CN117221131B - 一种物联网通信方法、系统、计算机设备及存储介质 - Google Patents
一种物联网通信方法、系统、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117221131B CN117221131B CN202311486420.0A CN202311486420A CN117221131B CN 117221131 B CN117221131 B CN 117221131B CN 202311486420 A CN202311486420 A CN 202311486420A CN 117221131 B CN117221131 B CN 117221131B
- Authority
- CN
- China
- Prior art keywords
- communication
- module
- algorithm
- internet
- sub
- 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
- 230000006854 communication Effects 0.000 title claims abstract description 392
- 238000004891 communication Methods 0.000 title claims abstract description 390
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 102
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- 238000003064 k means clustering Methods 0.000 claims abstract description 22
- 238000005516 engineering process Methods 0.000 claims abstract description 21
- 238000003909 pattern recognition Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 42
- 238000005457 optimization Methods 0.000 claims description 38
- 238000010276 construction Methods 0.000 claims description 30
- 230000007613 environmental effect Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000008447 perception Effects 0.000 claims description 7
- 238000005304 joining Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及信息通信技术领域，具体为一种物联网通信方法、系统、计算机设备及存储介质，一种物联网通信方法，包括以下步骤：基于物联网设备间的通信记录，采用卷积神经网络算法进行特征提取和模式识别。本发明的有益效果为通过卷积神经网络精准提取物联网设备间通信的特征，并采用K均值聚类精细分类设备通信模式，为通信策略提供了更精确的数据支持，利用区块链技术和智能合约保障设备身份的唯一性和安全性，借助自组织网络算法，实现网络拓扑的动态自适应调整，确保网络结构能够随着环境变化和通信需求进行自我优化，通过边缘智能感知技术使得系统能实时感知环境变化，并自动调整通信参数和路由，保证通信过程的流畅和稳定，优化通信效果。
Description
技术领域
本发明涉及信息通信技术领域，尤其涉及一种物联网通信方法、系统、计算机设备及存储介质。
背景技术
信息通信技术领域是研究信息的传输、存储、处理和交换的技术体系。它涵盖了广泛的子领域，包括传统的通信网络、卫星通信、无线通信、光通信等。该领域的目标是实现高效的信息传递和处理，推动信息社会的发展。
其中，物联网通信方法指的是用于物联网设备之间进行通信的技术手段。物联网通信的目的在于实现设备之间的互联互通，使得它们能够共享信息、协同工作，从而实现更智能、高效、自适应的系统运行。其效果在于提升物联网系统的整体性能、提供更精准的数据交互和控制能力。一般通过采用各种通信协议、网络技术以及数据传输优化方法来实现物联网设备之间的通信。这包括了从传统的网络通信协议（如TCP/IP协议）到专为物联网设计的协议（如CoAP、MQTT等），以及通过优化路由、选择合适的传输介质等手段来提升通信效率。
在物联网通信方法中，现有方法在提取通信特征时可能缺乏精准度，不能充分识别关键通信模式，从而影响通信策略的准确性和有效性。而且，它们通常没有采用先进的技术来确保通信的安全性，设备身份容易被篡改，增加通信风险。此外，由于缺乏动态自适应的网络结构和实时的环境感知机制，这些方法很难适应复杂和多变的通信环境和需求，可能导致通信效率不高，甚至出现通信中断的问题。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的一种物联网通信方法、系统、计算机设备及存储介质。
为了实现上述目的，本发明采用了如下技术方案：一种物联网通信方法，包括以下步骤：
S1：基于物联网设备间的通信记录，采用卷积神经网络算法进行特征提取和模式识别，生成通信特征数据集；
S2：基于所述通信特征数据集，采用K均值聚类方法对设备通信模式进行分类，并确定最佳通信策略，得到最佳通信策略集；
S3：依据所述最佳通信策略集，采用区块链技术建立唯一设备身份，并使用智能合约，生成安全通信身份标识链；
S4：基于所述安全通信身份标识链，应用自组织网络算法自动构建和调整物联网设备的网络拓扑，形成动态自适应网络拓扑结构；
S5：根据所述动态自适应网络拓扑结构，利用边缘智能感知技术监测环境变化，并自动调整通信参数和路由，得到优化后的通信参数和路由策略集。
作为本发明的进一步方案，基于物联网设备间的通信记录，采用卷积神经网络算法进行特征提取和模式识别，生成通信特征数据集的步骤具体为：
S101：采用数据采集算法收集物联网设备通信记录，生成原始通信数据集；
S102：基于所述原始通信数据集，采用数据预处理方法，进行归一化和去噪，生成预处理后的通信数据集；
S103：基于所述预处理后的通信数据集，构建并训练卷积神经网络模型，获得卷积神经网络模型；
S104：利用所述卷积神经网络模型，对预处理后的通信数据集进行特征提取，生成通信特征数据集。
作为本发明的进一步方案，基于所述通信特征数据集，采用K均值聚类方法对设备通信模式进行分类，并确定最佳通信策略，得到最佳通信策略集的步骤具体为：
S201：基于所述通信特征数据集，采用K均值聚类算法，进行模式分类，得到初步通信模式分类结果；
S202：基于所述初步通信模式分类结果，采用优化算法进行调优，得到优化后的通信模式分类结果；
S203：基于所述优化后的通信模式分类结果，采用策略分析方法确定最佳通信策略，生成最佳通信策略草稿；
S204：基于所述最佳通信策略草稿，采用验证算法确保其有效性，得到最佳通信策略集。
作为本发明的进一步方案，依据所述最佳通信策略集，采用区块链技术建立唯一设备身份，并使用智能合约，生成安全通信身份标识链的步骤具体为：
S301：基于所述最佳通信策略集，采用区块链分配算法为设备分配唯一标识，生成唯一设备身份集；
S302：基于所述唯一设备身份集，设计和采用智能合约编写方法，生成智能合约模板；
S303：基于所述智能合约模板，在区块链上部署智能合约，得到智能合约实施结果；
S304：利用所述智能合约实施结果，为设备生成安全通信身份标识链。
作为本发明的进一步方案，基于所述安全通信身份标识链，应用自组织网络算法自动构建和调整物联网设备的网络拓扑，形成动态自适应网络拓扑结构的步骤具体为：
S401：采用网络标识解析算法对所述安全通信身份标识链中的设备标识进行解析，得到设备标识集；
S402：基于所述设备标识集，应用自组织网络初始化算法构建初始网络拓扑，形成初始网络拓扑结构；
S403：对所述初始网络拓扑结构进行负载均衡分析，采用网络优化算法进行网络结构调整，获得中间网络拓扑结构；
S404：基于所述中间网络拓扑结构，运用网络自适应调整算法针对动态设备加入或退出进行网络拓扑调整，得到动态自适应网络拓扑结构。
作为本发明的进一步方案，根据所述动态自适应网络拓扑结构，利用边缘智能感知技术监测环境变化，并自动调整通信参数和路由，得到优化后的通信参数和路由策略集的步骤具体为：
S501：采用环境感知算法对周围环境进行实时监测，产生环境数据报告；
S502：基于所述环境数据报告，运用边缘智能分析算法对数据进行处理，确定环境对通信的影响，生成通信影响分析报告；
S503：基于所述通信影响分析报告，应用参数自适应调整算法对通信参数进行动态调整，获得调整后的通信参数；
S504：利用动态路由选择算法，基于所述动态自适应网络拓扑结构和调整后的通信参数，为数据传输选择最佳路径，得到优选路由集；
S505：综合所述调整后的通信参数和优选路由集，编写并优化通信策略，得到优化后的通信参数和路由策略集。
一种物联网通信系统用于执行物联网通信方法，所述物联网通信系统包括通信特征提取模块、通信模式分类模块、安全身份构建模块、网络拓扑构建模块、环境感知与参数调整模块、通信策略优化模块；
所述通信特征提取模块基于物联网设备通信记录，采用卷积神经网络模型，进行特征提取，生成通信特征数据集；
所述通信模式分类模块基于通信特征数据集，采用K均值聚类算法，进行模式分类，生成最佳通信策略集；
所述安全身份构建模块基于最佳通信策略集，采用区块链分配算法，进行设备标识分配，生成安全通信身份标识链；
所述网络拓扑构建模块基于安全通信身份标识链，采用自组织网络算法，进行网络拓扑构建，得到动态自适应网络拓扑结构；
所述环境感知与参数调整模块基于实时环境数据，采用环境感知算法和边缘智能分析，进行通信参数调整，得到调整后的通信参数；
所述通信策略优化模块基于网络拓扑和通信参数，采用动态路由选择算法，进行通信策略优化，得到优化后的通信参数和路由策略集。
作为本发明的进一步方案，所述通信特征提取模块包括数据采集子模块、数据预处理子模块、模型构建子模块、特征提取子模块；
所述通信模式分类模块包括K均值聚类子模块、优化算法子模块、策略分析子模块、验证子模块；
所述安全身份构建模块包括区块链分配子模块、智能合约编写子模块、智能合约部署子模块、身份标识生成子模块；
所述网络拓扑构建模块包括网络标识解析子模块、初始网络拓扑构建子模块、网络结构优化子模块、网络自适应调整子模块；
所述环境感知与参数调整模块包括环境监测子模块、边缘智能分析子模块、参数自适应调整子模块；
所述通信策略优化模块包括动态路由选择子模块、通信策略编写子模块、通信策略优化子模块。
一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现如上述所述的物联网通信系统。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的物联网通信方法的步骤。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过卷积神经网络精准提取物联网设备间通信的特征，并采用K均值聚类精细分类设备通信模式，为通信策略提供了更精确的数据支持。利用区块链技术和智能合约保障设备身份的唯一性和安全性，极大提高了通信的安全水平。借助自组织网络算法，实现网络拓扑的动态自适应调整，确保网络结构能够随着环境变化和通信需求进行自我优化。边缘智能感知技术的引入使得系统能实时感知环境变化，并自动调整通信参数和路由，保证了通信过程的流畅和稳定，优化通信效果。
附图说明
图1为本发明的工作流程示意图；
图2为本发明的S1细化流程图；
图3为本发明的S2细化流程图；
图4为本发明的S3细化流程图；
图5为本发明的S4细化流程图；
图6为本发明的S5细化流程图；
图7为本发明的系统流程图；
图8为本发明的系统框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一：请参阅图1，本发明提供一种技术方案：一种物联网通信方法，包括以下步骤：
S1：基于物联网设备间的通信记录，采用卷积神经网络算法进行特征提取和模式识别，生成通信特征数据集；
S2：基于通信特征数据集，采用K均值聚类方法对设备通信模式进行分类，并确定最佳通信策略，得到最佳通信策略集；
S3：依据最佳通信策略集，采用区块链技术建立唯一设备身份，并使用智能合约，生成安全通信身份标识链；
S4：基于安全通信身份标识链，应用自组织网络算法自动构建和调整物联网设备的网络拓扑，形成动态自适应网络拓扑结构；
S5：根据动态自适应网络拓扑结构，利用边缘智能感知技术监测环境变化，并自动调整通信参数和路由，得到优化后的通信参数和路由策略集。
首先，通过采用卷积神经网络算法进行特征提取和模式识别，能够分析和学习物联网设备间的通信记录，从而生成通信特征数据集。其次，通过K均值聚类方法对通信模式进行分类，可以为设备制定最佳通信策略，提高通信效率和优化网络资源利用。同时，使用区块链技术建立唯一设备身份和生成安全通信身份标识链，确保通信的安全性和可信度。应用自组织网络算法构建和调整设备的网络拓扑，实现动态自适应的网络结构，提高可扩展性和灵活性。最后，利用边缘智能感知技术监测环境变化，自动调整通信参数和路由策略，提供优化的通信质量和响应速度。
请参阅图2，基于物联网设备间的通信记录，采用卷积神经网络算法进行特征提取和模式识别，生成通信特征数据集的步骤具体为：
S101：采用数据采集算法收集物联网设备通信记录，生成原始通信数据集；
S102：基于原始通信数据集，采用数据预处理方法，进行归一化和去噪，生成预处理后的通信数据集；
S103：基于预处理后的通信数据集，构建并训练卷积神经网络模型，获得卷积神经网络模型；
S104：利用卷积神经网络模型，对预处理后的通信数据集进行特征提取，生成通信特征数据集。
首先，在步骤S101，采用数据采集算法来收集物联网设备的通信记录，以创建原始通信数据集。这个数据集包含了设备之间的通信信息，包括传输的数据、时间戳等信息。
接着，在步骤S102，采用数据预处理方法对原始通信数据集进行处理。这包括归一化（将数据缩放到相似的尺度以消除数量级的差异）和去噪（去除可能存在的干扰或异常数据点）。预处理后的数据更有利于模型的训练和特征提取。
在步骤S103，基于预处理后的通信数据集构建并训练卷积神经网络（CNN）模型。CNN是一种深度学习模型，特别适用于处理具有空间结构的数据，如图像和时序数据。通过训练，CNN模型能够自动学习数据中的特征模式。
最后，在步骤S104，利用训练好的CNN模型，对预处理后的通信数据集进行特征提取。这意味着CNN模型会从数据中识别和提取与通信模式相关的特征。这些特征可以包括频谱分布、通信时延、数据包大小等等。
请参阅图3，基于通信特征数据集，采用K均值聚类方法对设备通信模式进行分类，并确定最佳通信策略，得到最佳通信策略集的步骤具体为：
S201：基于通信特征数据集，采用K均值聚类算法，进行模式分类，得到初步通信模式分类结果；
S202：基于初步通信模式分类结果，采用优化算法进行调优，得到优化后的通信模式分类结果；
S203：基于优化后的通信模式分类结果，采用策略分析方法确定最佳通信策略，生成最佳通信策略草稿；
S204：基于最佳通信策略草稿，采用验证算法确保其有效性，得到最佳通信策略集。
首先，在步骤S201，采用K均值聚类算法对通信特征数据集进行模式分类，得到初步的通信模式分类结果。K均值聚类是一种常见的无监督学习算法，可以将数据集划分为K个类别，每个类别代表一种通信模式。
接着，在步骤S202，基于初步的通信模式分类结果，采用优化算法进行调优。这可能涉及到调整聚类的参数或使用其他优化技术，以进一步提高通信模式分类的准确性和稳定性，得到优化后的通信模式分类结果。
在步骤S203，采用策略分析方法，利用优化后的通信模式分类结果，确定最佳的通信策略。这可能包括选择最佳的设备组合、设置合适的通信频率或路由方案，以满足特定的通信需求和优化性能。
最后，在步骤S204，采用验证算法对最佳通信策略草稿进行验证，以确保其有效性。验证算法可以基于仿真模拟或真实测试数据，评估最佳通信策略在不同情境下的表现，并进行必要的调整和优化，得到最终的最佳通信策略集。
请参阅图4，依据最佳通信策略集，采用区块链技术建立唯一设备身份，并使用智能合约，生成安全通信身份标识链的步骤具体为：
S301：基于最佳通信策略集，采用区块链分配算法为设备分配唯一标识，生成唯一设备身份集；
S302：基于唯一设备身份集，设计和采用智能合约编写方法，生成智能合约模板；
S303：基于智能合约模板，在区块链上部署智能合约，得到智能合约实施结果；
S304：利用智能合约实施结果，为设备生成安全通信身份标识链。
首先，在步骤S301，依据最佳通信策略集，采用区块链分配算法为每个设备分配唯一的标识，生成唯一设备身份集。这意味着每个物联网设备都会被赋予一个独一无二的身份标识，以确保其在通信网络中的唯一性。
接着，在步骤S302，基于唯一设备身份集，设计和采用智能合约编写方法，生成智能合约模板。智能合约是一种在区块链上执行的自动化合约，其中包含了设备身份管理的逻辑和规则。
在步骤S303，将智能合约模板部署到区块链上，得到智能合约的实施结果。这意味着智能合约现在在区块链网络中可用，可以被设备调用和执行。
最后，在步骤S304，利用智能合约的实施结果，为每个设备生成安全通信身份标识链。这个标识链包含了设备的身份信息以及与其通信安全相关的数据和规则。
请参阅图5，基于安全通信身份标识链，应用自组织网络算法自动构建和调整物联网设备的网络拓扑，形成动态自适应网络拓扑结构的步骤具体为：
S401：采用网络标识解析算法对安全通信身份标识链中的设备标识进行解析，得到设备标识集；
S402：基于设备标识集，应用自组织网络初始化算法构建初始网络拓扑，形成初始网络拓扑结构；
S403：对初始网络拓扑结构进行负载均衡分析，采用网络优化算法进行网络结构调整，获得中间网络拓扑结构；
S404：基于中间网络拓扑结构，运用网络自适应调整算法针对动态设备加入或退出进行网络拓扑调整，得到动态自适应网络拓扑结构。
首先，在步骤S401，采用网络标识解析算法对安全通信身份标识链中的设备标识进行解析，得到设备标识集。这些设备标识可以用于识别和区分物联网中的各个设备。
接着，在步骤S402，基于设备标识集，应用自组织网络初始化算法构建初始网络拓扑，形成初始的网络拓扑结构。自组织网络初始化算法可以根据设备标识和通信需求等因素，自动化地构建起一个初始的网络拓扑。
在步骤S403，对初始网络拓扑结构进行负载均衡分析，并采用网络优化算法进行网络结构的调整。负载均衡分析可以评估网络中各个节点的负载状态，并根据情况调整节点之间的连接关系，以实现更合理的资源利用和通信质量优化。
最后，在步骤S404，基于中间网络拓扑结构，运用网络自适应调整算法对动态设备的加入或退出进行网络拓扑的调整。这意味着当有新设备加入或现有设备退出网络时，网络拓扑会相应地进行调整，以适应动态变化的设备情况。
请参阅图6，根据动态自适应网络拓扑结构，利用边缘智能感知技术监测环境变化，并自动调整通信参数和路由，得到优化后的通信参数和路由策略集的步骤具体为：
S501：采用环境感知算法对周围环境进行实时监测，产生环境数据报告；
S502：基于环境数据报告，运用边缘智能分析算法对数据进行处理，确定环境对通信的影响，生成通信影响分析报告；
S503：基于通信影响分析报告，应用参数自适应调整算法对通信参数进行动态调整，获得调整后的通信参数；
S504：利用动态路由选择算法，基于动态自适应网络拓扑结构和调整后的通信参数，为数据传输选择最佳路径，得到优选路由集；
S505：综合调整后的通信参数和优选路由集，编写并优化通信策略，得到优化后的通信参数和路由策略集。
首先，在步骤S501，采用环境感知算法对周围环境进行实时监测，产生环境数据报告。环境感知算法可以通过传感器等设备获取环境数据，例如温度、湿度、噪音水平等，用于分析环境变化情况。
接着，在步骤S502，基于环境数据报告，运用边缘智能分析算法对数据进行处理，确定环境对通信的影响，并生成通信影响分析报告。边缘智能分析算法能够根据环境数据的变化趋势和特征，评估环境对通信性能的影响程度，例如信号强度、干扰程度等。
在步骤S503，基于通信影响分析报告，应用参数自适应调整算法对通信参数进行动态调整，获得调整后的通信参数。参数自适应调整算法可以根据通信影响分析报告中的数据，自动调整通信参数，例如信道选择、功率控制、调制方式等，以优化通信质量和可靠性。
接着，在步骤S504，利用动态路由选择算法，基于动态自适应网络拓扑结构和调整后的通信参数，为数据传输选择最佳路径，得到优选路由集。动态路由选择算法考虑了网络拓扑的动态性和通信参数的变化，以选择能够满足通信要求的最佳路由，例如最短路径、最小干扰路径等。
最后，在步骤S505，综合调整后的通信参数和优选路由集，编写并优化通信策略，得到优化后的通信参数和路由策略集。通信策略能够根据动态调整的通信参数和优选路由集，确定具体的通信方案，以最大程度地提高通信性能、降低干扰和延迟等。
请参阅图7，一种物联网通信系统用于执行物联网通信方法，物联网通信系统包括通信特征提取模块、通信模式分类模块、安全身份构建模块、网络拓扑构建模块、环境感知与参数调整模块、通信策略优化模块；
通信特征提取模块基于物联网设备通信记录，采用卷积神经网络模型，进行特征提取，生成通信特征数据集；
通信模式分类模块基于通信特征数据集，采用K均值聚类算法，进行模式分类，生成最佳通信策略集；
安全身份构建模块基于最佳通信策略集，采用区块链分配算法，进行设备标识分配，生成安全通信身份标识链；
网络拓扑构建模块基于安全通信身份标识链，采用自组织网络算法，进行网络拓扑构建，得到动态自适应网络拓扑结构；
环境感知与参数调整模块基于实时环境数据，采用环境感知算法和边缘智能分析，进行通信参数调整，得到调整后的通信参数；
通信策略优化模块基于网络拓扑和通信参数，采用动态路由选择算法，进行通信策略优化，得到优化后的通信参数和路由策略集。
首先，通信特征提取模块利用卷积神经网络模型从物联网设备的通信记录中提取特征，这可以帮助系统了解设备之间的通信行为和模式。通过通信模式分类模块的K均值聚类算法，系统能够将设备通信行为分类，从而生成最佳通信策略集。这样一来，系统可以针对不同通信模式采取不同的优化策略，提高通信效率、可靠性和安全性。
其次，安全身份构建模块利用区块链分配算法为设备分配安全通信身份标识链。这项技术能够确保设备的通信身份的唯一性和安全性，防止恶意设备的入侵和通信欺骗。通过网络拓扑构建模块的自组织网络算法，系统可以基于安全通信身份标识链构建动态自适应的网络拓扑结构。这种拓扑结构能够自动适应网络中设备的加入和离开，提供弹性和可靠的通信架构。
此外，环境感知与参数调整模块利用实时环境数据以及环境感知算法和边缘智能分析，对通信参数进行动态调整。这有助于系统及时识别环境变化对通信的影响，并根据情况调整通信参数来优化通信质量。最后，通信策略优化模块根据网络拓扑和调整后的通信参数，运用动态路由选择算法优化通信策略，进一步提升系统的性能和效率。
请参阅图8，通信特征提取模块包括数据采集子模块、数据预处理子模块、模型构建子模块、特征提取子模块；
通信模式分类模块包括K均值聚类子模块、优化算法子模块、策略分析子模块、验证子模块；
安全身份构建模块包括区块链分配子模块、智能合约编写子模块、智能合约部署子模块、身份标识生成子模块；
网络拓扑构建模块包括网络标识解析子模块、初始网络拓扑构建子模块、网络结构优化子模块、网络自适应调整子模块；
环境感知与参数调整模块包括环境监测子模块、边缘智能分析子模块、参数自适应调整子模块；
通信策略优化模块包括动态路由选择子模块、通信策略编写子模块、通信策略优化子模块。
通信特征提取模块利用数据采集子模块收集物联网设备的通信记录，并通过数据预处理子模块对数据进行清洗和转换。接下来，模型构建子模块构建了卷积神经网络模型，而特征提取子模块则从数据中提取出关键的通信特征。这样，系统可以更好地了解设备之间的通信行为，为后续的优化提供基础。
通信模式分类模块采用K均值聚类子模块对通信特征数据集进行分类，通过优化算法子模块对分类结果进行优化，再通过策略分析子模块进行策略制定和分析。最后，通过验证子模块对优化后的通信策略进行验证，确保其有效性和可靠性。这种分类和优化的过程能够为系统提供最佳的通信策略集，以提高通信效率和质量。
安全身份构建模块采用区块链分配子模块来分配设备的安全通信身份标识链，通过智能合约编写子模块编写智能合约，再通过智能合约部署子模块将智能合约部署到区块链上。身份标识生成子模块生成安全通信身份标识。这种基于区块链的安全身份机制确保了设备通信的安全性和可信性。
网络拓扑构建模块通过网络标识解析子模块解析安全通信身份标识链，使用初始网络拓扑构建子模块构建初始网络拓扑，并通过网络结构优化子模块对网络拓扑进行优化。最后，通过网络自适应调整子模块实现网络拓扑的自适应调整，适应设备加入和离开的动态变化。这种动态自适应的网络拓扑结构能够提供灵活性和鲁棒性，从而更好地支持物联网通信。
环境感知与参数调整模块通过环境监测子模块实时监测物联网环境数据。边缘智能分析子模块利用智能分析算法对环境数据进行分析，从而进行通信参数的自适应调整。这可以帮助系统根据实际环境情况，动态优化通信参数，以提高通信的适应性和性能。
最后，通信策略优化模块通过动态路由选择子模块根据网络拓扑和通信参数选择最佳的通信路由。通信策略编写子模块用于编写优化后的通信策略，而通信策略优化子模块则对通信策略进行优化。通过这些优化算法，系统能够实现更高效的通信策略，以提升通信性能和可靠性。
一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现如上述的物联网通信系统。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述的物联网通信方法的步骤。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (8)
1.一种物联网通信方法，其特征在于，包括以下步骤：
基于物联网设备间的通信记录，采用卷积神经网络算法进行特征提取和模式识别，生成通信特征数据集；
基于所述通信特征数据集，采用K均值聚类方法对设备通信模式进行分类，并确定最佳通信策略，得到最佳通信策略集；
依据所述最佳通信策略集，采用区块链技术建立唯一设备身份，并使用智能合约，生成安全通信身份标识链；
基于所述安全通信身份标识链，应用自组织网络算法自动构建和调整物联网设备的网络拓扑，形成动态自适应网络拓扑结构；
根据所述动态自适应网络拓扑结构，利用边缘智能感知技术监测环境变化，并自动调整通信参数和路由，得到优化后的通信参数和路由策略集；
基于所述通信特征数据集，采用K均值聚类方法对设备通信模式进行分类，并确定最佳通信策略，得到最佳通信策略集的步骤具体为：
基于所述通信特征数据集，采用K均值聚类算法，进行模式分类，得到初步通信模式分类结果；
基于所述初步通信模式分类结果，采用优化算法进行调优，得到优化后的通信模式分类结果；
基于所述优化后的通信模式分类结果，采用策略分析方法确定最佳通信策略，生成最佳通信策略草稿；
基于所述最佳通信策略草稿，采用验证算法确保其有效性，得到最佳通信策略集；
依据所述最佳通信策略集，采用区块链技术建立唯一设备身份，并使用智能合约，生成安全通信身份标识链的步骤具体为：
基于所述最佳通信策略集，采用区块链分配算法为设备分配唯一标识，生成唯一设备身份集；
基于所述唯一设备身份集，设计和采用智能合约编写方法，生成智能合约模板；
基于所述智能合约模板，在区块链上部署智能合约，得到智能合约实施结果；
利用所述智能合约实施结果，为设备生成安全通信身份标识链。
2.根据权利要求1所述的物联网通信方法，其特征在于，基于物联网设备间的通信记录，采用卷积神经网络算法进行特征提取和模式识别，生成通信特征数据集的步骤具体为：
采用数据采集算法收集物联网设备通信记录，生成原始通信数据集；
基于所述原始通信数据集，采用数据预处理方法，进行归一化和去噪，生成预处理后的通信数据集；
基于所述预处理后的通信数据集，构建并训练卷积神经网络模型，获得卷积神经网络模型；
利用所述卷积神经网络模型，对预处理后的通信数据集进行特征提取，生成通信特征数据集。
3.根据权利要求1所述的物联网通信方法，其特征在于，基于所述安全通信身份标识链，应用自组织网络算法自动构建和调整物联网设备的网络拓扑，形成动态自适应网络拓扑结构的步骤具体为：
采用网络标识解析算法对所述安全通信身份标识链中的设备标识进行解析，得到设备标识集；
基于所述设备标识集，应用自组织网络初始化算法构建初始网络拓扑，形成初始网络拓扑结构；
对所述初始网络拓扑结构进行负载均衡分析，采用网络优化算法进行网络结构调整，获得中间网络拓扑结构；
基于所述中间网络拓扑结构，运用网络自适应调整算法针对动态设备加入或退出进行网络拓扑调整，得到动态自适应网络拓扑结构。
4.根据权利要求1所述的物联网通信方法，其特征在于，根据所述动态自适应网络拓扑结构，利用边缘智能感知技术监测环境变化，并自动调整通信参数和路由，得到优化后的通信参数和路由策略集的步骤具体为：
采用环境感知算法对周围环境进行实时监测，产生环境数据报告；
基于所述环境数据报告，运用边缘智能分析算法对数据进行处理，确定环境对通信的影响，生成通信影响分析报告；
基于所述通信影响分析报告，应用参数自适应调整算法对通信参数进行动态调整，获得调整后的通信参数；
利用动态路由选择算法，基于所述动态自适应网络拓扑结构和调整后的通信参数，为数据传输选择最佳路径，得到优选路由集；
综合所述调整后的通信参数和优选路由集，编写并优化通信策略，得到优化后的通信参数和路由策略集。
5.一种物联网通信系统，其特征在于，所述物联网通信系统用于执行权利要求1至4任一所述的物联网通信方法，所述物联网通信系统包括通信特征提取模块、通信模式分类模块、安全身份构建模块、网络拓扑构建模块、环境感知与参数调整模块、通信策略优化模块；
所述通信特征提取模块基于物联网设备通信记录，采用卷积神经网络模型，进行特征提取，生成通信特征数据集；
所述通信模式分类模块基于通信特征数据集，采用K均值聚类算法，进行模式分类，生成最佳通信策略集；
所述安全身份构建模块基于最佳通信策略集，采用区块链分配算法，进行设备标识分配，生成安全通信身份标识链；
所述网络拓扑构建模块基于安全通信身份标识链，采用自组织网络算法，进行网络拓扑构建，得到动态自适应网络拓扑结构；
所述环境感知与参数调整模块基于实时环境数据，采用环境感知算法和边缘智能分析，进行通信参数调整，得到调整后的通信参数；
所述通信策略优化模块基于网络拓扑和通信参数，采用动态路由选择算法，进行通信策略优化，得到优化后的通信参数和路由策略集。
6.根据权利要求5所述的物联网通信系统，其特征在于，所述通信特征提取模块包括数据采集子模块、数据预处理子模块、模型构建子模块、特征提取子模块；
所述通信模式分类模块包括K均值聚类子模块、优化算法子模块、策略分析子模块、验证子模块；
所述安全身份构建模块包括区块链分配子模块、智能合约编写子模块、智能合约部署子模块、身份标识生成子模块；
所述网络拓扑构建模块包括网络标识解析子模块、初始网络拓扑构建子模块、网络结构优化子模块、网络自适应调整子模块；
所述环境感知与参数调整模块包括环境监测子模块、边缘智能分析子模块、参数自适应调整子模块；
所述通信策略优化模块包括动态路由选择子模块、通信策略编写子模块、通信策略优化子模块。
7.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求5至6任一项所述的物联网通信系统。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4任一项所述的物联网通信方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311486420.0A CN117221131B (zh) | 2023-11-09 | 2023-11-09 | 一种物联网通信方法、系统、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311486420.0A CN117221131B (zh) | 2023-11-09 | 2023-11-09 | 一种物联网通信方法、系统、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117221131A CN117221131A (zh) | 2023-12-12 |
| CN117221131B true CN117221131B (zh) | 2024-01-23 |
Family
ID=89035649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311486420.0A Active CN117221131B (zh) | 2023-11-09 | 2023-11-09 | 一种物联网通信方法、系统、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117221131B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112804310A (zh) * | 2020-12-31 | 2021-05-14 | 河南中盾云安信息科技有限公司 | 一种面向物联网应用的多链智能安全网关及实现方法 |
| CN114710437A (zh) * | 2022-06-07 | 2022-07-05 | 南京邮电大学 | 一种结合区块链的物联网边缘网络路由架构 |
| CN116405187A (zh) * | 2023-04-21 | 2023-07-07 | 石家庄铁道大学 | 基于区块链的分布式节点入侵态势感知方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10997251B2 (en) * | 2018-10-15 | 2021-05-04 | Bao Tran | Smart device |
-
2023
- 2023-11-09 CN CN202311486420.0A patent/CN117221131B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112804310A (zh) * | 2020-12-31 | 2021-05-14 | 河南中盾云安信息科技有限公司 | 一种面向物联网应用的多链智能安全网关及实现方法 |
| CN114710437A (zh) * | 2022-06-07 | 2022-07-05 | 南京邮电大学 | 一种结合区块链的物联网边缘网络路由架构 |
| CN116405187A (zh) * | 2023-04-21 | 2023-07-07 | 石家庄铁道大学 | 基于区块链的分布式节点入侵态势感知方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于区块链智能合约的物联网恶意节点检测和定位;黄豪杰 等;物联网学报(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117221131A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kato et al. | Ten challenges in advancing machine learning technologies toward 6G | |
| Kulin et al. | End-to-end learning from spectrum data: A deep learning approach for wireless signal identification in spectrum monitoring applications | |
| Sandoval et al. | Optimizing and updating lora communication parameters: A machine learning approach | |
| CN106416183B (zh) | 使用分布式分类器的投票策略优化 | |
| Salau et al. | Recent advances in artificial intelligence for wireless internet of things and cyber–physical systems: A comprehensive survey | |
| Gite et al. | ML Based Intrusion Detection Scheme for various types of attacks in a WSN using C4. 5 and CART classifiers | |
| CN101510873A (zh) | 基于支持向量机的混合式点对点流量检测方法 | |
| US11416522B2 (en) | Unsupervised learning of local-aware attribute relevance for device classification and clustering | |
| Griparic et al. | Consensus-based distributed connectivity control in multi-agent systems | |
| Shahina et al. | Clustering and data aggregation in wireless sensor networks using machine learning algorithms | |
| JP2012175592A (ja) | 制御装置 | |
| CN117857220A (zh) | 基于区块链的车联网安全评估系统 | |
| CN117221131B (zh) | 一种物联网通信方法、系统、计算机设备及存储介质 | |
| CN117272017A (zh) | 异质图数据节点嵌入特征提取模型训练方法、嵌入特征提取方法、节点分类方法及装置 | |
| Shirafkan et al. | An autonomous intrusion detection system for the RPL protocol | |
| CN115883016A (zh) | 基于联邦生成对抗网络的流量数据增强方法与装置 | |
| CN104394599B (zh) | 一种应用于m2m网络的csma/ca协议的设计方法 | |
| Dai et al. | MEC enabled cooperative sensing and resource allocation for industrial IoT systems | |
| Zhou et al. | HTNet: Dynamic WLAN Performance Prediction using Heterogenous Temporal GNN | |
| CN111935089B (zh) | 基于大数据和边缘计算的数据处理方法及人工智能服务器 | |
| Marouane et al. | A review and a tutorial of ML-based MDS technology within a VANET context: From data collection to trained model deployment | |
| Chen et al. | ASTPPO: A proximal policy optimization algorithm based on the attention mechanism and spatio–temporal correlation for routing optimization in software-defined networking | |
| Jurado Lasso et al. | A Survey on Software-Defined Wireless Sensor Networks: Current status, machine learning approaches and major challenges | |
| Kamruzzaman et al. | Wireless communication channel modeling using machine learning | |
| CN110544182A (zh) | 一种基于机器学习技术的配电通信网融合控制方法及系统 |
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 |