CN116866253A - 一种基于边缘计算的网络链路远程切换系统 - Google Patents

一种基于边缘计算的网络链路远程切换系统 Download PDF

Info

Publication number
CN116866253A
CN116866253A CN202311130581.6A CN202311130581A CN116866253A CN 116866253 A CN116866253 A CN 116866253A CN 202311130581 A CN202311130581 A CN 202311130581A CN 116866253 A CN116866253 A CN 116866253A
Authority
CN
China
Prior art keywords
network
network link
data
state
calculation
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
Application number
CN202311130581.6A
Other languages
English (en)
Other versions
CN116866253B (zh
Inventor
宋来鹏
于占淮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongke Haocheng Beijing Technology Industry Development Co ltd
Original Assignee
Zhongke Haocheng Beijing Technology Industry Development Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongke Haocheng Beijing Technology Industry Development Co ltd filed Critical Zhongke Haocheng Beijing Technology Industry Development Co ltd
Priority to CN202311130581.6A priority Critical patent/CN116866253B/zh
Publication of CN116866253A publication Critical patent/CN116866253A/zh
Application granted granted Critical
Publication of CN116866253B publication Critical patent/CN116866253B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/24—Multipath
    • H04L45/247—Multipath using M:N active or standby paths
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Control Of Indicators Other Than Cathode Ray Tubes (AREA)

Abstract

本发明涉及自适应切换技术领域，尤其为一种基于边缘计算的网络链路远程切换系统，包括：数据采集模块：用于采集网络链路信息数据；数据处理模块：用于对采集的网络链路信息数据进行预处理获得边缘节点数据；计算分析模块：用于进行网络链路的安全状态分析计算；远程切换模块：用于基于分析计算结果进行网络链路的自适应远程切换。本发明通过数据采集函数保证采集的网络数据信息的唯一性；基于边缘计算策略进行数据的筛选，减少网络流量和响应时间，提升网络链路的切换效率；基于BiLSTM进行网络链路的安全状态判断，并通过链路状态切换策略基于安全状态判断结果进行最佳链路的自适应切换，减少网络链路的切换分析时间，提高网络传输效率。

Description

一种基于边缘计算的网络链路远程切换系统
技术领域
本发明涉及自适应切换技术领域，尤其是一种基于边缘计算的网络链路远程切换系统。
背景技术
目前为了提高网络数据的传输效率，现有技术中仅仅利用网络切换的方式更换网络接线来提高数据读取的稳定性，虽然可以解决常见的网络数据访问读取问题，但是如果当网络状况出现统一性的稳定性差或者网速低的时候，在访问网络数据时，数据显示速度无法匹配数据解密速度，很有可能造成数据读取丢包或者显示顺序错乱的问题，并且由于网络数据的数据量巨大，极易导致在网络链路的切换过程中的分析时间过长而导致网络传输效率降低。
发明内容
本发明的目的是通过提出一种基于边缘计算的网络链路远程切换系统，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供一种基于边缘计算的网络链路远程切换系统，包括：
数据采集模块：用于采集网络链路信息数据；
数据处理模块：用于对采集的网络链路信息数据进行预处理获得边缘节点数据；
计算分析模块：用于进行网络链路的安全状态分析计算；
远程切换模块：用于基于网络链路的安全状态分析计算结果进行网络链路的自适应远程切换。
作为本发明的一种优选技术方案：所述数据采集模块基于数据采集函数进行网络链路信息数据的采集：
；
其中，为数据采集模块网络节点协调系数，/>为编码节点坐标，/>为初始网络节点坐标，/>为采集的信息数据最大值，/>为采集的信息数据最小值，/>为控制系数，/>为特定的信息数据取值特征，/>为信息数据单位传输量。
作为本发明的一种优选技术方案：所述数据处理模块基于边缘计算策略对网络链路信息数据进行过滤筛选获得边缘节点数据。
作为本发明的一种优选技术方案：所述边缘计算策略具体如下：
；
其中，为边缘过滤函数，/>为/>个不同的信息数据过滤权重值，/>为判别系数，/>为分布系数为/>时的采集函数，/>为信息数据流传输均值。
作为本发明的一种优选技术方案：所述边缘计算策略中，通过梯度信息来更新判别系数的值，更新规则为：
；
其中，为更新后的判别系数，/>为学习率。
作为本发明的一种优选技术方案：所述通过梯度信息来更新判别系数的过程中，采用自适应学习率方法调整学习率 />，具体为：
；
其中，为自适应学习率，/>为历史梯度累积，/>是一个很小的常数，防止分母为零。
作为本发明的一种优选技术方案：所述计算分析模块基于BiLSTM对获得的边缘节点数据进行异常检测，所述BiLSTM包括输入层、前向LSTM层、反向LSTM层和输出层。
作为本发明的一种优选技术方案：所述BiLSTM中遗忘门、输入门和输出门的数据处理具体如下：
；
；
；
；
；
；
其中，为遗忘门，/>为输入门，/>为输出门，/>为当前时刻单元状态，/>为前向单元状态，/>为当前时刻神经元的隐藏状态，/>为前向神经元的隐藏状态，为sigmoid激活函数，/>为输入的边缘节点数据，/>、/>、/>、/>分别为遗忘门、输入门、当前时刻单元状态和输出门对应的权重，/>、/>、/>、/>分别为遗忘门、输入门、当前时刻单元状态和输出门对应的偏置。
作为本发明的一种优选技术方案：所述BiLSTM中，基于边缘节点数据的前向与后向数据之间的相关性输出数据的安全状态。
作为本发明的一种优选技术方案：所述远程切换模块基于链路状态切换策略进行链路的自适应切换，所述链路状态切换策略基于奖励函数进行网络链路的状态判断，并基于网络链路的网络状态价值进行自适应切换。
作为本发明的一种优选技术方案：所述链路状态切换策略具体如下：
网络共有/>个候选网络链路，每个候选网络链路共有/>个属性，网络/>中包含/>个时隙，根据网络链路属性进行切换选择，
；
其中，为/>的网络状态，/>为网络/>的第/>个网络链路的第/>个属性安全状态值；
将网络的网络链路属性在其取值范围内离散化处理/>，/>为/>时隙第/>个网络链路的第/>个属性，
定义时隙动作空间/>的动作如下：
；
；
其中，为/>时隙网络/>的动作集合，/>为/>时隙选择网络/>的第/>个网络链路的概率；
基于所述计算分析模块判断输出的数据安全状态进行属性安全状态值的累积计算：
；
其中，为奖励函数，/>为/>时隙的累积奖励值，/>为/>时隙选择网络/>的权重向量，/>为/>时隙选择网络/>的第/>个网络链路的第/>个属性安全状态值；
；
其中，为动作价值函数，/>为/>时隙的折扣因子，/>，/>为/>时隙的累积奖励值；
；
其中，为网络状态价值函数，/>为动作集合；
；
其中，为最优策略序列。
作为本发明的一种优选技术方案：所述链路状态切换策略基于获取的最优策略序列进行网络链路的自适应远程切换。
本发明提供的基于边缘计算的网络链路远程切换系统，与现有技术相比，其有益效果有：
本发明通过数据采集函数保证采集的网络数据信息的唯一性；基于边缘计算策略进行数据的筛选，减少网络流量和响应时间，减少数据读取丢包或者显示顺序错乱的情况，提升网络链路的切换效率；基于BiLSTM进行网络链路的安全状态判断，并通过链路状态切换策略基于安全状态判断结果进行最佳链路的自适应切换，减少网络链路的切换分析时间，提高网络传输效率。
附图说明
图1为本发明优选实施例的系统框图。
图中各个标记的意义为：100、数据采集模块；200、数据处理模块；300、计算分析模块；400、远程切换模块。
实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，本发明优选实施例提供了一种基于边缘计算的网络链路远程切换系统，包括：
数据采集模块100：用于采集网络链路信息数据；
数据处理模块200：用于对采集的网络链路信息数据进行预处理获得边缘节点数据；
计算分析模块300：用于进行网络链路的安全状态分析计算；
远程切换模块400：用于基于网络链路的安全状态分析计算结果进行网络链路的自适应远程切换。
所述数据采集模块100基于数据采集函数进行网络链路信息数据的采集：
；
其中，为数据采集模块100网络节点协调系数，/>为编码节点坐标，/>为初始网络节点坐标，/>为采集的信息数据最大值，/>为采集的信息数据最小值，/>为控制系数，/>为特定的信息数据取值特征，/>为信息数据单位传输量。
所述数据处理模块200基于边缘计算策略对网络链路信息数据进行过滤筛选获得边缘节点数据。
所述边缘计算策略具体如下：
；
其中，为边缘过滤函数，/>为/>个不同的信息数据过滤权重值，/>为判别系数，/>为分布系数为/>时的采集函数，/>为信息数据流传输均值。
其中，为了保证模型的输出与边缘节点数据更加吻合，本实施例采用梯度下降法来更新判别系数，边缘计算策略中，通过梯度信息来更新判别系数/>的值，更新规则为：
；
其中，为更新后的判别系数，/>为学习率。
重复进行更新的步骤，直到边缘过滤函数/>收敛。但是，使用固定学习率可能导致算法收敛速度过快或过慢，为了解决此问题，通过梯度信息来更新判别系数/>的过程中，采用自适应学习率方法调整学习率/>，具体为：
；
其中，为自适应学习率，/>为历史梯度累积，/>是一个很小的常数，防止分母为零。
在每次进行更新的中，对每个判别系数/>进行以下步骤：
计算当前梯度，并更新历史梯度累积：/>，最后调整学习率，并以调整后的自适应学习率/>来更新/>。
所述计算分析模块300基于BiLSTM对获得的边缘节点数据进行异常检测，所述BiLSTM包括输入层、前向LSTM层、反向LSTM层和输出层。
所述BiLSTM中遗忘门、输入门和输出门的数据处理具体如下：
；
；
；
；
；
；
其中，为遗忘门，/>为输入门，/>为输出门，/>为当前时刻单元状态，/>为前向单元状态，/>为当前时刻神经元的隐藏状态，/>为前向神经元的隐藏状态，为sigmoid激活函数，/>为输入的边缘节点数据，/>、/>、/>、/>分别为遗忘门、输入门、当前时刻单元状态和输出门对应的权重，/>、/>、/>、/>分别为遗忘门、输入门、当前时刻单元状态和输出门对应的偏置。
所述BiLSTM中，基于边缘节点数据的前向与后向数据之间的相关性输出数据的安全状态。
所述远程切换模块400基于链路状态切换策略进行链路的自适应切换，所述链路状态切换策略基于奖励函数进行网络链路的状态判断，并基于网络链路的网络状态价值进行自适应切换。
所述链路状态切换策略具体如下：
网络共有/>个候选网络链路，每个候选网络链路共有/>个属性，网络/>中包含/>个时隙，根据网络链路属性进行切换选择，
；
其中，为/>的网络状态，/>为网络/>的第/>个网络链路的第/>个属性安全状态值；
将网络的网络链路属性在其取值范围内离散化处理/>，/>为/>时隙第/>个网络链路的第/>个属性，
定义时隙动作空间/>的动作如下：
；
；
其中，为/>时隙网络/>的动作集合，/>为/>时隙选择网络/>的第/>个网络链路的概率；
基于所述计算分析模块300判断输出的数据安全状态进行属性安全状态值的累积计算：
；
其中，为奖励函数，/>为/>时隙的累积奖励值，/>为/>时隙选择网络/>的权重向量，/>为/>时隙选择网络/>的第/>个网络链路的第/>个属性安全状态值；
；
其中，为动作价值函数，/>为/>时隙的折扣因子，/>，/>为时隙的累积奖励值；
；
其中，为网络状态价值函数，/>为动作集合；
；
其中，为最优策略序列。
所述链路状态切换策略基于获取的最优策略序列进行网络链路的自适应远程切换。
本实施例中，数据采集模块100基于数据采集函数采集网络系统中的网络链路信息数据，即数据流信息，
；
其中，为数据采集模块100网络节点协调系数，/>为编码节点坐标，/>为初始网络节点坐标，/>为采集的信息数据最大值，/>为采集的信息数据最小值，/>为控制系数，/>为特定的信息数据取值特征，/>为信息数据单位传输量。
网络系统中的数据流是指输电通道监控数据的传输，通过上述数据采集函数能够保障数据流采集结果的唯一性，保证网络链路远程切换的准确性与切换效率。
数据处理模块200基于边缘计算策略对信息数据进行过滤筛选获得边缘节点数据：
；
其中，为边缘过滤函数，/>为/>个不同的信息数据过滤权重值，/>为判别系数，/>为分布系数为/>时的采集函数，/>为信息数据流传输均值。
通过边缘计算策略对已存储的网络链路信息数据进行筛选，并从中剔除非必要的数据信息，既筛选获取了所需的边缘节点数据，又大幅缓解了系统数据库主机所面临的信息存储压力。
计算分析模块300基于BiLSTM对获得的边缘节点数据进行异常检测，BiLSTM包括输入层、前向LSTM层、反向LSTM层和输出层，每个LSTM块由遗忘门、输入门和输出门组成，表征输入信息数据，到输出信息数据/>的映射过程如下：
；
；
；
；
；
；
其中，为遗忘门，/>为输入门，/>为输出门，/>为当前时刻单元状态，/>为前向单元状态，/>为当前时刻神经元的隐藏状态，/>为前向神经元的隐藏状态，为sigmoid激活函数，/>为输入的边缘节点数据，/>、/>、/>、/>分别为遗忘门、输入门、当前时刻单元状态和输出门对应的权重，/>、/>、/>、/>分别为遗忘门、输入门、当前时刻单元状态和输出门对应的偏置。
BiLSTM中，LSTM块对进行的计算，不仅依赖/>与前向序列/>之间的相关性，还取决于与后向序列/>之间的相关性。故通过提取并分析信息数据的前向与后向数据之间的相关性能够准确反映信息数据的安全状态。
远程切换模块400基于奖励函数进行网络链路的状态判断，并基于网络链路的网络状态价值进行自适应切换。
设共有三种网络，网络共有100个候选网络链路，每个候选网络链路共有7个属性，网络/>中包含/>个时隙，一般接收改进信号强度、带宽、延迟、网络抖动、丢包率、网络费用和终端能耗7类网络链路属性进行切换选择，
；
其中，为/>的网络状态，/>为网络/>的第/>个网络链路的第/>个属性安全状态值；
将网络的网络链路属性在其取值范围内离散化处理/>，/>为/>时隙第/>个网络链路的第/>个属性安全状态值，
定义时隙动作空间/>的动作如下：
；
；
其中，为/>时隙选择网络/>的第/>个网络链路的概率；
根据计算分析模块300输出的信息数据的安全状态进行属性的安全状态值的累积计算，如当某一条网络链路上的信息数据未出现异常时，或者跟着当前安全状态等级进行奖励。
状态价值函数和动作价值函数是建立目标网络选择的重要因素。
根据采取的网络切换策略进行网络链路的自适应选择，其中，/>为当前的网络状态，/>为当前的动作；
；
其中，为奖励函数，/>为/>时隙的累积奖励值，/>为/>时隙选择网络/>的权重向量，/>为/>时隙选择网络/>的第/>个网络链路的第/>个属性安全状态值；
；
其中，为动作价值函数，表示在/>状态下采取策略/>中动作/>所获得的累积奖励总和，/>为/>时隙的折扣因子，/>，/>为/>时隙的累积奖励值；
；
其中，为网络状态价值函数，表示在/>状态下采取动作策略/>所获得的累积奖励的总和，/>为动作集合；
；
其中，为最优策略序列。
远程切换模块400最终基于获取的最优策略序列进行网络链路的自适应切换。
基于奖励机制的网络链路状态判断，能够选取最佳传输策略对应的网络链路进行数据传输，能够提高系统传输效率。
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囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种基于边缘计算的网络链路远程切换系统，其特征在于：包括：
数据采集模块（100）：用于采集网络链路信息数据；
数据处理模块（200）：用于对采集的网络链路信息数据进行预处理获得边缘节点数据；
计算分析模块（300）：用于进行网络链路的安全状态分析计算；
远程切换模块（400）：用于基于网络链路的安全状态分析计算结果进行网络链路的自适应远程切换；
所述数据处理模块（200）基于边缘计算策略对网络链路信息数据进行过滤筛选获得边缘节点数据；所述边缘计算策略具体如下：
；
其中，为边缘过滤函数，/>为/>个不同的信息数据过滤权重值，/>为判别系数，为分布系数为/>时的采集函数，/>为信息数据流传输均值。
2.根据权利要求1所述的基于边缘计算的网络链路远程切换系统，其特征在于：所述数据采集模块（100）基于数据采集函数进行网络链路信息数据的采集：
；
其中，为数据采集模块（100）网络节点协调系数，/>为编码节点坐标，/>为初始网络节点坐标，/>为采集的信息数据最大值，/>为采集的信息数据最小值，/>为控制系数，/>为特定的信息数据取值特征，/>为信息数据单位传输量。
3.根据权利要求1所述的基于边缘计算的网络链路远程切换系统，其特征在于：所述边缘计算策略中，通过梯度信息来更新判别系数的值，更新规则为：
；
其中，为更新后的判别系数，/>为学习率。
4.根据权利要求3所述的基于边缘计算的网络链路远程切换系统，其特征在于：所述通过梯度信息来更新判别系数的过程中，采用自适应学习率方法调整学习率，具体为：
；
其中，为自适应学习率，/>为历史梯度累积，/>是一个很小的常数，用于防止分母为零。
5.根据权利要求4所述的基于边缘计算的网络链路远程切换系统，其特征在于：所述计算分析模块（300）基于BiLSTM对获得的边缘节点数据进行异常检测，所述BiLSTM包括输入层、前向LSTM层、反向LSTM层和输出层。
6.根据权利要求5所述的基于边缘计算的网络链路远程切换系统，其特征在于：所述BiLSTM中遗忘门、输入门和输出门的数据处理具体如下：
；
；
；
；
；
；
其中，为遗忘门，/>为输入门，/>为输出门，/>为当前时刻单元状态，/>为前向单元状态，/>为当前时刻神经元的隐藏状态，/>为前向神经元的隐藏状态，/>为sigmoid激活函数，/>为输入的边缘节点数据，/>、/>、/>、/>分别为遗忘门、输入门、当前时刻单元状态和输出门对应的权重，/>、/>、/>、/>分别为遗忘门、输入门、当前时刻单元状态和输出门对应的偏置。
7.根据权利要求6所述的基于边缘计算的网络链路远程切换系统，其特征在于：所述BiLSTM中，基于边缘节点数据的前向与后向数据之间的相关性输出数据的安全状态。
8.根据权利要求7所述的基于边缘计算的网络链路远程切换系统，其特征在于：所述远程切换模块（400）基于链路状态切换策略进行链路的自适应切换，所述链路状态切换策略基于奖励函数进行网络链路的状态判断，并基于网络链路的网络状态价值进行自适应切换。
9.根据权利要求8所述的基于边缘计算的网络链路远程切换系统，其特征在于：所述链路状态切换策略具体如下：
网络共有/>个候选网络链路，每个候选网络链路共有/>个属性，网络/>中包含/>个时隙，根据网络链路属性进行切换选择，
；
其中，为/>的网络状态，/>为网络/>的第/>个网络链路的第/>个属性安全状态值；
将网络的网络链路属性在其取值范围内离散化处理/>，/>为/>时隙第/>个网络链路的第/>个属性，
定义时隙动作空间/>的动作如下：
；
；
其中，为/>时隙网络/>的动作集合，/>为/>时隙选择网络/>的第/>个网络链路的概率；
基于所述计算分析模块（300）判断输出的数据安全状态进行属性安全状态值的累积计算：
；
其中，为奖励函数，/>为/>时隙的累积奖励值，/>为/>时隙选择网络/>的权重向量，/>为/>时隙选择网络/>的第/>个网络链路的第/>个属性安全状态值；
；
其中，为动作价值函数，/>为/>时隙的折扣因子，/>，/>为时隙的累积奖励值；
；
其中，为网络状态价值函数，/>为动作集合；
；
其中，为最优策略序列。
10.根据权利要求9所述的基于边缘计算的网络链路远程切换系统，其特征在于：所述链路状态切换策略基于获取的最优策略序列进行网络链路的自适应远程切换。
CN202311130581.6A 2023-09-04 2023-09-04 一种基于边缘计算的网络链路远程切换系统 Active CN116866253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311130581.6A CN116866253B (zh) 2023-09-04 2023-09-04 一种基于边缘计算的网络链路远程切换系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311130581.6A CN116866253B (zh) 2023-09-04 2023-09-04 一种基于边缘计算的网络链路远程切换系统

Publications (2)

Publication Number Publication Date
CN116866253A true CN116866253A (zh) 2023-10-10
CN116866253B CN116866253B (zh) 2023-12-01

Family

ID=88232626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311130581.6A Active CN116866253B (zh) 2023-09-04 2023-09-04 一种基于边缘计算的网络链路远程切换系统

Country Status (1)

Country Link
CN (1) CN116866253B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040008707A1 (en) * 2002-07-11 2004-01-15 Koji Nakamichi Wide area load sharing control system
US20060168316A1 (en) * 2003-02-03 2006-07-27 Nippon Telegraph And Telephone Corporation Data transmission device and data transmission system
CN109688597A (zh) * 2018-12-18 2019-04-26 北京邮电大学 一种基于人工智能的雾无线接入网络组网方法及装置
CN111741082A (zh) * 2020-06-06 2020-10-02 宋倩云 基于5g与边缘计算的网络处理方法及云通信网络服务器
CN113076177A (zh) * 2021-04-12 2021-07-06 河北大学 一种边缘计算环境下的虚拟机动态迁移方法
CN114885388A (zh) * 2022-04-29 2022-08-09 广西师范大学 联合rss预测的多业务类型自适应切换判决方法
US20220303191A1 (en) * 2021-03-18 2022-09-22 Nokia Solutions And Networks Oy Network management

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040008707A1 (en) * 2002-07-11 2004-01-15 Koji Nakamichi Wide area load sharing control system
US20060168316A1 (en) * 2003-02-03 2006-07-27 Nippon Telegraph And Telephone Corporation Data transmission device and data transmission system
CN109688597A (zh) * 2018-12-18 2019-04-26 北京邮电大学 一种基于人工智能的雾无线接入网络组网方法及装置
CN111741082A (zh) * 2020-06-06 2020-10-02 宋倩云 基于5g与边缘计算的网络处理方法及云通信网络服务器
US20220303191A1 (en) * 2021-03-18 2022-09-22 Nokia Solutions And Networks Oy Network management
CN113076177A (zh) * 2021-04-12 2021-07-06 河北大学 一种边缘计算环境下的虚拟机动态迁移方法
CN114885388A (zh) * 2022-04-29 2022-08-09 广西师范大学 联合rss预测的多业务类型自适应切换判决方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHIHAO MA 等: "Research on Unloading Switching Strategy of Vehicular Edge Computing Based on Urgency", 2022 INTERNATIONAL CONFERENCE ON COMPUTER NETWORK, ELECTRONIC AND AUTOMATION (ICCNEA) *
李波 等: "基于马尔科夫决策过程的车载边缘计算切换策略", 计算机工程与科学, vol. 42, no. 5 *

Also Published As

Publication number Publication date
CN116866253B (zh) 2023-12-01

Similar Documents

Publication Publication Date Title
CN110691100B (zh) 基于深度学习的分层网络攻击识别与未知攻击检测方法
WO2020077682A1 (zh) 一种服务质量评估模型的训练方法及装置
Din et al. Exploiting evolving micro-clusters for data stream classification with emerging class detection
CN110460605B (zh) 一种基于自动编码的异常网络流量检测方法
CN108898154A (zh) 一种电力负荷som-fcm分层聚类方法
Williams et al. Evaluating machine learning algorithms for automated network application identification
Dheepa et al. Analysis of credit card fraud detection methods
AU6135700A (en) Degree of outlier calculation device, and probability density estimation device and histogram calculation device for use therein
CN112700324A (zh) 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法
Wan et al. Network traffic prediction based on LSTM and transfer learning
CN111367908A (zh) 一种基于安全评估机制的增量式入侵检测方法及系统
CN114372803A (zh) 一种基于交易图谱的快速反洗钱检测方法
CN115964503B (zh) 基于社区设备设施的安全风险预测方法及系统
CN111914152A (zh) 一种网络事件预警方法及系统
CN116866253B (zh) 一种基于边缘计算的网络链路远程切换系统
Ishak et al. Fuzzy ART neural network model for automated detection of freeway incidents
CN114265954B (zh) 基于位置与结构信息的图表示学习方法
CN112651422B (zh) 一种时空感知的网络流量异常行为检测方法及电子装置
CN115329838A (zh) 一种考虑类别不平衡的属性图异常检测方法
CN112015894B (zh) 一种基于深度学习的文本单类分类方法及系统
CN116401537A (zh) 基于多任务的网络多元时间流量序列异常检测方法及装置
Husain et al. Automatic clustering of generalized regression neural network by similarity index based fuzzy c-means clustering
Wang et al. Two-layer generalization boosting model for anomaly detection of e-commerce orders
CN116804963B (zh) 一种使数据库行为监测系统多样化的方法及系统
CN116596539B (zh) 一种反洗钱方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant