CN111931871B - 一种通信模式确定方法及*** - Google Patents
一种通信模式确定方法及*** Download PDFInfo
- Publication number
- CN111931871B CN111931871B CN202011028779.XA CN202011028779A CN111931871B CN 111931871 B CN111931871 B CN 111931871B CN 202011028779 A CN202011028779 A CN 202011028779A CN 111931871 B CN111931871 B CN 111931871B
- Authority
- CN
- China
- Prior art keywords
- analyzed
- equipment
- communication mode
- model
- neural network
- 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 121
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 43
- 238000003062 neural network model Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000013145 classification model Methods 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000005540 biological transmission Effects 0.000 claims description 27
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/75—Information technology; Communication
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例公开了一种通信模式确定方法及***,所述方法包括:获取预设区域内多个待分析设备;基于通信模式预估模型对所述待分析设备进行处理,得到所述待分析设备的流量需求类别;其中,所述通信模式预估模型包括图神经网络模型和分类模型,所述通信模式预估模型的处理包括:基于所述图神经网络模型、所述待分析设备的特征信息的向量、以及所述待分析设备与其关联设备之间的关联关系,得到所述待分析设备的融合特征向量;所述分类模型对所述融合特征向量进行处理,得到所述流量需求类别;基于所述流量需求类别和第一预设规则,确定所述待分析设备的预估流量,并基于所述预估流量确定所述待分析设备的通信模式。
Description
技术领域
本说明书实施例涉及通信技术领域,特别涉及一种通信模式确定方法及***。
背景技术
物联网是指通过信息传感设备,按约定的协议,将任何物体与网络相连接,物体通过信息传播媒介进行信息交换和通信,以实现智能化识别、定位、跟踪、监管等功能。对于不同的物联网设备,其流量需求可能各不相同,因此,为了在满足设备的流量需求的同时,保证设备间的通信质量,本说明书实施例提出一种通信模式确定方法及***。
发明内容
本说明书实施例的一个方面提供一种通信模式确定方法,所述方法包括:获取预设区域内多个待分析设备;基于通信模式预估模型对所述待分析设备进行处理,得到所述待分析设备的流量需求类别;其中,所述通信模式预估模型包括图神经网络模型和分类模型,所述通信模式预估模型的处理包括:基于所述图神经网络模型、所述待分析设备的特征信息的向量、以及所述待分析设备与其关联设备之间的关联关系,得到所述待分析设备的融合特征向量;其中,所述特征信息包括所述待分析设备的位置信息;所述图神经网络模型的节点为所述待分析设备,所述图神经网络的边为所述关联关系;所述分类模型对所述融合特征向量进行处理,得到所述流量需求类别;基于所述流量需求类别和第一预设规则,确定所述待分析设备的预估流量,并基于所述预估流量确定所述待分析设备的通信模式。
本说明书实施例的一个方面提供一种通信模式确定***,所述***包括:获取模块,用于获取预设区域内多个待分析设备;处理模块,用于基于通信模式预估模型对所述待分析设备进行处理,得到所述待分析设备的流量需求类别;其中,所述通信模式预估模型包括图神经网络模型和分类模型,所述通信模式预估模型的处理包括:基于所述图神经网络模型、所述待分析设备的特征信息的向量、以及所述待分析设备与其关联设备之间的关联关系,得到所述待分析设备的融合特征向量;其中,所述特征信息包括所述待分析设备的位置信息;所述图神经网络模型的节点为所述待分析设备,所述图神经网络的边为所述关联关系;所述分类模型对所述融合特征向量进行处理,得到所述流量需求类别;确定模块,用于基于所述流量需求类别和第一预设规则,确定所述待分析设备的预估流量,并基于所述预估流量确定所述待分析设备的通信模式。
本说明书实施例的一个方面提供一种通信模式确定装置,包括至少一个存储介质和至少一个处理器,所述至少一个存储介质用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令以实现通信模式确定方法。
本说明书实施例的一个方面提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,实现通信模式确定方法。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书的一些实施例所示的通信模式确定***的应用场景示意图;
图2是根据本说明书的一些实施例所示的通信模式确定***的模块图;
图3是根据本说明书的一些实施例所示的通信模式确定方法的流程图;
图4是根据本说明书的一些实施例所示的通信模式预估模型的结构示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本说明书中所使用的“***”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书的一些实施例所示的通信模式确定***的应用场景示意图。
图1是根据本说明书一些实施例所示的通信模式确定***的应用场景示意图。如图1所示,本说明书所涉及的应用场景100可以包括第一计算***130和/或第二计算***160。
第一计算***130可以用于确定待分析设备与预设区域的网络110的通信模式。在一些实施例中,预设区域的网络110可以是物联网。物联网可以应用于各种公共场合。例如机场、车站、商场等。在一些实施例中,当物联网中的设备的通信情况发生变化时,例如某个设备与其他设备之间的连接关系发生变化(如连接的设备变多),设备的流量需求也发生了变化,因此设备与预设区域内的网络110的通信模式也会相应变化。第一计算***130可以将自动调整待分析设备的通信模式,从而在保证待分析设备的流量需求的同时,保证通信质量。
第一计算***130可以获取数据120,数据120包含待分析设备的特征信息(例如位置信息)和待分析设备与其关联设备之间的关联关系。数据120可以通过各种常见的方式获取。数据120可以通过各种常见的方式进入第一计算***130。通过第一计算***130中的模型132,可以输出待分析设备的流量需求类别。第一计算***130可以根据输出的流量需求类别确定通信模式140,并自动切换或确定待分析设备的通信模式。待分析设备的通信模式可以包括多种,例如近距离线传输(如Zigbee、Z-ware、LoRa或蓝牙)、有线传输(如RS323串口、RS485总线、USB)、传统互联网(wifi、以太网络)和移动空中网(3G/4G/5G、GPRS)中的任意一种。示例地,第一计算***130可以用于当待分析设备的流量需求类别发生变化(例如连接的其他设备增加)时,其预估流量相应发生变化,将待分析设备的原通信模式切换到另一种通信模式(例如蓝牙通信切换到5G通信),即自动切换待分析设备的通信;还可以用于为未确定通信模式的待分析设备确定其通信模式,即确定待分析设备的通信模式。
模型132的参数可以通过训练得到。第二计算***160可以获取多组样本数据150,每组样本数据150包含特征信息和关联关系、以及对应的通信模式,第二计算***160通过多组样本数据150更新模型162的参数,得到训练好的模型。模型132的参数来自于训练好的模型162。其中,参数可以以任何常见的方式传递。
模型(例如,模型132或/和模型162)可以指基于处理设备而进行的若干方法的集合。这些方法可以包括大量的参数。在执行模型时,所使用的参数可以是被预先设置好的,也可以是可以动态调整的。一些参数可以通过训练的方法获得,一些参数可以在执行的过程中获得。关于本说明书中涉及模型的具体说明,可参见本说明书的相关部分。
第一计算***130和第二计算***160可以相同也可以不同。第一计算***130和第二计算***160是指具有计算能力的***,可以包括各种计算机,比如服务器、个人计算机,也可以是由多台计算机以各种结构连接组成的计算平台。
第一计算***130和第二计算***160中可以包括处理设备,处理设备可以执行程序指令。处理设备可以包括各种常见的通用中央处理器(central processing unit,CPU),图形处理器(Graphics Processing Unit ,GPU),微处理器,特殊应用集成电路(application-specific integrated circuit,ASIC),或其他类型的集成电路。
第一计算***130和第二计算***160中可以包括存储介质,存储介质可以存储指令,也可以存储数据。存储介质可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。
第一计算***130和第二计算***160还可以包括用于内部连接和与外部连接的网络。也可以包括用于输入或输出的终端。网络可以是有线网络或无线网络中的任意一种或多种。
关于特征信息、关联关系的更多细节参见图3,此处不再赘述。
图2是根据本说明书的一些实施例所示的通信模式确定***的模块图。
如图2所示,该***200可以包括获取模块210、处理模块220以及确定模块230。
在一些实施例中,获取模块210可以用于获取预设区域内多个待分析设备。
在一些实施例中,处理模块220可以用于基于通信模式预估模型对所述待分析设备进行处理,得到所述待分析设备的流量需求类别;其中,所述通信模式预估模型包括图神经网络模型和分类模型,所述通信模式预估模型的处理包括:基于所述图神经网络模型、所述待分析设备的特征信息的向量、以及所述待分析设备与其关联设备之间的关联关系,得到所述待分析设备的融合特征向量;其中,所述特征信息包括所述待分析设备的位置信息;所述图神经网络模型的节点为所述待分析设备,所述图神经网络的边为所述关联关系;所述分类模型对所述融合特征向量进行处理,得到所述流量需求类别。在一些实施例中,所述关联设备是所述预设区域内与所述待分析设备具备一度关联关系的设备。
在一些实施例中,确定模块230可以用于基于所述流量需求类别和第一预设规则,确定所述待分析设备的预估流量,并基于所述预估流量确定所述待分析设备的通信模式。
在一些实施例中,所述确定模块230可以进一步用于:基于所述待分析设备的传输带宽和所述特征信息的权重系数,确定所述预估流量。
在一些实施例中,所述确定模块230可以进一步用于:基于所述特征信息包括的所述位置信息和第二预设规则,或机器学习模型,确定所述权重系数。
应当理解,图2所示的***及其模块可以利用各种方式来实现。例如,在一些实施例中,***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行***,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和***可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本说明书的***及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于通信模式确定***200及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该***的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。例如,图2中获取模块210、处理模块220以及确定模块230可以是一个***中的不同模块,也可以是一个模块实现上述的两个模块的功能。又例如,通信模式确定***200中各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书的一些实施例所示的通信模式确定方法的流程图。如图3所示,该流程300可以包括以下步骤:
步骤302,获取预设区域内多个待分析设备。
具体的,该步骤可以由获取模块210执行。
在一些实施例中,预设区域可以是预先选定的划片区域。例如一个小区的区域或一个家庭的区域等。预设区域可以根据实际需求进行具体设置,本说明书实施例并不对此做任何限制。在一些实施例中,待分析设备可以是预设区域内任何需要确定通信模式的物联网设备。例如路由器、监控设备以及智能设备等。可以理解的,多个待分析设备可以是预设区域内的全部或部分物联网设备,本说明书实施例并不对此做任何限制。
在一些实施例中,获取模块210可以通过读取存储的数据、调用相关接口或其他方式获取多个待分析设备。
步骤304,基于通信模式预估模型对所述待分析设备进行处理,得到所述待分析设备的流量需求类别。
具体的,该步骤304可以由处理模块220执行。
在一些实施例中,通信模式预估模型可以是预先训练好的机器学习模型。训练好的通信模式预估模型可以对待分析设备(例如待分析设备的特征信息和待分析设备与其关联设备之间的关联关系)进行处理,得到待分析设备的流量需求类别。关于训练好的通信模式预估模型的模型结构及其具体细节可以参见图4及其相关描述,在此不再赘述。
在一些实施例中,流量需求类别可以是根据设备的流量需求的值预先确定的类别。例如流量需求的值为(0,100]时对应类别1,流量需求为(100,200] 时对应类别2,以此类推等。在一些实施例中,设备的流量需求的值可以用于表征设备传输数据时需要的流量。可以理解的,流量需求类别可以根据实际需求进行灵活设置,本说明书实施例并不对此做任何限制。
在一些实施例中,通信模式预估模型可以采用端到端的方法对初始通信模式预估模型进行训练得到。具体的,可以基于多个带有标签的训练样本得到通信模式预估模型。在一些实施例中,标签可以是根据采集的样本分析设备的实际流量确定的流量需求类别的标注。例如类别1、类别2等。训练样本至少包括样本分析设备的特征信息和样本分析设备与其关联设备之间的关联关系。
在一些实施例中,可以基于多个训练样本迭代更新初始通信模式预估模型的参数,以使模型的损失函数满足预设条件。例如,损失函数收敛,或损失函数值小于预设值。当损失函数满足预设条件时模型训练完成,得到训练好的通信模式预估模型。其中,初始通信模式预估模型和训练好的通信模式预估模型具备相同的模型结构,例如均至少包括图神经网络模型和分类模型。关于训练好的通信模式预估模型的模型结构及其具体细节可以参见图4及其相关描述,在此不再赘述。具体的,初始通信模式预估模型的输入为每个训练样本,输出为每个训练样本对应的流量需求类别。
步骤306,基于所述流量需求类别和第一预设规则,确定所述待分析设备的预估流量,并基于所述预估流量确定所述待分析设备的通信模式。
具体的,该步骤306可以由确定模块230执行。
如前所述,流量需求类别可以是根据设备的流量需求的值确定的类别,且流量需求的值可以用于表征设备传输数据时需要的流量。因此,在一些实施例中,确定模块230可以基于流量需求类别和第一预设规则,确定待分析设备的预估流量。
在一些实施例中,第一预设规则可以根据实际需求进行具体设置。在一些实施例中,第一预设规则可以包括将与流量需求类别对应的流量需求值的最大值确定为待分析设备的预估流量。例如流量需求值为区间值 (0,100],则将100kbit/s确定为待分析设备的预估流量。通过该第一规则,同一流量需求类别的设备的预估流量相同,可以更快确定每个待分析设备的预估流量,进而加快确定通信模式的速度。
在一些实施例中,第一预设规则还可以包括基于与流量需求类别对应的流量需求值的最大值与待分析设备的位置信息确定待分析设备的预估流量。在一些实施例中,确定模块230可以基于待分析设备的位置信息确定其对应的权重系数。可以理解的,位置信息的权重系数可以根据实际情况进行具体设置。例如人流量大的公共场合的权重系数大,如火车站对应的权重系数为0.9。
仍以上述流量需求值的最大值为100kbit/s,位置信息的权重系数为0.9为例,则待分析设备的预估流量可以是流量需求值的最大值与权重系数的乘积,即100*0.9=90kbit/s。通过该第一规则,对于不同位置的待分析设备确定不同的权重,进而对于每一个待分析设备可以更精准的确定各自的预估流量,提高了确定的通信模式的准确度。
如前所述,流量需求的值可以用于表征设备传输数据时需要的流量。设备的传输带宽可以用于表征设备传输数据的能力。因此,在一些实施例中,确定模块230还可以基于待分析设备的传输带宽和特征信息的权重系数,确定预估流量。
在一些实施例中,特征信息的权重系数可以通过以下方式获得:基于特征信息包括的位置信息和第二预设规则,或机器学习模型确定。在一些实施例中,第二预设规则可以根据实际情况进行具体设置。在一些实施例中,第二预设规则可以包括根据特征信息包括的位置信息与权重系数的映射关系确定特征信息的权重系数。一般地,对于人流量大的公共场合对应的权重系数大。例如火车站对应的特征信息的权重系数为0.9。在一些实施例中,确定权重系数的机器学习模型可以包括逻辑回归模型。在一些实施例中,该机器学习模型可以采用常规的端到端的训练方式训练得到,在此不再赘述。
示例地,仍以上述特征信息的权重系数为0.9为例,若设备的传输带宽为100kbit/s,则待分析设备的预估流量可以是传输带宽和特征信息的权重系数的乘积,即100*0.9=90kbit/s。
在一些实施例中,确定模块230还可以基于预估流量确定待分析设备的通信模式。在一些实施例中,待分析设备的通信模式可以是指待分析设备与公共网络或平台的通信传输方式。例如,wifi传输、4G传输、5G传输或蓝牙传输等。一般地,预估流量越高,其对应的通信模式的传输能力越强,通信质量越好。例如预估流量为90kbit/s,则通信模式为wifi传输。又例如预估流量为200kbit/s,则通信模式为5G传输。可以理解的,待分析设备的预估流量可能随着其特征信息和/或关联关系的变化而变化,因此待分析设备的通信模式可能会进行切换。仍以上述示例为例,若待分析设备连接的关联设备增加,其预估流量由原先的90kbit/s变化为200kbit/s,则其通信模式可能由原先的wifi传输切换为5G传输。
在一些实施例中,确定模块230可以基于预估流量,以及预估流量和通信模式的映射关系,确定待分析设备的通信模式。例如,预估流量为90kbit/s,则通信模式为4G传输。
图4是根据本说明书的一些实施例所示的通信模式预估模型的结构示意图。
在一些实施例中,可以基于神经网络构建通信模式预估模型。如图4所示的通信模式预估模型的结构400的示意图,通信模式预估模型420可以包括图神经网络模型4201和分类模型4202。
在一些实施例中,可以基于图神经网络模型4201、待分析设备的特征信息的向量、以及待分析设备与其关联设备之间的关联关系,得到该待分析设备的融合特征向量。
在一些实施例中,待分析设备的特征信息可以包括待分析设备的位置信息。在一些实施例中,待分析设备的特征信息还可以包括待分析设备的种类。在一些实施例中,可以通过编码模型对待分析设备的特征信息进行处理,得到待分析设备的特征信息的向量。
在一些实施例中,待分析设备与其关联设备之间的关联关系可以反映待分析设备与其关联设备之间的通信连接关系和通信传输方向关系(例如单向传输、双向传输、多向传输等)等。在一些实施例中,关联设备可以是预设区域内与待分析设备具备一度关联关系的设备。示例地,以预设区域内的待分析设备包括设备A、设备B与设备C为例,同时,所有设备之间的通信传输方向均为单向传输。若设备A通信连接设备B,设备B通信连接设备C,设备A通信连接设备C;则设备A的关联设备包括设备B和设备C;设备B的关联设备包括设备A和设备C,设备C的关联设备包括设备A和设备B。
如前所述,可以通过图神经网络模型4201得到待分析设备的融合特征向量。在一些实施例中,图神经网络模型4201的节点为待分析设备,图神经网络模型4201的边为关联关系。具体的,待分析设备的特征信息的向量,以及待分析设备与其关联设备之间的关联关系,可以通过图神经网络模型4201进行信息融合,得到待分析设备的融合特征向量。例如,图神经网络模型4201通过学习顶点(例如,待分析设备)与邻居顶点之间(待分析设备的关联设备)的关联关系,可以得到该顶点(例如,待分析设备)的融合特征向量,该顶点的融合特征向量中包含其关联设备信息和其与关联设备的关系信息。
在一些实施例中,待分析设备的融合特征向量可以通过图神经网络模型4201进行卷积获取。具体的,图卷积神经网络4201可以利用图卷积神经网络(GCN)技术,对待分析设备与其关联设备之间的关联关系,以及待分析设备的特征信息的向量进行卷积处理,得到待分析设备的融合特征向量。
在一些实施例中,分类模型4202可以对融合特征向量进行处理,得到所述流量需求类别。在一些实施例中,分类模型可以包括但不限于支持向量机模型、Logistic回归模型、朴素贝叶斯分类模型、高斯分布贝叶斯分类模型、决策树模型、随机森林模型、KNN分类模型、神经网络模型等。关于流量需求类别的具体细节可以参见步骤304及其相关描述,在此不再赘述。
融合特征向量不仅反应其对应顶点的信息,还反映了顶点的邻居顶点的信息,以及对应顶点与其邻居顶点之间的关联关系信息。因此,该融合特征向量融合了丰富的内容可以反映更深层次的信息,使得后续的分类模型可以基于该融合特征向量得到更准确的流量需求类别,进而可以基于该流量需求类别准确确定待分析设备的通信模式。例如融合特征向量中该待分析设备本身的特征信息反映其位置位于人流量较多的公共场所,例如火车站、地铁站等,且其关联关系反映其连接的设备数量较多,因此,分类模型可以从融合特征向量挖掘学习这些深层次信息,将该待分析设备的流量需求类别划分为需求量高的级别,例如类别5等。
本说明书实施例还提供一种通信模式确定装置,包括至少一个存储介质和至少一个处理器,所述至少一个存储介质用于存储计算机指令;所述至少一个处理器用于执行前述的通信模式确定方法,所述方法包括:获取预设区域内多个待分析设备;基于通信模式预估模型对所述待分析设备进行处理,得到所述待分析设备的流量需求类别;其中,所述通信模式预估模型包括图神经网络模型和分类模型,所述通信模式预估模型的处理包括:基于所述图神经网络模型、所述待分析设备的特征信息的向量、以及所述待分析设备与其关联设备之间的关联关系,得到所述待分析设备的融合特征向量;其中,所述特征信息包括所述待分析设备的位置信息;所述图神经网络模型的节点为所述待分析设备,所述图神经网络的边为所述关联关系;所述分类模型对所述融合特征向量进行处理,得到所述流量需求类别;基于所述流量需求类别和第一预设规则,确定所述待分析设备的预估流量,并基于所述预估流量确定所述待分析设备的通信模式。
本说明书实施例还提供一种计算机可读存储介质。所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机实现前述的通信模式确定方法,所述方法包括:获取预设区域内多个待分析设备;基于通信模式预估模型对所述待分析设备进行处理,得到所述待分析设备的流量需求类别;其中,所述通信模式预估模型包括图神经网络模型和分类模型,所述通信模式预估模型的处理包括:基于所述图神经网络模型、所述待分析设备的特征信息的向量、以及所述待分析设备与其关联设备之间的关联关系,得到所述待分析设备的融合特征向量;其中,所述特征信息包括所述待分析设备的位置信息;所述图神经网络模型的节点为所述待分析设备,所述图神经网络的边为所述关联关系;所述分类模型对所述融合特征向量进行处理,得到所述流量需求类别;基于所述流量需求类别和第一预设规则,确定所述待分析设备的预估流量,并基于所述预估流量确定所述待分析设备的通信模式。
本说明书实施例可能带来的有益效果包括但不限于:本说明书实施例可以基于图神经网络模型、通过待分析设备的特征信息、以及待分析设备与其关联设备之间的关联关系,得到包含深层次信息的融合特征向量,使得后续的分类模型可以基于该融合特征向量得到更准确的流量需求类别,进而可以基于该流量需求类别准确确定待分析设备的通信模式。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的处理设备或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种通信模式确定方法,包括:
获取预设区域内多个待分析设备;
基于通信模式预估模型对所述待分析设备进行处理,得到所述待分析设备的流量需求类别;
其中,所述通信模式预估模型包括图神经网络模型和分类模型,所述通信模式预估模型的处理包括:
基于所述图神经网络模型、所述待分析设备的特征信息的向量、以及所述待分析设备与其关联设备之间的关联关系,得到所述待分析设备的融合特征向量;其中,所述特征信息包括所述待分析设备的位置信息;所述图神经网络模型的节点为所述待分析设备,所述图神经网络的边为所述关联关系;
所述分类模型对所述融合特征向量进行处理,得到所述流量需求类别;
基于所述流量需求类别和第一预设规则,确定所述待分析设备的预估流量,并基于所述预估流量确定所述待分析设备的通信模式。
2.如权利要求1所述的方法,所述关联设备是所述预设区域内与所述待分析设备具备一度关联关系的设备。
3.如权利要求1所述的方法,所述预估流量通过以下方式获得:
基于所述待分析设备的传输带宽和所述特征信息的权重系数,确定所述预估流量。
4.如权利要求3所述的方法,所述特征信息的权重系数通过以下方式获得:
基于所述特征信息包括的所述位置信息和第二预设规则,或机器学习模型,确定所述权重系数。
5.一种通信模式确定***,包括:
获取模块,用于获取预设区域内多个待分析设备;
处理模块,用于基于通信模式预估模型对所述待分析设备进行处理,得到所述待分析设备的流量需求类别;
其中,所述通信模式预估模型包括图神经网络模型和分类模型,所述通信模式预估模型的处理包括:
基于所述图神经网络模型、所述待分析设备的特征信息的向量、以及所述待分析设备与其关联设备之间的关联关系,得到所述待分析设备的融合特征向量;其中,所述特征信息包括所述待分析设备的位置信息;所述图神经网络模型的节点为所述待分析设备,所述图神经网络的边为所述关联关系;
所述分类模型对所述融合特征向量进行处理,得到所述流量需求类别;
确定模块,用于基于所述流量需求类别和第一预设规则,确定所述待分析设备的预估流量,并基于所述预估流量确定所述待分析设备的通信模式。
6.如权利要求5所述的***,所述关联设备是所述预设区域内与所述待分析设备具备一度关联关系的设备。
7.如权利要求5所述的***,所述确定模块进一步用于:
基于所述待分析设备的传输带宽和所述特征信息的权重系数,确定所述预估流量。
8.如权利要求7所述的***,所述确定模块进一步用于:基于所述特征信息包括的所述位置信息和第二预设规则,或机器学习模型,确定所述权重系数。
9.一种通信模式确定装置,包括至少一个存储介质和至少一个处理器,所述至少一个存储介质用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令以实现如权利要求1~4任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当所述计算机指令被处理器执行时实现如权利要求1~4任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011028779.XA CN111931871B (zh) | 2020-09-27 | 2020-09-27 | 一种通信模式确定方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011028779.XA CN111931871B (zh) | 2020-09-27 | 2020-09-27 | 一种通信模式确定方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931871A CN111931871A (zh) | 2020-11-13 |
CN111931871B true CN111931871B (zh) | 2021-01-15 |
Family
ID=73333608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011028779.XA Active CN111931871B (zh) | 2020-09-27 | 2020-09-27 | 一种通信模式确定方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931871B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139586B (zh) * | 2021-03-31 | 2022-09-23 | 同济大学 | 模型训练方法、设备异常诊断方法、电子设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108234198A (zh) * | 2017-12-19 | 2018-06-29 | 清华大学 | 一种基站流量预测方法和设备 |
CN109995601A (zh) * | 2017-12-29 | 2019-07-09 | ***通信集团上海有限公司 | 一种网络流量识别方法及装置 |
CN110086737A (zh) * | 2019-03-13 | 2019-08-02 | 西安电子科技大学 | 一种基于图神经网络的通信信号调制方式的识别方法 |
CN111181923A (zh) * | 2019-12-10 | 2020-05-19 | 中移(杭州)信息技术有限公司 | 流量检测方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11615285B2 (en) * | 2017-01-06 | 2023-03-28 | Ecole Polytechnique Federale De Lausanne (Epfl) | Generating and identifying functional subnetworks within structural networks |
-
2020
- 2020-09-27 CN CN202011028779.XA patent/CN111931871B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108234198A (zh) * | 2017-12-19 | 2018-06-29 | 清华大学 | 一种基站流量预测方法和设备 |
CN109995601A (zh) * | 2017-12-29 | 2019-07-09 | ***通信集团上海有限公司 | 一种网络流量识别方法及装置 |
CN110086737A (zh) * | 2019-03-13 | 2019-08-02 | 西安电子科技大学 | 一种基于图神经网络的通信信号调制方式的识别方法 |
CN111181923A (zh) * | 2019-12-10 | 2020-05-19 | 中移(杭州)信息技术有限公司 | 流量检测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111931871A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280542A (zh) | 一种用户画像模型的优化方法、介质以及设备 | |
CN111931871B (zh) | 一种通信模式确定方法及*** | |
CN107942956A (zh) | 信息处理装置、信息处理方法、信息处理程序及记录介质 | |
CN115082920A (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
CN112487495A (zh) | 基于大数据和云计算的数据处理方法及大数据服务器 | |
CN113706115A (zh) | 一种邮件处理方法、装置及存储介质 | |
CN113379059A (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
CN111885597B (zh) | 一种安全认证的方法和*** | |
CN113313463A (zh) | 应用于大数据云办公的数据分析方法及数据分析服务器 | |
CN111858923A (zh) | 一种文本分类方法、***、装置及存储介质 | |
CN111290953B (zh) | 分析测试日志的方法与装置 | |
CN104123469B (zh) | 一种普适计算环境上下文一致性检测调度***及方法 | |
CN114020881B (zh) | 话题定位的方法及*** | |
CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
CN111882135B (zh) | 一种物联网设备入侵检测方法及相关装置 | |
Khelafa et al. | Control algorithm for the urban traffic using a realtime simulation | |
CN111274376A (zh) | 一种训练标记预测模型的方法和*** | |
CN111883226A (zh) | 一种信息处理和模型训练方法、装置、设备及存储介质 | |
CN111079574B (zh) | 一种训练神经网络的方法及*** | |
CN116993396B (zh) | 基于车辆用户标签的风险预警方法、计算机设备 | |
CN110991613B (zh) | 一种训练神经网络的方法及*** | |
CN117591283B (zh) | 基于跨平台数据融合的云切设备管理方法及*** | |
CN113542276B (zh) | 混网网络入侵目标检测方法及*** | |
CN116094947B (zh) | 一种感知数据的订阅方法、装置、设备及存储介质 | |
CN117058888B (zh) | 一种交通大数据处理方法及其*** |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 200050 e03-j40, 10th floor, 2299 Yan'an west road, Changning District, Shanghai Patentee after: Xingrong (Shanghai) Information Technology Co.,Ltd. Address before: 200050 e03-j40, 10th floor, 2299 Yan'an west road, Changning District, Shanghai Patentee before: SHANGHAI XINGRONG INFORMATION TECHNOLOGY Co.,Ltd. |