质量评估方法及装置、训练方法及装置及电子设备与流程

1.本技术属于机器学习领域，具体涉及一种质量评估方法及装置、训练方法及装置及电子设备。


背景技术：

2.网络切片是5g运营中不可或缺的部分，如何对5g切片业务的运行质量进行评估、断定，是5g业务运维过程中的重要问题。
3.当前主要通过人为的方式，为能够反映5g切片业务运行质量的性能指标设置相应的阈值和权重，从而计算各项性能指标的评分，然后将评分结果进行加权求和，得到用于表征运行质量评估结果的分数。然而，此类方法受到人为主观判断的影响较大，且不同的人具有不同的主观意识，导致得到的质量评估结果标准不统一，具有不确定性。


技术实现要素：

4.有鉴于此，本技术的目的在于提供一种质量评估方法及装置、训练方法及装置及电子设备，采用分类模型来对5g切片业务运行质量进行评估，从而解决评估标准不统一的问题。
5.本技术的实施例是这样实现的：
6.第一方面，本技术实施例提供一种质量评估方法，所述方法包括：获取5g切片业务的运行数据；将所述运行数据输入预先训练好的分类模型，得到输出结果；根据所述输出结果，确定所述5g切片业务的运行质量。该方法将评估问题转换为分类问题，由于分类模型在被训练好后，其用于分类的标准即唯一确定，不会因为操作的人员不同而引入会对评估结果产生较大变化的人为因素，从而可以保证评估标准的统一性以及评估结果的稳定性。
7.结合第一方面实施例，在一种可能的实施方式中，在所述将所述运行数据输入预先训练好的分类模型之前，所述方法还包括：对所述运行数据进行预处理；相应的，所述将所述运行数据输入预先训练好的分类模型，包括：将经过所述预处理后的运行数据输入预先训练好的分类模型；其中，所述运行数据所采用的预处理的处理方式与训练所述分类模型的训练集所采用的预处理的处理方式一致。在将数据输入分类模型之前，对数据进行与训练分类模型的训练样本相同的预处理，至少可以保证数据的格式与分类模型被训练时的样本的格式相同，有利于提高分类结果的准确性。
8.结合第一方面实施例，在一种可能的实施方式中，所述预处理的处理方式包括归一化处理和/或pca降维降噪处理。其中，归一化处理以及pca降维降噪处理，可以实现运行数据指标的规整处理、维度筛选，避免人为选择指标类型、配置阈值权重等经验因素对评估结果的影响。
9.结合第一方面实施例，在一种可能的实施方式中，所述分类模型为二分类模型或四分类模型，且所述二分类模型或所述四分类模型被训练好后确定出用于区分训练集所包括的样本的最优分类面，所述输出结果为所述运行数据与所述最优分类面的距离d，或者为
所述d所表达的运行质量。
10.结合第一方面实施例，在一种可能的实施方式中，所述根据所述输出结果，确定所述5g切片业务的运行质量，包括：根据所述d与预设阈值之间的大小关系，确定所述5g切片业务的运行质量。
11.结合第一方面实施例，在一种可能的实施方式中，当所述分类模型为二分类模型时，所述预设阈值为0，所述根据所述d与预设阈值之间的大小关系，确定所述5g切片业务的运行质量，包括：在d≥0时，确定所述5g切片业务的运行质量为健康；在d＜0时，确定所述5g切片业务的运行质量为故障。通过二分类，可以将对运行质量的评估转换为二分类的结果，从而得到两种评估结果。
12.结合第一方面实施例，在一种可能的实施方式中，当所述分类模型为四分类模型时，所述四分类模型被训练好后还确定出第一分类面及第二分类面，所述最优分类面位于所述第一分类面及所述第二分类面之间，且与所述第一分类面及所述第二分类面之间的间隔为d，所述预设阈值包括-d，0以及d，所述根据所述输出结果，确定所述5g切片业务的运行质量，包括：在d≥d时，确定所述5g切片业务的运行质量为优秀；在0＜d＜d时，确定所述5g切片业务的运行质量为良好；在-d＜d≤0时，确定所述5g切片业务的运行质量为一般；在d≤-d时，确定所述5g切片业务的运行质量为故障。通过四分类可以将对运行质量的评估转换为四分类的结果，从而得到四种更为详细的评估结果。
13.结合第一方面实施例，在一种可能的实施方式中，在所述将所述运行数据输入预先训练好的分类模型之前，所述方法还包括：获取用于训练所述分类模型的训练集，所述训练集包括健康样本与故障样本，所述健康样本与所述故障样本来自于5g切片业务的历史数据；对所述健康样本与所述故障样本进行预处理；将经过所述预处理后得到的训练集输入到基础模型进行训练，得到所述分类模型。
14.第二方面，本技术实施例提供一种质量评估装置，所述装置包括：获取模块、输入模块以及确定模块。获取模块，用于获取5g切片业务的运行数据；输入模块，用于将所述运行数据输入预先训练好的分类模型，得到输出结果；确定模块，用于根据所述输出结果，确定所述5g切片业务的运行质量。
15.结合第二方面实施例，在一种可能的实施方式中，所述装置还包括预处理模块，用于对所述运行数据进行预处理；相应的，所述输入模块，用于将经过所述预处理后的运行数据输入预先训练好的分类模型。其中，所述运行数据所采用的预处理的处理方式与训练所述分类模型的训练集所采用的预处理的处理方式一致。
16.结合第二方面实施例，在一种可能的实施方式中，所述预处理的处理方式包括归一化处理和/或pca降维降噪处理。
17.结合第二方面实施例，在一种可能的实施方式中，所述分类模型为二分类模型或四分类模型，且所述二分类模型或所述四分类模型被训练好后确定出用于区分训练集所包括的样本的最优分类面，所述输出结果为所述运行数据与所述最优分类面的距离d，或者为所述d所表达的运行质量。
18.结合第二方面实施例，在一种可能的实施方式中，所述确定模块，用于根据所述d与预设阈值之间的大小关系，确定所述5g切片业务的运行质量。
19.结合第二方面实施例，在一种可能的实施方式中，当所述分类模型为二分类模型
时，所述预设阈值为0，所述确定模块，用于在d≥0时，确定所述5g切片业务的运行质量为健康；在d＜0时，确定所述5g切片业务的运行质量为故障。
20.结合第二方面实施例，在一种可能的实施方式中，当所述分类模型为四分类模型时，所述四分类模型被训练好后还确定出第一分类面及第二分类面，所述最优分类面位于所述第一分类面及所述第二分类面之间，且与所述第一分类面及所述第二分类面之间的间隔为d，所述预设阈值包括-d，0以及d，所述确定模块，用于在d≥d时，确定所述5g切片业务的运行质量为优秀；在0＜d＜d时，确定所述5g切片业务的运行质量为良好；在-d＜d≤0时，确定所述5g切片业务的运行质量为一般；在d≤-d时，确定所述5g切片业务的运行质量为故障。
21.结合第二方面实施例，在一种可能的实施方式中，所述装置还包括训练模块，用于获取用于训练所述分类模型的训练集，所述训练集包括健康样本与故障样本，所述健康样本与所述故障样本来自于5g切片业务的历史数据；对所述健康样本与所述故障样本进行预处理；将经过所述预处理后得到的训练集输入到基础模型进行训练，得到所述分类模型。
22.第三方面，本技术实施例还提供一种训练方法，所述方法包括：获取用于训练所述分类模型的训练集，所述训练集包括健康样本与故障样本，所述健康样本与所述故障样本来自于5g切片业务的历史数据；对所述健康样本与所述故障样本进行预处理；将经过所述预处理后得到的训练集输入到基础模型进行训练，得到所述分类模型。
23.第四方面，本技术实施例还提供一种训练装置，所述装置包括：获取模块、预处理模块以及训练模块。获取模块，获取模块，用于获取用于训练所述分类模型的训练集，所述训练集包括健康样本与故障样本，所述健康样本与所述故障样本来自于5g切片业务的历史数据；预处理模块，用于对所述健康样本与所述故障样本进行预处理；训练模块，用于将经过所述预处理后得到的训练集输入到基础模型进行训练，得到所述分类模型。
24.第五方面，本技术实施例还提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器连接；所述存储器用于存储程序；所述处理器调用存储于所述存储器中的程序，以执行上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式提供的方法。
25.第六方面，本技术实施例还提供一种非易失性计算机可读取存储介质(以下简称计算机可读存储介质)，其上存储有计算机程序，所述计算机程序被计算机运行时执行上述第一方面实施例和/或结合第一方面实施例的任一种可能的实施方式提供的方法。
26.本技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术实施例而了解。本技术的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
附图说明
27.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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。通过附图所示，本技术的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点
在于示出本技术的主旨。
28.图1示出本技术实施例提供的一种质量评估方法的流程图。
29.图2示出本技术实施例提供的一种训练方法的流程图。
30.图3示出本技术实施例提供的分类模型进行分类的示意图之一。
31.图4示出本技术实施例提供的分类模型进行分类的示意图之二。
32.图5示出本技术实施例提供的一种质量评估装置的结构框图。
33.图6示出本技术实施例提供的一种训练装置的结构框图。
34.图7示出本技术实施例提供的一种电子设备的结构示意图。
35.图标：100-电子设备；110-处理器；120-存储器；400-质量评估装置；410-获取模块；420-输入模块；430-确定模块；500-训练装置；510-获取模块；520-预处理模块；530-训练模块。
具体实施方式
36.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。
37.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中诸如“第一”、“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
38.再者，本技术中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。
39.此外，针对现有技术中出现的语言学习产品所存在的缺陷(导致得到的质量评估结果标准不统一，具有不确定性)是申请人在经过实践并仔细研究后得出的结果，因此，上述缺陷的发现过程以及在下文中本技术实施例针对上述缺陷所提出的解决方案，都应该被认定为申请人对本技术做出的贡献。
40.为了解决上述问题，本技术实施例提供一种质量评估方法及装置、训练方法及装置及电子设备，使得评估所采用的评估标准尽可能统一。
41.该技术可采用相应的软件、硬件以及软硬结合的方式实现。以下对本技术实施例进行详细介绍。
42.下面将针对本技术所提供的质量评估方法进行介绍。
43.请参照图1，本技术实施例提供一种质量评估方法，可以包括以下步骤。
44.步骤s110：获取5g切片业务的运行数据。
45.步骤s120：将所述运行数据输入预先训练好的分类模型，得到输出结果。
46.步骤s130：根据所述输出结果，确定所述5g切片业务的运行质量。
47.其中，5g切片业务的运行数据可以是5g切片业务在运行过程中所产生的任意数
据。
48.通过上述方法，可以将评估问题转换成分类问题。由于分类模型在训练好后，其用于分类的标准即唯一确定，不会因为操作的人员不同，而引入会对评估结果产生较大变化的人为因素，从而可以保证评估标准的统一性以及评估结果的稳定性。
49.当然，在一些实施方式中，在将运行数据输入预先训练好的分类模型之前，可以先对运行数据进行预处理。其中，预处理的处理方式与训练分类模型时对训练集所采用的预处理的处理方式一致，从而可以保证运行数据的数据格式与训练集中的训练样本用于训练分类模型时的数据格式一致，从而有利于保证评估结果的准确性。
50.下面将针对本技术实施例中所提及到的分类模型进行介绍。
51.请参照图2，本技术实施例提供一种训练方法，包括以下步骤。
52.步骤s210：获取用于训练所述分类模型的训练集，所述训练集包括健康样本与故障样本，所述健康样本与所述故障样本来自于5g切片业务的历史数据。
53.步骤s220：对所述健康样本与所述故障样本进行预处理。
54.步骤s230：将经过所述预处理后得到的训练集输入到基础模型进行训练，得到所述分类模型。
55.在本技术实施例中，由于是将评估问题转换为分类问题，因此，需要经过训练得到一个可以用于进行分类的分类模型，例如二分类模型、四分类模型等。
56.此外，5g切片业务包括多种业务类型，例如包括embb(enhanced mobile broadband，增强移动宽带)、mmtc(massive machinetype communication,大规模机器类型通信)、urllc(ultra-relaible and low latency communication,极可靠低时延通信)。其中，不同的业务类型所面向的应用场景不同，例如embb用于面向大带宽应用场景，mmtc用于面向大规模连接应用场景，urllc用于面向大规模连接应用场景。不同的应用场景所需的网络性能不同，为了保证评估结果的一致性，需要根据5g切片业务所包括的业务类型，分别建立与不同的业务类型对应的分类模型，例如在一些公司的业务构架中，将5g切片业务划分为三种不同的业务类型，相应的，需要分别为每种业务类型构建对应的分类模型。
57.下面将根据图2所示的步骤，以二分类模型的训练过程为例进行介绍。
58.在本技术实施例中，可以采用svm(support vector machines，svm，支持向量机)作为分类模型的基础模型，并在此基础上进行训练，最终得到二分类模型。
59.在得到基础模型后，从来自于同一种业务类型，例如embb业务类型的历史数据中获取与该种业务类型(embb业务类型)对应的训练样本构成训练集，并以此训练基础模型，从而得到与该种业务类型(embb业务类型)对应的分类模型。
60.当然，在训练集中需要同时包括正样本(健康样本)以及负样本(故障样本)。
61.在本技术实施例中，健康样本即为预先被评估为健康5g网络所产生的数据，故障样本即为预先被评估为故障5g网络所产生的数据。
62.在得到训练集后，需要为训练集中的各个样本进行预处理。
63.其中，预处理的处理方式包括归一化处理和/或降维降噪处理。
64.归一化处理是一种为了简化目的而采用的计算方式，可以将有量纲的表达式经过变换后，转换化为无量纲的表达式，即成为标量。
65.在本技术实施例中，每个样本包括多个维度的指标，且该多个维度的指标共同形
成与该样本对应的特征向量，其中，多个维度的指标可以包括数据的产生时间、数据的持续时间、数据的消亡时间等。
66.在进行归一化处理时，在一些实施方式中，可以对各个样本所包括的每个维度指标单独进行如下处理：将每个样本在当前维度的指标数值a除以所有样本(包括正样本以及负样本)在当前维度的指标数值中的最大值的绝对值max(|ai|)，得到样本在当前维度的指标数值归一化值从而通过这种方式将各个样本在各个维度的数值处理至[-1,1]之间，具体的公式如为：
[0067]
当然，也可以采用其他任何一种现有的归一化处理方式，例如，如将数据变为[0,1]之间的小数、将数据进行最小-最大规范化变换、将数据进行零-均值规范化变换等，本技术实施例不做具体限定。
[0068]
在一些实施方式中，可以直接以经过归一化后的样本训练基础模型。
[0069]
在另一些实施方式中，为了减少样本中对训练目标所起到的贡献作用较低的冗余特征，提高后续分类结果的准确度，还可以将经过归一化处理后的样本进行降维降噪处理，从而过滤掉样本中的冗余特征。
[0070]
下面将针对降维降噪的过程进行介绍。
[0071]
在本技术实施例中，在经过归一化处理后，可以先记录每个样本的维度数n(正常情况下，各个样本所包括的维度数相同)以及各个维度的特征信息，然后构建xm×n的矩阵，并将各个维度的特征信息填入xm×n矩阵中。其中，m为样本的个数，n为每个样本所包括的特征信息的维度数n。
[0072]
对于xm×n矩阵，可以计算其协方差矩阵sm×m，以及协方差矩阵sm×m所包括的特征向量、各个特征向量的特征值。对于协方差矩阵sm×m，选取其最大的k(k由用户根据实际应用场景进行确定，可随着应用场景的切换而对应进行更改)个特征值所对应的特征向量构建新的矩阵wn×k，然后进行矩阵计算：zm×k＝xm×nwn×k，得到zm×k，从而实现将n维降维成k维，且将该k维特征信息所分别对应的指标作为模型训练的最终指标。
[0073]
当然，在一些实施方式中，也可以在不进行归一化的前提下，针对训练集中的样本按照上述方式进行降维降噪，从而得到模型训练的最终指标。
[0074]
在上述预处理过程中，可以在较少的人为主观因素的参与下，对训练集样本的各种指标进行规整处理、维度筛选，从而可以避免人为选择指标类型、配置指标的阈值权重等经验因素对评估结果的影响，从而降低了评估结果的不确定性。
[0075]
在对训练集中的各个样本进行预处理后，可以选取高斯核函数、sigmoid核函数等常见的核函数作为svm模型的核心函数，并通过交叉验证的方式寻找到最优核函数参数和惩罚因子，以此对输入训练集所包括的样本的svm模型进行训练，得到二分类模型。
[0076]
交叉验证的过程如下。
[0077]
将训练集中的样本随机划分成n个子样本集，然后将每个子样本集分别作为验证集，其余的n-1个子样本集作为训练集对svm模型进行训练，从而得到n个中间模型以及与n个中间模型对应的n个分类准确率。
[0078]
用这n个分类准确率的平均数作为二分类模型的最终性能指标，从而根据此最终性能指标反算出最优核函数参数和惩罚因子，以此避免最终得到的二分类模型过拟合。
[0079]
如图3所示，二分类模型被训练好后，可以确定出用于区分训练集所包括的健康样本与故障样本的最优分类面。
[0080]
其中，方形点代表故障样本，圆形点代表健康样本，h为最优分类面。最优分类面能将两类样本正确分开。
[0081]
在一些实施方式中，经过训练后得到的二分类模型的输出结果为输入二分类模型的待评估数据与最优分类面h之间的距离d，此时，若要得到5g切片业务所产生的待评估数据的评估结果，需要进一步地根据二分类所输出的d与预设阈值之间的大小关系，来确定5g切片业务的运行质量。
[0082]
在这种实施方式下，若二分类模型被训练好后，且确定出最优分类面h，那么在d≥0时，即可以确定5g切片业务的运行质量为健康；在d＜0时，即可以确定5g切片业务的运行质量为故障。此时，预设阈值为0。
[0083]
在另一些实施方式中，经过训练后得到的二分类模型的输出结果可以直接为评估结果，且该评估评估结果根据输入二分类模型的待评估数据与最优分类面h之间的距离d与预设阈值之间的大小关系来确定。也就是说，在这种实施方式下，二分类模型的输出结果为d所表达的运行质量(参照上述二分类模型d与预设阈值之间的大小关系所确定出的运行质量)。
[0084]
此外，在一些实施方式中，当按照上述类似的训练方式，训练出四分类模型后，可以如图4所示的，确定出第一分类面h1、最优分类面h以及第二分类面h2。其中，对于四分类模型而言，第一分类面h1用于区分训练集所包括的健康样本与故障样本，最优分类面h用于区分健康样本中的一般样本与良好样本，第二分类面h2用于区分健康样本中的良好样本与优秀样本。
[0085]
其中，最优分类面h位于第一分类面h1及所述第二分类面h2之间，且最优分类面h与第一分类面h1及第二分类面h2之间的间隔为d，该d值可以根据实际训练目标来确定，例如在一些实施方式中，上述d值为1。
[0086]
在一些实施方式中，经过训练后得到的四分类模型的输出结果为输入四分类模型的待评估数据与最优分类面h之间的距离d，此时，若要得到5g切片业务所产生的待评估数据的评估结果，需要进一步地根据四分类所输出的d与预设阈值之间的大小关系，来确定5g切片业务的运行质量。
[0087]
在这种实施方式下，若四分类模型被训练好后，且确定出第一分类面h1、最优分类面h以及第二分类面h2，此时可以对5g切片业务的运行质量进行更为详尽的评估。可选的，可以在d≥d时，确定5g切片业务的运行质量为优秀；在0＜d＜d时，确定5g切片业务的运行质量为良好；在-d＜d≤0时，确定5g切片业务的运行质量为一般；在d≤-d时，确定5g切片业务的运行质量为故障。此时，预设阈值为0、d以及-d。
[0088]
在另一些实施方式中，经过训练后得到的四分类模型的输出结果可以直接为评估结果，且该评估评估结果根据输入四分类模型的待评估数据与最优分类面h之间的距离d与预设阈值之间的大小关系来确定。也就是说，在这种实施方式下，四分类模型的输出结果为d所表达的运行质量(参照上述四分类模型中d与预设阈值之间的大小关系所确定出的运行质量)。
[0089]
本技术实施例所提供的一种质量评估方法，将评估问题转换为分类问题。由于分
类模型在被训练好后，其用于分类的标准即唯一确定，不会因为操作的人员不同而引入会对评估结果产生较大变化的人为因素，从而可以保证评估标准的统一性以及评估结果的稳定性。
[0090]
请参照图5，本技术实施例还提供一种质量评估装置400，质量评估装置400可以包括：获取模块410、输入模块420以及确定模块430。
[0091]
获取模块410，用于获取5g切片业务的运行数据；
[0092]
输入模块420，用于将所述运行数据输入预先训练好的分类模型，得到输出结果；
[0093]
确定模块430，用于根据所述输出结果，确定所述5g切片业务的运行质量。
[0094]
在一种可能的实施方式中，所述装置还包括预处理模块，用于对所述运行数据进行预处理；相应的，所述输入模块420，用于将经过所述预处理后的运行数据输入预先训练好的分类模型。其中，所述运行数据所采用的预处理的处理方式与训练所述分类模型的训练集所采用的预处理的处理方式一致。
[0095]
在一种可能的实施方式中，所述预处理的处理方式包括归一化处理和/或pca降维降噪处理。
[0096]
在一种可能的实施方式中，所述分类模型为二分类模型或四分类模型，且所述二分类模型或四分类模型被训练好后确定出用于区分训练集所包括的样本的最优分类面，所述输出结果为所述运行数据与所述最优分类面的距离d，或者为所述d所表达的运行质量。
[0097]
在一种可能的实施方式中，所述确定模块430，用于根据所述d与预设阈值之间的大小关系，确定所述5g切片业务的运行质量。
[0098]
在一种可能的实施方式中，当所述分类模型为二分类模型时，所述预设阈值为0，所述确定模块430，用于在d≥0时，确定所述5g切片业务的运行质量为健康；在d＜0时，确定所述5g切片业务的运行质量为故障。
[0099]
在一种可能的实施方式中，当所述分类模型为四分类模型时，所述四分类模型被训练好后还确定出第一分类面及第二分类面，所述最优分类面位于所述第一分类面及所述第二分类面之间，且与所述第一分类面及所述第二分类面之间的间隔为d，所述预设阈值包括-d，0以及d，所述确定模块430，用于在d≥d时，确定所述5g切片业务的运行质量为优秀；在0＜d＜d时，确定所述5g切片业务的运行质量为良好；在-d＜d≤0时，确定所述5g切片业务的运行质量为一般；在d≤-d时，确定所述5g切片业务的运行质量为故障。
[0100]
在一种可能的实施方式中，所述装置还包括训练模块，用于获取用于训练所述分类模型的训练集，所述训练集包括健康样本与故障样本，所述健康样本与所述故障样本来自于5g切片业务的历史数据；对所述健康样本与所述故障样本进行预处理；将经过所述预处理后得到的训练集输入到基础模型进行训练，得到所述分类模型。
[0101]
本技术实施例所提供的质量评估装置400，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
[0102]
此外，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被计算机运行时，执行如上述的质量评估方法所包含的步骤。
[0103]
请参照图6，本技术实施例还提供一种训练装置500，训练装置500可以包括：获取
模块510、预处理模块520以及训练模块530。
[0104]
获取模块510，用于获取用于训练所述分类模型的训练集，所述训练集包括健康样本与故障样本，所述健康样本与所述故障样本来自于5g切片业务的历史数据；
[0105]
预处理模块520，用于对所述健康样本与所述故障样本进行预处理；
[0106]
训练模块530，用于将经过所述预处理后得到的训练集输入到基础模型进行训练，得到所述分类模型。
[0107]
此外，请参照图7，本技术实施例还提供一种用于实现本技术实施例的质量评估方法、装置和/或训练方法、装置的电子设备100。
[0108]
可选的，电子设备100，可以是，但不限于个人电脑(personal computer，pc)、智能手机、平板电脑、移动上网设备(mobile internet device，mid)、个人数字助理、服务器等设备。其中，服务器可以是，但不限于网络服务器、数据库服务器、云端服务器等。
[0109]
其中，电子设备100可以包括：处理器110、存储器120。
[0110]
应当注意，图5所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，电子设备100也可以具有其他组件和结构。
[0111]
处理器110、存储器120以及其他可能出现于电子设备100的组件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，处理器110、存储器120以及其他可能出现的组件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
[0112]
存储器120用于存储程序，例如存储有前文出现的质量评估方法对应的程序，或者前文出现的质量评估装置，或者前文出现的训练方法对应的程序或者前文出现的训练装置。可选的，当存储器120内存储有质量评估装置时，质量评估装置包括至少一个可以以软件或固件(firmware)的形式存储于存储器120中的软件功能模块。
[0113]
可选的，质量评估装置所包括软件功能模块也可以固化在电子设备100的操作系统(operating system，os)中。
[0114]
处理器110用于执行存储器120中存储的可执行模块，例如质量评估装置包括的软件功能模块或计算机程序。当处理器110在接收到执行指令后，可以执行计算机程序，例如执行：获取5g切片业务的运行数据；将所述运行数据输入预先训练好的分类模型，得到输出结果；根据所述输出结果，确定所述5g切片业务的运行质量；或者执行：获取用于训练所述分类模型的训练集，所述训练集包括健康样本与故障样本；对所述健康样本与所述故障样本进行预处理；将经过所述预处理后得到的训练集输入到基础模型进行训练，得到所述分类模型。
[0115]
当然，本技术任一实施例所揭示的方法都可以应用于处理器110中，或者由处理器110实现。
[0116]
综上所述，本发明实施例提出的质量评估方法及装置、训练方法及装置及电子设备，该方法将评估问题转换为分类问题。由于分类模型在被训练好后，其用于分类的标准即唯一确定，不会因为操作的人员不同而引入会对评估结果产生较大变化的人为因素，从而可以保证评估标准的统一性以及评估结果的稳定性。
[0117]
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0118]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过
其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0119]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0120]
所述功能如果以软件功能模块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存储介质中。基于这样的理解，本技术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，笔记本电脑,服务器，或者网络设备等)执行本技术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。
[0121]
以上所述，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。