n个网络设备中每个网络设备在本地训练与带宽对应的第一预测模型、与时延对应的第一预测模型、与丢包率对应的第一预测模型。其中，n个网络设备中第i个网络设备在本地训练与带宽对应的第一预测模型可如公式(1)所示，与时延对应的第一预测模型可如公式(2)所示，与丢包率对应的第一预测模型可如公式(3)所示。
77.q
bandwidth_t
＝b
1i
×
mcs
t
+b
2i
×
rsrp
t
+b
3i
×
sinr
t
+w
1i (1)
78.q
latency_t
＝l
1i
×
mcs
t
+l
2i
×
rsrp
t
+l
3i
×
sinr
t
+w
2i (2)
79.q
packetloss_t
＝p
1i
×
mcs
t
+p
2i
×
rsrp
t
+p
3i
×
sinr
t
+w
3i (3)
80.其中，q
bandwidth_t
是第i个网络设备确定的与带宽对应的第一预测模型的输出，表示带宽；b
1i
、b
2i
、b
3i
是第i个网络设备确定的与带宽对应的第一预测模型所对应的模型参数。q
latency_t
是第i个网络设备确定的与时延对应的第一预测模型的输出，表示时延；l
1i
、l
2i
、l
3i
是第i个网络设备确定的与时延对应的第一预测模型所对应的模型参数。q
packetloss_t
是第i个网络设备确定的与丢包率对应的第一预测模型的输出，表示丢包率；p
1i
、p
2i
、p
3i
是第i个网络设备确定的与丢包率对应的第一预测模型所对应的模型参数。w
1i
是第i个网络设备确定的与带宽对应的第一预测模型所对应的偏置参数，w
2i
是第i个网络设备确定的与时延对应的第一预测模型所对应的偏置参数，w
3i
是第i个网络设备确定的与丢包率对应的第一预测模型所对应的偏置参数。mcs
t
、rsrp
t
、sinr
t
是第i个网络设备确定的第一预测模型的输入，分别表示与mcs相关的数据、与rsrp相关的数据、与sinr相关的数据。
81.n个网络设备中每个网络设备将b
1i
、b
2i
、b
3i
、l
1i
、l
2i
、l
3i
、p
1i
、p
2i
、p
3i
发送给nwdaf网元，nwdaf网元基于来自多个网络设备的模型参数进行模型聚合，得到与带宽对应的第二预测模型(即与带宽对应的全局模型)、与时延对应的第二预测模型(即与时延对应的全局模型)、与丢包率对应的第二预测模型(即与丢包率对应的全局模型)。其中，第二预测模型的模型参数可如公式(4)所示。
[0082][0083]
其中，θi为n个网络设备中第i个网络设备发送的第一预测模型所对应的模型参数。针对与带宽对应的第二预测模型，h
pre
(x)表示带宽，θi＝[b
1i b
2i b
3i
]；针对与时延对应的第二预测模型，θi＝[l
1i l
2i l
3i
]；针对与丢包率对应的第二预测模型，θi＝[p
1i p
2i p
3i
]。
[0084]
nwdaf网元将第二预测模型所对应的模型参数发送给n个网络设备中的每个网络设备，每个网络设备基于接收到的模型参数更新第一预测模型对应的模型参数，并向nwdaf网元发送第一预测模型对应的更新后的模型参数。nwdaf网元重复执行前述操作，直至nwdaf网元聚合得到的第二预测模型收敛，也就是第二预测模型所对应的模型参数趋于稳定。nwdaf网元在第二预测模型对应的模型参数收敛的情况下，可向n个网络设备中每个网络设备发送第一指示信息以指示该网络设备停止更新模型。那么，n个网络设备中每个网络设备在接收到第一指示信息之后，可以基于最近一次接收到的来自nwdaf网元的第二预测模型对应的模型参数确定qos预测模型。其中，针对n个网络设备中的任一个网络设备，该网络设备确定的qos预测模型可如公式(5)所示。
[0085]hpre
(x)＝θ
×
x
t
+w (5)
[0086][0087]
其中，如果公式(5)表示与带宽对应的qos预测模型，h
pre
(x)表示带宽，θ为该网络设备距接收到第一指示信息最近一次接收到的与带宽对应的第二预测模型所对应的模型参数，w为该网络设备确定的与带宽对应的qos预测模型所对应的偏置参数。如果公式(5)表示与时延对应的qos预测模型，h
pre
(x)表示时延，θ为该网络设备距接收到第一指示信息最近一次接收到的与时延对应的第二预测模型所对应的模型参数，w为该网络设备确定的与时延对应的qos预测模型所对应的偏置参数。如果公式(5)表示与丢包率对应的qos预测模型，h
pre
(x)表示丢包率，θ为该网络设备距接收到第一指示信息最近一次接收到的与丢包率对应的第二预测模型所对应的模型参数，w为该网络设备确定的与丢包率对应的qos预测模型所对应的偏置参数。
[0088]
可选的，该方法还可以包括：nwdaf网元向多个网络设备发送第一信息，第一信息用于指示模型结构；相应的，多个网络设备中每个网络设备接收第一信息。多个网络设备中每个网络设备可将第一信息所指示的模型结构作为第一预测模型的模型结构。nwdaf网元可将第一信息所指示的模型结构作为第二预测模型的模型结构。另外，可选的，第一信息可以包括模型输入参数类型、模型结构类型等。其中，模型输入参数类型为网络设备的空口无线参数类型(例如，mcs、rsrp、sinr等)，那么，多个网络设备中每个网络设备可以确定第一预测模型所需的空口无线参数类型，从而采集这些类型的空口无线参数的具体值。模型结构类型例如可以是线性结构等。
[0089]
在一种可选的实施方式中，该方法还可以包括：网络设备采用不同时段多种物理网络条件下，不同业务流下的空口无线参数，增加数据集的多样性，从而使得确定的qos预测模型具有一定的泛化能力。
[0090]
s102、网络设备在网络仿真器中针对数字孪生网络的网络环境，加载qos预测模型。
[0091]
在一种可选的实施方式中，网络设备在网络仿真器中针对数字孪生网络的网络环境，加载qos预测模型，可以包括：网络设备在网络仿真器中设置数字孪生网络的网络环境；网络设备针对数字孪生网络的多种网络环境中的每种网络环境，加载qos预测模型。也就是说，在网络仿真器中可以基于不同的网络变更条件，对数字孪生网络的网络环境进行多样化设置，从而实现多种网络条件下的qos预测，得到多样化的qos预测结果。
[0092]
例如，针对n个网络设备中的任一个网络设备，以线性模型、空口无线参数为mcs、rsrp、sinr为例，针对数字孪生网络的网络环境的k种情况，加载与带宽对应的qos预测模型，可得到如公式(7)所示的多样化qos预测结果。
[0093][0094]
其中，sk表示网络环境的k种情况，表示多样化的qos预测结果，b1、b2、b3为与带宽对应的qos预测模型所对应的模型参数。
[0095]
在一种可选的实施方式中，该方法还可以包括：网络设备向pcf网元发送数字孪生网络的网络环境所对应的网络参数、针对数字孪生网络的网络环境加载qos预测模型得到
的qos预测结果；pcf网元可基于数字孪生网络的网络环境所对应的网络参数、针对数字孪生网络的网络环境得到的qos预测结果调整物理网络策略。
[0096]
在网络设备在网络仿真器中针对数字孪生网络的多种网络环境中每种网络环境加载了qos预测模型这一场景中，网络设备可以向pcf网元发送数字孪生网络的多种网络环境中每种网络环境所对应的网络参数、针对数字孪生网络的每种网络环境得到的qos预测结果。这样，pcf网元可以从数字孪生网络的多种网络环境中确定与物理网络环境匹配的网络环境，确定网络设备针对数字孪生网络的该种网络环境得到的qos预测结果，从而基于该qos预测结果调整物理网络策略。可见，在网络设备得到了多样化的qos预测结果这一场景下，网络设备可以向pcf网元发送多样化的qos预测结果，pcf网元可结合现实物理网络的未来变更趋势，匹配合适的qos预测结果，提前做出网络策略调整，以面对因网络条件(网络环境)变化而引起通信状态的恶化，从而保证网络的稳定性和业务服务质量。
[0097]
综上所述，该qos预测方法中，网络设备将qos预测模型部署到网络仿真器中，网络仿真器用于构建与物理网络业务流映射的数字孪生网络；网络设备在网络仿真器中针对数字孪生网络的网络环境，加载qos预测模型。可见，该方法在网络仿真器中基于数字孪生网络模拟物理网络环境，通过对数字孪生网络的网络环境进行qos预测实现对物理网络环境的qos预测。该方法有利于实现基于数字孪生网络模拟物理网络环境未来时段的多种变化，得到不同物理网络环境下的业务流对应的多样化qos预测结果；并且，该方法还可以将数字孪生网络的多种网络环境分别对应的网络参数和该多种网络环境中每种网络环境下的qos预测结果反馈给物理网络，从而pcf网元可以结合物理网络环境和/或物理网络环境的未来变更趋势，及时做出策略调整，从而保证端到端业务流的服务质量。
[0098]
下面以n个网络设备(网络设备#1至网络设备#n)和nwdaf网元基于联邦学习确定qos预测模型为例，对本发明提供的qos预测方法进行示例性地阐述。请参见图5，图5是本发明实施例提供的另一种qos预测方法的示意图，该qos预测方法包括以下步骤：
[0099]
s201、nwdaf网元向n个网络设备中每个网络设备发送第一信息，第一信息用于指示模型结构。
[0100]
s202、n个网络设备中每个网络设备根据第一信息采集该网络设备的空口无线参数。
[0101]
s203、n个网络设备中每个网络设备基于该网络设备的空口无线参数进行模型训练，得到第一预测模型。具体地，网络设备#1至网络设备#n分别得到第一预测模型#1至第一预测模型#n。
[0102]
s204、n个网络设备中每个网络设备向nwdaf网元发送第一预测模型对应的模型参数。相应的，nwdaf网元接收来自n个网络设备中每个网络设备的第一预测模型对应的模型参数。具体地，网络设备#1向nwdaf网元发送第一预测模型#1对应的模型参数，网络设备#2向nwdaf网元发送第一预测模型#2对应的模型参数，
…
，网络设备#n向nwdaf网元发送第一预测模型#n对应的模型参数。
[0103]
s205、nwdaf网元基于n个网络设备中每个网络设备的第一预测模型对应的模型参数，确定第二预测模型。具体地，nwdaf网元基于第一预测模型#1至第一预测模型#n分别对应的模型参数，确定第二预测模型。
[0104]
s206、nwdaf网元向n个网络设备中每个网络设备发送第二预测模型对应的模型参
数。相应的，n个网络设备中每个网络设备接收来自nwdaf网元的第二预测模型对应的模型参数。
[0105]
s207、nwdaf网元判断第二预测模型是否收敛。如果nwdaf网元确定第二预测模型收敛，执行步骤s208。如果nwdaf网元确定第二预测模型未收敛，不执行步骤s208。
[0106]
s208、nwdaf网元向n个网络设备中每个网络设备发送第一指示信息，该第一指示信息用于指示网络设备停止更新模型。
[0107]
s209、针对n个网络设备中的每个网络设备，该网络设备判断是否接收到第一指示信息。如果该网络设备未接收到第一指示信息，执行步骤s210。如果该网络设备接收到第一指示信息，执行步骤s211至s215。
[0108]
s210、针对n个网络设备中的每个网络设备，该网络设备基于第二预测模型对应的模型参数和该网络设备的空口无线参数，更新第一预测模型对应的模型参数，并执行步骤s204至s209。
[0109]
其中，在再次执行的步骤s204中，n个网络设备中每个网络设备向nwdaf网元发送的是第一预测模型所对应的更新后的模型参数；在再次执行的步骤s205中，nwdaf网元是基于n个网络设备中每个网络设备的第一预测模型所对应的更新后的模型参数，更新第二预测模型对应的模型参数；在再次执行的步骤s206中，nwdaf网元向n个网络设备中每个网络设备发送的是第二预测模型所对应的更新后的模型参数。
[0110]
具体地，网络设备#1更新第一预测模型#1对应的模型参数，网络设备#2更新第一预测模型#2对应的模型参数，
…
，网络设备#n更新第一预测模型#n对应的模型参数。
[0111]
s211、n个网络设备中的每个网络设备基于第二预测模型对应的模型参数，确定qos预测模型。
[0112]
s212、n个网络设备中的每个网络设备将qos预测模型部署到网络仿真器中，网络仿真器用于构建与物理网络业务流映射的数字孪生网络。
[0113]
s213、n个网络设备中的每个网络设备在网络仿真器中针对数字孪生网络的多种网络环境中每种网络环境，加载qos预测模型。
[0114]
s214、n个网络设备中的每个网络设备向pcf网元发送数字孪生网络的多种网络环境中每种网络环境所对应的网络参数、针对数字孪生网络的多种网络环境中每种网络环境加载qos预测模型得到的qos预测结果。
[0115]
s215、pcf网元针对n个网络设备中每个网络设备，基于来自该网络设备的数字孪生网络的多种网络环境中每种网络环境所对应的网络参数、该网络设备针对数字孪生网络的多种网络环境中每种网络环境得到的qos预测结果调整物理网络策略。
[0116]
可理解地，结合图6，nwdaf网元和n个网络设备可以基于联邦学习确定qos预测模型，n个网络设备中每个网络设备可以在用于构建与物理网络业务流映射的数字孪生网络的网络仿真器中部署qos预测模型，并在网络仿真器中加载qos预测模型，以针对数字孪生网络的网络环境进行qos预测，再将得到的qos预测结果反馈给物理网络中的pcf网元。有利于在保证网络设备的数据隐私安全的同时，实现针对多种网络变更情形进行qos预测，并将数字孪生网络的多种网络环境对应的网络参数和每种网络环境对应的qos预测结果反馈给物理网络，从而pcf网元能够及时做出策略调整，从而保证端到端服务质量。
[0117]
请参见图7，图7是本发明实施例提供的一种qos预测装置的结构示意图，该qos预
测装置可以为网络设备或具有网络设备功能的装置(例如芯片)。具体的，如图7所示，qos预测装置700可以包括部署单元701和预测单元702。其中：
[0118]
部署单元701，用于将qos预测模型部署到网络仿真器中，网络仿真器用于构建与物理网络业务流映射的数字孪生网络。
[0119]
预测单元702，用于在网络仿真器中针对数字孪生网络的网络环境，加载qos预测模型。
[0120]
在一种可选的实施方式中，预测单元702在网络仿真器中针对数字孪生网络的网络环境，加载qos预测模型，具体用于：在网络仿真器中设置数字孪生网络的网络环境；针对数字孪生网络的多种网络环境中的每种网络环境，加载qos预测模型。
[0121]
在一种可选的实施方式中，qos预测模型是qos预测装置700与nwdaf网元基于联邦学习获得的。
[0122]
在一种可选的实施方式中，该qos预测装置700还包括：
[0123]
确定单元703，用于基于网络设备的空口无线参数，确定与qos参数对应的第一预测模型。
[0124]
发送单元704，用于向nwdaf网元发送第一预测模型对应的模型参数。
[0125]
接收单元705，用于接收来自nwdaf网元的第二预测模型对应的模型参数，第二预测模型是nwdaf网元基于来自多个qos预测装置700中每个qos预测装置700的第一预测模型对应的模型参数确定的。
[0126]
确定单元703，还用于：在接收单元705接收到第一指示信息时，基于第二预测模型对应的模型参数确定qos预测模型；第一指示信息用于指示qos预测装置700停止更新模型；在接收单元705未接收到第一指示信息时，基于第二预测模型对应的模型参数和空口无线参数，更新第一预测模型对应的模型参数。
[0127]
发送单元704，还用于在确定单元703更新第一预测模型对应的模型参数之后，向nwdaf网元发送第一预测模型对应的更新后的模型参数。
[0128]
在一种可选的实施方式中，发送单元704，还用于向pcf网元发送数字孪生网络的网络环境对应的网络参数、针对数字孪生网络的网络环境加载qos预测模型得到的qos预测结果；pcf网元用于基于数字孪生网络的网络环境对应的网络参数和qos预测结果调整物理网络策略。
[0129]
有关上述qos预测装置700更详细的描述及其带来的技术效果可参见上述方法实施例中相关描述，在此不再赘述。
[0130]
请参见图8，图8是本发明实施例提供的一种通信装置的结构示意图，该通信装置可以为网络设备或具有网络设备功能的装置(例如芯片)。具体的，如图8所示，该通信装置800可包括处理器801和存储器802。存储器802用于存储计算机程序，计算机程序包括程序指令，处理器801被配置用于调用程序指令，使通信装置800执行前述所述的方法。
[0131]
其中，处理器801可以是中央处理单元(central processing unit，cpu)，该处理器801还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
[0132]
一种方式中，该通信装置800用于执行前述方法实施例中网络设备的功能的情况：
[0133]
处理器801，用于将qos预测模型部署到网络仿真器中，网络仿真器用于构建与物理网络业务流映射的数字孪生网络。
[0134]
处理器801，还用于在网络仿真器中针对数字孪生网络的网络环境，加载qos预测模型。
[0135]
在一种可选的实施方式中，处理器801在网络仿真器中针对数字孪生网络的网络环境，加载qos预测模型，具体用于：在网络仿真器中设置数字孪生网络的网络环境；针对数字孪生网络的多种网络环境中的每种网络环境，加载qos预测模型。
[0136]
在一种可选的实施方式中，qos预测模型是通信装置800与nwdaf网元基于联邦学习获得的。
[0137]
在一种可选的实施方式中，处理器801还用于基于通信装置800的空口无线参数，确定与qos参数对应的第一预测模型。该装置还包括：收发器803，用于向nwdaf网元发送第一预测模型对应的模型参数。收发器803还用于接收来自nwdaf网元的第二预测模型对应的模型参数，第二预测模型是nwdaf网元基于来自多个通信装置800中每个通信装置800的第一预测模型对应的模型参数确定的。
[0138]
处理器801还用于：在收发器803接收到第一指示信息时，基于第二预测模型对应的模型参数确定qos预测模型；第一指示信息用于指示通信装置800停止更新模型；在收发器803未接收到第一指示信息时，基于第二预测模型对应的模型参数和空口无线参数，更新第一预测模型对应的模型参数。
[0139]
收发器803还用于在处理器801更新第一预测模型对应的模型参数之后，向nwdaf网元发送第一预测模型对应的更新后的模型参数。
[0140]
在一种可选的实施方式中，收发器803还用于向pcf网元发送数字孪生网络的网络环境对应的网络参数、针对数字孪生网络的网络环境加载qos预测模型得到的qos预测结果；pcf网元用于基于数字孪生网络的网络环境对应的网络参数和qos预测结果调整物理网络策略。
[0141]
有关上述通信装置800更详细的描述及其带来的技术效果可参见上述方法实施例中相关描述，在此不再赘述。
[0142]
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在处理器上运行时，上述方法实施例的方法流程得以实现。
[0143]
本发明实施例还提供一种计算机程序产品，当所述计算机程序产品在处理器上运行时，上述方法实施例的方法流程得以实现。
[0144]
需要说明的是，以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种服务质量qos预测方法，其特征在于，应用于网络设备，该方法包括：将qos预测模型部署到网络仿真器中，所述网络仿真器用于构建与物理网络业务流映射的数字孪生网络；在网络仿真器中针对数字孪生网络的网络环境，加载qos预测模型。2.根据权利要求1所述的服务质量qos预测方法，其特征在于，在网络仿真器中针对数字孪生网络的网络环境，加载qos预测模型的步骤包括：在网络仿真器中设置数字孪生网络的网络环境；针对数字孪生网络的多种网络环境中的每种网络环境，加载qos预测模型。3.根据权利要求1或2所述的服务质量qos预测方法，其特征在于，所述qos预测模型是网络设备与网络数据分析功能nwdaf网元基于联邦学习获得的。4.根据权利要求3所述的服务质量qos预测方法，其特征在于，该方法还包括：基于网络设备的空口无线参数，确定与qos参数对应的第一预测模型；向nwdaf网元发送第一预测模型对应的模型参数；接收来自nwdaf网元的第二预测模型对应的模型参数，所述第二预测模型是nwdaf网元基于来自多个网络设备中每个网络设备的第一预测模型对应的模型参数进行模型聚合得到的全局模型；如果接收到第一指示信息，基于第二预测模型对应的模型参数确定qos预测模型，所述第一指示信息用于指示网络设备停止更新模型；否则，基于第二预测模型对应的模型参数和空口无线参数，更新第一预测模型对应的模型参数，并向nwdaf网元发送第一预测模型对应的更新后的模型参数，重复执行前述操作直至nwdaf网元确定第二预测模型对应的模型参数收敛，nwdaf网元向多个网络设备发送第一指示信息。5.根据权利要求1或2所述的服务质量qos预测方法，其特征在于，所述方法还包括：向策略控制功能pcf网元发送网络环境对应的网络参数、针对网络环境加载qos预测模型得到的qos预测结果；所述pcf网元用于基于网络环境对应的网络参数以及qos预测结果调整物理网络策略。6.一种服务质量qos预测装置，其特征在于，其包括：部署单元，用于将qos预测模型部署到网络仿真器中，所述网络仿真器用于构建与物理网络业务流映射的数字孪生网络；预测单元，用于在网络仿真器中针对数字孪生网络的网络环境，加载qos预测模型。7.根据权利要求6所述的服务质量qos预测装置，其特征在于，预测单元在网络仿真器中针对所述数字孪生网络的网络环境，加载qos预测模型，具体用于：在网络仿真器中设置数字孪生网络的网络环境；针对数字孪生网络的多种网络环境中的每种网络环境，加载qos预测模型。8.根据权利要求6或7所述的服务质量qos预测装置，其特征在于，qos预测模型是网络设备与网络数据分析功能nwdaf网元基于联邦学习获得的。9.根据权利要求8所述的服务质量qos预测装置，其特征在于，该装置还包括：确定单元，用于基于网络设备的空口无线参数，确定与qos参数对应的第一预测模型；发送单元，用于向nwdaf网元发送第一预测模型对应的模型参数；
接收单元，用于接收来自nwdaf网元的第二预测模型对应的模型参数，所述第二预测模型是nwdaf网元基于来自多个网络设备中每个网络设备的第一预测模型对应的模型参数确定的；所述确定单元，还用于：在所述接收单元接收到第一指示信息时，基于第二预测模型对应的模型参数确定qos预测模型；在接收单元未接收到第一指示信息时，基于第二预测模型对应的模型参数和空口无线参数，更新第一预测模型对应的模型参数；所述第一指示信息用于指示所述装置停止更新模型；所述发送单元，还用于在确定单元更新第一预测模型对应的模型参数之后，向nwdaf网元发送第一预测模型对应的更新后的模型参数。10.根据权利要求6或7所述的服务质量qos预测装置，其特征在于，该装置还包括：所述发送单元，还用于向策略控制功能pcf网元发送所述网络环境对应的网络参数、针对网络环境加载qos预测模型得到的qos预测结果；所述pcf网元用于基于网络环境对应的网络参数以及qos预测结果调整物理网络策略。11.一种通信装置，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，使所述通信装置执行如权利要求1至5中任一项所述的方法。12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机可读指令，当所述计算机可读指令在通信装置上运行时，使得所述通信装置执行权利要求1至5中任一项所述的方法。

技术总结
本发明公开了一种QoS预测方法及装置；本发明基于网络设备将QoS预测模型部署到网络仿真器中，网络仿真器用于构建与物理网络业务流映射的数字孪生网络；网络设备在网络仿真器中针对数字孪生网络的网络环境，加载QoS预测模型。该方法在网络仿真器中基于数字孪生网络模拟物理网络环境，有利于实现基于数字孪生网络模拟物理网络环境的多种变化，得到不同物理网络环境下的业务流对应的多样化QoS预测结果，有利于及时针对各情况的物理网络环境进行策略调整，提高端到端业务流的服务质量。提高端到端业务流的服务质量。提高端到端业务流的服务质量。


技术研发人员：鲁根森 王昕
受保护的技术使用者：复旦大学
技术研发日：2023.07.10
技术公布日：2023/10/15