网络优化方法、服务器、网络侧设备、系统和存储介质与流程

本申请涉及通信技术领域，具体涉及一种网络优化方法、服务器、网络侧设备、系统和存储介质。

背景技术：

当前正在部署第五代无线通信网络(the5thgenerationwirelesssystemsnetwork)，并且有望在未来发展超过5g(beyond5g，b5g)网络。

在对网络进行优化时，还没有如何对通信网络配置人工智能(artificialintelligence，ai)功能，从而基于ai进行网络智能优化流程的网络智能化方案。

技术实现要素：

本申请提供用于网络优化方法、服务器、网络侧设备、系统和存储介质。

第一方面，本申请实施例提供一种网络优化方法，包括：根据预先获取的网络需要满足的策略信息，确定网络侧测量控制信息；发送会话建立请求至指定的网络侧设备，以请求指定的网络侧设备根据网络侧测量控制信息进行测量配置和对连接于指定的网络侧设备的终端设备进行测量配置；接收指定的网络侧设备的测量报告和终端设备的测量报告；基于所接收测量报告中的测量数据和策略信息，进行针对网络优化的机器学习，得到网络优化操作指令，网络优化操作指令用于指示指定的网络侧设备和终端设备根据网络优化操作指令进行网络优化。

第二方面，本申请实施例提供一种网络优化方法，包括：响应于接收到来自预定服务器的会话建立请求，根据会话建立请求中的网络侧测量控制信息进行测量配置和对连接于指定的网络侧设备的终端设备进行测量配置；将测量得到的当前网络侧设备的测量报告和接收到的终端设备的测量报告，发送至预定服务器，当前网络侧设备的测量报告和终端设备的测量报告在预定服务器中，被用于进行针对网络优化的机器学习。

第三方面，本申请实施例提供一种服务器，包括：测量控制信息确定模块，用于根据预先获取的网络需要满足的策略信息，确定网络侧测量控制信息；测量配置请求模块，用于发送会话建立请求至指定的网络侧设备，以请求指定的网络侧设备根据网络侧测量控制信息进行测量配置和对连接于指定的网络侧设备的终端设备进行测量配置；测量报告接收模块，用于接收指定的网络侧设备的测量报告和终端设备的测量报告；机器学习模块，用于基于所接收测量报告中的测量数据和策略信息，进行针对网络优化的机器学习，得到网络优化操作指令，网络优化操作指令用于指示指定的网络侧设备和终端设备根据网络优化操作指令进行网络优化。

第四方面，本申请实施例提供一种网络侧设备，包括：测量配置模块，用于响应于接收到来自预定服务器的会话建立请求，根据会话建立请求中的网络侧测量控制信息进行测量配置和对连接于指定的网络侧设备的终端设备进行测量配置；测量报告发送模块，用于将测量的得到当前网络侧设备的测量报告和接收到的终端设备的测量报告，发送至预定服务器，当前网络侧设备的测量报告和终端设备的测量报告在预定服务器中，被用于进行针对网络优化的机器学习。

第五方面，本申请实施例提供一种服务器，包括：一个或多个第一处理器；存储器，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本申请实施例中的上述第一方面的网络优化方法。

第六方面，本申请实施例提供一种网络侧设备，包括：一个或多个第二处理器；存储器，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本申请实施例中的上述第二方面的网络优化方法。

第七方面，本申请实施例提供一种网络侧设备，网络优化系统，包括：服务器，服务器用于执行上述第一方面的网络优化方法；一个或多个网络侧设备，网络侧设备用于执行上述第二方面的网络优化方法。

第八方面，本申请实施例提供了一种存储介质，存储介质存储有计算机程序，计算机程序被处理器执行时实现本申请实施例中的任意任一方面的网络优化方法。

根据本申请实施例中的网络优化方法、服务器、网络侧设备、系统和存储介质，可以基于预先获取的网络需要满足的策略信息，确定网络侧测量控制信息，并请求网络侧设备根据网络侧测量控制信息进行测量配置和对终端侧测量进行测量配置，并根据接收的无线网络侧和终端侧测量的测量数据用于机器学习模型训练，得到网络优化操作，从而在网络系统中通过人工智能和机器学习对采集的数据进行深度分析，为运营商网络优化提供了新的优化方式和网络智能优化流程。

根据本申请实施例中的网络优化方法、服务器、网络侧设备、系统和存储介质，可以根据接收到的网络侧测量控制信息进行测量配置并对连接的终端设备进行测量配置，并将执行测量得到测量报告和接收的终端侧设备的测量报告至预定服务器，网络侧设备的测量报告和终端设备的测量报告在ai服务器中被用于进行针对网络优化的机器学习，使得网络侧设备和终端设备设备所采集的数据能够在人工智能和机器学习中被深度分析，为运营商网络优化提供新的优化方式和网络智能优化流程。

关于本申请的以上实施例和其他方面以及其实现方式，在附图说明、具体实施方式和权利要求中提供更多说明。

附图说明

图1示出本申请一实施例的网络优化方法的流程示意图。

图2示出根据本申请另一实施例的网络优化方法的流程图。

图3示出一实施例的网络优化方法的流程时序示意图。

图4示出另一实施例的网络优化方法的流程时序示意图。

图5示出一个实施例的服务器与网络侧设备之间建立通信接口的流程示意图。

图6示出一个实施例的建立预定服务器与用户设备相关的数据通道的流程示意图。

图7示出本发明一实施例提供的一种服务器的结构示意图。

图8示出本发明一实施例提供的一种网络侧设备的结构示意图。

图9示出本发明一实施例提供的网络优化系统的结构示意图。

图10是示出能够实现根据本发明实施例的计算设备的示例性硬件架构的结构图

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，下文中将结合附图对本申请的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

在本申请实施例中，5g网络在性能和灵活性上带来根本性改变的同时,网络运营的复杂度也在显著提高，运营商急需自动化和智能化手段降低网络部署和运维成本，提升网络性能和用户体验。lte和5g中自组织网络技术自组织网络(self-organizednetwork，son)和最小化驱动测试(minimizationofdrivetests，mdt)对网络优化有很大作用，但并没有实现灵活的智能化网络的目标，5g网络面临着诸多网络关键业绩指标(keyperformanceindicator，kpi)指标的联合优化问题的挑战。这些指标例如包括时延，可靠性，连接数密度，用户体验等。

传统的网络优化方法日渐呈现出反应周期长，易出错，成本高等问题。无线接入网(remoteasynchronousnode，ran)节点设备和终端设备中的测量量，一方面可以用于网管系统监测网络kpi，也可以协助网络厂商优化无线资源管理，但是ai功能所在的网元如何收集这些测量量也没有解决方案。本申请实施例提供一种网络优化方案，通过人工智能/机器学习通过深度分析采集的数据，为运营商网络优化提供了新的网络优化方法，实现在现有网络架构中支持基于ai的网络智能优化流程。

图1示出本申请一实施例的网络优化方法的流程示意图。在一个实施例中，本申请实施例中的网络优化方法可以应用于ai服务器，如图1所示，该网络优化方法包括以下步骤。

s110，根据预先获取的网络需要满足的策略信息，确定网络侧测量控制信息。

s120，发送会话建立请求至指定的网络侧设备，以请求指定的网络侧设备根据网络侧测量控制信息进行测量配置和对连接于指定的网络侧设备的终端设备进行测量配置。

s130，接收指定的网络侧设备的测量报告和终端设备的测量报告。

s140，基于所接收测量报告中的测量数据和策略信息，进行针对网络优化的机器学习，得到网络优化操作指令，网络优化操作指令用于指示指定的网络侧设备和终端设备根据网络优化操作指令进行网络优化。

根据本申请实施例的网络优化方法，ai服务器可以根据网络需要满足的策略信息，对无线网络侧和终端侧测量进行测量配置，并接收无线网络侧和终端侧测量的测量数据，将接收的测量数据用于机器学习模型训练，得到网络优化操作，从而在网络系统中通过人工智能和机器学习对采集的数据进行深度分析，为运营商网络优化提供了新的优化方式和可以支持基于ai的网络智能优化流程。

在本申请实施例的描述中，网络侧设备例如可以是5g网络或超过5g(b5g)网络中的ran节点设备。作为示例，ran节点设备包括但不限于是基站。

在一个实施例中，在步骤s110之前，方法还包括：s01，获取预先配置的网络需要满足的策略信息；或者，s02，响应于接收到的激活消息，激活机器学习功能，并获取激活消息中携带的网络需要满足的策略信息。

在该实施例中，网络需要满足的策略信息可以预先直接配置在ai服务器，也可以从接收到的来自网络管理维护系统(operationadministrationandmaintenance，oam)或者核心网的激活消息中获取，网络需要满足的策略信息较为灵活，可以根据实际需要进行设定。

示例性地，接收到的激活消息中可以包含指示机器学习功能是否激活的指示，根据该指示激活或关闭机器学习功能，在机器学习功能激活后，获取该消息中携带的网络侧需要满足的策略信息(policyinformation)。

在一个实施例中，策略信息可以包含对象标识信息和通信质量指标信息。

在该实施例中，上述步骤s110，可以包括以下步骤s111和s112。

s111，根据对象标识信息所标识的实体，确定需要执行测量的网络侧设备，作为指定的网络侧设备。

在一个实施例中，网络需要满足的策略信息包含以下一项或者多项对象标识信息：一个或者多个终端设备标识(userequipmentidentity，ueid)，一个或者多个服务质量业务流标识(qosflowidentity，qfi)标识，一个或者多个小区标识，一个或者多个网络切片标识，一个或者多个公有网络标识(publiclandmobilenetwork，plmnidentity)，一个或者多个私有网络标识，一个或者多个基站标识，以及一个或者多个跟踪区域标识(trackingareacodeidentity，tacid)。

在该实施例中，若对象标识信息所标识的实体为一个或者多个终端设备，则需要执行测量的网络侧设备可以是所标识的终端设备所连接的网络侧设备；若对象标识信息所标识的实体为一个或者多个服务质量业务流、一个或者多个小区、一个或者多个网络切片、一个或者多个公有网络，以及一个或者多个私有网络中的至少一种，则需要执行测量的网络侧设备可以是所标识的实体通信范围内所涉及的网络侧设备。

在该实施例中，需要执行测量的网络侧设备也可以根据实际机器学习的要求灵活选定，本申请实施例不做具体限定。

s112，根据通信质量指标信息所指示的实体所需达到的通信质量，确定指定的网络侧设备需要配置的测量量和测量上报方式，作为网络侧测量控制信息。

在一个实施例中，通信质量指标信息，可以用以指示对应对象标识信息所标识的实体所需达到的通信质量。示例性地，通信质量指标信息可以包括以下指标项中的一项或者多项：网络节能指标、网络kpi、业务服务质量指标(qualityofservice)、用户体验质量指标(qualityofexperience，qoe)、业务感知质量指标(keyqualityindicators，kqi)和业务分流指标(trafficsteeringpreferences)。

示例性地，网络节能指标例如可以包括：节能效率，节省能耗百分比指标，节省能耗值中的一项或多项。

作为示例，网络kpi例如可以包括：切换成功率，掉话率，接入成功率，用户吞吐率，小区吞吐率，小区负荷，网络负荷，无线资源利用率，网络覆盖率中的一项或多项。

作为示例，业务服务质量指标例如可以包括：业务保证速率，业务最大/最小速率，业务时延，业务优先级，时延抖动，丢包率中的一项或多项。

作为示例，用户体验质量指标例如可以包括：衡量通信系统语音质量的平均意见值(meanopinionscore，mos)，流媒体打开缓存时间，流媒体重新缓存时间，流媒体重新缓存次数中的一项或多项。

通过上述步骤s111-s112，ai服务器可以根据预先获取的网络需要满足的策略信息，指示网络侧设备进行测量配置和对终端设备进行配置。

在本申请施例的描述中，网络管理维护系统可以简称为网管系统，核心网例如可以是第五代移动通信技术核心网(the5thgenerationwirelesssystemscorenetwork)5gc，或超过5g的通信网络的核心网。

在一个实施例中，当前服务器的部署位置包括在网络侧设备外部和在网络侧设备内部；s120具体可以包括以下步骤。

s121，若当前服务器的部署位置在网络侧设备外部，则发送会话建立请求消息至指定的网络侧设备，会话建立请求消息中包括网络侧测量控制信息。

s122，若当前服务器的部署位置在网络侧设备内部，则根据网络侧测量控制信息对当前服务器所在的网络侧设备进行测量配置，并发送会话建立请求消息至指定的网络侧设备，会话建立请求消息中包括网络侧测量控制信息。

在该实施例中，若ai服务器的部署位置在网络侧设备内部，则部署ai服务器的网络侧设备，也需要根据网络侧测量控制信息进行测量配置。而ai服务器的部署位置在外部，则ai服务器可以通过发送机器学习会话建立请求消息(machinelearningsessionsetuprequest)或会话建立请求消息至网络侧设备，以指示网络侧设备根据网络侧测量控制信息进行测量配置和对连接于指定的网络侧设备的终端设备进行测量配置。

在一个实施例中，会话建立请求中携带机器学习会话标识和网络侧测量控制信息，其中，每个机器学习会话标识用于唯一标识一个机器学习进程，网络侧测量控制信息用于针对唯一标识的机器学习进程，指示需要采集的测量量和测量上报方式。

在另一个实施例中，会话建立请求中携带网络侧测量控制信息，其中，所携带的网络侧测量控制信息，用于针对全部机器学习进程，指示需要采集的测量量和测量上报方式。

也就是说，会话建立请求中携带网络侧测量控制信息。可选地，也可以携带机器学习会话标识(machinelearningsessionid)。其中，机器学习会话标识可用来唯一标志一个机器学习进程，如果会话建立请求中不包含机器学习会话标识，表明会话建立请求中的测量控制信息是针对所有的ml进程。

在本申请实施例中，机器学习进程可以用于表示会话建立请求中携带的网络侧测量控制信息所对应的机器学习。示例性地，机器学习进程可以根据不同的优化指标来确定，例如针对不同通信质量指标而设置不同的优化指标，不同的优化指标对应不同的机器学习进程；或者，机器学习进程可以由机器学习类型来确定，机器学习类型包括但不限于是监督学习、非监督学习、强化学习、深度学习、迁移学习中的任一种；或者，机器学习进程可以由机器学习模型来确定，机器学习模型包括但不限于是：卷积神经网络、循环神经网络、长短期记忆网络、支持矢量机、自回归移动平均模型、决策树中的任一种。

在一个实施例中，在上述步骤s120之后，方法还包括：响应于接收到的会话建立响应消息，确定指定的网络侧设备和终端设备均测量配置成功。

在该实施例中，如果对网络侧设备的测量配置和对终端设备的测量配置都配置成功，则网络侧设备可以向ai服务器发送会话建立响应消息，其中，会话建立响应消息中携带会话建立成功指示；或者，可以携带会话建立成功指示和学习会话标识(mlsessionid)。

在一个实施例中，如果对网络侧设备的测量配置失败或者对终端设备的测量配置失败，则网络侧设备向ai服务器发送机器学习会话建立响应消息，其中消息中携带会话建立失败指示。会话建立响应消息中可以携带会话标识，ai在接收到失败指示重新发送会话建立请求。

在一个实施例中，会话建立请求、会话建立响应消息和所接收的测量报告中，包括对应的机器学习会话标识，机器学习会话标识用于唯一标识机器学习进程。

在一个实施例中，步骤s130可以包括如下步骤。

s131，接收指定的网络侧设备的测量报告和由指定的网络侧设备发送的终端设备的测量报告。

在该实施例中，ai服务器并不直接与终端设备连接，终端设备将测量报告上报到网络侧设备后，网络侧设备将终端设备的测量报告，ai服务器可以与网络侧设备之间的通讯接口，得到终端设备的测量报告。

在一个实施例中，所接收测量报告中的测量数据，包含所采集的测量量和机器学习会话标识，其中，机器学习会话标识用于唯一标识机器学习进程。

在该实施例中，网络侧设备向ai服务器发送测量报告消息，以及终端设备发送的测量报告消息中可以携带测量量；或者，可以同时携带测量量和会话标识。

在一个实施例中，在步骤s140之后，方法还包括：发送网络操作请求消息至指定的网络侧设备，网络操作请求消息中包含网络优化操作指令和对应的操作参数。

在该实施例中，ai服务器可以通过网络操作请求消息(actionrequest)，通知网络侧设备执行相关优化操作(action)，其中，优化操作action可以是一项或者多项操作指示和对应操作所需的参数，例如包括但不限于是：ue切换指示，关闭/打开小区指示，无线资源激活/去激活指示，功率调整指示，rrm参数重配置指示，分流操作指示，协议层参数重配置指示等。

在一个实施例中，当前服务器是通过预定接口与指定的网络侧设备进行通讯的，在步骤s120之前，方法还包括如下步骤。

s11，若当前服务器的部署位置在网络侧设备外部，则响应于接收到的控制面接口建立请求消息，建立当前服务器与指定的网络侧设备之间的控制面接口，作为预定接口；

s12，若当前服务器的部署位置在网络侧设备内部，则获取当前服务器所在的网络侧设备与指定的网络侧设备之间已有的通讯传输接口，作为预定接口。

在该实施例中，可以根据当前服务器的部署位置，在对网络侧设备和终端设备进行测量配置之前，预先确定ai服务器与网络侧设备之间的通讯接口。

当ai服务器的部署位置在指定的网络侧设备外部，ai服务器可以响应于网络侧设备的接口建立请求，建立与网络侧设备之间的控制面接口；而当ai服务器的部署位置在指定的网络侧设备内部，则可以直接使用网络侧设备之间已有的通讯传输接口进行通讯，无需额外建立ai服务器与网络侧设备之间的通讯接口，节省网络资源。该网络侧设备之间的接口。作为示例，5g网络侧设备(例如基站)之间可以通过核心网进行连接，基站和核心网之间可以依靠光纤传输来进行通讯。作为示例，5g网络侧设备还可以通过有线连接、无线连接、无线中继等方式连接，在本申请实施例中不做具体限定。

在一个实施例中，控制面接口建立请求消息中包括如下信息项的一项或多项：指定的网络侧设备所支持的测量、指定的网络侧设备所支持的上报方式、指定的网络侧设备所支持的网络优化操作和指定的网络侧设备的数据面通道地址。

在一个实施例中，ai服务器向指定的网络侧测量设备发送会话建立请求时，可以根据指定的网络侧设备所支持的测量和指定的网络侧设备所支持的上报方式，得到网络侧测量控制信息，使得对网络侧设备的测量配置更有针对性，网络侧设备的测量根据所支持的测量和指定的网络侧设备所支持的上报方式进行测量配置，能够提高测量配置的处理效率和准确度。

在一个实施例中，ai服务器发送网络操作请求消息至指定的网络侧设备，网络操作请求消息中可以包含网络侧测量设备能够支持的网络优化操作指令和对应的操作参数，从而提高指定网络优化操作指令的效率和准确率。

在一个实施例中，在步骤s11之后，方法还包括：s21，发送控制面接口建立响应消息至指定的网络侧设备，以指示控制面接口建立成功；s22，若控制面接口建立请求消息中包括指定的网络侧设备的数据面通道地址，则在发送控制面接口建立响应消息至指定的网络侧设备时，在控制面接口建立响应消息中携带当前服务器的数据面通道地址。

在该实施例中，如果ai服务器接收的接口建立请求中携带了网络侧设备的数据面通道地址，则可以在接口建立响应消息中携带ai服务器侧的数据面通道地址，以用于建立与指定的网络侧设备之间的数据面通道。

在本申请实施例中，ai服务器和网络侧设备之间可以在控制面通道上传输机器学习所需的控制类消息，该控制层面数据例如可以包括：网络侧测量配置信息、发送会话建立请求、接收会话建立响应、发送网络操作请求、接收网络操作响应等，也可以用于接收网络侧设备的测量数据、终端设备的测量数据等。

为了提高数据传输效率，以及在终端设备的测量数据的数据量较大时，不影响ai服务器和网络侧设备之间控制面通道中对控制类消息的传输，可以在ai服务器和网络侧设备之间，建立数据面通道，使用数据面通道上传输机器学习所需数据。

应理解，较大数据量的数据可以在数据面通道上传输，比如基站的测量数据。但是，本实施例中建立的数据面通道不限于传输来自指定终端设备的测量数据。

根据本申请实施例提供的网络优化方法，ai服务器可以配置并接收的无线网络侧的测量数据和终端侧测量的测量数据，进行机器学习模型训练，得到网络优化操作，从而通过人工智能和机器学习对采集的数据进行深度分析，使用智能化的网络优化方法，为运营商网络优化提供了新的优化方式和可以支持基于ai的网络智能优化流程。

图2示出根据本申请另一实施例的网络优化方法的流程图。在一个实施例中，该网络优化方法应用于网络侧设备，如图2所示，该网络优化方法可以包括如下步骤。

s210，响应于接收到来自预定服务器的会话建立请求，根据会话建立请求中的网络侧测量控制信息进行测量配置和对连接于指定的网络侧设备的终端设备进行测量配置。

s220，将测量得到的当前网络侧设备的测量报告和接收到的终端设备的测量报告，发送至预定服务器，当前网络侧设备的测量报告和终端设备的测量报告在预定服务器中，被用于进行针对网络优化的机器学习。

根据本申请实施例的网络优化方法，网络侧设备可以根据接收到的网络侧测量控制信息进行测量配置并对连接的终端设备进行测量配置，并将执行测量得到测量报告和接收的终端侧设备的测量报告至预定服务器，网络侧设备的测量报告和终端设备的测量报告在ai服务器中被用于进行针对网络优化的机器学习，使得网络侧设备和终端设备设备所采集的数据能够在人工智能和机器学习中被深度分析，为运营商网络优化提供新的优化方式和网络智能优化流程。

在一个实施例中，s210具体可以包括如下步骤。

s211，响应于会话建立请求，根据网络侧测量控制信息进行测量配置，网络侧测量控制信息用于指示当前网络侧设备需要配置的测量量和测量上报方式；

s212，根据网络侧测量控制信息，确定连接于当前网络侧设备的终端设备需要配置的测量量和测量上报方式，作为终端侧测量控制信息；

s213，向终端设备发送第一无线资源控制消息，以指示终端设备根据终端侧测量控制信息进行测量配置。

在该实施例中，网络侧设备可以根据来自ai服务器的会话建立请求携带的网络侧测量控制信息进行网络侧的测量配置，并指示所连接的终端设备进行终端侧的测量配置。

在一个实施例中，若当前网络侧设备测量配置成功，且接收到终端设备的测量配置响应消息，则向预定服务器发送会话建立响应消息，以向预定服务器反馈当前网络侧设备和终端设备均测量配置成功。

在一个实施例中，接收到的会话建立请求、会话建立响应消息、以及发送至预定服务器的测量报告中包括对应的机器学习会话标识，机器学习会话标识用于唯一标识机器学习进程。

在一个实施例中，网络侧优化方法还包括：s240，接收并执行来自预定服务器的网络优化操作指令；s241，若网络优化操作指令涉及终端设备，则确定网络优化操作指令中与终端设备相关的操作；s242，发送第二无线资源控制消息至终端设备，以指示终端设备执行相关的操作。

通过步骤s240和s242，网络侧设备执行接收到的网络优化操作指令，若网络优化操作指令涉及终端设备，则将网络优化操作指令发送至所涉及的终端设备，从而在网络侧和终端侧执行与优化操作，实现根据网络优化操作指令进行网络优化。

在一个实施例中，当前网络侧设备是通过预定接口与预定服务器进行通讯的，则步骤s210之前，该方法还可以包括如下步骤。

s31，若预定服务器的部署位置在当前网络侧设备外部，则根据预先获取的预定服务器的地址，向预定服务器发送控制面接口建立请求消息，以请求预定服务器建立当前网络侧设备与预定服务器之间的控制面接口，作为预定接口.

s41，若预定服务器的部署位置在当前网络侧设备内部，则获取当前网络侧设备与预定服务器所在的网络侧设备之间已有的通讯传输接口，作为预定接口。

通过上述步骤s31和s41，可以实现当前网络侧设备和预定服务器之间控制面板接口通信接口的建立。

在一个实施例中，控制面接口建立请求消息中包括如下信息项的一项或多项：当前网络侧设备所支持的测量、当前网络侧设备所支持的上报方式、当前网络侧设备所支持的网络优化操作和当前网络侧设备的数据面通道地址。

在该实施例中，控制面接口建立请求消息可以用于请求预定服务器，根据当前网络侧设备所支持的测量和当前网络侧设备所支持的上报方式，发送当前网络侧设备能够支持的网络侧测量配置信息，从而能够提高网络侧测量配置的成功率和处理效率。

在该实施例中，控制面接口建立请求消息还可以用于请求预定服务器，根据当前网络侧设备所支持的网络优化操作，发送当前网络侧设备能够支持的网络优化操作指令，以根据接收到的能够支持的网络优化操作指令进行网络优化，提高了网络侧测量执行网络优化操作指令的数据处理性能。

在一个实施例中，网络优化方法还包括：s250，响应于接收到的控制面接口建立响应消息，确定当前网络侧设备与预定服务器之间的控制面接口建立成功；其中，若控制面接口建立请求消息中包括当前网络侧设备的数据面通道地址，则接收到的控制面接口建立响应消息中包括预定服务器的数据面通道地址。

在该实施例中，网络侧设备可以根据接收到的ai服务器的地址，发送接口建立请求，以用于请求建立本网络侧设备与ai服务器之间的控制面接口，接口建立请求中可以携带以下一项或者多项：网络侧设备所支持的测量；网络侧设备所支持侧量的上报方式；网络侧设备所支持的ran优化操作；网络侧设备的数据面通道地址。

当接口建立请求中携带网络侧设备的数据面通道地址时，响应于接口建立响应中携带的ai服务器的数据面通道地址，建立本网络侧设备与ai服务器之间的数据面接口。以根据需要，利用控制面接口和/或数据面接口，在本网络侧设备与ai服务器之间进行数据传输。

根据本申请实施例的网络优化方法，网络侧设备可以在ai服务器的控制下，对本网络侧设备和终端设备进行测量配置，并可以将本网络侧设备执行测量得到的测量数据和接收的终端设备进行测量得到的测量数据，发送至ai服务器，以用于在ai服务器进行针对网络优化的机器学习，从而接收并执行机器学习得到的网络优化操作指令以进行网络优化。

为了更好地理解本申请，下面通过图3和图4，详细描述本申请实施例的网络优化方法。图3示出一实施例的网络优化方法的流程时序示意图。如图3所示，ai服务器布置在网络侧设备外部，该网络优化方法可以包括如下步骤。

s301，网管系统或者核心网通过和ai服务器的接口发送激活消息。

在该步骤中，oam或者5gc发送激活消息，用以指示ai服务器激活或使用机器学习功能。其中消息中包含指示ml功能是否激活的指示；消息中包含指示ran网络侧需要满足的策略信息。

s302，ai服务器发送机器学习会话建立请求消息给ran节点设备，用于配置某个机器学习会话所需要的无线侧测量数据。

在该步骤中，机器学习会话建立请求消息可以包含机器学习会话id，以用于唯一标志某个ml进程的id，测量控制信息用以指示ran节点设备需要测量的测量量和测量上报方式。如果机器学习会话建立请求消息中不包含会话id，表明请求消息中的测量控制是针对所有的ml进程。

s303，ran节点设备根据接收消息中的测量控制信息，配置ran节点设备需要进行的测量以及上报方式。

s304，ran节点设备根据接收消息中的测量控制信息，配置终端侧的测量控制信息，通过rrc建立/重配置消息，携带ue侧测量控制信息，发送给连接在本ran节点设备上的一个或者多个ue，指示ue做哪些测量以及如何上报。

s305，如果ran节点设备测量和ue侧测量都配置成功，则ran节点设备向ai服务器发送机器学习会话建立响应消息，其中消息中携带成功指示，消息中可选的携带机器学习会话id(mlsessionid)。如果ran节点设备测量或者ue侧测量配置失败，则ran节点设备向ai服务器发送机器学习会话建立响应消息，其中消息中携带失败指示，消息中可选的携带机器学习会话id(mlsessionid)。

s306，如果ran节点设备测量和ue侧测量都配置成功，ran节点设备和ue都按照指定的测量配置进行相关测量。

s307-01，ran节点设备向ai服务器发送测量报告。

s307-02，ran节点设备发送接收到的来自终端的测量报告。

在该步骤中，测量报告消息中可以携带测量量，或者，可以携带测量量和测量所属的机器学习会话id。

s308，ai服务器根据测量数据以及所配置的策略信息，选择合适的ml算法进行模型训练以及模型预测以及模型更新，并得出优化所需的ran操作。

s308，ai服务器通过ran操作请求消息，以通知ran节点执行相关优化操作。

s310，ran节点设备执行ran操作请求消息中的相关优化操作。

s311，ran节点设备发送rrc重配置消息或者rrc释放消息给连接在本ran节点设备的ue，通知ue执行相关操作。

通过该实施例中的网络优化方法，ai服务器的机器学习功能被激活后，对ran节点设备进行测量配置，并通过ran节点设备对连接于ran节点设备的终端设备进行测量配置，ran节点设备和终端设备执行测量，并将测量报告发送至ai服务器；ai服务器根据测量数据以及所配置的策略信息，选择合适的ml算法进行模型训练以及模型预测以及模型更新，得到并发送优化所需的ran操作，从而通过优化所需的ran操作进行网络优化。

图4示出另一实施例的网络优化方法的流程时序示意图。如图4所示，ai服务器布置在网络侧设备内部，该网络优化方法可以包括如下步骤。

s401，网管系统或者核心网通过和ai服务器的接口发送激活消息。

s402，ai服务器配置本ran节点设备1所需要的测量。

s403，ran节点设备1配置终端设备侧的测量控制信息。

在该步骤中，ran节点设备1通过rrc建立/重配置消息，携带终端设备侧测量控制信息，发送给连接在ran节点设备1上的一个或者多个终端设备，指示终端设备做哪些测量以及如何上报。

s404，ai服务器发送机器学习会话建立请求消息消息给ran节点设备2，用于配置某个机器学习会话所需要的无线侧测量数据。

s405，ran节点设备2根据接收消息中的测量控制信息，配置ran节点设备2需要测量的测量量以及测量上报方式。

s406，ran节点设备2根据接收消息中的测量控制信息，配置终端设备侧的测量控制信息。

在该步骤中，ran节点设备2可以通过rrc建立/重配置消息，携带终端设备侧测量控制信息，发送给连接在本基站上的一个或者多个终端设备，指示终端设备做哪些测量以及如何上报。

s407，如果ran节点设备2侧测量和终端设备侧测量都配置成功，则基站向ran节点设备1发送机器学习会话建立响应消息。

其中，消息中携带成功指示，消息中可选的携带机器学习会话id(机器学习sessionid)。如果ran节点设备2侧测量或者终端设备侧测量配置失败，则ran节点设备2向ran节点设备1发送机器学习会话建立响应消息，其中消息中携带失败指示，消息中可选的携带机器学习会话id(机器学习sessionid)。

s408，如果ran节点设备2侧测量和终端设备侧测量都配置成功，ran节点设备2和终端设备都按照指定的测量配置进行相关测量。同时ran节点设备1也按ai服务器配置的测量执行相关测量。

s409，ran节点设备1接收测量报告。

该步骤中，测量报告可能是连接在ran节点设备1上的终端设备直接发送给ran节点设备1的(对应步骤s409-02)，测量报告可能是ran节点设备2上所作的测量并发送给ran节点设备1(对应步骤s409-01)，测量报告可能是连接在ran节点设备2上的终端设备发送给ran节点设备2并被ran节点设备2转发给ran节点设备1的(对应步骤s409-03)。

s410，ai服务器根据测量数据以及所配置的策略信息，选择合适的机器学习算法进行模型训练以及模型预测以及模型更新，并得出优化所需的ran操作。

s411，ai服务器通知本ran节点设备1节点执行相关优化操作。

s412，ran节点设备1执行ai服务器指定的相关优化操作。

在该步骤中，如果相关优化操作涉及到一个或者多个终端设备,ran节点设备1发送rrc重配置消息或者rrc释放消息给连接在本基站的终端设备，通知终端设备执行相关操作。

s413，ran节点设备1通过ran操作请求消息，通知ran节点设备2执行相关优化操作。

其中，该优化操作可以是一项或者多项操作指示和对应操作所需的参数，如终端设备切换指示，关闭/打开小区指示,无线资源激活/去激活指示，功率调整指示，rrm参数重配置指示，分流操作指示，协议层参数重配置指示等等)。

s414，ran节点设备2执行ran操作请求消息中的相关优化操作。

s415，ran节点设备发送rrc重配置消息或者rrc释放消息，至连接在本ran节点设备的ue，通知ue执行相关操作。

在该步骤中，如果相关优化操作涉及到一个或者多个终端设备,ran节点设备2发送rrc重配置消息或者rrc释放消息给连接在本基站的终端设备，通知终端设备执行相关操作。

通过上述内容可知，图4中的网络优化方法和图3中的网络优化方法基本相同，不同之处在于：部署了ai服务器的ran节点设备本身也需要进行测量配置、执行测量；当部署了ai服务器的基站本身需要执行ran优化操作时，如果相关优化操作涉及到一个或者多个终端设备,ai服务器所在的ran节点设备，可以发送rrc重配置消息或者rrc释放消息给连接在本ran节点的终端设备，以指示连接在本ran节点的终端设备执行指定的优化操作。

在本申请实施例中，部署了ai服务器的基站可以通过和另一个基站的接口，发送ml会话建立请求和接收ml会话响应消息，用于请求相邻的基站参与ran优化操作，无需额外建立ai服务器与网络侧设备之间的通讯接口，节省网络资源。

图5示出一个实施例的ai服务器与ran节点设备之间建立通信接口的流程示意图。如图5所示，在一个实施例中，该接口建立过程可以包括如下步骤。

s501，当ai服务器部署在ran节点外部，网管通过配置消息，或者直接配置ai服务器的地址给基站。

在一些实施例中，如果ai服务器部署在ran节点内部，则无需执行步骤s501。

s502，基站根据配置的ai服务器的地址，发送通信接口建立请求。

在该步骤中，若将ai服务器和ran节点之间的接口称为是ai接口，ran节点向ai服务器的地址发送ai接口建立请求消息，用于建立ai接口。

在一个实施例中，通信接口建立请求中可以包括：网络侧设备(例如基站)所支持的测量；网络侧设备所支持侧量的上报方式；网络侧设备所支持的ran优化操作。

在一个实施例中，通信接口建立请求中还可以包括：网络侧设备的数据面通道地址。

s503，ai服务器向基站发送接口建立响应消息，用于指示接口是否建立成功。

在该步骤中，如果s502中，ai服务器接收的通信接口建立请求中携带了网络侧设备的数据面通道地址，则可以在接口建立响应消息中携带ai服务器侧的数据面通道地址。

通过上述步骤s501到s503，可以建立ai服务器用于ran节点的控制面接口，控制面接口可以用于传输控制消息，也可以用于传输机器学习所需的数据，如测量数据等。

s504，根据ai服务器配置的数据面通道地址以及基站侧的数据面通道地址，建立数据面通道。

在本申请实施中，网络侧设备和ai服务器之间可以在数据面通道上传输机器学习所需数据，例如一些较大数据量的数据可以在数据面通道上传输，比如来自基站的测量数据，以缓解控制面接口对应通信通道的数据传输压力，提高数据传输效率。本实施例中建立的数据面通道不限于传输指定用户的数据。

图6示出一个实施例的建立ai服务器与用户设备相关的数据通道的流程示意图。如图6所示，在一个实施例中，该接口建立过程可以包括如下步骤。

s601，获取ai服务器和ran节点设备(例如基站)之间已建立的a1控制面接口。

其中，ai服务器可以部署在ran节点外部，或者，ai服务器可以部署在某个ran节点内部。

s602，ai服务器或者ai服务器所在的基站，向相邻基站发送通道建立请求消息。

作为示例，通道建立请求消息例如可以是终端设备文本建立请求消息(ueaicontextsetuprequest)，并携带ai服务器侧的数据面通道地址和终端设备标识(ueid)。

s603，基站向ai服务器或者ai服务器所在的基站，发送通道建立响应消息。

作为示例，通道建立响应消息例如可以是终端设备文本建立响应消息(ueaicontextsetupresponse)，并携带基站侧的数据面通道地址。

s604，根据ai服务器配置的数据面通道地址以及基站侧的数据面通道地址，建立ueid指定和特定用户相关的数据面通道。

在该示例中，ran节点和ai服务器之间可以在数据面通道上传输和特定用户相关的ml所需数据，通常一些较大数据量的数据可以在数据面通道上传输，比如该用户的测量数据。

在本申请实施例中，ran节点设备和ai服务器之间可以在数据面通道上传输机器学习所需数据，例如一些较大数据量的数据可以在数据面通道上传输，比如来自基站的测量数据，以缓解控制面接口对应通信通道的数据传输压力，提高数据传输效率。本实施例中建立的数据面通道不限于传输指定用户的数据。

下面结合附图，详细介绍根据本发明实施例的一种服务器。图7示出本发明一实施例提供的一种服务器的结构示意图。在一个实施例中，该服务器可能是具有ai功能的服务器，简称ai服务器，如图7所示，该服务器可以包括如下模块。

测量控制信息确定710，用于根据预先获取的网络需要满足的策略信息，确定网络侧测量控制信息。

测量配置请求模块720，用于发送会话建立请求至指定的网络侧设备，以请求指定的网络侧设备根据网络侧测量控制信息进行测量配置和对连接于指定的网络侧设备的终端设备进行测量配置。

测量报告接收模块730，接收指定的网络侧设备的测量报告和终端设备的测量报告

机器学习模块740，用于基于所接收测量报告中的测量数据和策略信息，进行针对网络优化的机器学习，得到网络优化操作指令，网络优化操作指令用于指示指定的网络侧设备和终端设备根据网络优化操作指令进行网络优化。

在一个实施例中，服务器还包括：策略信息获取模块，用于获取预先配置的网络需要满足的策略信息；或者，响应于接收到的激活消息，激活机器学习功能，并获取激活消息中携带的网络需要满足的策略信息。

在一个实施例中，策略信息包括对象标识信息和通信质量指标信息，通信质量指标信息用于指示对象标识信息所标识的实体所需达到的通信质量；在该实施例中，测量控制信息确定710具体可以用于根据对象标识信息所标识的实体，确定需要执行测量的网络侧设备，作为指定的网络侧设备；以及，根据通信质量指标信息所指示的实体所需达到的通信质量，确定指定的网络侧设备需要配置的测量量和测量上报方式，作为网络侧测量控制信息。

在一个实施例中，当前服务器的部署位置包括在网络侧设备外部和在网络侧设备内部；在该实施例中，测量配置请求模块720具体可以用于：若当前服务器的部署位置在网络侧设备外部，则发送会话建立请求消息至指定的网络侧设备，会话建立请求消息中包括网络侧测量控制信息；若当前服务器的部署位置在网络侧设备内部，则根据网络侧测量控制信息对当前服务器所在的网络侧设备进行测量配置，并发送会话建立请求消息至指定的网络侧设备，会话建立请求消息中包括网络侧测量控制信息。

在一个实施例中，该服务器还可以包括：会话建立响应模块，用于响应于接收到的会话建立响应消息，确定指定的网络侧设备和终端设备均测量配置成功。

在一个实施例中，会话建立请求、会话建立响应消息和所接收的测量报告中，包括对应的机器学习会话标识，机器学习会话标识用于唯一标识机器学习进程。

在一个实施例中，测量报告接收模块730具体可以用于：接收指定的网络侧设备的测量报告和由指定的网络侧设备发送的终端设备的测量报告。

在一个实施例中，该服务器还可以包括：网络操作请求发送模块，用于发送网络操作请求消息至指定的网络侧设备，网络操作请求消息中包含网络优化操作指令和对应的操作参数。

在一个实施例中，当前服务器是通过预定接口与指定的网络侧设备进行通讯的，该服务器还包括：第一预定接口确定模块，用于若当前服务器的部署位置在网络侧设备外部，则响应于接收到的控制面接口建立请求消息，建立当前服务器与指定的网络侧设备之间的控制面接口，作为预定接口；第二预定接口确定模块，用于若当前服务器的部署位置在网络侧设备内部，则获取当前服务器所在的网络侧设备与指定的网络侧设备之间已有的通讯传输接口，作为预定接口。

在一个实施例中，控制面接口建立请求消息中包括如下信息项的一项或多项：指定的网络侧设备所支持的测量、指定的网络侧设备所支持的上报方式、指定的网络侧设备所支持的网络优化操作和指定的网络侧设备的数据面通道地址。

在一个实施例中，该服务器还包括：控制面接口建立响应发送模块，用于发送控制面接口建立响应消息至指定的网络侧设备，以指示控制面接口建立成功；若控制面接口建立请求消息中包括指定的网络侧设备的数据面通道地址，则在发送控制面接口建立响应消息至指定的网络侧设备时，在控制面接口建立响应消息中携带当前服务器的数据面通道地址。

根据本申请实施例的服务器，利用配置并接收的无线网络侧的测量数据和终端侧测量的测量数据，进行机器学习模型训练，得到网络优化操作，从而通过人工智能和机器学习对采集的数据进行深度分析，使用智能化的网络优化方法，为运营商网络优化提供了新的优化方式和网络智能优化流程。

图8示出本发明一实施例提供的网络侧设备的结构示意图。如图8所示，网络侧设备可以包括如下模块。

测量配置模块810，用于响应于接收到来自预定服务器的会话建立请求，根据会话建立请求中的网络侧测量控制信息进行测量配置和对连接于指定的网络侧设备的终端设备进行测量配置；

测量报告发送模块820，用于将测量的得到当前网络侧设备的测量报告和接收到的终端设备的测量报告，发送至预定服务器，当前网络侧设备的测量报告和终端设备的测量报告在预定服务器中，被用于进行针对网络优化的机器学习。

在一个实施例中，测量配置模块810，具体可以用于：响应于会话建立请求，根据网络侧测量控制信息进行测量配置，网络侧测量控制信息用于指示当前网络侧设备需要配置的测量量和测量上报方式；根据网络侧测量控制信息，确定连接于当前网络侧设备的终端设备需要配置的测量量和测量上报方式，作为终端侧测量控制信息；向终端设备发送第一无线资源控制消息，以指示终端设备根据终端侧测量控制信息进行测量配置。

在一个实施例中，网络侧设备还可以包括：会话建立响应消息发送模块，用于若当前网络侧设备测量配置成功，且接收到终端设备的测量配置响应消息，则向预定服务器发送会话建立响应消息，以向预定服务器反馈当前网络侧设备和终端设备均测量配置成功。

在一个实施例中，接收到的会话建立请求、会话建立响应消息、以及发送至预定服务器的测量报告中包括对应的机器学习会话标识，机器学习会话标识用于唯一标识机器学习进程。

在一个实施例中，网络侧设备还可以包括：操作指令接收模块，用于接收并执行来自预定服务器的网络优化操作指令；操作指令执行单元，用于若网络优化操作指令涉及终端设备，则确定网络优化操作指令中与终端设备相关的操作；相关操作发送单元，用于发送第二无线资源控制消息至终端设备，以指示终端设备执行相关的操作。

在一个实施例中，当前网络侧设备是通过预定接口与预定服务器进行通讯的，网络侧设备还可以包括：预定接口建立请求模块，用于若预定服务器的部署位置在当前网络侧设备外部，则根据预先获取的预定服务器的地址，向预定服务器发送控制面接口建立请求消息，以请求预定服务器建立当前网络侧设备与预定服务器之间的控制面接口，作为预定接口；通讯传输接口获取模块，用于若预定服务器的部署位置在当前网络侧设备内部，则获取当前网络侧设备与预定服务器所在的网络侧设备之间已有的通讯传输接口，作为预定接口。

在一个实施例中，控制面接口建立请求消息中包括如下信息项的一项或多项：当前网络侧设备所支持的测量、当前网络侧设备所支持的上报方式、当前网络侧设备所支持的网络优化操作和当前网络侧设备的数据面通道地址。

在一个实施例中，网络侧设备还可以包括：控制面接口建立响应接收模块，用于响应于接收到的控制面接口建立响应消息，确定当前网络侧设备与预定服务器之间的控制面接口建立成功；其中，若控制面接口建立请求消息中包括当前网络侧设备的数据面通道地址，则接收到的控制面接口建立响应消息中包括预定服务器的数据面通道地址。

根据本申请实施例的网络侧设备，可以在ai服务器的控制下，对本网络侧设备和终端设备进行测量配置，将本网络侧设备执行测量得到的测量数据和接收的终端设备进行测量得到的测量数据发送至ai服务器，以用于在ai服务器进行针对网络优化的机器学习，从而接收并执行机器学习得到的网络优化操作指令以进行网络优化。

图9示出本发明一实施例提供的网络优化系统的结构示意图。如图9所示，网络优化系统可以包括如下服务器910和一个或多个网络侧设备920。

服务器910，该服务器可以用于执行上述实施例中结合图1描述的网络优化方法。

一个或多个网络侧设备920，网络侧设备920用于执行上述实施例中结合图2描述的网络优化方法。

在该实施例中，ai服务器910与结合图7描述的ai服务器具有相同或等同的结构，并可以执行上述实施例描述的应用于ai服务器的网络优化方法；网络侧设备920与结合图8描述的网络侧设备具有相同或等同的结构，并可以执行上述实施例描述的应用于网络侧设备的网络优化方法。

需要明确的是，本发明并不局限于上文实施例中所描述并在图中示出的特定配置和处理。为了描述的方便和简洁，这里省略了对已知方法的详细描述，并且上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图10是示出能够实现根据本发明实施例的计算设备的示例性硬件架构的结构图。

如图10所示，计算设备1000包括输入设备1001、输入接口1002、中央处理器1003、存储器1004、输出接口1005、以及输出设备1006。其中，输入接口1002、中央处理器1003、存储器1004、以及输出接口1005通过总线1010相互连接，输入设备1001和输出设备1006分别通过输入接口1002和输出接口1005与总线1010连接，进而与计算设备1000的其他组件连接。

具体地，输入设备1001接收来自外部的输入信息，并通过输入接口1002将输入信息传送到中央处理器1003；中央处理器1003基于存储器1004中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器1004中，然后通过输出接口1005将输出信息传送到输出设备1006；输出设备1006将输出信息输出到计算设备1000的外部供用户使用。

在一个实施例中，图10所示的计算设备可以被实现为一种服务器，该服务器可以包括：存储器，被配置为存储程序；处理器，被配置为运行存储器中存储的程序，以执行上述实施例描述的应用于ai服务器的网络优化方法。

在一个实施例中，图10所示的计算设备可以被实现为一种网络侧设备，该网络侧设备可以包括：存储器，被配置为存储程序；处理器，被配置为运行存储器中存储的程序，以执行上述实施例描述的应用于网络侧设备的网络优化方法。

以上所述，仅为本申请的示例性实施例而已，并非用于限定本申请的保护范围。一般来说，本申请的多种实施例可以在硬件或专用电路、软件、逻辑或其任何组合中实现。例如，一些方面可以被实现在硬件中，而其它方面可以被实现在可以被控制器、微处理器或其它计算装置执行的固件或软件中，尽管本申请不限于此。

本申请的实施例可以通过移动装置的数据处理器执行计算机程序指令来实现，例如在处理器实体中，或者通过硬件，或者通过软件和硬件的组合。计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码。

本申请附图中的任何逻辑流程的框图可以表示程序步骤，或者可以表示相互连接的逻辑电路、模块和功能，或者可以表示程序步骤与逻辑电路、模块和功能的组合。计算机程序可以存储在存储器上。存储器可以具有任何适合于本地技术环境的类型并且可以使用任何适合的数据存储技术实现，例如但不限于只读存储器(rom)、随机访问存储器(ram)、光存储器装置和系统(数码多功能光碟dvd或cd光盘)等。计算机可读介质可以包括非瞬时性存储介质。数据处理器可以是任何适合于本地技术环境的类型，例如但不限于通用计算机、专用计算机、微处理器、数字信号处理器(dsp)、专用集成电路(asic)、可编程逻辑器件(fgpa)以及基于多核处理器架构的处理器。

通过示范性和非限制性的示例，上文已提供了对本申请的示范实施例的详细描述。但结合附图和权利要求来考虑，对以上实施例的多种修改和调整对本领域技术人员来说是显而易见的，但不偏离本发明的范围。因此，本发明的恰当范围将根据权利要求确定。