CN117792987A - 基于边缘计算的应急通信通道分流方法 - Google Patents
基于边缘计算的应急通信通道分流方法 Download PDFInfo
- Publication number
- CN117792987A CN117792987A CN202311844067.9A CN202311844067A CN117792987A CN 117792987 A CN117792987 A CN 117792987A CN 202311844067 A CN202311844067 A CN 202311844067A CN 117792987 A CN117792987 A CN 117792987A
- Authority
- CN
- China
- Prior art keywords
- communication
- communication channel
- data
- node
- channel
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 151
- 238000004364 calculation method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000008447 perception Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 239000002699 waste material Substances 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了基于边缘计算的应急通信通道分流方法,属于应急通信技术领域,该分流方法具体步骤如下:(1)通过边缘计算节点部署的传感器实时感知通信环境;(2)模拟多组通信路径评估通信通道的状态;(3)根据环境感知和通道状态评估结果动态选择通信通道;(4)对通信数据进行加密并存储在区块链上;本发明能够更准确地预测未来通道状态,从而更有针对性地选择最优通信通道,能够适应不断变化的通信环境,提高通信系统的适应性和鲁棒性,增强通信的个性化体验和性能,能够自动调整负载分布策略,保持高效的通信性能,有利于优化整个通信系统的效率,提高通信成功率和速度,避免资源浪费和通信瓶颈。
Description
技术领域
本发明涉及应急通信技术领域,尤其涉及基于边缘计算的应急通信通道分流方法。
背景技术
在当今数字化时代,通信网络在应急场景下的稳定性和可靠性变得尤为重要。随着自然灾害频发、网络安全威胁不断增加以及突发事件频仍发生,传统的中心化通信系统在应对这些挑战时显得力不从心。为了提高应急通信系统的稳定性和抗干扰能力,基于边缘计算的通信技术逐渐引起了广泛关注。边缘计算能够将计算和通信资源更靠近数据源和终端用户,有效降低通信时延和提升系统的抗干扰能力;因此,发明出基于边缘计算的应急通信通道分流方法变得尤为重要。
现有的应急通信通道分流方法预测未来通道状态准确性差,且无法有针对性地选择最优通信通道,通信系统的适应性和鲁棒性差;此外,现有的应急通信通道分流方法无法自动调整负载分布策略,通信性能低,降低通信成功率和速度,容易出现资源浪费和通信瓶颈;为此,我们提出基于边缘计算的应急通信通道分流方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的基于边缘计算的应急通信通道分流方法。
为了实现上述目的,本发明采用了如下技术方案:
基于边缘计算的应急通信通道分流方法,该分流方法具体步骤如下:
(1)通过边缘计算节点部署的传感器实时感知通信环境;
(2)模拟多组通信路径评估通信通道的状态;
(3)根据环境感知和通道状态评估结果动态选择通信通道;
(4)对通信数据进行加密并存储在区块链上;
(5)依据实时通道状态和设备性能动态调整负载分布;
(6)实时监测通信通道的性能并进行实时分析;
(7)根据历史数据和用户反馈定期优化通信通道分流系统。
作为本发明的进一步方案,步骤(1)中所述通信环境感知具体步骤如下:
步骤一:将各类传感器部署在各通信节点附近,并连接到边缘计算节点或局域网络,之后传感器实时采集环境数据,同时将采集到的原始数据经过格式化处理使各组数据统一;
步骤二:采集到的数据通过加密通信协议传输至边缘计算节点,之后边缘计算节点暂时缓存实时采集的数据,在对接收到的数据进行解析和格式化,提取关键信息并将其映射到预定义的数据模型或格式中;
步骤三:对处理后的数据进行过滤和清理,再通过特征工程提取各组数据中的特征信息,并识别各组特征信息中的关键特征,之后通过实时算法对数据进行分析,根据实时数据的处理结果进行环境感知和通信通道状态的更新;
步骤四:定期监测环境数据的变化,并依据变化情况更新通信通道状态,当检测到异常情况,则启动对应异常处理机制,并发出警报通知相关人员。
作为本发明的进一步方案,步骤(2)中所述通信通道的状态评估具体步骤如下:
步骤1:分析传感器最新采集的数据并确定通信通道状态,依据当前通信通道状态创建蒙特卡洛树的根节点,之后初始化根节点通道状态信息;
步骤2:检测该蒙特卡洛树的节点信息,若该树结构中的节点数量未超过预设阈值时,则通过UCB选择策略选择当前树中的一组节点进行探索或扩展,若该树结构中的节点数量未超过预设阈值时,则通过MCA选择策略选择当前树中的一组节点进行探索或扩展;
步骤3:通过随机模拟或历史数据模拟模拟扩展的节点上记录的通信通道的性能,并记录模拟结果,再将模拟结果反馈到扩展的节点,更新节点的统计信息,同时将更新逐级向上传递以更新跟节点的统计信息;
步骤4:重复进行选择、扩展、模拟以及回溯的过程,直到满足预设条件后停止,根据节点的评估信息选择具有最优性能的通信通道作为最终的优化结果。
作为本发明的进一步方案,步骤2中所述选择策略具体计算公式如下:
式中,UCB(i)与MCA(i)分别代表UCB选择策略以及MCA选择策略中节点i的选择指标;Q(i)代表节点i的累计奖励;N(i)代表节点i被访问的次数;N(p)代表节点i的父节点p被访问的次数;C代表探索参数。
作为本发明的进一步方案,步骤(3)中所述通信通道动态选择具体步骤如下:
步骤Ⅰ:将历史环境感知和通道状态评估结果作为输入数据,提取各组输入数据时间序列特征,设计并构建Bi-GRU网络,并在神经网络中添加双向GRU层,依据通信通道确定每个方向上GRU层的单元数量;
步骤Ⅱ:将提取出的时间序列特征集划分为训练集、验证集和测试集,将训练集划分为多组小批量训练组,分批将训练组输入Bi-GRU网络进行迭代训练,通过反向传播和梯度下降来优化Bi-GRU网络,并在训练过程中动态调整学习率;
步骤Ⅲ:使用验证集评估模型性能,通过损失函数计算输出值与实际标签之间的差异和选择的评估指标,并通过网格搜索获取该神经网络最佳超参数组合,当验证集上的性能不再提高时停止训练,最后在独立的测试集上评估该神经网络的性能,并将最终Bi-GRU网络部署至通信平台中;
步骤Ⅳ:将当前的环境感知和通道状态评估数据输入Bi-GRU网络中进行推断,并通过Softmax函数得到每个通信通道的概率分布,选择具有最高概率的通信通道作为当前环境下的最优通信通道,并依据选择结果调整通信路径进行分流。
作为本发明的进一步方案,步骤Ⅲ中所述损失函数具体计算公式如下:
式中,yij代表实际标签的二值变量;pij代表模型对样本i属于样本j概率;N代表样本数量;C代表类别数量;
步骤Ⅳ中所述Softmax函数具体计算公式如下:
式中,zj代表神经网络的输出中与第j个通信通道相关的部分,N代表通信通道的总数量。
作为本发明的进一步方案,对通信数据进行加密操作后,将加密后的数据打包成交易,并将创建的交易广播到区块链网络中,根据区块链网络和应用的安全需求对该交易进行验证,当验证成功后,交易数据存储在区块链上。
作为本发明的进一步方案,步骤(5)中所述负载分布动态调整具体步骤如下:
步骤①:初始化一组LUR链表,将各通信通道的信息分别存储至各链表节点中,定期或实时更新LUR链表中每组通道的状态信息,并实时监测设备性能;
步骤②:据通道状态和设备性能,计算每则通道的负载分配权重,根据计算得到的负载分配权重,调整LUR链表中通道的顺序,将具有更高权重的通道排在链表的前部;
步骤③:根据调整后的LUR链表各节点的顺序或者根据每组通道的权重,将任务或数据分配给链表中的通道,并定期检查和整理LUR链表的空间,删除失效或不再使用的通道信息,持续监测通道状态和设备性能,若有新的通道加入或某组通道状态发生重大变化,则更新LUR链表并重新计算负载分配权重。
相比于现有技术,本发明的有益效果在于:
1、该基于边缘计算的应急通信通道分流方法将历史环境感知和通道状态评估结果作为输入数据,提取各组输入数据时间序列特征,设计并构建Bi-GRU网络,并在神经网络中添加双向GRU层,依据通信通道确定每个方向上GRU层的单元数量,将提取出的时间序列特征集划分为训练集、验证集和测试集以对Bi-GRU网络进行训练优化以及验证,将当前的环境感知和通道状态评估数据输入Bi-GRU网络中进行推断,并通过Softmax函数得到每个通信通道的概率分布,选择具有最高概率的通信通道作为当前环境下的最优通信通道,并依据选择结果调整通信路径进行分流,能够更准确地预测未来通道状态,从而更有针对性地选择最优通信通道,能够适应不断变化的通信环境,提高通信系统的适应性和鲁棒性,增强通信的个性化体验和性能。
2、该基于边缘计算的应急通信通道分流方法初始化一组LUR链表,将各通信通道的信息分别存储至各链表节点中,定期或实时更新LUR链表中每组通道的状态信息,并实时监测设备性能,据通道状态和设备性能,计算每则通道的负载分配权重,根据计算得到的负载分配权重,调整LUR链表中通道的顺序,将具有更高权重的通道排在链表的前部,根据调整后的LUR链表各节点的顺序或者根据每组通道的权重,将任务或数据分配给链表中的通道,并定期检查和整理LUR链表的空间,删除失效或不再使用的通道信息,持续监测通道状态和设备性能,若有新的通道加入或某组通道状态发生重大变化,则更新LUR链表并重新计算负载分配权重,能够自动调整负载分布策略,保持高效的通信性能,有利于优化整个通信系统的效率,提高通信成功率和速度,避免资源浪费和通信瓶颈。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的基于边缘计算的应急通信通道分流方法的流程框图。
具体实施方式
实施例1
参照图1,基于边缘计算的应急通信通道分流方法,该分流方法具体步骤如下:
通过边缘计算节点部署的传感器实时感知通信环境。
具体的,将各类传感器部署在各通信节点附近,并连接到边缘计算节点或局域网络,之后传感器实时采集环境数据,同时将采集到的原始数据经过格式化处理使各组数据统一,采集到的数据通过加密通信协议传输至边缘计算节点,之后边缘计算节点暂时缓存实时采集的数据,在对接收到的数据进行解析和格式化,提取关键信息并将其映射到预定义的数据模型或格式中,对处理后的数据进行过滤和清理,再通过特征工程提取各组数据中的特征信息,并识别各组特征信息中的关键特征,之后通过实时算法对数据进行分析,根据实时数据的处理结果进行环境感知和通信通道状态的更新,定期监测环境数据的变化,并依据变化情况更新通信通道状态,当检测到异常情况,则启动对应异常处理机制,并发出警报通知相关人员。
本实施例中,传感器具体包括环境监测传感器、通信质量监测传感器、电源状态传感器、设备性能监测传感器、位置传感器、加速度传感器、光照传感器以及声音传感器;温度、湿度、气压、风速与风向、光照强度、声音水平、空气质量、设备性能、电源状态以及位置信息。
模拟多组通信路径评估通信通道的状态。
具体的,分析传感器最新采集的数据并确定通信通道状态,依据当前通信通道状态创建蒙特卡洛树的根节点,之后初始化根节点通道状态信息,检测该蒙特卡洛树的节点信息,若该树结构中的节点数量未超过预设阈值时,则通过UCB选择策略选择当前树中的一组节点进行探索或扩展,若该树结构中的节点数量未超过预设阈值时,则通过MCA选择策略选择当前树中的一组节点进行探索或扩展,通过随机模拟或历史数据模拟模拟扩展的节点上记录的通信通道的性能,并记录模拟结果,再将模拟结果反馈到扩展的节点,更新节点的统计信息,同时将更新逐级向上传递以更新跟节点的统计信息,重复进行选择、扩展、模拟以及回溯的过程,直到满足预设条件后停止,根据节点的评估信息选择具有最优性能的通信通道作为最终的优化结果。
需要进一步说明的是,选择策略具体计算公式如下:
式中,UCB(i)与MCA(i)分别代表UCB选择策略以及MCA选择策略中节点i的选择指标;Q(i)代表节点i的累计奖励;N(i)代表节点i被访问的次数;N(p)代表节点i的父节点p被访问的次数;C代表探索参数。
此外,需要说明的是,通信通道状态具体包括信号强度、信噪比、时延、带宽、数据包丢失率、抖动、可用性、中断率、频谱利用率、通信协议支持以及安全性状态。
根据环境感知和通道状态评估结果动态选择通信通道。
具体的,将历史环境感知和通道状态评估结果作为输入数据,提取各组输入数据时间序列特征,设计并构建Bi-GRU网络,并在神经网络中添加双向GRU层,依据通信通道确定每个方向上GRU层的单元数量,将提取出的时间序列特征集划分为训练集、验证集和测试集,将训练集划分为多组小批量训练组,分批将训练组输入Bi-GRU网络进行迭代训练,通过反向传播和梯度下降来优化Bi-GRU网络,并在训练过程中动态调整学习率,使用验证集评估模型性能,通过损失函数计算输出值与实际标签之间的差异和选择的评估指标,并通过网格搜索获取该神经网络最佳超参数组合,当验证集上的性能不再提高时停止训练,最后在独立的测试集上评估该神经网络的性能,并将最终Bi-GRU网络部署至通信平台中,将当前的环境感知和通道状态评估数据输入Bi-GRU网络中进行推断,并通过Softmax函数得到每个通信通道的概率分布,选择具有最高概率的通信通道作为当前环境下的最优通信通道,并依据选择结果调整通信路径进行分流,能够更准确地预测未来通道状态,从而更有针对性地选择最优通信通道,能够适应不断变化的通信环境,提高通信系统的适应性和鲁棒性,增强通信的个性化体验和性能。
本实施例中,损失函数具体计算公式如下:
式中,yij代表实际标签的二值变量;pij代表模型对样本i属于样本j概率;N代表样本数量;C代表类别数量;
Softmax函数具体计算公式如下:
式中,zj代表神经网络的输出中与第j个通信通道相关的部分,N代表通信通道的总数量。
实施例2
参照图1,基于边缘计算的应急通信通道分流方法,该分流方法具体步骤如下:
对通信数据进行加密并存储在区块链上。
本实施例中,对通信数据进行加密操作后,将加密后的数据打包成交易,并将创建的交易广播到区块链网络中,根据区块链网络和应用的安全需求对该交易进行验证,当验证成功后,交易数据存储在区块链上。
依据实时通道状态和设备性能动态调整负载分布。
具体的,初始化一组LUR链表,将各通信通道的信息分别存储至各链表节点中,定期或实时更新LUR链表中每组通道的状态信息,并实时监测设备性能,据通道状态和设备性能,计算每则通道的负载分配权重,根据计算得到的负载分配权重,调整LUR链表中通道的顺序,将具有更高权重的通道排在链表的前部,根据调整后的LUR链表各节点的顺序或者根据每组通道的权重,将任务或数据分配给链表中的通道,并定期检查和整理LUR链表的空间,删除失效或不再使用的通道信息,持续监测通道状态和设备性能,若有新的通道加入或某组通道状态发生重大变化,则更新LUR链表并重新计算负载分配权重,能够自动调整负载分布策略,保持高效的通信性能,有利于优化整个通信系统的效率,提高通信成功率和速度,避免资源浪费和通信瓶颈。
实时监测通信通道的性能并进行实时分析。
根据历史数据和用户反馈定期优化通信通道分流系统。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。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,可作很多的修改和变化。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 (7)
1.基于边缘计算的应急通信通道分流方法,其特征在于,该分流方法具体步骤如下:
(1)通过边缘计算节点部署的传感器实时感知通信环境;
(2)模拟多组通信路径评估通信通道的状态;
(3)根据环境感知和通道状态评估结果动态选择通信通道;
(4)对通信数据进行加密并存储在区块链上;
(5)依据实时通道状态和设备性能动态调整负载分布;
(6)实时监测通信通道的性能并进行实时分析;
(7)根据历史数据和用户反馈定期优化通信通道分流系统。
2.根据权利要求1所述的基于边缘计算的应急通信通道分流方法,其特征在于,步骤(1)中所述通信环境感知具体步骤如下:
步骤一:将各类传感器部署在各通信节点附近,并连接到边缘计算节点或局域网络,之后传感器实时采集环境数据,同时将采集到的原始数据经过格式化处理使各组数据统一;
步骤二:采集到的数据通过加密通信协议传输至边缘计算节点,之后边缘计算节点暂时缓存实时采集的数据,在对接收到的数据进行解析和格式化,提取关键信息并将其映射到预定义的数据模型或格式中;
步骤三:对处理后的数据进行过滤和清理,再通过特征工程提取各组数据中的特征信息,并识别各组特征信息中的关键特征,之后通过实时算法对数据进行分析,根据实时数据的处理结果进行环境感知和通信通道状态的更新;
步骤四:定期监测环境数据的变化,并依据变化情况更新通信通道状态,当检测到异常情况,则启动对应异常处理机制,并发出警报通知相关人员。
3.根据权利要求2所述的基于边缘计算的应急通信通道分流方法,其特征在于,步骤(2)中所述通信通道的状态评估具体步骤如下:
步骤1:分析传感器最新采集的数据并确定通信通道状态,依据当前通信通道状态创建蒙特卡洛树的根节点,之后初始化根节点通道状态信息;
步骤2:检测该蒙特卡洛树的节点信息,若该树结构中的节点数量未超过预设阈值时,则通过UCB选择策略选择当前树中的一组节点进行探索或扩展,若该树结构中的节点数量未超过预设阈值时,则通过MCA选择策略选择当前树中的一组节点进行探索或扩展;
步骤3:通过随机模拟或历史数据模拟模拟扩展的节点上记录的通信通道的性能,并记录模拟结果,再将模拟结果反馈到扩展的节点,更新节点的统计信息,同时将更新逐级向上传递以更新跟节点的统计信息;
步骤4:重复进行选择、扩展、模拟以及回溯的过程,直到满足预设条件后停止,根据节点的评估信息选择具有最优性能的通信通道作为最终的优化结果。
4.根据权利要求3所述的基于边缘计算的应急通信通道分流方法,其特征在于,步骤2中所述选择策略具体计算公式如下:
式中,UCB(i)与MCA(i)分别代表UCB选择策略以及MCA选择策略中节点i的选择指标;Q(i)代表节点i的累计奖励;N(i)代表节点i被访问的次数;N(p)代表节点i的父节点p被访问的次数;C代表探索参数。
5.根据权利要求3所述的基于边缘计算的应急通信通道分流方法,其特征在于,步骤(3)中所述通信通道动态选择具体步骤如下:
步骤Ⅰ:将历史环境感知和通道状态评估结果作为输入数据,提取各组输入数据时间序列特征,设计并构建Bi-GRU网络,并在神经网络中添加双向GRU层,依据通信通道确定每个方向上GRU层的单元数量;
步骤Ⅱ:将提取出的时间序列特征集划分为训练集、验证集和测试集,将训练集划分为多组小批量训练组,分批将训练组输入Bi-GRU网络进行迭代训练,通过反向传播和梯度下降来优化Bi-GRU网络,并在训练过程中动态调整学习率;
步骤Ⅲ:使用验证集评估模型性能,通过损失函数计算输出值与实际标签之间的差异和选择的评估指标,并通过网格搜索获取该神经网络最佳超参数组合,当验证集上的性能不再提高时停止训练,最后在独立的测试集上评估该神经网络的性能,并将最终Bi-GRU网络部署至通信平台中;
步骤Ⅳ:将当前的环境感知和通道状态评估数据输入Bi-GRU网络中进行推断,并通过Softmax函数得到每个通信通道的概率分布,选择具有最高概率的通信通道作为当前环境下的最优通信通道,并依据选择结果调整通信路径进行分流。
6.根据权利要求5所述的基于边缘计算的应急通信通道分流方法,其特征在于,步骤Ⅲ中所述损失函数具体计算公式如下:
式中,yij代表实际标签的二值变量;pij代表模型对样本i属于样本j概率;N代表样本数量;C代表类别数量;
步骤Ⅳ中所述Softmax函数具体计算公式如下:
式中,zj代表神经网络的输出中与第j个通信通道相关的部分,N代表通信通道的总数量。
7.根据权利要求1所述的基于边缘计算的应急通信通道分流方法,其特征在于,步骤(5)中所述负载分布动态调整具体步骤如下:
步骤①:初始化一组LUR链表,将各通信通道的信息分别存储至各链表节点中,定期或实时更新LUR链表中每组通道的状态信息,并实时监测设备性能;
步骤②:据通道状态和设备性能,计算每则通道的负载分配权重,根据计算得到的负载分配权重,调整LUR链表中通道的顺序,将具有更高权重的通道排在链表的前部;
步骤③:根据调整后的LUR链表各节点的顺序或者根据每组通道的权重,将任务或数据分配给链表中的通道,并定期检查和整理LUR链表的空间,删除失效或不再使用的通道信息,持续监测通道状态和设备性能,若有新的通道加入或某组通道状态发生重大变化,则更新LUR链表并重新计算负载分配权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311844067.9A CN117792987A (zh) | 2023-12-29 | 2023-12-29 | 基于边缘计算的应急通信通道分流方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311844067.9A CN117792987A (zh) | 2023-12-29 | 2023-12-29 | 基于边缘计算的应急通信通道分流方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117792987A true CN117792987A (zh) | 2024-03-29 |
Family
ID=90388967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311844067.9A Pending CN117792987A (zh) | 2023-12-29 | 2023-12-29 | 基于边缘计算的应急通信通道分流方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117792987A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118075728A (zh) * | 2024-04-24 | 2024-05-24 | 北京语言大学 | 一种面向应急通信场景的无人机响应决策方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109348497A (zh) * | 2018-09-30 | 2019-02-15 | 南昌航空大学 | 无线传感器网络链路质量预测方法 |
CN109818786A (zh) * | 2019-01-20 | 2019-05-28 | 北京工业大学 | 一种云数据中心应用可感知的分布式多资源组合路径最优选取方法 |
WO2019134197A1 (zh) * | 2018-01-08 | 2019-07-11 | 苏州大学 | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 |
CN110191481A (zh) * | 2019-06-06 | 2019-08-30 | 南昌航空大学 | 一种采用超限快速决策树评估链路质量的方法及系统 |
CN110519788A (zh) * | 2019-07-18 | 2019-11-29 | 浙江工业大学 | 一种物理环境传感器辅助的无线通信链路质量估计方法 |
CN112333093A (zh) * | 2020-11-23 | 2021-02-05 | 迈普通信技术股份有限公司 | 策略路由路径确定方法、装置、网络设备及可读存储介质 |
CN115277243A (zh) * | 2022-08-04 | 2022-11-01 | 陈锦汇 | 一种基于lru高速缓存的网络通信方案 |
CN116760771A (zh) * | 2023-07-17 | 2023-09-15 | 甘肃送变电工程有限公司 | 一种在线监测数据多通道传输控制策略处理方法 |
CN117119496A (zh) * | 2023-09-28 | 2023-11-24 | 大唐(通辽)霍林河新能源有限公司 | 一种lte无线网络的评估方法及服务器 |
-
2023
- 2023-12-29 CN CN202311844067.9A patent/CN117792987A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019134197A1 (zh) * | 2018-01-08 | 2019-07-11 | 苏州大学 | 基于朴素贝叶斯分类器的最小负载路由选择方法及系统 |
CN109348497A (zh) * | 2018-09-30 | 2019-02-15 | 南昌航空大学 | 无线传感器网络链路质量预测方法 |
CN109818786A (zh) * | 2019-01-20 | 2019-05-28 | 北京工业大学 | 一种云数据中心应用可感知的分布式多资源组合路径最优选取方法 |
CN110191481A (zh) * | 2019-06-06 | 2019-08-30 | 南昌航空大学 | 一种采用超限快速决策树评估链路质量的方法及系统 |
CN110519788A (zh) * | 2019-07-18 | 2019-11-29 | 浙江工业大学 | 一种物理环境传感器辅助的无线通信链路质量估计方法 |
CN112333093A (zh) * | 2020-11-23 | 2021-02-05 | 迈普通信技术股份有限公司 | 策略路由路径确定方法、装置、网络设备及可读存储介质 |
CN115277243A (zh) * | 2022-08-04 | 2022-11-01 | 陈锦汇 | 一种基于lru高速缓存的网络通信方案 |
CN116760771A (zh) * | 2023-07-17 | 2023-09-15 | 甘肃送变电工程有限公司 | 一种在线监测数据多通道传输控制策略处理方法 |
CN117119496A (zh) * | 2023-09-28 | 2023-11-24 | 大唐(通辽)霍林河新能源有限公司 | 一种lte无线网络的评估方法及服务器 |
Non-Patent Citations (2)
Title |
---|
WANNENG SHU; KEN CAI; NEAL NAIXUE XIONG: "A Short-Term Traffic Flow Prediction Model Based on an Improved Gate Recurrent Unit Neural Network", 《 IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, 14 July 2021 (2021-07-14) * |
段世红,何昊,徐诚,殷楠,王然: "未知环境下基于深度序列蒙特卡罗树搜索的信源导航方法", 《电子学报》, vol. 50, no. 7, 31 July 2022 (2022-07-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118075728A (zh) * | 2024-04-24 | 2024-05-24 | 北京语言大学 | 一种面向应急通信场景的无人机响应决策方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、系统及存储介质 | |
CN109872003B (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN109831386B (zh) | 一种sdn下基于机器学习的最优路径选择算法 | |
CN108366386B (zh) | 一种使用神经网络实现无线网络故障检测的方法 | |
CN117792987A (zh) | 基于边缘计算的应急通信通道分流方法 | |
CN112711840B (zh) | 一种基于云边协同的流域突发水污染溯源方法 | |
CN103700255A (zh) | 一种基于时空关联数据挖掘的交通流预测方法 | |
CN112217674B (zh) | 基于因果网络挖掘和图注意力网络的告警根因识别方法 | |
CN107872457B (zh) | 一种基于网络流量预测进行网络操作的方法及系统 | |
CN107480698A (zh) | 基于多个监测指标的质量控制方法 | |
CN112270429A (zh) | 基于云边协同的动力电池极片制造设备维护方法和系统 | |
WO2023045565A1 (zh) | 网络管控方法及其系统、存储介质 | |
CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
CN116824861B (zh) | 基于城市大脑平台多维数据的共享单车调度方法和系统 | |
CN117041312A (zh) | 基于物联网的企业级信息技术监控系统 | |
CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
CN117221295A (zh) | 一种基于边缘计算和网络切片的低延迟视频传输系统 | |
CN117156386A (zh) | 消防智能定位、呼救、报警对讲设备 | |
CN116681291A (zh) | 一种基于集成模型的风控预测方法及系统 | |
CN116826961A (zh) | 电网智能调度和运维系统、方法及存储介质 | |
CN113807462B (zh) | 一种基于ai的网络设备故障原因定位方法及其系统 | |
CN115567900A (zh) | 一种电力通信网络切片全生命周期监测机制 | |
CN114119319A (zh) | 一种基于分布式小样本算法的智慧水务管理方法及系统 | |
Yang et al. | Forecasting model for urban traffic flow with BP neural network based on genetic algorithm | |
CN112801815A (zh) | 一种基于联邦学习的电力通信网络故障预警方法 |
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 |