CN117332878B - 一种基于自组网系统的模型训练方法和系统 - Google Patents
一种基于自组网系统的模型训练方法和系统 Download PDFInfo
- Publication number
- CN117332878B CN117332878B CN202311425918.6A CN202311425918A CN117332878B CN 117332878 B CN117332878 B CN 117332878B CN 202311425918 A CN202311425918 A CN 202311425918A CN 117332878 B CN117332878 B CN 117332878B
- Authority
- CN
- China
- Prior art keywords
- hoc network
- model
- training
- cloud platform
- network model
- 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
- 238000012549 training Methods 0.000 title claims abstract description 276
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000008569 process Effects 0.000 claims description 29
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000013500 data storage Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010230 functional analysis Methods 0.000 claims description 7
- 238000012916 structural analysis Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000007726 management method Methods 0.000 description 8
- 238000013523 data management Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出了一种基于自组网系统的模型训练方法和系统。所述基于自组网系统的模型训练方法包括：从数据库中调取用于自组网系统的自组网模型，并将所述自组网模型部署至自组网系统中，其中，所述自组网模型采用二叉树的拓扑结构；利用所述中心云平台针对所述自组网模型进行训练和模型更新；利用中心云平台进行训练数据存储、模型参数存储和训练结果存储。所述系统包括与所述方法步骤对应的模块。
Description
技术领域
本发明提出了一种基于自组网系统的模型训练方法和系统，属于模型训练技术领域。
背景技术
在联邦学习中，数据存储在本地设备上，并在本地设备上进行训练。本地设备上的训练过程生成的模型参数被发送到中央服务器，然后被合并为一个全局模型，该全局模型被发送回本地设备进行更新。联邦学习方案适用于数据本身就在设备端的情况，但还有一种情况：数据在中心平台中，但由于性能压力等因素，需要中心平台将数据下发至边缘设备，但是现有技术中的中心平台不具备数据下发能力。
发明内容
本发明提供了一种基于自组网系统的模型训练方法和系统，用以解决现有技术中现有技术中的中心平台不具备数据下发功能的问题，所采取的技术方案如下：
一种基于自组网系统的模型训练方法，所述基于自组网系统的模型训练方法包括：
从数据库中调取用于自组网系统的自组网模型，并将所述自组网模型部署至自组网系统中，其中，所述自组网模型采用二叉树的拓扑结构；
利用所述中心云平台针对所述自组网模型进行训练和模型更新；
利用中心云平台进行训练数据存储、模型参数存储和训练结果存储。
进一步地，从数据库中调取用于自组网系统的自组网模型，并将所述自组网模型部署至自组网系统中，包括：
提取作为边缘端的自组网系统的运行需求；
对所述数据库进行扫描，获取所述数据库中的具有二叉树的拓扑结构的自组网模型；
对所述数据库中的具有二叉树的拓扑结构的自组网模型进行结构和功能分析，调取与所述边缘端的自组网系统的运行需求匹配的二叉树的拓扑结构的自组网模型，作为目标自组网模型；
将所述目标自组网模型部署至作为边缘端的自组网系统中。
进一步地，利用所述中心云平台针对所述自组网模型进行训练和模型更新，包括：
当作为边缘端的自组网系统中部署有自组网模型后，控制所述自组网系统向所述中心云平台发送自组网模型部署完成指令；
所述中心云平台在接收到自组网模型部署完成指令之后，向所述自组网系统发送系统参数调取指令；
当所述自组网系统接收到系统参数调取指令之后，提取自身的系统参数，并将所述系统参数发送至中心云平台；
所述中心云平台在接收到所述自组网系统发送的系统参数之后，根据所述系统参数制定训练任务和模型更新时间间隔；
所述中心云平台控制自组网系统根据所述训练任务进行自组网模型训练，获得训练后的自组网模型；
所述中心云平台控制自组网系统根据所述模型更新时间间隔定时对自组网模型进行更新，获得更新后的自组网模型。
进一步地，根据所述系统参数制定模型更新时间间隔，包括：
提取所述训练任务对应的训练目标时长和训练循环次数；
利用所述训练目标时长和训练循环次数设置模型更新时间间隔，其中，所述模型更新时间间隔通过如下公式获取：
T=[1+（Tx-T0）/Tx×exp(N/N0) ]×T0
其中，T表示模型更新时间间隔；T0表示预设的基准时间间隔；Tx表示训练目标时长；N表示训练循环次数；N0表示预设的次数阈值；exp表示以e为底的指数运算。
进一步地，利用中心云平台进行训练数据存储、模型参数存储和训练结果存储，包括：
所述中心云平台实时监控所述自组网系统的自组网模型训练过程中产生的训练数据；
所述中心云平台实时监控所述自组网系统的自组网模型训练过程中产生的模型参数；
所述中心云平台实时监控所述自组网系统的自组网模型训练过程完成后产生的训练结果；
利用中心云平台对所述训练数据、模型参数和训练结果进行存储。
一种基于自组网系统的模型训练系统，所述基于自组网系统的模型训练系统包括：
自组网模型调取模块，用于从数据库中调取用于自组网系统的自组网模型，并将所述自组网模型部署至自组网系统中，其中，所述自组网模型采用二叉树的拓扑结构；
训练和模型更新模块，用于利用所述中心云平台针对所述自组网模型进行训练和模型更新；
中心云平台运行控制模块，用于利用中心云平台进行训练数据存储、模型参数存储和训练结果存储。
进一步地，所述自组网模型调取模块包括：
运行需求提取模块，用于提取作为边缘端的自组网系统的运行需求；
扫描及自组网模型获取模块，用于对所述数据库进行扫描，获取所述数据库中的具有二叉树的拓扑结构的自组网模型；
结构和功能分析模块，用于对所述数据库中的具有二叉树的拓扑结构的自组网模型进行结构和功能分析，调取与所述边缘端的自组网系统的运行需求匹配的二叉树的拓扑结构的自组网模型，作为目标自组网模型；
标自组网模型部署模块，用于将所述目标自组网模型部署至作为边缘端的自组网系统中。
进一步地，所述训练和模型更新模块包括：
第一指令发送模块，用于当作为边缘端的自组网系统中部署有自组网模型后，控制所述自组网系统向所述中心云平台发送自组网模型部署完成指令；
第二指令发送模块，用于所述中心云平台在接收到自组网模型部署完成指令之后，向所述自组网系统发送系统参数调取指令；
系统参数发送模块，用于当所述自组网系统接收到系统参数调取指令之后，提取自身的系统参数，并将所述系统参数发送至中心云平台；
信息发送模块，用于所述中心云平台在接收到所述自组网系统发送的系统参数之后，根据所述系统参数制定训练任务和模型更新时间间隔；
自组网模型训练模块，用于所述中心云平台控制自组网系统根据所述训练任务进行自组网模型训练，获得训练后的自组网模型；
自组网模型更新执行模块，用于所述中心云平台控制自组网系统根据所述模型更新时间间隔定时对自组网模型进行更新，获得更新后的自组网模型。
进一步地，所述自组网模型更新执行模块包括：
训练参数提取模块，用于提取所述训练任务对应的训练目标时长和训练循环次数；
时间间隔设置模块，用于利用所述训练目标时长和训练循环次数设置模型更新时间间隔，其中，所述模型更新时间间隔通过如下公式获取：
T=[1+（Tx-T0）/Tx×exp(N/N0) ]×T0
其中，T表示模型更新时间间隔；T0表示预设的基准时间间隔；Tx表示训练目标时长；N表示训练循环次数；N0表示预设的次数阈值； exp表示以e为底的指数运算。
进一步地，所述中心云平台运行控制模块包括：
训练数据监控模块，用于所述中心云平台实时监控所述自组网系统的自组网模型训练过程中产生的训练数据；
模型参数监控模块，用于所述中心云平台实时监控所述自组网系统的自组网模型训练过程中产生的模型参数；
训练结果获取模块，用于所述中心云平台实时监控所述自组网系统的自组网模型训练过程完成后产生的训练结果；
信息数据存储执行模块，用于利用中心云平台对所述训练数据、模型参数和训练结果进行存储。
本发明有益效果：
本发明提出的一种基于自组网系统的模型训练方法和系统通过自组网系统，将中心平台的数据下发至边缘端训练，并将训练好的结果也重新收集至中心云平台。自组网系统将设备组织成二叉树的拓扑结构，能大大减少传输开销。使用自组网系统，实现了中心云平台与边缘端设备的模型联动，实现高效的下发数据并训练模型。
附图说明
图1为本发明所述方法的流程图；
图2为本发明所述系统的系统框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提出了一种基于自组网系统的模型训练方法，如图1所示，所述基于自组网系统的模型训练方法包括：
S1、从数据库中调取用于自组网系统的自组网模型，并将所述自组网模型部署至自组网系统中，其中，所述自组网模型采用二叉树的拓扑结构；
S2、利用所述中心云平台针对所述自组网模型进行训练和模型更新；
S3、利用中心云平台进行训练数据存储、模型参数存储和训练结果存储。
上述技术方案的工作原理为：自组网模型部署（S1）：首先，从数据库中获取用于自组网系统的自组网模型，并将这个模型部署到自组网系统中。这个自组网模型采用二叉树的拓扑结构，这意味着在自组网中，节点以树的形式相互连接，形成一个分层的拓扑结构。
模型训练和更新（S2）：通过中心云平台，对自组网模型进行训练和模型更新。这意味着可以通过云计算资源对模型进行训练，以适应不断变化的自组网环境和需求。训练和更新可以包括改进模型的参数、优化性能或适应新的自组网情境。
训练数据和结果存储（S3）：利用中心云平台来管理训练数据、模型参数和训练结果的存储。这样，用户可以随时访问和维护这些数据，以确保模型的有效性和性能。
上述技术方案的效果为：实时适应性：该方法允许在自组网系统中使用自组网模型，通过中心云平台对模型进行训练和更新。这使得自组网系统能够实时适应不断变化的网络条件和需求，以提供更好的性能和效率。
分层拓扑结构：采用二叉树的拓扑结构可以实现网络节点之间的分层连接，提供更好的网络组织和管理。
集中式管理：通过中心云平台，可以集中管理模型的训练和存储，以确保数据的安全性和一致性。
数据驱动：使用数据库中的数据和中心云平台进行训练，能够更好地根据实际数据来改进模型，使其更好地适应自组网系统的要求。
综上所述，这一部分的技术方案允许在自组网系统中使用自组网模型，并通过中心云平台进行训练和更新，以实现实时适应性和更好的网络性能。
本发明的一个实施例，从数据库中调取用于自组网系统的自组网模型，并将所述自组网模型部署至自组网系统中，包括：
S101、提取作为边缘端的自组网系统的运行需求；
S102、对所述数据库进行扫描，获取所述数据库中的具有二叉树的拓扑结构的自组网模型；
S103、对所述数据库中的具有二叉树的拓扑结构的自组网模型进行结构和功能分析，调取与所述边缘端的自组网系统的运行需求匹配的二叉树的拓扑结构的自组网模型，作为目标自组网模型；
S104、将所述目标自组网模型部署至作为边缘端的自组网系统中。
上述技术方案的工作原理为：提取自组网系统的需求（S101）：首先，提取边缘端自组网系统的运行需求。这包括了了解自组网系统的具体功能和性能要求。
扫描数据库（S102）：扫描数据库，获取存储在数据库中的自组网模型。这些模型具有二叉树的拓扑结构，是为自组网系统设计的。
结构和功能分析（S103）：对数据库中的自组网模型进行结构和功能分析，以确定哪个模型最符合边缘端自组网系统的需求。这涉及匹配拓扑结构和功能需求。
部署目标自组网模型（S104）：将确定的目标自组网模型部署到边缘端的自组网系统中，以满足系统的需求。这包括将模型整合到自组网系统的架构中，以便系统可以利用这个模型来进行自组织网络管理。
上述技术方案的效果为：需求定制：通过提取自组网系统的运行需求，确保所选择的自组网模型能够满足系统的特定需求，从而提高系统的性能和效率。
适应性：从数据库中获取自组网模型，并将其部署到系统中，使系统能够根据当前的拓扑结构和功能需求来自动构建和管理网络。
数据库支持：使用数据库来存储多个自组网模型，使系统更加灵活，可以根据需要选择合适的模型。
自组织网络管理：通过部署目标自组网模型，系统可以更好地管理自组织网络，实现更好的自组织性能。
综上所述，这一部分的技术方案允许根据自组网系统的需求，选择和部署合适的自组网模型，以提高系统的性能和适应性。
本发明的一个实施例，利用所述中心云平台针对所述自组网模型进行训练和模型更新，包括：
S201、当作为边缘端的自组网系统中部署有自组网模型后，控制所述自组网系统向所述中心云平台发送自组网模型部署完成指令；
S202、所述中心云平台在接收到自组网模型部署完成指令之后，向所述自组网系统发送系统参数调取指令；
S203、当所述自组网系统接收到系统参数调取指令之后，提取自身的系统参数，并将所述系统参数发送至中心云平台；
S204、所述中心云平台在接收到所述自组网系统发送的系统参数之后，根据所述系统参数制定训练任务和模型更新时间间隔；
S205、所述中心云平台控制自组网系统根据所述训练任务进行自组网模型训练，获得训练后的自组网模型；
S206、所述中心云平台控制自组网系统根据所述模型更新时间间隔定时对自组网模型进行更新，获得更新后的自组网模型。
上述技术方案的工作原理为：自组网模型部署完成指令（S201）：当边缘端的自组网系统成功部署了自组网模型后，它向中心云平台发送一个自组网模型部署完成的指令，通知中心云平台准备开始训练和更新。
系统参数调取指令（S202）：中心云平台接收到自组网模型部署完成指令后，向自组网系统发送一个系统参数调取指令，以获取自组网系统的当前系统参数。
系统参数提取（S203）：自组网系统接收到系统参数调取指令后，提取自身的系统参数，并将这些参数发送给中心云平台。
训练任务和模型更新时间间隔制定（S204）：中心云平台接收到自组网系统的系统参数后，根据这些参数制定训练任务和模型更新的时间间隔。这些任务和时间间隔将根据系统的需求和性能来确定。
自组网模型训练（S205）：中心云平台控制自组网系统执行训练任务，以训练当前部署的自组网模型。这样，模型可以不断改进和适应网络的变化。
模型更新（S206）：中心云平台还控制自组网系统按照制定的时间间隔对自组网模型进行更新。这确保了模型一直处于最新状态，以适应网络环境的变化。
上述技术方案的效果为：实时性：通过与中心云平台的通信，自组网系统能够及时获取训练任务和模型更新的信息，以适应网络环境的实时变化。
性能优化：通过定期的模型训练和更新，自组网系统的性能可以不断提高，以满足不断变化的需求。
资源节约：模型训练和更新是基于系统参数的，因此能够有效地利用资源，避免不必要的训练和更新操作。
自适应性：根据自组网系统的系统参数，训练任务和模型更新时间间隔可以自适应地进行调整，以满足不同条件下的需求。
综上所述，这一部分的技术方案允许中心云平台与自组网系统之间进行通信，以实现自组网模型的训练和更新，以不断提高系统性能和适应性。
本发明的一个实施例，根据所述系统参数制定模型更新时间间隔，包括：
步骤1、提取所述训练任务对应的训练目标时长和训练循环次数；
步骤2、利用所述训练目标时长和训练循环次数设置模型更新时间间隔，其中，所述模型更新时间间隔通过如下公式获取：
T=[1+（Tx-T0）/Tx×exp(N/N0) ]×T0
其中，T表示模型更新时间间隔；T0表示预设的基准时间间隔；Tx表示训练目标时长；N表示训练循环次数；N0表示预设的次数阈值； exp表示以e为底的指数运算。
上述技术方案的工作原理为：提取训练任务信息（步骤1）：首先，从系统参数中提取与训练任务相关的信息，包括训练目标时长（Tx）和训练循环次数（N）。
设置模型更新时间间隔（步骤2）：根据训练目标时长和训练循环次数，使用下述公式来计算模型更新时间间隔（T）：
T=[1+（Tx-T0）/Tx×exp(N/N0) ]×T0
其中，T表示模型更新时间间隔；T0表示预设的基准时间间隔；Tx表示训练目标时长；N表示训练循环次数；N0表示预设的次数阈值； exp表示以e为底的指数运算。
这个公式根据训练目标时长、训练循环次数和预设的阈值来计算实际的模型更新时间间隔。根据这个时间间隔，中心云平台会定期更新自组网系统中的自组网模型。
上述技术方案的效果为：动态适应性：模型更新时间间隔是根据系统的实际训练任务和性能需求计算的，因此能够动态适应不同的工作负载和环境条件。这有助于确保模型总是处于最新状态。
资源优化：通过根据具体需求调整更新时间间隔，可以更好地分配资源，避免不必要的更新操作，从而节省计算和网络资源。
性能优化：根据训练任务时长和循环次数的变化，模型更新时间间隔可以自适应地进行调整，以最大程度地提高系统性能。
综上所述，这一部分的技术方案允许系统根据实际训练任务的要求和性能需求制定自组网模型的更新时间间隔，以提高自组网系统的性能和资源利用率。
本发明的一个实施例，利用中心云平台进行训练数据存储、模型参数存储和训练结果存储，包括：
S301、所述中心云平台实时监控所述自组网系统的自组网模型训练过程中产生的训练数据；
S302、所述中心云平台实时监控所述自组网系统的自组网模型训练过程中产生的模型参数；
S303、所述中心云平台实时监控所述自组网系统的自组网模型训练过程完成后产生的训练结果；
S304、利用中心云平台对所述训练数据、模型参数和训练结果进行存储。
上述技术方案的工作原理为：实时监控训练数据（步骤S301）：中心云平台持续监控自组网系统的自组网模型训练过程，以获取产生的训练数据。这些训练数据可能包括输入数据、标签、损失函数值等。
实时监控模型参数（步骤S302）：中心云平台还实时监控训练过程中生成的模型参数。这些参数包括权重和偏差等，它们是模型的关键组成部分。
监控训练结果（步骤S303）：在自组网模型训练过程完成后，中心云平台还监控训练结果，如模型性能指标、训练损失等。这些结果用于评估模型的质量。
存储数据和结果（步骤S304）：中心云平台将实时获取的训练数据、模型参数和训练结果存储在合适的数据库或存储系统中。这样，用户可以随时访问和分析这些数据。
上述技术方案的效果为：实时监控：中心云平台的实时监控功能允许对自组网系统的模型训练过程进行实时追踪。这有助于及时发现问题或异常，以便进行必要的调整。
数据保留：通过存储训练数据、模型参数和训练结果，系统可以跟踪训练历史，以便进一步分析和改进模型的性能。
远程访问：存储在中心云平台的数据可以轻松地远程访问，分析和共享。这有助于实现协作和决策制定。
数据管理：中心云平台的数据管理功能可帮助组织和维护大量的训练数据，模型参数和结果，以提高效率和可管理性。
综上所述，这一部分的技术方案实现了对自组网系统的自组网模型训练数据、模型参数和训练结果的实时监控和存储，提供了实时性和数据管理的好处，有助于更好地管理和优化自组网模型的训练过程。
本发明实施例提出的一种基于自组网系统的模型训练系统，如图2所示，所述基于自组网系统的模型训练系统包括：
自组网模型调取模块，用于从数据库中调取用于自组网系统的自组网模型，并将所述自组网模型部署至自组网系统中，其中，所述自组网模型采用二叉树的拓扑结构；
训练和模型更新模块，用于利用所述中心云平台针对所述自组网模型进行训练和模型更新；
中心云平台运行控制模块，用于利用中心云平台进行训练数据存储、模型参数存储和训练结果存储。
上述技术方案的工作原理为：自组网模型部署：首先，从数据库中获取用于自组网系统的自组网模型，并将这个模型部署到自组网系统中。这个自组网模型采用二叉树的拓扑结构，这意味着在自组网中，节点以树的形式相互连接，形成一个分层的拓扑结构。
模型训练和更新：通过中心云平台，对自组网模型进行训练和模型更新。这意味着可以通过云计算资源对模型进行训练，以适应不断变化的自组网环境和需求。训练和更新可以包括改进模型的参数、优化性能或适应新的自组网情境。
训练数据和结果存储：利用中心云平台来管理训练数据、模型参数和训练结果的存储。这样，用户可以随时访问和维护这些数据，以确保模型的有效性和性能。
上述技术方案的效果为：实时适应性：该方法允许在自组网系统中使用自组网模型，通过中心云平台对模型进行训练和更新。这使得自组网系统能够实时适应不断变化的网络条件和需求，以提供更好的性能和效率。
分层拓扑结构：采用二叉树的拓扑结构可以实现网络节点之间的分层连接，提供更好的网络组织和管理。
集中式管理：通过中心云平台，可以集中管理模型的训练和存储，以确保数据的安全性和一致性。
数据驱动：使用数据库中的数据和中心云平台进行训练，能够更好地根据实际数据来改进模型，使其更好地适应自组网系统的要求。
综上所述，这一部分的技术方案允许在自组网系统中使用自组网模型，并通过中心云平台进行训练和更新，以实现实时适应性和更好的网络性能。
本发明的一个实施例，所述自组网模型调取模块包括：
运行需求提取模块，用于提取作为边缘端的自组网系统的运行需求；
扫描及自组网模型获取模块，用于对所述数据库进行扫描，获取所述数据库中的具有二叉树的拓扑结构的自组网模型；
结构和功能分析模块，用于对所述数据库中的具有二叉树的拓扑结构的自组网模型进行结构和功能分析，调取与所述边缘端的自组网系统的运行需求匹配的二叉树的拓扑结构的自组网模型，作为目标自组网模型；
标自组网模型部署模块，用于将所述目标自组网模型部署至作为边缘端的自组网系统中。
上述技术方案的工作原理为：提取自组网系统的需求：首先，提取边缘端自组网系统的运行需求。这包括了了解自组网系统的具体功能和性能要求。
扫描数据库：扫描数据库，获取存储在数据库中的自组网模型。这些模型具有二叉树的拓扑结构，是为自组网系统设计的。
结构和功能分析：对数据库中的自组网模型进行结构和功能分析，以确定哪个模型最符合边缘端自组网系统的需求。这涉及匹配拓扑结构和功能需求。
部署目标自组网模型：将确定的目标自组网模型部署到边缘端的自组网系统中，以满足系统的需求。这包括将模型整合到自组网系统的架构中，以便系统可以利用这个模型来进行自组织网络管理。
上述技术方案的效果为：需求定制：通过提取自组网系统的运行需求，确保所选择的自组网模型能够满足系统的特定需求，从而提高系统的性能和效率。
适应性：从数据库中获取自组网模型，并将其部署到系统中，使系统能够根据当前的拓扑结构和功能需求来自动构建和管理网络。
数据库支持：使用数据库来存储多个自组网模型，使系统更加灵活，可以根据需要选择合适的模型。
自组织网络管理：通过部署目标自组网模型，系统可以更好地管理自组织网络，实现更好的自组织性能。
综上所述，这一部分的技术方案允许根据自组网系统的需求，选择和部署合适的自组网模型，以提高系统的性能和适应性。
本发明的一个实施例，所述训练和模型更新模块包括：
第一指令发送模块，用于当作为边缘端的自组网系统中部署有自组网模型后，控制所述自组网系统向所述中心云平台发送自组网模型部署完成指令；
第二指令发送模块，用于所述中心云平台在接收到自组网模型部署完成指令之后，向所述自组网系统发送系统参数调取指令；
系统参数发送模块，用于当所述自组网系统接收到系统参数调取指令之后，提取自身的系统参数，并将所述系统参数发送至中心云平台；
信息发送模块，用于所述中心云平台在接收到所述自组网系统发送的系统参数之后，根据所述系统参数制定训练任务和模型更新时间间隔；
自组网模型训练模块，用于所述中心云平台控制自组网系统根据所述训练任务进行自组网模型训练，获得训练后的自组网模型；
自组网模型更新执行模块，用于所述中心云平台控制自组网系统根据所述模型更新时间间隔定时对自组网模型进行更新，获得更新后的自组网模型。
上述技术方案的工作原理为：自组网模型部署完成指令：当边缘端的自组网系统成功部署了自组网模型后，它向中心云平台发送一个自组网模型部署完成的指令，通知中心云平台准备开始训练和更新。
系统参数调取指令：中心云平台接收到自组网模型部署完成指令后，向自组网系统发送一个系统参数调取指令，以获取自组网系统的当前系统参数。
系统参数提取：自组网系统接收到系统参数调取指令后，提取自身的系统参数，并将这些参数发送给中心云平台。
训练任务和模型更新时间间隔制定：中心云平台接收到自组网系统的系统参数后，根据这些参数制定训练任务和模型更新的时间间隔。这些任务和时间间隔将根据系统的需求和性能来确定。
自组网模型训练：中心云平台控制自组网系统执行训练任务，以训练当前部署的自组网模型。这样，模型可以不断改进和适应网络的变化。
模型更新：中心云平台还控制自组网系统按照制定的时间间隔对自组网模型进行更新。这确保了模型一直处于最新状态，以适应网络环境的变化。
上述技术方案的效果为：实时性：通过与中心云平台的通信，自组网系统能够及时获取训练任务和模型更新的信息，以适应网络环境的实时变化。
性能优化：通过定期的模型训练和更新，自组网系统的性能可以不断提高，以满足不断变化的需求。
资源节约：模型训练和更新是基于系统参数的，因此能够有效地利用资源，避免不必要的训练和更新操作。
自适应性：根据自组网系统的系统参数，训练任务和模型更新时间间隔可以自适应地进行调整，以满足不同条件下的需求。
综上所述，这一部分的技术方案允许中心云平台与自组网系统之间进行通信，以实现自组网模型的训练和更新，以不断提高系统性能和适应性。
本发明的一个实施例，所述自组网模型更新执行模块包括：
训练参数提取模块，用于提取所述训练任务对应的训练目标时长和训练循环次数；
时间间隔设置模块，用于利用所述训练目标时长和训练循环次数设置模型更新时间间隔，其中，所述模型更新时间间隔通过如下公式获取：
T=[1+（Tx-T0）/Tx×exp(N/N0) ]×T0
其中，T表示模型更新时间间隔；T0表示预设的基准时间间隔；Tx表示训练目标时长；N表示训练循环次数；N0表示预设的次数阈值； exp表示以e为底的指数运算。
上述技术方案的工作原理为：提取训练任务信息：首先，从系统参数中提取与训练任务相关的信息，包括训练目标时长（Tx）和训练循环次数（N）。
设置模型更新时间间隔：根据训练目标时长和训练循环次数，使用下述公式来计算模型更新时间间隔（T）：
T=[1+（Tx-T0）/Tx×exp(N/N0) ]×T0
其中，T表示模型更新时间间隔；T0表示预设的基准时间间隔；Tx表示训练目标时长；N表示训练循环次数；N0表示预设的次数阈值； exp表示以e为底的指数运算。
这个公式根据训练目标时长、训练循环次数和预设的阈值来计算实际的模型更新时间间隔。根据这个时间间隔，中心云平台会定期更新自组网系统中的自组网模型。
上述技术方案的效果为：动态适应性：模型更新时间间隔是根据系统的实际训练任务和性能需求计算的，因此能够动态适应不同的工作负载和环境条件。这有助于确保模型总是处于最新状态。
资源优化：通过根据具体需求调整更新时间间隔，可以更好地分配资源，避免不必要的更新操作，从而节省计算和网络资源。
性能优化：根据训练任务时长和循环次数的变化，模型更新时间间隔可以自适应地进行调整，以最大程度地提高系统性能。
综上所述，这一部分的技术方案允许系统根据实际训练任务的要求和性能需求制定自组网模型的更新时间间隔，以提高自组网系统的性能和资源利用率。
本发明的一个实施例，所述中心云平台运行控制模块包括：
训练数据监控模块，用于所述中心云平台实时监控所述自组网系统的自组网模型训练过程中产生的训练数据；
模型参数监控模块，用于所述中心云平台实时监控所述自组网系统的自组网模型训练过程中产生的模型参数；
训练结果获取模块，用于所述中心云平台实时监控所述自组网系统的自组网模型训练过程完成后产生的训练结果；
信息数据存储执行模块，用于利用中心云平台对所述训练数据、模型参数和训练结果进行存储。
上述技术方案的工作原理为：实时监控训练数据（步骤S301）：中心云平台持续监控自组网系统的自组网模型训练过程，以获取产生的训练数据。这些训练数据可能包括输入数据、标签、损失函数值等。
实时监控模型参数（步骤S302）：中心云平台还实时监控训练过程中生成的模型参数。这些参数包括权重和偏差等，它们是模型的关键组成部分。
监控训练结果（步骤S303）：在自组网模型训练过程完成后，中心云平台还监控训练结果，如模型性能指标、训练损失等。这些结果用于评估模型的质量。
存储数据和结果（步骤S304）：中心云平台将实时获取的训练数据、模型参数和训练结果存储在合适的数据库或存储系统中。这样，用户可以随时访问和分析这些数据。
上述技术方案的效果为：实时监控：中心云平台的实时监控功能允许对自组网系统的模型训练过程进行实时追踪。这有助于及时发现问题或异常，以便进行必要的调整。
数据保留：通过存储训练数据、模型参数和训练结果，系统可以跟踪训练历史，以便进一步分析和改进模型的性能。
远程访问：存储在中心云平台的数据可以轻松地远程访问，分析和共享。这有助于实现协作和决策制定。
数据管理：中心云平台的数据管理功能可帮助组织和维护大量的训练数据，模型参数和结果，以提高效率和可管理性。
综上所述，这一部分的技术方案实现了对自组网系统的自组网模型训练数据、模型参数和训练结果的实时监控和存储，提供了实时性和数据管理的好处，有助于更好地管理和优化自组网模型的训练过程。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于自组网系统的模型训练方法，其特征在于，所述基于自组网系统的模型训练方法包括：
从数据库中调取用于自组网系统的自组网模型，并将所述自组网模型部署至自组网系统中，其中，所述自组网模型采用二叉树的拓扑结构；
利用中心云平台针对所述自组网模型进行训练和模型更新；
利用中心云平台进行训练数据存储、模型参数存储和训练结果存储；
其中，利用所述中心云平台针对所述自组网模型进行训练和模型更新，包括：
当作为边缘端的自组网系统中部署有自组网模型后，控制所述自组网系统向所述中心云平台发送自组网模型部署完成指令；
所述中心云平台在接收到自组网模型部署完成指令之后，向所述自组网系统发送系统参数调取指令；
当所述自组网系统接收到系统参数调取指令之后，提取自身的系统参数，并将所述系统参数发送至中心云平台；
所述中心云平台在接收到所述自组网系统发送的系统参数之后，根据所述系统参数制定训练任务和模型更新时间间隔；
所述中心云平台控制自组网系统根据所述训练任务进行自组网模型训练，获得训练后的自组网模型；
所述中心云平台控制自组网系统根据所述模型更新时间间隔定时对自组网模型进行更新，获得更新后的自组网模型；
其中，根据所述系统参数制定模型更新时间间隔，包括：
提取所述训练任务对应的训练目标时长和训练循环次数；
利用所述训练目标时长和训练循环次数设置模型更新时间间隔，其中，所述模型更新时间间隔通过如下公式获取：
T=[1+（Tx-T0）/Tx×exp(N/N0) ]×T0
其中，T表示模型更新时间间隔；T0表示预设的基准时间间隔；Tx表示训练目标时长；N表示训练循环次数；N0表示预设的次数阈值；exp表示以e为底的指数运算。
2.根据权利要求1所述基于自组网系统的模型训练方法，其特征在于，从数据库中调取用于自组网系统的自组网模型，并将所述自组网模型部署至自组网系统中，包括：
提取作为边缘端的自组网系统的运行需求；
对所述数据库进行扫描，获取所述数据库中的具有二叉树的拓扑结构的自组网模型；
对所述数据库中的具有二叉树的拓扑结构的自组网模型进行结构和功能分析，调取与所述边缘端的自组网系统的运行需求匹配的二叉树的拓扑结构的自组网模型，作为目标自组网模型；
将所述目标自组网模型部署至作为边缘端的自组网系统中。
3.根据权利要求1所述基于自组网系统的模型训练方法，其特征在于，利用中心云平台进行训练数据存储、模型参数存储和训练结果存储，包括：
所述中心云平台实时监控所述自组网系统的自组网模型训练过程中产生的训练数据；
所述中心云平台实时监控所述自组网系统的自组网模型训练过程中产生的模型参数；
所述中心云平台实时监控所述自组网系统的自组网模型训练过程完成后产生的训练结果；
利用中心云平台对所述训练数据、模型参数和训练结果进行存储。
4.一种基于自组网系统的模型训练系统，其特征在于，所述基于自组网系统的模型训练系统包括：
自组网模型调取模块，用于从数据库中调取用于自组网系统的自组网模型，并将所述自组网模型部署至自组网系统中，其中，所述自组网模型采用二叉树的拓扑结构；
训练和模型更新模块，用于利用中心云平台针对所述自组网模型进行训练和模型更新；
中心云平台运行控制模块，用于利用中心云平台进行训练数据存储、模型参数存储和训练结果存储；
其中，所述训练和模型更新模块包括：
第一指令发送模块，用于当作为边缘端的自组网系统中部署有自组网模型后，控制所述自组网系统向所述中心云平台发送自组网模型部署完成指令；
第二指令发送模块，用于所述中心云平台在接收到自组网模型部署完成指令之后，向所述自组网系统发送系统参数调取指令；
系统参数发送模块，用于当所述自组网系统接收到系统参数调取指令之后，提取自身的系统参数，并将所述系统参数发送至中心云平台；
信息发送模块，用于所述中心云平台在接收到所述自组网系统发送的系统参数之后，根据所述系统参数制定训练任务和模型更新时间间隔；
自组网模型训练模块，用于所述中心云平台控制自组网系统根据所述训练任务进行自组网模型训练，获得训练后的自组网模型；
自组网模型更新执行模块，用于所述中心云平台控制自组网系统根据所述模型更新时间间隔定时对自组网模型进行更新，获得更新后的自组网模型；
其中，所述自组网模型更新执行模块包括：
训练参数提取模块，用于提取所述训练任务对应的训练目标时长和训练循环次数；
时间间隔设置模块，用于利用所述训练目标时长和训练循环次数设置模型更新时间间隔，其中，所述模型更新时间间隔通过如下公式获取：
T=[1+（Tx-T0）/Tx×exp(N/N0) ]×T0
其中，T表示模型更新时间间隔；T0表示预设的基准时间间隔；Tx表示训练目标时长；N表示训练循环次数；N0表示预设的次数阈值；exp表示以e为底的指数运算。
5.根据权利要求4所述基于自组网系统的模型训练系统，其特征在于，所述自组网模型调取模块包括：
运行需求提取模块，用于提取作为边缘端的自组网系统的运行需求；
扫描及自组网模型获取模块，用于对所述数据库进行扫描，获取所述数据库中的具有二叉树的拓扑结构的自组网模型；
结构和功能分析模块，用于对所述数据库中的具有二叉树的拓扑结构的自组网模型进行结构和功能分析，调取与所述边缘端的自组网系统的运行需求匹配的二叉树的拓扑结构的自组网模型，作为目标自组网模型；
标自组网模型部署模块，用于将所述目标自组网模型部署至作为边缘端的自组网系统中。
6.根据权利要求4所述基于自组网系统的模型训练系统，其特征在于，所述中心云平台运行控制模块包括：
训练数据监控模块，用于所述中心云平台实时监控所述自组网系统的自组网模型训练过程中产生的训练数据；
模型参数监控模块，用于所述中心云平台实时监控所述自组网系统的自组网模型训练过程中产生的模型参数；
训练结果获取模块，用于所述中心云平台实时监控所述自组网系统的自组网模型训练过程完成后产生的训练结果；
信息数据存储执行模块，用于利用中心云平台对所述训练数据、模型参数和训练结果进行存储。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311425918.6A CN117332878B (zh) | 2023-10-31 | 2023-10-31 | 一种基于自组网系统的模型训练方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311425918.6A CN117332878B (zh) | 2023-10-31 | 2023-10-31 | 一种基于自组网系统的模型训练方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117332878A CN117332878A (zh) | 2024-01-02 |
| CN117332878B true CN117332878B (zh) | 2024-04-16 |
Family
ID=89277301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311425918.6A Active CN117332878B (zh) | 2023-10-31 | 2023-10-31 | 一种基于自组网系统的模型训练方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332878B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108419097A (zh) * | 2018-03-16 | 2018-08-17 | 洛阳师范学院 | 一种移动自组网下基于聚类树的视频共享方法 |
| CN108427992A (zh) * | 2018-03-16 | 2018-08-21 | 济南飞象信息科技有限公司 | 一种基于边缘云计算的机器学习训练系统及方法 |
| WO2020125454A1 (zh) * | 2018-12-18 | 2020-06-25 | 电信科学技术研究院有限公司 | 一种信息处理方法、系统及装置 |
| CN111507489A (zh) * | 2020-04-20 | 2020-08-07 | 电子科技大学中山学院 | 一种云边协同的游乐设备故障预测与健康管理系统及方法 |
| CN113890564A (zh) * | 2021-08-24 | 2022-01-04 | 浙江大学 | 基于联邦学习的无人机专用自组网跳频抗干扰方法及装置 |
| CN113971461A (zh) * | 2021-10-26 | 2022-01-25 | 南京航空航天大学 | 一种无人机自组网分布式联邦学习方法和系统 |
| WO2022033024A1 (zh) * | 2020-08-12 | 2022-02-17 | 中国银联股份有限公司 | 深度学习模型的分布式训练方法以及装置 |
| CN116154951A (zh) * | 2022-11-21 | 2023-05-23 | 广东电网有限责任公司 | 一种基于自组网的站间系统数据同步方法 |
-
2023
- 2023-10-31 CN CN202311425918.6A patent/CN117332878B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108419097A (zh) * | 2018-03-16 | 2018-08-17 | 洛阳师范学院 | 一种移动自组网下基于聚类树的视频共享方法 |
| CN108427992A (zh) * | 2018-03-16 | 2018-08-21 | 济南飞象信息科技有限公司 | 一种基于边缘云计算的机器学习训练系统及方法 |
| WO2020125454A1 (zh) * | 2018-12-18 | 2020-06-25 | 电信科学技术研究院有限公司 | 一种信息处理方法、系统及装置 |
| CN111507489A (zh) * | 2020-04-20 | 2020-08-07 | 电子科技大学中山学院 | 一种云边协同的游乐设备故障预测与健康管理系统及方法 |
| WO2022033024A1 (zh) * | 2020-08-12 | 2022-02-17 | 中国银联股份有限公司 | 深度学习模型的分布式训练方法以及装置 |
| CN113890564A (zh) * | 2021-08-24 | 2022-01-04 | 浙江大学 | 基于联邦学习的无人机专用自组网跳频抗干扰方法及装置 |
| CN113971461A (zh) * | 2021-10-26 | 2022-01-25 | 南京航空航天大学 | 一种无人机自组网分布式联邦学习方法和系统 |
| CN116154951A (zh) * | 2022-11-21 | 2023-05-23 | 广东电网有限责任公司 | 一种基于自组网的站间系统数据同步方法 |
Non-Patent Citations (3)
| Title |
|---|
| Parameter Training in MANET using Artificial Neural Network;Baisakhi Chatterjee et al.;Computer Network and Information Security;20190908;1-8 * |
| 基于AVL树的自组网地址自动分配算法;林亚忠等;医疗卫生装备;20120430;第33卷(第4期);49-51 * |
| 基于B/S架构的声纳员听音训练系统;曹占启;崔滋刚;;电子设计工程;20200305(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117332878A (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113239639B (zh) | 策略信息生成方法、装置、电子装置和存储介质 | |
| CN113132945B (zh) | 一种铁路专网基站小区节能调度方法和系统 | |
| CN115278708B (zh) | 一种面向联邦学习的移动边缘计算资源管理方法 | |
| CN112685179A (zh) | 一种基于云上成本的资源部署系统及方法 | |
| CN101321093B (zh) | 支持无线传感器网络现场开发和调试的系统 | |
| CN113825152A (zh) | 容量控制方法、网管设备、管理编排设备、系统及介质 | |
| CN101989928A (zh) | 网络设备信息采集方法、系统、管理系统和网络设备 | |
| CN102026228B (zh) | 通信网络性能数据的统计方法和设备 | |
| CN113937894A (zh) | 一种基于云边协同的电力智能终端管理系统及方法 | |
| CN111324460A (zh) | 一种基于云计算平台的电力监测控制系统及方法 | |
| CN117332878B (zh) | 一种基于自组网系统的模型训练方法和系统 | |
| CN113014649B (zh) | 一种基于深度学习的云物联负载均衡方法、装置及设备 | |
| CN114092059A (zh) | 一种基于云边端协同的智慧养猪管理系统及方法 | |
| CN102148848A (zh) | 一种数据的管理方法和系统 | |
| CN106502856A (zh) | 一种信息处理方法及装置 | |
| CN112199154A (zh) | 一种基于分布式协同采样中心式优化的强化学习训练系统及方法 | |
| CN116755867A (zh) | 一种面向卫星云的计算资源调度系统、方法及存储介质 | |
| CN116405990A (zh) | 设备节能方法、系统、电子设备及存储介质 | |
| CN102045154B (zh) | 动力设备数据同步方法、系统及动力资源管理服务器 | |
| CN113362037A (zh) | 一种基于边缘云的煤矿智能管理系统及方法 | |
| CN115081679A (zh) | 基于cdc的工业数据动态变化自动感知处理系统 | |
| CN115033253A (zh) | 一种深度学习模型的云边协同训练和部署系统及方法 | |
| Liu et al. | Cloud native based intelligent RAN architecture towards 6G programmable networking | |
| CN104065506B (zh) | 移动互联网应用模块的部署方法 | |
| CN111949246A (zh) | 新能源电力行业应用的创建方法及装置 |
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 |