CN113473515A - 一种工业无线网络可靠性评估方法 - Google Patents

一种工业无线网络可靠性评估方法 Download PDF

Info

Publication number
CN113473515A
CN113473515A CN202110604433.8A CN202110604433A CN113473515A CN 113473515 A CN113473515 A CN 113473515A CN 202110604433 A CN202110604433 A CN 202110604433A CN 113473515 A CN113473515 A CN 113473515A
Authority
CN
China
Prior art keywords
model
training
wireless network
evaluation
network
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
CN202110604433.8A
Other languages
English (en)
Inventor
孙丹枫
邬惠峰
赵建勇
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202110604433.8A priority Critical patent/CN113473515A/zh
Publication of CN113473515A publication Critical patent/CN113473515A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • 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

Landscapes

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

Abstract

本发明公开了一种工业无线网络可靠性评估方法，包括以下步骤：S1，进行云端训练和模型管理；S2，构建边缘无线设备的评估模型；所述云端为可进行网络构建、训练、部署和管理的设备。本发明可以进行多链路的设备无线状态评估以及整个系统的评估，并且设备无线状态评估中还能进行多任务学习，同时执行多个任务，提高实时性，以及更好的满足工业应用的要求。

Description

一种工业无线网络可靠性评估方法
技术领域
本发明属于工业互联网技术领域，涉及一种工业无线网络可靠性评估方法。
背景技术
由于无线网络具有可移动性、组网便捷性等特点，以及在5G背景下，越来越多的工业设备会采用无线网络来组网，然而由于工业应用有高可靠性要求，对无线网络进行可靠性评估显得尤为重要。一般一个无线网络包含多个无线子网络，例如同时包含WiFi，蓝牙，Zigbee网络等，而一个子网络会包含多个设备，每个设备间会存在多于一个逻辑链路。由于目前，无线网络变得越来越复杂，子网络越来越多，而应用的增加，每个网络中的逻辑链路也越来越多。而对整个无线网络的可靠性评估，需要基于所有子网络的所有逻辑链路的所有参数，这使得人工进行可靠性评估无法进行。现有自动评估算法中都是对单链路个别参数进行评估，并且不具备多任务同时执行的能力。
发明内容
为解决上述问题，本发明提出了一种工业无线网络可靠性评估方法，该方法可以进行多链路的设备无线状态评估以及整个系统的评估，并且设备无线状态评估中还能进行多任务学习，同时执行多个任务，提高实时性，以及更好的满足工业应用的要求，包括以下步骤：
S1，进行云端训练和模型管理；
S2，构建边缘无线设备的评估模型；
所述云端为可进行网络构建、训练、部署和管理的设备。
优选地，所述云端包括共有服务器和私有服务器。
优选地，所述评估模型包括设备评估模型和系统评估模型。
优选地，所述构建设备评估模型，为根据包含的所有逻辑链路参数给出网络状态评估。
优选地，所述构建系统评估模型，为根据收集到的所有设备状态进行对整个无线网络状态的评估。
优选地，所述进行云端训练和模型管理，包括以下步骤：
模型的构建：基于神经网络框架，包括TensorFlow，通过特定语言，包括Python，进行模型的创建；
模型的训练：通过设定训练的学习率、批量大小、训练轮数执行构建的网络获得推理模型；
模型的部署：将获得的推理模型进行分裂并部署到对应的无线设备上；
模型的管理：记录模型的不同版本。
本发明有益效果至少包括：提供一种工业无线网络可靠性评估机制，该方法基于边云协同架构，云端负责神经网络模型的构建、训练、部署和管理；边缘执行训练完的推理模型的子模型。所述的可靠性评估模型包括多个设备状态评估模型和一个系统状态评估模型，其中设备状态评估模型是多任务学习模型。多任务包括网路状态评分、状态预测、和预测评分。本发明提出的可靠性评估机制，克服了以往单链路或者单任务评估的方法，通过分布式边缘智能的方式实现了整个网络的评估。
附图说明
图1为本发明实施例的工业无线网络可靠性评估方法的步骤流程图；
图2为本发明实施例的工业无线网络可靠性评估方法的对应系统架构图；
图3为本发明实施例的工业无线网络可靠性评估方法的评估模型图；
图4为本发明实施例的工业无线网络可靠性评估方法的评估过程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
参见图1，为本发明实施例的本发明的技术方案为工业无线网络可靠性评估方法的流程图，包括以下步骤：
S1，进行云端训练和模型管理；
S2，构建边缘无线设备的评估模型；
所述云端为可进行网络构建、训练、部署和管理的设备。云端包括共有服务器和私有服务器。
评估模型包括设备评估模型和系统评估模型。构建设备评估模型，为根据包含的所有逻辑链路参数给出网络状态评估。建系统评估模型，为根据收集到的所有设备状态进行对整个无线网络状态的评估。
进行云端训练和模型管理，包括以下步骤：
模型的构建：基于神经网络框架，包括TensorFlow，通过特定语言，包括Python，进行模型的创建；
模型的训练：通过设定训练的学习率、批量大小、训练轮数执行构建的网络获得推理模型；
模型的部署：将获得的推理模型进行分裂并部署到对应的无线设备上；
模型的管理：记录模型的不同版本。
评估方法对应运行的系统架构参见图2，有云端和边缘两部分。云端负责神经网络模型的训练和管理，包括模型的构建、训练、部署以及管理。模型的构建基于已有神经网络框架，可选的可以是TensorFlow，通过特定语言，可选的可以是Python，进行模型的创建。模型的训练，通过设定训练的学习率、批量大小、训练轮数执行构建的网络获得推理模型。模型的部署，将获得的推理模型进行分裂并部署到对应的无线设备上。特别的模型管理，用于记录模型的不同版本。
在上述构建的评估模型中，参见图3，分为设备评估和系统评估。设备评估基于该设备获得的所有链路状态数据进行该设备对网络的可靠性进行评估。系统评估通过获取每个设备评估状态进行评估。
设备评估模型运行在各自的设备上，每个设备由若干个链路组成，数量由当前运行的应用决定。每个链路有若干个可靠性参数，参数数量由构件网络时依据应用的需求决定，可以是传输时间，更新时间，丢包率等。设备评估模型是一个多任务序列学习模型，包括设备状态编码器，中间层和设备状态解码器。编码器和解码器可以是长短记忆网络。中间层包含一个衰减注意力机制，用于表征状态随着时间衰减。整个模型的输入是设备无线状态序列。中间层是多层结构，在模型构建中决定，默认为一层一维结果，可以是多层维数依次降低到一维，特别地称多层的多维输出为中间结果。中间层压缩到一维表征为设备无线网络状态评分，作为任务一的结果。该评分经过衰减注意力机制连同输入一起给到解码器获得下一个时刻的网络状态预测，作为任务二的结果。下一刻的状态再次输入到编码器，在中间层获得网络状态评分的下一个时刻预测值，作为任务三的结果。
系统评估模型可以运行在任意无线设备，设置是云端服务器。它需要收集所有设备的无线状态评分结果。特别地，这里的评分结果可以是最终的一维结果，也可以是多维的中间结果，依据网络构建设定。系统评估模型是单任务模型，只计算系统网络评分，可以是一个深度自编码网络。中间层是一维输出的网络状态评分。
评估过程参见图4，针对图2的系统，采集在不同工况下的数据集，一个可选的方案是每个设备间只有一个链路，每个链路包括5个参数分别为传输时间、更新时间、连续丢包数、丢包率和丢包状态，某个时刻的第i个设备的状态数据表示为：
Figure BDA0003093872380000051
其中，
Figure BDA0003093872380000052
可以增加高斯噪音增强网络鲁棒性，获得
Figure BDA0003093872380000053
将
Figure BDA0003093872380000054
步长为n的时间序列输入一个编码器，该编码器可选的可以是长短记忆网络，输出后接入一个中间层，可选的中间层可以是一维的网络评分
Figure BDA0003093872380000055
将
Figure BDA0003093872380000056
经过一个可选的衰减注意力机制，获得输出
Figure BDA0003093872380000057
同时将各个设备状态评分输入系统评估模型，利用如下损失函数进行训练：
Figure BDA0003093872380000058
模型部署模块，将训练完的网络存储为4个子模型，分别为设备1-3状态评估模型和系统状态评估模型，并部署到对应无线设备。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种工业无线网络可靠性评估方法，其特征在于，包括以下步骤：
S1，进行云端训练和模型管理；
S2，构建边缘无线设备的评估模型；
所述云端为可进行网络构建、训练、部署和管理的设备。
2.根据权利要求1所述的工业无线网络可靠性评估方法，其特征在于，所述云端包括共有服务器和私有服务器。
3.根据权利要求1所述的工业无线网络可靠性评估方法，其特征在于，所述评估模型包括设备评估模型和系统评估模型。
4.根据权利要求3所述的工业无线网络可靠性评估方法，其特征在于，所述构建设备评估模型，为根据包含的所有逻辑链路参数给出网络状态评估。
5.根据权利要求3所述的工业无线网络可靠性评估方法，其特征在于，所述构建系统评估模型，为根据收集到的所有设备状态进行对整个无线网络状态的评估。
6.根据权利要求1所述的工业无线网络可靠性评估方法，其特征在于，所述进行云端训练和模型管理，包括以下步骤：
模型的构建：基于神经网络框架，包括TensorFlow，通过特定语言，包括Python，进行模型的创建；
模型的训练：通过设定训练的学习率、批量大小、训练轮数执行构建的网络获得推理模型；
模型的部署：将获得的推理模型进行分裂并部署到对应的无线设备上；
模型的管理：记录模型的不同版本。
CN202110604433.8A 2021-05-31 2021-05-31 一种工业无线网络可靠性评估方法 Pending CN113473515A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110604433.8A CN113473515A (zh) 2021-05-31 2021-05-31 一种工业无线网络可靠性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110604433.8A CN113473515A (zh) 2021-05-31 2021-05-31 一种工业无线网络可靠性评估方法

Publications (1)

Publication Number Publication Date
CN113473515A true CN113473515A (zh) 2021-10-01

Family

ID=77871879

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110604433.8A Pending CN113473515A (zh) 2021-05-31 2021-05-31 一种工业无线网络可靠性评估方法

Country Status (1)

Country Link
CN (1) CN113473515A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023214809A1 (en) * 2022-05-04 2023-11-09 Samsung Electronics Co., Ltd. Method and apparatus for presenting ai and ml media services in wireless communication system

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697570A (zh) * 2018-12-27 2019-04-30 北京科东电力控制系统有限责任公司 变电站二次设备状态评估方法、系统及设备
CN111385127A (zh) * 2018-12-29 2020-07-07 北京华为数字技术有限公司 一种智能化处理系统及方法
CN111814403A (zh) * 2020-07-16 2020-10-23 国网山东省电力公司电力科学研究院 一种配电主设备分布式状态传感器可靠性评估方法
CN111830408A (zh) * 2020-06-23 2020-10-27 朗斯顿科技(北京)有限公司 一种基于边缘计算和深度学习的电机故障诊断系统及方法
CN112181666A (zh) * 2020-10-26 2021-01-05 华侨大学 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质
CN112328703A (zh) * 2020-10-31 2021-02-05 同济大学 一种基于增量学习的数控设备健康状态诊断装置及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697570A (zh) * 2018-12-27 2019-04-30 北京科东电力控制系统有限责任公司 变电站二次设备状态评估方法、系统及设备
CN111385127A (zh) * 2018-12-29 2020-07-07 北京华为数字技术有限公司 一种智能化处理系统及方法
CN111830408A (zh) * 2020-06-23 2020-10-27 朗斯顿科技(北京)有限公司 一种基于边缘计算和深度学习的电机故障诊断系统及方法
CN111814403A (zh) * 2020-07-16 2020-10-23 国网山东省电力公司电力科学研究院 一种配电主设备分布式状态传感器可靠性评估方法
CN112181666A (zh) * 2020-10-26 2021-01-05 华侨大学 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、系统、设备和可读存储介质
CN112328703A (zh) * 2020-10-31 2021-02-05 同济大学 一种基于增量学习的数控设备健康状态诊断装置及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023214809A1 (en) * 2022-05-04 2023-11-09 Samsung Electronics Co., Ltd. Method and apparatus for presenting ai and ml media services in wireless communication system

Similar Documents

Publication Publication Date Title
CN110428046B (zh) 神经网络结构的获取方法及装置、存储介质
CN110852387B (zh) 一种能源互联网超实时状态研判算法
CN108363478B (zh) 针对可穿戴设备深度学习应用模型分载系统及方法
EP4290824A1 (en) Task allocation method and apparatus based on internet-of-things device, and network training method and apparatus
Yang et al. Semantic communications with AI tasks
CN113779302B (zh) 基于值分解网络和多智能体的半分布式协作存储方法
CN109743356A (zh) 工业互联网数据采集方法及装置、可读存储介质和终端
CN113473515A (zh) 一种工业无线网络可靠性评估方法
Zou et al. Wireless multi-agent generative ai: From connected intelligence to collective intelligence
Xu et al. Living with artificial intelligence: A paradigm shift toward future network traffic control
Alawe et al. An efficient and lightweight load forecasting for proactive scaling in 5G mobile networks
Vassev et al. Knowledge representation for adaptive and self-aware systems
CN110442766A (zh) 网页数据采集方法、装置、设备及存储介质
CN112884148A (zh) 嵌入多步规则的混合强化学习训练方法、设备及存储介质
CN117149410A (zh) 一种基于ai智能模型训练调度指挥监控系统
CN116501483A (zh) 基于多智能体强化学习的车辆边缘计算任务调度方法
CN115499365A (zh) 路由优化方法、装置、设备及介质
Seifeddine et al. Dynamic hierarchical neural network offloading in IoT edge networks
She et al. Health indicator construction of rolling bearings based on deep convolutional neural network considering phase degradation
CN109919203A (zh) 一种基于离散动态机制的数据分类方法及装置
Chen et al. FUNOff: Offloading applications at function granularity for mobile edge computing
Yan et al. Demonstration of Joint Optimization between Cloud AI and On-board AI in Optical Transport Networks
Long et al. 6G comprehensive intelligence: network operations and optimization based on Large Language Models
CN117435901B (zh) 一种工业互联网数据获取方法、系统、终端及储存介质
CN117829242B (zh) 模型处理方法及相关设备

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