CN117955600A - 一种基于确定性网络协同传输的数据冗余编码方法 - Google Patents
一种基于确定性网络协同传输的数据冗余编码方法 Download PDFInfo
- Publication number
- CN117955600A CN117955600A CN202311850693.9A CN202311850693A CN117955600A CN 117955600 A CN117955600 A CN 117955600A CN 202311850693 A CN202311850693 A CN 202311850693A CN 117955600 A CN117955600 A CN 117955600A
- Authority
- CN
- China
- Prior art keywords
- redundancy
- distortion
- data
- packet
- redundancy coding
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013461 design Methods 0.000 claims abstract description 10
- 238000013139 quantization Methods 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请涉及一种基于确定性网络协同传输的数据冗余编码方法,包括如下步骤:计算节点到节点协同传输失真,单数据冗余编码,多数据冗余编码,计算确定性网络系统失真,量化冗余编码参数间的相关性,更新冗余编码参数,量化不同数据冗余编码参数间关系,确定最优冗余编码参数,根据以上的步骤确定最优冗余编码参数和数据包个数,以此设计冗余传输系统。通过非线性拟合推导出多包冗余传输时包数目、冗余编码等参数与量化系数的关系,并建模该情况下的总失真代价,选择最优参数进行多包冗余传输系统设计,有助于在保证高可靠性的同时最小化冗余传输带来的链路失真。
Description
技术领域
本申请涉及通信传输领域,涉及一种基于确定性网络协同传输的数据冗余编码方法。
背景技术
在太阳能光伏、电动汽车等新能源的蓬勃发展下,基于资源的新型能源互联网成为了一项具有前景的技术。确定性网络技术上能满足电力确定性应用的组网需求,提供高可靠、低延迟的连接。通过链路冗余,多传输链路协同备份,防止网络故障、丢包等异常导致的业务中断,提升端到端的用户面数据传输的可靠性。促进确定性网络技术与能源互联网深度融合,为确定性网络实现实时、高质量、高可靠的能源数据传输提供坚实的理论基础。
为提升确定性网络传输的可靠性,需要设计一种合理的数据冗余编码方式,然而实现这一目标面临如下挑战:首先,在进行多链路协同传输时,需要考虑异构多模态数据数据间的关联性对数据冗余传输造成失真的影响。其次,在多链路协同传输时,存在使用单包冗余无法满足失真容限的情况,此时,往往需要采用多包冗余。多包冗余下的传输相对会变得更复杂,其中如何量化各个参数间的关系成为一个重要的问题。最后,在某个包进行冗余编码后须进行参数更新,此时往往按照序列特征更新,但这些特征之间可能存在内部的冗余,因此需要设计一种特征提取方法对降维,满足确定性网络实时处理的需求。
发明内容
本申请实施例的目的在于提供一种基于确定性网络协同传输的数据冗余编码方法,采取异构数据相似性匹配策略,量化协同传输时其他节点对对链路损失产生的影响,通过非线性拟合推导出各影响因子之间的关联性,简化多包冗余传输时的链路损失计算复杂度。
为实现上述目的,本申请提供如下技术方案:
本申请实施例提供一种基于确定性网络协同传输的数据冗余编码方法,包括如下步骤:
步骤1:计算节点到节点协同传输失真D,节点到节点协同传输时的失真主要包括冗余编码时产生的失真Dc,由于异构多模态数据间的相关性而产生的失真Dcorr,丢包产生的错误失真DEC,以及参考块丢失产生的潜在错误失真Dr,
步骤2:单数据冗余编码,使用单个数据包进行协同冗余传输,当主数据包中的某一块丢失时,若该片编码了单个数据冗余包,则可以解码冗余包替代当前丢失块,计算此时的失真,观察是否符合失真容限,若符合,使用单数据冗余编码协同传输;若不符合,执行步骤3-6,
步骤3:多数据冗余编码,使用多个数据包进行协同冗余传输,当主数据包部分丢失时,同时使用多个冗余数据包的不同部分聚合恢复当前块,
步骤4:计算确定性网络系统失真Dtotal,通过比较采用不同数量和冗余编码参数的多数据冗余编码时对应的确定性网络系统总体失真代价J,选择具有最小失真代价的数量和冗余编码参数进行多数据冗余编码,
步骤5:量化冗余编码参数间的相关性,确定性网络系统总体失真受冗余数量和冗余编码参数决定,选择合理的参数设计冗余系统,通过非线性拟合量化冗余编码参数间的相关性。
步骤6:更新冗余编码参数,完成冗余编码后,对不同的序列特征进行选择,基于最大相关最小冗余的思想选择具有最小冗余度的序列特征,然后基于此特征对冗余编码参数进行更新,
步骤7:量化不同数据冗余编码参数间关系,计算不同数据冗余编码造成的损失,确定最优数据包个数,
步骤8:确定最优冗余编码参数,根据以上的步骤确定最优冗余编码参数和数据包个数,以此设计冗余传输系统。
所述步骤1中计算节点到节点协同传输失真D的计算方法如下:
对数据间相关系数进行建模:
式中表示数据包位长,/>表示数据包的优先级,a,b为PCA线性映射系数,表示不同链路上协同传输的数据包,{x,y}是PCA降维后的数据块,而后对协同节点对间通信时其他节点对其的干扰Sij进行建模:
Pt为发送方节点的传输功率,N0为背景噪声,q为path-loss指数,|Dis|为发送节点与接收节点间距离,
然后对两协同节点间相似性系数进行建模:
λ用于将该相似性系数调整至0~1范围内,
最后对协同传输相关性造成的失真建模如下:
式中Dc为冗余编码时产生的失真,
其次计算节点到节点协同传输失真D,如下式:
D=(1-p)(Dcorr+Dr)+p(DEC+DECr)
式中Dr是参考块丢失产生的潜在错误失真,DEC是丢包产生的错误失真,DECr是丢包产生的潜在错误失真。
所述步骤4中计算确定性网络系统失真Dtotal具体为,
当使用多个数据包冗余编码时,系统总体失真如下:
式中n为使用的数据包数目,
此时对应的系统失真代价J如下:
式中Di是传输第i个数据包对应的系统失真,λ为拉格朗日常数,Ri是第i个数据包协同传输时所有包的总长度,φ为能量传递函数,为使用n个冗余数据包协同第i个数据包传输时的冗余编码参数,/>为第i个数据包的码长度,/>为n个冗余数据包的码长度。
所述步骤7中量化不同数据包冗余编码参数间关系的方法如下:
首先,对不同的特征序列采取不同的冗余编码参数进行编码,通过观察数据得出冗余编码参数与量化系数ΔQi之间存在以下关系:
而在冗余编码之后,需要对特征序列进行更新,量化第i个数据包的码长度和n个冗余数据包的码长度/>与量化系数ΔQi之间的关系如下:
式中α和β是与特征序列相关的常数。
所述步骤6中基于最大相关最小冗余的思想选择具有最小冗余度的序列特征具体为,
首先通过信息增益来分析各特征对序列演化方式的影响,令该确定性网络中包含N条节点对间协同传输路径,路径集合记为A={A1,A2,...AN},其中,第i条传输路径的状况将通过特征序列进行表达,/>表示其在第j个时间单位内的数值,每条路径的总体传输时延为T,最终选择的输出序列为S={s1,s2,...,sT},对于特征Ai而言,其对输出序列预测的不确定性降低能力g(S,Ai)为
g(S,Ai)=H(S)-H(S|Ai)
当加入某一特征作为参考后,其划分所得的熵H(S|Ai)越小,则说明不确定性降低水平g(S,Ai)越大,即该运行要素的加入产生的贡献越大,因此,根据信息增益将各特征进行排序,选择具有较大信息增益的特征,然后对所选择的特征之间进行相关性分析,即计算皮尔逊相关系数如下式:
其中cov(Ai,Aj)是Ai和Aj的协方差,σ(Ai)为Ai的标准差,若多个特征之间的相关系数较大,则说明这些特征之间存在冗余性,应保留信息增益最高的特征,最后选择的特征序列与输出序列具有最大相关性,其子集内部具有最小冗余度。
与现有技术相比,本申请的有益效果是:
1.通过结合PCA理论建模异构多模态数据间的相关性失真,并将此部分融入至节点对间协同传输失真的计算,使得算法综合考虑了协同传输情况下感知到其他节点对对冗余传输机制产生的影响,以此作为后续冗余机制调参的主要依据,是一种智能的、考虑了确定性网络潜在认知与感知能力的算法。
2.通过基于最大相关最小冗余的思想设计的特征选择方法不断更新冗余编码参数,实现协同传输下的多包冗余编码,有助于简化多包冗余传输时的链路损失计算复杂度。通过非线性拟合推导出多包冗余传输时包数目、冗余编码等参数与量化系数的关系,并建模该情况下的总失真代价,选择最优参数进行多包冗余传输系统设计,有助于在保证高可靠性的同时最小化冗余传输带来的链路失真。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请的架构图;
图2为本申请的方法流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合图1至图2,介绍本发明的具体实施方式为一种基于确定性网络协同传输的数据冗余编码方法,包括以下具体步骤:
步骤1:计算节点到节点协同传输失真D。节点到节点协同传输时的失真主要包括冗余编码时产生的失真Dc,由于异构多模态数据间的相关性而产生的失真Dcorr,丢包产生的错误失真DEC,以及参考块丢失产生的潜在错误失真Dr。
节点到节点间协同传输失真的计算方法如下:
首先建模协同传输时,由于异构多模态数据间的相关性而产生的失真。以下是该失真的计算方法:
对数据间相关系数进行建模:
式中表示数据包位长/>表示数据包的优先级,a,b为PCA线性映射系数,表示不同链路上协同传输的数据包,{x,y}是PCA降维后的数据块。
而后对协同节点对间通信时其他节点对其的干扰Sij进行建模:
Pt为发送方节点的传输功率,N0为背景噪声,q为path-loss指数,|Dis|为发送节点与接收节点间距离。
然后对两协同节点间相似性系数进行建模:
λ用于将该相似性系数调整至0~1范围内。
最后对协同传输相关性造成的失真建模如下:
式中Dc为冗余编码时产生的失真。
其次计算节点到节点协同传输失真D,如下式:
D=(1-p)(Dcorr+Dr)+p(DEC+DECr)
式中Dr是参考块丢失产生的潜在错误失真,DEC是丢包产生的错误失真,DECr是丢包产生的潜在错误失真。
步骤2:单数据冗余编码。使用单个数据包进行协同冗余传输,当主数据包中的某一块丢失时,若该片编码了单个数据冗余包,则可以解码冗余包替代当前丢失块,如图1(a)所示。计算此时的失真,观察是否符合失真容限。若符合,使用单数据冗余编码协同传输;若不符合,执行步骤3-6。
单数据包冗余编码时对应的失真如下式:
D=(1-p)(Dcorr+Dr)+p(1-p)(Ddif+Dr_r)+pp(DEC+DECr)
式中,Ddif为冗余编码参数,Dr_r为数据块丢失产生的潜在错误失真。
步骤3:多数据冗余编码。使用多个数据包进行协同冗余传输,当主数据包部分丢失时,同时使用多个冗余数据包的不同部分聚合恢复当前块,如图1(b)所示。
步骤4:计算确定性网络系统失真Dtotal。通过比较采用不同数量和冗余编码参数的多数据冗余编码时对应的确定性网络系统总体失真代价J,选择具有最小失真代价的数量和冗余编码参数进行多数据冗余编码。
当使用多个数据包冗余编码时,系统总体失真如下:
式中n为使用的数据包数目。为第n个数据包的冗余编码参数,/>为第n个数据块丢失产生的潜在错误失真。
此时对应的系统失真代价J如下:
式中Di是传输第i个数据包对应的系统失真,λ为拉格朗日常数,Ri是第i个数据包协同传输时所有包的总长度。φ为能量传递函数,为使用n个冗余数据包协同第i个数据包传输时的冗余编码参数,/>为第i个数据包的码长度,/>为n个冗余数据包的码长度。
步骤5:量化冗余编码参数间的相关性。从步骤4可以看出,确定性网络系统总体失真受冗余数量和冗余编码参数决定,因此需要选择合理的参数设计冗余系统,需要通过非线性拟合量化冗余编码参数间的相关性。
首先,对不同的特征序列采取不同的冗余编码参数进行编码,通过观察数据得出冗余编码参数与量化系数ΔQi之间存在以下关系:
而在冗余编码之后,需要对特征序列进行更新,量化第i个数据包的码长度和n个冗余数据包的码长度/>与量化系数ΔQi之间的关系如下:
式中α和β是与特征序列相关的常数。
步骤6:更新冗余编码参数。完成冗余编码后,需要对不同的序列特征进行选择,基于最大相关最小冗余的思想选择具有最小冗余度的序列特征,然后基于此特征对冗余编码参数进行更新。
首先通过信息增益来分析各特征对序列演化方式的影响。令该确定性网络中包含N条节点对间协同传输路径,路径集合记为A={A1,A2,...AN}。其中,第i条传输路径的状况将通过特征序列进行表达,/>表示其在第j个时间单位内的数值,每条路径的总体传输时延为T,最终选择的输出序列为S={s1,s2,...,sT}。对于特征Ai而言,其对输出序列预测的不确定性降低能力g(S,Ai)为
g(S,Ai)=H(S)-H(S|Ai)
当加入某一特征作为参考后,其划分所得的熵H(S|Ai)越小,则说明不确定性降低水平g(S,Ai)越大,即该运行要素的加入产生的贡献越大。因此,根据信息增益将各特征进行排序,选择具有较大信息增益的特征。然后对所选择的特征之间进行相关性分析,即计算皮尔逊相关系数如下式:
其中cov(Ai,Aj)是Ai和Aj的协方差,σ(Ai)为Ai的标准差,若多个特征之间的相关系数较大,则说明这些特征之间存在冗余性,应保留信息增益最高的特征。最后选择的特征序列与输出序列具有最大相关性,其子集内部具有最小冗余度。
步骤7:量化不同数据冗余编码参数间关系,计算不同数据冗余编码造成的损失。对于多个数据包冗余的模式而言,需要对不同位置的数据块使用不同编码参数,此时就需要量化不同数据包与冗余编码参数间的关系。随着时间的演化,不同数据包在冗余编码后造成的系统失真(损失)也不相同,因此需要量化不同数据包冗余编码造成的损失,以此确定最优数据包个数。
不同冗余包量化系数间的相关关系如下式:
ΔQi+1≈ΔQi(p-1/2-1)
式中i为冗余包序号。
采用n个数据包冗余传输时,第n个数据包造成的失真代价差为:
当ΔJ>0时,可以编码第n个冗余帧。更大的n表示需要更多的冗余包。对具有复杂结构演化迅速和更易丢包的序列,需要更多的冗余包。最终确定冗余包数量的初始范围M。
步骤8:确定最优冗余编码参数。根据以上的步骤确定最优冗余编码参数和数据包个数,以此设计冗余传输系统。
在使用[M-1,M]个冗余包和使用不同编码参数时的失真代价,最终选择具有最小失真代价的编码参数和冗余包编码数量,作为最终确认的编码参数对当前数据包进行编码。
相较于现有技术,本发明提出一种基于确定性网络协同传输的数据冗余编码方法。本发明建模异构多模态数据数据间的相似性,并计算由协同传输产生的失真,结合丢包率、冗余编码失真等设计了一种计算节点对间协同传输失真的方法。按照该方法,计算单包冗余情况下的失真是否满足要求,若单包冗余不满足要求,转多包冗余协同传输。然后,通过非线性拟合建模包数、编码参数和量化系数间关系,选择使得系统失真代价最小时对应的参数组设计冗余编码机制。最后,在某个包的冗余传输结束后,基于基于最大相关最小冗余思想结合信息增益设计了一种特征选择方法,保留信息增益最高的特征序列进行编码参数更新,更新至下一个数据包的冗余传输。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (5)
1.一种基于确定性网络协同传输的数据冗余编码方法,其特征在于,包括如下步骤:
步骤1:计算节点到节点协同传输失真D,节点到节点协同传输时的失真主要包括冗余编码时产生的失真Dc,由于异构多模态数据间的相关性而产生的失真Dcorr,丢包产生的错误失真DEC,以及参考块丢失产生的潜在错误失真Dr,
步骤2:单数据冗余编码,使用单个数据包进行协同冗余传输,当主数据包中的某一块丢失时,若该片编码了单个数据冗余包,则可以解码冗余包替代当前丢失块,计算此时的失真,观察是否符合失真容限,若符合,使用单数据冗余编码协同传输;若不符合,执行步骤3-6,
步骤3:多数据冗余编码,使用多个数据包进行协同冗余传输,当主数据包部分丢失时,同时使用多个冗余数据包的不同部分聚合恢复当前块,
步骤4:计算确定性网络系统失真Dtotal,通过比较采用不同数量和冗余编码参数的多数据冗余编码时对应的确定性网络系统总体失真代价J,选择具有最小失真代价的数量和冗余编码参数进行多数据冗余编码,
步骤5:量化冗余编码参数间的相关性,确定性网络系统总体失真受冗余数量和冗余编码参数决定,选择合理的参数设计冗余系统,通过非线性拟合量化冗余编码参数间的相关性。
步骤6:更新冗余编码参数,完成冗余编码后,对不同的序列特征进行选择,基于最大相关最小冗余的思想选择具有最小冗余度的序列特征,然后基于此特征对冗余编码参数进行更新,
步骤7:量化不同数据冗余编码参数间关系,计算不同数据冗余编码造成的损失,确定最优数据包个数,
步骤8:确定最优冗余编码参数,根据以上的步骤确定最优冗余编码参数和数据包个数,以此设计冗余传输系统。
2.根据权利要求1所述的一种基于确定性网络协同传输的数据冗余编码方法,其特征在于,所述步骤1中计算节点到节点协同传输失真D的计算方法如下:
对数据间相关系数进行建模:
式中表示数据包位长,/>表示数据包的优先级,a,b为PCA线性映射系数,表示不同链路上协同传输的数据包,{x,y}是PCA降维后的数据块,而后对协同节点对间通信时其他节点对其的干扰Sij进行建模:
Pt为发送方节点的传输功率,N0为背景噪声,q为path-loss指数,|Dis|为发送节点与接收节点间距离,
然后对两协同节点间相似性系数进行建模:
λ用于将该相似性系数调整至0~1范围内,
最后对协同传输相关性造成的失真建模如下:
式中Dc为冗余编码时产生的失真,
其次计算节点到节点协同传输失真D,如下式:
D=(1-p)(Dcorr+Dr)+p(DEC+DECr)
式中Dr是参考块丢失产生的潜在错误失真,DEC是丢包产生的错误失真,DECr是丢包产生的潜在错误失真。
3.根据权利要求1所述的一种基于确定性网络协同传输的数据冗余编码方法,其特征在于,所述步骤4中计算确定性网络系统失真Dtotal具体为,
当使用多个数据包冗余编码时,系统总体失真如下:
式中n为使用的数据包数目,
此时对应的系统失真代价J如下:
式中Di是传输第i个数据包对应的系统失真,λ为拉格朗日常数,Ri是第i个数据包协同传输时所有包的总长度,φ为能量传递函数,为使用n个冗余数据包协同第i个数据包传输时的冗余编码参数,/>为第i个数据包的码长度,/>为n个冗余数据包的码长度。
4.根据权利要求1所述的一种基于确定性网络协同传输的数据冗余编码方法,其特征在于包括:所述步骤7中量化不同数据包冗余编码参数间关系的方法如下:
首先,对不同的特征序列采取不同的冗余编码参数进行编码,通过观察数据得出冗余编码参数与量化系数ΔQi之间存在以下关系:
而在冗余编码之后,需要对特征序列进行更新,量化第i个数据包的码长度和n个冗余数据包的码长度/>与量化系数ΔQi之间的关系如下:
式中α和β是与特征序列相关的常数。
5.根据权利要求1所述的一种基于确定性网络协同传输的数据冗余编码方法,其特征在于包括:所述步骤6中基于最大相关最小冗余的思想选择具有最小冗余度的序列特征具体为,
首先通过信息增益来分析各特征对序列演化方式的影响,令该确定性网络中包含N条节点对间协同传输路径,路径集合记为A={A1,A2,...AN},其中,第i条传输路径的状况将通过特征序列进行表达,/>表示其在第j个时间单位内的数值,每条路径的总体传输时延为T,最终选择的输出序列为S={s1,s2,...,sT},对于特征Ai而言,其对输出序列预测的不确定性降低能力g(S,Ai)为
g(S,Ai)=H(S)-H(S|Ai)
当加入某一特征作为参考后,其划分所得的熵H(S|Ai)越小,则说明不确定性降低水平g(S,Ai)越大,即该运行要素的加入产生的贡献越大,因此,根据信息增益将各特征进行排序,选择具有较大信息增益的特征,然后对所选择的特征之间进行相关性分析,即计算皮尔逊相关系数如下式:
其中cov(Ai,Aj)是Ai和Aj的协方差,σ(Ai)为Ai的标准差,若多个特征之间的相关系数较大,则说明这些特征之间存在冗余性,应保留信息增益最高的特征,最后选择的特征序列与输出序列具有最大相关性,其子集内部具有最小冗余度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311850693.9A CN117955600A (zh) | 2023-12-27 | 2023-12-27 | 一种基于确定性网络协同传输的数据冗余编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311850693.9A CN117955600A (zh) | 2023-12-27 | 2023-12-27 | 一种基于确定性网络协同传输的数据冗余编码方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117955600A true CN117955600A (zh) | 2024-04-30 |
Family
ID=90799538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311850693.9A Pending CN117955600A (zh) | 2023-12-27 | 2023-12-27 | 一种基于确定性网络协同传输的数据冗余编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117955600A (zh) |
-
2023
- 2023-12-27 CN CN202311850693.9A patent/CN117955600A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1738470B1 (en) | Apparatus and method for improving reliability of collected sensor data over a network | |
Gupta et al. | Optimal LQG control across packet-dropping links | |
Raja et al. | Compress-and-forward scheme for a relay network: Approximate optimality and connection to algebraic flows | |
Hu et al. | LightFEC: Network adaptive FEC with a lightweight deep-learning approach | |
CN113255750B (zh) | 一种基于深度学习的vcc车辆攻击检测方法 | |
CN116847453B (zh) | 卫星数据传输及卫星物联网接入时间的管理方法 | |
CN117955600A (zh) | 一种基于确定性网络协同传输的数据冗余编码方法 | |
Tato et al. | Deep learning assisted rate adaptation in spatial modulation links | |
KR102006292B1 (ko) | Fec를 이용한 초협대역 멀티미디어 전송 장치 및 방법, 그리고, fec 파라미터 결정을 위한 dnn 모델 선택 장치 | |
CN108093455B (zh) | 一种基于时空相关性的高能效无线传感网数据传输方法 | |
CN116633758A (zh) | 基于全异构元对比学习模型的网络故障预测方法及系统 | |
Sun et al. | Intersensor collaboration in distributed quantization networks | |
Wang et al. | Spiking Semantic Communication for Feature Transmission with HARQ | |
CN114124725A (zh) | 基于复杂网络模型的量子通信网络可靠度全面评估方法 | |
Krishnan et al. | Hierarchical coded gradient aggregation based on layered MDS codes | |
Cao et al. | Distributed Detection with Unreliable Reporting Channels: Quantize or Not Quantize? | |
CN117440135B (zh) | 基于北斗卫星通信的图像传输方法及系统 | |
CN117692026B (zh) | 一种电力线通信的链路感知方法及装置 | |
CN117118616B (zh) | 一种基于配电网的量子密钥分发网络构建方法及装置 | |
CN116248522B (zh) | 一种业务意愿与确定性网络切片关联方法 | |
CN114090651B (zh) | 基于双通道图神经网络自编码器的交通流异常数据判断方法 | |
Lin et al. | Bit-Flipping Helper-Assisted Lossy Communications: Performance Analyses over Fading Multiple Access Channels | |
Maierbacher et al. | CTH04-3: Source-Optimized Clustering for Distributed Source Coding | |
Eshmuradov et al. | Analytical model of data delay and network reliability assessment in wireless sensor network | |
Ma et al. | Research of IoT Technology Based Online Status Monitoring on Hydropower Station Equipment: Research of IoT Technology Based Online Status Monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |