买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：贵州大学

摘要：本发明公开了一种基于意图的网络中应用意图转译装置及转译方法，涉及新一代人工智能领域，包括意愿收集模块、意愿转译模块、知识库和网络虚拟请求接口；意愿收集模块收集业务中应用信息，实现随愿网络IBN中业务意愿的完整表达；意愿转译模块将收集到的业务意愿信息转换为具体的网络虚拟请求，利用机器学习技术来挖掘业务意愿与网络虚拟请求之间的深层次关联规律；网络虚拟请求接口是系统与网络切片之间的桥梁，从网络切片中获取信息并将生成的网络虚拟请求下发到网络；知识库用于存储意愿收集模块及网络虚拟请求接口所收集的数据信息。本发明采用增强型Transformer算法整合语法分析、跨模态映射和语义分析，挖掘用户意图与虚拟网络请求之间的规律。

主权项：1.一种基于意图的网络中应用意图转译方法，其特征在于，包括以下步骤：S1：数据信息采集：通过意愿采集模块收集用户所使用的应用意图数据，通过网络虚拟请求接口收集应用意图所对应的网络切片信息，并将应用意图数据和网络切片信息存储到知识库中；S2：构建意图超图模型：意愿采集模块针对用户业务意愿的多场景、抽象性与网络切片中服务功能链路的动态性，构建意图超图与网络虚拟请求超图模型，并描述意图与网络虚拟请求之间的关联规则；在步骤S2中，具体包括以下步骤：S21：构建意图超图模型，超边集合表示用户意图，意图中的应用场景、应用功能和应用性能表示为超图节点，意图中的依赖性关系用表示，意图超图模型定义为： ；在意图超图模型中，节点与节点之间的依赖性用表示，是无向弧集合，表示不同节点之间的关联强度集合,表示应用功能节点与应用功能节点关联强度；对于超边代表应用意图的完整表达，表示第个超边所包含的节点数量，意图超图表示为： ；S22：网络虚拟请求NVR超图模型定义为： ；其中，表示超图中的网络功能类型节点集合，网络功能的属性用集合；属性包括计算资源和存储资源；超图中的网络功能节点集合表示为： =；其中表示功能数量，超图模型表达为，超边集合描述了基于实际网络设计需求和应用意图确定的网络功能的编排，超边由一组网络功能节点组成，对于第个超边可以表示为：，其中表示超边的索引，表示超边中的网络功能，依赖性关系集合描述网络功能之间的依赖性，元素，在虚拟请求中，网络功能的执行顺序位于另一个网络功能之前，虚拟请求超图模型为： ；S23：在通信网络中，意图超图与网络虚拟请求超图之间的关联规则是双向匹配的过程，通过分析意图超边中的网络需求和网络虚拟请求超边提供的网络服务能力来进行关联，过程定义如下： ；式中，为关联规则函数；S3：依赖关系和拓扑结构表示：通过语法分析，构建一个数值化向量表征模型，数值化向量表征模型通过位置编码函数、注意力函数来识别意图超图序列和虚拟请求超图序列内部的依赖关系，并通过词嵌入技术将这些关系转化为向量表示，保留了词语之间的语法依赖和网络虚拟请求元素之间的拓扑结构；S4：跨模态映射模型构建：基于步骤S3中语法分析构建的数值化向量表征模型，通过跨模态注意力机制学习意图超图元素与虚拟请求超图元素之间的关联规则，生成满足特定业务意愿的网络虚拟请求；在步骤S4中，网络虚拟请求自动生成，跨模态信息映射，确定意图所需要的网络虚拟功能组合；基于语法分析，得到意图与网络虚拟请求各自元素之间的上下文关系表征，将中的元素映射到，引入前馈神经网络FFN和交叉注意力函数对进行处理： ；其中，是的对应关系表征；具体包括以下步骤：S41：采用前馈神经网络FFN，对关系向量进行非线性转换： ；其中，为ReLU激活函数，权重矩阵是可学习参数，为关系向量的非线性表换后的表示；S42：引入交叉注意力函数，将中的元素映射到关系向量： ； ；其中，为通过学习过程调整的权重矩阵；S5：语义分析与功能补充：通过自注意力机制和词嵌入函数学习整体网络虚拟请求超图元素之间的依赖关系来构建语义分析方法，通过跨模态分析生成的网络虚拟请求中缺失的功能，确保整个网络服务能够有效地响应用户的业务需求；S6：下发虚拟请求，将意愿转译模块所生成的网络虚拟请求下发至网络切片管理器中。

全文数据：

权利要求：

百度查询： 贵州大学 一种基于意图的网络中应用意图转译装置及转译方法