CN111953533A - 目标网络节点的工作时长调控方法、装置、设备及存储介质 - Google Patents

目标网络节点的工作时长调控方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111953533A
CN111953533A CN202010750605.8A CN202010750605A CN111953533A CN 111953533 A CN111953533 A CN 111953533A CN 202010750605 A CN202010750605 A CN 202010750605A CN 111953533 A CN111953533 A CN 111953533A
Authority
CN
China
Prior art keywords
target network
network node
working time
expected
historical
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
CN202010750605.8A
Other languages
English (en)
Other versions
CN111953533B (zh
Inventor
侯琛
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010750605.8A priority Critical patent/CN111953533B/zh
Publication of CN111953533A publication Critical patent/CN111953533A/zh
Application granted granted Critical
Publication of CN111953533B publication Critical patent/CN111953533B/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
    • H04L41/06—Management of faults, events, alarms or notifications
    • H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
    • H04L41/064—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis involving time analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请公开了一种目标网络节点的工作时长调控方法、装置、设备及存储介质，所述方法包括：获取多个目标网络节点各自的历史分析波动特征、预期工作时长和已工作时长；利用历史分析波动特征，计算出历史平均分析波动特征；确定每一目标网络节点的工作时长分布数据；利用工作时长分布数据、预期工作时长和已工作时长，计算出每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率，并计算每一目标网络节点的概率权重；利用概率权重和历史分析波动特征，计算预期平均分析波动特征；基于预期平均分析波动特征和历史平均分析波动特征间的相对误差，以及预设误差波动阈值对预期工作时长进行调控，可以实现对目标网络节点工作故障率的平衡。

Description

目标网络节点的工作时长调控方法、装置、设备及存储介质
技术领域
本申请涉及互联网通信技术领域，尤其涉及一种目标网络节点的工作时长调控方法、装置、设备及存储介质。
背景技术
近年来，在无线通信和新一代互联网等技术的发展下，各种网络系统的应用得到了极大的推动。例如，将“人、车、路、云”有机地联系在一起车路协同系统，全方位实施人车、车车、车路、车云动态实时信息交互，保证交通安全，提高通行效率，从而形成的安全、高效和环保的道路交通系统。
目前，在各类网络系统中，某些网络节点作为提供实时数据处理、分析决策的数据中心，保证其稳定的工作状态是实现整个系统稳定有序运转的基础，因此，如何准确的预测这类网络节点工作时长从而平衡网络节点本身的工作故障率(工作时间越长越容易出故障)是系统落地面临的关键问题之一，现有技术中往往先统计网络节点的两次相邻故障的平均时间间隔，将该时间间隔作为它将来的工作时长，但现有的方案无法应对未出现过故障的网络节点的工作时长预测，且由于故障存在一定的随机性，现有的方案无法准确的预测出网络节点的工作时长。因此，现有技术亟需一种方案以准确的预测出网络节点的工作时长。
发明内容
本申请提供了一种目标网络节点的工作时长调控方法、装置、设备及存储介质，可以准确的确定每一目标网络节点的目标工作时长，实现了对目标网络节点工作故障率的平衡，有效降低目标网络节点使用过程中出现故障的概率。
一方面，本申请提供了一种目标网络节点的工作时长调控方法，所述方法包括：
获取多个目标网络节点各自的历史分析波动特征、预期工作时长和已工作时长，所述历史分析波动特征表征目标网络节点在预设历史时间段内分析数据的波动情况；
利用所述多个目标网络节点的历史分析波动特征，计算出所述多个目标网络节点的历史平均分析波动特征；
确定每一目标网络节点的工作时长分布数据；
利用每一目标网络节点的工作时长分布数据、预期工作时长和已工作时长，计算出每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率；
利用所述多个目标网络节点的总工作时长满足对应的预期工作时长要求的概率，计算出每一目标网络节点的概率权重；
利用所述多个目标网络节点的概率权重和历史分析波动特征，计算出所述多个目标网络节点的预期平均分析波动特征；
基于所述预期平均分析波动特征和所述历史平均分析波动特征间的相对误差，以及预设误差波动阈值对所述预期工作时长进行调控，确定每一目标网络节点的目标工作时长。
另一方面提供了一种目标网络节点的工作时长调控装置，所述装置包括：
数据获取模块，用于获取多个目标网络节点各自的历史分析波动特征、预期工作时长和已工作时长，所述历史分析波动特征表征目标网络节点在预设历史时间段内分析数据的波动情况；
历史平均分析波动特征计算模块，用于利用所述多个目标网络节点的历史分析波动特征，计算出所述多个目标网络节点的历史平均分析波动特征；
工作时长分布数据确定模块，用于确定每一目标网络节点的工作时长分布数据；
概率计算模块，用于利用每一目标网络节点的工作时长分布数据、预期工作时长和已工作时长，计算出每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率；
概率权重计算模块，用于利用所述多个目标网络节点的总工作时长满足对应的预期工作时长要求的概率，计算出每一目标网络节点的概率权重；
预期平均分析波动特征计算模块，用于利用所述多个目标网络节点的概率权重和历史分析波动特征，计算出所述多个目标网络节点的预期平均分析波动特征；
工作时长调控模块，用于基于所述预期平均分析波动特征和所述历史平均分析波动特征间的相对误差，以及预设误差波动阈值对所述预期工作时长进行调控，确定每一目标网络节点的目标工作时长。
另一方面提供了一种目标网络节点的工作时长调控设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的目标网络节点的工作时长调控方法。
另一方面提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的目标网络节点的工作时长调控方法。
本申请提供的目标网络节点的工作时长调控方法、装置、设备及存储介质，具有如下技术效果：
本申请结合目标网络节点的工作时长分布数据、预期工作时长和已工作时长，预测出目标网络节点的总工作时长满足对应的预期工作时长要求的概率，进而计算出每一目标网络节点的概率权重，将概率权重与能够表征多个目标网络节点整体分析数据波动情况的历史平均分析波动特征进行加权，可以预测出预期平均分析波动特征，并通过预期平均分析波动特征和历史平均分析波动特征间的相对误差，以及预设误差波动阈值对预期工作时长进行调控，可以准确的确定每一目标网络节点的目标工作时长，实现了对目标网络节点工作故障率的平衡，有效降低目标网络节点使用过程中出现故障的概率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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它附图。
图1是本申请实施例提供的一种网络系统的示意图；
图2是本申请实施例提供的一种车路协同系统的示意图；
图3是本申请实施例提供的一种目标网络节点的工作时长调控方法的流程示意图；
图4是本申请实施例提供的一种确定每一目标网络节点的工作时长分布数据的流程示意图；
图5是本申请实施例提供的一种利用每一目标网络节点的工作时长分布数据、预期工作时长和已工作时长，计算出每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率的流程示意图；
图6是本申请实施例提供的一种获取历史交通事故率的流程示意图；
图7是本申请实施例提供的一种基于所述预期平均分析波动特征和所述历史平均分析波动特征间的相对误差，以及预设误差波动阈值对所述预期工作时长进行调控，确定每一目标网络节点的目标工作时长的流程示意图；
图8是本申请实施例提供的另一种基于所述预期平均分析波动特征和所述历史平均分析波动特征间的相对误差，以及预设误差波动阈值对所述预期工作时长进行调控，确定每一目标网络节点的目标工作时长的流程示意图；
图9是本申请实施例提供的一种目标网络节点的工作时长调控装置；
图10是本申请实施例提供的一种目标网络节点的工作时长调控方法的服务器的硬件结构框图。
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，而不是全部的实施例。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的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。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本说明书实施例提供的方案涉及人工智能的强化学习等技术，具体通过下述的具体实施例进行说明：
请参阅图1，图1是本申请实施例提供的一种网络系统的示意图，如图1所示，该应用环境至少可以包括服务中心01和多个目标网络节点02(图中示出3个目标网络节点02)。
本说明书实施例中，服务中心01可以用于调控目标网络节点的工作时长。具体的，该服务中心01可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content DeliveryNetwork，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。
本说明书实施例中，目标网络节点02可以用于网络系统中各种数据的实时处理、分析决策。具体的，目标网络节点02可以为服务器，也可以为终端，具体的，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content DeliveryNetwork，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。具体的，终端可以包括但不限于智能摄像设备、车载终端、智能手机、台式计算机、平板电脑、笔记本电脑、智能音箱、数字助理、增强现实(augmentedreality，AR)/虚拟现实(virtual reality，VR)设备、智能可穿戴设备等类型的电子设备，也可以为运行与上述电子设备的软体，例如应用程序等。
本说明书实施例中，上述服务中心01和目标网络节点02之间可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
本说明书实施例中，网络系统可以包括任一具有用于网络系统中各种数据的实时处理、分析决策的目标网络节点的系统，具体的，可以包括但不限于车路协同系统、无线传感器网络、各类分布式系统等。
在一个具体的实施例中，以分布式系统为区块链系统为例，分布式系统可以由多个节点(接入网络中的任意形式的计算设备，如服务器、用户终端)和客户端形成，节点之间形成组成的点对点(P2P，PeerTo Peer)网络，P2P协议是一个运行在传输控制协议(TCP，Transmission Control Protocol)协议之上的应用层协议。在分布式系统中，任何机器如服务器、终端都可以加入而成为节点，节点包括硬件层、中间层、操作系统层和应用层。其中，多个节点中可以有至少两个为目标网络节点。
在一个具体的实施例中，以车路协同系统为例，如图2所示，图2是本申请实施例提供的一种车路协同系统的示意图。图2中，车路协同系统200中的中心云201即服务中心，车路协同系统200中除中心云201以外的边缘云202为目标网络节点，中心云201和边缘云202可以结合实际需求相互通信连接。
以下介绍本申请一种目标网络节点的工作时长调控方法，图3是本申请实施例提供的一种目标网络节点的工作时长调控方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图3所示，所述方法可以包括：
S301：获取多个目标网络节点各自的历史分析波动特征、预期工作时长和已工作时长。
本说明书实施例中，多个可以为至少两个。在实际应用中，为了保证数据分析的精准性，往往会有多个目标网络节点来对一个数据进行多角度分析，例如在车路协同系统中，同一路段往往对应多个边缘云(目标网络节点)从不同的位置对这一路段的路况进行分析。再例如，无线传感器网络中，可以在同一区域设置多个传感设备(目标网络节点)来感知环境参数。
本说明书实施例中，目标网络节点的历史分析波动特征可以表征该目标网络节点在预设历史时间段内分析数据的波动情况；在一个具体的实施例中，获取多个目标网络节点各自的历史分析波动特征可以包括：获取多个目标网络节点各自在所述预设历史时间段内分析出的分析数据；根据每一目标网络节点在预设历史时间段内的分析数据确定每一目标网络节点的历史分析波动特征。
本说明书实施例中，分析数据可以结合目标网络节点所在网络系统的具体应用需求不同而不同，例如车辆协同系统中，目标网络节点需要进行路况信息的分析，相应的，分析数据可以包括但不限于道路弯度、坡度、能见度等路况信息。再如无线传感器网络中，目标网络节点需要进行环境参数的分析，相应的，分析数据可以包括但不限于路面温度、湿度等环境参数。
本说明书实施例中，预设历史时间段可以为结合实际应用需求设定的历史时间段，优选的，可以为过去某一时刻至当前时刻。
本说明书实施例中，一个目标网络节点在预设历史时间段内分析数据的波动情况(目标网络节点的历史分析波动特征)可以通过目标网络节点在预设历史时间段内分析出的分析数据间的离散程度来反映，在一个具体的实施例中，可以计算每一目标网络节点在预设历史时间段内的分析数据的样本标准差来作为该目标网络节点的历史分析波动特征。具体的，当分析数据包括多种时，例如，分析数据为路况信息时，可以包括道路弯度、坡度、能见度等，相应的，可以分别计算每一种路况信息对应的历史分析波动特征，并取平均值，作为最终的历史分析波动特征，以进行预期工作时长的调控。
此外，需要说明的是，在实际应用中，历史分析波动特征不仅限于上述的分析数据的样本标准差，还可以为其他可以表征目标网络节点在预设历史时间段内分析数据的波动情况的数据，例如目标网络节点在预设历史时间段内分析出的分析数据的样本方差等。
在实际应用中，目标网络节点从投入使用到当前已经累积工作了多长时间是记录在案的，相应的，可以获取记录的目标网络节点从投入使用到当前已经累积工作时长，来作为目标网络节点的已工作时长。
本说明书实施例中，步骤S301获取的预期工作时长可以为初始的预期工作时长，该初始的预期工作时长可以预先设置，优选地，为了降低后续调控的工作量，提高调控速度，可以结合实际应用中已经出现故障或已经损坏的相同类型网络节点的历史工作寿命来预先设置。
S303：利用所述多个目标网络节点的历史分析波动特征，计算出所述多个目标网络节点的历史平均分析波动特征。
本说明书实施例中，历史平均分析波动特征可以表征多个目标网络节点在预设历史时间段内分析数据的整体波动情况。
具体的，每一个目标网络节点的历史分析波动特征，可以表征该目标网络节点在预设历史时间段内分析数据的波动情况，这多个目标网络节点在预设历史时间段内分析数据的整体波动情况可以通过这多个目标网络节点的历史分析波动特征的平均情况来表征。具体的，多个目标网络节点(假设多个目标网络节点依次为目标网络节点1、2...n)的历史平均分析波动特征可以结合下述公式得到：save＝(s1+s2+...+sn)/n
其中，Save为多个目标网络节点的历史平均分析波动特征,S1,S2,...,Sn依次为目标网络节点1、2...n的历史分析波动特征，n为目标网络节点的总数量。
S305：确定每一目标网络节点的工作时长分布数据。
本说明书实施例中，目标网络节点的工作时长分布数据可以是目标网络节点工作寿命特性的概率分布。工作寿命可以是指目标网络节点持续工作不出故障的时间段长度，或者是两次相邻故障之间的时间间隔。在一个具体的实施例中，如图4所示，确定每一目标网络节点的工作时长分布数据可以包括：
S3051：获取所述多个目标网络节点各自在所述预设历史时间段内每次分析数据所需的处理时间。
S3053：利用每一目标网络节点在所述预设历史时间段内每次分析数据所需的处理时间，计算出每一目标网络节点分析数据所需的平均处理时间。
S3055：确定所述多个目标网络节点的工作时长所服从的分布数据。
S3057：基于每一目标网络节点分析数据所需的平均处理时间和所述工作时长所服从的分布数据，确定每一目标网络节点的工作时长分布数据。
本说明书实施例中，每次分析数据所需的处理时间可以为目标网络节点从获取到用于进行数据分析的源数据至处理完源数据得到分析数据的时间。
在一个具体的实施例中，以进行路况信息分析为例，在实际应用中，往往会实时进行道路情况的拍摄，得到相应的路况视频数据，相应的，每一帧视频数据可以对应一次分析，每次分析数据所需的处理时间可以从拍摄到一帧道路情况图像至分析出该道路情况图像对应的路况信息的时间。
本说明书实施例中，可以计算每一目标网络节点在预设历史时间段内多次分析数据所需的处理时间的平均值，作为该目标网络节点分析数据所需的平均处理时间。
进一步的，在实际应用中，每一目标网络节点的工作寿命相对于当前工作时间段是非常长的(例如，每一目标网络节点的工作寿命可能是10年，但当前使用时间短，可能是1天)，即已知目标网络节点工作了a小时，它总共能工作至少a+b小时的条件概率，与从开始使用时算起它至少能工作b小时的概率相等，因此，目标网络节点的工作时长(工作寿命)是“无记忆性”的特征，具有无记忆性特征的概率分布可以为指数分布。在一个具体的实施例中，目标网络节点工作时长所服从的分布数据可以为指数分布。
进一步的，结合每一目标网络节点的平均处理时间，多个目标网络节点的工作时长分布数据可以分别为
Figure BDA0002609904990000101
其中，f1(x1)表示目标网络节点1的工作时长分布数据，x1表示目标网络节点1的工作时长，t1表示目标网络节点1的平均处理时间；f2(x2)表示目标网络节点2的工作时长分布数据，x2表示目标网络节点2的工作时长，t2表示目标网络节点2的平均处理时间；fn(xn)表示目标网络节点n的工作时长分布数据，xn表示目标网络节点n的工作时长，tn表示目标网络节点n的平均处理时间。
S307：利用每一目标网络节点的工作时长分布数据、预期工作时长和已工作时长，计算出每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率。
本说明书实施例中，每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率可以为该目标网络节点工作该预期工作时长的概率与该目标网络节点工作已工作时长的概率之差；相应的，如图5所示，利用每一目标网络节点的工作时长分布数据、预期工作时长和已工作时长，计算出每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率可以包括：
S3071：基于每一目标网络节点的工作时长分布数据，计算每一目标网络节点工作对应的预期工作时长的第一概率。
S3073：基于每一目标网络节点的工作时长分布数据，计算每一目标网络节点工作对应的已工作时长的第二概率。
S3075：根据每一目标网络节点对应的第一概率和第二概率，计算每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率。
本说明书实施例中，可以对目标网络节点的工作时长分布数据进行指定时长区间的积分处理，来计算该目标网络节点的工作该指定时长的概率。相应的，以目标网络节点1为例，目标网络节点1工作对应的预期工作时长的概率(即第一概率)为：
Figure BDA0002609904990000111
其中，R1表示目标网络节点1的预期工作时长。
相应的，以目标网络节点1为例，目标网络节点1工作对应的已工作时长的概率(即第二概率)为：
Figure BDA0002609904990000112
其中，T1表示目标网络节点1的已工作时长。
进一步的，以目标网络节点1为例，目标网络节点1的总工作时长满足对应的预期工作时长要求的概率可以为：
Figure BDA0002609904990000113
S309：利用所述多个目标网络节点的总工作时长满足对应的预期工作时长要求的概率，计算出每一目标网络节点的概率权重。
本说明书实施例中，每一目标网络节点的概率权重可以表征该目标网络节点对应的历史分析波动特征对每一目标网络节点未来分析出的分析数据的波动情况的影响程度。具体的，可以将每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率除以多个目标网络节点的总工作时长满足对应的预期工作时长要求的概率之和，得到每一目标网络节点的概率权重。具体的，可以如下述公式所示：
W1＝P1/(P1+P2+...+Pn),W2＝P2/(P1+P2+...+Pn),...,Wn＝Pn/(P1+P2+...+Pn)
其中，P1,P2,...,Pn依次为目标网络节点1、2...n的总工作时长满足对应的预期工作时长要求的概率；W1,W2,...,Wn依次为目标网络节点1、2...n的概率权重。
S311：利用所述多个目标网络节点的概率权重和历史分析波动特征，计算出所述多个目标网络节点的预期平均分析波动特征。
本说明书实施例中，预期平均分析波动特征可以表征多个目标网络节点工作时长均满足各自对应的预期工作时长的情况下，多个目标网络节点分析数据的整体波动情况。
具体的，可以结合全概率公式，对多个目标网络节点的历史分析波动特征结合对应的概率权重进行加权平均得到多个目标网络节点的预期平均分析波动特征。具体的，预期平均分析波动特征可以结合下述公式得到：Spre＝S1W1+S2W2+...+SnWn
其中，Spre表示多个目标网络节点的预期平均分析波动特征，S1,S2,...,Sn依次表示目标网络节点1、2...n的历史分析波动特征，W1,W2,...,Wn依次表示目标网络节点1、2...n的概率权重。
S313：基于所述预期平均分析波动特征和所述历史平均分析波动特征间的相对误差，以及预设误差波动阈值对所述预期工作时长进行调控，确定每一目标网络节点的目标工作时长。
本说明书实施例中，预设误差波动阈值可以为能够体现目标网络节点在预设历史时间段内分析数据的波动情况的数据，例如利用边缘云进行路况信息分析的实施例中，预设误差波动阈值可以包括历史交通事故率，具体的，历史交通事故率可以直接为统计得到的历史交通事故率，相应的，可以获取多个边缘云对应的路段区域在所述预设历史时间段内的统计交通事故率；将所述统计交通事故率作为所述历史交通事故率。
在另一些实施例中，为了避免统计得到的历史交通事故率(统计交通事故率)存在漏统计等人为因素导致的不准确的问题，可以结合强化学习对统计得到的历史交通事故率进行修正，相应的，如图6所示，获取历史交通事故率可以包括：
S601：获取多个边缘云对应的路段区域在所述预设历史时间段内的统计交通事故率；
S603：获取所述多个边缘云在所述预设历史时间段内的历史路况信息；
S605：基于所述历史路况信息对所述统计交通事故率进行强化学习，得到所述历史交通事故率。
本说明书实施例中，多个边缘云对应的路段区域可以为这多个边缘云所负责的路段区域。
在另一个具体的实施例中，当利用传感设备来感知环境参数的实施例中，预设误差波动阈值可以包括环境参数的历史误报率，例如实际温度正常，无线传感器网络的中心节点却报告不正常，就属于误报。具体的，环境参数的历史误报率可以直接通过统计获得。
在一个具体的实施例中，如图7所示，基于所述预期平均分析波动特征和所述历史平均分析波动特征间的相对误差，以及预设误差波动阈值对所述预期工作时长进行调控，确定每一目标网络节点的目标工作时长可以包括：
S3131：计算所述预期平均分析波动特征和所述历史平均分析波动特征间的相对误差。
S3133：当所述相对误差大于所述预设误差波动阈值时，基于对所述多个目标网络节点当前的预期工作时长中最大预期工作时长的调小，调小当前的预期平均分析波动特征。
S3135：根据调小后的预期平均分析波动特征更新所述相对误差。
S3137：当所述相对误差小于等于所述预设误差波动阈值时，将每一目标网络节点当前的预期工作时长作为每一目标网络节点的目标工作时长。
本说明书实施例中，在将预期工作时长调小过程中，为了保证确定的目标工作时长更精准，每次调小后的预期工作时长为多个目标网络节点当前的预期工作时长中的最大值，相应的，可以从初始的预期工作时长中找出最大值，降低它，直到它等于第二大的预期工作时长，若此时的相对误差依然大于预设误差波动阈值，当前最大预期工作时长至少有两个，可以同时降低它们，并以此类推，一直到相对误差小于等于预设误差波动阈值。
在另一些实施例中，可能存在一开始目标网络节点的预期工作时长太小，在将每一目标网络节点当前的预期工作时长作为每一目标网络节点的目标工作时长之前，如图8所示，所述方法还可以包括：
S801：计算所述预期平均分析波动特征和所述历史平均分析波动特征间的相对误差。
S803：当所述相对误差大于所述预设误差波动阈值时，基于对所述多个目标网络节点当前的预期工作时长中最大预期工作时长的调小，调小当前的预期平均分析波动特征。
S805：根据调小后的预期平均分析波动特征更新所述相对误差。
S807：当所述相对误差小于等于所述预设误差波动阈值时，计算所述相对误差与所述预设误差波动阈值间的差值；
S809：当所述差值小于等于预设阈值时，将每一目标网络节点当前的预期工作时长作为每一目标网络节点的目标工作时长；
S811：当所述差值大于所述预设阈值时，基于对所述多个目标网络节点当前的预期工作时长中最小预期工作时长的调大，调大当前的预期平均分析波动特征。
S813：根据调大后的预期平均分析波动特征更新所述相对误差。
本说明书实施例中，预设阈值可以结合实际应用设置，一般的，该预设阈值越小，在能保证目标网络节点正常工作的情况下，目标工作时长越大。具体的，在将预期工作时长调大过程中，为了保证确定的目标工作时长更精准，每次调大后的预期工作时长为所述多个目标网络节点当前的预期工作时长中的最小值，相应的，可以从初始的预期工作时长中找出最小值，升高它，直到它等于第二小的预期工作时长，若此时相对误差与预设误差波动阈值间的差值依然大于预设阈值，当前最小预期工作时长至少有两个，可以同时升高它们，并以此类推，一直到相对误差与预设误差波动阈值间的差值小于等于预设阈值。
在实际应用中，以车路协同系统为例，因为边缘云处理路况信息的目的是提升道路驾驶安全性，降低现有交通事故率。如果预期平均分析波动特征与历史平均分析波动特征的相对误差都超过历史交通事故率了，那么预测出的预期平均分析波动特征不在历史分析波动特征的平均水平以内，在与预测出的预期平均分析波动特征对应的预期工作时长内，有些边缘云可能故障，最终将不利于降低现有的交通事故率，故而需要保证预期平均分析波动特征和所述历史平均分析波动特征间的相对误差小于等于历史交通事故率。基于上述实施例中，可以准确的预测边缘云工作时长从而平衡边缘云的工作故障率，且可以降低交通事故率，提高通行效率，从而形成的安全、高效和环保的道路交通系统。
在实际应用中，以无线传感器网络为例，因为传感设备处理环境参数的目的是提升对环境感知的精准性，降低环境参数的误报率。如果预期平均分析波动特征与历史平均分析波动特征的相对误差都超过历史误报率了，那么预测出的预期平均分析波动特征不在历史分析波动特征的平均水平以内，在与预测出的预期平均分析波动特征对应的预期工作时长内，有些传感设备可能故障，最终将不利于降低现有的误报率，故而需要保证预期平均分析波动特征和历史平均分析波动特征间的相对误差小于等于历史误报率。基于上述实施例中，可以准确的预测传感设备工作时长从而平衡传感设备的工作故障率，且可以降低环境参数的误报率，提高环境感知的精准性。
由以上本说明书实施例提供的技术方案可见，本说明书结合目标网络节点的工作时长分布数据、预期工作时长和已工作时长，预测出目标网络节点的总工作时长满足对应的预期工作时长要求的概率，进而计算出每一目标网络节点的概率权重，将概率权重与能够表征多个目标网络节点整体分析数据波动情况的历史平均分析波动特征进行加权，可以预测出预期平均分析波动特征，并通过预期平均分析波动特征和历史平均分析波动特征间的相对误差，以及预设误差波动阈值对所述预期工作时长进行调控，可以准确的确定每一目标网络节点的目标工作时长，实现了对目标网络节点工作故障率的平衡，有效降低目标网络节点使用过程中出现故障的概率。
本申请实施例还提供了一种目标网络节点的工作时长调控装置，如图9所示，所述装置包括：
数据获取模块910，用于获取多个目标网络节点各自的历史分析波动特征、预期工作时长和已工作时长，所述历史分析波动特征表征目标网络节点在预设历史时间段内分析数据的波动情况；
历史平均分析波动特征计算模块920，用于利用所述多个目标网络节点的历史分析波动特征，计算出所述多个目标网络节点的历史平均分析波动特征；
工作时长分布数据确定模块930，用于确定每一目标网络节点的工作时长分布数据；
概率计算模块940，用于利用每一目标网络节点的工作时长分布数据、预期工作时长和已工作时长，计算出每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率；
概率权重计算模块950，用于利用所述多个目标网络节点的总工作时长满足对应的预期工作时长要求的概率，计算出每一目标网络节点的概率权重；
预期平均分析波动特征计算模块960，用于利用所述多个目标网络节点的概率权重和历史分析波动特征，计算出所述多个目标网络节点的预期平均分析波动特征；
工作时长调控模块970，用于基于所述预期平均分析波动特征和所述历史平均分析波动特征间的相对误差，以及预设误差波动阈值对所述预期工作时长进行调控，确定每一目标网络节点的目标工作时长。
在一些实施例中，所述数据获取模块910可以包括：
分析数据获取单元，用于获取多个目标网络节点各自在所述预设历史时间段内分析出的分析数据；
历史分析波动特征确定单元，用于根据每一目标网络节点在预设历史时间段内的分析数据确定每一目标网络节点的历史分析波动特征。
在一些实施例中，所述工作时长分布数据确定模块930可以包括：
单次处理时间获取单元，用于获取所述多个目标网络节点各自在所述预设历史时间段内每次分析数据所需的处理时间；
平均处理时间计算单元，用于利用每一目标网络节点在所述预设历史时间段内每次分析数据所需的处理时间，计算出每一目标网络节点分析数据所需的平均处理时间；
分布数据确定单元，用于确定所述多个目标网络节点的工作时长所服从的分布数据；
工作时长分布数据确定单元，用于基于每一目标网络节点分析数据所需的平均处理时间和所述工作时长所服从的分布数据，确定每一目标网络节点的工作时长分布数据。
在一些实施例中，所述概率计算模块940可以包括：
第一概率计算单元，用于基于每一目标网络节点的工作时长分布数据，计算每一目标网络节点工作对应的预期工作时长的第一概率；
第二概率计算单元，用于基于每一目标网络节点的工作时长分布数据，计算每一目标网络节点工作对应的已工作时长的第二概率；
第三概率计算单元，用于根据每一目标网络节点对应的第一概率和第二概率，计算每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率。
在一些实施例中，所述工作时长调控模块970包括：
相对误差计算单元，用于计算所述预期平均分析波动特征和所述历史平均分析波动特征间的相对误差；
第一预期工作时长调控单元，用于当所述相对误差大于所述预设误差波动阈值时，基于对所述多个目标网络节点当前的预期工作时长中最大预期工作时长的调小，调小当前的预期平均分析波动特征，根据调小后的预期平均分析波动特征更新所述相对误差；
目标工作时长确定单元，用于当所述相对误差小于等于所述预设误差波动阈值时，将每一目标网络节点当前的预期工作时长作为每一目标网络节点的目标工作时长；
其中，每次调小后的预期工作时长为所述多个目标网络节点当前的预期工作时长中的最大值。
在一些实施例中，所述工作时长调控模块970还包括：
差值计算单元，用于在将每一目标网络节点当前的预期工作时长作为每一目标网络节点的目标工作时长之前，计算所述相对误差与所述预设误差波动阈值间的差值；
相应的，所述目标工作时长确定单元，还用于当所述差值小于等于预设阈值时，将每一目标网络节点当前的预期工作时长作为每一目标网络节点的目标工作时长；
第二预期工作时长调控单元，用于当所述差值大于所述预设阈值时，基于对所述多个目标网络节点当前的预期工作时长中最小预期工作时长的调大，调大当前的预期平均分析波动特征，根据调大后的预期平均分析波动特征更新所述相对误差；
其中，每次调大后的预期工作时长为所述多个目标网络节点当前的预期工作时长中的最小值。
在一些实施例中，所述目标网络节点包括边缘云，所述分析数据包括路况信息，所述预设误差波动阈值包括历史交通事故率，所述装置还包括：
第一统计交通事故率获取模块，用于获取多个边缘云对应的路段区域在所述预设历史时间段内的统计交通事故率；
第一历史交通事故率确定模块，用于将所述统计交通事故率作为所述历史交通事故率；
或，
第二统计交通事故率获取模块，用于获取多个边缘云对应的路段区域在所述预设历史时间段内的统计交通事故率；
历史路况信息获取模块，用于获取所述多个边缘云在所述预设历史时间段内的历史路况信息；
第二历史交通事故率确定模块，用于基于所述历史分析数据对所述统计交通事故率进行强化学习，得到所述历史交通事故率。
所述的装置实施例中的装置与方法实施例基于同样的申请构思。
本申请的另一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供目标网络节点的工作时长调控的方法。
本说明书实施例中，存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。处理器通过运行存储在存储介质中的软件程序以及模块，从而执行各种功能应用以及数据处理。存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据设备的使用所创建的数据等。
本申请实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图10是本申请实施例提供的一种目标网络节点的工作时长调控方法的服务器的硬件结构框图。如图10所示，该服务器1000可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(CentralProcessing Units，CPU)1010(处理器1010可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1030，一个或一个以上存储应用程序1023或数据1022的存储介质1020(例如一个或一个以上海量存储设备)。其中，存储器1030和存储介质1020可以是短暂存储或持久存储。存储在存储介质1020的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1010可以设置为与存储介质1020通信，在服务器1000上执行存储介质1020中的一系列指令操作。服务器1000还可以包括一个或一个以上电源1060，一个或一个以上有线或无线网络接口1050，一个或一个以上输入输出接口1040，和/或，一个或一个以上操作系统1021，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
输入输出接口1040可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器1000的通信供应商提供的无线网络。在一个实例中，输入输出接口1040包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口1040可以为射频(RadioFrequency，RF)模块，其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解，图10所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器1000还可包括比图10中所示更多或者更少的组件，或者具有与图10所示不同的配置。
由上述本申请提供的目标网络节点的工作时长调控方法、装置、设备、服务器或存储介质的实施例可见，本申请中结合目标网络节点的工作时长分布数据、预期工作时长和已工作时长，预测出目标网络节点的总工作时长满足对应的预期工作时长要求的概率，进而计算出每一目标网络节点的概率权重，将概率权重与能够表征多个目标网络节点整体分析数据波动情况的历史平均分析波动特征进行加权，可以预测出预期平均分析波动特征，并通过预期平均分析波动特征和历史平均分析波动特征间的相对误差，以及预设误差波动阈值对所述预期工作时长进行调控，可以准确的确定每一目标网络节点的目标工作时长，实现了对目标网络节点工作故障率的平衡，有效降低目标网络节点使用过程中出现故障的概率。
需要说明的是：上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、服务器和存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指示相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种目标网络节点的工作时长调控方法，其特征在于，所述方法包括：
获取多个目标网络节点各自的历史分析波动特征、预期工作时长和已工作时长，所述历史分析波动特征表征目标网络节点在预设历史时间段内分析数据的波动情况；
利用所述多个目标网络节点的历史分析波动特征，计算出所述多个目标网络节点的历史平均分析波动特征；
确定每一目标网络节点的工作时长分布数据；
利用每一目标网络节点的工作时长分布数据、预期工作时长和已工作时长，计算出每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率；
利用所述多个目标网络节点的总工作时长满足对应的预期工作时长要求的概率，计算出每一目标网络节点的概率权重；
利用所述多个目标网络节点的概率权重和历史分析波动特征，计算出所述多个目标网络节点的预期平均分析波动特征；
基于所述预期平均分析波动特征和所述历史平均分析波动特征间的相对误差，以及预设误差波动阈值对所述预期工作时长进行调控，确定每一目标网络节点的目标工作时长。
2.根据权利要求1所述的方法，其特征在于，所述获取多个目标网络节点各自的历史分析波动特征包括：
获取多个目标网络节点各自在所述预设历史时间段内分析出的分析数据；
根据每一目标网络节点在预设历史时间段内的分析数据确定每一目标网络节点的历史分析波动特征。
3.根据权利要求1所述的方法，其特征在于，所述确定每一目标网络节点的工作时长分布数据包括：
获取所述多个目标网络节点各自在所述预设历史时间段内每次分析数据所需的处理时间；
利用每一目标网络节点在所述预设历史时间段内每次分析数据所需的处理时间，计算出每一目标网络节点分析数据所需的平均处理时间；
确定所述多个目标网络节点的工作时长所服从的分布数据；
基于每一目标网络节点分析数据所需的平均处理时间和所述工作时长所服从的分布数据，确定每一目标网络节点的工作时长分布数据。
4.根据权利要求1所述的方法，其特征在于，所述利用每一目标网络节点的工作时长分布数据、预期工作时长和已工作时长，计算出每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率包括：
基于每一目标网络节点的工作时长分布数据，计算每一目标网络节点工作对应的预期工作时长的第一概率；
基于每一目标网络节点的工作时长分布数据，计算每一目标网络节点工作对应的已工作时长的第二概率；
根据每一目标网络节点对应的第一概率和第二概率，计算每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率。
5.根据权利要求1所述的方法，其特征在于，所述基于所述预期平均分析波动特征和所述历史平均分析波动特征间的相对误差，以及预设误差波动阈值对所述预期工作时长进行调控，确定每一目标网络节点的目标工作时长包括：
计算所述预期平均分析波动特征和所述历史平均分析波动特征间的相对误差；
当所述相对误差大于所述预设误差波动阈值时，基于对所述多个目标网络节点当前的预期工作时长中最大预期工作时长的调小，调小当前的预期平均分析波动特征，根据调小后的预期平均分析波动特征更新所述相对误差；
当所述相对误差小于等于所述预设误差波动阈值时，将每一目标网络节点当前的预期工作时长作为每一目标网络节点的目标工作时长；
其中，每次调小后的预期工作时长为所述多个目标网络节点当前的预期工作时长中的最大值。
6.根据权利要求5所述的方法，其特征在于，在将每一目标网络节点当前的预期工作时长作为每一目标网络节点的目标工作时长之前，所述方法还包括：
计算所述相对误差与所述预设误差波动阈值间的差值；
当所述差值小于等于预设阈值时，执行将每一目标网络节点当前的预期工作时长作为每一目标网络节点的目标工作时长的步骤；
当所述差值大于所述预设阈值时，基于对所述多个目标网络节点当前的预期工作时长中最小预期工作时长的调大，调大当前的预期平均分析波动特征，根据调大后的预期平均分析波动特征更新所述相对误差；
其中，每次调大后的预期工作时长为所述多个目标网络节点当前的预期工作时长中的最小值。
7.根据权利要求1所述的方法，其特征在于，所述目标网络节点包括边缘云，所述分析数据包括路况信息，所述预设误差波动阈值包括历史交通事故率，所述方法还包括：
获取多个边缘云对应的路段区域在所述预设历史时间段内的统计交通事故率；
将所述统计交通事故率作为所述历史交通事故率；
或，获取多个边缘云对应的路段区域在所述预设历史时间段内的统计交通事故率；
获取所述多个边缘云在所述预设历史时间段内的历史路况信息；
基于所述历史路况信息对所述统计交通事故率进行强化学习，得到所述历史交通事故率。
8.一种目标网络节点的工作时长调控装置，其特征在于，所述装置包括：
数据获取模块，用于获取多个目标网络节点各自的历史分析波动特征、预期工作时长和已工作时长，所述历史分析波动特征表征目标网络节点在预设历史时间段内分析数据的波动情况；
历史平均分析波动特征计算模块，用于利用所述多个目标网络节点的历史分析波动特征，计算出所述多个目标网络节点的历史平均分析波动特征；
工作时长分布数据确定模块，用于确定每一目标网络节点的工作时长分布数据；
概率计算模块，用于利用每一目标网络节点的工作时长分布数据、预期工作时长和已工作时长，计算出每一目标网络节点的总工作时长满足对应的预期工作时长要求的概率；
概率权重计算模块，用于利用所述多个目标网络节点的总工作时长满足对应的预期工作时长要求的概率，计算出每一目标网络节点的概率权重；
预期平均分析波动特征计算模块，用于利用所述多个目标网络节点的概率权重和历史分析波动特征，计算出所述多个目标网络节点的预期平均分析波动特征；
工作时长调控模块，用于基于所述预期平均分析波动特征和所述历史平均分析波动特征间的相对误差，以及预设误差波动阈值对所述预期工作时长进行调控，确定每一目标网络节点的目标工作时长。
9.一种目标网络节点的工作时长调控设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序、所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1至7任一所述的目标网络节点的工作时长调控方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1至7任一所述的目标网络节点的工作时长调控方法。
CN202010750605.8A 2020-07-30 2020-07-30 目标网络节点的工作时长调控方法、装置、设备及存储介质 Active CN111953533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010750605.8A CN111953533B (zh) 2020-07-30 2020-07-30 目标网络节点的工作时长调控方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010750605.8A CN111953533B (zh) 2020-07-30 2020-07-30 目标网络节点的工作时长调控方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111953533A true CN111953533A (zh) 2020-11-17
CN111953533B CN111953533B (zh) 2021-06-15

Family

ID=73338620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010750605.8A Active CN111953533B (zh) 2020-07-30 2020-07-30 目标网络节点的工作时长调控方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111953533B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610123A (zh) * 2021-07-23 2021-11-05 上海德衡数据科技有限公司 基于物联网的多源异构数据融合方法及系统
CN118718046A (zh) * 2024-08-30 2024-10-01 深圳市能波达光电科技有限公司 一种基于紫外线感应的杀菌灯杀菌时长控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106506226A (zh) * 2016-11-29 2017-03-15 青岛海信网络科技股份有限公司 一种故障检测的启动方法及装置
US20180254942A1 (en) * 2017-03-01 2018-09-06 Teoco Ltd. System and Method for Alarm Correlation and Root Cause Determination
CN110166271A (zh) * 2018-02-14 2019-08-23 北京京东尚科信息技术有限公司 一种检测网络节点异常的方法和装置
CN110198223A (zh) * 2018-02-27 2019-09-03 中兴通讯股份有限公司 网络故障预测方法、装置及设备、存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106506226A (zh) * 2016-11-29 2017-03-15 青岛海信网络科技股份有限公司 一种故障检测的启动方法及装置
US20180254942A1 (en) * 2017-03-01 2018-09-06 Teoco Ltd. System and Method for Alarm Correlation and Root Cause Determination
CN110166271A (zh) * 2018-02-14 2019-08-23 北京京东尚科信息技术有限公司 一种检测网络节点异常的方法和装置
CN110198223A (zh) * 2018-02-27 2019-09-03 中兴通讯股份有限公司 网络故障预测方法、装置及设备、存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵渊 等: "配电网可靠性概率分布的解析模型和非参数估计", 《电力系统自动化》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610123A (zh) * 2021-07-23 2021-11-05 上海德衡数据科技有限公司 基于物联网的多源异构数据融合方法及系统
CN113610123B (zh) * 2021-07-23 2024-01-23 上海德衡数据科技有限公司 基于物联网的多源异构数据融合方法及系统
CN118718046A (zh) * 2024-08-30 2024-10-01 深圳市能波达光电科技有限公司 一种基于紫外线感应的杀菌灯杀菌时长控制方法

Also Published As

Publication number Publication date
CN111953533B (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
US10699195B2 (en) Training of artificial neural networks using safe mutations based on output gradients
Kondratenko et al. Multi-criteria decision making for selecting a rational IoT platform
CN110874671B (zh) 一种配电网的电力负荷预测方法、装置及存储介质
CN107231436A (zh) 一种进行业务调度的方法和装置
Mechalikh et al. PureEdgeSim: A simulation framework for performance evaluation of cloud, edge and mist computing environments
CN111953533B (zh) 目标网络节点的工作时长调控方法、装置、设备及存储介质
US11595269B1 (en) Identifying upgrades to an edge network by artificial intelligence
CN103581339A (zh) 基于云计算的存储资源分配监控处理方法
US20240054354A1 (en) Federated learning method and apparatus
CN112346936A (zh) 应用故障根因定位方法及系统
CN114355793A (zh) 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置
US11310125B2 (en) AI-enabled adaptive TCA thresholding for SLA assurance
CN113822460A (zh) 一种交通流量预测方法、装置、电子设备和存储介质
Lee et al. Energy consumption prediction system based on deep learning with edge computing
CN116361377A (zh) 基于工业物联网服务平台的负载预测系统、方法及介质
Gand et al. A Fuzzy Controller for Self-adaptive Lightweight Edge Container Orchestration.
CN115314402A (zh) 网元负载监控方法、装置、存储介质和电子设备
CN114676892A (zh) 一种基于智能匹配的服务派单方法、系统及设备
AU2021218217A1 (en) Systems and methods for preventative monitoring using AI learning of outcomes and responses from previous experience.
CN113851226A (zh) 传染病疫情预测方法、装置及电子设备
CN113821535A (zh) 一种模型训练的方法及装置、计算机设备和存储介质
CN117014389A (zh) 算网资源配置方法及系统、电子设备、存储介质
CN115686566A (zh) 一种自动驾驶算法更新方法、装置及存储介质
CN112632846B (zh) 一种电力系统输电断面极限概率评估方法及电子设备
Jamil Belief rule-based workload orchestration in multi-access edge computing

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