CN117857457A - 一种基于边缘计算的物联网流量优化系统 - Google Patents
一种基于边缘计算的物联网流量优化系统 Download PDFInfo
- Publication number
- CN117857457A CN117857457A CN202410076348.2A CN202410076348A CN117857457A CN 117857457 A CN117857457 A CN 117857457A CN 202410076348 A CN202410076348 A CN 202410076348A CN 117857457 A CN117857457 A CN 117857457A
- Authority
- CN
- China
- Prior art keywords
- flow
- data
- optimization
- internet
- calculation
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 113
- 238000004364 calculation method Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000005206 flow analysis Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000004891 communication Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 10
- 101150014174 calm gene Proteins 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 10
- 101100517651 Caenorhabditis elegans num-1 gene Proteins 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于边缘计算的物联网流量优化系统,涉及了流量优化技术领域,包括中央控制器,中央控制器通信连接有设备链接模块、流量分析模块、边缘计算模块以及流量优化模块;通过设备链接模块将物联网设备链接至网络中,并对物联网设备进行环境配置后获取其对应的流量数据;通过流量分析模块对流量数据的数据源和数据量进行核算,并对不同数据量的流量数据进行分析后赋予相应的计算标识;通过边缘计算模块根据不同的计算标识进行相应的计算处理,进而生成相应的流量数据图;通过流量优化模块获取流量数据图进行本地方案匹配,并判断本地方案匹配是否成功,根据判断结果执行相应操作,从而实现了对物联网流量的优化。
Description
技术领域
本发明涉及流量优化技术领域,具体是一种基于边缘计算的物联网流量优化系统。
背景技术
随着物联网技术的不断发展和应用,越来越多的物联网相关设备和传感器被连接到网络中,导致需要处理的数据量急剧增加,网络拥堵和安全问题也日益突出,传统的云计算模式需要将所有数据都发送到云端进行处理,这不仅会造成延迟,而且会占用大量的网络带宽和存储资源,如何解决网络拥堵和网络安全相关问题,如何对众多进行连接的物联网相关设备的流量进行优化,从而减少延迟和带宽占用情况,这些都是我们所需要考虑的问题。
发明内容
为了解决上述问题,本发明的目的在于提供一种基于边缘计算的物联网流量优化系统。
本发明的目的可以通过以下技术方案实现:一种基于边缘计算的物联网流量优化系统,包括中央控制器,所述中央控制器通信连接有设备链接模块、流量分析模块、边缘计算模块以及流量优化模块;
所述设备链接模块用于将若干个物联网设备链接至网络中,并对物联网设备进行环境配置,获取环境配置完成后的若干个物联网设备各自对应的流量数据;
所述流量分析模块设置有流量核算节点和流量分析节点;所述流量核算节点用于对流量数据的数据源和数据量进行核算;所述流量分析节点用于对不同数据量的流量数据进行分析,并赋予相应的计算标识;
所述边缘计算模块用于根据不同的计算标识进行相应的计算处理,进而通过计算处理生成相应的流量数据图;
所述流量优化模块获取流量数据图进行本地方案匹配,并判断本地方案匹配是否成功,若是,则拉取本地方案进行流量优化;若否,则根据流量数据图进行深度学习实时预测流量变化情况,进而进行流量优化。
进一步的,将所述若干个物联网设备链接至网络中的过程包括:
对若干个物联网设备进行编号,记编号为i,则有i=1,2,3,……,n,其中n为大于0的自然数,获取编号为i的物联网设备的设备相关信息,设备相关信息包括设备标识信息、能耗参数信息、网络配置信息以及告警日志信息;
进行若干个编号对应物联网设备与网络的链接,并获取各自链接时对应的网络速度,记网络速度为V[i],设置异常链接区间和正常链接区间,分别记为Ω1和Ω2,进而根据V、Ω1和Ω2的从属关系判断物联网设备是否链接成功,并将物联网设备对应的设备相关信息传输至中央控制器处对应设置的存储区域进行存储。
进一步的,对所述物联网设备进行环境配置,进而获取环境配置完成后各自对应的流量数据的过程包括:
从中央控制器处调取物联网设备的设备相关信息,进而读取设备标识信息作为配置认证元素并生成配置身份项,以每个配置身份项对应的物联网设备作为一个配置对象进行环境配置,为配置对象关联一个初始文件并导入预设的环境配置代码,进而将初始文件转换为环境配置文件;
预设标准配置文件,标准配置文件记录有若干个配置词汇,获取环境配置文件所包括的若干个待比对词汇,将环境配置文件和标准配置文件导入预设的比对程序内,进而获取比对率,记为K,预设完成阈值,记为K`,完成阈值K`用于判断环境配置是否完成;
若K≥K`,则环境配置完成,获取环境配置完成的物联网设备与网络进行数据交互时的流量数据,若K<K`,则环境配置未完成,导入预设的配置补丁文件,进而继续进行环境配置,直到满足K≥K`时,停止环境配置,并执行K≥K`时的对应操作。
进一步的,对所述流量数据的数据源和数据量进行核算的过程包括:
流量核算节点获取流量数据的数据源和数据量,数据源关联有对应的源文件,源文件预设有对应的文件允许误差阈值,记为Q,获取源文件的初始文件大小,记为D1,获取流量核算节点接收到的源文件的文件大小,记为D2,进而获取文件误差值,记为G,有G=|D1-D2|;
若G≥Q,则判断源文件为受损状态,将数据源标记为非法数据源,并剔除非法数据源,若G<Q,则判断源文件为完整状态,将数据源标记为信任数据源,对信任数据源进行数据量核算的操作;
获取处于完整状态的源文件对应的流量数据的数据量,并记该数据量为C,预设流量核算区间,流量核算区间包括第一流量区间和第二流量区间,分别标记为C1和C2,若C∈C1,为流量数据关联一个分析标识sign1,若C∈C2,为流量数据关联一个分析标识sign2。
进一步的,所述流量分析节点对不同数据量的流量数据进行分析,并赋予相应的计算标识的过程包括:
所述流量分析节点接收不同数据量的流量数据以及其对应的分析标识,流量分析节点关联有初始的算力数值,当获取到的分析标识为sign1时,将算力数值设置为一级算力数值,当获取到的分析标识为sign2时,将算力数值设置为二级算力数值,当流量分析节点的算力数值设置完成后,流量分析节点定位出不同分析标识的流量数据的数据计算量,数据计算量包括一次计算量和分割计算量,并赋予相应的计算标识cal1和cal2;
若分析标识为sign1时,则定位出流量数据的数据计算量为分割计算量,赋予计算标识cal1;
若分析标识为sign2时,则定位出流量数据的数据计算量为一次计算量赋予计算标识cal2。
进一步的,根据不同的计算标识进行相应的计算处理,进而通过计算处理生成相应的流量数据图的过程包括:
所述计算处理的类型包括直接进行本地计算以及异地分割处理后再进行本地计算,若获取的计算标识为cal1,则异地分割处理后再进行本地计算,若获取到的计算标识为cal2,则直接进行本地计算,通过本地计算的计算处理后生成流量数据对应的若干个流量衡量项,并将若干个流量衡量项填充至预设的空白数据图上,进而生成流量数据图。
进一步的,进行本地方案匹配,并判断是否成功的过程包括:
将流量数据图切割为若干个子区域图,获取子区域图所包括的若干个像素块对应的像素信息,设置本地库用于进行本地方案匹配,本地库存储有若干个历史流量数据图像,每个历史流量数据图像关联设置有相应的本地方案,将历史流量数据图像切割为若干个对照区域图,获取对照区域图所包括的若干个像素块对应的像素信息;
将流量数据图导入本地库后开启本地方案匹配,若子区域图的像素信息与对照区域图的像素信息一致,则相应像素块比对成功,否则比对失败,进而获取每个子区域图的比对成功率,记为Sc;
若Sc≥0.8,则当前子区域图比对成功,若Sc<0.8,则当前子区域图比对失败,记子区域图的总个数为Num3,比对成功的子区域图个数为Num4,进而获取本地匹配度,记为α,则α=Num4/Num3,预设方案拉取阈值,记为β,当α≥β时,判断本地方案匹配成功,拉取本地库中相应进行比对的历史流量数据图像对应的本地方案,并汇总若干个拉取的本地方案及其对应的本地匹配度α生成数据集,当α<β时,判断本地方案匹配失败。
进一步的,拉取本地方案进行流量优化的过程包括:
获取数据集,进而将数据集中各个本地方案按照其对应的本地匹配度α的数值由高至低进行顺序排序,并将数值最高的前三位本地方案作为流量优化的主方案,根据主方案设置相应的流量优化时间和流量优化频率,进而通过主方案进行各个物联网设备相应的流量优化。
进一步的,根据所述流量数据图进行深度学习实时预测流量变化情况,进而进行流量优化的过程包括:
获取流量数据图对应的若干个流量衡量项并作为优化项,将流量风险指标、实时流量数值以及关联网络指标分别作为优化项所对应的第一优化项、第二优化项和第三优化项,并设置各自的异常参考指标,若第一优化项、第二优化项和第三优化项有任一项处于对应的异常参考指标内,则生成优化预警信息,否则,不生成优化预警信息;
当接收到优化预警信息时,定位出处于异常参考指标内的具体的优化项,并通过深度学习实时预测该优化项的流量情况变化情况,流量变化情况分为流量指标异常骤增和流量指标异常骤减,根据流量变化情况进行的流量优化包括优化措施一和优化措施二,当流量变化情况为流量指标异常骤增时,执行优化措施一,当流量变化情况为流量指标异常骤减时,执行优化措施二。
与现有技术相比,本发明的有益效果是:
1、通过设备链接模块获取若干个物联网设备的流量数据,并对物联网设备进行环境配置,环境配置保证了物联网设备获取流量数据时的安全性,通过流量分析模块对不同数据量的流量数据进行分析,并赋予相应的计算标识,通过边缘计算模块根据不同的计算标识进行相应的计算处理,有效解决了网络拥堵和网络安全相关问题。
2、通过流量优化模块获取流量数据图进行本地方案匹配,在本地方案匹配成功时,则直接拉取本地方案进行流量优化,当匹配失败时,再据流量数据图进行深度学习实时预测流量变化情况,进行流量优化,一定程度上减少了流量优化的工作量。
附图说明
图1为本发明的原理图。
具体实施方式
如图1所示,一种基于边缘计算的物联网流量优化系统,包括中央控制器,所述中央控制器通信连接有设备链接模块、流量分析模块、边缘计算模块以及流量优化模块;
所述设备链接模块用于将若干个物联网设备链接至网络中,并对物联网设备进行环境配置,获取环境配置完成后的若干个物联网设备各自对应的流量数据;
所述流量分析模块设置有流量核算节点和流量分析节点;所述流量核算节点用于对流量数据的数据源和数据量进行核算;所述流量分析节点用于对不同数据量的流量数据进行分析,并赋予相应的计算标识;
所述边缘计算模块用于根据不同的计算标识进行相应的计算处理,进而通过计算处理生成相应的流量数据图;
所述流量优化模块获取流量数据图进行本地方案匹配,并判断本地方案匹配是否成功,若是,则拉取本地方案进行流量优化;若否,则根据流量数据图进行深度学习实时预测流量变化情况,进而进行流量优化。
需要进一步说明的是,在具体实施过程中,所述设备链接模块将若干个物联网设备链接至网络中的过程包括:
对若干个物联网设备进行编号,记编号为i,则有i=1,2,3,……,n,其中n为大于0的自然数,获取编号为i的物联网设备的设备相关信息,所述设备相关信息包括设备标识信息、能耗参数信息、网络配置信息以及告警日志信息;
所述设备标识信息包括设备名称、设备序列号以及设备型号,所述能耗参数信息包括电池电量和充电状态,所述网络配置信息包括IP地址、子网掩码以及网关端口;
进行若干个编号对应物联网设备与网络的链接,并获取各自链接时对应的网络速度,记网络速度为V[i],其中i为物联网设备的编号,设置异常链接区间和正常链接区间,分别记为Ω1和Ω2,进而根据V和Ω1和Ω2的从属关系判断物联网设备是否链接成功;
若V[i]∈Ω1,则当前物联网设备链接网络成功;
若V[i]∈Ω2,则当前物联网设备链接网络失败;
当链接网络成功时,将物联网设备对应的设备相关信息传输至中央控制器处对应设置的存储区域进行存储,当链接网络失败时,进行相应编号的物联网设备的网络重连,若网络重连仍失败,则定位该物联网设备为异常设备,由管理员安排相应检修人员进行检修作业。
需要进一步说明的是,在具体实施过程中,对所述物联网设备进行环境配置,进而获取环境配置完成后各自对应的流量数据的过程包括:
从中央控制器处调取链接网络成功对应的物联网设备的设备相关信息,进而读取设备标识信息,并将设备标识信息中的设备名称、设备序列号以及设备型号分别作为配置认证元素,进而根据配置认证元素生成配置身份项,记配置身份项为St-ID,有St-ID=<设备名称,设备序列号,设备型号>;
以每个配置身份项对应的物联网设备作为一个配置对象,进而对若干个配置对象进行环境配置,为配置对象关联一个初始文件,对初始文件导入预设的环境配置代码,进而将初始文件转换为环境配置文件;
预设标准配置文件,标准配置文件记录有若干个配置词汇,获取环境配置文件所包括的若干个待比对词汇,将环境配置文件和标准配置文件导入预设的比对程序内;
由比对程序将配置词汇和待比对词汇转换为二进制字符串,进而获取比对率,记比对率为K,K=Y/X,其中Y为配置词汇和待比对词汇二进制字符串相同的个数,X为配置词汇的总个数,预设完成阈值,记为K`,所述完成阈值K`用于判断环境配置是否完成;
若K≥K`,则环境配置完成,获取环境配置完成的物联网设备与网络进行数据交互时的流量数据;
若K<K`,则环境配置未完成,导入预设的配置补丁文件,进而继续进行环境配置,直到满足K≥K`时,停止环境配置,并执行K≥K`时的对应操作。
需要进一步说明的是,在具体实施过程中,所述流量核算节点用于对流量数据的数据源和数据量进行核算的过程包括:
所述流量核算节点获取流量数据的数据源和数据量,所述数据源关联有对应的源文件,所述源文件预设有对应的文件允许误差阈值,记文件允许误差阈值为Q,获取源文件的初始文件大小,记为D1,获取流量核算节点接收到的源文件的文件大小,记为D2,进而获取文件误差值,记为G,有G=|D1-D2|;
若G≥Q,则判断源文件为受损状态,将数据源标记为非法数据源,并剔除非法数据源;
若G<Q,则判断源文件为完整状态,将数据源标记为信任数据源,对信任数据源进行数据量核算的操作;
获取处于完整状态的源文件对应的流量数据的数据量,并记该数据量为C,预设流量核算区间,所述流量核算区间包括第一流量区间和第二流量区间,分别标记为C1和C2;
若C∈C1,为流量数据关联一个分析标识sign1;
若C∈C2,为流量数据关联一个分析标识sign2;
并将分析标识sign1和sign2传输至流量分析节点进行处理。
需要说明的是,第一流量区间的区间数值大于第二流量区间,即C1的区间最小值大于等于C2的区间最大值,意味着流量数据的数据量处于第一流量区间时,其数据量更大,处于第二流量区间时,其数据量低于第一流量区间,而不同数据量的流量数据进行分析的算力也不尽相同,关联的不同分析标识用于后续流量分析节点进行算力的配置,使得分析的算力能够得到最大化利用,提升了分析效率。
需要进一步说明的是,在具体实施过程中,所述流量分析节点对不同数据量的流量数据进行分析,并赋予相应的计算标识的过程包括:
所述流量分析节点接收不同数据量的流量数据,进而获取不同数据量流量数据所对应的分析标识,流量分析节点关联有初始的算力数值,初始的算力数值为0,表示流量分析节点未开启流量数据的分析;
当获取到的分析标识为sign1时,将算力数值设置为一级算力数值,并记一级算力数值为Data1;
当获取到的分析标识为sign2时,将算力数值设置为二级算力数值,并记二级算力数值为Data2;
其中,Data1>Data2;
当流量分析节点的算力数值设置完成后,流量分析节点定位出不同分析标识的流量数据的数据计算量,所述数据计算量包括一次计算量和分割计算量,并赋予相应的计算标识;
所述计算标识包括cal1和cal2;
若分析标识为sign1时,则定位出流量数据的数据计算量为分割计算量,赋予计算标识cal1;
若分析标识为sign2时,则定位出流量数据的数据计算量为一次计算量赋予计算标识cal2。
需要进一步说明的是,在具体实施过程中,根据不同的计算标识进行相应的计算处理,进而通过计算处理生成相应的流量数据图的过程包括:
根据计算标识进行不同类型的对流量数据的计算处理,所述计算处理的类型包括直接进行本地计算以及异地分割处理后再进行本地计算,边缘计算模块设置有标识读取区、数据上传区、数据接收区、计算处理区以及图像展示区;
所述标识读取区用于获取计算标识,进而根据计算标识决定是否将流量数据移交至数据上传区;
若获取的计算标识为cal1,则异地分割处理后再进行本地计算,将流量数据移交至数据上传区,并由数据上传区发送至中央控制器,由中央控制器将流量数据按照预设的切割容量进行数据切割,进而生成若干个子数据集合,并将子数据集合传输至数据接收区,由数据接收区接收后合并为待处理数据移交至计算处理区,由计算处理区对待处理数据进行计算处理;
若获取到的计算标识为cal2,则直接进行本地计算,由计算处理区获取流量数据,并对流量数据进行计算处理;
本地计算后生成流量数据图的内容如下:通过本地计算的计算处理后生成流量数据对应的若干个流量衡量项,所述流量衡量项包括流量风险指标、实时流量数值以及关联网络指标,将若干个流量衡量项填充至预设的空白数据图上,进而空白数据图转换生成为流量数据图。
需要进一步说明的是,在具体实施过程中,进行本地方案匹配,并判断本地方案匹配是否成功的过程包括:
所述流量优化模块获取流量数据图,进而将流量数据图切割为若干个固定大小的子区域图,并对子区域图进行编号,记编号为j,有j=1,2,3,……,m,其中m为大于0的自然数;
获取编号为j的子区域图所包括的若干个像素块,并对全部的像素块进行编号,记编号为j[e],其中e=1,2,3,……,h,h为大于0的自然数,进而获取编号j[e]对应的像素块的像素信息,记像素信息为j[e]-Info;
设置本地库用于进行本地方案匹配,所述本地库存储有若干个历史流量数据图像,每个历史流量数据图像关联设置有相应的本地方案,所述本地方案用于解决历史流量数据图像对应的流量相关问题;
将历史流量数据图像切割为若干个固定大小的图像,记该图像为对照区域图并进行编号,记编号为g,有g=1,2,3,……,f,其中f为大于0的自然数;
获取编号为g的对照区域图的若干个像素块,并对像素块进行编号,记编号为g[u],其中u=1,2,3,……,q,q为大于0的自然数,进而获取编号g[u]对应的像素块的像素信息,记像素信息为g[u]-Info;
将流量数据图导入本地库后开启本地匹配,依次将流量数据图的若干个子区域图对应的像素块的像素信息与历史流量数据图像的若干个对照区域图对应的像素块的像素信息进行比对;
若j[e]-Info与g[u]-Info一致,则相应像素块位置比对成功,否则比对失败,进而获取每个子区域图的比对成功率,记为Sc,记比对总次数为Num1,比对成功次数为Num2,进而Sc=Num2/Num1;
若Sc≥0.8,则当前子区域图比对成功;
若Sc<0.8,则当前子区域图比对失败;
记子区域图的总个数为Num3,比对成功的子区域图个数为Num4,进而获取本地匹配度,记本地匹配度为α,则有α=Num4/Num3,预设方案拉取阈值,记为β;
当α≥β时,判断本地方案匹配成功,拉取本地库中相应进行比对的历史流量数据图像对应的本地方案,并汇总若干个拉取的本地方案及其对应的本地匹配度α生成数据集;
当α<β时,判断本地方案匹配失败。
需要进一步说明的是,在具体实施过程中,所述拉取本地方案进行流量优化的过程包括:
获取数据集,进而按照数据集中本地方案对应的本地匹配度α的数值由高至低进行顺序排序,并将数值最高的前三位本地方案作为流量优化的主方案;
根据主方案设置相应的流量优化时间和流量优化频率,进而通过主方案进行各个物联网设备相应的流量优化,并获取流量优化后的网络拥塞情况,将网络拥塞情况程度最低的一个本地方案标记为最佳方案。
需要进一步说明的是,在具体实施过程中,根据所述流量数据图进行深度学习实时预测流量变化情况,进而进行流量优化的过程包括:
获取流量数据图,进而解构出其对应的若干个流量衡量项,将流量衡量项中的流量风险指标、实时流量数值以及关联网络指标分别作为第一优化项、第二优化项和第三优化项;
所述第一优化项、第二优化项和第三优化项统称为优化项;
设置第一优化项、第二优化项和第三优化项的异常参考指标,若第一优化项、第二优化项和第三优化项有任一项处于异常参考指标内,则生成优化预警信息;
若第一优化项、第二优化项和第三优化项没有任一项处于异常参考指标内,则不生成优化预警信息;
当接收到优化预警信息时,定位出处于异常参考指标内的具体的优化项,并通过深度学习实时预测该优化项的流量情况变化情况,所述流量变化情况分为流量指标异常骤增和流量指标异常骤减;
根据流量变化情况进行的流量优化包括优化措施一和优化措施二,当流量变化情况为流量指标异常骤增时,执行优化措施一,优化措施一的内容为:进行物联网设备的网络带宽扩容、流量分流以及流量请求限制,当流量变化情况为流量指标异常骤减时,执行优化措施二,优化措施二的内容为:进行物联网设备的自动资源释放和数据备份存储。
需要说明的是,网络带宽扩容即为:如果流量骤增导致网络带宽不足,可以考虑扩大网络带宽以应对增加的流量需求;流量分流即为:将部分流量引导到其他可用的网络路径或服务器上,避免单一节点的负载过重;流量请求限制即为:对流量进行限制和控制,设置流量阈值、限制请求频率等,以避免流量过载导致物联网设备崩溃;自动资源释放即为:当流量突然减少时,可以自动释放一些临时性的资源,如关闭多余的服务器或停止不必要的服务,以节约资源成本。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法精神和范围。
Claims (9)
1.一种基于边缘计算的物联网流量优化系统,包括中央控制器,其特征在于,所述中央控制器通信连接有设备链接模块、流量分析模块、边缘计算模块以及流量优化模块;
所述设备链接模块用于将若干个物联网设备链接至网络中,并对物联网设备进行环境配置,获取环境配置完成后的若干个物联网设备各自对应的流量数据;
所述流量分析模块设置有流量核算节点和流量分析节点;所述流量核算节点用于对流量数据的数据源和数据量进行核算;所述流量分析节点用于对不同数据量的流量数据进行分析,并赋予相应的计算标识;
所述边缘计算模块用于根据不同的计算标识进行相应的计算处理,进而通过计算处理生成相应的流量数据图;
所述流量优化模块获取流量数据图进行本地方案匹配,并判断本地方案匹配是否成功,若是,则拉取本地方案进行流量优化;若否,则根据流量数据图进行深度学习实时预测流量变化情况,进而进行流量优化。
2.根据权利要求1所述的一种基于边缘计算的物联网流量优化系统,其特征在于,将所述若干个物联网设备链接至网络中的过程包括:
对若干个物联网设备进行编号,记编号为i,则有i=1,2,3,……,n,其中n为大于0的自然数,获取编号为i的物联网设备的设备相关信息,设备相关信息包括设备标识信息、能耗参数信息、网络配置信息以及告警日志信息;
进行若干个编号对应物联网设备与网络的链接,并获取各自链接时对应的网络速度,记网络速度为V[i],设置异常链接区间和正常链接区间,分别记为Ω1和Ω2,进而根据V、Ω1和Ω2的从属关系判断物联网设备是否链接成功,并将物联网设备对应的设备相关信息传输至中央控制器处对应设置的存储区域进行存储。
3.根据权利要求2所述的一种基于边缘计算的物联网流量优化系统,其特征在于,对所述物联网设备进行环境配置,进而获取环境配置完成后各自对应的流量数据的过程包括:
从中央控制器处调取物联网设备的设备相关信息,进而读取设备标识信息作为配置认证元素并生成配置身份项,以每个配置身份项对应的物联网设备作为一个配置对象进行环境配置,为配置对象关联一个初始文件并导入预设的环境配置代码,进而将初始文件转换为环境配置文件;
预设标准配置文件,标准配置文件记录有若干个配置词汇,获取环境配置文件所包括的若干个待比对词汇,将环境配置文件和标准配置文件导入预设的比对程序内,进而获取比对率,记为K,预设完成阈值,记为K`,完成阈值K`用于判断环境配置是否完成;
若K≥K`,则环境配置完成,获取环境配置完成的物联网设备与网络进行数据交互时的流量数据,若K<K`,则环境配置未完成,导入预设的配置补丁文件,进而继续进行环境配置,直到满足K≥K`时,停止环境配置,并执行K≥K`时的对应操作。
4.根据权利要求3所述的一种基于边缘计算的物联网流量优化系统,其特征在于,对所述流量数据的数据源和数据量进行核算的过程包括:
流量核算节点获取流量数据的数据源和数据量,数据源关联有对应的源文件,源文件预设有对应的文件允许误差阈值,记为Q,获取源文件的初始文件大小,记为D1,获取流量核算节点接收到的源文件的文件大小,记为D2,进而获取文件误差值,记为G,有G=|D1-D2|;
若G≥Q,则判断源文件为受损状态,将数据源标记为非法数据源,并剔除非法数据源,若G<Q,则判断源文件为完整状态,将数据源标记为信任数据源,对信任数据源进行数据量核算的操作;
获取处于完整状态的源文件对应的流量数据的数据量,并记该数据量为C,预设流量核算区间,流量核算区间包括第一流量区间和第二流量区间,分别标记为C1和C2,若C∈C1,为流量数据关联一个分析标识sign1,若C∈C2,为流量数据关联一个分析标识sign2。
5.根据权利要求4所述的一种基于边缘计算的物联网流量优化系统,其特征在于,所述流量分析节点对不同数据量的流量数据进行分析,并赋予相应的计算标识的过程包括:
所述流量分析节点接收不同数据量的流量数据以及其对应的分析标识,流量分析节点关联有初始的算力数值,当获取到的分析标识为sign1时,将算力数值设置为一级算力数值,当获取到的分析标识为sign2时,将算力数值设置为二级算力数值,当流量分析节点的算力数值设置完成后,流量分析节点定位出不同分析标识的流量数据的数据计算量,数据计算量包括一次计算量和分割计算量,并赋予相应的计算标识cal1和cal2;
若分析标识为sign1时,则定位出流量数据的数据计算量为分割计算量,赋予计算标识cal1;
若分析标识为sign2时,则定位出流量数据的数据计算量为一次计算量赋予计算标识cal2。
6.根据权利要求5所述的一种基于边缘计算的物联网流量优化系统,其特征在于,根据不同的计算标识进行相应的计算处理,进而通过计算处理生成相应的流量数据图的过程包括:
所述计算处理的类型包括直接进行本地计算以及异地分割处理后再进行本地计算,若获取的计算标识为cal1,则异地分割处理后再进行本地计算,若获取到的计算标识为cal2,则直接进行本地计算,通过本地计算的计算处理后生成流量数据对应的若干个流量衡量项,并将若干个流量衡量项填充至预设的空白数据图上,进而生成流量数据图。
7.根据权利要求6所述的一种基于边缘计算的物联网流量优化系统,其特征在于,进行本地方案匹配,并判断是否成功的过程包括:
将流量数据图切割为若干个子区域图,获取子区域图所包括的若干个像素块对应的像素信息,设置本地库用于进行本地方案匹配,本地库存储有若干个历史流量数据图像,每个历史流量数据图像关联设置有相应的本地方案,将历史流量数据图像切割为若干个对照区域图,获取对照区域图所包括的若干个像素块对应的像素信息;
将流量数据图导入本地库后开启本地方案匹配,若子区域图的像素信息与对照区域图的像素信息一致,则相应像素块比对成功,否则比对失败,进而获取每个子区域图的比对成功率,记为Sc。
8.根据权利要求7所述的一种基于边缘计算的物联网流量优化系统,其特征在于,拉取本地方案进行流量优化的过程包括:
获取数据集,进而将数据集中各个本地方案按照其对应的本地匹配度α的数值由高至低进行顺序排序,并将数值最高的前三位本地方案作为流量优化的主方案,根据主方案设置相应的流量优化时间和流量优化频率,进而通过主方案进行各个物联网设备相应的流量优化。
9.根据权利要求8所述的一种基于边缘计算的物联网流量优化系统,其特征在于,根据所述流量数据图进行深度学习实时预测流量变化情况,进而进行流量优化的过程包括:
获取流量数据图对应的若干个流量衡量项并作为优化项,将流量风险指标、实时流量数值以及关联网络指标分别作为优化项所对应的第一优化项、第二优化项和第三优化项,并设置各自的异常参考指标,若第一优化项、第二优化项和第三优化项有任一项处于对应的异常参考指标内,则生成优化预警信息,否则,不生成优化预警信息;
当接收到优化预警信息时,定位出处于异常参考指标内的具体的优化项,并通过深度学习实时预测该优化项的流量情况变化情况,流量变化情况分为流量指标异常骤增和流量指标异常骤减,根据流量变化情况进行的流量优化包括优化措施一和优化措施二。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410076348.2A CN117857457A (zh) | 2024-01-18 | 2024-01-18 | 一种基于边缘计算的物联网流量优化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410076348.2A CN117857457A (zh) | 2024-01-18 | 2024-01-18 | 一种基于边缘计算的物联网流量优化系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117857457A true CN117857457A (zh) | 2024-04-09 |
Family
ID=90538344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410076348.2A Pending CN117857457A (zh) | 2024-01-18 | 2024-01-18 | 一种基于边缘计算的物联网流量优化系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117857457A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115361160A (zh) * | 2022-07-01 | 2022-11-18 | 长春汽车工业高等专科学校 | 一种对物联网系统进行网络安全防护的方法及系统 |
WO2022267084A1 (zh) * | 2021-06-25 | 2022-12-29 | 湖州瑞云信息科技有限公司 | 基于大数据的网络安全检测方法及系统 |
CN117097753A (zh) * | 2023-07-31 | 2023-11-21 | 深圳市宝建投智能科技有限公司 | 基于工业互联网标识的数据采集系统 |
CN117368930A (zh) * | 2023-10-18 | 2024-01-09 | 山东飞天光电科技股份有限公司 | 一种基于激光雷达的铁路施工防侵监测系统 |
-
2024
- 2024-01-18 CN CN202410076348.2A patent/CN117857457A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022267084A1 (zh) * | 2021-06-25 | 2022-12-29 | 湖州瑞云信息科技有限公司 | 基于大数据的网络安全检测方法及系统 |
CN115361160A (zh) * | 2022-07-01 | 2022-11-18 | 长春汽车工业高等专科学校 | 一种对物联网系统进行网络安全防护的方法及系统 |
CN117097753A (zh) * | 2023-07-31 | 2023-11-21 | 深圳市宝建投智能科技有限公司 | 基于工业互联网标识的数据采集系统 |
CN117368930A (zh) * | 2023-10-18 | 2024-01-09 | 山东飞天光电科技股份有限公司 | 一种基于激光雷达的铁路施工防侵监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112087334B (zh) | 告警根因分析方法、电子设备和存储介质 | |
CN112492567B (zh) | 一种应急指挥通信中的故障分析和解决方法及装置 | |
CN111881164B (zh) | 基于边缘计算和路径分析的数据处理方法及大数据云平台 | |
CN114880312B (zh) | 一种可柔性设置的应用系统业务数据稽核方法 | |
CN113821242B (zh) | 一种固件智能匹配方法及系统 | |
WO2016031681A1 (ja) | ログ分析装置、ログ分析システム、ログ分析方法及びコンピュータプログラム | |
CN114238474A (zh) | 基于排水系统的数据处理方法、装置、设备及存储介质 | |
CN117141265A (zh) | 一种智能无线充电桩的运行监测系统及监测方法 | |
CN117857457A (zh) | 一种基于边缘计算的物联网流量优化系统 | |
CN115426363B (zh) | 智能板材加工工厂的数据采集方法及终端 | |
CN111191296A (zh) | 一种基于区块链的工作票数据处理方法 | |
CN107517474B (zh) | 一种网络分析优化方法及装置 | |
CN116299129A (zh) | 一种全光纤电流互感器状态检测分析方法、装置及介质 | |
CN105847978B (zh) | 一种基于智能电视的信息收集方法及系统 | |
CN106533958B (zh) | 一种跨网络隔离装置的异构系统的数据一致性校验方法 | |
CN115169605A (zh) | 变电站一次设备的监测方法及系统 | |
CN113691390A (zh) | 一种云端协同的边缘节点报警系统及方法 | |
CN117613908B (zh) | 基于配电网络的智能运维方法及系统 | |
CN106488489B (zh) | 一种恢复用户业务数据的方法及装置 | |
CN116028078B (zh) | 一种基于vpn技术的软件远程升级方法 | |
CN116737988B (zh) | 一种智能楼宇数据管理方法、管理系统 | |
CN113037867B (zh) | 一种多型无人机统一数据接入与处理系统 | |
CN116980284B (zh) | 一种基于物联网的光缆分纤箱运维信息传输方法和系统 | |
CN117873777B (zh) | 一种集中管理异地容灾备份系统 | |
WO2020150987A1 (zh) | 一种硬件故障预测方法及预测装置 |
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 |