CN113961222A - 一种轨道交通软件远程维护方法及装置、存储介质 - Google Patents
一种轨道交通软件远程维护方法及装置、存储介质 Download PDFInfo
- Publication number
- CN113961222A CN113961222A CN202111329294.9A CN202111329294A CN113961222A CN 113961222 A CN113961222 A CN 113961222A CN 202111329294 A CN202111329294 A CN 202111329294A CN 113961222 A CN113961222 A CN 113961222A
- Authority
- CN
- China
- Prior art keywords
- model parameters
- devices
- groups
- global
- data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Security & Cryptography (AREA)
- Stored Programmes (AREA)
Abstract
本申请实施例中提供了一种轨道交通软件远程维护方法及装置、存储介质。采用本申请中的方案,通过接收采集交通车辆中车辆段速度的N个设备上传的N个测速软件对应的N组模型参数;根据N组模型参数确定全局模型参数;在全局模型参数满足预设条件的情况下,将全局模型参数发送给N个设备,以使N个设备根据全局模型参数更新测速软件。即通过中心服务器可以根据多个目标边缘侧处理模块上传的多组模型参数确定的全局模型参数,在适当的时机,由中心服务器根据预设条件自动完成边缘侧(目标边缘侧处理模块)的软件(测速软件)更新,解决了现有技术中,对边缘轨道交通软件远程维护边缘侧处理模块效率低的技术问题。
Description
技术领域
本申请涉及轨道交通领域,具体地,涉及轨道交通软件远程维护方法及装置、存储介质。
背景技术
在轨道交通领域,很多设备运行在车站、车辆段中,属于边缘计算的范畴。在站段的地理空间、网络环境的限制下,边缘侧软件尤其是算法软件的升级是十分困难且复杂的。
在现有技术方案中,算法类软件模块的升级只能采用手动根据新数据训练算法,然后手动替换或使用远程访问的模式替换原有模型文件的方法。也就是说,目前,边缘侧算法软件的远程维护方式效率较低。
发明内容
本发明实施例提供了一种轨道交通软件远程维护方法及装置、存储介质及电子装置,以至少解决现有技术中,边缘侧算法软件的远程维护方式效率较低。
本申请实施例中提供了一种轨道交通软件远程维护方法,包括:接收采集交通车辆中车辆段速度的N个设备上传的N个测速软件对应的N组模型参数,其中,所述N个测速软件是通过N组样本数据训练N个预设网络模型得到的,所述N组样本数据是所述N个设备中的每个设备根据监测数据更新本地数据库得到,所述N组样本数据中的每组样本数据对应所述N个预设网络模型,所述N为大于等于1的正整数;根据所述N组模型参数确定全局模型参数;在所述全局模型参数满足预设条件的情况下,将所述全局模型参数发送给所述N个设备,以使所述N个设备根据所述全局模型参数更新测速软件。
可选的,所述根据所述N组模型参数确定全局模型参数,包括:采用模型平均的方法根据所述N组模型参数确定全局模型参数。
可选的,所述根据所述N组模型参数确定全局模型参数,包括:在预设时间段内,所述N个设备中存在M个设备对应的预设网络模型训练无法进行和/或异常的情况下,接收所述N个设备中除去所述M个设备之外设备对应的M-N组模型参数,其中,1≤M≤N;根据所述N-M组模型参数确定所述全局模型参数。
可选的,所述接收采集交通车辆中车辆段速度的N个设备上传的N个测速软件对应的N组模型参数,包括:接收所述采集交通车辆中车辆段速度的N个设备上传的通过非对称加密方式中的私钥加密后的N组模型参数;通过对应的公钥对所述加密的N组模型参数进行解密,得到所述N组模型参数。
根据本申请实施例的第一个方面,提供了一种轨道交通软件远程维护方法,应用于N个设备,包括:获取对交通车辆中车辆段速度进行监测得到的监测数据;所述N个设备中的每个设备根据所述监测数据分别更新本地数据库中的数据,得到N组样本数据集,其中,所述样本数据集用于训练预设网络模型,所述N为大于等于1的正整数;在所述预设网络模型训练结束,得到测速软件后,将所述测速软件对应的模型参数发送给中心服务器;接收所述中心服务器发送的全局模型参数,其中,所述全局模型参数满足预设条件;根据所述全局模型参数更新所述测速软件,其中,所述全局模型参数包括所述中心服务器根据采集交通车辆中车辆段速度的N个设备上传的N组模型参数确定的,所述N个设备中包括所述目标设备。
可选的,所述在所述预设网络模型训练结束,得到测速软件后,将所述测速软件对应的模型参数发送给中心服务器,包括:所述N个设备中存在M个设备对应的预设网络模型训练无法进行和/或异常的情况下,将所述N个设备中除去M个设备之外设备对应的N-M组模型参数发送给所述中心服务器,其中,所述1≤M≤N;其中,所述中心服务器根据所述N-M组模型参数确定所述全局模型参数。
可选的,所述N个设备中的每个设备根据所述监测数据分别更新本地数据库中的数据,得到N组样本数据集,包括:所述N个设备中的每个设备根据所述监测数据通过数据分类,得到特征数据;根据所述特征数据更新分别更新本地数据库中的数据,得到所述N组样本数据集。
可选的,所述在所述预设神经网络模型训练结束,得到目标神经网络模型后,将所述目标神经网络模型对应的模型参数发送给中心服务器,包括:将所述模型参数通过非对称加密的方式进行加密,得到加密后的模型参数;将所述加密后的模型参数发送给所述中心服务器。
根据本申请实施例的第一个方面,提供了一种轨道交通软件远程维护装置,包括:接收单元,用于接收采集交通车辆中车辆段速度的N个设备上传的N个测速软件对应的N组模型参数,其中,所述N个测速软件是通过N组样本数据训练N个预设网络模型得到的,所述N组样本数据是所述N个设备中的每个设备根据监测数据更新所述N个设备中的每个设备的本地数据库得到,所述N组样本数据中的每组样本数据对应所述N个预设网络模型,所述N为大于等于1的正整数;确定单元,用于根据所述N组模型参数确定全局模型参数;发送单元,用于在所述全局模型参数满足预设条件的情况下,将所述全局模型参数发送给所述N个设备,以使所述N个设备根据所述全局模型参数更新测速软件。
可选的,所述确定单元,包括:确定模块,用于采用模型平均的方法根据所述N组模型参数确定全局模型参数。
可选的,所述确定模块,包括:第二确定子模块,用于在预设时间段内中,所述N个设备中存在M个设备对应的预设网络模型训练无法进行和/或异常的情况下,接收所述N个设备中除去所述M个设备之外设备对应的M-N组模型参数情况下,根据所述N-M组模型参数确定所述全局模型参数,其中,所述1≤M≤N;根据所述N-M组模型参数确定所述全局模型参数。
可选的,所述接收单元,包括:接收模块,用于接收所述采集交通车辆中车辆段速度的N个设备上传的通过非对称加密方式中的私钥加密后的N组模型参数;解密模块,用于通过对应的公钥对所述加密的N组模型参数进行解密,得到所述N组模型参数。
根据本申请实施例的第一个方面,提供了一种轨道交通软件远程维护装置,应用于N个设备,包括:获取单元,用于获取对交通车辆中车辆段速度进行监测得到的监测数据;第一更新单元,用于所述N个设备中的每个设备根据所述监测数据分别更新本地数据库中的数据,得到N组样本数据集,其中,所述样本数据集用于训练预设网络模型,所述N为大于等于1的正整数;发送单元,用于在所述预设网络模型训练结束,得到测速软件后,将所述测速软件对应的模型参数发送给中心服务器;接收单元,用于接收所述中心服务器发送的全局模型参数,其中,所述全局模型参数满足预设条件;第二更新单元,用于根据所述全局模型参数更新所述测速软件,其中,所述全局模型参数包括所述中心服务器根据采集交通车辆中车辆段速度的N个设备上传的N组模型参数确定的,所述N个设备中包括所述目标设备。
可选的,所述发送单元,包括:所述N个设备中存在M个设备对应的预设网络模型训练无法进行和/或异常的情况下,将所述N个设备中除去M个设备之外设备对应的N-M组模型参数发送给所述中心服务器,其中,所述1≤M≤N;其中,所述中心服务器根据所述N-M组模型参数确定所述全局模型参数。
可选的,所述第一更新单元,包括:分析模块,用于所述N个设备中的每个设备根据所述监测数据通过数据分类,得到特征数据;更新模块,用于根据所述特征数据更新分别更新本地数据库中的数据,得到所述N组样本数据集。
可选的,所述发送单元,包括:加密模块,用于将所述模型参数通过非对称加密的方式进行加密,得到加密后的模型参数;发送模块,用于将所述加密后的模型参数发送给所述中心服务器。
根据本申请实施例的第一个方面,提供了一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述轨道交通软件远程维护方法。
根据本申请实施例的第一个方面,提供了一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述轨道交通软件远程维护方法。
采用本申请实施例中提供的轨道交通软件远程维护方法,通过接收采集交通车辆中车辆段速度的N个设备上传的N个测速软件对应的N组模型参数,其中,N个测速软件是通过N组样本数据训练N个预设网络模型得到的,N组样本数据是N个设备中的每个设备根据监测数据更新本地数据库得到,N组样本数据中的每组样本数据对应N个预设网络模型,N为大于等于1的正整数;根据N组模型参数确定全局模型参数;在全局模型参数满足预设条件的情况下,将全局模型参数发送给N个设备,以使N个设备根据全局模型参数更新测速软件。即中心服务器可以根据多个目标设备上传的多组模型参数确定的全局模型参数,在适当的时机,由中心服务器根据预设条件自动完成边缘侧(目标设备)的软件(测速软件)更新,解决了现有技术中,对边缘轨道交通软件远程维护设备效率低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本发明实施例的一种可选的轨道交通软件远程维护方法的系统结构框图;
图2是根据本发明实施例的一种可选的轨道交通软件远程维护方法的流程图(一);
图3是根据本发明实施例的一种可选的轨道交通软件远程维护方法的流程图(二);
图4是根据本发明实施例的一种可选的边缘侧软件算法模块远程维护升级方法的流程图;
图5是根据本发明实施例的一种可选的iSST-EVT算法示意图;
图6是根据本发明实施例的一种可选的轨道交通软件远程维护装置的示意图(一);
图7是根据本发明实施例的一种可选的轨道交通软件远程维护装置的示意图(二)。
具体实施方式
在实现本申请的过程中,发明人发现在轨道交通领域,很多设备运行在车站、车辆段中,属于边缘计算的范畴。在站段的地理空间、网络环境的限制下,边缘侧软件尤其是算法软件的升级是十分困难且复杂的。
在既有技术方案中,算法类软件模块的升级只能采用手动根据新数据训练算法,然后手动替换或使用远程访问的模式替换原有模型文件的方法。在这种情况下,存在以下问题:
1)算法更新绝大多数时候是因为数据分布发生了变化,当数据量很大时,很难通过人工手段发现数据变化的具体节点。
2)在人工分析的过程中,需要将数据从边缘侧上传至中心侧,但是这个过程中会有很大的数据泄露风险。
3)将人工环节从发现数据偏移、训练模型转移到判断算法模块更新时机,节省了大量人力。
4)人工处理模型更新的训练过程,当训练轮次过多时会占用过多时间,同时也存在着版本管理风险。
5)手动替换算法模型,当软件生产环境和软件的开发环境不在同一个地域(地理空间)时,更新成本过大。
针对上述问题,本申请实施例中提供了一种轨道交通软件远程维护方法,接收采集交通车辆中车辆段速度的N个设备上传的N个测速软件对应的N组模型参数,其中,N个测速软件是通过N组样本数据训练N个预设网络模型得到的,N组样本数据是N个设备中的每个边缘侧处理模块根据监测数据更新本地数据库得到,N组样本数据中的每组样本数据对应N个预设网络模型,N为大于等于1的正整数;根据N组模型参数确定全局模型参数;在全局模型参数满足预设条件的情况下,将全局模型参数发送给N个设备,以使N个设备根据全局模型参数更新测速软件。即通过中心服务器可以根据多个目标边缘侧处理模块上传的多组模型参数确定的全局模型参数,在适当的时机,由中心服务器根据预设条件自动完成边缘侧(目标边缘侧处理模块)的软件(测速软件)更新,解决了现有技术中,对边缘轨道交通软件远程维护边缘侧处理模块效率低的技术问题。
本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本申请实施例所提供的轨道交通软件远程维护方法实施例可以在移动终端、计算机终端或者类似的运算装置、以及中心服务器中执行。图1是本发明实施例的一种轨道交通软件远程维护方法的系统结构图。如图1所示,目标边缘侧处理模块可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储样本数据集、测速软件对应的模型参数的存储器104,可选地,上述目标边缘侧处理模块可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述目标边缘侧处理模块的结构造成限定。例如,目标客户终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
目标边缘侧处理模块通过传输设备106将测速软件对应的模型参数上传给中心服务,中心服务可以根据目标客户上传的模型参数确定全局模型参数,其中,中心服务器可以根据包括目标客户上传的模型参数和其他边缘侧处理模块上传的模型参数确定全局模型参数。进而目标边缘侧处理模块可以接收中心服务器发送的全局模型参数,进而根据测速软件。即目标边缘侧处理模块可以通过中心服务器确定的全局模型参数,在适当的时机,自动完成边缘侧的软件更新,解决了现有技术中,对边缘轨道交通软件远程维护边缘侧处理模块效率低的技术问题。
在本实施例中还提供了一种轨道交通软件远程维护方法,图2是根据本发明实施例的轨道交通软件远程维护方法的流程图,如图2所示,该轨道交通软件远程维护方法应用在目标边缘侧处理模块上的流程包括如下步骤:
步骤S202,接收采集交通车辆中车辆段速度的N个设备上传的N个测速软件对应的N组模型参数,其中,N个测速软件是通过N组样本数据训练N个预设网络模型得到的,N组样本数据是N个设备中的每个设备根据监测数据更新本地数据库得到,N组样本数据中的每组样本数据对应N个预设网络模型,N为大于等于1的正整数。
步骤S204,根据N组模型参数确定全局模型参数。
步骤S206,在全局模型参数满足预设条件的情况下,将全局模型参数发送给N个设备,以使N个设备根据全局模型参数更新测速软件。
可选的,在本实施例中,上述轨道交通软件远程维护方法可以包括但不限于应用于中心服务器。设备获取对交通车辆中车辆段速度监测得到的监测数据,目标区域受到外部因素的干扰,监测数据将会受到波动,监测波动得到的监测数据。设备通过对监测数据进行训练,得到对应测速软件的模型参数(相当于数据特征),中心服务器接收多个目标设备上传的多组模型参数,根据多组模型参数确定全局模型参数,在中心服务器判断出全局模型参数满足预设条件的情况下,将全局模型参数发送至需要更新的目标设备,以使目标设备根据该全局模型参数更新目标设备对应的测速软件,实现由中心服务器自动控制的远程更新。
上述目标区域可以包括但不限于在轨道交通领域,很多设备运行在车站、车辆段所在的区域。检测数据是监测目标区域的得到的数据。其中,上述目标区域受地理环境、气候的原因软件检测的数据将会发生变化,上述检测数据还可以包括目标区域的数据受到外部因素干扰,产生的波动数据。
在本实施例中,监测目标区域得到的波动数据,可以用于更新本地数据库中的数据,进而得到用于训练预设目标神经网络的样本数据集。
其中,上述N个设备可以是分布安装在轨道上的设备,可以是分布安装在交通车辆上的设备。在分布安装在交通车辆上的情况下,上述N个可以是车辆上所有的设备,可以是部分设备,例如,交通车辆为高铁,高铁车辆上等间距的分布10个设备,那个N的取值可以是1-10中的任意数值。
上述N个车辆中可以包括相同或不同个数的软件,在本实施例中,上述N个设备均安装由测速软件(即测速网络模型)。该测速软件用于测量车辆行驶过程的速度,进而根据测量的速度确定车辆是否正常行驶,在测量的速度指示车辆超速的情况下,可以通过中心服务器对车辆发送减速指令,以使车辆减速,以正常行驶速度进行行驶,避免车速过快,造成交通事故。
在实施例中,中心服务器可以位于车站,进而通过车站处的中心服务器可以远程升级部署车辆段的设备。
在本实施例中,目标边缘侧处理模块将根据波动数据训练得到测速软件对应的模型参数发送给中心服务器,其中,中心服务器可以获取多个边缘侧处理模块上传的模型参数,多个边缘侧处理模块上传的模型参数,是多个边缘侧处理模块分别根据监测数据更新本地数据库训练预设网络模型得到的目标神经网络对应的模型参数。其中,边缘侧处理模块可以理解为设备。
需要说明的是,在N为3,即如果接收3个边缘侧处理模块,边缘侧处理模块1,边缘侧处理模块2以及边缘侧处理模块3上传的3组模型参数,中心服务器将确定这3组模型参数的平均值作为全局模型参数,在判断出3个边缘侧处理模块中存在边缘侧处理模块1的测速软件的参数不满足预设条件的情况下,将全局模型参数发送至该边缘侧处理模块1,实现远程更新边缘侧处理模块1中测速软件。
还需要说明的是,上述判断边缘侧处理模块是否需要更新,还可以由边缘侧处理模块进行判断,即中心服务器将全局模型参数发送至目标边缘侧处理模块,目标边缘侧处理模块根据预设的条件确定是否需要更新本地测速软件。
又例如,边缘侧处理模块2接收中心服务器发送的全局模型参数,该全局模型参数满足预设条件,则边缘侧处理模块2更新本地的测速软件。边缘侧处理模块1和边缘侧处理模块3接收中心服务器发送的全局模型参数,该全局模型参数不满足预设条件,则边缘侧处理模块1和3将不会更新本地的测速软件。
在本实施例中,中心服务器可以根据3个边缘侧处理模块上传的3组模型参数,模型聚合过程中采用模型平均的方法,得到全局模型参数。将全局模型参数分别发送给3个边缘侧处理模块,3个边缘侧处理模块确定全局模型参数满足预先设置的条件,可以根据全局模型参数自动更新测速软件。即自动执行算法模型更新过程,进而降低软件的边缘侧(生产环境)和中心侧的联动时间,降低软件运维的成本。
通过本申请提供的实施例,通过接收采集交通车辆中车辆段速度的N个设备上传的N个测速软件对应的N组模型参数,其中,N个测速软件是通过N组样本数据训练N个预设网络模型得到的,N组样本数据是N个设备中的每个设备根据监测数据更新本地数据库得到,N组样本数据中的每组样本数据对应N个预设网络模型,N为大于等于1的正整数;根据N组模型参数确定全局模型参数;在全局模型参数满足预设条件的情况下,将全局模型参数发送给N个设备,以使N个设备根据全局模型参数更新测速软件。即通过中心服务器可以根据多个目标设备上传的多组模型参数确定的全局模型参数,在适当的时机,由中心服务器根据预设条件自动完成边缘侧(目标设备)的软件(测速软件)更新,解决了现有技术中,对边缘轨道交通软件远程维护设备效率低的技术问题。
可选的,根据N组模型参数确定全局模型参数,可以包括:采用模型平均的方法根据N组模型参数确定全局模型参数。
可选的,根据N组模型参数确定全局模型参数,可以包括:在预设时间段内,N个设备中存在M个边缘侧处理模块对应的预设网络模型训练无法进行和/或异常的情况下,接收N个设备中除去M个设备之外边缘侧处理模块对应的M-N组模型参数,其中,1≤M≤N;根据N-M组模型参数确定全局模型参数。
在本实施例中,上述预设时间可以包括但不限于30秒、60秒等。其中,为了防止某个设备离线导致训练过程无法继续,在中心服务器和设备之间采取心跳检测的方式,设备60s内不响应中心服务器,则被判定为掉线,本次训练过程可不使用该设备的数据。
其中,对于掉线后重连的边缘侧处理模块,中心服务器应当将最新的全局模型参数下发给该边缘侧处理模块。
可选的,接收采集交通车辆中车辆段速度的N个设备上传的N个测速软件对应的N组模型参数,可以包括:接收采集交通车辆中车辆段速度的N个设备上传的通过非对称加密方式中的私钥加密后的N组模型参数;通过对应的公钥对加密的N组模型参数进行解密,得到N组模型参数。
可选的,在本实施例中,边缘侧(目标设备)与中心侧(中心服务器)的联动过程中,无需上传原始数,在保护数据隐私的同时,大大节省了网络带宽。
在本实施例中,目标设备启动本地预设网络模型根据样本数据集进行训练。当本地预设网络模型训练过程结束后,得到测速软件,目标设备将把测速软件的全部参数通过非对称加密的方式发送给中心服务器,其中,目标设备可以使用私钥加密,中心服务器可以使用公钥解密。
需要说明的是,特殊情况下,当N个设备中的某设备的物理资源不支持预设网络模型的重新训练时,设备应当将自身设置为挂起状态,在该状态下,中心服务器不读取该设备测速软件对应的模型参数,但会实时将最新的全局参数下发给该设备,该设备接收后将自动更新模型。
还需要说明的是,中心服务器收集全部设备的模型训练参数(测速软件对应的模型参数)整合,将整合后的模型参数下发给各集中站处理器以达到全局模型一致。用户可以在中心服务器设置具体的训练轮次。
为了简化本方法的计算过程,在模型聚合过程中采用模型平均的方法(也可以根据实际情况选择其他方法),计算公式如下:
本实施例中,为了防止某个设备离线导致训练过程无法继续,本实施例中默认在中心服务器和设备之间采取心跳检测的方式,设备60s内不响应中心服务器,则被判定为掉线,本次训练过程可不使用该设备的数据。
其中,对于掉线后重连的设备,中心服务器应当将最新的全局模型参数下发给该设备。
以上过程完成后,中心服务器将把最新的全局模型参数下发给各个模块,各个模块使用这些参数执行算法模块的推理,继续运行在原有的生产环境中。
当以上过程执行完毕后,软件算法模块的远程维护升级全部完成。
在本实施例中还提供了又一种轨道交通软件远程维护方法,图3是根据本发明实施例的轨道交通软件远程维护方法的流程图,应用于N个设备,如图3所示,该轨道交通软件远程维护方法应用在服务器上的流程包括如下步骤:
步骤S302,获取对交通车辆中车辆段速度进行监测得到的监测数据。
步骤S304,N个设备中的每个设备根据监测数据分别更新本地数据库中的数据,得到N组样本数据集,其中,样本数据集用于训练预设网络模型,N为大于等于1的正整数。
步骤S306,在预设网络模型训练结束,得到测速软件后,将测速软件对应的模型参数发送给中心服务器。
步骤S308,接收中心服务器发送的全局模型参数,其中,全局模型参数满足预设条件。
步骤S310,根据全局模型参数更新测速软件,其中,全局模型参数包括中心服务器根据采集交通车辆中车辆段速度的N个设备上传的N组模型参数确定的,N个设备中包括对应目标神经网络的目标设备。
通过本申请提供的实施例,应用于N个设备,包括:获取对目标区域进行监测得到的监测数据;N个设备中的每个设备根据监测数据分别更新本地数据库中的数据,得到N组样本数据集,其中,样本数据集用于训练预设网络模型,N为大于等于1的正整数;在预设网络模型训练结束,得到测速软件后,将测速软件对应的模型参数发送给中心服务器;接收中心服务器发送的全局模型参数,其中,全局模型参数满足预设条件;根据全局模型参数更新测速软件,其中,全局模型参数包括中心服务器根据采集交通车辆中车辆段速度的N个设备上传的N组模型参数确定的,N个设备中包括对应目标神经网络的目标设备。即目标设备可以通过中心服务器确定的全局模型参数,在适当的时机,自动完成边缘侧的软件更新,解决了现有技术中,对边缘轨道交通软件远程维护设备效率低的技术问题。
可选的,在预设网络模型训练结束,得到测速软件后,将测速软件对应的模型参数发送给中心服务器,可以包括:N个设备中存在M个设备对应的预设网络模型训练无法进行和/或异常的情况下,将N个设备中除去M个设备之外设备对应的N-M组模型参数发送给中心服务器,其中,1≤M≤N;其中,中心服务器根据N-M组模型参数确定全局模型参数。
可选的,N个设备中的每个设备根据监测数据分别更新本地数据库中的数据,得到N组样本数据集,可以包括:N个设备中的每个设备根据监测数据通过数据分类,得到特征数据;根据特征数据更新分别更新本地数据库中的数据,得到N组样本数据集。
可选的,在预设神经网络模型训练结束,得到目标神经网络模型后,将目标神经网络模型对应的模型参数发送给中心服务器,可以包括:将模型参数通过非对称加密的方式进行加密,得到加密后的模型参数;将加密后的模型参数发送给中心服务器。
作为一种可选的实施例,本申请还提供了一种边缘侧软件算法模块远程维护升级方法。如图4所示,边缘侧软件算法模块远程维护升级方法的流程图。具体实现步骤如下。
步骤1,在线监测;
在本实施例中,在初始阶段,各个边缘侧处理模块提取各自数据库内的数据特征并上传至在线监测模块。在线监测模块通过监控数据的变动情况检测算法模块是否需要进行升级,当数据变动超过一定阈值后即可开启软件算法模块的升级流程。
在实际应用这个,在线检测模型可以将监测数据上传给分类模块,分类模块对监测数据进行分类,将分类后的数据与预先设置的阈值进行对比,在分类后的数据超预期预先设置的阈值的情况下,发出告警信息,维护人员根据告警信息进行人工审核,并手动触发升级数据调整模块,进而实现软件的升级维护。
其中,在分类的数据未超期预预先设置的阈值的情况下,在线监测模块继续进行监测。
本实施例中,采用iSST-EVT算法,利用极值理论(EVT)作为自动设置阈值的工具。通过图5所示,说明部分的工作原理。
iSST算法可以得到原始数据的剧变分数(图5(a)和(b)中黑色虚线所示),而确定剧变点需要对剧变分数设置阈值,这个阈值在不同的数据曲线中不同,EVT能够自动给出阈值(图5中虚线位置),不再需要手动设置或对剧变分数的分布做假设。
步骤2,分类;
在本实施例中,当检测出数据波动,运维工程师需要根据其领域知识判断其是否符合预期,我们提供了差分分析(DiD)的方法给运维工程师参考。当有准确的活动时刻输入(如上线、配置变更、节假日),DiD能得到当前的数据波动是否由该活动导致的而排除其他季节等条件的影响,然后由运维工程师决定该数据波动是否符合预期。当出现非预期的数据波动时,运维工程师手动触发升级流程,后续升级过程则不需要运维工程师的介入。
步骤3,数据调整;
在本实施例中,取数据波动后新的数据分布全部数据样本和它在全部时间周期上对应的若干段按采样时间逐点取中位数得到新的数据分布,进而使用新的数据分布进行后续的模型训练。
当然,在实际使用过程中也可以采取其他的数据调整方案。数据调整模块将数据特征可以分别上传设备A数据库、设备B数据库、设备C数据库。
步骤4,模型训练;
在本实施例中,数据调整模块将新的数据分布发送到各个边缘侧处理模块(相当于设备),各个边缘侧处理模块根据各自数据库的历史数据来更新各子的数据分布。
然后启动本地模型分别进行训练。当本地模型训练过程结束后,边缘侧处理模块将把模型的全部参数通过非对称加密的方式发送给中心服务器(边缘侧处理模块使用私钥加密,中心服务器使用公钥解密)。如设备A数据库对应的边缘侧处理模块A根据数据特征对模型A进行训练,设备B数据库对应的边缘侧处理模块B根据数据特征对模型B进行训练,设备C数据库对应的边缘侧处理模块C根据数据特征对模型C进行训练。
特殊情况下,当某边缘侧处理模块的物理资源不支持模型的重新训练时,边缘侧处理模块应当将自身设置为挂起状态,在该状态下,中心服务器不读取该边缘侧处理模块的模型参数,但会实时将最新的全局参数下发给该边缘侧处理模块,该边缘侧处理模块接收后将自动更新模型。
步骤5,全局更新。
在本实施例中,中心服务器收集全部边缘侧处理模块的模型训练参数整合,将整合后的模型参数下发给各集中站处理器以达到全局模型一致。用户可以在中心服务器设置具体的训练轮次。
在此过程中,为了防止某个边缘侧处理模块离线导致训练过程无法继续,在本实施例中,在中心服务器和边缘侧处理模块之间采取心跳检测的方式,边缘侧处理模块60s内不响应中心服务器,则被判定为掉线,本次训练过程可不使用该边缘侧处理模块的数据。
其中,对于掉线后重连的边缘侧处理模块,中心服务器应当将最新的全局模型参数下发给该边缘侧处理模块。
以上过程完成后,中心服务器将把最新的全局模型参数下发给各个模块,各个模块使用这些参数执行算法模块的推理,继续运行在原有的生产环境中。
当以上过程执行完毕后,软件算法模块的远程维护升级全部完成。
通过本申请提供的实施例,可以解决如下的问题:1)边缘侧与中心侧的联动过程中,无需上传原始数,在保护数据隐私的同时,大大节省了网络带宽;2)自动发现算法软件需要更新的时间节点(是否需要更新);3)自动执行算法模型更新过程;4)降低软件的边缘侧(生产环境)和中心侧的联动时间,降低软件运维的成本。
具体的,中心侧一般位于车辆段或线路控制中心,特殊情况下也可放置于云平台机房等位置;边缘侧位于车站。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种轨道交通软件远程维护装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本发明实施例的轨道交通软件远程维护装置的结构框图(一),如图6所示,该轨道交通软件远程维护装置应该于目标边缘侧处理模块中,该装置包括:
接收单元61,用于接收采集交通车辆中车辆段速度的N个设备上传的N个测速软件对应的N组模型参数,其中,N个测速软件是通过N组样本数据训练N个预设网络模型得到的,N组样本数据是N个设备中的每个设备根据监测数据更新本地数据库得到,N组样本数据中的每组样本数据对应N个预设网络模型,N为大于等于1的正整数。
确定单元63,用于根据N组模型参数确定全局模型参数。
发送单元65,用于在全局模型参数满足预设条件的情况下,将全局模型参数发送给N个设备,以使N个设备根据全局模型参数更新测速软件。
通过本申请提供的实施例,获取单元61接收采集交通车辆中车辆段速度的N个设备上传的N个测速软件对应的N组模型参数,其中,N个测速软件是通过N组样本数据训练N个预设网络模型得到的,N组样本数据是N个设备中的每个设备根据监测数据更新本地数据库得到,N组样本数据中的每组样本数据对应N个预设网络模型,N为大于等于1的正整数;确定单元63根据所述N组模型参数确定全局模型参数;发送单元65在所述全局模型参数满足预设条件的情况下,将所述全局模型参数发送给所述N个设备,以使所述N个设备根据所述全局模型参数更新测速软件。即通过中心服务器可以根据多个目标设备上传的多组模型参数确定的全局模型参数,在适当的时机,由中心服务器根据预设条件自动完成边缘侧(目标设备)的软件(测速软件)更新,对边缘轨道交通软件远程维护设备效率低的技术问题。
可选的,上述确定单元63,可以包括:确定模块,用于采用模型平均的方法根据上述N组模型参数确定全局模型参数。
可选的,上述确定模块,包括:第二确定子模块,用于在预设时间段内中,上述N个设备中存在M个边缘侧处理模块对应的预设网络模型训练无法进行和/或异常的情况下,接收上述N个设备中除去上述M个设备之外边缘侧处理模块对应的M-N组模型参数情况下,根据上述N-M组模型参数确定上述全局模型参数,其中,上述1≤M≤N;根据上述N-M组模型参数确定上述全局模型参数。
可选的,上述接收单元61,可以包括:接收模块,用于接收上述采集交通车辆中车辆段速度的N个设备上传的通过非对称加密方式中的私钥加密后的N组模型参数;解密模块,用于通过对应的公钥对上述加密的N组模型参数进行解密,得到上述N组模型参数。
在本实施例中还提供了又一种轨道交通软件远程维护装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图7是根据本发明实施例的轨道交通软件远程维护装置的结构框图(二),如图7所示,该轨道交通软件远程维护装置应该于N个设备中,该装置包括:
获取单元71,用于获取对交通车辆中车辆段速度进行监测得到的监测数据。
第一更新单元73,用于N个设备中的每个设备根据监测数据分别更新本地数据库中的数据,得到N组样本数据集,其中,样本数据集用于训练预设网络模型,N为大于等于1的正整数。
发送单元75,用于在预设网络模型训练结束,得到测速软件后,将测速软件对应的模型参数发送给中心服务器。
接收单元77,用于接收中心服务器发送的全局模型参数,其中,全局模型参数满足预设条件。
第二更新单元79,用于根据全局模型参数更新测速软件,其中,全局模型参数包括中心服务器根据采集交通车辆中车辆段速度的N个设备上传的N组模型参数确定的,N个设备中包括对应目标神经网络的目标设备。
通过本申请提供的实施例,应用于N个设备,获取单元71获取对交通车辆中车辆段速度进行监测得到的监测数据;第一更新单元73N个设备中的每个设备根据监测数据分别更新本地数据库中的数据,得到N组样本数据集,其中,样本数据集用于训练预设网络模型,N为大于等于1的正整数;发送单元75在预设网络模型训练结束,得到测速软件后,将测速软件对应的模型参数发送给中心服务器;接收单元77接收中心服务器发送的全局模型参数,其中,全局模型参数满足预设条件;第二更新单元79根据全局模型参数更新测速软件,其中,全局模型参数包括中心服务器根据采集交通车辆中车辆段速度的N个设备上传的N组模型参数确定的,N个设备中包括对应目标神经网络的目标设备。即目标设备可以通过中心服务器确定的全局模型参数,在适当的时机,自动完成边缘侧的软件更新,解决了现有技术中,对边缘轨道交通软件远程维护设备效率低的技术问题。
可选的,发送单元71,可以包括:N个设备中存在M个设备对应的预设网络模型训练无法进行和/或异常的情况下,将N个设备中除去M个设备之外设备对应的N-M组模型参数发送给中心服务器,其中,1≤M≤N;其中,中心服务器根据N-M组模型参数确定全局模型参数。
可选的,第一更新单元73,可以包括:分析模块,用于N个设备中的每个设备根据监测数据通过数据分类,得到特征数据;更新模块,用于根据特征数据更新分别更新本地数据库中的数据,得到N组样本数据集。
可选的,发送单元71,可以包括:加密模块,用于将模型参数通过非对称加密的方式进行加密,得到加密后的模型参数;发送模块,用于将加密后的模型参数发送给中心服务器。
根据本申请实施例的第一个方面,提供了一种计算机可读的存储介质,其特征在于,存储介质中存储有计算机程序,其中,计算机程序被设置为运行时执行上述轨道交通软件远程维护方法。
根据本申请实施例的第一个方面,提供了一种电子装置,包括存储器和处理器,其特征在于,存储器中存储有计算机程序,处理器被设置为运行计算机程序以执行上述轨道交通软件远程维护方法。
采用本申请实施例中提供的轨道交通软件远程维护方法,应用于目标设备,通过获取对交通车辆中车辆段速度进行监测得到的监测数据;根据监测数据更新本地数据库中的数据,样本数据集,其中,样本数据集用于训练预设网络模型;在预设网络模型训练结束,得到测速软件后,将测速软件对应的模型参数发送给中心服务器;接收中心服务器发送的全局模型参数,并根据全局模型参数更新测速软件,其中,全局模型参数包括中心服务器根据采集交通车辆中车辆段速度的N个设备上传的N组模型参数确定的,N个设备中包括对应目标神经网络的目标设备,N为大于等于1的正整数。即目标设备可以通过中心服务器确定的全局模型参数,在适当的时机,自动完成边缘侧的软件更新,解决了现有技术中,对边缘轨道交通软件远程维护设备效率低的技术问题。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,对于后者,可以通过以下方式实现,但不限于此:上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,接收采集交通车辆中车辆段速度的N个设备上传的N个测速软件对应的N组模型参数,其中,N个测速软件是通过N组样本数据训练N个预设网络模型得到的,N组样本数据是N个设备中的每个设备根据监测数据更新本地数据库得到,N组样本数据中的每组样本数据对应N个预设网络模型,N为大于等于1的正整数;
S2,根据N组模型参数确定全局模型参数;
S3,在全局模型参数满足预设条件的情况下,将全局模型参数发送给N个设备,以使N个设备根据全局模型参数更新测速软件。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器(Read-Only Memory,简称为ROM)、随机存取存储器(Random Access Memory,简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地,上述电子装置还可以包括传输设备以及输入输出设备,其中,该传输设备和上述处理器连接,该输入输出设备和上述处理器连接。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取对交通车辆中车辆段进行监测得到的监测数据;N个设备中的每个设备根据监测数据分别更新本地数据库中的数据,得到N组样本数据集,其中,样本数据集用于训练预设网络模型,N为大于等于1的正整数;
S2,在预设网络模型训练结束,得到测速软件后,将测速软件对应的模型参数发送给中心服务器;
S3,接收中心服务器发送的全局模型参数,其中,全局模型参数满足预设条件;
S4,根据全局模型参数更新测速软件,其中,全局模型参数包括中心服务器根据采集交通车辆中车辆段速度的N个设备上传的N组模型参数确定的,N个设备中包括对应测速神经网络的目标设备。
可选地,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (19)
1.一种轨道交通软件远程维护方法,其特征在于,包括:
接收采集交通车辆中车辆段速度的N个设备上传的N个测速网络模型对应的N组模型参数,其中,所述N个测速软件是通过N组样本数据训练N个预设网络模型得到的,所述N组样本数据是所述N个设备中的每个设备根据监测数据更新本地数据库得到,所述N组样本数据中的每组样本数据对应所述N个预设网络模型,所述N为大于等于1的正整数;
根据所述N组模型参数确定全局模型参数;
在所述全局模型参数满足预设条件的情况下,将所述全局模型参数发送给所述N个设备,以使所述N个设备根据所述全局模型参数更新测速软件。
2.根据权利要求1所述的方法,其特征在于,所述根据所述N组模型参数确定全局模型参数,包括:
采用模型平均的方法根据所述N组模型参数确定全局模型参数。
4.根据权利要求1所述的方法,其特征在于,所述根据所述N组模型参数确定全局模型参数,包括:
在预设时间段内,所述N个设备中存在M个设备对应的预设网络模型训练无法进行和/或异常的情况下,接收所述N个设备中除去所述M个设备之外设备对应的M-N组模型参数,其中,1≤M≤N;
根据所述N-M组模型参数确定所述全局模型参数。
5.根据权利要求1所述的方法,其特征在于,所述接收采集交通车辆中车辆段速度的N个设备上传的N个测速软件对应的N组模型参数,包括:
接收所述采集交通车辆中车辆段速度的N个设备上传的通过非对称加密方式中的私钥加密后的N组模型参数;
通过对应的公钥对所述加密的N组模型参数进行解密,得到所述N组模型参数。
6.一种轨道交通软件远程维护方法,其特征在于,应用于N个设备,包括:
获取对交通车辆中车辆段速度进行监测得到的监测数据;
所述N个设备中的每个设备根据所述监测数据分别更新本地数据库中的数据,得到N组样本数据集,其中,所述样本数据集用于训练预设网络模型,所述N为大于等于1的正整数;
在所述预设网络模型训练结束,得到测速软件后,将所述测速软件对应的模型参数发送给中心服务器;
接收所述中心服务器发送的全局模型参数,其中,所述全局模型参数满足预设条件;
根据所述全局模型参数更新所述测速软件,其中,所述全局模型参数包括所述中心服务器根据采集交通车辆中车辆段速度的N个设备上传的N组模型参数确定的,所述N个设备中包括所述测速软件对应的目标设备。
7.根据权利要求6所述的方法,其特征在于,所述在所述预设网络模型训练结束,得到测速软件后,将所述测速软件对应的模型参数发送给中心服务器,包括:
所述N个设备中存在M个设备对应的预设网络模型训练无法进行和/或异常的情况下,将所述N个设备中除去M个设备之外设备对应的N-M组模型参数发送给所述中心服务器,其中,所述1≤M≤N;
其中,所述中心服务器根据所述N-M组模型参数确定所述全局模型参数。
8.根据权利要求6所述的方法,其特征在于,所述N个设备中的每个设备根据所述监测数据分别更新本地数据库中的数据,得到N组样本数据集,包括:
所述N个设备中的每个设备根据所述监测数据通过数据分类,得到特征数据;
根据所述特征数据更新分别更新本地数据库中的数据,得到所述N组样本数据集。
9.根据权利要求6所述的方法,其特征在于,所述在所述预设神经网络模型训练结束,得到目标神经网络模型后,将所述目标神经网络模型对应的模型参数发送给中心服务器,包括:
将所述模型参数通过非对称加密的方式进行加密,得到加密后的模型参数;
将所述加密后的模型参数发送给所述中心服务器。
10.一种轨道交通软件远程维护装置,其特征在于,包括:
接收单元,用于接收采集交通车辆中车辆段速度的N个设备上传的N个测速软件对应的N组模型参数,其中,所述N个测速软件是通过N组样本数据训练N个预设网络模型得到的,所述N组样本数据是所述N个设备中的每个设备根据监测数据更新所述N个设备中的每个设备的本地数据库得到,所述N组样本数据中的每组样本数据对应所述N个预设网络模型,所述N为大于等于1的正整数;
确定单元,用于根据所述N组模型参数确定全局模型参数;
发送单元,用于在所述全局模型参数满足预设条件的情况下,将所述全局模型参数发送给所述N个设备,以使所述N个设备根据所述全局模型参数更新测速软件。
11.根据权利要求10所述的装置,其特征在于,所述确定单元,包括:
确定模块,用于采用模型平均的方法根据所述N组模型参数确定全局模型参数。
13.根据权利要求11所述的装置,其特征在于,所述确定模块,包括
第二确定子模块,用于在预设时间段内中,所述N个设备中存在M个设备对应的预设网络模型训练无法进行和/或异常的情况下,接收所述N个设备中除去所述M个设备之外设备对应的M-N组模型参数情况下,根据所述N-M组模型参数确定所述全局模型参数,其中,所述1≤M≤N;
根据所述N-M组模型参数确定所述全局模型参数。
14.根据权利要求10所述的装置,其特征在于,所述接收单元,包括:
接收模块,用于接收所述采集交通车辆中车辆段速度的N个设备上传的通过非对称加密方式中的私钥加密后的N组模型参数;
解密模块,用于通过对应的公钥对所述加密的N组模型参数进行解密,得到所述N组模型参数。
15.一种轨道交通软件远程维护装置,其特征在于,应用于N个设备,包括:
获取单元,用于获取对交通车辆中车辆段速度进行监测得到的监测数据;
第一更新单元,用于所述N个设备中的每个设备根据所述监测数据分别更新本地数据库中的数据,得到N组样本数据集,其中,所述样本数据集用于训练预设网络模型,所述N为大于等于1的正整数;
发送单元,用于在所述预设网络模型训练结束,得到测速软件后,将所述测速软件对应的模型参数发送给中心服务器;
接收单元,用于接收所述中心服务器发送的全局模型参数,其中,所述全局模型参数满足预设条件;
第二更新单元,用于根据所述全局模型参数更新所述测速软件,其中,所述全局模型参数包括所述中心服务器根据采集交通车辆中车辆段速度的N个设备上传的N组模型参数确定的,所述N个设备中包括所述测速软件对应的目标设备。
16.根据权利要求15所述的装置,其特征在于,所述发送单元,包括:
所述N个设备中存在M个设备对应的预设网络模型训练无法进行和/或异常的情况下,将所述N个设备中除去M个设备之外设备对应的N-M组模型参数发送给所述中心服务器,其中,所述1≤M≤N;
其中,所述中心服务器根据所述N-M组模型参数确定所述全局模型参数。
17.根据权利要求16所述的装置,其特征在于,所述第一更新单元,包括:
分析模块,用于所述N个设备中的每个设备根据所述监测数据通过数据分类,得到特征数据;
更新模块,用于根据所述特征数据更新分别更新本地数据库中的数据,得到所述N组样本数据集。
18.根据权利要求15所述的装置,其特征在于,所述发送单元,包括:
加密模块,用于将所述模型参数通过非对称加密的方式进行加密,得到加密后的模型参数;
发送模块,用于将所述加密后的模型参数发送给所述中心服务器。
19.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至5或6至9任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111329294.9A CN113961222A (zh) | 2021-11-10 | 2021-11-10 | 一种轨道交通软件远程维护方法及装置、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111329294.9A CN113961222A (zh) | 2021-11-10 | 2021-11-10 | 一种轨道交通软件远程维护方法及装置、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113961222A true CN113961222A (zh) | 2022-01-21 |
Family
ID=79470129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111329294.9A Pending CN113961222A (zh) | 2021-11-10 | 2021-11-10 | 一种轨道交通软件远程维护方法及装置、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113961222A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973694A (zh) * | 2022-05-19 | 2022-08-30 | 杭州中威电子股份有限公司 | 一种基于巡检机器人的隧道车流量监测系统及其方法 |
-
2021
- 2021-11-10 CN CN202111329294.9A patent/CN113961222A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973694A (zh) * | 2022-05-19 | 2022-08-30 | 杭州中威电子股份有限公司 | 一种基于巡检机器人的隧道车流量监测系统及其方法 |
CN114973694B (zh) * | 2022-05-19 | 2024-05-24 | 杭州中威电子股份有限公司 | 一种基于巡检机器人的隧道车流量监测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3745271B1 (en) | Abnormality determination device, abnormality detection model creation server, and program | |
US11909817B2 (en) | Scalable and secure vehicle to everything communications | |
EP3098798B1 (en) | Data processing method, server and terminal for internet of vehicles | |
DE102020124693B4 (de) | Adaptives Prognosesystem und Prognoseverfahren für Fahrzeuge | |
CN111509862B (zh) | 基于数字孪生云的海上平台电力系统结构优化方法及系统 | |
CN114338281B (zh) | 一种基于边缘计算网关的模型分发应用设计方法及系统 | |
DE112018003933T5 (de) | Detektor, Detektionsverfahren und Detektionsprogramm | |
DE102011014838A1 (de) | V2X-verbundene zusammenwirkende Diagnose- und Prognoseanwendungen in Fahrzeug-ad-hoc-Netzen | |
US9883429B2 (en) | Communications system and method | |
CN113255953B (zh) | Rru欠压风险预测方法、装置、系统、设备及介质 | |
CN113961222A (zh) | 一种轨道交通软件远程维护方法及装置、存储介质 | |
CN112799950A (zh) | 后台服务的负载能力测试系统、方法、存储介质及电子设备 | |
CN117014471A (zh) | 一种基于人工智能的工程物联网安全监测系统 | |
CN110139278B (zh) | 车联网下安全型防御合谋攻击的系统的方法 | |
CN112396070A (zh) | 一种模型训练方法、装置和系统,以及预测方法和装置 | |
CN114202821A (zh) | 一种车辆数据处理方法及装置 | |
Zhao et al. | Fedmix: A sybil attack detection system considering cross-layer information fusion and privacy protection | |
CN107517474B (zh) | 一种网络分析优化方法及装置 | |
CN112566043B (zh) | Mac地址的识别方法和装置、存储介质及电子设备 | |
CN116522213A (zh) | 业务状态级别分类及分类模型训练方法、电子设备 | |
WO2021188160A1 (en) | Technologies for decentralized fleet analytics | |
US11374667B2 (en) | Localizing communications interference node | |
CN115185780B (zh) | 基于工业互联网的数据采集方法及系统 | |
GB2579390A (en) | Method and system for data collection in a road network | |
CN118133338A (zh) | 基于联邦学习的复杂机电系统数据协同管理系统 |
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 |