CN108848514B - 数据通信优化方法及数据通信优化器 - Google Patents
数据通信优化方法及数据通信优化器 Download PDFInfo
- Publication number
- CN108848514B CN108848514B CN201810637050.9A CN201810637050A CN108848514B CN 108848514 B CN108848514 B CN 108848514B CN 201810637050 A CN201810637050 A CN 201810637050A CN 108848514 B CN108848514 B CN 108848514B
- Authority
- CN
- China
- Prior art keywords
- data communication
- communication optimization
- current
- optimization matrix
- iteration
- 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 333
- 238000005457 optimization Methods 0.000 title claims abstract description 306
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 232
- 239000013598 vector Substances 0.000 claims description 72
- 238000011156 evaluation Methods 0.000 claims description 63
- 239000002131 composite material Substances 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 7
- 230000006855 networking Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开一种数据通信优化方法及数据通信优化器。该数据通信优化方法包括:获取各数据通信优化矩阵,所述数据通信优化矩阵包括当前的时延信息和当前的带宽信息;根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息确定出最优数据通信优化矩阵;输出所述最优数据通信优化矩阵。本发明提供的数据通信优化方法及数据通信优化器,通过确定出最优数据通信优化矩阵,从而确定出与最优数据通信优化矩阵对应的最优数据通信优化策略,实现了数据通信的低时延、低带宽和高实时性。
Description
技术领域
本发明涉及数据通信优化技术领域,特别涉及一种数据通信优化方法及数据通信优化器。
背景技术
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,简称:MEC)用于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无人机联网发展需求,基于边缘计算的无人机联网数据通信优化机制对于边缘计算及无人机联网的迅速持续发展具有重要意义。
现有技术中,随着边缘计算及无人机联网业务的快速增长,伴之产生的高延迟、高带宽、非实时等问题日益突出。现有云计算***具有带宽规模大、实时性差的特性,未充分考虑到高延迟、高带宽、非实时等方面问题。
发明内容
本发明旨在至少解决上述现有技术中存在的技术问题之一,提供一种数据通信优化方法及数据通信优化器,用于实现数据通信的高实时性、低时延和低带宽。
为实现上述目的,本发明提供了一种数据通信优化方法,该数据通信优化方法包括:
步骤S1、获取各数据通信优化矩阵,所述数据通信优化矩阵包括当前的时延信息和当前的带宽信息;
步骤S2、根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息确定出最优数据通信优化矩阵;
步骤S3、输出所述最优数据通信优化矩阵。
可选地,步骤S2包括:
步骤S201、根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息生成各数据通信优化矩阵的当前的判断参量;
步骤S202、对比各所述数据通信优化矩阵的当前的判断参量,确定出当前具有最小判断参量的数据通信优化矩阵;
步骤S203、根据当前具有最小判断参量的数据通信优化矩阵的当前的时延信息和当前的带宽信息生成当前具有最小判断参量的数据通信优化矩阵的评价值和评价参考值;
步骤S204、判断所述评价值是否小于或等于所述评价参考值,若否,执行步骤S205,若是,执行步骤S207;
步骤S205、根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息生成各数据通信优化矩阵的迭代后的时延信息和带宽信息;
步骤S206、以各数据通信优化矩阵的迭代后的时延信息作为当前的时延信息,并以各数据通信优化矩阵的迭代后的带宽信息作为当前的带宽信息,执行步骤S201;
步骤S207、确定当前具有最小判断参量的数据通信优化矩阵为最优数据通信优化矩阵并执行步骤S3。
可选地,步骤S201之前还包括:设置迭代初始参数k=0;
步骤S201包括:
步骤S201a、将当前迭代次数k进行加1处理;
步骤S201b、根据当前的时延信息和当前的带宽信息生成当前的复合向量,当前的复合向量为其中,表示当前的时延信息,表示当前的带宽信息,k表示当前迭代次数,k∈[1,d],d为预设阈值,i、j和t表示数据通信优化矩阵的三维坐标;
其中,Zk表示数据通信优化矩阵的当前的判断参量,MmaxG表示全局历史复合向量的最大值,Mmaxk表示当前第k次迭代时复合向量的最大值,Mmink表示当前第k次迭代时复合向量的最小值,m、n、p表示调节常数,i表示数据通信优化矩阵的横坐标,i=0,1,2,…,m,j表示数据通信优化矩阵的纵坐标,j=0,1,2,,n,t表示数据通信优化矩阵的垂直坐标,t=0,1,2,…,p,λ、β∈(0,1),λ+β=1。
可选地,步骤S203包括:
步骤S203a、根据迭代评价值函数: 将当前具有最小判断参量的数据通信优化矩阵的时延信息、带宽信息、时延信息平均值和带宽信息平均值代入所述迭代评价值函数,求得当前具有最小判断参量的数据通信优化矩阵的评价值;其中,θk表示当前具有最小判断参量的数据通信优化矩阵的评价值,表示当前具有最小判断参量的数据通信优化矩阵的时延信息平均值,表示当前具有最小判断参量的数据通信优化矩阵的带宽信息平均值, 表示Dijtk-Dk×Bijtk-Bk的期望值;
步骤S203b、根据迭代评价参考值函数: 将当前具有最小判断参量的数据通信优化矩阵的时延信息、全局历史时延信息的最大值、带宽信息和全局历史带宽信息的最大值代入迭代评价参考值函数,求得当前具有最小判断参量的数据通信优化矩阵的评价参考值;其中,DmaxG表示全局历史时延信息的最大值,BmaxG表示全局历史带宽信息的最大值,表示的期望值,表示的期望值,Rk表示当前具有最小判断参量的数据通信优化矩阵的评价参考值。
可选地,步骤S204包括:将步骤S203获得的所述评价值和评价参考值代入迭代评价条件:θk≤Rk,判断所述评价值和评价参考值是否满足所述迭代评价条件,若满足,执行步骤S207,若不满足,执行步骤S205。
可选地,步骤S205包括:
步骤S205a、将各数据通信优化矩阵当前的复合向量、当前的复合向量平均值、全局历史复合向量的最小值和全局历史复合向量的最大值代入公式:计算出第k+1次迭代时各数据通信优化矩阵的奖励及惩罚因子;其中,表示第k+1次迭代时计算出的数据通信优化矩阵的奖励及惩罚因子,MminG表示全局历史复合向量的最小值,表示当前的复合向量平均值, 表示Mijtk-MminG-Mk-MmaxG的期望值;
步骤S205b、将各数据通信优化矩阵当前的时延信息当前的带宽信息当前的时延信息平均值当前的带宽信息平均值全局历史时延信息的最小值DminG和全局历史带宽信息的最小值BminG代入公式:计算出第k+1次迭代时各数据通信优化矩阵的专家库半监督学习因子;其中,表示第k+1次迭代时计算出的数据通信优化矩阵的专家库半监督学习因子;
步骤S205c、将各数据通信优化矩阵当前的复合向量、第k+1次迭代时计算出的数据通信优化矩阵的奖励及惩罚因子和第k+1次迭代时计算出的数据通信优化矩阵的专家库半监督学习因子代入公式: 计算出第k+1次迭代时各数据通信优化矩阵的复合向量
可选地,步骤S206包括:以第k+1次迭代时各数据通信优化矩阵的时延信息作为各数据通信优化矩阵当前的时延信息,并以第k+1次迭代时各数据通信优化矩阵的带宽信息作为各数据通信优化矩阵当前的带宽信息,执行步骤S201。
可选地,步骤S205之后还包括:
步骤S205e、判断当前迭代次数k的值是否大于预设阈值,若是,执行步骤S205f,若否,执行步骤S206;
步骤S205f、输出当前具有最小判断参量的数据通信优化矩阵。
为实现上述目的,本发明提供一种数据通信优化器,该数据通信优化器包括:
获取模块,用于获取各数据通信优化矩阵,所述数据通信优化矩阵包括当前的时延信息和当前的带宽信息;
确定模块,用于根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息确定出最优数据通信优化矩阵;
输出模块,用于输出所述最优数据通信优化矩阵。
本发明的有益效果:
本发明提供的数据通信优化方法及数据通信优化器的技术方案中,根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息确定出最优数据通信优化矩阵,从而确定出与最优数据通信优化矩阵对应的最优的数据通信优化策略,实现了数据通信的高实时性、低时延和低带宽。
附图说明
图1为本发明实施例一提供的一种数据通信优化方法的流程图;
图2为本发明实施例二提供的一种数据通信优化方法的流程图;
图3为本发明实施例二提供的数据通信优化方法的应用示意图;
图4为本发明实施例三提供的数据通信优化器的应用示意图。
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数据通信优化方法及数据通信优化器进行详细描述。
图1为本发明实施例一提供的一种数据通信优化方法的流程图,如图1所示,该数据通信优化方法包括:
步骤S1、获取各数据通信优化矩阵,数据通信优化矩阵包括当前的时延信息和当前的带宽信息。
步骤S2、根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息确定出最优数据通信优化矩阵。
数据通信优化矩阵对应于数据通信优化策略,因此确定了最优数据通信优化矩阵即可确定最优数据通信优化策略。
步骤S3、输出最优数据通信优化矩阵。
本实施例所提供的数据通信优化方法,根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息确定出最优数据通信优化矩阵,从而确定出与最优数据通信优化矩阵对应的最优的数据通信优化策略,实现了数据通信的高实时性、低时延和低带宽。
图2为本发明实施例二提供的一种数据通信优化方法的流程图,如图2所示,该数据通信优化方法包括:
步骤S201、获取数据通信优化请求。
具体地,本实施例中,数据通信优化请求可以通过接入终端,例如,便携终端、直升机***或者车载通信台等,每隔预置时间主动上报获取,或者通过接入终端定期被询问机制询问获取,获取数据通信优化请求后,将数据通信优化请求进行汇总。
步骤S202、根据数据通信优化请求进行数据通信优化,生成初始的时延信息和带宽信息。
具体地,以不同的数据通信优化策略进行数据通信优化,生成各数据通信优化策略的优化结果,优化结果包括初始的时延信息和初始的带宽信息。
步骤S203、根据初始的时延信息和初始的带宽信息生成数据通信优化矩阵。
具体地,根据各数据通信优化策略对应的初始的时延信息和初始的带宽信息生成各数据通信优化策略对应的数据通信优化矩阵。
步骤S204、获取各数据通信优化矩阵,数据通信优化矩阵包括当前的时延信息和当前的带宽信息。
优选地,当前的时延信息的数量和当前的带宽信息的数量均为多个。
步骤S205、建立迭代模型,所述迭代模型包括:
迭代评价条件:θk≤Rk;
其中, k表示迭代次数,k∈[1,d,d为预设阈值,θk表示第k次迭代时计算出的数据通信优化矩阵的评价值,Rk表示第k次迭代时计算出的数据通信优化矩阵的评价参考值,表示第k次迭代时计算出的时延信息,表示第k次迭代时计算出的带宽信息,表示第k次迭代时计算出的时延信息平均值,表示第k次迭代时计算出的带宽信息平均值,DmaxG表示全局历史时延信息的最大值,DminG表示全局历史时延信息的最小值,BmaxG表示全局历史带宽信息的最大值,BminG表示全局历史带宽信息的最小值,表示第k次迭代时计算出的数据通信优化矩阵的复合向量,表示第k次迭代时计算出的数据通信优化矩阵的复合向量平均值,MmaxG表示全局历史复合向量的最大值,MminG表示全局历史复合向量的最小值,Mmaxk表示第k次迭代时计算出的复合向量的最大值,Mmink表示第k次迭代时计算出的复合向量的最小值,表示第k+1次迭代时计算出的数据通信优化矩阵的复合向量,表示第k+1次迭代时计算出的数据通信优化矩阵的奖励及惩罚因子,表示第k+1次迭代时计算出的数据通信优化矩阵的专家库半监督学习因子,m、n、p表示调节常数,i、j和t表示数据通信优化矩阵的三维坐标,i表示数据通信优化矩阵的横坐标,i=0,1,2,…,m,j表示数据通信优化矩阵的纵坐标,j=0,1,2,,n,t表示数据通信优化矩阵的垂直坐标,t=0,1,2,…,p,λ、β∈(0,1),λ+β=1,Zk表示第k次迭代时计算出的数据通信优化矩阵的判断参量,表示的期望值,表示的期望值, 表示的期望值。
步骤S206、设置迭代初始参数k=0。
步骤S207、将当前迭代次数k进行加1处理。
步骤S208、根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息生成各数据通信优化矩阵的当前的判断参量。
k=1时,数据通信优化矩阵的初始的时延信息即为数据通信优化矩阵的当前的时延信息,初始的带宽信息即为当前的带宽信息。需要说明的是,之后的每次迭代后,各数据通信优化矩阵的当前的时延信息和当前的带宽信息均会发生变化,例如,k=2时,则以第2次迭代时计算出的时延信息和带宽信息分别作为当前的时延信息和当前的带宽信息进行输入执行步骤S208。以此类推,此处不再一一列举。
具体地,步骤S208包括:
步骤S208a、根据当前的时延信息和当前的带宽信息生成当前的复合向量,当前的复合向量为其中,表示当前的时延信息,表示当前的带宽信息,k表示当前迭代次数,k∈[1,d],d为预设阈值,i、j和t表示数据通信优化矩阵的三维坐标。
其中,Zk表示数据通信优化矩阵的当前的判断参量,MmaxG表示全局历史复合向量的最大值,Mmaxk表示当前第k次迭代时复合向量的最大值,Mmink表示当前第k次迭代时复合向量的最小值,m、n、p表示调节常数,i表示数据通信优化矩阵的横坐标,i=0,1,2,…,m,j表示数据通信优化矩阵的纵坐标,j=0,1,2,,n,t表示数据通信优化矩阵的垂直坐标,t=0,1,2,…,p,λ、β∈(0,1),λ+β=1。
步骤S209、对比各所述数据通信优化矩阵的当前的判断参量,确定出当前具有最小判断参量的数据通信优化矩阵。
步骤S210、根据当前具有最小判断参量的数据通信优化矩阵的当前的时延信息和当前的带宽信息生成当前具有最小判断参量的数据通信优化矩阵的评价值和评价参考值。
具体地,步骤S210包括:
步骤S210a、根据迭代评价值函数: 将当前具有最小判断参量的数据通信优化矩阵的时延信息、带宽信息、时延信息平均值和带宽信息平均值代入所述迭代评价值函数,求得当前具有最小判断参量的数据通信优化矩阵的评价值。
步骤S210b、根据迭代评价参考值函数: 将当前具有最小判断参量的数据通信优化矩阵的时延信息、全局历史时延信息的最大值、带宽信息和全局历史带宽信息的最大值代入迭代评价参考值函数,求得当前具有最小判断参量的数据通信优化矩阵的评价参考值。
步骤S211、判断所述评价值是否小于或等于所述评价参考值,若否,执行步骤S212,若是,执行步骤S216;
具体地,将步骤S210获得的所述评价值和评价参考值代入迭代评价条件:θk≤Rk,判断所述评价值和评价参考值是否满足所述迭代评价条件,若满足,执行步骤S216,若不满足,执行步骤S212。
步骤S212、根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息生成各数据通信优化矩阵的迭代后的时延信息和带宽信息。
具体地,步骤S212包括:
步骤S212b、将各数据通信优化矩阵当前的时延信息当前的带宽信息当前的时延信息平均值当前的带宽信息平均值全局历史时延信息的最小值DminG和全局历史带宽信息的最小值BminG代入公式:计算出第k+1次迭代时各数据通信优化矩阵的专家库半监督学习因子。
步骤S212c、将各数据通信优化矩阵当前的复合向量、第k+1次迭代时计算出的数据通信优化矩阵的奖励及惩罚因子和第k+1次迭代时计算出的数据通信优化矩阵的专家库半监督学习因子代入公式: 计算出第k+1次迭代时各数据通信优化矩阵的复合向量
由于因此,第k+1次迭代时各数据通信优化矩阵的时延信息是可确定的,第k+1次迭代时各数据通信优化矩阵的带宽信息也是可确定的。其中,第k+1次迭代时各数据通信优化矩阵的时延信息和带宽信息即为各数据通信优化矩阵的迭代后的时延信息和带宽信息。
步骤S213、判断当前迭代次数k的值是否大于预设阈值,若是,执行步骤S214,若否,执行步骤S215。
步骤S214、输出当前具有最小判断参量的数据通信优化矩阵,并结束流程。
步骤S215、以各数据通信优化矩阵的迭代后的时延信息作为各数据通信优化矩阵的当前的时延信息,并以各数据通信优化矩阵的迭代后的带宽信息作为各数据通信优化矩阵当前的带宽信息,执行步骤207。
具体地,以第k+1次迭代时各数据通信优化矩阵的时延信息作为各数据通信优化矩阵的当前的时延信息,并以第k+1次迭代时各数据通信优化矩阵的带宽信息作为各数据通信优化矩阵的当前的带宽信息,执行步骤S207。
步骤S216、确定当前具有最小判断参量的数据通信优化矩阵为最优数据通信优化矩阵。
步骤S217、输出最优数据通信优化矩阵。
确定最优数据通信优化矩阵,从而确定最优数据通信优化策略,从而降低数据通信的时延、带宽和提高数据通信的实时性。
需要说明的是,本实施例中,全文所出现的“当前”一词也可以理解为“第k次迭代时”,也就是说,全文中所出现的诸如“当前的时延信息”、“当前的带宽信息”、“当前的复合向量”、“当前的时延信息平均值”、“当前的带宽信息平均值”、“当前的复合向量平均值”及“当前具有最小判断参量的数据通信优化矩阵的评价值和评价参考值”中的“当前”是表示“第k次迭代时”,因此,在计算“当前”的这些量时均是以第k次迭代时计算出的量对应代入求得。
本实施例所提供的数据通信优化方法为基于边缘计算的无人机联网的数据通信优化方法,图3为本发明实施例二提供的数据通信优化方法的应用示意图,如图3所示,基于边缘计算的无人机联网数据通信优化方法的应用***主要分三个部分:无人机联网接入域、运营商网络、MEC服务核心云。无人机联网接入域包含:便携终端、直升机、车载通信台等接入终端,和空中的联网无人机及地面基站。运营商网络为国内电信运营商网络,MEC服务核心云为提供除迁移到接入终端外的剩余部分计算、存储和网络等服务。其中,便携终端、直升机、车载通信台等接入终端接入无人机中继通信网络,用于处理部分迁移计算、存储和网络等任务,并向中继通信无人机提交基于边缘计算的无人机联网的数据通信优化请求;中继通信无人机通过中继通信网络接入到地面基站,用于向地面基站传输基于边缘计算的无人机联网的数据通信优化请求;地面基站接入运营商网络,用于运营商网络传输基于边缘计算的无人机联网的数据通信优化请求;运营商网络接入MEC服务核心云,用于向MEC服务核心云传输基于边缘计算的无人机联网的数据通信优化请求;MEC服务核心云用于提供除迁移到接入终端外的剩余部分计算、存储和网络等服务,并将服务信息、数据通信优化结果等信息经由运营商网络、地面基站、无人机中继通信网络提供给便携终端、直升机、车载通信台等接入终端。
本实施例中,各数据通信优化请求具有不同优先等级。当接收到数据通信优化请求后,根据数据通信优化请求通过不同的数据通信优化策略进行数据通信优化,得到时延信息和带宽信息的优化结果,再通过本实施例中的迭代模型进行对该优化结果进行数据分析、判断,从而确定出最优的数据通信优化矩阵对应的最优数据通信优化策略,最后输出该最优的数据通信优化矩阵及其对应的数据通信优化策略。本实施例中的迭代模型,结合多维空间多层反馈卷积神经网络优化思想,基于多维空间、卷积神经网络、深度学习、概率论、生物学、运筹学、智能优化、机器学习等理论,实现了数据通信的低时延、低带宽和实时性高的优势。
本实施例所提供的数据通信优化方法,根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息确定出最优数据通信优化矩阵,从而确定出与最优数据通信优化矩阵对应的最优的数据通信优化策略,实现了数据通信的高实时性、低时延和低带宽。
本发明实施例三提供了一种数据通信优化器,该数据通信优化器包括:获取模块,用于获取各数据通信优化矩阵,所述数据通信优化矩阵包括当前的时延信息和当前的带宽信息;确定模块,用于根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息确定出最优数据通信优化矩阵;输出模块,用于输出所述最优数据通信优化矩阵。
本实施例所提供的数据通信优化器,用于实现上述实施例二提供的数据通信优化方法,具体描述可参见上述实施例二,此处不再展开赘述。
图4为本发明实施例三提供的数据通信优化器的应用示意图,如图3所示,当数据通信优化器接收到m个数据通信优化请求后,对每个数据通信优化请求采用不同数据通信优化策略进行数据通信优化,生成时延信息和带宽信息,根据时延信息和带宽信息生成数据通信优化矩阵,再根据时延信息和带宽信息确定出最优数据通信优化矩阵,从而确定出与最优数据通信优化矩阵对应的最优数据通信优化策略,最终得出各数据通信优化请求最后的分析结果,分析结果同样为m个。其中,各数据通信优化请求相互独立互不干扰,m为设定数量。
本实施例所提供的数据通信优化器,根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息确定出最优数据通信优化矩阵,从而确定出与最优数据通信优化矩阵对应的最优的数据通信优化策略,实现了数据通信的高实时性、低时延和低带宽。
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)
1.一种数据通信优化方法,其特征在于,包括:
步骤S1、获取各数据通信优化矩阵,所述数据通信优化矩阵包括当前的时延信息和当前的带宽信息;
步骤S2、根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息确定出最优数据通信优化矩阵;
步骤S3、输出所述最优数据通信优化矩阵;
步骤S2包括:
步骤S201、根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息生成各数据通信优化矩阵的当前的判断参量;
步骤S202、对比各所述数据通信优化矩阵的当前的判断参量,确定出当前具有最小判断参量的数据通信优化矩阵;
步骤S203、根据当前具有最小判断参量的数据通信优化矩阵的当前的时延信息和当前的带宽信息生成当前具有最小判断参量的数据通信优化矩阵的评价值和评价参考值;
步骤S204、判断所述评价值是否小于或等于所述评价参考值,若否,执行步骤S205,若是,执行步骤S207;
步骤S205、根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息生成各数据通信优化矩阵的迭代后的时延信息和带宽信息;
步骤S206、以各数据通信优化矩阵的迭代后的时延信息作为当前的时延信息,并以各数据通信优化矩阵的迭代后的带宽信息作为当前的带宽信息,执行步骤S201;
步骤S207、确定当前具有最小判断参量的数据通信优化矩阵为最优数据通信优化矩阵并执行步骤S3;
步骤S201之前还包括:设置迭代初始参数k=0;
步骤S201包括:
步骤S201a、将当前迭代次数k进行加1处理;
步骤S201b、根据当前的时延信息和当前的带宽信息生成当前的复合向量,当前的复合向量为其中,表示当前的时延信息,表示当前的带宽信息,k表示当前迭代次数,k∈[1,d],d为预设阈值,i、j和t表示数据通信优化矩阵的三维坐标;
其中,Zk表示数据通信优化矩阵的当前的判断参量,MmaxG表示全局历史复合向量的最大值,Mmaxk表示当前第k次迭代时复合向量的最大值,Mmink表示当前第k次迭代时复合向量的最小值,m、n、p表示调节常数,i表示数据通信优化矩阵的横坐标,i=0,1,2,...,m,j表示数据通信优化矩阵的纵坐标,j=0,1,2,... ,n,t表示数据通信优化矩阵的垂直坐标,t=0,1,2,...,p,λ、β∈(0,1),λ+β=1。
2.根据权利要求1所述的数据通信优化方法,其特征在于,步骤S203包括:
步骤S203a、根据迭代评价值函数: 将当前具有最小判断参量的数据通信优化矩阵的时延信息、带宽信息、时延信息平均值和带宽信息平均值代入所述迭代评价值函数,求得当前具有最小判断参量的数据通信优化矩阵的评价值;其中,θk表示当前具有最小判断参量的数据通信优化矩阵的评价值,表示当前具有最小判断参量的数据通信优化矩阵的时延信息平均值,表示当前具有最小判断参量的数据通信优化矩阵的带宽信息平均值, 表示的期望值;
3.根据权利要求2所述的数据通信优化方法,其特征在于,步骤S204包括:将步骤S203获得的所述评价值和评价参考值代入迭代评价条件:θk≤Rk,判断所述评价值和评价参考值是否满足所述迭代评价条件,若满足,执行步骤S207,若不满足,执行步骤S205。
4.根据权利要求3所述的数据通信优化方法,其特征在于,步骤S205包括:
步骤S205a、将各数据通信优化矩阵当前的复合向量、当前的复合向量平均值、全局历史复合向量的最小值和全局历史复合向量的最大值代入公式:计算出第k+1次迭代时各数据通信优化矩阵的奖励及惩罚因子;其中,表示第k+1次迭代时计算出的数据通信优化矩阵的奖励及惩罚因子,MminG表示全局历史复合向量的最小值,表示当前的复合向量平均值, 表示的期望值;
步骤S205b、将各数据通信优化矩阵当前的时延信息当前的带宽信息当前的时延信息平均值当前的带宽信息平均值全局历史时延信息的最小值DminG和全局历史带宽信息的最小值BminG代入公式:计算出第k+1次迭代时各数据通信优化矩阵的专家库半监督学习因子;其中,表示第k+1次迭代时计算出的数据通信优化矩阵的专家库半监督学习因子;
步骤S205c、将各数据通信优化矩阵当前的复合向量、第k+1次迭代时计算出的数据通信优化矩阵的奖励及惩罚因子和第k+1次迭代时计算出的数据通信优化矩阵的专家库半监督学习因子代入公式: 计算出第k+1次迭代时各数据通信优化矩阵的复合向量
5.根据权利要求4所述的数据通信优化方法,其特征在于,步骤S206包括:以第k+1次迭代时各数据通信优化矩阵的时延信息作为各数据通信优化矩阵当前的时延信息,并以第k+1次迭代时各数据通信优化矩阵的带宽信息作为各数据通信优化矩阵当前的带宽信息,执行步骤S201。
6.根据权利要求5所述的数据通信优化方法,其特征在于,步骤S205之后还包括:
步骤S205e、判断当前迭代次数k的值是否大于预设阈值,若是,执行步骤S205f,若否,执行步骤S206;
步骤S205f、输出当前具有最小判断参量的数据通信优化矩阵。
7.一种数据通信优化器,其特征在于,包括:
获取模块,用于获取各数据通信优化矩阵,所述数据通信优化矩阵包括当前的时延信息和当前的带宽信息;
确定模块,用于根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息确定出最优数据通信优化矩阵;
输出模块,用于输出所述最优数据通信优化矩阵;
所述确定模块还用于:
根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息生成各数据通信优化矩阵的当前的判断参量;
对比各所述数据通信优化矩阵的当前的判断参量,确定出当前具有最小判断参量的数据通信优化矩阵;
根据当前具有最小判断参量的数据通信优化矩阵的当前的时延信息和当前的带宽信息生成当前具有最小判断参量的数据通信优化矩阵的评价值和评价参考值;
判断所述评价值是否小于或等于所述评价参考值;
根据各数据通信优化矩阵的当前的时延信息和当前的带宽信息生成各数据通信优化矩阵的迭代后的时延信息和带宽信息;
以各数据通信优化矩阵的迭代后的时延信息作为当前的时延信息,并以各数据通信优化矩阵的迭代后的带宽信息作为当前的带宽信息;
确定当前具有最小判断参量的数据通信优化矩阵为最优数据通信优化矩阵;
所述数据通信优化器还包括:设置模块,用于设置迭代初始参数k=0;
所述获取模块还用于:
将当前迭代次数k进行加1处理;
根据当前的时延信息和当前的带宽信息生成当前的复合向量,当前的复合向量为其中,表示当前的时延信息,表示当前的带宽信息,k表示当前迭代次数,k∈[1,d],d为预设阈值,i、j和t表示数据通信优化矩阵的三维坐标;
其中,Zk表示数据通信优化矩阵的当前的判断参量,MmaxG表示全局历史复合向量的最大值,Mmaxk表示当前第k次迭代时复合向量的最大值,Mmink表示当前第k次迭代时复合向量的最小值,m、n、p表示调节常数,i表示数据通信优化矩阵的横坐标,i=0,1,2,...,m,j表示数据通信优化矩阵的纵坐标,j=0,1,2,... ,n,t表示数据通信优化矩阵的垂直坐标,t=0,1,2,...,p,λ、β∈(0,1),λ+β=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810637050.9A CN108848514B (zh) | 2018-06-20 | 2018-06-20 | 数据通信优化方法及数据通信优化器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810637050.9A CN108848514B (zh) | 2018-06-20 | 2018-06-20 | 数据通信优化方法及数据通信优化器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108848514A CN108848514A (zh) | 2018-11-20 |
CN108848514B true CN108848514B (zh) | 2021-08-03 |
Family
ID=64202980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810637050.9A Active CN108848514B (zh) | 2018-06-20 | 2018-06-20 | 数据通信优化方法及数据通信优化器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108848514B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110602103B (zh) * | 2019-09-17 | 2021-09-10 | 中国联合网络通信集团有限公司 | 电子锁协议转换优化方法及电子锁协议转换优化器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102256266A (zh) * | 2011-07-04 | 2011-11-23 | 重庆邮电大学 | 一种面向用户应用的自适应接入网络选择实现装置及方法 |
CN107395733A (zh) * | 2017-07-31 | 2017-11-24 | 上海交通大学 | 地理分布交互服务云资源协同优化方法 |
CN107566429A (zh) * | 2016-06-30 | 2018-01-09 | 中兴通讯股份有限公司 | 基站、访问请求的响应方法、装置及*** |
CN107708135A (zh) * | 2017-07-21 | 2018-02-16 | 上海交通大学 | 一种适用于移动边缘计算场景的资源分配方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9660932B2 (en) * | 2015-01-07 | 2017-05-23 | Cisco Technology, Inc. | Scheduling for flows in a point-to-multipoint communications network |
US10021172B2 (en) * | 2015-09-23 | 2018-07-10 | Nec Corporation | Software driven long-term-evolution core network for mobile access |
-
2018
- 2018-06-20 CN CN201810637050.9A patent/CN108848514B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102256266A (zh) * | 2011-07-04 | 2011-11-23 | 重庆邮电大学 | 一种面向用户应用的自适应接入网络选择实现装置及方法 |
CN107566429A (zh) * | 2016-06-30 | 2018-01-09 | 中兴通讯股份有限公司 | 基站、访问请求的响应方法、装置及*** |
CN107708135A (zh) * | 2017-07-21 | 2018-02-16 | 上海交通大学 | 一种适用于移动边缘计算场景的资源分配方法 |
CN107395733A (zh) * | 2017-07-31 | 2017-11-24 | 上海交通大学 | 地理分布交互服务云资源协同优化方法 |
Non-Patent Citations (1)
Title |
---|
《云数据中心资源调度机制研究》;王智明;《中国博士学位论文全文数据库信息科技辑》;20120115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108848514A (zh) | 2018-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109990790B (zh) | 一种无人机路径规划方法及装置 | |
CN112181666A (zh) | 一种基于边缘智能的设备评估和联邦学习重要性聚合方法、***、设备和可读存储介质 | |
CN108984307B (zh) | 计算任务迁移方法及计算任务迁移器 | |
CN110324170B (zh) | 数据分析设备、多模型共决策***及方法 | |
CN111314123B (zh) | 一种面向时延和能耗的电力物联网工作负载分配方法 | |
CN109709985B (zh) | 一种无人机任务优化方法、装置及*** | |
CN108833227B (zh) | 一种基于边缘计算的智能家居通信优化调度***及方法 | |
CN113687875B (zh) | 一种车联网中车辆任务卸载方法及装置 | |
CN115374853A (zh) | 基于T-Step聚合算法的异步联邦学习方法及*** | |
CN107995126B (zh) | 负载均衡路由分析方法及负载均衡路由分析器 | |
CN108848514B (zh) | 数据通信优化方法及数据通信优化器 | |
CN111343006A (zh) | 一种cdn峰值流量预测方法、装置及存储介质 | |
CN113516163B (zh) | 基于网络剪枝的车辆分类模型压缩方法、装置及存储介质 | |
CN108830422B (zh) | 智能驾驶的优化方法、装置及*** | |
CN110602103B (zh) | 电子锁协议转换优化方法及电子锁协议转换优化器 | |
CN113132482B (zh) | 一种基于强化学习的分布式消息***参数自适应优化方法 | |
CN109982295B (zh) | 业务模板的推送方法及业务模板的推送器 | |
CN115883601A (zh) | 一种车联网协作资源分配方法、***、设备及介质 | |
CN108831548B (zh) | 远程智能医疗的优化方法、装置及*** | |
CN114997422A (zh) | 一种异构通信网络的分组式联邦学习方法 | |
KR102472585B1 (ko) | 빅데이터 기반의 모듈형 ai 엔진 서버 및 그 구동 방법 | |
CN108833550B (zh) | 一种感知农业优化调度的方法及装置 | |
CN114138466A (zh) | 面向智慧公路的任务协同处理方法、装置及存储介质 | |
CN114513814A (zh) | 基于无人机辅助节点的边缘网络计算资源动态优化方法 | |
CN112203309A (zh) | 一种基于服务器协作的联合任务卸载及缓存方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |