CN110022182A - 干扰源预测模型建立方法、干扰源识别方法、装置和终端设备 - Google Patents

Abstract

一种干扰源预测模型建立方法、干扰源识别方法、装置和***，所述干扰源预测模型建立方法包括：在预先设定的多个干扰场景下，对于多个测试窗口的每个测试窗口，以预定采样率对所述测试窗口进行能量检测采样，获得每个测试窗口内的样本数据集；根据每个测试窗口所属的测试时间段和/或每个测试窗口内的样本数据集中的样本的时间戳和/或无线网络探测器在每个测试窗口探测到的数据对每个测试窗口进行标记；根据每个测试窗口的样本数据集和每个测试窗口对应的标记对深度神经网络进行训练，得到所述干扰源预测模型的参数。本实施例的方法可以确定干扰源，为物联网服务提供商解决干扰问题提供参考依据。

Description

干扰源预测模型建立方法、干扰源识别方法、装置和终端设备

技术领域

本发明涉及通信技术领域，尤其涉及一种干扰源预测模型建立方法、干扰源识别方法、装置和终端设备。

背景技术

物联网成为业务转型的强大力量，其颠覆性的影响在所有行业和社会的各个领域都能感受到。物联网中的实体通常包括传感器设备、网关、网络、云和应用。

随着技术的不断增长以及对无线保真(WIFI)、紫蜂(zigbee)，蓝牙(bluetooth)等短距离无线网络的依赖性的增加，用户开始需要从无线网络中得到可靠性、性能、可扩展性和无处不在的覆盖。

另一方面，现有的传感器网络部署提供了不充分的覆盖和不可预测的性能。导致性能恶化的一个原因就是干扰。与有线网络不同，无线链路很容易受到环境改变或者周围无线活动的影响。

此外，与无线网络相关的协议，如IEEE 802.11，802.15.4，802.15.1等，都工作在非授权频段。由于多个无线网络会相互干扰，干扰问题会更加突出。并且，非授权频谱中用户的数量快速增长也加重了这一情况。

应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的背景技术部分进行了阐述而认为上述技术方案为本领域技术人员所公知。

发明内容

发明人发现，干扰是不可预知的，其经常由移动用户、其它非授权频段模块和变化的业务量产生。如果能诊断出不同的干扰源，物联网服务提供商就能够提出一些对策来解决干扰问题或者避免潜在的问题。

为了解决上述问题中的至少一个，本发明提供了一种干扰源预测模型建立方法、干扰源识别方法、装置和终端设备。

根据本发明实施例的第一方面，提供了一种干扰源预测模型建立方法，其中，该方法包括：

在预先设定的多个干扰场景下，对于多个测试窗口的每个测试窗口，以预定采样率对所述测试窗口进行能量检测采样，获得每个测试窗口内的样本数据集；

根据每个测试窗口所属的测试时间段和/或每个测试窗口内的样本数据集中的样本的时间戳和/或无线网络探测器在每个测试窗口探测到的数据对每个测试窗口进行标记；

根据每个测试窗口的样本数据集和每个测试窗口对应的标记对深度神经网络进行训练，得到所述干扰源预测模型的参数。

根据本发明实施例的第二方面，提供了一种干扰源识别方法，其中，所述方法包括：

利用多个测试窗口的每个测试窗口所对应的样本数据集及对应该测试窗口的标签，建立干扰源预测模型；

以预定采样率对检测窗口内的接收信号强度进行能量检测采样，获得对应所述检测窗口的样本数据集；

将所述样本数据集输入所述干扰源预测模型，得到对应所述检测窗口的干扰源类型。

根据本发明实施例的第三方面，提供了一种干扰源预测模型建立装置，其中，该装置包括：

第一采样单元，其在预先设定的多个干扰场景下，对于多个测试窗口的每个测试窗口，以预定采样率对所述测试窗口进行能量检测采样，获得每个测试窗口内的样本数据集；

标记单元，其根据每个测试窗口所属的测试时间段和/或每个测试窗口内的样本数据集中的样本的时间戳和/或无线网络探测器在每个测试窗口探测到的数据对每个测试窗口进行标记；

训练单元，其根据每个测试窗口的样本数据集和每个测试窗口对应的标记对深度神经网络进行训练，得到所述干扰源预测模型的参数。

根据本发明实施例的第四方面，提供了一种干扰源识别装置，其中，所述装置包括：

建立单元，其利用多个测试窗口的每个测试窗口所对应的样本数据集及对应该测试窗口的标签，建立干扰源预测模型；

第二采样单元，其以预定采样率对检测窗口内的接收信号强度进行能量检测采样，获得对应所述检测窗口的样本数据集；

确定单元，其将所述样本数据集输入所述干扰源预测模型，得到对应所述检测窗口的干扰源类型。

根据本发明实施例的第五方面，提供了一种终端设备，其中，所述终端设备包括前述的装置。

本发明的有益效果在于：通过使用高速率的接收信号强度指示(RSSI)采样器在无线网络的环境中得到实时RSSI样本，并使用深度学习的方法进行干扰分析，可以确定干扰源，为物联网服务提供商解决干扰问题提供参考依据。

参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。

针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。

应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。

附图说明

在本发明实施例的一个附图或一种实施方式中描述的元素和特征可以与一个或更多个其它附图或实施方式中示出的元素和特征相结合。此外，在附图中，类似的标号表示几个附图中对应的部件，并可用于指示多于一种实施方式中使用的对应部件。

所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施方式，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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。在附图中：

图1是是本发明实施例的一个部署场景的示意图；

图2是实施例1的干扰源预测模型建立方法的示意图；

图3是将RSSI采样值序列作为输入的深度学习的基本原理示意图；

图4是对测试窗口进行标记的一个实施方式的示意图；

图5是一个卷积神经网络的网络结构示意图；

图6是实施例2的干扰源识别方法的示意图；

图7是实施例3的干扰源预测模型建立装置的示意图；

图8是标记单元的一个实施方式的示意图；

图9是标记单元的另一个实施方式的示意图；

图10是标记单元的再一个实施方式的示意图；

图11是实施例4的干扰源识别装置的示意图；

图12是实施例5的终端设备的示意图。

具体实施方式

参照附图，通过下面的说明书，本发明的前述以及其它特征将变得明显。在说明书和附图中，具体公开了本发明的特定实施方式，其表明了其中可以采用本发明的原则的部分实施方式，应了解的是，本发明不限于所描述的实施方式，相反，本发明包括落入所附权利要求的范围内的全部修改、变型以及等同物。

在本发明实施例中，术语“第一”、“第二”等用于对不同元素从称谓上进行区分，但并不表示这些元素的空间排列或时间顺序等，这些元素不应被这些术语所限制。术语“和/或”包括相关联列出的术语的一种或多个中的任何一个和所有组合。术语“包含”、“包括”、“具有”等是指所陈述的特征、元素、元件或组件的存在，但并不排除存在或添加一个或多个其他特征、元素、元件或组件。

在本发明实施例中，单数形式“一”、“该”等包括复数形式，应广义地理解为“一种”或“一类”而并不是限定为“一个”的含义；此外术语“所述”应理解为既包括单数形式也包括复数形式，除非上下文另外明确指出。此外术语“根据”应理解为“至少部分根据……”，术语“基于”应理解为“至少部分基于……”，除非上下文另外明确指出。

在无线网络中，反应无线信道条件的一个参数是接收信号强度指示(RSSI)。RSSI是通过在多个符号时间的时间段内进行能量检测测量得到的平均接收信号功率，其是收发机输入端的射频(RF)功率水平的测量。当存在干扰时，RF能量增加，因此RSSI可以用于检测干扰的发生。

在本发明实施例中，假设无线网络***为基于IEEE 802.15.4技术的***，例如zigbee，6lowpan等。采样器可以使用802.15.4技术，这意味着在802.15.4信道的其中一个信道上进行RSSI采样。在该场景下，外部干扰源可能包括WIFI干扰、蓝牙干扰和由微波炉引起的干扰等。此外，对于WIFI干扰，干扰分析算法可能给出正在进行的业务，例如视频流、文件传输、WIFI信标等。

在本发明实施例中，采样的概念和干扰源的定义可以被扩展到其他无线通信***。例如，在蓝牙***中，蓝牙采样器用于在蓝牙信道上进行RSSI采样。在该场景下，干扰源可能包括：802.15.4干扰、微波炉干扰、WIFI视频流、WIFI文件传输等。

本发明实施例对适用的无线网络***和干扰源类型不作限制。例如，本发明实施例的方法能够应用于物联网、传感器网络、无线局域网(WLAN)、以及其他无线网络。

在本发明实施例中，干扰分析决策在非常短的时间内(几十毫秒级)完成，以反映数据包级干扰诊断。具体来说，传统的干扰检测或干扰源识别的时间要长得多，通常在几秒或几分钟进行。在这样长的时间段内，干扰只在一定时间内发生，或者发生多种不同的干扰源。例如，对于无线通信***导致的干扰，该干扰是由数据包传输导致的，数据包的传输时间以毫秒为单位，因此，在很长的时间内，例如以秒为单位的时间窗口内，由于数据包的传输使用信道的时间可能只有很小的比例，所以说在该时间内存在数据包传输干扰是不准确的，实际上，在这种情况下，信道在大部分时间不被数据包传输所影响。

在本发明实施例中，将以更精细的粒度上报诊断结果(干扰源类型)。终端用户，例如网络管理者或网络管理应用，能够为每个诊断窗口生成一个详细的报告，或者生成具有较长周期的窗口大小的统计结果报告。

在本发明实施例中，为了以更精细的粒度上报诊断结果，需要选定诊断周期(diagnosis period)的窗口大小，在本发明实施例中称为检测窗口。由于不同无线网络***的数据包的持续时间从小于一个毫秒到几个毫秒变化，为了代表不同业务模式的特征，本发明实施例将检测窗口的大小设定为比通常的数据包传输持续时间大一点。此外，由于在许多国家，20ms(毫秒)是微波炉发射周期(电源为50Hz)，本发明实施例以20ms作为检测窗口，由此，检测窗口同时考虑了无线网络***和微波炉。但本发明实施例并不以此作为限制，在其他实施例中，也可以将检测窗口设定为其他值。

图1是本发明实施例的一个部署场景的示意图，如图1所示，在办公室环境中，部署有微波炉(Microwave oven，MWO)101、无线局域网的AP(WiFI)102、以及RSSI采样器103。图1的部署场景只是举例，类似的部署也可以用于户外区域网络(Field Area Network，FAN)，例如工厂；或者家庭区域网络(Home Area Network，HAN)。并且，RSSI采样器103可以仅部署一个，也可以在多个不同的区域部署多个，或者在同一个区域部署多个，以得到各区域的信道信息。

此外，RSSI采样器103可以是一个单独的设备，仅负责RSSI采样，并与支持干扰分析引擎的设备连接，例如无线局域网的网关或其他支持干扰分析引擎的设备，如计算机、笔记本、树莓派(Raspberry Pi)等，将采样结果发送到这些设备进行干扰分析。此外，RSSI采样器103也可以是RSSI采样模块，配置于网络节点中，例如传感器节点或网关等，由此，没有专门的节点用于采样，并且，采样功能可以在干扰分析的准备阶段、分析阶段或者全天候监控期间被激活。

这里，网络节点可以支持干扰分析引擎，由此，其既能完成RSSI采样功能又能完成干扰分析功能，但本实施例对此不作限制，网络节点也可以不支持干扰分析引擎，而将RSSI采样模块的采样结果发送到支持干扰分析引擎的设备中。以上说明中的干扰分析引擎即指本发明实施例的干扰源识别方法。

在本发明实施例中，采样率被选择为能够在诊断周期内获得足够的RSSI样本。在本发明实施例中，可以使用100us(微秒)左右一次的采样率，采样频率为10kHz，例如使用95us一次的采样率(采样频率为10.5kHz)。RSSI采样器捕捉由于干扰发射引起的信道上的能量，例如WIFI信标或蓝牙数据包，其可以通过连续读取传感器节点的无线芯片的RSSI寄存器来获得RSSI样本。

在本发明实施例中，先通过在预先设定的干扰场景下进行干扰检测来建立干扰源预测模型，再在实际场景(如图1所示的场景)中进行RSSI采样获得RSSI样本，进而通过将在实际场景中获得的RSSI样本输入该干扰源预测模型，得到干扰源的类型。

下面结合附图对本发明实施例的各种实施方式进行说明。这些实施方式只是示例性的，不是对本发明实施例的限制。

实施例1

本发明实施例提供了一种干扰源预测模型建立方法，图2是该方法的一个实施方式的示意图，请参照图2，该方法包括：

步骤201：在预先设定的多个干扰场景下，对于多个测试窗口的每个测试窗口，以预定采样率对所述测试窗口内的接收信号强度进行能量检测采样，获得每个测试窗口内的样本数据集；

步骤202：根据每个测试窗口所属的测试时间段和/或每个测试窗口内的样本数据集中的样本的时间戳和/或无线网络探测器(sniffer)在每个测试窗口探测到的数据对每个测试窗口进行标记；

步骤203：根据每个测试窗口的样本数据集和每个测试窗口对应的标记对深度神经网络进行训练，得到所述干扰源预测模型的参数。

在本实施例中，可以使用深度学习的方法来建立该干扰源预测模型。通过步骤201可以得到训练数据。

在步骤201中，多个干扰场景是为了得到训练数据而预先设定的，通过在该多个干扰场景下进行RSSI采样(也即对测试窗口内的接收信号强度进行能量检测采样)，可以得到所需的训练数据(每个检测窗口内的样本数据集)。

在步骤201中，测试窗口的大小与前述检测窗口的大小相同，例如都设定为20ms，但本实施例并不以此作为限制，根据其他目的，也可以将该测试窗口设定为其他值。此外，在步骤201中，采样率可以被预先设定为能够在诊断周期(测试窗口)内获得足够的RSSI样本，例如可以设定为100us左右一次，在本实施例以95us一次为例进行说明，然而，如前所述，但本实施例并不以此作为限制，根据需要，采样率也可以被预先设定为其他值，可以高于200us一次，也就是采样周期小于200us。此外，本实施例对具体的采样方式和采样过程不作限制，具体可以参考现有技术。

在步骤202中，可以根据步骤201的检测结果对每个测试窗口进行标记，得到对应每个测试窗口的标签。这里的标记或标签表明了每个测试窗口所对应的干扰源类型。

在一个实施方式中，对于某测试窗口，可以根据该测试窗口的所属的测试时间段对该测试窗口进行标记。例如，判断该测试窗口所属的测试时间段是否为某干扰源(为了方便说明，称为第一干扰源)的工作时间段，如果判断为是，则将该测试窗口标记为受到了来自该第一干扰源的干扰。如果判断为否，则在该测试窗口排除了该第一干扰源，也即在该测试窗口没有收到来自该第一干扰源的干扰。

在本实施方式中，第一干扰源例如为微波炉，本实施方式是用于对微波炉干扰发生的测试窗口进行标记。由于微波炉干扰是预先设定的，例如是人为创建的，而微波炉的发射周期(即交流电的周期)与测试窗口的周期相同，都为20ms，因此，可以将微波炉工作期间的所有样本数据集标记为“MWO”，也即受到了来自微波炉的干扰。然而，本实施例对此不作限制，第一干扰源也可以是其他干扰源。

在另一个实施方式中，对于某测试窗口，可以根据该测试窗口所属的测试时间段和该测试窗口内的样本数据集中的样本的时间戳以及无线网络探测器探测到的数据对该测试窗口进行标记。例如，判断该测试窗口所属的测试时间段是否为某干扰源(为了方便说明，称为第二干扰源)的工作时间段，并且判断该测试窗口内的样本数据集中的至少一个样本的时间戳是否位于无线网络探测器探测到的属于指定地址对的帧的空中传播起止时间内；如果判断为是，则将该测试窗口标记为受到了来自该第二干扰源的干扰。如果判断为否，则在该测试窗口排除了该第二干扰源，也即在该测试窗口没有受到来自该第二干扰源的干扰。

在本实施方式中，指定地址对是指发生数据传输的两个节点的MAC地址对。具体来说，一个发送地址(transmitting STA address,TA)，一个接收地址(receiving STAaddress,RA)。由于在数据传输应用过程中，有不同类型的MAC帧会产生，所以TA和RA可以互换，也有可能只有一个。此外，属于指定地址对的帧例如为数据帧、控制帧等，本实施例对此不作限制。

在本实施方式中，第二干扰源例如为数据传输，本实施方式是用于对数据传输干扰发生的测试窗口进行标记。由于数据传输干扰是预先设定的，例如人为创建的，而传输的数据属于指定地址对，因此，本实施方式除了通过将该测试窗口所属的测试时间段与数据传输的时间段进行比较以外，还使用了无线网络探测器，在该测试窗口所属的测试时间段为数据传输时间段，并且该测试窗口内的样本数据集的至少一个样本的时间戳位于无线网络探测器探测到的属于指定地址对的帧的起止时间内时，将该测试窗口标记为数据传输干扰。

在本实施方式中，无线网络探测器例如为WIFI探测器、蓝牙探测器、紫蜂探测器等等，根据无线网络的不同，探测器的种类也不同，本实施例可以使用其中的任意一种或多种对传输的数据进行探测。

在本实施方式中，数据例如为视频数据、文本数据等大流量数据，本实施例对此不作限制。并且，本实施例对第二干扰源的类型也不作限制，可以是WIFI数据传输，蓝牙数据传输，也可以是其他类型的数据传输。此外，第二干扰源还可以根据业务类型分为多类，比如WIFI场景下的不同的大流量业务，如视频流、文件下载等。

在又一个实施方式中，对于某测试窗口，可以根据该测试窗口内的样本数据集中的样本的时间戳和无线网络探测器探测到的数据对该测试窗口进行标记。例如，判断该测试窗口内的样本数据集中的至少一个样本的时间戳是否位于无线网络探测器探测到的信标帧的起止时间内，如果判断为是，则将该测试窗口标记为受到了来自上述信标帧的干扰。如果判断为否，则在该测试窗口排除了信标帧的干扰。

在本实施方式中，信标帧例如为蓝牙信标帧或者WIFI信标帧等，本实施方式同样使用了无线网络探测器，将该测试窗口内的样本数据集中样本的时间戳与无线网络探测器探测到的某信标帧的起止时间进行比较，在至少一个样本的时间戳位于信标帧的起止时间内的情况下，认为在该测试窗口所属的测试时间段受到的干扰是该信标帧引起的，则将该测试窗口标记为受到了来自该信标帧的干扰。

在本实施方式中，类似的，无线网络探测器例如为WIFI探测器、蓝牙探测器、紫蜂探测器等等，根据无线网络的不同，探测器的种类也不同，本实施例可以使用其中的任意一种或多种对传输的数据进行探测。

在本实施例中，上述实施方式可以结合使用，并且根据干扰类型的不同，设定标记的优先级，例如，先对第一干扰源进行标记，再对第二干扰源进行标记，再对信标帧(也可以成为第三干扰源)进行标记，在当前测试窗口不属于前述任意一种情况时，可以将当前测试窗口标记为正常。

此外，本实施例也不限于上述几种实施方式，根据干扰源类型的不同，可以没有前述某个或某些实施方式，还可以增加对应不同干扰源类型的标记方式，还可以对每一类干扰源进行进一步细分，再分别进行标记，只要是根据每个测试窗口所属的测试时间段和/或每个测试窗口内的样本数据集中的样本的时间戳和/或无线网络探测器在每个测试窗口探测到的数据对每个测试窗口进行标记，都包含于本申请的保护范围。

在步骤203中，使用步骤201获得的对应每个测试窗口的样本数据集和步骤202获得的对应每个测试窗口的标记(即标签)，对深度神经网络进行训练，即可得到该深度神经网络的参数，包括神经网络的权重和偏差等，作为该干扰源预测模型的参数，由此得到了该干扰预测模型，也即分类器。使用该分类器，即可对干扰源进行识别。

在一个实施方式中，可以将所有测试窗口内的样本数据集的所有样本作为卷积神经网络的输入，将所有测试窗口对应的标签(标记)作为该卷积神经网络的输出，基于该卷积神经网络的架构进行训练，得到该卷积神经网络的各项参数，作为该干扰源预测模型的参数。本实施例对具体的处理方式不作限制，可以参考现有技术。

为了使本实施例的方法更加清楚易懂，下面结合一个具体示例对本实施例的方法进行说明。

图3是将RSSI采样值序列作为输入的深度学习的一个基本原理示意图，如图3所示，假设检测窗口为20ms，检测窗口内的所有RSSI样本形成了N单元的输入向量。如果使用95us一次的采样率，则N＝20ms/95us＝210。该N单元输入向量经过一个深度学习分类模型，生成了M×1输出向量。M代表定义的分类数，例如，正常、WIFI信标、WIFI视频流、WIFI文件下载、蓝牙干扰等。和现有的利用RSSI采样值做干扰分析的方法不同，在本发明实施例的方法中，输入是原始RSSI采样值，而不需要经过特征提取。

在本实施例中，为了得到训练数据，首先手动创建干扰场景，例如有意识地将WIFI业务注入到环境中并收集采样器采样的RSSI。对于微波炉干扰场景，由于微波炉的发射周期与测试窗口的周期相同，可以将微波炉工作期间的所有样本数据集标记为“MWO”。为了在无线数据传输过程中对每个样本数据集给出精确的标签，本实施例还使用了无线网络探测器，例如WIFI sniffer或蓝牙sniffer。

例如，在同一台设备上(例如树莓派)连接或***采样器和探测器，以避免同步问题。当采样器采样了一个RSSI，其也存储该RSSI的时间戳。当探测器探测到了一个数据包(帧)，其会记录该数据包(帧)的起始时间和持续时间。使用该探测器的日志和采样器的时间戳来决定样本数据集的标签。

此外，详细的标记规则反应了一定的优先级，下面给出了一个示例：

如果该测试窗口属于微波炉工作时间段，则标记为“MWO”；

否则，如果该测试窗口属于视频流或文件传输时间段，并且该测试窗口内至少有一个样本的时间戳位于探测器探测到的属于指定地址对的帧的起止时间内，则将该测试窗口标记为“视频流或文件下载”；

否则，如果该测试窗口内有至少一个样本的时间戳位于探测到的WIFI信标帧的起止时间内，则将该测试窗口标记为“WIFI信标”；

否则，如果该测试窗口内有至少一个样本的时间戳位于探测到的蓝牙帧的起止时间内，则将该窗口标记为“蓝牙”；

其他情况，标记为“正常”。

此外，上述仅对微波炉干扰、视频流或文件传输干扰、WIFI干扰、蓝牙干扰为例进行了说明，但本实施例对此不作限制，在前述基础上，可以增加对一些干扰源类型的标记规则，或者减少对一些干扰源类型的标记规则。

图4以WIFI探测器和RSSI样本为例进行了说明，如图4所示，根据WIFI探测器日志确定了信标帧期间(beacon duration)和数据包期间(packet duration)，根据RSSI样本日志和WIFI探测器日志对各个RSSI样本进行标记，得到了标记好的样本日志，根据测试窗口内的标记好的样本日志，对各测试窗口进行标记。如图4所示，在一个测试窗口(20ms)内，包含了数据包期间(packet duration)，也即在该测试窗口内有至少一个RSSI样本的时间戳位于WIFI探测器探测到的属于指定地址对的帧的起止时间内，则将该测试窗口标记为数据传输。

利用获得的训练数据(各个测试窗口内的RSSI样本及对应的标签)找到深度卷积神经网络(Convolutional Neural Network，简称为CNN或ConvNet)的参数就是深度学习的过程。

图5是本实施例中CNN的网络结构示意图。由于CNN适用于与相邻数据具有相关性的阵列数据，因此本实施例使用了CNN，其减少了用于深度网络的参数的数量。并且，与传统用于图像识别的CNN使用二维输入不同的是，本实施例只使用一维向量作为输入。本实施例使用了具有两个卷积层的CNN，假设输入为210×1单元向量，输出为5×1，也即干扰源被分为五类，利用如图5所示的网络结构，通过已有训练方法，比如随机梯度下降法，得到最后的卷积神经网络参数。最终训练好的神经网络就是干扰源预测模型。

值得注意的是，以上仅对与本发明相关的各步骤或过程进行了说明，但本发明不限于此。该方法还可以包括其他步骤或者过程，或者类似的CNN网络结构，关于这些步骤或者过程的具体内容，可以参考现有技术。

由上述实施例可知，本实施例使用深度学习的方法建立干扰源预测模型，该建立的过程可以离线完成，由此，通过使用高速率的接收信号强度指示(RSSI)采样器在无线网络的环境中得到实时RSSI样本，并使用建立的干扰源预测模型进行干扰分析，可以确定干扰源，为物联网服务提供商解决干扰问题提供参考依据。

实施例2

本实施例提供了一种干扰源识别方法，图6是该方法的示意图，如图6所示，该方法包括：

步骤601：利用多个测试窗口的每个测试窗口所对应的样本数据集及对应该测试窗口的标签，建立干扰源预测模型；

步骤602：以预定采样率对检测窗口内的接收信号强度进行能量检测采样，获得对应所述检测窗口的样本数据集；

步骤603：将所述样本数据集输入所述干扰源预测模型，得到对应所述检测窗口的干扰源类型。

在本实施例中，步骤601可以通过实施例1的方法实现，由于在实施例1中，已经对该方法进行了详细说明，其内容被合并于此，此处不再赘述。此外，本实施例对步骤601不作限制，在实施例1的方法的基础上进行适当变形，也可以建立干扰源预测模型。

在本实施例中，步骤601是离线完成的，也即，该干扰源预测模型建立之后，即可利用该模型对各种实际场景进行干扰检测，以确定该实际场景下的干扰源类型。例如，通过步骤602在实际场景中采集样本数据(样本数据集)，将实际场景中获得的样本数据集输入该干扰源预测模型，从而得到对应的干扰源类型。

在本实施例中，对步骤602的检测方法不作限制，其实施的过程可以与图2的步骤201相同，也可以不同，此处不再赘述。并且，在步骤601中，检测窗口与实施例1的测试窗口相同，例如设定为20ms，采样率与实施例1的采样率相同，例如100us左右一次。

在本实施例中，对步骤603的实施过程不作限制，具体可以参考现有技术。

值得注意的是，以上仅对与本发明相关的各步骤或过程进行了说明，但本发明不限于此。该方法还可以包括其他步骤或者过程，关于这些步骤或者过程的具体内容，可以参考现有技术。

由上述实施例可知，本实施例使用深度学习的方法建立干扰源预测模型，该建立的过程可以离线完成，由此，通过使用高速率的接收信号强度指示(RSSI)采样器在无线网络的环境中得到实时RSSI样本，并使用建立的干扰源预测模型进行干扰分析，可以确定干扰源，为物联网服务提供商解决干扰问题提供参考依据。

实施例3

本实施例提供了一种干扰源预测模型建立装置。该装置例如可以是是网络中的某个节点，也可以是独立于网络中的节点的单独的设备，也可以是配置于上述节点或设备的某个或某些部件或者组件。由于该装置解决问题的原理与实施例1的方法类似，因此其具体的实施可以参考实施例1的方法的实施例，内容相同之处，不再重复说明。

图7是该装置700的示意图，如图7所示，该装置700包括：第一采样单元701、标记单元702、以及训练单元703。

第一采样单元701在预先设定的多个干扰场景下，对于多个测试窗口的每个测试窗口，以预定采样率对所述测试窗口进行能量检测采样，获得每个测试窗口内的样本数据集；标记单元702根据每个测试窗口所属的测试时间段和/或每个测试窗口内的样本数据集中的样本的时间戳和/或无线网络探测器在每个测试窗口探测到的数据对每个测试窗口进行标记；训练单元703根据每个测试窗口的样本数据集和每个测试窗口对应的标记对深度神经网络进行训练，得到所述干扰源预测模型的参数。

在本实施例中，上述无线网络探测器可以是以下任意一种或多种：WIFI探测器、蓝牙探测器、紫蜂探测器等。

在一个实施方式中，标记单元702可以根据所述测试窗口所属的测试时间段对所述测试窗口进行标记。

图8是该实施方式的标记单元702的示意图，如图8所示，在该实施方式中，标记单元702包括第一判断单元801和第一标记单元802，第一判断单元801判断所述测试窗口所属的测试时间段是否为第一干扰源的工作时间段；第一标记单元802在第一判断单元801判断为是的情况下，将所述测试窗口标记为受到了来自所述第一干扰源的干扰。在本实施方式中，第一干扰源例如为微波炉。

在一个实施方式中，标记单元702可以根据所述测试窗口所属的测试时间段和所述测试窗口内的样本数据集中的样本的时间戳和无线网络探测器探测到的数据对所述测试窗口进行标记。

图9是该实施方式的标记单元702的示意图，如图9所示，在该实施方式中，标记单元702包括第二判断单元901和第二标记单元902，第二判断单元901判断所述测试窗口所属的测试时间段是否为第二干扰源的工作时间段，并且所述测试窗口内的样本数据集中的至少一个样本的时间戳是否位于无线网络探测器探测到的属于指定地址对的帧的起止时间内；第二标记单元902在第一判断单元901判断为是的情况下，将所述测试窗口标记为受到了来自所述第二干扰源的干扰。在本实施方式中，第二干扰源例如为数据传输。这里的数据例如为视频数据、和/或文件数据等大流量数据。

在一个实施方式中，标记单元702根据所述测试窗口内的样本数据集中的样本的时间戳和无线网络探测器探测到的数据对所述测试窗口进行标记。

图10是该实施方式的标记单元702的示意图，如图10所示，在该实施方式中，标记单元702包括第三判断单元1001和第三标记单元1002，第三判断单元1001判断所述测试窗口内的样本数据集中的至少一个样本的时间戳是否位于无线网络探测器探测到的信标帧的起止时间内，第三标记单元1002在第三判断单元1001判断为是的情况下，将所述测试窗口标记为受到了来自所述信标帧的干扰。在本实施方式中，信标帧可以是WIFI信标帧、蓝牙信标帧等。

在本实施例中，训练单元703可以将所有测试窗口内的样本数据集的所有样本作为卷积神经网络的输入，将所有测试窗口对应的标签作为所述卷积神经网络的输出，基于所述卷积神经网络的架构进行训练，得到所述卷积神经网络的各项参数，作为所述干扰源预测模型的参数。

值得注意的是，以上仅对与本发明相关的各部件或模块进行了说明，但本发明不限于此。装置700还可以包括其他部件或者模块，关于这些部件或者模块的具体内容，可以参考相关技术。

由上述实施例可知，本实施例使用深度学习的方法建立干扰源预测模型，该建立的过程可以离线完成，由此，通过使用高速率的接收信号强度指示(RSSI)采样器在无线网络的环境中得到实时RSSI样本，并使用建立的干扰源预测模型进行干扰分析，可以确定干扰源，为物联网服务提供商解决干扰问题提供参考依据。

实施例4

本实施例提供了一种干扰源识别装置。该装置例如可以是是网络中的某个节点，也可以是独立于网络中的节点的单独的设备，也可以是配置于上述节点或设备的某个或某些部件或者组件。由于该装置解决问题的原理与实施例2的方法类似，因此其具体的实施可以参考实施例2的方法的实施例，内容相同之处，不再重复说明。

图11是该装置1100的示意图，如图11所示，该装置1100包括：建立单元1101、第二采样单元1102、以及确定单元1103。

建立单元1101利用多个测试窗口的每个测试窗口所对应的样本数据集及对应该测试窗口的标签，建立干扰源预测模型；第二采样单元1102以预定采样率对检测窗口内的接收信号强度进行能量检测采样，获得对应所述检测窗口的样本数据集；确定单元1103将所述样本数据集输入所述干扰源预测模型，得到对应所述检测窗口的干扰源类型。

在本实施例中，建立单元1101可以通过实施例3所述的装置实现，用于执行实施例1所述的方法，由于在实施例1和实施例3中，已经对该方法和装置做了详细说明，其内容被合并于此，此处不再赘述。

由上述实施例可知，本实施例使用深度学习的方法建立干扰源预测模型，该建立的过程可以离线完成，由此，通过使用高速率的接收信号强度指示(RSSI)采样器在无线网络的环境中得到实时RSSI样本，并使用建立的干扰源预测模型进行干扰分析，可以确定干扰源，为物联网服务提供商解决干扰问题提供参考依据。

实施例5

本发明实施例提供了一种终端设备，该终端设备包括实施例3所述的干扰源预测模型建立装置或者包括实施例4所述的干扰源识别装置。该终端设备可以是网络中的某个节点，也可以是独立于网络中的节点的单独的设备，具体如前所述。

图12是本实施例的终端设备的***构成的示意框图。如图12所示，该终端设备1200可以包括中央处理器1201和存储器1202；存储器1202耦合到中央处理器1201。值得注意的是，该图是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。

在一个实施方式中，实施例3所述的干扰源预测模型建立装置或者包括实施例4所述的干扰源识别装置的功能可以被集成到中央处理器1201中，实现实施例1所述的干扰源预测模型建立方法或者实现实施例2所述的干扰源识别方法。

例如，该中央处理器1201可以被配置为：在预先设定的多个干扰场景下，对于多个测试窗口的每个测试窗口，以预定采样率对所述测试窗口进行能量检测采样，获得每个测试窗口内的样本数据集；根据每个测试窗口所属的测试时间段和/或每个测试窗口内的样本数据集中的样本的时间戳和/或无线网络探测器在每个测试窗口探测到的数据对每个测试窗口进行标记；根据每个测试窗口的样本数据集和每个测试窗口对应的标记对深度神经网络进行训练，得到所述干扰源预测模型的参数。

再例如，该中央处理器1201可以被配置为：利用多个测试窗口的每个测试窗口所对应的样本数据集及对应该测试窗口的标签，建立干扰源预测模型；以预定采样率对检测窗口内的接收信号强度进行能量检测采样，获得对应所述检测窗口的样本数据集；将所述样本数据集输入所述干扰源预测模型，得到对应所述检测窗口的干扰源类型。

在另一个实施方式中，实施例3所述的干扰源预测模型建立装置或者包括实施例4所述的干扰源识别装置可以与中央处理器1201分开配置，例如可以将该干扰源预测模型建立装置或者该干扰源识别装置配置为与中央处理器1201连接的芯片，通过中央处理器1201的控制来实现实施例3所述的干扰源预测模型建立装置或者包括实施例4所述的干扰源识别装置的功能。

如图12所示，该终端设备1200还可以包括：通信模块1203、输入单元1204、音频处理器1205、显示器1206、电源1207。值得注意的是，终端设备1200也并不是必须要包括图12中所示的所有部件；此外，终端设备1200还可以包括图12中没有示出的部件，可以参考现有技术。

如图12所示，中央处理器1201有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器1201接收输入并控制终端设备1200的各个部件的操作。

其中，存储器1202，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存各种信息，此外还可存储执行有关信息的程序。并且中央处理器1201可执行该存储器1202存储的该程序，以实现信息存储或处理等。其他部件的功能与现有类似，此处不再赘述。终端设备1200的各部件可以通过专用硬件、固件、软件或其结合来实现，而不偏离本发明的范围。

本实施例的终端设备使用深度学习的方法建立干扰源预测模型，该建立的过程可以离线完成，由此，通过使用高速率的接收信号强度指示(RSSI)采样器在无线网络的环境中得到实时RSSI样本，并使用建立的干扰源预测模型进行干扰分析，可以确定干扰源，为物联网服务提供商解决干扰问题提供参考依据。

本发明实施例还提供一种计算机可读程序，其中当在终端设备中执行所述程序时，所述程序使得所述终端设备执行实施例1或实施例2所述的方法。

本发明实施例还提供一种存储有计算机可读程序的存储介质，其中所述计算机可读程序使得终端设备执行实施例1或实施例2所述的方法。

本发明以上的装置和方法可以由硬件实现，也可以由硬件结合软件实现。本发明涉及这样的计算机可读程序，当该程序被逻辑部件所执行时，能够使该逻辑部件实现上文所述的装置或构成部件，或使该逻辑部件实现上文所述的各种方法或步骤。本发明还涉及用于存储以上程序的存储介质，如硬盘、磁盘、光盘、DVD、flash存储器等。

结合本发明实施例描述的方法/装置可直接体现为硬件、由处理器执行的软件模块或二者组合。图中所示的功能框图中的一个或多个和/或功能框图的一个或多个组合，既可以对应于计算机程序流程的各个软件模块，亦可以对应于各个硬件模块。这些软件模块，可以分别对应于图中所示的各个步骤。这些硬件模块例如可利用现场可编程门阵列(FPGA)将这些软件模块固化而实现。

软件模块可以位于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、移动磁盘、CD-ROM或者本领域已知的任何其它形式的存储介质。可以将一种存储介质耦接至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息；或者该存储介质可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。该软件模块可以存储在移动终端的存储器中，也可以存储在可***移动终端的存储卡中。例如，若设备(如移动终端)采用的是较大容量的MEGA-SIM卡或者大容量的闪存装置，则该软件模块可存储在该MEGA-SIM卡或者大容量的闪存装置中。

针对附图中描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，可以实现为用于执行本发明所描述功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。针对附图描述的功能方框中的一个或多个和/或功能方框的一个或多个组合，还可以实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、与DSP通信结合的一个或多个微处理器或者任何其它这种配置。

以上结合具体的实施方式对本发明进行了描述，但本领域技术人员应该清楚，这些描述都是示例性的，并不是对本发明保护范围的限制。本领域技术人员可以根据本发明的精神和原理对本发明做出各种变型和修改，这些变型和修改也在本发明的范围内。

Claims (9)

1.一种干扰源预测模型建立装置，其中，该装置包括：

第一采样单元，其在预先设定的多个干扰场景下，对于多个测试窗口的每个测试窗口，以预定采样率对所述测试窗口进行能量检测采样，获得每个测试窗口内的样本数据集；

标记单元，其根据每个测试窗口所属的测试时间段和/或每个测试窗口内的样本数据集中的样本的时间戳和/或无线网络探测器在每个测试窗口探测到的数据对每个测试窗口进行标记；

训练单元，其根据每个测试窗口的样本数据集和每个测试窗口对应的标记对深度神经网络进行训练，得到所述干扰源预测模型的参数。

2.根据权利要求1所述的装置，其中，所述测试窗口的长度与微波炉的发射周期相同或者为微波炉的发射周期的整数倍，所述预定采样率为高于200us一次。

3.根据权利要求1所述的装置，其中，所述无线网络探测器包括以下任意一种或多种：

WIFI探测器，

蓝牙探测器，

紫蜂探测器。

4.根据权利要求1所述的装置，其中，所述标记单元根据所述测试窗口所属的测试时间段对所述测试窗口进行标记，所述标记单元包括：

第一判断单元，其判断所述测试窗口所属的测试时间段是否为第一干扰源的工作时间段；

第一标记单元，其在所述第一判断单元判断为是时，将所述测试窗口标记为第一干扰源干扰。

5.根据权利要求1或4所述的装置，其中，所述标记单元根据所述测试窗口所属的测试时间段和所述测试窗口内的样本数据集中的样本的时间戳和无线网络探测器探测到的数据对所述测试窗口进行标记，所述标记单元包括：

第二判断单元，其判断所述测试窗口所属的测试时间段是否为第二干扰源的工作时间段，并且所述测试窗口内的样本数据集中的至少一个样本的时间戳是否位于无线网络探测器探测到的属于指定地址对的帧的起止时间内；

第二标记单元，其在所述第二判断单元判断为是时，将所述测试窗口标记为第二干扰源干扰。

6.根据权利要求1所述的装置，其中，所述标记单元根据所述测试窗口内的样本数据集中的样本的时间戳和无线网络探测器探测到的数据对所述测试窗口进行标记，所述标记单元包括：

第三判断单元，其判断所述测试窗口内的样本数据集中的至少一个样本的时间戳是否位于无线网络探测器探测到的信标帧的起止时间内，

第三标记单元，其在所述第三判断单元判断为是时，将所述测试窗口标记为信标干扰。

7.根据权利要求1所述的装置，其中，所述训练单元将所有测试窗口内的样本数据集的所有样本作为卷积神经网络的输入，将对所有测试窗口的标记作为所述卷积神经网络的输出，基于所述卷积神经网络的架构进行训练，得到所述卷积神经网络的各项参数，作为所述干扰源预测模型的参数。

8.一种干扰源识别装置，其中，所述装置包括：

建立单元，其利用多个测试窗口的每个测试窗口所对应的样本数据集及对应该测试窗口的标签，建立干扰源预测模型；

第二采样单元，其以预定采样率对检测窗口内的接收信号强度进行能量检测采样，获得对应所述检测窗口的样本数据集；

确定单元，其将所述样本数据集输入所述干扰源预测模型，得到对应所述检测窗口的干扰源类型。

9.一种终端设备，其中，所述终端设备包括权利要求1-8任一项所述的装置。