本發(fā)明涉及一種意圖驅(qū)動的自智網(wǎng)絡按需服務方法和系統(tǒng)，涉及信息通信網(wǎng)絡領域。

背景技術：

1、在6g網(wǎng)絡的宏偉愿景中，滿足高度靈活和多樣化的業(yè)務需求與應用場景，已成為未來無線網(wǎng)絡演進的必然要求。隨著網(wǎng)絡智能化的發(fā)展，自智網(wǎng)絡這一概念應運而生。自智網(wǎng)絡利用人工智能、機器學習和自動化技術，實現(xiàn)了“自我配置、自我優(yōu)化、自我修復和自我保護”的能力。它能夠在無需人為干預的情況下，動態(tài)調(diào)整和優(yōu)化網(wǎng)絡運營，以適應不斷變化的需求和條件。此外，自智網(wǎng)絡還引入了“意圖”這一概念，意圖是用戶或系統(tǒng)在高層次上表達的目標、需求或期望的抽象形式。通過解析意圖，自智網(wǎng)絡能夠高效地調(diào)控網(wǎng)絡運作，從而顯著提升網(wǎng)絡的效率、可靠性和響應速度，同時降低運營成本和復雜性。

2、然而，要實現(xiàn)這一目標，關鍵在于實現(xiàn)自智網(wǎng)絡中的意圖轉(zhuǎn)譯功能。意圖轉(zhuǎn)譯是將用戶或業(yè)務高層次的目標解析為具體技術實現(xiàn)的過程。通過意圖轉(zhuǎn)譯，抽象的意圖可以轉(zhuǎn)化為實際的網(wǎng)絡配置和操作，從而有效調(diào)控網(wǎng)絡資源，滿足多樣化的業(yè)務需求?，F(xiàn)有的方案一般是通過訓練深度學習模型，將意圖需求輸入模型進行轉(zhuǎn)譯，生成網(wǎng)絡配置策略，結(jié)合資源分配算法對策略進行優(yōu)化并下發(fā)執(zhí)行。

3、由于過去自然語言處理技術的局限性，意圖轉(zhuǎn)譯往往不夠準確，尤其在從語義層面根據(jù)用戶意圖生成配置命令方面存在明顯不足，通常只能將意圖映射到固定的轉(zhuǎn)譯模板中。這一問題直接限制了自智網(wǎng)絡的應用。傳統(tǒng)的深度學習模型通常缺乏理解和生成長文本的能力，僅能完成實體提取和模板匹配等較為簡單的任務。這種限制導致無法滿足自智網(wǎng)絡對細粒度意圖理解、配置生成和資源分配的要求。

4、在意圖轉(zhuǎn)譯過程中，網(wǎng)絡設備的手冊也未被有效利用，導致配置命令中的參數(shù)及其相應取值之間的復雜關系可能會出現(xiàn)錯誤結(jié)果，例如網(wǎng)絡資源狀態(tài)與手冊中指定的取值范圍不符。此外，在意圖轉(zhuǎn)譯生成的配置命令過程中，對資源的調(diào)度必須同時兼顧底層網(wǎng)絡的狀態(tài)和用戶需求。具體而言，一方面需要確保所下發(fā)的命令能夠在當前網(wǎng)絡條件下安全執(zhí)行，另一方面也要盡可能滿足用戶的意圖需求，避免所分配的資源與預期偏差過大，從而實現(xiàn)網(wǎng)絡收益的最大化。

5、現(xiàn)有專利cn202410586617.x(申請名稱：一種基于意圖的網(wǎng)絡中應用意圖轉(zhuǎn)譯裝置及轉(zhuǎn)譯方法，申請人：貴州大學，申請日：2024.05.13)公開了一種基于意圖的網(wǎng)絡中應用意圖轉(zhuǎn)譯裝置及轉(zhuǎn)譯方法，涉及新一代人工智能領域，包括意愿收集模塊、意愿轉(zhuǎn)譯模塊、知識庫和網(wǎng)絡虛擬請求接口；意愿收集模塊收集業(yè)務中應用信息，實現(xiàn)隨愿網(wǎng)絡ibn中業(yè)務意愿的完整表達；意愿轉(zhuǎn)譯模塊將收集到的業(yè)務意愿信息轉(zhuǎn)換為具體的網(wǎng)絡虛擬請求，利用機器學習技術來挖掘業(yè)務意愿與網(wǎng)絡虛擬請求之間的深層次關聯(lián)規(guī)律；網(wǎng)絡虛擬請求接口是系統(tǒng)與網(wǎng)絡切片之間的橋梁，從網(wǎng)絡切片中獲取信息并將生成的網(wǎng)絡虛擬請求下發(fā)到網(wǎng)絡；知識庫用于存儲意愿收集模塊及網(wǎng)絡虛擬請求接口所收集的數(shù)據(jù)信息。具體而言，該技術方案收集網(wǎng)絡中用戶的應用意圖數(shù)據(jù)，并利用增強型transformer算法對這些數(shù)據(jù)進行訓練，通過這種增強型transformer算法，可以深入挖掘用戶意圖與網(wǎng)絡虛擬請求之間的潛在規(guī)律，隨后，將用戶的意圖轉(zhuǎn)化為具體的網(wǎng)絡虛擬請求，并從網(wǎng)絡切片管理器中獲取該請求對應的切片信息，以填充網(wǎng)絡虛擬請求，最終，生成的網(wǎng)絡虛擬請求將被下發(fā)至網(wǎng)絡進行實際執(zhí)行。該技術方案一方面通過transformer算法將意圖匹配為固定模板的網(wǎng)絡虛擬請求，未能在語義層面真正理解用戶意圖，因而無法動態(tài)生成能夠滿足用戶需求的配置命令，也無法保障生成的網(wǎng)絡虛擬請求符合所下發(fā)的網(wǎng)絡設備；另一方面，只從網(wǎng)絡切片中獲取信息填充請求作為資源分配的結(jié)果，沒有充分考慮底層網(wǎng)絡的實時狀態(tài)，因而也無法確保意圖需求的最大程度滿足。

6、因此，如何從語義層面將用戶意圖準確轉(zhuǎn)譯為配置命令，從而動態(tài)生成滿足用戶需求的配置命令，并確定命令的合理性和可執(zhí)行性，已成為技術人員重點關注的技術問題。

技術實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的是提供一種意圖驅(qū)動的自智網(wǎng)絡按需服務方法和系統(tǒng)，能從語義層面將用戶意圖準確轉(zhuǎn)譯為配置命令，從而動態(tài)生成滿足用戶需求的配置命令，并確定命令的合理性和可執(zhí)行性。

2、為了達到上述目的，本發(fā)明提供了一種意圖驅(qū)動的自智網(wǎng)絡按需服務方法，包括有：

3、步驟一、采集輸入的用戶意圖，用戶意圖是以自然語言表達的配置請求或者業(yè)務需求；

4、步驟二、根據(jù)用戶意圖，生成配置生成大模型，然后由配置生成大模型將用戶意圖轉(zhuǎn)譯并輸出未填充參數(shù)的配置命令模板序列，其中，配置命令模板序列包含有語義級參數(shù)和指標級參數(shù)；

5、步驟三、獲取用戶意圖、配置命令模板序列中每個語義級參數(shù)的網(wǎng)絡配置文檔，然后將用戶意圖、配置命令模板序列、用戶意圖和所有語義級參數(shù)的網(wǎng)絡配置文檔輸入配置生成大模型，配置生成大模型對配置命令模板序列進行修正，并對所有語義級參數(shù)填充取值，最后輸出語義級參數(shù)填充后的配置命令模板序列；

6、步驟四、設定若干服務質(zhì)量指標，由配置生成大模型根據(jù)用戶意圖生成服務質(zhì)量指標權(quán)重矩陣，然后為每個服務質(zhì)量指標分別構(gòu)建、并訓練一個專家模型，由每個專家模型計算配置命令模板序列中的每個指標級參數(shù)在各自對應的服務質(zhì)量指標下的資源分配權(quán)重向量，最后根據(jù)服務質(zhì)量指標權(quán)重矩陣和每個專家模型的資源分配權(quán)重向量，確定每個指標級參數(shù)的取值，并填充至配置命令模板序列中；

7、步驟五、將配置命令模板序列逐條輸出至網(wǎng)絡設備中執(zhí)行。

8、為了達到上述目的，本發(fā)明還提供了一種意圖驅(qū)動的自智網(wǎng)絡按需服務系統(tǒng)，包括有：

9、意圖輸入裝置，采集輸入的用戶意圖，用戶意圖是以自然語言表達的配置請求或者業(yè)務需求；

10、意圖轉(zhuǎn)譯裝置，根據(jù)用戶意圖生成配置生成大模型，并由配置生成大模型將用戶意圖轉(zhuǎn)譯成未填充參數(shù)的配置命令模板序列，配置命令模板序列包含有語義級參數(shù)和指標級參數(shù)，然后獲取用戶意圖、配置命令模板序列中每個語義級參數(shù)的網(wǎng)絡配置文檔，將用戶意圖、配置命令模板序列、用戶意圖和所有語義級參數(shù)的網(wǎng)絡配置文檔輸入配置生成大模型，由配置生成大模型對配置命令模板序列進行修正，并對所有語義級參數(shù)填充取值，從而獲得語義級參數(shù)填充后的配置命令模板序列；

11、資源編排裝置，設定若干服務質(zhì)量指標，并由配置生成大模型根據(jù)用戶意圖生成服務質(zhì)量指標權(quán)重矩陣，然后為每個服務質(zhì)量指標分別構(gòu)建、訓練一個專家模型，由每個專家模型計算配置命令模板序列中的每個指標級參數(shù)在各自對應的服務質(zhì)量指標下的資源分配權(quán)重向量，最后根據(jù)服務質(zhì)量指標權(quán)重矩陣和每個專家模型的資源分配權(quán)重向量，確定每個指標級參數(shù)的取值，并填充至配置命令模板序列中；

12、網(wǎng)絡狀態(tài)感知裝置，運行在網(wǎng)絡控制器內(nèi)部，實時采集網(wǎng)絡數(shù)據(jù)；

13、配置執(zhí)行裝置，將填充完語義級參數(shù)和指標級參數(shù)的配置命令模板序列逐條輸出至網(wǎng)絡設備中執(zhí)行。

14、為了達到上述目的，本發(fā)明還提供了一種計算設備，包括：

15、存儲器和處理器；

16、所述存儲器用于存儲計算機可執(zhí)行指令，所述處理器用于執(zhí)行所述計算機可執(zhí)行指令，該計算機可執(zhí)行指令被處理器執(zhí)行時實現(xiàn)所述意圖驅(qū)動的自智網(wǎng)絡按需服務方法的步驟。

17、為了達到上述目的，本發(fā)明還提供了一種計算機可讀存儲介質(zhì)，其存儲有計算機可執(zhí)行指令，該計算機可執(zhí)行指令被處理器執(zhí)行時實現(xiàn)所述意圖驅(qū)動的自智網(wǎng)絡按需服務方法的步驟。

18、與現(xiàn)有技術相比，本發(fā)明的有益效果是：本發(fā)明充分利用網(wǎng)絡設備手冊，對大模型進行全參數(shù)微調(diào)，使其適配網(wǎng)絡設備手冊的數(shù)據(jù)，從而生成配置生成大模型，配置生成大模型能夠根據(jù)用戶意圖自動生成配置命令模板序列，從語義層面將用戶意圖準確轉(zhuǎn)譯為配置命令，并確保命令的合理性和可執(zhí)行性，實現(xiàn)了意圖轉(zhuǎn)換與資源分配的有機結(jié)合，顯著提升了自智網(wǎng)絡的自動化和智能化水平；本發(fā)明還結(jié)合外部知識庫(例如設備手冊、用戶示例等)，充分利用網(wǎng)絡設備手冊等配置信息，對不合理的模板序列進行修正，并為配置命令模板序列中的語義級參數(shù)填充合適的數(shù)值，從而減小由于大模型幻覺問題導致的影響，確保生成的配置命令高效且可執(zhí)行，能夠快速響應用戶需求；本發(fā)明還設計了一種基于大模型的混合專家模型方法，通過預訓練的混合專家模型，結(jié)合大模型及實時網(wǎng)絡狀態(tài)，從多個服務質(zhì)量角度(如丟包率、時延)對意圖執(zhí)行所需的資源進行編排，進行網(wǎng)絡資源的分配(如帶寬、cpu資源)，從而輔助確定配置命令模板序列中指標級參數(shù)的合適取值，實現(xiàn)網(wǎng)絡資源的高效編排，不僅在語義層面上使生成的配置命令更加符合用戶需求，提高用戶滿意度，還確保了整體網(wǎng)絡資源的高效利用，有效簡化了網(wǎng)絡管理流程，提高了管理效率，充分保證了用戶意圖與配置命令在功能需求上的一致性。