CN115866019A - 一种连接保活时间的确定方法及装置 - Google Patents
一种连接保活时间的确定方法及装置 Download PDFInfo
- Publication number
- CN115866019A CN115866019A CN202310189566.2A CN202310189566A CN115866019A CN 115866019 A CN115866019 A CN 115866019A CN 202310189566 A CN202310189566 A CN 202310189566A CN 115866019 A CN115866019 A CN 115866019A
- Authority
- CN
- China
- Prior art keywords
- alive
- connection keep
- data
- time
- keep
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Computer And Data Communications (AREA)
Abstract
本申请公开了一种连接保活时间的确定方法及装置，可应用于通信技术领域，根据多个预设连接保活时间预测出对应的多个连接保活数据；根据多个连接保活数据，确定目标连接保活数据；从多个预设连接保活时间中，根据目标连接保活数据确定对应的目标连接保活时间。可见，该方法从预测得到的多个连接保活数据中，确定包括目标数据收发时间和目标数据传输量的目标连接保活数据，再根据该目标连接保活数据得到对应的目标连接保活时间，有效均衡客户端与服务器连接过程中连接保活数据的传输延迟和传输成本，避免连接保活时间过短导致的资源浪费，以及连接保活时间过长导致的未能及时发现连接断开的问题，能够得到更加适应的连接保活时间。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种连接保活时间的确定方法及装置。
背景技术
客户端与服务器之间保持稳定的连接，有助于实现数据采集和数据传输等数据通信。例如，为了实现统一管理，通常基于消息队列遥测传输（Message Queuing TelemetryTransport，MQTT），或者超文本传输（Hyper Text Transfer Protocol，HTTP）等通信协议将多个物联网设备与物联管理平台进行连接，实现数据采集和数据转发等服务。但受外界环境或客户端运行错误的影响，客户端与服务器之间的连接可能会断开，影响数据通信。因此，客户端会基于通信协议的连接保活机制向服务器发送请求数据，并接收服务器响应该请求数据反馈的响应数据，由此判断连接是否稳定。
其中，通信协议的连接保活机制根据设置的连接保活时间进行。而现有技术中，通常客户端采用技术人员根据经验设置的连接保活时间，向服务器发送请求数据。然而，采用根据人工经验设置的连接保活时间，可能会出现连接保活时间过短，频繁发送请求数据导致资源浪费的情况；还可能出现连接保活时间过长，导致未能及时发现连接断开，影响数据通信的情况。
因此，如何确定连接保活时间，维持客户端与服务器之间的稳定连接，成为目前亟待解决的问题。
发明内容
有鉴于此，本申请实施例提供了一种连接保活时间的确定方法及装置，旨在确定连接保活时间，维持客户端与服务器之间的稳定连接。
第一方面，本申请实施例提供了一种连接保活时间的确定方法，所述方法包括：
根据多个预设连接保活时间预测出对应的多个连接保活数据，所述连接保活数据包括数据收发时间和预设时间段内的数据传输量，所述数据收发时间用于表示所述客户端发出请求数据至收到响应数据之间的时间；
根据所述多个连接保活数据，确定目标连接保活数据；
从所述多个预设连接保活时间中，根据所述目标连接保活数据确定对应的目标连接保活时间。
可选地，所述方法还包括：
获取当前时间段、通信环境、安装环境和安装位置；
所述根据多个预设连接保活时间预测出对应的多个连接保活数据，具体为：
根据所述多个预设连接保活时间、所述当前时间段、所述通信环境、所述安装环境和所述安装位置，预测出所述多个连接保活数据。
可选地，所述根据所述多个预设连接保活时间、所述当前时间段、所述通信环境、所述安装环境和所述安装位置，预测出所述多个连接保活数据，包括：
将所述多个预设连接保活时间、所述当前时间段、所述通信环境、所述安装环境和所述安装位置进行标准化处理，得到多个输入特征向量；
将所述多个输入特征向量依次输入至预先训练的深度学习模型，得到所述多个连接保活数据。
可选地，所述根据所述多个连接保活数据，确定目标连接保活数据，包括：
对所述多个连接保活数据进行帕累托优化，确定帕累托最优解；
将所述帕累托最优解对应的连接保活数据，确定为所述目标连接保活数据。
可选地，所述对所述多个连接保活数据进行帕累托优化，确定帕累托最优解，包括：
对所述多个连接保活数据进行帕累托优化，确定多个帕累托非支配解；
对所述多个帕累托非支配解进行归一化处理，获得对应的多个归一化解；
将所述多个归一化解中的最小值对应的帕累托非支配解，确定为所述帕累托最优解。
可选地，在所述将所述多个输入特征向量依次输入至预先训练的深度学习模型，得到所述多个连接保活数据之前，还包括：
获取服务器发送的所述预先训练的深度学习模型，所述预先训练的深度学习模型是所述服务器利用从所述客户端采集得到的训练数据集，对深度学习模型进行训练得到的，所述训练数据集包括多个预设连接保活时间、不同时间段、不同通信环境、不同安装环境、不同安装位置，以及对应的连接保活数据标签，所述连接保活数据标签包括数据收发时间标签和数据传输量标签。
可选地，所述方法还包括：
根据所述目标连接保活时间向所述服务器发起连接；
判断与所述服务器之间的连接是否成功，若与所述服务器之间的连接失败，继续转至所述根据多个预设连接保活时间预测出对应的多个连接保活数据的步骤。
可选地，在所述根据多个预设连接保活时间预测出对应的多个连接保活数据之前，还包括：
判断与所述服务器之间的连接是否在线，若在线，根据当前连接保活时间进行数据通信；若不在线，执行所述根据多个预设连接保活时间预测出对应的多个连接保活数据的步骤。
第二方面，本申请实施例提供了一种连接保活时间的确定装置，所述装置包括：
预测模块，用于根据多个预设连接保活时间预测出对应的多个连接保活数据，所述连接保活数据包括数据收发时间和预设时间段内的数据传输量，所述数据收发时间用于表示所述客户端发出请求数据至收到响应数据之间的时间；
第一确定模块，用于根据所述多个连接保活数据，确定目标连接保活数据；
第二确定模块，用于从所述多个预设连接保活时间中，根据所述目标连接保活数据确定对应的目标连接保活时间。
第三方面，本申请实施例提供了一种连接保活时间的确定设备，所述设备包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，以使所述设备执行前述第一方面所述的连接保活时间的确定方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，当所述计算机程序被运行时，运行所述计算机程序的设备实现前述第一方面所述的连接保活时间的确定方法。
相较于现有技术，本申请实施例具有以下有益效果：
本申请实施例提供了一种连接保活时间的确定方法及装置，在该方法中，根据多个预设连接保活时间预测出对应的多个连接保活数据，连接保活数据包括数据收发时间和预设时间段内的数据传输量，数据收发时间用于表示所述客户端发出请求数据至收到响应数据之间的时间；根据多个连接保活数据，确定目标连接保活数据；从多个预设连接保活时间中，根据目标连接保活数据确定对应的目标连接保活时间。可见，该方法从预测得到的多个连接保活数据中，确定包括目标数据收发时间和目标数据传输量的目标连接保活数据，再根据该目标连接保活数据得到对应的目标连接保活时间，有效均衡客户端与服务器连接过程中连接保活数据的传输延迟和传输成本，既避免连接保活时间过短导致的资源浪费，又避免连接保活时间过长导致的未能及时发现连接断开的问题，能够得到更加适应的连接保活时间，从而维持客户端与服务器之间的稳定连接。
附图说明
为更清楚地说明本实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本申请实施例提供的一种连接保活时间的确定方法的流程图；
图2为本申请实施例提供的另一种连接保活时间的确定方法的流程图；
图3为本申请实施例提供的一种连接保活时间的确定装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
目前，已有的连接保活时间的确定方法，通常为客户端采用技术人员根据经验设置的连接保活时间，向服务器发送请求数据。然而，采用根据人工经验设置的连接保活时间，可能会出现连接保活时间过短，频繁发送请求数据导致电量、流量和网络等资源的浪费情况；还可能出现连接保活时间过长，客户端掉线后服务器要较长时间才能发现，或者服务器宕机后客户端也需较长时间才能发现，导致未能及时发现连接断开的情况，影响客户端和服务器之间的数据通信。因此，如何确定连接保活时间，维持客户端与服务器之间的稳定连接，成为目前亟待解决的问题。
基于此，为了解决上述问题，本申请实施例提供了一种连接保活时间的确定方法及装置，在该方法中，根据多个预设连接保活时间预测出对应的多个连接保活数据，连接保活数据包括数据收发时间和预设时间段内的数据传输量，数据收发时间用于表示所述客户端发出请求数据至收到响应数据之间的时间；根据多个连接保活数据，确定目标连接保活数据；从多个预设连接保活时间中，根据目标连接保活数据确定对应的目标连接保活时间。可见，该方法从预测得到的多个连接保活数据中，确定包括目标数据收发时间和目标数据传输量的目标连接保活数据，再根据该目标连接保活数据得到对应的目标连接保活时间，有效均衡客户端与服务器连接过程中连接保活数据的传输延迟和传输成本，既避免连接保活时间过短导致的资源浪费，又避免连接保活时间过长导致的未能及时发现连接断开的问题，能够得到更加适应的连接保活时间，从而维持客户端与服务器之间的稳定连接。
下面结合附图，通过实施例来详细说明本申请实施例中连接保活时间的确定方法及装置的具体实现方式。
参见图1，该图为本申请实施例提供的一种连接保活时间的确定方法的流程图，结合图1所示，具体可以包括：
S101：根据多个预设连接保活时间预测出对应的多个连接保活数据，连接保活数据包括数据收发时间和预设时间段内的数据传输量，数据收发时间用于表示客户端发出请求数据至收到响应数据之间的时间。
客户端根据多个预先设置的与服务器进行连接的连接保活时间，预测出对应的包括数据收发时间和预设时间段内的数据传输量的多个连接保活数据。其中，客户端根据连接保活时间向服务器发送请求数据，若在一段时间内客户端与服务器的连接处于非活动状态，则可以及时了解客户端与服务器之间的连接是否稳定。预设时间段内的数据传输量是指在预设时间段内，客户端向服务器发送的请求数据，以及服务器响应该请求数据向客户端发送的响应数据的数据之和。
举例来说，多个预设连接保活时间可以是基于技术人员的经验确定的一个连接保活时间范围，根据预设间隔时间，从该连接保活时间范围内确定多个预设连接保活时间；即连接保活时间范围从k1至kn，预设间隔时间为d，则多个预设连接保活时间的取值集合为K={k1，k2，…，kn}，kn与kn-1的时间差值为d。具体来说，连接保活时间范围可以是30s到120s之间，预设时间间隔可以是5s，则多个预设连接保活时间的取值集合K={30，35，…，120}。多个预设连接保活时间也可以是连接保活时间范围内的随机取值。当然，也可以采用其他方式设置多个预设连接保活时间，并不影响本申请实施例的实现。
举例来说，若客户端与服务器之间基于MQTT通信协议进行连接，客户端基于MQTT的心跳保活机制，向服务器发送上行的请求心跳包，以及服务器收到上行的请求心跳包后向客户端发送下行的响应心跳包，则数据传输量是包括上行的请求心跳包和下行的响应心跳包的数据量之和。其中，预设时间段可以是12小时或24小时。当然，预设时间段也可以是其他时间段，并不影响本申请实施例的实现。
具体来说，一天的数据传输量可以先计算一天的秒数与连接保活时间的比值，得到一天发送请求上行的请求数据包的次数，再将该次数与上行的请求心跳包与下行的响应心跳包的数据量之和进行相乘处理，即可得到一天之内的数据传输量。
另外，客户端与服务器之间的连接容易受外界环境的影响，而外界环境可能与当前时间、通信环境、安装环境和安装位置相关。因此，在本申请可选实施例中，该连接保活时间的确定方法还可以包括S1：客户端获取当前的时间段、自身所处的通信环境、自身所在的安装环境和安装位置；相应地，S101具体可以包括：客户端根据多个预设连接保活时间、当前时间段、通信环境、安装环境和安装位置，预测出多个连接保活数据。可见，充分考虑客户端所处外界环境的不稳定性，能够预测得到更加准确符合实际的多个连接保活数据，以便后续步骤中确定更加适应的目标连接保活数据。
其中，对于根据多个预设连接保活时间、当前时间段、通信环境、安装环境和安装位置，预测出多个连接保活数据步骤的具体实现方式，本申请实施例可不做具体限定，为了便于理解，下面结合一种可能的实施方式进行说明。
在一种可能的实施方式中，可以通过预先训练的深度学习模型进行预测，深度学习模型可以学习不同的外界环境对连接保活数据造成的影响，以预测得到更加准确的连接保活数据。因此，S101具体可以包括：客户端将多个预设连接保活时间、当前时间段、通信环境、安装环境和安装位置进行标准化处理，得到多个输入特征向量，每个输入特征向量包括一个预设连接保活时间、当前时间段、客户端的当前通信环境、客户端的当前安装环境和安装位置；将多个输入特征向量依次输入至预先训练的深度学习模型，得到多个连接保活数据。其中，通信环境可以通信信噪比的好坏反映，即接收到的通信信号的强度与接收到的干扰信号（噪声和干扰）的强度的比值；安装环境可以是商业楼宇、居民区或野外等；安装位置可以是客户端所在的经度、维度和高度。不同的通信环境、不同的安装环境、不同的安装位置以及不同的时段，都可能导致客户端所处环境的通信质量发生变化，因此，在根据多个预设连接保活数据预测多个连接保活数据时充分考虑不同的外界环境因素，使深度学习模型学习到不同的外界环境对连接保活时间造成的影响，能够得出更加适应的连接保活时间。
举例来说，可以将通信信噪比划分为五个等级，包括很差、差、一般、好和很好，反应客户端所处通信环境的通信质量的优劣程度；将安装环境划分为六个种类，包括商业楼宇、郊区、地下车库、农村居民区、野外和其他；可以将每个小时作为一个时段，即一天包括24个时段。当然，以上也可以采用其他方式，并不影响本申请实施例的实现。
S102：根据多个连接保活数据，确定目标连接保活数据。
客户端在预测得到的多个连接保活数据中，确定目标连接保活数据，即确定目标数据收发时间和目标数据传输量。
其中，本申请实施例可不具体限定目标连接保活数据的确定过程，为了便于理解，下面结合一种可能的实施方式进行说明。
在一种可能的实施方式中，目标数据收发时间和目标数据传输量均是越低越好，但是最低数据收发时间和最低数据传输量对应的可能不是同一个连接保活时间。因此，确定目标连接保活数据的过程具体可以包括：客户端对多个连接保活数据进行帕累托优化，确定帕累托最优解；再将帕累托最优解对应的连接保活数据，确定为目标连接保活数据。其中，帕累托优化是指在没有使任何目标境况变坏的前提下，使得至少一个目标变得更好，适用于多目标优化问题，即如何选取更加好的包括数据收发时间和数据传输量的连接保活数据，得到更加适应客户端当前的连接保活时间。
对于确定帕累托最优解步骤的具体实现方式，本申请实施例可不做具体限定，为了便于理解，下面结合一种可能的实施方式进行说明。
在一种可能的实施方式中，可以先从多个连接保活数据中选取明显更优的多个解，再从更优的多个解中选取最优解，而目标数据收发时间和目标数据传输量均是越低越好，则可以对更优的多个解进行归一化处理，选取最靠近原点的解为最优解。因此，帕累托最优解的确定过程具体可以包括：先对多个连接保活数据进行帕累托优化，确定多个帕累托非支配解；再对多个帕累托非支配解进行归一化处理，获得对应的多个归一化解；最后将多个归一化解中的最小值对应的帕累托非支配解，确定为帕累托最优解。
其中，若连接保活数据为Q，数据收发时间为R，数据传输量为C，即多个连接保活数据可以表示为Q={Q1，Q2，…，Qn}，其中，Qn={Cn，Rn}。举例来说，若满足Cn≤Cm，Rn≤Rm，即表示Qn帕累托支配Qm；若多个连接保活数据中没有任何一个连接保活数据帕累托支配Qn，即表示Qn为帕累托非支配解；若多个连接保活数据中任何一个连接保活数据都可以帕累托支配Qn，即表示Qn为帕累托支配解。而数据收发时间和数据传输量均是越低越好，因此，帕累托非支配解为更优的解。将多个帕累托非支配解中的所有数据收发时间和所有数据传输量分别进行归一化处理，先计算多个帕累托非支配解中最大数据传输量和最小数据传输量的数据传输量差值，则Cn的归一化解具体为Cn与数据传输量差值的比值；同理，先计算多个帕累托非支配解中最大数据收发时间和最小数据收发时间的数据收发时间差值，则Rn的归一化解具体为Rn与数据收发时间差值的比值，则可以得到多个帕累托非支配解对应的包括数据传输量归一化解和数据收发时间归一化解的多个连接保活数据归一化解；最后，将多个连接保活数据归一化解中离原点最近的解确定为帕累托最优解，即计算多个连接保活数据归一化解与（0，0）之间的距离，距离最小的连接保活数据归一化解对应的连接保活数据为帕累托最优解。
另外，在得到帕累托最优解后，还可以将帕累托最优解中的数据收发时间与预设阈值进行比较，若该数据收发时间大于预设阈值，则表明当前的通信环境比较差，需要较长的时间才能收到数据，不适合发起连接，此时客户端可以持续检测通信信噪比，直到通信信噪比的等级变好，再继续确定目标连接保活时间以发起连接。
S103：从多个预设连接保活时间中，根据目标连接保活数据确定对应的目标连接保活时间。
客户端确定目标连接保活数据后，再根据多个预设连接保活时间和多个连接保活数据的对应关系确定目标连接保活时间，以便客户端根据该目标连接保活时间维持与服务器之间的连接。
基于上述S101-S103的相关内容可知，本申请实施例中，根据多个预设连接保活时间预测出对应的多个连接保活数据，连接保活数据包括数据收发时间和预设时间段内的数据传输量，数据收发时间用于表示客户端发出请求数据至收到响应数据之间的时间；根据多个连接保活数据，确定目标连接保活数据；从多个预设连接保活时间中，根据目标连接保活数据确定对应的目标连接保活时间。可见，本申请实施例从预测得到的多个连接保活数据中，确定包括目标数据收发时间和目标数据传输量的目标连接保活数据，再根据该目标连接保活数据得到对应的目标连接保活时间，有效均衡客户端与服务器连接过程中连接保活数据的传输延迟和传输成本，既避免连接保活时间过短导致的资源浪费，又避免连接保活时间过长导致的未能及时发现连接断开的问题，能够得到更加适应的连接保活时间，从而维持客户端与服务器之间的稳定连接。
参见图2，该图为本申请实施例提供的另一种连接保活时间的确定方法的流程图，结合图2所示，具体可以包括：
S201：获取服务器发送的预先训练的深度学习模型，预先训练的深度学习模型是服务器利用从客户端采集得到的训练数据集，对深度学习模型进行训练得到的，训练数据集包括多个预设连接保活时间、不同时间段、不同通信环境、不同安装环境、不同安装位置，以及对应的连接保活数据标签，连接保活数据标签包括数据收发时间标签和数据传输量标签。
服务器可以先选取多个具体代表性的客户端进行数据采集，即可以选取多个处于不同通信环境、不同安装环境、不同安装位置的客户端，并在不同的时间段采集数据。其中，客户端可以设置一个采集标志位，当该采集标志位为真时，客户端向服务器上传数据，采集标志位为假时，客户端停止向服务器上传数据。
在一种可能的实施方式中，当客户端处于在线状态，且采集标志位为真时，向服务器上传当前时间段、通信环境、安装环境、安装位置，以及对应的连接保活数据标签，即统计数据收发时间和计算预设时间段内的数据传输量。通常情况下，设备的安装环境和安装位置不会发生变化，可以只上传一次。当客户端处于离线状态，且采集标志位为真时，无法统计数据收发时间，因此，设置一个较大的数据收发时间，并记录当前的通信环境和时间段，当设备再次处于在线状态时，立刻将这些数据进行上传。
在一种可能的实施方式中，考虑到客户端的边缘计算能力和存储能力有限，服务器训练的深度模型应尽可能的小，以满足实际需求。若深度模型的输入特征向量包括当前的通信信噪比，安装环境，安装位置的经度、维度和高度，当前时段和一个预设连接保活时间这7个维度，以及数据收发时间和数据传输量这两个维度的标签，则可以使用包含1到3层隐藏层的神经网络模型，为了降低神经网络模型的复杂度，隐藏层的层数以及每一层神经元的个数均不宜过大。举例来说，可以采用由7个神经元组成的输入层、14个神经元组成的隐藏层、2个神经元组成的输出层组成的神经网络模型，其中，隐藏层的激活函数为sigmoid，具备一定的非线性拟合能力，损失函数为交叉熵损失函数，优化算法为平均随机梯度下降算法。在该神经网络模型中，输入层到隐藏层的参数有7×14+14个，即112个参数，而隐藏层到输出层的参数有14×2+2个，即30个参数，则模型参数总共有142个参数，模型规模较小，计算的复杂度低，客户端得到预先训练的深度学习模型，不需要较多的计算和存储资源便可快速完成计算任务。
可见，服务器训练深度学习模型，客户端利用训练好的深度学习模型确定目标连接保活时间，将计算任务分散到对应的客户端中，避免给服务器造成过大的计算负担和存储资源消耗。
S202：判断与服务器之间的连接是否在线，若在线，根据当前连接保活时间进行数据通信；若不在线，执行根据多个预设连接保活时间预测出对应的多个连接保活数据的步骤。
客户端判断与服务器之间的连接是否在线，若在线则继续根据当前连接保活时间进行数据通信，此时更改连接保活时间可能会影响数据通信的进度；若连接不在线，则可以执行后续步骤，以得到目标连接保活时间，重新向服务器发起连接。
S203：根据多个预设连接保活时间预测出对应的多个连接保活数据。
S204：根据多个连接保活数据，确定目标连接保活数据。
S205：从多个预设连接保活时间中，根据目标连接保活数据确定对应的目标连接保活时间。
S203-S205的具体实现方式可参考S101-S103的具体实现方式，在此不再进行赘述。
S206：根据目标连接保活时间向服务器发起连接。
客户端根据得到的目标连接保活时间向服务器发起连接。
S207：判断与服务器之间的连接是否成功，若与服务器之间的连接失败，继续转至获取当前时间段、通信环境、安装环境和安装位置的步骤。
若与服务器之间的连接成功，根据目标连接保活时间进行数据通信。
基于上述S201-S207的相关内容可知，本申请实施例中，有效均衡客户端与服务器连接过程中连接保活数据的传输延迟和传输成本，既避免连接保活时间过短导致的资源浪费，又避免连接保活时间过长导致的未能及时发现连接断开的问题，能够得到更加适应的连接保活时间，从而维持客户端与服务器之间的稳定连接。
以上为本申请实施例提供连接保活时间的确定方法的一些具体实现方式，基于此，本申请还提供了对应的装置。下面将从功能模块化的角度对本申请实施例提供的装置进行介绍。
参见图3，该图为本申请实施例提供的一种连接保活时间的确定装置300的结构示意图，该装置300可以包括：
预测模块301，用于根据多个预设连接保活时间预测出对应的多个连接保活数据，连接保活数据包括数据收发时间和预设时间段内的数据传输量，数据收发时间用于表示客户端发出请求数据至收到响应数据之间的时间；
第一确定模块302，用于根据多个连接保活数据，确定目标连接保活数据；
第二确定模块303，用于从多个预设连接保活时间中，根据目标连接保活数据确定对应的目标连接保活时间。
在本申请实施例中，通过预测模块301、第一确定模块302以及第二确定模块303这三个模块的配合，从预测得到的多个连接保活数据中，确定包括目标数据收发时间和目标数据传输量的目标连接保活数据，再根据该目标连接保活数据得到对应的目标连接保活时间，有效均衡客户端与服务器连接过程中连接保活数据的传输延迟和传输成本，既避免连接保活时间过短导致的资源浪费，又避免连接保活时间过长导致的未能及时发现连接断开的问题，能够得到更加适应的连接保活时间，从而维持客户端与服务器之间的稳定连接。
作为一种实施方式，该连接保活时间的确定装置300，还可以包括：
第一获取模块，用于获取当前时间段、通信环境、安装环境和安装位置；
相应地，预测模块301，具体可以用于：
根据多个预设连接保活时间、当前时间段、通信环境、安装环境和安装位置，预测出多个连接保活数据。
作为一种实施方式，预测模块301，具体可以包括：
标准化单元，用于将多个预设连接保活时间、当前时间段、通信环境、安装环境和安装位置进行标准化处理，得到多个输入特征向量；
输入单元，用于将多个输入特征向量依次输入至预先训练的深度学习模型，得到多个连接保活数据。
作为一种实施方式，第一确定模块302，具体可以包括：
帕累托优化单元，用于对多个连接保活数据进行帕累托优化，确定帕累托最优解；
确定单元，用于将帕累托最优解对应的连接保活数据，确定为目标连接保活数据。
作为一种实施方式，帕累托优化单元，具体可以包括：
第一确定子单元，用于对多个连接保活数据进行帕累托优化，确定多个帕累托非支配解；
归一化子单元，用于对多个帕累托非支配解进行归一化处理，获得对应的多个归一化解；
第二确定子单元，用于将多个归一化解中的最小值对应的帕累托非支配解，确定为帕累托最优解。
作为一种实施方式，该连接保活时间的确定装置300，还可以包括：
第二获取模块，用于获取服务器发送的预先训练的深度学习模型，预先训练的深度学习模型是服务器利用从客户端采集得到的训练数据集，对深度学习模型进行训练得到的，训练数据集包括多个预设连接保活时间、不同时间段、不同通信环境、不同安装环境、不同安装位置，以及对应的连接保活数据标签，连接保活数据标签包括数据收发时间标签和数据传输量标签。
作为一种实施方式，该连接保活时间的确定装置300，还可以包括：
连接模块，用于根据目标连接保活时间向服务器发起连接；
第一判断模块，用于判断与服务器之间的连接是否成功，若与服务器之间的连接失败，继续转至根据多个预设连接保活时间预测出对应的多个连接保活数据的步骤。
作为一种实施方式，该连接保活时间的确定装置300，还可以包括：
第二判断模块，用于判断与服务器之间的连接是否在线，若在线，根据当前连接保活时间进行数据通信；若不在线，执行根据多个预设连接保活时间预测出对应的多个连接保活数据的步骤。
本申请实施例还提供了对应的设备以及计算机可读存储介质，用于实现本申请实施例提供的方案。
其中，所述设备包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于执行所述计算机程序，以使所述设备执行本申请任一实施例所述的连接保活时间的确定方法。
所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被运行时，运行所述计算机程序的设备实现本申请任一实施例所述的连接保活时间的确定方法。
本申请实施例中提到的“第一”、“第二”（若存在）等名称中的“第一”、“第二”只是用来做名字标识，并不代表顺序上的第一、第二。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如只读存储器（英文：read-only memory，ROM）/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者诸如路由器等网络通信设备）执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元提示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本申请的一种具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种连接保活时间的确定方法，其特征在于，应用于客户端，所述方法包括：
根据多个预设连接保活时间预测出对应的多个连接保活数据，所述连接保活数据包括数据收发时间和预设时间段内的数据传输量，所述数据收发时间用于表示所述客户端发出请求数据至收到响应数据之间的时间；
根据所述多个连接保活数据，确定目标连接保活数据；
从所述多个预设连接保活时间中，根据所述目标连接保活数据确定对应的目标连接保活时间。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取当前时间段、通信环境、安装环境和安装位置；
所述根据多个预设连接保活时间预测出对应的多个连接保活数据，具体为：
根据所述多个预设连接保活时间、所述当前时间段、所述通信环境、所述安装环境和所述安装位置，预测出所述多个连接保活数据。
3.根据权利要求2所述的方法，其特征在于，所述根据所述多个预设连接保活时间、所述当前时间段、所述通信环境、所述安装环境和所述安装位置，预测出所述多个连接保活数据，包括：
将所述多个预设连接保活时间、所述当前时间段、所述通信环境、所述安装环境和所述安装位置进行标准化处理，得到多个输入特征向量；
将所述多个输入特征向量依次输入至预先训练的深度学习模型，得到所述多个连接保活数据。
4.根据权利要求1所述的方法，其特征在于，所述根据所述多个连接保活数据，确定目标连接保活数据，包括：
对所述多个连接保活数据进行帕累托优化，确定帕累托最优解；
将所述帕累托最优解对应的连接保活数据，确定为所述目标连接保活数据。
5.根据权利要求4所述的方法，其特征在于，所述对所述多个连接保活数据进行帕累托优化，确定帕累托最优解，包括：
对所述多个连接保活数据进行帕累托优化，确定多个帕累托非支配解；
对所述多个帕累托非支配解进行归一化处理，获得对应的多个归一化解；
将所述多个归一化解中的最小值对应的帕累托非支配解，确定为所述帕累托最优解。
6.根据权利要求3所述的方法，其特征在于，在所述将所述多个输入特征向量依次输入至预先训练的深度学习模型，得到所述多个连接保活数据之前，还包括：
获取服务器发送的所述预先训练的深度学习模型，所述预先训练的深度学习模型是所述服务器利用从所述客户端采集得到的训练数据集，对深度学习模型进行训练得到的，所述训练数据集包括多个预设连接保活时间、不同时间段、不同通信环境、不同安装环境、不同安装位置，以及对应的连接保活数据标签，所述连接保活数据标签包括数据收发时间标签和数据传输量标签。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述目标连接保活时间向所述服务器发起连接；
判断与所述服务器之间的连接是否成功，若与所述服务器之间的连接失败，继续转至所述根据多个预设连接保活时间预测出对应的多个连接保活数据的步骤。
8.根据权利要求1所述的方法，其特征在于，在所述根据多个预设连接保活时间预测出对应的多个连接保活数据之前，还包括：
判断与所述服务器之间的连接是否在线，若在线，根据当前连接保活时间进行数据通信；若不在线，执行所述根据多个预设连接保活时间预测出对应的多个连接保活数据的步骤。
9.一种连接保活时间的确定装置，其特征在于，所述装置包括：
预测模块，用于根据多个预设连接保活时间预测出对应的多个连接保活数据，所述连接保活数据包括数据收发时间和预设时间段内的数据传输量，所述数据收发时间用于表示所述客户端发出请求数据至收到响应数据之间的时间；
第一确定模块，用于根据所述多个连接保活数据，确定目标连接保活数据；
第二确定模块，用于从所述多个预设连接保活时间中，根据所述目标连接保活数据确定对应的目标连接保活时间。
10.一种连接保活时间的确定设备，其特征在于，所述设备包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序，以使所述设备执行如权利要求1至8任一项所述的连接保活时间的确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310189566.2A CN115866019B (zh) | 2023-02-23 | 2023-02-23 | 一种连接保活时间的确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310189566.2A CN115866019B (zh) | 2023-02-23 | 2023-02-23 | 一种连接保活时间的确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115866019A true CN115866019A (zh) | 2023-03-28 |
| CN115866019B CN115866019B (zh) | 2023-05-12 |
Family
ID=85659687
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310189566.2A Active CN115866019B (zh) | 2023-02-23 | 2023-02-23 | 一种连接保活时间的确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115866019B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070140193A1 (en) * | 2005-12-21 | 2007-06-21 | Nokia Corporation | Managing connections in a wireless communications network |
| US20070291658A1 (en) * | 2006-06-20 | 2007-12-20 | General Instrument Corporation | Method and apparatus for enabling a network device to remotely access a remote device via a network |
| US20080205288A1 (en) * | 2007-02-28 | 2008-08-28 | Microsoft Corporation | Concurrent connection testing for computation of NAT timeout period |
| US20120110173A1 (en) * | 2010-11-01 | 2012-05-03 | Michael Luna | Distributed management of keep-alive message signaling for mobile network resource conservation and optimization |
| US20140078968A1 (en) * | 2011-05-03 | 2014-03-20 | Nokia Corporation | Method and apparatus for keep-alive signalling |
| US20140321448A1 (en) * | 2013-04-30 | 2014-10-30 | Seven Networks, Inc. | Detection and reporting of keepalive messages for optimization of keepalive traffic in a mobile network |
| CN104144159A (zh) * | 2014-06-26 | 2014-11-12 | 腾讯科技（深圳）有限公司 | 智能心跳保活方法及智能心跳保活系统 |
| CN107995235A (zh) * | 2016-10-26 | 2018-05-04 | 中国移动通信有限公司研究院 | 一种保活时间确定的方法和终端 |
| CN113722121A (zh) * | 2021-08-09 | 2021-11-30 | 青岛鼎信通讯股份有限公司 | 一种用于采集终端的基于mqtt协议的消息收发方法 |
| CN113746939A (zh) * | 2021-09-29 | 2021-12-03 | 摩拜(北京)信息技术有限公司 | 保活周期调整方法、装置及车辆 |
| CN113890894A (zh) * | 2021-10-19 | 2022-01-04 | 平安普惠企业管理有限公司 | 客户端通信链路保活方法、装置、电子设备及存储介质 |
| CN113885944A (zh) * | 2021-08-25 | 2022-01-04 | 荣耀终端有限公司 | 应用程序后台保活的方法、装置和电子设备 |
| CN114466437A (zh) * | 2022-01-24 | 2022-05-10 | 深圳市睿联技术股份有限公司 | 心跳保活方法、装置、设备及计算机可读存储介质 |
-
2023
- 2023-02-23 CN CN202310189566.2A patent/CN115866019B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070140193A1 (en) * | 2005-12-21 | 2007-06-21 | Nokia Corporation | Managing connections in a wireless communications network |
| US20070291658A1 (en) * | 2006-06-20 | 2007-12-20 | General Instrument Corporation | Method and apparatus for enabling a network device to remotely access a remote device via a network |
| US20080205288A1 (en) * | 2007-02-28 | 2008-08-28 | Microsoft Corporation | Concurrent connection testing for computation of NAT timeout period |
| US20120110173A1 (en) * | 2010-11-01 | 2012-05-03 | Michael Luna | Distributed management of keep-alive message signaling for mobile network resource conservation and optimization |
| US20140078968A1 (en) * | 2011-05-03 | 2014-03-20 | Nokia Corporation | Method and apparatus for keep-alive signalling |
| US20140321448A1 (en) * | 2013-04-30 | 2014-10-30 | Seven Networks, Inc. | Detection and reporting of keepalive messages for optimization of keepalive traffic in a mobile network |
| CN104144159A (zh) * | 2014-06-26 | 2014-11-12 | 腾讯科技（深圳）有限公司 | 智能心跳保活方法及智能心跳保活系统 |
| CN107995235A (zh) * | 2016-10-26 | 2018-05-04 | 中国移动通信有限公司研究院 | 一种保活时间确定的方法和终端 |
| CN113722121A (zh) * | 2021-08-09 | 2021-11-30 | 青岛鼎信通讯股份有限公司 | 一种用于采集终端的基于mqtt协议的消息收发方法 |
| CN113885944A (zh) * | 2021-08-25 | 2022-01-04 | 荣耀终端有限公司 | 应用程序后台保活的方法、装置和电子设备 |
| CN113746939A (zh) * | 2021-09-29 | 2021-12-03 | 摩拜(北京)信息技术有限公司 | 保活周期调整方法、装置及车辆 |
| CN113890894A (zh) * | 2021-10-19 | 2022-01-04 | 平安普惠企业管理有限公司 | 客户端通信链路保活方法、装置、电子设备及存储介质 |
| CN114466437A (zh) * | 2022-01-24 | 2022-05-10 | 深圳市睿联技术股份有限公司 | 心跳保活方法、装置、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115866019B (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8001063B2 (en) | Method and apparatus for reward-based learning of improved policies for management of a plurality of application environments supported by a data processing system | |
| Jing et al. | Energy management and power allocation for underwater acoustic sensor network | |
| CN112346936A (zh) | 应用故障根因定位方法及系统 | |
| CN114301935B (zh) | 一种基于声誉的物联网边云协同联邦学习节点选择方法 | |
| CN111491312A (zh) | 无线资源预测分配、获取、训练神经网络的方法及设备 | |
| KR20200063960A (ko) | 감가율 자동 조정 방식의 강화 학습 방법 | |
| Zhu et al. | Upload planning for mobile data collection in smart community Internet-of-Things deployments | |
| CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
| CN115866019B (zh) | 一种连接保活时间的确定方法及装置 | |
| Riker et al. | Autonomic management of group communication for internet of things applications | |
| KR102472585B1 (ko) | 빅데이터 기반의 모듈형 ai 엔진 서버 및 그 구동 방법 | |
| Zhang et al. | An Adaptive Resource Allocation Approach Based on User Demand Forecasting for E-Healthcare Systems | |
| CN112702760B (zh) | 一种估计小区负载方法、系统、介质、设备、终端及应用 | |
| CN115545198A (zh) | 一种基于深度学习模型的边缘智能协同推断方法及系统 | |
| CN114077482B (zh) | 一种工业智能制造边缘智能计算优化方法 | |
| CN111542074B (zh) | 一种移动云计算学习的智能异构无线接入方法 | |
| CN107844366A (zh) | 电网应用服务调用方法、装置、存储介质和计算机设备 | |
| Hribar et al. | Timely and sustainable: Utilising correlation in status updates of battery-powered and energy-harvesting sensors using Deep Reinforcement Learning | |
| CN113271221A (zh) | 网络能力开放方法、系统及电子设备 | |
| Zhang et al. | Quality-aware user scheduling for federated mobile crowdsensing | |
| CN113361598B (zh) | 基于分布式学习的模型训练方法、服务器及分布式系统 | |
| Work Scheduling in Cloud Network Based on Deep Q-LSTM Models for Efficient Resource Utilization | ||
| US20110264792A1 (en) | Multipeer | |
| CN116775279A (zh) | 一种面向多任务边缘联邦学习的移动算力交易系统、交易方法及决策方法 | |
| Hrithik et al. | Offload Decision Making for Web Applications |
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 |