CN113068129A - 基于轨迹预测的异构网络低时延切换方法及装置 - Google Patents

基于轨迹预测的异构网络低时延切换方法及装置 Download PDF

Info

Publication number
CN113068129A
CN113068129A CN202110324112.2A CN202110324112A CN113068129A CN 113068129 A CN113068129 A CN 113068129A CN 202110324112 A CN202110324112 A CN 202110324112A CN 113068129 A CN113068129 A CN 113068129A
Authority
CN
China
Prior art keywords
network
mobile terminal
model
position information
prediction
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
CN202110324112.2A
Other languages
English (en)
Inventor
林芝峰
杨浩圆
朱跃林
张洁
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.)
Industrial and Commercial Bank of China Ltd ICBC
Original Assignee
Industrial and Commercial Bank of China Ltd ICBC
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 Industrial and Commercial Bank of China Ltd ICBC filed Critical Industrial and Commercial Bank of China Ltd ICBC
Priority to CN202110324112.2A priority Critical patent/CN113068129A/zh
Publication of CN113068129A publication Critical patent/CN113068129A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
    • H04L63/1425—Traffic logging, e.g. anomaly detection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/14—Reselecting a network or an air interface
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/16—Performing reselection for specific purposes
    • H04W36/18—Performing reselection for specific purposes for allowing seamless reselection, e.g. soft reselection
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/08—Access restriction or access information delivery, e.g. discovery data delivery
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了一种基于轨迹预测的异构网络低时延切换方法及装置，涉及计算机智能网络领域，可应用于金融领域和其他领域，所述方法包含：获取处于第一网络覆盖范围内的移动终端的实时位置信息和网络流量信息；将所述实时位置信息带入根据判别式模型和生成式模型构建的预设轨迹预测模型进行轨迹预测，获得预测位置信息；将所述网络流量信息带入根据判别式模型构建的预设异常流量检测模型进行异常流量识别，获得识别结果；根据所述识别结果和所述预测位置信息向第二网络提供所述移动终端的入网申请。由此，有效地降低了移动终端网络切换造成的时间延迟，保证5G网点的关键业务请求及时、安全地得到响应。

Description

基于轨迹预测的异构网络低时延切换方法及装置
技术领域
本发明涉及计算机智能网络领域，可应用于金融领域和其他领域，尤指一种基于轨迹预测的异构网络低时延切换方法及装置。
背景技术
依托5G技术，银行智慧网点将人工智能、全息投影、VR/AR、大数据等新科技，应用于迎宾识别、互动体验、展示销售、业务办理等客户全旅程服务，直接实现了无人银行从1.0到3.0的飞跃。刷脸支付、刷脸取款、魔镜展示、VR体验等新型业务使得客户可以直观地体验便捷、高效、智能的金融服务。在5G智慧网点建设过程中，逐渐形成以5G网络为核心，多种网络制式共存的网点异构网络环境，如WiFi、蓝牙、UWB等。在异构网络环境中，移动终端，如智能机器人、手持自助终端和移动手机等，在移动过程中常常会进行网络的切换，如WiFi网络切换成5G、5G网络切换为WiFi网络等，而切换过程中通常伴随着入网指令、入网验证等操作时延，较高的时延会造成明显的卡顿感，甚至影响银行业务的正常办理，降低客户在智能网点的用户体验。
近年来，在轨迹预测方面的相关研究，较为传统的方法有基于速度和加速度计算的位置预测方法，但是传统的牛顿定律无法准确预测，例如行人走动、城市中车流运动等无规律的运动。相比使用运动学规律进行预测，基于语义的位置预测有着较大的优势，如基于GPS的停留点语义化算法和“热区”挖掘算法，重点关注了用户在当前位置当前时间的语义信息；HMTP算法利用隐马尔可夫对目标的活动转移进行建模，可以提高轨迹预测的准确性，但是这些算法对先验知识和历史数据有着较高的要求。神经网络在轨迹预测也有相关的研究和应用，如循环神经网络，综合时间信息和空间信息的ST-RNN网络等，但是这些网络模型较少地考虑移动目标之间的相互影响，对室内行人轨迹预测的准确度比较低。在网络研究方面，随着SDN软件定义网络的诞生与兴起，越来越多的学者和机构开始研究并且应用SDN技术。其中OpenFlow作为使用最广泛的SDN实现技术，在与无线网络结合的研究中获得了广泛的关注，它以可编程、集中控制的优势，使得传统网络难以实现的特性成为现实。
有基于此，业内亟需一种更为高效的异构网络低时延切换方案。
发明内容
本发明目的在于提供一种基于轨迹预测的异构网络低时延切换方法及装置，通过轨迹预测模型对移动终端进行位置预测，并根据预测位置信息对移动终端提前进行入网指令、入网安全验证等操作，有效地降低了移动终端网络切换造成的时间延迟，保证5G网点的关键业务请求及时、安全地得到响应。
为达上述目的，本发明所提供的基于轨迹预测的异构网络低时延切换方法，所述方法包含：获取处于第一网络覆盖范围内的移动终端的实时位置信息和网络流量信息；将所述实时位置信息带入根据判别式模型和生成式模型构建的预设轨迹预测模型进行轨迹预测，获得预测位置信息；将所述网络流量信息带入根据判别式模型构建的预设异常流量检测模型进行异常流量识别，获得识别结果；根据所述识别结果和所述预测位置信息向第二网络提供所述移动终端的入网申请。
在上述基于轨迹预测的异构网络低时延切换方法中，优选的，获取移动终端在第一网络覆盖范围内的实时位置信息包含：通过三个或三个以上的基站，利用UWB定位技术获取所述移动终端在第一网络覆盖范围内实时位置信息。
在上述基于轨迹预测的异构网络低时延切换方法中，优选的，获取移动终端在第一网络覆盖范围内的网络流量信息包含：通过SDN获取移动终端在第一网络覆盖范围内的网络流量信息。
在上述基于轨迹预测的异构网络低时延切换方法中，优选的，根据判别式模型和生成式模型构建的预设轨迹预测模型包含：获取移动终端在第一网络覆盖范围内的历史轨迹数据；通过LSTM编码器、池化器和LSTM解码器构建生成式模型，利用所述历史轨迹数据和随机噪声通过所述生成式模型生成模拟数据；通过所述判别式模型分析判断所述模拟数据和所述历史轨迹数据，根据判断结果训练调整所述生成式模型获得轨迹预测模型。
在上述基于轨迹预测的异构网络低时延切换方法中，优选的，根据所述识别结果和所述预测位置信息向第二网络提供所述移动终端的入网申请包含：当所述识别结果高于预设阈值时，分析所述预测位置信息；当所述预测位置信息中所述移动终端进入第二网络覆盖范围内时，向第二网络提供所述移动终端的入网申请。
本发明还提供一种基于轨迹预测的异构网络低时延切换装置，所述装置包含：定位网络模块、轨迹预测模块、安全验证模块和入网切换模块；所述定位网络模块用于获取处于第一网络覆盖范围内的移动终端的实时位置信息；所述轨迹预测模块用于将所述实时位置信息带入根据判别式模型和生成式模型构建的预设轨迹预测模型进行轨迹预测，获得预测位置信息；所述安全验证模块用于获取处于第一网络覆盖范围内的移动终端的网络流量信息，将所述网络流量信息带入根据判别式模型构建的预设异常流量检测模型进行异常流量识别，获得识别结果；所述入网切换模块用于根据所述识别结果和所述预测位置信息向第二网络提供所述移动终端的入网申请。
在上述基于轨迹预测的异构网络低时延切换装置中，优选的，所述定位网络模块为UWB定位网络模块，所述UWB定位网络模块用于通过三个或三个以上的基站，利用UWB定位技术获取所述移动终端在第一网络覆盖范围内实时位置信息。
在上述基于轨迹预测的异构网络低时延切换装置中，优选的，所述安全验证模块还包含：通过SDN获取移动终端在第一网络覆盖范围内的网络流量信息。
在上述基于轨迹预测的异构网络低时延切换装置中，优选的，所述轨迹预测模块还包含模型构建单元，所述模型构建单元用于获取移动终端在第一网络覆盖范围内的历史轨迹数据；通过LSTM编码器、池化器和LSTM解码器构建生成式模型，利用所述历史轨迹数据和随机噪声通过所述生成式模型生成模拟数据；通过所述判别式模型分析判断所述模拟数据和所述历史轨迹数据，根据判断结果训练调整所述生成式模型获得轨迹预测模型。
在上述基于轨迹预测的异构网络低时延切换装置中，优选的，所述入网切换模块包含：当所述识别结果高于预设阈值时，分析所述预测位置信息；当所述预测位置信息中所述移动终端进入第二网络覆盖范围内时，向第二网络提供所述移动终端的入网申请。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
本发明的有益技术效果在于：针对现在轨迹预测模型较少地考虑室内轨迹的预测，且预测算法中较少地考虑移动目标之间的相互影响，本发明基于UWB高精度室内定位，提出了一种LSTM+GAN的轨迹预测模型，结合SDN的控制层数据层分离、全局网络拓扑视图等优点和轨迹预测的结果对移动终端进行提前入网，缩短具体的切换时延；同时，使用UWB定位技术，定位误差能够达到cm级别；结合LSTM在序列处理的优势和GAN模型博弈原则，使得位置预测模型能够考虑到其他单位的影响。
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，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地介绍，显而易见地，下面描述中的附图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他的附图。
图1为本发明一实施例所提供的基于轨迹预测的异构网络低时延切换方法的流程示意图；
图2A和图2B为本发明一实施例所提供的网络切换示意图；
图3为本发明一实施例所提供的基于轨迹预测的异构网络低时延切换方法的应用示意图；
图4为本发明一实施例所提供的UWB定位网络的原理示意图；
图5为本发明一实施例所提供的轨迹预测模型的构建流程示意图；
图6为本发明一实施例所提供的LSTM+GAN流量预测模型的原理示意图；
图7为本发明一实施例所提供的编码器、池化器和解码器结构的结构示意图；
图8为本发明一实施例所提供的GAN异常流量检测模型的结构示意图；
图9为本发明一实施例所提供的基于轨迹预测的异构网络低时延切换装置的结构示意图；
图10为本发明一实施例所提供的电子设备的结构示意图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。
另外，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
请参考图1所示，本发明所提供的基于轨迹预测的异构网络低时延切换方法，所述方法包含：
S101获取处于第一网络覆盖范围内的移动终端的实时位置信息和网络流量信息；
S102将所述实时位置信息带入根据判别式模型和生成式模型构建的预设轨迹预测模型进行轨迹预测，获得预测位置信息；
S103将所述网络流量信息带入根据判别式模型构建的预设异常流量检测模型进行异常流量识别，获得识别结果；
S104根据所述识别结果和所述预测位置信息向第二网络提供所述移动终端的入网申请。
具体的，实际工作中基于轨迹预测的异构网络低时延切换方法的应用流程请参考图3所示，详细展示了移动终端从进入网络开始，发生了如图2A和图2B所示的切换行为，到最后成功切换网络的具体后台算法流程，具体步骤将在后续实施例中逐一说明，在此就不再一一详述。
传统的RFID技术通过标签和阅读器完成定位，标签以被动或者主动的方式向阅读器发送标签的唯一标识信息，阅读器接收标识信息并解码，得到标签的位置信息；U位定位技术，智能电子标签与定位目标绑定后，经过交换机的网络连接，将位置通过SmarRack中间件发送至服务器，这两类定位技术适用于移动性弱的定位目标，如服务器、库房中物件等，不适用于移动性较强的移动终端。蓝牙、WiFi、LoRa和ZigBee大都基于RSSI进行定位，区别在于使用不同的频段和不同的组网方式，在实际网络搭建验证中，WiFi、蓝牙和ZigBee拥有相仿的定位精度，但是都使用2.4GHz的频段，容易造成相互干扰，且WiFi定位网络也容易与Wifi通讯网相互干扰，LoRa拥有最大的定位范围，能够覆盖半径1～2km园区，郊区甚至可以覆盖20km，但是LoRa的定位精度为50～100m；UWB则是以UWB测距技术为基础进行定位，拥有更高的单网接入容量和定位精度，对于智慧网点具有较高适用性。为此，在本发明一实施例中，获取移动终端在第一网络覆盖范围内的实时位置信息可包含：通过三个或三个以上的基站，利用UWB定位技术获取所述移动终端在第一网络覆盖范围内实时位置信息。具体的，请参考图2A所示，5G网络切换为WiFi网络过程中，所示移动终端的所处网络环境中，被5G蜂窝网络、无线WiFi网络A、无线WiFi网络B和UWB定位网络覆盖，不同网络彼此交织，其中WiFi网络和UWB定位网络都处在5G蜂窝网络的覆盖范围中，WiFi网络A和WiFi网络B相互有所交叉，模拟了一种较为接近真实的网络环境。如图2B所示是不同WiFi网络之间的切换，移动终端在图2A和图2B所示网络环境中的网络切换行为是普遍存在的，且网络类型不局限于所示的5G和WiFi，本发明同样适用于其他通讯网络之间的切换，如LoRa、蓝牙、ZigBee等。
在上述实施例中，定位技术是本发明的基础，也是准确地进行轨迹预测和网络切换的先决条件。根据本发明对于市面上定位技术的原理和实际测试的结果，本发明采用UWB定位技术。UWB测距是UWB定位技术的基础，本发明利用双向测距与无线电波的传播速度进行测距，如图4所示通过计算信号在移动终端和UWB基站之间的飞行时间来测量之间的距离。移动终端和基站在启动的时候会分别初始化独立的时间戳Tbase1和Tterminal，在Tbase1上的a1时刻，基站发射距离请求的信号s1；在Tterminal上的b1时刻，移动终端接收到请求信号s1并在b2时刻发射距离响应的信号s2；最终基站在Tbase1上的a2时刻接收到信号s2。由以下可以计算出信号s1,s2在移动终端和基站之间的总飞行时间，从而确定飞行距离。
a2-a1＝b2-b1+2Tf；
D1＝c×Tf；
其中a1,a2,b1,b2是对应的时间戳，Tf是飞行时间，D1为飞行距离，即移动终端与基站的距离；由三个基站所得到D1、D2、D3最终可以确定移动终端的位置。获取到的移动终端实时位置信息，可以作为输入发送到轨迹预测模型中获取预测的轨迹数据，同时也存储在终端轨迹数据库作为轨迹预测模型的训练数据。
请参考图5所示，在本发明一实施例中，根据判别式模型和生成式模型构建的预设轨迹预测模型包含：
S501获取移动终端在第一网络覆盖范围内的历史轨迹数据；
S502通过LSTM编码器、池化器和LSTM解码器构建生成式模型，利用所述历史轨迹数据和随机噪声通过所述生成式模型生成模拟数据；
S503通过所述判别式模型分析判断所述模拟数据和所述历史轨迹数据，根据判断结果训练调整所述生成式模型获得轨迹预测模型。
在实际工作中，LSTM是一种改进的RNN网络，擅长利用时间序列数据之间的非线性关系；它用LSTM细胞替换隐藏的RNN细胞层，增加了长期记忆的状态，防止了训练过程中的梯度消失。GAN为对抗生成网络，利用博弈论的思想，使得判别式模型和生成式模型在训练过程终端相互对抗，判别式模型尽可能识别出生成式模型生成的预测轨迹，而生成式模型则尽可能生成无法被判别式模型正确识别的轨迹，最终得到的生成式模型能够生成更为贴近实际的预测轨迹。
具体的，LSTM+GAN轨迹预测模型以对抗生成网络GAN为基础框架，如图6所示GAN的架构基础是判别式模型和生成式模型。判别式模型计算的是条件概率分布，P(x|y)，即事件y发生时，发生事件x的概率，判别式模型负责判断生成的数据是否为真实数据。而生成式模型计算的是联合概率分布，P(x,y)＝P(x|y)×P(y)，即事件x和y同时发生的概率，生成式模型负责不断生成数据分布。两个模型相互对抗，通过如下优化目标公式共同学习到最优状态。
Figure BDA0002993899890000071
其中，D是判别器模型，G是生成器模型，x代表真实的轨迹数据，pdata代表真实数据概率密度分布，z代表随机高斯噪声。判别式模型D的目的是正确区分虚假数据和正式数据，使D(x)尽可能大，而使D(G(z))尽可能小，即V(D,G)尽可能大。而生成器G的目的是使生成的虚假数据G(z)可以让判别式模型发生误判，从而增大D(G(z))的值，减小V(D,G)的值。当优化目标公式趋于稳定值的时候，意味着两个模型共同学习到了最优状态。
轨迹预测模型利用训练完成的生成式模型进行轨迹预测，如图7虚线圆圈所示。因此本发明重点关注生成器的模型结构，生成器采用编码器-解码器框架，包括LSTM编码器，池化器和LSTM解码器三个主要部分。
其中，编码器：
LSTM编码器具体处理流程如图7左边方框所示，主要包括一个全连接层和一个LSTM网络，编码器主要将原始数据处理并载入LSTM网络，输出het供池化器使用。具体介绍如下：为了方便进行大量轨迹的存储，UWB收集的位置信息按照帧编码、终端编号、横坐标信息和总左边信息处理。位置预测模型参数主要包括：观察序列长度、预测序列长度、每个batch中的样本数量、输入数据的特征数量，即输入数据的维度、隐藏状态h的特征数量、循环网络中LSTM的层数。数据预处理：数据预处理主要对每个轨迹序列进行处理，在原始数据中截取出若干个固定帧数的片段集，并且要求每个片段集中不同终端的个数大于1，即每个片段至少需要有2个不同的终端；为更好的进行训练，将终端轨迹分为不同的batch,每个batch有若干轨迹集。全连接层：数据预处理之后得到移动终端的当前帧相对于上一帧的坐标变化。全连接层的参数为2×inputsize，其中inputsize为输入数据的特征数量，全连接层的输入数据为[obslen×N,2]，其中obslen为观序列的长度，N可以由以下参数算出，全连接层的输出则为[[obslen×N,inputsize]。
Figure BDA0002993899890000081
其中，ternum_i指batch中第i个轨迹集的终端数量，batchsize为batch的尺寸。
维度变换：全连接层之后还需要加入维度变换，将[obslen×N,inputsize]变换成3维的数据，其格式为[obslen,N,inputsize]。LSTM编码器网络，编码器LSTM网络在t时刻的输出het，格式为[layersnum,N,hiddensize]，其中，layersnum为LSTM细胞层数，hiddensize为隐藏状态的特征数量，其值由如下公式计算所得。
het＝LSTMencoder(he(t-1),eet；Wencoder)
其中，he(t-1)是上一帧的隐藏层输出，eet为经过维度变化之后输入到编码器LSTM网络的数据，Wencoder为编码器LSTM网络中的权重。
池化器：
池化器的处理流程如图7中间方框所示，将batchsize个轨迹集和编码器的输出结果het传递到池化器中，池化器能够给轨迹集中的终端一个紧凑的表示，它能够注意到终端之间的相互影响。池化器主要对编码器的het进行全连接和池化操作，最后得到hdt。具体介绍如下：维度变换和repeat操作：将轨迹集的最终位置坐标提取出，得到[n,2]的最终位置矩阵，n为该轨迹集中终端的数量，然后对最终位置矩阵进行两次不同的repeat操作，[n,2]进行repeat操作后将得到将两个不同的[n×n,2]矩阵，相减得到[n×n,2]的不同轨迹的最终位置相对坐标矩阵。全连接层处理：将不同轨迹的最终位置相对坐标矩阵输入到2×16的全连接层，得到[n×n,16]的相对坐标信息P；het进行维度变换之后，使用类似的repeat操作得到[n×n,32]的数据。池化：将相对信息坐标和全连接层处理后的数据合并得到[n×n,48]的矩阵，输入到48×512×8的全连接层得到[n×n,8]，经过池化后得到[n,8]的数据。将batchsize个轨迹集得到的数据合并得到[N,8]的池化结果。全连接层处理和Relu：将池化后的结果和het维度变换后合并得到[N,40]，经过40×64×24的全连接层和Relu激活函数后得到hdt。
解码器：
将相关数据参数和池化器的结果输入到解码器中，解码器的结构如图7右边方框所示，通过输入最近一帧的位置变化，输出预测的每一帧相对于上一帧的位置变化数据。具体介绍如下：
全连接层处理和维度变换：最近一帧的位置变化格式为[N,2]，经过2×16的全连接和维度变换得到LSTM的输入。
LSTM解码器网络：解码器LSTM网络中细胞状态和隐藏状态格式都为[1,N,32]，得到hd(t+1)，格式为[1,N,32]，经过维度变换得到[N,32]的输出，最后经过32×2的全连接层得到预测输出ppre，具体公式如下：
hd(t+1)＝LSTMdecoder(hdt,edt；Wdecoder)
ppre＝φ(hd(t+1))
其中，φ是全连接层的嵌入函数，Wdecoder是解码器LSTM网络的权重。
得到预测轨迹之后，可以根据预测位置信息对移动终端进行提前入网申请，以降低实际切换网络的时间延迟。在智慧网点场景中，为了网络安全考虑，本发明在入网申请之前会对移动终端的流量进行异常流量检测，只有被异常流量检测模型识别为安全流量，才能进行入网指令的发送和实现网络的切换，防止恶意流量入侵银行系统。为此，在本发明一实施例中，获取移动终端在第一网络覆盖范围内的网络流量信息包含：通过SDN获取移动终端在第一网络覆盖范围内的网络流量信息。进一步的，根据所述识别结果和所述预测位置信息向第二网络提供所述移动终端的入网申请包含：当所述识别结果高于预设阈值时，分析所述预测位置信息；当所述预测位置信息中所述移动终端进入第二网络覆盖范围内时，向第二网络提供所述移动终端的入网申请。由此，通过SDN对用户的流量进行捕捉，提取出IP地址，源端口，目的IP地址，目的端口和传输层协议五元组信息、流量间隔时间、数据包大小等信息，利用与步骤2类似的GAN模型，训练出能准确识别异常、不安全流量的判别式模型。通过异常流量检测、黑白名单控制等安全验证之后，提前进行入网申请，有效地缩短切换时间延迟。
具体的，请参考图8所示，异常流量检测模型同样基于GAN生成对抗网络，与轨迹预测模型的不同之处在于异常流量检测模型的使用判别式模型对异常流量进行判别，如图8虚线圆框所示，且不需要LSTM作为编码器和解码器。判别器的主要功能就是对生成的流量进行打分，以判断流量是真实的流量还是生成的异常预测轨迹。其网络结构与生成器网络一样，不同的是增加了一个全连接层，该全连接层输出是否为正常流量的概率，当高于某个阈值时便认为该流量为正常流量，如果低于某个阈值，拒绝该终端的网络切换请求，防止异常流量侵入正常的网点业务网络。如果被识别为正常流量，则根据需要切换的网络，匹配相对应的入网指令集，在移动终端成功切换到目标网络之后，发送相关退网指令到之前的网络，至此，算法流程结束。
请参考图9所示，本发明还提供一种基于轨迹预测的异构网络低时延切换装置，所述装置包含：定位网络模块、轨迹预测模块、安全验证模块和入网切换模块；所述定位网络模块用于获取处于第一网络覆盖范围内的移动终端的实时位置信息；所述轨迹预测模块用于将所述实时位置信息带入根据判别式模型和生成式模型构建的预设轨迹预测模型进行轨迹预测，获得预测位置信息；所述安全验证模块用于获取处于第一网络覆盖范围内的移动终端的网络流量信息，将所述网络流量信息带入根据判别式模型构建的预设异常流量检测模型进行异常流量识别，获得识别结果；所述入网切换模块用于根据所述识别结果和所述预测位置信息向第二网络提供所述移动终端的入网申请。
在上述实施例中，所述定位网络模块为UWB定位网络模块，所述UWB定位网络模块用于通过三个或三个以上的基站，利用UWB定位技术获取所述移动终端在第一网络覆盖范围内实时位置信息。所述安全验证模块还包含：通过SDN获取移动终端在第一网络覆盖范围内的网络流量信息。所述轨迹预测模块还包含模型构建单元，所述模型构建单元用于获取移动终端在第一网络覆盖范围内的历史轨迹数据；通过LSTM编码器、池化器和LSTM解码器构建生成式模型，利用所述历史轨迹数据和随机噪声通过所述生成式模型生成模拟数据；通过所述判别式模型分析判断所述模拟数据和所述历史轨迹数据，根据判断结果训练调整所述生成式模型获得轨迹预测模型。所述入网切换模块包含：当所述识别结果高于预设阈值时，分析所述预测位置信息；当所述预测位置信息中所述移动终端进入第二网络覆盖范围内时，向第二网络提供所述移动终端的入网申请。上述各模块及单元的具体实现方式已在前述实施例中详细说明，在此就不再一一详举。
本发明的有益技术效果在于：针对现在轨迹预测模型较少地考虑室内轨迹的预测，且预测算法中较少地考虑移动目标之间的相互影响，本发明基于UWB高精度室内定位，提出了一种LSTM+GAN的轨迹预测模型，结合SDN的控制层数据层分离、全局网络拓扑视图等优点和轨迹预测的结果对移动终端进行提前入网，缩短具体的切换时延；同时，使用UWB定位技术，定位误差能够达到cm级别；结合LSTM在序列处理的优势和GAN模型博弈原则，使得位置预测模型能够考虑到其他单位的影响。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述方法的计算机程序。
如图10所示，该电子设备600还可以包括：通信模块110、输入单元120、音频处理单元130、显示器160、电源170。值得注意的是，电子设备600也并不是必须要包括图10中所示的所有部件；此外，电子设备600还可以包括图10中没有示出的部件，可以参考现有技术。
如图10所示，中央处理器100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器100接收输入并控制电子设备600的各个部件的操作。
其中，存储器140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器100可执行该存储器140存储的该程序，以实现信息存储或处理等。
输入单元120向中央处理器100提供输入。该输入单元120例如为按键或触摸输入装置。电源170用于向电子设备600提供电力。显示器160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器140还可以是某种其它类型的装置。存储器140包括缓冲存储器141(有时被称为缓冲器)。存储器140可以包括应用/功能存储部142，该应用/功能存储部142用于存储应用程序和功能程序或用于通过中央处理器100执行电子设备600的操作的流程。
存储器140还可以包括数据存储部143，该数据存储部143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器140的驱动程序存储部144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块110即为经由天线111发送和接收信号的发送机/接收机110。通信模块(发送机/接收机)110耦合到中央处理器100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)110还经由音频处理器130耦合到扬声器131和麦克风132，以经由扬声器131提供音频输出，并接收来自麦克风132的音频输入，从而实现通常的电信功能。音频处理器130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器130还耦合到中央处理器100，从而使得可以通过麦克风132能够在本机上录音，且使得可以通过扬声器131来播放本机上存储的声音。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种基于轨迹预测的异构网络低时延切换方法，其特征在于，所述方法包含：
获取处于第一网络覆盖范围内的移动终端的实时位置信息和网络流量信息；
将所述实时位置信息带入根据判别式模型和生成式模型构建的预设轨迹预测模型进行轨迹预测，获得预测位置信息；
将所述网络流量信息带入根据判别式模型构建的预设异常流量检测模型进行异常流量识别，获得识别结果；
根据所述识别结果和所述预测位置信息向第二网络提供所述移动终端的入网申请。
2.根据权利要求1所述的基于轨迹预测的异构网络低时延切换方法，其特征在于，获取移动终端在第一网络覆盖范围内的实时位置信息包含：
通过三个或三个以上的基站，利用UWB定位技术获取所述移动终端在第一网络覆盖范围内实时位置信息。
3.根据权利要求1所述的基于轨迹预测的异构网络低时延切换方法，其特征在于，获取移动终端在第一网络覆盖范围内的网络流量信息包含：
通过SDN获取移动终端在第一网络覆盖范围内的网络流量信息。
4.根据权利要求1所述的基于轨迹预测的异构网络低时延切换方法，其特征在于，根据判别式模型和生成式模型构建的预设轨迹预测模型包含：
获取移动终端在第一网络覆盖范围内的历史轨迹数据；
通过LSTM编码器、池化器和LSTM解码器构建生成式模型，利用所述历史轨迹数据和随机噪声通过所述生成式模型生成模拟数据；
通过所述判别式模型分析判断所述模拟数据和所述历史轨迹数据，根据判断结果训练调整所述生成式模型获得轨迹预测模型。
5.根据权利要求1所述的基于轨迹预测的异构网络低时延切换方法，其特征在于，根据所述识别结果和所述预测位置信息向第二网络提供所述移动终端的入网申请包含：
当所述识别结果高于预设阈值时，分析所述预测位置信息；
当所述预测位置信息中所述移动终端进入第二网络覆盖范围内时，向第二网络提供所述移动终端的入网申请。
6.一种基于轨迹预测的异构网络低时延切换装置，其特征在于，所述装置包含：定位网络模块、轨迹预测模块、安全验证模块和入网切换模块；
所述定位网络模块用于获取处于第一网络覆盖范围内的移动终端的实时位置信息；
所述轨迹预测模块用于将所述实时位置信息带入根据判别式模型和生成式模型构建的预设轨迹预测模型进行轨迹预测，获得预测位置信息；
所述安全验证模块用于获取处于第一网络覆盖范围内的移动终端的网络流量信息，将所述网络流量信息带入根据判别式模型构建的预设异常流量检测模型进行异常流量识别，获得识别结果；
所述入网切换模块用于根据所述识别结果和所述预测位置信息向第二网络提供所述移动终端的入网申请。
7.根据权利要求6所述的基于轨迹预测的异构网络低时延切换装置，其特征在于，所述定位网络模块为UWB定位网络模块，所述UWB定位网络模块用于通过三个或三个以上的基站，利用UWB定位技术获取所述移动终端在第一网络覆盖范围内实时位置信息。
8.根据权利要求6所述的基于轨迹预测的异构网络低时延切换装置，其特征在于，所述安全验证模块还包含：通过SDN获取移动终端在第一网络覆盖范围内的网络流量信息。
9.根据权利要求6所述的基于轨迹预测的异构网络低时延切换装置，其特征在于，所述轨迹预测模块还包含模型构建单元，所述模型构建单元用于获取移动终端在第一网络覆盖范围内的历史轨迹数据；通过LSTM编码器、池化器和LSTM解码器构建生成式模型，利用所述历史轨迹数据和随机噪声通过所述生成式模型生成模拟数据；通过所述判别式模型分析判断所述模拟数据和所述历史轨迹数据，根据判断结果训练调整所述生成式模型获得轨迹预测模型。
10.根据权利要求6所述的基于轨迹预测的异构网络低时延切换装置，其特征在于，所述入网切换模块包含：当所述识别结果高于预设阈值时，分析所述预测位置信息；当所述预测位置信息中所述移动终端进入第二网络覆盖范围内时，向第二网络提供所述移动终端的入网申请。
11.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一所述方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至5任一所述方法的计算机程序。
CN202110324112.2A 2021-03-26 2021-03-26 基于轨迹预测的异构网络低时延切换方法及装置 Pending CN113068129A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110324112.2A CN113068129A (zh) 2021-03-26 2021-03-26 基于轨迹预测的异构网络低时延切换方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110324112.2A CN113068129A (zh) 2021-03-26 2021-03-26 基于轨迹预测的异构网络低时延切换方法及装置

Publications (1)

Publication Number Publication Date
CN113068129A true CN113068129A (zh) 2021-07-02

Family

ID=76563865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110324112.2A Pending CN113068129A (zh) 2021-03-26 2021-03-26 基于轨迹预测的异构网络低时延切换方法及装置

Country Status (1)

Country Link
CN (1) CN113068129A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113993172A (zh) * 2021-10-24 2022-01-28 河南大学 一种基于用户移动行为预测的超密集网络切换方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130208696A1 (en) * 2010-06-22 2013-08-15 Telefonaktiebolaget L M Ericsson (Publ) Pre-emptive access network switching
CN104066134A (zh) * 2014-05-26 2014-09-24 河南省尖端智能控制技术有限公司 一种WiFi网络多接入点无缝切换方法
CN108199906A (zh) * 2018-02-07 2018-06-22 深圳市风云实业有限公司 一种sdn构架中异常流量处理方法、装置和用户终端
CN108737959A (zh) * 2018-05-25 2018-11-02 西安邮电大学 基于精密单点定位的5g超密集网络切换方法
CN111428763A (zh) * 2020-03-17 2020-07-17 陕西师范大学 一种基于场景约束gan的行人轨迹预测方法
CN111930110A (zh) * 2020-06-01 2020-11-13 西安理工大学 一种结合社会生成对抗网络的意图轨迹预测方法
CN112069889A (zh) * 2020-07-31 2020-12-11 北京信息科技大学 民航飞行器轨迹预测方法、电子设备及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130208696A1 (en) * 2010-06-22 2013-08-15 Telefonaktiebolaget L M Ericsson (Publ) Pre-emptive access network switching
CN104066134A (zh) * 2014-05-26 2014-09-24 河南省尖端智能控制技术有限公司 一种WiFi网络多接入点无缝切换方法
CN108199906A (zh) * 2018-02-07 2018-06-22 深圳市风云实业有限公司 一种sdn构架中异常流量处理方法、装置和用户终端
CN108737959A (zh) * 2018-05-25 2018-11-02 西安邮电大学 基于精密单点定位的5g超密集网络切换方法
CN111428763A (zh) * 2020-03-17 2020-07-17 陕西师范大学 一种基于场景约束gan的行人轨迹预测方法
CN111930110A (zh) * 2020-06-01 2020-11-13 西安理工大学 一种结合社会生成对抗网络的意图轨迹预测方法
CN112069889A (zh) * 2020-07-31 2020-12-11 北京信息科技大学 民航飞行器轨迹预测方法、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李英冰等: "《嵌入式系统原理与实际 基于Cortex-M3（STM32）（下册）》", 31 July 2020 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113993172A (zh) * 2021-10-24 2022-01-28 河南大学 一种基于用户移动行为预测的超密集网络切换方法
CN113993172B (zh) * 2021-10-24 2022-10-25 河南大学 一种基于用户移动行为预测的超密集网络切换方法

Similar Documents

Publication Publication Date Title
Chen et al. An edge traffic flow detection scheme based on deep learning in an intelligent transportation system
Tong et al. Artificial intelligence for vehicle-to-everything: A survey
Zhou et al. Two-layer federated learning with heterogeneous model aggregation for 6g supported internet of vehicles
CN109919251B (zh) 一种基于图像的目标检测方法、模型训练的方法及装置
CN110443190B (zh) 一种对象识别方法和装置
Wei et al. Survey of connected automated vehicle perception mode: from autonomy to interaction
Liu et al. Edge-assisted vehicle mobility prediction to support V2X communications
CN106297233B (zh) 一种信息传输方法及设备
CN112233428B (zh) 车流量预测方法、装置、存储介质及设备
Huang et al. Distributed-neuron-network based machine learning on smart-gateway network towards real-time indoor data analytics
CN113068129A (zh) 基于轨迹预测的异构网络低时延切换方法及装置
CN116859931A (zh) 轨迹规划模型的训练方法、车辆控制方式及装置
CN113269279B (zh) 一种多媒体内容分类方法和相关装置
US20240104679A1 (en) Identity Management
Han et al. DP-Authentication: A novel deep learning based drone pilot authentication scheme
KR102200601B1 (ko) 교통 정보 수집을 위한 방법 및 이를 위한 장치
Fu et al. Digital twin for pedestrian safety warning at a single urban traffic intersection
Ma et al. Vehicle-based machine vision approaches in intelligent connected system
WO2011032781A1 (en) Method and apparatus for configuring a motion simulation device
Li et al. An Empirical Study on GAN‐Based Traffic Congestion Attack Analysis: A Visualized Method
CN113837977B (zh) 对象跟踪方法、多目标跟踪模型训练方法及相关设备
KR20150085183A (ko) 교통 정보 수집을 위한 방법, 이를 위한 장치 및 교통 정보 수집 시스템
Wu et al. Vehicle trajectory prediction models by combining communication data
Lv et al. Objects perceptibility prediction model based on machine learning for V2I communication load reduction
CN118298251B (zh) 基于多数据源目标检测模型的图像识别方法及装置

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: 20210702

RJ01 Rejection of invention patent application after publication