CN116074403B - 一种多协议融合通信方法、装置及架构 - Google Patents
一种多协议融合通信方法、装置及架构 Download PDFInfo
- Publication number
- CN116074403B CN116074403B CN202310357480.6A CN202310357480A CN116074403B CN 116074403 B CN116074403 B CN 116074403B CN 202310357480 A CN202310357480 A CN 202310357480A CN 116074403 B CN116074403 B CN 116074403B
- Authority
- CN
- China
- Prior art keywords
- protocol
- transmission
- data
- self
- learning
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/18—Multiprotocol handlers, e.g. single devices capable of handling multiple protocols
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Communication Control (AREA)
Abstract
本申请公开了一种多协议融合通信方法、装置及架构,其中该多协议融合通信方法包括:根据多协议的权重值、多协议中每个协议传输的概率以及信息熵函数获取最佳协议传输值;以所述最佳协议传输值为条件,采用自学习调度算法对多协议的权重值进行优先级调整;确定进行优先级调整后的所述多协议的权重值为最佳权重值。以此保障数据传输的可靠性。
Description
技术领域
本申请涉及大数据领域,尤其涉及一种多协议融合通信方法、装置及架构。
背景技术
随着多协议并发数据传输的需求不断增加,通信方法的调度也已经不在局限于物理链路的更改,目前诸多研究将人工智能的机器学习等算法相结合,规划合理高效的传输方案来进行数据的可靠传输,同时保证高效通信、低时延通信。现有的研究中,主要以保证数据传输的可靠性或者低时延为主,而在保障数据传输可靠性时会增加物理层的数据并发传输复杂性,同样在数据高效传输的过程中,在物理层难以达到高并发的统一接入。
发明内容
有鉴于此,本申请的主要目的在于提供一种多协议融合通信方法、装置及通信架构,保障数据传输的可靠性。
本申请第一方面提供了一种多协议融合通信方法,该方法包括:
根据多协议的权重值、多协议中每个协议传输的概率以及信息熵函数获取最佳协议传输值;
以所述最佳协议传输值为条件,采用自学习调度算法对多协议的权重值进行优先级调整;
确定进行优先级调整后的所述多协议的权重值为最佳权重值。
在本申请第一方面的一些实现方式中,以所述最佳协议传输值为条件,采用自学习调度算法对多协议的权重值进行优先级调整,包括:
根据多协议的传输子目标进行分析,以获取传输子目标的问题约束条件;
根据问题约束条件计算多协议的梯度值;
根据多协议的梯度值对多协议进行归一化处理;
根据所述最佳协议传输值确定极大熵,输入所述极大熵作为自学习调度算法的迭代终止目标,并采用自学习调度算法进行迭代学习。
在本申请第一方面的一些实现方式中,该方法还包括:
根据问题约束条件获取信息传输的极大熵原则方程;
将多协议输入到预设的物联平台,并采用自学习调度算法运算多协议的协议初始权重值;
根据协议初始权重值确定所述多协议的预设优先级,生成根据自学习调度算法学习后的随机样本。
在本申请第一方面的一些实现方式中,根据多协议的梯度值对多协议进行归一化处理,包括:
获取多个业务数据的数据流;
通过对数据流进行分类和类比学习,以获取数据流使用的数据传输协议;
将具有相同属性的数据传输协议归类生成第一数据传输协议,对第一数据传输协议进行归一化处理,并记录数据流的数据类型;
根据数据类型以及第一数据传输协议对数据流进行归类,以便根据数据传输协议选择对应的信道传输业务数据的数据流。
在本申请第一方面的一些实现方式中,该方法还包括:
根据数据流使用的数据传输协议获取数据流的真实性;
若数据流为真实,则将所述数据流发送至预设的自学习系统,由所述自学习系统记录所述数据流;
若数据流未真实,则判定所述数据流为被干扰数据,并删除判定为被干扰数据的数据流。
本申请第二方面提供了一种多协议融合通信装置,该装置包括:
协议传输值获取单元,用于根据多协议的权重值、多协议中每个协议传输的概率以及信息熵函数获取最佳协议传输值;
计算单元,用于以所述最佳协议传输值为条件,采用自学习调度算法对多协议的权重值进行优先级调整;
最佳权重值获取单元,用于确定进行优先级调整后的所述多协议的权重值为最佳权重值。
本申请第三方面提供了一种多协议融合通信架构,该通信架构包括:多协议组件、前置服务器、安全接入平台、网络安全设备层以及互联网大区物联平台和自学习系统;其中,网络安全设备层、前置服务器以及安全接入平台部署于互联网大区;
互联网层中的电力物联网设备通过前置服务器或安全接入平台接入至互联网大区物联平台;
网络安全设备层,用于获取电力物联网设备的结构化数据,并向多协议组件发送控制指令或软件升级消息;
多协议组件,用于根据控制指令或软件升级消息获取多协议的权重值、多协议中每个协议传输的概率以及信息熵函数,并将多协议的权重值、多协议中每个协议传输的概率以及信息熵函数发送至自学习系统;
自学习系统,用于根据多协议的权重值、所述多协议中每个协议传输的概率以及信息熵函数获取最佳协议传输值;以所述最佳协议传输值为条件,采用自学习调度算法对多协议的权重值进行优先级调整,以确定进行优先级调整后的所述多协议的权重值为最佳权重值。
在本申请的第三方面的一些实现方式中,自学习系统,还用于对结构化数据传输时所使用的数据传输协议进行传输调度,以使得网络完全设备层中的业务数据上传至物联平台。
在本申请的第三方面的一些实现方式中,电力物联网设备通过将接入信息以固定格式信息上传至前置服务器,或,接收安全接入平台的接入指令后将接入信息发送给安全接入平台。
在本申请的第三方面的一些实现方式中,互联网大区物联平台,用于将结构化数据上传至结构化存储服务器;网络安全设备层,用于获取电力物联网设备的非结构化数据,并将非结构化数据上传至非结构化数据存储服务器。
本申请第四方面提供了一种计算机设备,其特征在于,该设备包括存储器和处理器,处理器用于执行存储器中存储的程序,运行如前述第一方面中任一项的方法。
相对于现有技术,本申请所提供的技术方案具有如下有益效果:
在本申请中通过根据多协议的权重值、多协议中每个协议传输的概率以及信息熵函数获取最佳协议传输值;以所述最佳协议传输值为条件,采用自学习调度算法对多协议的权重值进行优先级调整;确定进行优先级调整后的所述多协议的权重值为最佳权重值。通过构建多协议的自学习算法对接入智慧物联平台的协议传输进行调度,实现各协议互不干扰且保障数字资源的高度共享并且保障数据传输的可靠性。
附图说明
图1为本申请实施例提供的一种多协议融合通信方法的流程示意图;
图2为本申请实施例提供的另一种多协议融合通信方法的流程示意图;
图3为本申请实施例提供的一种多协议融合通信架构的结构示意图;
图4为本申请实施例提供的多协议自学习调度系统宏观工作模式的示意图;
图5为本申请实施例提供的多协议自学习调度系统的内部微观工作逻辑的示意图;
图6为本申请实施例提供的一种多协议融合通信装置的结构示意图;
图7为本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在实际操作中通常利用物理链路层实现传输通信,以此保证数据的可靠传输且低时延。为了解决多协议接入与数据传输的效率较低的问题,可以采用并行多协议通信技术,通过物理层Wi-Fi节点进行调试,在发送数据时可以用部分子载波并行传输Zig-Bee数据,通过减少带宽的使用量使得提高同等带宽传输数据的利用率,以此解决了对于多协议接入与数据传输的效率低的问题。
虽然并行多协议通信技术在固定节点的数据传输效率方面中有显著提升,但是因为异构网络节点的通信能力存在差异,因此如果需要大范围推广采用并行多协议通信技术仍需要相应的大规模硬件升级,是基于物理层的设计与改变,对其他领域或平台的接入普适性交叉,可移植性不足。因此本申请针对该问题提出了一种多协议融合通信方法,通过构建多协议的自学习算法对接入智慧物联平台的协议传输进行调度,实现各协议互不干扰且保障数字资源的高度共享。可以在实现多协议统一接入的同时,能够不增加物理链路的复杂性,并且能够自主适应协议变化后的协议传输,实现自主性数据调度,在云端与边缘服务器的沟通中提高智慧物联体系的适配性与韧性。
请参阅图1,本申请该实施例提供了一种多协议融合通信方法包括以下步骤:
S101:根据多协议的权重值、多协议中每个协议传输的概率以及信息熵函数获取最佳协议传输值;
需要说明的是,为实现对传输信息的有效性与信息量的评估,从数据完整性与时效优先程度对协议调度进行评估。随着信道传输信息的增多,所产生的不确定性则会降低,因此采用信息熵来定义系统状态的弹性,信息熵就是指在弹性限度内协议的复杂程度,所以不同的信息熵会影响整个系统的工作强度,直观反应就是硬件的负载率会升高。此处的系统在本申请的其他实现方式中也可以定义为自学习系统,均不影响本申请该实施例的实现。其中,自学习系统状态的弹性具体指的是在现有的多协议融合系统一般会定义接受指定的几种协议,这些协议一般就是系统状态的弹性。
其中信息熵通过如下计算方式获取:
其中,pi为第i个协议单独传输的概率,表示为第i个协议优先级的权重值,为信息熵函数,K是系统熵系数可以根据不同的硬件调整,i到n是指参与的协议数。根据协议的不同对于信息熵的公式定义各不相同。由于多协议传输的连续性,因此采用测度函数g(x)对信息熵函数进行代入定义:
其中测度函数指的是一个给定集合的某些子集指定一个数,这个数可以比作大小、体积、概率等等。传统的积分是在区间上进行的,后来人们希望把积分推广到任意的集合上,发展出测度的概念。
为对多协议传输过程实现极大熵传输,选择在现有约束条件下促进熵值获取最大的训练结果。熵值的最大表示此时的主观因素影响最小,客观性更高。因此可以得到最佳的协议传输优先级设定。
当协议传输数据的信息量符合概率密度函数时,其极大熵的准则表达式为:
其中,概率密度函数定义为:对于一维实随机变量X,设它的累积分布函数是FX(x)。需要说明的是x指的是多协议中的协议种类数。
S102:以最佳协议传输值为条件,采用自学习调度算法对多协议的权重值进行优先级调整;
需要说明的是,自学习调度算法指的是根据多协议算是函数定义的形式,设计了面向智慧物联平台的自学习调度算法。通过该算法实现对多协议的权重即优先级调整。
其中具体进行自学习调度的过程包括如下步骤:
步骤一:根据多协议的传输子目标进行分析,以获取传输子目标的问题约束条件;
步骤二:根据问题约束条件计算多协议的梯度值;
其中,通过如下计算公式进行梯度运算:
其中,上述计算公式在本申请的其他一些实现方式中也可以理解为自学习迭代的过程,L是迭代的样本数,k=1表示从1开始一直到L的总和,ω为权重,PW表示某一样本在整体值中的比例,P(ɑ丨LK)为条件概率公式。
在本申请的一些实施例中,还可以包括如下步骤:
根据问题约束条件获取信息传输的极大熵原则方程;
将多协议输入到预设的物联平台,并采用自学习调度算法运算多协议的协议初始权重值;
根据协议初始权重值确定多协议的预设优先级,生成根据自学习调度算法学习后的随机样本。
在计算梯度值之后,也可以初始化多协议输入到预设的物联平台,进行自学习运算的协议初始权重值,进行优先级的预设,生成自学习的随机样本L。
步骤三:根据多协议的梯度值对多协议进行归一化处理;
需要说明的是,归一化处理指的是将计算出的梯度值数据统一映射到[0,1]区间上。
步骤四:根据所述最佳协议传输值确定极大熵,输入极大熵作为自学习调度算法的迭代终止目标,并采用自学习调度算法进行迭代学习。
S103:确定进行优先级调整后的所述多协议的权重值为最佳权重值。
熵通过如下计算公式进行计算:
需要说明的是,N是多协议的协议类型集合,f(x)为变量密度函数,Ti是对应第i行的矩,B为信息传输时的客观约束。其中,x是对应的协议类型,因此相关变量的集合是离散函数。根据极大熵计算方法,可以得出权重的极大熵计算公式:
需要说明的是,ωk为协议的权重值,k为协议数,m指的是极大熵。将权重值进行信息熵计算,求出极大熵的值。之后设计自学习算法,将多协议传输数据的极大熵作为条件,使其通过自学习调度后获得最佳的权重值。
图1所示的流程,从数据完整性与时效优先程度对协议调度进行评估,通过构建多协议的自学习算法对接入智慧物联平台的协议传输进行调度,实现各协议互不干扰且保障数字资源的高度共享。
请参阅图2,本申请还提供了另外一种多协议融合通信方法,将多协议进行归一化处理,具体包括如下步骤:
S201:获取多个业务数据的数据流;
需要说明的是,在获取多个业务数据的数据流之前可以先对数据流的真实性进行判断,以便将存在真实性问题的数据流筛选过滤,增加后续数据的准确性。例如可以根据数据流使用的数据传输协议获取数据流的真实性;若数据流为真实,则将数据流投入自学习系统进行记录并独立上传;若数据流未真实,则判定数据流为被干扰数据,并删除被干扰数据。此处判断数据流真实性可以理解为多协议自学习调度系统的内部微观工作逻辑,可参见图5。
S202:通过对数据流进行分类和类比学习,以获取数据流使用的数据传输协议;
S203:将具有相同属性的数据传输协议归类到第一数据传输协议,对第一数据传输协议进行归一化处理,并记录数据流的数据类型;
需要说明的是,多协议自学习调度系统在收到边缘设备的传输数据后,会根据每个设备的数据传输协议进行分类和类比学习,在对判断相同的协议进行归一化渠道传输方法,并对该数据类型进行记录,也就是学习过程。在有多重协议并行的数据传输过程中,会先将数据流进行归类,然后通过自学习调度系统的检测,进行同信道下的特定协议传输。其中多协议自学习调度系统宏观的工作模式可参见图4。
S204:根据数据类型以及第一数据传输协议对数据流进行归类,以便根据数据传输协议选择对应的信道传输业务数据的数据流。
在本申请的一些实施例中,方法还包括:
根据所述数据流使用的数据传输协议获取所述数据流的真实性;
若所述数据流为真实,则将所述数据流发送至预设的自学习系统,由所述自学习系统记录所述数据流;
若所述数据流未真实,则判定所述数据流为被干扰数据,并删除判定为被干扰数据的数据流。
在图2所示的本申请实施例中,通过对数据流的真实性进行判断以及对数据流进行归类,将相同协议的采用相同渠道传输,保障了数据传输的可靠性。
如图3所示,本申请实施例还提供了一种多协议融合通信架构,该架构具体包括:
多协议组件、前置服务器、安全接入平台、网络安全设备层以及互联网大区物联平台和自学习系统;其中,网络安全设备层、前置服务器以及安全接入平台部署于互联网大区;
互联网层中的电力物联网设备通过前置服务器或安全接入平台接入至互联网大区;
网络安全设备层,用于获取电力物联网设备的结构化数据,并通过指令控制或软件服务向多协议组件发送控制指令或软件升级消息;
多协议组件,用于根据控制指令或软件升级消息获取多协议的权重值、多协议中每个协议传输的概率以及信息熵函数,并将多协议的权重值、多协议中每个协议传输的概率以及信息熵函数发送至自学习系统;
自学习系统,用于根据多协议的权重值、所述多协议中每个协议传输的概率以及信息熵函数获取最佳协议传输值;以所述最佳协议传输值为条件,采用自学习调度算法对多协议的权重值进行优先级调整,以确定进行优先级调整后的所述多协议的权重值为最佳权重值。
在本申请的一些实施例中,自学习系统对结构化数据传输时所使用的数据传输协议进行传输调度,以使得网络完全设备层中的业务数据上传至物联平台。
需要说明的是,电力物联网设备通过将接入信息以固定格式信息上传至前置服务器,或,接收安全接入平台的接入指令后将接入信息给安全接入平台。
物联平台将结构化数据上传至结构化存储服务器;网络安全设备层获取电力物联网设备的非结构化数据,并将非结构化数据上传至非结构化数据存储服务器。
在图3所示的本申请实施例中,基于电力物联网多协议融合通信适配系统设计架构,互联网层接入边缘物理层通信设备,通过前置服务器与安全接入平台实现到互联网大区的安全接入。网络安全设备层通过指令控制与APP服务实现对电力物联网设备的数据业务传输。其中海量数据的处理传输过程通过多协议组件多协议组件接入互联网大区物联平台。
如图6所示,本申请实施例还提供了一种多协议融合通信装置,该多协议融合通信装置可以属于自学习系统的组成部分,该自学习系统也可以称为多协议自学习调度系统。该装置具体包括:
协议传输值获取单元601,用于根据多协议的权重值、多协议中每个协议传输的概率以及信息熵函数获取最佳协议传输值;
计算单元602,用于以所述最佳协议传输值为条件,采用自学习调度算法对多协议的权重值进行优先级调整;
最佳权重值获取单元603,用于确定进行优先级调整后的所述多协议的权重值为最佳权重值。
在本申请的其他一些实现方式中,该计算单元602具体用于:
根据多协议的传输子目标进行分析,以获取传输子目标的问题约束条件;
根据问题约束条件计算多协议的梯度值;
根据多协议的梯度值对多协议进行归一化处理;
根据所述最佳协议传输值确定极大熵,输入所述极大熵作为自学习调度算法的迭代终止目标,并采用自学习调度算法进行迭代学习。
在本申请的其他一些实现方式中,该装置还包括:
极大熵单元,用于根据问题约束条件获取信息传输的极大熵原则方程;
初始化单元,用于将多协议输入到预设的物联平台,并采用自学习调度算法运算多协议的协议初始权重值;
样本生成单元,用于根据协议初始权重值确定所述多协议的预设优先级,生成根据自学习调度算法学习后的随机样本。
在本申请的其他一些实现方式中,该装置还包括归一化处理单元:
归一化处理单元,具体用于获取多个业务数据的数据流;通过对数据流进行分类和类比学习,以获取数据流使用的数据传输协议;将具有相同属性的数据传输协议归类到第一数据传输协议,对第一数据传输协议进行归一化处理,并记录数据流的数据类型;根据数据类型以及第一数据传输协议对数据流进行归类,以便根据数据传输协议选择对应的信道传输业务数据的数据流。
在本申请的其他一些实现方式中,该装置还包括判断单元:
该判断单元具体用于:根据数据流使用的数据传输协议获取数据流的真实性;
若数据流为真实,则将所述数据流发送至预设的自学习系统,由所述自学习系统记录所述数据流;
若数据流未真实,则判定数据流为被干扰数据,并删除判定为被干扰数据的数据流。
如图7所示,本申请实施例还提供了一种计算机设备,包括:存储器701、处理器702;
其中,存储器701用于存储程序;
处理器702用于执行存储器中的程序,以实现上述如图1至图2中描述的一种多协议融合通信方法。
可以理解的是,本实施例示意的结构并不构成对该装置的具体限定。在另一些实施例中,该装置可以包括比图示更多或更少的部件,或者组合另一些部件,或者拆分另一些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
最后,还需要说明的是,在本申请实施例中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种多协议融合通信方法,其特征在于,所述方法包括:
根据多协议的权重值、所述多协议中每个协议传输的概率以及信息熵函数获取最佳协议传输值;
以所述最佳协议传输值为条件,采用自学习调度算法对所述多协议的权重值进行优先级调整;
确定进行优先级调整后的所述多协议的权重值为最佳权重值;
其中,所述以所述最佳协议传输值为条件,采用自学习调度算法对所述多协议的权重值进行优先级调整,包括:
根据所述多协议的传输子目标进行分析,以获取所述传输子目标的问题约束条件;
根据所述问题约束条件计算所述多协议的梯度值;根据所述多协议的梯度值对所述多协议进行归一化处理;
根据所述最佳协议传输值确定极大熵,输入所述极大熵作为所述自学习调度算法的迭代终止目标,并采用自学习调度算法进行迭代学习。
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:
根据所述问题约束条件获取信息传输的极大熵原则方程;
将所述多协议输入到预设的物联平台,并采用所述自学习调度算法运算所述多协议的协议初始权重值;
根据所述协议初始权重值确定所述多协议的预设优先级,生成根据所述自学习调度算法学习后的随机样本。
3.根据权利要求1所述的方法,其特征在于,所述根据所述多协议的梯度值对所述多协议进行归一化处理,包括:
获取多个业务数据的数据流;
通过对所述数据流进行分类和类比学习,以获取所述数据流使用的数据传输协议;
将具有相同属性的数据传输协议归类到第一数据传输协议,对所述第一数据传输协议进行归一化处理,并记录所述数据流的数据类型;
根据所述数据类型以及所述第一数据传输协议对所述数据流进行归类,以便根据所述数据传输协议选择对应的信道传输所述业务数据的数据流。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据所述数据流使用的数据传输协议获取所述数据流的真实性;
若所述数据流为真实,则将所述数据流发送至预设的自学习系统,由所述自学习系统记录所述数据流;
若所述数据流未真实,则判定所述数据流为被干扰数据,并删除判定为被干扰数据的数据流。
5.一种多协议融合通信装置,其特征在于,所述装置包括:
协议传输值获取单元,用于根据多协议的权重值、所述多协议中每个协议传输的概率以及信息熵函数获取最佳协议传输值;
计算单元,用于以所述最佳协议传输值为条件,采用自学习调度算法对所述多协议的权重值进行优先级调整;
最佳权重值获取单元,用于确定进行优先级调整后的所述多协议的权重值为最佳权重值;
其中,所述以所述最佳协议传输值为条件,采用自学习调度算法对所述多协议的权重值进行优先级调整,包括:
根据所述多协议的传输子目标进行分析,以获取所述传输子目标的问题约束条件;
根据所述问题约束条件计算所述多协议的梯度值;根据所述多协议的梯度值对所述多协议进行归一化处理;
根据所述最佳协议传输值确定极大熵,输入所述极大熵作为所述自学习调度算法的迭代终止目标,并采用自学习调度算法进行迭代学习。
6.一种多协议融合通信架构,其特征在于,所述通信架构包括:多协议组件、前置服务器、安全接入平台、网络安全设备层以及互联网大区物联平台和自学习系统;其中,所述网络安全设备层、所述前置服务器以及所述安全接入平台部署于互联网大区;
电力物联网设备通过所述前置服务器或所述安全接入平台接入至所述互联网大区物联平台;
所述网络安全设备层,用于获取所述电力物联网设备的结构化数据,并向所述多协议组件发送控制指令或软件升级消息;
所述多协议组件,用于根据所述控制指令或软件升级消息获取多协议的权重值、所述多协议中每个协议传输的概率以及信息熵函数,并将所述多协议的权重值、所述多协议中每个协议传输的概率以及信息熵函数发送至自学习系统;
所述自学习系统,用于根据多协议的权重值、所述多协议中每个协议传输的概率以及信息熵函数获取最佳协议传输值;以所述最佳协议传输值为条件,采用自学习调度算法对所述多协议的权重值进行优先级调整,确定进行优先级调整后的所述多协议的权重值为最佳权重值,其中,所述以所述最佳协议传输值为条件,采用自学习调度算法对所述多协议的权重值进行优先级调整,包括:根据所述多协议的传输子目标进行分析,以获取所述传输子目标的问题约束条件;根据所述问题约束条件计算所述多协议的梯度值;根据所述多协议的梯度值对所述多协议进行归一化处理;根据所述最佳协议传输值确定极大熵,输入所述极大熵作为所述自学习调度算法的迭代终止目标,并采用自学习调度算法进行迭代学习。
7.根据权利要求6所述的通信架构,其特征在于,所述电力物联网设备通过将接入信息以固定格式信息上传至所述前置服务器,或,接收所述安全接入平台的接入指令后将接入信息发送给所述安全接入平台。
8.根据权利要求6所述的通信架构,其特征在于,所述互联网大区物联平台,用于将结构化数据上传至结构化存储服务器;
所述网络安全设备层,用于获取所述电力物联网设备的非结构化数据,并将所述非结构化数据上传至非结构化数据存储服务器。
9.一种计算机设备,其特征在于,所述设备包括存储器和处理器,所述处理器用于执行所述存储器中存储的程序,运行如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310357480.6A CN116074403B (zh) | 2023-04-04 | 2023-04-04 | 一种多协议融合通信方法、装置及架构 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310357480.6A CN116074403B (zh) | 2023-04-04 | 2023-04-04 | 一种多协议融合通信方法、装置及架构 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116074403A CN116074403A (zh) | 2023-05-05 |
CN116074403B true CN116074403B (zh) | 2023-06-09 |
Family
ID=86175353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310357480.6A Active CN116074403B (zh) | 2023-04-04 | 2023-04-04 | 一种多协议融合通信方法、装置及架构 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116074403B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116939058B (zh) * | 2023-09-15 | 2023-11-28 | 工业云制造(四川)创新中心有限公司 | 基于云制造模式的多协议设备接入方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103457865A (zh) * | 2012-05-28 | 2013-12-18 | 北京山海经纬信息技术有限公司 | 一种通信装置和多协议多信道分层数据传输的方法 |
CN109729040A (zh) * | 2017-10-27 | 2019-05-07 | 伊姆西Ip控股有限责任公司 | 协议的选择的方法、设备以及计算机可读介质 |
CN115277877A (zh) * | 2022-09-29 | 2022-11-01 | 图林科技(深圳)有限公司 | 一种兼容多种网络通信的协议会话分配方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220377158A1 (en) * | 2021-05-24 | 2022-11-24 | Texas Instruments Incorporated | Priority selection for multiple protocol stacks |
-
2023
- 2023-04-04 CN CN202310357480.6A patent/CN116074403B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103457865A (zh) * | 2012-05-28 | 2013-12-18 | 北京山海经纬信息技术有限公司 | 一种通信装置和多协议多信道分层数据传输的方法 |
CN109729040A (zh) * | 2017-10-27 | 2019-05-07 | 伊姆西Ip控股有限责任公司 | 协议的选择的方法、设备以及计算机可读介质 |
CN115277877A (zh) * | 2022-09-29 | 2022-11-01 | 图林科技(深圳)有限公司 | 一种兼容多种网络通信的协议会话分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116074403A (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Promptfl: Let federated participants cooperatively learn prompts instead of models-federated learning in age of foundation model | |
Wang et al. | Drl-sfcp: Adaptive service function chains placement with deep reinforcement learning | |
CN113141317B (zh) | 流媒体服务器负载均衡方法、系统、计算机设备、终端 | |
CN102075352A (zh) | 一种网络用户行为预测的方法和装置 | |
CN116074403B (zh) | 一种多协议融合通信方法、装置及架构 | |
WO2022028304A1 (zh) | 一种多媒体数据处理方法、装置、设备及可读存储介质 | |
CN113852405B (zh) | 多波束中继卫星任务调度模型的构建方法及装置 | |
Niu et al. | An efficient distributed algorithm for resource allocation in large-scale coupled systems | |
Liao et al. | Accurate sub-swarms particle swarm optimization algorithm for service composition | |
US20220156574A1 (en) | Methods and systems for remote training of a machine learning model | |
Kim et al. | Communication-efficient federated learning with acceleration of global momentum | |
CN113469325A (zh) | 一种边缘聚合间隔自适应控制的分层联邦学习方法、计算机设备、存储介质 | |
Chen et al. | Learn-and-adapt stochastic dual gradients for network resource allocation | |
CN113094181A (zh) | 面向边缘设备的多任务联邦学习方法及装置 | |
CN106134215A (zh) | 用户体验质量QoE预测装置、网络设备和方法 | |
Khokhar et al. | On active sampling of controlled experiments for qoe modeling | |
CN106063281A (zh) | 确定视频会话中重新缓冲事件的方法 | |
Chen et al. | Performance evaluation of a queue fed by a Poisson Lomax burst process | |
CN116614195A (zh) | 基于边缘容器的电碳计算智能融合终端及时间同步方法 | |
CN116582407A (zh) | 一种基于深度强化学习的容器化微服务编排系统及方法 | |
Shen et al. | Blocking flow shop scheduling based on hybrid ant colony optimization | |
CN114500561A (zh) | 电力物联网网络资源分配决策方法、系统、设备及介质 | |
CN114785692A (zh) | 一种虚拟电厂聚合调控通信网络流量均衡方法及装置 | |
CN117687801B (zh) | 一种跨域分布式计算系统、方法、存储介质和电子设备 | |
CN117687800B (zh) | 一种跨域分布式计算方法、系统、存储介质和电子设备 |
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 |