CN111480318A - 使用主动学习框架控制用于数据分析服务的数据报告 - Google Patents

使用主动学习框架控制用于数据分析服务的数据报告 Download PDF

Info

Publication number
CN111480318A
CN111480318A CN201880080211.7A CN201880080211A CN111480318A CN 111480318 A CN111480318 A CN 111480318A CN 201880080211 A CN201880080211 A CN 201880080211A CN 111480318 A CN111480318 A CN 111480318A
Authority
CN
China
Prior art keywords
local
global
data
model
monitor
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
Application number
CN201880080211.7A
Other languages
English (en)
Other versions
CN111480318B (zh
Inventor
D·库什尼尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nokia Technologies Oy
Original Assignee
Nokia Technologies Oy
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nokia Technologies Oy filed Critical Nokia Technologies Oy
Publication of CN111480318A publication Critical patent/CN111480318A/zh
Application granted granted Critical
Publication of CN111480318B publication Critical patent/CN111480318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/085—Retrieval of network configuration; Tracking network configuration history
    • H04L41/0853—Retrieval of network configuration; Tracking network configuration history by actively collecting configuration information or by backing up configuration information
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0893—Assignment of logical groups to network elements
    • 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
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0894—Policy-based network configuration management
    • 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
    • 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
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/02—Capturing of monitoring data
    • H04L43/022—Capturing of monitoring data by sampling
    • H04L43/024—Capturing of monitoring data by sampling by adaptive sampling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
    • H04L65/40—Support for services or applications
    • 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
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

使用主动学习技术调节数据业务的系统和方法。在一个实施例中，全局监测器通过广域网络与多个传感器通信。全局监测器构建用于数据分析服务的全局模型，该全局模型基于由传感器报告的数据将元素映射到值。全局监测器生成针对来自传感器的数据的查询，从全局模型中的元素中选择一个或多个候选元素，生成全局策略，该全局策略指定从传感器请求的数据限于以(多个)候选元素为目标的数据，以及向传感器发送指示全局策略的查询。全局监测器根据全局策略从传感器接收以(多个)候选元素为目标的数据，以及基于以(多个)候选元素为目标的数据来调整全局模型。

Description

使用主动学习框架控制用于数据分析服务的数据报告
相关申请
本申请要求于2017年12月12日提交的美国专利申请No.15/839,517的优先权，该专利申请通过引用并入，如同在此完全提供一样。
技术领域
本发明涉及通信系统领域，并且具体地涉及传感器网络。
背景技术
传感器网络包括多个远程传感器，这些传感器收集数据，并且通过网络将数据报告回中央服务器。在一个示例中，每个传感器可以是自主设备，其测量物理、环境、或其他条件，并且将测量数据报告回中央服务器以分析数据。在另一示例中，每个传感器可以是云网络中的节点，该节点将关于其状态的数据提供给集中式编排实体。传感器网络的一个问题是传感器的数目可能很大，并且由传感器通过网络传输到集中式服务器的数据量可能会引起网络拥塞，从而导致延时/延迟，或者从传感器传输某些数据可能会受到限制。例如，一些数据业务可以通过蜂窝网络被路由，这可能在到核心网络的空中接口和/或回程上造成负担。某些数据业务可以通过互联网或另一互联网协议(IP)网络被路由，这可能会引起这些类型的网络的路由元件内部或之间的负载。因此，随着越来越多的传感器被实现用于数据分析服务，网络运营方可能会担心网络拥塞。
发明内容
本文中描述的实施例使用基于机器的主动学习来确定在给定时间什么数据与数据分析服务最相关。主动学习机制可以生成策略，该策略控制通过网络来自传感器的数据传输，并且将该策略提供给传感器。因此，每个传感器可以基于该策略来确定要传输什么数据，多久传输一次数据，等等。因此，由传感器发送的数据由主动学习机制控制，从而可以控制或减少由传感器强加在网络上的负载。
一个实施例包括一种系统，该系统包括被配置为提供数据分析服务的全局监测器。全局监测器包括全局接口组件和全局学习器，该全局接口组件被配置为通过广域网络与多个传感器通信，该全局学习器被配置为执行迭代过程以构建用于数据分析服务的全局模型，该全局模型基于由传感器报告的数据将元素映射到值。针对迭代过程的一次或多次迭代，全局学习器被配置为：生成针对来自传感器的数据的查询；基于以下来在全局模型中从元素中选择至少一个候选元素：至少一个候选元素对改进全局模型的贡献以及由传感器报告以全局模型中的至少一个候选元素为目标的数据而引起的对广域网络的影响；生成全局策略，该全局策略指定从传感器请求的数据限于以全局模型中的至少一个候选元素为目标的数据；以及通过全局接口组件向传感器发送指示全局策略的查询。全局学习器被配置为：根据全局策略通过全局接口组件从传感器接收以全局模型中的至少一个候选元素为目标的数据，以及基于以全局模型中的至少一个候选元素为目标的数据来调整全局模型。
在另一实施例中，全局策略指定速率，传感器通过广域网络以该速率来传输以全局模型中的至少一个候选元素为目标的数据。
在另一实施例中，全局学习器还被配置为：还基于对以至少一个候选元素为目标的数据的监管限制来选择至少一个候选元素。
在另一实施例中，传感器包括被配置用于物联网(IoT)通信的IoT设备。
在另一实施例中，传感器包括云网络中的服务器。
在另一实施例中，该系统还包括多个局部监测器。每个局部监测器包括：局部接口组件和局部学习器，该局部接口组件被配置为与位于局部网络中的传感器的子集通信，该局部学习器被配置为执行另一迭代过程以构建用于数据分析服务的局部模型。针对另一迭代过程的一次或多次迭代，局部学习器被配置为：生成针对来自位于局部网络中的传感器的子集的数据的查询；基于以下来在局部模型中选择至少一个候选元素：至少一个候选元素对改进局部模型的贡献以及由传感器的子集报告以局部模型中的至少一个候选元素为目标的数据而引起的对局部网络的影响；生成局部策略，该局部策略指定从传感器的子集请求的数据限于以局部模型中的至少一个候选元素为目标的数据；以及通过局部接口组件向位于局部网络中的传感器的子集发送指示局部策略的查询。局部学习器被配置为：根据局部策略通过局部接口组件从传感器的子集接收以局部模型中的至少一个候选元素为目标的数据；以及基于以局部模型中的至少一个候选元素为目标的数据来调整局部模型。
在另一实施例中，局部学习器被配置为：通过局部接口组件向全局监测器发送局部模型。
在另一实施例中，全局学习器被配置为：通过全局接口组件从局部监测器接收多个局部模型，并且组合局部模型以构建全局模型。
在另一实施例中，局部学习器被配置为：通过局部接口组件向其他局部监测器发送局部模型。
在另一实施例中，局部监测器位于广域网络的外围。
在另一实施例中，至少一个局部监测器在无线电接入网(RAN)的基站中被实现。
另一实施例包括一种使用主动学习来调节数据业务的方法。该方法包括(在全局监测器处)使用迭代过程构建用于数据分析服务的全局模型，该全局模型将元素映射到值，其中全局监测器通过广域网络与多个传感器通信。针对迭代过程的一次或多次迭代，该方法包括：生成针对来自传感器的数据的查询；基于以下来在全局模型中从元素中选择至少一个候选元素：至少一个候选元素对改进全局模型的贡献以及由传感器报告以全局模型中的至少一个候选元素为目标的数据而引起的对广域网络的影响；生成全局策略，该全局策略指定从传感器请求的数据限于以全局模型中的至少一个候选元素为目标的数据；从全局监测器向传感器发送指示全局策略的查询；根据全局策略从传感器接收以全局模型中的至少一个候选元素为目标的数据；以及基于以全局模型中的至少一个候选元素为目标的数据来调整全局模型。
在另一实施例中，全局策略指定速率，传感器通过广域网络以该速率来传输以全局模型中的至少一个候选元素为目标的数据。
在另一实施例中，选择至少一个候选元素的步骤包括：还基于对以至少一个候选元素为目标的数据的监管限制来选择至少一个候选元素。
在另一实施例中，传感器包括被配置用于IoT通信的IoT设备。
在另一实施例中，传感器包括云网络中的服务器。
在另一实施例中，该方法还包括：使用另一迭代过程在多个局部监测器中的每个局部监测器处构建用于数据分析服务的局部模型，其中局部监测器中的每个局部监测器与位于局部网络中的传感器的子集通信。针对另一迭代过程的一次或多次迭代，该方法包括：(在局部监测器处)生成针对来自位于局部网络中的传感器的子集的数据的查询；基于以下来在局部模型中选择至少一个候选元素：至少一个候选元素对改进局部模型的贡献以及由传感器的子集报告以局部模型中的至少一个候选元素为目标的数据而引起的对局部网络的影响；生成局部策略，该局部策略指定从传感器的子集请求的数据限于以局部模型中的至少一个候选元素为目标的数据；从局部监测器向位于局部网络中的传感器的子集发送指示局部策略的查询；根据局部策略从传感器的子集接收以局部监测器的局部模型中的至少一个候选元素为目标的数据，以及基于以局部模型中的至少一个候选元素为目标的数据来调整局部模型。
在另一实施例中，该方法包括：从局部监测器向全局监测器发送局部模型。
在另一实施例中，该方法还包括：(在全局监测器处)从局部监测器接收多个局部模型，以及组合局部模型以构建全局模型。
在另一实施例中，该方法还包括：从局部监测器向其他局部监测器发送局部模型。
另一实施例包括一种系统，该系统包括被配置为构建用于数据分析服务的全局模型的全局监测器，该全局模型将元素映射到值。该系统还包括多个局部监测器，每个局部监测器与位于局部网络中的传感器的子集通信。多个局部监测器中的每个局部监测器被配置为执行迭代过程以构建用于数据分析服务的局部模型，该局部模型将元素中的至少一个元素映射到值。针对迭代过程的一次或多次迭代，局部监测器被配置为：生成针对来自位于局部网络中的传感器的子集的数据的查询；基于以下来在局部模型中选择至少一个候选元素：至少一个候选元素对改进局部模型的贡献以及由传感器的子集报告以局部模型中的至少一个候选元素为目标的数据而引起的对局部网络的影响；生成局部策略，该局部策略指定从传感器的子集请求的数据限于以局部模型中的至少一个候选元素为目标的数据；向位于局部网络中的传感器的子集发送指示局部策略的查询；根据局部策略从传感器的子集接收以局部模型中的至少一个候选元素为目标的数据；以及基于以局部模型中的至少一个候选元素为目标的数据来调整局部模型。全局监测器被配置为：从局部监测器接收多个局部模型，以及组合局部模型以构建全局模型。
在另一实施例中，局部监测器位于广域网络的外围。
在另一实施例中，局部学习器还被配置为：还基于对以至少一个候选元素为目标的数据的监管限制来选择至少一个候选元素。
在另一实施例中，一个或多个局部监测器在RAN的基站中被实现。
在另一实施例中，局部策略指定速率，传感器的子集通过局部网络以该速率来传输以局部模型中的至少一个候选元素为目标的数据。
在另一实施例中，全局监测器被配置为：基于至少一个候选元素对改进全局模型的贡献来在全局模型中选择至少一个候选元素；生成全局策略，该全局策略指定从传感器请求的数据限于以全局模型中的至少一个候选元素为目标的数据；以及向局部监测器发送全局策略。每个局部监测器被配置为：根据全局策略更新局部策略。
另一实施例包括一种使用主动学习来调节数据业务的方法。该方法包括：(在多个局部监测器中的每个处)使用迭代过程构建用于数据分析服务的局部模型，该局部模型将元素映射到值，其中多个局部监测器中的每个局部监测器与位于局部网络中的传感器的子集通信。针对迭代过程的一次或多次迭代，该方法包括：生成针对来自位于局部网络中的传感器的子集的数据的查询；基于以下来在局部模型中选择元素中的至少一个候选元素：至少一个候选元素对改进局部模型的贡献以及由传感器的子集报告以局部模型中的至少一个候选元素为目标的数据而引起的对局部网络的影响；生成局部策略，该局部策略指定从传感器的子集请求的数据限于以局部模型中的至少一个候选元素为目标的数据；从局部监测器向位于局部网络中的传感器的子集发送指示局部策略的查询；根据局部策略从传感器的子集接收以局部监测器中的局部模型中的至少一个候选元素为目标的数据；以及基于以局部模型中的至少一个候选元素为目标的数据来调整局部模型。该方法还包括：(在全局监测器处)从局部监测器接收多个局部模型，以及组合局部模型以构建用于数据分析服务的全局模型。
在另一实施例中，选择至少一个候选元素的步骤包括：还基于对以至少一个候选元素为目标的数据的监管限制来选择至少一个候选元素。
在另一实施例中，局部策略指定速率，传感器的子集通过局部网络以该速率来传输以局部模型中的至少一个候选元素为目标的数据。
在另一实施例中，该方法还包括：(在全局监测器处)基于至少一个候选元素对改进全局模型的贡献来在全局模型中选择至少一个候选元素；生成全局策略，该全局策略指定从传感器请求的数据限于以全局模型中的至少一个候选元素为目标的数据；从全局监测器向局部监测器发送全局策略；以及根据全局策略更新局部策略。
以上概述提供了对本说明书的某些方面的基本理解。该概述不是对本说明书的详尽概述。它既不旨在标识本说明书的关键或重要元素，也不旨在描述本说明书的特定实施例的任何范围、或权利要求的任何范围。其唯一目的是以简化的形式提出本说明书的一些概念，作为稍后提出的更详细描述的序言。
附图说明
现在仅通过举例的方式并且参考附图来描述本发明的一些实施例。在所有附图上，相同的附图标记表示相同的元素或相同类型的元素。
图1示出了说明性实施例中的传感器网络系统。
图2是说明性实施例中的全局监测器的框图。
图3是示出说明性实施例中的使用主动学习来调节来自传感器的数据业务的方法的流程图。
图4是示出说明性实施例中的传感器与全局监测器之间的通信的消息图。
图5示出了说明性实施例中的另一传感器网络系统。
图6是说明性实施例中的局部监测器的框图。
图7-8是示出说明性实施例中的在网络的外围使用主动学习来调节来自传感器的数据业务的方法的流程图。
图9是示出说明性实施例中的传感器、局部监测器、和全局监测器之间的通信的消息图。
图10示出了说明性实施例中的具有局部监测器的局部网络。
图11是示出说明性实施例中的局部监测器与全局监测器之间的通信的消息图。
具体实施方式
附图和以下描述示出了特定的示例性实施例。因此，将理解，本领域技术人员将能够设计出尽管未在本文中明确描述或示出但是实施实施例的原理并且被包括在实施例的范围内的各种布置。此外，本文中描述的任何示例旨在帮助理解实施例的原理，并且应当被解释为不限于这种具体叙述的示例和条件。结果，(多个)发明构思不限于以下描述的特定实施例或示例，而是由权利要求书及其等同物限制。
图1示出了说明性实施例中的传感器网络系统100。传感器网络系统100包括多个传感器110，传感器110包括检测或测量物理性质并且通过网络输出测量数据的设备。传感器110可以是由电池或另一电源供电的自主设备，诸如物联网(IoT)设备。传感器110可以经由无线连接(例如，蜂窝或无线局域网(WLAN))或有线连接通信。传感器110的一个示例是机器类型通信(MTC)设备，其是针对MTC配备的用户设备(UE)，该MTC通过公共陆地移动网络(PLMN)与一个或多个MTC服务器和/或其他MTC设备通信。备选地，传感器110可以包括云网络中向集中式编排实体提供状态数据的节点或服务器。
在该实施例中，传感器110被配置为通过网络120向全局监测器130报告数据。网络120包括由通信路径互连以用于传输、接收和交换业务的一系列点或节点。网络120包括由通信路径124连接的多个网络元件或网络设备122。网络设备122可以包括可以使用各种协议来传送业务的交换机、路由器、网关、基站等。每个网络设备122可以具有用于指示业务的源或目的地的唯一的标识符或地址，诸如IP地址或媒体接入控制(MAC)地址。网络120可以将有线和/或无线技术用于通信路径124，并且可以是公共的、私有的、或两者的组合。网络120可以具有如图1所示的网状拓扑，或者可以具有其他拓扑。网络120可以被认为是广域网络(例如，WAN)以将其与“局部网络”区分开，这将在下面讨论。
全局监测器130包括元件或机器，该元件或机器从传感器110接收数据，并且使用主动学习来基于数据构建用于数据分析服务的全局模型。数据分析服务可以使得实体能够就各种主题(诸如健康/医学、环境、工业等)做出精明的决策。数据分析服务可以基于全局模型来标识数据中的模式和关系，并且应用统计技术来预测未来行为、设备故障、未来事件等。
传感器网络系统100可以提供IoT解决方案，该IoT解决方案是指作为机器或机器的部分的设备之间的数据的互连和自主交换。IoT使用机器对机器(M2M)通信或MTC(其定义为无需人工交互的设备之间的数据通信)。M2M/MTC服务的示例包括公用事业仪表、自动售货机、车队管理、智能交通、车辆的实时交通信息、安全监测、医疗计量和报警等。第三代合作伙伴计划(3GPP)已经定义了用于版本13中的IoT/MTC解决方案的新类别，其包括LTECat-M1(eMTC)和Cat-NB1(NB-IoT)。传感器110可以是根据这些类别中的一个类别来操作以使用网络上的IoT通信来报告数据的IoT设备的示例。
图1中的架构示出了集中式拓扑，其中每个传感器110将数据报告给全局监测器130以用于数据分析服务。全局监测器130部署在网络120的“中心”处，并且馈送来自位于网络120的边缘或外围的传感器110的数据。该拓扑可能会出现问题，因为它需要传感器110跨网络120向全局监测器130传输数据，而许多数据可能几乎没有改进由全局监测器130使用的全局模型的潜力。这种情况导致网络120内的不必要的业务负载和延迟。为了解决这个问题，全局监测器130使用主动学习来调整传感器110如何跨网络120报告数据。为了大致描述集中式拓扑，全局学习器X基于由传感器(S_1，...，S_n)报告的数据来生成全局模型F。全局学习器X可以评估全局模型F中的不确定性，并且向传感器(S_1，...，S_n)发出策略P，该策略P指定要向全局学习器X报告什么数据以及不向全局学习器X报告什么数据。然后，传感器(S_1，...，S_n)将根据策略P来报告数据，这允许改进全局模型F而不会在网络120上引起大量业务负载，因为报告限于模型改进所必需的数据。因此，可以减少跨网络120发送以支持数据分析服务的业务量。
图2是说明性实施例中的全局监测器130的框图。全局监测器130包括全局接口组件202、一个或多个处理器204、和存储器206。全局接口组件202是被配置为与各种元件通信的硬件组件。例如，全局接口组件202可以被配置为通过有线或无线连接与一个或多个网络设备122通信、与其他监测器通信、与传感器110通信，等等。处理器204表示提供全局监测器130的功能的内部电路系统、逻辑、硬件等。存储器206是用于数据、指令、应用等的计算机可读存储介质(例如，ROM或闪存)，并且由处理器204可接入。全局监测器130可以包括在图2中未具体示出的各种其他组件。
处理器204实现主动学习机制210和可选的业务监测元件216。主动学习机制210可以以硬件、固件和/或软件的任何组合来实现以实现基于机器的主动学习技术。机器学习通常是指以下的自动化过程：解析数据，从数据中学习，并且然后基于该学习来调整输出而无需进行显式编程。机器学习不同于传统的计算机过程，在传统的计算机过程中，指令或编程是预定义和显式的，因此在假定相同输入的情况下重复相同的步骤。代替预先定义活动，可以训练实现机器学习的机制来观察数据中的模式并且调整随时间而采取的动作或步骤。主动学习是一种半监督机器学习，其中学习器能够交互地查询源(例如，传感器110)以获得最有可能改变由学习器正在“学习”的模型的数据。
业务监测器元件216被配置为监测网络120上的网络条件。业务监测器元件216可以通过网络120与一个或多个业务检测元件(未示出)通信以监测业务条件，诸如拥塞区域。
主动学习机制210包括全局学习器212。全局学习器212是一种主动学习设备，其被配置为查询源以获取一定数量的数据，接收数据，并且基于数据来生成、修改、或扩充全局模型214，该全局模型214将元素(例如，数据点)映射到可以解释为标签的值。全局模型214用于标记或分类用于数据分析服务的元素。例如，如果数据分析服务与健康有关，则可以使用全局模型214以基于从传感器110接收的数据将患者(即，元素)标记为“高风险”、“有风险”、“低风险”等。全局学习器212可以处理来自一个或多个传感器110的数据集合，以将元素与全局模型214相关联(例如，诸如以将针对元素的数据点放置在图形上)。全局学习器212可以使用全局模型214来标记一个或多个元素，诸如基于针对该元素的数据点与其他数据点的接近度。例如，传感器110可以是人类/患者携带的监测传感器，其将数据从患者传输到分析数据的全局学习器212。在这种情况下，全局学习器212可以构建用于预测各种现象(诸如疾病发作的概率、疾病传播的概率、医疗设备故障的概率等)的全局模型214。
全局监测器130使用主动学习技术来调节来自传感器110的数据业务，如图3中进一步描述的。图3是示出说明性实施例中的使用主动学习来调节来自传感器110的数据业务的方法300的流程图。将参考图2中的全局监测器130来描述方法300的步骤，但是本领域技术人员将理解，方法300可以在其他系统中执行。而且，本文中描述的流程图的步骤不是全部包括在内，并且可以包括未示出的其他步骤，并且这些步骤可以以备选的顺序执行。
针对该实施例，假设全局学习器212已经执行了训练阶段、测试阶段等以构建用于数据分析服务的全局模型214。全局模型214将多个元素映射到值，并且这些值可以指示标签。全局学习器212还基于由传感器110报告的数据来执行迭代过程(即，全局过程)以进一步构建、扩充、或修改全局模型214(步骤302)。针对迭代过程的一个或多个步骤，全局学习器212向传感器110查询数据，并且使用由传感器110报告的数据来修改全局模型214。例如，全局学习器212生成针对来自传感器110的数据的查询(步骤304)。该查询包括针对来自传感器110的数据的任何类型的请求，诸如触发传感器110报告数据的控制消息。例如，如果传感器110包括IoT/MTC设备，则查询可以包括设备触发器以报告IoT/MTC通信中的数据。
全局学习器212还从全局模型214中的元素中选择一个或多个候选元素(步骤306)。候选元素是全局学习器212的元素，针对该元素全局学习器212想要或期望从传感器110获得数据。全局学习器212可以以多种方式选择(多个)候选元素。在一个实施例中，全局学习器212基于以下来选择(多个)候选元素：对改进全局模型214做出的贡献、和/或在报告以(多个)候选元素为目标的数据中的成本或影响(就网络资源利用而言)。更具体地，全局学习器212可以基于以下来选择(多个)候选元素：当(多个)候选元素被扩充到全局模型214时全局模型214的错误风险估计，和/或由传感器110报告以(多个)候选元素为目标的数据而引起的对网络120的影响。例如，全局学习器212可以选择全局模型214中的一个或多个至少某些元素作为候选元素，其中至少某些元素是具有超过阈值的预测不确定性、不确定性值、或不确定性水平的经标记的元素。全局学习器212还可以接入业务监测器元件216，并且确定网络120中的网络条件(即，拥塞)。基于网络条件，全局学习器212可以选择以下(多个)候选元素：该(多个)候选元素使传感器110报告网络120的一个或多个区域中的最少数据量，使网络120的特定区域中的传感器110报告数据，同时避免由网络120的其他区域中的传感器110进行报告(即，业务转向)，等等。全局学习器212还可以基于成本(即，货币)、对以至少一个候选元素为目标的数据的监管限制(诸如政府限制或隐私限制)等来选择(多个)候选元素。
全局学习器212生成全局策略，该全局策略指定从传感器110请求的数据限于以全局模型214中的(多个)候选元素为目标(或用于其)的数据(步骤308)。换言之，全局策略指定传感器110在一段时间内将通过网络120传输的数据限制、约束、或限定为以全局模型214中的(多个)候选元素为目标的数据。全局策略还可以指定速率，传感器110通过网络120以该速率来传输以全局模型214中的(多个)候选元素为目标的数据。构建全局策略的标准可以是域特定的，并且可以依赖于各种标准，诸如最大模型变化、不确定性采样等。
全局学习器212通过全局接口组件202向传感器110发送指示全局策略的查询(步骤310)。例如，查询可以包括控制消息，并且全局学习器212可以将全局策略嵌入控制消息中。全局学习器212可以使用通信协议(诸如会话发起协议(SIP)、SS7等)通过全局接口组件202向传感器110广播控制消息、向传感器110多播控制消息、向每个单独的传感器110发送控制消息，等等。
每个传感器110被配置为收集数据，并且处理全局策略以确定什么数据要通过网络120发送给全局监测器130、以及什么数据不发送。例如，全局策略可以包括过滤器，并且传感器110可以使用过滤器来标识被授权用于传输的数据，并且根据全局策略来移除/阻止未被授权用于传输的数据。如果传感器110在某个时间点具有数据集合，则传感器110处理全局策略以标识该集合的数据子集，该数据子集以全局模型214中的(多个)候选元素为目标。然后，该传感器110通过网络120向全局监测器130发送经授权的数据子集，其他传感器110也一样。
全局学习器212通过全局接口组件202从传感器110接收数据(即，数据子集)(步骤312)。根据全局策略，所接收的数据以全局模型214中的(多个)候选元素为目标。全局学习器212可能不会从接收到全局策略的每个传感器110接收数据，因为一些传感器110可能没有要报告的任何数据，该数据是根据全局策略被批准的。但是，假设一个或多个传感器110报告以全局模型214中的(多个)候选元素为目标的数据。然后，全局学习器212基于以全局模型214中的(多个)候选元素为目标的数据来构建、扩充、修改、或调整全局模型214(步骤302)。全局学习器212还可以将从传感器110接收的数据存储在数据库220中。如上所述，报告仅限于对模型改进必不可少的数据，从而节省了网络120的资源。
可以重复方法300的步骤304-312以根据需要改进全局模型214。
图4是示出说明性实施例中的传感器110与全局监测器130之间的通信的消息图。针对集中式拓扑，全局监测器130将全局策略发送给传感器110，并且每个传感器110基于全局策略向全局监测器130报告数据子集。每个数据子集限于以在全局模型214中、如在全局策略中指定的(多个)候选元素为目标的数据。然后，全局监测器130基于由传感器110报告的数据子集来调整全局模型214。
作为集中式拓扑的示例，假设在全局学习器212中学习了全局模型F，并且c_0是置信度阈值。不失一般性，y_j(F，t)可以是全局模型F中置信度水平在时间t低于c_0的元素或数据点。全局学习器212可以发布全局策略，其中要求传感器110更新y_j(F，t)的当前估计。例如，令y_j(F，t)＝p(label(v_i)＝L|v_i(t-1)，...，v_i(1))为数据点v_i具有标签L的后验概率。如果y(F，t)具有由后验概率的大小估计的置信度并且该置信度低于c_0，则全局学习器212发布全局策略P，该全局策略P要求在下一时间步骤(t+1)中采样数据点v_i并且将限于数据点v_i的数据传输给全局学习器212。例如，标签L可以是用于生病或健康的二进制标签，并且数据点v_i可以是通过网络120从传感器110传输给全局学习器212的物理参数(诸如身体热量、脉搏、血压等)的测量集合。在该示例中，如果数据点v_i是其置信度水平低于c_0的唯一数据点，则在下一时间步骤中将不将其他数据传输给全局学习器212。在一段时间之后，另一数据点的置信度水平可能低于c_0，这将触发新的全局策略。
图5示出了说明性实施例中的另一传感器网络系统500。传感器网络系统500类似于图1中的传感器网络系统100，除了传感器网络系统500包括多个局部监测器530。局部监测器530包括元件或机器，该元件或机器从局部网络(例如，局域网(LAN)、无线电接入网(RAN)、云网络等)内的传感器110接收数据并且使用主动学习基于数据来构建用于数据分析服务的局部模型。例如，在图5中示出了四个局部网络520，其中针对每个局部网络520实现了局部监测器530。局部网络520是在网络120的边缘处的网络。局部网络520可以包括LAN，该LAN包括共享到服务器、网关等的公共通信链路的一组传感器110，可以包括其中一个或多个基站服务于多个传感器110的RAN、其中云中的节点或服务器(即，传感器110)向集中式编排实体提供状态数据的云网络等。
局部监测器530与针对整个系统500而实现的传感器110的子集通信，并且将向全局监测器130报告局部模型。然后，全局监测器130可以组合局部模型以生成用于数据分析服务的全局模型。
图5中的架构示出了外围拓扑，其中局部监测器530位于网络120的外围。因此，在网络120的边缘或外围处的节点(即，局部监测器530)中采用主动学习。该拓扑允许集成学习，这是一种机器学习范例，其中训练多个学习器来解决相同的问题。与从一个模型中学习的普通机器学习方法相对照，集成方法生成模型集合并且将该模型集合组合以对元素(即，数据点)进行分类。为了大致描述外围拓扑，将局部学习器X_i部署在传感器集合(S_1i，...，S_ni)附近，并且基于由传感器(S_1i，...，S_ni)报告的数据来生成局部模型F_i。局部学习器X_i可以评估其局部模型F_i内的不确定性，并且根据局部策略P_i查询传感器(S_1i，...，S_ni)以改进局部模型F_i。根据局部策略P_i查询传感器(S_1i，...，S_ni)可以改进局部模型F_i，而不会在网络120上引起大量业务负载，因为这仅发生在网络120的边缘处。在另一阶段，局部学习器X_i将局部模型F_i传输给全局学习器X，使得全局学习器X可以基于局部模型(F_1，...，F_k)构建全局模型F。局部模型到全局模型的这种组合可以经由集成学习来进行，已知该集成学习比单独的每个局部模型F_i提供较强的预测能力。
图6是说明性实施例中的局部监测器530的框图。局部监测器530包括局部接口组件602、一个或多个处理器604、和存储器606。局部接口组件602是被配置为与各种元件通信的硬件组件。例如，局部接口组件602可以被配置为通过有线或无线连接与一个或多个网络设备122通信、与其他监测器设备(例如，全局监测器130)通信、与传感器110通信，等等。处理器604表示提供局部监测器530的功能的内部电路系统、逻辑、硬件等。存储器606是用于数据、指令、应用等的计算机可读存储介质，并且由处理器604可接入。局部监测器530可以包括在图6中未具体示出的各种其他组件。
处理器604实现主动学习机制610和可选的业务监测器元件616。主动学习机制610可以以硬件、固件、和/或软件的任何组合来实现，以实现如上所述的主动机器学习技术。主动学习机制610包括局部学习器612。局部学习器612是主动学习设备，其被配置为向源查询大量数据、接收数据、并且基于数据来生成局部模型614，该局部模型614将元素(例如，数据点)映射到值。局部模型614用于标记或分类用于数据分析服务的元素。
业务监测器元件616被配置为监测局部网络520上的网络条件。业务监测元件616可以与局部网络520内的一个或多个业务检测元件(未示出)通信以监测业务条件，诸如正在经历拥塞的区域、小区、扇区等。
局部监测器530使用主动学习技术来调节来自传感器110的数据业务，并且将局部模型提供给全局监测器130。全局监测器130诸如利用集成学习将局部模型组合成全局模型。因此，全局监测器130不需要通过网络120从传感器110接收数据，其作用是调节通过网络120从传感器110发送什么数据业务。
图7-8是示出说明性实施例中的在网络120的外围处使用主动学习来调节来自传感器110的数据业务的方法700的流程图。将参考图6中的局部监测器530和图2中的全局监测器130来描述方法700的步骤，但是本领域技术人员将理解，方法700可以在其他系统中执行。
图7描述了在每个局部监测器530中执行的步骤。针对该实施例，假设每个局部监测器530中的局部学习器612已经执行了训练阶段、测试阶段等，以构建用于数据分析服务的局部模型614。局部模型614将元素映射到值，并且这些值可以指示标签。局部学习器612还执行迭代过程(即，局部过程)以基于由传感器110报告的数据来进一步构建、扩充、或修改局部模型614(步骤702)。针对迭代过程的一个或多个步骤，局部学习器612向传感器110查询数据，并且使用由传感器110报告的数据来修改局部模型614。例如，局部学习器612生成针对来自局部网络520中的传感器110的数据的查询(步骤704)。局部学习器612还从局部模型614中的元素中选择一个或多个候选元素(步骤706)。候选元素是局部学习器612想要或期望从传感器110获得数据的局部模型614的元素。局部学习器612可以以多种方式选择(多个)候选元素。在一个实施例中，局部学习器612基于以下来选择(多个)候选元素：对改进局部模型614做出的贡献、和/或在报告以(多个)候选元素为目标的数据中的成本或影响(就网络资源利用而言)。更具体地，局部学习器612基于以下来选择(多个)候选元素：当(多个)候选元素被扩充到局部模型614时局部模型614的错误风险估计、和/或由传感器110报告以(多个)候选元素为目标的数据而引起的对局部网络520的影响。例如，局部学习器612可以选择局部模型614中的一个或多个至少某些元素作为候选元素。局部学习器612还可以接入业务监测器元件616，并且确定局部网络520中的网络条件(即，拥塞)。基于网络条件，局部学习器612可以选择以下(多个)候选元素：该候选元素使传感器110报告局部网络520的一个或多个区域、小区、扇区等中的最少数据量，使局部网络520的特定区域、小区、扇区等中的传感器110报告数据，同时避免由局部网络520的其他区域、小区、扇区等中的传感器110进行报告(即，业务转向)，等等。局部学习器612还可以基于成本(即，货币)、监管限制(例如，政府限制或隐私限制)等来选择(多个)候选元素。
局部学习器612生成局部策略，该局部策略指定从局部网络520内的传感器110请求的数据限于以局部模型614中的(多个)候选元素为目标的数据(步骤708)。换言之，局部策略指定传感器110在一段时间内将通过局部网络520传输的数据限制、约束、或限定为以局部模型614中的(多个)候选元素为目标的数据。局部策略还可以指定速率，传感器110通过局部网络520以该速率来传输以局部模型614中的(多个)候选元素为目标的数据。
局部学习器612通过局部接口组件602向局部网络520中的传感器110发送指示局部策略的查询(步骤710)。例如，查询可以包括控制消息，并且局部学习器612可以将局部策略嵌入在控制消息中。局部学习器612可以通过局部接口组件602向传感器110广播控制消息、向传感器110多播控制消息、向每个单独的传感器110发送控制消息，等等。
局部网络520中的每个传感器110被配置为收集数据，并且处理局部策略以确定什么数据要通过局部网络520发送给局部监测器530、以及什么数据不发送。例如，局部策略可以包括过滤器，并且传感器110可以使用过滤器来标识被授权用于传输的数据，并且根据局部策略来移除/阻止未被授权用于传输的数据。如果传感器110在某个时间点具有数据集合，则传感器110处理局部策略以标识该集合的数据子集，该数据子集以局部模型614中的(多个)候选元素为目标。然后，该传感器110通过局部网络520向局部监测器530发送经授权的数据子集，其他传感器110也一样。
局部学习器612通过局部接口组件602从局部网络520中的传感器110接收数据(即，数据子集)(步骤712)。根据局部策略，所接收的数据以局部模型614中的(多个)候选元素为目标。局部学习器612可能不会从接收到局部策略的局部网络520中的每个传感器110接收数据，因为一些传感器110可能没有要报告的任何数据，该数据是根据局部策略被批准的。但是，假设一个或多个传感器110报告以局部模型614中的(多个)候选元素为目标的数据。然后，局部学习器612基于以局部模型614中的(多个)候选元素为目标的数据来构建、扩充、修改、或调整局部模型614(步骤702)。局部学习器612也可以将从传感器110接收的数据存储在数据库620中。如上所述，报告仅限于对模型改进必不可少的数据，这节省了局部网络520的资源。
可以重复方法700的步骤704-712以根据需要改进局部模型614。在某个决策点，局部学习器612通过网络120向全局监测器130和/或通过局部接口组件602向其他局部监测器530发送局部模型614(步骤714)。局部学习器612可以响应于全局监测器130的请求而向全局监测器130发送局部模型614。备选地，局部学习器612可以周期性地向全局监测器130发送局部模型614，,诸如响应于定时器的到期、在局部模型614已经显著改变足以证明传输合理时，等等。例如，当局部模型614已经改变超过阈值时，局部学习器612可以向全局监测器130局部模型614。
图8描述了在全局监测器130中执行的方法700的步骤。全局监测器130的全局学习器212通过局部接口组件602从局部监测器530接收局部模型614(步骤802)。然后，全局学习器212组合局部模型614以构建或调整全局模型，诸如全局模型214(步骤804)。全局学习器212可以使用集成学习技术来组合局部模型。
图9是示出说明性实施例中的传感器110、局部监测器530、和全局监测器130之间的通信的消息图。针对外围拓扑，局部监测器530向其相应的局部网络520中的传感器110发送局部策略。例如，一个局部监测器530向局部网络520内的传感器110发送局部策略A，而另一局部监测器530向局部网络520内的传感器110发送局部策略B。传感器110基于局部策略向其相应的局部监测器530报告数据子集。每个数据子集限于以在局部模型中、如在局部策略中指定的(多个)候选元素为目标的数据。局部监测器530基于由传感器110报告的数据子集来调整其局部模型，并且向全局监测器130报告局部模型。例如，一个局部监测器530向全局监测器130报告局部模型A，而另一局部监测器530向全局监测器130报告局部模型B。全局监测器130然后可以组合局部模型以构建全局模型。
图10示出了说明性实施例中的具有局部监测器530的局部网络520。在如上所述的外围拓扑中，局部监测器530在较大网络的外围执行主动学习以调节由局部网络520内的传感器报告的数据。在该实施例中，局部网络520包括基站1002。基站1002包括接入网元件(例如，eNodeB)，其使用无线电通信技术来与许可频谱上的设备通信并且将该设备与核心网络(未示出)接口。基站1002是无线电接入网(RAN)(诸如演进的UMTS陆地无线电接入网(E-UTRAN))的一部分。基站1002具有被称为小区1004的服务区域。位于小区1004内的设备1006(即，用户设备(UE))能够通过空中接口1010与基站1002通信，该空中接口1010是UE与基站之间的通信链路。设备1006是作为传感器操作的自主终端，并且被称为被配置用于通过网络的IoT通信的IoT设备。
在该实施例中，局部监测器530在基站1002中被实现。为了在基站1002中被实现，局部监测器530可以与基站1002的控制器在相同的平台上，或者可以与基站1002直接通信。局部监测器530向局部网络520中的IoT设备1006发送局部策略。IoT设备1006收集数据，并且处理局部策略以确定什么数据要经由基站1002向局部监测器530发送、以及什么数据不发送。局部监测器530根据局部策略从IoT设备1006接收数据，并且基于由IoT设备1006报告的数据来调整局部模型。局部监测器530还可以向全局监测器报告局部模型。
作为外围方法的示例，每个局部学习器612向全局学习器212传输局部模型F_i(参见图2和图6)。全局学习器212将不同的局部模型F_i组合以形成单个全局模型F。在一些实施例中，这可以通过利用各种算法的集成学习来进行，诸如套袋(具有多数投票)、增加、加权和等。为了演示，套袋方法可以如下。局部模型F_1，...，F_k针对标签l生成以下预测：
yi(Fj，l，t)＝p(label(vi)＝lvi(t-1)，...，vi (1))
针对vi的预测由以下计算：
Figure BDA0002535616450000201
vi的标签是yi(F，t)。从局部学习器612向全局学习器212传输的数据是局部模型F_1，...，F_k，其复杂度低于由传感器110传输的数据。此外，仅当局部模型已经显著改变足以证明传输合理时，才可能向全局学习器212传输局部模型。因为主动学习是在局部学习器612中局部执行的，所以局部模型经常改变，并且全局阈值可以用于确定局部学习器612何时向全局学习器212发送局部模型。例如，令σ为全局学习器212的两个模型之间的某个距离度量。如果σ(Fi(t-l)，Fi(t))＞ε，则应当向全局学习器212传输局部模型Fi(t)。以这种方式，可以仅在已经发生足够的主动更新之后传输局部模型，这可以节省网络120上的业务。
可以采用另一架构，其是集中式拓扑和外围拓扑的混合。在一个实施例中，全局学习器X评估全局集成模型中的不确定性，并且向局部学习器(X_li，...，X_ni)发送全局策略P。每个局部学习器除了其自己的策略P_i之外还评估全局策略P的、位于其局部模型中的一部分。每个局部学习器允许根据全局策略P更新其局部策略F_i。
图11是示出说明性实施例中的局部监测器530与全局监测器130之间的通信的消息图。针对混合拓扑，全局监测器130接入全局模型，选择全局模型中的一个或多个候选元素，并且生成全局策略，该全局策略指定从传感器110请求的数据限于以全局模型中的(多个)候选元素为目标的数据。然后，全局监测器130向局部监测器530发送全局策略。局部监测器530可以接入其自己的局部模型，在局部模型中选择一个或多个候选元素，并且生成局部策略，该局部策略指定从传感器110(位于其局部网络中)请求的数据限于以局部模型中的(多个)候选元素为目标的数据。然后，局部监测器530可以根据全局策略来更新或调整其局部策略。例如，全局策略可以请求以元素J为目标的数据，而局部策略可以请求以元素K为目标的数据。因此，局部监测器530可以更新其局部策略以请求以元素J和元素K为目标的数据。局部监测器530在其相应的局部网络520中向传感器110发送局部策略，并且基于局部策略接收数据子集。局部监测器530基于由传感器110报告的数据子集调整其局部模型，并且向全局监测器130报告局部模型。例如，一个局部监测器530向全局监测器130报告局部模型A，另一局部监测器530向全局监测器130报告局部模型B，并且另一局部监测器530向全局监测器130报告局部模型C。然后，全局监测器130可以组合局部模型以构建全局模型。
附图中示出或本文中描述的各种元件或模块中的任何一个可以被实现为硬件、软件、固件、或这些的某种组合。例如，元件可以被实现为专用硬件。专用硬件元件可以被称为“处理器”、“控制器”、或某种类似术语。在由处理器提供时，功能可以由单个专用处理器、单个共享处理器或多个单独的处理器提供，该多个单独的处理器中的一些可以共享。此外，术语“处理器”或“控制器”的明确使用不应当被解释为专门指代能够执行软件的硬件，而是可以隐含地包括但不限于数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)或其他电路系统、现场可编程门阵列(FPGA)、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)、非易失性存储、逻辑、或某种其他物理硬件组件或模块。
而且，元件可以被实现为由处理器或计算机可执行以执行该元件的功能的指令。指令的一些示例是软件、程序代码、和固件。指令在由处理器执行时是可操作的，以指导处理器执行元件的功能。指令可以存储在处理器可读的存储设备上。存储设备的一些示例是数字或固态存储器、磁存储介质(诸如磁盘和磁带)、硬盘驱动器、或光学可读数字数据存储介质。
尽管本文中描述了特定实施例，但是本公开的范围不限于这些特定实施例。本公开的范围由所附权利要求及其任何等同物定义。

Claims (34)

1.一种系统，包括：
全局监测器，被配置为提供数据分析服务，所述全局监测器包括：
全局接口组件，被配置为通过广域网络与多个传感器通信；以及
全局学习器，被配置为执行迭代过程以构建用于所述数据分析服务的全局模型，所述全局模型基于由所述传感器报告的数据将元素映射到值；
针对所述迭代过程的至少一次迭代，所述全局学习器被配置为：生成针对来自所述传感器的所述数据的查询；基于以下来在所述全局模型中从所述元素中选择至少一个候选元素：所述至少一个候选元素对改进所述全局模型的贡献以及由所述传感器报告以所述全局模型中的所述至少一个候选元素为目标的数据而引起的对所述广域网络的影响；生成全局策略，所述全局策略指定从所述传感器请求的所述数据限于以所述全局模型中的所述至少一个候选元素为目标的所述数据；通过全局接口组件向所述传感器发送指示所述全局策略的所述查询；根据所述全局策略通过所述全局接口组件从所述传感器接收以所述全局模型中的所述至少一个候选元素为目标的所述数据；以及基于以所述全局模型中的所述至少一个候选元素为目标的所述数据来调整所述全局模型。
2.根据权利要求1所述的系统，其中：
所述全局策略指定速率，所述传感器通过所述广域网络以所述速率来传输以所述全局模型中的所述至少一个候选元素为目标的所述数据。
3.根据权利要求1所述的系统，其中：
所述全局学习器还被配置为：还基于对以所述至少一个候选元素为目标的所述数据的监管限制来选择所述至少一个候选元素。
4.根据权利要求1所述的系统，还包括：
所述传感器；
其中所述传感器包括被配置用于物联网(IoT)通信的IoT设备。
5.根据权利要求1所述的系统，还包括：
所述传感器；
其中所述传感器包括云网络中的服务器。
6.根据权利要求1所述的系统，还包括：
多个局部监测器，其中所述局部监测器中的每个局部监测器包括：
局部接口组件，被配置为与位于局部网络中的所述传感器的子集通信；以及
局部学习器，被配置为执行另一迭代过程以构建用于所述数据分析服务的局部模型；
针对所述另一迭代过程的至少一次迭代，所述局部学习器被配置为：生成针对来自位于所述局部网络中的所述传感器的所述子集的所述数据的查询；基于以下来在所述局部模型中选择至少一个候选元素：所述至少一个候选元素对改进所述局部模型的贡献以及由所述传感器的所述子集报告以所述局部模型中的所述至少一个候选元素为目标的数据而引起的对所述局部网络的影响；生成局部策略，所述局部策略指定从所述传感器的所述子集请求的所述数据限于以所述局部模型中的所述至少一个候选元素为目标的所述数据；通过局部接口组件向位于所述局部网络中的所述传感器的所述子集发送指示所述局部策略的所述查询；根据所述局部策略通过所述局部接口组件从所述传感器的所述子集接收以所述局部模型中的所述至少一个候选元素为目标的所述数据；以及基于以所述局部模型中的所述至少一个候选元素为目标的所述数据来调整所述局部模型。
7.根据权利要求6所述的系统，其中：
所述局部学习器被配置为：通过所述局部接口组件向所述全局监测器发送所述局部模型。
8.根据权利要求7所述的系统，其中：
所述全局学习器被配置为：通过所述全局接口组件从所述局部监测器接收多个局部模型，并且组合所述局部模型以构建所述全局模型。
9.根据权利要求6所述的系统，其中：
所述局部学习器被配置为：通过所述局部接口组件向其他局部监测器发送所述局部模型。
10.根据权利要求6所述的系统，其中：
所述局部监测器位于所述广域网络的外围。
11.根据权利要求6所述的系统，其中：
所述局部监测器中的至少一个局部监测器在无线电接入网(RAN)的基站中被实现。
12.一种使用主动学习来调节数据业务的方法，所述方法包括：
在全局监测器处使用迭代过程构建用于数据分析服务的全局模型，所述全局模型将元素映射到值，其中所述全局监测器通过广域网络与多个传感器通信；
针对所述迭代过程的至少一次迭代，所述方法包括：
在所述全局监测器处生成针对来自所述传感器的数据的查询；
在所述全局监测器处基于以下来在所述全局模型中从所述元素中选择至少一个候选元素：所述至少一个候选元素对改进所述全局模型的贡献以及由所述传感器报告以所述全局模型中的所述至少一个候选元素为目标的数据而引起的对所述广域网络的影响；
在所述全局监测器处生成全局策略，所述全局策略指定从所述传感器请求的所述数据限于以所述全局模型中的所述至少一个候选元素为目标的所述数据；
从所述全局监测器向所述传感器发送指示所述全局策略的所述查询；
根据所述全局策略从所述传感器接收以所述全局监测器中的所述全局模型中的所述至少一个候选元素为目标的所述数据；以及
在所述全局监测器处基于以所述全局模型中的所述至少一个候选元素为目标的所述数据来调整所述全局模型。
13.根据权利要求12所述的方法，其中：
所述全局策略指定速率，所述传感器通过所述广域网络以所述速率来传输以所述全局模型中的所述至少一个候选元素为目标的所述数据。
14.根据权利要求12所述的方法，其中选择所述至少一个候选元素包括：
还基于对以所述至少一个候选元素为目标的所述数据的监管限制来选择所述至少一个候选元素。
15.根据权利要求12所述的方法，其中：
所述传感器包括被配置用于物联网(IoT)通信的IoT设备。
16.根据权利要求12所述的方法，其中：
所述传感器包括云网络中的服务器。
17.根据权利要求12所述的方法，还包括：
使用另一迭代过程在多个局部监测器中的每个局部监测器处构建用于所述数据分析服务的局部模型，其中所述局部监测器中的每个局部监测器与位于局部网络中的所述传感器的子集通信；
针对所述另一迭代过程的至少一次迭代，所述方法包括：
在所述多个局部监测器中的局部监测器处生成针对来自位于所述局部网络中的所述传感器的所述子集的数据的查询；
在所述局部监测器处基于以下来在所述局部模型中选择至少一个候选元素：所述至少一个候选元素对改进所述局部模型的贡献以及由所述传感器的所述子集报告以所述局部模型中的所述至少一个候选元素为目标的数据而引起的对所述局部网络的影响；
在所述局部监测器处生成局部策略，所述局部策略指定从所述传感器的所述子集请求的所述数据限于以所述局部模型中的所述至少一个候选元素为目标的所述数据；
从所述局部监测器向位于所述局部网络中的所述传感器的所述子集发送指示所述局部策略的所述查询；
根据所述局部策略从所述传感器的所述子集接收以所述局部监测器中的所述局部模型中的所述至少一个候选元素为目标的所述数据；以及
在所述局部监测器处基于以所述局部模型中的所述至少一个候选元素为目标的所述数据来调整所述局部模型。
18.根据权利要求17所述的方法，还包括：
从所述局部监测器向所述全局监测器发送所述局部模型。
19.根据权利要求18所述的方法，还包括：
在所述全局监测器处从所述局部监测器接收多个局部模型；以及
在所述全局监测器处组合所述局部模型以构建所述全局模型。
20.根据权利要求17所述的方法，还包括：
从所述局部监测器向其他局部监测器发送所述局部模型。
21.一种系统，包括：
全局监测器，被配置为构建用于数据分析服务的全局模型，所述全局模型将元素映射到值；以及
多个局部监测器，每个局部监测器与位于局部网络中的传感器的子集通信；
其中所述多个局部监测器中的每个局部监测器被配置为：执行迭代过程以构建用于所述数据分析服务的局部模型，所述局部模型将所述元素中的至少一个元素映射到所述值；
其中针对所述迭代过程的至少一次迭代，所述局部监测器被配置为：生成针对来自位于所述局部网络中的所述传感器的所述子集的数据的查询；基于以下来在所述局部模型中选择至少一个候选元素：所述至少一个候选元素对改进所述局部模型的贡献以及由所述传感器的所述子集报告以所述局部模型中的所述至少一个候选元素为目标的数据而引起的对所述局部网络的影响；生成局部策略，所述局部策略指定从所述传感器的所述子集请求的所述数据限于以所述局部模型中的所述至少一个候选元素为目标的所述数据；向位于所述局部网络中的所述传感器的所述子集发送指示所述局部策略的所述查询；根据所述局部策略从所述传感器的所述子集接收以所述局部模型中的所述至少一个候选元素为目标的所述数据；以及基于以所述局部模型中的所述至少一个候选元素为目标的所述数据来调整所述局部模型；
其中所述全局监测器被配置为：从所述局部监测器接收多个局部模型，并且组合所述局部模型以构建所述全局模型。
22.根据权利要求21所述的系统，其中：
所述局部监测器位于广域网络的外围。
23.根据权利要求21所述的系统，其中：
所述局部监测器还被配置为：还基于对以所述至少一个候选元素为目标的所述数据的监管限制来选择所述至少一个候选元素。
24.根据权利要求21所述的系统，其中：
所述局部监测器中的至少一个局部监测器在无线电接入网(RAN)的基站中被实现。
25.根据权利要求21所述的系统，还包括：
所述传感器；
其中所述传感器包括被配置用于通过所述局部网络的物联网(IoT)通信的IoT设备。
26.根据权利要求21所述的系统，还包括：
所述传感器；
其中所述传感器包括云网络中的服务器。
27.根据权利要求21所述的系统，其中：
所述局部策略指定速率，所述传感器的所述子集通过所述局部网络以所述速率来传输以所述局部模型中的所述至少一个候选元素为目标的所述数据。
28.根据权利要求21所述的系统，其中：
所述全局监测器被配置为：基于至少一个候选元素对改进所述全局模型的贡献来在所述全局模型中选择所述至少一个候选元素；生成全局策略，所述全局策略指定从所述传感器请求的所述数据限于以所述全局模型中的所述至少一个候选元素为目标的所述数据；以及向所述局部监测器发送所述全局策略；以及
所述局部监测器中的每个局部监测器被配置为：根据所述全局策略来更新所述局部策略。
29.一种使用主动学习来调节数据业务的方法，所述方法包括：
在多个局部监测器中的每个局部监测器处使用迭代过程构建用于数据分析服务的局部模型，所述局部模型将元素映射到值，其中所述多个局部监测器中的每个局部监测器与位于局部网络中的传感器的子集通信；
针对所述迭代过程的至少一次迭代，所述方法包括：
在所述局部监测器处生成针对来自位于所述局部网络中的所述传感器的所述子集的数据的查询；
在所述局部监测器处基于以下来在所述局部模型中选择所述元素中的至少一个候选元素：所述至少一个候选元素对改进所述局部模型的贡献以及由所述传感器的所述子集报告以所述局部模型中的所述至少一个候选元素为目标的数据而引起的对所述局部网络的影响；
在所述局部监测器处生成局部策略，所述局部策略指定从所述传感器的所述子集请求的所述数据限于以所述局部模型中的所述至少一个候选元素为目标的所述数据；
从所述局部监测器向位于所述局部网络中的所述传感器的所述子集发送指示所述局部策略的所述查询；
根据所述局部策略从所述传感器的所述子集接收以所述局部监测器中的所述局部模型中的所述至少一个候选元素为目标的所述数据；以及
在所述局部监测器处基于以所述局部模型中的所述至少一个候选元素为目标的所述数据来调整所述局部模型；在全局监测器处从所述局部监测器接收多个局部模型；以及
在所述全局监测器处组合所述局部模型以构建用于所述数据分析服务的全局模型。
30.根据权利要求29所述的方法，其中：
所述传感器包括被配置用于通过所述局部网络的物联网(IoT)通信的IoT设备。
31.根据权利要求29所述的方法，其中：
所述传感器包括云网络中的服务器。
32.根据权利要求29所述的方法，其中选择所述至少一个候选元素包括：
还基于对以所述至少一个候选元素为目标的所述数据的监管限制来选择所述至少一个候选元素。
33.根据权利要求29所述的方法，其中：
所述局部策略指定速率，所述传感器的所述子集通过所述局部网络以所述速率来传输以所述局部模型中的所述至少一个候选元素为目标的所述数据。
34.根据权利要求29所述的方法，还包括：
在所述全局监测器处基于至少一个候选元素对改进所述全局模型的贡献来在所述全局模型中选择所述至少一个候选元素；
在所述全局监测器处生成全局策略，所述全局策略指定从所述传感器请求的所述数据限于以所述全局模型中的所述至少一个候选元素为目标的所述数据；
从所述全局监测器向所述局部监测器发送所述全局策略；以及
在所述局部监测器中的每个局部监测器处根据所述全局策略来更新所述局部策略。
CN201880080211.7A 2017-12-12 2018-10-24 使用主动学习框架控制用于数据分析服务的数据报告 Active CN111480318B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US15/839,517 US10541880B2 (en) 2017-12-12 2017-12-12 Control of data reporting for a data analytics service using an active learning framework
US15/839,517 2017-12-12
PCT/US2018/057342 WO2019118068A1 (en) 2017-12-12 2018-10-24 Control of data reporting for a data analytics service using an active learning framework

Publications (2)

Publication Number Publication Date
CN111480318A true CN111480318A (zh) 2020-07-31
CN111480318B CN111480318B (zh) 2023-07-18

Family

ID=64564958

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880080211.7A Active CN111480318B (zh) 2017-12-12 2018-10-24 使用主动学习框架控制用于数据分析服务的数据报告

Country Status (4)

Country Link
US (1) US10541880B2 (zh)
EP (1) EP3725038B1 (zh)
CN (1) CN111480318B (zh)
WO (1) WO2019118068A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115118599A (zh) * 2021-03-18 2022-09-27 诺基亚通信公司 网络管理

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3395010B1 (en) * 2015-12-26 2020-08-26 Intel Corporation Distributed framework for resilient machine-to-machine system management
US11290538B2 (en) * 2019-10-25 2022-03-29 AT&T Global Network Services Hong Kong LTD Policy-based programmable internet of things devices
US11516135B2 (en) * 2020-01-19 2022-11-29 Mellanox Technologies, Ltd. Global policers
US20220368639A1 (en) * 2020-01-19 2022-11-17 Mellanox Technologies, Ltd. Global policers
CN113708982B (zh) * 2021-10-28 2022-01-18 华中科技大学 一种基于群体学习的服务功能链部署方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170160328A1 (en) * 2015-12-02 2017-06-08 Prophecy Sensors, Llc Distributed iot based sensor analytics for power line diagnosis
WO2017111828A1 (en) * 2015-12-26 2017-06-29 Intel Corporation Distributed framework for resilient machine-to-machine system management

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9411916B2 (en) * 2013-12-31 2016-08-09 Cisco Technology, Inc. Distributed approach for feature modeling using principal component analysis
US9547828B2 (en) * 2014-05-14 2017-01-17 Cisco Technology, Inc. Hierarchical hybrid batch-incremental learning
US20160335542A1 (en) * 2015-05-12 2016-11-17 Dell Software, Inc. Method And Apparatus To Perform Native Distributed Analytics Using Metadata Encoded Decision Engine In Real Time

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170160328A1 (en) * 2015-12-02 2017-06-08 Prophecy Sensors, Llc Distributed iot based sensor analytics for power line diagnosis
WO2017111828A1 (en) * 2015-12-26 2017-06-29 Intel Corporation Distributed framework for resilient machine-to-machine system management

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115118599A (zh) * 2021-03-18 2022-09-27 诺基亚通信公司 网络管理
CN115118599B (zh) * 2021-03-18 2024-05-28 诺基亚通信公司 网络管理

Also Published As

Publication number Publication date
US10541880B2 (en) 2020-01-21
US20190182122A1 (en) 2019-06-13
CN111480318B (zh) 2023-07-18
WO2019118068A1 (en) 2019-06-20
EP3725038B1 (en) 2022-11-02
EP3725038A1 (en) 2020-10-21

Similar Documents

Publication Publication Date Title
CN111480318B (zh) 使用主动学习框架控制用于数据分析服务的数据报告
EP3847841B1 (en) Procedure for optimization of self-organizing network
EP4099635A1 (en) Method and device for selecting service in wireless communication system
EP3742669B1 (en) Machine learning in radio access networks
Saied et al. Trust management system design for the Internet of Things: A context-aware and multi-service approach
US20220294606A1 (en) Methods, apparatus and machine-readable media relating to machine-learning in a communication network
Soni et al. Novel learning algorithms for efficient mobile sink data collection using reinforcement learning in wireless sensor network
US20220292398A1 (en) Methods, apparatus and machine-readable media relating to machine-learning in a communication network
US20240155435A1 (en) Method for managing qos in a communications network using a machine learning
US11785435B2 (en) Methods and apparatuses for capability exposure
Osamy et al. TACTIRSO: trust aware clustering technique based on improved rat swarm optimizer for WSN-enabled intelligent transportation system
Balobaid et al. Neural Network Clustering and Swarm Intelligence‐Based Routing Protocol for Wireless Sensor Networks: A Machine Learning Perspective
Ram Prabha et al. Enhanced multi-attribute trust protocol for malicious node detection in wireless sensor networks
CN116114292A (zh) 一种通信方法和装置
Zou et al. Resource multi-objective mapping algorithm based on virtualized network functions: RMMA
Das et al. Multi agent dynamic weight based cluster trust estimation for hierarchical wireless sensor networks
WO2021018370A1 (en) Methods for data model sharing for a radio access network and related infrastructure
Robinson et al. Enhanced Border and Hole Detection for Energy utilization in wireless sensor networks
Semov et al. Performance optimization in heterogeneous wireless access networks based on user heat maps
Murudkar Next-Generation Self-Organizing Communications Networks: Synergistic Application of Machine Learning and User-Centric Technologies
Murudkar Digital Commons@ University of South Florida
WO2023179893A1 (en) Connecting to a non-terrestrial network
Thantharate Adaptive Data-Driven Optimization Using Transfer Learning for Resilient, Energy-Efficient, Resource-Aware, and Secure Network Slicing in 5G-Advanced and 6G Wireless Systems
Uma et al. Passive incidental alertness—based link visualization for secure data transmission in manet
WO2023227349A1 (en) Management of data for use in training a model

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
GR01 Patent grant
GR01 Patent grant