CN111342984A - 一种信息处理方法、系统及装置 - Google Patents
一种信息处理方法、系统及装置 Download PDFInfo
- Publication number
- CN111342984A CN111342984A CN201811553145.9A CN201811553145A CN111342984A CN 111342984 A CN111342984 A CN 111342984A CN 201811553145 A CN201811553145 A CN 201811553145A CN 111342984 A CN111342984 A CN 111342984A
- Authority
- CN
- China
- Prior art keywords
- network
- strategy
- networking
- module
- environment
- 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.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 41
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 230000006855 networking Effects 0.000 claims abstract description 177
- 230000001149 cognitive effect Effects 0.000 claims abstract description 53
- 230000004083 survival effect Effects 0.000 claims description 66
- 239000011159 matrix material Substances 0.000 claims description 63
- 238000012549 training Methods 0.000 claims description 63
- 238000000034 method Methods 0.000 claims description 62
- 230000019771 cognition Effects 0.000 claims description 50
- 238000007781 pre-processing Methods 0.000 claims description 46
- 230000008859 change Effects 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 23
- 238000004140 cleaning Methods 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 abstract description 34
- 230000007246 mechanism Effects 0.000 abstract description 12
- 239000003795 chemical substances by application Substances 0.000 description 134
- 238000004891 communication Methods 0.000 description 34
- 238000001228 spectrum Methods 0.000 description 25
- 230000006870 function Effects 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 12
- 230000003044 adaptive effect Effects 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000007477 logistic regression Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 241000854291 Dianthus carthusianorum Species 0.000 description 2
- 101100172132 Mus musculus Eif3a gene Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0463—Neocognitrons
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/04—Network management architectures or arrangements
- H04L41/046—Network management architectures or arrangements comprising network management agents or mobile agents therefor
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
Abstract
本申请公开了一种信息处理方法、系统及装置，用以自组网系统通过认知学习机制实现自动化的网络场景识别，适时切换网络工作模式，并支持网络参数的自动调整，从而实现自组织网络的弹性传输服务。本申请提供的一种信息处理方法包括：自组网实体的组网策略调度模块接收决策代理的策略匹配模块发送的服务策略选择信息和支持所述自组网实体进行组网策略调度的服务；所述组网策略调度模块根据所述服务策略选择和支持所述自组网实体进行组网策略调度的服务进行组网策略调度。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种信息处理方法、系统及装置。
背景技术
无线自组网综合了移动无线通信和计算机网络等技术，无须依赖预设的通信基础设施就可以快速自动组网，具有自组织、自愈合、无中心、多跳路由和高抗毁性等特点，适合于突发、临时性的应急通信场合。利用Ad hoc网络，Ad hoc网是一种多跳的、无中心的、自组织无线网络，又称为多跳网(Multi-hop Network)、无基础设施网(InfrastructurelessNetwork)或自组织网(Self-organizing Network)的多跳转发和自组织特性可以提高网络组织的维护灵活性和健壮性。
发明内容
本申请实施例提供了一种信息处理的方法、系统及装置，用以基于环境感知构建弹性自组网系统，通过认知学习机制实现自动化的网络场景识别，适时切换网络工作模式，并支持网络参数的自动调整，实现自组织网络的弹性传输服务，克服了无线自组网所面临的生存挑战。
在决策代理侧，本申请实施例提供的一种信息处理的方法包括：
决策代理的特征信息预处理模块接收感知代理发送的网络特征信息；其中，所述网络特征信息为感知代理采集的，包括自组网当前的电磁环境信息、节点状态信息、链路状态信息；
在预设的缺省通信模式下，如山地通信环境、无电磁干扰、节点低速移动条件下的小规模自组网络，自组网中的节点通过分布式接入控制(如CSMA/CA)和动态多跳路由(如ZRP)等自组网协议支持网络以自组织方式形成一种多跳通信系统，向在网用户提供通信传输服务。在链路速率允可的条件下，向终端用户提供高性能的通信传输服务。
自组织网络的所有在网节点在使用多跳网络进行传输服务的同时，通过自身的分散感知代理收集前述的网络生存环境信息(频谱信息、链路质量、节点度、节点速度等)，周期性(或事件性)地汇聚到某个特殊的自组网节点(网络管理节点)的弹性决策代理中，此为本申请实施例提供的一种弹性自组网系统的在线感知工作模式。
所述特征信息预处理模块向决策代理的环境识别模块发送网络特征矩阵；
决策代理中的特征信息预处理模块对上述网络特征信息进行清洗、除错、补全等预处理后，将其按特征属性和节点ID为横纵坐标排列，并进行归一化处理，形成网络特征矩阵；然后将网络特征矩阵输入给环境识别模块，采用离线学习训练过的环境识别模型进行在线的环境识别，输出与当前网络生存环境最佳匹配的环境识别结果。
所述环境识别模块接收决策代理的策略学习模块发送的网络认知模型，并根据所述网络认知模型进行在线的网络环境识别和自组网策略调整；所述网络认知模型用于识别网络生存环境特征，所述环境识别模块根据所述网络特征矩阵和所述网络认知模型向决策代理的策略匹配模块发送网络环境生存识别结果。
上述环境识别模块执行内容为本申请提供的一种弹性自组网系统的模式识别工作模式，通过所述模式识别，当面临网络生存环境变化(如信号传播环境的突变、恶意电磁干扰、移动模式改变、子网融合)时，环境识别模块能够及时识别网络内、外环境中的不确定及威胁因素，并通知下游的策略匹配模块进行及时的组网策略调整。
可选地，所述策略匹配模块接收所述网络环境生存识别结果及所述策略学习模块发送的组网策略集合信息；其中，所述组网策略集合信息是对应自组网网络环境的组网策略及参数集合；
当所述网络环境生存识别结果为生存环境发生变化时，所述策略匹配模块根据所述网络环境生存识别结果与所述组网策略集合信息的映射关系进行服务策略选择；并向自组网实体发送所述服务策略选择信息和支持所述自组网实体进行组网策略调度的服务。
上述策略匹配模块执行内容与感知代理执行内容相结合为本申请实施例提供的一种弹性自组网系统的策略匹配工作模式。
在自组网实体侧，本申请实施例提供了一种信息处理方法，包括：自组网实体的组网策略调度模块接收决策代理的策略匹配模块发送的服务策略选择信息和支持所述自组网实体进行组网策略调度的服务；
所述组网策略调度模块根据所述服务策略选择和支持所述自组网实体进行组网策略调度的服务进行组网策略调度。
所述服务包括高性能服务、可靠传输服务、高可用传输服务、最大覆盖服务等服务模式，所述服务可以用于支持下述所述组网策略的调度。
为了实现网络生存环境特征与组网策略的一一映射关系，需要预定义相应的组网策略集合。
可选地，所述组网策略调度模块进行组网策略调度包括：
当网络环境生存识别结果为局部网络的链路或拓扑变化时，自组网实体的自组网协议栈向感知代理发送节点状态信息，并进行自组网的局部优化；自组网实体的无线收发装置向所述感知代理发送链路状态信息，并进行自组网的局部优化；
针对本地节点或局部网络的链路质量变化，可以采用自适应调制编码策略(Adaptive Modulation and Coding，AMC)，通过调整无线链路的传输速率来适配信道的变化，用于本地的链路质量维护；
当网络环境生存识别结果为全局网络的链路受扰时，所述自组网实体统一切换到抗干扰工作模式；典型的抗干扰工作模式包括直序扩频、跳频扩频、定向发送等方法；
当网络环境生存识别结果为全局网络的动态性变化，即网络因为节点速度的增加、机动性的增强以及传输范围的减少引起网络拓扑的动态性增强，所述自组网实体调整自组网协议参数或者切换自组网协议类型；例如，通过增加Hello消息的广播频率来更快追踪网络拓扑的变化；通过减少混合路由协议类型的分割区域，用更多的反应式路由代替先应式路由来适应网络动态性的变化；在动态性特别高的情况下，可以采用基于贪婪转发的无路由模式来更好地适应网络的动态性；
当网络环境生存识别结果为全局网络的规模扩张，即网络中的节点数目增加至超出自组网可容纳的容量时，所述自组网实体切换至分簇网络工作模式，以适应大规模自组网的组网需求。例如，可以采用典型的分簇自组织方法，如MinID、MaxDegree、WCA分簇算法，选举出群首和网关，形成互相连通的虚拟骨干网，有效减少多跳传输带来的额外开销，扩展网络的覆盖范围。
上述自组网实体执行内容与决策代理执行内容相结合为本申请实施例提供的一种弹性自组网系统的策略调度和执行工作模式。
在决策代理侧，本申请实施例提供了一种信息处理的方法，包括：
决策代理的策略学习模块接收决策代理的特征信息预处理模块发送的网络特征矩阵；
所述策略学习模块对所述网络特征矩阵进行预处理；所述预处理包括进行数据清洗、补全；
所述策略学习模块根据预处理后的网络特征矩阵进行训练数据标记；
所述策略学习模块根据所述训练数据标记进行网络认知模型训练；
所述策略学习模块向决策代理的环境识别模块发送训练后的网络认知模型；所述环境识别模块根据所述训练后的网络认知模型进行在线网络环境识别和自组网策略调整。
可选地，策略学习模块所依据的网络认知模型可以选择逻辑回归(LogisticRegression)模型作为基准学习模型，模型中的其他参数通过训练确定；
可选地，离线训练可以基于OPNET网络仿真平台生成环境训练数据及其类别标签，用作策略学习模块的训练数据集合和/或测试集；
选定初始模型和训练数据集后，通过设置不同的优化准则(如最小二乘、交叉熵)，训练算法(SGD、RMSprop、Adam)等，L1、L2正则化因子等，进行多次训练，从中选取性能最好(如准确率最高)的模型作为策略学习模块的输出。
策略学习模块输出的环境识别模型和相应的组网策略集合，供决策代理的环境识别模块和策略匹配模块在线使用。
上述策略学习模块执行内容为本申请实施例提供的一种弹性自组网系统的离线学习工作模式，所述离线学习是针对策略学习模块的训练，训练目标能够有效识别出典型的网络生存环境特征。
通过本申请实施例提供的一种信息处理的方法，弹性自组网能够在线识别自组网系统所处生存环境的变化，并作出相应的策略调整，从而适应灵活多变的网络生存环境，并提供与生存环境相适配的通信传输服务。
本申请实施例提供了一种自组网系统，该系统包括自组网实体、感知代理以及决策代理；
所述自组网实体包括自组网协议栈、无线收发装置以及组网策略调度模块；
所述组网策略调度模块用于根据所述决策代理发送的服务策略选择和支持所述自组网实体进行组网策略调度的服务进行组网策略调度；
所述自组网协议栈用于向感知代理发送节点状态信息，并根据所述组网策略调度进行自组网的局部优化；
所述无线收发装置用于向感知代理发送链路状态信息，并根据所述组网策略调度进行自组网的局部优化；所述感知代理用于向所述决策代理发送网络特征信息；其中，所述网络特征信息包括所述感知代理接收到的自组网生存环境的电磁环境信息，所述自组网协议栈发送的所述节点状态信息，所述无线收发装置发送的所述链路状态信息；
所述决策代理根据所述网络特征信息进行自组网环境识别和自组网策略分配，并向所述自组网实体发送所述服务策略选择和支持所述自组网实体进行组网策略调度的服务。
可选地，所述决策代理包括特征信息预处理模块、环境识别模块、策略匹配模块、策略学习模块、组网策略集合；
所述特征信息预处理模块用于接收所述感知代理发送的所述网络特征信息，并向所述环境识别模块发送网络特征矩阵；
所述环境识别模块用于接收所述网络特征矩阵，并根据所述信息向所述策略匹配模块发送网络环境生存识别结果；
所述环境识别模块还用于接收所述策略学习模块发送的训练后的网络认知模型，并根据所述训练后的网络认知模型进行在线的网络环境识别和自组网策略调整；
所述策略学习模块用于接收所述网络特征矩阵，并向所述环境识别模块发送所述训练后的网络认知模型；
所述策略学习模块还用于向所述策略匹配模块发送组网策略集合信息；其中，所述组网策略集合信息是对应自组网网络环境的组网策略及参数集合；
所述策略匹配模块用于接收所述网络环境生存识别结果及所述组网策略集合，并根据所述网络环境生存识别结果与所述组网策略集合的映射关系进行服务策略选择。
可选地，所述策略学习模块向所述环境识别模块发送的所述训练后的网络认知模型是通过以下方式得到的：
所述策略学习模块对所述网络特征矩阵进行预处理；所述预处理包括进行数据清洗、补全；
所述策略学习模块对预处理后的网络特征矩阵进行训练数据标记；
所述策略学习模块根据所述训练数据标记进行网络认知模型训练。
可选地，所述策略匹配模块还用于向所述自组网实体发送所述服务策略选择和支持所述自组网实体进行组网调度的服务。
相应地，本申请实施例在决策代理侧提供了一种信息处理装置，包括：
第一单元，用于决策代理的特征信息预处理模块接收感知代理发送的网络特征信息；其中，所述网络特征信息为分散感知代理采集的，包括弹性自组网当前的电磁环境信息、节点状态信息、链路状态信息；
第二单元，用于所述特征信息预处理模块向决策代理的环境识别模块发送网络特征矩阵；
第三单元，用于所述环境识别模块接收决策代理的策略学习模块发送的网络认知模型，并根据所述网络认知模型进行在线的网络环境识别和自组网策略调整；所述网络认知模型用于识别网络生存环境特征，所述环境识别模块根据所述网络特征矩阵和所述网络认知模型向决策代理的策略匹配模块发送网络环境生存识别结果。
可选地，该装置还包括：
第四单元，用于所述策略匹配模块接收所述网络环境生存识别结果及所述策略学习模块发送的组网策略集合信息；其中，所述组网策略集合信息是对应自组网网络环境的组网策略及参数集合；
第五单元，用于当所述网络环境生存识别结果为生存环境发生变化时，所述策略匹配模块根据所述网络环境生存识别结果与所述组网策略集合信息的映射关系进行服务策略选择；并向自组网实体发送所述服务策略选择信息和支持所述自组网实体进行组网策略调度的服务。
在自组网实体侧，本申请实施例提供了一种信息处理装置，包括：
第一单元，用于自组网实体的组网策略调度模块接收决策代理的策略匹配模块发送的服务策略选择信息和支持所述自组网实体进行组网策略调度的服务；
第二单元，用于所述组网策略调度模块根据所述服务策略选择和支持所述自组网实体进行组网策略调度的服务进行组网策略调度。
可选地，该装置还包括：
第三单元，用于所述组网策略调度模块进行以下组网策略调度：
当网络环境生存识别结果为局部网络的链路或拓扑变化时，自组网实体的自组网协议栈向感知代理发送节点状态信息，并进行自组网的局部优化；自组网实体的无线收发装置向所述感知代理发送链路状态信息，并进行自组网的局部优化；
当网络环境生存识别结果为全局网络的链路受扰时，所述自组网实体统一切换到抗干扰工作模式；
当网络环境生存识别结果为全局网络的动态性变化，所述自组网实体调整自组网协议参数或者切换自组网协议类型；
当网络环境生存识别结果为全局网络的规模扩张，所述自组网实体切换至分簇网络工作模式。
在决策代理侧，本申请实施例提供了一种信息处理装置，包括：
接收单元，用于决策代理的策略学习模块接收决策代理的特征信息预处理模块发送的网络特征矩阵；
预处理单元，用于所述策略学习模块对所述网络特征矩阵进行预处理；所述预处理包括进行数据清洗、补全；
训练数据标记单元，用于所述策略学习模块根据预处理后的网络特征矩阵进行训练数据标记；
网络认知模型训练单元，用于所述策略学习模块根据所述训练数据标记进行网络认知模型训练；
策略调整单元，用于所述策略学习模块向决策代理的环境识别模块发送训练后的网络认知模型；所述环境识别模块根据所述训练后的网络认知模型进行在线网络环境识别和自组网策略调整。本申请另一实施例提供了一种计算设备，其包括存储器和处理器，其中，所述存储器用于存储程序指令，所述处理器用于调用所述存储器中存储的程序指令，按照获得的程序执行上述任一种方法。
本申请另一实施例提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行上述任一种方法。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例一提供的一种弹性自组网系统结构示意图；
图2为本申请实施例提供的一种信息处理中弹性自组网环境感知方法流程示意图；
图3为本申请实施例提供的一种信息处理中弹性自组网认知学习方法流程示意图；
图4为本申请实施例决策代理侧提供的一种信息处理方法的流程示意图；
图5为本申请实施例自组网实体侧提供的一种信息处理方法的流程示意图；
图6为本申请实施例决策代理侧提供的另一种信息处理方法的流程示意图；
图7为本申请实施例提供的一种自组网系统结构示意图；
图8为本申请实施例决策代理侧提供的一种信息处理装置的结构示意图；
图9为本申请实施例自组网实体侧提供的一种信息处理装置的结构示意图；
图10为本申请实施例决策代理侧提供的另一种信息处理装置的结构示意图；
图11为本申请实施例提供的另一种信息处理装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请实施例提供了一种信息处理方法、系统及装置，用以基于环境感知的方法构建一种弹性自组网系统，通过认知学习机制实现自动化的网络场景识别，适时切换网络工作模式，并支持网络参数的自动调整，实现自组织网络的弹性传输服务，克服了无线自组网所面临的生存挑战。
其中，方法和装置是基于同一申请构思的，由于方法和装置解决问题的原理相似，因此装置和方法的实施可以相互参见，重复之处不再赘述。
本申请实施例提供的技术方案可以适用于多种系统，尤其是5G系统。例如适用的系统可以是全球移动通讯(global system of mobile communication，GSM)系统、码分多址(code division multiple access，CDMA)系统、宽带码分多址(Wideband CodeDivision Multiple Access，WCDMA)通用分组无线业务(general packet radio service，GPRS)系统、长期演进(long term evolution，LTE)系统、LTE频分双工(frequencydivision duplex，FDD)系统、LTE时分双工(time division duplex，TDD)、通用移动系统(universal mobile telecommunication system，UMTS)、全球互联微波接入(worldwideinteroperability for microwave access，WiMAX)系统、5G系统以及5G NR系统等。这多种系统中均包括终端设备和网络设备。
本申请实施例涉及的终端设备，可以是指向用户提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。在不同的系统中，终端设备的名称可能也不相同，例如在5G系统中，终端设备可以称为用户设备(user equipment，UE)。无线终端设备可以经RAN与一个或多个核心网进行通信，无线终端设备可以是移动终端设备，如移动电话(或称为“蜂窝”电话)和具有移动终端设备的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据。例如，个人通信业务(personal communication service，PCS)电话、无绳电话、会话发起协议(session initiated protocol，SIP)话机、无线本地环路(wireless local loop，WLL)站、个人数字助理(personal digital assistant，PDA)等设备。无线终端设备也可以称为系统、订户单元(subscriber unit)、订户站(subscriberstation)，移动站(mobile station)、移动台(mobile)、远程站(remote station)、接入点(access point)、远程终端设备(remote terminal)、接入终端设备(access terminal)、用户终端设备(user terminal)、用户代理(user agent)、用户装置(user device)，本申请实施例中并不限定。
本申请实施例涉及的网络设备，可以是基站，该基站可以包括多个小区。根据具体应用场合不同，基站又可以称为接入点，或者可以是指接入网中在空中接口上通过一个或多个扇区与无线终端设备通信的设备，或者其它名称。网络设备可用于将收到的空中帧与网际协议(internet protocol，IP)分组进行相互转换，作为无线终端设备与接入网的其余部分之间的路由器，其中接入网的其余部分可包括网际协议(IP)通信网络。网络设备还可协调对空中接口的属性管理。例如，本申请实施例涉及的网络设备可以是全球移动通信系统(global system for mobile communications，GSM)或码分多址接入(code divisionmultiple access，CDMA)中的网络设备(base transceiver station，BTS)，也可以是带宽码分多址接入(wide-band code division multiple access，WCDMA)中的网络设备(NodeB)，还可以是长期演进(long term evolution，LTE)系统中的演进型网络设备(evolutional node B，eNB或e-NodeB)、5G网络架构(next generation system)中的5G基站，也可是家庭演进基站(home evolved node B，HeNB)、中继节点(relay node)、家庭基站(femto)、微微基站(pico)等，本申请实施例中并不限定。
下面结合说明书附图对本申请各个实施例进行详细描述。需要说明的是，本申请实施例的展示顺序仅代表实施例的先后顺序，并不代表实施例所提供的技术方案的优劣。
现有的无线自组网通过拓扑更新和动态路由技术来实现网络自组织和多跳中继传输，典型的路由策略包括目的节点序列距离矢量(Destination-Sequenced Distance-Vector Routing，DSDV)、优化链路状态路由协议(Optimized Link State Routing，OLSR)、基于反向路径转发的拓扑分发(Topology dissemination based on reverse-pathforwarding，TBRPF)等先应式路由技术，无线自组网按需平面距离向量路由协议(Ad hocOn-Demand Distance Vector Routing，AODV)、动态源路由协议(Dynamic SourceRouting,DSR)、临时预定路由算法(Temporally Ordered Routing Algorithm，TORA)协议)等反应式路由技术，以及区域路由协议(Zone Routing Protocol，ZRP)、网关交换路由协议(Gateway switching routing protocol，CGSR)等混合路由技术。先应式路由技术通过周期性发送的邻居消息进行拓扑更新，在网络动态性增强的情况下拓扑更新的速率无法跟踪到当前网络连接的变化，从而产生频繁的路由错误和分组丢失。反应式路由技术通过按需建立和维护的路由策略进行多跳中继，可以在一定程度上缓解路由错误问题，但由于分组传输之前需要等待路由建立，会导致端到端时延很长；而且多跳超过一定数值时，其可用带宽会变得很小，以至于无法传输业务数据。混合式路由策略通过分区或分簇技术将自组网分成若干域，可以有效降低路由跳数并提高信道资源的利用率，是一种有效的适应于大规模组网的组网策略，但是其带来的代价是必须通过额外的分簇或分区进行网络拓扑维护，这是一笔相当大的网络开销。目前的混合式路由策略的参数无法做到对网络规模的自适应调整。此外，针对无线信道的时变特性，提供链路速率与信道质量匹配的链路自适应技术也被应用于无线自组网。但是这种自适应技术只能进行局部的链路质量维护，无法应用于全局的自组网传输策略优化。
面向针对频谱资源的稀缺性，认知无线电(Cognitive Radio，CR)技术能够与所在的通信环境进行交互而改变发信机的频率和功率参数，进行动态频谱分配。认知无线电系统是一种智能的无线通信系统，通过感知周围无线环境和学习、决策算法，对无线环境进行理解和学习，自适应地改变系统的工作参数，动态调整和利用空闲频谱、发射功率及调制方式，以适应外部无线环境的变化，从而优化通信系统性能。认知无线电的感知学习过程主要包括频谱感知、频谱分析、频谱决策三个环节。频谱感知扫描监控频段，获取信息并检测频谱空穴；频谱分析感知估计频谱空穴的特性；频谱决策决定合适的数据速率、传输方式和传输频段。典型的认知无线电体系架构包括频谱池(Spectrum Pooling)、基于认知无线电方式使用虚拟非授权频谱的CORVUS体系结构(CORVUS)、在移动网络动态智能频谱管理(DIMSUMnet)、端到端重配置项目(E2R)、美国国防部高级研究计划署(DARPA)资助的XG项目等。认知无线电可以跟踪无线环境随时间和空间的变化，通过频谱感知、频谱切换、调制方式和发送功率的改变等方式，来实现对频谱环境的自适应。认知无线电技术只能进行频谱感知，缺乏网络认知功能，对自组网的生存环境感知有限，无法全面支持无线自组网的环境适应性。此外，认知无线电技术应用于自组网的模式切换也缺乏有效的组网体系结构支撑。
在无线自组网的未来应用中，要求将自主决策能力和自动组网技术紧密结合在一起，来适应自组网的复杂多变的生存环境。自组网所处的地理位置随时变化，地形环境因素不确定，城市环境、山地丘陵、沙漠地带以及海面等不同的地形条件对无线电波的传播特性造成多种影响，形成信号衰落、遮挡，电波绕射、反射和折射波在内的多种信道条件。自组网成员的机动性时快时慢，使得成员之间的链路质量和网络连接的产生不可预测的变化，同时会导致网络分割和子网融合等现象，使得自组网的成员规模发生不可预测的变化。在激烈对抗的电磁环境中，电磁波十分密集，在一定的空域、时域、频域上，大量电子设备同时集中使用，对自组网成员的抗干扰抗截获能力提出很高的要求。
考虑上述的多变应用场景及生存性的自组网设计必须考虑将保密、抗干扰和多种传输手段并用，并通过网络自主决策能力临机调整组网策略，来实现自组网的结构健壮、功能弹性和持续服务，从而满足在对抗条件下的系统可靠性、生存性要求，形成较完备的智能组网体系并发挥重要作用。
面对复杂多变的自组网生存环境，如无线信号传播环境的改变、组网拓扑和组网规模的动态改变、突然出现的主/被动干扰等条件，传统的链路自适应、路由维护技术和认知无线电技术只能进行局部网络的自适应优化，无法满足场景多变的自组网智能决策和模式切换需求。因此本申请实施例提出一种基于环境感知和认知学习机制的弹性自组网系统及其方法，用于解决自组网的生存性难题，具体实施参见以下实施例。
实施例一，弹性自组网系统。
本申请实施例提供的一种弹性自组网系统包括弹性自组网实体、分散感知代理、弹性决策代理三个分系统，弹性决策代理是实现弹性组网的关键分系统，由特征信息预处理模块、环境识别模块、策略匹配模块、策略学习模块、组网策略集合五个模块组成，弹性自组网的系统组成参见图1，具体包括：
弹性自组网实体，自组网实体是执行自组网功能的基本功能模块，通常由一组带有无线收发装置并具备路由中继功能的节点组成，组成网络的每个节点带有自组网协议栈，实现自组网拓扑管理、资源预约或分配、路由发现和维护、多跳数据传输等功能。本申请实施例所述弹性自组网实体除了具备基本的自组网功能外，还包括一种组网策略调度模块，用于执行组网策略切换功能；现有的自组网实体通常只具备功能有限的参数自适应功能，如链路自适应机制，通过调整网络内某段链路的传输速率来适应当前的链路质量，达到速率匹配的目的；动态寻路机制，通过反应式路由发现或路由维护方法寻找到达目的地的路由；由于这些局部优化机制均无法解决自组网生存环境发生突变或重大改变时，网络的生存性及网络的可持续性服务问题，因此，本申请实施例提供了一种弹性自组网实体，具备组网策略切换功能，由组网策略调度模块依据弹性决策代理的策略匹配模块输出执行预定义的自组网策略选择，并将相应的策略调整输出给自组网协议栈或无线收发装置，令其在线重配置新的工作模式，该功能的具体实施内容参见实施例三的组网策略匹配方法。
分散感知代理，作为一种软件实体分布于自组网功能实体的部分或全部节点，从各节点处收集节点所处的电磁环境信息，同时收集各节点、各链路的当前状态信息，汇聚给弹性决策代理；其中，所述电磁环境信息及网络状态(包含各节点及链路)信息的内容参见实施例三的网络特征信息采集方法。
弹性决策代理，作为一种软件实体可以位于自组网的任意指定节点中，是实现弹性自组网的关键部分，主要由特征信息预处理模块、环境识别模块、策略匹配模块、策略学习模块及组网策略集合五个部分组成，通过这五个部分共同作用实现网络环境识别和弹性决策功能；
其中，特征信息预处理模块定期接收电磁环境信息和网络状态信息，经过预处理后形成网络特征矩阵，策略学习模块以网络特征矩阵为输入，以组合策略集合为输出进行离线的网络认知学习，形成有效的弹性组网策略；组网策略集合是对应于典型网络环境的一组组网策略及参数集合；环境识别模块根据策略学习模块输出的自组网环境识别模型(即网络认知模型)进行在线的环境感知和识别；策略匹配模块依据自组网环境类别和组网策略集合的映射关系进行策略匹配，输出有限的组网策略，实现弹性决策功能。
实施例二，弹性自组网环境感知方法。
弹性自组网系统的工作原理是基于认知学习机制进行网络生存环境智能识别，由分散感知代理采集弹性自组网实体及其所处的生存环境特征，并汇聚到弹性决策代理的特征信息预处理模块，形成多维度的网络特征矩阵；弹性决策代理采用离线学习机制进行环境识别和组网策略分配，策略学习模块通过离线训练生成自组网环境识别模型并输出给环境识别模块，并由环境识别模块在线进行环境感知，由策略匹配模块进行组网策略匹配并输出给弹性自组网实体；弹性自组网实体具备基本的自组网功能，并能根据弹性决策代理输出的弹性服务策略执行组网策略切换，按照预定义的策略及参数集合重新配置自组网协议栈和无线收发装置的工作模式，从而完成弹性自组网从通信环境感知、策略匹配到服务模式切换的弹性服务流程。
实施例三，弹性自组网环境感知方法具体实施参见图2，包括以下方法：
步骤301、弹性自组网实体初始化运行；
步骤302、实施网络特征信息采集，网络特征信息采集是由分散感知代理采集当前的电磁环境信息、节点状态信息、链路状态信息，并汇聚给弹性决策代理；其中，电磁环境信息包括但不限于接收信号功率、信干噪比(SINR)、瞬时带宽等信息。通过对当前无限信道衰落和信号的有源干扰的推断，形成对无线信号传播环境的感知；节点状态信息包含节点的连接状态、移动状态、能量状态等，对网络的拓扑动态性具有参考指标意义；链路状态信息包含链路质量、带宽、延迟等，对当前网络的拓扑状态具有参考指标意义。
这些信息分布于各节点及各链路中，可以反映自组网的局部状态。由于局部的网络状态不足以感知到网络整体所处的环境，必须经过信息融合或模式识别的方式对自组网所身处的环境进行识别才能判断出网络当前所处的生存环境。
步骤303、实施网络生存环境识别，所述方法以网络特征信息为输入，通过特征信息预处理，滤除无效的、冗余的信息，输入给环境识别模块。
步骤304、环境识别模块通过预训练的自组网环境识别模型，输出准确、有效的网络生存环境识别结果，作为组网策略调整的决策依据输出给策略匹配模块，策略匹配模块根据所述网络生存环境识别结果通过组网策略匹配方法进行策略匹配及输出。
通过电磁环境信息、多节点的状态信息及多链路的状态信息，网络环境识别方法能够分析出信号传播特性、网络拓扑动态性、网络规模伸缩性等三种隐含的网络生存环境特征，所述三种网络生存环境特征具体包括：
信号传播特性，通过个别节点及链路的状态和电磁环境信息，能够推断出局部网络的信道条件；通过多节点及链路状态及电磁环境信息，能够推断出全局网络所处的信号传播场景；
网络拓扑动态性，通过个别节点的移动状态及链路质量特征，能够推断出局部网络的拓扑动态性；通过多节点的移动状态及链路的变化特征，能够推断出全局网络的拓扑动态性；
网络规模伸缩性，通过全网的节点数目及多节点的连接特征，能够推断出全局网络的规模特性。
步骤305、环境识别模块判断生存环境是否发生变化，当生存环境发生变化时基于上述隐含的网络特征信息根据步骤306进行组网策略匹配；当生存环境未发生变化返回到步骤302。
步骤306、进一步地，网络环境识别方法利用认知学习或概率分析技术，能够推断出自组网所处的生存环境，包括多地形环境、多变机动的战地环境以及敌我对抗等场景。策略匹配模块根据自组网所处生存环境进行组网策略匹配，在多地形条件、多变机动的战地通信以及敌我对抗等场景中，自组网的生存环境不一样，单一的技术手段不能完全解决自组网所面临的各种挑战。为有效增强自组网面向多场景的生存性和适应能力，弹性决策代理预先规划了一组与环境特征相适配的组网策略集合，包括以下典型的自适应组网策略：
用于局部网络的自适应方法，当生存环境的识别结果为局部的链路或拓扑变换，即网络中的个别链路或网络连接发生质量变化，说明弹性自组网处于稳态，因此，弹性自组网实体的自组网协议栈和无线收发装置共同执行链路自适应或者由自组网协议栈执行路由维护方法来实现自组网的局部优化。在具体实施过程中，所述链路自适应方法通常使用自适应调制编码(Adaptive Modulation and Coding，AMC)技术，通过调整无线链路的传输速率来适配信道的变化；路由维护方法则是通过局部的拓扑更新机制来更新上下游节点的路由表；
用于全局网络的抗干扰增强措施，当生存环境的识别结果为全局网络的链路质量恶化，即网络中的大部分链路都受到干扰，说明弹性自组网进入恶劣的传输环境或敌我对抗环境中，决策代理的策略输出模块将输出抗干扰增强策略给弹性自组网实体，包含整个网络中所有参与通信的节点，统一切换到抗干扰工作模式，典型的抗干扰模式包括直序扩频、跳频扩频、定向发射等方法；
用于全局网络的动态适应性策略，当生存环境的识别结果为全局网络的动态性发生显著变化，即网络因为节点速度的增加、机动性的增强以及传输范围的减少引起网络拓扑的动态性增强，弹性自组网实体可以采取自组网协议参数调整或切换协议类型的策略来适应网络动态性的变化。例如，通过增加Hello消息的广播频率来更快追踪网络拓扑的变化；通过减少混合路由协议的分割区域，用更多的反应式路由代替先应式路由来适应网络拓扑的动态变化；在动态性特别高的情况下，可以采用基于贪婪转发的无路由模式来更好地适应网络的动态性；
用于全局网络的分簇自组织策略，当生存环境的识别结果为全局网络的规模扩张，即网络中的节点数目增加至超出自组网可容纳的容量(自组网协议栈中会有最大节点容量这样的参数，通常在链路层协议进行标明和识别，例如拒绝节点入网提示或业务无法接入等提示)时，自组网需要切换至分簇网络工作模式，以适应大规模自组网的组网需求。具体地，弹性自组网实体中的所有节点可以采用分布式协调机制执行典型的分簇自组织方法，如MinID、MaxDegree、WCA分簇算法，选举出群首和网关，形成互相连通的虚拟骨干网，有效减少多跳传输带来的额外开销，扩展网络的覆盖范围。
为支持上述组网策略，策略匹配模块向弹性自组网实体发送支持所述弹性自组网实体进行组网策略调度的服务，所述服务包括：高性能服务、可靠传输服务、高可用传输服务、最大覆盖服务等服务模式。
步骤307、策略匹配模块判断组网策略是否切换，当组网策略需要进行切换时，执行步骤308；否则，返回到步骤302。
步骤308、策略匹配模块基于步骤306所述组网策略进行弹性自组网实体策略调度。
步骤309、弹性自组网实体根据步骤308所执行的策略调度执行新的组网策略。
实施例四，弹性自组网认知学习方法。
弹性自组网认知学习方法是由策略学习模块利用特征信息预处理模块发送的网络统计信息，通过认知学习的方法进行环境识别和智能决策，并输出有效、可信的网络认知模型给环境识别模块，供所述环境识别模块进行在线的网络环境识别和弹性自组网策略调整，所述弹性自组网认知学习方法实施参见图3，具体包括：
步骤401、特征信息预处理，由分散感知代理采集的网络特征信息汇聚到弹性决策代理，经过弹性决策代理的汇总和排序等预处理，形成网络特征矩阵。由于网络延迟、数据差错、分组丢包等因素，网络特征矩阵的元素会存在数据异常、缺失等现象，需要对网络特征矩阵进行数据清洗、补全等预处理，同时，网络特征矩阵的各列特征向量的包络分布互不一致，会对特征分析产生维度偏差，需要对网络特征矩阵进行归一化处理，此外，若特征信息的维度超出弹性决策代理的计算能力，还需要网络特征矩阵作降维处理；
数据-结果标记，网络特征信息反映了当前网络所处的部分环境特征，因此需要策略学习模块对训练数据给出标记，用于网络认知模型的训练，其中，所述训练数据可以由离线的网络仿真器产生或是提前收集的实际网络运行数据。数据-结果标记可以采用网络仿真或实际运行数据采集的方式进行数据收集和结果标记；
网络认知模型选择，弹性自组网的认知学习是一种基于多维信息、大数据量的分类学习任务，可以选用有监督的认知学习方式，典型地，可以选用逻辑斯蒂回归、决策树、朴素贝叶斯、支撑向量机或神经网络等网络认知模型。
网络认知模型训练，选定网络认知模型和损失函数，对模型的参数进行初始化，并设定好模型的超参数，便可以采用迭代式方式对模型进行训练，常用的训练方法包括随机梯度下降、动量梯度下降、均方根反向传播(Root Mean Square prop，RMSprop)、自适应动量估计(Adaptive Moment Estimation，Adam)等，直至模型达到优化目标。
为了提高网络认知模型的泛化性能，需要对模型的训练进行早期停止、剪枝、正则化等方法进行修正，同时通过交叉验证方法验证其泛化性能，当上述模型的性能达不到使用要求时，还需要通过调整超参数、多次训练来提升网络认知模型的性能。
实施例五、一种弹性自组网及其环境感知和认知学习方法的具体实施。
本申请的一种弹性自组网系统由若干个具有无线收发装置、自组网协议栈、感知代理模块和组网策略调度模块的自组网节点，以及一个具有决策代理模块的特殊自组网节点组成。其中，无线收发装置、自组网协议栈用于支持寻常通信模式下的自组网功能；感知代理模块位于所有自组网节点，用于收集网络生存环境信息；决策代理模块根据当前网络的生存环境信息进行环境感知和识别，并进行最佳组网策略匹配，输出与当前网络生存环境相适配的组网策略；组网策略调度模块根据决策代理输出的组网策略进行策略调度，重新配置本节点的自组网通信模式及相关的参数，用于执行与当前网络生存环境相适配的组网策略。
上述弹性自组网系统通过分散式感知代理的环境信息采集、弹性决策代理的在线环境感知识别和策略匹配、自组网节点的策略调度和执行，完成了在线的环境感知(Sensing)、模式识别(Recognizing)、策略匹配(Matching)、策略调度和执行(Action)的SRMA过程。除此而外，为了支持弹性决策代理的环境感知和识别能力，还需要对弹性决策代理的策略学习模块进行离线的训练(Learning)，用于支撑弹性决策代理的环境识别模块对网络生存环境有更好地理解和认知能力。这样的弹性自组网系统具有生存环境适应能力，比普通的自组网能够更好地应对未知环境中不确定因素的挑战和可以预估的敌对威胁。
上述弹性自组网系统的典型工作模式包括离线学习(Learning)、在线感知(Sensing)、模式识别(Recognizing)、策略匹配(Matching)、策略调度和执行(Action)等5个步骤：
离线学习阶段，离线学习指的是针对策略学习模块的训练，训练目标是能够有效识别出典型的网络生存环境特征。
不完全地，典型的网络生存环境特征包括：a)无线信号传播的信道特征，如自由空间、城市环境、林地、山地高原、海面等不同的地形特征，这些传播环境对无线信号传播造成不同尺度、不同程度的衰减作用，影响节点间的通信质量、通信距离或节点密度等；b)通信信号频谱的干扰特征，如噪声干扰、定频干扰、扫频干扰，这些干扰模式影响自组网节点的通信成功率；c)表征链路质量的特征，如接收信号功率指示(RSSI)或信道质量指示(CQI)，这些特征影响节点的误比特率或通信速率；d)节点的移动速度与通信半径的归一化比率，影响网络拓扑的稳定性和动态路由的变化率；e)节点度特征，影响共享式无线信道资源的使用效率；f)网络规模特征，网络中总节点数增加超出预定阈值时，会增加整体网络的多跳转发负担，需要额外的组网策略。
为了实现上述网络生存环境特征与组网策略的一一映射关系，需要预定义相应的组网策略集合。不完全地，组网策略集合包含以下策略：a)针对本地节点或局部网络的链路质量变化，可以采用自适应调制编码策略(AMC)，用于本地的链路质量维护；b)全局网络的链路质量的一致性改变，说明了网络整体的信号传播环境发生了变化，可以采用自适应功率控制(APC)，用于维护自组网的平均节点度；c)针对局部或全局网络的频谱阻塞、丢包率的陡然增加或链路阻断，可以采用自适应抗干扰模式，用于维护自组网降速率条件下的鲁棒通信；d)针对节点归一化移动速度的增大，为了减少拓扑动态变化带来路由变化率的增加，可以基于自适应算法来调节ZRP路由协议的区域半径因子(ρ)，通过先应式和反应式路由模式的均衡来达到抗拓扑变化的目的；f)针对节点度或网络规模特征的变化，当达到一定阈值时，可以采取自动分群(如MinID、MaxDegree、WCA)算法实现分群网络，生成层次化网络拓扑，提高组网效率。
在具体实施时，策略学习模块所依据的网络认知模型可以选择逻辑回归(Logistic Regression)模型作为基准学习模型，模型中的其它参数通过训练确定；离线训练可以基于OPNET网络仿真平台生成环境训练数据及其类别标签，用作策略学习模块的训练数据集合和/或测试集；
选定初始模型和训练数据集后，通过设置不同的优化准则(如最小二乘、交叉熵)，训练算法(SGD、RMSprop、Adam)等，L1、L2正则化因子等，进行多次训练，从中选取性能最好(如准确率最高)的模型作为策略学习模块的输出。
策略学习模块输出的环境识别模型和相应的组网策略集合，供弹性决策代理的环境识别模块和策略匹配模块在线使用。
在线感知阶段，在预设的缺省通信模式下，如山地通信环境、无电磁干扰、节点低速移动条件下的小规模自组网络，自组网中的节点通过分布式接入控制(如CSMA/CA)和动态多跳路由(如ZRP)等自组网协议支持网络以自组织方式形成一种多跳通信系统，向在网用户提供通信传输服务。在链路速率允可的条件下，向终端用户提供高性能的通信传输服务。
自组网络的所有在网节点在使用多跳网络进行传输服务的同时，通过自身的分散感知代理模块收集前述的网络生存环境信息(频谱信息、链路质量、节点度、节点速度等)，周期性(或事件性)地汇聚到某个特殊的自组网节点(网络管理节点)的弹性决策代理中。
模式识别阶段，弹性决策代理中的特征信息预处理模块对上述网络特征信息进行清洗、除错、补全等预处理后，将其按特征属性和节点ID为横纵坐标排列，并进行归一化处理，形成网络特征矩阵；然后将网络特征矩阵输入环境识别模块，环境识别模块采用前述离线学习训练过的环境识别模型进行在线的环境识别，输出与当前网络生存环境最佳匹配的环境识别结果。
当面临网络生存环境变化(如信号传播环境的突变、恶意电磁干扰、移动模式改变、子网融合)时，环境识别模块能够及时识别网络内、外环境中的不确定及威胁因素，并通知下游的策略匹配模块进行及时的组网策略调整。
策略匹配阶段，弹性决策代理的策略匹配模块将环境识别模块的输出结果与组网策略集合进行匹配，生成与当前网络生存环境最佳匹配的组网策略，如面临局部链路质量变化时的链路自适应策略、面临全局网络阻塞时的自适应抗干扰策略、面临无线信号的衰减特性一致改变或节点度变化超过阈值时的自适应功率控制、面临网络节点机动导致拓扑动态变化时的自适应路由参数调节、面临网络规模增加时的分簇自组织等。
当网络生存环境的变化导致自组网的组网策略需要做出变化时，则将新的组网策略及相关的参数分发给自组网中的所有在网节点，指示这些节点做出相应的组网模式切换。
策略调度和执行阶段，当自组网中的在网节点接收到组网模式切换指令(如启动自适应抗干扰模式)时，策略调度模块重新配置自组网协议栈或无线收发装置的工作模式，令其做出在线的组网策略更新，从而完成自组网工作模式的策略调度和参数更新。
通过上述5个步骤，弹性自组网能够在线识别自组网系统所处生存环境的变化，并作出相对应的策略调整，从而适应灵活多变的网络生存环境，并提供与生存环境相适配的通信传输服务。
综上所述，在决策代理侧，本申请实施例提供了一种信息处理方法，参见图4，包括：
S101、决策代理的特征信息预处理模块接收感知代理发送的网络特征信息；其中，所述网络特征信息为感知代理采集的，包括弹性自组网当前的电磁环境信息、节点状态信息、链路状态信息；具体实施参见本申请实施例三步骤302；
S102、所述特征信息预处理模块向决策代理的环境识别模块发送网络特征矩阵；所述网络特征矩阵由本申请实施例三的步骤303得到；
S103、所述环境识别模块接收决策代理的策略学习模块发送的网络认知模型，并根据所述网络认知模型进行在线的网络环境识别和自组网策略调整；所述网络认知模型用于识别网络生存环境特征，所述环境识别模块根据所述网络特征矩阵和所述网络认知模型向决策代理的策略匹配模块发送网络环境生存识别结果，例如本申请实施例三的步骤304。
在自组网实体侧，本申请实施例提供了一种信息处理方法，参见图5，包括：
S201、自组网实体的组网策略调度模块接收决策代理的策略匹配模块发送的服务策略选择信息和支持所述自组网实体进行组网策略调度的服务；
S201、所述组网策略调度模块根据所述服务策略选择和支持所述自组网实体进行组网策略调度的服务进行组网策略调度，具体地，可根据本申请实施例三的步骤306所述的自组网策略进行组网策略调度。
在决策代理侧，本申请实施例提供了另一种信息处理方法，参见图6，包括：
S301、决策代理的策略学习模块接收决策代理的特征信息预处理模块发送的网络特征矩阵；
S302、所述策略学习模块对所述网络特征矩阵进行预处理；所述预处理包括进行数据清洗、补全；
S303、所述策略学习模块根据预处理后的网络特征矩阵进行训练数据标记；
S304、所述策略学习模块根据所述训练数据标记进行网络认知模型训练；
S305、所述策略学习模块向决策代理的环境识别模块发送训练后的网络认知模型；所述环境识别模块根据所述训练后的网络认知模型进行在线网络环境识别和自组网策略调整。
以上信息处理方法具体实施可参见本申请实施例四或本申请实施例五的离线学习阶段。
本申请实施例提供了一种自组网系统，参见图7，包括：
自组网实体11、感知代理12以及决策代理13；具体地，一种弹性的自组网系统参见本申请实施例一；
所述自组网实体包括自组网协议栈111、无线收发装置112以及组网策略调度模块113；
所述组网策略调度模块113用于根据所述决策代理13发送的服务策略选择和支持所述自组网实体11进行组网策略调度的服务进行组网策略调度；
所述自组网协议栈111用于向感知代理12发送节点状态信息，并根据所述组网策略调度进行自组网的局部优化；
所述无线收发装置112用于向感知代理12发送链路状态信息，并根据所述组网策略调度进行自组网的局部优化；所述感知代理12用于向所述决策代理13发送网络特征信息；其中，所述网络特征信息包括所述感知代理12接收到的自组网生存环境的电磁环境信息，所述自组网协议栈111发送的所述节点状态信息，所述无线收发装置112发送的所述链路状态信息；
所述决策代理13根据所述网络特征信息进行自组网环境识别和自组网策略分配，并向所述自组网实体11发送所述服务策略选择和支持所述自组网实体进行组网策略调度的服务。
可选地，所述决策代理13包括特征信息预处理模块131、环境识别模块132、策略匹配模块133、策略学习模块134、组网策略集合135；
所述特征信息预处理模块131用于接收所述感知代理12发送的所述网络特征信息，并向所述环境识别模块发送网络特征矩阵；
所述环境识别模块132用于接收所述网络特征矩阵，并根据所述信息向所述策略匹配模块133发送网络环境生存识别结果；
所述环境识别模块132还用于接收所述策略学习模块134发送的训练后的网络认知模型，并根据所述训练后的网络认知模型进行在线的网络环境识别和自组网策略调整；
所述策略学习模块134用于接收所述网络特征矩阵，并向所述环境识别模块发送所述训练后的网络认知模型；
所述策略学习模块134还用于向所述策略匹配模块133发送组网策略集合信息；其中，所述组网策略集合信息是对应自组网网络环境的组网策略及参数集合；
所述策略匹配模块133用于接收所述网络环境生存识别结果及所述组网策略集合，并根据所述网络环境生存识别结果与所述组网策略集合的映射关系进行服务策略选择。
可选地，所述策略学习模块134向所述环境识别模块132发送的所述训练后的网络认知模型是通过以下方式得到的：
所述策略学习模块134对所述网络特征矩阵进行预处理；所述预处理包括进行数据清洗、补全；
所述策略学习模块134对预处理后的网络特征矩阵进行训练数据标记；
所述策略学习模块134根据所述训练数据标记进行网络认知模型训练。
所述策略匹配模块133还用于向所述自组网实体11发送所述服务策略选择和支持所述自组网实体进行组网调度的服务。
在决策代理侧，本申请实施例提供了一种信息处理装置，参见图8，包括：
第一单元81，用于决策代理的特征信息预处理模块接收感知代理发送的网络特征信息；其中，所述网络特征信息为分散感知代理采集的，包括弹性自组网当前的电磁环境信息、节点状态信息、链路状态信息；
第二单元82，用于所述特征信息预处理模块向决策代理的环境识别模块发送网络特征矩阵；
第三单元83，用于所述环境识别模块接收决策代理的策略学习模块发送的网络认知模型，并根据所述网络认知模型进行在线的网络环境识别和自组网策略调整；所述网络认知模型用于识别网络生存环境特征，所述环境识别模块根据所述网络特征矩阵和所述网络认知模型向决策代理的策略匹配模块发送网络环境生存识别结果。
在自组网实体侧，本申请实施例提供了一种信息处理装置，参见图9，包括：
第一单元91，用于自组网实体的组网策略调度模块接收决策代理的策略匹配模块发送的服务策略选择信息和支持所述自组网实体进行组网策略调度的服务；
第二单元92，用于所述组网策略调度模块根据所述服务策略选择和支持所述自组网实体进行组网策略调度的服务进行组网策略调度。
在决策代理侧，本申请实施例提供了一种信息处理装置，参见图10，包括：
接收单元101，用于决策代理的策略学习模块接收决策代理的特征信息预处理模块发送的网络特征矩阵；
预处理单元102，用于所述策略学习模块对所述网络特征矩阵进行预处理；所述预处理包括进行数据清洗、补全；
训练数据标记单元103，用于所述策略学习模块根据预处理后的网络特征矩阵进行训练数据标记；
网络认知模型训练单元104，用于所述策略学习模块根据所述训练数据标记进行网络认知模型训练；
策略调整单元105，用于所述策略学习模块向决策代理的环境识别模块发送训练后的网络认知模型；所述环境识别模块根据所述训练后的网络认知模型进行在线网络环境识别和自组网策略调整。需要说明的是，本申请实施例中对单元的划分是示意性的，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。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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全部或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，或者网络设备等)或处理器(processor)执行本申请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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供了一种计算设备，该计算设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)等。该计算设备可以包括中央处理器(Center Processing Unit，CPU)、存储器、输入/输出设备等，输入设备可以包括键盘、鼠标、触摸屏等，输出设备可以包括显示设备，如液晶显示器(Liquid Crystal Display，LCD)、阴极射线管(Cathode Ray Tube，CRT)等。
存储器可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器提供存储器中存储的程序指令和数据。在本申请实施例中，存储器可以用于存储本申请实施例提供的任一所述方法的程序。
处理器通过调用存储器存储的程序指令，处理器用于按照获得的程序指令执行本申请实施例提供的任一所述方法。
在决策代理侧，本申请实施例提供一种信息处理装置，参见图11，包括：
处理器500，用于读取存储器520中的程序，执行下列过程：
决策代理的特征信息预处理模块接收感知代理发送的网络特征信息；其中，所述网络特征信息为感知代理采集的，包括弹性自组网当前的电磁环境信息、节点状态信息、链路状态信息；
所述特征信息预处理模块向决策代理的环境识别模块发送网络特征矩阵；
所述环境识别模块接收决策代理的策略学习模块发送的网络认知模型，并根据所述网络认知模型进行在线的网络环境识别和自组网策略调整；所述网络认知模型用于识别网络生存环境特征，所述环境识别模块根据所述网络特征矩阵和所述网络认知模型向决策代理的策略匹配模块发送网络环境生存识别结果。
可选地，通过收发机510所述策略匹配模块接收所述网络环境生存识别结果及所述策略学习模块发送的组网策略集合信息；其中，所述组网策略集合信息是对应自组网网络环境的组网策略及参数集合；
当所述网络环境生存识别结果为生存环境发生变化时，所述策略匹配模块根据所述网络环境生存识别结果与所述组网策略集合信息的映射关系进行服务策略选择；并向自组网实体发送所述服务策略选择信息和支持所述自组网实体进行组网策略调度的服务。
在自组网实体侧，处理器500执行下列过程：
通过收发机510，自组网实体的组网策略调度模块接收决策代理的策略匹配模块发送的服务策略选择信息和支持所述自组网实体进行组网策略调度的服务；
所述组网策略调度模块根据所述服务策略选择和支持所述自组网实体进行组网策略调度的服务进行组网策略调度。
可选地，所述组网策略调度模块进行组网策略调度包括：
当网络环境生存识别结果为局部网络的链路或拓扑变化时，自组网实体的自组网协议栈向感知代理发送节点状态信息，并进行自组网的局部优化；自组网实体的无线收发装置向所述感知代理发送链路状态信息，并进行自组网的局部优化；
当网络环境生存识别结果为全局网络的链路受扰时，所述自组网实体统一切换到抗干扰工作模式；
当网络环境生存识别结果为全局网络的动态性变化，所述自组网实体调整自组网协议参数或者切换自组网协议类型；
当网络环境生存识别结果为全局网络的规模扩张，所述自组网实体切换至分簇网络工作模式。
在决策代理侧，处理器500执行下列过程：
通过收发机510，决策代理的策略学习模块接收决策代理的特征信息预处理模块发送的网络特征矩阵；
所述策略学习模块对所述网络特征矩阵进行预处理；所述预处理包括进行数据清洗、补全；
所述策略学习模块根据预处理后的网络特征矩阵进行训练数据标记；
所述策略学习模块根据所述训练数据标记进行网络认知模型训练；
所述策略学习模块向决策代理的环境识别模块发送训练后的网络认知模型；所述环境识别模块根据所述训练后的网络认知模型进行在线网络环境识别和自组网策略调整。
收发机510，用于在处理器500的控制下接收和发送数据。
其中，在图11中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器500代表的一个或多个处理器和存储器520代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机510可以是多个元件，即包括发送机和收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器500负责管理总线架构和通常的处理，存储器520可以存储处理器500在执行操作时所使用的数据。
处理器500可以是中央处埋器(CPU)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex Programmable Logic Device，CPLD)。
本申请实施例提供了一种计算机存储介质，用于储存为上述本申请实施例提供的装置所用的计算机程序指令，其包含用于执行上述本申请实施例提供的任一方法的程序。
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
本申请实施例提供的方法可以应用于终端设备，也可以应用于网络设备。
其中，终端设备也可称之为用户设备(User Equipment，简称为“UE”)、移动台(Mobile Station，简称为“MS”)、移动终端(Mobile Terminal)等，可选的，该终端可以具备经无线接入网(Radio Access Network，RAN)与一个或多个核心网进行通信的能力，例如，终端可以是移动电话(或称为“蜂窝”电话)、或具有移动性质的计算机等，例如，终端还可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置。
网络设备可以为基站(例如，接入点)，指接入网中在空中接口上通过一个或多个扇区与无线终端通信的设备。基站可用于将收到的空中帧与IP分组进行相互转换，作为无线终端与接入网的其余部分之间的路由器，其中接入网的其余部分可包括网际协议(IP)网络。基站还可协调对空中接口的属性管理。例如，基站可以是GSM或CDMA中的基站(BTS，BaseTransceiver Station)，也可以是WCDMA中的基站(NodeB)，还可以是LTE中的演进型基站(NodeB或eNB或e-NodeB，evolutional Node B)，或者也可以是5G系统中的gNB等。本申请实施例中不做限定。
上述方法处理流程可以用软件程序实现，该软件程序可以存储在存储介质中，当存储的软件程序被调用时，执行上述方法步骤。
综上所述，当无线自组网在多地形条件、多变机动的网络通信以及激烈的电磁对抗环境等应用场景中，会面临多方面的技术难题和严苛的生存挑战，单一的自适应技术不能完全解决自组网所面临的问题，必须通过全局的策略调整和整体优化来解决自组网的生存性难题。
因此，本申请基于环境感知的方法构建了一种弹性自组网系统，通过认知学习机制实现自动化的网络场景识别，适时切换网络工作模式，并支持网络参数的自动调整，进而实现自组织网络的弹性传输服务，可以提供不同应用环境下的多种传输服务模式，如高性能服务、可靠传输服务高可用传输服务、最大覆盖服务等，使得弹性自组网具备场景适应性、网络结构弹性和传输服务弹性等优良特性，更好地适应自组网的生存性要求。
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和光学存储器等)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。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (16)
1.一种自组网系统，其特征在于，该系统包括自组网实体、感知代理以及决策代理；
所述自组网实体包括多个节点，每个节点包括自组网协议栈、无线收发装置以及组网策略调度模块；
所述组网策略调度模块用于根据所述决策代理发送的服务策略选择和支持所述自组网实体进行组网策略调度的服务进行组网策略调度；
所述自组网协议栈用于向感知代理发送节点状态信息，并根据所述组网策略调度进行自组网的局部优化；
所述无线收发装置用于向感知代理发送链路状态信息，并根据所述组网策略调度进行自组网的局部优化；所述感知代理用于向所述决策代理发送网络特征信息；其中，所述网络特征信息包括所述感知代理接收到的自组网生存环境的电磁环境信息，所述自组网协议栈发送的所述节点状态信息，所述无线收发装置发送的所述链路状态信息；
所述决策代理根据所述网络特征信息进行自组网环境识别和自组网策略分配，并向所述自组网实体发送所述服务策略选择和支持所述自组网实体进行组网策略调度的服务。
2.根据权利要求1所述的系统，其特征在于，所述决策代理包括特征信息预处理模块、环境识别模块、策略匹配模块、策略学习模块、组网策略集合信息；
所述特征信息预处理模块用于接收所述感知代理发送的所述网络特征信息，并向所述环境识别模块发送网络特征矩阵；
所述环境识别模块用于接收所述网络特征矩阵，并根据所述信息向所述策略匹配模块发送网络环境生存识别结果；
所述环境识别模块还用于接收所述策略学习模块发送的训练后的网络认知模型，并根据所述训练后的网络认知模型进行在线的网络环境识别和自组网策略调整；
所述策略学习模块用于接收所述网络特征矩阵，并向所述环境识别模块发送所述训练后的网络认知模型；
所述策略学习模块还用于向所述策略匹配模块发送组网策略集合信息；其中，所述组网策略集合信息是对应自组网网络环境的组网策略及参数集合；
所述策略匹配模块用于接收所述网络环境生存识别结果及所述组网策略集合，并根据所述网络环境生存识别结果与所述组网策略集合的映射关系进行服务策略选择。
3.根据权利要求2所述的系统，其特征在于，所述策略学习模块向所述环境识别模块发送的所述训练后的网络认知模型是通过以下方式得到的：
所述策略学习模块对所述网络特征矩阵进行预处理；所述预处理包括进行数据清洗、补全；
所述策略学习模块对预处理后的网络特征矩阵进行训练数据标记；
所述策略学习模块根据所述训练数据标记进行网络认知模型训练。
4.根据权利要求2所述的系统，其特征在于，所述策略匹配模块还用于向所述自组网实体发送所述服务策略选择和支持所述自组网实体进行组网调度的服务。
5.一种信息处理方法，其特征在于，该方法包括:
决策代理的特征信息预处理模块接收感知代理发送的网络特征信息；其中，所述网络特征信息为感知代理采集的，包括自组网当前的电磁环境信息、节点状态信息、链路状态信息；
所述特征信息预处理模块向决策代理的环境识别模块发送网络特征矩阵；
所述环境识别模块接收决策代理的策略学习模块发送的网络认知模型，并根据所述网络认知模型进行在线的网络环境识别和自组网策略调整；所述网络认知模型用于识别网络生存环境特征，所述环境识别模块根据所述网络特征矩阵和所述网络认知模型向决策代理的策略匹配模块发送网络环境生存识别结果。
6.根据权利要求5所述的方法，其特征在于，所述策略匹配模块接收所述网络环境生存识别结果及所述策略学习模块发送的组网策略集合信息；其中，所述组网策略集合信息是对应自组网网络环境的组网策略及参数集合；
当所述网络环境生存识别结果为生存环境发生变化时，所述策略匹配模块根据所述网络环境生存识别结果与所述组网策略集合信息的映射关系进行服务策略选择；并向自组网实体发送所述服务策略选择信息和支持所述自组网实体进行组网策略调度的服务。
7.一种信息处理方法，其特征在于，该方法包括:
自组网实体的组网策略调度模块接收决策代理的策略匹配模块发送的服务策略选择信息和支持所述自组网实体进行组网策略调度的服务；
所述组网策略调度模块根据所述服务策略选择和支持所述自组网实体进行组网策略调度的服务进行组网策略调度。
8.根据权利要求7所述的方法，其特征在于，所述组网策略调度模块进行组网策略调度包括：
当网络环境生存识别结果为局部网络的链路或拓扑变化时，自组网实体的自组网协议栈向感知代理发送节点状态信息，并进行自组网的局部优化；自组网实体的无线收发装置向所述感知代理发送链路状态信息，并进行自组网的局部优化；
当网络环境生存识别结果为全局网络的链路受扰时，所述自组网实体统一切换到抗干扰工作模式；
当网络环境生存识别结果为全局网络的动态性变化，所述自组网实体调整自组网协议参数或者切换自组网协议类型；
当网络环境生存识别结果为全局网络的规模扩张，所述自组网实体切换至分簇网络工作模式。
9.一种信息处理方法，其特征在于，该方法包括：
决策代理的策略学习模块接收决策代理的特征信息预处理模块发送的网络特征矩阵；
所述策略学习模块对所述网络特征矩阵进行预处理；所述预处理包括进行数据清洗、补全；
所述策略学习模块根据预处理后的网络特征矩阵进行训练数据标记；
所述策略学习模块根据所述训练数据标记进行网络认知模型训练；
所述策略学习模块向决策代理的环境识别模块发送训练后的网络认知模型；所述环境识别模块根据所述训练后的网络认知模型进行在线网络环境识别和自组网策略调整。
10.一种信息处理装置，其特征在于，该装置包括：
第一单元，用于决策代理的特征信息预处理模块接收感知代理发送的网络特征信息；其中，所述网络特征信息为感知代理采集的，包括自组网当前的电磁环境信息、节点状态信息、链路状态信息；
第二单元，用于所述特征信息预处理模块向决策代理的环境识别模块发送网络特征矩阵；
第三单元，用于所述环境识别模块接收决策代理的策略学习模块发送的网络认知模型，并根据所述网络认知模型进行在线的网络环境识别和自组网策略调整；所述网络认知模型用于识别网络生存环境特征，所述环境识别模块根据所述网络特征矩阵和所述网络认知模型向决策代理的策略匹配模块发送网络环境生存识别结果。
11.根据权利要求10所述的装置，其特征在于，该装置还包括：
第四单元，用于所述策略匹配模块接收所述网络环境生存识别结果及所述策略学习模块发送的组网策略集合信息；其中，所述组网策略集合信息是对应自组网网络环境的组网策略及参数集合；
第五单元，当所述网络环境生存识别结果为生存环境发生变化时，所述策略匹配模块根据所述网络环境生存识别结果与所述组网策略集合信息的映射关系进行服务策略选择；并向自组网实体发送所述服务策略选择信息和支持所述自组网实体进行组网策略调度的服务。
12.一种信息处理装置，其特征在于，该装置包括：
第一单元，用于自组网实体的组网策略调度模块接收决策代理的策略匹配模块发送的服务策略选择信息和支持所述自组网实体进行组网策略调度的服务；
第二单元，用于所述组网策略调度模块根据所述服务策略选择和支持所述自组网实体进行组网策略调度的服务进行组网策略调度。
13.根据权利要求12所述的装置，其特征在于，该装置还包括：
第三单元，用于所述组网策略调度模块进行以下组网策略调度：
当网络环境生存识别结果为局部网络的链路或拓扑变化时，自组网实体的自组网协议栈向感知代理发送节点状态信息，并进行自组网的局部优化；自组网实体的无线收发装置向所述感知代理发送链路状态信息，并进行自组网的局部优化；
当网络环境生存识别结果为全局网络的链路受扰时，所述自组网实体统一切换到抗干扰工作模式；
当网络环境生存识别结果为全局网络的动态性变化，所述自组网实体调整自组网协议参数或者切换自组网协议类型；
当网络环境生存识别结果为全局网络的规模扩张，所述自组网实体切换至分簇网络工作模式。
14.一种信息处理装置，其特征在于，该装置包括：
接收单元，用于决策代理的策略学习模块接收决策代理的特征信息预处理模块发送的网络特征矩阵；
预处理单元，用于所述策略学习模块对所述网络特征矩阵进行预处理；所述预处理包括进行数据清洗、补全；
训练数据标记单元，用于所述策略学习模块根据预处理后的网络特征矩阵进行训练数据标记；
网络认知模型训练单元，用于所述策略学习模块根据所述训练数据标记进行网络认知模型训练；
策略调整单元，用于所述策略学习模块向决策代理的环境识别模块发送训练后的网络认知模型；所述环境识别模块根据所述训练后的网络认知模型进行在线网络环境识别和自组网策略调整。
15.一种计算设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行权利要求5至9任一项所述的方法。
16.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行权利要求5至9任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811553145.9A CN111342984B (zh) | 2018-12-18 | 2018-12-18 | 一种信息处理方法、系统及装置 |
| PCT/CN2019/123755 WO2020125454A1 (zh) | 2018-12-18 | 2019-12-06 | 一种信息处理方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811553145.9A CN111342984B (zh) | 2018-12-18 | 2018-12-18 | 一种信息处理方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111342984A true CN111342984A (zh) | 2020-06-26 |
| CN111342984B CN111342984B (zh) | 2021-08-10 |
Family
ID=71102533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811553145.9A Active CN111342984B (zh) | 2018-12-18 | 2018-12-18 | 一种信息处理方法、系统及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111342984B (zh) |
| WO (1) | WO2020125454A1 (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112019510A (zh) * | 2020-07-28 | 2020-12-01 | 北京大学 | 一种深度神经网络架构的自适应搜索方法和系统 |
| CN112104571A (zh) * | 2020-09-14 | 2020-12-18 | 武汉悦学帮网络技术有限公司 | 一种业务分流方法、装置、计算机设备和计算机存储介质 |
| CN113015222A (zh) * | 2021-02-25 | 2021-06-22 | 国网重庆市电力公司营销服务中心 | 中继节点和通信方式的选择方法、通信传输方法和系统 |
| CN114374892A (zh) * | 2022-01-04 | 2022-04-19 | 烽火通信科技股份有限公司 | 一种基于hplc的抄表方法及抄表系统 |
| CN114466389A (zh) * | 2022-02-21 | 2022-05-10 | 重庆大学 | 一种机械振动无线传感器网络的边缘计算网关设计方法 |
| CN114465954A (zh) * | 2021-12-27 | 2022-05-10 | 天翼云科技有限公司 | 云专线的自适应选路方法、装置、设备及可读存储介质 |
| CN115412484A (zh) * | 2021-05-28 | 2022-11-29 | 中国石油天然气股份有限公司 | 数据传输装置、数据传输系统及数据传输方法 |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114915629B (zh) * | 2021-02-10 | 2023-08-15 | 中国移动通信有限公司研究院 | 信息处理方法、装置、系统、电子设备及存储介质 |
| CN113747584A (zh) * | 2021-08-24 | 2021-12-03 | 麦芯(太仓)科技有限公司 | 链式网络拓扑下节点融合方法、端节点、系统及介质 |
| CN114339944A (zh) * | 2021-12-31 | 2022-04-12 | 无锡士康通讯技术有限公司 | 一种基于移动自组网的数据传输方法、装置及存储介质 |
| CN115952446B (zh) * | 2023-03-13 | 2023-07-14 | 西安航天动力研究所 | 一种火箭发动机稳态振动响应预测方法、装置及设备 |
| CN117332878B (zh) * | 2023-10-31 | 2024-04-16 | 慧之安信息技术股份有限公司 | 一种基于自组网系统的模型训练方法和系统 |
| CN117424824A (zh) * | 2023-12-19 | 2024-01-19 | 天津斯巴克斯机电有限公司 | 用于电动滚筒智能产线的网络拓扑结构优化方法和系统 |
| CN117527479B (zh) * | 2024-01-08 | 2024-03-29 | 深圳易思智科技有限公司 | 软总线组网连接方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1612618A (zh) * | 2003-10-29 | 2005-05-04 | 中兴通讯股份有限公司 | 一种电信网管系统中级联代理实现方法 |
| US20070045424A1 (en) * | 2005-08-26 | 2007-03-01 | Ynjiun Wang | Data collection device having dynamic access to multiple wireless networks |
| CN101355416A (zh) * | 2008-08-07 | 2009-01-28 | 上海交通大学 | 无线自组织网络主动防护系统 |
| CN101600201A (zh) * | 2009-06-03 | 2009-12-09 | 南京邮电大学 | 一种自组织网络安全可控域的建立和管理方法 |
| CN101686253A (zh) * | 2008-09-23 | 2010-03-31 | 华为技术有限公司 | 服务选择方法、装置和系统 |
| CN107809662A (zh) * | 2017-11-06 | 2018-03-16 | 陕西师范大学 | 一种基于异构无线自组织网络的可分级视频传输方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105706420B (zh) * | 2013-06-28 | 2019-07-02 | 瑞典爱立信有限公司 | 用于实现提供商网络中的服务链的系统和方法 |
| US9565576B2 (en) * | 2013-10-09 | 2017-02-07 | At&T Intellectual Property I, L.P. | Network operating system client architecture for mobile user equipment |
-
2018
- 2018-12-18 CN CN201811553145.9A patent/CN111342984B/zh active Active
-
2019
- 2019-12-06 WO PCT/CN2019/123755 patent/WO2020125454A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1612618A (zh) * | 2003-10-29 | 2005-05-04 | 中兴通讯股份有限公司 | 一种电信网管系统中级联代理实现方法 |
| US20070045424A1 (en) * | 2005-08-26 | 2007-03-01 | Ynjiun Wang | Data collection device having dynamic access to multiple wireless networks |
| CN101355416A (zh) * | 2008-08-07 | 2009-01-28 | 上海交通大学 | 无线自组织网络主动防护系统 |
| CN101686253A (zh) * | 2008-09-23 | 2010-03-31 | 华为技术有限公司 | 服务选择方法、装置和系统 |
| CN101600201A (zh) * | 2009-06-03 | 2009-12-09 | 南京邮电大学 | 一种自组织网络安全可控域的建立和管理方法 |
| CN107809662A (zh) * | 2017-11-06 | 2018-03-16 | 陕西师范大学 | 一种基于异构无线自组织网络的可分级视频传输方法及装置 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112019510A (zh) * | 2020-07-28 | 2020-12-01 | 北京大学 | 一种深度神经网络架构的自适应搜索方法和系统 |
| CN112019510B (zh) * | 2020-07-28 | 2021-07-06 | 北京大学 | 一种深度神经网络架构的自适应搜索方法和系统 |
| CN112104571A (zh) * | 2020-09-14 | 2020-12-18 | 武汉悦学帮网络技术有限公司 | 一种业务分流方法、装置、计算机设备和计算机存储介质 |
| CN112104571B (zh) * | 2020-09-14 | 2023-05-12 | 武汉悦学帮网络技术有限公司 | 一种业务分流方法、装置、计算机设备和计算机存储介质 |
| CN113015222A (zh) * | 2021-02-25 | 2021-06-22 | 国网重庆市电力公司营销服务中心 | 中继节点和通信方式的选择方法、通信传输方法和系统 |
| CN113015222B (zh) * | 2021-02-25 | 2023-03-14 | 国网重庆市电力公司营销服务中心 | 中继节点和通信方式的选择方法、通信传输方法和系统 |
| CN115412484A (zh) * | 2021-05-28 | 2022-11-29 | 中国石油天然气股份有限公司 | 数据传输装置、数据传输系统及数据传输方法 |
| CN114465954A (zh) * | 2021-12-27 | 2022-05-10 | 天翼云科技有限公司 | 云专线的自适应选路方法、装置、设备及可读存储介质 |
| CN114374892A (zh) * | 2022-01-04 | 2022-04-19 | 烽火通信科技股份有限公司 | 一种基于hplc的抄表方法及抄表系统 |
| CN114374892B (zh) * | 2022-01-04 | 2023-05-26 | 烽火通信科技股份有限公司 | 一种基于hplc的抄表方法及抄表系统 |
| CN114466389A (zh) * | 2022-02-21 | 2022-05-10 | 重庆大学 | 一种机械振动无线传感器网络的边缘计算网关设计方法 |
| CN114466389B (zh) * | 2022-02-21 | 2023-12-15 | 重庆大学 | 一种机械振动无线传感器网络的边缘计算网关设计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020125454A1 (zh) | 2020-06-25 |
| CN111342984B (zh) | 2021-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111342984B (zh) | 一种信息处理方法、系统及装置 | |
| Yang et al. | Learning-based energy-efficient resource management by heterogeneous RF/VLC for ultra-reliable low-latency industrial IoT networks | |
| Naranjo et al. | P-SEP: A prolong stable election routing algorithm for energy-limited heterogeneous fog-supported wireless sensor networks | |
| Khan et al. | Fuzzy-TOPSIS based cluster head selection in mobile wireless sensor networks | |
| Rajaraman | Topology control and routing in ad hoc networks: A survey | |
| PER | Comparative analysis of distributive linear and nonlinear optimized spectrum sensing clustering techniques in cognitive radio network systems | |
| Wang et al. | A spectrum-aware clustering algorithm based on weighted clustering metric in cognitive radio sensor networks | |
| Jardosh et al. | A survey: Topology control for wireless sensor networks | |
| Osman et al. | A survey of clustering algorithms for cognitive radio ad hoc networks | |
| Kniess et al. | MARPL: A crosslayer approach for Internet of things based on neighbor variability for mobility support in RPL | |
| Danratchadakorn et al. | Coverage maximization with sleep scheduling for wireless sensor networks | |
| Hu et al. | Dynamic spatial-correlation-aware topology control of wireless sensor networks using game theory | |
| Narmanlioglu et al. | Mobility-aware cell clustering mechanism for self-organizing networks | |
| Banerjee et al. | A modified mathematical model for life-time enhancement in wireless sensor network | |
| Zhao et al. | Spectrum-aware data replication in intermittently connected cognitive radio networks | |
| Brust et al. | Waca: A hierarchical weighted clustering algorithm optimized for mobile hybrid networks | |
| Aetesam et al. | A comparative analysis of flat, hierarchical and location-based routing in wireless sensor networks | |
| Vázquez-Rodas et al. | Topology control for wireless mesh networks based on centrality metrics | |
| Norman et al. | HLAODV-A Cross Layer Routing Protocol for Pervasive Heterogeneous Wireless Sensor Networks Based On Location | |
| Rajput et al. | Clustering techniques of Wireless sensor networks for Internet of Things | |
| AU2018101627A4 (en) | An apparatus and method based on trust index of wireless node for multiple / best route discovery in the wireless sensor network platform. | |
| CN111371572B (zh) | 一种网络节点的选举方法及节点设备 | |
| CN108811030B (zh) | 认知无线电网络中基于主用户活动性预测的拓扑控制方法 | |
| Amuthavalli et al. | Genetic algorithm enabled prevention of sybil attacks for LEACH-E | |
| Bednarczyk et al. | Performance of distributed clustering with weighted optimization algorithm for MANET cognitive radio |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210524 Address after: 100085 1st floor, building 1, yard 5, Shangdi East Road, Haidian District, Beijing Applicant after: DATANG MOBILE COMMUNICATIONS EQUIPMENT Co.,Ltd. Address before: 100191 No. 40, Haidian District, Beijing, Xueyuan Road Applicant before: Telecommunications Science and Technology Research Institute Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |