[发明专利]一种存储空间调整方法、设备及存储介质

说明书

本发明公开了一种存储空间调整方法、设备及存储介质，包括：接收基站集中单元发送的模型及模型对应的性能评估结果，其中，模型是在集中单元上执行的网络性能AI训练模型；根据模型的性能评估结果和对模型训练任务设定的模型性能阈值，确定模型是否达到阈值要求；根据模型是否达到阈值要求调整基站集中单元的存储空间。基站集中单元根据返回的指示调整基站集中单元的存储空间。采用本发明，克服了因存储空间导致模型性能不高的问题，整体上提高了存储资源的利用效率。

技术领域

本发明涉及通信技术领域，特别涉及一种存储空间调整方法、设备及存储介质。

背景技术

对于网络性能分析，目前采用了AI(人工智能，Artificial Intelligence)模型训练技术。

现有技术的不足在于，因网元存储量小，使得性能数据少，对于AI模型训练而言非常有限，模型精度受到影响。

发明内容

本发明提供了一种存储空间调整方法、设备及存储介质，用以解决因网元存储量小，使得性能数据少，对于AI模型训练而言非常有限，模型精度受到影响的问题。

本发明提供以下技术方案：

一种存储空间调整方法，包括：

接收基站集中单元发送的模型及模型对应的性能评估结果，其中，模型是在集中单元上执行的网络性能AI训练模型；

根据模型的性能评估结果和对模型训练任务设定的模型性能阈值，确定模型是否达到阈值要求；

根据模型是否达到阈值要求调整基站集中单元的存储空间。

实施中，所述模型是自主学习模型和/或迁移学习模型。

实施中，根据模型是否达到阈值要求调整基站集中单元的存储空间，包括：

指示达到阈值要求的基站集中单元减小存储空间，未达到阈值要求的基站集中单元增加存储空间。

实施中，以步长的方式减小存储空间；和/或，

以步长的方式增加存储空间。

实施中，通过Storage Space Change Request消息指示基站集中单元调整存储空间。

实施中，对于达到阈值要求的基站集中单元，进一步包括：

指示基站集中单元的在线推理模块采用达到阈值要求的模型中性能最好的模型。

实施中，对于未达到阈值要求的基站集中单元，进一步包括以下指示之一或者其组合：

指示基站集中单元的在线推理模块采用性能最优的模型；

将基站集中单元的在线推理模块的学习模式配置为自主学习和迁移学习；

选择其他基站的同一模型训练任务中性能达到阈值要求的最好的n个模型作为未达到阈值要求的基站集中单元的在线推理模块的迁移源，其中，n为自然数。

实施中，进一步包括：

接收基站集中单元的数据存储模块发送的存储空间分配量；

分析存储空间分配量、模型相似度、模型性能之间的关系；

建立用于建立存储空间评估模型的自主学习模型性能与存储空间分配量之间的关系模型，和/或，建立用于建立存储空间评估模型的迁移模型性能与模型相似度、存储空间分配量之间的关系模型。

一种存储空间调整方法，包括：

基站集中单元发送模型及模型对应的性能评估结果，其中，模型是在集中单元上执行的网络性能AI训练模型；