CN116842440A - 基于情境感知的自适应链路切换方法及系统、设备、介质 - Google Patents
基于情境感知的自适应链路切换方法及系统、设备、介质 Download PDFInfo
- Publication number
- CN116842440A CN116842440A CN202310680714.0A CN202310680714A CN116842440A CN 116842440 A CN116842440 A CN 116842440A CN 202310680714 A CN202310680714 A CN 202310680714A CN 116842440 A CN116842440 A CN 116842440A
- Authority
- CN
- China
- Prior art keywords
- link
- evaluation
- factor
- link quality
- representing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000011156 evaluation Methods 0.000 claims abstract description 101
- 238000013441 quality evaluation Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims description 95
- 230000006870 function Effects 0.000 claims description 46
- 230000003044 adaptive effect Effects 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000005540 biological transmission Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000001303 quality assessment method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012854 evaluation process Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/75—Information technology; Communication
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Power Engineering (AREA)
- Nonlinear Science (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于情境感知的自适应链路切换方法及系统、设备、介质,该方法采用LSTM预测模型基于边缘设备的当前情境感知数据来预测未来的情境感知预测数据,并采用改进的模糊综合评价方法基于预测数据进行链路质量评估,将链路质量评估最优的链路作为目标链路,在某一边缘设备的当前链路发生故障后可快速切换至目标链路,从而可以通过感知边缘设备的情境信息来预测之后一段时间的链路质量,使得边缘设备有充足的时间为链路切换做准备,从而大大提高了链路切换的速度。并且,在进行模糊综合评价时,为每个因素制定了非线性隶属度函数以进行单因素评价,链路质量评估结果更准确且全面,从而保证可以准确地切换至链路质量最优的链路。
Description
技术领域
本发明涉及电力链路切换技术领域,特别地,涉及一种基于情境感知的自适应链路切换方法及系统、电子设备、计算机可读取的存储介质。
背景技术
随着电力物联网的不断发展,越来越多的边缘设备被广泛应用于电力系统中,如智能电表、智能电缆终端、智能配电箱等。这些设备通常需要通过无线网络接入到物联管理平台以实现监测、控制、故障诊断等功能。然而,由于电力系统环境的复杂性,这些设备经常面临信号覆盖不足、信号干扰、网络拥塞等问题,导致通信质量下降,甚至出现通信中断的情况。网络链路切换技术被广泛应用于解决互联网网络链路不稳定的问题上,但在电力物联网中尚缺乏相关的技术方法。一般来说,网络链路切换技术通过监测网络状况,实时切换到最优的通信链路,从而提高通信质量和稳定性。传统的网络链路切换方法通常基于设定的阈值,当链路的质量低于该阈值时自动切换链路。然而,在电力物联网中,随着设备所处环境愈加复杂,可选的链路越来越多,传统的方案往往不能准确地切换到优质链路。此外,传统方案常采用事后救治策略,在链路质量显著降低后才切换链路,导致链路切换时间延迟较长,切换后的链路质量也不一定有保障。
发明内容
本发明提供了一种基于情境感知的自适应链路切换方法及系统、电子设备、计算机可读取的存储介质,以解决现有链路切换方法不能准确地切换至优质链路和链路切换时间延迟较长的技术问题。
根据本发明的一个方面,提供一种基于情境感知的自适应链路切换方法,包括以下内容:
获取边缘设备的情境感知数据,其中,情境感知数据包括链路类型、信号强度、丢包率和传输延时;
将边缘设备的情境感知数据输入至LSTM预测模型中进行预测,输出情境感知预测数据;
采用改进的模糊综合评价方法基于情境感知预测数据对每条链路的链路质量进行评估,在进行模糊综合评价过程中,采用的因素集包括信号强度、丢包率和传输延时三个因素,采用的评价集包括很差、一般、良好和极好四个等级,对每个因素制定非线性隶属度函数以进行单因素评价,获得3×4的评价矩阵,并基于评价矩阵评估每条链路的链路质量,其中,非线性隶属度函数的表达式为:
式中,γ表示修正参数,y1和y2表示函数的边界,y1>y2,y1和y2的取值为u1、u2、u3、u4中连续的两个参数,u1>u2>u3>u4;
将链路质量评估最优的链路作为目标链路,并在当前链路发生故障后切换至目标链路。
进一步地,参数u1、u2、u3、u4的计算过程为:
采集N个专家的参数设置向量并设定每个专家的初始权重,得到参数设置向量集合和初始权重向量,其中,每个参数设置向量表示参数u1、u2、u3、u4的取值;
对参数设置向量集合进行Max-Min归一化处理;
计算不同参数设置向量之间的方案相似度和不同专家之间的社交相似度;
结合方案相似度和社交相似度计算每个参数设置向量的推荐可信度,并基于推荐可信度对专家的初始权重进行更新,得到更新后的专家权重向量;
基于参数设置向量集合和更新后的专家权重向量确定参数u1、u2、u3、u4的取值。
进一步地,基于下式计算每个参数设置向量的推荐可信度:
其中,Sm,n表示专家m对专家n提出的参数设置向量的推荐可信度,表示专家m和专家n的参数设置向量之间的方案相似度,/>表示专家m和专家n之间的社交相似度,a和b为常数,c表示平移参数;
基于下式对专家的初始权重进行更新:
其中,wn和分别表示专家n的初始权重和更新后的权重,λ1∈[0,1]表示初始权重参数,wi和wm分别表示专家i和专家m的初始权重,αm表示专家m的权重系数,/>
进一步地,所述基于评价矩阵评估每条链路的链路质量的过程具体为:
获取初始因素权向量和每个因素的评价向量,其中,初始因素权向量包括三个因素的初始因素权重;
基于每个因素的评价向量计算其对应的实时熵值;
基于每个因素的实时熵值和初始因素权重计算其自适应因素权重,得到自适应因素权重向量;
基于自适应因素权重向量和评价矩阵评估每条链路的链路质量。
进一步地,基于下式计算自适应因素权重:
其中,ψi和ψ′i分别表示因素i的初始因素权重和自适应因素权重,λ2表示自适应权重系数,Hi表示因素i的实时熵值。
进一步地,所述基于自适应因素权重向量和评价矩阵评估每条链路的链路质量的过程具体为:
令Q={Q1,Q2,...,QL}表示基于LSTM预测模型输出的L条情境感知预测数据计算得到的链路质量评估得分集合,基于下式计算每条链路的加权平均链路质量评估得分:
R=ψ′·M
其中,表示加权平均链路质量评估得分,pi表示加权系数,pi∈[0,1],且当i<g时,pi<pg,Qi表示基于LSTM预测模型输出的第i条情境感知预测数据,通过改进的模糊综合评价方法计算得到的链路质量评估得分,/>表示链路质量评价等级νj的级分,链路质量评价等级越高则级分越高,Rj表示链路质量对评价等级νj的隶属度,ψ′表示自适应因素权重向量,M表示评价矩阵,·表示矩阵乘法。
进一步地,在选择目标链路时,优先选择同服链路中加权平均链路质量评估得分最高的链路作为目标链路,只有当同服链路中的所有链路的加权平均链路质量评估得分均小于预设阈值时,才选择跨服链路中加权平均链路质量评估得分最高的链路作为目标链路。
另外,本发明还提供一种基于情境感知的自适应链路切换系统,采用如上所述的自适应链路切换方法,包括:
情境感知模块,用于获取边缘设备的情境感知数据,其中,情境感知数据包括链路类型、信号强度、丢包率和传输延时;
数据预测模块,用于将边缘设备的情境感知数据输入至LSTM预测模型中进行预测,输出情境感知预测数据;
模糊综合评价模块,用于采用改进的模糊综合评价方法基于情境感知预测数据对每条链路的链路质量进行评估,在进行模糊综合评价过程中,采用的因素集包括信号强度、丢包率和传输延时三个因素,采用的评价集包括很差、一般、良好和极好四个等级,对每个因素制定非线性隶属度函数以进行单因素评价,获得3×4的评价矩阵,并基于评价矩阵评估每条链路的链路质量,其中,非线性隶属度函数的表达式为:
式中,γ表示修正参数,y1和y2表示函数的边界,y1>y2,y1和y2的取值为u1、u2、u3、u4中连续的两个参数,u1>u2>u3>u4;
链路切换模块,用于将链路质量评估最优的链路作为目标链路,并在当前链路发生故障后切换至目标链路。
另外,本发明还提供一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如上所述的方法的步骤。
另外,本发明还提供一种计算机可读取的存储介质,用于存储基于情境感知进行自适应链路切换的计算机程序,所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
本发明具有以下效果:
本发明的基于情境感知的自适应链路切换方法,采用LSTM预测模型基于边缘设备的当前情境感知数据来预测未来的情境感知预测数据,并采用改进的模糊综合评价方法基于情境感知预测数据对每条链路的链路质量进行评估,将链路质量评估最优的链路作为目标链路,在某一边缘设备的当前链路发生故障后可快速切换至目标链路,从而可以通过感知边缘设备的情境信息来预测之后一段时间的链路质量,使得边缘设备有充足的时间为链路切换做准备,从而大大提高了链路切换的速度。并且,在进行模糊综合评价时,为每个因素制定了非线性隶属度函数以进行单因素评价,链路质量评估结果更准确且全面,从而保证可以准确地切换至链路质量最优的链路。
另外,本发明的基于情境感知的自适应链路切换系统同样具有上述优点。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例的基于情境感知的自适应链路切换方法的流程示意图。
图2是本发明优选实施例的非线性隶属度函数的曲线示意图。
图3是本发明优选实施例的非线性隶属度函数的参数取值过程的流程示意图。
图4是本发明优选实施例中基于评价矩阵评估每条链路的链路质量的过程的流程示意图。
图5是本发明另一实施例的基于情境感知的自适应链路切换系统的模块结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由下述所限定和覆盖的多种不同方式实施。
可以理解,如图1所示,本发明的优选实施例提供一种基于情境感知的自适应链路切换方法,包括以下内容:
步骤S1:获取边缘设备的情境感知数据,其中,情境感知数据包括链路类型、信号强度、丢包率和传输延时;
步骤S2:将边缘设备的情境感知数据输入至LSTM预测模型中进行预测,输出情境感知预测数据;
步骤S3:采用改进的模糊综合评价方法基于情境感知预测数据对每条链路的链路质量进行评估,在进行模糊综合评价过程中,采用的因素集包括信号强度、丢包率和传输延时三个因素,采用的评价集包括很差、一般、良好和极好四个等级,对每个因素制定非线性隶属度函数以进行单因素评价,获得3×4的评价矩阵,并基于评价矩阵评估每条链路的链路质量,其中,非线性隶属度函数的表达式为:
式中,γ表示修正参数,y1和y2表示函数的边界,y1>y2,y1和y2的取值为u1、u2、u3、u4中连续的两个参数,u1>u2>u3>u4;
步骤S4:将链路质量评估最优的链路作为目标链路,并在当前链路发生故障后切换至目标链路。
可以理解,本实施例的基于情境感知的自适应链路切换方法,采用LSTM预测模型基于边缘设备的当前情境感知数据来预测未来的情境感知预测数据,并采用改进的模糊综合评价方法基于情境感知预测数据对每条链路的链路质量进行评估,将链路质量评估最优的链路作为目标链路,在某一边缘设备的当前链路发生故障后可快速切换至目标链路,从而可以通过感知边缘设备的情境信息来预测之后一段时间的链路质量,使得边缘设备有充足的时间为链路切换做准备,从而大大提高了链路切换的速度。并且,在进行模糊综合评价时,为每个因素制定了非线性隶属度函数以进行单因素评价,链路质量评估结果更准确且全面,从而保证可以准确地切换至链路质量最优的链路。
可以理解,在所述步骤S1中,获取边缘设备的情境感知数据,情境感知数据包括链路类型、信号强度、丢包率和传输延时四类情境信息数据,其中,链路类型包括4G、5G、无线专网等,当设备的通信状态为断开时,即网络环境太差导致链路断开后,设备将此时的丢包率设置为100%,传输延时则设置为一个较大的值。另外,情境感知数据还可以包括边缘设备本身的运行状态数据,例如内存使用率、CPU占用率等,以便于为其它应用提供数据支撑。在进行数据采集时,平台下发数据采集指令,边缘设备将上报所感知的情境信息数据给平台,直到数据量足够为止,一条情境感知数据可表示为xt={xt,1,xt,2,xt,3,xt,4},其中,xt,m,m∈{1,2,3,4}表示在t时刻第m类情境信息的数据值。
可以理解,在所述步骤S2中,所述LSTM预测模型基于LSTM深层神经网络实现的多并行输入和多步输出的预测模型,即基于K条连续的数据可以预测之后的L条数据。可选地,所述LSTM预测模型为单向LSTM模型,在模型的关键参数中,LSTM模型隐藏层的层数为Nlayer,输入维度为4,输入长度(大小)为K,输出长度(大小)为L,输出维度与输入维度一样为4,隐藏层的特征维度为Nh,为了降低模型的复杂度,Nlayer和Nh应在保证性能要求的前提下尽可能的小。可选地,所述LSTM预测模型包括单向LSTM和全连接网络,单向LSTM充当了编码器的作用,对K条连续的数据进行编码,然后,通过全连接网络的四个全连接层对数据解码实现预测后续L条连续数据。其中,全连接网络的输入特征维度与单向LSTM输出的特征维度一致,输出的特征维度为L,即四个全连接层分别预测了四类情境信息数据。
另外,在模型训练阶段,采用Adam作为优化方法,MSE作为损失函数训练模型,当然,也可以基于具体情况调整优化方法和损失函数。基于模型的结构,对训练数据进行预处理,使得一条训练数据包括K条连续的情境感知数据,即一条训练数据可表示为{xt,x(t+1),…,x(t+K)},其中xt为维度为4的感知数据向量,那么该训练数据所对应的标签数据为{x(t+K+1),x(t+K+2),…,x(t+K+L)}。对数据进行处理后,即可对模型进行训练,如果模型在训练集的预测误差低于一定阈值或者达到最大迭代次数,则停止训练。可以理解,训练阶段还需对各种超参数进行调整,以使得模型能满足预设的预测精度要求,具体的超参数调整过程属于现有技术,在此不再赘述。
可以理解,在所述步骤S3中,采用改进的模糊综合评价方法基于LSTM预测模型输出的L条情境感知数据对每个边缘设备所在链路的链路质量进行评估,其中,LSTM预测模型输出的L条情境感知数据可表示为X={X1,X2,...,XL},其中,Xl={Xl,1,Xl,2,Xl,3,Xl,4}依次表示时刻l的四类情境信息数据。由于不同终端的链路质量的评判标准存在差异,故而对链路质量的评价存在一定的模糊性,例如将链路质量分为好、良、差三个等级,那么从无线信号强度的角度评价链路质量好就存在模糊性,即多大的无线信号强度表示链路质量好具有一定的模糊性,同理,从丢包率和传输延时方面评价链路质量都存在模糊性。因此,本发明设计一种改进的模糊综合评价方法来评估链路质量,相比于定量的质量评估,模糊综合评价的好处在于它可以更好地处理那些难以用精确数据量化的问题,它可以将各种不同的因素考虑在内,从而给出更加全面、客观的评价结果。
可以理解,四类情境信息数据当中的第一个情境信息数据是标记链路类型的,本发明在进行模糊综合评价时,只选取信号强度、丢包率和传输延时作为因素集,采用的评价集则包括很差、一般、良好和极好四个评价等级。对于无线信号强度,其值越大表示链路的质量越好,而丢包率以及传输延时都是值越小表示链路的质量越好,为了统一目标,将丢包率和传输延时通过下式进行转换,使得这两个目标都转化为目标值越大则链路质量越好,具体转换公式为:
其中,Xl,3和Xl,4分别表示l时刻的丢包率和传输延时,和/>分别表示转换后的丢包率和传输延时,τ表示偏置常量。
显然,进行模糊综合评价时,因素集的大小为3,而评价集的大小为4,为了准确地综合评价链路质量,本发明对每个因素制定了非线性隶属度函数,以进行单因素评价。可以理解,非线性隶属度函数相比于传统的三角隶属度函数,可以模拟不确定性的非线性变化,可以更加准确地评价链路质量。完成单因素评价后可得到维度为4的评价向量,由此,对三个因素进行模糊评价后,最终可得到一个3×4的评价矩阵,再基于评价矩阵评估每条链路的链路质量。其中,非线性隶属度函数的表达式为:
式中,γ表示修正参数,y1和y2表示函数的边界,y1>y2,y1和y2的取值为u1、u2、u3、u4中连续的两个参数,u1>u2>u3>u4。由上式可知,上述非线性隶属度函数由若干的分段函数组成,其曲线示意图如图2所示。可以理解,为了使得f1和f2的函数曲线契合图2中的曲线趋势,即函数曲线应在边界处的取值逼近1,那么修正参数γ的取值需要满足一定条件。具体地,由于f1和f2为对称函数,因此只需满足f1(y2;y1,y2)≥h即可,其中,h为一个逼近1的常数,解不等式可得γ应满足以下条件:因此,只需要制定h的值,修正参数γ取等号成立的情况,修正参数γ的值便可自适应生成。例如,当h取值为0.99时,可求得修正参数γ应不小于9.19才符合要求,则修正参数γ的取值为9.19。
另外,关于隶属度函数,对于不同的因素,参数u1至u4的值是不一致的,而且,对于不同终端类型的同一个因素的隶属度函数中,参数u1至u4的值也可能不同。这是因为不同终端对网络质量的需求不同,因此对网络质量的标准不同。例如,对于实时任务,传输延时需要较低,因此,终端对传输延时要求严格;但是,对于非实时任务,终端对传输延时的容忍性较高,因此,此时认为的链路质量较优的界限较高。这意味着,在不同情况下,终端对网络质量的不确定性的界限不同。然而,现有的隶属度函数的参数取值往往基于专家经验得到,其中,有些方案仅基于单个专家设置参数或者简单综合多个专家的参数取值进行加权平均,显然这些方案忽略了不同专家的专业能力差距、不同专家的取值方案之间的关联以及专家之间的社交关系对取值方案的影响,从而导致隶属度函数的参数取值不准确,进而导致模糊评价结果的准确性较差。
因此,本发明还改进了非线性隶属度函数的参数取值方法,考虑了不同专家的专业能力、不同专家的取值方案之间的关联性以及专家之间的社交关系,使得加权后计算得到的参数取值方案更准确,从而提高了模糊评价结果的准确性。其中,如图3所示,在所述步骤S3中,参数u1、u2、u3、u4的计算过程为:
步骤S31:采集N个专家的参数设置向量并设定每个专家的初始权重,得到参数设置向量集合和初始权重向量,其中,每个参数设置向量表示参数u1、u2、u3、u4的取值;
步骤S32:对参数设置向量集合进行Max-Min归一化处理;
步骤S33:计算不同参数设置向量之间的方案相似度和不同专家之间的社交相似度;
步骤S34:结合方案相似度和社交相似度计算每个参数设置向量的推荐可信度,并基于推荐可信度对专家的初始权重进行更新,得到更新后的专家权重向量;
步骤S35:基于参数设置向量集合和更新后的专家权重向量确定参数u1、u2、u3、u4的取值。
具体地,假设SN×4={x1,x2,...,xN}表示采集的N个专家的参数设置向量集合,其中,xn表示专家n的参数设置向量,每个参数设置向量表示参数u1、u2、u3、u4的取值,一个参数设置向量即为一个取值方案。同时,设定N个专家的初始权重向量,可表示为w={w1,w2,...,wN},wn表示专家n的初始权重,其为专家专业能力的量化值,反映了专家的基础可信度。其中,每个专家的初始权重可根据专家的专业能力人工设定,也可以采取现有的权重分配方案。
然后,对参数设置向量集合SN×4进行Max-Min归一化处理,使得集合SN×4中的每个元素的取值范围为[0,1]。
然后,计算不同参数设置向量之间的方案相似度,具体可以采用余弦相似度算法或者欧式距离算法来计算方案相似度,方案相似度反映了不同专家的取值方案之间的关联性,方案相似度的值越大表示不同专家的取值方案之间的相似性越高。其中,余弦相似度算法和欧式距离算法的计算公式为现有技术,故在此不再赘述。令表示专家m的取值方案和专家n的取值方案之间的方案相似度,显然,一个取值方案与多个取值方案的相似度较高,则表明有多个专家对该取值方案的认可度较高,则该取值方案的可信度越大,反之,若其余取值方案与该取值方案的相似度较低,则该取值方案的可信度越小。同时,本发明考虑到不同专家之间的社交关系会不可避免地对取值方案造成影响,例如,专家之间关系密切,那么取值方案可能会存在借鉴的可能性,再比如专家之间是同事关系,那么工程经验可能会相似,这会互相影响彼此的取值方案。因此,为了进一步获取准确的参数取值方案,不同专家的取值方案应该尽量相互独立,本发明通过计算不同专家之间的社交相似度来评估不同取值方案之间的相互独立性,以降低社交关系对于模糊评价结果的影响。令表示专家m和专家n之间的社交相似度,社交相似度的计算方式与方案相似度相同,故在此不再赘述,具体可以通过构建每个专家的社交信息向量,然后基于社交信息向量来计算社交相似度,其中,社交信息向量中的元素可以包括专家的工作地点、工作岗位及共同朋友等信息。例如,采集专家的信息,统计两个专家的工作地点属性(工作地点相同则为1,否则为0)、工作岗位(相同为1,不同为0)、工作地点距离(采用欧式距离)、通过社交网络的关注获取共同朋友的数量,由此可以得到任意两个专家的社交信息向量,进而基于余弦公式计算两个专家的社交相似度。当然,在尊重个人隐私和得到个人同意的前提下,可尽可能采集多的社交信息可有助于计算更为准确的社交相似度,可根据具体情况实施。
然后,结合方案相似度和社交相似度计算每个参数设置向量(即取值方案)的推荐可信度,具体计算公式为:
其中,Sm,n表示专家m对专家n提出的参数设置向量的推荐可信度,表示专家m和专家n的参数设置向量之间的方案相似度,/>表示专家m和专家n之间的社交相似度,a为比例系数,是一个常数,b是一个很小的常数,用来避免出现分母为0的情况,c表示平移参数,c≥4,使得Sm,n的取值范围近似满足[0,1],若不存在平移参数c,则Sm,n的取值范围为[0.5,1],故而a、b、c的具体取值可以根据实际需要进行设定。从上式可看出,两个取值方案越相似且方案的提出者的社交关系越弱,则综合后的推荐可信度越高。
接着,基于推荐可信度对专家的初始权重进行更新,具体计算公式为:
其中,wn和分别表示专家n的初始权重和更新后的权重,λ1∈[0,1]表示初始权重参数,具体取值人为设定,wi和wm分别表示专家i和专家m的初始权重,αm表示专家m的权重系数,/>本发明通过加权/>使得初始专家权重越大,则对更新后的权重影响越大,即专业能力越强的专家对方案的认可对于权重的影响要大于专业能力较弱的专家,从而可以在一定程度上降低基础可信度较低的专家之间共谋而影响模糊评价结果的准确性。对每个专家的初始权重进行更新后,可以得到更新后的专家权重向量
最后,基于参数设置向量集合SN×4和更新后的专家权重向量确定参数u1、u2、u3、u4的取值,具体的计算公式为:
其中,maxval和minval分别表示对SN×4进行Max-Min归一化时存储的参数最大值向量和参数最小值向量。
可以理解,在确定非线性隶属度函数的参数u1、u2、u3、u4的取值后,则可基于非线性隶属度函数对每个因素进行单因素评价,得到维度为4的评价向量,由此,对所有因素进行模糊评价后,可得到3×4的评价矩阵M,令mij∈M表示因素i对链路质量评价等级νj的隶属度,其中,i=1,2,3,分别表示信号强度、丢包率和传输延时,j=1,2,3,4,ν1~ν4分别表示差、一般、良好和极好四个评价等级。如图4所示,在所述步骤S3中,所述基于评价矩阵评估每条链路的链路质量的过程具体为:
步骤S301:获取初始因素权向量和每个因素的评价向量,其中,初始因素权向量包括三个因素的初始因素权重;
步骤S302:基于每个因素的评价向量计算其对应的实时熵值;
步骤S303:基于每个因素的实时熵值和初始因素权重计算其自适应因素权重,得到自适应因素权重向量;
步骤S304:基于自适应因素权重向量和评价矩阵评估每条链路的链路质量。
具体地,获取初始因素权向量和每个因素的评价向量,其中,初始因素权向量包括三个因素的初始因素权重,初始因素权向量具体可表示为ψ={ψ1,ψ2,ψ3},每个因素的评价向量可表示为Vi={Vi,1,Vi,2,Vi,3,Vi,4},其中,初始因素权向量ψ的具体取值可以基于专家知识进行设定,也可以在初始取值的基础上基于相似度算法来更新,其中,具体的更新算法与上述参数u1、u2、u3、u4的权重更新算法相同,在此不再赘述。另外,不同类型边缘终端的初始因素权向量不同,这是由于实时性要求高的边缘设备更看重传输延时,而有些边缘设备更在意丢包率。
为了提高因素权向量的准确性,本发明还采用熵权法来对因素权向量进行自适应更新,具体地,基于每个因素的评价向量计算其对应的实时熵值,计算公式为:Hi表示因素i的实时熵值,Vi,k表示因素i的评价向量的第k个值。而根据熵的定义可知,熵值越低,那么该指标的差异性越小,指标的不确定性越低,此时需要该指标的权值应更大,使得综合的结果更准确。但是,熵权法忽略了因素本身的重要程度,例如,对实时性要求高的设备更看重传输延时,而有些设备则更在意丢包率,因此更合理的方案是考虑不同终端的初始权重并随实际情况来自适应更新因素权向量。
因此,本发明基于每个因素的实时熵值和初始因素权重计算其自适应因素权重,得到自适应因素权重向量,具体计算公式为:
其中,ψi和ψ′i分别表示因素i的初始因素权重和自适应因素权重,λ2表示自适应权重系数,λ2∈[0,1],可以根据需要进行设定。上式使得熵值越大的因素的权值越小,熵值越小的因素的权值越大,同时引入初始因素权重与熵值相乘,即使得熵权法确定的权值与初始权值相关联,那么权值自适应更新的结果将不是简单的加权均值,可以有效控制权值的变化幅度,避免权向量发生大幅度波动。例如,若某项因素的熵值很低,那么基于传统的加权计算方式,在加权后很可能导致该因素更新后的权值大幅度波动。
在得到自适应因素权重向量ψ′后,则当前时刻的模糊综合评价结果可表示为:R=ψ′·M,其中,·表示矩阵乘法,M表示评价矩阵。再对R进行归一化使得集合R的和为1,则可以基于下式计算链路质量评估得分:
其中,Qi表示基于LSTM预测模型输出的第i条情境感知预测数据,再通过改进的模糊综合评价方法计算得到的链路质量评估得分,表示链路质量评价等级νj的级分,链路质量评价等级越高则级分越高,/>的可行取值为30、60、80、100,Rj表示链路质量对评价等级νj的隶属度。
另外,根据上述改进的模糊综合评价方法,可以计算时刻i的链路质量评估得分Qi,显然,Qi的值越大,则链路的综合评价结果越好。但是,由于链路质量时刻在变化,仅仅依靠一个时刻的链路质量来评价是不可靠、不准确的,更可行的方式是预测链路质量的变化趋势,如果链路质量呈现下降的趋势且平均质量低于阈值则表明链路即将发生故障的可能性较大,需要提前准备链路切换。因此,本发明在计算链路质量评估得分时还进行了改进,具体地,令Q={Q1,Q2,...,QL}表示基于LSTM预测模型输出的L条情境感知预测数据计算得到的链路质量评估得分集合,基于下式计算每条链路的加权平均链路质量评估得分:
其中,表示加权平均链路质量评估得分,pi表示加权系数,pi∈[0,1],/>且当i<g时,pi<pg,Qi表示基于LSTM预测模型输出的第i条情境感知预测数据,通过改进的模糊综合评价方法计算得到的链路质量评估得分,即时刻i的链路质量评估得分。其中,pi的具体取值可随机生成一组数据,然后通过排序得到一组权重向量;或者,基于人为经验进行设定。可以看出,上式使得越靠后的链路质量评估得分结果的权值越高,从而可以捕捉到链路的变化趋势,例如,如果预测链路的质量处于下滑的趋势,则经过加权后的平均链路质量可以使得后续的链路质量对平均值的影响加大,进而捕捉到链路即将恶化的趋势,进一步提高了模糊综合评价结果的准确性。在计算得到加权平均链路质量评估得分/>后,若/>的值低于预设阈值,则判定链路大概率会在之后的一段时间内发生故障,此时设备启动链路切换进程,一旦后续链路的确发生故障,则可以马上切换至优质链路。若/>的值不小于预设阈值,则判定链路在未来一段时间内的链路质量较好,不会发生故障,则重新采集新的情境感知数据来预测链路质量。
可以理解,本发明通过改进的模糊综合评价方法评估综合链路质量,然后结合加权算法以捕捉到链路质量的变化趋势,评估的结果更准确且全面,最后在链路确实发生故障后可快速自适应切换到最优的链路。
可以理解,在所述步骤S4中,在选择目标链路时,优先选择同服链路中加权平均链路质量评估得分最高的链路作为目标链路,此时同服链路中有至少一条网络链路的加权平均链路质量评估得分大于预设阈值,只有当同服链路中的所有链路的加权平均链路质量评估得分均小于预设阈值时,才选择跨服链路中加权平均链路质量评估得分最高的链路作为目标链路。其中,同服链路切换指的是设备连接的服务器未改变,仅切换无线网络,例如由4G网络链路切换到5G网络链路,但设备所连接的服务器依旧是原服务器。而跨服链路切换指的是设备连接的服务器发生变化,发生此类链路切换一般是由于服务器宕机或者服务器拥塞程度过高等原因,导致设备所有可选链路都延迟严重,此时需要切换连接到另一台服务器以保证数据传输链路的稳定性。由于同服链路切换的成本更低且更高效,因此本发明优先考虑同服链路切换模式,只有当同服的链路没有任一链路满足条件时,则考虑跨服链路切换模式。当然,在本发明的其它实施例中,也可以直接切换至所有链路中加权平均链路质量评估得分最高的链路,不考虑是否同服。可选地,为了避免链路切换过于频繁,两次链路切换的时间间隔不得超过预设的间隔值。另外,由于预测的时间长度为L个时刻,若在β×L的时间内未发生链路异常,则不进行链路切换,β表示时间权重系数,取值范围为[0,1]。
另外,如图5所示,本发明的另一实施例还提供一种基于情境感知的自适应链路切换系统,优选采用如上所述的自适应链路切换方法,该系统包括:
情境感知模块,用于获取边缘设备的情境感知数据,其中,情境感知数据包括链路类型、信号强度、丢包率和传输延时;
数据预测模块,用于将边缘设备的情境感知数据输入至LSTM预测模型中进行预测,输出情境感知预测数据;
模糊综合评价模块,用于采用改进的模糊综合评价方法基于情境感知预测数据对每条链路的链路质量进行评估,在进行模糊综合评价过程中,采用的因素集包括信号强度、丢包率和传输延时三个因素,采用的评价集包括很差、一般、良好和极好四个等级,对每个因素制定非线性隶属度函数以进行单因素评价,获得3×4的评价矩阵,并基于评价矩阵评估每条链路的链路质量,其中,非线性隶属度函数的表达式为:
式中,γ表示修正参数,y1和y2表示函数的边界,y1>y2,y1和y2的取值为u1、u2、u3、u4中连续的两个参数,u1>u2>u3>u4;
链路切换模块,用于将链路质量评估最优的链路作为目标链路,并在当前链路发生故障后切换至目标链路。
可以理解,本实施例的基于情境感知的自适应链路切换系统,采用LSTM预测模型基于边缘设备的当前情境感知数据来预测未来的情境感知预测数据,并采用改进的模糊综合评价方法基于情境感知预测数据对每条链路的链路质量进行评估,将链路质量评估最优的链路作为目标链路,在某一边缘设备的当前链路发生故障后可快速切换至目标链路,从而可以通过感知边缘设备的情境信息来预测之后一段时间的链路质量,使得边缘设备有充足的时间为链路切换做准备,从而大大提高了链路切换的速度。并且,在进行模糊综合评价时,为每个因素制定了非线性隶属度函数以进行单因素评价,链路质量评估结果更准确且全面,从而保证可以准确地切换至链路质量最优的链路。
另外,本发明的另一实施例还提供一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如上所述的方法的步骤。
另外,本发明的另一实施例还提供一种计算机可读取的存储介质,用于存储基于情境感知进行自适应链路切换的计算机程序,所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
一般计算机可读取存储介质的形式包括:软盘(floppy disk)、可挠性盘片(flexible disk)、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片(punch cards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可抹除可编程只读存储器(EPROM)、快闪可抹除可编程只读存储器(FLASH-EPROM)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质,其可用来存储、编码或承载用来给机器执行的指令,并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤,其包含了用来传输一计算机数据信号的总线的导线。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于情境感知的自适应链路切换方法,其特征在于,包括以下内容:
获取边缘设备的情境感知数据,其中,情境感知数据包括链路类型、信号强度、丢包率和传输延时;
将边缘设备的情境感知数据输入至LSTM预测模型中进行预测,输出情境感知预测数据;
采用改进的模糊综合评价方法基于情境感知预测数据对每条链路的链路质量进行评估,在进行模糊综合评价过程中,采用的因素集包括信号强度、丢包率和传输延时三个因素,采用的评价集包括很差、一般、良好和极好四个等级,对每个因素制定非线性隶属度函数以进行单因素评价,获得3×4的评价矩阵,并基于评价矩阵评估每条链路的链路质量,其中,非线性隶属度函数的表达式为:
式中,γ表示修正参数,y1和y2表示函数的边界,y1>y2,y1和y2的取值为u1、u2、u3、u4中连续的两个参数,u1>u2>u3>u4;
将链路质量评估最优的链路作为目标链路,并在当前链路发生故障后切换至目标链路。
2.如权利要求1所述的基于情境感知的自适应链路切换方法,其特征在于,参数u1、u2、u3、u4的计算过程为:
采集N个专家的参数设置向量并设定每个专家的初始权重,得到参数设置向量集合和初始权重向量,其中,每个参数设置向量表示参数u1、u2、u3、u4的取值;
对参数设置向量集合进行Max-Min归一化处理;
计算不同参数设置向量之间的方案相似度和不同专家之间的社交相似度;
结合方案相似度和社交相似度计算每个参数设置向量的推荐可信度,并基于推荐可信度对专家的初始权重进行更新,得到更新后的专家权重向量;
基于参数设置向量集合和更新后的专家权重向量确定参数u1、u2、u3、u4的取值。
3.如权利要求2所述的基于情境感知的自适应链路切换方法,其特征在于,基于下式计算每个参数设置向量的推荐可信度:
其中,Sm,n表示专家m对专家n提出的参数设置向量的推荐可信度,表示专家m和专家n的参数设置向量之间的方案相似度,/>表示专家m和专家n之间的社交相似度,a和b为常数,c表示平移参数;
基于下式对专家的初始权重进行更新:
其中,wn和分别表示专家n的初始权重和更新后的权重,λ1∈[0,1]表示初始权重参数,wi和wm分别表示专家i和专家m的初始权重,αm表示专家m的权重系数,/>
4.如权利要求1所述的基于情境感知的自适应链路切换方法,其特征在于,所述基于评价矩阵评估每条链路的链路质量的过程具体为:
获取初始因素权向量和每个因素的评价向量,其中,初始因素权向量包括三个因素的初始因素权重;
基于每个因素的评价向量计算其对应的实时熵值;
基于每个因素的实时熵值和初始因素权重计算其自适应因素权重,得到自适应因素权重向量;
基于自适应因素权重向量和评价矩阵评估每条链路的链路质量。
5.如权利要求4所述的基于情境感知的自适应链路切换方法,其特征在于,基于下式计算自适应因素权重:
其中,ψi和ψ′i分别表示因素i的初始因素权重和自适应因素权重,λ2表示自适应权重系数,Hi表示因素i的实时熵值。
6.如权利要求4所述的基于情境感知的自适应链路切换方法,其特征在于,所述基于自适应因素权重向量和评价矩阵评估每条链路的链路质量的过程具体为:
令Q={Q1,Q2,...,QL}表示基于LSTM预测模型输出的L条情境感知预测数据计算得到的链路质量评估得分集合,基于下式计算每条链路的加权平均链路质量评估得分:
R=ψ′·M
其中,表示加权平均链路质量评估得分,pi表示加权系数,pi∈[0,1],/>且当i<g时,pi<pg,Qi表示基于LSTM预测模型输出的第i条情境感知预测数据,通过改进的模糊综合评价方法计算得到的链路质量评估得分,/>表示链路质量评价等级νj的级分,链路质量评价等级越高则级分越高,Rj表示链路质量对评价等级νj的隶属度,ψ′表示自适应因素权重向量,M表示评价矩阵,·表示矩阵乘法。
7.如权利要求6所述的基于情境感知的自适应链路切换方法,其特征在于,在选择目标链路时,优先选择同服链路中加权平均链路质量评估得分最高的链路作为目标链路,只有当同服链路中的所有链路的加权平均链路质量评估得分均小于预设阈值时,才选择跨服链路中加权平均链路质量评估得分最高的链路作为目标链路。
8.一种基于情境感知的自适应链路切换系统,采用如权利要求1~7任一项所述的自适应链路切换方法,其特征在于,包括:
情境感知模块,用于获取边缘设备的情境感知数据,其中,情境感知数据包括链路类型、信号强度、丢包率和传输延时;
数据预测模块,用于将边缘设备的情境感知数据输入至LSTM预测模型中进行预测,输出情境感知预测数据;
模糊综合评价模块,用于采用改进的模糊综合评价方法基于情境感知预测数据对每条链路的链路质量进行评估,在进行模糊综合评价过程中,采用的因素集包括信号强度、丢包率和传输延时三个因素,采用的评价集包括很差、一般、良好和极好四个等级,对每个因素制定非线性隶属度函数以进行单因素评价,获得3×4的评价矩阵,并基于评价矩阵评估每条链路的链路质量,其中,非线性隶属度函数的表达式为:
式中,γ表示修正参数,y1和y2表示函数的边界,y1>y2,y1和y2的取值为u1、u2、u3、u4中连续的两个参数,u1>u2>u3>u4;
链路切换模块,用于将链路质量评估最优的链路作为目标链路,并在当前链路发生故障后切换至目标链路。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如权利要求1~7任一项所述的方法的步骤。
10.一种计算机可读取的存储介质,用于存储基于情境感知进行自适应链路切换的计算机程序,其特征在于,所述计算机程序在计算机上运行时执行如权利要求1~7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310680714.0A CN116842440A (zh) | 2023-06-08 | 2023-06-08 | 基于情境感知的自适应链路切换方法及系统、设备、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310680714.0A CN116842440A (zh) | 2023-06-08 | 2023-06-08 | 基于情境感知的自适应链路切换方法及系统、设备、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116842440A true CN116842440A (zh) | 2023-10-03 |
Family
ID=88173482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310680714.0A Pending CN116842440A (zh) | 2023-06-08 | 2023-06-08 | 基于情境感知的自适应链路切换方法及系统、设备、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842440A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117081956A (zh) * | 2023-10-13 | 2023-11-17 | 北京国基科技股份有限公司 | 链路质量评估方法、系统、存储介质及电子设备 |
-
2023
- 2023-06-08 CN CN202310680714.0A patent/CN116842440A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117081956A (zh) * | 2023-10-13 | 2023-11-17 | 北京国基科技股份有限公司 | 链路质量评估方法、系统、存储介质及电子设备 |
CN117081956B (zh) * | 2023-10-13 | 2024-01-02 | 北京国基科技股份有限公司 | 链路质量评估方法、系统、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304355B (zh) | 一种基于sarima-wnn模型预测弹性云计算资源的方法 | |
CN110474815B (zh) | 带宽预测方法、装置、电子设备及存储介质 | |
CN110942248B (zh) | 交易风控网络的训练方法及装置、交易风险检测方法 | |
CN106097043A (zh) | 一种信用数据的处理方法及服务器 | |
CN116842440A (zh) | 基于情境感知的自适应链路切换方法及系统、设备、介质 | |
CN108876044A (zh) | 一种基于知识增强神经网络的线上内容流行度预测方法 | |
US20210342691A1 (en) | System and method for neural time series preprocessing | |
CN115146764A (zh) | 一种预测模型的训练方法、装置、电子设备及存储介质 | |
CN110310199B (zh) | 借贷风险预测模型的构建方法、系统及借贷风险预测方法 | |
CN111191113B (zh) | 一种基于边缘计算环境的数据资源需求预测和调整方法 | |
CN109816165B (zh) | 风电超短期功率预测方法及系统 | |
CN110852808A (zh) | 基于深度神经网络的电子产品异步自适应价值评估方法 | |
CN113660488A (zh) | 对多媒体数据进行流控及流控模型训练方法、以及装置 | |
CN109451522A (zh) | 一种面向蓝牙网关的流量预测方法及装置 | |
CN115456168B (zh) | 强化学习模型的训练方法、能耗确定方法和装置 | |
CN116362894A (zh) | 多目标学习方法、装置、电子设备及计算机可读存储介质 | |
CN114282658B (zh) | 一种针对流量序列分析及预测的方法、设备和介质 | |
CN110717577A (zh) | 一种注意区域信息相似性的时间序列预测模型构建方法 | |
CN115941802A (zh) | 远程状态估计传感器调度方法、调度器及信息物理系统 | |
CN115185606A (zh) | 业务配置参数的获得方法、装置、设备及存储介质 | |
Kougioumtzidis et al. | QoE Prediction for Gaming Video Streaming in ORAN Using Convolutional Neural Networks | |
CN106447044A (zh) | 基于Shapley值和交互作用指标的风险评估方法 | |
CN114584476A (zh) | 一种流量预测方法、网络训练方法、装置及电子设备 | |
CN112529637A (zh) | 基于情景感知的服务需求动态预测方法及系统 | |
WO2022004957A1 (ko) | 투자자문방법 및 그 장치 |
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 |