CN111683384A - 运用人工智能实现通讯链路动态加权的网络优化方法 - Google Patents
运用人工智能实现通讯链路动态加权的网络优化方法 Download PDFInfo
- Publication number
- CN111683384A CN111683384A CN202010521746.2A CN202010521746A CN111683384A CN 111683384 A CN111683384 A CN 111683384A CN 202010521746 A CN202010521746 A CN 202010521746A CN 111683384 A CN111683384 A CN 111683384A
- Authority
- CN
- China
- Prior art keywords
- communication
- link
- path
- network
- jump
- 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.)
- Granted
Links
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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/22—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks comprising specially adapted graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W40/00—Communication routing or communication path finding
- H04W40/24—Connectivity information management, e.g. connectivity discovery or connectivity update
- H04W40/248—Connectivity information update
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Human Computer Interaction (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出了一种运用人工智能实现通讯链路动态加权的网络优化方法,涉及通讯网络链路动态加权优化技术领域,包括以下步骤:通讯元素获取该通讯元素的通讯路径的所有链路特征进行实时记录并形成链路表,根据链路表的链路特征生成智能可视化网络拓扑图;当有通讯请求时,通过计算机视觉及图像识别技术识别智能可视化网络拓扑图,从而提取通讯元素之间的链路特征,导入链路图像识别样品库进行对比,计算出各链路的实时动态加权值,计算出最优通讯路径,并按最优通讯路径实现通讯;将本次参与通讯的最新链路特征更新所述智能可视化网络拓扑图并导入神经卷积机器学习库进行机器学习,形成最新一次的链路图像识别样品库,完成优化。
Description
技术领域
本发明涉及通讯网络链路动态加权优化技术领域,尤其涉及一种运用人工智能实现通讯链路动态加权的网络优化方法。
背景技术
目前组网通讯方面基本采用如IEEE 802.11 系列、物联网802.15.4等固定的协议实现局域网或小型网络的组网通讯。出于对网络可靠性与鲁棒性等经验计算值的考虑,组网过程通常需要进行多次广播路由请求、通讯握手、时隙控制的等方式,再根据固定算法加权确定有效链路。主要存在如下问题:
1).在高速网络中,4G、5G、WIFI等延时和碰撞不明显,但也因此发生网络冗余、拥堵;
2).在低速网络中,如zigbee、lora、aloha等物联网中,信息并发造成网络碰撞、延时尤为明显。
再者,无线局域网及小型自组网网络优化办法是依赖对网络可靠性与鲁棒性等经验计算值的考虑,组网过程通常需要进行多次广播路由请求、通讯握手、时隙控制的等方式,再根据固定算法加权确定有效链路实现的。主要存在如下问题:
1).在高速互联网及物联网网络中,如OFDM、WIFI等基于IEEE802.11的协议,延时碰撞不算明显,但是缺乏组网内的设备、信道状态实时监控,多次路由请求与握手协议会造成网络冗余拥堵,一旦网络出现节点性能下降等,无法迅速寻找其他最优路径,网络性能会迅速下降,很多时候需要采取定期或手动清理信道的方法保证网络性能。且固定加权算法也无法根据复杂的环境变化实现有效动态调整。
2).在低速物联网中,如zigbee、lora、aloha等基于IEEE802.15.4或使用自定义通讯协议的网络中,网络性能多数采用分时复用的办法实现通讯。采取多次广播路由请求、通讯握手配合固定算法实现链路加权的传统优化方法,信息并发造成网络碰撞、延时尤为明显。通常组网必要信息通常会占据网络大部分性能,释放给用户使用的通讯资源极其有限,利用率非常低。同时,由于缺乏组网内的设备、信道状态实时监控,常常出现由于各种环境影响导致通讯路径失效且无法寻找目标对象产品丢包,并引发网络碰撞(如zigbee)。
发明内容
针对上述技术问题,本发明提出一种运用人工智能实现通讯链路动态加权的网络优化方法,该优化方法通过通讯元素获取该通讯元素的通讯路径的所有链路特征进行实时记录并形成链路表,根据链路表的链路特征生成智能可视化网络拓扑图;当有通讯请求时,通过计算机视觉及图像识别技术识别智能可视化网络拓扑图,从而提取通讯元素之间的链路特征并将该链路特征导入链路图像识别样品库进行对比,计算出各链路的实时动态加权值,从而根据加权值计算出最优通讯路径,并按最优通讯路径实现通讯;将本次参与通讯的最新链路特征更新智能可视化网络拓扑图并导入神经卷积机器学习库进行机器学习,形成最新一次的链路图像识别样品库,完成通讯网络链路动态加权的优化。
本发明的技术方案是:
一种运用人工智能实现通讯链路动态加权的网络优化方法,其特征在于:所述优化方法,包括以下步骤:
S1:通讯网络里参与通讯的通讯元素获取该通讯元素的通讯路径的所有链路特征进行实时记录并形成链路表,根据链路表的链路特征生成智能可视化网络拓扑图;
S2:当所述通讯网络的通讯元素有通讯请求时,发起通讯请求的通讯元素为发起者,路径中经过的通讯元素为转发者,目标通讯元素为对象;发起者到转发者到对象为通讯路径,在通讯路径中两两通讯元素之间形成链路;通过计算机视觉及图像识别技术,识别所述智能可视化网络拓扑图,从而提取发起者到对象之间所有通讯路径中两两通讯元素之间的链路特征,导入链路图像识别样品库进行对比,计算出各链路的实时动态加权值;
S3:根据每条链路的实时动态加权值,计算出最优通讯路径,并按最优通讯路径实现通讯;
S4:在通讯完成后,将本次参与通讯的发起者到对象之间所有通讯路径中两两通讯元素之间的最新链路特征更新所述智能可视化网络拓扑图;将更新后的智能可视化网络拓扑图导入神经卷积机器学习库进行机器学习,形成最新一次的链路图像识别样品库,为链路动态加权提供数据支撑,完成通讯网络链路动态加权的优化;
S5:等待下一次通讯请求;当所述通讯网络的通讯元素有最新一次通讯请求时,返回所述步骤S1。
本发明,通过通讯元素获取该通讯元素的通讯路径的所有链路特征进行实时记录并形成链路表,根据链路表的链路特征生成智能可视化网络拓扑图;当有通讯请求时,通过计算机视觉及图像识别技术识别智能可视化网络拓扑图,从而提取通讯元素之间的链路特征并将该链路特征导入链路图像识别样品库进行对比,计算出各链路的实时动态加权值,从而根据加权值计算出最优通讯路径,并按最优通讯路径实现通讯;将本次参与通讯的最新链路特征更新智能可视化网络拓扑图并导入神经卷积机器学习库进行机器学习,形成最新一次的链路图像识别样品库,完成通讯网络链路动态加权的优化。
优选的:所述链路特征包括但不限于发起者、对象、位置、链路、信道、通讯时隙、信号强度、通讯耗时、历史成功率、类型以及特殊能力。
优选的:所述智能可视化网络拓扑图是通过计算机视觉及图像识别技术分析在同一时刻里,通讯网络里的所有通讯元素的实时通讯状态的链路特征而生成的一张通过颜色、大小、形状、线型、粗细及图形组合表示所有通讯实际情况的智能可视化网络拓扑矢量图,用于为计算机视觉和图像识别人工智能技术提供一个统一的导入及分析数据格式。
进一步的:所述步骤S4的更新智能可视化网络拓扑图是:智能可视化网络拓扑图将根据链路的实时动态加权值,自动更新通过颜色、大小、形状、线型、粗细及图像组合表示所有参加通讯的通讯元素的通讯路径及链路特征的矢量图;
本发明,通过计算机视觉及图像识别技术识别智能可视化网络拓扑图,根据该拓扑图的颜色、大小、形状、线型、粗细及图形组合获取所有参与通讯的通讯元素的链路特征实时情况,通过该拓扑图,使用者可以很形象地掌握所有通讯元素的具体信息,如:发起者、转发者、对象、通讯路径、通讯元素的地图位置、两两通讯元素之间的链路、信道占用情况、通讯时隙、信号强度、通讯耗时、历史成功率、类型(基站、路由器、交换机、云服务器)以及特殊能力(计算能力、存储能力)。本次通讯完成后,可实现在最小路由开销的情况下,以最少节点、最短路径、最快路径找出通讯时延最短、速度最快、网络开销最小的链路进行通讯,通讯完成后,将本次参与通讯的最新链路特征更新智能可视化网络拓扑图;将更新后的智能可视化网络拓扑图导入神经卷积机器学习库进行机器学习,形成最新一次的链路图像识别样品库,为链路动态加权提供数据支撑,完成通讯网络链路动态加权的优化。
再进一步的:所述链路加权值计算方法为:
所述通讯元素的发起者为source、转发者为jump、对象为target,所述通讯元素的通讯路径为link,所述两两通讯元素之间形成的链路为path;所述加权值为weight;
首先,计算机视觉与图像识别技术根据智能可视化网络拓扑图识别出本次通讯的以实线框图标出的所有参与通讯的通讯元素;
然后,使用同样的方法识别以虚线框图标出的链路,得出链路并且识别链路特征;
最后,将参加该次通讯的链路特征导入神经卷积机器的链路图像识别样品库进行对比, 算出路径link[source、jump1、jump…、 jump N、target]的链路(path:source-jump1)、(path:jump1-jump…)、(path:jump…-jump N)、(path:jump N-target)的加权值weight。
更进一步的:所述将参加该次通讯的链路特征导入神经卷积机器的链路图像识别样品库进行对比计算链路动态加权值weight的过程:
当***将链路的链路特征导入多层神经卷积机器的神经网络后,神经网络的层数视网络复杂程度及特征点多少决定,针对每个链路特征的对比算法使用F(x)表示,通过对以下链路特征进行神经卷积计算及对比: F(通讯元素图形大小对比)、F(通讯元素图形位置对比)、F(通讯元素图形组合对比)、F(通讯元素图形颜色对比)、F(通讯元素图形颜色区域对比)、F(链路线形对比)、F(链路颜色对比)、F(链路线性粗细对比)、F(链路所在区域不可抗力风险评估),即可计算出路径link[source、jump1、jump…、 jump N、target]的链路加权值weight(path:source-jump);
同理可得链路加权值weight(path:source-jump1);
同理可得链路加权值weight(path:jump1-jump…);
同理可得链路加权值weight(path:jump…-jump N);
同理可得链路加权值weight(path: jump N- target);
结束对路径link[source、jump1、jump…、 jump N、target]的计算及对比后,分别以相同的方式计算其他通讯路径,得出每条通讯路径下每个链路的动态加权值weight。
本发明,根据以上链路加权值计算结果,以最短节点的算法,首先可以将转发者较多的通讯路径剔除,根据动态链路加权的核算方法,可得出最优通讯路径;每发生一次通讯后,都会根据最新一次的链路特征自动生成一张新的可视化拓扑图,通讯结束后,将会执行神经卷积机器学习这个操作,这能为通讯网络生成源源不断的特征数据,形成最新的神经卷积机器学习样本库,为链路动态加权提供数据支撑;神经卷积机器的链路图像识别样品库仅关注链路加权值和链路特征,对于相同及类似网络拓扑的网络,具备良好的移植性;当***将链路的链路特征导入多层神经卷积机器的神经网络后,神经网络的层数视网络复杂程度及特征点多少决定。
优选的:在所述S1步骤前,还可以包括以下步骤:通讯网络主要由两个或两个以上的通讯元素组网而成,所述通讯元素之间通过广播路由和应答后,所述通讯元素获取其对应的通讯信道和时隙内收发信息实现通讯,通讯网络里的所有通讯元素完成组网。
优选的:所述通讯元素包括但不限于:网关和节点,所述网关具备计算和存储能力。
优选的:所述网关为基站或路由器或交换机或云服务器。
本发明,在网络结构中,如果产生节点与节点的通讯时,由于基站具备的计算和存储能力,所以发起者节点将按到基站的最优路径先执行发送,再叠加基站至对象节点的最优路径完成整个通讯路径的通讯。此时,更突显本发明链路动态加权在网络延时下的优势;在网络结构中,存在多个基站,还可以将基站的计算存储能力平均或按需分布,减轻单个基站的计算存储压力,适用于分布式***;在网络结构中,若不存在基站,这部分的计算存储工作也可以移植至云服务器,本发明也适用于无基站的灵活布置的网络拓扑结构。
采用了上述技术方案,本发明的有益效果为:
1). 本发明,通过通讯元素获取该通讯元素的通讯路径的所有链路特征进行实时记录并形成链路表,根据链路表的链路特征生成智能可视化网络拓扑图;当有通讯请求时,通过计算机视觉及图像识别技术识别智能可视化网络拓扑图,从而提取通讯元素之间的链路特征并将该链路特征导入链路图像识别样品库进行对比,计算出各链路的实时动态加权值,从而根据加权值计算出最优通讯路径,并按最优通讯路径实现通讯;将本次参与通讯的最新链路特征更新智能可视化网络拓扑图并导入神经卷积机器学习库进行机器学习,形成最新一次的链路图像识别样品库,完成通讯网络链路动态加权的优化。
2). 本发明,通过计算机视觉及图像识别技术识别智能可视化网络拓扑图,根据该拓扑图的颜色、大小、形状、线型、粗细及图形组合获取所有参与通讯的通讯元素的链路特征实时情况,通过该拓扑图,使用者可以很形象地掌握所有通讯元素的具体信息,如:发起者、转发者、对象、通讯路径、通讯元素的地图位置、两两通讯元素之间的链路、信道占用情况、通讯时隙、信号强度、通讯耗时、历史成功率、类型(基站、路由器、交换机、云服务器)以及特殊能力(计算能力、存储能力)。本次通讯完成后,可实现在最小路由开销的情况下,以最少节点、最短路径、最快路径找出通讯时延最短、速度最快、网络开销最小的链路进行通讯,通讯完成后,将本次参与通讯的最新链路特征更新智能可视化网络拓扑图;将更新后的智能可视化网络拓扑图导入神经卷积机器学习库进行机器学习,形成最新一次的链路图像识别样品库,为链路动态加权提供数据支撑,完成通讯网络链路动态加权的优化。
3).本发明,根据以上链路加权值计算结果,以最短节点的算法,首先可以将转发者较多的通讯路径剔除,根据动态链路加权的核算方法,可得出最优通讯路径;每发生一次通讯后,都会根据最新一次的链路特征自动生成一张新的可视化拓扑图,通讯结束后,将会执行神经卷积机器学习这个操作,这能为通讯网络生成源源不断的特征数据,形成最新的神经卷积机器学习样本库,为链路动态加权提供数据支撑;神经卷积机器的链路图像识别样品库仅关注链路加权值和链路特征,对于相同及类似网络拓扑的网络,具备良好的移植性;当***将链路的链路特征导入多层神经卷积机器的神经网络后,神经网络的层数视网络复杂程度及特征点多少决定。
4.) 本发明,在网络结构中,如果产生节点与节点的通讯时,由于基站具备的计算和存储能力,所以发起者节点将按到基站的最优路径先执行发送,再叠加基站至对象节点的最优路径完成整个通讯路径的通讯。此时,更突显本发明链路动态加权在网络延时下的优势;在网络结构中,存在多个基站,还可以将基站的计算存储能力平均或按需分布,减轻单个基站的计算存储压力,适用于分布式***;在网络结构中,若不存在基站,这部分的计算存储工作也可以移植至云服务器,本发明也适用于无基站的灵活布置的网络拓扑结构。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,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。
附图说明
图1为实施例所述网络优化方法流程图;
图2为实施例所述链路表;
图3为实施例所述通讯网络里参与通讯的通讯元素的智能可视化网络拓扑图;
图4为实施例所述完成组网后的智能可视化网络拓扑图;
图5为实施例所述根据链路特征生成的智能可视化网络拓扑图;
图6为实施例所述的通过计算机视觉及图像识别技术识别的智能可视化网络拓扑图;
图7为实施例所述神经卷积机器的神经网络计算和对比链路动态加权值示意图;
图8为实施例所述将更新后的智能可视化网络拓扑图导入神经卷积机器学习库进行机器学习,形成最新一次的链路图像识别样品库示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1-8所示,本发明公开一种运用人工智能实现通讯链路动态加权的网络优化方法,所述优化方法,包括以下步骤:
S1:通讯网络里参与通讯的通讯元素获取该通讯元素的通讯路径的所有链路特征进行实时记录并形成链路表,根据链路表的链路特征生成智能可视化网络拓扑图;
S2:当所述通讯网络的通讯元素有通讯请求时,发起通讯请求的通讯元素为发起者,路径中经过的通讯元素为转发者,目标通讯元素为对象;发起者到转发者到对象为通讯路径,在通讯路径中两两通讯元素之间形成链路;通过计算机视觉及图像识别技术,识别所述智能可视化网络拓扑图,从而提取发起者到对象之间所有通讯路径中两两通讯元素之间的链路特征,导入链路图像识别样品库进行对比,计算出各链路的实时动态加权值;
S3:根据每条链路的实时动态加权值,计算出最优通讯路径,并按最优通讯路径实现通讯;
S4:在通讯完成后,将本次参与通讯的发起者到对象之间所有通讯路径中两两通讯元素之间的最新链路特征更新所述智能可视化网络拓扑图;将更新后的智能可视化网络拓扑图导入神经卷积机器学习库进行机器学习,形成最新一次的链路图像识别样品库,为链路动态加权提供数据支撑,完成通讯网络链路动态加权的优化;
S5:等待下一次通讯请求;当所述通讯网络的通讯元素有最新一次通讯请求时,返回所述步骤S1。
本发明,通过通讯元素获取该通讯元素的通讯路径的所有链路特征进行实时记录并形成链路表,根据链路表的链路特征生成智能可视化网络拓扑图;当有通讯请求时,通过计算机视觉及图像识别技术识别智能可视化网络拓扑图,从而提取通讯元素之间的链路特征并将该链路特征导入链路图像识别样品库进行对比,计算出各链路的实时动态加权值,从而根据加权值计算出最优通讯路径,并按最优通讯路径实现通讯;将本次参与通讯的最新链路特征更新智能可视化网络拓扑图并导入神经卷积机器学习库进行机器学习,形成最新一次的链路图像识别样品库,完成通讯网络链路动态加权的优化。
如图2所示,优选的,所述链路特征包括但不限于发起者、对象、位置、链路、信道、通讯时隙、信号强度、通讯耗时、历史成功率、类型以及特殊能力。
如图6所示,优选的,所述智能可视化网络拓扑图是通过计算机视觉及图像识别技术分析在同一时刻里,通讯网络里的所有通讯元素的实时通讯状态的链路特征而生成的一张通过颜色、大小、形状、线型、粗细及图形组合表示所有通讯实际情况的智能可视化网络拓扑矢量图,用于为计算机视觉和图像识别人工智能技术提供一个统一的导入及分析数据格式。
进一步的,所述步骤S4的更新智能可视化网络拓扑图是:智能可视化网络拓扑图将根据链路的实时动态加权值,自动更新通过颜色、大小、形状、线型、粗细及图像组合表示所有参加通讯的通讯元素的通讯路径及链路特征的矢量图;
本发明,通过计算机视觉及图像识别技术识别智能可视化网络拓扑图,根据该拓扑图的颜色、大小、形状、线型、粗细及图形组合获取所有参与通讯的通讯元素的链路特征实时情况,通过该拓扑图,使用者可以很形象地掌握所有通讯元素的具体信息,如:发起者、转发者、对象、通讯路径、通讯元素的地图位置、两两通讯元素之间的链路、信道占用情况、通讯时隙、信号强度、通讯耗时、历史成功率、类型(基站、路由器、交换机、云服务器)以及特殊能力(计算能力、存储能力)。本次通讯完成后,可实现在最小路由开销的情况下,以最少节点、最短路径、最快路径找出通讯时延最短、速度最快、网络开销最小的链路进行通讯,通讯完成后,将本次参与通讯的最新链路特征更新智能可视化网络拓扑图;将更新后的智能可视化网络拓扑图导入神经卷积机器学习库进行机器学习,形成最新一次的链路图像识别样品库,为链路动态加权提供数据支撑,完成通讯网络链路动态加权的优化。
如图6和图7所示,所述链路加权值计算方法为:
所述通讯元素的发起者为source、转发者为jump、对象为target,所述通讯元素的通讯路径为link,所述两两通讯元素之间形成的链路为path;所述加权值为weight;
首先,计算机视觉与图像识别技术根据智能可视化网络拓扑图识别出本次通讯的以实线框图标出的所有参与通讯的通讯元素;
然后,使用同样的方法识别以虚线框图标出的链路,得出链路并且识别链路特征;
最后,将参加该次通讯的链路特征导入神经卷积机器的链路图像识别样品库进行对比, 算出路径link[source、jump1、jump…、 jump N、target]的链路(path:source-jump1)、(path:jump1-jump…)、(path:jump…-jump N)、(path:jump N-target)的加权值weight。
如图6和图7所示,所述将参加该次通讯的链路特征导入神经卷积机器的链路图像识别样品库进行对比计算链路动态加权值weight的过程:
当***将链路的链路特征导入多层神经卷积机器的神经网络后,神经网络的层数视网络复杂程度及特征点多少决定,针对每个链路特征的对比算法使用F(x)表示,通过对以下链路特征进行神经卷积计算及对比: F(通讯元素图形大小对比)、F(通讯元素图形位置对比)、F(通讯元素图形组合对比)、F(通讯元素图形颜色对比)、F(通讯元素图形颜色区域对比)、F(链路线形对比)、F(链路颜色对比)、F(链路线性粗细对比)、F(链路所在区域不可抗力风险评估),即可计算出路径link[source、jump1、jump…、 jump N、target]的链路加权值weight(path:source-jump);
同理可得链路加权值weight(path:source-jump1);
同理可得链路加权值weight(path:jump1-jump…);
同理可得链路加权值weight(path:jump…-jump N);
同理可得链路加权值weight(path: jump N- target);
结束对路径link[source、jump1、jump…、 jump N、target]的计算及对比后,分别以相同的方式计算其他通讯路径,得出每条通讯路径下每个链路的动态加权值weight。
本发明,根据以上链路加权值计算结果,以最短节点的算法,首先可以将转发者较多的通讯路径剔除,根据动态链路加权的核算方法,可得出最优通讯路径;每发生一次通讯后,都会根据最新一次的链路特征自动生成一张新的可视化拓扑图,通讯结束后,将会执行神经卷积机器学习这个操作,这能为通讯网络生成源源不断的特征数据,形成最新的神经卷积机器学习样本库,为链路动态加权提供数据支撑;神经卷积机器的链路图像识别样品库仅关注链路加权值和链路特征,对于相同及类似网络拓扑的网络,具备良好的移植性;当***将链路的链路特征导入多层神经卷积机器的神经网络后,神经网络的层数视网络复杂程度及特征点多少决定。
如图1、图3和图4所示,优选的,在所述S1步骤前,还可以包括以下步骤:通讯网络主要由两个或两个以上的通讯元素组网而成,所述通讯元素之间通过广播路由和应答后,所述通讯元素获取其对应的通讯信道和时隙内收发信息实现通讯,通讯网络里的所有通讯元素完成组网。
如图6所示,所述通讯元素包括但不限于:网关和节点,所述网关具备计算和存储能力。
如图6所示,所述网关为基站或路由器或交换机或云服务器。
本发明,在网络结构中,如果产生节点与节点的通讯时,由于基站具备的计算和存储能力,所以发起者节点将按到基站的最优路径先执行发送,再叠加基站至对象节点的最优路径完成整个通讯路径的通讯。此时,更突显本发明链路动态加权在网络延时下的优势;在网络结构中,存在多个基站,还可以将基站的计算存储能力平均或按需分布,减轻单个基站的计算存储压力,适用于分布式***;在网络结构中,若不存在基站,这部分的计算存储工作也可以移植至云服务器,本发明也适用于无基站的灵活布置的网络拓扑结构。
第一实施例:如下图3所示,通讯网络内搭载一种或多种相同通讯技术的基站a和节点b、c、d、e、f、g、h、i在某区域临时分布形成不规则形状网络拓扑,任何两者之间在有效的通讯距离内可以实现互联互通。
如图4所示,当基站a首次广播路由信息后,节点b、c、d、e、f、g、h、i通过应答向基站a获取其对应的通讯信道及时隙,此时完成组网过程。
如图2所示,节点可以在分配的通讯信道及时隙内收发信息实现通讯,每次通讯过程中,基站a将记录节点b、c、d、e、f、g、h、i的链路特征:发起者、对象、位置、链路、信道、通讯时隙、信号强度、通讯耗时、历史成功率、类型以及特殊能力形成链路表。
如图4所示,通过链路表的链路特征对应生成智能可视化网络拓扑图,其中该拓扑图中,位置分布以基站a的位置信息为中心,通过节点b、c、d、e、f、g、h、i与基站a的位置信息计算彼此极坐标并显示,根据比例尺换算可以地图实际位置对应,通过该拓扑图的地图实际位置坐标,管理员可以很准确地掌握所有通讯元素的具***置,对检修、移动、更换通讯元素提供决策信息帮助。
如图5所示,基站a、节点b、c、d、e、f、g、h、i以圆形表示,以圆形半径大小、色块组合区分其特殊能力,如基站a的圆形半径比其他通讯单元大,代表基站a搭载多种通讯技术、多种信道;蓝色方块代表基站a具备计算和储存能力。各链路根据分配的信道以粗细表示通讯耗时、根据信号强度及通讯历史成功率以虚实表示通断,根据时隙以虚实线表示信道的占用情况。
如图6所示,基站a具备计算和储存能力,多信道,多通讯技术集成;节点仅具备单一信道通讯能力。所以,接下来大量的计算分析工作将由基站a承担,节点仅按基站a计算结果执行网络通讯。
假设基站a与节点d发生通讯请求,从拓扑图即可分析其路径有link[a、c、d]、[a、h、d]、[a、i、d]、[a、f、c、d]四条路径。
将如图6所示,将智能可视化拓扑图导入链路图像识别样品库进行对比计算,获取动态链路加权值。此处仅以[a、c、d]路径为例,其他三条路径以此类推。
需要说明的是,通讯元素的发起者为source、转发者为jump、对象为target,所通讯元素的通讯路径为link,所两两通讯元素之间形成的链路为path;加权值为weight;
首先,计算机视觉与图像识别技术根据智能可视化网络拓扑图识别出本次通讯的以实线框图标出的所有参与通讯的通讯元素;
然后,使用同样的方法识别以虚线框图标出的链路,得出链路path:a-c,path:c-d,并且识别链路特征:发起者、对象、位置、链路、信道、通讯时隙、信号强度、通讯耗时、历史成功率、类型以及特殊能力。
最后,将参加该次通讯的链路特征导入神经卷积机器的链路图像识别样品库进行对比, 算出路径link[source、jump1、jump…、 jump N、target]的链路path:a-c,path:c-d的加权值weight,例如weight(path:a-c)=2、weight(path:c-d)=8。
如图7和图8所示,以计算path:a-c为例,揭示将参加该次通讯的链路特征导入神经卷积机器的链路图像识别样品库进行对比计算链路动态加权值weight的过程。
当***将链路的链路特征导入多层神经卷积机器的神经网络后,神经网络的层数视网络复杂程度及特征点多少决定,针对每个链路特征的对比算法使用F(x)表示,通过对以下链路特征进行神经卷积计算及对比: F(通讯元素图形大小对比)、F(通讯元素图形位置对比)、F(通讯元素图形组合对比)、F(通讯元素图形颜色对比)、F(通讯元素图形颜色区域对比)、F(链路线形对比)、F(链路颜色对比)、F(链路线性粗细对比)、F(链路所在区域不可抗力风险评估),即可计算出link:[a、c、d]路径的weight(path:a-c)的加权值,同理可得weight(path:c-d)的加权值。
结束对[a、c、d]路径比对后,分别以相同的方式计算其他三条路径得出结果每条路径下每个链路得动态加权值如下:
Link:[a、c、d]、[weight(path:a-c)=2、weight(path:c-d)=8];
Link:[a、h、d]、[weight(path:a-h)=6、weight(path:h-d)=7];
Link:[a、i、d]、[weight(path:a-i)=3、weight(path:c-d)=8];
Link:[a、f、c、d]、[weight(path:a-f)=0.3、weight(path:f-c)=1、weight(path:c-d)=8]。
根据以上路径计算结果,以最短节点的算法,首先可以将Link:[a、f、c、d]剔除,根据动态链路加权的核算方法,可得出Link:[a、h、d]为最优路径。
此时,按Link:[a、h、d]为最优路径,执行基站a与节点d的通讯,通讯结束后,节点d将记录本次通讯中链路path(a-h)、path(h-d)的链路特征,并通过原路径将链路特征返回至基站a,更新智能可视化网络拓扑图;基站a将更新后的智能可视化网络拓扑图导入神经卷积机器学习库进行机器学习,形成最新一次的链路图像识别样品库。
值得注意的是,每发生一次通讯,都会自动根据最新一次的数据生成一张新的可视化网络拓扑图,通讯结束后,将会执行机器学习这个操作,这能为通讯网络生成源源不断的特征数据,形成最新的链路图像识别样品库,为链路动态加权提供数据支撑。
以上是以基站与节点b、c、d、e、f、g、h、i形成组网,并触发一次基站a与节点d通讯过程。
第二实施例:在网络结构中,如果产生节点e与节点d通讯时,由于基站a具备的计算储存能力,所以节点e将按到基站a的最优路径先执行发送,再叠加基站a至节点d的最优路径。此时,更突显本发明链路动态加权在网络延时下的优势。
第三实施例:如果网络结构中,存在多个基站a,还可以将基站的计算存储能力平均或按需分布,减轻单个基站的计算存储压力,适用于分布式***。
第四实施例:若不存在基站a,这部分的计算存储工作也可以移植至云服务器,本发明也适用于无基站的灵活布置的网络拓扑结构。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种运用人工智能实现通讯链路动态加权的网络优化方法,其特征在于:所述网络优化方法,包括以下步骤:
S1:通讯网络里参与通讯的通讯元素获取该通讯元素的通讯路径的所有链路特征进行实时记录并形成链路表,根据链路表的链路特征生成智能可视化网络拓扑图;
S2:当所述通讯网络的通讯元素有通讯请求时,发起通讯请求的通讯元素为发起者,路径中经过的通讯元素为转发者,目标通讯元素为对象;发起者到转发者到对象为通讯路径,在通讯路径中两两通讯元素之间形成链路;通过计算机视觉及图像识别技术,识别所述智能可视化网络拓扑图,从而提取发起者到对象之间所有通讯路径中两两通讯元素之间的链路特征,导入链路图像识别样品库进行对比,计算出各链路的实时动态加权值;
S3:根据每条链路的实时动态加权值,计算出最优通讯路径,并按最优通讯路径实现通讯;
S4:在通讯完成后,将本次参与通讯的发起者到对象之间所有通讯路径中两两通讯元素之间的最新链路特征更新所述智能可视化网络拓扑图;将更新后的智能可视化网络拓扑图导入神经卷积机器学习库进行机器学习,形成最新一次的链路图像识别样品库,为链路动态加权提供数据支撑,完成通讯网络链路动态加权的优化;
S5:等待下一次通讯请求;当所述通讯网络的通讯元素有最新一次通讯请求时,返回所述步骤S1。
2.如权利要求1所述的运用人工智能实现通讯链路动态加权的网络优化方法,其特征在于:所述链路特征包括但不限于发起者、对象、位置、链路、信道、通讯时隙、信号强度、通讯耗时、历史成功率、类型以及特殊能力。
3.如权利要求2所述的运用人工智能实现通讯链路动态加权的网络优化方法,其特征在于:所述智能可视化网络拓扑图是通过计算机视觉及图像识别技术分析在同一时刻里,通讯网络里的所有通讯元素的实时通讯状态的链路特征而生成的一张通过颜色、大小、形状、线型、粗细及图形组合表示所有通讯实际情况的智能可视化网络拓扑矢量图,用于为计算机视觉和图像识别人工智能技术提供一个统一的导入及分析数据格式。
4.如权利要求3所述的运用人工智能实现通讯链路动态加权的网络优化方法,其特征在于:所述步骤S4的更新智能可视化网络拓扑图是:智能可视化网络拓扑图将根据链路的实时动态加权值,自动更新通过颜色、大小、形状、线型、粗细及图像组合表示所有参加通讯的通讯元素的通讯路径及链路特征的矢量图;
根据更新后的矢量图,可实现在最小路由开销的情况下,以最少节点、最短路径、最快路径找出通讯时延最短、速度最快、网络开销最小的链路进行通讯。
5.如权利要求4所述的运用人工智能实现通讯链路动态加权的网络优化方法,其特征在于:所述链路加权值计算方法为:
所述通讯元素的发起者为source、转发者为jump、对象为target,所述通讯元素的通讯路径为link,所述两两通讯元素之间形成的链路为path;所述加权值为weight;
首先,计算机视觉与图像识别技术根据智能可视化网络拓扑图识别出本次通讯的以实线框图标出的所有参与通讯的通讯元素;
然后,使用同样的方法识别以虚线框图标出的链路,得出链路并且识别链路特征;
最后,将参加该次通讯的链路特征导入神经卷积机器的链路图像识别样品库进行对比, 算出路径link[source、jump1、jump…、 jump N、target]的链路(path:source-jump1)、(path:jump1-jump…)、(path:jump…-jump N)、(path:jump N-target)的加权值weight。
6.如权利要求5所述的运用人工智能实现通讯链路动态加权的网络优化方法,其特征在于:所述将参加该次通讯的链路特征导入神经卷积机器的链路图像识别样品库进行对比计算链路动态加权值weight的过程:
当***将链路的链路特征导入多层神经卷积机器的神经网络后,神经网络的层数视网络复杂程度及特征点多少决定,针对每个链路特征的对比算法使用F(x)表示,通过对以下链路特征进行神经卷积计算及对比: F(通讯元素图形大小对比)、F(通讯元素图形位置对比)、F(通讯元素图形组合对比)、F(通讯元素图形颜色对比)、F(通讯元素图形颜色区域对比)、F(链路线形对比)、F(链路颜色对比)、F(链路线性粗细对比)、F(链路所在区域不可抗力风险评估);
即可计算出路径link[source、jump1、jump…、 jump N、target]的链路加权值weight(path:source-jump);
同理可得链路加权值weight(path:source-jump1);
同理可得链路加权值weight(path:jump1-jump…);
同理可得链路加权值weight(path:jump…-jump N);
同理可得链路加权值weight(path: jump N- target);
结束对路径link[source、jump1、jump…、 jump N、target]的计算及对比后,分别以相同的方式计算其他通讯路径,得出每条通讯路径下每个链路的动态加权值weight。
7.如权利要求1-6任意一项所述的运用人工智能实现通讯链路动态加权的网络优化方法,其特征在于:在所述S1步骤前,还可以包括以下步骤:通讯网络主要由两个或两个以上的通讯元素组网而成,所述通讯元素之间通过广播路由和应答后,所述通讯元素获取其对应的通讯信道和时隙内收发信息实现通讯,通讯网络里的所有通讯元素完成组网。
8.如权利要求1-6任意一项所述的运用人工智能实现通讯链路动态加权的网络优化方法,其特征在于:所述通讯元素包括但不限于:网关和节点。
9.如权利要求8所述的运用人工智能实现通讯链路动态加权的网络优化方法,其特征在于:所述网关为基站或路由器或交换机或云服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010521746.2A CN111683384B (zh) | 2020-06-10 | 2020-06-10 | 运用人工智能实现通讯链路动态加权的网络优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010521746.2A CN111683384B (zh) | 2020-06-10 | 2020-06-10 | 运用人工智能实现通讯链路动态加权的网络优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111683384A true CN111683384A (zh) | 2020-09-18 |
CN111683384B CN111683384B (zh) | 2023-01-24 |
Family
ID=72454484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010521746.2A Active CN111683384B (zh) | 2020-06-10 | 2020-06-10 | 运用人工智能实现通讯链路动态加权的网络优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111683384B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112968798A (zh) * | 2021-02-04 | 2021-06-15 | 西安热工研究院有限公司 | 适用于电力工控靶场平台的虚实网络环境自动生成方法 |
CN114745763A (zh) * | 2022-03-08 | 2022-07-12 | 深圳市欣博跃电子有限公司 | 一种更新最佳网络拓扑的方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130044755A1 (en) * | 2011-08-16 | 2013-02-21 | Futurewei Technologies, Inc. | Scalable Packet Scheduling Policy for Vast Number of Sessions |
CN104010343A (zh) * | 2014-06-11 | 2014-08-27 | 沈阳中科博微自动化技术有限公司 | 智能抄表***无线网络优化方法 |
CN106879071A (zh) * | 2017-02-13 | 2017-06-20 | 电子科技大学 | 基于动态时隙分配的无线Mesh网络低时延优化方法 |
US20200154369A1 (en) * | 2006-10-03 | 2020-05-14 | Interdigital Technology Corporation | Combined open loop/closed loop (cqi-based) uplink transmit power control with interference mitigation for e-utra |
-
2020
- 2020-06-10 CN CN202010521746.2A patent/CN111683384B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200154369A1 (en) * | 2006-10-03 | 2020-05-14 | Interdigital Technology Corporation | Combined open loop/closed loop (cqi-based) uplink transmit power control with interference mitigation for e-utra |
US20130044755A1 (en) * | 2011-08-16 | 2013-02-21 | Futurewei Technologies, Inc. | Scalable Packet Scheduling Policy for Vast Number of Sessions |
CN104010343A (zh) * | 2014-06-11 | 2014-08-27 | 沈阳中科博微自动化技术有限公司 | 智能抄表***无线网络优化方法 |
CN106879071A (zh) * | 2017-02-13 | 2017-06-20 | 电子科技大学 | 基于动态时隙分配的无线Mesh网络低时延优化方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112968798A (zh) * | 2021-02-04 | 2021-06-15 | 西安热工研究院有限公司 | 适用于电力工控靶场平台的虚实网络环境自动生成方法 |
CN112968798B (zh) * | 2021-02-04 | 2023-02-07 | 西安热工研究院有限公司 | 适用于电力工控靶场平台的虚实网络环境自动生成方法 |
CN114745763A (zh) * | 2022-03-08 | 2022-07-12 | 深圳市欣博跃电子有限公司 | 一种更新最佳网络拓扑的方法及*** |
CN114745763B (zh) * | 2022-03-08 | 2023-08-22 | 深圳市欣博跃电子有限公司 | 一种更新最佳网络拓扑的方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111683384B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kuklinski et al. | Density based clustering algorithm for vehicular ad-hoc networks | |
CN111683384B (zh) | 运用人工智能实现通讯链路动态加权的网络优化方法 | |
WO2004110082B1 (en) | System and method for determining location of a device in a wireless communication network | |
CN111556550B (zh) | 无人机网络通信的路由方法 | |
CN108683445B (zh) | 一种飞行器编队分层入网管理方法及*** | |
CN110650039A (zh) | 一种基于多峰优化的无人机群辅助车辆网络协同通信模型 | |
CN108289317B (zh) | 一种基于大数据分析的无线传感网络路由方法及装置 | |
CN113411766B (zh) | 智慧物联网综合感知***及方法 | |
CN109275154B (zh) | 基于双层拓扑路由算法的动态自适应路由路径规划方法 | |
CN110519020A (zh) | 无人***网络智能跨层数据传输方法及*** | |
CN108667668B (zh) | 一种城市道路场景下基于车联网连通基的通达性路由方法 | |
CN108200652B (zh) | 一种应用于无人机集群的通信方法及装置 | |
CN111405634B (zh) | 一种无线传感器网络自适应分簇的方法及装置 | |
CN105791113B (zh) | 一种基于sdn的多链路时延均衡方法和*** | |
CN115118647A (zh) | 算力网络中算力信息感知和通告***及其方法 | |
CN114641049A (zh) | 一种基于模糊逻辑的无人机自组网分层路由方法 | |
CN107819686B (zh) | 基于位置预测的无人机自组网地理信息路由方法及*** | |
CN104683232B (zh) | 一种vanet中可提供长连接服务的路由选择方法 | |
CN107222901B (zh) | 基于信道分配的认知无线网络路由协议的实现方法 | |
Meng et al. | Intelligent routing orchestration for ultra-low latency transport networks | |
CN109152079B (zh) | 一种针对tsch网络的时隙调度和信道分配方法 | |
CN106804053A (zh) | 一种移动自组织网络中基于自适应吸引子选择的单播路由方法 | |
CN111615203B (zh) | 面向数据中心的基于任务驱动的联合信道时隙分配方法 | |
CN115665860A (zh) | 一种基于候鸟群特性的无人机自组网的资源分配方法 | |
CN109474523B (zh) | 基于sdn的组网方法和*** |
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 |