CN117319223A - 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 - Google Patents
一种基于数字孪生技术的领导驾驶舱可视化方法及系统 Download PDFInfo
- Publication number
- CN117319223A CN117319223A CN202311362310.3A CN202311362310A CN117319223A CN 117319223 A CN117319223 A CN 117319223A CN 202311362310 A CN202311362310 A CN 202311362310A CN 117319223 A CN117319223 A CN 117319223A
- Authority
- CN
- China
- Prior art keywords
- network equipment
- bandwidth utilization
- sequence
- time sequence
- feature
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 46
- 238000007794 visualization technique Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012800 visualization Methods 0.000 claims abstract description 26
- 230000000007 visual effect Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 275
- 230000004927 fusion Effects 0.000 claims description 102
- 230000003993 interaction Effects 0.000 claims description 76
- 238000011176 pooling Methods 0.000 claims description 21
- 230000002452 interceptive effect Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 15
- 238000012549 training Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
- H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0894—Packet rate
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Mining & Analysis (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种基于数字孪生技术的领导驾驶舱可视化方法及系统,其通过数字孪生技术来模拟政府平台所使用的网络设备环境,并将其呈现在领导驾驶舱的可视化平台上。也就是,通过数字孪生模型实时监测采集网络设备流量和网络设备带宽利用率,并在后端引入数据处理和分析算法来进行网络设备流量和网络设备带宽利用率的时序协同分析,以此来进行网络设备运行状态的检测,并生成领导驾驶舱的虚拟场景。这样,能够实现虚拟空间的可视化体验,从而提供更丰富、直观、实时的信息展示和操作方式,增强使用人员对网络设备运行状态的了解和控制能力,以提高网络设备的安全性和效率。
Description
技术领域
本申请涉及数字孪生领域,且更为具体地,涉及一种基于数字孪生技术的领导驾驶舱可视化方法及系统。
背景技术
领导驾驶舱用来实现数据的分析展现,直观的数据总览配合层层钻取追根溯源,可以帮助决策人员发现问题调整战略,甚至还可以以监控预警模式,实时刷新监控数据,可快速发现问题并及时响应。在政府平台领域,需要利用领导驾驶舱对政府平台所使用的网络设备环境进行可视化监控。
传统的领导驾驶舱通常使用物理仪表盘和监控系统来展示网络设备的运行状态信息。然而,这些物理仪表盘和监控系统的显示屏幕有限,无法提供全面、详细的信息展示及网络设备运行状态监控,导致使用人员可能无法获取到足够的信息来做出准确的决策。并且,传统的领导驾驶舱通常受到空间限制,无法容纳更多的仪表盘和监控设备,这导致了信息展示的局限性,使用人员可能需要在有限的空间内切换不同的显示屏幕,增加了操作的复杂性和困难度。此外,传统的领导驾驶舱通常使用物理按钮、开关和操纵杆等来进行操作,这种操作方式可能不够灵活和直观,需要使用人员花费更多的时间和精力来适应和掌握操作方式。
因此,期望一种优化的领导驾驶舱可视化方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于数字孪生技术的领导驾驶舱可视化方法及系统,其通过数字孪生技术来模拟政府平台所使用的网络设备环境,并将其呈现在领导驾驶舱的可视化平台上。也就是,通过数字孪生模型实时监测采集网络设备流量和网络设备带宽利用率,并在后端引入数据处理和分析算法来进行网络设备流量和网络设备带宽利用率的时序协同分析,以此来进行网络设备运行状态的检测,并生成领导驾驶舱的虚拟场景。这样,能够实现虚拟空间的可视化体验,从而提供更丰富、直观、实时的信息展示和操作方式,增强使用人员对网络设备运行状态的了解和控制能力,以提高网络设备的安全性和效率。
根据本申请的一个方面,提供了一种基于数字孪生技术的领导驾驶舱可视化方法,其包括:
通过数字孪生模型获取预定时间段内多个预定时间点的网络设备流量和网络设备带宽利用率;
将所述多个预定时间点的网络设备流量和网络设备带宽利用率分别按照时间维度排列为网络设备流量时序输入向量和网络设备带宽利用率时序输入向量;
分别对所述网络设备流量时序输入向量和所述网络设备带宽利用率时序输入向量进行局部时序特征分析以得到网络设备流量局部时序特征向量的序列和网络设备带宽利用率局部时序特征向量的序列;
对所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列进行序列间特征交互融合以得到网络设备流量-网络设备带宽利用率交互融合特征;
基于所述网络设备流量-网络设备带宽利用率交互融合特征,确定网络设备运行状态是否正常,并生成领导驾驶舱的虚拟场景;以及
将所述领导驾驶舱的虚拟场景通过三维投影仪呈现在领导驾驶舱的可视化平台上。
根据本申请的另一个方面,提供了一种基于数字孪生技术的领导驾驶舱可视化系统,其包括:
数据采集模块,用于通过数字孪生模型获取预定时间段内多个预定时间点的网络设备流量和网络设备带宽利用率;
排列模块,用于将所述多个预定时间点的网络设备流量和网络设备带宽利用率分别按照时间维度排列为网络设备流量时序输入向量和网络设备带宽利用率时序输入向量;
局部时序特征分析模块,用于分别对所述网络设备流量时序输入向量和所述网络设备带宽利用率时序输入向量进行局部时序特征分析以得到网络设备流量局部时序特征向量的序列和网络设备带宽利用率局部时序特征向量的序列;
特征交互融合模块,用于对所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列进行序列间特征交互融合以得到网络设备流量-网络设备带宽利用率交互融合特征;
状态生成模块,用于基于所述网络设备流量-网络设备带宽利用率交互融合特征,确定网络设备运行状态是否正常,并生成领导驾驶舱的虚拟场景;以及
虚拟场景可视化模块,用于将所述领导驾驶舱的虚拟场景通过三维投影仪呈现在领导驾驶舱的可视化平台上。
与现有技术相比,本申请提供的一种基于数字孪生技术的领导驾驶舱可视化方法及系统,其通过数字孪生技术来模拟政府平台所使用的网络设备环境,并将其呈现在领导驾驶舱的可视化平台上。也就是,通过数字孪生模型实时监测采集网络设备流量和网络设备带宽利用率,并在后端引入数据处理和分析算法来进行网络设备流量和网络设备带宽利用率的时序协同分析,以此来进行网络设备运行状态的检测,并生成领导驾驶舱的虚拟场景。这样,能够实现虚拟空间的可视化体验,从而提供更丰富、直观、实时的信息展示和操作方式,增强使用人员对网络设备运行状态的了解和控制能力,以提高网络设备的安全性和效率。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于数字孪生技术的领导驾驶舱可视化方法的流程图;
图2为根据本申请实施例的基于数字孪生技术的领导驾驶舱可视化方法的系统架构图;
图3为根据本申请实施例的基于数字孪生技术的领导驾驶舱可视化方法的子步骤S3的流程图;
图4为根据本申请实施例的基于数字孪生技术的领导驾驶舱可视化方法的子步骤S5的流程图;
图5为根据本申请实施例的基于数字孪生技术的领导驾驶舱可视化方法的子步骤S51的流程图;
图6为根据本申请实施例的基于数字孪生技术的领导驾驶舱可视化方法的子步骤S511的流程图;
图7为根据本申请实施例的基于数字孪生技术的领导驾驶舱可视化系统的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
随着数字化技术的快速发展,数字孪生技术在各个领域得到了广泛应用。数字孪生是指通过数字模型对真实物理实体进行仿真和建模,以实现对其性能、行为和状态的监测、分析和优化。在政府平台领域,数字孪生技术可以模拟政府平台所使用的网络设备环境,并通过虚拟现实设备实现可视化体验,提供全方位、实时的监控和掌控能力,提高网络设备的安全性、效率和可靠性。基于此,本申请的技术构思为通过数字孪生技术来模拟政府平台所使用的网络设备环境,并将其呈现在领导驾驶舱的可视化平台上。也就是说,通过数字孪生模型实时监测采集网络设备流量和网络设备带宽利用率,并在后端引入数据处理和分析算法来进行网络设备流量和网络设备带宽利用率的时序协同分析,以此来进行网络设备运行状态的检测,并生成领导驾驶舱的虚拟场景。通过这样的方式,能够基于检测信息并通过数字孪生技术映射出一个领导驾驶舱的虚拟空间,同时通过三维投影仪将该虚拟空间呈现在领导驾驶舱的可视化平台上,以实现虚拟空间的可视化体验,从而提供更丰富、直观、实时的信息展示和操作方式,增强使用人员对网络设备运行状态的了解和控制能力,以提高网络设备的安全性和效率。
在本申请的技术方案中,提出了一种基于数字孪生技术的领导驾驶舱可视化方法。图1为根据本申请实施例的基于数字孪生技术的领导驾驶舱可视化方法的流程图。图2为根据本申请实施例的基于数字孪生技术的领导驾驶舱可视化方法的系统架构图。如图1和图2所示,根据本申请的实施例的基于数字孪生技术的领导驾驶舱可视化方法,包括步骤:S1,通过数字孪生模型获取预定时间段内多个预定时间点的网络设备流量和网络设备带宽利用率;S2,将所述多个预定时间点的网络设备流量和网络设备带宽利用率分别按照时间维度排列为网络设备流量时序输入向量和网络设备带宽利用率时序输入向量;S3,分别对所述网络设备流量时序输入向量和所述网络设备带宽利用率时序输入向量进行局部时序特征分析以得到网络设备流量局部时序特征向量的序列和网络设备带宽利用率局部时序特征向量的序列;S4,对所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列进行序列间特征交互融合以得到网络设备流量-网络设备带宽利用率交互融合特征;S5,基于所述网络设备流量-网络设备带宽利用率交互融合特征,确定网络设备运行状态是否正常,并生成领导驾驶舱的虚拟场景;以及,S6,将所述领导驾驶舱的虚拟场景通过三维投影仪呈现在领导驾驶舱的可视化平台上。
特别地,所述S1,通过数字孪生模型获取预定时间段内多个预定时间点的网络设备流量和网络设备带宽利用率。应可以理解,数字孪生模型是一种将实际物理系统与其数字表示相结合的模型,可以用于模拟和预测物理系统的行为。
特别地,所述S2,将所述多个预定时间点的网络设备流量和网络设备带宽利用率分别按照时间维度排列为网络设备流量时序输入向量和网络设备带宽利用率时序输入向量。考虑到由于所述网络设备流量和所述网络设备带宽利用率在时间维度上都具有着时序的动态变化规律,也就是说,所述多个预定时间点的网络设备流量和网络设备带宽利用率分别在时间维度上都具有着时序的关联关系。因此,在本申请的技术方案中,为了能够对于所述网络设备流量和所述网络设备带宽利用率的时序变化模式和趋势进行分析和特征捕捉,在本申请的技术方案中,需要将所述多个预定时间点的网络设备流量和网络设备带宽利用率分别按照时间维度排列为网络设备流量时序输入向量和网络设备带宽利用率时序输入向量,以此来分别整合所述网络设备流量和所述网络设备带宽利用率在时序上的分布信息。
特别地,所述S3,分别对所述网络设备流量时序输入向量和所述网络设备带宽利用率时序输入向量进行局部时序特征分析以得到网络设备流量局部时序特征向量的序列和网络设备带宽利用率局部时序特征向量的序列。特别地,在本申请的一个具体示例中,如图3所示,所述S3,包括:S31,对所述网络设备流量时序输入向量和所述网络设备带宽利用率时序输入向量进行向量切分以得到网络设备流量局部时序输入向量的序列和网络设备带宽利用率局部时序输入向量的序列;以及,S32,通过基于深度神经网络模型的时序特征提取器分别对所述网络设备流量局部时序输入向量的序列和所述网络设备带宽利用率局部时序输入向量的序列进行特征提取以得到所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列。
具体地,所述S31,对所述网络设备流量时序输入向量和所述网络设备带宽利用率时序输入向量进行向量切分以得到网络设备流量局部时序输入向量的序列和网络设备带宽利用率局部时序输入向量的序列。考虑到由于所述网络设备流量和所述网络设备带宽利用率在时间维度上都存在着波动性和不确定性,导致网络设备的流量和带宽利用率在不同的时间段内可能存在不同的变化模式和趋势,例如,网络设备的流量和带宽利用率可能在不同的阶段表现出不同的时序特征。因此,为了更好地分析和理解网络设备的运行状态和性能,在本申请的技术方案中,进一步对所述网络设备流量时序输入向量和所述网络设备带宽利用率时序输入向量进行向量切分以得到网络设备流量局部时序输入向量的序列和网络设备带宽利用率局部时序输入向量的序列。通过将网络设备流量和带宽利用率的时序输入向量进行切分,可以将整个时间序列分解为多个局部时序输入向量的序列,以此来捕捉网络设备运行过程中网络设备流量和带宽利用率的局部特征和变化趋势,从而获得更详细和准确的网络设备运行状态信息。
具体地,所述S32,通过基于深度神经网络模型的时序特征提取器分别对所述网络设备流量局部时序输入向量的序列和所述网络设备带宽利用率局部时序输入向量的序列进行特征提取以得到所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列。也就是,在本申请的技术方案中,将所述网络设备流量局部时序输入向量的序列和所述网络设备带宽利用率局部时序输入向量的序列分别通过基于一维卷积层的时序特征提取器中进行特征挖掘,以分别提取出所述网络设备流量和所述网络设备带宽利用率在时间维度上不同时间段的局部时序变化特征信息,从而得到网络设备流量局部时序特征向量的序列和网络设备带宽利用率局部时序特征向量的序列。更具体地,使用所述基于一维卷积层的时序特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于一维卷积层的时序特征提取器的最后一层的输出为所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列,所述基于一维卷积层的时序特征提取器的第一层的输入为所述网络设备流量局部时序输入向量的序列和所述网络设备带宽利用率局部时序输入向量的序列。
值得注意的是,一维卷积层是卷积神经网络(Convolutional Neural Network,CNN)中的一种基本层类型,用于处理一维序列数据。它在一维输入数据上应用卷积操作,以提取特征并构建模型。一维卷积层的输入通常是一个具有多个时间步的一维序列,例如时间序列数据、文本数据或音频数据。它使用一个可学习的滤波器(也称为卷积核或内核)对输入序列进行卷积操作,计算出一系列特征映射。一维卷积操作的主要思想是通过滑动滤波器在输入序列上进行局部特征提取。滤波器的大小决定了它在输入序列上滑动的窗口大小,每次滑动一个步长。在每个位置,滤波器与输入序列的一小段进行逐元素乘积,然后求和,得到输出特征映射的一个元素。一维卷积层常与其他类型的层结合使用,例如池化层(用于减小特征图的尺寸)、激活函数层(引入非线性)和全连接层(用于分类或回归任务)。通过堆叠多个卷积层和其他层,可以构建更复杂的模型来处理一维序列数据。一维卷积层的优势在于它能够捕捉序列数据中的局部模式和特征,适用于时间序列分析、文本分类、语音识别等任务。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式分别对所述网络设备流量时序输入向量和所述网络设备带宽利用率时序输入向量进行局部时序特征分析以得到网络设备流量局部时序特征向量的序列和网络设备带宽利用率局部时序特征向量的序列,例如:确定用于提取局部时序特征的窗口大小。窗口大小决定了每个局部特征向量包含的时间步数;对网络设备流量时序输入向量进行滑动窗口操作,每次移动一个时间步长;在每个窗口内,提取网络设备流量的局部时序特征。这可以包括统计特征(如平均值、最大值、最小值、标准差等)或其他领域相关的特征;将提取的局部时序特征组合成一个特征向量,并将其添加到网络设备流量局部时序特征向量的序列中;对网络设备带宽利用率时序输入向量进行滑动窗口操作,每次移动一个时间步长;在每个窗口内,提取网络设备带宽利用率的局部时序特征,可以采用与网络设备流量类似的方法;将提取的局部时序特征组合成一个特征向量,并将其添加到网络设备带宽利用率局部时序特征向量的序列中。
特别地,所述S4,对所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列进行序列间特征交互融合以得到网络设备流量-网络设备带宽利用率交互融合特征。考虑到网络设备的流量和带宽利用率是紧密相关的,它们之间存在着隐含的时序关联关系,并且在所述各个局部时间段内有关于网络设备的流量和带宽利用率之间具有着不同的关联特征,这些网络设备流量-带宽利用率局部时序关联特征信息对于网络设备的运行状态监测和分析具有重要意义。因此,在本申请的技术方案中,进一步使用特征序列间注意力交互融合模块来对所述网络设备流量局部时序特征向量的序列和网络设备带宽利用率局部时序特征向量的序列进行处理,以此来捕捉网络设备流量的各个局部时序特征和相对应的网络设备带宽利用率局部时序特征之间的关联和相互影响,以得到网络设备流量-网络设备带宽利用率交互融合特征向量。应可以理解,所述特征序列间注意力交互融合模块可以通过计算注意力权重来分别对所述各个网络设备流量局部时序特征向量和所述各个网络设备流量局部时序特征向量进行加权,以对不同特征序列之间的重要性进行建模。具体而言,该模块可以根据网络设备流量局部时序特征向量的序列和网络设备带宽利用率局部时序特征向量的序列之间的相似性和相关性,为每个特征序列分配权重。因此,通过注意力交互融合处理后,所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列中的相应局部时序特征向量之间可以相互影响和补充,以更为充分地捕捉到有关于所述网络设备流量和所述网络设备带宽利用率在各个局部时序中的交互协同特征分布信息,从而得到所述网络设备流量-网络设备带宽利用率交互融合特征向量。特别地,所述网络设备流量-网络设备带宽利用率交互融合特征向量综合了网络设备流量和带宽利用率在各个局部时序上的交互特征信息,可以更全面地描述网络设备的运行状态和性能,为后续的分析和决策提供更准确的依据。具体地,使用特征序列间注意力交互融合模块来对所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列进行处理以得到网络设备流量-网络设备带宽利用率交互融合特征向量作为所述网络设备流量-网络设备带宽利用率交互融合特征,包括:计算所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列中任意两个特征向量之间的相关度以得到网络设备流量-网络设备带宽利用率局部时序关联特征矩阵的序列;基于所述网络设备流量-网络设备带宽利用率局部时序关联特征矩阵的序列,对所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列进行特征交互注意力编码以得到注意力增强网络设备流量局部时序特征向量的序列和注意力增强网络设备带宽利用率局部时序特征向量的序列;融合所述网络设备流量局部时序特征向量的序列和所述注意力增强网络设备流量局部时序特征向量的序列中相应位置的特征向量以得到网络设备流量融合局部时序特征向量的序列,并融合所述网络设备带宽利用率局部时序特征向量的序列和所述注意力增强网络设备带宽利用率局部时序特征向量的序列中相应位置的特征向量以得到网络设备带宽利用率融合局部时序特征向量的序列;对所述网络设备流量融合局部时序特征向量的序列进行最大值池化处理以得到网络设备流量融合局部时序最大值池化特征向量,并对所述网络设备带宽利用率融合局部时序特征向量的序列进行最大值池化处理以得到网络设备带宽利用率融合局部时序最大值池化特征向量;以及,融合所述网络设备流量融合局部时序最大值池化特征向量和所述网络设备带宽利用率融合局部时序最大值池化特征向量以得到所述网络设备流量-网络设备带宽利用率交互融合特征向量。
值得注意的是,在本申请的一个具体示例中,以如下公式对所述网络设备流量融合局部时序特征向量的序列进行最大值池化处理以得到网络设备流量融合局部时序最大值池化特征向量,并对所述网络设备带宽利用率融合局部时序特征向量的序列进行最大值池化处理以得到网络设备带宽利用率融合局部时序最大值池化特征向量;其中,所述公式为:
其中,h1至hn表示所述网络设备流量局部时序特征向量的序列,r1至rn表示所述网络设备带宽利用率局部时序特征向量的序列,最大值池化大小为1×dmodel,步长为1。
特别地,所述S5,基于所述网络设备流量-网络设备带宽利用率交互融合特征,确定网络设备运行状态是否正常,并生成领导驾驶舱的虚拟场景。特别地,在本申请的一个具体示例中,如图4所示,所述S5,包括:S51,将所述网络设备流量-网络设备带宽利用率交互融合特征向量通过分类器以得到分类结果,所述分类结果用于表示所述网络设备运行状态是否正常;以及,S52,基于所述分类结果以及所述多个预定时间点的网络设备流量和网络设备带宽利用率,生成所述领导驾驶舱的虚拟场景。
具体地,所述S51,将所述网络设备流量-网络设备带宽利用率交互融合特征向量通过分类器以得到分类结果,所述分类结果用于表示所述网络设备运行状态是否正常。特别地,在本申请的一个具体示例中,如图5所示,所述S51,包括:S511,对所述网络设备流量-网络设备带宽利用率交互融合特征向量进行特征分布优化以得到优化网络设备流量-网络设备带宽利用率交互融合特征向量;以及,S512,将所述优化网络设备流量-网络设备带宽利用率交互融合特征向量通过分类器以得到分类结果,所述分类结果用于表示所述网络设备运行状态是否正常。
更具体地,所述S511,对所述网络设备流量-网络设备带宽利用率交互融合特征向量进行特征分布优化以得到优化网络设备流量-网络设备带宽利用率交互融合特征向量。特别地,在本申请的一个具体示例中,如图6所示,所述S511,包括:S5111,将所述网络设备流量局部时序语义关联特征的序列进行级联以得到全局网络设备流量时序关联特征向量,并将所述网络设备带宽利用率局部时序特征向量的序列进行级联以得到全局网络设备带宽利用率时序关联特征向量;S5112,对所述全局网络设备流量时序关联特征向量和所述全局网络设备带宽利用率时序关联特征向量进行特征融合修正以得到校正特征向量;以及,S5113,融合所述校正特征向量和所述网络设备流量-网络设备带宽利用率交互融合特征向量以得到所述优化网络设备流量-网络设备带宽利用率交互融合特征向量。
所述S5111,将所述网络设备流量局部时序语义关联特征的序列进行级联以得到全局网络设备流量时序关联特征向量,并将所述网络设备带宽利用率局部时序特征向量的序列进行级联以得到全局网络设备带宽利用率时序关联特征向量。应可以理解,通过级联的方式可以帮助捕捉网络设备流量和带宽利用率的全局时序关联特征,从而更全面地描述网络设备的运行状态和性能。
所述S5112,对所述全局网络设备流量时序关联特征向量和所述全局网络设备带宽利用率时序关联特征向量进行特征融合修正以得到校正特征向量。特别地,在本申请的技术方案中,所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列分别表达所述网络设备流量局部时序语义关联特征的序列和网络设备带宽利用率局部时序语义关联特征的序列,在使用特征序列间注意力交互融合模块来对所述网络设备流量局部时序特征向量的序列和网络设备带宽利用率局部时序特征向量的序列进行融合时,所述特征序列间注意力交互融合模块能够基于各个所述网络设备流量局部时序特征向量和各个所述网络设备带宽利用率局部时序特征向量之间的相关度来进行基于类注意力机制的特征序列有选择性融合以得到所述网络设备流量-网络设备带宽利用率交互融合特征向量。但是,本申请的申请人考虑到所述网络设备流量局部时序特征向量的序列和网络设备带宽利用率局部时序特征向量的序列分别来自于不同的数据源域,这样,在通过特征序列间注意力交互融合模块来获得所述网络设备流量-网络设备带宽利用率交互融合特征向量时,可能导致所述网络设备流量-网络设备带宽利用率交互融合特征向量的表达不均衡,影响所述网络设备流量-网络设备带宽利用率交互融合特征向量的表达效果。基于此,优选地,对于由所述网络设备流量局部时序语义关联特征的序列级联得到的全局网络设备流量时序关联特征向量,例如记为V1和由网络设备带宽利用率局部时序特征向量的序列级联得到的全局网络设备带宽利用率时序关联特征向量,例如记为V2进行特征插值式融合的目的损失自监督平衡化,以获得校正特征向量,例如记为Vc:
其中和/>分别表示特征向量V1和V2的全局均值的倒数,且I是单位向量,⊙表示按位置点乘,/>表示按位置作差,/>表示按位置相加,Vc是所述校正特征向量。也就是,在考虑到基于语义级特征交互的文本语义特征融合的情况下,如果将待融合的所述全局网络设备流量时序关联特征向量V1视为所述全局网络设备带宽利用率时序关联特征向量V2的强特征增强输入,则可能损失所述全局网络设备带宽利用率时序关联特征向量V2的目标特征流形在类空间内的目标分布信息,导致类回归目的损失,因此通过对特征分布相对于彼此的离群分布(outlier distribution)进行交叉惩罚的方式,可以在特征插值式融合时实现特征增强和回归鲁棒的自监督式平衡,以提升所述全局网络设备流量时序关联特征向量V1和所述全局网络设备带宽利用率时序关联特征向量V2的特征融合效果。这样,再将所述校正特征向量Vc与所述网络设备流量-网络设备带宽利用率交互融合特征向量融合,就可以提升所述网络设备流量-网络设备带宽利用率交互融合特征向量的表达效果,以提升其通过分类器得到的分类结果的准确性。这样,能够基于网络设备的运行状态信息对其运行状态进行监测,并通过数字孪生技术映射出领导驾驶舱的虚拟空间,同时通过三维投影仪将该虚拟空间呈现在领导驾驶舱的可视化平台上,以实现虚拟空间的可视化体验,从而提供更丰富、直观、实时的信息展示和操作方式,增强使用人员对网络设备运行状态的了解和控制能力,提高网络设备的安全性和效率。
所述S5113,融合所述校正特征向量和所述网络设备流量-网络设备带宽利用率交互融合特征向量以得到所述优化网络设备流量-网络设备带宽利用率交互融合特征向量。应可以理解,校正特征向量是通过对原始特征进行校正或调整得到的,旨在消除特征之间的偏差或噪声,提高特征的准确性和可靠性。校正特征向量可以包括各种预处理方法,如归一化、标准化、特征缩放等。通过对网络设备流量和带宽利用率的校正特征向量进行融合,可以更好地表示网络设备的运行状态和性能。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述网络设备流量-网络设备带宽利用率交互融合特征向量进行特征分布优化以得到优化网络设备流量-网络设备带宽利用率交互融合特征向量,例如:选择适合特征分布优化的算法;将选择的优化算法应用于网络设备流量-网络设备带宽利用率交互融合特征向量,进行优化。根据优化算法的要求,设置适当的参数和约束条件;对优化后的特征向量进行评估,分析其优化效果;根据评估结果,对优化算法进行调整和优化,进行多次迭代。
更具体地,所述S512,将所述优化网络设备流量-网络设备带宽利用率交互融合特征向量通过分类器以得到分类结果,所述分类结果用于表示所述网络设备运行状态是否正常。在本申请的一个具体示例中,所述S512,包括:使用所述分类器的多个全连接层对所述优化网络设备流量-网络设备带宽利用率交互融合特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式将所述网络设备流量-网络设备带宽利用率交互融合特征向量通过分类器以得到分类结果,所述分类结果用于表示所述网络设备运行状态是否正常,例如:从流量和带宽利用率数据中提取特征;对提取的特征进行预处理;根据网络设备的实际运行状态,对数据进行标注。将正常状态标记为类别1,异常状态标记为类别0;将数据集划分为训练集、验证集和测试集。训练集用于模型的训练,验证集用于调整模型的超参数和评估模型的性能,测试集用于最终评估模型的泛化能力;选择合适的分类器算法,将特征向量作为输入,网络设备运行状态的标签作为输出;使用训练集对分类器进行训练。通过优化分类器的参数,使其能够准确预测网络设备的运行状态;使用验证集对分类器进行调优;使用训练好的分类器对新的特征向量进行预测,得到网络设备运行状态的分类结果。根据分类结果判断网络设备的运行状态是否正常。
具体地,所述S52,基于所述分类结果以及所述多个预定时间点的网络设备流量和网络设备带宽利用率,生成所述领导驾驶舱的虚拟场景。也就是,利用所述网络设备流量时序特征和所述网络设备带宽利用率时序特征之间的交互融合特征信息来进行分类处理,从而对于网络设备的运行状态进行检测,并生成领导驾驶舱的虚拟场景。通过这样的方式,能够基于检测信息并通过数字孪生技术映射出一个领导驾驶舱的虚拟空间,同时通过三维投影仪将该虚拟空间呈现在领导驾驶舱的可视化平台上,以实现虚拟空间的可视化体验。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式基于所述网络设备流量-网络设备带宽利用率交互融合特征,确定网络设备运行状态是否正常,并生成领导驾驶舱的虚拟场景,例如:从流量和带宽利用率数据中提取特征;可以计算一些基本特征,如平均流量、最大流量、平均带宽利用率、最大带宽利用率等。此外,可以通过交互融合技术将流量和带宽利用率数据进行组合,提取更高级的特征,如流量与带宽利用率的比例、流量变化率与带宽利用率变化率的相关性等;对提取的特征进行预处理,例如归一化、标准化或其他必要的处理,以确保特征在相同的尺度上;使用机器学习或深度学习方法建立模型来判断网络设备运行状态是否正常。可以选择适合的算法,将特征作为输入,标记网络设备状态(正常或异常)作为输出;将数据集划分为训练集、验证集和测试集。训练集用于模型的训练,验证集用于调整模型的超参数和评估模型的性能,测试集用于最终评估模型的泛化能力;使用训练集对模型进行训练。根据选择的算法和模型架构,通过反向传播算法优化模型的参数,使其能够准确预测网络设备的运行状态;使用验证集对模型进行调优,包括调整模型的超参数、网络结构等。通过比较不同模型的性能指标,选择最佳的模型;使用测试集对训练好的模型进行评估,计算模型的准确率、召回率、F1分数等指标,以衡量模型的性能;使用训练好的模型对新的流量和带宽利用率数据进行预测,判断网络设备的运行状态是否正常。根据模型的输出进行二分类(正常/异常)或多分类(如正常/低速/高速/异常);根据网络设备的运行状态,生成领导驾驶舱的虚拟场景;根据网络设备的状态,调整虚拟场景中的参数、显示内容和警告信息,以反映网络设备的实际运行情况。
特别地,所述S6,将所述领导驾驶舱的虚拟场景通过三维投影仪呈现在领导驾驶舱的可视化平台上。应可以理解,通过虚拟场景的呈现,可以实时监测和分析网络设备的各种数据和指标。他们可以观察网络设备的流量、网速、带宽、带宽利用率等信息,并与虚拟场景中的网络设备进行对比分析,以更好地了解网络设备的运行状况和所处的情境。
综上,根据本申请实施例的基于数字孪生技术的领导驾驶舱可视化方法被阐明,其通过数字孪生技术来模拟政府平台所使用的网络设备环境,并将其呈现在领导驾驶舱的可视化平台上。也就是,通过数字孪生模型实时监测采集网络设备流量和网络设备带宽利用率,并在后端引入数据处理和分析算法来进行网络设备流量和网络设备带宽利用率的时序协同分析,以此来进行网络设备运行状态的检测,并生成领导驾驶舱的虚拟场景。这样,能够实现虚拟空间的可视化体验,从而提供更丰富、直观、实时的信息展示和操作方式,增强使用人员对网络设备运行状态的了解和控制能力,以提高网络设备的安全性和效率。
进一步地,还提供一种基于数字孪生技术的领导驾驶舱可视化系统。
图7为根据本申请实施例的基于数字孪生技术的领导驾驶舱可视化系统的框图。如图7所示,根据本申请实施例的基于数字孪生技术的领导驾驶舱可视化系统300,包括:数据采集模块310,用于通过数字孪生模型获取预定时间段内多个预定时间点的网络设备流量和网络设备带宽利用率;排列模块320,用于将所述多个预定时间点的网络设备流量和网络设备带宽利用率分别按照时间维度排列为网络设备流量时序输入向量和网络设备带宽利用率时序输入向量;局部时序特征分析模块330,用于分别对所述网络设备流量时序输入向量和所述网络设备带宽利用率时序输入向量进行局部时序特征分析以得到网络设备流量局部时序特征向量的序列和网络设备带宽利用率局部时序特征向量的序列;特征交互融合模块340,用于对所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列进行序列间特征交互融合以得到网络设备流量-网络设备带宽利用率交互融合特征;状态生成模块350,用于基于所述网络设备流量-网络设备带宽利用率交互融合特征,确定网络设备运行状态是否正常,并生成领导驾驶舱的虚拟场景;以及,虚拟场景可视化模块360,用于将所述领导驾驶舱的虚拟场景通过三维投影仪呈现在领导驾驶舱的可视化平台上。
如上所述,根据本申请实施例的基于数字孪生技术的领导驾驶舱可视化系统300可以实现在各种无线终端中,例如具有基于数字孪生技术的领导驾驶舱可视化算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于数字孪生技术的领导驾驶舱可视化系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于数字孪生技术的领导驾驶舱可视化系统300可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于数字孪生技术的领导驾驶舱可视化系统300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于数字孪生技术的领导驾驶舱可视化系统300与该无线终端也可以是分立的设备,并且该基于数字孪生技术的领导驾驶舱可视化系统300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.基于数字孪生技术的领导驾驶舱可视化方法,其特征在于,包括:
通过数字孪生模型获取预定时间段内多个预定时间点的网络设备流量和网络设备带宽利用率;
将所述多个预定时间点的网络设备流量和网络设备带宽利用率分别按照时间维度排列为网络设备流量时序输入向量和网络设备带宽利用率时序输入向量;
分别对所述网络设备流量时序输入向量和所述网络设备带宽利用率时序输入向量进行局部时序特征分析以得到网络设备流量局部时序特征向量的序列和网络设备带宽利用率局部时序特征向量的序列;
对所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列进行序列间特征交互融合以得到网络设备流量-网络设备带宽利用率交互融合特征;
基于所述网络设备流量-网络设备带宽利用率交互融合特征,确定网络设备运行状态是否正常,并生成领导驾驶舱的虚拟场景;以及
将所述领导驾驶舱的虚拟场景通过三维投影仪呈现在领导驾驶舱的可视化平台上。
2.根据权利要求1所述的基于数字孪生技术的领导驾驶舱可视化方法,其特征在于,分别对所述网络设备流量时序输入向量和所述网络设备带宽利用率时序输入向量进行局部时序特征分析以得到网络设备流量局部时序特征向量的序列和网络设备带宽利用率局部时序特征向量的序列,包括:
对所述网络设备流量时序输入向量和所述网络设备带宽利用率时序输入向量进行向量切分以得到网络设备流量局部时序输入向量的序列和网络设备带宽利用率局部时序输入向量的序列;以及
通过基于深度神经网络模型的时序特征提取器分别对所述网络设备流量局部时序输入向量的序列和所述网络设备带宽利用率局部时序输入向量的序列进行特征提取以得到所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列。
3.根据权利要求2所述的基于数字孪生技术的领导驾驶舱可视化方法,其特征在于,所述基于深度神经网络模型的时序特征提取器为基于一维卷积层的时序特征提取器。
4.根据权利要求3所述的基于数字孪生技术的领导驾驶舱可视化方法,其特征在于,对所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列进行序列间特征交互融合以得到网络设备流量-网络设备带宽利用率交互融合特征,包括:使用特征序列间注意力交互融合模块来对所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列进行处理以得到网络设备流量-网络设备带宽利用率交互融合特征向量作为所述网络设备流量-网络设备带宽利用率交互融合特征。
5.根据权利要求4所述的基于数字孪生技术的领导驾驶舱可视化方法,其特征在于,使用特征序列间注意力交互融合模块来对所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列进行处理以得到网络设备流量-网络设备带宽利用率交互融合特征向量作为所述网络设备流量-网络设备带宽利用率交互融合特征,包括:
计算所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列中任意两个特征向量之间的相关度以得到网络设备流量-网络设备带宽利用率局部时序关联特征矩阵的序列;
基于所述网络设备流量-网络设备带宽利用率局部时序关联特征矩阵的序列,对所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列进行特征交互注意力编码以得到注意力增强网络设备流量局部时序特征向量的序列和注意力增强网络设备带宽利用率局部时序特征向量的序列;
融合所述网络设备流量局部时序特征向量的序列和所述注意力增强网络设备流量局部时序特征向量的序列中相应位置的特征向量以得到网络设备流量融合局部时序特征向量的序列,并融合所述网络设备带宽利用率局部时序特征向量的序列和所述注意力增强网络设备带宽利用率局部时序特征向量的序列中相应位置的特征向量以得到网络设备带宽利用率融合局部时序特征向量的序列;
对所述网络设备流量融合局部时序特征向量的序列进行最大值池化处理以得到网络设备流量融合局部时序最大值池化特征向量,并对所述网络设备带宽利用率融合局部时序特征向量的序列进行最大值池化处理以得到网络设备带宽利用率融合局部时序最大值池化特征向量;以及
融合所述网络设备流量融合局部时序最大值池化特征向量和所述网络设备带宽利用率融合局部时序最大值池化特征向量以得到所述网络设备流量-网络设备带宽利用率交互融合特征向量。
6.根据权利要求5所述的基于数字孪生技术的领导驾驶舱可视化方法,其特征在于,基于所述网络设备流量-网络设备带宽利用率交互融合特征,确定网络设备运行状态是否正常,并生成领导驾驶舱的虚拟场景,包括:
将所述网络设备流量-网络设备带宽利用率交互融合特征向量通过分类器以得到分类结果,所述分类结果用于表示所述网络设备运行状态是否正常;以及
基于所述分类结果以及所述多个预定时间点的网络设备流量和网络设备带宽利用率,生成所述领导驾驶舱的虚拟场景。
7.根据权利要求6所述的基于数字孪生技术的领导驾驶舱可视化方法,其特征在于,将所述网络设备流量-网络设备带宽利用率交互融合特征向量通过分类器以得到分类结果,所述分类结果用于表示所述网络设备运行状态是否正常,包括:
对所述网络设备流量-网络设备带宽利用率交互融合特征向量进行特征分布优化以得到优化网络设备流量-网络设备带宽利用率交互融合特征向量;以及
将所述优化网络设备流量-网络设备带宽利用率交互融合特征向量通过分类器以得到分类结果,所述分类结果用于表示所述网络设备运行状态是否正常。
8.根据权利要求7所述的基于数字孪生技术的领导驾驶舱可视化方法,其特征在于,对所述网络设备流量-网络设备带宽利用率交互融合特征向量进行特征分布优化以得到优化网络设备流量-网络设备带宽利用率交互融合特征向量,包括:
将所述网络设备流量局部时序语义关联特征的序列进行级联以得到全局网络设备流量时序关联特征向量,并将所述网络设备带宽利用率局部时序特征向量的序列进行级联以得到全局网络设备带宽利用率时序关联特征向量;
对所述全局网络设备流量时序关联特征向量和所述全局网络设备带宽利用率时序关联特征向量进行特征融合修正以得到校正特征向量;以及
融合所述校正特征向量和所述网络设备流量-网络设备带宽利用率交互融合特征向量以得到所述优化网络设备流量-网络设备带宽利用率交互融合特征向量。
9.根据权利要求8所述的基于数字孪生技术的领导驾驶舱可视化方法,其特征在于,将所述优化网络设备流量-网络设备带宽利用率交互融合特征向量通过分类器以得到分类结果,所述分类结果用于表示所述网络设备运行状态是否正常,包括:
使用所述分类器的多个全连接层对所述优化网络设备流量-网络设备带宽利用率交互融合特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
10.基于数字孪生技术的领导驾驶舱可视化系统,其特征在于,包括:
数据采集模块,用于通过数字孪生模型获取预定时间段内多个预定时间点的网络设备流量和网络设备带宽利用率;
排列模块,用于将所述多个预定时间点的网络设备流量和网络设备带宽利用率分别按照时间维度排列为网络设备流量时序输入向量和网络设备带宽利用率时序输入向量;
局部时序特征分析模块,用于分别对所述网络设备流量时序输入向量和所述网络设备带宽利用率时序输入向量进行局部时序特征分析以得到网络设备流量局部时序特征向量的序列和网络设备带宽利用率局部时序特征向量的序列;
特征交互融合模块,用于对所述网络设备流量局部时序特征向量的序列和所述网络设备带宽利用率局部时序特征向量的序列进行序列间特征交互融合以得到网络设备流量-网络设备带宽利用率交互融合特征;
状态生成模块,用于基于所述网络设备流量-网络设备带宽利用率交互融合特征,确定网络设备运行状态是否正常,并生成领导驾驶舱的虚拟场景;以及
虚拟场景可视化模块,用于将所述领导驾驶舱的虚拟场景通过三维投影仪呈现在领导驾驶舱的可视化平台上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311362310.3A CN117319223A (zh) | 2023-10-20 | 2023-10-20 | 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311362310.3A CN117319223A (zh) | 2023-10-20 | 2023-10-20 | 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117319223A true CN117319223A (zh) | 2023-12-29 |
Family
ID=89284658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311362310.3A Pending CN117319223A (zh) | 2023-10-20 | 2023-10-20 | 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117319223A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
-
2023
- 2023-10-20 CN CN202311362310.3A patent/CN117319223A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117598700A (zh) * | 2024-01-23 | 2024-02-27 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
CN117598700B (zh) * | 2024-01-23 | 2024-03-29 | 吉林大学 | 智能化血氧饱和度检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7335274B2 (ja) | ジオロケーションの予測のためのシステムおよび方法 | |
CN109084980B (zh) | 基于均等分割的轴承故障预测方法及装置 | |
CN110009171B (zh) | 用户行为模拟方法、装置、设备及计算机可读存储介质 | |
JP2022037241A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
JP6312630B2 (ja) | 時系列データ内の異常を検出する方法 | |
US10073908B2 (en) | Functional space-time trajectory clustering | |
CN112884092A (zh) | Ai模型生成方法、电子设备及存储介质 | |
WO2019026134A1 (ja) | 情報処理装置および情報処理方法 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
CN117319223A (zh) | 一种基于数字孪生技术的领导驾驶舱可视化方法及系统 | |
WO2013188326A1 (en) | Discriminative hidden kalman filters for classification of streaming sensor data in condition monitoring | |
KR102038703B1 (ko) | 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템 | |
Lu et al. | Fault detection for hydraulic pump based on chaotic parallel RBF network | |
KR102359090B1 (ko) | 실시간 기업정보시스템 이상행위 탐지 서비스를 제공하는 방법과 시스템 | |
CN116340796B (zh) | 时序数据分析方法、装置、设备及存储介质 | |
CN117156442B (zh) | 基于5g网络的云数据安全保护方法及系统 | |
US20220366244A1 (en) | Modeling Human Behavior in Work Environment Using Neural Networks | |
CN111159241B (zh) | 一种点击转化预估方法及装置 | |
CN115983497A (zh) | 一种时序数据预测方法和装置、计算机设备、存储介质 | |
US20130268288A1 (en) | Device, method, and program for extracting abnormal event from medical information using feedback information | |
CN117669384A (zh) | 基于物联网的温度传感器生产智能监测方法及系统 | |
CN112906586A (zh) | 时序动作提名生成方法和相关产品 | |
CN114757391B (zh) | 一种面向服务质量预测的网络数据空间设计与应用方法 | |
CN111967774B (zh) | 软件质量风险预测方法及装置 | |
RU2764873C1 (ru) | Способ обнаружения аномалий в инфокоммуникационных системах |
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 |