[发明专利]基于深度学习的网络资源分配方法、系统及介质

权利要求书

1.一种基于深度学习的网络资源分配方法，其特征在于：包括，

获取至少两个设备的设备信息，所述设备信息包括低时延网络需求信息、高流量网络需求信息、多端口网络需求信息中的一种或多种；

根据设备信息以匹配所预设的网络切片模型，所述网络切片模型包括低时延网络切片、高流量网络切片及多端口网络切片；

将与低时延网络切片对应的设备定义为低时延需求型设备，将与高流量网络切片对应的设备定义为高流量需求型设备，将与多端口网络切片对应的设备定义为多端口需求型设备；

根据设备所匹配的网络切片模型及其设备信息输出用于调整网络资源分配情况的操作指令；

针对低时延网络切片，获取各低时延需求型设备的低时延网络需求信息；

依据低时延网络需求信息确定低时延网络切片对应的预设DU模块的初始配置参数后执行测试操作，测试操作包括：

控制当前低时延网络切片对应的预设DU模块应用初始配置参数；

监测各低时延需求型设备在低时延网络切片下的工作状态，并判断其工作状态是否正常，并得到测试结果；

若正常，则指定当前的配置参数为默认配置参数，并控制预设DU模块在运作时采用默认配置参数；

若不正常，则依据预设的调整标准修改当前的配置参数，再次执行监测操作；

针对高流量网络切片，获取高流量需求型设备的流量需求信息；

依据流量需求信息确定高流量网络切片对应的预设CU模块的配置参数；

针对多端口网络切片，依据预设的多种信息传输方式分别生成多个网络接入单元，信息传输方式包括NB-Iot及LoRa；

获取各网络接入单元所连入的设备端口的端口数量；

获取每种信息传输方式应用于单个设备端口所需的资源条件；

依据各个网络接入单元的资源条件及处于启用状态的设备端口的端口数量，生成网络配置参数；

依据网络配置参数更新各网络接入单元的资源配置。

2.根据权利要求1所述的基于深度学习的网络资源分配方法，其特征在于：所述流量需求信息的获取操作包括，

获取各高流量需求型设备的网络使用记录；

依据网络使用记录以分析高流量需求型设备的网络使用状况信息，所述网络使用状况信息包括闲时用网类以及实时用网类；

若网络使用状况信息为闲时用网类，则获取该高流量需求型设备在预设周期内所传输的总数据容量；

依据闲时用网类的所有高流量需求型设备的总数据容量确定其网络使用时段及分配带宽用量；

依据网络使用时段及分配带宽用量生成单位时间的平均带宽用量；

若网络使用状况信息为实时用网类，则获取该高流量需求型设备的带宽占用上限值；

对实时用网类的各高流量需求型设备的带宽占用上限值进行求和计算，生成最高带宽占用量；

依据所述平均带宽用量及所述最高带宽占用量的和值生成流量需求信息。

3.根据权利要求1所述的基于深度学习的网络资源分配方法，其特征在于：在所述获取各网络接入单元所连入的设备端口的端口数量的步骤中，还包括，

获取各端口的状态类型及传输要求，传输要求包括时延要求、数据完整性及传输速度；

判断当前端口的状态类型，所述状态类型包括启用状态以及休眠状态；

若为休眠状态，则暂时关闭端口与网络接入单元的连接；

若为启用状态，则依据端口的传输要求确定该端口所连接的网络接入单元；

确定各网络接入单元所连入的设备端口的端口数量。

4.根据权利要求1所述的基于深度学习的网络资源分配方法，其特征在于：还包括设备更新操作：

响应于对应新增设备的触发信号；

获取设备数据库，设备数据库内记录有设备类型与网络切片模型的对应关系，判断设备数据库是否存在对应新增设备的设备类型；

若是，则确定该设备类型对应的网络切片模型为新增设备的网络切片模型；

若否，则执行设备网络测试操作，确定该新增设备的网络切片模型；

依据上述判断结果输出用于控制对应的网络切片模型连接新增设备的操作指令。