CN111614510A - 一种基于贝叶斯推断的网络丢包率学习方法 - Google Patents
一种基于贝叶斯推断的网络丢包率学习方法 Download PDFInfo
- Publication number
- CN111614510A CN111614510A CN202010255494.3A CN202010255494A CN111614510A CN 111614510 A CN111614510 A CN 111614510A CN 202010255494 A CN202010255494 A CN 202010255494A CN 111614510 A CN111614510 A CN 111614510A
- Authority
- CN
- China
- Prior art keywords
- packet loss
- loss rate
- control system
- distribution
- network packet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0829—Packet loss
-
- 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
Abstract
一种基于贝叶斯推断的网络丢包率学习方法,针对网络化控制系统设计分析时需要知道实时的丢包率但是现有技术往往是事先通过通信技术测量从而损害控制系统性能的问题,包括:首先,根据经验选定丢包率的先验分布。然后,通过首先收集历史的丢包信息进而更新先验信息得到后验概率分布,最后在后验概率分布的基础上进行随机采样得到丢包率,继而指导进一步的控制系统设计。本发明仅使用最近的丢包历史数据就可对关于网络丢包率的先验信息进行了更新,能够实时的得到当前时刻的后验信息,在网络化控制系统运行的同时能够在线地估计网络丢包,为网络化控制系统的设计提供了实时的网络丢包率,改善控制系统的性能。
Description
技术领域
本发明涉及一种数字网络丢包率在线估计方法,适用于需要知道实时的网络丢包率特征的网络化控制系统设计与分析的场景。
背景技术
如今的控制系统规模也变得越来越大,空间分布也越来越广泛,传统的点对点有线连接的控制系统已经无法满足社会对控制系统应用的需求。在这样的社会背景下,网络化控制系统应运而生。网络化控制系统指的是将分布在地理位置的传感器设备、控制器设备和执行机构通过-个共享的、有限带宽的数字通信网络连接起来,从而形成的-种通过通信网络实现闭环的控制系统。
引入通信网络消除了各个部分的有线连接,大大减少了布线,克服了传统控制系统可扩展性差,不易维护等弊端,也给远程控制和操作带来可能。但是也将通信网络本身的约束带入了控制系统。尤其是网络中不可避免的丢包严重破坏了控制系统的实时性影响系统性能。所以在设计控制系统时需要考虑网络丢包率,现有的技术往往是事先将端到端的丢包率事先测量在给控制系统。但是由于网络环境通常是动态变化的,所以事先给定丢包率并不能有效的解决丢包对系统性能造成损害的问题。
发明内容
本发明要克服现有技术的控制系统依靠通讯手段事先测量给定丢包率而不是自身实时获得丢包率的技术缺点,提出一种基于贝叶斯推断的网络丢包率在线学习方法,结合最近的历史数据来估计当前网络的丢包率,在一定程度上解决了控制系统需要知道丢包率但无法实时得到的问题。可以应用在网络环境容易发生变化的诸多网络化控制系统应用场景中。
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网络丢包率学习方法,含有以下步骤:
对于任一时刻k,有以下步骤:
步骤一:在当前时刻收集前n个时刻的系统丢包情况记录到数据包Dk并计算Dk中没有丢包的总个数记为qk,发生丢包的总次数为n-qk。
步骤二:根据用户经验对当前网络环境选定丢包率的先验分布Beta(ak,bk)。若无历史经验(一般是在初始阶段)则可以选择参数对(ak,bk)为(1,1)的Beta分布作为先验分布,因为Beta(1,1)相当于均匀分布。
步骤三:根据当前时刻的历史信息Dk的qk值对先验分布Beta(ak,bk)进行在线更新,得到后验分布Beta(ak+qk,bk+n-qk)。
步骤四:对丢包率的后验概率分布进行随机采样,得到当前时刻的丢包率估计值。
本发明提供了一种网络化控制系统中实时丢包率估计的学习方法。在网络化控制系统中,难以用通信技术来测量实时的网络丢包率来指导控制系统的设计,但是控制器可以获得每个时刻的丢包信息(丢包是否发生)。借助这些数据,在结合贝叶斯推断方法可以实现基于数据来进行统计推断得到控制系统感兴趣的丢包率。并且,由于数据是每个时刻都能产生的,所以随着系统的运行,得到的后验概率分布会越来越集中在系统真实丢包率的附近。也就是说本发明下对网络丢包的估计会越来越准确,这将更有利于控制系统的设计。
与现有技术相比,本发明技术方案的优点有:
(1)本发明根据了贝叶斯推断理论,仅使用最近的丢包历史数据就可对关于网络丢包率的先验信息进行了更新,能够实时的得到当前时刻的后验信息、
(2)在网络化控制系统运行的同时能够在线地估计网络丢包,为网络化控制系统的设计提供了实时的网络丢包率,改善控制系统的性能。
附图说明
图1:本发明丢包率后验分布收敛情况示意图;
图2:本发明丢包率估计值的收敛情况示意图;
图3:本发明实时估计丢包率对控制系统性能的改善示意图。
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:
一种基于贝叶斯推断的网络丢包率学习方法,含有以下步骤:
步骤一:选取先验分布。根据用户对网络关于丢包率的初步的了解,可以在Beta分布的概率分布图像中选取一个较为符合的丢包过程丢包率θ的分布情况。注意到分布Beta(1,1)等于[0,1]区间上的均匀分布,在没有额外历史资料时可以选取概率分布Beta(1,1)作为θ的先验概率分布。并令k=0,αk=1,βk=1。
步骤二:对于时刻k,输入过去n个时刻的丢包情况Dk,把历史数据集Dk中值为1的个数记为qk。这意味着过去的n个时刻传感器到控制器之间网络丢包发生了n-qk次。丢包率θk的后验概率可以被更新为Beta(αk+qk,βk+n-qk)。
步骤三:对网络丢包率后验概率分布Beta(αk+qk,βk+n-qk)随机采样,估计出当前网络丢包概率的θk,用于指导网络化控制系统设计。令αk=αk+qk,βk=βk+n-qk,k=k+1,并返回步骤二。
图1和图2分别是学习过程中丢包率的分布收敛情况和丢包率估计值的收敛情况,可以看出,随着系统的运行,本发明能实时给出较为准确的丢包率估计值。
图3分别给出了在本发明指导下得网络化控制系统的设计(sys2)和现有技术的控制系统设计(sys1)所需要的控制代价。可以看出,本发明对控制系统的性能改善明显。
本发明利用实时的丢包数据,在控制器端设置计算单元,应用贝叶斯推断原理在线估计当前网络丢包率,指导网络化控制系统设计与分析。
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网络丢包率学习方法,含有以下步骤:
步骤一:在当前时刻收集前n个时刻的系统丢包情况记录到数据包Dk并计算Dk中没有丢包的总个数记为qk,发生丢包的总次数为n-qk;
步骤二:根据用户经验对当前网络环境选定丢包率的先验分布Beta(ak,bk);若无历史经验则可以选择参数对(ak,bk)为(1,1)的Beta分布作为先验分布,因为Beta(1,1)相当于均匀分布;
步骤三:根据当前时刻的历史信息Dk的qk值对先验分布Beta(ak,bk)进行在线更新,得到后验分布Beta(ak+qk,bk+n-qk);
步骤四:对丢包率的后验概率分布进行随机采样,得到当前时刻的丢包率估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010255494.3A CN111614510A (zh) | 2020-04-02 | 2020-04-02 | 一种基于贝叶斯推断的网络丢包率学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010255494.3A CN111614510A (zh) | 2020-04-02 | 2020-04-02 | 一种基于贝叶斯推断的网络丢包率学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111614510A true CN111614510A (zh) | 2020-09-01 |
Family
ID=72203529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010255494.3A Pending CN111614510A (zh) | 2020-04-02 | 2020-04-02 | 一种基于贝叶斯推断的网络丢包率学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111614510A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7509229B1 (en) * | 2002-07-23 | 2009-03-24 | Opnet Technologies, Inc. | Bayesian approach to correlating network traffic congestion to performance metrics |
CN106230739A (zh) * | 2016-10-15 | 2016-12-14 | 中国人民解放军防空兵学院 | 一种ip网络拥塞链路丢包率范围推断方法 |
-
2020
- 2020-04-02 CN CN202010255494.3A patent/CN111614510A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7509229B1 (en) * | 2002-07-23 | 2009-03-24 | Opnet Technologies, Inc. | Bayesian approach to correlating network traffic congestion to performance metrics |
CN106230739A (zh) * | 2016-10-15 | 2016-12-14 | 中国人民解放军防空兵学院 | 一种ip网络拥塞链路丢包率范围推断方法 |
Non-Patent Citations (3)
Title |
---|
杨京礼等: "基于最小覆盖集的高精度链路丢包率测量方法", 《电子与信息学报》 * |
罗来俊等: "基于Bayes与多层Bayes估计的WSN链路选择算法", 《计算机工程与应用》 * |
韩晓冬等: "Beta-Binomial 删除信道中的喷泉码文件传输协议", 《哈尔滨工业大学学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2012216747B2 (en) | Controller that estimates delayed manipulated variables | |
US20200287814A1 (en) | Training method and apparatus for service quality assessment model | |
Nguyen et al. | Security games with incomplete information | |
CN109727446B (zh) | 一种用电数据异常值的识别与处理方法 | |
EP2302845B1 (en) | Method and device for determining a jitter buffer level | |
CN110971457B (zh) | 一种基于elm的时间同步方法 | |
Zhang et al. | Casva: Configuration-adaptive streaming for live video analytics | |
CN107491579B (zh) | 一种输电线路覆冰厚度及风速的联合概率计算方法及系统 | |
CN111614510A (zh) | 一种基于贝叶斯推断的网络丢包率学习方法 | |
CN110633516B (zh) | 一种电子器件性能退化趋势的预测方法 | |
CN113134828B (zh) | 定位追踪系统、基于线性趋势预测的时延补偿方法 | |
CN108615017B (zh) | 滑动窗分段直线表示法的总拟合误差阈值估计方法与系统 | |
CN109992579B (zh) | 一种公路基础设施多源异质数据的数据修复方法及系统 | |
CN109656271B (zh) | 一种基于数据关联思想的航迹软关联方法 | |
CN108444725B (zh) | 一种针对大数据的快速噪声滤除方法 | |
CN104504181A (zh) | 一种基于稀疏复原的信号包络线提取方法 | |
Aykurt et al. | Autonomous Network Management in Multi-Domain 6G Networks based on Graph Neural Networks | |
CN114418420A (zh) | 基于因果推断的竞争风险生存分析方法 | |
CN110244563B (zh) | 一种神经网络内模控制器模型失配识别及在线更新方法 | |
CN104601393A (zh) | 排队延迟估计方法及装置 | |
CN112947359A (zh) | 针对集群协同系统的大通讯时延补偿和传感器故障诊断方法 | |
CN109474892B (zh) | 基于信息形式的强鲁棒传感器网络目标跟踪方法 | |
Trump | An output signal based combination of two NLMS adaptive algorithms | |
DE102014204033A1 (de) | Verfahren zum Überwachen eines Kommunikationsnetzwerkes | |
CN111614436B (zh) | 一种基于贝叶斯推断的动态数据包打包方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |
|
RJ01 | Rejection of invention patent application after publication |