一种数据传输方法、装置和系统
技术领域
本申请涉及蓝牙耳机通信技术领域,具体涉及一种数据传输方法、装置和系统。
背景技术
随着物联网技术以及智能移动终端的广泛普及,蓝牙在手机、电视、音箱、游戏设备等产品中都发挥了重要的作用,无论是无线设备之间的匹配,还是设备的远程遥控,蓝牙都扮演着重要的角色。特别是在无线耳机流行的当下,蓝牙已经成为了手机中不可缺少的功能。其中,蓝牙耳机与诸如手机的数据源设备间的数据传输经常会有因为链路质量不佳而导致数据包丢失的情况,这就涉及到重传数据包的问题。
传统的蓝牙ARQ(Automatic Repeat Request)机制是耳机在收到手机发出的消息后,会回一个NULL包给手机,此时手机根据NULL包中包头的ARQN数值来决定是否重传,ARQN数值是由循环冗余校验(Cyclic Redundancy Check,CRC)得到的,它是一种信道编码技术,主要用来检测或校验数据传输或者保存后可能出现的错误。具体地,手机使用某公式计算出被传送数据所含信息的一个值,并将此值附在被传送数据后,耳机则对同一数据进行相同的计算,应该得到相同的结果。如果这两个CRC结果不一致,则说明发送中出现了差错,耳机可要求手机重新发送该数据。也就是说,若CRC校验成功,即耳机计算的CRC结果与手机计算的CRC结果一致,则ARQN为1,不需重传数据包,若CRC校验失败,即耳机计算的CRC结果与手机计算的CRC结果不一致,则ARQN为0,需重传数据包。这种通过CRC校验来判断是否重传数据包的方法,复杂度较高,花费时间较长。另外,如图1所示,在使用蓝牙耳机收听手机200音乐的实例中,若主耳机101漏听数据包,通常很多厂商的解决方法是采用中转的方法,即让从耳机102对主耳机101丢失的数据包进行补发,这就导致了主从耳机能量的消耗。
发明内容
本发明的目的是为了克服上述技术问题,提供一种数据传输方法、装置和系统,能够智能判断是否需要重传数据包且在判断需要重传数据包时能够直接将重传数据包的指示信息发送给数据源设备来使数据源设备重传数据包,数据传输可靠、准确、迅速。
第一方面,本申请提供一种数据传输方法,所述数据传输方法包括:通过与数据源设备建立的无线链路接收所述数据源设备发送的数据包;收集所述无线链路中包含的与重传所述数据包相关的特征数据;根据所述特征数据采用训练好的分类器模型判断下一时隙是否需要重传所述数据包且在判断需要重传所述数据包时直接将重传所述数据包的指示信息发送给所述数据源设备。
在一些实施例中,所述特征数据包括信号强度、传输速率、数据传输精确性、数据包占据时隙数及链路类型中的至少一者。
在一些实施例中,所述分类器模型采用如下方式训练:抓取与所述数据源设备建立连接的无线链路中的所述特征数据以形成训练数据集;基于所述训练数据集采用决策树算法建立所述分类器模型;验证所述分类器模型的准确率,当所述分类器模型的准确率低于设定值时,则以所述分类器模型对所述训练数据集的判断准确率为目标函数使用集成学习方法对所述分类器模型进行改进。
在一些实施例中,采用决策树算法建立所述分类器模型包括计算所述训练数据集中的每个所述特征数据的信息增益,按照所述信息增益从大到小的顺序依次对每个所述特征数据判断是否需要重传所述数据包以形成所述分类器模型。
在一些实施例中,所述集成学习方法包括通过所述训练数据集形成准确率低于设定值的多个弱分类器模型,将多个所述弱分类器模型进行权重分配后再进行线性组合以形成强分类器模型。
在一些实施例中,所述训练数据集为D,所述集成学习方法包括:对所述训练数据集D重新定义D
b={(x
1,y
1),(x
2,y
2),...,(x
i,y
i)...,(x
a,y
a)},其中x
i∈R
t,y
i∈{-1,1},-1指代不重传,1指代重传;假设所述训练数据集D具有均匀的权值分布,所述训练数据集D的初始权值为W
n=(w
11,...,w
1i,...,w
1a),
i=1,2,...,a,对具有权值分布W
n的训练数据集学习,在进行N轮迭代后共会产生n个弱分类器模型G
n(x),下标n代表分类器模型n,
则Gn(x)在所述训练数据集D上的重传判断误差率
更新所述训练数据集D的权值分布
Wn+1=(Wn+1,1,...,Wn+1,i,...,Wn+1,a)
进行N次后得到n个所述弱分类器模型,使用如下公式构建所述弱分类器模型的线性组合
在一些实施例中,所述分类器模型还采用如下方式训练:统计所述分类器模型在当前无线链路下的设定时间内正确判断重传所述数据包的正确次数以及漏听所述数据包的总次数,则实际判断准确率=正确次数/总次数;若所述实际判断准确率小于设定值则采用数据清洗方式对所述当前无线链路下的设定时间内的所述特征数据进行收集以形成新的训练数据集,根据所述新的训练数据集重新训练并形成新的分类器模型直至所述分类器模型的所述实际判断准确率大于所述设定值。
在一些实施例中,所述分类器模型还采用如下方式训练:在所述分类器模型的判断重传所述数据包的所述总次数在设定时间内大于设定阈值时,通知链路管理器将所述当前无线链路切换能够接收所述数据源设备发送的所述数据包的其他无线链路。
在一些实施例中,计算多次实验下所述无线链路环境变差时在所述设定时间内的判断重传所述数据包的重传次数,对多个所述重传次数取平均数以获得所述设定阈值。
第二方面,本申请提供一种数据传输装置,用于执行上述的数据传输方法,包括:接收模块,用于通过与数据源设备建立的无线链路接收所述数据源设备发送的数据包;数据收集模块,用于收集所述无线链路中包含的与重传所述数据包相关的特征数据;判断模块,用于根据所述特征数据采用训练好的分类器模型判断下一时隙是否需要重传所述数据包且在判断需要重传所述数据包时直接将重传所述数据包的指示信息发送给所述数据源设备。
第三方面,本申请提供一种数据传输系统,包括:收发器、处理器和存储器;所述存储器存储有一个或多个程序,所述一个或多个程序包括指令,当所述指令被所述数据传输系统执行时,使得所述数据传输系统执行以上所述的数据传输方法。
在上述技术方案中,由于根据当前无线链路中包含的与重传数据包相关的特征采用训练好的分类器模型能够判断下一时隙是否需要重传所述数据包且在判断需要重传所述数据包时能够直接将重传数据包的指示信息发送给数据源设备,来使数据源设备重传数据包,这样无需进行CRC校验,数据传输可靠、准确、迅速。此外,在主蓝牙耳机漏听数据包时,可以让手机直接重传数据包给主蓝牙耳机,与在主蓝牙耳机漏听数据包时要求从蓝牙耳机将数据包转发的方式相比,降低了主从蓝牙耳机的能量消耗。
附图说明
图1是现有技术的一种数据传输的场景示意图;
图2是本申请实施例提供的一种数据传输方法的流程图;
图3是本申请实施例提供的一种数据传输的场景示意图;
图4是本发明实施例提供的分类器模型的训练流程图
图5是基于决策树算法形成的一种分类器模型;
图6是本申请实施例提供的一种集成算法的流程图;
图7是本申请实施例提供的一种数据传输系统的框图;
图8是图7中的处理器的框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图2是本申请实施例提供的一种数据传输方法的流程图。如图2所示,所述数据传输方法包括如下步骤:步骤S21,通过与数据源设备建立的无线链路接收所述数据源设备发送的数据包;步骤S22,收集所述无线链路中包含的与重传所述数据包相关的特征数据;步骤S23,根据所述特征数据采用训练好的分类器模型判断下一时隙是否需要重传所述数据包且在判断需要重传所述数据包时直接将重传所述数据包的指示信息发送给所述数据源设备。其中,无线链路可为采用蓝牙网络建立的链路,当然也可为采用其他网络建立的链路,例如WIFI。
图3为本申请实施例提供的一种数据传输的场景示意图。如图3所示,本申请提供的数据源设备为手机20,接收所述数据源设备发送的数据包的装置为蓝牙耳机,上述的数据传输方法由蓝牙耳机执行。在本申请实施例中,手机20也可为平板、电脑等其他能够向蓝牙耳机发送数据包的设备,蓝牙耳机也可为蓝牙音箱等蓝牙设备。其中,蓝牙耳机可包括主蓝牙耳机11和从蓝牙耳机12。以主蓝牙耳机11为例,当其漏听数据包时,根据其与手机20间之间的当前无线链路中包含的与重传数据包括相关的特征数据,采用训练好的分类器模型可判断下一时隙是否需要重传数据包且在判断需要重传数据包时直接将重传数据包的指示信息发送给数据源设备,以使数据源设备重传数据包。
在上述技术方案中,由于根据当前的无线链路中包含的与重传数据包相关的特征数据采用训练好的分类器模型能够判断下一时隙是否需要重传所述数据包且在判断需要重传所述数据包时能够直接将重传所述数据包的指示信息发送给所述数据源设备,来使数据源设备重传数据包,这样无需进行CRC校验,数据传输可靠、准确、迅速。此外,在主蓝牙耳机漏听数据包时,可以让手机直接重传数据包给主蓝牙耳机,与在主蓝牙耳机漏听数据包时要求从蓝牙耳机将数据包转发的方式相比,降低了主从蓝牙耳机的能量消耗。
其中,在一些实施例中,所述特征数据包括信号强度、传输速率、数据传输精确性、数据包占据时隙数及链路类型中的至少一者。具体地:
(1)基于传统的网络架构,影响链路质量水平的网络参数应当有信号强度(Received Signal Strength Indication下面简称为RSSI),单位为dbm,在蓝牙网络中,可以直接理解为收到蓝牙信号的强度,RSSI=10logP,P表蓝牙耳机接收到的信号功率,RSSI在R dbm以上链路质量才能得到保证,其中,R为一具体数值,因此RSSI应当是重传判断的先决条件,我们可以把RSSI在R dbm以上划为一类,在R dbm以下划为另一类,通常在蓝牙网络中认为RSSI在-70dbm以下时链路质量正常。因此,可以取R为-70,并把它作为特征数据A1。
(2)传输速率,数据传输过程中ACL数据包用于异步逻辑传输和CSB逻辑传输。携带的信息可以是用于逻辑传输的用户数据,也可以是用于异步逻辑传输的控制数据。为满足不同的速率要求,数据包被划分为中等速率(Data Medium简称为DM)与高等速率(DataHigh简称为DH),单位为bit/s,在重传判断中应当分开考虑,因此可以作为一个重要划分依据,训练数据集在这里被划分为两类,所以我们可以把它作为特征数据A2。
(3)衡量数据在规定时间内数据传输精确性的指标是判断手机重传中不可或缺的因素。在蓝牙网络中,上层命令可以直接调用到的指标为误包率(Package Error Ratio,简称为PER)与误比特率(Bit Error Ratio,简称为BER),这是影响链路质量的重要指标,其中:对于误包率而言,当小于t%时可以保证链路质量,因此将误包率小于t%时定义为一类,大于t%时定义为另一类,通常认为误包率在小于5%为正常传输情况,因此t可以取5;对于误比特率而言,当小于s时可以保证链路质量,因此将误比特率小于s时定义为一类,大于s时定义为另一类,通常认为误比特率在小于10-6为正常传输情况,因此这里s可以取10-6,并把误包率与误比特率可以分别作为特征数据A3与A4。
(4)蓝牙为了满足短时间内对大型数据的传输,除了单时隙数据包外,还有占据多个时隙的数据包类型,包括DH3(占据3个时隙),DH5(占据5个时隙),因此数据包占据时隙数也应当作为一个分类的重要特征数据,我们将每个时隙的包各分为一类,并把它定义为特征数据A5。
(5)链路的类型特征也是一个判断重传的重要因素,蓝牙支持三种连接类型:同步定向连接(Synchronous Connection Oriented,简称为SCO)类型和异步无连接(Asynchronous Connectionless,简称为ACL)类型以及扩展的同步定向连接(ExtendedSynchronous Connection Oriented,简称为ESCO)。SCO与ESCO主要用于同步话音传输,ACL主要用于分组数据传输。处于不同的链路时蓝牙的业务不同,因此应当作为一个划分依据。我们根据链路的类型将样本划分为三类,并把它定义为特征数据A6。
图4是本发明实施例提供的分类器模型的训练流程图。如图4所示,为了使分类器模型能够实现判断下一时隙是否重传所述数据包的功能,在一些实施例中,所述分类器模型采用如下方式训练:抓取与所述数据源设备建立连接的无线链路中的所述特征数据以形成训练数据集;基于所述训练数据集采用决策树算法建立所述分类器模型;验证所述分类器模型的准确率,当所述分类器模型的准确率低于设定值时,则以所述分类器模型对所述训练数据集的判断准确率为目标函数使用集成学习方法对所述分类器模型进行改进。
具体地,利用手机与一对蓝牙耳机建立链路,播放音乐并利用sniffer等蓝牙抓包设备对上述特征数据A1-A6取样,从而得到训练数据集,音乐清晰时标记为无需重传,对单独的耳机或者手机拿远时音乐声音会逐渐变得断续或不清晰,此时对得到的训练数据集标记为重传。另外还可以通过对其中的特征数据进行设置,观察耳机中音乐的收听质量,即人为判断收听到的音乐是否连续清楚,比如可将数据包速率、链路类型进行人为设置,或是人为设置干扰环境。再进行多次取样后得到训练数据集,接下来应当进入模型建立阶段。
在一些实施例中,采用决策树算法建立所述分类器模型包括计算所述训练数据集中的每个所述特征数据的信息增益,按照所述信息增益从大到小的顺序依次对每个所述特征数据判断是否需要重传所述数据包以形成所述分类器模型。
具体地,信息增益的计算过程如下:已知得到的包含特征数据A
i的训练数据集D,|D|表示其样本容量,即采集到的判断重传的样本个数。该样本个数有K个类C
k,k=1,2,即将样本分为重传或者不重传两类,|C
k|为属于类C
k的样本个数,
然后,根据各特征数据A
i的取值将D划为n个子集D
1,D
2,...,D
n,|D
t|为D
t的样本个数,
记子集D
t中属于类C
k的样本的集合为D
tk,即D
tk=D
t∩C
k,|D
tk|为D
tk的样本个数,于是针对特征数据A
i的信息增益的计算流程如下:
(1)按如下公式计算数据集D的熵H(D)
(2)按如下公式计算特征数据Ai对数据集D的条件熵H(D|Ai)
(3)按如下公式计算信息增益
g(D,Ai)=H(D)-H(D|Ai)
在信息增益的计算完成后,准备工作已经完毕,就可以采用决策树的算法来完成重传判断,决策树算法的核心就是在决策树各个节点上应用信息增益准则来筛选特征数据,递归的构建决策树,具体方法为:从根节点开始,对节点计算所有可能的特征数据的信息增益,选择信息增益最大的特征数据作为节点的特征数据,由该特征数据的不同取值建立子节点;再对子节点递归地调用以上方法,构建决策树;直到没有特征数据可以选择为止,最后得到一个决策树,详细算法如下:
输入:无线链路的判断重传训练数据集D,特征数据集A;
输出:决策树T。
(1)若D中所有实例属于同一类Ck(样本都是重传或者都是不重传),则T为单节点树,并将类Ck作为该节点的类标记,返回T;
(2)若
则T为单节点树(特征数据已全部划分完毕),并将D中实例数最大的类C
k作为该节点的类标记,返回T;
(3)否则,按照上述算法计算A中各特征数据Ai对D的信息增益,选择信息增益最大的特征数据Ag,根据Ag将D划分为若干非空子集Dt,将Dt中实例数最大的类作为标记,构建子节点,由节点及其子节点构成树T,返回T;
(4)对第t个子节点,以Dt为数据集,以A-{Ag}为特征数据集,递归地调用步骤(1)~(3),得到子树Tt,返回Tt。
经过上述算法后便会得到重传判断决策树。图5是基于决策树算法形成的一种分类器模型。如图5所示,特征数据的信息增益从大到小的排序为信号强度、误包率、误比特率、数据包占据时隙数。需说明的是,特征数据的排列顺序根据使用情况的不同会发生变化。
在决策树初步建立完成之后,对该分类器模型的准确率进行验证,因此将训练数据集D输入决策树分类器模型,统计正确判断重传数据包的个数f,此时可采用CRC校验获得分类器模型正确判断重传数据包的个数f,则分类器模型的正确率
其中:若c>α则可以认定其为强分类器模型,无需进行改动,通常取α为80%左右;若c≤α,则可以认为建模的决策树只是一个弱分类器模型,分类的结果并不准确,因此需对其使用集成算法进行改进,以形成重传判断准确率较高的强分类器模型。
图6是本申请实施例提供的一种集成算法的流程图。如图6所示,在一些实施例中,所述集成学习方法包括通过所述训练数据集D形成准确率低于设定值的多个弱分类器模型,将多个所述弱分类器模型进行权重分配后再进行线性组合以形成强分类器模型。
具体地,在一些实施例中,所述集成学习方法包括:
对所述训练数据集D重新定义D
b={(x
1,y
1),(x
2,y
2),...,(x
i,y
i)...,(x
a,y
a)},其中x
i∈R
t,y
i∈{-1,1},-1指代不重传,1指代重传;假设所述训练数据集D具有均匀的权值分布,即每个训练样本在基本分类器模型的学习作用相同,所述训练数据集D的初始权值为W
n=(w
11,...,w
1i,...,w
1a),
i=1,2,...,a,这一假设就是保证在原始数据的基础上产生基本分类器模型G
1(X),下标1代表分类器模型1,在进行N轮迭代后共会产生n个分类器模型G
n(x),下标n代表分类器模型n。
之后需要对分类器模型进行逐步升级,使得到的分类器模型误差率越来越低,在经历N次递归后便会得到n个分类器模型,并为这n个分类器模型分配权重,分类准确率越高的权值越大,使其在最终分类器模型中产生的作用最大。将这n个分类器模型的结果进行加权表决便可得到最终的强分类器模型。具体迭代过程如下:
对n=1,2,...,N
(1)计算信息增益并采用决策树法建立分类器模型对具有权值分布Wn的训练数据集学习,得到基本分类器模型Gn(x)
(2)计算Gn(x)在训练数据集上的重传判断误差率
(4)更新训练数据集D的权值分布
Wn+1=(Wn+1,1,...,Wn+1,i,...,Wn+1,a)
这使得新得到的训练数据集Dn+1成为一个概率分布。
按照上述步骤进行N次后得到n个基本分类器模型,便可以用如下公式构建基本分类器模型的线性组合
从而得到如下的最终强分类器模型
该分类器模型与初始分类器模型G1(x)相比准确率得到很大的提升,是一个强分类器模型。之后可以对分离器模型的准确率进行验证。
由于初始训练分类器模型使用的网络与实际工作时使用的当前网络一般不同,为了提高分类器模型的泛化能力,如图4所示,在一些实施例中,所述分类器模型还采用如下方式训练:统计所述分类器模型在当前无线链路下的设定时间内正确判断重传所述数据包的正确次数以及重传所述数据包的总次数,则实际判断准确率=正确次数/总次数,其中,可采用CRC校验获得分类器模型判断重传数据包的正确次数;若所述实际判断准确率小于所述设定值则采用数据清洗方式对所述当前无线链路下的设定时间内的所述特征数据进行收集以形成新的训练数据集,根据所述新的训练数据集重新训练并形成新的分类器模型直至所述分类器模型的所述实际判断准确率大于所述设定值。具体地,可以设置一个计数器C来统计正确次数,若只有分类器模型,一旦发生判断错误,将会带来多余的数据重传,增加能量消耗,更为严重的是数据包的丢失,导致判断错误的惩罚过高,因此需要计算分类器模型的准确率。具体地,可以每隔一段设定时间T(例如,可取200个蓝牙时隙即125ms)便对该模型进行数据重传判断的准确率测试,若准确率超过Z(智能算法中通常认为Z为80%),则可以认为该重传判断分类器模型具有很强的泛化能力,无需更改,假设T个蓝牙时隙内正确判断的数据包为K个,漏听数据包的总次数为J个,则该分类器模型的准确率为:
若新的分类器模型的准确率超过Z,则无需对现有的分类器模型进行修改,若准确率小于Z,则认为该分类器模型的泛化能力不够,应该对其进行重新训练。
采用数据清洗的方法,对数据集重新选择,即对这200个时隙中的数据重新抽取数据来进行决策树建模,并计算准确率,重复决策树建模过程直到准确率有了显著提升,这一过程不仅克服了数据的特殊性,还吸收了新产生的可能的各种数据,使得到的最终的重传判断分类器模型剔除了异常值,提升了分类器模型的泛化能力。
此外,当分类器模型的实际判断准确率大于设定值时,若数据源设备的重传次数过多,应当考虑对链路的及时切换,从而保证数据传输的准确性与及时性,如图4所示,在一些实施例中,所述分类器模型还采用如下方式训练:在所述分类器模型的判断重传所述数据包的所述总次数在设定时间内大于设定阈值时,通知链路管理器将所述当前无线链路切换能够接收所述数据源设备发送的所述数据包的其他无线链路。针对蓝牙网络中的主从耳机与手机传输音乐的场景,部署的分类器模型会对蓝牙系统中的特征数据集A进行动态监控,当有数据包漏听时,若分类器模型判断需要重传则主耳机不通知从耳机进行中转过程,让手机直接对数据进行重传,从而实现了耳机设备功耗的平衡。每次判断重传则计数器C自动加1,若计数器C数值大于设定阈值则判断链路质量不行,便可进行链路切换。举例而言,当手机与主耳机之间的链路质量不行时,可将从耳机切换为主耳机并与手机建立链路。
在一些实施例中,计算多次实验下所述无线链路环境变差时在所述设定时间内的判断重传所述数据包的重传次数,对多个所述重传次数取平均数以获得所述设定阈值。在使用蓝牙耳机收听手机音乐的实例中,链路环境变差可为音乐有明显的断续。
本发明所设计一种基于蓝牙网络系统的数据传输方法,针对蓝牙网络中的主从耳机与手机传输音乐的场景,基于机器学习中的智能算法,以提高重传判断的准确率为目标函数,以不同的蓝牙网络特征数据为约束条件,实现手机重传数据的智能判断;采用决策树建模的方式,优化建模过程,加速建模速度,从而降低算法复杂度和系统时延;进一步地,采用集成学习的优化方式,弥补了建模准确度不高的缺陷,并且给出了链路切换判断的方法,最后在蓝牙系统中的模型准确率过低时,给出了数据清洗的方法重新寻找训练数据集来重新建模。从而大幅度地提高了建立模型的泛化能力,提高了系统的实用性。
本申请还提供一种数据传输系统,包括:收发器、处理器和存储器;所述存储器存储有一个或多个程序,所述一个或多个程序包括指令,当所述指令被所述数据传输系统执行时,使得所述数据传输系统执行上述的数据传输方法。
图7是本申请实施例提供的一种数据传输系统的框图。如图7所示,该数据传输装置可包括收发器71和处理器72。处理器72由芯片构成,收发器71可为射频天线和功率放大器等。图8是图7中的处理器72的框图。如图8所示,处理器72主要包括Host控制器(HostController)721、链路管理器(Link Manager)722、软件链路控制器(Software LinkController)723、硬件抽象层(Hardware Abstract Layer)724,其中Host控制器721负责对下层的监视与应答,软件链路控制器723负责对数据的收发控制。硬件抽象层724负责对信号的收发,而与链路管理器相关的链路管理器协议(Link Manager Protocol,简称为LMP)是本发明中最为重要的组成部分,LMP协议用于链路的建立、链路安全和控制。它对于链路质量维护有着重要的作用,此外,LMP的QOS(Quality Of Service)部分负责控制微微网中每个链接的链路质量,如数据传输速度、数据包的收发种类、链路类型等,因此决策树建立的特征数据可以从蓝牙的上述部分中进行筛选,即对LMP层收集上述提到的特征数据A1-A6的指标信息作为训练数据集D。挑选好特征数据后,要收集数据并进行处理,因此需要图8中所示的数据收集模块725与判断模块726。数据收集模块725是通过LMP协议中通过命令的调用来查看当前蓝牙设备的各种特征数据的状态值。并且,判断模块726还可包括分类器模型建立单元7261和准确率计算单元7262,分类器模型建立单元7261用于基于特征数据采用诸如决策树算法的分类算法建立分类器模型,准确率计算单元7262,用于计算分类器模型的准确率。
本申请还提供一种数据传输装置,用于执行上述的数据传输方法,可包括接收模块、数据收集模块725和判断模块726。接收模块用于通过与数据源设备建立的无线链路接收所述数据源设备发送的数据包。数据收集模块725用于收集所述无线链路中包含的与重传所述数据包相关的特征数据,判断模块726用于根据所述特征数据采用训练好的分类器模型判断下一时隙是否需要重传所述数据包且在判断需要重传所述数据包时直接将重传所述数据包的指示信息发送给所述数据源设备。
在上述实施例中,图7中的数据传输系统可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
应当理解的是,在本申请实施例的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者接入网设备等)执行本申请实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请实施例的具体实施方式,但本申请实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请实施例的保护范围之内。