特許 7544976 情報処理方法、モデルの生成及びトレーニング方法、電子機器並びに媒体

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-08-26

(45)【発行日】2024-09-03

(54)【発明の名称】情報処理方法、モデルの生成及びトレーニング方法、電子機器並びに媒体

(51)【国際特許分類】

   G06N 3/04 20230101AFI20240827BHJP

   H04L 41/147 20220101ALI20240827BHJP

   H04L 41/142 20220101ALI20240827BHJP

【ＦＩ】

G06N3/04 100

H04L41/147

H04L41/142

【請求項の数】 20

(21)【出願番号】P 2023528716

(86)(22)【出願日】2021-09-07

(65)【公表番号】

(43)【公表日】2023-11-21

(86)【国際出願番号】 CN2021116968

(87)【国際公開番号】W WO2022105374

(87)【国際公開日】2022-05-27

【審査請求日】2023-05-15

(31)【優先権主張番号】202011312980.0

(32)【優先日】2020-11-20

(33)【優先権主張国・地域又は機関】CN

(73)【特許権者】

【識別番号】511151662

【氏名又は名称】中興通訊股▲ふん▼有限公司

【氏名又は名称原語表記】ＺＴＥ ＣＯＲＰＯＲＡＴＩＯＮ

【住所又は居所原語表記】ＺＴＥ Ｐｌａｚａ，Ｋｅｊｉ Ｒｏａｄ Ｓｏｕｔｈ，Ｈｉ－Ｔｅｃｈ Ｉｎｄｕｓｔｒｉａｌ Ｐａｒｋ，Ｎａｎｓｈａｎ Ｓｈｅｎｚｈｅｎ，Ｇｕａｎｇｄｏｎｇ ５１８０５７ Ｃｈｉｎａ

(74)【代理人】

【識別番号】100112656

【弁理士】

【氏名又は名称】宮田 英毅

(74)【代理人】

【識別番号】100089118

【弁理士】

【氏名又は名称】酒井 宏明

(74)【代理人】

【識別番号】110000914

【氏名又は名称】弁理士法人ＷｉｓｅＰｌｕｓ

(72)【発明者】

【氏名】王大江

(72)【発明者】

【氏名】葉友道

(72)【発明者】

【氏名】楊璽坤

(72)【発明者】

【氏名】栗偉清

(72)【発明者】

【氏名】王振宇

【審査官】宮司 卓佳

(56)【参考文献】

【文献】中国特許出願公開第１１０９９５５２０（ＣＮ，Ａ）

【文献】特開２００１－０２５０１４（ＪＰ，Ａ）

【文献】欧州特許出願公開第０１０５６２９７（ＥＰ，Ａ２）

【文献】米国特許出願公開第２０１９／０１０８４４５（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ３／０４

Ｈ０４Ｌ ４１／１４７

Ｈ０４Ｌ ４１／１４２

(57)【特許請求の範囲】

【請求項1】

電子機器によって実行される情報処理方法であって、
前記電子機器が、ネットワークにおけるサービス情報の伝送パラメータを取得するステップであって、前記伝送パラメータは前記サービス情報のネットワークにおける伝送性能を示すステップと、
前記電子機器が、事前にトレーニングされたネットワークモデルを利用して前記伝送パラメータに対して伝送性能予測を行うステップであって、前記ネットワークモデルはグラフ畳込みネットワークＧＣＮモデルを含み、前記ＧＣＮモデルはネットワークにおけるサービス情報の伝送経路情報に基づいて得られ、前記ＧＣＮモデルは、前記伝送パラメータを入力するための入力ノードを含み、前記入力ノードは、前記伝送経路情報に対応するステップと、を含む情報処理方法。

【請求項2】

前記ＧＣＮモデルは、同一起点関係又は同一終点関係がある伝送経路情報に対応する前記入力ノードの間は接続される請求項１に記載の情報処理方法。

【請求項3】

前記ネットワークモデルは、さらにディープニューラルネットワークＤＮＮモデルを含み、前記電子機器が、事前にトレーニングされたネットワークモデルを利用して前記伝送パラメータに対して伝送性能予測を行うステップは、
前記電子機器が、前記ＧＣＮモデルを利用して前記伝送パラメータを処理し、伝送特徴パラメータが得られるステップと、
前記電子機器が、前記ＤＮＮモデルを利用して前記伝送特徴パラメータを処理し、伝送性能予測結果が得られるステップと、を含む請求項１に記載の情報処理方法。

【請求項4】

前記電子機器が、前記ＧＣＮモデルを利用して前記伝送パラメータを処理し、伝送特徴パラメータが得られる前記ステップは、
前記電子機器が、式ｙ＝Θ*ｇｘ＝σ（α（Ｌ）ｘ）を利用して前記伝送パラメータを処理して伝送特徴パラメータが得られるステップを含み、
但し、前記ｙが前記伝送特徴パラメータであり、前記ｘが前記伝送パラメータであり、前記Θが畳み込みカーネル関数であり、前記*ｇがスペクトル法を採用するグラフ畳込み演算子であり、前記ｘと前記Θとの積を示し、前記αが畳み込みカーネルパラメータであり、前記Ｌが正規化されるグラフラプラシアン演算子であり、前記σが活性化関数である請求項３に記載の情報処理方法。

【請求項5】

前記電子機器が、伝送性能予測結果が得られた後に、前記情報処理方法は、さらに、
前記電子機器が、前記伝送性能予測結果を利用して前記サービス情報に対して伝送性能の最適化処理するステップを含む請求項３に記載の情報処理方法。

【請求項6】

前記伝送パラメータは、サービス流量、光信号対雑音比ＯＳＮＲ、エラー率及び光出力パワーのうちの少なくとも１つを含む請求項１～５のいずれか一項に記載の情報処理方法。

【請求項7】

電子機器によって実行される、ネットワークモデルの生成方法であって、
前記電子機器が、ネットワークにおけるサービス情報の伝送経路情報を取得するステップと、
前記電子機器が、前記伝送経路情報に基づいてＧＣＮモデルを生成するステップであって、前記ＧＣＮモデルは前記サービス情報の伝送パラメータを入力するための入力ノードを含み、前記入力ノードは前記伝送経路情報に対応し、前記伝送パラメータは前記サービス情報のネットワークにおける伝送性能を示すステップと、を含む生成方法。

【請求項8】

前記伝送経路情報は、ヘッドノード情報とテールノード情報を含み、前記電子機器が、前記伝送経路情報に基づいてＧＣＮモデルを生成する前記ステップは、
前記電子機器が、前記ヘッドノード情報及び前記テールノード情報に基づいて前記入力ノードを作成するステップと、
前記電子機器が、同一起点関係又は同一終点関係がある伝送経路情報に対応する前記入力ノードを接続して、ＧＣＮモデルが得られるステップと、を含む請求項７に記載の生成方法。

【請求項9】

前記ＧＣＮモデルは、式ｙ＝Θ*ｇｘ＝σ（α（Ｌ）ｘ）により示され、
但し、前記ｙが前記ＧＣＮモデルの出力パラメータであり、前記ｘが前記ＧＣＮモデルに入力される入力パラメータであり、前記Θが畳み込みカーネル関数であり、前記*ｇがスペクトル法を採用するグラフ畳込み演算子であり、前記ｘと前記Θの積を示し、前記αが畳み込みカーネルパラメータであり、前記Ｌが正規化されるグラフラプラシアン演算子であり、前記σが活性化関数である請求項７又は８に記載の生成方法。

【請求項10】

前記伝送パラメータは、サービス流量、ＯＳＮＲ、エラー率及び光出力パワーのうちの少なくとも１つを含む請求項７又は８に記載の生成方法。

【請求項11】

電子機器によって実行される、ネットワークモデルのトレーニング方法であって、
前記電子機器が、ネットワークにおけるサービス情報の伝送パラメータを取得するステップであって、前記伝送パラメータは前記サービス情報のネットワークにおける伝送性能を示すステップと、
前記電子機器が、前記伝送パラメータを利用して、ネットワークにおけるサービス情報の伝送経路情報に基づいて得られるＧＣＮモデルを含む前記ネットワークモデルに対してトレーニングするステップであって、前記ＧＣＮモデルは前記サービス情報の伝送パラメータを入力するための入力ノードを含み、前記入力ノードは前記伝送経路情報に対応するステップと、を含むトレーニング方法。

【請求項12】

前記ＧＣＮモデルは、同一起点関係又は同一終点関係がある伝送経路情報に対応する前記入力ノードの間は接続される請求項１１に記載のトレーニング方法。

【請求項13】

前記ネットワークモデルは、さらにＤＮＮモデルを含み、前記電子機器が、前記伝送パラメータを利用して前記ネットワークモデルに対してトレーニングする前記ステップは、
前記電子機器が、前記伝送パラメータを前記入力ノードに入力して前記ＧＣＮモデルに対してトレーニングし、伝送特徴サンプルが得られるステップと、
前記電子機器が、前記伝送特徴サンプルを前記ＤＮＮモデルに入力して前記ＤＮＮモデルに対してトレーニングするステップと、を含む請求項１２に記載のトレーニング方法。

【請求項14】

前記電子機器が、前記伝送パラメータを前記入力ノードに入力して前記ＧＣＮモデルに対してトレーニングする前記ステップは、
前記電子機器が、前記伝送パラメータを前記入力ノードに入力して、かつ逆伝播アルゴリズムにより前記ＧＣＮモデルに対してトレーニングするステップを含む請求項１３に記載のトレーニング方法。

【請求項15】

前記電子機器が、前記伝送特徴サンプルを前記ＤＮＮモデルに入力して前記ＤＮＮモデルに対してトレーニングする前記ステップは、
前記電子機器が、前記伝送特徴サンプルを前記ＤＮＮモデルに入力して、かつ逆伝播アルゴリズムにより前記ＤＮＮモデルに対してトレーニングするステップを含む請求項１３に記載のトレーニング方法。

【請求項16】

前記ＧＣＮモデルは、式ｙ＝Θ*ｇｘ＝σ（α（Ｌ）ｘ）により示され、
但し、前記ｙが前記ＧＣＮモデルの出力パラメータであり、前記ｘが前記ＧＣＮモデルに入力される入力パラメータであり、前記Θが畳み込みカーネル関数であり、前記*ｇがスペクトル法を採用するグラフ畳込み演算子であり、前記ｘと前記Θとの積を示し、前記αが畳み込みカーネルパラメータであり、前記Ｌが正規化されるグラフラプラシアン演算子であり、前記σが活性化関数である請求項１１～１５のいずれか一項に記載のトレーニング方法。

【請求項17】

メモリ、プロセッサ、及びメモリに記憶されかつプロセッサで実行可能なコンピュータプログラムを含み、前記プロセッサは、前記コンピュータプログラムを実行すると、請求項１～６のいずれか一項に記載の情報処理方法を実現する電子機器。

【請求項18】

メモリ、プロセッサ、及びメモリに記憶されかつプロセッサで実行可能なコンピュータプログラムを含み、前記プロセッサは、前記コンピュータプログラムを実行すると、請求項７～１０のいずれか一項に記載の生成方法を実現する電子機器。

【請求項19】

メモリ、プロセッサ、及びメモリに記憶されかつプロセッサで実行可能なコンピュータプログラムを含み、前記プロセッサは、前記コンピュータプログラムを実行すると、請求項１１～１６のいずれか一項に記載のトレーニング方法を実現する電子機器。

【請求項20】

請求項１～６のいずれか一項に記載の情報処理方法、又は請求項７～１０のいずれか一項に記載の生成方法、又は請求項１１～１６のいずれか一項に記載のトレーニング方法を実行するためのコンピュータ実行可能な命令を記憶したコンピュータ読み取り可能な記憶媒体。

【発明の詳細な説明】

【技術分野】

【0001】

本願は、出願番号２０２０１１３１２９８０．０、出願日２０２０年１１月２０日の中国特許出願に基づいて提出され、当該中国特許出願の優先権を主張しており、当該中国特許出願の全ての内容はここで参照として本願に組み込まれている。

【0002】

本願の実施例は、ネットワーク技術の分野に関するが、これに限定されるものではなく、特に情報処理方法、ネットワークモデルの生成方法、ネットワークモデルのトレーニング方法、電子機器及びコンピュータ読み取り可能な記憶媒体に関する。

【背景技術】

【0003】

ネットワークの快速発展に伴って、ネットワークトポロジーは、ますます複雑になり、ネットワークにおけるサービス伝送の安定性及び高品質を保証するために、サービスの伝送性能を予測する必要がある。しかしながら、現在では、ネットワークにおけるサービスの伝送性能予測は、主に運用・保守担当者の経験に基づいて行い、知能化程度が比較的低い。本分野の幾つかの場合には機械学習アルゴリズムを採用してサービスの伝送性能予測に対応することを提出したが、サービスの伝送性能予測を影響する要素が、時間、空間、社会環境などを含み、これらの要因は多数かつ複雑であり、簡単な機械学習アルゴリズムにより、多次元要因の影響を受ける伝送性能予測機能を実現することは困難であり、ネットワークにおけるサービスの伝送性能を有効的に予測できない。

【発明の概要】

【発明が解決しようとする課題】

【0004】

以下は、本願で詳細に説明されている主題の概要である。本概要は特許請求の範囲の特許範囲を限定するものではない。

【0005】

本願の実施例は、ネットワークにおけるサービス情報の伝送性能の予測を有効的に実現できる情報処理方法、ネットワークモデルの生成方法、ネットワークモデルのトレーニング方法、電子機器及びコンピュータ読み取り可能な記憶媒体を提供する。

【課題を解決するための手段】

【0006】

第１態様では、本願の実施例は、情報処理方法を提供し、前記方法は、ネットワークにおけるサービス情報の伝送パラメータを取得するステップであって、前記伝送パラメータは前記サービス情報のネットワークにおける伝送性能を示すステップと、事前にトレーニングされたネットワークモデルを利用して前記伝送パラメータに対して伝送性能予測を行うステップであって、前記ネットワークモデルはグラフ畳込みネットワーク（Ｇｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｔｗｏｒｋ、ＧＣＮ）モデルを含み、前記ＧＣＮモデルはネットワークにおけるサービス情報の伝送経路情報に基づいて得られるステップと、を含む。

【0007】

第２態様では、本願の実施例は、さらに、ネットワークモデルの生成方法を提供し、前記方法は、ネットワークにおけるサービス情報の伝送経路情報を取得するステップと、前記伝送経路情報に基づいてＧＣＮモデルを生成するステップであって、前記ＧＣＮモデルは前記サービス情報の伝送パラメータを入力するための入力ノードを含み、前記入力ノードは前記伝送経路情報に対応し、前記伝送パラメータは前記サービス情報のネットワークにおける伝送性能を示すステップと、を含む。

【0008】

第３態様では、本願の実施例は、さらにネットワークモデルのトレーニング方法を提供し、前記方法は、ネットワークにおけるサービス情報の伝送パラメータを取得するステップであって、前記伝送パラメータは前記サービス情報のネットワークにおける伝送性能を示すステップと、前記伝送パラメータを利用して、ネットワークにおけるサービス情報の伝送経路情報に基づいて得られるＧＣＮモデルを含む前記ネットワークモデルに対してトレーニングするステップと、を含む。

【0009】

第４態様では、本願の実施例は、さらに、電子機器を提供し、前記電子機器は、メモリ、プロセッサ、及びメモリに記憶されかつプロセッサで実行可能なコンピュータプログラムを含み、前記プロセッサは、前記コンピュータプログラムを実行すると、前記第１態様に記載の情報処理方法を実現する。

【0010】

第５態様では、本願の実施例は、さらに、電子機器を提供し、前記電子機器は、メモリ、プロセッサ、及びメモリに記憶されかつプロセッサで実行可能なコンピュータプログラムを含み、前記プロセッサは、前記コンピュータプログラムを実行すると、前記第２態様に記載のネットワークモデルの生成方法を実現する。

【0011】

第６態様では、本願の実施例は、さらに、電子機器を提供し、前記電子機器は、メモリ、プロセッサ、及びメモリに記憶されかつプロセッサで実行可能なコンピュータプログラムを含み、前記プロセッサは、前記コンピュータプログラムを実行すると、前記第３態様に記載のネットワークモデルのトレーニング方法を実現する。

【0012】

第７態様では、本願の実施例は、さらに、前記第１態様に記載の情報処理方法、又は前記第２態様に記載のネットワークモデルの生成方法、又は前記第３態様に記載のネットワークモデルのトレーニング方法を実行するためのコンピュータ実行可能な命令を記憶したコンピュータ読み取り可能な記憶媒体を提供する。

【0013】

本願の他の特徴及び利点は、後の明細書で説明され、本明細書から部分的に明らかになるか、又は本願を実施することによって理解される。本願の目的及び他の利点は、明細書、特許請求の範囲、及び図面において特に指摘された構造によって達成され得る。
図面は、本願の技術案の更なる理解を提供するために使用され、明細書の一部を構成し、本願の実施例と共に本願の技術案を説明するために使用され、本願の技術案を限定するものではない。

【図面の簡単な説明】

【0014】

【図1】本願の一実施例による情報処理方法を実行するためのネットワークトポロジーの模式図である。

【図2】本願の一実施例による情報処理方法のフローチャートである。

【図3】本願の一実施例によるＧＣＮモデルの構成模式図である。

【図4】本願の他の実施例による情報処理方法において伝送性能予測を行うフローチャートである。

【図5】本願の具体例による伝送パラメータに対して伝送性能予測を行う予測モデルシステムの模式図である。

【図6】本願の一実施例によるネットワークモデルの生成方法のフローチャートである。

【図7】本願の他の実施例によるネットワークモデルの生成方法においてＧＣＮモデルを生成するフローチャートである。

【図8】本願の具体例によるサービスネットワーク仮想トポロジーの模式図である。

【図9】本願の具体例によるノードリンク化処理の模式図である。

【図10】本願の具体例によるネットワークトポロジーの模式図である。

【図11】本願の別の具体例による図１０のネットワークトポロジーに基づいて構築されたＧＣＮモデルの模式図である。

【図12】本願の一実施例によるネットワークモデルのトレーニング方法のフローチャートである。

【図13】本願の他の実施例によるネットワークモデルのトレーニング方法においてネットワークモデルに対してトレーニングするフローチャートである。

【発明を実施するための形態】

【0015】

本願の目的、技術案及び利点をより明確に理解するために、以下では、図面及び実施例を参照して本願をさらに詳細に説明する。なお、本明細書に記載された具体的な実施例は本願を解釈するためにのみ使用され、本願を限定するものではない。

【0016】

なお、論理的順序はフローチャートに示されているが、示された又は説明されたステップは、場合によっては、フローチャートの順序とは異なる順序で実行されてもよい。明細書、特許請求の範囲又は前述の図面における「第１」、「第２」等の用語は、類似の対象を区別するために使用されるものであり、特定の順序又は優先順位を説明するために使用されるものではない。

【0017】

本願は、情報処理方法、ネットワークモデルの生成方法、ネットワークモデルのトレーニング方法、電子機器及びコンピュータ読み取り可能な記憶媒体を提供し、情報処理方法は、サービス情報のネットワークにおける伝送性能を示す、ネットワークにおけるサービス情報の伝送パラメータを取得するステップと、事前にトレーニングされた、ネットワークにおけるサービス情報の伝送経路情報に基づいて得られるＧＣＮモデルを含むネットワークモデルを利用して伝送パラメータに対して伝送性能予測を行うステップとを含む。ＧＣＮモデルは、ネットワークにおけるサービス情報の伝送経路情報に基づいて得られるので、該ＧＣＮモデルは、該サービス情報を伝送するネットワークトポロジーに合わせることができ、従って、該ＧＣＮモデルを含むネットワークモデルを利用してネットワークにおけるサービス情報の伝送パラメータを処理することにより、ネットワークにおけるサービス情報の伝送性能予測を正確かつ有効的に実現することができる。

【0018】

以下、図面を参照しながら、本願の実施例をさらに説明する。

【0019】

図１に示すように、図１は、本願の一実施例による情報処理方法を実行するためのネットワークトポロジーの模式図である。図１に示す例では、該ネットワークトポロジーは、ネットワーク制御器（図示せず）と複数のノード（図１に示すノードＡ、ノードＢ、…、ノードＳ）を含み、これらのノードは、リンク接続により図１に示すネットワークトポロジーを構成し、かつ、ネットワーク制御器とそれぞれのノードとは接続される。

【0020】

また、ネットワーク制御器は、それぞれのノードからアップロードされるノード情報及びサービス情報などの情報を取得することができ、それによりこれらのノード情報に基づいてネットワークトポロジーモデルを形成し、かつ該ネットワークトポロジーモデルに基づいてサービス情報の伝送経路の計画配置を行うことができる。ネットワーク制御器がサービス情報の伝送経路の計画配置を完了して転送プロファイルが得られた後に、ネットワーク制御器は、転送プロファイルを対応するノードに送信し、それにより、ネットワークにおけるノードは、転送プロファイルに基づいてサービス情報の伝送を行うことができる。例えば、図１に示されるネットワークトポロジーには、ノードＡからノードＬに伝送される第１サービス伝送経路、ノードＡからノードＰに伝送される第２サービス伝送経路、ノードＡからノードＱに伝送される第３サービス伝送経路、ノードＢからノードＰに伝送される第４サービス伝送経路、ノードＢからノードＬに伝送される第５サービス伝送経路、ノードＢからノードＨに伝送される第６サービス伝送経路、ノードＬからノードＱに伝送される第７サービス伝送経路、ノードＰからノードＱに伝送される第８サービス伝送経路、ノードＨからノードＱに伝送される第９サービス伝送経路というサービス伝送経路が存在する。

【0021】

また、ネットワーク制御器は、サービス情報の伝送経路に対して計画配置を行う場合に、さらに、それぞれのノードからアップロードされるノード情報及びサービス情報などの情報に基づいて、サービス情報に対して伝送性能予測を行い、かつ予測結果に対して相応する最適化処理することができる。

【0022】

また、分布式ネットワークシステムでは、それぞれのノードは、ネットワークにおけるほかのノードからアドバタイズされるノード情報を取得することができ、それによりこれらのノード情報に基づいてネットワークトポロジー情報が得られる。サービス情報を送信するヘッドノードに対して、該ネットワークトポロジー情報に基づいて対応するネットワークトポロジーモデルを形成することができ、かつ伝送対象であるサービス情報の伝送性能要求に応じて、サービス情報の伝送経路の計画配置を行い、かつ要件を満足する転送プロファイルが得られ、次に該転送プロファイルに従ってサービス情報を転送することができる。

【0023】

また、サービス情報を送信するヘッドノードがサービス情報の伝送経路に対して計画配置を行う場合に、さらに、サービス情報に対して伝送性能予測を行うことができ、かつ予測結果に対して相応する最適化処理することができる。

【0024】

本願の実施例に説明されるネットワークトポロジー及び応用場面は、本願の実施例の技術案をより明瞭に説明するためのものであり、本願の実施例による技術案を限定するものではない。当業者にとっては、ネットワークトポロジーの発展及び新しい応用場面の出現に伴って、本願の実施例による技術案は、類似する技術的問題に同様に適用される。

【0025】

当業者は、図１に示されるネットワークトポロジー構成が、本願の実施例を限定するものではなく、図示よりも多く、又は少ない部材を含み、或いは幾つかの部材や、異なる部材布置を組み合わせることができると理解できる。

【0026】

図１に示されるネットワークトポロジーには、ネットワーク制御器又はサービス情報を送信するヘッドノードは、その記憶される情報処理プログラムを呼び出し、情報処理方法を実行することができる。

【0027】

上記ネットワークトポロジーの構成に基づいて、本願に係る各実施例を提出する。

【0028】

図２に示すように、図２は、本願の一実施例による情報処理方法のフローチャートであり、該情報処理方法は、ネットワーク制御器又はサービス情報を送信するヘッドノードに応用され、該情報処理方法は、ステップＳ１１０とステップＳ１２０を含むが、それに限定されていない。

【0029】

ステップＳ１１０：サービス情報のネットワークにおける伝送性能を示す、ネットワークにおけるサービス情報の伝送パラメータを取得する。

【0030】

一実施例では、伝送パラメータは、サービス情報のネットワークにおける伝送性能を示し、伝送パラメータは、サービス流量、光信号対雑音比（Ｏｐｔｉｃａｌ Ｓｉｇｎａｌ Ｎｏｉｓｅ Ｒａｔｉｏ、ＯＳＮＲ）、エラー率及び光出力パワー等を含むが、それに限定されていない。ヘッドノードのノード能力情報、テールノードのノード能力情報、ヘッドノードからテールノードまで経過した中間ノードのノード能力情報などの内容に基づいて、サービス情報の伝送パラメータを取得できる。また、サービス情報の伝送パラメータは、予測して得られる伝送パラメータであってもよく、ネットワークからリアルタイムに検出して得られる伝送パラメータであってもよく、本実施例は、それを具体的に限定しない。例えば、サービス情報の伝送パラメータが予測処理により得られる伝送パラメータである場合に、ニューラルネットワークなどの方式により構築される予測モデルなどを利用して、ヘッドノードのノード能力情報、テールノードのノード能力情報、ヘッドノードからテールノードまで経過した中間ノードのノード能力情報などの内容に対して予測処理することにより、サービス情報の伝送パラメータが得られる。

【0031】

ステップＳ１２０：事前にトレーニングされた、ネットワークにおけるサービス情報の伝送経路情報に基づいて得られるＧＣＮモデルを含むネットワークモデルを利用して伝送パラメータに対して伝送性能予測を行う。

【0032】

ＧＣＮモデルがネットワークにおけるサービス情報の伝送経路情報に基づいて得られるので、ＧＣＮモデルは、該サービス情報を伝送するネットワークトポロジーに合わせることができ、従って、事前にトレーニングされた、該ＧＣＮモデルを含むネットワークモデルを利用してサービス情報の伝送パラメータを処理することにより、ネットワークにおけるサービス情報の伝送性能予測を比較的正確かつ有効的に実現できる。

【0033】

ネットワークモデルは、事前にトレーニングされ、かつネットワーク制御器に記憶され又はサービス情報を送信するヘッドノードに記憶されるので、ネットワークにおけるサービス情報の伝送パラメータを取得した後に、ネットワークモデルを利用してサービス情報に対して伝送性能予測を行うことができる。ネットワークモデルがサービス情報の伝送パラメータに対して伝送性能予測を行うので、ネットワークモデルをトレーニングするためのトレーニングデータは、同様にサービス情報の伝送パラメータである。ネットワークモデルをトレーニングするためのトレーニングデータは、複数種の方式により取得されることができ、本実施例は、それを具体的に限定しない。例えば、ネットワークから、実際に伝送されるサービス情報の伝送パラメータを取得することにより取得されることができ、マニュアルシミュレーションの方式により取得されることもできる。マニュアルシミュレーションの方式によりトレーニングデータが得られる場合に、実際ネットワークトポロジーにより仮想ネットワークトポロジーを構築し、その後に仮想ネットワークトポロジーにサービス情報の伝送をシミュレーションしてトレーニングデータを取得することができる。

【0034】

上記ステップＳ１１０とステップＳ１２０を含む情報処理方法により、事前にトレーニングされた、ＧＣＮモデルを含むネットワークモデルを利用してサービス情報の伝送パラメータに対して伝送性能予測を行い、ＧＣＮモデルがネットワークにおけるサービス情報の伝送経路情報に基づいて得られるので、該ＧＣＮモデルは、該サービス情報を伝送するネットワークトポロジーに合わせることができ、従って、該ＧＣＮモデルを含むネットワークモデルを利用してネットワークにおけるサービス情報の伝送パラメータを処理することにより、ネットワークにおけるサービス情報の伝送性能予測を比較的に正確かつ有効的に実現できる。

【0035】

一実施例では、ＧＣＮモデルがネットワークにおけるサービス情報の伝送経路情報に基づいて得られるので、図３に示すように、ＧＣＮモデルは、伝送パラメータを入力するための入力ノードを含むことができ、該入力ノードは、伝送経路情報に対応し、同一起点関係又は同一終点関係がある伝送経路情報に対応する入力ノードの間は、接続される。

【0036】

図３に示される例では、ＧＣＮモデルは、入力ノードＡＬ、入力ノードＡＰ、入力ノードＡＱ、入力ノードＢＰ、入力ノードＢＬ、入力ノードＢＨ、入力ノードＬＱ、入力ノードＰＱ及び入力ノードＨＱを含み、入力ノードＡＬが図１に示されるネットワークトポロジーにおける第１サービス伝送経路に対応し、入力ノードＡＰが図１に示されるネットワークトポロジーにおける第２サービス伝送経路に対応し、入力ノードＡＱが図１に示されるネットワークトポロジーにおける第３サービス伝送経路に対応し、入力ノードＢＰが図１に示されるネットワークトポロジーにおける第４サービス伝送経路に対応し、入力ノードＢＬが図１に示されるネットワークトポロジーにおける第５サービス伝送経路に対応し、入力ノードＢＨが図１に示されるネットワークトポロジーにおける第６サービス伝送経路に対応し、入力ノードＬＱが図１に示されるネットワークトポロジーにおける第７サービス伝送経路に対応し、入力ノードＰＱが図１に示されるネットワークトポロジーにおける第８サービス伝送経路に対応し、入力ノードＨＱが図１に示されるネットワークトポロジーにおける第９サービス伝送経路に対応する。第１サービス伝送経路、第２サービス伝送経路及び第３サービス伝送経路は、同一起点ノード（即ちノードＡ）を有し、即ち同一起点関係があり、従って、入力ノードＡＬ、入力ノードＡＰ及び入力ノードＡＱが２つずつ接続され、類似的に、入力ノードＢＰ、入力ノードＢＬ及び入力ノードＢＨが２つずつ接続され、入力ノードＡＱ、入力ノードＬＱ、入力ノードＰＱ及び入力ノードＨＱが２つずつ接続され、入力ノードＡＬ、入力ノードＢＬ及び入力ノードＬＱが２つずつ接続され、入力ノードＡＰ、入力ノードＢＰ及び入力ノードＰＱが２つずつ接続され、入力ノードＢＨと入力ノードＨＱが接続される。

【0037】

伝送パラメータがサービス情報のネットワークにおける伝送性能を示し、即ち、伝送パラメータがサービス情報のネットワークにおける対応する伝送経路を伝送する場合の伝送性能を示すので、上記のサービス情報の伝送経路情報に基づいて得られるＧＣＮモデルを利用してサービス情報の伝送パラメータを処理することにより、サービス情報に基づく伝送性能属性（即ち、伝送パラメータ）を、ＧＣＮモデル処理を満足する、それぞれの入力ノードに入力される必要があるパラメータに変換することができ、それにより、ＧＣＮモデルを含むネットワークモデルは、ネットワークにおけるサービス情報に対して伝送性能予測を行うことができる。

【0038】

また、一実施例では、ネットワークモデルは、さらにディープニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、ＤＮＮ）モデルを含むことができ、ＤＮＮモデルの入力は、ＧＣＮモデルの出力に接続され、この場合に、図４に示すように、ステップＳ１２０における、事前にトレーニングされたネットワークモデルを利用して伝送パラメータに対して伝送性能予測を行うステップは、以下のステップを含むことができるが、それに限定されていない。

【0039】

ステップＳ１２１：ＧＣＮモデルを利用して伝送パラメータを処理し、伝送特徴パラメータが得られる。

【0040】

ステップＳ１２２：ＤＮＮモデルを利用して伝送特徴パラメータを処理し、伝送性能予測結果が得られる。

【0041】

一実施例では、異なる時刻でのサービス情報の伝送パラメータを取得することができ、その後に、ＧＣＮモデルを利用してこれらの伝送パラメータに対して時間次元及び空間次元で特徴抽出を行い、伝送特徴パラメータが得られ、次に、これらの伝送特徴パラメータをＤＮＮモデルの入力としてＤＮＮモデルに伝送し、それによりＤＮＮモデルは、これらの伝送特徴パラメータを処理してサービス情報についての未来時刻の伝送性能予測結果が得られる。

【0042】

一例で説明し、図５に示される予測モデルシステムでは、まず、それぞれの時刻でのサービス情報の伝送パラメータをそれぞれ取得し、例えば、ｔ時刻及びｔ＋１時刻などの時刻でのｎ個の入力ノードに対応するサービス情報の伝送パラメータ、即ち図５に示される入力部分におけるｎ個の入力ノードの入力パラメータを取得し、次に、これらの入力パラメータを図５に示されるＧＣＮモデル処理部分に入力し、ＧＣＮモデルは、これらの入力パラメータを処理し、次の時刻に対応する伝送特徴パラメータが得られ、次に、該伝送特徴パラメータを図５に示されるＤＮＮモデルの処理部分に入力し、ＤＮＮモデルは、該伝送特徴パラメータを処理し、サービス情報の次の時刻での伝送性能予測結果が得られる。従って、該伝送性能予測結果を最適化処理の指導情報として利用してサービス情報に対して伝送性能最適化処理し、サービス情報の伝送性能を改善することができる。

【0043】

ＧＣＮモデルを利用して伝送パラメータに対して時間次元で特徴抽出することは、ＧＣＮモデルを利用して異なる時刻での伝送パラメータに対して特徴抽出する処理である。ＧＣＮモデルを利用して伝送パラメータに対して空間次元で特徴抽出することは、ＧＣＮモデルを利用して伝送パラメータに対して畳み込み処理して、空間特徴化を有する特徴パラメータが得られることである。

【0044】

また、一実施例では、ＧＣＮモデルは、式ｙ＝Θ*ｇｘ＝σ（α（Ｌ）ｘ）により示されることができ、但し、ｙが伝送特徴パラメータであり、即ち、ｙがＧＣＮモデルにより伝送パラメータに対して予測処理を行った出力パラメータであり、ｘが伝送パラメータであり、即ち、ｘがＧＣＮモデルに入力される入力パラメータであり、Θが畳み込みカーネル関数であり、*ｇがスペクトル法を採用するグラフ畳込み演算子であり、ｘとΘとの積を示し、αが畳み込みカーネルパラメータであり、Ｌが正規化されるグラフラプラシアン演算子であり、σが活性化関数であり、例えばＲｅＬＵ活性化関数である。

【0045】

ネットワークにおけるサービス情報の伝送パラメータを取得した後に、伝送パラメータをＧＣＮモデルの入力パラメータとして式ｙ＝Θ*ｇｘ＝σ（α（Ｌ）ｘ）に入力すると、

【数1】

が得られ、
但し、

【数2】

が、ＧＣＮモデルが伝送パラメータに対してグラフ畳込みを行った後に得られる時間特徴化及び空間特徴化を有する伝送特徴パラメータを示し、ｎがネットワークにおけるサービス情報の伝送数量（即ち、サービス情報を伝送する伝送経路の数量）であり、

【数3】

が、ＧＣＮモデルに入力されるＭ個の時刻でのｎ個の伝送パラメータを示し、かつそれぞれの伝送パラメータがいずれもｋ次元伝送性能属性であり、

【数4】

は、第ｔ個の時刻でのｎ個の伝送パラメータの第ｊ次元の伝送性能属性の畳み込みカーネルパラメータを示し、

【数5】

が、ＧＣＮモデルに入力される第ｔ個の時刻でのｎ個の伝送パラメータの第ｊ次元の伝送性能属性を示す。

【0046】

また、一実施例では、ステップＳ１２２の後に、該情報処理方法は、さらに、以下のステップを含むが、それに限定されていない。

【0047】

伝送性能予測結果を利用してサービス情報に対して伝送性能最適化処理する。

【0048】

ＧＣＮモデルがネットワークにおけるサービス情報の伝送経路情報に基づいて得られるので、ＧＣＮモデルは、サービス情報を伝送するネットワークトポロジーに合わせることができ、従って、ＧＣＮモデルを含むネットワークモデルを利用してネットワークにおけるサービス情報の伝送パラメータに対して伝送性能予測を行って伝送性能予測結果が得られた後に、該伝送性能予測結果を最適化処理の指導情報として利用してサービス情報に対して伝送性能最適化処理して、サービス情報の伝送性能を改善できる。異なる処理方式により、伝送性能予測結果を利用してサービス情報に対して伝送性能最適化処理することができ、本実施例は、それを具体的に限定しない。例えば、伝送性能予測結果に基づいてサービス情報の相応する伝送経路における性能パラメータを調整して伝送性能を最適化する目的を達することができ、伝送性能予測結果に基づいてサービス情報のネットワークにおける伝送経路を変更して伝送性能を最適化する目的を達することもできる。

【0049】

また、図６に示すように、図６は、本願の他の実施例に係るネットワークモデルの生成方法のフローチャートであり、該ネットワークモデルの生成方法は、ネットワーク制御器又はサービス情報を送信するヘッドノードに応用され、該ネットワークモデルの生成方法は、以下のステップを含むが、それに限定されていない。

【0050】

ステップＳ２１０：ネットワークにおけるサービス情報の伝送経路情報を取得する。

【0051】

ステップＳ２２０：伝送経路情報に基づいて、サービス情報のネットワークにおける伝送性能を示すサービス情報の伝送パラメータを入力するための、伝送経路情報に対応する入力ノードを含むＧＣＮモデルを生成する。

【0052】

本実施例では、伝送経路情報に基づいて生成されるＧＣＮモデルは、図２に示される実施例におけるネットワークにおけるサービス情報の伝送パラメータに対して伝送性能予測を行うためのＧＣＮモデルである。

【0053】

ネットワークにおけるサービス情報の伝送経路情報は、ヘッドノード情報とテールノード情報を含むことができ、ヘッドノード情報がサービス情報を送信するヘッドノードのアドレス情報を含み、テールノード情報がサービス情報を受信するテールノードのアドレス情報を含む。ヘッドノードがテールノードへサービス情報を送信する必要がある場合に、ヘッドノードからヘッドノードのアドレス情報及びテールノードのアドレス情報を取得することができ、それにより該サービス情報の伝送経路情報を取得することができる。

【0054】

一実施例では、伝送パラメータは、サービス情報のネットワークにおける伝送性能を示し、伝送パラメータは、サービス流量、ＯＳＮＲ、エラー率及び光出力パワーなどを含むが、それに限定されていない。ヘッドノードのノード能力情報、テールノードのノード能力情報、ヘッドノードからテールノードまで経過した中間ノードのノード能力情報などの内容に基づいて、サービス情報の伝送パラメータを取得することができる。また、サービス情報の伝送パラメータは、予測して得られる伝送パラメータであってもよく、ネットワークからリアルタイムに検出して得られる伝送パラメータであってもよく、本実施例は、それを具体的に限定しない。例えば、サービス情報の伝送パラメータが予測処理により得られる伝送パラメータである場合に、ニューラルネットワークなどの方式により構築される予測モデルなどを利用して、ヘッドノードのノード能力情報、テールノードのノード能力情報、ヘッドノードからテールノードまで経過した中間ノードのノード能力情報などの内容に対して予測処理することにより、サービス情報の伝送パラメータが得られる。

【0055】

ネットワークにおけるサービス情報の伝送経路情報を取得した後に、該伝送経路情報に基づいてサービス情報の伝送パラメータを入力する入力ノードを含むＧＣＮモデルを生成し、該ＧＣＮモデルの入力ノードが伝送経路情報に対応し、例えば、図３に示される入力ノードＡＬが図１に示される第１サービス伝送経路に対応する。伝送パラメータがサービス情報のネットワークにおける伝送性能を示し、ＧＣＮモデルがネットワークにおけるサービス情報の伝送経路情報に基づいて得られるので、伝送パラメータをＧＣＮモデルの入力ノードの入力パラメータとして利用することにより、ネットワークにおけるサービス情報の伝送性能予測を比較的に正確かつ有効的に実現できる。

【0056】

また、一実施例では、図７に示すように、ステップＳ２２０における、伝送経路情報に基づいてＧＣＮモデルを生成するステップは、以下のステップを含むことができるが、それに限定されていない。

【0057】

ステップＳ２２１：ヘッドノード情報とテールノード情報に基づいて入力ノードを作成する。

【0058】

ステップＳ２２２：同一起点関係又は同一終点関係がある伝送経路情報に対応する入力ノードを接続して、ＧＣＮモデルが得られる。

【0059】

サービス情報を伝送するヘッドノード情報とテールノード情報に基づいてＧＣＮモデルの入力ノードを作成し、かつ同一起点関係又は同一終点関係がある伝送経路情報に対応する入力ノードを接続することにより、得られたＧＣＮモデルは、サービス情報の対応する伝送経路における伝送パラメータに対して予測処理することができ、ネットワークにおけるサービス情報の伝送性能予測を比較的に正確かつ有効的に実現できる。

【0060】

以下、具体例でＧＣＮモデルの生成を詳しく説明する。

【0061】

図１に示されるネットワークトポロジーでは、隣接するノード間には１つのリンクがある場合に、それぞれのサービス経路のヘッドノード及びテールノードにより、中間ノードの場合を無視し、図８に示されるサービスネットワーク仮想トポロジーになるように抽象化され、該サービスネットワーク仮想トポロジーは、それぞれのサービス経路のヘッドノード及びテールノードのみを含み、かつそれぞれのサービス経路に対して、そのヘッドノード及びテールノードは、直接的に接続されてサービス仮想リンクを形成する。図１に示されるネットワークトポロジーが図８に示されるサービスネットワーク仮想トポロジーになるように抽象化された後に、図８に示されるサービスネットワーク仮想トポロジーにおけるそれぞれのノードの出次数、及びサービス仮想リンクが同一末端ノードを共有する２つずつ依頼する関係（例えば、同一起点関係又は同一終点関係）に基づいて、それぞれのノードに対して、

【数6】

本の仮想経路になるように抽象化して変換することができ、但し、ｚが該ノードの出次数を示す。図８におけるノードＬを例とし、サービス仮想リンクＡＬ、サービス仮想リンクＢＬ及びサービス仮想リンクＬＱは、ノードＬを末端ノードとして共有し、従って、図９に示されるノードリンク化処理の模式図を参照し、ノードＬは、３つの仮想経路になるように抽象化して変換されることができる。また、図１に示されるネットワークトポロジーが図８に示されるサービスネットワーク仮想トポロジーになるように抽象化された後に、サービスネットワーク仮想トポロジーにおけるそれぞれのサービス仮想リンクをＧＣＮモデルの入力ノードに抽象化して変換し、即ち、ヘッドノード情報とテールノード情報に基づいて入力ノードを作成し、例えば、ノードＡからノードＬまでのサービス仮想リンクを入力ノードＡＬになるように抽象化して変換する。図８に示されるサービスネットワーク仮想トポロジーにおけるすべてのサービス仮想リンクがいずれも入力ノードに抽象化して変換された後に、図９に示されるリンク化処理により、同一起点関係又は同一終点関係があるサービス仮想リンクに対応する入力ノードを接続して、図３に示される１つの仮想ノード（即ち入力ノード）により１つのサービス経路を示すＧＣＮモデルが得られる。ＧＣＮモデルがネットワークにおけるサービス情報の伝送経路情報に基づいて得られるので、ＧＣＮモデルは、サービス情報を伝送するネットワークトポロジーに合わせることができ、従って、ＧＣＮモデルを利用してネットワークにおけるサービス情報の伝送パラメータに対して関する予測処理を行うことにより、ネットワークにおけるサービス情報の伝送性能予測を比較的に正確かつ有効的に実現できる。

【0062】

隣接するノード間には複数本のリンクがある場合に、ダミーノードを増加する方式により、隣接するノード間に複数本のリンクがあるネットワークトポロジー形式を、隣接するノード間に１つのリンクがあるネットワークトポロジー形式に変換することができ、それにより上記方式でＧＣＮモデルを構築することができる。例えば、図１０に示されるネットワークトポロジー形式に、ノードＡとノードＭの間に３つのサービス仮想リンクがあると仮定すると、ダミーノードを増加する方式により、この３つのサービス仮想リンクを入力ノードＡＭ１、入力ノードＡＭ２及び入力ノードＡＭ３に抽象化して変換することができ、かつノードＡからノードＱまでのサービス仮想リンクにより抽象化して変換される入力ノードＡＱ、ノードＱからノードＲまでのサービス仮想リンクにより抽象化して変換される入力ノードＱＲ、ノードＭからノードＲまでのサービス仮想リンクにより抽象化して変換される入力ノードＭＲと組み合わせて、図１１に示されるＧＣＮモデルになるように構築される。

【0063】

また、サービス経路は、中間ノードを電気リレーとして経過する必要があると、サービス経路全体は、ヘッドノード、テールノード及び電気リレーノードにより、複数のサービス経路区間に区分されることができ、かつそれぞれのサービス経路区間は、いずれも独立した１つのサービス経路として仮想化処理を行う。

【0064】

一実施例では、ネットワークにおけるサービス情報の伝送経路情報に基づいて生成されるＧＣＮモデルは、式ｙ＝Θ*ｇｘ＝σ（α（Ｌ）ｘ）により示されることができ、但し、ｙが該ＧＣＮモデルの出力パラメータであり、ｘが該ＧＣＮモデルに入力される入力パラメータであり、Θが畳み込みカーネル関数であり、*ｇがスペクトル法を採用するグラフ畳込み演算子であり、ｘとΘとの積を示し、αが畳み込みカーネルパラメータであり、Ｌが正規化されるグラフラプラシアン演算子であり、σが活性化関数であり、例えばＲｅＬＵ活性化関数である。

【0065】

ネットワークにおけるサービス情報の伝送パラメータを取得した後に、該伝送パラメータをＧＣＮモデルの入力パラメータとして式ｙ＝Θ*ｇｘ＝σ（α（Ｌ）ｘ）に入力すると、

【数7】

が得られ、
但し、

【数8】

が、ＧＣＮモデルが伝送パラメータに対してグラフ畳込みを行った後に得られる時間特徴化及び空間特徴化を有する伝送特徴パラメータを示し、ｎがネットワークにおけるサービス情報の伝送数量（即ち、サービス情報を伝送する伝送経路の数量）であり、

【数9】

が、ＧＣＮモデルに入力されるＭ個の時刻でのｎ個の伝送パラメータを示し、かつそれぞれの伝送パラメータがいずれもｋ次元伝送性能属性であり、

【数10】

が、第ｔ個の時刻でのｎ個の伝送パラメータの第ｊ次元の伝送性能属性の畳み込みカーネルパラメータを示し、

【数11】

が、ＧＣＮモデルに入力される第ｔ個の時刻でのｎ個の伝送パラメータの第ｊ次元の伝送性能属性を示す。

【0066】

また、図１２に示すように、図１２は、本願の他の実施例によるネットワークモデルのトレーニング方法のフローチャートであり、該ネットワークモデルのトレーニング方法は、ネットワーク制御器又はサービス情報を送信するヘッドノードに応用され、該ネットワークモデルのトレーニング方法は、以下のステップを含むが、それに限定されていない。

【0067】

ステップＳ３１０：サービス情報のネットワークにおける伝送性能を示す、ネットワークにおけるサービス情報の伝送パラメータを取得する。

【0068】

ステップＳ３２０：伝送パラメータを利用して、ネットワークにおけるサービス情報の伝送経路情報に基づいて得られるＧＣＮモデルを含むネットワークモデルに対してトレーニングする。

【0069】

本実施例においてネットワークにおけるサービス情報の伝送パラメータを利用してトレーニングするＧＣＮモデルは、図２に示される実施例における事前にトレーニングされたＧＣＮモデルであり、図６に示される実施例において伝送経路情報に基づいて生成されるＧＣＮモデルでもある。図６に示される実施例における生成方法によりＧＣＮモデルが得られ、その後に本実施例におけるトレーニング方法により該ＧＣＮモデルに対してトレーニングし、トレーニングが完了した後に、図２に示される実施例における事前にトレーニングされたＧＣＮモデルが得られる。

【0070】

ネットワークにおけるサービス情報の伝送経路情報は、ヘッドノード情報とテールノード情報を含むことができ、ヘッドノード情報がサービス情報を送信するヘッドノードのアドレス情報を含み、テールノード情報がサービス情報を受信するテールノードのアドレス情報を含む。ヘッドノードがテールノードへサービス情報を送信する必要がある場合に、ヘッドノードからヘッドノードのアドレス情報及びテールノードのアドレス情報を取得することができ、それにより該サービス情報の伝送経路情報を取得することができる。

【0071】

一実施例では、伝送パラメータは、サービス情報のネットワークにおける伝送性能を示し、伝送パラメータは、サービス流量、ＯＳＮＲ、エラー率及び光出力パワーなどを含むが、それに限定されていない。ヘッドノードのノード能力情報、テールノードのノード能力情報、ヘッドノードからテールノードまで経過した中間ノードのノード能力情報などの内容に基づいて、サービス情報の伝送パラメータを取得することができる。また、サービス情報の伝送パラメータは、予測して得られる伝送パラメータであってもよく、ネットワークからリアルタイムに検出して得られる伝送パラメータであってもよく、本実施例は、それを具体的に限定しない。例えば、サービス情報の伝送パラメータが予測処理により得られる伝送パラメータである場合に、ニューラルネットワークなどの方式により構築される予測モデルなどを利用して、ヘッドノードのノード能力情報、テールノードのノード能力情報、ヘッドノードからテールノードまで経過した中間ノードのノード能力情報などの内容に対して予測処理することにより、サービス情報の伝送パラメータが得られる。

【0072】

ＧＣＮモデルを含むネットワークモデルはサービス情報の伝送パラメータに対して伝送性能予測を行うので、ネットワークモデルをトレーニングするためのトレーニングデータは、同様にサービス情報の伝送パラメータである。ネットワークモデルをトレーニングするためのトレーニングデータは、複数種の方式により取得されることができ、本実施例は、それを具体的に限定しない。例えば、ネットワークから、実際に伝送されるサービス情報の伝送パラメータを取得することにより取得されることができ、マニュアルシミュレーションの方式により取得されることもできる。マニュアルシミュレーションの方式によりトレーニングデータが得られる場合に、実際ネットワークトポロジーにより仮想ネットワークトポロジーを構築し、その後に仮想ネットワークトポロジーにサービス情報の伝送をシミュレーションしてトレーニングデータを取得することができる。

【0073】

上記ステップＳ３１０とステップＳ３２０を含むトレーニング方法により、ネットワークにおけるサービス情報の伝送パラメータを利用してＧＣＮモデルを含むネットワークモデルに対してトレーニングし、ＧＣＮモデルがネットワークにおけるサービス情報の伝送経路情報に基づいて得られるので、ＧＣＮモデルは、該サービス情報を伝送するネットワークトポロジーに合わせることができ、伝送パラメータは、サービス情報のネットワークにおける対応する伝送経路を伝送する場合の伝送性能を示すので、サービス情報の伝送パラメータを利用して該ＧＣＮモデルを含むネットワークモデルに対してトレーニングすることにより、トレーニングを完了した、該ＧＣＮモデルを含むネットワークモデルはネットワークにおけるサービス情報の伝送性能予測を比較的に正確かつ有効的に実現できる。

【0074】

一実施例では、ＧＣＮモデルは、伝送パラメータを入力するための入力ノードを含むことができ、該入力ノードは、伝送経路情報に対応し、同一起点関係又は同一終点関係がある伝送経路情報に対応する入力ノードの間は接続される。

【0075】

なお、本実施例におけるＧＣＮモデルが図２に示される実施例におけるＧＣＮモデルであるので、本実施例におけるＧＣＮモデルの具体的な構成の説明は、図３に示される例における詳しい内容説明を参照することができ、ここで重複して説明しない。

【0076】

また、一実施例では、ネットワークモデルは、さらにＤＮＮモデルを含むことができ、ＤＮＮモデルの入力は、ＧＣＮモデルの出力に接続され、この場合に、図１３に示すように、ステップＳ３２０における伝送パラメータを利用してネットワークモデルに対してトレーニングするステップは、以下のステップを含むことができるが、それに限定されていない。

【0077】

ステップＳ３２１：伝送パラメータを入力ノードに入力してＧＣＮモデルに対してトレーニングし、伝送特徴サンプルが得られる。

【0078】

ステップＳ３２２：伝送特徴サンプルをＤＮＮモデルに入力してＤＮＮモデルに対してトレーニングする。

【0079】

一実施例では、異なる時刻でのサービス情報の伝送パラメータを取得することができ、その後に、これらの伝送パラメータを入力ノードに入力してＧＣＮモデルに対してトレーニングし、それによりＧＣＮモデルは、これらの伝送パラメータに対して時間次元及び空間次元で特徴抽出を行い、伝送特徴サンプルが得られ、次に、これらの伝送特徴サンプルをＤＮＮモデルに入力してＤＮＮモデルに対してトレーニングし、それによりトレーニングを完了したＧＣＮモデル及びＤＮＮモデルは、ネットワークにおけるサービス情報の伝送性能予測を比較的に正確かつ有効的に実現できる。

【0080】

一例で伝送パラメータを利用してネットワークモデルに対してトレーニングする過程を説明し、図５に示すように、まず、異なる時刻でのサービス情報の伝送パラメータをそれぞれ取得して初期のトレーニングサンプルデータとし、例えば、ｔ時刻及びｔ＋１時刻などの時刻でのｎ個の入力ノードに対応するサービス情報の伝送パラメータをトレーニングサンプルデータとして取得し、次に、これらのトレーニングサンプルデータを図５に示されるＧＣＮモデル処理部分に入力し、これらのトレーニングサンプルデータはＧＣＮモデルに対してトレーニングし、伝送特徴サンプルが得られ、次に、該伝送特徴サンプルを図５に示されるＤＮＮモデル処理部分に入力し、該伝送特徴サンプルはＤＮＮモデルに対してトレーニングすることができ、それによりトレーニングを完了した、該ＧＣＮモデルを含むネットワークモデルは、ネットワークにおけるサービス情報の伝送性能予測を比較的に正確かつ有効的に実現できる。

【0081】

ＧＣＮモデルが伝送パラメータに対して時間次元で特徴抽出を行うことは、ＧＣＮモデルが異なる時刻での伝送パラメータに対して特徴抽出を行う処理である。ＧＣＮモデルが伝送パラメータに対して空間次元で特徴抽出を行うことは、ＧＣＮモデルが伝送パラメータに対して畳み込み処理を行って空間特徴化を有する特徴パラメータが得られることである。

【0082】

また、一実施例では、ステップＳ３２１における伝送パラメータを入力ノードに入力してＧＣＮモデルに対してトレーニングするステップは、以下のステップを含むことができるが、それに限定されていない。

【0083】

伝送パラメータを入力ノードに入力し、かつ逆伝播アルゴリズムによりＧＣＮモデルに対してトレーニングする。

【0084】

逆伝播アルゴリズムによりＧＣＮモデルに対してトレーニングすることにより、教師あり学習の形式でＧＣＮモデルに対してトレーニングすることができ、トレーニングを完了したＧＣＮモデルは、ネットワークにおけるサービス情報の伝送パラメータに対して伝送性能予測をより正確に行うことができ、それにより、後続きの情報処理操作は、ネットワークにおけるサービス情報の伝送性能予測をより正確かつ有効的に行うことができる。

【0085】

また、一実施例では、ステップＳ３２２は、以下のステップを含むことができるが、それに限定されていない。

【0086】

伝送特徴サンプルをＤＮＮモデルに入力し、かつ逆伝播アルゴリズムによりＤＮＮモデルに対してトレーニングする。

【0087】

逆伝播アルゴリズムによりＤＮＮモデルに対してトレーニングすることにより、教師あり学習の形式でＤＮＮモデルに対してトレーニングすることができ、トレーニングを完了した後のＤＮＮモデルは、ネットワークにおけるサービス情報の伝送パラメータに対して伝送性能予測をより正確に行うことができ、それにより、後続きの情報処理操作は、ネットワークにおけるサービス情報の伝送性能予測をより正確かつ有効的に行うことができる。

【0088】

一実施例では、ネットワークにおけるサービス情報の伝送経路情報に基づいて得られるＧＣＮモデルは、式ｙ＝Θ*ｇｘ＝σ（α（Ｌ）ｘ）により示されることができ、但し、ｙが該ＧＣＮモデルの出力パラメータであり、ｘが該ＧＣＮモデルに入力される入力パラメータであり、Θが畳み込みカーネル関数であり、*ｇがスペクトル法を採用するグラフ畳込み演算子であり、ｘとΘの積を示し、αが畳み込みカーネルパラメータであり、Ｌが正規化されるグラフラプラシアン演算子であり、σが活性化関数であり、例えばＲｅＬＵ活性化関数である。

【0089】

ネットワークにおけるサービス情報の伝送パラメータを取得した後に、該伝送パラメータをトレーニングサンプルデータとして式ｙ＝Θ*ｇｘ＝σ（α（Ｌ）ｘ）に入力して、ＧＣＮモデルに対してトレーニングすることができる。なお、伝送パラメータをトレーニングサンプルデータとして式ｙ＝Θ*ｇｘ＝σ（α（Ｌ）ｘ）に入力すると、

【数12】

が得られ、
但し、

【数13】

が、ＧＣＮモデルが伝送パラメータに対してグラフ畳込みを行った後に得られる時間特徴化及び空間特徴化を有する伝送特徴パラメータを示し、ｎがネットワークにおけるサービス情報の伝送数量（即ち、サービス情報を伝送する伝送経路の数量）であり、

【数14】

が、ＧＣＮモデルに入力されるＭ個の時刻でのｎ個の伝送パラメータを示し、かつそれぞれの伝送パラメータがいずれもｋ次元伝送性能属性であり、

【数15】

が、第ｔ個の時刻でのｎ個の伝送パラメータの第ｊ次元の伝送性能属性の畳み込みカーネルパラメータを示し、

【数16】

が、ＧＣＮモデルに入力される第ｔ個の時刻でのｎ個の伝送パラメータの第ｊ次元の伝送性能属性を示す。

【0090】

また、本願の一実施例は、さらに、電子機器を提供し、該電子機器は、メモリ、プロセッサ、及びメモリに記憶されかつプロセッサで実行可能なコンピュータプログラムを含む。

【0091】

プロセッサとメモリは、バス又は他の方式により接続されることができる。

【0092】

メモリは、非一時的なコンピュータ読み取り可能な記憶媒体として、非一時的なソフトウェアプログラムと、非一時的なコンピュータ実行可能なプログラムとを記憶するために使用することができる。さらに、メモリは、高速ランダムアクセスメモリを含むことができ、また、少なくとも１つの磁気ディスク記憶装置、フラッシュメモリ、又は他の非一時的なソリッドステートメモリのような非一時的なメモリを含んでもよい。いくつかの実施形態では、メモリは、ネットワークを介してプロセッサに接続されることができる当該プロセッサに対してリモートに配置されたメモリを含んでもよい。上記のネットワークの例には、インターネット、企業イントラネット、ローカルエリアネットワーク、移動通信ネットワーク、及びこれらの組み合わせが含まれるが、これらに限定されない。

【0093】

なお、本実施例における電子機器は、図１に示される実施例におけるネットワーク制御器又はサービス情報を送信するヘッドノードとして適用することができ、本実施例における電子機器及び図１に示される実施例におけるネットワーク制御器又はサービス情報を送信するためのヘッドノードは、同じ発明構想であるため、これらの実施例は同一の実現原理及び技術的効果を有するので、ここでは詳しく説明しない。

【0094】

上記の実施例の情報処理方法を実現するために必要な非一時的なソフトウェアプログラム及び命令は、メモリに記憶され、プロセッサにより実行されると、上記の実施例における情報処理方法を実行し、例えば、上記の図２における方法ステップＳ１１０～Ｓ１２０、図４における方法ステップＳ１２１～Ｓ１２２を実行する。

【0095】

また、本願の一実施例は、さらに電子機器を提供し、該電子機器は、メモリ、プロセッサ、及びメモリに記憶されかつプロセッサで実行可能なコンピュータプログラムを含む。

【0096】

プロセッサとメモリは、バス又は他の方式により接続される。

【0097】

メモリは、非一時的なコンピュータ読み取り可能な記憶媒体として、非一時的なソフトウェアプログラムと、非一時的なコンピュータ実行可能なプログラムとを記憶するために使用することができる。さらに、メモリは、高速ランダムアクセスメモリを含むことができ、また、少なくとも１つの磁気ディスク記憶装置、フラッシュメモリ、又は他の非一時的なソリッドステートメモリのような非一時的なメモリを含んでもよい。いくつかの実施形態では、メモリは、ネットワークを介してプロセッサに接続されることができる当該プロセッサに対してリモートに配置されたメモリを含んでもよい。上記のネットワークの例には、インターネット、企業イントラネット、ローカルエリアネットワーク、移動通信ネットワーク、及びこれらの組み合わせが含まれるが、これらに限定されない。

【0098】

なお、本実施例における電子機器は、図１に示される実施例におけるネットワーク制御器又はサービス情報を送信するヘッドノードとして適用することができ、本実施例における電子機器及び図１に示される実施例におけるネットワーク制御器又はサービス情報を送信するためのヘッドノードは、同じ発明構想であるため、これらの実施例は同一の実現原理及び技術的効果を有するので、ここでは詳しく説明しない。

【0099】

上記の実施例のネットワークモデルの生成方法を実現するために必要な非一時的なソフトウェアプログラム及び命令は、メモリに記憶され、プロセッサにより実行されると、上記の実施例におけるネットワークモデルの生成方法を実行し、例えば、上記の図６における方法ステップＳ２１０～Ｓ２２０、図７における方法ステップＳ２２１～Ｓ２２２を実行する。

【0100】

また、本願の一実施例は、さらに、電子機器を提供し、該電子機器は、メモリ、プロセッサ、及びメモリに記憶されかつプロセッサで実行可能なコンピュータプログラムを含む。

【0101】

プロセッサとメモリは、バス又は他の方式により接続される。

【0102】

メモリは、非一時的なコンピュータ読み取り可能な記憶媒体として、非一時的なソフトウェアプログラムと、非一時的なコンピュータ実行可能なプログラムとを記憶するために使用することができる。さらに、メモリは、高速ランダムアクセスメモリを含むことができ、また、少なくとも１つの磁気ディスク記憶装置、フラッシュメモリ、又は他の非一時的なソリッドステートメモリのような非一時的なメモリを含んでもよい。いくつかの実施形態では、メモリは、ネットワークを介してプロセッサに接続されることができる当該プロセッサに対してリモートに配置されたメモリを含んでもよい。上記のネットワークの例には、インターネット、企業イントラネット、ローカルエリアネットワーク、移動通信ネットワーク、及びこれらの組み合わせが含まれるが、これらに限定されない。

【0103】

なお、本実施例における電子機器は、図１に示される実施例におけるネットワーク制御器又はサービス情報を送信するヘッドノードとして適用することができ、本実施例における電子機器及び図１に示される実施例におけるネットワーク制御器又はサービス情報を送信するためのヘッドノードは、同じ発明構想であるため、これらの実施例は同一の実現原理及び技術的効果を有するので、ここでは詳しく説明しない。

【0104】

上記の実施例のネットワークモデルのトレーニング方法を実現するために必要な非一時的なソフトウェアプログラム及び命令は、メモリに記憶され、プロセッサにより実行されると、上記の実施例におけるネットワークモデルのトレーニング方法を実行し、例えば、上記の図１２における方法ステップＳ３１０～Ｓ３２０、図１３における方法ステップＳ３２１～Ｓ３２２を実行する。

【0105】

上記で説明された機器の実施例は単に概略的なものであり、ここでは、分離された構成要素として示されたユニットは、物理的に分離されていてもよいし、物理的に分離されていなくてもよい。すなわち、１つの場所に配置されていてもよいし、複数のネットワークユニットに分散されていてもよい。これらのモジュールの一部又は全部は、実際の必要に応じて、本実施例の目的を達成するために選択されてもよい。

【0106】

また、本願の一実施例は、さらに、コンピュータ実行可能な命令を記憶したコンピュータ読み取り可能な記憶媒体を提供し、該コンピュータ実行可能な命令は、１つのプロセッサ又は制御器により、例えば、上記電子機器の実施例における１つのプロセッサにより実行され、それにより上記プロセッサは上記実施例における情報処理方法、例えば、上記の図２における方法ステップＳ１１０～Ｓ１２０、図４における方法ステップＳ１２１～Ｓ１２２を実行し、或いは、上記電子機器の実施例における１つのプロセッサにより実行され、上記プロセッサは、上記実施例におけるネットワークモデルの生成方法、例えば、上記の図６における方法ステップＳ２１０～Ｓ２２０、図７における方法ステップＳ２２１～Ｓ２２２を実行し、或いは、上記電子機器の実施例における１つのプロセッサにより実行され、上記プロセッサは、上記実施例におけるネットワークモデルのトレーニング方法、例えば、上記の図１２における方法ステップＳ３１０～Ｓ３２０、図１３における方法ステップＳ３２１～Ｓ３２２を実行する。

【0107】

本願の実施例は、サービス情報のネットワークにおける伝送性能を示す、ネットワークにおけるサービス情報の伝送パラメータを取得するステップと、事前にトレーニングされたネットワークモデルを利用して伝送パラメータに対して伝送性能予測を行うステップであって、ネットワークモデルはグラフ畳込みネットワークＧＣＮモデルを含み、ＧＣＮモデルはネットワークにおけるサービス情報の伝送経路情報に基づいて得られるステップとを含む。本願の実施例による方案によれば、ＧＣＮモデルがネットワークにおけるサービス情報の伝送経路情報に基づいて得られるので、該ＧＣＮモデルは、該サービス情報を伝送するネットワークトポロジーに合わせることができ、従って、該ＧＣＮモデルを含むネットワークモデルを利用してネットワークにおけるサービス情報の伝送パラメータを処理することにより、ネットワークにおけるサービス情報の伝送性能予測を比較的に正確かつ有効的に実現できる。

【0108】

当業者であれば理解できるように、上記で開示された方法におけるステップの全部又は一部、システムは、ソフトウェア、ファームウェア、ハードウェア、及びそれらの適切な組み合わせとして実装されてもよい。物理的コンポーネントの一部又はすべては、中央処理装置、デジタル信号プロセッサ、又はマイクロプロセッサなどのプロセッサによって実行されるソフトウェアとして、又はハードウェアとして、又は特定用途向け集積回路などの集積回路として実装されてもよい。このようなソフトウェアは、コンピュータ記憶媒体（又は非一時的な媒体）及び通信媒体（又は一時的な媒体）を含むことができるコンピュータ読み取り可能な媒体に配布することができる。当業者に周知のように、コンピュータ記憶媒体という用語は、情報（コンピュータ読み取り可能な命令、データ構造、プログラムモジュール、又は他のデータなど）を記憶するための任意の方法又は技術において実施される、揮発性及び不揮発性の、取り外し可能な、及び取り外し不可能な媒体を含む。コンピュータ記憶媒体は、ＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ、フラッシュメモリ又は他のメモリ技術、ＣＤ－ＲＯＭ、デジタル多用途ディスク（ＤＶＤ）又は他の光ディスク記憶装置、磁気カートリッジ、磁気テープ、磁気ディスク記憶装置又は他の磁気記憶装置、又は所望の情報を記憶するために使用することができ、コンピュータによってアクセスすることができる他の任意の媒体を含むが、これらに限定されない。さらに、通信媒体は、通常、コンピュータ読み取り可能な命令、データ構造、プログラムモジュール、又は搬送波又は他の送信機構のような変調データ信号中の他のデータを含み、任意の情報配信媒体を含み得ることは当業者には周知である。

【0109】

以上は本発明の好ましい実施例について具体的に説明したが、本発明は上記の実施形態に限定されるものではなく、当業者は本発明の範囲を逸脱しなく、様々な均等な変形又は置換を行うことができ、これら均等な変形又は置換はいずれも本発明の請求の範囲によって限定される範囲内に含まれる。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】