对比文件名称：2013-07-23_US8494989B_发明授权_US08494989B1 Cognitive network management system
目标专利名称：729用于提供认知功能和促进管理的方法和装置CN110024327B
本次调用的模型名称：未指定（根据系统设定）
### 特征比对表格
| 技术特征描述及公开性判断 | 对比文件原文引用 | 公开性论述 |
| 特征A：所述系统包括：网络目标管理器（NOM）【隐含公开】 | 对比文件[0017]：“Each node also has a mission description that defines its objective tasks and optimization criteria, as well as a set of policies that define its regulatory constraints and operational parameter bounds.” 以及[0025]：“mission controller 223 controls the operation of the overall system based on a set of mission files.” | 对比文件公开了基于任务描述（运营商目标）控制系统操作的任务控制器，其功能与NOM解释运营商目标以确保系统调整行为实现目标实质相同，但未明确使用“网络目标管理器”这一名称，因此隐含公开了NOM。 |
| 特征B：环境建模和抽象（EMA）引擎【隐含公开】 | 对比文件[0017]：“CNMS-enabled nodes build an experiential knowledgebase from node-state information and operational context. State information is locally provided by a node's engines, which are independent components providing data such as GPS position, spectrum availability, terrain information, quality of service (QoS), and other network statistics.” 以及[0037] Q-learning示例中状态定义为“State: Transmission data rate in Mbps (discretized to intervals of 1 Mbps)”。 | 对比文件公开了从节点状态信息和操作上下文构建知识库，并将数据率离散化为抽象状态（KPI），隐含了环境抽象功能，但未明确命名EMA引擎，因此隐含公开。 |
| 特征C：配置管理引擎（CME）【隐含公开】 | 对比文件[0017]：“a set of policies that define its regulatory constraints and operational parameter bounds.” 以及[0023]：“learning engine 232 may be an optimization engine... can be used to optimize system settings such as transmitter power, detection thresholds, and transmission rates using learning techniques.” | 对比文件通过策略定义合法配置边界，并通过学习引擎优化系统设置，隐含了配置管理引擎定义合法候选网络配置的功能，但未明确CME名称，因此隐含公开。 |
| 特征D：决策和动作引擎（DAE）【直接公开】 | 对比文件[0026]：“Policy reasoner 221 is configured to make decisions based on the current system state and a set of predefined and/or learned policies.” | 对比文件明确公开了策略推理器，其基于当前系统状态和策略（合法配置）做出决策，与DAE将当前抽象状态与合法配置相匹配的功能实质相同，因此直接公开了决策和动作引擎。 |
| 特征E：NOM解释针对CNM或具体CF的一个或多个运营商目标，以确保调整行为实现目标【隐含公开】 | 对比文件[0017]：“Each node also has a mission description that defines its objective tasks and optimization criteria” 以及[0025]：“mission controller 223 controls the operation of the overall system based on a set of mission files. By changing missions the operation of the system can be modified.” | 对比文件公开了任务描述定义目标，任务控制器基于任务控制操作，隐含了解释运营商目标并确保系统调整行为的功能，因此隐含公开。 |
| 特征F：EMA将环境抽象成状态，表示不同上下文，由KPI、抽象状态标签和可操作上下文构建【隐含公开】 | 对比文件[0017]：“state information is locally provided by a node's engines, which are independent components providing data such as GPS position, spectrum availability, terrain information, quality of service (QoS), and other network statistics.” 以及[0037]：“State: Transmission data rate in Mbps (discretized to intervals of 1 Mbps)” | 对比文件公开了状态信息包括QoS等KPI，并将数据率离散化为抽象状态，操作上下文隐含在引擎数据中，但未明确抽象状态标签，因此隐含公开。 |
| 特征G：CME基于抽象环境和可操作上下文定义合法候选网络配置（注：原特征文字为“使得环境建模和抽象引擎”，根据上下文应为CME）【隐含公开】 | 对比文件[0017]：“a set of policies that define its regulatory constraints and operational parameter bounds.” 以及[0023]学习引擎优化系统设置。 | 对比文件通过策略定义合法配置边界，学习引擎优化设置，隐含了基于上下文定义合法候选配置的功能，因此隐含公开。 |
| 特征H：DAE将当前抽象状态与合法配置相匹配【直接公开】 | 对比文件[0026]：“Policy reasoner 221 is configured to make decisions based on the current system state and a set of predefined and/or learned policies.” | 对比文件策略推理器直接基于当前状态和策略（合法配置）做出决策，即匹配过程，因此直接公开。 |
| 特征I：协调引擎学习不同CF决策对其他CF的影响【隐含公开】 | 对比文件[0027]：“Cognition/learning based analysis module 210 is configured to analyze the effects of decisions made by the myopic lower layers and modify policies to improve long term system performance.” | 对比文件公开了认知/学习分析模块分析决策效果并修改策略，隐含了学习不同决策影响的功能，虽然未明确多个CF，但节点间策略共享隐含了协调，因此隐含公开。 |
| 特征J：解释学习的知识【隐含公开】 | 对比文件[0027]同上。 | 分析效果即解释知识，隐含公开。 |
| 特征K：建议对CME和DAE的修改以最小化影响【隐含公开】 | 对比文件[0027]同上，修改策略。 | 修改策略相当于建议对配置管理和决策引擎的修改，隐含公开。 |
| 特征L：NOM接收一个或多个关键质量指标（KQI）输入【隐含公开】 | 对比文件[0017]任务描述包含优化准则。 | 任务描述中的优化准则可视为KQI，因此隐含公开。 |
| 特征M：提供加权或优先级排序的KPI目标【隐含公开】 | 对比文件[0017]优化准则可能隐含优先级。 | 优化准则隐含了目标的重要性，因此隐含公开。 |
| 特征N：EMA引擎被实现为分类器，将KPI聚类成逻辑可区分集合【未公开】 | 对比文件[0023]学习引擎使用遗传算法、粒子群优化，未提及分类器。 | 对比文件未公开EMA实现为分类器聚类KPI，因此未公开。 |
| 特征O：CME被实现为监督学习代理，应用神经网络等评估历史数据选择合法配置【未公开】 | 对比文件[0023]学习引擎是优化工具，未明确监督学习。 | 对比文件未公开CME作为监督学习代理，因此未公开。 |
| 特征P：DAE从合法配置应用学习不同配置的质量并选择最佳【直接公开】 | 对比文件[0036]-[0044] Q-learning学习阈值，其中学习不同动作（使用mesh或socket）的质量（成本），并选择最佳。 | 对比文件Q-learning示例直接公开了DAE学习不同配置质量并选择最佳的功能，因此直接公开。 |
| 特征Q：DAE被实现为单个目标RL代理【直接公开】 | 对比文件[0036]：“One solution for learning the threshold is to use a reinforcement learning approach known as Q-Learning” 目标是最小化丢包率和成本，单个目标。 | 对比文件直接公开了使用Q-learning（强化学习）优化单个目标（最小化成本），因此直接公开。 |
| 特征R：第一接口提供KPI目标和附加信息（权重、优先级、效用）【未公开】 | 对比文件[0024]描述CEI是API，但未明确提供KPI目标。 | 对比文件未公开提供KPI目标和附加信息的接口，因此未公开。 |
| 特征S：第二接口提供EMA与CE、CME和DAE之间的连接【未公开】 | 对比文件[0024] CEI是CNMS核心与引擎之间的接口，但引擎不是EMA等。 | 对比文件未公开第二接口，因此未公开。 |
| 特征T：第二接口提供抽象环境状态或上下文【未公开】 | 对比文件[0024]同上。 | 未公开。 |
| 特征U：第三接口提供CE与CME之间的连接【未公开】 | 对比文件未公开。 | 未公开。 |
| 特征V：第三接口提供由CE导出的关于具体CF的配置的规则【未公开】 | 对比文件未公开。 | 未公开。 |
| 特征W：第四接口提供CE与DAE之间的连接【未公开】 | 对比文件未公开。 | 未公开。 |
| 特征X：第四接口提供合法网络配置的集合【未公开】 | 对比文件未公开。 | 未公开。 |
| 特征Y：第五接口提供DAE与EMA之间的连接【未公开】 | 对比文件未公开。 | 未公开。 |
| 特征Z：第五接口携带当前网络配置【未公开】 | 对比文件未公开。 | 未公开。 |
<<<a>>><<<b>>><<<c>>><<<D>>><<<e>>><<<f>>><<<g>>><<<H>>><<<i>>><<<j>>><<<k>>><<<l>>><<<m>>><<<P>>><<<Q>>>