[发明专利]基于深度学习的网络资源分配方法、系统及介质

说明书

本申请涉及一种基于深度学习的网络资源分配方法、系统及介质，其方法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；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。本申请具有优化网络资源的分配，减少网络资源的浪费的效果。

技术领域

本申请涉及网络资源分配的领域，尤其是涉及一种基于深度学习的网络资源分配方法。

背景技术

自2G、3G网络直到4G网络，其硬件部分一直由BBU、RRU及天线组成，均属于专用的通信设备，网络的升级也主要体现在基带带宽和网络质量的增强。而到了5G网络，虽然还是由核心网、承载网与外接网组成，但无论是软件还是硬件都进行了升级换代，硬件部分进行了重构，转化为了CU、DU及AAU三部分，同时计算模块、储存模块等资源进行了整合，统一进行分配，并通过NFV技术将网络功能虚拟化，并运行于通用硬件设备之上，从而替代专用设备，方便扩容和升级改造。

同时5G网络依赖于SDN技术，即软件定义网络，SDN将网络控制面解耦至通用硬件设备上，并通过软件化集中控制网络资源。应用上述技术，网络切片的概念应运而生，其主要为了实现各类特点的网络业务而设计，目前分为三种，即eMBB、mMTC及URLLC，eMBB可以看成4G网络的增强版，用户端最明显的使用感受就是网速变快了，因此其尤其适用于大容量文件的下载和上传。

而mMTC及URLLC主要应用于物联网，秉承了万物互联的5G理念，其中前者用于对接大规模的数量庞大的工控设备，例如实现成千上万的传感器的数据采集上传。后者用于需要超低时延的实时业务，例如远程医疗、自动驾驶等领域。由于eMBB、mMTC及URLLC针对于不同的业务领域，提出了不同的网络需求，因此需要NFV技术与SDN技术进行网络资源的动态分配。

目前，在物联网领域，工厂生产线的信息化管理设备一般会采用局域网的方式，其依赖于实体线缆的连接以保证数据的高速流通，因此具有高可靠性、低时延的特点，局域网管理方式受限于硬件配置、线缆长度及场地规模等条件，仅适用于本地的设备管理。而部分工厂也会采用广域网网络进行关联，通过dhcp协议为每个设备的端口匹配IP地址，设备通过网络上传或下载数据，从而解决局域网无法远程管理的缺陷。

针对上述中的相关技术，发明人认为不同的设备对于时延、带宽及端口数量的要求不同，因此广域网的配置参数需要满足所有设备的各项要求，例如某一设备有低于0.5ms的时延要求，则整片网络需要采用低于0.5ms的高质量网络，从而导致网络资源浪费的缺陷。

发明内容

第一方面，为了优化网络资源的分配，减少网络资源的浪费，本申请提供一种基于深度学习的网络资源分配方法。

本申请提供的一种基于深度学习的网络资源分配方法，采用如下的技术方案：

一种基于深度学习的网络资源分配方法，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。