CN114710455B - 一种基于软件定义的大规模网络控制系统事件触发方法 - Google Patents
一种基于软件定义的大规模网络控制系统事件触发方法 Download PDFInfo
- Publication number
- CN114710455B CN114710455B CN202210317839.2A CN202210317839A CN114710455B CN 114710455 B CN114710455 B CN 114710455B CN 202210317839 A CN202210317839 A CN 202210317839A CN 114710455 B CN114710455 B CN 114710455B
- Authority
- CN
- China
- Prior art keywords
- data
- event triggering
- sensor
- centralized
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 14
- 230000007246 mechanism Effects 0.000 claims abstract description 33
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 abstract 1
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 101100172132 Mus musculus Eif3a gene Proteins 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/78—Architectures of resource allocation
- H04L47/781—Centralised allocation of resources
-
- 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
- H04L47/82—Miscellaneous aspects
- H04L47/826—Involving periods of time
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种软件定义的大规模网络控制系统事件触发方法,首先建立软件定义网络与大规模网络控制系统集成的系统体系结构,基于该体系结构实现控制流与数据流的分离;引入集中式事件触发机制,建立基于软件定义网络的动态加权事件触发机制;本发明可以在保证系统的性能的同时实现经济有效的数据传输,有效解决传统集中式事件触发机制在大规模网络控制系统中应用带来的管理复杂性问题,高效节约网络带宽资源、降低网络负荷。
Description
技术领域
本发明涉及网络控制技术领域,主要涉及一种基于软件定义的大规模网络控制系统事件触发方法。
背景技术
由多个子系统组成的大规模网络控制系统已成功地用于模拟许多物理系统,如城市交通系统、电力系统和数字通信系统。尽管大规模网络控制系统盛行,但在实际应用中仍存在一些挑战。如何有效地利用有限的网络带宽,通过设计合适的数据传输机制来保证系统的性能是一个重要的问题。为此,事件触发机制得到了广泛的研究关注。通过使用事件触发机制,只有在满足预定义条件的情况下才能传输采样数据,这大大减少了冗余数据传输。
对于集中式事件触发机制,采样数据是否能够传输是由一个基于预先设计的全局状态依赖触发条件的中央事件检测器来决定的,然后传感器之间就可以自然地实现同步。然而,随着系统规模的扩大,集中式事件触发机制的管理复杂性也在增加,这将限制这种机制在大型网络管理系统中的应用。软件定义网络作为一种将控制平面与数据平面解耦以降低网络管理复杂性的新兴技术,正好可以缓解大规模网络控制系统中集中式事件触发机制的困境。近年来,鉴于软件定义网络的良好特性,人们开展了许多研究工作,以将软件定义网络与网络物理系统集成,从而有效地实现各种功能需求。因此,研究软件定义的大规模网络控制系统事件触发方法是一个很有挑战性的问题。
发明内容
发明目的:针对上述背景技术中存在的问题,本发明提供了一种基于深度强化学习的CSMA优化方法,以类似时隙ALOHA的方式将数据划分时隙,单个设备分别作为智能体,获取环境信息并以深度强化学习的方式决定是否参与单个发送时隙的信道竞争,使得网络能够根据实际网络情况智能的进行信道分配,在网络中发送负载较大时智能降低自身参与信道竞争的频率,从而避免了传统CSMA中会发生的大量数据碰撞,提高系统性能和健壮性,同时这也能提高设备间的公平性。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于软件定义的大规模网络控制系统事件触发方法,其特征在于,包括以下步骤:
步骤S1、建立由软件定义网络和大规模网络控制系统集成的系统框架;
步骤S2、引入集中式事件触发机制;
步骤S3、设计动态加权集中式事件触发机制;
步骤S4、获取动态加权集中式事件触发机制的触发时刻关系。
进一步地,所述步骤S1中系统框架包括数据层和控制层;数据层包括N个子系统,每个子系统均包括传感器、控制器和执行器;每对控制器和执行器之间采用多通道通信网络进行数据传输;数据层和控制层通过传感器进行数据交互,控制层进行集中事件触发,决定传感器的采样数据是否传输至通信网络中;数据层和控制层之间采用标准的软件定义网络南向协议进行通信,其中传感器与控制层之间采用了传感器OpenFlow协议实现数据交互;每个传感器都有一个兼容的接口,通过专用的OpenFlow通道将相应子系统的状态信息发送给软件定义的控制器,并接收集中事件触发器做出的事件触发决策。
进一步地,所述步骤S2中集中式事件触发机制设计如下:
当满足以下条件时,系统的完整状态可以被收集和集中测量,并被传输至控制器:
‖x(tkh+jh)-x(tkh)‖≥Γ,
其中,h是固定的采样间隔,tkh表示上一个触发时刻,tkh+jh表示当前采样时刻,x(tkh)表示上一次传输的数据,x(tkh+jh)表示当前采样的数据,Γ>0,是给定的阈值参数。
进一步地,所述步骤S3中动态加权集中式事件触发机制设计如下:
由于当满足以下条件时,每个子系统的状态信号被传输到对应的控制器中:
其中,N表示子系统的个数,并且/> 和ηi都是给定的正数,满足/>则/>tkh+jh为当前采样时刻,tkh为上一次传输时刻;x(tkh+jh)为当前采样数据,x(tkh)为最近一次传输的数据;‖‖表示范数,γ是预先定义的参数阈值。
进一步地,所述步骤S4中满足以下条件时,事件触发器进行下一次触发:
有益效果:
本发明提供的基于软件定义的大规模网络控制系统事件触发方法,所建立的软件定义网络和大规模网络控制系统集成的系统架构通过将控制平面与数据平面解耦,缓解大规模网络控制系统中集中式事件触发机制的困境,能够有效降低传统集中式事件触发机制的集中管理复杂度高的问题,实现经济有效的数据传输;建立动态加权集中式事件触发机制,根据系统状态的变化动态调整每个子系统的权重,让状态变化明显的子系统在事件触发决定中占更高的比重,从而节省网络资源,提高数据传输的效率。
附图说明
图1是本发明提供的基于软件定义的大规模网络控制系统事件触发方法流程图;
图2是本发明提供的软件定义网络和大规模网络控制系统集成的系统架构图;
图3是本发明实施例中动态加权集中式事件触发的动态权值变化图;
图4是本发明实施例中在动态加权集中式事件触发和传统的集中式事件触发下系统状态范数||x(t)||图;
图5是本发明实施例中在动态加权集中式事件触发和传统的集中式事件触发下触发时刻和触发时间间隔图。
具体实施方式
下面结合附图对本发明作更进一步的说明。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的基于软件定义的大规模网络控制系统事件触发方法如图1所示,具体步骤如下:
首先,建立由软件定义网络和大规模网络控制系统集成的系统框架,如图2所示。本发明提供的集成系统框架包括数据层和控制层;数据层包括N个子系统,每个子系统均包括传感器、控制器和执行器;每对控制器和执行器之间采用多通道通信网络进行数据传输;数据层和控制层通过传感器进行数据交互,控制层进行集中事件触发,决定传感器的采样数据是否传输至通信网络中;数据层和控制层之间采用标准的软件定义网络南向协议进行通信,其中传感器与控制层之间采用了传感器OpenFlow协议实现数据交互;每个传感器都有一个兼容的接口,通过专用的OpenFlow通道将相应子系统的状态信息发送给软件定义的控制器,并接收集中事件触发器做出的事件触发决策。
接着引入集中式事件触发机制。
系统的完整状态可以被收集和集中测量,当满足如下条件时,系统的完整状态被传输到控制器:
‖x(tkh+jh)-x(tkh)‖≥Γ,
其中,h是固定的采样间隔,tkh表示上一个触发时刻,tkh+jh表示当前采样时刻,x(tkh)表示上一次传输的数据,x(tkh+jh)表示当前采样的数据,Γ>0是给定的阈值参数。
本发明设计了一种动态加权集中式事件触发机制,具体如下:
根据当满足如下条件时,每个子系统的状态信号被传输到对应的控制器:
其中,N表示子系统的个数,并且/> 和ηi都是给定的正数,/>所以/>tkh+jh为当前采样时刻,tkh为上一次传输时刻;x(tkh+jh)为当前采样数据,x(tkh)为最近一次传输的数据;‖‖表示范数,γ是一个预先定义的阈值参数。
由上可以获取动态加权集中式事件触发机制的触发时刻关系。具体地,当满足如下条件时,事件触发器进行下一次触发:
下面采用仿真分析的方法提供一份具体实施例,通过Matlab将设计的动态加权集中式事件触发机制与传统的集中式事件触发机制进行比较并绘制仿真曲线,用仿真实例证明本发明的有效性:
考虑受到异步随机网络攻击的大规模网络控制系统,系统方程为:
其中,为整个系统的状态变量,/> 为整个系统的控制输入,系统参数设置如下:
非线性函数g(t,x(t))和f(t,x(t),u(t))的上界矩阵分别为G=diag{0.675,0,0.844,0},F1=diag{0.368,0,0.165,0},F2=0。
每个子系统遭受的欺骗攻击表示为:
hi(ui(t))=0.1ui(t)+tanh(0.1ui(t)),
满足上界矩阵为Hi=0.2。
令h=0.1s,ε1=ε2=1,κj=1,(j=1,2,3,4),初始状态x0=[-2.5 -1.5 1.3 -0.4]T。
动态加权集中式事件触发参数γ=0.00001,η1=η2=-1;传统的集中式事件触发参数γ=0.00001,α1=α2=0.5。
使用matlab的LMI工具箱得出在动态加权集中式事件触发下的控制器增益矩阵为:
在传统的集中式事件触发下的控制器增益矩阵为:
本发明提供的动态加权集中式事件触发方法中各个子系统的权值变化如图3所示。可以看出,在0-1秒内,当子系统1的状态变化明显大于子系统2时,子系统1的权值从0.5上升到0.9以上,相应的,子系统2的权值从0.5下降到0.1以下,这意味着子系统1的状态波动在动态加权集中式事件触发中更加重要。在动态加权集中式事件触发和传统的集中式事件触发下系统状态范数||x(t)||如图4所示。在设计的动态加权集中式事件触发机制下,系统趋于稳定的速度比传统集中式事件触发机制下的系统稳定速度快,从图中可以看到,动态加权集中式事件触发下,系统在5.5秒之前就趋于稳定,并且稳定效果良好,而传统集中式事件触发在6秒甚至6秒以后才趋于稳定并且6秒处系统状态范数||x(t)||仍然大于动态加权集中式事件触发机制下系统5.5秒处的系统状态范数||x(t)||。因此,设计的动态加权集中式事件触发机制性能良好,优于传统的集中式事件触发机制。本发明提供的动态加权集中式事件触发和传统集中式事件触发下触发时刻和触发事件间隔对比如图5所示。结果表明,动态加权集中式事件触发的瞬态响应性能优于传统的集中式事件触发。这是因为在系统稳定过程开始时,动态加权集中式事件触发比传统的集中式事件触发产生了更多的触发瞬间。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (1)
1.一种基于软件定义的大规模网络控制系统事件触发方法,其特征在于,包括以下步骤:
步骤S1、建立由软件定义网络和大规模网络控制系统集成的系统框架;
步骤S2、引入集中式事件触发机制;
步骤S3、设计动态加权集中式事件触发机制;
步骤S4、获取动态加权集中式事件触发机制的触发时刻关系;
所述步骤S1中系统框架包括数据层和控制层;数据层包括N个子系统,每个子系统均包括传感器、控制器和执行器;每对控制器和执行器之间采用多通道通信网络进行数据传输;数据层和控制层通过传感器进行数据交互,控制层进行集中事件触发,决定传感器的采样数据是否传输至通信网络中;数据层和控制层之间采用标准的软件定义网络南向协议进行通信,其中传感器与控制层之间采用了传感器OpenFlow协议实现数据交互;每个传感器都有一个兼容的接口,通过专用的OpenFlow通道将相应子系统的状态信息发送给软件定义的控制器,并接收集中事件触发器做出的事件触发决策;
所述步骤S2中集中式事件触发机制设计如下:
当满足以下条件时,系统的完整状态被收集和集中测量,并被传输至控制器:
‖x(tkh+jh)-x(tkh)‖≥Γ,
其中,h是固定的采样间隔,tkh表示上一个触发时刻,tkh+jh表示当前采样时刻,x(tkh)表示上一次传输的数据,x(tkh+jh)表示当前采样的数据,Γ>0,是给定的阈值参数;
所述步骤S3中动态加权集中式事件触发机制设计如下:
由于当满足以下条件时,每个子系统的状态信号被传输到对应的控制器中:
其中,N表示子系统的个数,并且/> 和ηi都是给定的正数,满足/>则/>为当前采样时刻,tkh为上一次传输时刻;x(tkh+jh)为当前采样数据,x(tkh)为最近一次传输的数据;‖‖表示范数,γ是预先定义的参数阈值;
所述步骤S4中满足以下条件时,事件触发器进行下一次触发:
。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210317839.2A CN114710455B (zh) | 2022-03-29 | 2022-03-29 | 一种基于软件定义的大规模网络控制系统事件触发方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210317839.2A CN114710455B (zh) | 2022-03-29 | 2022-03-29 | 一种基于软件定义的大规模网络控制系统事件触发方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114710455A CN114710455A (zh) | 2022-07-05 |
CN114710455B true CN114710455B (zh) | 2024-03-01 |
Family
ID=82169887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210317839.2A Active CN114710455B (zh) | 2022-03-29 | 2022-03-29 | 一种基于软件定义的大规模网络控制系统事件触发方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114710455B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117032052B (zh) * | 2023-10-07 | 2024-02-27 | 华能信息技术有限公司 | 一种基于动态事件的安全管控方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110213115A (zh) * | 2019-06-25 | 2019-09-06 | 南京财经大学 | 一种多网络攻击下事件驱动网络控制系统的安全控制方法 |
CN112327616A (zh) * | 2020-10-19 | 2021-02-05 | 江苏大学 | 一种基于事件触发的网络控制系统控制器设计方法 |
CN113625684A (zh) * | 2021-07-26 | 2021-11-09 | 云境商务智能研究院南京有限公司 | 混合网络攻击下基于事件触发机制的跟踪控制器及方法 |
-
2022
- 2022-03-29 CN CN202210317839.2A patent/CN114710455B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110213115A (zh) * | 2019-06-25 | 2019-09-06 | 南京财经大学 | 一种多网络攻击下事件驱动网络控制系统的安全控制方法 |
CN112327616A (zh) * | 2020-10-19 | 2021-02-05 | 江苏大学 | 一种基于事件触发的网络控制系统控制器设计方法 |
CN113625684A (zh) * | 2021-07-26 | 2021-11-09 | 云境商务智能研究院南京有限公司 | 混合网络攻击下基于事件触发机制的跟踪控制器及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114710455A (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598677B (zh) | 一种用于自动调制识别的时空多通道深度学习系统 | |
CN114710455B (zh) | 一种基于软件定义的大规模网络控制系统事件触发方法 | |
CN112995154A (zh) | 一种受非周期性DoS攻击的复杂网络同步控制方法 | |
CN111628855A (zh) | 基于深度强化学习的工业5g动态多优先级多接入方法 | |
CN113625684B (zh) | 一种混合网络攻击下基于事件触发机制的跟踪控制器的设计方法 | |
CN115022193B (zh) | 一种基于深度学习模型的局域网流量预测方法 | |
CN112910811B (zh) | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 | |
CN109259764B (zh) | 一种确定动态脑功能网络阈值方法 | |
CN112865752A (zh) | 一种混合网络攻击下基于自适应事件触发机制的滤波器设计方法 | |
CN111601398B (zh) | 一种基于增强学习的自组织网介质访问控制方法 | |
CN114415633A (zh) | 多网络攻击下基于动态事件触发机制的安全跟踪控制方法 | |
CN113395218B (zh) | 一种避免网络拥塞的混合触发控制方法 | |
Park et al. | Delay distribution analysis of wireless personal area networks | |
WO2020153597A1 (ko) | 다단계 분류모델 생성 방법 및 그 장치 | |
CN114995158B (zh) | DoS攻击下复杂电路网络系统的自适应采样切换控制方法 | |
CN116436802A (zh) | 基于机器学习的智能控制方法及系统 | |
CN110011929B (zh) | 一种改善网络拥塞现象的分布式预测控制方法 | |
CN115278919A (zh) | 一种车联网安全消息广播性能改进方法 | |
CN114925313A (zh) | 一种基于分布式链路追踪动态采样率的自适应方法及系统 | |
CN112087328B (zh) | 基于最优节点选择策略的复杂时滞网络同步与辨识方法 | |
CN108629096A (zh) | 一种非线性网络化系统的非脆弱量化耗散滤波方法 | |
CN114489124B (zh) | 一种保证无人机编队一致性动作的方法 | |
CN115348193A (zh) | 一种通信网络信号切换故障下的执行模辨识与滤波方法 | |
CN116614299B (zh) | 一种受混合攻击的复杂网络动态事件触发牵引控制方法 | |
CN114245401B (zh) | 一种多信道的通信决策方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |