华为：中兴&amp数字孪生网络（DTN）白皮书（53页）.pdf

华为：中兴&数字孪生网络（DTN）白皮书（53页）.pdf

上传人：半声

编号：54283

2021-10-22

PDF 53页 11.43MB

《华为：中兴&amp数字孪生网络（DTN）白皮书（53页）.pdf》由会员分享，可在线阅读，更多相关《华为：中兴&amp数字孪生网络（DTN）白皮书（53页）.pdf（53页珍藏版）》请在三个皮匠报告上搜索。

1、-网络规划和建设的建模:基于数据仓库中的网络及业务相关的数据利用深度学习.机器学习(随机森林、梯度提升决策树(Gradient boosting decision tree , GBDT)等人工智能算法对业务预测、网络性能预测、覆盖优化、容量规划及站址规划等场景进行一一建模，通过数据仓库不断补充、更新训练数据到模型中，进行模型更新迭代，形成一种AI模型的自适应机制,以实现更加精确的模型推理。-网络维护的建模网络维护是一项庞大而复杂的无识别结果十存在的各种故障定位及定界问题,当前已有的抽象出来的数学算法还不具备对现存问题全面准确的表达能力。面向网络维护的建模，基于经验知识的推理规则通常更加有效。

2、因此，我们引入知识图谱作为数字孪生体中一种重要的核心技术,人类的经验知识通过知识图谱固化下来。知识图谱的规模随着不同的场景域相关经验知识的不断沉淀构建的事物之间的关联关系体系愈发庞大,所累积的背景知识亦不断增加。将网络专家自身的经验转换为推理规则集成于知识图谱，可实现对故障诊断及定位等网络维护场景的精准推理。-网络优化的建模网络优化包括诸如资源调配、流量工程、内容分发网络调度等多种场景。对于网络优化模型的建模，由于其问题的非凸性、非平稳性、随机性等困难，可采用进化类算法，如遗传算法、差分进化算法、免疫算法等，或者采用群智能算法，如蚁群算法、粒子群算法等。另外,对于复杂的动态调度优化场景，可引入强化学习基于强化学习的智能调度方法组合了动态规划、随机逼近和函数逼近的思想，与传统调度方法相比,无需建立精确的问题模型，适合解决基于动态调度的网络优化问题。

华为：中兴&数字孪生网络（DTN）白皮书（53页）.pdf

相关报告