CN109889525A - 多通信协议智能感知方法 - Google Patents
多通信协议智能感知方法 Download PDFInfo
- Publication number
- CN109889525A CN109889525A CN201910142152.8A CN201910142152A CN109889525A CN 109889525 A CN109889525 A CN 109889525A CN 201910142152 A CN201910142152 A CN 201910142152A CN 109889525 A CN109889525 A CN 109889525A
- Authority
- CN
- China
- Prior art keywords
- output
- network
- layer
- layer network
- communication protocol
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明公开了一种多通信协议智能感知方法,其能够用于配用电物联网边缘计算,该多通信协议智能感知方法包括:构建一个用于配用电物联网边缘计算的轻量级深度神经网络模型;通过多种不同通信协议类型的协议帧数据训练所述轻量级深度神经网络模型,得到预训练模型;将所述预训练模型部署至配用电终端的多协议智能感知系统中;所述多协议智能感知系统根据所述预训练模型对接收到的协议帧数据进行感知推理从而识别出所述接收到的协议帧数据的协议类型。该多通信协议智能感知方法能够应用在配用电物联网边缘计算中,实现边缘侧快速感知各种应用协议,促进配用电终端的各接入设备互联互通与即插即用。
Description
技术领域
本发明是关于边缘计算领域,特别是关于一种多通信协议智能感知方法。
背景技术
随着物联网技术和人工智能技术的快速发展以及云计算服务的成功应用推动了新的计算范式边缘计算,传统电网越来越需要和新一代信息技术做深度融合来实现智能电网各业务的统一。边缘计算着眼于实时、短周期数据的分析,靠近设备端,更好地支撑本地业务实时分析和智能化处理,具有分布式和低延时、效率更高、缓解流量压力等特点,相较单纯的云计算也更加高效和安全。在深度学习不断渗透到智能电网的同时,探索适合于配用电物联网边缘计算的智能技术对于推进智能电网运行的高效性意义重大。
在配用电物联网中,各地终端通信接入网建设规模差异较大、通信接入层各类业务需求尚未统一、应用协议标准化程度不够且种类繁多,影响智能配用电业务的高效、双向传输。配用电物联网边缘终端在接入多异构设备时,面临多种不同的应用协议识别时,如电、水、气、热表计设备、充电桩设备等不同设备的接入带来了不同类型的应用协议快速识别问题,仍然是互联互通和即插即用的较大阻碍。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供一种多通信协议智能感知方法,其能够应用在配用电物联网边缘计算中,实现边缘侧快速感知各种应用协议,促进配用电终端的各接入设备互联互通与即插即用。
为实现上述目的,本发明提供了一种多通信协议智能感知方法,其能够用于配用电物联网边缘计算,该多通信协议智能感知方法包括:构建一个用于配用电物联网边缘计算的轻量级深度神经网络模型;通过多种不同通信协议类型的协议帧数据训练所述轻量级深度神经网络模型,得到预训练模型;将所述预训练模型部署至配用电终端的多协议智能感知系统中;所述多协议智能感知系统根据所述预训练模型对接收到的协议帧数据进行感知推理从而识别出所述接收到的协议帧数据的协议类型。
在一优选的实施方式中,构建一个用于配用电物联网边缘计算的轻量级深度神经网络模型包括:在第1层网络中选取32个大小为3*3的卷积核进行卷积操作,并通过ReLU函数进行映射输出,其中所述ReLU函数表示为ReLU(x)={x(x>0),0(x<=0)},x代表输入向量;在第2层网络中将所述第1层网络的输出进行平均池化操作,步长为2;在第3层网络中从所述第2层网络的输出中选取64个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;在第4层网络中将所述第3层网络的输出进行平均池化操作,步长为2;在第5层网络中对所述第4层网络的输出选取128个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;在第6层网络中将所述第5层网络的输出进行平均池化操作,步长为2;在第7层网络中对所述第6层网络的输出选取256个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;在第8层网络中对所述第7层网络的输出选取512个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;在第9层网络中选取7个大小为3*3的卷积核对所述第8层网络输出进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;在第10层网络中,全连接层将所述第9层网络输出通过全局平均池化展开为向量并通过所述ReLU函数传递至概率模型输出每个通信协议类型的概率值。
在一优选的实施方式中,所述概率模型表示为:
其中,θ1,θ2,…,θk∈Rn+1是所述轻量级深度神经网络模型的权重参数,内积的n维线性空间记为R,其元素是n维向量,k表示所述轻量级深度神经网络模型能够识别的通信协议类型的总数。
在一优选的实施方式中,通过多种不同通信协议类型的协议帧数据训练所述轻量级深度神经网络模型包括:在步骤S1中根据多种不同应用协议类型的协议帧数据分别随机生成多帧合法数据作为训练样本数据;在步骤S2中将所述轻量级深度神经网络模型的权重参数随机初始化;在步骤S3中将所述训练样本数据输入至所述配用电终端的内存,从所述训练样本数据取一个样本,将该样本输入所述轻量级深度神经网络模型;在步骤S4中计算所述轻量级深度神经网络模型的隐层单元相应的实际输出;在步骤S5中计算所述轻量级深度神经网络模型的输出层单元的实际输出;在步骤S6中计算所述输出层单元相应的期望输出的误差;在步骤S7中判断所述误差是否满足要求,如果不满足要求,则计算所述隐层单元的误差,进入反向传播阶段,求误差梯度并按照最小化误差的方法反向传播调整所述权重参数的矩阵,然后返回所述步骤S4;如果满足要求,则训练结束。
在一优选的实施方式中,所述误差的算法为:
其中,m表示所述训练样本数据的个数,λ表示权重惩罚因子,i表示第几个训练数据样本,j表示第几个通信协议类型。
在一优选的实施方式中,将所述训练样本数据输入至所述配用电终端的内存包括:以128*128的矩阵的形式存放所述训练样本数据,各个训练样本数据的每个字节作为一个神经元,如果所述训练样本数据的帧长度小于128*128,则所述矩阵没有填满的位置补入零。
在一优选的实施方式中,所述多协议智能感知系统根据所述预训练模型对接收到的协议帧数据进行感知推理从而识别出所述接收到的协议帧数据的协议类型包括:将所述多协议智能感知系统接收到的协议帧数据输入所述预训练模型;在第1层网络中选取32个大小为3*3的卷积核进行卷积操作,并通过ReLU函数进行映射输出,其中所述ReLU函数表示为ReLU(x)={x(x>0),0(x<=0)},x代表输入向量;在第2层网络中将所述第1层网络的输出进行平均池化操作,步长为2;在第3层网络中从所述第2层网络的输出中选取64个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;在第4层网络中将所述第3层网络的输出进行平均池化操作,步长为2;在第5层网络中对所述第4层网络的输出选取128个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;在第6层网络中将所述第5层网络的输出进行平均池化操作,步长为2;在第7层网络中对所述第6层网络的输出选取256个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;在第8层网络中对所述第7层网络的输出选取512个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;在第9层网络中选取7个大小为3*3的卷积核对所述第8层网络输出进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;在第10层网络中,全连接层将所述第9层网络输出通过全局平均池化展开为向量并通过所述ReLU函数传递至概率模型输出每个通信协议类型的概率值,根据所述概率值识别所述接收到的协议帧数据的通信协议类型。
在一优选的实施方式中,所述概率模型表示为:
其中,θ1,θ2,…,θk∈Rn+1是所述预训练模型的权重参数,内积的n维线性空间记为R,其元素是n维向量,k表示所述预训练模型能够识别的通信协议类型的总数。
与现有技术相比,根据本发明的多通信协议智能感知方法,其应用在配用电物联网边缘计算中,首先构建一种支持配用电物联网边缘计算的轻量级深度神经网络模型,通过学习多种通信协议帧数据形成预训练模型,再将预训练模型部署到配用电终端从而推理,在预训练阶段完成对多协议的学习过程,在推理阶段完成多协议的感知过程,如此可以实现边缘侧快速感知各种应用协议,促进配用电终端的各接入设备互联互通与即插即用。并且在保证识别精度损失较小的情况下,采用网络宽度尽量变宽,网络层数尽量变少,联合多组卷积和多个通道的思想构建轻量级深度神经网络模型,使其能够满足配用电网络边缘端设备内存和计算速度的要求。并且在输入数据至内存时,配用电物联网中应用协议帧数据的每个字节作为一个神经元,并固定到128*128大小的矩阵上,没填满的部分补零,可以进一步地节省内存、提升计算速度且不降低识别精度。
附图说明
图1是根据本发明一实施方式的多通信协议智能感知方法的流程图;
图2是根据本发明一实施方式构建的轻量级深度神经网络模型;
图3是根据本发明一实施方式的模型训练过程。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
为了解决配用电物联网边缘终端在接入多异构设备时无法快速识别不同的应用协议类型的问题,发明人进行了如下思考:配用电物联网作为电力系统不可分割的组成部分,配用电边缘端的各种应用需要得到有效智能管理和控制。当前尽管深度神经网络在各个领域得到了广泛应用,且效果比其它机器学习方法有比较大的进步,但深度神经网络部署在边缘端设备上面临的挑战主要是计算性能与内存的需求。在保证精度损失在可接受的范围内,构建适合于边缘设备运行的轻量级深度神经网络模型,且易于部署到边缘端设备是深度神经网络在配用电物联网应用的主要目标之一。在配用电物联网应用领域,通常协议类型识别是通过解析具体协议报文结构的方法实现,其前提是已知协议类型,如果接收到一帧未知协议类型的数据进行解析就显得十分困难,如果是多种不同类型协议同时进入终端则更是挑战。
结合上述思考,本发明针对接入设备类型、数量、通信接口种类多的问题,提出了一种多通信协议智能感知方法,首先构建一种支持配用电物联网边缘计算的轻量级深度神经网络模型,通过学习多种通信协议帧数据形成预训练模型,再将预训练模型部署到配用电终端从而推理,预训练模型可再学习,即如果需要另外增加一种协议,则让预训练模型继续学习这种协议帧数据即可。在预训练阶段完成对多协议的学习过程,在推理阶段完成多协议的感知过程。该多通信协议智能感知方法可以有效解决当前配用电物联网边缘端不同类型设备接入互操作面临的瓶颈问题,促进边缘端与云服务平台协同操作。
图1是根据本发明一实施方式的多通信协议智能感知方法,该多通信协议智能感知方法包括步骤S100~步骤S103。
在步骤S100中构建一个用于配用电物联网边缘计算的轻量级深度神经网络模型。
在一实施方式中,综合考虑配用电物联网边缘端设备内存大小与计算速度,在保证协议识别精度损失较小的情况下,采用拉宽拉浅的思想,将网络宽度尽量变宽,网络层数尽量变少,联合多组卷积和多个通道,构建适合于配用电物联网边缘计算需要的轻量级深度神经网络。卷积核形状可以采用3*3和1*1两种大小的尺寸,初始学习率设置为0.05,输出形状为7种协议的概率值大小。
如图2所示为本实施方式构建的轻量级深度神经网络模型。模型具体的构建过程如下:在第1层网络中选取32个大小为3*3的卷积核进行卷积操作,并通过ReLU函数进行映射输出,其中ReLU函数表示为ReLU(x)={x(x>0),0(x<=0)},x代表输入向量;在第2层网络中将第1层网络的输出进行平均池化操作,步长为2;在第3层网络中从第2层网络的输出中选取64个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过ReLU函数进行映射输出;在第4层网络中将第3层网络的输出进行平均池化操作,步长为2;在第5层网络中对第4层网络的输出选取128个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过ReLU函数进行映射输出;在第6层网络中将第5层网络的输出进行平均池化操作,步长为2;在第7层网络中对第6层网络的输出选取256个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过ReLU函数进行映射输出;在第8层网络中对第7层网络的输出选取512个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过ReLU函数进行映射输出;在第9层网络中选取7个大小为3*3的卷积核对第8层网络输出进行卷积操作,步长为1,并通过ReLU函数进行映射输出;在第10层网络中,全连接层将第9层网络输出通过全局平均池化展开为向量并通过ReLU函数传递至概率模型输出每个通信协议类型的概率值。
其中,概率模型表示为:
其中,θ1,θ2,…,θk∈Rn+1是轻量级深度神经网络模型的权重参数,内积的n维线性空间记为R,其元素是n维向量,k表示轻量级深度神经网络模型能够识别的通信协议类型的总数。
在步骤S101中通过多种不同通信协议类型的协议帧数据训练轻量级深度神经网络模型,得到预训练模型。
在一实施方式中,该多通信协议智能感知方法可对接入设备不同协议帧自动识别,无需逐个字节解析,将协议帧作为一个整体识别,如图3所示,具体地训练过程包括:在步骤S1中对DL/T634.5.104、Q/GDW 1376.1、DL/T645、DL/T634.5.101、IEC61850、MODBUS、IEC62056等七种类型的协议分别随机生成5000帧合法数据作为训练样本数据;在步骤S2中权重参数随机初始化;在步骤S3中输入训练样本数据至配用电终端的内存,从样本集中取一个样本(X,Yi),将X输入轻量级深度神经网络模型,其中X代表协议帧数据,Yi表示该帧数据所属协议类型;在步骤S4中计算隐层单元相应的实际输出;在步骤S5中计算输出层单元实际输出;在步骤S6中计算输出层单元相应的期望输出Yi的误差;在步骤S7中判断误差是否满足要求,如果满足要求转步骤8,如果不满足要求,则计算隐层单元误差,进入反向传播阶段,求误差梯度并按照最小化误差的方法反向传播调整权重矩阵,转步骤S4;在步骤S8中训练结束,即得到预训练模型。
其中,误差的算法为:
其中,m表示训练样本数据的个数,λ表示权重惩罚因子,i表示第几个训练数据样本,j表示第几个通信协议类型。
为了节省内存,提升计算速度,且不降低识别精度,优选地,一实施方式中,在上述步骤S3输入样本数据到内存时,输入形状采用128*128矩阵形式存放具体协议帧数据,各种应用协议帧数据的每个字节作为一个神经元。如果帧长度大于128*128=16384,则填满即可;如果帧长度小于16384,则没填的部分用零填充。
在步骤S102中将预训练模型部署至配用电终端的多协议智能感知系统中。
在步骤S103中多协议智能感知系统根据预训练模型对接收到的协议帧数据进行感知推理从而识别出接收到的协议帧数据的协议类型。
在一实施方式中,具体的感知推理过程如下:将多协议智能感知系统接收到的协议帧数据输入预训练模型;在第1层网络中选取32个大小为3*3的卷积核进行卷积操作,并通过ReLU函数进行映射输出,其中ReLU函数表示为ReLU(x)={x(x>0),0(x<=0)},x代表输入向量;在第2层网络中将第1层网络的输出进行平均池化操作,步长为2;在第3层网络中从第2层网络的输出中选取64个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过ReLU函数进行映射输出;在第4层网络中将第3层网络的输出进行平均池化操作,步长为2;在第5层网络中对第4层网络的输出选取128个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过ReLU函数进行映射输出;在第6层网络中将第5层网络的输出进行平均池化操作,步长为2;在第7层网络中对第6层网络的输出选取256个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过ReLU函数进行映射输出;在第8层网络中对第7层网络的输出选取512个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过ReLU函数进行映射输出;在第9层网络中选取7个大小为3*3的卷积核对第8层网络输出进行卷积操作,步长为1,并通过ReLU函数进行映射输出;在第10层网络中,全连接层将第9层网络输出通过全局平均池化展开为向量并通过ReLU函数传递至概率模型输出每个通信协议类型的概率值,根据概率值识别接收到的协议帧数据的通信协议类型。其中,概率模型表示为:
其中,θ1,θ2,…,θk∈Rn+1是预训练模型的权重参数,内积的n维线性空间记为R,其元素是n维向量,k表示预训练模型能够识别的通信协议类型的总数。
综上,根据本实施方式的多通信协议智能感知方法,其应用在配用电物联网边缘计算中,首先构建一种支持配用电物联网边缘计算的轻量级深度神经网络模型,通过学习多种通信协议帧数据形成预训练模型,再将预训练模型部署到配用电终端从而推理,在预训练阶段完成对多协议的学习过程,在推理阶段完成多协议的感知过程,如此可以实现边缘侧快速感知各种应用协议,促进配用电终端的各接入设备互联互通与即插即用。并且在保证识别精度损失较小的情况下,采用网络宽度尽量变宽,网络层数尽量变少,联合多组卷积和多个通道的思想构建轻量级深度神经网络模型,使其能够满足配用电网络边缘端设备内存和计算速度的要求。并且在输入数据至内存时,配用电物联网中应用协议帧数据的每个字节作为一个神经元,并固定到128*128大小的矩阵上,没填满的部分补零,可以进一步地节省内存、提升计算速度且不降低识别精度。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式,并且很显然,根据上述教导,可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用,从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (8)
1.一种多通信协议智能感知方法,其能够用于配用电物联网边缘计算,其特征在于,该多通信协议智能感知方法包括:
构建一个用于配用电物联网边缘计算的轻量级深度神经网络模型;
通过多种不同通信协议类型的协议帧数据训练所述轻量级深度神经网络模型,得到预训练模型;
将所述预训练模型部署至配用电终端的多协议智能感知系统中;以及
所述多协议智能感知系统根据所述预训练模型对接收到的协议帧数据进行感知推理从而识别出所述接收到的协议帧数据的协议类型。
2.如权利要求1所述的多通信协议智能感知方法,其特征在于,构建一个用于配用电物联网边缘计算的轻量级深度神经网络模型包括:
在第1层网络中选取32个大小为3*3的卷积核进行卷积操作,并通过ReLU函数进行映射输出,其中所述ReLU函数表示为ReLU(x)={x(x>0),0(x<=0)},x代表输入向量;
在第2层网络中将所述第1层网络的输出进行平均池化操作,步长为2;
在第3层网络中从所述第2层网络的输出中选取64个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;
在第4层网络中将所述第3层网络的输出进行平均池化操作,步长为2;
在第5层网络中对所述第4层网络的输出选取128个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;
在第6层网络中将所述第5层网络的输出进行平均池化操作,步长为2;
在第7层网络中对所述第6层网络的输出选取256个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;
在第8层网络中对所述第7层网络的输出选取512个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;
在第9层网络中选取7个大小为3*3的卷积核对所述第8层网络输出进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;以及
在第10层网络中,全连接层将所述第9层网络输出通过全局平均池化展开为向量并通过所述ReLU函数传递至概率模型输出每个通信协议类型的概率值。
3.如权利要求2所述的多通信协议智能感知方法,其特征在于,所述概率模型表示为:
其中,θ1,θ2,…,θk∈Rn+1是所述轻量级深度神经网络模型的权重参数,内积的n维线性空间记为R,其元素是n维向量,k表示所述轻量级深度神经网络模型能够识别的通信协议类型的总数。
4.如权利要求1所述的多通信协议智能感知方法,其特征在于,通过多种不同通信协议类型的协议帧数据训练所述轻量级深度神经网络模型包括:
在步骤S1中根据多种不同应用协议类型的协议帧数据分别随机生成多帧合法数据作为训练样本数据;
在步骤S2中将所述轻量级深度神经网络模型的权重参数随机初始化;
在步骤S3中将所述训练样本数据输入至所述配用电终端的内存,从所述训练样本数据取一个样本,将该样本输入所述轻量级深度神经网络模型;
在步骤S4中计算所述轻量级深度神经网络模型的隐层单元相应的实际输出;
在步骤S5中计算所述轻量级深度神经网络模型的输出层单元的实际输出;
在步骤S6中计算所述输出层单元相应的期望输出的误差;以及
在步骤S7中判断所述误差是否满足要求,如果不满足要求,则计算所述隐层单元的误差,进入反向传播阶段,求误差梯度并按照最小化误差的方法反向传播调整所述权重参数的矩阵,然后返回所述步骤S4;如果满足要求,则训练结束。
5.如权利要求4所述的多通信协议智能感知方法,其特征在于,所述误差的算法为:
其中,m表示所述训练样本数据的个数,λ表示权重惩罚因子,i表示第几个训练数据样本,j表示第几个通信协议类型。
6.如权利要求4所述的多通信协议智能感知方法,将所述训练样本数据输入至所述配用电终端的内存包括:
以128*128的矩阵的形式存放所述训练样本数据,各个训练样本数据的每个字节作为一个神经元,如果所述训练样本数据的帧长度小于128*128,则所述矩阵没有填满的位置补入零。
7.如权利要求1所述的多通信协议智能感知方法,其特征在于,所述多协议智能感知系统根据所述预训练模型对接收到的协议帧数据进行感知推理从而识别出所述接收到的协议帧数据的协议类型包括:
将所述多协议智能感知系统接收到的协议帧数据输入所述预训练模型;
在第1层网络中选取32个大小为3*3的卷积核进行卷积操作,并通过ReLU函数进行映射输出,其中所述ReLU函数表示为ReLU(x)={x(x>0),0(x<=0)},x代表输入向量;
在第2层网络中将所述第1层网络的输出进行平均池化操作,步长为2;
在第3层网络中从所述第2层网络的输出中选取64个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;
在第4层网络中将所述第3层网络的输出进行平均池化操作,步长为2;
在第5层网络中对所述第4层网络的输出选取128个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;
在第6层网络中将所述第5层网络的输出进行平均池化操作,步长为2;
在第7层网络中对所述第6层网络的输出选取256个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;
在第8层网络中对所述第7层网络的输出选取512个大小为3*3的卷积核对其进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;
在第9层网络中选取7个大小为3*3的卷积核对所述第8层网络输出进行卷积操作,步长为1,并通过所述ReLU函数进行映射输出;以及
在第10层网络中,全连接层将所述第9层网络输出通过全局平均池化展开为向量并通过所述ReLU函数传递至概率模型输出每个通信协议类型的概率值,根据所述概率值识别所述接收到的协议帧数据的通信协议类型。
8.如权利要求7所述的多通信协议智能感知方法,其特征在于,所述概率模型表示为:
其中,θ1,θ2,…,θk∈Rn+1是所述预训练模型的权重参数,内积的n维线性空间记为R,其元素是n维向量,k表示所述预训练模型能够识别的通信协议类型的总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142152.8A CN109889525A (zh) | 2019-02-26 | 2019-02-26 | 多通信协议智能感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142152.8A CN109889525A (zh) | 2019-02-26 | 2019-02-26 | 多通信协议智能感知方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109889525A true CN109889525A (zh) | 2019-06-14 |
Family
ID=66929469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910142152.8A Pending CN109889525A (zh) | 2019-02-26 | 2019-02-26 | 多通信协议智能感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109889525A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110784468A (zh) * | 2019-10-30 | 2020-02-11 | 北京智芯微电子科技有限公司 | 基于CoAP的协议转换方法及装置 |
CN113536738A (zh) * | 2021-07-05 | 2021-10-22 | 国网山东省电力公司电力科学研究院 | 一种基于神经网络的多协议规约无线转换装置 |
CN116505662A (zh) * | 2023-06-25 | 2023-07-28 | 北京智芯微电子科技有限公司 | 面向智能融合终端的试验方法、云平台、终端及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850836A (zh) * | 2015-05-15 | 2015-08-19 | 浙江大学 | 基于深度卷积神经网络的害虫图像自动识别方法 |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN106339591A (zh) * | 2016-08-25 | 2017-01-18 | 汤平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统 |
CN106803069A (zh) * | 2016-12-29 | 2017-06-06 | 南京邮电大学 | 基于深度学习的人群高兴程度识别方法 |
CN106980831A (zh) * | 2017-03-17 | 2017-07-25 | 中国人民解放军国防科学技术大学 | 基于自编码器的自亲缘关系识别方法 |
CN107153871A (zh) * | 2017-05-09 | 2017-09-12 | 浙江农林大学 | 基于卷积神经网络和手机传感器数据的跌倒检测方法 |
CN107154037A (zh) * | 2017-04-20 | 2017-09-12 | 西安交通大学 | 基于深度层次特征提取的风机叶片故障识别方法 |
CN107220506A (zh) * | 2017-06-05 | 2017-09-29 | 东华大学 | 基于深度卷积神经网络的乳腺癌风险评估分析系统 |
CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
CN108171707A (zh) * | 2018-01-23 | 2018-06-15 | 武汉精测电子集团股份有限公司 | 一种基于深度学习的Mura缺陷等级评判方法及装置 |
CN108304826A (zh) * | 2018-03-01 | 2018-07-20 | 河海大学 | 基于卷积神经网络的人脸表情识别方法 |
CN108509601A (zh) * | 2018-04-02 | 2018-09-07 | 中山大学 | 一种基于大数据分析的食品风味评定方法 |
CN108898269A (zh) * | 2018-05-16 | 2018-11-27 | 天津大学 | 基于度量的电力图像环境影响评估方法 |
-
2019
- 2019-02-26 CN CN201910142152.8A patent/CN109889525A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850836A (zh) * | 2015-05-15 | 2015-08-19 | 浙江大学 | 基于深度卷积神经网络的害虫图像自动识别方法 |
CN106250812A (zh) * | 2016-07-15 | 2016-12-21 | 汤平 | 一种基于快速r‑cnn深度神经网络的车型识别方法 |
CN106339591A (zh) * | 2016-08-25 | 2017-01-18 | 汤平 | 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统 |
CN106803069A (zh) * | 2016-12-29 | 2017-06-06 | 南京邮电大学 | 基于深度学习的人群高兴程度识别方法 |
CN106980831A (zh) * | 2017-03-17 | 2017-07-25 | 中国人民解放军国防科学技术大学 | 基于自编码器的自亲缘关系识别方法 |
CN107154037A (zh) * | 2017-04-20 | 2017-09-12 | 西安交通大学 | 基于深度层次特征提取的风机叶片故障识别方法 |
CN107153871A (zh) * | 2017-05-09 | 2017-09-12 | 浙江农林大学 | 基于卷积神经网络和手机传感器数据的跌倒检测方法 |
CN107220506A (zh) * | 2017-06-05 | 2017-09-29 | 东华大学 | 基于深度卷积神经网络的乳腺癌风险评估分析系统 |
CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
CN108171707A (zh) * | 2018-01-23 | 2018-06-15 | 武汉精测电子集团股份有限公司 | 一种基于深度学习的Mura缺陷等级评判方法及装置 |
CN108304826A (zh) * | 2018-03-01 | 2018-07-20 | 河海大学 | 基于卷积神经网络的人脸表情识别方法 |
CN108509601A (zh) * | 2018-04-02 | 2018-09-07 | 中山大学 | 一种基于大数据分析的食品风味评定方法 |
CN108898269A (zh) * | 2018-05-16 | 2018-11-27 | 天津大学 | 基于度量的电力图像环境影响评估方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110784468A (zh) * | 2019-10-30 | 2020-02-11 | 北京智芯微电子科技有限公司 | 基于CoAP的协议转换方法及装置 |
CN110784468B (zh) * | 2019-10-30 | 2022-02-22 | 北京智芯微电子科技有限公司 | 基于CoAP的协议转换方法及装置 |
CN113536738A (zh) * | 2021-07-05 | 2021-10-22 | 国网山东省电力公司电力科学研究院 | 一种基于神经网络的多协议规约无线转换装置 |
CN116505662A (zh) * | 2023-06-25 | 2023-07-28 | 北京智芯微电子科技有限公司 | 面向智能融合终端的试验方法、云平台、终端及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mousavi et al. | Traffic light control using deep policy‐gradient and value‐function‐based reinforcement learning | |
CN111860828B (zh) | 一种神经网络的训练方法、存储介质和设备 | |
CN109889525A (zh) | 多通信协议智能感知方法 | |
CN113033712B (zh) | 一种基于联邦学习的多用户协同训练人流统计方法及系统 | |
CN111935724B (zh) | 基于异步深度强化学习的无线传感器网络拓扑优化方法 | |
CN103544528A (zh) | 一种基于Hadoop的BP神经网络分类方法 | |
CN110222760A (zh) | 一种基于winograd算法的快速图像处理方法 | |
CN109934336A (zh) | 基于最优结构搜索的神经网络动态加速平台设计方法及神经网络动态加速平台 | |
CN113312177B (zh) | 一种基于联邦学习的无线边缘计算系统、优化方法 | |
CN115828831B (zh) | 基于深度强化学习的多芯粒芯片算子放置策略生成方法 | |
CN114492782A (zh) | 基于强化学习的神经网络的片上核心编译映射方法及装置 | |
CN112445132A (zh) | 一种多智能体系统最优状态一致性控制方法 | |
CN110033089A (zh) | 基于分布式估计算法的深度神经网络参数优化方法及系统 | |
CN114298178A (zh) | 一种多智能体的通信学习方法 | |
CN114495500A (zh) | 一种基于对偶动态时空图卷积的交通预测方法 | |
Asheralieva et al. | Optimizing age of information and security of the next-generation internet of everything systems | |
CN106951089A (zh) | 手势交互方法及系统 | |
CN104933052B (zh) | 数据真实值的估计方法及数据真实值估计装置 | |
Guo et al. | A novel cluster-head selection algorithm based on hybrid genetic optimization for wireless sensor networks | |
CN108509594A (zh) | 一种基于云计算框架的交通大数据清洗系统 | |
CN117216071A (zh) | 基于图嵌入的事务调度优化方法 | |
CN115758643A (zh) | 一种基于时空特征融合的网络流量预测方法、装置及存储介质 | |
CN108280746A (zh) | 一种基于双向循环神经网络的产品设计方法 | |
CN109299725A (zh) | 一种基于张量链并行实现高阶主特征值分解的预测系统和装置 | |
CN109313673A (zh) | 网络模型的运行方法及相关产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |
|
RJ01 | Rejection of invention patent application after publication |