CN117294638A - 数据传输路径选择方法以及对应的系统、设备和存储介质 - Google Patents
数据传输路径选择方法以及对应的系统、设备和存储介质 Download PDFInfo
- Publication number
- CN117294638A CN117294638A CN202311229716.4A CN202311229716A CN117294638A CN 117294638 A CN117294638 A CN 117294638A CN 202311229716 A CN202311229716 A CN 202311229716A CN 117294638 A CN117294638 A CN 117294638A
- Authority
- CN
- China
- Prior art keywords
- link
- bandwidth occupancy
- platform
- occupancy rate
- path
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 144
- 238000010187 selection method Methods 0.000 title claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 91
- 230000003993 interaction Effects 0.000 claims abstract description 60
- 238000004891 communication Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 44
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004146 energy storage Methods 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims 1
- 238000013467 fragmentation Methods 0.000 abstract description 5
- 238000006062 fragmentation reaction Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- H04L45/02—Topology update or discovery
- H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
-
- 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
- H04L45/12—Shortest path evaluation
- H04L45/121—Shortest path evaluation by minimising delays
-
- 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
- H04L45/12—Shortest path evaluation
- H04L45/124—Shortest path evaluation using a combination of metrics
-
- 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
- H04L45/12—Shortest path evaluation
- H04L45/125—Shortest path evaluation based on throughput or bandwidth
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例公开了数据传输路径选择方法以及对应的系统、设备和存储介质。该方法包括根据通信端口对应电力业务交互数据的转发流量确定电力业务交互数据传输过程中链路的当前时刻带宽占用率;根据当前时刻带宽占用率和图卷积神经网络预测模型确定下一时刻带宽占用率;确定各链路在传输电力业务交互数据的传输时延,并根据三角模融合算子将传输时延、当前时刻带宽占用率以及下一时刻带宽占用率进行融合得到路径选择度;根据路径选择度确定链路传输路径等级,并根据链路传输路径等级选择最优传输路径。本发明实施例,通过上述技术方案,能够实现多台区间多互动需求下路由动态分片,最大限度提高各种电力业务传输要求,达到台区场景下数据最优速率传输。
Description
技术领域
本发明涉及电力物联网通信技术领域,尤其涉及一种数据传输路径选择方法以及对应的系统、设备和存储介质。
背景技术
随着台区分布式新能源规模增加,呈现台区柔性互联发展趋势,传统依托于集中式云平台的处理方式实时性差,源网荷储数据直接上送到云端,缺乏台区自治就地数据分析处理能力,难以为快速消纳提供技术支撑;另一方面,接入的精准感知设备产生大量数据,采集频度由分钟级变为秒级,数据流倍增,在没有足够算力的支持下,难以为新能源消纳微应用业务提供快速的响应机制。迫切需要扩展边缘算力资源,优化调度边缘资源,破解边缘台区分布式新能源消纳微应用业务高效运行的问题。现有物联体系,存在边缘算力资源有限的问题,难以满足单台区以及多台区间互动的快速响应需求。迫切需要立足于现有物联体系,扩展面向台区分布式新能源消纳的边缘物联架构,以支撑台区自治、多台区间柔性互联、群调群控等新型电力系统的业务发展,且对于台区分布式新能源消纳的边缘物联架构的不同场景下,如何进行数据最优路径选择,以基于业务数据动态的选择最优路径,实现台区场景下数据最优速率传输也是亟需解决的问题。
发明内容
有鉴于此,本发明提供一种数据传输路径选择方法以及对应的系统、设备和存储介质,能够实现多台区间多互动需求下的路由动态分片,最大限度提高各种电力业务的传输要求,达到台区场景下数据最优速率传输。
根据本发明的一方面,本发明实施例提供了一种数据传输路径选择方法,该方法包括:
根据通信端口对应电力业务交互数据的转发流量确定所述电力业务交互数据传输过程中各个链路的当前时刻带宽占用率;
根据所述当前时刻带宽占用率和预先训练的图卷积神经网络预测模型确定下一时刻带宽占用率;
确定各所述链路在传输所述电力业务交互数据的传输时延,并根据预设三角模融合算子将所述传输时延、所述当前时刻带宽占用率以及所述下一时刻带宽占用率进行融合以得到路径选择度;
根据所述路径选择度确定链路传输路径等级,并根据所述链路传输路径等级选择最优传输路径
根据本发明的另一方面,本发明实施例还提供了一种分布式台区边缘物联架构系统,应用于数据传输路径选择方法,所述系统,包括:
物联管理平台、单台区融合终端架构、单台区融合终端与边缘物联一体化平台架构、以及至少两个台区融合终端与边缘物联一体化平台架构;
其中,所述单台区融合终端架构包括:第一台区融合终端和第一交换设备;所述单台区融合终端与边缘物联一体化平台架构包括:第二台区融合终端、第一边缘物联一体化平台以及第二交换设备;所述至少两个台区融合终端与边缘物联一体化平台架构包括:至少两个第三台区融合终端、第二边缘物联一体化平台以及第三交换设备;
其中,所述第一台区融合终端分别与所述物联管理平台和所述第一交换设备连接;
所述第二台区融合终端接入第一台区边缘物联一体化平台;所述第二交换设备通过本地网络接入所述第二台区融合终端,所述第一边缘物联一体化平台接入所述物联管理平台;
各所述第三台区融合终端接入所述第二台区边缘物联一体化平台;所述第三交换设备通过本地网络接入各所述第三台区融合终端,所述第二边缘物联一体化平台接入所述物联管理平台。
根据本发明的另一方面,本发明实施例还提供了一种电子设备,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本发明任一实施例所述的数据传输路径选择方法。
根据本发明的另一方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的数据传输路径选择方法。
本发明实施例的技术方案,通过通信端口对应电力业务交互数据的转发流量确定电力业务交互数据传输过程中各个链路的当前时刻带宽占用率,根据当前时刻带宽占用率和预先训练的图卷积神经网络预测模型确定下一时刻带宽占用率,确定各链路在传输电力业务交互数据的传输时延,并根据预设三角模融合算子将传输时延、当前时刻带宽占用率以及下一时刻带宽占用率进行融合以得到路径选择度,根据路径选择度确定链路传输路径等级,并根据链路传输路径等级选择最优传输路径,能够实现多台区间多互动需求下的路由动态分片,最大限度提高各种电力业务的传输要求,达到台区场景下数据最优速率传输。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种数据传输路径选择方法的流程图;
图2为本发明一实施例提供的另一种数据传输路径选择方法的流程图;
图3为本发实施例提供的一种分布式台区边缘物联架构系统架构图;
图4为本发实施例提供的另一种分布式台区边缘物联架构系统架构图;
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在一实施例中,图1为本发明一实施例提供的一种数据传输路径选择方法的流程图,本实施例可适用于对多种台区场景下电力业务数据的最优路径选择以进行数据传输时的情况,该方法可以由分布式台区边缘物联架构系统来执行,该分布式台区边缘物联架构系统可以采用硬件和/或软件的形式实现,该分布式台区边缘物联架构系统可配置于电子设备中。
如图1所示,本实施例中的数据传输路径选择方法,应用于分布式台区边缘物联架构系统,该方法,具体步骤包括:
S110、根据通信端口对应电力业务交互数据的转发流量确定电力业务交互数据传输过程中各个链路的当前时刻带宽占用率。
其中,当前时刻带宽占用率可以理解为当前时刻链路的带宽占用率。
在一实施例中,通信端口至少包括下述之一:台区融合终端网口、边缘物联一体化平台网口、载波通道物理网口;交换设备至少包括:电能表、储能设备、光伏设备和充电桩;电力业务交互数据至少遥测数据、遥信数据和遥控数据。本实施例中,遥测数据包括电压、电流数据,遥信数据包括故障状态、开关位置、遥控数据包括分合闸信息等。台区融合终端或边缘物联一体化终端会将采集到的数据作为边缘计算的输入条件。边缘计算的功能可包括负荷预测、低压拓扑识别、可开放容量统计等。其中,台区融合终端网口可以为单台区融合终端架构中的融合终端网口;边缘物联一体化平台网口可以为单台区融合终端与边缘物联一体化平台架构中的边缘物联一体化平台网口,以及至少两个台区融合终端与边缘物联一体化平台架构中的边缘物联一体化平台网口,本实施例在此不做限制。
在本实施例中,可以基于电力业务交互数据统计通信端口对应的数据转发流量,根据数据转发流量和通信端口的网口容量阈值,以确定电力业务交互数据传输过程中各个链路的当前时刻带宽占用率,可以理解为,可以通过对台区融合终端和边缘一体化平台网口、载波通道等实际物理通道的转发流量进行统计,以得到对应网口和载波通道口与自身实际能力的对比下的带宽占用率。需要说明的是,端口转发的数据流量包括台区融合终端和边缘一体化平台网口、载波通道等实际物理通道所统计的流量资源,本实施例在此不做限制。
S120、根据当前时刻带宽占用率和预先训练的图卷积神经网络预测模型确定下一时刻带宽占用率。
其中,下一时刻带宽占用率可以理解为电力业务交互数据传输过程中各个链路的下一时刻带宽占用率,即为若当前时刻表示为t,则下一时刻可以表示为t+T。
在本实施例中,可以获取历史时刻的带宽占用率,通过历史时刻的带宽占用率和各链路对应的特征向量矩阵以及各链路之间的连接关系对应的链路邻接矩阵,输入至预先训练的图卷积神经网络预测模型中以预测各链路的下一时刻带宽占用率;在一些实施例中,也可以通过其他的预测方式以得到各链路的下一时刻带宽占用率,本实施例在此不做限制。在本实施例中,图卷积神经网络预测模的训练过程可以包括:输入电力通信网络特征向量矩阵、链路邻接关系矩阵以及带有标签的样本数据,该样本数据为历史某段时间段内的各链路的带宽占用率,随机初始化图卷积神经网络预测模型的权重值参数,对输入的电力通信网络特征向量矩阵、链路邻接关系矩阵进行归一化处理,更新参数矩阵,直至损失值达到最小,图卷积神经网络预测模型收敛,输出训练好的图卷积神经网络预测模型。
S130、确定各链路在传输电力业务交互数据的传输时延,并根据预设三角模融合算子将传输时延、当前时刻带宽占用率以及下一时刻带宽占用率进行融合以得到路径选择度。
其中,传输时延可以理解为一个站点从开始发送数据帧到数据帧发送完毕(或者是接收站点接收一个数据帧的全部时间)所需要的全部时间。
本实施例中,可以依据电力业务交互数据的传播速度、各链路对应的链路长度、链路切换时间、交换机总数以及随机抖动时延,以确定电力业务交互数据的传输时延;也可以通过网络传输时延标记技术,分时间记录数据进出网络交换机的信息,对交换机内的驻留时延进行计算并将其传输信息内,以确定业务数据的传输时延,当然,本实施例中也可以通过其他方式以确定链路中传输电力业务交互数据的传输时延,本实施例在此不做限制。
在本实施例中,路径选择度可以理解为源节点和目标节点之间的多个传输路径选择度,需要说明的是,该路径选择度包括多个最小值,可以将最小的路径选择度作为最优路径,将次最小的路径选择度作为备用路径。本实施例中,可以通过分别对传输时延、当前时刻带宽占用率以及下一时刻带宽占用率建立目标函数,形成多目标函数,在此基础上,结合预设三角模融合算子将多目标函数进行融合以得到融合目标函数的最小值,并将最小值作为路径选择度;当然,最小值包括源节点和目标节点之间的至少两个传输路径分别对应的最小值,可以对路径选择度中的多个最小值路径进行划分等级;在一些实施例中,也可以利用图注意力神经网络构建预测模型对下一时刻网络节点间连接关系进行预测,得到下一时刻全局网络拓扑,并结合链路传输时延、链路丢包率和链路带宽占用率三个指标,对链路质量进行评估以划分为多个路径等级。
S140、根据路径选择度确定链路传输路径等级,并根据链路传输路径等级选择最优传输路径。
其中,链路传输路径等级可以包括但不限于链路无拥塞、正常负荷、链路拥塞大于第一阈值、链路拥塞大于第二阈值、链路拥塞大于第三阈值;其中,第一阈值小于第二阈值,第二阈值小于第三阈值;示例性的,链路拥塞大于第一阈值为可能出现链路堵塞;链路拥塞大于第二阈值表示为链路拥塞程度一般;链路拥塞大于第三阈值表示为链路拥塞严重,本实施例在此不做限制。
在本实施例中,通过将路径选择度输入图卷积神经网络预测模型中得到各个链路对应的路径状态矩阵,并由路径状态矩阵确定链路传输路径等级,依据链路传输路径等级和预设网口资源条件选择最优传输路径以进行电力业务数据传输;在一些实施例中,也可以通过对链路质量进行评估,根据评估结果选择最佳的传输路径,本实施例中也可以通过其他方式以选择最优传输路径以进行电力业务数据传输,本实施例在此不做限制。
本发明实施例的技术方案,通过通信端口对应电力业务交互数据的转发流量确定电力业务交互数据传输过程中各个链路的当前时刻带宽占用率,根据当前时刻带宽占用率和预先训练的图卷积神经网络预测模型确定下一时刻带宽占用率,确定各链路在传输电力业务交互数据的传输时延,并根据预设三角模融合算子将传输时延、当前时刻带宽占用率以及下一时刻带宽占用率进行融合以得到路径选择度,根据路径选择度确定链路传输路径等级,并根据链路传输路径等级选择最优传输路径,能够实现多台区间多互动需求下的路由动态分片,最大限度提高各种电力业务的传输要求,达到台区场景下数据最优速率传输。
在一实施例中,图2为本发明一实施例提供的另一种数据传输路径选择方法的流程图,本实施例在上述各实施例的基础上,对根据通信端口对应电力业务交互数据的转发流量确定电力业务交互数据传输过程中各个链路的当前时刻带宽占用率;根据当前时刻带宽占用率和预先训练的图卷积神经网络预测模型确定下一时刻带宽占用率;确定各链路在传输电力业务交互数据的传输时延,并根据预设三角模融合算子将所传输时延、当前时刻带宽占用率以及下一时刻带宽占用率进行融合以得到路径选择度;根据路径选择度确定链路传输路径等级,并根据链路传输路径等级选择最优传输路径进行了进一步的细化。
如图2所示,本实施例中的数据传输路径选择方法,具体可以包含如下步骤:
S210、采集与每个通信端口对应交换设备的电力业务交互数据。
在本实施例中,交换设备包含电能表、储能、光伏和充电桩。交换设备参数可以包括但不限于交换设备型号、设备容量等信息,可以采集与台区融合终端网口、边缘物联一体化平台网口、载波通道物理网口对应交换设备的电力业务交互数据。
S220、依据电力业务交互数据统计通信端口对应的数据转发流量。
在本实施例中,可以通过电力业务交换数据实时或定时统计每个通信端口转发的数据流量,各通信端口转发的数据流量可以包括但不限于台区融合终端和边缘一体化平台网口、载波通道等实际物理通道所统计的流量资源。
S230、依据数据转发流量和通信端口的网口容量阈值确定电力业务交互数据传输过程中各个链路的当前时刻带宽占用率。
其中,网口容量阈值可以理解为各通信端口自身的容量限值。
在本实施例中,依据数据转发流量和通信端口的网口容量阈值确定电力业务交互数据传输过程中各个链路的当前时刻带宽占用率,可以理解为,可以根据台区融合终端和边缘一体化平台网口、载波通道等实际物理通道的流量进行统计,得到对应网口和载波通道口与自身实际能力的对比下的带宽占用率。
S240、将所述下一时刻带宽占用率的预测问题转化为基于所述图卷积神经网络预测模型的实时链路节点分类问题,并获取电力业务交互数据对应的链路数以及各链路之间的连接关系,针对每一个链路,确定各链路对应的特征向量矩阵。
在本实施例中,统计电力业务交互数据对应的链路数以及各链路之间的连接关系,针对每一个链路,确定各链路对应的特征向量矩阵。
S250、将各链路之间的连接关系形成链路邻接矩阵,并归一化处理链路邻接矩阵。
在本实施例中,依据各链路之间的连接关系形成链路邻接矩阵,为了避免链路邻接矩阵和特征矩阵内积相乘改变特征原本的分布,需要对链路邻接矩阵进行归一化处理。
S260、将特征向量矩阵和归一化处理后的链路邻接矩阵输入至预先训练的图卷积神经网络预测模型中得到各链路的下一时刻带宽占用率。
在本实施例中,将特征向量矩阵和归一化处理后的链路邻接矩阵输入至预先训练的图卷积神经网络预测模型中,可以预测各链路的下一时刻带宽占用率。
S270、依据电力业务交互数据的传播速度、各链路对应的链路长度、链路切换时间、交换机总数以及随机抖动时延确定电力业务交互数据的传输时延。
在本实施例中,可以依据电力业务交互数据的传播速度、各链路对应的链路长度、链路切换时间、交换机总数以及随机抖动时延确定电力业务交互数据的传输时延。
S280、遍历寻找源节点和目标节点之间的路径形成路径集。
在本实施例中,遍历寻找源节点和目标节点之间的路径,将多个路径形成路径集。
S290、基于路径集分别对传输时延、当前时刻带宽占用率以及下一时刻带宽占用率建立目标函数,形成多目标函数。
在本实施例中,针对路径集中的每个路径,分别对传输时延、当前时刻带宽占用率以及下一时刻带宽占用率建立目标函数,形成多目标函数。在一实施例中,当前时刻带宽占用率的目标函数,用公式表示为:CBn=max[μj(t)],其中,max[μj(t)]表示为所述路径集中的t时刻链路lj的最大带宽占用,μj(t)为t时刻链路lj的带宽占用,lj为路径Rn经过的链路;n代表链路号,j表示路径号;
在一实施例中,下一时刻带宽占用率的目标函数,用公式表示为:PSn=max[sj(t+T)],其中,max[sj(t+T)]表示为路径集中t+T时刻链路lj的最大带宽占用,sj(t+T)表示为t+T时刻链路lj的带宽占用;电力业务交互数据的传输时延的目标函数,用公式表示为: 其中,Tn表示为电力业务交互数据经过路径Rn的传输时延,dj为链路lj长度;vdata为信息传播速度;Tswitch为socket链路切换时间切换时延;m为路径Rn中的交换机总数;Tjitter为随机抖动时延。
S2100、依据预设三角模融合算子将多目标函数转化为单一目标函数;其中,单一目标函数中包括传输时延、当前时刻带宽占用率以及下一时刻带宽占用率中任意两个参数。
在本实施例中,依据预设三角模融合算子将多目标函数转化为单一目标函数;其中,单一目标函数中包括传输时延、当前时刻带宽占用率以及下一时刻带宽占用率中任意两个参数。在一实施例中,预设三角模融合算子用公式表示为:其中,Y(x1,x2)表示为预设三角模融合模算子;x1,x2为所述传输时延、当前时刻带宽占用率以及下一时刻带宽占用率中任意两个参数,任意两个参数的取值介于[0-1]之间。
S2110、求解预设三角模融合算子和单一目标函数所形成单融合目标函数的最小值,并将最小值作为路径选择度。
其中,最小值包括源节点和目标节点之间的至少两个传输路径分别对应的最小值。
在本实施例中,求解预设三角模融合算子和单一目标函数所形成单融合目标函数的最小值,并将最小值作为路径选择度。在一实施例中,路径选择度,用公式表示为:其中,/>和/>分别表示为进行归一化处理后的当前时刻带宽占用率、下一时刻带宽占用率以及传输时延,归一化处理后的当前时刻带宽占用率、下一时刻带宽占用率以及传输时延分别对应的取值介于[0.5-1]之间。需要说明的是,Q最小值有多个,选择路径中交换最少的路径,当交换机数也相同时,则优先使用较低频率的路径,这样,可以选择最优的路径,在交换机数量固定的情况下,使用频率较低的路径进行数据传输。可负载均衡各个物理口下的链路。
S2120、将路径选择度输入预先训练的图卷积神经网络预测模型中得到对应的路径状态矩阵,并由所述路径状态矩阵确定链路传输路径等级。
在本实施例中,将路径选择度输入图卷积神经网络预测模型中得到对应的路径状态矩阵,并由所述路径状态矩阵确定链路传输路径等级,可以理解为,将计算所得的路径选择度通过神经网络形成矩阵,并将矩阵中的路径状态通过链路无拥塞、正常负荷、可能拥塞、一般拥塞、严重拥塞进行表示,形成可直观选择的矩阵路径。其中,链路传输路径等级至少包括:链路无拥塞、正常负荷、链路拥塞大于第一阈值、链路拥塞大于第二阈值、链路拥塞大于第三阈值;其中,第一阈值小于第二阈值,第二阈值小于所述第三阈值。
在本实施例中,通过图卷积神经网络预测模型中的softmax激活函数得到特征向量矩阵和邻接关系矩阵对应的路径状态矩阵,并由路径状态矩阵确定链路传输路径等级,可以理解为,通过ReLU激活函数对第一层添加Dropout中间层高,在神经网络的第二层中,使用softmax激活函数来获得随机矩阵,得到模型的图形输出级:链路无拥塞、正常负荷、可能拥塞、一般拥塞、严重拥塞。
S2130、依据链路传输路径等级和预设网口资源条件选择最优传输路径以进行电力业务数据传输。
在本实施例中,依据链路传输路径等级和预设网口资源条件选择最优传输路径以进行电力业务数据传输。其中,预设网口资源条件至少包括:网口使用状态情况和资源占用情况。可以理解为,预设网口资源条件可以包括但不限于网口是否使用,以及资源是否被占用。
本发明实施例的技术方案,通过采集与每个通信端口对应交换设备的电力业务交互数据,依据电力业务交互数据统计所述通信端口对应的数据转发流量,依据数据转发流量和通信端口的网口容量阈值确定电力业务交互数据传输过程中各个链路的当前时刻带宽占用率;将特征向量矩阵和归一化处理后的链路邻接矩阵输入至预先训练的图卷积神经网络预测模型中得到各链路的下一时刻带宽占用率,遍历寻找源节点和目标节点之间的路径形成路径集;基于路径集分别对所述传输时延、当前时刻带宽占用率以及下一时刻带宽占用率建立目标函数,形成多目标函数;依据预设三角模融合算子将多目标函数转化为单一目标函数,求解预设三角模融合算子和单一目标函数所形成单融合目标函数的最小值,并将最小值作为路径选择度,根据路径选择度确定链路传输路径等级,并根据链路传输路径等级选择最优传输路径,进一步能够实现多台区间多互动需求下的路由动态分片,最大限度提高各种电力业务的传输要求,达到台区场景下数据最优速率传输。
在一实施例中,图3为本发实施例提供的一种分布式台区边缘物联架构系统架构图,如图3所示,该分布式台区边缘物联架构系统包括:物联管理平台310、单台区融合终端架构320、单台区融合终端与边缘物联一体化平台架构330、以及至少两个台区融合终端与边缘物联一体化平台架构340;
其中,所述单台区融合终端架构320包括:第一台区融合终端和第一交换设备;所述单台区融合终端与边缘物联一体化平台架构330包括:第二台区融合终端、第一边缘物联一体化平台以及第二交换设备;所述至少两个台区融合终端与边缘物联一体化平台架构340包括:至少两个第三台区融合终端、第二边缘物联一体化平台以及第三交换设备;
其中,所述第一台区融合终端分别与所述物联管理平台310和所述第一交换设备连接;
所述第二台区融合终端接入第一台区边缘物联一体化平台;所述第二交换设备通过本地网络接入所述第二台区融合终端,所述第一边缘物联一体化平台接入所述物联管理平310台;
各所述第三台区融合终端接入所述第二台区边缘物联一体化平台;所述第三交换设备通过本地网络接入各所述第三台区融合终端,所述第二边缘物联一体化平台接入所述物联管理平台310。
在一实施例中,为便于更好的理解分布式台区边缘物联架构系统架,图4为本发实施例提供的另一种分布式台区边缘物联架构系统架构图本实施例以单台区融合终端边缘物联架构420、单台区融合终端融合边缘物联一体化平台物联架构440以及多台区融合终端融合边缘物联一体化平台物联架构430三种场景下的架构进行相应的说明,本实施例中,可以根据配电台区数据采集量、边缘计算需求以及是否涉及台区互济等现场业务特征,提出以下三种可选架构:
1)单台区融合终端架构420:台区融合终端通过本地网络连接新能源设备,融合终端对上接入物联管理平台410。采集数据量小、边缘计算需求弱场景下采用该架构。
2)单台区融合终端+边缘物联一体化平台架构440:单台区融合终端对上接入台区边缘物联一体化平台,新能源设备通过本地网络接入台区融合终端,边缘物联一体化平台对上接入物联管理平台410。数据采集量变多、边缘计算需求强且不涉及多台区互济场景使用该架构,增量台区可由边缘物联一体化平台直接取代融合终端。
3)多台区融合终端+边缘物联一体化平台架构430:多台区融合终端对上统一接入台区边缘物联一体化平台,新能源设备通过本地网络接入各台区的融合终端,边缘物联一体化平台对上接入物联管理平台410。数据采集量变多、边缘计算需求强且涉及多台区互济场景使用该架构。面向采集数据量小、边缘计算需求弱场景,提出单台区融合终端边缘物联架构。
在本实施例中,面向数据采集量变多、边缘计算需求强且不涉及多台区互济场景,提出单台区融合终端融合边缘物联一体化平台物联架构。面向数据采集量变多、边缘计算需求强且涉及多台区互济场景,提出多台区融合终端融合边缘物联一体化平台物联架构。
在本实施例中,在边缘软硬件资源受限情况下,为提高边端设备交互效率和可靠性,动态分配链路资源,设计最小路径选择度的路由优化策略,通过链路带宽占用预测模型的预测结果与三角模算子相结合,实现多台区间多互动需求下的路由动态分片,最大限度提高各种电力业务的传输要求。
在一实施例中,图5为本发明实施例提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如数据传输路径选择方法。
在一些实施例中,数据传输路径选择处理方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的数据传输路径选择方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行数据传输路径选择方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据传输路径选择装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种数据传输路径选择方法,其特征在于,包括:
根据通信端口对应电力业务交互数据的转发流量确定所述电力业务交互数据传输过程中各个链路的当前时刻带宽占用率;
根据所述当前时刻带宽占用率和预先训练的图卷积神经网络预测模型确定下一时刻带宽占用率;
确定各所述链路在传输所述电力业务交互数据的传输时延,并根据预设三角模融合算子将所述传输时延、所述当前时刻带宽占用率以及所述下一时刻带宽占用率进行融合以得到路径选择度;
根据所述路径选择度确定链路传输路径等级,并根据所述链路传输路径等级选择最优传输路径。
2.根据权利要求1所述的方法,其特征在于,所述通信端口至少包括下述之一:台区融合终端网口、边缘物联一体化平台网口、载波通道物理网口;所述交换设备至少包括:电能表、储能设备、光伏设备和充电桩;所述电力业务交互数据至少遥测数据、遥信数据和遥控数据。
3.根据权利要求1所述的方法,其特征在于,所述根据通信端口对应电力业务交互数据的转发流量确定所述电力业务交互数据传输过程中各个链路的当前时刻带宽占用率,进一步包括:
采集与每个通信端口对应交换设备的电力业务交互数据;
依据所述电力业务交互数据统计所述通信端口对应的数据转发流量;
依据所述数据转发流量和所述通信端口的网口容量阈值确定所述电力业务交互数据传输过程中各个链路的当前时刻带宽占用率。
4.根据权利要求1所述的方法,其特征在于,所述根据所述当前时刻带宽占用率和预先训练的图卷积神经网络预测模型确定下一时刻带宽占用率,进一步包括:
将所述下一时刻带宽占用率的预测问题转化为基于所述图卷积神经网络预测模型的实时链路节点分类问题,并获取所述电力业务交互数据对应的链路数以及各链路之间的连接关系;
针对每一个链路,确定各所述链路对应的特征向量矩阵;
将各所述链路之间的连接关系形成链路邻接矩阵,并归一化处理所述链路邻接矩阵;
将所述特征向量矩阵和归一化处理后的链路邻接矩阵输入至所述预先训练的图卷积神经网络预测模型中得到各所述链路的下一时刻带宽占用率。
5.根据权利要求1所述的方法,其特征在于,确定各所述链路在传输所述电力业务交互数据的传输时延,进一步包括:
依据所述电力业务交互数据的传播速度、各所述链路对应的链路长度、链路切换时间、交换机总数以及随机抖动时延确定所述电力业务交互数据的传输时延。
6.根据权利要求1所述的方法,其特征在于,所述根据预设三角模融合算子将所述传输时延、所述当前时刻带宽占用率以及所述下一时刻带宽占用率进行融合以得到路径选择度,进一步包括:
遍历寻找源节点和目标节点之间的路径形成路径集;
基于所述路径集分别对所述传输时延、所述当前时刻带宽占用率以及所述下一时刻带宽占用率建立目标函数,形成多目标函数;
依据所述预设三角模融合算子将所述多目标函数转化为单一目标函数;其中,所述单一目标函数中包括所述传输时延、所述当前时刻带宽占用率以及所述下一时刻带宽占用率中任意两个参数;
求解所述预设三角模融合算子和所述单一目标函数所形成单融合目标函数的最小值,并将所述最小值作为所述路径选择度;其中,所述最小值包括源节点和目标节点之间的至少两个传输路径分别对应的最小值。
7.根据权利要求6所述的方法,其特征在于,所述当前时刻带宽占用率的目标函数,用公式表示为:CBn=max[μj(t)],其中,max[μj(t)]表示为所述路径集中的t时刻链路lj的最大带宽占用,μj(t)为t时刻链路lj的带宽占用,lj为路径Rn经过的链路;n代表链路号,j表示路径号;
所述下一时刻带宽占用率的目标函数,用公式表示为:PSn=max[sj(t+T)],其中,max[sj(t+T)]表示为所述路径集中t+T时刻链路lj的最大带宽占用,sj(t+T)表示为t+T时刻链路lj的带宽占用;
所述电力业务交互数据的传输时延的目标函数,用公式表示为:其中,Tn表示为所述电力业务交互数据经过路径Rn的传输时延,dj为链路lj长度;vdata为信息传播速度;Tswitch为socket链路切换时间切换时延;m为路径Rn中的交换机总数;Tjitter为随机抖动时延。
8.根据权利要求6所述的方法,其特征在于,所述预设三角模融合算子用公式表示为:其中,Y(x1,x2)表示为预设三角模融合模算子;x1,x2为所述传输时延、所述当前时刻带宽占用率以及所述下一时刻带宽占用率中任意两个参数,所述任意两个参数的取值介于[0-1]之间;
所述路径选择度,用公式表示为:其中,/>和/>分别表示为进行归一化处理后的当前时刻带宽占用率、下一时刻带宽占用率以及传输时延,所述归一化处理后的当前时刻带宽占用率、下一时刻带宽占用率以及传输时延分别对应的取值介于[0.5-1]之间。
9.根据权利要求1所述的方法,其特征在于,所述根据所述路径选择度确定链路传输路径等级,并根据所述链路传输路径等级选择最优传输路径,包括:
将所述路径选择度输入预先训练的图卷积神经网络预测模型中得到对应的路径状态矩阵,并由所述路径状态矩阵确定链路传输路径等级;其中,所述链路传输路径等级至少包括:链路无拥塞、正常负荷、链路拥塞大于第一阈值、所述链路拥塞大于第二阈值、所述链路拥塞大于第三阈值;其中,所述第一阈值小于所述第二阈值,所述第二阈值小于所述第三阈值;
依据所述链路传输路径等级和预设网口资源条件选择最优传输路径以进行电力业务数据传输,其中,所述预设网口资源条件至少包括:网口使用状态情况和资源占用情况。
10.一种分布式台区边缘物联架构系统,所述系统,包括:物联管理平台、单台区融合终端架构、单台区融合终端与边缘物联一体化平台架构、以及至少两个台区融合终端与边缘物联一体化平台架构;
其中,所述单台区融合终端架构包括:第一台区融合终端和第一交换设备;所述单台区融合终端与边缘物联一体化平台架构包括:第二台区融合终端、第一边缘物联一体化平台以及第二交换设备;所述至少两个台区融合终端与边缘物联一体化平台架构包括:至少两个第三台区融合终端、第二边缘物联一体化平台以及第三交换设备;
其中,所述第一台区融合终端分别与所述物联管理平台和所述第一交换设备连接;
所述第二台区融合终端接入第一台区边缘物联一体化平台;所述第二交换设备通过本地网络接入所述第二台区融合终端,所述第一边缘物联一体化平台接入所述物联管理平台;
各所述第三台区融合终端接入所述第二台区边缘物联一体化平台;所述第三交换设备通过本地网络接入各所述第三台区融合终端,所述第二边缘物联一体化平台接入所述物联管理平台。
11.一种电子设备,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权利要求1-9中任一项所述的数据传输路径选择方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-9中任一项所述的数据传输路径选择方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311229716.4A CN117294638A (zh) | 2023-09-21 | 2023-09-21 | 数据传输路径选择方法以及对应的系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311229716.4A CN117294638A (zh) | 2023-09-21 | 2023-09-21 | 数据传输路径选择方法以及对应的系统、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117294638A true CN117294638A (zh) | 2023-12-26 |
Family
ID=89247358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311229716.4A Pending CN117294638A (zh) | 2023-09-21 | 2023-09-21 | 数据传输路径选择方法以及对应的系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117294638A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117528698A (zh) * | 2024-01-08 | 2024-02-06 | 南京海汇装备科技有限公司 | 一种基于数据链的高速数据传输系统及方法 |
-
2023
- 2023-09-21 CN CN202311229716.4A patent/CN117294638A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117528698A (zh) * | 2024-01-08 | 2024-02-06 | 南京海汇装备科技有限公司 | 一种基于数据链的高速数据传输系统及方法 |
CN117528698B (zh) * | 2024-01-08 | 2024-03-19 | 南京海汇装备科技有限公司 | 一种基于数据链的高速数据传输系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaur et al. | Edge computing in the industrial internet of things environment: Software-defined-networks-based edge-cloud interplay | |
CN108092791B (zh) | 网络控制方法、装置及系统 | |
CN109831386B (zh) | 一种sdn下基于机器学习的最优路径选择算法 | |
CN107579922B (zh) | 网络负载均衡装置和方法 | |
CN110557732B (zh) | 一种车辆边缘计算网络任务卸载负载均衡系统及均衡方法 | |
CN103200125B (zh) | 电力数据网节点拥塞规避方法和系统 | |
CN109831320B (zh) | 一种辅助流量预测控制方法、存储介质和电子设备 | |
Sun et al. | A QoS-guaranteed intelligent routing mechanism in software-defined networks | |
CN104410582A (zh) | 一种基于流量预测的电力通信网流量均衡方法 | |
CN105050132B (zh) | 小区极值吞吐量的估计方法 | |
CN117294638A (zh) | 数据传输路径选择方法以及对应的系统、设备和存储介质 | |
Chen et al. | Minimizing age-of-information for fog computing-supported vehicular networks with deep Q-learning | |
CN108901058A (zh) | 一种物联网节点接入通道优化选择方法 | |
CN115794407A (zh) | 计算资源分配方法、装置、电子设备及非易失性存储介质 | |
CN115665227B (zh) | 一种普适的异构融合算网资源智慧适配网络架构及方法 | |
CN109088755A (zh) | 一种边缘计算下的复杂事件处理系统部署方法 | |
CN115766884A (zh) | 计算任务处理方法、装置、设备及介质 | |
CN115632939A (zh) | 一种实现算力网络多目标达成的自动选网选路的方法 | |
CN117478518A (zh) | 一种图卷积神经网络辅助的大数据存储转发调度方法 | |
Hongvanthong | Novel four-layered software defined 5g architecture for ai-based load balancing and qos provisioning | |
CN101958843A (zh) | 基于流量分析和节点信任度的智能路由选择方法 | |
CN115695280A (zh) | 基于边缘节点的路由方法及装置、电子设备、存储介质 | |
CN115277504A (zh) | 一种网络流量监控方法、装置和系统 | |
CN114035906A (zh) | 虚拟机迁移方法、装置、电子设备及存储介质 | |
CN117729606B (zh) | 一种电网路由确定方法、装置、电子设备和存储介质 |
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 |