CN116467610A - 基于5g消息的数据拓扑分析方法、装置、设备及存储介质 - Google Patents
基于5g消息的数据拓扑分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116467610A CN116467610A CN202310284240.8A CN202310284240A CN116467610A CN 116467610 A CN116467610 A CN 116467610A CN 202310284240 A CN202310284240 A CN 202310284240A CN 116467610 A CN116467610 A CN 116467610A
- Authority
- CN
- China
- Prior art keywords
- message
- node
- data
- dynamic
- topology
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 47
- 230000008033 biological extinction Effects 0.000 claims abstract description 35
- 238000010586 diagram Methods 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims description 66
- 238000004422 calculation algorithm Methods 0.000 claims description 50
- 230000001427 coherent effect Effects 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 45
- 238000000034 method Methods 0.000 claims description 23
- 230000002457 bidirectional effect Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 230000008034 disappearance Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001739 density measurement Methods 0.000 claims description 4
- 230000002085 persistent effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 12
- 238000007405 data analysis Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007480 spreading Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/12—Messaging; Mailboxes; Announcements
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及数据拓扑技术领域，揭露了一种基于5G消息的数据拓扑分析方法、装置、设备以及存储介质，包括：根据5G消息数据的多维属性特征确定5G消息数据的消息节点；计算每个消息节点之间的消息距离，根据消息距离及消息生成时间确定消息消亡时间；根据消息生成时间、消息消亡时间及消息距离确定5G消息数据的动态拓扑形状；根据动态拓扑形状及节点边权重构建5G消息数据的动态拓扑空间；提取动态拓扑空间的动态拓扑特征，根据动态拓扑特征生成5G消息数据的持续节点图，根据持续节点图中的节点分布对5G消息数据的数据拓扑进行分析。本发明可以提高5G消息数据拓扑分析的准确度。
Description
技术领域
本发明涉及数据拓扑技术领域，尤其涉及一种基于5G消息的数据拓扑分析方法、装置、设备及存储介质。
背景技术
随着移动通信技术全面进入到5G时代，5G消息作为5G时代带来的第一个面向全民的大规模应用产品，进入大众的视野，但为了对5G消息的使用广泛性和传播性有更好的了解，需要对5G消息构建拓扑空间，以对5G消息进行数据拓扑分析。
现有的数据拓扑分析技术是通过拓扑学中的几何性质确定数据拓扑结构，进而与数据分析结合，研究大数据中潜藏的有价值的关系。实际应用中，5G消息是具有时效性的，因此拓扑学中的拓扑结构是时时可能发生变化的，并不是固定的，仅考虑固定的拓扑形状，可能导致对5G消息的数据分析过于单一，从而对进行5G消息数据拓扑分析的准确度较低。
发明内容
本发明提供一种基于5G消息的数据拓扑分析方法、装置、设备及存储介质，其主要目的在于解决进行5G消息数据拓扑分析的准确度较低的问题。
为实现上述目的，本发明提供的一种基于5G消息的数据拓扑分析方法，包括：
S1、获取预设的5G消息数据，利用预设的聚类算法提取所述5G消息数据的多维属性特征，根据所述多维属性特征确定所述5G消息数据的消息节点，其中所述利用预设的聚类算法提取所述5G消息数据的多维属性特征，包括：
S11、将所述5G消息数据进行向量转换，得到消息向量；
S12、利用如下的密度度量公式逐一计算所述消息向量的消息密度：
其中，ρi为第i个所述消息向量的消息密度dij为第i个所述消息向量和第j个所述消息向量之间的距离，exp为指数函数，为第i个所述消息向量与其第k个最近邻居消息向量之间的距离，N为所述消息向量的数量，/>为第i个所述消息向量与第N个所述消息向量之间的距离；
S13、当所述消息密度小于预设的密度阈值时，利用所述聚类算法将所述消息密度对应的5G消息数据聚类至预设的消息特征聚类中心；
S14、根据所述消息特征聚类中心对应的聚类特征确定所述多维属性特征；
S2、利用预设的双向距离函数计算每个所述消息节点之间的消息距离，根据所述消息距离及预设的消息生成时间确定所述5G消息数据的消息消亡时间；
S3、利用预设的几何特征根据所述消息生成时间、所述消息消亡时间及所述消息距离确定所述5G消息数据的动态拓扑形状；
S4、通过预设的动态加权算法计算每个消息节点之间的节点边权重，根据所述动态拓扑形状及所述节点边权重构建所述5G消息数据的动态拓扑空间；
S5、提取所述动态拓扑空间的动态拓扑特征，利用预设的持续同调算法根据所述动态拓扑特征生成所述5G消息数据的持续节点图，根据所述持续节点图中的节点分布对所述5G消息数据的数据拓扑进行分析。
可选地，所述利用预设的双向距离函数计算每个所述消息节点之间的消息距离，包括：
获取每个所述消息节点中的添加消息及删除消息；
利用所述双向距离函数根据所述添加消息及所述删除消息计算每个所述消息节点之间的消息距离，其中所述双向距离函数为：
其中，Duv为第u个消息节点与第v个消息节点之间的所述消息距离，xmu为第u个消息节点中第m个添加消息的位置，xmv为第v个消息节点中第m个添加消息的位置，ymu为第u个消息节点中第m个删除消息的位置，ymv为第v个消息节点中第m个删除消息的位置， αmu为第u个消息节点中第m个添加消息对应的消息聚类系数，αmv第v个消息节点中第m个添加消息对应的消息聚类系数，βmv第v个消息节点中第m个删除消息对应的消息聚类系数， βmu为第u个消息节点中第m个删除消息对应的消息聚类系数，M为所述添加消息数量，R为所述删除消息数量，U为消息节点数量，ln为对数函数。
可选地，所述利用预设的几何特征根据所述消息生成时间、所述消息消亡时间及所述消息距离确定所述5G消息数据的动态拓扑形状，包括：
计算所述消息消亡时间与所述消息生成时间的时间差；
对所述时间差进行距离转换，得到距离差；
根据所述距离差及所述消息距离确定拓扑距离；
根据所述几何特征及所述拓扑距离生成所述5G消息数据的动态拓扑形状。
可选地，所述通过预设的动态加权算法计算每个消息节点之间的节点边权重，包括：
统计所述每个消息节点的节点度数，根据所述节点度数确定所述消息节点的节点总度数；
根据所述节点总度数及所述节点度数确定度数比值；
通过所述动态加权算法根据所述度数比值计算所述每个消息节点之间的节点边权重：
其中，Wuv为第u个消息节点与第v个消息节点之间的节点边权重，buv为第u个消息节点与第v个消息节点之间的所述度数比值，U为消息节点数量，fmu为第u个消息节点中第m个消息的消息向量，gmv为第v个消息节点中第m个消息的消息向量。
可选地，所述根据所述动态拓扑形状及所述节点边权重构建所述5G消息数据的动态拓扑空间，包括：
按照所述动态拓扑形状生成所述动态拓扑空间的空间轮廓；
根据所述节点边权重筛选所述消息节点的节点边，得到更新节点边；
按照所述更新节点边将所述空间轮廓进行相连，得到所述动态拓扑空间。
可选地，所述利用预设的持续同调算法根据所述动态拓扑特征生成所述5G消息数据的持续节点图，包括：
根据所述动态拓扑特征构建同调群；
利用如下的势函数公式计算所述同调群中每个消息节点的势函数值：
hu＝-log zu+∈u,u＝0,1,…,U
其中，hu为第u个消息节点的势函数值，zu为第u个消息节点的度数，∈u为第u个消息节点的扰动参数，U为消息节点数量；
根据所述势函数值构造所述动态拓扑空间的复形流；
利用所述持续同调算法根据所述复形流生成所述5G消息数据的持续节点图。
可选地，所述根据所述持续节点图中的节点分布对所述5G消息数据的数据拓扑进行分析，包括：
利用如下的熵计算公式计算所述持续节点图中每个同调群的持续熵值：
其中，E(τ)为第τ个同调群的持续熵值，cτ为第τ个同调群的生成时间，eτ为第τ个同调群的消失时间，Q为所述同调群的数量，log为对数函数；
根据所述持续熵值对所述5G消息数据的数据拓扑进行分析。
为了解决上述问题，本发明还提供一种基于5G消息的数据拓扑分析装置，所述装置包括：
消息节点确定模块，用于获取预设的5G消息数据，利用预设的聚类算法提取所述5G消息数据的多维属性特征，根据所述多维属性特征确定所述5G消息数据的消息节点；
消息消亡时间确定模块，用于利用预设的双向距离函数计算每个所述消息节点之间的消息距离，根据所述消息距离及预设的消息生成时间确定所述5G消息数据的消息消亡时间；
动态拓扑形状生成模块，用于利用预设的几何特征根据所述消息生成时间、所述消息消亡时间及所述消息距离确定所述5G消息数据的动态拓扑形状；
动态拓扑空间构建模块，用于通过预设的动态加权算法计算每个消息节点之间的节点边权重，根据所述动态拓扑形状及所述节点边权重构建所述5G消息数据的动态拓扑空间；
数据拓扑分析模块，用于提取所述动态拓扑空间的动态拓扑特征，利用预设的持续同调算法根据所述动态拓扑特征生成所述5G消息数据的持续节点图，根据所述持续节点图中的节点分布对所述5G消息数据的数据拓扑进行分析。
为了解决上述问题，本发明还提供一种设备，所述设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于5G消息的数据拓扑分析方法。
为了解决上述问题，本发明还提供一种存储介质，所述存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被设备中的处理器执行以实现上述所述的基于5G消息的数据拓扑分析方法。
本发明实施例通过提取5G消息数据的多维属性特征，进而根据多维属性特征确定5G消息数据的消息节点，有利于对5G消息数据中的数据特征进行完整概括；根据预设的双向距离函数计算消息节点之间的距离，统计消息产生和消息消失的时间，从而构建动态的拓扑形状；通过动态加权算法计算消息节点之间节点边权重可以使构建的拓扑空间更加简单化，优化拓扑空间中的复杂节点边；基于动态拓扑空间的动态拓扑特征，生成5G消息数据的持续节点图，进而根据持续节点图中消息节点的分布完成对5G消息数据的数据拓扑分析，以提高数据拓扑分析时的准确性。因此本发明提出的基于5G消息的数据拓扑分析方法、装置、设备及存储介质，可以解决进行5G消息数据拓扑分析的准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于5G消息的数据拓扑分析方法的流程示意图；
图2为本发明一实施例提供的确定动态拓扑形状的流程示意图；
图3为本发明一实施例提供的计算节点边权重的流程示意图；
图4为本发明一实施例提供的基于5G消息的数据拓扑分析装置的功能模块图；
图5为本发明一实施例提供的实现所述基于5G消息的数据拓扑分析方法的设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于5G消息的数据拓扑分析方法。所述基于5G消息的数据拓扑分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的设备中的至少一种。换言之，所述基于5G消息的数据拓扑分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于5G消息的数据拓扑分析方法的流程示意图。在本实施例中，所述基于5G消息的数据拓扑分析方法包括：
S1、获取预设的5G消息数据，利用预设的聚类算法提取所述5G消息数据的多维属性特征，根据所述多维属性特征确定所述5G消息数据的消息节点；
本发明实施例中，5G消息不是5G特有的功能，也不是5G时代新开发出来的任务，它的真实身份是已经诞生的RCS业务，RCS(Rich Communication Suite)，富媒体通讯套件，RCS也被称为融合通信，将多种媒体形式融合。
详细地，可通过具有数据抓取功能的计算机语句(Java语句、Python语句等)获取预设的5G消息数据，其中所述5G消息数据是以手机号码为基础的消息业务，是5G时代基于GSMA统一标准的基础通信业务，通过构建全新的5G消息业务和信息服务入口，实现实时动态交互。
本发明实施例中，所述多维属性特征是指对5G消息数据进行分类，包括文本、语音、图片、视频、动画、表情、位置等多维特征。将5G消息数据按照多维属性特征进行文本、语音、图片、视频等特征进行分类。
本发明实施例中，所述利用预设的聚类算法提取所述5G消息数据的多维属性特征，包括：
将所述5G消息数据进行向量转换，得到消息向量；
利用如下的密度度量公式逐一计算所述消息向量的消息密度：
其中，ρi为第i个所述消息向量的消息密度dij为第i个所述消息向量和第j个所述消息向量之间的距离，exp为指数函数，为第i个所述消息向量与其第k个最近邻居消息向量之间的距离，N为所述消息向量的数量，/>为第i个所述消息向量与第N个所述消息向量之间的距离；
当所述消息密度小于预设的密度阈值时，利用所述聚类算法将所述消息密度对应的5G消息数据聚类至预设的消息特征聚类中心；
根据所述消息特征聚类中心对应的聚类特征确定所述多维属性特征。
详细地，将5G消息数据中的每条消息逐一经过向量转换，可得到每条消息对应的消息向量，进而根据消息向量确定其对应的消息密度，其中可通过预设的向量转换模型对所述信息语义进行向量转换，得到信息向量，所述向量转换模型包括但不限于word2vec模型、Bert模型。
具体地，所述密度度量公式中为第i个所述消息向量与其第k个最近邻居消息向量之间的距离，即通过第i个所述消息向量与其最近邻居之间的距离，实时计算其与邻居之间的距离，通过天然完成实现距离计算的动态化，提高每个消息向量对应的消息密度的准确性。
进一步地，所述特征密度是将5G消息数据对应的特征预先自定义设置一个特征密度，将消息密度与预设的密度阈值进行相比，通过比值将5G消息数据聚类至消息特征聚类中心，并汇集所有消息特征聚类中心对应的聚类特征作为所述多维属性特征。其中所述聚类算法根据数据的相似特征对数据集进行自动划分，按一定规则根据对象属性把对象划分成不同的类别，同一类别下的对象具有一定的相似性，而不同类别对象之间则差异性较大。即将具有同一维度特征的5G消息数据根据数据密度聚类在一起。逐一确定所述5G消息数据对应的消息特征聚类中心。
示例性地，所述消息密度分别为0.6、0.3、0.8，文本特征密度为0.4，语音特征密度为0.7，图像特征密度为0.5等，消息密度为0.3小于最近的密度阈值，即消息密度0.3距离文本特征密度最近，即将消息密度0.3对应的5G消息数据聚类至文本特征聚类中心，将消息密度0.6对应的5G消息数据聚类至语音特征聚类中心，最终汇集所有的消息特征聚类中心作为5G消息数据对应的多维属性属性特征。
本发明实施例中，将5G消息数据中每条消息进行分类，分类至对应的消息特征聚类中心后，根据所述多维属性特征确定所述5G消息数据的消息节点，即将每一个消息特征聚类集合作为一个消息节点，从而根据消息节点确定每个消息的消亡时间，从而实现动态的获取实时消息。
S2、利用预设的双向距离函数计算每个所述消息节点之间的消息距离，根据所述消息距离及预设的消息生成时间确定所述5G消息数据的消息消亡时间；
本发明实施例中，所述消息距离是指每个消息节点之间的距离，以及所述双向距离函数是指根据每个所述消息节点中5G消息数据的添加和删除所定义的，可以同时调整消息添加和删除，以达到有效的5G消息数据分析。
本发明实施例中，所述利用预设的双向距离函数计算每个所述消息节点之间的消息距离，包括：
获取每个所述消息节点中的添加消息及删除消息；
利用所述双向距离函数根据所述添加消息及所述删除消息计算每个所述消息节点之间的消息距离，其中所述双向距离函数为：
其中，Duv为第u个消息节点与第v个消息节点之间的所述消息距离，xmu为第u个消息节点中第m个添加消息的位置，xmv为第v个消息节点中第m个添加消息的位置，ymu为第u个消息节点中第m个删除消息的位置，ymv为第v个消息节点中第m个删除消息的位置， αmu为第u个消息节点中第m个添加消息对应的消息聚类系数，αmv第v个消息节点中第m个添加消息对应的消息聚类系数，βmv第v个消息节点中第m个删除消息对应的消息聚类系数， βmu为第u个消息节点中第m个删除消息对应的消息聚类系数，M为所述添加消息数量，R为所述删除消息数量，U为消息节点数量，ln为对数函数。
详细地，在每个消息节点中消息都会有添加或删除，通过所述双向距离函数对消息的添加和消息的删除进行有效计算。其中，可通过数据分析统计获取每个消息节点中添加消息和删除消息。
具体地，所述双向距离函数中添加消息的位置和删除消息的位置是通过将每个消息数据都处在一个坐标系中，用一个点的值表示消息的位置，从而可以准确确定添加消息和删除消息的位置；以及所述消息聚类系数是为每个消息节点中的每条消息根据位置坐标的中位数逐一进行赋值，如消息数据的位置坐标为(3，5)，则其消息聚类系数为4。
进一步地，为了能够实时掌握消息的产生与消亡，因此，需要根据消息距离及消息生成时间确定消息数据的消亡时间。
本发明实施例中，所述根据所述消息距离及预设的消息生成时间确定所述5G消息数据的消息消亡时间，包括：
根据预设的时间节点逐一确定所述消息距离的距离值；
当所述距离值为零时，根据所述消息生成时间及所述时间节点确定所述5G消息数据的消息消亡时间。
详细地，所述消息生成时间是实时创建的，一旦有消息生成，就会为其创建一个生成时间；以及所述时间节点是指时间步长，即在固定的时间内实时计算所述消息距离的距离值，一旦在消息节点中有任一消息消亡，则消息距离机会相对减少，直至所述消息距离的距离值减少到零。
具体地，当所述距离值为零时，统计距离值为零时，消息节点到达的节点数，设定一个消息节点数为30分钟，若距离值为零时，消息节点数为4，则经过120分钟，若消息生成时间为十点，则消息消亡时间为十二点，因此，可根据消息生成时间及时间节点确定消息的消息消亡时间。
进一步地，为了对5G消息数据的传播性及广泛性进行数据分析，需要将5G消息数据进行数据拓扑分析，通过把拓扑学与数据分析结合，深入研究数据中潜藏的有价值的关系。
S3、利用预设的几何特征根据所述消息生成时间、所述消息消亡时间及所述消息距离确定所述5G消息数据的动态拓扑形状；
本发明实施例中，所述动态拓扑形状是实时变化的，消息是不断变化的，即消息可以实时增加，消息也会根据时效性而消亡，因此，拓扑形状是实时变化的，即动态拓扑形状。
本发明实施例中，参图2所示，所述利用预设的几何特征根据所述消息生成时间、所述消息消亡时间及所述消息距离确定所述5G消息数据的动态拓扑形状，包括：
S21、计算所述消息消亡时间与所述消息生成时间的时间差；
S22、对所述时间差进行距离转换，得到距离差；
S23、根据所述距离差及所述消息距离确定拓扑距离；
S24、根据所述几何特征及所述拓扑距离生成所述5G消息数据的动态拓扑形状。
详细地，将消息消亡时间减去消息生成时间，可得到时间差，进而将时间差转换为距离差，可通过自定义设定为一个距离差为一个时间差的转换单位将时间差转换为距离差，进而将消息距离与所述距离差进行相加，最终确定动态的拓扑距离。
具体地，所述几何特征为几何形，包括平面几何、立体几何等，其中平面几何包括长方形、正方形、三角形、梯形、菱形、圆形、五角形等；立体几何包括球面、椭球面、锥面、双曲面等。根据每个消息节点之间的拓扑距离形成的几何形状与预设的几何特征进行比对，以此确定所述5G消息数据的动态拓扑形状。
进一步地，消息是不断增长的，是不断演化的动态过程，需要择优对不同消息节点进行相连，形成一个最佳的动态拓扑空间。
S4、通过预设的动态加权算法计算每个消息节点之间的节点边权重，根据所述动态拓扑形状及所述节点边权重构建所述5G消息数据的动态拓扑空间；
本发明实施例中，所述节点边权重是确定每个消息节点之间的边权重，表示节点之间地相互关系和作用强度，从而在消息节点相连的过程中，筛选出最佳的节点边权重降低拓扑空间构建的复杂度。
本发明实施例中，参图3所示，所述通过预设的动态加权算法计算每个消息节点之间的节点边权重，包括：
S31、统计所述每个消息节点的节点度数，根据所述节点度数确定所述消息节点的节点总度数；
S32、根据所述节点总度数及所述节点度数确定度数比值；
S33、通过所述动态加权算法根据所述度数比值计算所述每个消息节点之间的节点边权重：
其中，Wuv为第u个消息节点与第v个消息节点之间的节点边权重，buv为第u个消息节点与第v个消息节点之间的所述度数比值，U为消息节点数量，fmu为第u个消息节点中第m个消息的消息向量，gmv为第v个消息节点中第m个消息的消息向量。
详细地，将每个消息节点都与其相邻消息节点进行相连，可统计每个消息节点的节点度数，将所有消息节点的节点度数进行相加可得节点总度数，将节点数据与节点总度数进行相比，可确定度数比值。如消息节点1的度数为3，与其相邻的消息节点2的度数为2，消息节点3的度数为4，而总节点度数为15，则消息节点1与消息节点2之间的度数比值为(2+3)/15＝5/15，则将消息节点1与消息节点2的度数相加与总节点度数进行相比，可得到度数比值。
具体地，在计算每个消息节点之间的节点边权重时，会有新消息节点加入进来，因此，节点度数与节点总度数是一直处于变化中，需要采用所述动态加权算法阶段消息节点的节点边权重。其中所述动态加权算法根据每个消息节点中每条消息的相似度确定其边权重，可以保证节点边权重的准确性。
进一步地，根据每个消息节点之间的节点边权重构建所述5G消息数据的动态拓扑空间，以此对5G消息数据的数据拓扑进行分析。
本发明实施例中，所述根据所述动态拓扑形状及所述节点边权重构建所述5G消息数据的动态拓扑空间，包括：
按照所述动态拓扑形状生成所述动态拓扑空间的空间轮廓；
根据所述节点边权重筛选所述消息节点的节点边，得到更新节点边；
按照所述更新节点边将所述空间轮廓进行相连，得到所述动态拓扑空间。
详细地，根据所述动态拓扑形状可以确定动态拓扑空间的空间轮廓，即空间形状，并将节点边权重与预设的权重阈值进行相比，将节点边权重大于预设的权重阈值作为所述消息节点的更新节点边；节点边权重小于预设的权重阈值对应的节点边进行删除。
具体地，按照所筛选的更新节点边将所述空间轮廓进行相连，以此形成一个动态拓扑图，进而根据动态拓扑图确定所述5G消息数据的动态拓扑空间。
进一步地，根据构建的动态拓扑空间对5G消息数据的数据拓扑进行分析，实现5G消息数据潜在价值的挖掘。
S5、提取所述动态拓扑空间的动态拓扑特征，利用预设的持续同调算法根据所述动态拓扑特征生成所述5G消息数据的持续节点图，根据所述持续节点图中的节点分布对所述5G消息数据的数据拓扑进行分析。
本发明实施例中，所述动态拓扑特征是指动态拓扑空间中所有拓扑形状的贝蒂数特征，即在动态拓扑空间中由消息节点构成的同调群的秩，贝蒂数特征往往能够反映出一个物体的拓扑结构。
详细地，可通过具有数据抓取功能的计算机语句(如Java语句、Python语句等)获取动态拓扑空间的贝蒂数，从而计算动态拓扑空间的贝蒂数特征，进而获取所述动态拓扑空间的动态拓扑特征。
本发明实施例中，所述持续同调算法是指确定所述动态拓扑空间中所有拓扑形状的贝蒂数特征，其所得到的拓扑特征可以用于对数据的分析，这种分析方法即持续同调算法。
本发明实施例中，所述利用预设的持续同调算法根据所述动态拓扑特征生成所述5G消息数据的持续节点图，包括：
根据所述动态拓扑特征构建同调群；
利用如下的势函数公式计算所述同调群中每个消息节点的势函数值：
hu＝-log zu+∈u,u＝0,1,…,U
其中，hu为第u个消息节点的势函数值，zu为第u个消息节点的度数，∈u为第u个消息节点的扰动参数，U为消息节点数量；
根据所述势函数值构造所述动态拓扑空间的复形流；
利用所述持续同调算法根据所述复形流生成所述5G消息数据的持续节点图。
详细地，所述同调群是复形的闭链群与边缘链群的商群，其所述动态拓扑特征的贝蒂数特征是其同调群的秩，如0维单形是一个顶点，1维单形则是两个顶点与他们之间的边，2维单形是整个三角形。单形(x1,x2,…,xk+1)去掉任意其中一个顶点xi后的单形(x1,…,xi-1,xi+1,…,xk+1)称为它的一个面。当单形满足一定条件组成集合时称为复形。
具体地，所述势函数公式中的扰动参数是在每一个消息节点加上的一个轻微扰动，以使任意两个顶点的势函数值不相等，便于构造复形流。即将动态拓扑空空间G中的所有消息节点(x1,x2,…,xu)构成所有的0维单形；对G中的任意两个节点xi,xj，如果xj可以以势函数值流到xi，则(xi,xj)构成一个1维单形；对G中的任意三个节点xi,xj,xk，如果xj可以以势函数值流到xi，xk可以以势函数值流到xj，则(xi,xj,xk)构成一个2维单形。以此类推可以推广到任意维的单形定义，基于单形定义可以定义图G中复形流，即让所有节点依次出现在复形流中的每个时间点上，在t+1时刻将xi加入复形流，所有势函数值与xi相等的单形全部在此时加入复形流中，即完成复形流的构造。
进一步地，利用所述持续同调算法在持续同调过程，所有的消息数据在此过程中共产生n个同调群，每一个同调群的生成和消失时间可以确定该消息数据集的持续节点图。其中所述持续节点图中每一个点的横坐标对应着该同调群的生成时间，纵坐标对应着消亡时间，进而对5G消息数据的消息使用的广泛性及传播性进行分析。
本发明实施例中，所述根据所述持续节点图中的节点分布对所述5G消息数据的数据拓扑进行分析，包括：
利用如下的熵计算公式计算所述持续节点图中每个同调群的持续熵值：
其中，E(τ)为第τ个同调群的持续熵值，cτ为第τ个同调群的生成时间，eτ为第τ个同调群的消失时间，Q为所述同调群的数量，log为对数函数；
根据所述持续熵值对所述5G消息数据的数据拓扑进行分析。
详细地，持续熵可用于量化持续节点图中所记录的拓扑特征，使用这种方法可以计算出持续节点图中的每一个同源维度中拓扑特征的持续熵值，使得复杂的描述变得简单。进而根据持续熵值的大小对5G消息数据消息使用的广泛性及传播性进行分析。
具体地，若每个消息节点的持续熵值越大，则此消息节点中5G消息数据消息使用的广泛性及传播性就越广泛；若每个消息节点的持续熵值越小，则此消息节点中5G消息数据消息使用的广泛性及传播性就越小，因此，可根据持续熵值的大小对5G消息数据消息使用的广泛性及传播性进行有效的分析。
本发明实施例通过提取5G消息数据的多维属性特征，进而根据多维属性特征确定5G消息数据的消息节点，有利于对5G消息数据中的数据特征进行完整概括；根据预设的双向距离函数计算消息节点之间的距离，统计消息产生和消息消失的时间，从而构建动态的拓扑形状；通过动态加权算法计算消息节点之间节点边权重可以使构建的拓扑空间更加简单化，优化拓扑空间中的复杂节点边；基于动态拓扑空间的动态拓扑特征，生成5G消息数据的持续节点图，进而根据持续节点图中消息节点的分布完成对5G消息数据的数据拓扑分析，以提高数据拓扑分析时的准确性。因此本发明提出的基于5G消息的数据拓扑分析方法、装置、设备及存储介质，可以解决进行5G消息数据拓扑分析的准确度较低的问题。
如图4所示，是本发明一实施例提供的基于5G消息的数据拓扑分析装置的功能模块图。
本发明所述基于5G消息的数据拓扑分析装置100可以安装于设备中。根据实现的功能，所述基于5G消息的数据拓扑分析装置100可以包括消息节点确定模块101、消息消亡时间确定模块102、动态拓扑形状生成模块103、动态拓扑空间构建模块104及数据拓扑分析模块105。本发明所述模块也可以称之为单元，是指一种能够被设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述消息节点确定模块101，用于获取预设的5G消息数据，利用预设的聚类算法提取所述5G消息数据的多维属性特征，根据所述多维属性特征确定所述5G消息数据的消息节点；
所述消息消亡时间确定模块102，用于利用预设的双向距离函数计算每个所述消息节点之间的消息距离，根据所述消息距离及预设的消息生成时间确定所述5G消息数据的消息消亡时间；
所述动态拓扑形状生成模块103，用于利用预设的几何特征根据所述消息生成时间、所述消息消亡时间及所述消息距离确定所述5G消息数据的动态拓扑形状；
所述动态拓扑空间构建模块104，用于通过预设的动态加权算法计算每个消息节点之间的节点边权重，根据所述动态拓扑形状及所述节点边权重构建所述5G消息数据的动态拓扑空间；
所述数据拓扑分析模块105，用于提取所述动态拓扑空间的动态拓扑特征，利用预设的持续同调算法根据所述动态拓扑特征生成所述5G消息数据的持续节点图，根据所述持续节点图中的节点分布对所述5G消息数据的数据拓扑进行分析。
详细地，本发明实施例中所述基于5G消息的数据拓扑分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于5G消息的数据拓扑分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于5G消息的数据拓扑分析方法的设备的结构示意图。
所述设备可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于5G消息的数据拓扑分析程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述设备的控制核心(Control Unit)，利用各种接口和线路连接整个设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于5G消息的数据拓扑分析程序等)，以及调用存储在所述存储器11内的数据，以执行设备的各种功能和处理数据。
所述存储器11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、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是设备的内部存储单元，例如该设备的移动硬盘。所述存储器11在另一些实施例中也可以是设备的外部存储设备，例如设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于设备的应用软件及各类数据，例如基于5G消息的数据拓扑分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该设备与其他设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述设备中的所述存储器11存储的基于5G消息的数据拓扑分析程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取预设的5G消息数据，利用预设的聚类算法提取所述5G消息数据的多维属性特征，根据所述多维属性特征确定所述5G消息数据的消息节点；
利用预设的双向距离函数计算每个所述消息节点之间的消息距离，根据所述消息距离及预设的消息生成时间确定所述5G消息数据的消息消亡时间；
利用预设的几何特征根据所述消息生成时间、所述消息消亡时间及所述消息距离确定所述5G消息数据的动态拓扑形状；
通过预设的动态加权算法计算每个消息节点之间的节点边权重，根据所述动态拓扑形状及所述节点边权重构建所述5G消息数据的动态拓扑空间；
提取所述动态拓扑空间的动态拓扑特征，利用预设的持续同调算法根据所述动态拓扑特征生成所述5G消息数据的持续节点图，根据所述持续节点图中的节点分布对所述5G消息数据的数据拓扑进行分析。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。所述存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被设备的处理器所执行时，可以实现：
获取预设的5G消息数据，利用预设的聚类算法提取所述5G消息数据的多维属性特征，根据所述多维属性特征确定所述5G消息数据的消息节点；
利用预设的双向距离函数计算每个所述消息节点之间的消息距离，根据所述消息距离及预设的消息生成时间确定所述5G消息数据的消息消亡时间；
利用预设的几何特征根据所述消息生成时间、所述消息消亡时间及所述消息距离确定所述5G消息数据的动态拓扑形状；
通过预设的动态加权算法计算每个消息节点之间的节点边权重，根据所述动态拓扑形状及所述节点边权重构建所述5G消息数据的动态拓扑空间；
提取所述动态拓扑空间的动态拓扑特征，利用预设的持续同调算法根据所述动态拓扑特征生成所述5G消息数据的持续节点图，根据所述持续节点图中的节点分布对所述5G消息数据的数据拓扑进行分析。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于5G消息的数据拓扑分析方法，其特征在于，所述方法包括：
S1、获取预设的5G消息数据，利用预设的聚类算法提取所述5G消息数据的多维属性特征，根据所述多维属性特征确定所述5G消息数据的消息节点，其中所述利用预设的聚类算法提取所述5G消息数据的多维属性特征，包括：
S11、将所述5G消息数据进行向量转换，得到消息向量；
S12、利用如下的密度度量公式逐一计算所述消息向量的消息密度：
其中，ρi为第i个所述消息向量的消息密度dij为第i个所述消息向量和第j个所述消息向量之间的距离，exp为指数函数，为第i个所述消息向量与其第k个最近邻居消息向量之间的距离，N为所述消息向量的数量，/>为第i个所述消息向量与第N个所述消息向量之间的距离；
S13、当所述消息密度小于预设的密度阈值时，利用所述聚类算法将所述消息密度对应的5G消息数据聚类至预设的消息特征聚类中心；
S14、根据所述消息特征聚类中心对应的聚类特征确定所述多维属性特征；
S2、利用预设的双向距离函数计算每个所述消息节点之间的消息距离，根据所述消息距离及预设的消息生成时间确定所述5G消息数据的消息消亡时间；
S3、利用预设的几何特征根据所述消息生成时间、所述消息消亡时间及所述消息距离确定所述5G消息数据的动态拓扑形状；
S4、通过预设的动态加权算法计算每个消息节点之间的节点边权重，根据所述动态拓扑形状及所述节点边权重构建所述5G消息数据的动态拓扑空间；
S5、提取所述动态拓扑空间的动态拓扑特征，利用预设的持续同调算法根据所述动态拓扑特征生成所述5G消息数据的持续节点图，根据所述持续节点图中的节点分布对所述5G消息数据的数据拓扑进行分析。
2.如权利要求1所述的基于5G消息的数据拓扑分析方法，其特征在于，所述利用预设的双向距离函数计算每个所述消息节点之间的消息距离，包括：
获取每个所述消息节点中的添加消息及删除消息；
利用所述双向距离函数根据所述添加消息及所述删除消息计算每个所述消息节点之间的消息距离，其中所述双向距离函数为：
其中，Duv为第u个消息节点与第v个消息节点之间的所述消息距离，xmu为第u个消息节点中第m个添加消息的位置，xmv为第v个消息节点中第m个添加消息的位置，ymu为第u个消息节点中第m个删除消息的位置，ymv为第v个消息节点中第m个删除消息的位置， αmu为第u个消息节点中第m个添加消息对应的消息聚类系数，αmv第v个消息节点中第m个添加消息对应的消息聚类系数，βmv第v个消息节点中第m个删除消息对应的消息聚类系数， βmu为第u个消息节点中第m个删除消息对应的消息聚类系数，M为所述添加消息数量，R为所述删除消息数量，U为消息节点数量，ln为对数函数。
3.如权利要求1所述的基于5G消息的数据拓扑分析方法，其特征在于，所述利用预设的几何特征根据所述消息生成时间、所述消息消亡时间及所述消息距离确定所述5G消息数据的动态拓扑形状，包括：
计算所述消息消亡时间与所述消息生成时间的时间差；
对所述时间差进行距离转换，得到距离差；
根据所述距离差及所述消息距离确定拓扑距离；
根据所述几何特征及所述拓扑距离生成所述5G消息数据的动态拓扑形状。
4.如权利要求1所述的基于5G消息的数据拓扑分析方法，其特征在于，所述通过预设的动态加权算法计算每个消息节点之间的节点边权重，包括：
统计所述每个消息节点的节点度数，根据所述节点度数确定所述消息节点的节点总度数；
根据所述节点总度数及所述节点度数确定度数比值；
通过所述动态加权算法根据所述度数比值计算所述每个消息节点之间的节点边权重：
其中，Wuv为第u个消息节点与第v个消息节点之间的节点边权重，buv为第u个消息节点与第v个消息节点之间的所述度数比值，U为消息节点数量，fmu为第u个消息节点中第m个消息的消息向量，gmv为第v个消息节点中第m个消息的消息向量。
5.如权利要求1至4中任一项所述的基于5G消息的数据拓扑分析方法，其特征在于，所述根据所述动态拓扑形状及所述节点边权重构建所述5G消息数据的动态拓扑空间，包括：
按照所述动态拓扑形状生成所述动态拓扑空间的空间轮廓；
根据所述节点边权重筛选所述消息节点的节点边，得到更新节点边；
按照所述更新节点边将所述空间轮廓进行相连，得到所述动态拓扑空间。
6.如权利要求1所述的基于5G消息的数据拓扑分析方法，其特征在于，所述利用预设的持续同调算法根据所述动态拓扑特征生成所述5G消息数据的持续节点图，包括：
根据所述动态拓扑特征构建同调群；
利用如下的势函数公式计算所述同调群中每个消息节点的势函数值：
hu＝-log zu+∈u,u＝0,1,…,U
其中，hu为第u个消息节点的势函数值，zu为第u个消息节点的度数，∈u为第u个消息节点的扰动参数，U为消息节点数量；
根据所述势函数值构造所述动态拓扑空间的复形流；
利用所述持续同调算法根据所述复形流生成所述5G消息数据的持续节点图。
7.如权利要求1所述的基于5G消息的数据拓扑分析方法，其特征在于，所述根据所述持续节点图中的节点分布对所述5G消息数据的数据拓扑进行分析，包括：
利用如下的熵计算公式计算所述持续节点图中每个同调群的持续熵值：
其中，E(τ)为第τ个同调群的持续熵值，cτ为第τ个同调群的生成时间，eτ为第τ个同调群的消失时间，Q为所述同调群的数量，log为对数函数；
根据所述持续熵值对所述5G消息数据的数据拓扑进行分析。
8.一种基于5G消息的数据拓扑分析装置，其特征在于，所述装置包括：
消息节点确定模块，用于获取预设的5G消息数据，利用预设的聚类算法提取所述5G消息数据的多维属性特征，根据所述多维属性特征确定所述5G消息数据的消息节点；
消息消亡时间确定模块，用于利用预设的双向距离函数计算每个所述消息节点之间的消息距离，根据所述消息距离及预设的消息生成时间确定所述5G消息数据的消息消亡时间；
动态拓扑形状生成模块，用于利用预设的几何特征根据所述消息生成时间、所述消息消亡时间及所述消息距离确定所述5G消息数据的动态拓扑形状；
动态拓扑空间构建模块，用于通过预设的动态加权算法计算每个消息节点之间的节点边权重，根据所述动态拓扑形状及所述节点边权重构建所述5G消息数据的动态拓扑空间；
数据拓扑分析模块，用于提取所述动态拓扑空间的动态拓扑特征，利用预设的持续同调算法根据所述动态拓扑特征生成所述5G消息数据的持续节点图，根据所述持续节点图中的节点分布对所述5G消息数据的数据拓扑进行分析。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于5G消息的数据拓扑分析方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于5G消息的数据拓扑分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310284240.8A CN116467610B (zh) | 2023-03-13 | 2023-03-13 | 基于5g消息的数据拓扑分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310284240.8A CN116467610B (zh) | 2023-03-13 | 2023-03-13 | 基于5g消息的数据拓扑分析方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116467610A true CN116467610A (zh) | 2023-07-21 |
| CN116467610B CN116467610B (zh) | 2023-10-10 |
Family
ID=87172597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310284240.8A Active CN116467610B (zh) | 2023-03-13 | 2023-03-13 | 基于5g消息的数据拓扑分析方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116467610B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004017258A2 (de) * | 2002-08-14 | 2004-02-26 | Wismueller Axel | Verfahren, datenverarbeitungseinrichtung und computerprogrammprodukt zur datenverarbeitung |
| WO2006039865A1 (fr) * | 2004-10-12 | 2006-04-20 | Huawei Technologies Co., Ltd. | Procede permettant de mettre en oeuvre une decouverte automatique de structure de topologie dans le reseau boucle mpls |
| KR100695333B1 (ko) * | 2006-03-21 | 2007-03-16 | 한국전자통신연구원 | 무선 네트워크에서의 동적 예비클러스터 헤드를 이용한토폴로지 관리 방법 |
| US20140075002A1 (en) * | 2012-09-12 | 2014-03-13 | Infosys Limited | Methods for clustering networks based on topology discovery and devices thereof |
| US8675672B1 (en) * | 2011-12-30 | 2014-03-18 | Emc Corporation | Hierarchical cluster tree overlay network |
| WO2015003414A1 (zh) * | 2013-07-12 | 2015-01-15 | 中国人民解放军理工大学 | 一种基于多参数认知的快速网络拓扑推断方法 |
| CN107995114A (zh) * | 2017-12-08 | 2018-05-04 | 江西理工大学 | 基于密度聚类的容迟网络路由方法 |
| CN108322320A (zh) * | 2017-01-18 | 2018-07-24 | 华为技术有限公司 | 业务生存性分析方法及装置 |
| US20200311100A1 (en) * | 2019-03-28 | 2020-10-01 | Adobe Inc. | Generating varied-scale topological visualizations of multi-dimensional data |
| AU2020103334A4 (en) * | 2020-11-09 | 2021-01-21 | Southwest University | Distributed estimation with adaptive clustering strategy based on element-wise distance over multitask networks. |
| CN112600719A (zh) * | 2021-03-04 | 2021-04-02 | 新华三人工智能科技有限公司 | 告警聚类方法、装置及存储介质 |
| CN112612685A (zh) * | 2020-12-24 | 2021-04-06 | 威创集团股份有限公司 | 一种处理器告警消息处理方法、装置、终端及存储介质 |
| US20210256414A1 (en) * | 2019-09-19 | 2021-08-19 | International Business Machines Corporation | Quantum topological classification |
| CN113673619A (zh) * | 2021-08-27 | 2021-11-19 | 湖南航天远望科技有限公司 | 一种基于拓扑分析的地理大数据空间潜模式分析方法 |
| CN113780451A (zh) * | 2021-09-16 | 2021-12-10 | 中南大学 | 时空大数据的时态数据内蕴模式聚类分析方法 |
| US20220272021A1 (en) * | 2021-02-24 | 2022-08-25 | Nokia Solutions And Networks Oy | Dynamic node cluster discovery in an unknown topology graph |
| CN115022183A (zh) * | 2022-06-09 | 2022-09-06 | 重庆邮电大学 | 基于监听的还原网络动态拓扑图和可视化呈现的方法 |
| CN115087989A (zh) * | 2019-12-11 | 2022-09-20 | 英艾特股份公司 | 循环神经网络中的距离度量和聚类 |
-
2023
- 2023-03-13 CN CN202310284240.8A patent/CN116467610B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004017258A2 (de) * | 2002-08-14 | 2004-02-26 | Wismueller Axel | Verfahren, datenverarbeitungseinrichtung und computerprogrammprodukt zur datenverarbeitung |
| WO2006039865A1 (fr) * | 2004-10-12 | 2006-04-20 | Huawei Technologies Co., Ltd. | Procede permettant de mettre en oeuvre une decouverte automatique de structure de topologie dans le reseau boucle mpls |
| KR100695333B1 (ko) * | 2006-03-21 | 2007-03-16 | 한국전자통신연구원 | 무선 네트워크에서의 동적 예비클러스터 헤드를 이용한토폴로지 관리 방법 |
| US8675672B1 (en) * | 2011-12-30 | 2014-03-18 | Emc Corporation | Hierarchical cluster tree overlay network |
| US20140075002A1 (en) * | 2012-09-12 | 2014-03-13 | Infosys Limited | Methods for clustering networks based on topology discovery and devices thereof |
| WO2015003414A1 (zh) * | 2013-07-12 | 2015-01-15 | 中国人民解放军理工大学 | 一种基于多参数认知的快速网络拓扑推断方法 |
| CN108322320A (zh) * | 2017-01-18 | 2018-07-24 | 华为技术有限公司 | 业务生存性分析方法及装置 |
| CN107995114A (zh) * | 2017-12-08 | 2018-05-04 | 江西理工大学 | 基于密度聚类的容迟网络路由方法 |
| US20200311100A1 (en) * | 2019-03-28 | 2020-10-01 | Adobe Inc. | Generating varied-scale topological visualizations of multi-dimensional data |
| US20210256414A1 (en) * | 2019-09-19 | 2021-08-19 | International Business Machines Corporation | Quantum topological classification |
| CN115087989A (zh) * | 2019-12-11 | 2022-09-20 | 英艾特股份公司 | 循环神经网络中的距离度量和聚类 |
| AU2020103334A4 (en) * | 2020-11-09 | 2021-01-21 | Southwest University | Distributed estimation with adaptive clustering strategy based on element-wise distance over multitask networks. |
| CN112612685A (zh) * | 2020-12-24 | 2021-04-06 | 威创集团股份有限公司 | 一种处理器告警消息处理方法、装置、终端及存储介质 |
| US20220272021A1 (en) * | 2021-02-24 | 2022-08-25 | Nokia Solutions And Networks Oy | Dynamic node cluster discovery in an unknown topology graph |
| CN112600719A (zh) * | 2021-03-04 | 2021-04-02 | 新华三人工智能科技有限公司 | 告警聚类方法、装置及存储介质 |
| CN113673619A (zh) * | 2021-08-27 | 2021-11-19 | 湖南航天远望科技有限公司 | 一种基于拓扑分析的地理大数据空间潜模式分析方法 |
| CN113780451A (zh) * | 2021-09-16 | 2021-12-10 | 中南大学 | 时空大数据的时态数据内蕴模式聚类分析方法 |
| CN115022183A (zh) * | 2022-06-09 | 2022-09-06 | 重庆邮电大学 | 基于监听的还原网络动态拓扑图和可视化呈现的方法 |
Non-Patent Citations (3)
| Title |
|---|
| RAJAN JAMGEKAR: "A Robust Multi-Hop Clustering Algorithm for Reliable VANET Message Dissemination", 《IEEE ACCESS》 * |
| 唐万奇: "基于分簇的车联网多跳广播算法研究", 《中国优秀硕士学位论文全文数据库》 * |
| 陈志;骆平;岳文静;扈罗全;黄洵松;曹壹;毛博;: "一种能量感知的无线传感网拓扑控制算法", 传感技术学报, no. 03 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116467610B (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492772B (zh) | 生成信息的方法和装置 | |
| CN110458107A (zh) | 用于图像识别的方法和装置 | |
| CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
| CN106919957B (zh) | 处理数据的方法及装置 | |
| CN114398557B (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
| CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
| CN111768096A (zh) | 基于算法模型的评级方法、装置、电子设备及存储介质 | |
| JP5967577B2 (ja) | 共クラスタリング装置、共クラスタリング方法、プログラム及び集積回路 | |
| CN114168795B (zh) | 建筑三维模型映射及存储方法、装置、电子设备及介质 | |
| CN110941978A (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
| CN110737805A (zh) | 图模型数据的处理方法、装置和终端设备 | |
| CN115713605A (zh) | 一种基于图像学习的商业类建筑群自动建模方法 | |
| CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
| CN116662839A (zh) | 基于多维智能采集的关联大数据聚类分析方法及装置 | |
| CN115809256A (zh) | 治安管理综合信息系统和可视化展示方法 | |
| CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
| CN118035056A (zh) | 一种面向多模态数据查询的基准测试方法和测试框架 | |
| CN112989952A (zh) | 一种基于遮罩引导的人群密度估计方法及装置 | |
| CN116467610B (zh) | 基于5g消息的数据拓扑分析方法、装置、设备及存储介质 | |
| Kolomeets et al. | Reference architecture for social networks graph analysis tool | |
| CN114510405B (zh) | 指标数据评估方法、装置、设备、存储介质及程序产品 | |
| Jin | Network Data Detection for Information Security Using CNN-LSTM Model | |
| CN114511022A (zh) | 特征筛选、行为识别模型训练、异常行为识别方法及装置 | |
| Abbaspour et al. | The Issue of Uncertainty Propagation in Spatial Decision Making. | |
| CN113688120A (zh) | 数据仓库的质量检测方法、装置和电子设备 |
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 |