CN114662252B - 一种用于提高复杂网络化随机系统性能指标的方法 - Google Patents
一种用于提高复杂网络化随机系统性能指标的方法 Download PDFInfo
- Publication number
- CN114662252B CN114662252B CN202210181331.4A CN202210181331A CN114662252B CN 114662252 B CN114662252 B CN 114662252B CN 202210181331 A CN202210181331 A CN 202210181331A CN 114662252 B CN114662252 B CN 114662252B
- Authority
- CN
- China
- Prior art keywords
- model
- optimization model
- stability
- performance index
- noise frequency
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Abstract
本发明涉及一种用于提高复杂网络化随机系统性能指标的方法,包括:根据复杂网络化随机系统的控制模型确定性能参数集合与系统稳定性之间的第一函数关系A;获取所述性能参数集合与系统寿命之间的第二函数关系B;建立系统稳定性与系统寿命关系模型R;以噪声频率g为决策变量对其进行进行优化以得到第一优化模型Rg;将波动率t与标准波动率进行比较以确定是否需要对第一优化模型Rg进行调整,若需要,根据比较结果确定退回系统稳定性与系统寿命关系模型R或者以波动率t为决策变量对其进行调整以得到第二优化模型Rt。从而能够在保证网络稳定性的前提下通过噪声频率和波动率对随机系统模型进行多次优化和调整以提高随机系统性能指标。
Description
技术领域
本发明涉及数字化网络控制技术领域,尤其涉及一种用于提高复杂网络化随机系统性能指标的方法。
背景技术
随着通信技术的发展,为了满足用户的使用需求,越来越多的应用程序被开发出来并被安装在终端上供用户使用。终端上安装的应用程序在不断被使用的情况下,终端操作系统的性能往往会逐渐下降,出现越用越慢的情况。导致出现该问题的因素比较多,例如,应用程序使用过程中,其数据缓存区中缓存的数据不断积累,导致终端数据读写性能下降;再例如,由于应用程序的不断被启动,后台积累了大量的应用程序,大量消耗系统的内存资源、网络资源,当新的应用程序被启动并申请内存资源时,系统会因为内存资源紧张导致系统性能整体衰退。
对于随机系统性能指标而言,考虑随机系统的输出和动态控制器之间由网络连接,网络环境存在网络诱导延迟、数据丢包和量化问题。现有技术对该系统进行了稳定性分析。构建了新的二次型Lyapunov函数方程,引入了自由权矩阵的方法去除单积分项,从而降低了结果的保守性,得到了闭环系统的均方渐近稳定的充分条件.进一步考虑在工程中广泛出现的范数有界不确定性,得到了满足性能的闭环系统的鲁棒均方渐近稳定的充分条件。最后,在此基础上,利用LMI技术,给出了随机系统在状态反馈控制器的设计方法,也解决了具有闭环系统H∞性能指标约束的基于观测器的输出反馈控制器的设计问题。
中国专利CN201610189273.4公开了一种系统性能优化参数确定方法、系统性能优化方法及装置,包括,服务器获取终端统计得到的性能指标参数值;所述服务器根据获取到的同一类型终端统计得到的性能指标参数值,确定所述同一类型终端所对应的性能指标参数值与系统性能之间的相关性;所述服务器根据不同类型终端所对应性能指标参数值与系统性能之间的相关性,确定不同类型终端各自对应的性能指标的阈值,所述性能指标的阈值用于指导终端进行系统性能优化;所述服务器根据终端类型,将相应类型终端对应的性能指标的阈值发送对应类型的终端。
目前,已经有一些用于提高复杂网络化随机系统性能指标的方法,但普遍不能在保证网络稳定性的前提下根据噪声频率和波动率对随机系统模型进行多次优化和调整以提高随机系统性能指标。
发明内容
为此,本发明提供一种用于提高复杂网络化随机系统性能指标的方法,可以有效解决现有技术中不能通过噪声频率和波动率对模型进行多次优化和调整以提高随机系统性能指标的技术问题。
为实现上述目的,本发明提供一种用于提高复杂网络化随机系统性能指标的方法,包括:
步骤S1,根据复杂网络化随机系统的控制模型确定性能参数集合与系统稳定性之间的第一函数关系A=fA(x)=f1(t,g,k,z);
步骤S2,获取所述性能参数集合与系统寿命之间的第二函数关系B=fB(x)=f2(t,g,k,z),其中,t表示波动率,g表示噪声频率,k表示波形,z表示网路传输图像;
步骤S3,根据所述第一函数关系和所述第二函数关系建立系统稳定性与系统寿命关系模型R;
步骤S4,根据实时检测情况将噪声频率g与标准噪声频率g0进行比较以确定系统稳定性与系统寿命关系模型R是否需要进行优化,若需要,以噪声频率g为决策变量对其进行优化以得到第一优化模型Rg;
步骤S5,将波动率t与标准波动率进行比较以确定是否需要对第一优化模型Rg进行调整,若需要,根据比较结果确定退回系统稳定性与系统寿命关系模型R或者以波动率t为决策变量对其进行调整以得到第二优化模型Rt。
进一步地,所述步骤S3中,所述系统稳定性与系统寿命关系模型R,计算公式如下:
进一步地,所述系统稳定性与系统寿命关系模型R确定时,对噪声频率g进行实时检测并将噪声频率g与标准噪声频率g0进行比较以确定所述系统稳定性与系统寿命关系模型R是否需要进行优化;
若g≤g0,所述系统稳定性与系统寿命关系模型R无需进行优化;
若g>g0,所述系统稳定性与系统寿命关系模型R需要进行优化;
其中,标准噪声频率g0在检测时确定。
进一步地,所述系统稳定性与系统寿命关系模型R需要进行优化时,以噪声频率g为决策变量对其进行优化以得到第一优化模型Rg,其计算公式如下:
其中,e表示数据丢包率。
进一步地,所述第一优化模型Rg得到时,对波动率t进行检测并将波动率t与标准波动率进行比较以确定是否需要对第一优化模型Rg进行调整;
其中,标准波动率在检测时确定,包括第一标准波动率t1和第二标准波动率t2,其中,t1<t2;
若t≤t1,所述第一优化模型Rg无需进行调整;
若t1<t≤t2,所述第一优化模型Rg需要进行调整;
若t>t2,所述第一优化模型Rg需要进行调整。
进一步地,当t1<t≤t2,所述第一优化模型Rg需要进行调整时,将第一义优化模型Rg退回系统稳定性与系统寿命关系模型R。
进一步地,当t>t2,所述第一优化模型Rg需要进行调整时,以波动率t为决策变量对其进行优化以得到第二优化模型Rt,其计算公式如下:
进一步地,所述第一优化模型Rg无需进行调整时,继续使用第一优化模型Rg对系统性能指标进行监测。
进一步地,所述系统稳定性与系统寿命关系模型R无需进行优化时,继续使用系统稳定性与系统寿命关系模型R对系统性能指标进行监测。
与现有技术相比,本发明的有益效果在于,本发明所述的用于提高复杂网络化随机系统性能指标的方法通过复杂网络化随机系统的控制模型确定第一函数关系和第二函数关系,并以此建立系统稳定性与系统寿命关系模型,以噪声频率为决策变量对系统稳定性与系统寿命关系模型进行优化以得到第一优化模型,以波动率为决策变量对第一优化模型进行调整以退回系统稳定性与系统寿命关系模型或者得到第二优化模型,从而能够在保证网络稳定性的前提下通过噪声频率和波动率对随机系统模型进行多次优化和调整以提高随机系统性能指标。
进一步地,本发明通过复杂网络化随机系统的控制模型确定第一函数关系A和第二函数关系B,并以此建立系统稳定性与系统寿命关系模型R,以噪声频率g为决策变量对系统稳定性与系统寿命关系模型R进行优化以得到第一优化模型Rg,以波动率t为决策变量对第一优化模型Rg进行调整以退回系统稳定性与系统寿命关系模型R或者得到第二优化模型Rt,从而能够在保证网络稳定性的前提下通过噪声频率和波动率对随机系统模型进行多次优化和调整以提高随机系统性能指标。
进一步地,本发明通过将噪声频率g与标准噪声频率g0进行比较以确定所述系统稳定性与系统寿命关系模型R是否需要进行优化,从而能够在保证网络稳定性的前提下通过噪声频率和波动率对随机系统模型进行多次优化和调整以提高随机系统性能指标。
进一步地,本发明通过将波动率t与标准波动率进行比较以确定是否需要对第一优化模型Rg进行调整,从而能够在保证网络稳定性的前提下通过噪声频率和波动率对随机系统模型进行多次优化和调整以提高随机系统性能指标。
附图说明
图1为本发明实施例用于提高复杂网络化随机系统性能指标的方法的流程示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,其为本发明实施例用于提高复杂网络化随机系统性能指标的方法的结构示意图,本发明提供一种用于提高复杂网络化随机系统性能指标的方法,包括:
步骤S1,根据复杂网络化随机系统的控制模型确定性能参数集合与系统稳定性之间的第一函数关系A=fA(x)=f1(t,g,k,z);
步骤S2,获取所述性能参数集合与系统寿命之间的第二函数关系B=fB(x)=f2(t,g,k,z),其中,t表示波动率,g表示噪声频率,k表示波形,z表示网路传输图像;
步骤S3,根据所述第一函数关系和所述第二函数关系建立系统稳定性与系统寿命关系模型R;
步骤S4,根据实时检测情况将噪声频率g与标准噪声频率g0进行比较以确定系统稳定性与系统寿命关系模型R是否需要进行优化,若需要,以噪声频率g为决策变量对其进行优化以得到第一优化模型Rg;
步骤S5,将波动率t与标准波动率进行比较以确定是否需要对第一优化模型Rg进行调整,若需要,根据比较结果确定退回系统稳定性与系统寿命关系模型R或者以波动率t为决策变量对其进行调整以得到第二优化模型Rt。
具体而言,所述步骤S3中,所述系统稳定性与系统寿命关系模型R,计算公式如下:
本实施例中,波动率t根据网络不稳定引起的波动情况确定。噪声频率g表示在网络运行过程中遇到的电磁干扰(EMI)和射频干扰(RFI),若噪声频率高则说明网络稳定性差,系统性能一般。波形k表示网络宽带波形。网络传输图像z通过图像分辨率、图像传输速率进行确定。
具体而言,本发明通过复杂网络化随机系统的控制模型确定第一函数关系A和第二函数关系B,并以此建立系统稳定性与系统寿命关系模型R,以噪声频率g为决策变量对系统稳定性与系统寿命关系模型R进行优化以得到第一优化模型Rg,以波动率t为决策变量对第一优化模型Rg进行调整以退回系统稳定性与系统寿命关系模型R或者得到第二优化模型Rt,从而能够在保证网络稳定性的前提下通过噪声频率和波动率对随机系统模型进行多次优化和调整以提高随机系统性能指标。
具体而言,所述系统稳定性与系统寿命关系模型R确定时,对噪声频率g进行实时检测并将噪声频率g与标准噪声频率g0进行比较以确定所述系统稳定性与系统寿命关系模型R是否需要进行优化;
若g≤g0,所述系统稳定性与系统寿命关系模型R无需进行优化;
若g>g0,所述系统稳定性与系统寿命关系模型R需要进行优化;
其中,标准噪声频率g0在检测时确定。
本实施例中,噪声频率g通过噪声调频信号功率谱检测得到。标准噪声频率g0在检测时根据周围环境和需要的网络系统性能确定。
具体而言,本发明通过将噪声频率g与标准噪声频率g0进行比较以确定所述系统稳定性与系统寿命关系模型R是否需要进行优化,从而能够在保证网络稳定性的前提下通过噪声频率和波动率对随机系统模型进行多次优化和调整以提高随机系统性能指标。
具体而言,所述系统稳定性与系统寿命关系模型R需要进行优化时,以噪声频率g为决策变量对其进行优化以得到第一优化模型Rg,其计算公式如下:
其中,e表示数据丢包率。
本实施例中,数据丢包率e通过数据包长度以及包发送频率综合确定。
具体而言,所述第一优化模型Rg得到时,对波动率t进行检测并将波动率t与标准波动率进行比较以确定是否需要对第一优化模型Rg进行调整;
其中,标准波动率在检测时确定,包括第一标准波动率t1和第二标准波动率t2,其中,t1<t2;
若t≤t1,所述第一优化模型Rg无需进行调整;
若t1<t≤t2,所述第一优化模型Rg需要进行调整;
若t>t2,所述第一优化模型Rg需要进行调整。
具体而言,本发明通过将波动率t与标准波动率进行比较以确定是否需要对第一优化模型Rg进行调整,从而能够在保证网络稳定性的前提下通过噪声频率和波动率对随机系统模型进行多次优化和调整以提高随机系统性能指标。
具体而言,当t1<t≤t2,所述第一优化模型Rg需要进行调整时,将第一义优化模型Rg退回系统稳定性与系统寿命关系模型R。
具体而言,当t>t2,所述第一优化模型Rg需要进行调整时,以波动率t为决策变量对其进行优化以得到第二优化模型Rt,其计算公式如下:
具体而言,所述第一优化模型Rg无需进行调整时,继续使用第一优化模型Rg对系统性能指标进行监测。
具体而言,所述系统稳定性与系统寿命关系模型R无需进行优化时,继续使用系统稳定性与系统寿命关系模型R对系统性能指标进行监测。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种用于提高复杂网络化随机系统性能指标的方法,其特征在于,包括:
步骤S1,根据复杂网络化随机系统的控制模型确定性能参数集合与系统稳定性之间的第一函数关系A=fA(x)=f1(t,g,k,z);
步骤S2,获取所述性能参数集合与系统寿命之间的第二函数关系B=fB(x)=f2(t,g,k,z),其中,t表示波动率,g表示噪声频率,k表示波形,z表示网路传输图像;
步骤S3,根据所述第一函数关系和所述第二函数关系建立系统稳定性与系统寿命关系模型R;
步骤S4,根据实时检测情况将噪声频率g与标准噪声频率g0进行比较以确定系统稳定性与系统寿命关系模型R是否需要进行优化,若需要,以噪声频率g为决策变量对其进行优化以得到第一优化模型Rg;
步骤S5,将波动率t与标准波动率进行比较以确定是否需要对第一优化模型Rg进行调整,若需要,根据比较结果确定退回系统稳定性与系统寿命关系模型R或者以波动率t为决策变量对其进行调整以得到第二优化模型Rt。
3.根据权利要求2所述的用于提高复杂网络化随机系统性能指标的方法,其特征在于,所述系统稳定性与系统寿命关系模型R确定时,对噪声频率g进行实时检测并将噪声频率g与标准噪声频率g0进行比较以确定所述系统稳定性与系统寿命关系模型R是否需要进行优化;
若g≤g0,所述系统稳定性与系统寿命关系模型R无需进行优化;
若g>g0,所述系统稳定性与系统寿命关系模型R需要进行优化;
其中,标准噪声频率g0在检测时确定。
5.根据权利要求4所述的用于提高复杂网络化随机系统性能指标的方法,其特征在于,所述第一优化模型Rg得到时,对波动率t进行检测并将波动率t与标准波动率进行比较以确定是否需要对第一优化模型Rg进行调整;
其中,标准波动率在检测时确定,包括第一标准波动率t1和第二标准波动率t2,其中,t1<t2;
若t≤t1,所述第一优化模型Rg无需进行调整;
若t1<t≤t2,所述第一优化模型Rg需要进行调整;
若t>t2,所述第一优化模型Rg需要进行调整。
6.根据权利要求5所述的用于提高复杂网络化随机系统性能指标的方法,其特征在于,当t1<t≤t2,所述第一优化模型Rg需要进行调整时,将第一义优化模型Rg退回系统稳定性与系统寿命关系模型R。
8.根据权利要求5所述的用于提高复杂网络化随机系统性能指标的方法,其特征在于,所述第一优化模型Rg无需进行调整时,继续使用第一优化模型Rg对系统性能指标进行监测。
9.根据权利要求3所述的用于提高复杂网络化随机系统性能指标的方法,其特征在于,所述系统稳定性与系统寿命关系模型R无需进行优化时,继续使用系统稳定性与系统寿命关系模型R对系统性能指标进行监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181331.4A CN114662252B (zh) | 2022-02-25 | 2022-02-25 | 一种用于提高复杂网络化随机系统性能指标的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210181331.4A CN114662252B (zh) | 2022-02-25 | 2022-02-25 | 一种用于提高复杂网络化随机系统性能指标的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114662252A CN114662252A (zh) | 2022-06-24 |
CN114662252B true CN114662252B (zh) | 2022-10-18 |
Family
ID=82027389
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210181331.4A Active CN114662252B (zh) | 2022-02-25 | 2022-02-25 | 一种用于提高复杂网络化随机系统性能指标的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662252B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487702A (zh) * | 2020-10-26 | 2021-03-12 | 湖州师范学院 | 一种锂离子电池剩余使用寿命预测方法 |
CN113746698A (zh) * | 2021-08-31 | 2021-12-03 | 云境商务智能研究院南京有限公司 | 一种随机网络攻击下网络化系统故障检测滤波器设计方法 |
CN114021327A (zh) * | 2021-10-28 | 2022-02-08 | 同济大学 | 一种自动驾驶汽车感知系统性能量化评估方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101609416B (zh) * | 2009-07-13 | 2012-11-14 | 清华大学 | 提高分布式系统性能调优速度的方法 |
CN101984441B (zh) * | 2010-10-27 | 2012-04-25 | 哈尔滨工业大学 | 基于eda技术的电子系统多目标可靠性容差设计方法 |
US9094873B2 (en) * | 2012-05-14 | 2015-07-28 | Wei Lu | Classified relation networking optimization platform in open wireless architecture (OWA) mobile cloud terminal device |
WO2016111809A1 (en) * | 2015-01-05 | 2016-07-14 | Anki, Inc. | Adaptive data analytics service |
CN107239339B (zh) * | 2016-03-29 | 2021-03-02 | 斑马智行网络(香港)有限公司 | 系统性能优化参数确定方法、系统性能优化方法及装置 |
CN108170974A (zh) * | 2018-01-10 | 2018-06-15 | 石家庄爱科特科技开发有限公司 | 一种抽油机井系统效率寿命分析方法 |
CN111077776B (zh) * | 2019-12-16 | 2022-04-22 | 重庆航天职业技术学院 | 耦合分数阶混沌机电装置的最优同步控制方法 |
CN113904933B (zh) * | 2021-09-30 | 2023-08-25 | 中国船舶重工集团公司第七一九研究所 | 数字化网络控制系统性能与可靠性同步优化方法 |
CN114004391A (zh) * | 2021-10-15 | 2022-02-01 | 上海交通大学 | 一种基于高斯过程回归的动力设备极端工况性能预测系统 |
-
2022
- 2022-02-25 CN CN202210181331.4A patent/CN114662252B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487702A (zh) * | 2020-10-26 | 2021-03-12 | 湖州师范学院 | 一种锂离子电池剩余使用寿命预测方法 |
CN113746698A (zh) * | 2021-08-31 | 2021-12-03 | 云境商务智能研究院南京有限公司 | 一种随机网络攻击下网络化系统故障检测滤波器设计方法 |
CN114021327A (zh) * | 2021-10-28 | 2022-02-08 | 同济大学 | 一种自动驾驶汽车感知系统性能量化评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114662252A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107040415B (zh) | 一种终端及数据上报方法、服务器及数据接收方法 | |
Park et al. | Adaptive IEEE 802.15. 4 protocol for energy efficient, reliable and timely communications | |
CN102916908B (zh) | 网络应用中的带宽优化方法及系统 | |
EP1966712A2 (en) | Load balancing mechanism using resource availability profiles | |
US20080120346A1 (en) | Purging of stored timeseries data | |
JP4261389B2 (ja) | 不正アクセス検出装置及び不正アクセス検出プログラム | |
Kolar et al. | Measurement and analysis of link quality in wireless networks: An application perspective | |
US8493882B2 (en) | Optimization evaluation system, optimization evaluation device, optimization evaluation method, and optimization evaluation program | |
CN103841129A (zh) | 云计算的资源信息采集服务器和客户端、信息处理方法 | |
CN114662252B (zh) | 一种用于提高复杂网络化随机系统性能指标的方法 | |
CN116633798A (zh) | 一种基于数据分析的物联网卡数据流量监控预警系统 | |
US9215152B2 (en) | High efficiency network monitoring system and methods | |
CN112000422B (zh) | 一种防止容器编排框架中pod内存溢出的方法、装置 | |
US20060072493A1 (en) | Roaming techniques for a communications network | |
Mei et al. | Adaptive Event-Triggered L2− L∞ Control of Semi-Markov Jump Distributed Parameter Systems | |
Knorn et al. | Effects of jamming attacks on a control system with energy harvesting | |
CN107820293B (zh) | 一种无线中继节点选择方法、系统、设备及计算机介质 | |
CN115687051A (zh) | 一种基于点位解析的日志解析系统 | |
CN116055495A (zh) | 基于综合信任的边缘计算资源协同的方法 | |
CN113766620A (zh) | 一种认知无线电网络的功率控制方法及装置 | |
EP1560450B1 (en) | Wireless telecommunication system and a load control method and apparatus used in such a system | |
Schubert et al. | Data aggregation for low power wireless devices | |
CN109639683A (zh) | 基于流媒体数据调节处理器工作频率的方法及装置 | |
CN106921701B (zh) | 在物联网平台和物联网设备间传递监控结果的方法和装置 | |
CN107172636B (zh) | 一种基于环境嘈杂度和STA距离的WiFi速率控制方法 |
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 |