CN114039918A - 一种信息年龄优化方法、装置、计算机设备及存储介质 - Google Patents

一种信息年龄优化方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN114039918A
CN114039918A CN202111245878.8A CN202111245878A CN114039918A CN 114039918 A CN114039918 A CN 114039918A CN 202111245878 A CN202111245878 A CN 202111245878A CN 114039918 A CN114039918 A CN 114039918A
Authority
CN
China
Prior art keywords
flow
information age
application
delay
industrial control
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
Application number
CN202111245878.8A
Other languages
English (en)
Other versions
CN114039918B (zh
Inventor
罗建桢
童至玄
蔡君
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.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal 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 Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Publication of CN114039918A publication Critical patent/CN114039918A/zh
Application granted granted Critical
Publication of CN114039918B publication Critical patent/CN114039918B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/10—Flow control; Congestion control
    • H04L47/12—Avoiding congestion; Recovering from congestion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L47/00—Traffic control in data switching networks
    • H04L47/70—Admission control; Resource allocation
    • H04L47/80—Actions related to the user profile or the type of traffic
    • H04L47/805—QOS or priority aware
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本申请实施例属于通信/大数据领域，涉及一种信息年龄优化方法，包括步骤：提取工控设备流量的行为特征，得到工控设备的行为特征值；根据行为特征值，建立工控设备的行为模型；根据行为模型，预测延时计算应用的信息年龄；根据预测的延时计算应用的信息年龄，调整设备流量分配策略，进一步优化信息年龄。本申请还提供一种信息年龄优化装置、计算机设备及存储介质。使用隐半马尔科夫模型HSMM，对每类设备的流量建立相应的模型，并预测出每类设备流量未来大小，部署在各网关内计算每类设备流量延时，预测出应用程序信息年龄，动态调整采样策略，实现应用最优化信息年龄，实现了对应用行为的全程监控，减少传输时延，使信息能够快速准确的到达目的地。

Description

一种信息年龄优化方法、装置、计算机设备及存储介质
技术领域
本申请涉及通信/大数据技术领域，尤其涉及一种信息年龄优化方法、装置、计算机设备及存储介质。
背景技术
信息年龄(AoI，Age of Information)是指信息传输中，当前时间与信息从源端口发送的时间的差值，差值越大，信息年龄越大，表明信息也就越陈旧。信息年龄是体现信息时效性的重要指标，对于工业控制具有重要的意义。
在智能工厂生产中，智能感知设备以及边缘计算机等感知到的潜在的工厂生产的物理行为，会被转化成计算机数据值，通过通信网络传输将计算任务卸载到云化PLC(vPLC)内，在那里它们被处理以提取有意义的信息。在信息传输过程中，各类应用将决策方从设备处请求的信息和决策方发送给设备的解决方案要快速而准确的将计算任务卸载给对应的vPLC，将这类应用称之为时敏应用，而要实现这些时敏应用的实时高精准检测与控制，应在控制服务器中保证工业系统状态更新的时效性，其重要指标也就是信息年龄。
为了保证信息时效性，也就是保证信息的信息年龄的最小化，现有方法一般期望信息采集节点尽可能快的进行信息采集，或者通过优化节点队列的调度策略最小化平均AoI。一方面通过求解一个以最小化平均信息年龄或者峰值信息年龄为目标函数的优化问题，得到最佳的信息更新周期。另一方面，基于队列调度策略优化的方法旨在找到一个最佳的信息调度策略，降低数据的排队时延，以最小化平均信息年龄或者峰值信息年龄。然而，这些方法都是对整个生产过程采用相同的低采样周期，由于网络资源有限，当节点以较快的速率进行信息采集，将会导致网络负载较大，甚至导致网络拥塞，从而造成资源的浪费，增加了带宽，队列，处理等压力，导致传输时延，排队时延，处理时延的增加，反而使得数据包无法有效的到达目的节点。
发明内容
本申请实施例的目的在于提出一种信息年龄优化方法、装置、计算机设备及存储介质，以解决现有技术中因采用信息年龄最小化方法导致网络负载较大，甚至导致网络拥塞，从而造成资源的浪费，增加了带宽的问题。
为了解决上述技术问题，本申请实施例提供一种信息年龄优化方法，采用了如下所述的技术方案，包括步骤：
提取工控设备流量的行为特征，得到所述工控设备的行为特征值；
根据所述行为特征值，建立所述工控设备的行为模型；
根据所述行为模型，预测延时计算应用的信息年龄；
根据预测的延时计算应用的信息年龄，调整设备流量分配策略，进一步优化信息年龄。
进一步的，所述提取工控设备流量的行为特征，得到所述工控设备的行为特征值的步骤还包括：
根据所述工控设备流量，统计数据包长度作为所述工控设备流量特征
根据所述协议流量特征，构建工业应用流量特征的时间序列；
将所述时间序列作为观测序列，再将所述观测序列按照时隙进行切分，提取每一时隙观测序列的负载特征。
进一步的，所述根据所述行为特征值，建立所述工控设备的行为模型的步骤具体包括：
将所述行为特征值作为训练集，根据所述训练集，建立hsmm模型；
采用基于前向后向迭代的最大期望算法EM训练hsmm的模型。
进一步的，所述根据所述行为模型，预测延时计算应用的信息年龄的步骤具体包括：
基于所述行为模型，计算已观测流量序列的最大似然隐状态序列；
根据已观测流量序列的最大似然隐状态序列，预测下一时刻的隐状态；
根据隐状态的观测值分布函数，估计下一时刻的流量，预测延时计算应用的信息年龄。
进一步的，所述根据预测的延时计算应用的信息年龄，调整设备流量分配策略，进一步优化信息年龄的步骤还包括：
设置调度优先度的算法；
根据所述调度优先度的算法，采用采样频率和调度协同的联合优化方式，计算所述工控设备中各应用中进行采样并调整过优先度的流量后的应用信息年龄；
查询所述工控设备中各应用中进行采样并调整过优先度的流量后的应用信息年龄最小值。
进一步的，所述采用采样频率和调度协同的联合优化方式的步骤还包括：
采用二分法获得采样频率，根据采样频率和预测的延时计算应用的信息年龄，估算出下一时隙的队列情况、网关负载情况；
根据估算的下一时隙的队列情况、网关负载情况，计算每个流的时延tw和时延适合度；
判断时延适合度是否有所改善，如果是，则继续在同一侧采用二分法找下一个周期，如果否，则在另一侧采用二分法找下一个频率，不断重复这个过程，当时延适合度小于1的流数量占应用中总的流数据量的流数量阈值时，即调整优先度后输出设备协议流量排列结果。
为了解决上述技术问题，本申请实施例还提供一种信息年龄优化装置，采用了如下所述的技术方案，包括：
提取模块，用于提取工控设备流量的行为特征，得到所述工控设备的行为特征值；
建模模块，用于根据所述行为特征值，建立所述工控设备的行为模型；
预测模块，用于根据所述行为模型，预测延时计算应用的信息年龄；及
优化模块，用于根据预测的延时计算应用的信息年龄，调整设备流量分配策略，进一步优化信息年龄。
进一步的，所述提取模块包括：
采集模块，用于采集所述工控设备的协议流量；
特征提取模块，用于根据所述协议流量，提取所述协议流量特征；
构建模块，用于根据所述协议流量特征，构建工业应用流量的时间序列；
切分模块，用于将所述时间序列作为观测序列，再将所述观测序列按照时隙进行切分，提取每一时隙观测序列的负载特征。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述的信息年龄优化方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述的信息年龄优化方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：使用隐半马尔科夫模型HSMM，对每类设备的流量都建立了相应的模型，并预测出每类设备流量未来大小情况，部署在各网关内计算每类设备流量延时，最后预测出每个应用程序的信息年龄，然后动态调整采样策略，实现最优化的应用信息年龄AoI，相比于现有的全局使用相同的采样策略，本发明的基于多个工控设备多个应用的动态多目标优化策略不仅实现了对应用行为的全程精细监控，而且能够降低信息年龄，减少传输的时延，使信息能够快速准确的到达目的地。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，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是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的信息年龄优化方法的一个实施例的流程图；
图3是图2中使用的信息年龄优化系统框架图；
图4是根据本申请的信息年龄优化装置的一个实施例的结构示意图；
图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture E信息年龄优化pertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureE信息年龄优化perts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的信息年龄优化方法一般由服务器/终端设备执行，相应地，信息年龄优化装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的信息年龄优化的方法的一个实施例的流程图。所述的信息年龄优化方法，包括以下步骤：
步骤S201，提取工控设备流量的行为特征，得到所述工控设备的行为特征值。
在本实施例中，信息年龄优化方法运行于其上的电子设备(例如图1所示的服务器/终端设备)可以通过有线连接方式或者无线连接方式接收信息年龄优化请求。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMA信息年龄优化连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
提取工控设备流量的行为特征，得到所述工控设备的行为特征值的步骤还包括：
S2011、采集所述工控设备的数据包流量。
在工控设备与外部的交换机端口处放置探针，探针检测并统计在一段时间的通信时所产生的数据包文件，除了通用的TCP、UDP等传输层协议数据包，还可以包括modbus、BACnet等其他的工控协议的应用层数据，从设备采集的数据包组合成一条数据流，称为协议流量。
S2012、根据所述数据包流量，统计数据包长度做为所述工控设备流量特征。
在协议流量中，本实施例在具体实施时，可以通过wireshark软件统计计算协议流量内的数据包的个数，以及每个数据包的长度即字节数，并将数据包的长度作为协议流量的特征。可以保存协议流量的特征为表格、数据库形式等。
S2013、根据所述协议流量特征，构建工业应用流量的时间序列。
提取含有协议流量特征的表格，在每一个数据包上加上发送的时间标签，根据时间标签构建协议流量特征的时间序列。
S2014、将所述时间序列作为观测序列，再将所述观测序列按照时隙进行切分，提取每一时隙观测序列的负载特征。
设定一个时间段如0.5ms作为时隙，将负载特征的时间序列按照时隙切分，并将切分的结果当作观测序列的特征元素，这样就得到了一个观测序列的负载特征。
工业应用相应的生产过程可以使用若干个隐状态表示其繁忙程度，该繁忙程度可以通过应用的负载(即负载时间序列的特征观测值)表现出来。根据繁忙的级别，设定若干个有序的隐状态，隐状态值越大，代表繁忙程度越高。为了确定观测值的状态数量M，本文以时隙为统计单位，将观测序列O各时隙的负载量聚类为M各簇，并根据各簇中心的数值从小到大依次为各簇分配隐状态1、2、……、M。
步骤S202，根据所述行为特征值，建立所述工控设备的行为模型。
在本实施例中，根据所述行为特征值，建立所述工控设备的行为模型的步骤具体包括：
将所述行为特征值作为训练集，根据所述训练集，建立隐半马尔可夫模型(hiddensemi-Markov models，HSMM)；
采用基于前向后向迭代的最大期望算法(Expectation-Maximizationalgorithm,EM)训练隐半马尔可夫模型(hidden semi-Markov models，HSMM)。
假设各隐状态m的观测值服从以隐状态对应的簇中心为均值的高斯分布G_m，为确定个隐状态的高斯分布模型参数，使用各簇的观测值拟合高斯分布，作为hsmm中隐状态的高斯分布参数初始值。
基于观测值的高斯分布模型，hsmm的发射概率可根据概率性质计算，即
bm(ot)＝Gm(|x-um|≤|ot-um|)。
其中bm(ot)指的是观测序列的每个数据ot转换为隐状态m的概率，um为m状态对应的所有观测序列数据在高斯分布下的均值，Gm为在高斯分布的条件下求概率。
根据训练数据集的所有工业应用协议流量观测序列，统计各观测序列的初始隐状态分布，以此作为训练hsmm初始状态分布的初始值；统计各观测序列中所有时刻的隐状态转移频率，作为训练hsmm状态转移概率矩阵的初始值。
利用训练集的所有观测序列，采用基于前向后向迭代的EM算法训练hsmm的模型参数。
步骤S203，根据所述行为模型，预测延时计算应用的信息年龄。
利用模型各参数计算序列下一时刻出现最大概率的状态，实现状态预测，再计算此预测状态下的延时，根据应用内所有设备的延时及采样频率等参数计算信息年龄。
在本实施例中，根据所述行为模型，预测延时计算应用的信息年龄的步骤具体包括：
基于所述行为模型，计算已观测流量序列的最大似然隐状态序列；
根据已观测流量序列的最大似然隐状态序列，预测下一时刻的隐状态；
根据隐状态的观测值分布函数，估计下一时刻的流量，预测延时计算应用的信息年龄。
先基于hsmm根据已观测流量序列计算当前的隐状态值，进而根据hsmm的状态转移矩阵计算出现下一个状态的概率值，获得下一时刻最大可能的隐状态，并根据状态持续时间概率矩阵计算最大可能隐状态的持续时间；下一时刻的流量负载为最大可能隐状态的高斯分布中心均值。
基于训练的hsmm计算已观测流量序列的最大似然隐状态序列，预测下一时刻的隐状态，进而根据隐状态的观测值分布函数估计下一时刻的流量。
步骤S204，根据预测的延时计算应用的信息年龄，调整设备流量分配策略，进一步优化信息年龄。
图3是图2中使用的信息年龄优化系统框架图。请参考图3，数据在网络中包括以下方面的时延：数据进出网关的发送延时、排队延时、在链路上的传输时延以及数据在网关内的处理时延，其中发送时延与数据的大小、链路带宽有关，排队时延与网关的数据到达率有关，传输时延与链路的距离有关。
网关对单个数据单元(例如一个数据包)的处理时延tproc是相同的，即
Figure BDA0003320944430000091
其中μ为网关的处理速率，即网关在单位时间内处理的数据单元总个数。
发送时延tsend为平均单元数据长度除以网关的发送速率，发送速率为路由器本身的参数。
传播时延等于链路长度除以信号在介质中的传播速度(接近光速)，在边缘计算网络中，两点之间的距离通常很小，链路长度不大，因此传播时延非常小。相对于其他时延，传播时延可以忽略不计。
其中节点处的排队延迟取决于出口接口负载，用loadlink表示。负载是分配的带宽(来自以前的连接)与总链路带宽的比率。使用一个简单的M/M/1排队模型表示，其中处理时延为tproc，则排队延迟tqueue为：
Figure BDA0003320944430000101
每个数据在单个网关w的时延为tw＝tsend+tproc+tqueue。
根据以上的时延模型，计算每一个数据d从源设备到达vPLC的时延td为：
Figure BDA0003320944430000105
其中dij为数据d从i节点到j节点的路径，数据d到达云化PLC(vPLC)时，数据d在系统的信息年龄AoI为由Id＝td+Td下降为td。其中，Td表示采样周期。
如果某个应用p具有K个设备，其云化PLC需要接收K个设备的数据，那么应用的信息年龄AoI为：
Figure BDA0003320944430000102
其中，
Figure BDA0003320944430000103
表示有k个设备的应用p的信息年龄。本发明的优化目标是尽可能的最小化应用信息年龄，表示为
Figure BDA0003320944430000104
在工业的生产过程中，存在有N个应用A1，A2，A3，…,AN，每个应用会让多个车间的多台设备同时工作。
本发明从实际生产车间的不同应用的不同设备内提取其流量的历史数据，再利用这些设备流量训练HSMM，建立对应这些设备的行为模型，将这些设备定义为D1，D2，D3，…，DK。
再将工厂每个车间的网关的定义为G1，G2，G3，…，GW，每个车间内都存在多台设备，这些设备流量进出车间时都需要经过网关。
记工业网络的网络拓扑图为G＝(G1，G2，G3，…，GW)，节点间的权重都相等，其中包含了W个网关节点，网关节点之间的链路连接情况都是确定的，vPLC部署在其中某个网关节点的边缘服务器上，网关节点到vPLC间的延时忽略不计。
每个设备对应的流量都有一条到vPLC所在的网关边缘服务器节点的路由路径，统计每条设备流流过的节点以及流经各链路的字节数的大小并标记为l1，l2，l3，…lN。
优化分配每个链路的带宽{Bn|1≤n≤N}，目的是尽可能小的降低流量的排队延时，由于带宽Bn支持ln个比特的字节数传输，可以将带宽分配策略设定为：
Figure BDA0003320944430000111
由于带宽仅取决于传输位数，工厂的总带宽为Btotal，根据上式，可以获得每条链路的带宽的另一种表现形式：
Figure BDA0003320944430000112
其中L为所有设备传输的字节数之和。
计算其路径的各链路上分配的带宽占总链路带宽的比例loadlink，也就是设备流量平均时隙流量大小占链路上所有通过的流量大小的总和的比例。
根据结果以及延时公式，每个网关节点的处理速率为μ，发送速率为ν，计算出经过每个网关的处理时延tproc，发送时延tsend，在链路上的传输时延ttrans以及在网关的链路上的排队时延tqueue，在不考虑传输时延的情况下，只要求出每个流量在通过各链路及网关时的延时：tw＝tproc+tsend+tqueue，就是在一个时隙内设备流量从网关节点到云化PLC(vPLC)的延时。
再根据以上步骤，就可以依次求出每个时隙的各设备延时。
将上面各设备的流量放入已经训练好的对应的各个模型HD中，下标D指对应的设备编号，应用Ai的最低容忍延时记为
Figure BDA0003320944430000113
通过预测出来的流量大小数据，计算出未来各设备流量的延时
Figure BDA0003320944430000114
则每个流的时延适合度设为
Figure BDA0003320944430000115
流数量阈值σ设为0～20％。如果存在超过1-σ的流的时延适合度大于1，则启动采样频率、调度协同的联合优化机制，找到最优的采样频率，调整调度优先度；
否则，则通过调整调度优先度，抢先处理适合度低的流，以保证满足时延要求。
在本实施例的一些可选的实现方式中，根据预测的延时计算应用的信息年龄，调整设备流量分配策略，进一步优化信息年龄的步骤还包括：
设置调度优先度的算法；
根据所述调度优先度的算法，采用采样频率和调度协同的联合优化方式，计算所述工控设备中各应用中进行采样并调整过优先度的流量后的应用信息年龄；
查询所述工控设备中各应用中进行采样并调整过优先度的流量后的应用信息年龄最小值。
根据时延适合度的值从小到大排序，并按排序结果设置优先度，时延适合度的值越小，优先度越高。
在本实施例的一些可选的实现方式中，采用采样频率和调度协同的联合优化方式的步骤还包括：
采用二分法获得采样频率，根据采样频率和预测的延时计算应用的信息年龄，估算出下一时隙的队列情况、网关负载情况；
根据估算的下一时隙的队列情况、网关负载情况，计算每个流的时延tw和时延适合度；
判断时延适合度是否有所改善，如果是，则继续在同一侧采用二分法找下一个周期，如果否，则在另一侧采用二分法找下一个频率，不断重复这个过程，每个应用存在一个最低容忍延时，当应用延时高于最低容忍延时时，应用的反应就会过慢，从而影响应用的正常工作，所以调整应用设备流，直到低于或等于流数量阈值σ的流的时延适合度小于1，也就是应用能够在容忍的范围内正常工作，再调整优先度后输出设备流排列结果，再根据采样频率计算信息年龄。
计算各应用中通过上述步骤进行采样并调整过优先度的流量后的应用其AoI即可以实现有效的最小化。
实施本实施例，使用隐半马尔科夫模型HSMM，对每类设备的流量都建立了相应的模型，并预测出每类设备流量未来大小情况，部署在各网关内计算每类设备流量延时，最后预测出每个应用程序的信息年龄，然后动态调整采样策略，实现最优化的应用信息年龄AoI，相比于现有的全局使用相同的采样策略，本发明的基于多个工控设备多个应用的动态多目标优化策略不仅实现了对应用行为的全程精细监控，而且能够降低信息年龄，减少传输的时延，使信息能够快速准确的到达目的地。需要强调的是，为进一步保证上述信息年龄优化信息的私密和安全性，上述信息年龄优化信息还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图4，作为对上述图2所示方法的实现，本申请提供了一种信息年龄优化装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例所述的信息年龄优化装置400包括：提取模块401、建模模块402、预测模块403以及优化模块404。其中：
提取模块401，用于提取工控设备流量的行为特征，得到所述工控设备的行为特征值；
建模模块402，用于根据所述行为特征值，建立所述工控设备的行为模型；
预测模块403，用于根据所述行为模型，预测延时计算应用的信息年龄；及
优化模块404，用于根据预测的延时计算应用的信息年龄，调整设备流量分配策略，进一步优化信息年龄。
在本实施例的一些可选的实现方式中，提取模块401进一步包括采集模块4011、特征提取模块4012、构建模块4013、切分模块4014，其中：
采集模块4011，用于采集所述工控设备的协议流量；
特征提取模块4012，用于根据所述协议流量，提取所述协议流量特征。
构建模块4013，用于根据所述协议流量特征，构建工业应用流量的时间序列；
切分模块4014，用于将所述时间序列作为观测序列，再将所述观测序列按照时隙进行切分，提取每一时隙观测序列的负载特征。。
使用隐半马尔科夫模型HSMM，对每类设备的流量都建立了相应的模型，并预测出每类设备流量未来大小情况，部署在各网关内计算每类设备流量延时，最后预测出每个应用程序的信息年龄，然后动态调整采样策略，实现最优化的应用信息年龄AoI，相比于现有的全局使用相同的采样策略，本发明的基于多个工控设备多个应用的动态多目标优化策略不仅实现了对应用行为的全程精细监控，而且能够降低信息年龄，减少传输的时延，使信息能够快速准确的到达目的地。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图5，图5为本实施例计算机设备基本结构框图。
所述计算机设备6包括通过系统总线相互通信连接存储器61、处理器62、网络接口63。需要指出的是，图中仅示出了具有组件61-63的计算机设备6，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器61至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或D信息年龄优化存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器61可以是所述计算机设备6的内部存储单元，例如该计算机设备6的硬盘或内存。在另一些实施例中，所述存储器61也可以是所述计算机设备6的外部存储设备，例如该计算机设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器61还可以既包括所述计算机设备6的内部存储单元也包括其外部存储设备。本实施例中，所述存储器61通常用于存储安装于所述计算机设备6的操作系统和各类应用软件，例如信息年龄优化方法的计算机可读指令等。此外，所述存储器61还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器62在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器62通常用于控制所述计算机设备6的总体操作。本实施例中，所述处理器62用于运行所述存储器61中存储的计算机可读指令或者处理数据，例如运行所述信息年龄优化方法的计算机可读指令。
所述网络接口63可包括无线网络接口或有线网络接口，该网络接口63通常用于在所述计算机设备6与其他电子设备之间建立通信连接。
采用本实施例，使用隐半马尔科夫模型HSMM，对每类设备的流量都建立了相应的模型，并预测出每类设备流量未来大小情况，部署在各网关内计算每类设备流量延时，最后预测出每个应用程序的信息年龄，然后动态调整采样策略，实现最优化的应用信息年龄AoI，相比于现有的全局使用相同的采样策略，本发明的基于多个工控设备多个应用的动态多目标优化策略不仅实现了对应用行为的全程精细监控，而且能够降低信息年龄，减少传输的时延，使信息能够快速准确的到达目的地。
本申请还提供了另一种实施方式，即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计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的信息年龄优化方法的步骤。
采用本实施例，使用隐半马尔科夫模型HSMM，对每类设备的流量都建立了相应的模型，并预测出每类设备流量未来大小情况，部署在各网关内计算每类设备流量延时，最后预测出每个应用程序的信息年龄，然后动态调整采样策略，实现最优化的应用信息年龄AoI，相比于现有的全局使用相同的采样策略，本发明的基于多个工控设备多个应用的动态多目标优化策略不仅实现了对应用行为的全程精细监控，而且能够降低信息年龄，减少传输的时延，使信息能够快速准确的到达目的地。
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上述实施例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，本申请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，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种信息年龄优化方法，其特征在于，包括步骤：
提取工控设备流量的行为特征，得到所述工控设备的行为特征值；
根据所述行为特征值，建立所述工控设备的行为模型；
根据所述行为模型，预测延时计算应用的信息年龄；
根据预测的延时计算应用的信息年龄，调整设备流量分配策略，进一步优化信息年龄。
2.根据权利要求1所述的信息年龄优化方法，其特征在于，所述提取工控设备流量的行为特征，得到所述工控设备的行为特征值的步骤还包括：
采集所述工控设备的数据包流量；
根据所述数据包流量，统计数据包长度做为所述工控设备流量特征；
根据所述流量特征，构建工业应用流量特征的时间序列；
将所述时间序列作为观测序列，再将所述观测序列按照时隙进行切分，提取每一时隙观测序列的负载特征。
3.根据权利要求1所述的信息年龄优化方法，其特征在于，所述根据所述行为特征值，建立所述工控设备的行为模型的步骤具体包括：
将所述行为特征值作为训练集，根据所述训练集，建立hsmm模型；
采用基于前向后向迭代的最大期望算法EM训练hsmm的模型。
4.根据权利要求1所述的信息年龄优化方法，其特征在于，所述根据所述行为模型，预测延时计算应用的信息年龄的步骤具体包括：
基于所述行为模型，计算已观测流量序列的最大似然隐状态序列；
根据已观测流量序列的最大似然隐状态序列，预测下一时刻的隐状态；
根据隐状态的观测值分布函数，估计下一时刻的流量，预测延时计算应用的信息年龄。
5.根据权利要求1至4任意一项所述的信息年龄优化方法，其特征在于，所述根据预测的延时计算应用的信息年龄，调整设备流量分配策略，进一步优化信息年龄的步骤还包括：
设置调度优先度的算法；
根据所述调度优先度的算法，采用采样频率和调度协同的联合优化方式，计算所述工控设备中各应用中进行采样并调整过优先度的流量后的应用信息年龄；
查询所述工控设备中各应用中进行采样并调整过优先度的流量后的应用信息年龄最小值。
6.根据权利要求5所述的信息年龄优化方法，其特征在于，所述采用采样频率和调度协同的联合优化方式的步骤还包括：
采用二分法获得采样频率，根据采样频率和预测的延时计算应用的信息年龄，估算出下一时隙的队列情况、网关负载情况；
根据估算的下一时隙的队列情况、网关负载情况，计算每个流的时延tw和时延适合度；
判断时延适合度是否有所改善，如果是，则继续在同一侧采用二分法找下一个周期，如果否，则在另一侧采用二分法找下一个频率，不断重复这个过程，当时延适合度小于1的流数量占应用中总的流数量的流数量阈值时，即调整优先度后输出协议流量的排列结果。
7.一种信息年龄优化装置，其特征在于，包括：
提取模块，用于提取工控设备流量的行为特征，得到所述工控设备的行为特征值；
建模模块，用于根据所述行为特征值，建立所述工控设备的行为模型；
预测模块，用于根据所述行为模型，预测延时计算应用的信息年龄；及
优化模块，用于根据预测的延时计算应用的信息年龄，调整设备流量分配策略，进一步优化信息年龄。
8.根据权利要求7所述的信息年龄优化装置，其特征在于，所述提取模块包括：
采集模块，用于采集所述工控设备的协议流量；
特征提取模块，用于根据所述协议流量，提取所述协议流量特征；
构建模块，用于根据所述协议流量特征，构建工业应用流量的时间序列；
切分模块，用于将所述时间序列作为观测序列，再将所述观测序列按照时隙进行切分，提取每一时隙观测序列的负载特征。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至6中任一项所述的信息年龄优化方法的步骤。
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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至6中任一项所述的信息年龄优化方法的步骤。
CN202111245878.8A 2021-10-09 2021-10-26 一种信息年龄优化方法、装置、计算机设备及存储介质 Active CN114039918B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021111780261 2021-10-09
CN202111178026 2021-10-09

Publications (2)

Publication Number Publication Date
CN114039918A true CN114039918A (zh) 2022-02-11
CN114039918B CN114039918B (zh) 2023-07-18

Family

ID=80135397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111245878.8A Active CN114039918B (zh) 2021-10-09 2021-10-26 一种信息年龄优化方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN114039918B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114615684A (zh) * 2022-02-25 2022-06-10 哈尔滨工业大学（深圳） 闭环系统的信息年龄优化方法、装置及存储介质
CN114745389A (zh) * 2022-05-19 2022-07-12 电子科技大学 移动边缘计算系统的计算卸载方法
CN115086190A (zh) * 2022-06-29 2022-09-20 中国电信股份有限公司 数据处理方法及装置、计算机可存储介质
CN115242301A (zh) * 2022-07-22 2022-10-25 中国电信股份有限公司 网络链路监测方法及装置、存储介质、通信设备
CN115396384A (zh) * 2022-07-28 2022-11-25 广东技术师范大学 一种数据包调度方法、系统及存储介质
CN115442910A (zh) * 2022-10-12 2022-12-06 香港中文大学（深圳） 一种基于最大权重调度策略的时延和时新联合优化方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040219909A1 (en) * 2003-04-30 2004-11-04 Harris Corporation Predictive routing including the use of fuzzy logic in a mobile ad hoc network
US20040218548A1 (en) * 2003-04-30 2004-11-04 Harris Corporation Predictive routing in a mobile ad hoc network
US20140281019A1 (en) * 2013-03-15 2014-09-18 Microsoft Corporation Network Transmission Adjustment Based On Application-Provided Transmission Metadata
CN107911367A (zh) * 2017-11-17 2018-04-13 广州中国科学院沈阳自动化研究所分所 一种数字化车间网络和数据交换系统
CN109640370A (zh) * 2019-02-02 2019-04-16 北京邮电大学 一种基于信息新鲜度的车联网传输方法及装置
CN110543185A (zh) * 2019-07-19 2019-12-06 宁波大学 一种基于最小化信息年龄的无人机数据收集方法
CN111182645A (zh) * 2019-12-30 2020-05-19 赣江新区智慧物联研究院有限公司 一种基于信息年龄的物联网组网方法
CN111262947A (zh) * 2020-02-10 2020-06-09 深圳清华大学研究院 基于移动边缘计算的计算密集型数据状态更新实现方法
CN111601269A (zh) * 2020-05-15 2020-08-28 中国民航大学 一种基于信息新鲜度判断事件触发卡尔曼一致性滤波方法
CN112752337A (zh) * 2020-12-16 2021-05-04 南京航空航天大学 一种基于q学习的无人机中继协助保持信息新鲜度的系统和方法
CN113259968A (zh) * 2021-04-14 2021-08-13 国网四川省电力公司电力科学研究院 基于信息新鲜度的配电网设备智能计算方法
CN113271256A (zh) * 2021-04-06 2021-08-17 北京邮电大学 一种信息年龄多路径传输方法及系统
CN113438315A (zh) * 2021-07-02 2021-09-24 中山大学 基于双网络深度强化学习的物联网信息新鲜度优化方法
CN113472689A (zh) * 2021-06-22 2021-10-01 桂林理工大学 一种基于双缓存区AoI感知的物联网数据收集方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040219909A1 (en) * 2003-04-30 2004-11-04 Harris Corporation Predictive routing including the use of fuzzy logic in a mobile ad hoc network
US20040218548A1 (en) * 2003-04-30 2004-11-04 Harris Corporation Predictive routing in a mobile ad hoc network
US20140281019A1 (en) * 2013-03-15 2014-09-18 Microsoft Corporation Network Transmission Adjustment Based On Application-Provided Transmission Metadata
CN107911367A (zh) * 2017-11-17 2018-04-13 广州中国科学院沈阳自动化研究所分所 一种数字化车间网络和数据交换系统
CN109640370A (zh) * 2019-02-02 2019-04-16 北京邮电大学 一种基于信息新鲜度的车联网传输方法及装置
CN110543185A (zh) * 2019-07-19 2019-12-06 宁波大学 一种基于最小化信息年龄的无人机数据收集方法
CN111182645A (zh) * 2019-12-30 2020-05-19 赣江新区智慧物联研究院有限公司 一种基于信息年龄的物联网组网方法
CN111262947A (zh) * 2020-02-10 2020-06-09 深圳清华大学研究院 基于移动边缘计算的计算密集型数据状态更新实现方法
CN111601269A (zh) * 2020-05-15 2020-08-28 中国民航大学 一种基于信息新鲜度判断事件触发卡尔曼一致性滤波方法
CN112752337A (zh) * 2020-12-16 2021-05-04 南京航空航天大学 一种基于q学习的无人机中继协助保持信息新鲜度的系统和方法
CN113271256A (zh) * 2021-04-06 2021-08-17 北京邮电大学 一种信息年龄多路径传输方法及系统
CN113259968A (zh) * 2021-04-14 2021-08-13 国网四川省电力公司电力科学研究院 基于信息新鲜度的配电网设备智能计算方法
CN113472689A (zh) * 2021-06-22 2021-10-01 桂林理工大学 一种基于双缓存区AoI感知的物联网数据收集方法
CN113438315A (zh) * 2021-07-02 2021-09-24 中山大学 基于双网络深度强化学习的物联网信息新鲜度优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ARNAU ROVIRA-SUGRANES等: "Optimizing the Age of Information for Blockchain Technology With Applications to IoT Sensors", 《IEEE COMMUNICATIONS LETTERS》, vol. 24, no. 1, XP011765795, DOI: 10.1109/LCOMM.2019.2949557 *
TSE-TIN CHAN等: "Age of Information With Joint Packet Coding in Industrial IoT", 《IEEE WIRELESS COMMUNICATIONS LETTERS》, vol. 10, no. 11, XP011887279, DOI: 10.1109/LWC.2021.3105304 *
赵悦超等: "无线传感器网络中基于信息年龄的状态更新策略", 《微电子学与计算机》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114615684A (zh) * 2022-02-25 2022-06-10 哈尔滨工业大学（深圳） 闭环系统的信息年龄优化方法、装置及存储介质
CN114615684B (zh) * 2022-02-25 2023-07-25 哈尔滨工业大学（深圳） 闭环系统的信息年龄优化方法、装置及存储介质
CN114745389A (zh) * 2022-05-19 2022-07-12 电子科技大学 移动边缘计算系统的计算卸载方法
CN115086190A (zh) * 2022-06-29 2022-09-20 中国电信股份有限公司 数据处理方法及装置、计算机可存储介质
CN115086190B (zh) * 2022-06-29 2024-03-01 中国电信股份有限公司 数据处理方法及装置、计算机可存储介质
CN115242301A (zh) * 2022-07-22 2022-10-25 中国电信股份有限公司 网络链路监测方法及装置、存储介质、通信设备
CN115242301B (zh) * 2022-07-22 2024-05-14 中国电信股份有限公司 网络链路监测方法及装置、存储介质、通信设备
CN115396384A (zh) * 2022-07-28 2022-11-25 广东技术师范大学 一种数据包调度方法、系统及存储介质
CN115396384B (zh) * 2022-07-28 2023-11-28 广东技术师范大学 一种数据包调度方法、系统及存储介质
CN115442910A (zh) * 2022-10-12 2022-12-06 香港中文大学（深圳） 一种基于最大权重调度策略的时延和时新联合优化方法

Also Published As

Publication number Publication date
CN114039918B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN114039918B (zh) 一种信息年龄优化方法、装置、计算机设备及存储介质
CN107786388B (zh) 一种基于大规模网络流数据的异常检测系统
CN107360032B (zh) 一种网络流识别方法及电子设备
US7826351B2 (en) MMPP analysis of network traffic using a transition window
CN112328399A (zh) 一种集群资源调度方法、装置、计算机设备及存储介质
CN112887217B (zh) 控制数据包发送方法、模型训练方法、装置及系统
CN108600118A (zh) 报文处理方法、装置以及电子设备
Dudin et al. Analysis of queueing model with processor sharing discipline and customers impatience
CN112367269A (zh) 基于双指针的滑动窗口限流方法、装置、设备及存储介质
CN112463422A (zh) 物联网故障运维方法、装置、计算机设备及存储介质
EP3688938B1 (en) Predictive scheduler
Dudin et al. MMAP| M| N queueing system with impatient heterogeneous customers as a model of a contact center
Zhou et al. JPAS: Job-progress-aware flow scheduling for deep learning clusters
CN108513318B (zh) 一种基于边缘计算的用户业务排队优化方法
CN109981372A (zh) 基于边缘计算的流式大数据处理方法及系统
CN113890842A (zh) 一种信息传输时延上界计算方法、系统、设备和存储介质
WO2023274006A1 (zh) 一种网络设备的主动队列管理方法及网络设备
CN101958843A (zh) 基于流量分析和节点信任度的智能路由选择方法
CN114675845A (zh) 信息年龄优化方法、装置、计算机设备及存储介质
Irina et al. Predicting characteristics of self-similar traffic
CN115099875A (zh) 基于决策树模型的数据分类方法及相关设备
Xie et al. On the stationary distribution of queue lengths in a multi-class priority queueing system with customer transfers
Hilquias et al. Two types of single-server queueing systems with threshold-based renovation mechanism
CN103873388A (zh) 一种网络内容控制方法和网络设备
WO2008052583A1 (en) Monitoring method and apparatus of processing of a data stream with high rate/flow

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