CN108833227B - 一种基于边缘计算的智能家居通信优化调度***及方法 - Google Patents
一种基于边缘计算的智能家居通信优化调度***及方法 Download PDFInfo
- Publication number
- CN108833227B CN108833227B CN201810635338.2A CN201810635338A CN108833227B CN 108833227 B CN108833227 B CN 108833227B CN 201810635338 A CN201810635338 A CN 201810635338A CN 108833227 B CN108833227 B CN 108833227B
- Authority
- CN
- China
- Prior art keywords
- intelligent home
- communication optimization
- terminal
- zigbee
- optimization
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004364 calculation method Methods 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 177
- 239000010410 layer Substances 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 15
- 239000012792 core layer Substances 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 29
- 238000013433 optimization analysis Methods 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000283070 Equus zebra Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L12/00—Data switching networks
- H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
- H04L12/2803—Home automation networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Automation & Control Theory (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种基于边缘计算的智能家居通信优化调度***及方法，该***包括：智能家居终端域：包括ZigBee智能家居终端、手机移动终端和电脑移动终端中的一种或多种；边缘接入层：包含ZigBee路由器、运营商基站和无线基站中的一种或多种；因特网接入层，实现运营商基站和无线基站的接入；家庭网关接入层：包括若干家庭网关；核心层：包括至少一个优化调度器，实现对来自ZigBee智能家居终端、手机移动终端和电脑移动终端的优化调度请求；智能家居通信优化功能分析器：包括边缘计算智能家居通信优化服务核心云，实现对来自ZigBee智能家居终端、手机移动终端和电脑移动终端的优化调度信息的核心处理。
Description
技术领域
本发明涉及智能家居和边缘计算技术领域，具体涉及一种基于边缘 计算的智能家居通信优化调度***及方法。
背景技术
智能家居是在互联网影响之下物联化的体现。智能家居通过物联网 技术将家中的各种设备(如音视频设备、照明***、窗帘控制、空调控制、 安防***、数字影院***、影音服务器、影柜***、网络家电等)连接到 一起，提供控制。
而随着物联网迅猛发展，边缘终端设备的数量迅速增加，同时边缘 终端设备所产生数据量已达到泽字节(ZB)级别。集中式数据处理不能 有效处理边缘终端设备所产生的海量数据,边缘计算已被业界普遍认定为 下一代数字化转型的主要趋势之一。移动边缘计算(Mobile Edge Computing,MEC)是将传统云计算平台的部分计算任务迁移到接入域，并将传统业务与互联网业务进行深度融合，减少传统业务交付的端到端时 延，进而带给运营商的运作带来全新模式，并建立全新的产业链及生态圈。 这种情况下，面对日益迫切的边缘计算及智能家居发展需求，基于边缘计 算的智能家居通信优化调度对于边缘计算及智能家居的迅速持续发展具 有重要意义。
但是随着边缘计算及智能家居业务的快速增长，伴之产生的高延迟、 高流量成本、非实时等问题日益突出。现有云计算***具有延迟高、实时 性差等特性，未充分考虑到高延迟、高流量成本、非实时等方面问题。所 以，函待开发一种新的***及方法来解决上述问题。
发明内容
第一方面，本发明提供一种基于边缘计算的智能家居通信优化调度 ***，该***包括：
智能家居终端域：包括ZigBee智能家居终端、手机移动终端和电脑 移动终端中的一种或多种；
边缘接入层：包含ZigBee路由器、运营商基站和无线基站中的一种 或多种，实现智能家居终端域的接入；
因特网接入层，实现运营商基站和无线基站的接入；
家庭网关接入层：包括若干家庭网关，实现来自ZigBee路由器和因 特网的接入；
核心层：包括至少一个优化调度器，实现对来自ZigBee智能家居终 端、手机移动终端和电脑移动终端的优化调度请求；
智能家居通信优化功能分析器：包括边缘计算智能家居通信优化服 务核心云，实现对来自ZigBee智能家居终端、手机移动终端和电脑移动 终端的优化调度信息的核心处理。
结合第一方面，在第一方面第一种可能的实现方式中，所述ZigBee 智能家居终端通过ZigBee网络接入到ZigBee路由器；所述手机移动终端 和电脑移动终端分别通过运营商网络和无线网络接入运营商基站及无线 基站；所述运营商基站和无线基站接入所述因特网接入层后接入到家庭网 关接入层；所述ZigBee路由器接入到家庭网关接入层；所述家庭网关接 入到核心层的优化调度器；所述优化调度器接入到所述智能家居通信优化 功能分析器的边缘计算智能家居通信优化服务核心云。
第二方面，本发明提供一种基于边缘计算的智能家居通信优化调度 方法，该方法包括如下步骤：
1)智能家居终端域发出ZigBee智能家居终端通信优化请求；
2)所述ZigBee智能家居终端通信优化请求通过传输到达边智能家 居通信优化功能分析器中的缘计算智能家居通信优化服务核心云；所述边 缘计算智能家居通信优化服务核心云处理ZigBee智能家居终端通信优化 请求；并将处理后的ZigBee智能家居终端通信优化请求结果反馈给核心 层的优化调度器；
3)所述优化调度器将处理后的ZigBee智能家居终端通信优化请求 结果返回给家庭网关接入层的家庭网关；
4)所述家庭网关将处理后的ZigBee智能家居终端通信优化请求结 果返回给边缘接入层的ZigBee路由器或通过英特网层返回给所述运营商 基站及无线基站；所述ZigBee路由器或所述运营商基站及无线基站将处 理后的ZigBee智能家居终端通信优化请求结果返回给ZigBee智能家居终 端并实施优化后的ZigBee智能家居终端通信优化请求。
结合第二方面，在第二方面第一种可能的实现方式中，所述步骤1) 中所述智能家居终端域发出信优化请求为所述ZigBee智能家居终端发出 并处理部分迁移到终端的计算、存储和网络后的ZigBee智能家居终端通 通信优化请求或由手机移动终端或电脑移动终端发出的ZigBee智能家居 终端通信优化请求。
结合第二方面的第一种实现方式，在第二方面第二种可能的实现方 式中，所述处理后的ZigBee智能家居终端通信优化请求结果包括处理后 的ZigBee智能家居终端通信优化请求和除部分迁移到终端的计算、存储 和网络等通信优化任务外的剩余任务请求结果。
结合第二方面及上述可能的实现方式，在第二方面第三种可能的实 现方式中，所述智能家居通信优化功能分析器处理ZigBee智能家居终端 通信优化请求包括：ZigBee智能家居通信优化请求接收、以多维空间深度 循环神经网络策略分析智能家居通信优化请求、推荐结果输出和多维空间 深度循环神经网络策略半监督学习。
结合第二方面及上述可能的实现方式，在第二方面第四种可能的实 现方式中，所述智能家居通信优化功能分析器处理ZigBee智能家居终端 通信优化请求具体步骤为：
1)ZigBee智能家居通信优化请求接收获取汇总
每隔预置时间主动上报和定期被询问机制获取智能家居通信优化请 求，并将这些信息进行汇总；
2)设置迭代初始参数
设置迭代最大代数d为50；
3)当前迭代次数k加1
当前迭代次数增加1次，也即k+1,k≤d；
4)以多维空间深度循环神经网络半监督学习策略分析智能家居通信 优化请求
以多维空间深度循环神经网络半监督学习策略分析智能家居通信优 化请求；
5)各深度优化分析初始结果获取汇总
将智能家居通信优化请求推荐结果进行获取和汇总；
6)多维空间深度循环神经网络优化策略半监督学习
结合正切专家决策库深度循环神经网络半监督学习方法进行半监督 学习；
7)判断是否满足深度优化分析评价条件
根据多维空间、循环神经网络、深度学习、概率论、生物学、运筹 学、智能优化、机器学习理论的深度优化分析评价条件即评价函数(见式 1-2)进行判断，当不满足深度优化分析评价条件时应继续进行迭代；
8)当前迭代次数加1
当前迭代次数增加1次，也即k+1,k≤d；
9)以多维空间深度循环神经网络半监督学习策略分析智能家居通信 优化请求
以多维空间深度循环神经网络半监督学习策略分析智能家居通信优 化请求；
10)各深度优化分析结果获取汇总
每隔预置时间主动上报和定期被询问机制获取汇总智能家居通信优 化请求分析优化结果信息；
11)满足当前迭代次数大于最大迭代次数
根据当前迭代次数大于最大迭代次数评价条件进行判断，当不满足 时跳转到6)继续进行迭代，满足时结束。
所述步骤6)多维空间深度循环神经网络优化策略半监督学习和步骤 7)判断是否满足深度优化分析评价条件具体包括：
存储模型：
联合柯尔莫哥洛夫评价函数：
i＝1,2,…m,j＝1,2,…n,t＝1,2,…p,k＝1,2,…,d,ε∈(0,1) (1-2)
深度循环神经网络优化函数：
λ、β∈(0,1),λ+β＝1 (1-3)
其中式(1-2)至式(1-6)中的k表示第k次迭代，其中k必须满 足k≤d条件，需满足k＝1,2,…,d的条件；其中，1，2，L为多维空间；
式(1-3)、(1-4)和(1-5)中的
主要包含：
和
两方面 的信息向量，式(1-2)、(1-3)、(1-4)、(1-5)和(1-6)中的
LmaxG、CmaxG、
MmaxG、MmaxK、MminK、
MminG分别为深度优化的当前第k次迭代时延、当前第k次平均时 延、当前第k次流量成本、当前第k次平均流量成本、历史信息时延最大 值、历史信息流量成本最大值、当前第k次信息向量、历史最大信息向量、 当前第k次最大信息向量、当前第k次最小信息向量、第k+1次信息向量、 第k+1次正切专家库半监督学习因子、第k+1次奖励因子、历史最小信息 向量，使得此算法挑出局部最优。
该智能家居通信优化调度***具有低延迟、低流量成本、实时等优 势，配合该***的方法能有效实现该***的上述优势，使该***具有较强 的竞争力。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使 用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在 不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请智能家居通信优化调度***的方法的具体实施方式之 一的深度优化分析策略执行流程图；
图2是存储模型的示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附 图对本发明提供的一种基于边缘计算的智能家居通信优化调度***及方 法进行详细描述。
下面对本申请的实施例作详细说明。
在本发明的第一个实施例中，提供一种基于边缘计算的智能家居通 信优化调度***，该***包括：
智能家居终端域：包括ZigBee智能家居终端、手机移动终端和电脑 移动终端中的一种或多种；
边缘接入层：包含ZigBee路由器、运营商基站和无线基站中的一种 或多种，实现智能家居终端域的接入；
因特网接入层，实现运营商基站和无线基站的接入；
家庭网关接入层：包括若干家庭网关，实现来自ZigBee路由器和因 特网的接入；
核心层：包括至少一个优化调度器，实现对来自ZigBee智能家居终 端、手机移动终端和电脑移动终端的优化调度请求；
智能家居通信优化功能分析器：包括边缘计算智能家居通信优化服 务核心云，实现对来自ZigBee智能家居终端、手机移动终端和电脑移动 终端的优化调度信息的核心处理，智能家居通信优化功能分析器主要完成 对智能家居通信优化请求进行分析处理，并将分析处理后的相关信息转发 给相应的分析结果，也包括处理除迁移到ZigBee智能家居终端外的剩余 部分计算、存储和网络等服务。
在本发明的第二个实施例中，所述ZigBee智能家居终端通过ZigBee 网络接入到ZigBee路由器；所述手机移动终端和电脑移动终端分别通过 运营商网络和无线网络接入运营商基站及无线基站；所述运营商基站和无 线基站接入所述因特网接入层后接入到家庭网关接入层；所述ZigBee路 由器接入到家庭网关接入层；所述家庭网关接入到核心层的优化调度器； 所述优化调度器接入到所述智能家居通信优化功能分析器的边缘计算智 能家居通信优化服务核心云。
在本发明的第三个实施例中，本发明提供一种基于边缘计算的智能 家居通信优化调度方法，该方法包括如下步骤：
1)智能家居终端域发出ZigBee智能家居终端通信优化请求；
2)所述ZigBee智能家居终端通信优化请求通过传输到达边智能家 居通信优化功能分析器中的缘计算智能家居通信优化服务核心云；所述边 缘计算智能家居通信优化服务核心云处理ZigBee智能家居终端通信优化 请求；并将处理后的ZigBee智能家居终端通信优化请求结果反馈给核心 层的优化调度器；
3)所述优化调度器将处理后的ZigBee智能家居终端通信优化请求 结果返回给家庭网关接入层的家庭网关；
4)所述家庭网关将处理后的ZigBee智能家居终端通信优化请求结 果返回给边缘接入层的ZigBee路由器或通过英特网层返回给所述运营商 基站及无线基站；所述ZigBee路由器或所述运营商基站及无线基站将处 理后的ZigBee智能家居终端通信优化请求结果返回给ZigBee智能家居终 端并实施优化后的ZigBee智能家居终端通信优化请求。
在本发明的第四个实施例中，所述步骤1)中所述智能家居终端域发 出信优化请求为所述ZigBee智能家居终端发出并处理部分迁移到终端的 计算、存储和网络后的ZigBee智能家居终端通通信优化请求或由手机移 动终端或电脑移动终端发出的ZigBee智能家居终端通信优化请求。
在本发明的第五个实施例中，所述处理后的ZigBee智能家居终端通 信优化请求结果包括处理后的ZigBee智能家居终端通信优化请求和除部 分迁移到终端的计算、存储和网络等通信优化任务外的剩余任务请求结 果。
在本发明的第六个实施例中，所述智能家居通信优化功能分析器处 理ZigBee智能家居终端通信优化请求包括：ZigBee智能家居通信优化请 求接收、以多维空间深度循环神经网络策略分析智能家居通信优化请求、 推荐结果输出和多维空间深度循环神经网络策略半监督学习。其中，各智 能家居通信优化请求信息主要包含：时延L、流量成本C。通过分析智能 家居通信优化请求实现了针对各智能家居通信优化请求的时延L、流量成 本C进行深度优化，多维空间深度循环神经网络策略半监督学习实现并给 出推荐结果。
如图1所示，在本发明的第七个实施例中，所述智能家居通信优化 功能分析器处理ZigBee智能家居终端通信优化请求具体步骤为：
1)ZigBee智能家居通信优化请求接收获取汇总
每隔预置时间主动上报和定期被询问机制获取智能家居通信优化请 求，并将这些信息进行汇总；
2)设置迭代初始参数
设置迭代最大代数d为50；
3)当前迭代次数k加1
当前迭代次数增加1次，也即k+1,k≤d；
4)以多维空间深度循环神经网络半监督学习策略分析智能家居通信 优化请求
以多维空间深度循环神经网络半监督学习策略分析智能家居通信优 化请求；
5)各深度优化分析初始结果获取汇总
将智能家居通信优化请求推荐结果进行获取和汇总；
6)多维空间深度循环神经网络优化策略半监督学习
结合正切专家决策库深度循环神经网络半监督学习方法进行半监督 学习；
7)判断是否满足深度优化分析评价条件
根据多维空间、循环神经网络、深度学习、概率论、生物学、运筹 学、智能优化、机器学习理论的深度优化分析评价条件即评价函数(见式 1-2)进行判断，当不满足深度优化分析评价条件时应继续进行迭代；
8)当前迭代次数加1
当前迭代次数增加1次，也即k+1,k≤d；
9)以多维空间深度循环神经网络半监督学习策略分析智能家居通信 优化请求
以多维空间深度循环神经网络半监督学习策略分析智能家居通信优 化请求；
10)各深度优化分析结果获取汇总
每隔预置时间主动上报和定期被询问机制获取汇总智能家居通信优 化请求分析优化结果信息；
11)满足当前迭代次数大于最大迭代次数
根据当前迭代次数大于最大迭代次数评价条件进行判断，当不满足 时跳转到6)继续进行迭代，满足时结束。
深度优化思想是对各智能家居通信优化请求信息进行判断和分析， 各智能家居通信优化请求具有不同优先等级。本发明将智能家居通信优化 请求以深度优化分析评价函数最优的深度优化策略进行分析。结合正切专 家决策库深度循环神经网络半监督学习方法实现本发明低延迟、低流量成 本、实时等众多优势。该算法采用实时主动兼被动收集智能家居通信优化 请求信息并实时分析，明显优化各智能家居通信优化请求结果的时延L、 流量成本C等方面指标。
在本发明的第八个实施例中，所述步骤6)多维空间深度循环神经网 络优化策略半监督学习和步骤7)判断是否满足深度优化分析评价条件具 体包括：
存储模型(如图2所示)：
联合柯尔莫哥洛夫评价函数：
i＝1,2,…m,j＝1,2,…n,t＝1,2,…p,k＝1,2,…,d,ε∈(0,1) (1-2)
深度循环神经网络优化函数：
λ、β∈(0,1),λ+β＝1 (1-3)
其中式(1-2)至式(1-6)中的k表示第k次迭代，其中k必须满 足k≤d条件，需满足k＝1,2,…,d的条件；其中，1，2，L为多维空间；
式(1-3)、(1-4)和(1-5)中的
主要包含：
和
两方面 的信息向量，式(1-2)、(1-3)、(1-4)、(1-5)和(1-6)中的
LmaxG、CmaxG、
MmaxG、MmaxK、MminK、
MminG分别为深度优化的当前第k次迭代时延、当前第k次平均时 延、当前第k次流量成本、当前第k次平均流量成本、历史信息时延最大 值、历史信息流量成本最大值、当前第k次信息向量、历史最大信息向量、 当前第k次最大信息向量、当前第k次最小信息向量、第k+1次信息向量、 第k+1次正切专家库半监督学习因子、第k+1次奖励因子、历史最小信息 向量，使得此算法挑出局部最优。
该智能家居通信优化调度***具有低延迟、低流量成本、实时等优 势，配合该***的方法能有效实现该***的上述优势，使该***具有较强 的竞争力。
本说明书中各个实施例之间相同相似的部分互相参见即可。以上所 述的本发明实施方式并不构成对本发明保护范围的限定。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用 的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术 人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和 改进，这些变型和改进也视为本发明的保护范围。
Claims (7)
1.一种基于边缘计算的智能家居通信优化调度***，该***包括：
智能家居终端域：包括ZigBee智能家居终端、手机移动终端和电脑移动终端中的一种或多种；智能家居终端域发出ZigBee智能家居终端通信优化请求；
边缘接入层：包含ZigBee路由器、运营商基站和无线基站中的一种或多种，实现智能家居终端域的接入；
因特网接入层，实现运营商基站和无线基站的接入；
家庭网关接入层：包括若干家庭网关，实现来自ZigBee路由器和因特网的接入；
核心层：包括至少一个优化调度器，实现对来自ZigBee智能家居终端、手机移动终端和电脑移动终端的优化调度请求；
智能家居通信优化功能分析器：包括边缘计算智能家居通信优化服务核心云，实现对来自ZigBee智能家居终端、手机移动终端和电脑移动终端的优化调度信息的核心处理；所述ZigBee智能家居终端通信优化请求通过传输到达边智能家居通信优化功能分析器中的缘计算智能家居通信优化服务核心云；所述边缘计算智能家居通信优化服务核心云处理ZigBee智能家居终端通信优化请求，所述智能家居通信优化功能分析器具体用于：
1)ZigBee智能家居通信优化请求接收获取汇总
每隔预置时间主动上报和定期被询问机制获取智能家居通信优化请求，并将这些信息进行汇总；
2)设置迭代初始参数
设置迭代最大代数d为50；
3)当前迭代次数k加1
当前迭代次数增加1次，也即k+1,k≤d；
4)以多维空间深度循环神经网络半监督学习策略分析智能家居通信优化请求
以多维空间深度循环神经网络半监督学习策略分析智能家居通信优化请求；
5)各深度优化分析初始结果获取汇总
将智能家居通信优化请求推荐结果进行获取和汇总；
6)多维空间深度循环神经网络优化策略半监督学习
结合正切专家决策库深度循环神经网络半监督学习方法进行半监督学习；
7)判断是否满足深度优化分析评价条件
根据多维空间、循环神经网络、深度学习、概率论、生物学、运筹学、智能优化、机器学习理论的深度优化分析评价条件即评价函数进行判断，当不满足深度优化分析评价条件时应继续进行迭代；
8)当前迭代次数加1
当前迭代次数增加1次，也即k+1,k≤d；
9)以多维空间深度循环神经网络半监督学习策略分析智能家居通信优化请求
以多维空间深度循环神经网络半监督学习策略分析智能家居通信优化请求；
10)各深度优化分析结果获取汇总
每隔预置时间主动上报和定期被询问机制获取汇总智能家居通信优化请求分析优化结果信息；
11)满足当前迭代次数大于最大迭代次数
根据当前迭代次数大于最大迭代次数评价条件进行判断，当不满足时跳转到6)继续进行迭代，满足时结束。
2.根据权利要求1所述的***，其特征在于：所述ZigBee智能家居终端通过ZigBee网络接入到ZigBee路由器；所述手机移动终端和电脑移动终端分别通过运营商网络和无线网络接入运营商基站及无线基站；所述运营商基站和无线基站接入所述因特网接入层后接入到家庭网关接入层；所述ZigBee路由器接入到家庭网关接入层；所述家庭网关接入到核心层的优化调度器；所述优化调度器接入到所述智能家居通信优化功能分析器的边缘计算智能家居通信优化服务核心云。
3.一种基于边缘计算的智能家居通信优化调度方法，其特征在于，该方法包括如下步骤：
1)智能家居终端域发出ZigBee智能家居终端通信优化请求；
2)所述ZigBee智能家居终端通信优化请求通过传输到达边智能家居通信优化功能分析器中的缘计算智能家居通信优化服务核心云；所述边缘计算智能家居通信优化服务核心云处理ZigBee智能家居终端通信优化请求；并将处理后的ZigBee智能家居终端通信优化请求结果反馈给核心层的优化调度器；
3)所述优化调度器将处理后的ZigBee智能家居终端通信优化请求结果返回给家庭网关接入层的家庭网关；
4)所述家庭网关将处理后的ZigBee智能家居终端通信优化请求结果返回给边缘接入层的ZigBee路由器或通过英特网层返回给运营商基站及无线基站；所述ZigBee路由器或所述运营商基站及无线基站将处理后的ZigBee智能家居终端通信优化请求结果返回给ZigBee智能家居终端并实施优化后的ZigBee智能家居终端通信优化请求；
智能家居通信优化功能分析器处理ZigBee智能家居终端通信优化请求具体步骤为：
1)ZigBee智能家居通信优化请求接收获取汇总
每隔预置时间主动上报和定期被询问机制获取智能家居通信优化请求，并将这些信息进行汇总；
2)设置迭代初始参数
设置迭代最大代数d为50；
3)当前迭代次数k加1
当前迭代次数增加1次，也即k+1,k≤d；
4)以多维空间深度循环神经网络半监督学习策略分析智能家居通信优化请求
以多维空间深度循环神经网络半监督学习策略分析智能家居通信优化请求；
5)各深度优化分析初始结果获取汇总
将智能家居通信优化请求推荐结果进行获取和汇总；
6)多维空间深度循环神经网络优化策略半监督学习
结合正切专家决策库深度循环神经网络半监督学习方法进行半监督学习；
7)判断是否满足深度优化分析评价条件
根据多维空间、循环神经网络、深度学习、概率论、生物学、运筹学、智能优化、机器学习理论的深度优化分析评价条件即评价函数进行判断，当不满足深度优化分析评价条件时应继续进行迭代；
8)当前迭代次数加1
当前迭代次数增加1次，也即k+1,k≤d；
9)以多维空间深度循环神经网络半监督学习策略分析智能家居通信优化请求
以多维空间深度循环神经网络半监督学习策略分析智能家居通信优化请求；
10)各深度优化分析结果获取汇总
每隔预置时间主动上报和定期被询问机制获取汇总智能家居通信优化请求分析优化结果信息；
11)满足当前迭代次数大于最大迭代次数
根据当前迭代次数大于最大迭代次数评价条件进行判断，当不满足时跳转到6)继续进行迭代，满足时结束。
4.根据权利要求3所述的方法，其特征在于，所述步骤1)中所述智能家居终端域发出信优化请求为所述ZigBee智能家居终端发出并处理部分迁移到终端的计算、存储和网络后的ZigBee智能家居终端通通信优化请求或由手机移动终端或电脑移动终端发出的ZigBee智能家居终端通信优化请求。
5.根据权利要求3所述的方法，其特征在于，所述处理后的ZigBee智能家居终端通信优化请求结果包括处理后的ZigBee智能家居终端通信优化请求和除部分迁移到终端的计算、存储和网络等通信优化任务外的剩余任务请求结果。
6.根据权利要求3所述的方法，其特征在于，所述智能家居通信优化功能分析器处理ZigBee智能家居终端通信优化请求包括：ZigBee智能家居通信优化请求接收、以多维空间深度循环神经网络策略分析智能家居通信优化请求、推荐结果输出和多维空间深度循环神经网络策略半监督学习。
7.根据权利要求3所述的方法，其特征在于，所述步骤6)多维空间深度循环神经网络优化策略半监督学习和步骤7)判断是否满足深度优化分析评价条件具体包括：
存储模型：
联合柯尔莫哥洛夫评价函数：
深度循环神经网络优化函数：
其中式(1-1)至式(1-6)中的k表示第k次迭代，其中k必须满足k≤d条件，需满足k＝1,2,L,d的条件；其中，1，2，L为多维空间；
式(1-3)、(1-4)和(1-5)中的Mijt k主要包含：
和
两方面的信息向量，式(1-2)、(1-3)、(1-4)、(1-5)和(1-6)中的
LmaxG、CmaxG、
MmaxG、MmaxK、MminK、
MminG分别为深度优化的当前第k次迭代时延、当前第k次平均时延、当前第k次流量成本、当前第k次平均流量成本、历史信息时延最大值、历史信息流量成本最大值、当前第k次信息向量、历史最大信息向量、当前第k次最大信息向量、当前第k次最小信息向量、第k+1次信息向量、第k+1次正切专家库半监督学习因子、第k+1次奖励因子、历史最小信息向量，使得此算法挑出局部最优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810635338.2A CN108833227B (zh) | 2018-06-20 | 2018-06-20 | 一种基于边缘计算的智能家居通信优化调度***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810635338.2A CN108833227B (zh) | 2018-06-20 | 2018-06-20 | 一种基于边缘计算的智能家居通信优化调度***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108833227A CN108833227A (zh) | 2018-11-16 |
| CN108833227B true CN108833227B (zh) | 2021-03-19 |
Family
ID=64142935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810635338.2A Active CN108833227B (zh) | 2018-06-20 | 2018-06-20 | 一种基于边缘计算的智能家居通信优化调度***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108833227B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110262340A (zh) * | 2019-06-20 | 2019-09-20 | 上海禾视信息技术有限公司 | 一种基于边缘计算的物联接入与监测方法 |
| CN110493313A (zh) * | 2019-07-19 | 2019-11-22 | 北京邮电大学 | 一种在基于移动边缘计算网络中调度服务用例的方法及*** |
| CN112040189B (zh) * | 2020-09-01 | 2022-06-24 | 浙江大华技术股份有限公司 | 前端设备的监控方法及***、存储介质 |
| CN112437086B (zh) * | 2020-11-23 | 2022-07-29 | 中国联合网络通信集团有限公司 | 一种获取监控资料的方法、装置及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101860978A (zh) * | 2010-05-14 | 2010-10-13 | 南京邮电大学 | 一种物联网体系结构 |
| US8782395B1 (en) * | 2011-09-29 | 2014-07-15 | Riverbed Technology, Inc. | Monitoring usage of WAN optimization devices integrated with content delivery networks |
| CN105404169A (zh) * | 2015-12-29 | 2016-03-16 | 上海大学 | 智能家居中央控制***及其控制方法 |
| CN106921702A (zh) * | 2015-12-25 | 2017-07-04 | 中国电力科学研究院 | 一种基于面向服务的配电网信息物理*** |
| CN107404733A (zh) * | 2017-08-22 | 2017-11-28 | 山东省计算中心（国家超级计算济南中心） | 一种基于mec和分层sdn的5g移动通信方法及*** |
| CN108023840A (zh) * | 2017-12-12 | 2018-05-11 | 中国联合网络通信集团有限公司 | Ovs网络流量加速优化方法及ovs网络流量加速优化*** |
-
2018
- 2018-06-20 CN CN201810635338.2A patent/CN108833227B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101860978A (zh) * | 2010-05-14 | 2010-10-13 | 南京邮电大学 | 一种物联网体系结构 |
| US8782395B1 (en) * | 2011-09-29 | 2014-07-15 | Riverbed Technology, Inc. | Monitoring usage of WAN optimization devices integrated with content delivery networks |
| CN106921702A (zh) * | 2015-12-25 | 2017-07-04 | 中国电力科学研究院 | 一种基于面向服务的配电网信息物理*** |
| CN105404169A (zh) * | 2015-12-29 | 2016-03-16 | 上海大学 | 智能家居中央控制***及其控制方法 |
| CN107404733A (zh) * | 2017-08-22 | 2017-11-28 | 山东省计算中心（国家超级计算济南中心） | 一种基于mec和分层sdn的5g移动通信方法及*** |
| CN108023840A (zh) * | 2017-12-12 | 2018-05-11 | 中国联合网络通信集团有限公司 | Ovs网络流量加速优化方法及ovs网络流量加速优化*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108833227A (zh) | 2018-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108833227B (zh) | 一种基于边缘计算的智能家居通信优化调度***及方法 | |
| Liu et al. | Big-data-based intelligent spectrum sensing for heterogeneous spectrum communications in 5G | |
| Manogaran et al. | Machine learning assisted information management scheme in service concentrated IoT | |
| CN110968426B (zh) | 一种基于在线学习的边云协同k均值聚类的模型优化方法 | |
| CN110324170B (zh) | 数据分析设备、多模型共决策***及方法 | |
| CN113435472A (zh) | 车载算力网络用户需求预测方法、***、设备、介质 | |
| Pérez-Romero et al. | Knowledge-based 5G radio access network planning and optimization | |
| CN108023840B (zh) | Ovs网络流量加速优化方法及ovs网络流量加速优化*** | |
| Bayrakdar et al. | Artificial bee colony–based spectrum handoff algorithm in wireless cognitive radio networks | |
| CN114265631B (zh) | 一种基于联邦元学习的移动边缘计算智能卸载方法及装置 | |
| Jeon et al. | A distributed NWDAF architecture for federated learning in 5G | |
| Hu et al. | Edge intelligence for real-time data analytics in an IoT-based smart metering system | |
| Mardini et al. | Mining Internet of Things for intelligent objects using genetic algorithm | |
| Ebrahim et al. | A deep learning approach for task offloading in multi-UAV aided mobile edge computing | |
| Ren et al. | An energy‐aware method for task allocation in the Internet of things using a hybrid optimization algorithm | |
| CN108829846B (zh) | 一种基于用户特征的业务推荐平台数据聚类优化***及方法 | |
| US20220172054A1 (en) | Intermediate network node and method performed therein for handling data of communication networks | |
| CN111083710A (zh) | 一种用于5g***的智慧组网方法 | |
| Lee et al. | Federated learning-empowered mobile network management for 5G and beyond networks: From access to core | |
| Han et al. | Research on multinode collaborative computing offloading algorithm based on minimization of energy consumption | |
| CN109831319B (zh) | 一种考虑多维资源约束的网络功能部署方法 | |
| CN108833550B (zh) | 一种感知农业优化调度的方法及装置 | |
| Liu et al. | Multiple Local‐Edge‐Cloud Collaboration Strategies in Industrial Internet of Things: A Hybrid Genetic‐Based Approach | |
| Wang et al. | Adaptive compute offloading algorithm for metasystem based on deep reinforcement learning | |
| Torki et al. | Optimization Resource Allocation in NOMA-based Fog Computing with a Hybrid Algorithm |
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 |