CN112671633B - 一种基于bp神经网络预测的二分探测心跳间隔系统及方法 - Google Patents
一种基于bp神经网络预测的二分探测心跳间隔系统及方法 Download PDFInfo
- Publication number
- CN112671633B CN112671633B CN202011387360.3A CN202011387360A CN112671633B CN 112671633 B CN112671633 B CN 112671633B CN 202011387360 A CN202011387360 A CN 202011387360A CN 112671633 B CN112671633 B CN 112671633B
- Authority
- CN
- China
- Prior art keywords
- network
- heartbeat interval
- layer
- neural network
- heartbeat
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明请求保护一种基于BP神经网络预测的二分探测心跳间隔系统及方法,包括:网络特征数据获取模块,用于从现有的一些公开数据集获取,或者通过WireShark在内的抓包软件对数据进行获取;网络拥塞程度预测模块,用于利用BP神经网络预测模型进行预测,将当前网络的一些衡量网络拥塞程度指标的数据参数作为BP网络预测模型的输入,将带宽占用率作为BP网络预测模型的输出,并且作为衡量网络拥塞程度的唯一指标;心跳间隔动态调整模块,根据网络拥塞程度预测模块预测的结果,利用二分法动态的调整客户端给服务器发送心跳包的时间间隔,本发明通过BP神经网络预测模型结合二分探测动态地寻找当前网络环境下的最优心跳来维持所需的长连接。
Description
技术领域
本发明属于即时通信应用开发中的心跳机制领域,具体来说就是寻找在即时通信过程中适应当前网络质量的最优心跳间隔的方法。
背景技术
当前的即时通信应用开发过程中,例如微信、QQ等。为了保证客户端与服务端的即时地进行消息通信,双方需要维持一个TCP的长连接。但是在实际情况中,因为NAT超时以及终端宕机等问题会造成TCP链路中断。而维持长连接采用的方式就是采用心跳机制,具体来说就是服务端或者客户端定时地给对方发送一个心跳包,然后对方回复一个心跳包来告知对方在线,若长时间没有收到来自对方的回复包,则认为链路已中断,需要客户端重新连接服务端。
因此,在现有技术中会定时地由客户端或服务端向对方发送一个心跳包并且对方回复一个心跳包来保证通信链路的存在。在实际情况中,通过定时地发送心跳包,若心跳间隔设置过小,则会加大客户端流量电量的消耗以及加重服务器的负载,严重还会导致网络拥塞。若心跳间隔设置过大,则会导致通信双方不能及时地发现通信链路的中断,从而导致客户端或服务端掉线的问题,影响双方的通信。基于上述的局限性,本发明提出一种基于BP神经网络预测的二分探测心跳间隔方法。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种基于BP神经网络预测的二分探测心跳间隔系统及方法。本发明的技术方案如下:
一种基于BP神经网络预测的二分探测心跳间隔系统,其包括:网络特征数据获取模块、网络拥塞程度预测模块以及心跳间隔动态调整模块;其中,
网络特征数据获取模块,用于从现有的一些公开数据集获取,或者通过WireShark在内的抓包软件对可以表征网络拥塞程度的数据进行获取;
网络拥塞程度预测模块,用于利用BP神经网络预测模型进行预测,将当前网络的一些衡量网络拥塞程度指标的数据参数作为BP网络预测模型的输入,将带宽占用率作为BP网络预测模型的输出,并且作为衡量网络拥塞程度的唯一指标;
心跳间隔动态调整模块,根据网络拥塞程度预测模块预测的结果,利用二分法动态的调整客户端给服务器发送心跳包的时间间隔,心跳包指的是在客户端和服务器之间定时通知对方自己状态的一个自己定义的命令字,按照一定的时间间隔发送,类似于心跳。
进一步的,所述网络特征数据获取模块包括当前网络下的网络吞吐量、网络延时以及丢包率,其中网络吞吐量是指在没有帧丢失的情况下,设备能够接收并转发的最大数据速率;网络延时是指在传输介质中传输所用的时间,即从报文开始进入网络到它开始离开网络之间的时间;丢包率是指测试中所丢失数据包数量占所发送数据组的比率,计算方法是:“[(输入报文-输出报文)/输入报文]*100%”。
进一步的,所述网络拥塞程度预测模块是基于BP神经网络搭建的预测模型,BP网络由输入层、隐层和输出层组成,隐层为一层或多层,这里选用三层BP网络模型,网络选用S型传递函数,其中x表示激活函数的输入,f(x)表示输入对应的输出。通过反传误差函数Ti为期望输出、Oi为网络的计算输出,i为神经元。不断调节网络权值和阈值使误差函数E达到预设值,其次输入层神经元个数设为3,其中输入属性有网络吞吐量、网络延时以及丢包率。输出层神经元个数设为1,将网络带宽占用率作为输出并同时作为网络拥塞的衡量指标,隐藏层神经元个数设为6,与此同时,学习率设为0.1,训练次数为1000。
进一步的,所述隐层设计具体为:
在选取隐层神经元个数的问题上参照了以下的经验公式:
激励函数的选取
选择S型正切函数tansig作为隐层神经元的激励函数。而由于网络的输出归一到[-1,1]范围内,因此预测模型选取S型对数函数tansig作为输出层神经元的激励函数;
将网络吞吐量、丢包率以及网络延时等数据利用matlab的mapminmax函数进行归一化处理,并且将网络的学习速率设置为0.01.利用train方法对当前网络进行训练,
进一步的,所述心跳间隔动态调整模块,根据预测模块对网络拥塞程度的结果来结合二分法动态地调整心跳包的发送频率,具体调整过程为:算法最初的心跳间隔为NAT超时时间/2,接下来进入BP网络模型预测模块;若预测结果为“一般通常”,则利用当前心跳间隔作为最优心跳进入稳定阶段,若结果为“更为通常”,则扩大心跳间隔,将NAT超时时间与当前心跳间隔作为执行二分的上下限,令T=上限-下限;心跳间隔时间为T,若结果为“比较拥塞”,则减小心跳间隔,将当前心跳间隔与0作为执行二分的上下限,令T=上限-下限,心跳间隔时间为T。
一种基于BP神经网络预测的二分探测心跳间隔方法,网络特征数据获取步骤、网络拥塞程度预测步骤以及心跳间隔动态调整步骤,其中,
网络特征数据获取步骤包括,从现有的一些公开数据集获取,或者通过WireShark等抓包软件对数据进行获取;
网络拥塞程度预测步骤包括,利用BP神经网络预测模型进行预测。将当前网络的一些衡量网络拥塞程度指标的数据参数作为BP网络预测模型的输入,将带宽占用率作为BP网络预测模型的输出,并且作为衡量网络拥塞程度的唯一指标;
心跳间隔动态调整步骤包括,根据网络拥塞程度预测模块预测的结果,来利用二分法动态的调整客户端给服务器发送心跳包的时间间隔。
进一步的,在客户端开发的具体实现步骤为:1,定义神经元Neuron类,神经元类是神经网络模型代码的基础类。人工神经元有如下属性
输入:input权重:weight输出:output.
2,定义NeuralLayer类,
在这个类中,将把在同一层中对齐的神经元分成一组。因为一层需要将值传递给另一层,也需要定义层与层之间的连接;
3,定义神经输入层类InputLayer,该层包含的属性就是预测需要的输入数据,主要有网络吞吐量以及网络延时;
4,定义网络隐藏层类HiddenLayer,该类中定义隐藏神经元为6个;
5,定义网络输出层类OutputLayer,以网络带宽占用率为输出结果;
6,定义神经网络NeuralNet类,神经网络在神经层中组织神经元,且每个神经网络至少有两层,一个用来接收输入,一个用来处理输出,还有一个数量可变的隐含层,该类将前面定义的所有类组成一个人工神经网络结构。
本发明的优点及有益效果如下:
本发明首先,考虑到心跳机制受网络拥塞程度的直接影响,在实际情况中,网络的拥塞情况是不可避免并且复杂的,本发明通过对表征当前网络拥塞情况数据的提取,及时获取到当前网络信道的基本性能参数为预测模型提供了数据支撑,其次将相关数据作为预测模型的输入,通过预测模型的计算,最后将模型的输出结果作为心跳间隔设置的指导标准,提出了一种动态设置心跳间隔的方法及策略,能够利用当前网络的特征数据及时地预测下一阶段的网络质量,从而来更快地找到适合下一阶段网络的最优心跳。该方法利用了BP网络预测准确度较高的优点,充分考虑到了网络拥塞对心跳机制的直接影响,并结合了二分法简单易操作的优点来使得系统能根据网络拥塞情况来自适应调整心跳间隔,克服了传统心跳机制只能固定时间间隔发送心跳包的缺点,从而降低了客户端流量与电量的消耗并减轻了服务器的负载压力,也可以一定程度上降低网络拥塞发生的概率。
附图说明
图1是本发明提供优选实施例基于BP神经网络预测的二分探测心跳间隔方法的基本流程图;
图2是本发明中利用神经网络进行网络质量预测的示例图。
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
本发明公开了一种即时通信应用开发过程中需要通过心跳机制来维护TCP长连接的动态心跳间隔探测的方法,本方法在Android系统的背景下,通过利用BP神经网络预测模型即时地预测下一阶段的网络通信质量并结合二分法来动态的调整心跳间隔。具体来说,由于当前的即时通信应用为了通信双方能够即时地与对方进行消息传递,需要维持一个客户端到服务端的一个TCP长连接。而通常会因为NAT超时或终端节点异常等问题造成TCP连接中断。具体来说,终端想要连接Internet,必须通关网关做一个外网的IP和端口和内网的IP和端口的对应转换,但是若当前的TCP网络链路长时间没有数据传递,网关会将NAT表中对应的外网与内网的对应项删除,从而使得链路中断。或者终端出现宕机的情况也会造成链路中断。本发明通过BP神经网络预测模型结合二分探测动态地寻找当前网络环境下的最优心跳来维持所需的长连接。
本发明的目的是提供一种动态地寻找当前网络质量下的最优心跳间隔方法及系统,根据当前网络质量来预测下一阶段的网络情况,进而动态的来调整心跳间隔,从而达到降低客户端流量电量的消耗以及降低服务器的负载压力。本发明的技术方案如下:
一种基于BP神经网络预测的二分探测心跳间隔系统,其包括:网络特征数据获取模块、网络拥塞程度预测模块以及心跳间隔动态调整模块。
网络特征数据获取模块,用于从现有的一些公开数据集获取,或者通过WireShark等抓包软件对数据进行获取。
网络拥塞程度预测模块,利用BP神经网络预测模型进行预测。将当前网络的一些衡量网络拥塞程度指标的数据参数作为BP网络预测模型的输入,将带宽占用率作为BP网络预测模型的输出,并且作为衡量网络拥塞程度的唯一指标。
进一步的,网络拥塞程度预测模块中利用BP神经网络预测模型进行预测的神经网络模型共有三层。网络选用S型传递函数,通过反传误差函数((Ti为期望输出、Oi为网络的计算输出),不断调节网络权值和阈值使误差函数E达到极小。
进一步的,输入层神经元个数设为3,其中输入属性有网络吞吐量、网络延时以及丢包率。输出层神经元个数设为1,将网络带宽占用率作为输出并同时作为网络拥塞的衡量指标。隐藏层神经元个数设为6。与此同时,学习率设为0.1。训练次数为1000。
心跳间隔动态调整模块,根据网络拥塞程度预测模块预测的结果,来利用二分法动态的调整客户端给服务器发送心跳包的时间间隔。
整个方案的步骤如下:
1、根据大量数据可得不同运营商网络下的NAT超时时间T。
2、计算T/2作为当前的心跳间隔进行测试,若失败则客户端重新连接服务器,并且心跳间隔减少为之前的一半。若成功则执行3。
3、根据当前网络流量情况并利用BP神经网络预测模型来计算下一阶段的网络情况,并且根据预测结果将网络情况分为更为通常、一般通常、比较拥塞等三种分类。
4、若结果为“一般通常”,则利用当前心跳间隔作为最优心跳进入稳定阶段,若结果为“更为通常”,则执行5。若结果为“比较拥塞”,则执行6。
5、扩大心跳间隔,将NAT超时时间与当前心跳间隔作为执行二分的上下限,令T=上限-下限,执行2。
6、减小心跳间隔,将当前心跳间隔与0作为执行二分的上下限,令T=上限-下限,执行2。
本发明提供的根据网络环境来动态的寻找最优心跳方法,通过利用BP神经网络来预测下一阶段的网络拥塞情况来动态的寻找适合该网络情况下的最优心跳,从而达到最优心跳动态调整的目的。
所述步骤1具体操作方式为根据大量数据测得如下NAT超时时间
地区/网络 | NAT超时时间 |
中国移动/2G、3G | 300S |
中国联通/2G | 300S |
中国电信/3G | 大于1680S |
所述步骤2计算当前测试心跳间隔的具体步骤为:以中国移动为例,则算法开始的心跳间隔T为150S。若失败,即客户端在发送心跳包之后无法收到服务器的响应包,则利用二分重新计算心跳间隔为75S。若成功则利用BP神经网络预测下一阶段网络质量。
所述步骤3利用BP神经网络来预测网络质量的步骤为:
1、神经网络模型建立
BP网络由输入层、隐层和输出层组成,隐层可以有一层或多层,这里选用三层BP网络模型,网络选用S型传递函数,通过反传误差函数((Ti为期望输出、Oi为网络的计算输出),不断调节网络权值和阈值使误差函数E达到预设值。
2、模型求解
1)输入输出层的设计
该模型由网络吞吐量、丢包率以及网络延时等各项素质指标作为输入,以上数据可以通过WireShark抓包软件获得,以网络拥塞程度作为输出,所以输入层的节点数为3,输出层的节点数为1。
2)隐层设计
本文在选取隐层神经元个数的问题上参照了以下的经验公式:
3)激励函数的选取
本文选择S型正切函数tansig作为隐层神经元的激励函数。而由于网络的输出归一到[-1,1]范围内,因此预测模型选取S型对数函数tansig作为输出层神经元的激励函数。
4)模型的实现
预测选用MATLAB中的神经网络工具箱进行网络的训练使模型达到较高预测准度。其中将网络吞吐量、丢包率以及网络延时等数据利用matlab的mapminmax函数进行归一化处理。并且将网络的学习速率设置为0.01.利用train方法对当前网络进行训练,使得模型具有较高的准确度。
5)模型在客户端开发的具体实现步骤为:1,定义神经元Neuron类,神经元类是神经网络模型代码的基础类。人工神经元有如下属性输入:input权重:weight输出:output.2,定义NeuralLayer类,在这个类中,将把在同一层中对齐的神经元分成一组。因为一层需要将值传递给另一层,也需要定义层与层之间的连接。3,定义神经输入层类InputLayer,该层包含的属性就是预测需要的输入数据,主要有网络吞吐量以及网络延时等。4,定义网络隐藏层类HiddenLayer,该类中定义隐藏神经元为6个.5,定义网络输出层类OutputLayer,以网络带宽占用率为输出结果。6,定义神经网络(NeuralNet)类,神经网络在神经层中组织神经元,且每个神经网络至少有两层,一个用来接收收入,一个用来处理输出,还有一个数量可变的隐含层。该类将前面定义的所有类组成一个人工神经网络结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (6)
1.一种基于BP神经网络预测的二分探测心跳间隔系统,其特征在于,包括:网络特征数据获取模块、网络拥塞程度预测模块以及心跳间隔动态调整模块;其中,
网络特征数据获取模块,用于从现有的一些公开数据集获取,或者通过WireShark在内的抓包软件对可以表征网络拥塞程度的数据进行获取;
网络拥塞程度预测模块,用于利用BP神经网络预测模型进行预测,将当前网络的衡量网络拥塞程度指标的数据参数作为BP网络预测模型的输入,将带宽占用率作为BP网络预测模型的输出,并且作为衡量网络拥塞程度的指标;
心跳间隔动态调整模块,根据网络拥塞程度预测模块预测的结果,利用二分法动态地调整客户端给服务器发送心跳包的时间间隔,心跳包指的是在客户端和服务器之间定时通知对方自己状态的一个自己定义的命令字,按照一定的时间间隔发送,类似于心跳;
所述心跳间隔动态调整模块,根据预测模块对网络拥塞程度的结果来结合二分法动态地调整心跳包的发送频率,具体调整过程为:
步骤1、根据大量数据可得不同运营商网络下的NAT超时时间T;
步骤2、计算T/2作为当前的心跳间隔进行测试,若失败则客户端重新连接服务器,并且心跳间隔减少为之前的一半;若成功则执行步骤3;
步骤3、根据当前网络流量情况并利用BP神经网络预测模型来计算下一阶段的网络情况,并且根据预测结果将网络情况分为更为通畅、一般通畅、比较拥塞三种分类;
步骤4、若结果为“一般通畅”,则利用当前心跳间隔作为最优心跳进入稳定阶段,若结果为“更为通畅”,则执行步骤5;若结果为“比较拥塞”,则执行步骤6;
步骤5、扩大心跳间隔,将NAT超时时间与当前心跳间隔作为执行二分的上下限,令T=上限-下限,执行步骤2;
步骤6、减小心跳间隔,将当前心跳间隔与0作为执行二分的上下限,令T=上限-下限,执行步骤2。
2.根据权利要求1所述的一种基于BP神经网络预测的二分探测心跳间隔系统,其特征在于,所述网络特征数据包括当前网络下的网络吞吐量、网络延时以及丢包率,其中网络吞吐量是指在没有帧丢失的情况下,设备能够接收并转发的最大数据速率;网络延时是指在传输介质中传输所用的时间,即从报文开始进入网络到它开始离开网络之间的时间;丢包率是指测试中所丢失数据包数量占所发送数据组的比率,计算方法是:“[(输入报文-输出报文)/输入报文]*100%”。
3.根据权利要求1或2所述的一种基于BP神经网络预测的二分探测心跳间隔系统,其特征在于,所述网络拥塞程度预测模块是基于BP神经网络搭建的预测模型,BP网络由输入层、隐层和输出层组成,隐层为一层或多层,神经元激活函数选用S型传递函数,其中x表示激活函数的输入,f(x)表示输入对应的输出;通过反传误差函数ti为期望输出、Oi为网络的计算输出,i表示神经元;不断调节网络权值和阈值使误差函数E达到预设值,其次输入层神经元个数设为3,其中输入属性有网络吞吐量、网络延时以及丢包率;输出层神经元个数设为1,将网络带宽占用率作为输出并同时作为网络拥塞的衡量指标,隐藏层神经元个数设为6,与此同时,学习率设为0.1,训练次数为1000。
4.根据权利要求3所述的一种基于BP神经网络预测的二分探测心跳间隔系统,其特征在于,所述隐层设计具体为:
按照以下经验公式选取隐层神经元个数;
激励函数的选取:
选择S型正切函数tansig作为隐层神经元的激励函数;而由于网络的输出归一到[-1,1]范围内,因此预测模型选取S型对数函数作为输出层神经元的激励函数;
将网络吞吐量、丢包率以及网络延时数据利用matlab的mapminmax函数进行归一化处理,并且将网络的学习速率设置为0.01,利用train方法对当前网络进行训练。
5.一种基于BP神经网络预测的二分探测心跳间隔方法,其特征在于,网络特征数据获取步骤、网络拥塞程度预测步骤以及心跳间隔动态调整步骤,其中,
网络特征数据获取步骤包括,从现有的一些公开数据集获取,或者通过WireShark抓包软件对数据进行获取;
网络拥塞程度预测步骤包括,利用BP神经网络预测模型进行预测,将当前网络的一些衡量网络拥塞程度指标的数据参数作为BP网络预测模型的输入,将带宽占用率作为BP网络预测模型的输出,并且作为衡量网络拥塞程度的唯一指标;
心跳间隔动态调整步骤包括,根据网络拥塞程度预测模块预测的结果,来利用二分法动态地调整客户端给服务器发送心跳包的时间间隔;具体调整过程为:
步骤1、根据大量数据可得不同运营商网络下的NAT超时时间T;
步骤2、计算T/2作为当前的心跳间隔进行测试,若失败则客户端重新连接服务器,并且心跳间隔减少为之前的一半;若成功则执行步骤3;
步骤3、根据当前网络流量情况并利用BP神经网络预测模型来计算下一阶段的网络情况,并且根据预测结果将网络情况分为更为通畅、一般通畅、比较拥塞三种分类;
步骤4、若结果为“一般通畅”,则利用当前心跳间隔作为最优心跳进入稳定阶段,若结果为“更为通畅”,则执行步骤5;若结果为“比较拥塞”,则执行步骤6;
步骤5、扩大心跳间隔,将NAT超时时间与当前心跳间隔作为执行二分的上下限,令T=上限-下限,执行步骤2;
步骤6、减小心跳间隔,将当前心跳间隔与0作为执行二分的上下限,令T=上限-下限,执行步骤2。
6.根据权利要求5所述的方法,其特征在于,在客户端开发的具体实现步骤为:1,定义神经元Neuron类,神经元类是神经网络模型代码的基础类,人工神经元有如下属性:
输入:input,权重:weight,输出:output;
2,定义NeuralLayer类,
在这个类中,将把在同一层中对齐的神经元分成一组;因为一层需要将值传递给另一层,也需要定义层与层之间的连接;
3,定义神经输入层类InputLayer,该层包含的属性就是预测需要的输入数据,主要有网络吞吐量以及网络延时;
4,定义网络隐藏层类HiddenLayer,该类中定义隐藏神经元为6个;
5,定义网络输出层类OutputLayer,以网络带宽占用率为输出结果;
6,定义神经网络NeuralNet类,神经网络在神经层中组织神经元,且每个神经网络至少有两层,一个用来接收输入,一个用来处理输出,还有一个数量可变的隐含层,该类将前面定义的所有类组成一个神经网络结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011387360.3A CN112671633B (zh) | 2020-12-01 | 2020-12-01 | 一种基于bp神经网络预测的二分探测心跳间隔系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011387360.3A CN112671633B (zh) | 2020-12-01 | 2020-12-01 | 一种基于bp神经网络预测的二分探测心跳间隔系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112671633A CN112671633A (zh) | 2021-04-16 |
CN112671633B true CN112671633B (zh) | 2022-08-23 |
Family
ID=75400789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011387360.3A Active CN112671633B (zh) | 2020-12-01 | 2020-12-01 | 一种基于bp神经网络预测的二分探测心跳间隔系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112671633B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114553778A (zh) * | 2022-02-25 | 2022-05-27 | 杭州网易云音乐科技有限公司 | 心跳控制方法及装置、存储介质、电子设备 |
CN114915569A (zh) * | 2022-05-06 | 2022-08-16 | 杭州小电科技股份有限公司 | 心跳智能控制方法、装置、电子装置和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102595648A (zh) * | 2011-12-31 | 2012-07-18 | 重庆邮电大学 | 一种基于ieee802.15.4的自适应csma/ca接入方法 |
CN103139008A (zh) * | 2011-11-23 | 2013-06-05 | 中兴通讯股份有限公司 | 检测报文心跳周期的自适应方法和装置 |
CN109347668A (zh) * | 2018-10-17 | 2019-02-15 | 网宿科技股份有限公司 | 一种服务质量评估模型的训练方法及装置 |
CN109359385A (zh) * | 2018-10-17 | 2019-02-19 | 网宿科技股份有限公司 | 一种服务质量评估模型的训练方法及装置 |
CN109711860A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 用户行为的预测方法及装置、存储介质、计算机设备 |
CN109948670A (zh) * | 2019-03-04 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 数据识别模型的训练方法及装置、数据处理方法及装置 |
CN110309758A (zh) * | 2019-06-26 | 2019-10-08 | 广州视源电子科技股份有限公司 | 心电信号特征提取方法、装置、计算机设备及存储介质 |
CN111142060A (zh) * | 2019-12-02 | 2020-05-12 | 国网浙江省电力有限公司 | 一种基于改进的bp神经网络的自适应阈值调整诊断方法 |
CN111314928A (zh) * | 2020-01-15 | 2020-06-19 | 南京航空航天大学 | 一种基于改进bp神经网络的无线自组网性能预测方法 |
CN111415025A (zh) * | 2019-01-06 | 2020-07-14 | 刘泰麟 | 一种赤潮等级预测的方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102843250B (zh) * | 2011-06-21 | 2018-01-19 | 中兴通讯股份有限公司 | 一种心跳周期的自适应方法和装置 |
CN104144159B (zh) * | 2014-06-26 | 2016-04-13 | 腾讯科技(深圳)有限公司 | 智能心跳保活方法及智能心跳保活系统 |
CN106535309B (zh) * | 2016-10-28 | 2019-11-15 | 珠海市魅族科技有限公司 | 一种保持网络连接的方法及装置 |
US11200142B2 (en) * | 2018-10-26 | 2021-12-14 | International Business Machines Corporation | Perform preemptive identification and reduction of risk of failure in computational systems by training a machine learning module |
CN111698098A (zh) * | 2019-03-15 | 2020-09-22 | 北京京东尚科信息技术有限公司 | 通信方法、装置和计算机可读存储介质 |
US11551058B2 (en) * | 2019-06-27 | 2023-01-10 | Intel Corporation | Wireless feedback control loops with neural networks to predict target system states |
CN110545315B (zh) * | 2019-08-14 | 2022-07-05 | 长沙理工大学 | 基于数据块数量变化以及带宽变化的心跳间隔调整方法 |
CN110958154B (zh) * | 2019-11-06 | 2021-12-24 | 长沙理工大学 | 一种基于节点热度的心跳间隔动态调整方法、装置及系统 |
-
2020
- 2020-12-01 CN CN202011387360.3A patent/CN112671633B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103139008A (zh) * | 2011-11-23 | 2013-06-05 | 中兴通讯股份有限公司 | 检测报文心跳周期的自适应方法和装置 |
CN102595648A (zh) * | 2011-12-31 | 2012-07-18 | 重庆邮电大学 | 一种基于ieee802.15.4的自适应csma/ca接入方法 |
CN109347668A (zh) * | 2018-10-17 | 2019-02-15 | 网宿科技股份有限公司 | 一种服务质量评估模型的训练方法及装置 |
CN109359385A (zh) * | 2018-10-17 | 2019-02-19 | 网宿科技股份有限公司 | 一种服务质量评估模型的训练方法及装置 |
CN109711860A (zh) * | 2018-11-12 | 2019-05-03 | 平安科技(深圳)有限公司 | 用户行为的预测方法及装置、存储介质、计算机设备 |
CN111415025A (zh) * | 2019-01-06 | 2020-07-14 | 刘泰麟 | 一种赤潮等级预测的方法 |
CN109948670A (zh) * | 2019-03-04 | 2019-06-28 | 腾讯科技(深圳)有限公司 | 数据识别模型的训练方法及装置、数据处理方法及装置 |
CN110309758A (zh) * | 2019-06-26 | 2019-10-08 | 广州视源电子科技股份有限公司 | 心电信号特征提取方法、装置、计算机设备及存储介质 |
CN111142060A (zh) * | 2019-12-02 | 2020-05-12 | 国网浙江省电力有限公司 | 一种基于改进的bp神经网络的自适应阈值调整诊断方法 |
CN111314928A (zh) * | 2020-01-15 | 2020-06-19 | 南京航空航天大学 | 一种基于改进bp神经网络的无线自组网性能预测方法 |
Non-Patent Citations (2)
Title |
---|
Robust Heartbeat Detection From Multimodal Data via CNN-Based Generalizable Information Fusion;B. S. Chandra;《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》;20180711;第2019年第66卷(第3期);全文 * |
一种维持物联网长连接的动态心跳机制的研究;邹云;《中国优秀硕士论文电子期刊网》;20200215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112671633A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112671633B (zh) | 一种基于bp神经网络预测的二分探测心跳间隔系统及方法 | |
US11018972B2 (en) | Method and apparatus for nomination of data transmission sink in network of gateways | |
EP4024763A1 (en) | Network congestion control method, node, system and storage medium | |
Al‐Qurabat et al. | Data gathering and aggregation with selective transmission technique to optimize the lifetime of Internet of Things networks | |
CN113379176A (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
AlQerm et al. | DeepEdge: A new QoE-based resource allocation framework using deep reinforcement learning for future heterogeneous edge-IoT applications | |
CN112672366A (zh) | 异构无线网络中基于个性化消费偏好的垂直切换系统 | |
CN113438681B (zh) | 网络切片的可行性评估方法、装置及计算设备 | |
CN113328953B (zh) | 网络拥塞调整的方法、装置和存储介质 | |
CN107734482A (zh) | 基于d2d和业务卸载的内容分发方法 | |
CN110881173B (zh) | 一种基于物联网的环境监测系统 | |
CN112383485A (zh) | 一种网络拥塞控制方法及装置 | |
US20230004776A1 (en) | Moderator for identifying deficient nodes in federated learning | |
Umoren et al. | Methodical Performance Modelling of Mobile Broadband Networks with Soft Computing Model | |
Liu et al. | Prediction of congestion degree for optical networks based on bp artificial neural network | |
Suárez et al. | ID3 and k-means based methodology for Internet of Things device classification | |
CN105450480B (zh) | 一种信息处理方法和装置 | |
CN113038118A (zh) | 一种基于大数据环境下的视频QoE预测系统及方法 | |
Bhooanusas et al. | Measurement-based IoT server selection for mobile edge computing | |
CN116915722B (zh) | 一种网络拥塞调节方法、装置、计算设备及可读存储介质 | |
Lakshmi et al. | Socialized Proficient Routing in Opportunistic Mobile Network Using Machine Learning Techniques. | |
Tehrani et al. | Multi-channel opportunistic spectrum access in unslotted primary systems with unknown models | |
CN110011929A (zh) | 一种改善网络拥塞现象的分布式预测控制方法 | |
CN117729113B (zh) | 一种智能电网的网络切换方法及相关设备 | |
CN114339857B (zh) | 超密集异构无线网络中基于网络相似性的垂直切换方法 |
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 |