CN112104684A - 一种基于物联网的平台管理系统 - Google Patents

一种基于物联网的平台管理系统 Download PDF

Info

Publication number
CN112104684A
CN112104684A CN202010088433.2A CN202010088433A CN112104684A CN 112104684 A CN112104684 A CN 112104684A CN 202010088433 A CN202010088433 A CN 202010088433A CN 112104684 A CN112104684 A CN 112104684A
Authority
CN
China
Prior art keywords
data
module
internet
things
management system
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
Application number
CN202010088433.2A
Other languages
English (en)
Inventor
陈明前
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.)
Cloud Pool Network Technology Shanghai Co ltd
Original Assignee
Cloud Pool Network Technology Shanghai 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 Cloud Pool Network Technology Shanghai Co ltd filed Critical Cloud Pool Network Technology Shanghai Co ltd
Priority to CN202010088433.2A priority Critical patent/CN112104684A/zh
Publication of CN112104684A publication Critical patent/CN112104684A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of 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
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/565—Conversion or adaptation of application format or content
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/08—Protocols for interworking; Protocol conversion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Security & Cryptography (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及物联网技术领域，具体地说，涉及一种基于物联网的平台管理系统。包括数据采集单元、数据处理单元、数据传输单元和数据保存单元。该基于物联网的平台管理系统中，设置数据采集单元，在数据接入时记录所有采集数据源及分类的信息，并提供统一采集工具进行开发配置管理，提高数据采集的准确性，设置数据处理单元，对收集的数据进行分类训练并处理，提高数据分析效率，设置数据传输单元，对数据进行远无线传输数据，实现数据远距离传输，提高数据传输效率，设置数据保存单元，将数据储存在物联网系统内，便于数据保存和管理。

Description

一种基于物联网的平台管理系统
技术领域
本发明涉及物联网技术领域，具体地说，涉及一种基于物联网的平台管理系统。
背景技术
物联网被广泛地应用到各行各业的服务中，打破物品之间的壁垒，使之日益为客户提供融合的服务体验。以无处不在的互联网和一系列高科技术为标志的数字经济积极地打破顾客、企业、竞争对手和合作伙伴之间的界限，提供数字化快速传输和大量数据存储，提高信息传播的安全性，实现商业流程的自动化。由于目前信息数据量日益加剧，数据流量较大，传统的物联网在数据的采集、处理、传输和保存方面存在缺陷，影响信息化的进程。
发明内容
本发明的目的在于提供一种基于物联网的平台管理系统，以解决上述背景技术中提出的问题。
为实现上述技术问题的解决，本发明的目的之一在于，提供一种基于物联网的平台管理系统，包括数据采集单元、数据处理单元、数据传输单元和数据保存单元，所述数据采集单元用于在数据接入时记录所有采集数据源及分类的信息，提供统一采集工具进行开发配置管理；所述数据处理单元用于对收集的数据进行分类训练并处理；所述数据传输单元用于对数据进行远无线传输数据；所述数据保存单元用于将数据储存在物联网系统内。
作为优选，所述数据采集单元包括文件预处理模块、数据稽核检验模块、统一运维监控模块和前台界面模块；所述文件预处理模块用于在接口机上通过配置实现文件解压、小文件合并、大文件拆分以及目标格式文件的压缩、清洗、转换、加载功能；所述数据稽核检验模块用于在采集层提供的数据稽核功能包括数据校验记录文件获取与信息解析、各类数据校验及校验规则配置、数据质量监控管理；所述统一运维监控模块，用于提供数据源采集统一运维监控功能，支持重传、自动重做、人工重做的异常重做，实现采集层的统一运行；所述前台界面模块用于实现前台界面可视化，拖拽式实现采集的开发。
作为优选，所述数据处理单元包括数据输入模块、卷积处理模块、池化处理模块和模型训练模块；所述数据输入模块用于将数据采集模块采集的数据传输至数据处理子系统内进行保存；所述卷积处理模块用于通过局部感受域与上一层神经元实现部分连接，在同一局部感受域内的神经元与图像区域中对应像素有固定二维平面编码信息关联，迫使神经元提取局部特征；所述池化处理模块用于选择卷积特征图中不同的连续范围的作为池化区域，然后取特征的最大值或平均值作为池化区域的特征；所述模型训练模块用于对数据进行训练，并生成分类模型。
作为优选，所述模型训练模块采用Softmax分类器，对数据进行训练，并生成分类模型。
Softmax分类器方法为：假设输入特征记为x(i)，样本标签记为y(i)，构成了分类层有监督学习的训练集S＝{(x(1)，y(1))，……，(x(m)，y(m))}，假设函数hθ(x)和逻辑回归代价函数形式分别如下：
Figure BDA0002382877460000021
其中，θ1，θ2，……，θk是模型的可学习参数，
Figure BDA0002382877460000022
为归一化项；
Figure BDA0002382877460000023
其中，1{y(i)＝j}为指标性函数，即当大括号中的值为真时，该函数的结果就为1，否则其结果就为0。
作为优选，所述模型训练模块基于卷积神经网络算法实现，其训练方法如下：
①、串行代码根据算法预设的网络结构和学习率、训练子集大小等参数来初始化待训练的DCNN；
②、通过创建CUDA-cuDNN句柄等来初始化运行时环境，将图像数据集以矩阵的形式读取到CPU内存中，分配所需显存空间和定义传输数据格式为四维张量，并将一批训练样本传送至GPU显存中；
③、由CUDA-cuDNN调用内核函数来运行GPU设备并行代码，内核函数具体调用形式如下：
KernelFunction<<<DimGrid，DimBlock>>>(dev_batch_data，dev_batch_result，trainOpts)；
//DimGrid描述线程网栺的配置信息
//DimBlock描述线程网栺配置信息
//dev_batch_data是存放训练子集数据指针变量，dev_batch_result是用于保存训练子集在GPU上的计算结果变量；
④、实现DCNN的前向传递和反向传递两个并行运算过程；
⑤、串行代码从GPU显存中取回相应参数的梯度，并更新各层的权重和偏置；
⑥、将下一批训练样本传送至GPU显存中重复步骤③-④的过程，直至最后一个训练子集；
⑦、反复重复训练上述步骤②-⑤的过程若干次，以使算法收敛于最优值。
作为优选，所述数据传输单元包括采集网络模块、因特网模块和远程监控中心模块；所述采集网络模块用于对数据进行采集，所述因特网模块用于采集的数据传输至因特网内，所述远程监控中心模块用于对采集数据进行分析。
其中，因特网模块为Internet广域网，Internet采用有线接入网方式。
进一步的，采集网络模块包括采集节点模块和网关节点模块，采集节点模块用于采集数据信息，网关节点模块用于网络维护和数据处理传输。
其中，网关节点模块ZigBee芯片和TCP/IP接入网模块，负责ZigBee网络和TCP/IP网络的双向数据交互通信，ZigBee网络采集的数据由网关节点进行ZigBee协议数据解包，再封装成TCP/IP数据包发送到监控中心；反之，由监控中心发来的控制命令，网关节点首先进行TCP/IP协议解包，再由网关节点将数据封装成ZigBee协议数据，发送到ZigBee网络节点。
其中，集节点模块为ZigBee采集节点，由RFD数据采集节点RFD簇头节点和网关组成，数据采集节点模块负责数据采集和发送，RFD簇头节点负责网络数据路由转发，网关实现ZigBee与TCP协议的数据交互。
具体的，远程监控中心模块包括节点参数设定模块、节点数据处理模块和节点数据储存模块，节点参数设定模块用于设定节点数据采集的参数，节点数据处理模块用于对节点采集的数据进行分析，节点数据储存模块用于存模节点采集的数据。
其中，节点数据处理模块采用分批估算法对簇内每个ZigBee采集结点的测量数据进行处理，每一个采集节点在某一时刻测得多组一致性测量数据，每个采集节点自身对多组采集的数据的加权均值采用分批估计算法，估计出接近测量真实值的融合值Y，从而得到测量值的准确测量结果，消除测量过程因为簇内节点失效或其他外界因数导致的不确定性。
作为优选，所述远程监控中心模块内还设置有数据加密模块，所述数据加密模块包括字节变换模块、行位移模块、裂变混合变换模块、轮密钥加模块和密钥扩展模块，字节变换模块用于对节点采集的数据进行替换，行位移模块用于对数据字节进行移位，裂变混合变换模块用于对数据字节进行裂变混合变换，轮密钥加模块用于执行轮密钥加，密钥扩展模块用于产生的轮密钥。
本实施例中，字节变换模块为S-盒变换，该变换是非线性变换，在计算时，为了便于编程和提高加解密的速度，通常使用查询的方式采用S-盒变换，即预先存放S盒，根据原先的数字查找S盒中对应的数据进行替换。
进一步的，行位移模块通过字节移位完成的，将状态矩阵中不同的行按照不同的偏移量进行循环左位移，通常状态矩阵第一行不移动，第二行向左移动一位，第三行向左移动两位，第四行向左移动三位。
具体的，裂变混合变换模块方法为把状态矩阵的每一列看做有限域上的多项式，然后与一个固定多项式进行模乘。
作为优选，所述数据保存单元包括数据虚拟化模块、制定配置模块和软件定义模块；所述数据虚拟化模块通过虚拟池化模块采用虚拟化技术将数据池化；所述制定配置模块基于存储设备的性能、可扩展性、可靠性指标制定配置；所述软件定义模块采用软件定义的方式提升传统存储设备功能，并将数据进行存储
本发明的目的之二在于，提供一种基于物联网的平台管理装置，包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行上述的计算机程序时实现如上述中任一所述的基于物联网的平台管理系统的模块。
本发明的目的之三在于，提供一种计算机可读存储介质，所述存储介质中存储有至少一段程序，所述至少一段程序由上述的处理器执行以实现如上述中任一所述的基于物联网的平台管理系统的模块。
与现有技术相比，本发明的有益效果：
1、该基于物联网的平台管理系统中，设置数据采集单元，在数据接入时记录所有采集数据源及分类的信息，并提供统一采集工具进行开发配置管理，提高数据采集的准确性。
2、该基于物联网的平台管理系统中，设置数据处理单元，对收集的数据进行分类训练并处理，提高数据分析效率。
3、该基于物联网的平台管理系统中，设置数据传输单元，对数据进行远无线传输数据，实现数据远距离传输，提高数据传输效率。
4、该基于物联网的平台管理系统中，设置数据保存单元，将数据储存在物联网系统内，便于数据保存和管理。
附图说明
图1为本发明的整体平台模块框图；
图2为本发明的数据采集单元模块框图；
图3为本发明的数据处理单元模块框图；
图4为本发明的数据传输单元模块框图；
图5为本发明的数据保存单元模块框图；
图6为本发明的物联网的平台管理装置结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1-图6所示，本发明提供一种技术方案：
本发明的目的之一在于，提供一种基于物联网的平台管理系统，包括：数据采集单元、数据处理单元、数据传输单元和数据保存单元，所述数据采集单元用于在数据接入时记录所有采集数据源及分类的信息，提供统一采集工具进行开发配置管理；所述数据处理单元用于对收集的数据进行分类训练并处理；所述数据传输单元用于对数据进行远无线传输数据；所述数据保存单元用于将数据储存在物联网系统内。
本实施例中，数据采集单元包括文件预处理模块、数据稽核检验模块、统一运维监控模块和前台界面模块；所述文件预处理模块用于在接口机上通过配置实现文件解压、小文件合并、大文件拆分以及目标格式文件的压缩、清洗、转换、加载功能；所述数据稽核检验模块用于在采集层提供的数据稽核功能包括数据校验记录文件获取与信息解析、各类数据校验及校验规则配置、数据质量监控管理；所述统一运维监控模块，用于提供数据源采集统一运维监控功能，支持重传、自动重做、人工重做的异常重做，实现采集层的统一运行；所述前台界面模块用于实现前台界面可视化，拖拽式实现采集的开发。
进一步的，数据处理单元包括数据输入模块、卷积处理模块、池化处理模块和模型训练模块；所述数据输入模块用于将数据采集模块采集的数据传输至数据处理子系统内进行保存；所述卷积处理模块用于通过局部感受域与上一层神经元实现部分连接，在同一局部感受域内的神经元与图像区域中对应像素有固定二维平面编码信息关联，迫使神经元提取局部特征；所述池化处理模块用于选择卷积特征图中不同的连续范围的作为池化区域，然后取特征的最大值或平均值作为池化区域的特征；所述模型训练模块用于对数据进行训练，并生成分类模型。
具体的，模型训练模块采用Softmax分类器，对数据进行训练，并生成分类模型。
Softmax分类器方法为：假设输入特征记为x(i)，样本标签记为y(i)，构成了分类层有监督学习的训练集S＝{(x(1)，y(1))，……，(x(m)，y(m))}，假设函数hθ(x)和逻辑回归代价函数形式分别如下：
Figure BDA0002382877460000071
其中，θ1，θ2，……，θk是模型的可学习参数，
Figure BDA0002382877460000072
为归一化项；
Figure BDA0002382877460000073
其中，1{y(i)＝j}为指标性函数，即当大括号中的值为真时，该函数的结果就为1，否则其结果就为0。
值得说明的是，模型训练模块基于卷积神经网络算法实现，其训练方法如下：
①、串行代码根据算法预设的网络结构和学习率、训练子集大小等参数来初始化待训练的DCNN；
②、通过创建CUDA-cuDNN句柄等来初始化运行时环境，将图像数据集以矩阵的形式读取到CPU内存中，分配所需显存空间和定义传输数据格式为四维张量，并将一批训练样本传送至GPU显存中；
③、由CUDA-cuDNN调用内核函数来运行GPU设备并行代码，内核函数具体调用形式如下：
KernelFunction<<<DimGrid，DimBlock>>>(dev_batch_data，dev_batch_result，trainOpts)；
//DimGrid描述线程网栺的配置信息
//DimBlock描述线程网栺配置信息
//dev_batch_data是存放训练子集数据指针变量，dev_batch_result是用于保存训练子集在GPU上的计算结果变量；
④、实现DCNN的前向传递和反向传递两个并行运算过程；
⑤、串行代码从GPU显存中取回相应参数的梯度，并更新各层的权重和偏置；
⑥、将下一批训练样本传送至GPU显存中重复步骤③-④的过程，直至最后一个训练子集；
⑦、反复重复训练上述步骤②-⑤的过程若干次，以使算法收敛于最优值。
此外，数据传输单元包括采集网络模块、因特网模块和远程监控中心模块；所述采集网络模块用于对数据进行采集，所述因特网模块用于采集的数据传输至因特网内，所述远程监控中心模块用于对采集数据进行分析。
其中，因特网模块为Internet广域网，Internet采用有线接入网方式。
进一步的，采集网络模块包括采集节点模块和网关节点模块，采集节点模块用于采集数据信息，网关节点模块用于网络维护和数据处理传输。
其中，网关节点模块ZigBee芯片和TCP/IP接入网模块，负责ZigBee网络和TCP/IP网络的双向数据交互通信，ZigBee网络采集的数据由网关节点进行ZigBee协议数据解包，再封装成TCP/IP数据包发送到监控中心；反之，由监控中心发来的控制命令，网关节点首先进行TCP/IP协议解包，再由网关节点将数据封装成ZigBee协议数据，发送到ZigBee网络节点。
其中，集节点模块为ZigBee采集节点，由RFD数据采集节点RFD簇头节点和网关组成，数据采集节点模块负责数据采集和发送，RFD簇头节点负责网络数据路由转发，网关实现ZigBee与TCP协议的数据交互。
具体的，远程监控中心模块包括节点参数设定模块、节点数据处理模块和节点数据储存模块，节点参数设定模块用于设定节点数据采集的参数，节点数据处理模块用于对节点采集的数据进行分析，节点数据储存模块用于存模节点采集的数据。
其中，节点数据处理模块采用分批估算法对簇内每个ZigBee采集结点的测量数据进行处理，每一个采集节点在某一时刻测得多组一致性测量数据，每个采集节点自身对多组采集的数据的加权均值采用分批估计算法，估计出接近测量真实值的融合值Y，从而得到测量值的准确测量结果，消除测量过程因为簇内节点失效或其他外界因数导致的不确定性。
除此之外，远程监控中心模块内还设置有数据加密模块，所述数据加密模块包括字节变换模块、行位移模块、裂变混合变换模块、轮密钥加模块和密钥扩展模块，字节变换模块用于对节点采集的数据进行替换，行位移模块用于对数据字节进行移位，裂变混合变换模块用于对数据字节进行裂变混合变换，轮密钥加模块用于执行轮密钥加，密钥扩展模块用于产生的轮密钥。
本实施例中，字节变换模块为S-盒变换，该变换是非线性变换，在计算时，为了便于编程和提高加解密的速度，通常使用查询的方式采用S-盒变换，即预先存放S盒，根据原先的数字查找S盒中对应的数据进行替换。
进一步的，行位移模块通过字节移位完成的，将状态矩阵中不同的行按照不同的偏移量进行循环左位移，通常状态矩阵第一行不移动，第二行向左移动一位，第三行向左移动两位，第四行向左移动三位。
具体的，裂变混合变换模块方法为把状态矩阵的每一列看做有限域上的多项式，然后与一个固定多项式进行模乘。
具体的，数据保存单元包括数据虚拟化模块、制定配置模块和软件定义模块；所述数据虚拟化模块通过虚拟池化模块采用虚拟化技术将数据池化；所述制定配置模块基于存储设备的性能、可扩展性、可靠性指标制定配置；所述软件定义模块采用软件定义的方式提升传统存储设备功能，并将数据进行存储。
参阅图6，示出了本发明实施例所涉及的提供一种基于物联网的平台管理装置结构示意图，该装置包括处理器、存储器和总线。
处理器包括一个或一个以上处理核心，处理器通过总线与处理器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的基于物联网的平台管理系统。
可选的，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
此外，本发明还提供一种计算机可读存储介质，存储介质中存储有至少一段程序，至少一段程序由上述的处理器执行以实现如上述中任一的基于物联网的平台管理系统的模块。
可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面基于物联网的平台管理系统的模块。
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令相关的硬件完成，所述的程序可以存储与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。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于物联网的平台管理系统，包括数据采集单元、数据处理单元、数据传输单元和数据保存单元，其特征在于：所述数据采集单元用于在数据接入时记录所有采集数据源及分类的信息，提供统一采集工具进行开发配置管理；所述数据处理单元用于对收集的数据进行分类训练并处理；所述数据传输单元用于对数据进行远无线传输数据；所述数据保存单元用于将数据储存在物联网系统内。
2.根据权利要求1所述的基于物联网的平台管理系统，其特征在于：所述数据采集单元包括文件预处理模块、数据稽核检验模块、统一运维监控模块和前台界面模块；所述文件预处理模块用于在接口机上通过配置实现文件解压、小文件合并、大文件拆分以及目标格式文件的压缩、清洗、转换、加载功能；所述数据稽核检验模块用于在采集层提供的数据稽核功能包括数据校验记录文件获取与信息解析、各类数据校验及校验规则配置、数据质量监控管理；所述统一运维监控模块，用于提供数据源采集统一运维监控功能，支持重传、自动重做、人工重做的异常重做，实现采集层的统一运行；所述前台界面模块用于实现前台界面可视化，拖拽式实现采集的开发。
3.根据权利要求1所述的基于物联网的平台管理系统，其特征在于：所述数据处理单元包括数据输入模块、卷积处理模块、池化处理模块和模型训练模块；所述数据输入模块用于将数据采集模块采集的数据传输至数据处理子系统内进行保存；所述卷积处理模块用于通过局部感受域与上一层神经元实现部分连接，在同一局部感受域内的神经元与图像区域中对应像素有固定二维平面编码信息关联，迫使神经元提取局部特征；所述池化处理模块用于选择卷积特征图中不同的连续范围的作为池化区域，然后取特征的最大值或平均值作为池化区域的特征；所述模型训练模块用于对数据进行训练，并生成分类模型。
4.根据权利要求3所述的基于物联网的平台管理系统，其特征在于：所述模型训练模块采用Softmax分类器，对数据进行训练，并生成分类模型。
5.根据权利要求3所述的基于物联网的平台管理系统，其特征在于：所述模型训练模块基于卷积神经网络算法实现。
6.根据权利要求1所述的基于物联网的平台管理系统，其特征在于：所述数据传输单元包括采集网络模块、因特网模块和远程监控中心模块；所述采集网络模块用于对数据进行采集，所述因特网模块用于采集的数据传输至因特网内，所述远程监控中心模块用于对采集数据进行分析。
7.根据权利要求6所述的基于物联网的平台管理系统，其特征在于：所述远程监控中心模块内还设置有数据加密模块，所述数据加密模块包括字节变换模块、行位移模块、裂变混合变换模块、轮密钥加模块和密钥扩展模块，字节变换模块用于对节点采集的数据进行替换，行位移模块用于对数据字节进行移位，裂变混合变换模块用于对数据字节进行裂变混合变换，轮密钥加模块用于执行轮密钥加，密钥扩展模块用于产生的轮密钥。
8.根据权利要求1所述的基于物联网的平台管理系统，其特征在于：所述数据保存单元包括数据虚拟化模块、制定配置模块和软件定义模块；所述数据虚拟化模块通过虚拟池化模块采用虚拟化技术将数据池化；所述制定配置模块基于存储设备的性能、可扩展性、可靠性指标制定配置；所述软件定义模块采用软件定义的方式提升传统存储设备功能，并将数据进行存储。
9.一种基于物联网的平台管理装置，其特征在于：包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行上述的计算机程序时实现如权利要求1-8中任一所述的基于物联网的平台管理系统的模块。
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段程序，所述至少一段程序由上述的处理器执行以实现如权利要求1-8中任一所述的基于物联网的平台管理系统的模块。
CN202010088433.2A 2020-02-12 2020-02-12 一种基于物联网的平台管理系统 Pending CN112104684A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010088433.2A CN112104684A (zh) 2020-02-12 2020-02-12 一种基于物联网的平台管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010088433.2A CN112104684A (zh) 2020-02-12 2020-02-12 一种基于物联网的平台管理系统

Publications (1)

Publication Number Publication Date
CN112104684A true CN112104684A (zh) 2020-12-18

Family

ID=73749429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010088433.2A Pending CN112104684A (zh) 2020-02-12 2020-02-12 一种基于物联网的平台管理系统

Country Status (1)

Country Link
CN (1) CN112104684A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115599873A (zh) * 2022-12-06 2023-01-13 滨州市玉炜网络科技有限公司（Cn） 基于人工智能物联网的数据采集方法、系统及云平台

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110602118A (zh) * 2019-09-20 2019-12-20 南京信同诚信息技术有限公司 一种虚拟化数据远程加密安全系统及方法
CN110688097A (zh) * 2019-09-22 2020-01-14 南京信易达计算技术有限公司 高可靠高可用高性能融合型软件定义存储系统及方法
CN110704371A (zh) * 2019-09-24 2020-01-17 江苏医健大数据保护与开发有限公司 大规模数据管理与数据分发系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110602118A (zh) * 2019-09-20 2019-12-20 南京信同诚信息技术有限公司 一种虚拟化数据远程加密安全系统及方法
CN110688097A (zh) * 2019-09-22 2020-01-14 南京信易达计算技术有限公司 高可靠高可用高性能融合型软件定义存储系统及方法
CN110704371A (zh) * 2019-09-24 2020-01-17 江苏医健大数据保护与开发有限公司 大规模数据管理与数据分发系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115599873A (zh) * 2022-12-06 2023-01-13 滨州市玉炜网络科技有限公司（Cn） 基于人工智能物联网的数据采集方法、系统及云平台
CN115599873B (zh) * 2022-12-06 2023-08-29 广州丰网互联科技有限公司 基于人工智能物联网的数据采集方法、系统及云平台

Similar Documents

Publication Publication Date Title
CN103189836B (zh) 用于对图数据流中的对象分类的方法
CN114584406B (zh) 一种联邦学习的工业大数据隐私保护系统及方法
CN110781818B (zh) 视频分类方法、模型训练方法、装置及设备
CN111770190A (zh) 基于5g、物联网模式的区块链分布式实时消防监控警报系统
CN114462623B (zh) 基于边缘计算的数据分析方法、系统及平台
CN116599857B (zh) 一种适用于物联网多场景的数字孪生应用系统
WO2022048050A1 (zh) 一种大数据信息采集系统及使用方法
CN110704371A (zh) 大规模数据管理与数据分发系统及方法
CN117435901B (zh) 一种工业互联网数据获取方法、系统、终端及储存介质
CN117520280A (zh) 工作负载的文件系统预置
CN114124447B (zh) 一种基于Modbus数据包重组的入侵检测方法及装置
CN114095529B (zh) 基于知识图谱的工业非智能传感器自适应接入中间件及其方法
CN112104684A (zh) 一种基于物联网的平台管理系统
CN112822184B (zh) 一种内生安全系统中的无监督自主攻击检测方法
CN112905571A (zh) 一种列车轨道交通传感器数据管理方法及装置
CN110874601A (zh) 识别设备运行状态的方法、状态识别模型训练方法及装置
CN116484016B (zh) 一种基于时序路径自动维护的时序知识图谱推理方法和系统
CN114900435B (zh) 一种连接关系预测方法及相关设备
CN108696389B (zh) 一种基于海量数据的网络流量及协议报文分析平台
CN109669996A (zh) 信息动态更新方法及装置
KR102466482B1 (ko) 적응적 배치 선택 전략을 이용한 딥 뉴럴 네트워크 학습 가속 시스템 및 방법
CN116802646A (zh) 数据处理的方法和装置
Cardenas_Rivero et al. Potentialities of data processing in internet of things applications
CN112083707A (zh) 一种工控物理信号的处理方法及控制器、处理系统
CN105262612B (zh) 一种云计算系统节点失效预警装置和方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201218