CN111614436B - 一种基于贝叶斯推断的动态数据包打包方法 - Google Patents

一种基于贝叶斯推断的动态数据包打包方法 Download PDF

Info

Publication number
CN111614436B
CN111614436B CN202010255502.4A CN202010255502A CN111614436B CN 111614436 B CN111614436 B CN 111614436B CN 202010255502 A CN202010255502 A CN 202010255502A CN 111614436 B CN111614436 B CN 111614436B
Authority
CN
China
Prior art keywords
delay
network
time
distribution
parameters
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.)
Active
Application number
CN202010255502.4A
Other languages
English (en)
Other versions
CN111614436A (zh
Inventor
赵云波
许德衡
唐敏
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010255502.4A priority Critical patent/CN111614436B/zh
Publication of CN111614436A publication Critical patent/CN111614436A/zh
Application granted granted Critical
Publication of CN111614436B publication Critical patent/CN111614436B/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
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0006—Systems modifying transmission characteristics according to link quality, e.g. power backoff by adapting the transmission format
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/364—Delay profiles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Electromagnetism (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种基于贝叶斯推断的动态数据包打包方法，本发明针对使用共享网络进行通信的网络化控制系统中实时优化网络资源使用的问题，解决了网络化控制系统中优化网络资源是无法得到实际网络时延特征的问题。首先，对网络时延进行建模，并对其分布模型中的参数选取先验分布。其次，利用控制系统自身收集的最近历史时延数据，根据贝叶斯推断理论设计了模型的在线学习方法，得到了参数的后验分布。然后，分别从参数的后验分布中采样得到实时的参数值并带入更新时延分布模型。最后，从实时的时延分布模型中计算得到时延上界估计值，并依此来指导控制系统来设计数据包的长度，达到实时优化网络资源使用的目标。

Description

一种基于贝叶斯推断的动态数据包打包方法
技术领域
本发明涉及一种动态的数据包打包方法，适用于使用共享网络进行通信的网络化控制系统的设计。
背景技术
从控制工程的角度来看，网络控制系统不同于传统的控制系统，因为它包含了通信网络，从而引入了丢包时延等通信约束。为了将NCS技术应用于实际，必须解决以下关键问题:即在通信约束条件下，如何优化控制系统性能？特定的网络控制系统的设计考虑不仅包括该网络控制系统的控制质量，还包括通信网络的资源的使用率。意味着我们 系统的设计,除了控制性能的优化,应该尽可能减少消费通信资源,使共享相同的通信网络的其他系统也可以优化。
现有的方法大多在系统中实时的网络时延提前假设的基础上设计数据包打包方案。以实现网络资源的有效使用。而在实际情况中，由于网络并非专用网络，其他应用的接入和断开都会引起网络通信状态的变化从而导致时延的改变，这意味着在网络化控制系统设计之初设计的数据包的传输长度不符合当前网络状态下优化网络资源使用的要求。
发明内容
本发明要要克服现有技术的上述不足，基于贝叶斯推断技术，利用网络历史时延数据来实时的估计当前网络时延的上界，继而依次设计一种动态数据包打包方案。解决了当前技术不能符合实时网络状态网络资源高效使用的问题。可以应用在使用共享网络进行通信的网络化控制系统应用场景。
本发明解决其技术问题所采用的技术方案是：
一种基于贝叶斯推断的动态数据包打包方法，含有以下步骤：
步骤一：建立网络时延分布概率模型，并对其中的参数建立先验分布。
步骤二：收集网络化控制系统中历史时延信息，并根据贝叶斯推断方法利用该数据对参数先验部分进行更新，获取参数后验分布。
步骤三：从参数的后验分布中随机采样，获得当前时刻网络时延概率模型中的参数值，更新网络时延分布概率模型。
步骤四：根据更新后的网络时延分布概率模型，估计出当前时刻的时延上界。估计的准则是设置一个恰当的阈值W，当满足以下关系时，即得到本方法的上界估计值T：
Figure BDA0002437148190000021
Figure BDA0002437148190000022
步骤五：由相邻两个时刻的环路时延tk和tk+1可以得到相邻两个数据包到达执行器的时间间隔为sk＝(k+1+tk+1)-(k+tk)+1＝Tk-τk+2，即打包长度设置为sk。
其中，Tk为k时刻的网络时延估计值，τk为k时刻传感器到控制器的时延。
与现有技术相比，本发明技术方案的优点有：
(1)本发明能实时得到系统运行过程中的网络时延的估计上界的同时能跟随网络实时的变化，能够保证设计的打包长度在任一时刻都能更大程度的节约网络资源的使用；
(2)本发明仅使用系统运行过程的数据而没有建立在任何假设的基础上，更符合实际情况，更有利于在实际中实施应用。
附图说明
图1：本发明实施例1的利用共享网络通信的网络化控制系统示意图；
图2：本发明实施例1的数据包结构示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图和实施例对本发明作进一步的详细描述。
实施例1：
一种基于贝叶斯推断的动态数据打包方法，含有以下步骤：
(1)建立网络时延分布概率模型，并对其中的参数建立先验分布；
步骤11：对网络的时延τ建模成指数分布，其中λ、d为参数。
Figure BDA0002437148190000031
步骤12:分别对时延分布模型中的参数建立先验分布，其中a、b、α、β为为可选参数：
Figure BDA0002437148190000032
Figure BDA0002437148190000033
(2)收集网络化控制系统中历史时延信息，并根据贝叶斯推断方法利用该数据对参数先验部分进行更新，获取参数后验分布。
步骤21：对任意时刻k，收集当前时刻最近的l个历史时延值xk，记为Xk；
Figure BDA0002437148190000034
步骤22：根据数据分别对两个参数的先验分布式(4)、式(5)进行更新：
Figure BDA0002437148190000041
Figure BDA0002437148190000042
(3)从参数的后验分布中随机采样，获得当前时刻网络时延概率模型中的参数值，更新网络时延分布概率模型；
Figure BDA0002437148190000043
(4)根据更新后的网络时延分布概率模型，估计出当前时刻的时延上界。估计的准则是设置一个恰当的阈值W，根据式(1)、式(2)计算得到本方法的上界估计值Tk；
(5)由相邻两个时刻的环路时延tk和tk+1可以得到相邻两个数据包到达执行器的时间间隔为sk＝(k+1+tk+1)-(k+tk)+1＝Tk-τk+2，即打包长度设置为sk。其中，Tk为k时刻的网络时延估计值，τk为k时刻传感器到控制器的时延。
本发明根据贝叶斯推断理论，利用网络化控制系统中历史时延数据在学习了时延分布模型，实时估计了当前网络时延上界，并基于这些技术进一步的设计了动态的数据包打包方法，解决了现有技术不能实时优化网络资源使用的问题，实现了网络化控制系统应用中网络资源的高效使用。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.一种基于贝叶斯推断的动态数据包打包方法，含有以下步骤：
(1)建立网络时延分布概率模型，并对其中的参数建立先验分布；
步骤11：对网络的时延τ建模成指数分布，其中λ、d为参数：
Figure RE-FDA0003556507960000011
步骤12:分别对时延分布模型中的参数建立先验分布，其中a、b、α、β为可选参数：
Figure RE-FDA0003556507960000012
Figure RE-FDA0003556507960000013
(2)收集网络化控制系统中历史时延信息，并根据贝叶斯推断方法利用该数据对参数先验部分进行更新，获取参数后验分布；
步骤21：对任意时刻k，收集当前时刻最近的l个历史时延值xk，记为Xk；
Figure RE-FDA0003556507960000014
步骤22：根据数据分别对两个参数的先验分布式(4)、式(5)进行更新：
Figure RE-FDA0003556507960000015
Figure RE-FDA0003556507960000021
(3)从参数的后验分布中随机采样，获得当前时刻网络时延概率模型中的参数值，更新网络时延分布概率模型；
Figure RE-FDA0003556507960000022
(4)根据更新后的网络时延分布概率模型，估计出当前时刻的时延上界。估计的准则是设置一个恰当的阈值W，根据式(1)、式(2)计算得到本方法的上界估计值T；
Figure RE-FDA0003556507960000023
Figure RE-FDA0003556507960000024
(5)由相邻两个时刻的环路时延tk和tk+1可以得到相邻两个数据包到达执行器的时间间隔为sk＝(k+1+tk+1)-(k+tk)+1＝Tk-τk+2，即打包长度设置为sk；其中，Tk为k时刻的网络时延估计值，τk为k时刻传感器到控制器的时延。
CN202010255502.4A 2020-04-02 2020-04-02 一种基于贝叶斯推断的动态数据包打包方法 Active CN111614436B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010255502.4A CN111614436B (zh) 2020-04-02 2020-04-02 一种基于贝叶斯推断的动态数据包打包方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010255502.4A CN111614436B (zh) 2020-04-02 2020-04-02 一种基于贝叶斯推断的动态数据包打包方法

Publications (2)

Publication Number Publication Date
CN111614436A CN111614436A (zh) 2020-09-01
CN111614436B true CN111614436B (zh) 2022-05-24

Family

ID=72203536

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010255502.4A Active CN111614436B (zh) 2020-04-02 2020-04-02 一种基于贝叶斯推断的动态数据包打包方法

Country Status (1)

Country Link
CN (1) CN111614436B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102957579A (zh) * 2012-09-29 2013-03-06 北京邮电大学 一种网络异常流量监测方法及装置
CN103326903A (zh) * 2013-07-05 2013-09-25 华北电力大学 基于隐马尔科夫的Internet网络时延预测方法
CN105334734A (zh) * 2015-11-03 2016-02-17 北方工业大学 基于数据的网络化控制系统的时延和丢包补偿方法及装置
CN106054617A (zh) * 2016-08-15 2016-10-26 江南大学 网络控制系统前向通道随机时延的在线预测方法
CN108520320A (zh) * 2018-03-30 2018-09-11 华中科技大学 一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法
CN109189049A (zh) * 2018-10-15 2019-01-11 浙江工业大学 一种适用于网络化控制系统的主动时延补偿方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100029282A1 (en) * 2008-07-31 2010-02-04 Qualcomm Incorporated Resource partitioning in heterogeneous access point networks

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102957579A (zh) * 2012-09-29 2013-03-06 北京邮电大学 一种网络异常流量监测方法及装置
CN103326903A (zh) * 2013-07-05 2013-09-25 华北电力大学 基于隐马尔科夫的Internet网络时延预测方法
CN105334734A (zh) * 2015-11-03 2016-02-17 北方工业大学 基于数据的网络化控制系统的时延和丢包补偿方法及装置
CN106054617A (zh) * 2016-08-15 2016-10-26 江南大学 网络控制系统前向通道随机时延的在线预测方法
CN108520320A (zh) * 2018-03-30 2018-09-11 华中科技大学 一种基于多重长短期记忆网络和经验贝叶斯的设备寿命预测方法
CN109189049A (zh) * 2018-10-15 2019-01-11 浙江工业大学 一种适用于网络化控制系统的主动时延补偿方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Data augmentation for deep neural network acoustic modeling;Xiaodong Cui;《2014 IEEE International conference on acoustics,speech and singal processing》;20140714;全文 *
基于无线传感器网络的传输距离控制方法;殷贞玲等;《计算机科学》;20100615(第06期);全文 *

Also Published As

Publication number Publication date
CN111614436A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN111818570B (zh) 一种面向真实网络环境的智能拥塞控制方法及系统
CN112327633A (zh) 具有时滞和干扰的领导跟随多智能体系统一致性的方法
CN105847438A (zh) 基于事件触发的多智能体一致性控制方法
CN107463095B (zh) 一种具有时变采样周期的输出反馈控制器设计方法
CN107273228A (zh) 基于星型拓扑架构的消息传输方法
CN114285853A (zh) 设备密集型工业物联网中基于端边云协同的任务卸载方法
CN115529278A (zh) 基于多智能体强化学习的数据中心网络ecn自动调控方法
CN111614436B (zh) 一种基于贝叶斯推断的动态数据包打包方法
CN111079948B (zh) 一种基于sdn的分布式机器学习训练加速方法
CN115314399B (zh) 一种基于逆强化学习的数据中心流量调度方法
CN113915741B (zh) 指令发送方法、装置及系统
CN112019381B (zh) 一种基于深度学习的集群链路检测方法和系统
CN111830826B (zh) 一种网络化双模自适应时域模型控制方法及系统
CN103812634B (zh) 现场总线网络控制系统及其网络诱导延时计算方法
CN113391897A (zh) 一种面向异构场景的联邦学习训练加速方法
Miao et al. Receding horizon control for a class of discrete-event systems with real-time constraints
CN113722096B (zh) 边缘计算节点的cpu频率调节方法、系统、设备及存储介质
Feng et al. Terminal sliding mode observer for anomaly detection in TCP/IP networks
CN115250253B (zh) 带宽感知的归约处理方法以及ai模型的训练方法
Zhang et al. H∞ control of delayed teleoperation systems under polytopic-type uncertainties
CN116679753B (zh) 一种异构无人系统抗欺骗攻击的编队跟踪控制方法
CN115128961B (zh) 基于LoRaWAN网络的自触发模型预测方法及系统
CN116634388B (zh) 面向电力融合网络大数据边缘缓存与资源调度方法及系统
CN116954064A (zh) 一种网络化混杂级联系统的建模和稳定性分析方法
CN103812633B (zh) 工业以太网控制系统及其网络诱导延时计算方法

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