CN117336137B - 基于智能边缘网关的物联网数据处理方法及系统 - Google Patents
基于智能边缘网关的物联网数据处理方法及系统 Download PDFInfo
- Publication number
- CN117336137B CN117336137B CN202311337382.2A CN202311337382A CN117336137B CN 117336137 B CN117336137 B CN 117336137B CN 202311337382 A CN202311337382 A CN 202311337382A CN 117336137 B CN117336137 B CN 117336137B
- Authority
- CN
- China
- Prior art keywords
- edge gateway
- intelligent edge
- reliability
- factor
- risk
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 62
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000007405 data analysis Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 10
- 230000006698 induction Effects 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 39
- 238000003860 storage Methods 0.000 claims description 26
- 231100000817 safety factor Toxicity 0.000 claims description 24
- 238000005265 energy consumption Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000011084 recovery Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 108700041286 delta Proteins 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 abstract description 2
- 230000010365 information processing Effects 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明公开了基于智能边缘网关的物联网数据处理方法及系统,属于数据处理系统领域,包括感应层、边缘层、应用层。边缘层包括数据预处理模块、数据分析模块、异常模块和评估模块;应用层包括实时监控模块、反馈模块。感应层用于实时采集智能边缘网关的物联网初始数据;边缘层用于对智能边缘网关的物联网初始数据进行处理,处理过程包括过滤重复错误数据、传输协议转换、数据分析;应用层用于监控和对收集边缘层发出的信号和数据采取对应措施做出反馈。本发明既可以实时监控,又可以实时决策和响应,提供安全可靠的信息处理能力。本发明应用环境广泛,适用于智慧城市、智慧工厂和智慧办公室的场景。
Description
技术领域
本发明属于数据处理系统技术领域,具体涉及基于智能边缘网关的物联网数据处理方法及系统。
背景技术
智能边缘是指在物联网(IoT)中,数据处理和分析不仅可以在云端服务器上进行,还可以在设备边缘(如传感器、终端设备)上进行。这种边缘计算的方式可以提供更快速、实时的响应,并减少对云端的依赖。基于智能边缘网关的物联网数据处理技术主要包括边缘计算、人工智能和机器学习、传感器技术和网络通信技术,数据处理包括过滤重复错误数据、协议转换,这些技术的发展和应用使得物联网系统能够更加智能、高效地处理和分析大规模的实时数据。基于智能边缘网关的物联网数据采集方法及系统,在智慧城市、智慧工厂、智慧办公室中具有重要意义。但是现有的基于智能边缘网关的物联网数据处理方法,存在数据存储和处理能力有限,数据传输安全性、可靠性的分析反馈能力差的问题。
发明内容
本发明的目的在于提供基于智能边缘网关的物联网数据处理方法及系统,用于解决智慧城市、智慧工厂和智慧办公室建设中传统的边缘技术物联网数据处理存在数据存储和处理能力有限,数据传输安全性、可靠性的分析反馈能力差的技术问题。
为了实现上述目的,本发明采用了如下技术方案:
基于智能边缘网关的物联网数据处理系统,包括感应层、边缘层和应用层;边缘层包括数据分析模块、异常模块和评估模块;应用层包括实时监控模块和反馈模块。
感应层:用于实时采集智能边缘网关的物联网初始数据并将其发送至边缘层。
边缘层:用于对智能边缘网关的物联网初始数据进行处理,处理过程包括可靠性分析处理和安全性分析处理。
应用层:用于监控和对收集边缘层发出的信号和数据采取对应措施做出反馈。
数据分析模块:用于将智能边缘网关的物联网数据进行可靠性分析处理和安全性分析处理,产生可靠风险因子和安全风险因子并将其发送至异常模块,产生多级可靠因子和多级安全因子并将其发送至评估模块。
异常模块:用于将可靠风险因子和安全风险因子的数值相乘得到综合风险系数,将综合风险系数的数值大小与其阈值相比较,产生高、低风险警报。
评估模块:用于将可靠因子和安全因子的数值相乘得到综合质量系数,制成以时间为横坐标,综合质量系数为纵坐标的基于智能边缘网关的物联网数据质检折线图。
实时监控模块:通过HTTP协议与智能边缘网关的服务器建立连接,用于实时接收边缘层传输的信号和数据。
反馈模块:根据实时监控模块,获得智能边缘网关实时状态,采取对应措施做出反馈的功能模块。当检测到高风险警报、低风险警报时根据具体的边缘网关物联网数据做出对应决策:
作为优选,感应层的工作流程是通过感知节点实时采集智能边缘网关的物联网数据中的数据包括传输可靠性信息和安全性信息;传输可靠性信息包括丢包率、延迟、带宽利用率,安全性信息包括数据传输存储损失率、故障率、能耗。
作为优选,数据分析模块可靠性分析处理具体工作流程如下:
S1、当存在丢包率大于等于0.1%、延迟大于等于10毫秒、带宽利用率小于30%的任意一种及以上情况时,判定智能边缘网关存在传输可靠性风险,产生可靠风险信号,计算得到可靠风险因子Ki并将其发送至异常模块;
计算得到可靠风险因子Ki的公式为:
其中,i为大于等于1的正整数,i表示第几分钟,bi表示当i第分钟时,智能边缘网关运行时其对应的丢包率数值,ci表示当第i分钟时,智能边缘网关运行时其对应的延迟数值,di表示第i分钟时,智能边缘网关运行时其对应的带宽利用率数值;
当Ki值越大,说明对应第i分钟内智能边缘网关运行的传输可靠性越差;
S2、当丢包率小于0.1%且延迟小于10毫秒、宽带利用率大于等于30%时,判定智能边缘网关不存在传输可靠性风险,产生可靠信号,计算得到可靠因子UKi并将其发送至评估模块;
计算得到可靠因子UKi的公式为:
UKi=z1*[lg(bi/υ+ci/β-di/δ-1)]其中,μ>0,β>0,δ>0且bi/μ+ci/β-di/δ>2,z1=2.1,z1为可靠修正因子,i为大于等于1的正整数,i表示第几分钟,bi表示当第i分钟时,智能边缘网关运行时其对应的丢包率数值,ci表示当第i分钟时,智能边缘网关运行时其对应的延迟数值,di表示第i分钟时,智能边缘网关运行时其对应的带宽利用率数值;
S3、可靠因子UKi数值随时间变化,将智能边缘网关运行时长按顺序分解成若干个以分钟为单位的孤立值UKi,i表示第几分钟,设置相邻孤立UKi数值之间的差值绝对值即|UKi+1-UKi|的值为智能边缘网关运行可靠性偏差值,规定整个智能边缘网关运行中智能边缘网关运行可靠性偏差值的阈值为Q1,Q1值为0.1342;当0≤|UKi+1-UKi|≤Q1时,判定智能边缘网关运行可靠性状态为二级可靠状态,产生二级可靠因子并将其发送至评估模块;
当|UKi+1-UKi|>Q1时:
若UKi+1-UKi<0,判定智能边缘网关运行可靠性状态为一级可靠状态,产生一级可靠因子并将其发送至评估模块;
若UKi+1-UKi>0,判定智能边缘网关运行可靠性状态为三级可靠状态,产生三级可靠因子并将其发送至评估模块。
作为优选,数据分析模块安全性分析处理具体工作流程如下:
S10、当存在数据传输存储损失率大于等于5%、故障率大于等于2%时、能耗大于等于20%的任意一种及以上情况时,判定智能边缘网关存在安全性风险,产生安全风险信号,计算得到安全风险因子Ai并将其发送至异常模块;
计算得到安全风险因子Ai的公式为:
其中,i为大于等于1的正整数,i表示第几分钟,ji表示当第i分钟时,智能边缘网关运行时其对应的数据传输存储损失率数值,zi表示当第i分钟时,智能边缘网关运行时其对应的故障率数值,hi表示当第i分钟时,智能边缘网关运行时其对应的能耗值;
当Ai值越大,说明对应第i分钟内智能边缘网关运行的安全性越差;
S20、当数据传输存储损失率小于5%时并且故障率小于2%时并且能耗小于20%时,判定智能边缘网关不存在安全性风险,产生安全信号,计算得到安全因子UAi并将其发送至评估模块;
计算得到安全因子UAi的公式为:
UAi=z2*[lg(ji/α+zi/θ+hi/γ-1)]其中α>0,θ>0,γ>0且ji/α+zi/θ+hi/γ>2,z2=1.007,z2为安全修正因子,i为大于等于i的正整数,i表示第几分钟,ji表示当第i分钟时,智能边缘网关运行时其对应的数据传输存储损失率数值,zi表示当第i分钟时,智能边缘网关运行时其对应的故障率数,hi表示当第i分钟时,智能边缘网关运行时其对应的能耗;
S30、安全因子UAi数值随时间变化,将智能边缘网关运行时长按顺序分解成若干个以分钟为单位的孤立值UAi,i表示第几分钟,设置相邻孤立UAi数值之间的差值绝对值即|UAi+1-UAi|的值为智能边缘网关运行安全性偏差值,规定整个智能边缘网关运行中智能边缘网关运行安全性偏差值的阈值为Q2,Q2值为1.347;
当0≤|UAi+1-UAi|≤Q2时,判定智能边缘网关运行安全性状态为二级安全状态,产生二级安全因子并将其发送至评估模块;
当0≤|UAi+1-UAi|>Q2时:
若UAi+1-UAi<0,判定智能边缘网关运行安全性状态为一级安全状态,产生一级安全因子并将其发送至评估模块;
若UAi+1-UAi>0,判定智能边缘网关运行安全性状态为三级安全状态,产生三级安全因子并将其发送至评估模块。
作为优选,异常模块具体工作流程如下:
规定整个智能边缘网关运行中智能边缘网关运行综合风险系数阈值为Q3,经过软件通信技术人员采集大量数据进行软件模拟得出且选取与真实值接近的Q3值为2.5;
当KAi≥Q3时,判定智能边缘网关运行安全性状态为高风险状态,产生高风险警报;
当KAi<Q3时,判定智能边缘网关运行安全性状态为低风险状态,产生低风险警报。
作为优选,反馈模块根据实时监控模块,当检测到高风险警报、低风险警报时根据具体的边缘网关物联网数据做出对应决策:
针对可靠性风险引起的风险警报,进行网络拓扑优化、流量调度策略、增加缓存容量、优化网络设备配置、带宽管理与调度的操作;
针对安全性风险引起的风险警报,进行数据本地存储、技术优化、异地备份、灾备与容灾策略、优化算法和数据处理、功耗管理策略的操作。
基于智能边缘网关的物联网数据处理方法,包括以下步骤:
S1、感应层实时采集智能边缘网关的物联网数据的传输可靠性信息和安全性信息。
S2、数据分析模块将传输可靠性信息和安全性信息进行分析处理,包括可靠性分析处理和安全性分析处理。
S3、将可靠风险因子和安全风险因子的数值相乘得到综合风险系数。
S4、将可靠因子和安全因子的数值相乘得到综合质量系数,制成以时间为横坐标,综合质量系数为纵坐标的基于智能边缘网关的物联网数据质检折线图。
作为优选,传输可靠性信息包括丢包率、延迟和带宽利用率,安全性信息包括数据传输存储损失率、故障率和能耗;可靠性分析处理和安全性分析处理,产生可靠风险因子和安全风险因子并将其发送至异常模块;产生多级可靠因子和多级安全因子并将其发送至评估模块。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明通过可靠性分析处理和安全性分析处理产生多种风险因子、多级可靠或安全因子,提高数据的可理解性,便于数据组织和管理,提高数据分析的效率;再次通过将综合风险系数将综合风险系数的数值大小与其阈值相比较,得到高、低风险警报,可以及时发现异常情况,加强数据的安全性和保护机制,降低数据安全风险。
2、本发明能够清楚地反映数据变化趋势,帮助用户更好地理解数据的内在规律和趋势;实时监控模块可以及时发现潜在的安全隐患和风险,提升安全性和风险管理能力,为决策提供依据和参考;反馈模块获得智能边缘网关实时状态,当检测到高风险警报、低风险警报时根据具体的边缘网关物联网数据做出对应决策。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,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示出了本发明基于智能边缘网关的物联网数据处理系统的整体框架图;
图2示出了本发明实时监控模块通过HTTP完整请求过程流程图;
图3示出了本发明基于智能边缘网关的物联网数据处理方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例1
参阅图1所示,本实施例的基于智能边缘网关的物联网数据处理系统,包括感应层、边缘层和应用层;边缘层包括数据分析模块、异常模块和评估模块;应用层包括实时监控模块和反馈模块。感应层用于实时采集智能边缘网关的物联网初始数据并将其发送至边缘层;边缘层用于对智能边缘网关的物联网初始数据进行处理,处理过程包括可靠性分析处理和安全性分析处理;应用层用于监控和对收集边缘层发出的信号和数据采取对应措施做出反馈。
具体地,感应层用于实时采集智能边缘网关的物联网数据的传输可靠性信息和安全性信息;传输可靠性信息包括丢包率、延迟和带宽利用率,安全性信息包括数据传输存储损失率、故障率和能耗。
1、丢包率:丢包率是指在边缘设备上进行数据传输时,由于网络延迟、带宽限制或设备故障等原因导致数据包在传输过程中丢失的概率,是衡量边缘计算系统可靠性的重要指标之一。
2、延迟:延迟是指从数据生成到数据处理完成所需的时间。在边缘计算中,由于数据处理在离数据源更近的边缘设备上进行,相比于传统的云计算模式,可以大大减少数据传输的时间,从而降低延迟,是衡量边缘计算系统可靠性的重要指标之一。
3、带宽利用率:带宽是指网络传输中的数据传输速度。在边缘计算中,由于数据处理在边缘设备上进行,减少了数据在网络中的传输量,可以降低对网络带宽的需求,是衡量边缘计算系统可靠性的重要指标之一。
4、故障率:是指在边缘设备或边缘网络中,由于各种原因导致设备或系统发生故障的概率,是衡量边缘计算系统安全性的重要指标之一。
5、数据传输存储损失率:指在数据从边缘设备传输到存储系统的过程中,由于各种原因导致部分或全部数据丢失或损坏的比例,是衡量边缘计算系统安全性的重要指标之一。
6、能耗:边缘设备通常是资源有限的,因此能耗也是一个重要指标。边缘设备需要具备低功耗设计,以延长设备的使用寿命,并减少对电池或能源的消耗,是衡量边缘计算系统安全性的重要指标之一。
数据分析模块用于将智能边缘网关的物联网数据的传输可靠性信息和安全性信息进行分析处理,包括可靠性分析处理和安全性分析处理,产生多种风险因子并将其发送至异常模块,产生多级可靠或安全因子并将其发送至评估模块;
数据分析模块的工作流程包括如下步骤:
S1、可靠性分析处理:
S11、实时收集智能边缘网关的物联网数据的传输可靠性信息,传输可靠性信息包括丢包率、延迟和带宽利用率;
S12、当存在丢包率大于等于0.1%、延迟大于等于10毫秒、带宽利用率小于30%的任意一种及以上情况时,判定智能边缘网关存在传输可靠性风险,产生可靠风险信号,计算得到可靠风险因子Ki并将其发送至异常模块。计算得到可靠风险因子Ki的公式为:
其中,i为大于等于1的正整数,i表示第几分钟,bi表示当i第分钟时,智能边缘网关运行时其对应的丢包率数值,ci表示当第i分钟时,智能边缘网关运行时其对应的延迟数值,di表示第i分钟时,智能边缘网关运行时其对应的带宽利用率数值;
需要说明的是,当Ki值越大,说明对应第i分钟内智能边缘网关运行的传输可靠性越差。
S13、当丢包率小于0.1%且延迟小于10毫秒、宽带利用率大于等于30%时,判定智能边缘网关不存在传输可靠性风险,产生可靠信号,计算得到可靠因子UKi并将其发送至评估模块;
计算得到可靠因子UKi的公式为:
UKi=z1*[lg(bi/υ+ci/β-di/δ-1)],其中,μ>0,β>0,δ>0,且bi/μ+ci/β-di/δ>2,z1=2.1,z1为可靠修正因子,i为大于等于1的正整数,i表示第几分钟,bi表示当第i分钟时,智能边缘网关运行时其对应的丢包率数值,ci表示当第i分钟时,智能边缘网关运行时其对应的延迟数值,di表示第i分钟时,智能边缘网关运行时其对应的带宽利用率数值。
由软件通信技术人员采集多组正常状态下智能边缘网关运行时可靠因子UKi数值的样本数据并对每一组样本数据设定对应的评级系数 将设定的评级系数和采集的样本数据代入公式,任意两个公式构成二元一次方程组,将计算得到的系数进行筛选并取均值,得到μ、β和δ取值分别为1.2111、1.14644和1.007;系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的系数。
可靠因子UKi数值随时间变化,将智能边缘网关运行时长按顺序分解成若干个以分钟为单位的孤立值UKi,i表示第几分钟,设置相邻孤立UKi数值之间的差值绝对值即|UKi+1-UKi|的值为智能边缘网关运行可靠性偏差值,规定整个智能边缘网关运行中智能边缘网关运行可靠性偏差值的阈值为Q1,经过软件通信技术人员采集大量数据进行软件模拟得出且选取与真实值接近的Q1值为0.1342,公式中的系数是由本领域技术人员根据实际情况进行设置。
当0≤|UKi+1-UKi|≤Q1时,判定智能边缘网关运行可靠性状态为二级可靠状态,产生二级可靠因子并将其发送至评估模块;
当|UKi+1-UKi|>Q1时:
若UKi+1-UKi<0,判定智能边缘网关运行可靠性状态为一级可靠状态,产生一级可靠因子并将其发送至评估模块;
若UKi+1-UKi>0,判定智能边缘网关运行可靠性状态为三级可靠状态,产生三级可靠因子并将其发送至评估模块。
S2、安全性分析处理:
S21、实时收集智能边缘网关的物联网数据中的安全性信息,安全性信息包括数据传输存储损失率、故障率和能耗;
S22、当存在数据传输存储损失率大于等于5%、故障率大于等于2%时、能耗大于等于20%的任意一种及以上情况时,判定智能边缘网关存在安全性风险,产生安全风险信号,计算得到安全风险因子Ai并将其发送至异常模块;
计算得到安全风险因子Ai的公式为:
其中,i为大于等于1的正整数,i表示第几分钟,ji表示当第i分钟时,智能边缘网关运行时其对应的数据传输存储损失率数值,zi表示当第i分钟时,智能边缘网关运行时其对应的故障率数值,hi表示当第i分钟时,智能边缘网关运行时其对应的能耗值;
需要说明的是,当Ai值越大,说明对应第i分钟内智能边缘网关运行的安全性越差。
S23、当数据传输存储损失率小于5%时并且故障率小于2%时并且能耗小于20%时,判定智能边缘网关不存在安全性风险,产生安全信号,计算得到安全因子UAi并将其发送至评估模块;
计算得到安全因子UAi的公式为:
UAi=z2*[lg(ji/α+zi/θ+hi/γ-1)],其中α>0,θ>0,γ>0且ji/α+zi/θ+hi/γ>2,z2=1.007,z2为安全修正因子,i为大于等于i的正整数,i表示第几分钟,ji表示当第i分钟时,智能边缘网关运行时其对应的数据传输存储损失率数值,zi表示当第i分钟时,智能边缘网关运行时其对应的故障率数,hi表示当第i分钟时,智能边缘网关运行时其对应的能耗。
由软件通信技术人员采集多组正常状态下智能边缘网关运行时安全因子UAi数值的样本数据并对每一组样本数据设定对应的评级系数 将设定的评级系数和采集的样本数据代入公式,任意两个公式构成二元一次方程组,将计算得到的系数进行筛选并取均值,得到α和θ取值分别为2.361和1.09;系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的系数。
安全因子UAi数值随时间变化,将智能边缘网关运行时长按顺序分解成若干个以分钟为单位的孤立值UAi,i表示第几分钟,设置相邻孤立UAi数值之间的差值绝对值即|UAi+1-UAi|的值为智能边缘网关运行安全性偏差值,规定整个智能边缘网关运行中智能边缘网关运行安全性偏差值的阈值为Q2,经过软件通信技术人员采集大量数据进行软件模拟得出且选取与真实值接近的Q2值为1.347,公式中的系数是由本领域技术人员根据实际情况进行设置。
当0≤|UAi+1-UAi|≤Q2时,判定智能边缘网关运行安全性状态为二级安全状态,产生二级安全因子并将其发送至评估模块;
当0≤|UAi+1-UAi|>Q2时:
若UAi+1-UAi<0,判定智能边缘网关运行安全性状态为一级安全状态,产生一级安全因子并将其发送至评估模块;
若UAi+1-UAi>0,判定智能边缘网关运行安全性状态为三级安全状态,产生三级安全因子并将其发送至评估模块。
异常模块用于将可靠风险因子Ki和安全风险因子Ai的数值相乘得到综合风险系数KAi;将综合风险系数KAi的数值大小与其阈值Q3相比较:
规定整个智能边缘网关运行中智能边缘网关运行综合风险系数阈值为Q3,经过软件通信技术人员采集大量数据进行软件模拟得出且选取与真实值接近的Q3值为2.5,公式中的系数是由本领域技术人员根据实际情况进行设置。
当KAi≥Q3时,判定智能边缘网关运行安全性状态为高风险状态,产生高风险警报。
当KAi<Q3时,判定智能边缘网关运行安全性状态为低风险状态,产生低风险警报。
评估模块用于将可靠因子Ki和安全因子Ai的数值相乘得到综合质量系数UKAi,制成以时间为横坐标,综合质量系数UKAi为纵坐标的基于智能边缘网关的物联网数据质检折线图,通过基于智能边缘网关的物联网数据质检折线图可以清楚地反映数据变化趋势。
本发明实施例中,通过数据分析模块的可靠性分析处理和安全性分析处理产生多种风险因子、多级可靠或安全因子,提高数据的可理解性,便于数据组织和管理,使得数据的组织结构更加清晰和有序,这样数据的查找和管理变得方便和高效,提高数据分析的效率;异常模块通过将综合风险系数将综合风险系数的数值大小与其阈值相比较,得到高、低风险警报,可以及时发现异常情况,加强数据的安全性和保护机制,降低数据安全风险;评估模块可以清楚地反映数据变化趋势。帮助用户更好地理解数据的内在规律和趋势。
实施例2
参阅图2所示,本实施例的基于智能边缘网关的物联网数据处理系统,实时监控模块通过HTTP协议与智能边缘网关的服务器建立连接,用于实时接收边缘层传输的信号和数据。
反馈模块根据实时监控模块,获得智能边缘网关实时状态,采取对应措施做出反馈的功能模块。当检测到高风险警报、低风险警报时根据具体的边缘网关物联网数据做出对应决策:
针对可靠性风险引起的风险警报,进行网络拓扑优化、流量调度策略、增加缓存容量、优化网络设备配置、带宽管理与调度的操作;
①网络拓扑优化:优化边缘网关所在的网络拓扑结构,减少网络路径的跳数,降低延迟和丢包率。使用更高带宽的链路并且增加冗余路径,以提高网络的可靠性。
②流量调度策略:采用合适的流量调度策略,将负载均衡地分配到不同的边缘网关上。通过动态调整流量分布,避免设备负载过重导致丢包率升高的情况。
③增加缓存容量:在边缘网关上增加缓存容量,缓解网络拥塞问题,减少丢包率,缓存常用数据或者经常访问的资源,提高访问速度并减少对核心网络的依赖。
④优化网络设备配置:合理配置边缘设备的硬件资源和网络参数,调整缓冲区大小、优化传输控制协议(TCP)参数等,可以改善网络传输的稳定性,降低丢包率。
⑤带宽管理与调度:采用带宽管理与调度技术,对边缘网关中的带宽资源进行有效管理和分配。根据带宽需求的优先级、实时性因素进行调度,合理分配带宽资源,提高带宽利用率。
针对安全性风险引起的风险警报,进行数据本地存储、技术优化、异地备份、灾备与容灾策略、优化算法和数据处理、功耗管理策略的操作;:
①数据本地存储:增加一定的存储容量,将常用的数据存储在本地,减少数据的传输存储频率。根据数据的重要性和访问频率来确定哪些数据需要存储在本地。
②技术优化:采用技术手段如缓存、多路径传输、数据压缩来提高数据传输效率,同时减少对网络带宽的依赖。
③异地备份:在不同地点部署多个边缘设备,并设置数据和应用程序的备份机制。当某个边缘设备发生故障时,可以及时切换到备份设备,以保证服务的连续性和可用性。
④灾备与容灾策略:制定灾备和容灾策略,确保在灾难事件发生时,边缘网关能够快速恢复并切换到备用系统。采用数据备份、冗余部署、负载均衡等技术手段,以及制定相应的应急预案,提高系统的可恢复性和容错性。
⑤优化算法和数据处理:通过优化算法和数据处理流程,减少边缘网关的计算和通信负载,降低能耗。采用压缩算法、剪枝算法技术对数据进行精简和处理,减少计算量和通信量。
⑥功耗管理策略:根据不同的使用情况和工作负载,灵活调整设备的功耗模式。采用动态频率调整、睡眠模式技术,在设备空闲或负载较轻时降低功耗。
本发明实施例中,实时监控模块通过HTTP协议与智能边缘网关的服务器建立连接,用于实时接收边缘层传输的信号和数据,实现实时监控功能,可以及时发现潜在的安全隐患和风险,提升安全性和风险管理能力,为决策提供依据和参考;反馈模块获得智能边缘网关实时状态,当检测到高风险警报、低风险警报时根据具体的边缘网关物联网数据做出对应决策,优化了系统、改进服务质量,增加市场竞争力。
实施例3
参阅图3所示,本实施例的基于智能边缘网关的物联网数据处理方法,处理方法包括以下步骤:
S1、感应层实时采集智能边缘网关的物联网数据的传输可靠性信息和安全性信息。传输可靠性信息包括丢包率、延迟和带宽利用率,安全性信息包括数据传输存储损失率、故障率和能耗。
S2、数据分析模块将传输可靠性信息和安全性信息进行分析处理,包括可靠性分析处理和安全性分析处理,产生可靠风险因子和安全风险因子并将其发送至异常模块;产生多级可靠因子和多级安全因子并将其发送至评估模块。
S3、将可靠风险因子和安全风险因子的数值相乘得到综合风险系数;将综合风险系数的数值大小与其阈值相比较,判定智能边缘网关运行安全性状态为高风险状态或者低风险状态,产生高风险警报或者低风险警报。
S4、将可靠因子和安全因子的数值相乘得到综合质量系数,制成以时间为横坐标,综合质量系数为纵坐标的基于智能边缘网关的物联网数据质检折线图。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可做很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.基于智能边缘网关的物联网数据处理系统,其特征在于,包括感应层、边缘层和应用层;边缘层包括数据分析模块、异常模块和评估模块;应用层包括实时监控模块和反馈模块;
感应层:用于实时采集智能边缘网关的物联网初始数据并将其发送至边缘层;
边缘层:用于对智能边缘网关的物联网初始数据进行处理,处理过程包括可靠性分析处理和安全性分析处理;
应用层:用于监控和对收集边缘层发出的信号和数据采取对应措施做出反馈;
数据分析模块:用于将智能边缘网关的物联网数据进行可靠性分析处理和安全性分析处理,产生可靠风险因子和安全风险因子并将其发送至异常模块,产生多级可靠因子和多级安全因子并将其发送至评估模块;
异常模块:用于将可靠风险因子和安全风险因子的数值相乘得到综合风险系数,将综合风险系数的数值大小与其阈值相比较,产生高、低风险警报;
评估模块:用于将可靠因子和安全因子的数值相乘得到综合质量系数,制成以时间为横坐标,综合质量系数为纵坐标的基于智能边缘网关的物联网数据质检折线图;
实时监控模块:通过HTTP协议与智能边缘网关的服务器建立连接,用于实时接收边缘层传输的信号和数据;
反馈模块:根据实时监控模块,获得智能边缘网关实时状态,采取对应措施做出反馈的功能模块;当检测到高风险警报、低风险警报时根据边缘网关物联网数据做出对应决策。
2.根据权利要求1所述的基于智能边缘网关的物联网数据处理系统,其特征在于,感应层的工作流程是通过感知节点实时采集智能边缘网关的物联网数据中的数据包括传输可靠性信息和安全性信息;传输可靠性信息包括丢包率、延迟、带宽利用率,安全性信息包括数据传输存储损失率、故障率、能耗。
3.根据权利要求2所述的基于智能边缘网关的物联网数据处理系统,其特征在于,可靠性分析处理具体工作流程如下:
S1、当存在丢包率大于等于0.1%、延迟大于等于10毫秒、带宽利用率小于30%的任意一种及以上情况时,判定智能边缘网关存在传输可靠性风险,产生可靠风险信号,计算得到可靠风险因子Ki并将其发送至异常模块;
计算得到可靠风险因子Ki的公式为:
其中,i为大于等于1的正整数,i表示第几分钟,bi表示当i第分钟时,智能边缘网关运行时其对应的丢包率数值,ci表示当第i分钟时,智能边缘网关运行时其对应的延迟数值,di表示第i分钟时,智能边缘网关运行时其对应的带宽利用率数值;
当Ki值越大,说明对应第i分钟内智能边缘网关运行的传输可靠性越差;
S2、当丢包率小于0.1%且延迟小于10毫秒、宽带利用率大于等于30%时,判定智能边缘网关不存在传输可靠性风险,产生可靠信号,计算得到可靠因子UKi并将其发送至评估模块;
计算得到可靠因子UKi的公式为:
UKi=z1*[lg(bi/μ+ci/β-di/δ-1)]其中,μ>0,β>0,δ>0且bi/μ+ci/β-di/δ>2,z1=2.1,z1为可靠修正因子,i为大于等于1的正整数,i表示第几分钟,bi表示当第i分钟时,智能边缘网关运行时其对应的丢包率数值,ci表示当第i分钟时,智能边缘网关运行时其对应的延迟数值,di表示第i分钟时,智能边缘网关运行时其对应的带宽利用率数值;
S3、可靠因子UKi数值随时间变化,将智能边缘网关运行时长按顺序分解成若干个以分钟为单位的孤立值UKi,i表示第几分钟,设置相邻孤立UKi数值之间的差值绝对值即|UKi+1-UKi|的值为智能边缘网关运行可靠性偏差值,规定整个智能边缘网关运行中智能边缘网关运行可靠性偏差值的阈值为Q1;当0≤|UKi+1-UKi|≤Q1时,判定智能边缘网关运行可靠性状态为二级可靠状态,产生二级可靠因子并将其发送至评估模块;
当|UKi+1-UKi|>Q1时:
若UKi+1-UKi<0,判定智能边缘网关运行可靠性状态为一级可靠状态,产生一级可靠因子并将其发送至评估模块;
若UKi+1-UKi>0,判定智能边缘网关运行可靠性状态为三级可靠状态,产生三级可靠因子并将其发送至评估模块。
4.根据权利要求2所述的基于智能边缘网关的物联网数据处理系统,其特征在于,安全性分析处理具体工作流程如下:
S10、当存在数据传输存储损失率大于等于5%、故障率大于等于2%时、能耗大于等于20%的任意一种及以上情况时,判定智能边缘网关存在安全性风险,产生安全风险信号,计算得到安全风险因子Ai并将其发送至异常模块;
计算得到安全风险因子Ai的公式为:
其中,i为大于等于1的正整数,i表示第几分钟,ji表示当第i分钟时,智能边缘网关运行时其对应的数据传输存储损失率数值,zi表示当第i分钟时,智能边缘网关运行时其对应的故障率数值,hi表示当第i分钟时,智能边缘网关运行时其对应的能耗值;
当Ai值越大,说明对应第i分钟内智能边缘网关运行的安全性越差;
S20、当数据传输存储损失率小于5%时并且故障率小于2%时并且能耗小于20%时,判定智能边缘网关不存在安全性风险,产生安全信号,计算得到安全因子UAi并将其发送至评估模块;
计算得到安全因子UAi的公式为:
UAi=z2*[lg(ji/α+zi/θ+hi/γ-1)]其中α>0,θ>0,γ>0且ji/α+zi/θ+hi/γ>2,z2=1.007,z2为安全修正因子,i为大于等于i的正整数,i表示第几分钟,ji表示当第i分钟时,智能边缘网关运行时其对应的数据传输存储损失率数值,zi表示当第i分钟时,智能边缘网关运行时其对应的故障率数,hi表示当第i分钟时,智能边缘网关运行时其对应的能耗;
S30、安全因子UAi数值随时间变化,将智能边缘网关运行时长按顺序分解成若干个以分钟为单位的孤立值UAi,i表示第几分钟,设置相邻孤立UAi数值之间的差值绝对值即|UAi+1-UAi|的值为智能边缘网关运行安全性偏差值,规定整个智能边缘网关运行中智能边缘网关运行安全性偏差值的阈值为Q2;
当0≤|UAi+1-UAi|≤Q2时,判定智能边缘网关运行安全性状态为二级安全状态,产生二级安全因子并将其发送至评估模块;
当0≤|UAi+1-UAi|>Q2时:
若UAi+1-UAi<0,判定智能边缘网关运行安全性状态为一级安全状态,产生一级安全因子并将其发送至评估模块;
若UAi+1-UAi>0,判定智能边缘网关运行安全性状态为三级安全状态,产生三级安全因子并将其发送至评估模块。
5.根据权利要求1所述的基于智能边缘网关的物联网数据处理系统,其特征在于,异常模块具体工作流程如下:
规定整个智能边缘网关运行中智能边缘网关运行综合风险系数阈值为Q3;
当KAi≥Q3时,判定智能边缘网关运行安全性状态为高风险状态,产生高风险警报;
当KAi<Q3时,判定智能边缘网关运行安全性状态为低风险状态,产生低风险警报。
6.根据权利要求1所述的基于智能边缘网关的物联网数据处理系统,其特征在于,反馈模块根据实时监控模块,当检测到高风险警报、低风险警报时根据具体的边缘网关物联网数据做出对应决策:
针对安全性风险引起的风险警报,进行数据本地存储、技术优化、异地备份、灾备与容灾策略、优化算法和数据处理、功耗管理策略的操作。
7.基于智能边缘网关的物联网数据处理方法,其特征在于,包括以下步骤:
S1、感应层实时采集智能边缘网关的物联网数据的传输可靠性信息和安全性信息;
S2、数据分析模块将传输可靠性信息和安全性信息进行分析处理,包括可靠性分析处理和安全性分析处理;
S3、将可靠风险因子和安全风险因子的数值相乘得到综合风险系数;
将综合风险系数KAi的数值大小与其阈值Q3相比较:
当KAi≥Q3时,判定智能边缘网关运行安全性状态为高风险状态,产生高风险警报;
当KAi<Q3时,判定智能边缘网关运行安全性状态为低风险状态,产生低风险警报;
S4、将可靠因子和安全因子的数值相乘得到综合质量系数,制成以时间为横坐标,综合质量系数为纵坐标的基于智能边缘网关的物联网数据质检折线图。
8.根据权利要求7所述的基于智能边缘网关的物联网数据处理方法,其特征在于,传输可靠性信息包括丢包率、延迟和带宽利用率,安全性信息包括数据传输存储损失率、故障率和能耗;可靠性分析处理和安全性分析处理,产生可靠风险因子和安全风险因子并将其发送至异常模块;产生多级可靠因子和多级安全因子并将其发送至评估模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337382.2A CN117336137B (zh) | 2023-10-16 | 基于智能边缘网关的物联网数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311337382.2A CN117336137B (zh) | 2023-10-16 | 基于智能边缘网关的物联网数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117336137A CN117336137A (zh) | 2024-01-02 |
CN117336137B true CN117336137B (zh) | 2024-07-16 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114039819A (zh) * | 2022-01-07 | 2022-02-11 | 中大检测(湖南)股份有限公司 | 一种基于5g的边缘智能网关 |
CN114598621A (zh) * | 2022-03-07 | 2022-06-07 | 广东电网有限责任公司 | 一种电力通信网络可靠性评估系统 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114039819A (zh) * | 2022-01-07 | 2022-02-11 | 中大检测(湖南)股份有限公司 | 一种基于5g的边缘智能网关 |
CN114598621A (zh) * | 2022-03-07 | 2022-06-07 | 广东电网有限责任公司 | 一种电力通信网络可靠性评估系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488398A (zh) | 一种基于mec边缘智能网关的用电管理方法及系统 | |
CN109657003A (zh) | 一种将硬件数据直接接入大数据平台的方法 | |
CN110852387B (zh) | 一种能源互联网超实时状态研判算法 | |
CN110443037B (zh) | 一种基于改进ahp方法的电力监控网络安全态势感知方法 | |
CN113259355B (zh) | 一种基于sdn的工业互联网标识切片管理系统 | |
CN114024801B (zh) | 一种工业边缘计算服务网关 | |
CN113723773A (zh) | 一种基于大数据分析的电能决策系统 | |
CN113111115A (zh) | 一种数据信息管理系统及其方法 | |
CN116320831A (zh) | 基于边缘计算的园区智能安防系统 | |
CN113760661B (zh) | 一种基于边缘服务器的用电安全监控方法及装置 | |
CN117336137B (zh) | 基于智能边缘网关的物联网数据处理方法及系统 | |
CN117560423A (zh) | 基于云存储节点的智能锁云存储资源调度系统 | |
CN117336137A (zh) | 基于智能边缘网关的物联网数据处理方法及系统 | |
CN114138750B (zh) | 一种基于ai咨询数据库集群搭建方法和系统 | |
CN116107290A (zh) | 工业设备故障监测方法、装置、系统及存储介质 | |
CN116684472A (zh) | 一种面向端侧算力网络的服务部署系统及其服务部署方法 | |
CN109359810A (zh) | 一种基于多策略均衡的电力通信传输网运行状态评估方法 | |
CN114912638A (zh) | 一种有效运行参数上报的数字电缆 | |
Syal et al. | Automatic detection of network traffic anomalies and changes | |
CN116753599B (zh) | 一种基于云平台的中央空调负荷调控系统 | |
Jassas et al. | Evaluation of failure analysis of IoT applications using edge-cloud architecture | |
CN118075314B (zh) | 发电企业智能治安安全监控方法及系统 | |
Gao et al. | The diagnosis of wired network malfunctions based on big data and traffic prediction: An overview | |
CN113537528B (zh) | 一种输变电设备状态监测数据的预处理方法及系统 | |
CN115866678B (zh) | 一种基于网络能耗热点探测的移动边缘缓存资源优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |