一种网络数字模型的算法选择方法及相应的装置与流程

本发明属于数字模型领域，更具体地，涉及一种网络数字模型的算法选择方法及相应的装置。

背景技术：

1、当前，利用数字化手段支撑网络设计、部署和运维是当前的重要的技术思路，朝向网络数字化演进也是伴随全要素数字化发展的必然趋势。网络数字化，是针对网络各构成要素进行数字化建模，结合生产过程、物理设施自身实时变化等各类数据，精准刻画网络变化和状态。

2、在网络数字化过程当中，针对于网络各构成要素的行为及状态建模技术取得了长足的进步。一方面，借助于仿真技术，基于物理机理刻画的白盒算法不断涌现，在仿真环境及实验环境下取得很好的预期效果。另一方面，随着计算技术和大数据技术的发展，基于机器学习、深度学习及强化学习等的人工智能(ai)算法(黑盒算法)被大量提出和验证，也为我们提供了新的数字模型构建思路。但是从总体上来看，基于机理刻画的白盒算法和基于大数据ai黑盒算法在应用到生产环境中时，特别是应用到需要高实时、高精确控制、高可靠性要求的通信网络场景时，仍然力不从心。

3、不仅如此，在当前的建模及其应用实践中，数字模型与算法紧耦合，在具体的应用环境中，不能够被自主地选择、更新或者更换，从而导致数字模型的适应能力弱，泛化能力不足；缺少针对算法能力的度量方法，特别是算法实时应用能力的度量方法，无法对更优的算法进行评价和选择；没有算法更新机制，对于出现诸如算法所依赖的传感器/探针出现异常或者故障以后，无法进行自适应更新。

技术实现思路

1、针对现有技术的以上缺陷或改进需求，本发明提供了一种网络数字模型的算法选择方法及相应的装置，其目的在于将算法与数字模型解耦，通过算法能力和算法所能实现的精度进行算法的选择，提升数字模型的泛化能力和半自主行为能力，由此解决，数字模型与算法紧耦合，在具体的应用环境中，不能够被自主地选择、更新或者更换，从而导致数字模型的适应能力弱，泛化能力不足的技术问题。

2、为实现上述目的，按照本发明的一个方面，提供了一种网络数字模型的算法选择方法，包括：

3、获取性能度量指标和精度要求，根据所述性能度量指标和精度要求获取至少一个待选算法；

4、获取每个所述待选算法的算法能力，根据所述算法能力对全部的待选算法进行排序，优先将算法能力最大的待选算法作为备选算法；

5、获取所述备选算法所依赖的至少一个关联参数；

6、如果所述关联参数的精度均能满足所述精度要求，则将所述备选算法作为数字模型的目标算法；

7、如果至少一个所述关联参数的精度不能满足所述精度要求，则从剩余的待选算法中重新选择算法能力最大的待选算法作为备选算法。

8、进一步地，所述关联参数包括探针参数和/或指标性参数，其中，所述探针参数为数字模型的探针部件所支持的参数，所述指标性参数为来自于其他模型的输出参数；所述算法选择方法包括：

9、如果所述备选算法所依赖的关联参数为探针参数，则获取探针部件的探测准确度，判断所述探针部件的准确度是否能够满足所述精度要求；

10、如果能够满足所述精度要求，判断所述备选算法所依赖的关联参数是否具有指标性参数；

11、如果具有指标性参数，则将携带有精度要求的请求消息发送至该指标性参数所对应的关联模型，并根据所述关联模型的应答消息确定该指标性参数是否满足精度要求。

12、进一步地，所述获取每个所述待选算法的算法能力包括：

13、动态获取算法刻画程度m、感知力s、计算资源平均消耗率r以及算法效率e；

14、按照下述公式实时更新算法能力；

15、ability＝log(m×s×r÷e)

16、其中，ability为算法能力。

17、进一步地，所述算法效率e的获取方式为：算法效率e＝时间复杂度×空间复杂度；

18、所述算法刻画程度的获取方式为：算法刻画程度m＝指标平均精度÷(误差程度×嵌套层次依赖)；

19、所述感知力s的获取方式为：

20、

21、其中，n为探针的个数；

22、所述计算资源平均消耗率r的获取方式为：

23、

24、其中，n代表统计次数，算法每被运行一次，则统计一次时间消耗率和空间利用率；当算法未被使用时，设置计算资源平均消耗率r为1。

25、进一步地，所述算法选择方法还包括：

26、根据探针参数的感知精度、指标性参数的精度和/或算法的拟合参数动态更新数字模型所对应的算法的算法指标精度；

27、根据探针精度、算法被运行情况、时间复杂度、空间复杂度和/或嵌套层次依赖动态更新算法能力。

28、进一步地，每个算法配套设置有算法描述，该算法描述的格式为：[参数列表，算法标识，性能度量指标，性能要求，[动态描述]]，其中，[动态描述]的格式为[算法指标精度，[参数标识1，参数精度，是否可被精细刻画]，[参数标识2，参数精度，是否可被精细刻画]，...，[参数标识n，参数精度，是否可被精细刻画]，拟合参数1，拟合参数2，...，拟合参数m]。

29、进一步地，所述获取性能度量指标和精度要求，根据所述性能度量指标和精度要求获取至少一个待选算法包括：

30、对待选的算法的算法描述进行解析，将具有所述性能度量指标以及算法指标精度满足所述算法要求的算法作为待选算法。

31、进一步地，所述算法选择方法还包括：

32、当为全新算法更新时，根据算法描述添加算法信息；

33、根据算法信息中的参数列表，对当前数字模型中的参数集合进行更新合并；

34、在数字模型的参数集合更新后，判断该数字模型的探针部件是否支持新增的参数类型的数据采集，如果不支持，设置该算法的算法能力为0；如果支持，则根据算法刻画程度m、感知力s、计算资源平均消耗率r以及算法效率e获取该算法的算法能力。

35、进一步地，所述算法选择方法还包括：

36、在选定备选算法后，获取所述备选算法的资源占用情况；

37、判断所述备选算法的资源占用情况是否会使数字模型的模型效率低于设定的效率阈值；

38、若是，则从剩余的待选算法中重新选择优先算法能力最大的算法作为备选算法；

39、若否，则执行“获取所述备选算法所依赖的至少一个关联参数”之后的步骤。

40、为实现上述目的，按照本发明的一个方面，提供了一种网络数字模型的算法选择装置，包括至少一个处理器和存储器，所述至少一个处理器和存储器之间通过数据总线连接，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令在被所述处理器执行后，用于完成第一方面所述的算法选择方法。

41、总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有如下有益效果：本发明实施例提出了一种网络数字模型的算法选择方法及相应的装置，将算法与数字模型解耦，通过算法能力和算法所能实现的精度进行算法的选择，提升数字模型的泛化能力和半自主行为能力。

42、进一步地，数字模型的算法可以支持实时更新、算法能力也支持实时更新，从而实现数字模型灵活选择算法，支持数字模型的灵活选择及数字模型间的灵活协商和组织，进而提升数字模型的泛化能力和半自主行为能力。