CN113923723A - 流量重构方法、装置、设备及存储介质 - Google Patents
流量重构方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113923723A CN113923723A CN202111205270.2A CN202111205270A CN113923723A CN 113923723 A CN113923723 A CN 113923723A CN 202111205270 A CN202111205270 A CN 202111205270A CN 113923723 A CN113923723 A CN 113923723A
- Authority
- CN
- China
- Prior art keywords
- flow
- sparse
- determining
- similarity
- basis
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/10—Flow control between communication endpoints
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/04—Error control
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种流量重构方法、装置、设备及存储介质。该方法包括:根据采集的多个时段对应的流量数据确定对应的流量特征数据;根据流量特征数据以及流量数据确定稀疏基,并根据稀疏基确定稀疏表示;确定多个时段对应的流量数据中最新相邻时段对应的流量数据对应的相似度,根据相似度确定稀疏基是否可用;若稀疏基可用,则根据相似度优化稀疏表示,将稀疏基和优化的稀疏表示发送至输出端,以使输出端根据稀疏基和优化的稀疏表示重构对应的流量数据。本申请的方法,在流量数据重构前确认稀疏基是否可用,若稀疏基可用,说明稀疏基能够很好的进行稀疏表示,并对稀疏表示进行优化,根据稀疏基和优化的稀疏表示可更好的重构流量数据,减少重构误差。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种流量重构方法、装置、设备及存储介质。
背景技术
随着5G网络的正式商用,高清视频、AR/VR等大流量带宽、高传输速率的业务应用场景越来越多,随着用户数量和业务量的不断增多,网络流量的潮汐现象越来越明显,流量抽样以及流量重构变得更为重要。
现有的流量抽样通常采用香农采样定理以及压缩感知理论,香农采样定理要求信号的采样频率必须达到信号最大频率分量的两倍及以上,才能从观测值中不失真地恢复原信号。而压缩感知理论可突破香农采样定理的限制,在低于奈奎斯特标准的情况下,对稀疏或可压缩信号进行采样,并精确恢复原信号,压缩感知理论可以降低信号获取对硬件的要求,因此得到广泛应用。压缩感知是以信号的稀疏表示为基础的,自然界中的信号往往不是稀疏的,但是在某些稀疏基下的投影是稀疏的,因此稀疏基的选取尤为重要。
而现有的稀疏基是一组正交变换基,如离散傅里叶变换基(Discrete FourierTransform,DFT)以及冗余字典等。现有固定稀疏基不能对流量数据进行很好的稀疏表示,导致在实际应用中存在重构误差较大的问题。
发明内容
本申请提供一种流量重构方法、装置、设备及存储介质,用以解决现有固定稀疏基不能对数据进行很好的稀疏表示的问题。
第一方面,本申请提供一种流量重构方法,包括:
根据采集的多个时段对应的流量数据确定对应的流量特征数据;
根据所述流量特征数据以及所述流量数据确定对所述流量数据进行稀疏表示的稀疏基,并根据所述稀疏基确定最新时段对应的流量数据对应的稀疏表示;
确定多个时段对应的流量数据中最新相邻时段对应的流量数据对应的相似度,根据所述相似度确定稀疏基是否可用;
若确定稀疏基可用,则根据所述相似度优化所述稀疏表示,以获得优化的稀疏表示,将稀疏基和优化的稀疏表示发送至对应的输出端,以使所述输出端根据稀疏基和优化的稀疏表示重构对应的流量数据。
第二方面,本申请提供一种流量重构装置,包括:
第一确定单元,用于根据采集的多个时段对应的流量数据确定对应的流量特征数据;
第二确定单元,用于根据所述流量特征数据以及所述流量数据确定对所述流量数据进行稀疏表示的稀疏基,并根据所述稀疏基确定最新时段对应的流量数据对应的稀疏表示;
第三确定单元,用于确定多个时段对应的流量数据中最新相邻时段对应的流量数据对应的相似度,根据所述相似度确定稀疏基是否可用;
优化单元,用于若确定稀疏基可用,则根据所述相似度优化所述稀疏表示,以获得优化的稀疏表示;
发送单元,用于将稀疏基和优化的稀疏表示发送至对应的输出端,以使所述输出端根据稀疏基和优化的稀疏表示重构对应的流量数据。
第三方面,本发明提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,使得所述处理器执行如第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法。
本申请提供的一种流量重构方法、装置、设备及存储介质,根据采集的多个时段对应的流量数据确定对应的流量特征数据;进一步根据所述流量特征数据以及所述流量数据确定对所述流量数据进行稀疏表示的稀疏基,从而根据所述稀疏基确定最新时段对应的流量数据对应的稀疏表示;确定多个时段对应的流量数据中最新相邻时段对应的流量数据对应的相似度,根据所述相似度确定稀疏基是否可用;若确定稀疏基可用,则根据所述相似度优化所述稀疏表示,以获得优化的稀疏表示,将稀疏基和优化的稀疏表示发送至对应的输出端,以使输出端根据稀疏基和优化的稀疏表示重构对应的流量数据。在流量数据重构前确认稀疏基是否可用,若稀疏基可用,说明稀疏基能够很好的进行稀疏表示,并对稀疏表示进行优化,根据稀疏基和优化的稀疏表示可更好的重构流量数据,减少重构误差。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本发明提供的流量重构方法的网络架构示意图;
图2是本发明实施例一提供的流量重构方法的流程示意图;
图3是本发明一实施例提供的流量重构方法中矩阵示意图;
图4是本发明实施例五提供的流量重构方法的流程示意图;
图5是本发明实施例五提供的流量重构方法的特征融合流程示意图;
图6是本发明一实施例提供的流量重构装置的结构示意图;
图7是用来实现本发明实施例的流量重构方法的电子设备的框图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了清楚理解本申请的技术方案,首先对现有技术的方案进行详细介绍。
现有的流量抽样通常采用香农采样定理以及压缩感知理论,香农采样定理又称奈奎斯特采样定理,香农采样定理为了不失真地恢复模拟信号,采样频率应该不小于模拟信号频谱中最高频率的两倍。也就是说香农采样定理要求信号的采样频率必须达到信号最大频率分量的两倍及以上,才能从观测值中不失真地恢复原信号。实际中要想精确地恢复原信号,每个信号周期至少要采样20个点,但是由于A/D转换器采样频率的限制,尤其是在高速信号采样中,以传统的奈奎斯特采样定理为基础的信号获取技术遇到了极大挑战,并且高速采样会产生大量的数据,对数据的存储和传输带来了很大的压力,不利于数据的分析和管理。而压缩感知理论可突破香农采样定理的限制,在低于奈奎斯特标准的情况下,对稀疏或可压缩信号进行采样,并精确恢复原信号,压缩感知理论可以降低信号获取对硬件的要求,因此得到广泛应用。压缩感知是以信号的稀疏表示为基础的,自然界中的信号往往不是稀疏的,但是在某些稀疏基下的投影是稀疏的,因此稀疏基的选取尤为重要。
常用的稀疏基是一组正交变换基,如离散傅里叶变换基(Discrete FourierTransform,DFT)、离散余弦变换基(Discrete Cosine Transform,DCT)、离散小波变换基、Curvelet基以及冗余字典等。这些固定的正交变换基虽然在仿真时可以很好地进行稀疏表示,但是在实际应用中,无法准确捕捉不同信号特点,导致信号重构精度低,因此固定正交变换基不能对流量数据进行很好的稀疏表示,导致在实际应用中存在重构误差较大的问题。
所以针对现有的退运电池性能评估方式不适用使得退运电池得不到很好的利用问题,发明人在研究中发现,在流量数据重构前根据多个时段对应的流量数据中最新相邻时段对应的流量数据对应的相似度确认稀疏基是否可用,若稀疏基可用,说明稀疏基能够很好的对流量数据进行稀疏表示,为了更好的减少重构误差,还可进一步对稀疏表示进行优化,根据稀疏基和优化的稀疏表示可更好的重构流量数据,有效减少重构误差。
所以发明人基于上述的创造性发现,提出了本发明实施例的技术方案。下面对本发明实施例提供的流量重构方法的网络架构及应用场景进行介绍。
如图1所示,本发明实施例提供的流量重构方法对应的网络架构中包括:服务器1、用户终端2及服务器3。服务器1分别与用户终端2和服务器3进行通信连接。用户终端2中预设安装有对应的客户端,例如,视频客户端。用户在客户端的操作界面点击视频播放按键,由此触发视频播放请求,用户终端2根据视频播放请求生成对应的流量数据获取请求,用户终端2将流量数据获取请求发送至服务器1,服务器1根据流量数据获取请求获取服务器3采集的多个时段对应的视频流量数据,服务器1根据采集的多个时段对应的视频流量数据确定对应的视频流量特征数据;根据视频流量特征数据以及视频流量数据确定对视频流量数据进行稀疏表示的稀疏基,并根据稀疏基确定最新时段对应的视频流量数据对应的稀疏表示;确定多个时段对应的视频流量数据中最新相邻时段对应的视频流量数据对应的相似度,根据相似度确定稀疏基是否可用;若确定稀疏基可用,则根据相似度优化稀疏表示,以获得优化的稀疏表示,将稀疏基和优化的稀疏表示发送用户终端2,用户终端2根据稀疏基和优化的稀疏表示重构对应的视频流量数据,用户终端2采用视频流量数据播放对应的视频。
其中,对应的客户端还可以是音频客户端,在另一应用场景中,用户在客户端的操作界面点击音频播放按键,由此触发音频播放请求,用户终端2根据音频播放请求生成对应的流量数据获取请求,用户终端2将流量数据获取请求发送至服务器1,服务器1根据流量数据获取请求获取服务器3采集的多个时段对应的音频流量数据,服务器1根据采集的多个时段对应的音频流量数据确定对应的音频流量特征数据;根据音频流量特征数据以及音频流量数据确定对音频流量数据进行稀疏表示的稀疏基,并根据稀疏基确定最新时段对应的音频流量数据对应的稀疏表示;确定多个时段对应的音频流量数据中最新相邻时段对应的音频流量数据对应的相似度,根据相似度确定稀疏基是否可用;若确定稀疏基可用,则根据相似度优化稀疏表示,以获得优化的稀疏表示,将稀疏基和优化的稀疏表示发送用户终端2,用户终端2根据稀疏基和优化的稀疏表示重构对应的音频流量数据,用户终端2采用音频流量数据播放对应的音频。在流量数据重构前根据相似度确认稀疏基是否可用,若稀疏基可用,说明稀疏基能够很好的对流量数据进行稀疏表示,为了更好的减少重构误差,还可进一步对稀疏表示进行优化,根据稀疏基和优化的稀疏表示可更好的重构流量数据,有效减少重构误差。
实施例一
图2是本发明实施例一提供的流量重构方法的流程示意图,如图2所示,本实施例提供的流量重构方法的执行主体为流量重构装置,该流量重构装置位于电子设备中,则本实施例提供的流量重构方法包括以下步骤:
步骤101,根据采集的多个时段对应的流量数据确定对应的流量特征数据。
本实施例中,获取多个流量控制设备上报的采集的多个时段对应的流量数据,将采集的多个时段对应的流量数据输入至预设神经网络模型中得到对应的流量特征数据,其中预设神经网络模型包括卷积神经网络模型、循环神经网络模型等。
其中,流量数据可以是视频流量数据或音频流量数据等,还可以是文档流量数据,其中,视频流量数据是播放视频所需的流量数据,音频流量数据是播放音频所需的流量数据,文档流量数据是浏览文档所需的流量数据。
步骤102,根据流量特征数据以及流量数据确定对流量数据进行稀疏表示的稀疏基,并根据稀疏基确定最新时段对应的流量数据对应的稀疏表示。
本实施例中,多个时间段对应的流量数据表示为流量矩阵,将流量矩阵输入至预设神经网络模型中,得到流量特征数据对应的矩阵,根据流量矩阵以及流量特征数据对应的矩阵确定流量数据进行稀疏表示的稀疏基。进一步获取采集的多个时段对应的流量数据中最新时段对应的流量数据,根据最新时段对应的流量数据以及稀疏基确定对应的稀疏表示。
其中,稀疏表示的目的就是在给定的超完备字典中用尽可能少的原子来表示信号,可以获得信号更为简洁的表示方式,从而使我们更容易地获取信号中所蕴含的信息,更方便进一步对信号进行加工处理,如压缩、编码等。信号稀疏表示方向的研究热点主要集中在稀疏分解算法、超完备原子字典、和稀疏表示的应用等方面。
步骤103,确定多个时段对应的流量数据中最新相邻时段对应的流量数据对应的相似度,根据相似度确定稀疏基是否可用。
本实施例中,获取多个时段对应的流量数据中最新相邻时段对应的流量数据,计算最新相邻时段对应的流量数据对应的相似度,根据相似度确定稀疏基是否可用,具体地,若相似度较低,则确定稀疏基不可用,稀疏基不可用代表稀疏表示也不可用;若相似度较高,则确定稀疏基可用。
其中,还可根据相似度确定稀疏表示是否可用,具体地,若相似度较低,则确定稀疏表示不可用,稀疏表示不可用代表稀疏基也不可用;若相似度较高,则确定稀疏表示可用。
步骤104,若确定稀疏基可用,则根据相似度优化稀疏表示,以获得优化的稀疏表示,将稀疏基和优化的稀疏表示发送至对应的输出端,以使输出端根据稀疏基和优化的稀疏表示重构对应的流量数据。
本实施例中,若确定稀疏基可用,进一步对稀疏表示进行优化,根据相似度优化稀疏表示,具体地,将相似度对应的相似度值乘以稀疏表示,得到优化的稀疏表示,将稀疏基和优化的稀疏表示发送至目标输出端,目标输出端根据稀疏基和优化的稀疏表示重构对应的流量数据。
本实施例中,在流量数据重构前根据相似度确认稀疏基是否可用,若稀疏基可用,说明稀疏基能够很好的对流量数据进行稀疏表示,为了更好的减少重构误差,还可进一步对稀疏表示进行优化,根据稀疏基和优化的稀疏表示可更好的重构流量数据,有效减少重构误差。
实施例二
在本发明实施例一提供的流量重构方法的基础上,对步骤101进行了进一步的细化,包括以下步骤:
步骤1011,将采集的多个时段对应的流量数据输入至预设神经网络模型中确定对应的流量特征数据。
本实施例中,对采集的多个时段对应的流量数据进行特征提取,将采集的多个时段对应的流量数据输入至预设神经网络模型的卷积层中,获得卷积层操作结果,将该卷积层操作结果确定为流量特征数据。
实施例三
在本发明实施例二提供的流量重构方法的基础上,对步骤1011进行了进一步的细化,包括以下步骤:
步骤1011a,将流量矩阵输入至预设神经网络模型的卷积层中,通过预设神经网络模型的卷积层对流量矩阵进行卷积操作,以获得卷积操作结果矩阵,将卷积操作结果矩阵确定为对应的流量特征数据。
本实施例中,获取多个流量控制设备上报的采集的多个时段对应的流量数据,参见图3,n代表采集次数即对应n个不同时段,m为m个流量控制设备采集的各时段对应的流量数据,m×n构成流量矩阵,m×n流量矩阵为采集的多个时段对应的流量数据。
本实施例中,将流量矩阵输入至预设神经网络模型中,通过预设神经网络模型的卷积层对流量矩阵进行卷积操作,得到最后一层卷积层对应的卷积操作结果矩阵,将卷积操作结果矩阵确定为对应的流量特征数据。
实施例四
步骤102中根据流量特征数据以及流量数据确定对流量数据进行稀疏表示的稀疏基进行了进一步细化,具体包括以下步骤:
步骤1021,将卷积操作结果矩阵右乘流量矩阵对应的逆矩阵得到对应的稀疏矩阵,将稀疏矩阵确定为对流量数据进行稀疏表示的稀疏基。
本实施例中,流量数据表示为流量矩阵,流量特征数据表示为卷积操作结果矩阵,参见图3,m×n为流量矩阵,m×N为稀疏矩阵,N×n为卷积操作结果矩阵,将稀疏矩阵和卷积操作结果矩阵相乘得到流量矩阵,根据卷积操作结果矩阵和流量矩阵求稀疏矩阵,具体地,将卷积操作结果矩阵右乘流量矩阵对应的逆矩阵得到对应的稀疏矩阵,将该稀疏矩阵确定为流量数据进行稀疏表示的稀疏基。
实施例五
图4是本发明实施例五提供的流量重构方法的流程示意图,如图4所示,在本发明实施例一提供的流量重构方法的基础上,对步骤103中确定多个时段对应的流量数据中最新相邻时段对应的流量数据对应的相似度进行了进一步的细化,包括以下步骤:
步骤1031,将最新时段对应的流量数据拆分为最新时段对应的多个时刻流量数据,将最新时段对应的多个时刻流量数据输入至卷积神经网络模型中,通过卷积神经网络模型对最新时段对应的多个时刻流量数据进行特征提取,以获得最新时段对应的多个时刻流量数据对应的多个第一流量特征。
本实施例中,将最新时段对应的流量数据拆分最新时段对应的多个时刻流量数据,参见图5,最新时段对应的多个时刻流量数据包括T-i+1时刻流量数据、T时刻流量数据等,将最新时段对应的多个时刻流量数据分别输入至卷积神经网络模型CNN中,通过卷积神经网络模型对最新时段对应的各时刻流量数据进行特征提取,得到各时刻流量数据对应的第一流量特征,包括T-i+1时刻流量数据对应的第一流量特征,T时刻流量数据对应的第一流量特征,得到最新时段对应的多个时刻流量数据对应的多个第一流量特征。
步骤1032,将最新时段对应的前一时段流量数据拆分为前一时段对应的多个时刻流量数据,将前一时段对应的多个时刻流量数据输入至卷积神经网络模型中,通过卷积神经网络模型对前一时段对应的多个时刻流量数据进行特征提取,以获得前一时段对应的多个时刻流量数据对应的多个第二流量特征。
本实施例中,将最新时段前一时段流量数据拆分为前一时段对应的多个时刻流量数据,参见图5,最新时段对应的多个时刻流量数据包括T-i时刻流量数据、T-1时刻流量数据等,将前一时段对应的多个时刻流量数据分别输入至卷积神经网络模型CNN中,通过卷积神经网络模型对前一时段对应的各时刻流量数据进行特征进行提取,得到各个时刻流量数据对应的第二流量特征,包括T-i时刻流量数据对应的第二流量特征,T-1时刻流量数据对应的第二流量特征,得到前一时段对应的多个时刻流量数据对应的第二流量特征。
步骤1033,将多个第一流量特征输入至循环神经网络模型中,通过循环神经网络模型对多个第一流量特征进行融合获得融合的第一流量特征,将多个第二流量特征输入至循环神经网络模型中,通过循环神经网络模型对多个第二流量特征进行融合获得融合的第二流量特征。
本实施例中,将多个第一流量特征包括T-i+1时刻流量数据对应的第一流量特征,T时刻流量数据对应的第一流量特征输入至循环神经网络模型RNN中,通过循环神经网络模型对多个第一流量特征进行融合,RNN的池化层输出融合的第一流量特征。将多个第二流量特征输入至循环神经网络模型RNN中,通过循环神经网络模型对多个第二流量特征进行融合,RNN的池化层输出融合的第二流量特征。
步骤1034,对融合的第一流量特征和融合的第二流量特征进行流量数据相似度计算,获得对应的相似度。
本实施例中,对融合的第一流量特征和融合的第二流量特征进行流量数据相似度计算,得到融合的第一流量特征与融合的第二流量特征之间的相似度,进一步根据相似度确定稀疏基是否可用。或者根据相似度确定稀疏表示是否可用。若稀疏基不可用说明需要更新稀疏基及稀疏表示,若稀疏基可用可进一步优化稀疏表示。
实施例六
在本发明实施例一提供的流量重构方法的基础上,对步骤103中根据相似度确定稀疏基是否可用进行了进一步的细化,包括以下步骤:
步骤103a,若确定相似度大于或等于预设相似度,则确定稀疏基可用。
本实施例中,获取预设相似度,将融合的第一流量特征和融合的第二流量特征对应的相似度与预设相似度进行比较,根据相似度比较结果确定稀疏基是否可用,若确定融合的第一流量特征和融合的第二流量特征对应的相似度大于或等于预设相似度,说明融合的第一流量特征与融合的第二流量特征之间相似度较高,最新时段与前一时段的流量数据并没有明显变化,则确定稀疏基可用,无需对稀疏基及稀疏表示进行更新。
步骤103b,若确定相似度小于或预设相似度,则确定稀疏基不可用。
本实施例中,若确定融合的第一流量特征和融合的第二流量特征对应的相似度小于预设相似度,说明融合的第一流量特征与融合的第二流量特征之间相似度较低,最新时段与前一时段的流量数据波动较大,则确定稀疏基不可用,需要对稀疏基以及稀疏表示进行更新。
实施例七
在本发明实施例一提供的流量重构方法的基础上,步骤103之后,还包括以下步骤:
步骤105,若确定稀疏基不可用,则根据最新时段对应的流量数据更新稀疏基,并采用更新的稀疏基确定最新时段对应的流量数据对应的稀疏表示。
本实施例中,根据相似度确定稀疏基是否可用,若确定稀疏基不可用,需要对稀释基以及稀疏表示进行更新,根据最新时段对应的流量数据更新稀疏基,并采用更新的稀疏基确定最新时段对应的流量数据对应的稀疏表示。将更新的稀疏基以及更新的稀疏表示发送至输出端,输出端根据更新的稀疏基以及更新的稀释表示重构对应的流量数据。
本实施例中,若稀疏基不可用,说明稀疏基不能很好的对流量数据进行稀疏表示,需要对稀疏基和稀疏表示进行更新。根据更新的稀疏基和更新的稀疏表示可更好的重构流量数据,有效减少重构误差。
图6是本发明一实施例提供的流量重构装置的结构示意图,如图6所示,本实施例提供的流量重构装置200包括第一确定单元201,第二确定单元202,第三确定单元203,优化单元204及发送单元205。
其中,第一确定单元201,用于根据采集的多个时段对应的流量数据确定对应的流量特征数据。第二确定单元202,用于根据流量特征数据以及流量数据确定对流量数据进行稀疏表示的稀疏基,并根据稀疏基确定最新时段对应的流量数据对应的稀疏表示。第三确定单元203,用于确定多个时段对应的流量数据中最新相邻时段对应的流量数据对应的相似度,根据相似度确定稀疏基是否可用。优化单元204,用于若确定稀疏基可用,则根据相似度优化稀疏表示,以获得优化的稀疏表示。发送单元205,用于将稀疏基和优化的稀疏表示发送至对应的输出端,以使输出端根据稀疏基和优化的稀疏表示重构对应的流量数据。
可选地,第一确定单元,还用于将采集的多个时段对应的流量数据输入至预设神经网络模型中确定对应的流量特征数据。
可选地,第一确定单元,还用于将流量矩阵输入至预设神经网络模型的卷积层中,通过预设神经网络模型的卷积层对流量矩阵进行卷积操作,以获得卷积操作结果矩阵,将卷积操作结果矩阵确定为对应的流量特征数据。
可选地,第二确定单元,还用于将卷积操作结果矩阵右乘流量矩阵对应的逆矩阵得到对应的稀疏矩阵,将稀疏矩阵确定为对流量数据进行稀疏表示的稀疏基。
可选地,第三确定单元,还用于将最新时段对应的流量数据拆分为最新时段对应的多个时刻流量数据,将最新时段对应的多个时刻流量数据输入至卷积神经网络模型中,通过卷积神经网络模型对最新时段对应的多个时刻流量数据进行特征提取,以获得多个时刻流量数据对应的多个第一流量特征;将最新时段对应的前一时段流量数据拆分为前一时段对应的多个时刻流量数据,将前一时段对应的多个时刻流量数据输入至卷积神经网络模型中,通过卷积神经网络模型对前一时段对应的多个时刻流量数据进行特征提取,以获得多个时刻流量数据对应的多个第二流量特征;将多个第一流量特征输入至循环神经网络模型中,通过循环神经网络模型对多个第一流量特征进行融合获得融合的第一流量特征,将多个第二流量特征输入至循环神经网络模型中,通过循环神经网络模型对多个第二流量特征进行融合获得融合的第二流量特征;对融合的第一流量特征和融合的第二流量特征进行流量数据相似度计算,获得对应的相似度。
可选地,第三确定单元,还用于若确定相似度大于或等于预设相似度,则确定稀疏基可用;若确定相似度小于或预设相似度,则确定稀疏基不可用。
可选地,流量重构装置还包括更新单元。
更新单元,用于若确定稀疏基不可用,则根据最新时段对应的流量数据更新稀疏基,并采用更新的稀疏基确定最新时段对应的流量数据对应的稀疏表示。
图7是用来实现本发明实施例的流量重构方法的电子设备的框图,如图7所示,该电子设备300包括:处理器301、以及与处理器301通信连接的存储器302。
存储器302存储计算机执行指令;
处理器301执行存储器302存储的计算机执行指令,使得处理器执行上述任意一个实施例提供的方法。
在示例性实施例中,还提供了一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行上述任意一个实施例中的方法。
在示例性实施例中,还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行上述任意一个实施例中的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种流量重构方法,其特征在于,所述方法包括:
根据采集的多个时段对应的流量数据确定对应的流量特征数据;
根据所述流量特征数据以及所述流量数据确定对所述流量数据进行稀疏表示的稀疏基,并根据所述稀疏基确定最新时段对应的流量数据对应的稀疏表示;
确定多个时段对应的流量数据中最新相邻时段对应的流量数据对应的相似度,根据所述相似度确定稀疏基是否可用;
若确定稀疏基可用,则根据所述相似度优化所述稀疏表示,以获得优化的稀疏表示,将稀疏基和优化的稀疏表示发送至对应的输出端,以使所述输出端根据稀疏基和优化的稀疏表示重构对应的流量数据。
2.根据权利要求1所述的方法,其特征在于,所述根据采集的多个时段对应的流量数据确定对应的流量特征数据,包括:
将采集的多个时段对应的流量数据输入至预设神经网络模型中确定对应的流量特征数据。
3.根据权利要求2所述的方法,其特征在于,所述流量数据表示为流量矩阵;
所述将采集的多个时段对应的流量数据输入至预设神经网络模型中确定对应的流量特征数据,包括:
将所述流量矩阵输入至预设神经网络模型的卷积层中,通过所述预设神经网络模型的卷积层对所述流量矩阵进行卷积操作,以获得卷积操作结果矩阵,将所述卷积操作结果矩阵确定为对应的流量特征数据。
4.根据权利要求3所述的方法,其特征在于,所述根据所述流量特征数据以及所述流量数据确定对所述流量数据进行稀疏表示的稀疏基,包括:
将所述卷积操作结果矩阵右乘所述流量矩阵对应的逆矩阵得到对应的稀疏矩阵,将所述稀疏矩阵确定为对所述流量数据进行稀疏表示的稀疏基。
5.根据权利要求1所述的方法,其特征在于,所述确定多个时段中最新相邻时段对应的流量数据对应的相似度,包括:
将最新时段对应的流量数据拆分为最新时段对应的多个时刻流量数据,将所述最新时段对应的多个时刻流量数据输入至卷积神经网络模型中,通过所述卷积神经网络模型对最新时段对应的多个时刻流量数据进行特征提取,以获得最新时段对应的多个时刻流量数据对应的多个第一流量特征;
将最新时段对应的前一时段流量数据拆分为前一时段对应的多个时刻流量数据,将前一时段对应的多个时刻流量数据输入至卷积神经网络中,通过所述卷积神经网络模型对前一时段对应的多个时刻流量数据进行特征提取,以获得前一时段对应的多个时刻流量数据对应的多个第二流量特征;
将所述多个第一流量特征输入至循环神经网络模型中,通过所述循环神经网络模型对所述多个第一流量特征进行融合获得融合的第一流量特征,将所述多个第二流量特征输入至循环神经网络模型中,通过所述循环神经网络模型对所述多个第二流量特征进行融合获得融合的第二流量特征;
对融合的第一流量特征和融合的第二流量特征进行流量数据相似度计算,获得对应的相似度。
6.根据权利要求1所述的方法,其特征在于,所述根据所述相似度确定稀疏基是否可用,包括:
若确定相似度大于或等于预设相似度,则确定稀疏基可用;
若确定相似度小于或预设相似度,则确定稀疏基不可用。
7.根据权利要求1所述的方法,其特征在于,所述根据所述相似度确定稀疏基是否可用之后,还包括:
若确定稀疏基不可用,则根据最新时段对应的流量数据更新稀疏基,并采用更新的稀疏基确定最新时段对应的流量数据对应的稀疏表示。
8.一种流量重构装置,其特征在于,所述装置包括:
第一确定单元,用于根据采集的多个时段对应的流量数据确定对应的流量特征数据;
第二确定单元,用于根据所述流量特征数据以及所述流量数据确定对所述流量数据进行稀疏表示的稀疏基,并根据所述稀疏基确定最新时段对应的流量数据对应的稀疏表示;
第三确定单元,用于确定多个时段对应的流量数据中最新相邻时段对应的流量数据对应的相似度,根据所述相似度确定稀疏基是否可用;
优化单元,用于若确定稀疏基可用,则根据所述相似度优化所述稀疏表示,以获得优化的稀疏表示;
发送单元,用于将稀疏基和优化的稀疏表示发送至对应的输出端,以使所述输出端根据稀疏基和优化的稀疏表示重构对应的流量数据。
9.一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至7中任一项所述的方法。
10.一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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205270.2A CN113923723B (zh) | 2021-10-15 | 2021-10-15 | 流量重构方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205270.2A CN113923723B (zh) | 2021-10-15 | 2021-10-15 | 流量重构方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113923723A true CN113923723A (zh) | 2022-01-11 |
CN113923723B CN113923723B (zh) | 2023-05-09 |
Family
ID=79241043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111205270.2A Active CN113923723B (zh) | 2021-10-15 | 2021-10-15 | 流量重构方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113923723B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115866582A (zh) * | 2022-11-29 | 2023-03-28 | 中国联合网络通信集团有限公司 | 设备识别方法、装置、设备及存储介质 |
CN116405100A (zh) * | 2023-05-29 | 2023-07-07 | 武汉能钠智能装备技术股份有限公司 | 一种基于先验知识的失真信号还原方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106330A (zh) * | 2012-12-07 | 2013-05-15 | 南开大学 | 一种基于压缩传感理论的小波组合稀疏基底 |
CN103700090A (zh) * | 2013-12-01 | 2014-04-02 | 北京航空航天大学 | 一种基于各向异性热核分析的三维图像多尺度特征提取方法 |
CN103997397A (zh) * | 2014-04-30 | 2014-08-20 | 北京邮电大学 | 空域非均匀导频设计方法 |
CN104468272A (zh) * | 2014-12-11 | 2015-03-25 | 杭州华为数字技术有限公司 | 流量矩阵的估计方法和装置 |
CN104933528A (zh) * | 2015-06-24 | 2015-09-23 | 南昌大学 | 一种基于稀疏矩阵技术快速形成电力系统潮流计算中雅可比矩阵的方法 |
CN107395210A (zh) * | 2017-08-16 | 2017-11-24 | 姚静波 | 基于稀疏基误差的自适应稀疏表示压缩重构方法及系统 |
CN107958259A (zh) * | 2017-10-24 | 2018-04-24 | 哈尔滨理工大学 | 一种基于卷积神经网络的图像分类方法 |
CN108399620A (zh) * | 2018-03-19 | 2018-08-14 | 嘉兴学院 | 一种基于低秩稀疏矩阵分解的图像质量评价方法 |
EP3396533A2 (en) * | 2017-04-28 | 2018-10-31 | INTEL Corporation | Programmable coarse grained and sparse matrix compute hardware with advanced scheduling |
US20200285954A1 (en) * | 2018-05-08 | 2020-09-10 | Huazhong University Of Science And Technology | Memory-based convolutional neural network system |
CN111934690A (zh) * | 2020-08-04 | 2020-11-13 | 东华理工大学 | 基于自适应压缩感知的核信号重构新方法 |
EP3764314A1 (en) * | 2017-04-09 | 2021-01-13 | INTEL Corporation | Machine learning sparse computation mechanism |
-
2021
- 2021-10-15 CN CN202111205270.2A patent/CN113923723B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106330A (zh) * | 2012-12-07 | 2013-05-15 | 南开大学 | 一种基于压缩传感理论的小波组合稀疏基底 |
CN103700090A (zh) * | 2013-12-01 | 2014-04-02 | 北京航空航天大学 | 一种基于各向异性热核分析的三维图像多尺度特征提取方法 |
CN103997397A (zh) * | 2014-04-30 | 2014-08-20 | 北京邮电大学 | 空域非均匀导频设计方法 |
CN104468272A (zh) * | 2014-12-11 | 2015-03-25 | 杭州华为数字技术有限公司 | 流量矩阵的估计方法和装置 |
CN104933528A (zh) * | 2015-06-24 | 2015-09-23 | 南昌大学 | 一种基于稀疏矩阵技术快速形成电力系统潮流计算中雅可比矩阵的方法 |
EP3764314A1 (en) * | 2017-04-09 | 2021-01-13 | INTEL Corporation | Machine learning sparse computation mechanism |
EP3396533A2 (en) * | 2017-04-28 | 2018-10-31 | INTEL Corporation | Programmable coarse grained and sparse matrix compute hardware with advanced scheduling |
CN107395210A (zh) * | 2017-08-16 | 2017-11-24 | 姚静波 | 基于稀疏基误差的自适应稀疏表示压缩重构方法及系统 |
CN107958259A (zh) * | 2017-10-24 | 2018-04-24 | 哈尔滨理工大学 | 一种基于卷积神经网络的图像分类方法 |
CN108399620A (zh) * | 2018-03-19 | 2018-08-14 | 嘉兴学院 | 一种基于低秩稀疏矩阵分解的图像质量评价方法 |
US20200285954A1 (en) * | 2018-05-08 | 2020-09-10 | Huazhong University Of Science And Technology | Memory-based convolutional neural network system |
CN111934690A (zh) * | 2020-08-04 | 2020-11-13 | 东华理工大学 | 基于自适应压缩感知的核信号重构新方法 |
Non-Patent Citations (1)
Title |
---|
姚春萍: "\"基于s变换和压缩感知的大规模网络流量预测与仿真实现\"", 《东北大学硕士学位论文》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115866582A (zh) * | 2022-11-29 | 2023-03-28 | 中国联合网络通信集团有限公司 | 设备识别方法、装置、设备及存储介质 |
CN116405100A (zh) * | 2023-05-29 | 2023-07-07 | 武汉能钠智能装备技术股份有限公司 | 一种基于先验知识的失真信号还原方法 |
CN116405100B (zh) * | 2023-05-29 | 2023-08-22 | 武汉能钠智能装备技术股份有限公司 | 一种基于先验知识的失真信号还原方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113923723B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113923723B (zh) | 流量重构方法、装置、设备及存储介质 | |
CN110383332B (zh) | 图像处理装置、图像处理方法及图像处理程序 | |
WO2022247568A1 (zh) | 一种图像恢复方法、装置和设备 | |
CN112968886B (zh) | 振动信号压缩方法及装置、存储介质、计算机设备 | |
CN111010191B (zh) | 数据采集方法、系统、设备及存储介质 | |
Guan et al. | Detecting steganography in JPEG images recompressed with the same quantization matrix | |
CN114245117B (zh) | 多采样率复用重建网络方法、装置、设备及存储介质 | |
WO2020080143A1 (ja) | 計算機、センシングシステム、及びデータ通信方法 | |
CN112054805B (zh) | 一种模型数据压缩方法、系统及相关设备 | |
CN113779056B (zh) | 批量审计日志处理方法、装置和计算机设备 | |
Thakker et al. | Lossy Image Compression-A Comparison Between Wavelet Transform, Principal Component Analysis, K-Means and Autoencoders | |
CN113658282A (zh) | 一种图像压缩解压缩方法及其装置 | |
Parate et al. | Compressive Sensing approach for data recovery from incomplete measurements for one dimensional signal | |
US10841405B1 (en) | Data compression of table rows | |
CN112637609A (zh) | 图像实时传输方法、发送端及接收端 | |
KR20220021495A (ko) | Ai에 기반하여 스트리밍 파일의 해상도를 개선하는 방법 | |
CN111082809A (zh) | 一种触控数据传输方法及系统 | |
CN117972395B (zh) | 多通道数据处理方法、装置、电子设备及存储介质 | |
CN113271477B (zh) | 视频数据传输方法、装置及系统 | |
CN116916034B (zh) | 基于safd的图像处理方法、装置、设备及存储介质 | |
CN115086188B (zh) | 一种图形运维回放方法、装置及电子设备 | |
TWI846352B (zh) | 整數信號頻譜取樣與還原之方法、系統及電腦可讀取儲存媒體 | |
CN114327203B (zh) | 一种用户操作的还原方法及装置、记录方法及装置 | |
CN116389772B (zh) | 一种基于北斗网的图像传输方法及系统 | |
Hasan | Combination of lossy and lossless for image compression |
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 |