网络性能指标数据分布预测方法和装置、设备及存储介质与流程

本技术涉及人工智能，尤其涉及一种网络性能指标数据分布预测方法和装置、电子设备及存储介质。

背景技术：

1、目前，5g网络中网络性能指标预测的方法多为采用基于多层神经网络的确定性预测模型，该模型训练得到的预测结果为一个确定性的一对一函数关系，但实际生活中，网络特征与网络性能指标之间的关系存在一定的不确定性，这种不确定性是由真实复杂无线网络的动态变化以及复杂多变的环境因素导致的，而确定性模型则无法捕捉到这种不确定性，导致网络性能指标数据分布预测不准确，因此，如何提高网络性能指标数据分布预测的准确性，成为了亟待解决的技术问题。

技术实现思路

1、本技术实施例的主要目的在于提出一种网络性能指标数据分布预测方法和装置、电子设备及存储介质，旨在提高网络性能指标数据分布预测的准确性。

2、为实现上述目的，本技术实施例的第一方面提出了一种网络性能指标数据分布预测方法，所述方法包括：

3、获取网络性能指标数据；

4、利用预设扩散模型对所述网络性能指标数据进行前向加噪处理，得到网络性能指标噪声数据；

5、根据所述网络性能指标数据及所述网络性能指标噪声数据，获取所述预设扩散模型的去噪函数；

6、根据所述去噪函数，对所述网络性能指标噪声数据进行反向去噪，得到网络性能指标样本数据；

7、利用所述预设扩散模型计算所述网络性能指标样本数据的数据分布，得到网络性能指标分布图。

8、在一些实施例，所述根据所述网络性能指标数据及所述网络性能指标噪声数据，获取所述预设扩散模型的去噪函数，包括：

9、获取所述预设扩散模型中所述网络性能指标数据到所述网络性能指标噪声数据的加噪时间长度；

10、根据预设时间步长及所述加噪时间长度计算所述网络性能指标数据到所述网络性能指标噪声数据的加噪步数，其中，所述预设时间步长是对所述网络性能指标数据进行一次加噪步骤的时间长度；

11、对所述加噪步数进行高斯傅里叶变换，得到加噪步数特征数据；

12、将所述加噪步数特征数据与所述网络性能指标数据进行特征组合，得到特征组合数据；

13、对所述特征组合数据及所述网络性能指标噪声数据进行卷积处理，得到目标特征卷积数据；

14、对所述目标特征卷积数据进行反卷积处理，得到目标特征反卷积数据；

15、对所述目标特征反卷积进行线性映射，得到去噪函数。

16、在一些实施例，所述对所述特征组合数据及所述网络性能指标噪声数据进行卷积处理，得到目标特征卷积数据，包括：

17、将所述特征组合数据与所述网络性能指标噪声数据进行特征相加，得到第一特征合并数据；

18、对所述第一特征合并数据进行一次卷积处理，得到特征卷积数据；

19、将所述特征卷积数据与所述特征组合数据进行特征相加，得到第二特征合并数据；

20、对所述第二特征合并数据进行二次卷积处理，得到目标特征卷积数据。

21、在一些实施例，所述对所述目标特征卷积数据进行反卷积处理，得到目标特征反卷积数据，包括：

22、将所述目标特征卷积数据与所述特征组合数据进行特征相加，得到第三特征合并数据；

23、对所述第三特征合并数据进行一次反卷积处理，得到特征反卷积数据；

24、将所述特征反卷积数据与第二特征合并数据进行拼接，得到第一特征拼接数据；

25、将所述第一特征拼接数据与所述特征组合数据进行特征相加，得到第四特征合并数据；

26、对所述第四特征合并数据进行二次反卷积处理，得到目标特征反卷积数据。

27、在一些实施例，所述对所述目标特征反卷积进行线性映射，得到去噪函数，包括：

28、将所述目标特征反卷积数据与第一特征合并数据进行拼接，得到第二特征拼接数据；

29、将所述第二特征拼接数据与所述特征组合数据进行特征相加，得到第五特征合并数据；

30、对所述第五特征合并数据进行三次卷积处理，得到特征合并卷积数据；

31、对所述特征合并卷积数据进行特征映射，得到所述预设扩散模型的去噪函数。

32、在一些实施例，所述预设扩散模型包括噪声调节函数，所述利用预设扩散模型对所述网络性能指标数据进行前向加噪处理，得到网络性能指标噪声数据，包括：

33、利用所述预设噪声调节函数生成随机高斯噪声数据，其中，所述预设噪声调节函数是内置于所述预设扩散模型中用于模拟通信网络信道在真实环境情况下所包含的噪声的函数；

34、将所述随机高斯噪声数据与所述网络性能指标数据进行数据合并处理，得到所述网络性能指标噪声数据。

35、在一些实施例，所述根据所述网络性能指标数据及所述网络性能指标噪声数据，获取所述预设扩散模型的去噪函数之前，所述方法还包括：

36、绘制所述网络性能指标噪声数据的二维实数轴分布图，得到网络性能指标噪声数据分布图；

37、从所述网络性能指标噪声数据分布图中查找所述网络性能指标噪声数据的峰值，得到网络性能指标噪声峰值数据；

38、根据所述网络性能指标噪声峰值数据，对所述网络性能指标噪声数据分布图中的网络性能指标噪声数据进行分区，得到峰值左侧数据区间及峰值右侧数据区间；

39、计算所述峰值左侧数据区间的均值，得到左侧数据均值；

40、计算所述峰值左侧数据区间的和值，得到左侧数据和值；

41、计算所述峰值右侧数据区间的均值，得到右侧数据均值；

42、计算所述峰值右侧数据区间的和值，得到右侧数据和值；

43、若所述左侧数据均值与所述右侧数据均值不同，或所述左侧数据和值与所述右侧数据和值不同，对所述网络性能指标噪声数据进行前向加噪处理，得到网络性能指标噪声新数据；

44、若所述左侧数据均值与所述右侧数据均值相同，且所述左侧数据和值与所述右侧数据和值相同，根据所述网络性能指标数据及所述网络性能指标噪声数据，获取所述预设扩散模型的去噪函数。

45、为实现上述目的，本技术实施例的第二方面提出了一种网络性能指标数据分布预测装置，所述装置包括：

46、数据获取?？?，用于获取网络性能指标数据；

47、数据加噪?？?，用于利用预设扩散模型对所述网络性能指标数据进行前向加噪处理，得到网络性能指标噪声数据；

48、样本数据获取?？?，用于根据所述网络性能指标数据及所述网络性能指标噪声数据，获取所述预设扩散模型的去噪函数，根据所述去噪函数，对所述网络性能指标噪声数据进行反向去噪，得到网络性能指标样本数据；

49、数据分布预测?？?，用于利用所述预设扩散模型计算所述网络性能指标样本数据的数据分布，得到网络性能指标分布图。

50、为实现上述目的，本技术实施例的第三方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述第一方面所述的方法。

51、为实现上述目的，本技术实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的方法。

52、本技术提出的网络性能指标数据分布预测方法和装置、电子设备及存储介质,其通过查找网络性能指标数据，利用预设扩散模型对网络性能指标数据进行前向加噪及反向去噪，得到网络性能指标样本数据，进而根据网络性能指标样本数据生成网络性能指标分布图，填补了网络性能指标数据的空缺，提高了网络性能指标数据分布预测的准确性。