CN115484624A - 数据处理方法、架构、电子设备及存储介质 - Google Patents
数据处理方法、架构、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115484624A CN115484624A CN202110668585.4A CN202110668585A CN115484624A CN 115484624 A CN115484624 A CN 115484624A CN 202110668585 A CN202110668585 A CN 202110668585A CN 115484624 A CN115484624 A CN 115484624A
- Authority
- CN
- China
- Prior art keywords
- target
- data
- communication data
- real
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 46
- 238000004891 communication Methods 0.000 claims abstract description 396
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000010219 correlation analysis Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012098 association analyses Methods 0.000 claims abstract description 10
- 238000013499 data model Methods 0.000 claims description 51
- 238000004458 analytical method Methods 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000013480 data collection Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 abstract description 15
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 25
- 238000005457 optimization Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种数据处理方法、架构、电子设备及存储介质，所述方法包括：采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据；基于所述实时通信数据，调整所述目标影响参数的配置值；其中，所述与目标业务指标有关联的目标影响参数是对所述通信系统中的历史通信数据进行关联分析后确定的。本发明通过基于历史通信数据预先进行关联分析，确定每一个业务的业务指标的目标影响参数，在进行通信数据分析处理时，则可以采集目标业务指标的目标影响参数的实时通信数据，可以基于目标业务指标的目标影响参数的实时通信数据，对该目标影响参数的配置值进行调整，保证后续执行目标业务时性能更优，可以有效提高通信网络性能。
Description
技术领域
本发明涉及通信技术领域，尤其涉及一种数据处理方法及、架构、电子设备及存储介质。
背景技术
对无线通信网络运行过程中形成的各类数据进行有效采集、归类、分析及使用，可以最大限度地发掘无线通信网络的服务潜能。
但无线通信系统中，数据分散获取困难，种类繁多，结构复杂，无法全面地对通信中一些指标进行准确地分析，进而无法有效提高通信网络性能。
发明内容
本发明提供一种数据处理方法、架构、电子设备及存储介质，用以解决现有技术中无法有效提高通信网络性能的缺陷，实现有效提高通信网络性能。
本发明提供一种数据处理方法，包括：
采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据；
基于所述实时通信数据，调整所述目标影响参数的配置值；
其中，所述与目标业务指标有关联的目标影响参数是对所述通信系统中的历史通信数据进行关联分析后确定的。
可选地，根据本发明提供的一种数据处理方法，所述方法还包括：
对所述历史通信数据进行关联分析，确定与目标业务指标有关联的目标影响参数；
建立至少一个特征数据集，其中，不同的业务对应不同的特征数据集，所述特征数据集用于存储对应业务的业务指标所关联的影响参数的实时通信数据和历史通信数据。
可选地，根据本发明提供的一种数据处理方法，所述对所述历史通信数据进行关联分析，确定与目标业务指标有关联的目标影响参数，包括：
对所述历史通信数据进行关联分析，确定所述历史通信数据中与所述目标业务指标有关联的历史通信数据对应的初始影响参数；
基于所述初始影响参数的数据特征，筛选出与目标业务指标有关联的目标影响参数。
可选地，根据本发明提供的一种数据处理方法，所述对所述历史通信数据进行关联分析，确定所述历史通信数据中与所述目标业务指标有关联的历史通信数据对应的初始影响参数，包括：
确定所述历史通信数据之间的关联；
基于所述历史通信数据之间的关联，确定所述与所述目标业务指标有关联的历史通信数据；
基于所述与所述目标业务指标有关联的历史通信数据，确定所述初始影响参数。
可选地，根据本发明提供的一种数据处理方法，所述方法还包括：
实时或基于第一周期更新所述与目标业务指标有关联的目标影响参数。
可选地，根据本发明提供的一种数据处理方法，所述基于所述初始影响参数的数据特征，筛选出与目标业务指标有关联的目标影响参数，包括：
基于所述初始影响参数的数据特征，筛选出所述与目标业务指标有关联的目标影响参数，其中，所述与目标业务指标有关联的目标影响参数的数据特征的性能参数值在预设阈值范围内，所述数据特征的性能参数值用于描述以下至少一项：
所述数据特征的提取效率；
所述数据特征的敏感度；
所述数据特征的拟合度。
可选地，根据本发明提供的一种数据处理方法，所述基于所述实时通信数据，调整所述目标影响参数的配置值，包括：
将所述实时通信数据，和所述目标业务对应的数据模型，通过最优解计算，确定所述目标影响参数的配置值的调整策略；
基于所述目标影响参数的配置值的调整策略，调整所述目标业务指标的目标影响参数的配置值；
其中，所述目标业务对应的数据模型是基于所述目标业务对应的历史通信数据样本训练获得的。
可选地，根据本发明提供的一种数据处理方法，所述将所述实时通信数据，和所述目标业务对应的数据模型，通过最优解计算，确定所述目标影响参数的配置值的调整策略，包括：
将所述实时通信数据，和所述目标业务对应的数据模型，输入目标业务对应的最优解计算应用，确定所述目标影响参数的配置值的调整策略。
可选地，根据本发明提供的一种数据处理方法，所述方法还包括：
实时或基于第二周期更新所述目标业务对应的数据模型。
可选地，根据本发明提供的一种数据处理方法，在所述通信系统执行至少2项目标业务的情况下，所述基于所述目标影响参数的配置值的调整策略，调整所述目标业务指标的目标影响参数的配置值，包括：
基于协同算法，对所述至少2项目标业务的至少2项调整策略进行协同，获得目标调整策略；基于所述目标调整策略，调整所述至少2项目标业务的目标业务指标的目标影响参数的配置值。
可选地，根据本发明提供的一种数据处理方法，所述方法还包括：
在所述采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据之后，将所述目标影响参数的实时通信数据存储在基础数据仓库中。
可选地，根据本发明提供的一种数据处理方法，所述将所述目标影响参数的实时通信数据存储在基础数据仓库中，包括：
对所述实时通信数据进行预处理；
将预处理后的实时通信数据和所述实时通信数据的调整属性存储在所述基础数据仓库中，所述调整属性用于表示所述实时通信数据是否可调。
第二方面，本发明还提供一种数据处理架构，包括：
数据采集模块，用于采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据；
策略确定模块，用于基于所述实时通信数据，调整所述目标影响参数的配置值；
其中，所述与目标业务指标有关联的目标影响参数是对所述通信系统中的历史通信数据进行关联分析后确定的。
可选地，根据本发明提供的一种数据处理架构，所述架构还包括：
关联规则分析模块，用于对所述历史通信数据进行关联分析，确定与目标业务指标有关联的目标影响参数；
特征数据集仓库模块，用于建立至少一个特征数据集，其中，不同的业务对应不同的特征数据集，所述特征数据集用于存储对应业务的业务指标所关联的影响参数的实时通信数据和历史通信数据。
可选地，根据本发明提供的一种数据处理架构，所述关联规则分析模块，还用于：
对所述历史通信数据进行关联分析，确定所述历史通信数据中与所述目标业务指标有关联的历史通信数据对应的初始影响参数；
基于所述初始影响参数的数据特征，筛选出与目标业务指标有关联的目标影响参数。
可选地，根据本发明提供的一种数据处理架构，所述关联规则分析模块，还用于：
确定所述历史通信数据之间的关联；
基于所述历史通信数据之间的关联，确定所述与所述目标业务指标有关联的历史通信数据；
基于所述与所述目标业务指标有关联的历史通信数据，确定所述初始影响参数。
可选地，根据本发明提供的一种数据处理架构，所述架构还包括：
第一更新模块，用于实时或基于第一周期更新所述与目标业务指标有关联的目标影响参数。
可选地，根据本发明提供的一种数据处理架构，所述关联规则分析模块，还用于：
基于所述初始影响参数的数据特征，筛选出所述与目标业务指标有关联的目标影响参数，其中，所述与目标业务指标有关联的目标影响参数的数据特征的性能参数值在预设阈值范围内，所述数据特征的性能参数值用于描述以下至少一项：
所述数据特征的提取效率；
所述数据特征的敏感度；
所述数据特征的拟合度。
可选地，根据本发明提供的一种数据处理架构，所述策略确定模块，还用于：
将所述实时通信数据，和所述目标业务对应的数据模型，通过最优解计算，确定所述目标影响参数的配置值的调整策略；
基于所述目标影响参数的配置值的调整策略，调整所述目标业务指标的目标影响参数的配置值；
其中，所述目标业务对应的数据模型是基于所述目标业务对应的历史通信数据样本训练获得的。
可选地，根据本发明提供的一种数据处理架构，所述策略确定模块，还用于：
将所述实时通信数据，和所述目标业务对应的数据模型，输入目标业务对应的最优解计算应用，确定所述目标影响参数的配置值的调整策略。
可选地，根据本发明提供的一种数据处理架构，所述架构还包括：
第二更新模块，用于实时或基于第二周期更新所述目标业务对应的数据模型。
可选地，根据本发明提供的一种数据处理架构，在所述通信系统执行至少2项目标业务的情况下，所述策略确定模块，还用于：
基于协同算法，对所述至少2项目标业务的至少2项调整策略进行协同，获得目标调整策略；基于所述目标调整策略，调整所述至少2项目标业务的目标业务指标的目标影响参数的配置值。
可选地，根据本发明提供的一种数据处理架构，所述架构还包括：
基础数据仓库模块，用于在所述采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据之后，将所述目标影响参数的实时通信数据存储在基础数据仓库中。
可选地，根据本发明提供的一种数据处理架构，所述基础数据仓库模块，还用于：
对所述实时通信数据进行预处理；
将预处理后的实时通信数据和所述实时通信数据的调整属性存储在所述基础数据仓库中，所述调整属性用于表示所述实时通信数据是否可调。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述数据处理方法的步骤。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述数据处理方法的步骤。
本发明提供的数据处理方法、架构、电子设备及存储介质，通过基于历史通信数据预先进行关联分析，确定每一个业务的业务指标的目标影响参数，在进行通信数据分析处理时，则可以仅采集目标业务指标的目标影响参数的实时通信数据，并可以基于实时通信数据了解当前通信系统传输情况，并可以基于目标业务指标的目标影响参数的实时通信数据，对该目标影响参数的配置值进行调整，保证该通信系统后续执行目标业务时目标业务指标的性能更优，可以有效提高通信网络性能。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的数据处理方法的流程示意图之一；
图2是本发明提供的数据处理方法的流程示意图之二；
图3是本发明提供的智能无线通信网络的数据处理架构的示例之一；
图4是本发明提供的智能无线通信网络的数据处理架构的示例之二；
图5是本发明提供的数据处理架构的结构示意图；
图6示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
无线通信从最初的1G发展到目前的5G，以及未来的6G，通信的流量带宽越来越大，功能也越来越强大。一个无线通信网络从使用终端、接入网到核心网涉及许多复杂的数据，有成千上万个数据字段和指标，涉及不同的软硬件、功能、以及协议栈。对无线通信网络运行过程中形成的各类数据进行有效采集、归类、分析及使用，最大发掘无线通信网络的服务潜能，促进无线通信网络技术优势的进一步发挥已成为当前移动通信网络向智能化发展的必经之路。
通信网络，比如5G/B5G网络的网络结构、终端类型、终端行为、数据业务需求、系统资源都具有高动态性、时效性强及相互耦合性等特点，无线数据面临诸多挑战，数据分散获取困难，种类繁多结构复杂，关联复杂挖掘困难等等。有效厘清这些特点与通信网络指标之间的各种关系已成为一个重要课题。网络智能化依赖数据基础，因此亟需建立数据支撑体系，解决数据如何采集、如何开放、如何利用等最基础的问题，促进无线网络智能新技术的发展。
下面结合图1-图5描述本发明的数据处理方法及装置。
图1是本发明提供的数据处理方法的流程示意图之一，如图1所示，该方法包括如下流程：
步骤100，采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据；
步骤110，基于所述实时通信数据，调整所述目标影响参数的配置值；
其中，所述与目标业务指标有关联的目标影响参数是对所述通信系统中的历史通信数据进行关联分析后确定的。
可选地，通信系统可以执行各种各样相同或不同的通信业务，且不同的业务有不同的业务指标(KPI)的要求；比如极高可靠极低时延场景(Ultra-Reliable and Low-Latency Communication，URLLC)业务对时延这一业务指标的要求较高。
可选地，KPI可以根据无线通信的专业知识及各类应用场景需求预先确定，如增强移动宽带(Enhanced Mobile Broadband，eMBB)、大规模机器通信(Massive Machine TypeCommunication，mMTC)、极高可靠极低时延场景(Ultra-Reliable and Low-LatencyCommunication，URLLC)，或用户业务需求，如用户体验质量(Quality of Experience，QoE)；
可选地，不同业务的不同业务指标KPI可以是从原始通信数据中提取的感兴趣的通信网络性能指标，如：吞吐量、丢包率、时延等作为某类特定应用场景的KPI。
可选地，在通信系统中，对业务指标产生影响的参数，可以认为是与该业务指标有关联的影响参数；
可选地，对于通信系统执行的目标业务来说，如果要增强目标业务的处理性能，可以基于目标业务的实时通信数据，进行处理分析后，确定修改目标业务指标的影响参数的配置值，进而实现改善目标业务的处理性能。
可选地，可以首先采集与目标业务指标有关联的目标影响参数的实时通信数据；
可选地，在进行实时通信数据采集时，可以通过各类数据采集设备，获取综合试验网的各类数据，搭建数据采集平台。可以通过各类数据采集设备以及软件，获取综合试验网的各类通信数据，比如可以包括无线空口(终端侧)数据、无线空口(基站侧)数据、核心网数据、网管数据，本发明对此不作限定。
可选地，无线空口(终端侧)和核心网数据可以是通过解码服务器解码，传输到回填服务器回填，最后上传到预处理服务器；网管数据可以是通过统一网管平台直接将网管数据上传至预处理服务器；无线空口(基站侧)数据可以是基于无线云网络平台，将数据发送至解码服务器解码，最后将上传至预处理服务器；经过预处理后获得实时通信数据。
可选地，本发明提供的数据处理方法可以由数据处理架构实现，数据处理架构可以包括数据汇聚单元，其中，数据汇聚单元可以包括数据采集模块；数据采集模块可以用于采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据；
可选地，数据采集模块可以通过硬采、软采、路测等方式获取试验网的各类数据，比如包括无线空口(终端侧)数据、无线空口(基站侧)数据、核心网数据、网管数据等。
可选地，在采集到目标业务指标的影响参数的实时通信数据后，可以基于采集到的实时通信数据，进行分析处理，实现调整所述目标影响参数的配置值，进而实现改善目标业务的处理性能。
可选地，数据处理架构还可以包括AI模型应用单元。其中，AI模型应用单元可以包括策略确定模块，策略确定模块可以用于基于所述实时通信数据，调整所述目标影响参数的配置值。
本发明提出了一种智能无线通信网络的数据处理架构及方法，为通信网络智能提供有效数据支撑。
本发明提供的数据处理方法，通过基于历史通信数据预先进行关联分析，确定每一个业务的业务指标的目标影响参数，在进行通信数据分析处理时，则可以仅采集目标业务指标的目标影响参数的实时通信数据，并可以基于实时通信数据了解当前通信系统传输情况，并可以基于目标业务指标的目标影响参数的实时通信数据，对该目标影响参数的配置值进行调整，保证该通信系统后续执行目标业务时目标业务指标的性能更优，可以有效提高通信网络性能。
可选地，所述方法还包括：
对所述历史通信数据进行关联分析，确定与目标业务指标有关联的目标影响参数；
建立至少一个特征数据集，其中，不同的业务对应不同的特征数据集，所述特征数据集用于存储对应业务的业务指标所关联的影响参数的实时通信数据和历史通信数据。
可选地，若要能在对目标业务进行实时通信数据处理分析，首先需要准确采集到目标业务的目标业务指标(目标KPI)的目标影响参数的实时通信数据，即可以预先确定通信系统中有可能执行的业务的业务指标的影响参数；
可选地，可以在预先确定通信系统中有可能执行的业务的业务指标的影响参数时，基于历史通信数据，确定与目标业务指标有关联的目标影响参数；
可选地，可以对所述历史通信数据进行关联分析，确定与目标业务指标有关联的目标影响参数；
比如目标业务指标为时延，历史通信数据中，时延为a，可以确定历史通信数据中与时延a相关联的通信数据b1，通信数据b2，和通信数据b3；进而可以确定通信数据b1，通信数据b2，和通信数据b3的自身属性即为时延这一KPI的影响参数，比如若确定通信数据b1与时延相关联，而确定通信数据b1用于表示带宽的大小，则可以确定时延这一KPI的影响参数包括带宽；
可选地，数据处理架构还可以包括特征数据集生成单元，其中，特征数据集生成单元可以包括关联规则分析模块，关联规则分析模块可以用于对所述历史通信数据进行关联分析，确定与目标业务指标有关联的目标影响参数；
可选地，特征数据集生成单元可以包括无线网络数据分析模块，无线网络数据分析模块可以是关联规则分析模块的子模块或者是附加模块；无线网络数据分析模块可以基于关联规则分析模块的分析结果(比如节点的量化表示、两两节点间关联度)，对历史通信数据进行进一步地处理、提取特征。
可选地，在确定与目标业务指标有关联的目标影响参数之后，可以建立至少一个特征数据集，其中，不同的业务对应不同的特征数据集，每一类业务对应一个特征数据集，不同类业务对应不同的特征数据集，比如增强移动宽带、大规模机器通信、极高可靠极低时延场景可以各自对应一个特征数据集，共三个特征数据集；
可选地，所述特征数据集用于存储对应业务的业务指标所关联的影响参数的实时通信数据和历史通信数据。
可选地，在生成特征数据集时，可以利用关联规则分析获得数据间的关联关系，对关联分析结果进一步进行无线网络数据分析，生成特征数据集仓库；
可选地，关联分析即关联挖掘，就是在通信数据载体中，查找存在于KPI或通信属性(即影响参数)之间的频繁模式、关联、相关性或因果结构。
可选地，关联规则分析方法可以包括但不限于Apriori算法及其改进，杂凑(Hash)算法及其改进，FP-growth算法及其改进，内生因素知识图谱分析方法及其改进，所有可以实现本发明的通信数据关联的方法均适用于本发明，本发明对此不作限定。
例如，关联规则分析方法可以包括构建具有拓扑结构的无线通信网络性能的知识图谱，进而分析针对目标业务指标和影响参数字段之间的关联规则，输出结果可以为节点的量化表示、两两节点间关联度等；
可选地，关联规则分析模块可以从无线通信网络协议与网络性能两个层面出发，可以采用包括知识表示算法、图卷积神经网络、深度推理算法在内的多种内生因素知识图谱分析方法，实现了对基础数据仓库模块输入数据间隐藏关系的量化与深度挖掘。
可选地，内生因素可以是协议规定的无线通信内部的一些能够体现、影响业务数据流向，网络性能的数据和指标。
可选地，知识图谱可以是多关系图(Multi-relational Graph)；由节点(Vertex)和边(Edge)来构成，通信网络知识图谱的多关系图可以包含多种类型的节点和多种类型的边，可以用于表示通信系统中网络结构、终端类型、终端行为、数据业务需求、以及系统资源之间的相互联系；
可选地，通信网络知识图谱可以是无线通信网络性能知识图谱，可以是预先构建的；该通信网络知识图谱的构建依据可以包括基于通信网络中通过结构化存储的数据，还可以包括网络上抓取的数据。
可选地，特征数据集生成单元可以包括：关联规则分析模块、无线网络数据分析模块、特征数据集仓库模块；
其中，无线网络数据分析模块可以包含特征工程模块。其中，特征工程模块可以利用机器学习等方法基于关联规则分析模块的分析结果(比如提供的关键性节点参数)，对通信数据进行进一步地处理、提取特征。
可选地，特征数据集仓库模块可以基于无线网络数据分析模块的输入构建特征数据集，每个特征数据集包含该特征数据集对应的业务的KPI以及影响参数。
可选地，所述特征数据集中的KPI可以是根据某类应用场景需求或用户业务需求来筛选确定的，同时也是基数数据仓库模块中KPI数据集的子集；
可选地，影响参数是由无线网络数据分析模块得出，影响参数对KPI的影响程度各不相同，同时影响参数可以根据是否可调，可分为可调的影响参数或者不可调的影响参数。影响程度大的可调参数，可以作为AI模式应用单元优化的重点。
可选地，可以结合特定应用场景或用户业务需求生成特定的特征数据集，如用户体验质量(QoE)特征数据集、无线网优特征数据集等，本发明对此不作限定。
可选地，可以利用无线网络数据分析，生成对应的特征数据集。
可选地，所述对所述历史通信数据进行关联分析，确定与目标业务指标有关联的目标影响参数，包括：
对所述历史通信数据进行关联分析，确定所述历史通信数据中与所述目标业务指标有关联的历史通信数据对应的初始影响参数；
基于所述初始影响参数的数据特征，筛选出与目标业务指标有关联的目标影响参数。
可选地，可以首先对所述历史通信数据进行关联分析，确定所述历史通信数据中所有与所述目标业务指标有关联的历史通信数据，进而确定这些所有与所述目标业务指标有关联的历史通信数据的自身属性，即对应的初始影响参数；
可选地，由于通信数据十分分散且通信系统结构复杂，存在在关联分析中将一些对目标KPI并无实质影响的历史通信数据作为目标业务指标有关联的历史通信数据，因此为了保证影响参数确定的准确性，可以对初始影响参数进行筛选；
可选地，可以在获得所有与所述目标业务指标有关联的历史通信数据，确定初始影响参数后，可以基于这些所述初始影响参数的数据特征，筛选出与目标业务指标有关联的目标影响参数。
可选地，无线网络数据分析模块可以首先基于关联规则分析模块的输出结果，即历史通信数据对应的初始影响参数，对初始影响参数进行进一步地处理、提取特征。随后可以利用初始影响参数的数据特征对初始影响参数进行评估，从而对数据进行进一步地过滤，筛选出对应特定KPI且满足要求的初始影响参数，构建特征数据集。比如，特征数据集包含的影响参数可以有：信道质量、调制编码方式、RB资源数、预编码矩阵、基站工参等，本发明对此不作限定。
可选地，所述对所述历史通信数据进行关联分析，确定所述历史通信数据中与所述目标业务指标有关联的历史通信数据对应的初始影响参数，包括：
确定所述历史通信数据之间的关联；
基于所述历史通信数据之间的关联，确定所述与所述目标业务指标有关联的历史通信数据；
基于所述与所述目标业务指标有关联的历史通信数据，确定所述初始影响参数。
可选地，在确定所述历史通信数据之间的关联时，可以对所述历史通信数据进行关联分析，确定所述历史通信数据中与所述目标业务指标有关联的历史通信数据对应的初始影响参数，其中，可以首先选取合适的关联规则分析方法，分析针对目标业务指标和影响参数字段之间的关联规则，输出结果可以为历史通信数据之间的相互关系等。例如，关联规则分析可以利用基于通信网络知识图谱，根据无线通信网络性能指标间的内生因素定义实体、实体之间的关系和三元组，通过三元组构建具有拓扑结构的无线通信网络性能的知识图谱。即，可以利用基于知识图谱图结构的节点稀疏表示算法、余弦相似度计算与节点关联分析模型，深度挖掘知识图谱所包含的图结构信息，实现对知识图谱节点与边连接关系的量化特征表示，完成对节点间关联关系的分析，深度挖掘所述历史通信数据之间的关联，进而获取无线通信网络性能指标间隐藏的关联关系。可选地，可以基于所述历史通信数据之间的关联，确定所述与每一个业务指标有关联的历史通信数据，进而可以直接确定每一个业务指标的初始影响参数。
可选地，所述方法还包括：
实时或基于第一周期更新所述与目标业务指标有关联的目标影响参数。
可选地，在通信系统中，由于在不断产生通信数据，因此历史通信数据也在不断增加，因此，可以基于历史通信数据更新每一个业务指标相关联的影响参数。
可选地，在通信系统中，由于在不断产生通信数据，因此历史通信数据也在不断增加，因此，可以基于历史通信数据更新目标业务指标相关联的目标影响参数。
可选地，可以基于截止更新时刻的所有或者部分历史通信数据，实时更新所述与目标业务指标有关联的目标影响参数；
可选地，可以基于截止更新时刻的所有或者部分历史通信数据，基于第一周期，周期性地更新所述与目标业务指标有关联的目标影响参数；
比如，可以每隔50个小时，更新一次所述与目标业务指标有关联的目标影响参数；
可选地，第一周期的长度可以是预先设置的，或者为一个固定值，或者是用户基于经验值确定的。
可选地，所述基于所述初始影响参数的数据特征，筛选出与目标业务指标有关联的目标影响参数，包括：
基于所述初始影响参数的数据特征，筛选出所述与目标业务指标有关联的目标影响参数，其中，所述与目标业务指标有关联的目标影响参数的数据特征的性能参数值在预设阈值范围内，所述数据特征的性能参数值用于描述以下至少一项：
所述数据特征的提取效率；
所述数据特征的敏感度；
所述数据特征的拟合度。
可选地，无线网络数据分析模块可以首先基于关联规则分析模块的输出结果，即历史通信数据对应的初始影响参数，对初始影响参数进行进一步地处理、提取特征。随后可以利用初始影响参数的数据特征，比如特征提取效率、特征敏感度、拟合度等指标，对初始影响参数进行评估，从而对数据进行进一步地过滤，筛选出对应特定KPI且满足要求的初始影响参数，构建特征数据集。比如，特征数据集包含的影响参数可以有：信道质量、调制编码方式、RB资源数、预编码矩阵、基站工参等，本发明对此不作限定。
其中，无线网络数据分析模块可以包含特征数据集评估模块。特征数据集评估模块可以是关联规则分析模块的子模块或者是附加模块；
可选地，特征数据集评估模块可以用于基于所述初始影响参数的数据特征，筛选出所述与目标业务指标有关联的目标影响参数，其中，所述与目标业务指标有关联的目标影响参数的数据特征的性能参数值在预设阈值范围内，所述数据特征的性能参数值用于描述以下任一项或任意多项：
所述数据特征的提取效率；
所述数据特征的敏感度；
所述数据特征的拟合度。
可选地，特征数据集评估模块可以利用特征提取效率、特征敏感度、拟合度等指标对初始影响参数的数据特征进行评估，从而对初始影响参数的数据特征进行进一步地过滤，筛选出对应特定KPI且满足要求的初始影响参数，构建特征数据集。
可选地，所述基于所述实时通信数据，调整所述目标影响参数的配置值，包括：
将所述实时通信数据，和所述目标业务对应的数据模型，通过最优解计算，确定所述目标影响参数的配置值的调整策略；
基于所述目标影响参数的配置值的调整策略，调整所述目标业务指标的目标影响参数的配置值；
其中，所述目标业务对应的数据模型是基于所述目标业务对应的历史通信数据样本训练获得的。
可选地，可以针对特定的应用场景，建立数据模型(可以称为AI模型)；进而可以选取恰当的最优解计算应用，将数据模型与实时通信数据相结合，输入目标业务对应的最优解计算应用，通过优化迭代，获取最优解作为最佳的影响参数的配置值。
因此，可以首先将基于所述目标业务对应的历史通信数据样本训练获得目标业务对应的数据模型，目标业务对应的数据模型可以用于表示目标业务对应的目标业务指标及各对应的影响参数的函数关系；
可选地，数据处理架构还可以包括AI模型应用单元，其中，AI模型应用单元可以包括模型训练模块，和策略确定模块；
可选地，模型训练模块可以首先接收特征数据集的输入，利用其中的历史通信数据样本进行离线模型训练，获得各业务分别对应的数据模型；
可选地，所述将所述实时通信数据，和所述目标业务对应的数据模型，通过最优解计算，确定所述目标影响参数的配置值的调整策略，包括：
将所述实时通信数据，和所述目标业务对应的数据模型，输入目标业务对应的最优解计算应用，确定所述目标影响参数的配置值的调整策略。
可选地，策略确定模块可以对实时通信数据和数据模型进行最优解计算，获得最优解作为最佳的目标影响参数的配置值，基于该配置值对在线模型参数(即影响参数的配置值)进行调整。
可选地，可以构建目标业务对应的最优解计算应用或者加载第三方应用作为最优解计算应用，进行最优解计算；
可选地，策略确定模块可以将实时通信数据和数据模型输入给目标业务对应的最优解计算应用，获得最优解作为最佳的目标影响参数的配置值，基于该配置值对在线模型参数(即影响参数的配置值)进行调整。
可选地，策略确定模块可以加载第三方应用作为最优解计算应用，如负载均衡、QoE优化、RAN切片，策略确定模块的主要功能可以是利用在线实时监测的网络数据进行各类优化算法的迭代优化、更新数据模型参数，寻求最优解。
可选地，AI模型应用单元可以包括仿真模型验证模块，用于利用仿真模型对数据模型以及最优解计算应用进行验证，并进行修正。
可选地，在进行仿真模型验证时，可以利用仿真环境，建立针对特定应用场景的仿真模型，对建立的AI模型及优化算法进行验证；
可选地，AI模型应用单元还可以包括策略下发模块，策略下发模块可以作为策略确定模块的子模块或附加模块；策略下发模块可以在确定所述目标影响参数的配置值的调整策略后，可以进行策略下发，即可以将调整策略下发给可编程无线网络，实现基于所述目标影响参数的配置值的调整策略，调整所述目标业务指标的目标影响参数的配置值；进而实现对应用场景的目标影响参数进行调节，优化无线通信网络性能，完成分析到智能决策再到反馈的流程闭环。
本发明中，可以选择最优解计算应用求得目标影响参数的最优配置策略，如天馈调优、波束控制的配置策略，然后可以利用特征数据集建立训练数据模型，同时利用在线实时监测的网络数据进行优化算法的迭代优化，更新模型参数，寻求最优解，提高通信网络的业务执行的性能。
可选地，所述方法还包括：
实时或基于第二周期更新所述目标业务对应的数据模型。
可选地，在通信系统中，由于在不断产生通信数据，因此历史通信数据也在不断增加，因此，可以基于历史通信数据更新每一个业务对应的数据模型。
可选地，在通信系统中，由于在不断产生通信数据，因此历史通信数据也在不断增加，因此，可以基于历史通信数据更新目标业务对应的数据模型。
可选地，可以基于截止更新时刻的所有或者部分历史通信数据，实时更新所述目标业务对应的数据模型；
可选地，可以基于截止更新时刻的所有或者部分历史通信数据，基于第一周期，周期性地更新所述目标业务对应的数据模型；
比如，可以每隔60个小时，更新一次所述目标业务对应的数据模型；
可选地，第二周期的长度可以是预先设置的，或者为一个固定值，或者是用户基于经验值确定的。
可选地，根据本发明提供的一种数据处理方法，在所述通信系统执行至少2项目标业务的情况下，所述基于所述目标影响参数的配置值的调整策略，调整所述目标业务指标的目标影响参数的配置值，包括：
基于协同算法，对所述至少2项目标业务的至少2项调整策略进行协同，获得目标调整策略；基于所述目标调整策略，调整所述至少2项目标业务的目标业务指标的目标影响参数的配置值。
可选地，在通信系统为多场景提供服务的情况下，可以基于各个业务最后确定的调整策略，综合调整所述目标业务指标的目标影响参数的配置值；
可选地，AI模型应用单元还可以包括策略协同模块，策略协同模块可以作为策略确定模块的子模块或附加模块；其中，策略协同模块用于：基于协同算法，对所述至少2项目标业务的至少2项调整策略进行协同，获得目标调整策略；基于所述目标调整策略，调整所述至少2项目标业务的目标业务指标的目标影响参数的配置值；
可选地，策略协同模块可以用于无线网络优化或管控的第三方应用如负载均衡、QoE优化、RAN切片等连接并进行信息交互；接收无线网络优化或管控应用的至少两条输出策略，对输出策略进行协同优化处理，包括冲突解决、策略调整等。然后将最终的策略下发无线网络执行。
可选地，在进行策略协同时，可以针对来自不同的最优解计算应用(如负载均衡、QoE优化、RAN切片)一一对应输出的多项策略，基于协同算法，进行协同处理，获取综合的最优化决策策略。
本发明针对不同业务对应的策略进行协同，获得最佳的场景策略，下发试验网执行策略，实现网络闭环控制，提升网络性能。比如，下发的策略包括调整基站工参、混合预编码等，本发明对此不作限定。
可选地，所述方法还包括：
在所述采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据之后，将所述目标影响参数的实时通信数据存储在基础数据仓库中。
可选地，数据汇聚单元还可以包括基础数据仓库模块，用于在所述采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据之后，将所述目标影响参数的实时通信数据存储在基础数据仓库中；
可选地，可以在采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据之后，将所述目标影响参数的实时通信数据存储在基础数据仓库中；
可选地，基础数据仓库模块还可以存储采集到的通信数据的属性，比如可调参数或不可调参数，参数可调表示该参数可以进行优化调整，这可以为优化算法提供参考。
可选地，可以首先对数据进行预处理和业务指标(Key Performance Indicator，KPI)、可调参数、不可调参数的汇总，生成基础数据仓库；
可选地，基础数据仓库模块可以对经过数据预处理模块处理的数据进行存储，并且根据各类应用场景需求(如eMBB、mMTC、URLLC)或用户业务需求(如QoE)确定KPI数据集(如吞吐率、带宽、时延、丢包等)。
可选地，所述将所述目标影响参数的实时通信数据存储在基础数据仓库中，包括：
对所述实时通信数据进行预处理；
将预处理后的实时通信数据和所述实时通信数据的调整属性存储在所述基础数据仓库中，所述调整属性用于表示所述实时通信数据是否可调。
可选地，可以对所述实时通信数据进行预处理，比如去除噪声数据等预处理，并汇总各业务的业务业务指标(KPI)及影响参数，生成以KPI、可调参数和不可调参数构成的基础数据仓库。
可选地，可以结合无线通信知识对各类原始数据的KPI指标进行计算，生成对应的KPI指标数据表。比如KPI为吞吐率、误码率和丢包率，对应的KPI数据集可以为吞吐量数据集，误码率数据集，和丢包率数据集。
可选地，在进行数据预处理时，可以是对采集的无线通信网络原始数据进行脏数据删除、按时间分区、非结构化数据做结构化处理等操作。
可选地，数据汇聚单元还可以包括数据预处理模块，数据预处理模块可以是基础数据仓库模块的子模块或者附加模块，通信数据经过预处理后存储进基础数据仓库中，数据预处理模块可以用于：对所述实时通信数据进行预处理；基础数据仓库模块还可以用于：
将预处理后的实时通信数据和所述实时通信数据的调整属性存储在所述基础数据仓库中，所述调整属性用于表示所述实时通信数据是否可调。
可选地，数据预处理模块是对数据采集模块采集的无线通信网络原始数据进行脏数据删除、按时间分区、非结构化数据做结构化处理等操作。
图2是本发明提供的数据处理方法的流程示意图之二；图3是本发明提供的智能无线通信网络的数据处理架构的示例之一，如图2和图3所示，以图3所提供的架构为例，可以预先基于历史通信数据，进行关联规则分析，获得各个业务的影响参数，生成特征数据集仓库；
可选地，还可以预先对特征数据集中历史通信数据的进行模型训练，获得各个业务指标的数据模型；
在通信数据处理开始时，可以基于预先确定的目标业务的影响参数，基于通过各类数据采集设备，获取综合试验网的目标业务指标关联的影响参数的实时通信数据；
可选地，采集实时通信数据后可以对实时通信数据进行预处理、KPI及可调影响参数汇总，生成基础数据仓库；
可选地，可以基于目标业务的数据模型，将目标业务的数据模型和实时通信数据，通过最优解计算，确定调整策略；
可选地，在有多个业务的情况下，可以将多个业务各自确定的调整策略进行综合，协同处理后，进行策略下发，实现网络调整闭环。
图4是本发明提供的智能无线通信网络的数据处理架构的示例之二；如图4所示，该数据处理架构可以包括数据汇聚单元，特征数据集生成单元，和AI模型应用单元，数据汇聚单元可以包括数据采集模块，基础数据仓库模块，基础数据仓库模块进一步还包括一个附加模块，即数据预处理模块；特征数据集生成单元可以包括关联规则分析模块，和特征数据集仓库模块，关联规则分析模块还可以进一步包括一个附加模块，即无线网络数据分析模块；AI模型应用单元可以包括模型训练模块，策略确定模块和仿真模型验证模块，其中，策略确定模块可以进一步包括两个附加模块，即策略协同模块和策略下发模块；
其中，数据采集模块用于采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据；
基础数据仓库模块用于在所述采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据之后，将所述目标影响参数的实时通信数据存储在基础数据仓库中；
基础数据仓库模块中的数据预处理模块用于对所述实时通信数据进行预处理；
关联规则分析模块用于对所述历史通信数据进行关联分析，确定与目标业务指标有关联的目标影响参数；
关联规则分析模块中的无线网络数据分析模块用于基于关联规则分析模块的分析结果(比如节点的量化表示、两两节点间关联度)，对历史通信数据进行进一步地处理、提取特征。
特征数据集仓库模块用于建立至少一个特征数据集，其中，不同的业务对应不同的特征数据集，所述特征数据集用于存储对应业务的业务指标所关联的影响参数的实时通信数据和历史通信数据。
模型训练模块用于接收特征数据集的输入，利用其中的历史通信数据样本进行离线模型训练，获得各业务分别对应的数据模型；
仿真模型验证模块用于利用仿真模型对数据模型以及最优解计算应用进行验证，并进行修正。
策略确定模块用于基于所述实时通信数据，调整所述目标影响参数的配置值；即策略确定模块可以将实时通信数据和数据模型输入给目标业务对应的最优解计算应用，获得最优解作为最佳的目标影响参数的配置值，基于该配置值对在线模型参数(即影响参数的配置值)进行调整；且策略确定模块可以加载第三方应用作为最优解计算应用，如负载均衡、QoE优化、RAN切片，策略确定模块的主要功能可以是利用在线实时监测的网络数据进行各类优化算法的迭代优化、更新数据模型参数，寻求最优解。
策略确定模块中的策略协同模块，用于基于协同算法，对所述至少2项目标业务的至少2项调整策略进行协同，获得目标调整策略；基于所述目标调整策略，调整所述至少2项目标业务的目标业务指标的目标影响参数的配置值。
策略确定模块中的策略下发模块用于将调整策略下发给可编程无线网络。
可以首先进行实时通信数据的采集，然后可以对实时通信数据进行数据预处理，并存储进基础数据仓库中，然后可以基于目标业务的数据模型，将目标业务的数据模型和实时通信数据，通过最优解计算，确定调整策略，然后可以将多个业务各自确定的调整策略进行综合，协同处理后，进行策略下发，实现网络调整闭环。
本发明提供的数据处理方法，通过基于历史通信数据预先进行关联分析，确定每一个业务的业务指标的目标影响参数，在进行通信数据分析处理时，则可以仅采集目标业务指标的目标影响参数的实时通信数据，并可以基于实时通信数据了解当前通信系统传输情况，并可以基于目标业务指标的目标影响参数的实时通信数据，对该目标影响参数的配置值进行调整，保证该通信系统后续执行目标业务时目标业务指标的性能更优，可以有效提高通信网络性能。
下面对本发明提供的数据处理装置进行描述，下文描述的数据处理装置与上文描述的数据处理方法可相互对应参照。
图5是本发明提供的数据处理架构的结构示意图，如图5所示，该架构包括：数据采集模块510和策略确定模块520；其中：
数据采集模块510用于采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据；
策略确定模块520用于基于所述实时通信数据，调整所述目标影响参数的配置值；
其中，所述与目标业务指标有关联的目标影响参数是对所述通信系统中的历史通信数据进行关联分析后确定的。
可选地，在数据处理架构中，可以通过数据采集模块510采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据；然后通过策略确定模块520基于所述实时通信数据，调整所述目标影响参数的配置值；其中，所述与目标业务指标有关联的目标影响参数是对所述通信系统中的历史通信数据进行关联分析后确定的。
可选地，所述架构还包括：
关联规则分析模块，用于对所述历史通信数据进行关联分析，确定与目标业务指标有关联的目标影响参数；
特征数据集仓库模块，用于建立至少一个特征数据集，其中，不同的业务对应不同的特征数据集，所述特征数据集用于存储对应业务的业务指标所关联的影响参数的实时通信数据和历史通信数据。
可选地，所述关联规则分析模块，还用于：
对所述历史通信数据进行关联分析，确定所述历史通信数据中与所述目标业务指标有关联的历史通信数据对应的初始影响参数；
基于所述初始影响参数的数据特征，筛选出与目标业务指标有关联的目标影响参数。
可选地，所述关联规则分析模块，还用于：
基于通信网络知识图谱，挖掘所述历史通信数据之间的关联；
基于所述历史通信数据之间的关联，确定所述与所述目标业务指标有关联的历史通信数据；
基于所述与所述目标业务指标有关联的历史通信数据，确定所述初始影响参数。
可选地，所述架构还包括：
第一更新模块，用于实时或基于第一周期更新所述与目标业务指标有关联的目标影响参数。
可选地，所述关联规则分析模块，还用于：
基于所述初始影响参数的数据特征，筛选出所述与目标业务指标有关联的目标影响参数，其中，所述与目标业务指标有关联的目标影响参数的数据特征的性能参数值在预设阈值范围内，所述数据特征的性能参数值用于描述以下至少一项：
所述数据特征的提取效率；
所述数据特征的敏感度；
所述数据特征的拟合度。
可选地，所述策略确定模块，还用于：
将所述实时通信数据，和所述目标业务对应的数据模型，通过最优解计算，确定所述目标影响参数的配置值的调整策略；
基于所述目标影响参数的配置值的调整策略，调整所述目标业务指标的目标影响参数的配置值；
其中，所述目标业务对应的数据模型是基于所述目标业务对应的历史通信数据样本训练获得的。
可选地，所述策略确定模块，还用于：
将所述实时通信数据，和所述目标业务对应的数据模型，输入目标业务对应的最优解计算应用，确定所述目标影响参数的配置值的调整策略。
可选地，所述架构还包括：
第二更新模块，用于实时或基于第二周期更新所述目标业务对应的数据模型。
可选地，在所述通信系统执行至少2项目标业务的情况下，所述策略确定模块，还用于：
基于协同算法，对所述至少2项目标业务的至少2项调整策略进行协同，获得目标调整策略；基于所述目标调整策略，调整所述至少2项目标业务的目标业务指标的目标影响参数的配置值。
可选地，所述架构还包括：
基础数据仓库模块，用于在所述采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据之后，将所述目标影响参数的实时通信数据存储在基础数据仓库中。
可选地，所述基础数据仓库模块，还用于：
对所述实时通信数据进行预处理；
将预处理后的实时通信数据和所述实时通信数据的调整属性存储在所述基础数据仓库中，所述调整属性用于表示所述实时通信数据是否可调。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行数据处理方法，该方法包括：
采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据；
基于所述实时通信数据，调整所述目标影响参数的配置值；
其中，所述与目标业务指标有关联的目标影响参数是对所述通信系统中的历史通信数据进行关联分析后确定的。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的数据处理方法，该方法包括：
采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据；
基于所述实时通信数据，调整所述目标影响参数的配置值；
其中，所述与目标业务指标有关联的目标影响参数是对所述通信系统中的历史通信数据进行关联分析后确定的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的数据处理方法，该方法包括：
采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据；
基于所述实时通信数据，调整所述目标影响参数的配置值；
其中，所述与目标业务指标有关联的目标影响参数是对所述通信系统中的历史通信数据进行关联分析后确定的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上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精神和范围。
Claims (26)
1.一种数据处理方法，其特征在于，包括：
采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据；
基于所述实时通信数据，调整所述目标影响参数的配置值；
其中，所述与目标业务指标有关联的目标影响参数是对所述通信系统中的历史通信数据进行关联分析后确定的。
2.根据权利要求1所述的数据处理方法，其特征在于，所述方法还包括：
对所述历史通信数据进行关联分析，确定与目标业务指标有关联的目标影响参数；
建立至少一个特征数据集，其中，不同的业务对应不同的特征数据集，所述特征数据集用于存储对应业务的业务指标所关联的影响参数的实时通信数据和历史通信数据。
3.根据权利要求2所述的数据处理方法，其特征在于，所述对所述历史通信数据进行关联分析，确定与目标业务指标有关联的目标影响参数，包括：
对所述历史通信数据进行关联分析，确定所述历史通信数据中与所述目标业务指标有关联的历史通信数据对应的初始影响参数；
基于所述初始影响参数的数据特征，筛选出与目标业务指标有关联的目标影响参数。
4.根据权利要求3所述的数据处理方法，其特征在于，所述对所述历史通信数据进行关联分析，确定所述历史通信数据中与所述目标业务指标有关联的历史通信数据对应的初始影响参数，包括：
确定所述历史通信数据之间的关联；
基于所述历史通信数据之间的关联，确定所述与所述目标业务指标有关联的历史通信数据；
基于所述与所述目标业务指标有关联的历史通信数据，确定所述初始影响参数。
5.根据权利要求3所述的数据处理方法，其特征在于，所述方法还包括：
实时或基于第一周期更新所述与目标业务指标有关联的目标影响参数。
6.根据权利要求3所述的数据处理方法，其特征在于，所述基于所述初始影响参数的数据特征，筛选出与目标业务指标有关联的目标影响参数，包括：
基于所述初始影响参数的数据特征，筛选出所述与目标业务指标有关联的目标影响参数，其中，所述与目标业务指标有关联的目标影响参数的数据特征的性能参数值在预设阈值范围内，所述数据特征的性能参数值用于描述以下至少一项：
所述数据特征的提取效率；
所述数据特征的敏感度；
所述数据特征的拟合度。
7.根据权利要求2所述的数据处理方法，其特征在于，所述基于所述实时通信数据，调整所述目标影响参数的配置值，包括：
将所述实时通信数据，和所述目标业务对应的数据模型，通过最优解计算，确定所述目标影响参数的配置值的调整策略；
基于所述目标影响参数的配置值的调整策略，调整所述目标业务指标的目标影响参数的配置值；
其中，所述目标业务对应的数据模型是基于所述目标业务对应的历史通信数据样本训练获得的。
8.根据权利要求7所述的数据处理方法，其特征在于，所述将所述实时通信数据，和所述目标业务对应的数据模型，通过最优解计算，确定所述目标影响参数的配置值的调整策略，包括：
将所述实时通信数据，和所述目标业务对应的数据模型，输入目标业务对应的最优解计算应用，确定所述目标影响参数的配置值的调整策略。
9.根据权利要求7所述的数据处理方法，其特征在于，所述方法还包括：
实时或基于第二周期更新所述目标业务对应的数据模型。
10.根据权利要求1所述的数据处理方法，其特征在于，在所述通信系统执行至少2项目标业务的情况下，所述基于所述目标影响参数的配置值的调整策略，调整所述目标业务指标的目标影响参数的配置值，包括：
基于协同算法，对所述至少2项目标业务的至少2项调整策略进行协同，获得目标调整策略；基于所述目标调整策略，调整所述至少2项目标业务的目标业务指标的目标影响参数的配置值。
11.根据权利要求1所述的数据处理方法，其特征在于，所述方法还包括：
在所述采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据之后，将所述目标影响参数的实时通信数据存储在基础数据仓库中。
12.根据权利要求11所述的数据处理方法，其特征在于，所述将所述目标影响参数的实时通信数据存储在基础数据仓库中，包括：
对所述实时通信数据进行预处理；
将预处理后的实时通信数据和所述实时通信数据的调整属性存储在所述基础数据仓库中，所述调整属性用于表示所述实时通信数据是否可调。
13.一种数据处理架构，其特征在于，包括：
数据采集模块，用于采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据；
策略确定模块，用于基于所述实时通信数据，调整所述目标影响参数的配置值；
其中，所述与目标业务指标有关联的目标影响参数是对所述通信系统中的历史通信数据进行关联分析后确定的。
14.根据权利要求13所述的数据处理架构，其特征在于，所述架构还包括：
关联规则分析模块，用于对所述历史通信数据进行关联分析，确定与目标业务指标有关联的目标影响参数；
特征数据集仓库模块，用于建立至少一个特征数据集，其中，不同的业务对应不同的特征数据集，所述特征数据集用于存储对应业务的业务指标所关联的影响参数的实时通信数据和历史通信数据。
15.根据权利要求13所述的数据处理架构，其特征在于，所述关联规则分析模块，还用于：
对所述历史通信数据进行关联分析，确定所述历史通信数据中与所述目标业务指标有关联的历史通信数据对应的初始影响参数；
基于所述初始影响参数的数据特征，筛选出与目标业务指标有关联的目标影响参数。
16.根据权利要求15所述的数据处理架构，其特征在于，所述关联规则分析模块，还用于：
确定所述历史通信数据之间的关联；
基于所述历史通信数据之间的关联，确定所述与所述目标业务指标有关联的历史通信数据；
基于所述与所述目标业务指标有关联的历史通信数据，确定所述初始影响参数。
17.根据权利要求15所述的数据处理架构，其特征在于，所述架构还包括：
第一更新模块，用于实时或基于第一周期更新所述与目标业务指标有关联的目标影响参数。
18.根据权利要求15所述的数据处理架构，其特征在于，所述关联规则分析模块，还用于：
基于所述初始影响参数的数据特征，筛选出所述与目标业务指标有关联的目标影响参数，其中，所述与目标业务指标有关联的目标影响参数的数据特征的性能参数值在预设阈值范围内，所述数据特征的性能参数值用于描述以下至少一项：
所述数据特征的提取效率；
所述数据特征的敏感度；
所述数据特征的拟合度。
19.根据权利要求13所述的数据处理架构，其特征在于，所述策略确定模块，还用于：
将所述实时通信数据，和所述目标业务对应的数据模型，通过最优解计算，确定所述目标影响参数的配置值的调整策略；
基于所述目标影响参数的配置值的调整策略，调整所述目标业务指标的目标影响参数的配置值；
其中，所述目标业务对应的数据模型是基于所述目标业务对应的历史通信数据样本训练获得的。
20.根据权利要求19所述的数据处理架构，其特征在于，所述策略确定模块，还用于：
将所述实时通信数据，和所述目标业务对应的数据模型，输入目标业务对应的最优解计算应用，确定所述目标影响参数的配置值的调整策略。
21.根据权利要求19所述的数据处理架构，其特征在于，所述架构还包括：
第二更新模块，用于实时或基于第二周期更新所述目标业务对应的数据模型。
22.根据权利要求19所述的数据处理架构，其特征在于，在所述通信系统执行至少2项目标业务的情况下，所述策略确定模块，还用于：
基于协同算法，对所述至少2项目标业务的至少2项调整策略进行协同，获得目标调整策略；基于所述目标调整策略，调整所述至少2项目标业务的目标业务指标的目标影响参数的配置值。
23.根据权利要求13所述的数据处理架构，其特征在于，所述架构还包括：
基础数据仓库模块，用于在所述采集通信系统中与目标业务指标有关联的目标影响参数的实时通信数据之后，将所述目标影响参数的实时通信数据存储在基础数据仓库中。
24.根据权利要求23所述的数据处理架构，其特征在于，所述基础数据仓库模块，还用于：
对所述实时通信数据进行预处理；
将预处理后的实时通信数据和所述实时通信数据的调整属性存储在所述基础数据仓库中，所述调整属性用于表示所述实时通信数据是否可调。
25.一种电子设备，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计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至12任一项所述数据处理方法的步骤。
26.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至12任一项所述数据处理方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110668585.4A CN115484624A (zh) | 2021-06-16 | 2021-06-16 | 数据处理方法、架构、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110668585.4A CN115484624A (zh) | 2021-06-16 | 2021-06-16 | 数据处理方法、架构、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115484624A true CN115484624A (zh) | 2022-12-16 |
Family
ID=84420130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110668585.4A Pending CN115484624A (zh) | 2021-06-16 | 2021-06-16 | 数据处理方法、架构、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115484624A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116170379A (zh) * | 2023-04-25 | 2023-05-26 | 腾讯科技（深圳）有限公司 | 一种传输控制方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-06-16 CN CN202110668585.4A patent/CN115484624A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116170379A (zh) * | 2023-04-25 | 2023-05-26 | 腾讯科技（深圳）有限公司 | 一种传输控制方法、装置、设备及计算机可读存储介质 |
| CN116170379B (zh) * | 2023-04-25 | 2023-07-14 | 腾讯科技（深圳）有限公司 | 一种传输控制方法、装置、设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022001918A1 (zh) | 构建预测模型的方法、装置、计算设备和存储介质 | |
| US20240089173A1 (en) | Multi-access edge computing based visibility network | |
| CN110324170B (zh) | 数据分析设备、多模型共决策系统及方法 | |
| CN109787846A (zh) | 一种5g网络服务质量异常监测和预测方法及系统 | |
| US11539590B2 (en) | Detect impact of network maintenance in software defined infrastructure | |
| CN103138981B (zh) | 一种社交网络分析方法和装置 | |
| Medeiros et al. | A survey on data analysis on large-Scale wireless networks: online stream processing, trends, and challenges | |
| CN111431819B (zh) | 一种基于序列化的协议流特征的网络流量分类方法和装置 | |
| CN112396135B (zh) | 一种融合通信网络流量异常检测方法及系统 | |
| CN113379176B (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
| CN112650618B (zh) | 用于备份数据的方法、设备和计算机程序产品 | |
| CN114511131A (zh) | 一种基于机器学习算法的网络安全态势预测方法及系统 | |
| CN115567269A (zh) | 基于联邦学习与深度学习的物联网异常检测方法及系统 | |
| CN114936307A (zh) | 一种范式化图模型构建方法 | |
| CN118312861A (zh) | 一种基于ai云计算的文件导出方法及系统 | |
| CN111866882B (zh) | 一种基于生成对抗网络的移动应用流量生成方法 | |
| CN113453257B (zh) | 无线通信网络性能优化方法及装置 | |
| CN115484624A (zh) | 数据处理方法、架构、电子设备及存储介质 | |
| CN116318907B (zh) | 基于大数据和神经网络分析计算机网络态势的方法及系统 | |
| CN117332407A (zh) | 网络用户行为数据生成方法、系统、存储介质及电子设备 | |
| CN112633559B (zh) | 一种基于动态图卷积神经网络的社交关系预测方法及系统 | |
| CN115563506A (zh) | 一种跨系统异构数据融合表征方法 | |
| CN114726876A (zh) | 一种数据检测方法、装置、设备和存储介质 | |
| CN113411405A (zh) | 针对云计算环境的信息安全处理方法及人工智能服务器 | |
| CN107566187B (zh) | 一种sla违例监测方法、装置和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: No. 9 Mozhou East Road, Nanjing City, Jiangsu Province, 211111 Applicant after: Zijinshan Laboratory Address before: No. 9 Mozhou East Road, Jiangning Economic Development Zone, Jiangning District, Nanjing City, Jiangsu Province Applicant before: Purple Mountain Laboratories Country or region before: China |
|
| CB02 | Change of applicant information |