CN113396562B - 人工智能增强数据采样 - Google Patents

人工智能增强数据采样 Download PDF

Info

Publication number
CN113396562B
CN113396562B CN201980091099.1A CN201980091099A CN113396562B CN 113396562 B CN113396562 B CN 113396562B CN 201980091099 A CN201980091099 A CN 201980091099A CN 113396562 B CN113396562 B CN 113396562B
Authority
CN
China
Prior art keywords
communication device
grained
data communication
fine
sampling
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
Application number
CN201980091099.1A
Other languages
English (en)
Other versions
CN113396562A (zh
Inventor
李明
凯瑟琳·赵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202211579137.8A priority Critical patent/CN116032781A/zh
Publication of CN113396562A publication Critical patent/CN113396562A/zh
Application granted granted Critical
Publication of CN113396562B publication Critical patent/CN113396562B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2662—Symbol synchronisation
    • H04L27/2663—Coarse synchronisation, e.g. by correlation
    • 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
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L27/00—Modulated-carrier systems
    • H04L27/26—Systems using multi-frequency codes
    • H04L27/2601—Multicarrier modulation systems
    • H04L27/2647—Arrangements specific to the receiver only
    • H04L27/2655—Synchronisation arrangements
    • H04L27/2662—Symbol synchronisation
    • H04L27/2665—Fine synchronisation, e.g. by positioning the FFT window
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/02—Capturing of monitoring data
    • H04L43/022—Capturing of monitoring data by sampling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/02—Capturing of monitoring data
    • H04L43/022—Capturing of monitoring data by sampling
    • H04L43/024—Capturing of monitoring data by sampling by adaptive sampling
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0852—Delays
    • H04L43/0864—Round trip delays
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L49/00—Packet switching elements
    • H04L49/20—Support for services
    • H04L49/205—Quality of Service based
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Telephonic Communication Services (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

监测网络内数据通信设备的运行特征包括：在第一采样间隔内以细粒度采样率对所述数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本；使用所述数据通信设备的所述运行特征的所述细粒度样本、所述细粒度采样率和小于所述细粒度采样率的粗粒度采样率来训练机器学习算法；在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本；使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样本。

Description

人工智能增强数据采样
相关申请交叉引用
本申请要求于2019年2月27日提交的序列号为62/811,285、发明名称为“人工智能增强数据采样(Artificial Intelligent Enhanced Data Sampling)”的美国临时专利申请的优先权，其全部内容通过引用结合在本文中。
技术领域
本申请涉及通信技术，尤其涉及通信网络中的数据采样。
背景技术
众所周知，通信***支持无线通信设备之间和/或有线通信设备之间的无线通信和有线通信。这类通信***包括大量互连网络，这些互连网络支持在数十亿设备之间进行通信，包括互联网、万维网(World Wide Web，WWW)、广域网、局域网、蜂窝网络、短距离无线网络等。
物联网(Internet of Things，IoT)的发展使支持通信的设备的数量剧增。IoT通常包括数据源通信设备。这些数据源通信设备采集数据，并且由数据采集通信设备进行采样。这种数据采集的应用场景包括大数据采集、遥感、安全相关应用、身体监测和许多其它应用。对通信网络的管理依赖于对网络设备状态的了解。为了管理这些网络设备，必须定期对这些网络设备的缓冲区填充、延迟等状态以及其它特征进行采样。许多其它***依赖于对通信设备的运行特征进行采样。
由于难以精确地确定对通信设备进行采样应该采用的采样率，因此通常对采样率进行选择，以便确保以相对高的采样率对数据进行采样。典型的采样率可以以亚毫秒为单位，这导致采样过于频繁，但可以得到精确样本。高采样率不仅导致网络流量增加、产生不必要的网络流量，而且还使数据源通信设备和数据采集通信设备的通信资源和处理资源都过载。
发明内容
本发明描述了一种人工智能技术方案，该技术方案降低了采样率，仍可以获得与高速数据采样一致或接近的采样结果。本文描述了多个实施例，以实现本发明目的。第一实施例公开了一种用于监测网络内的数据通信设备的运行特征的方法。所述方法包括在第一采样间隔内以细粒度采样率对数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本。其次，所述第一实施例包括使用所述数据通信设备的所述运行特征的所述细粒度样本、所述细粒度采样率和小于所述细粒度采样率的粗粒度采样率来训练机器学习算法。所述第一实施例继续在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本。最后，所述第一实施例包括使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样本。
与现有技术方案相比，本文描述的第一实施例和其余实施例具有重要的优点。具体而言，根据所述第一实施例的采样提供了以所述粗粒度采样率对所述数据通信设备的所述运行特征进行采样产生的精确样本，从而降低了网络流量和网络处理需求。
所述第一实施例包括各种可选方面。根据第一可选方面，所述数据通信设备的所述运行特征包括数据采集通信设备与所述数据通信设备之间的往返通信间隔。根据第二可选方面，所述数据通信设备的所述运行特征包括所述数据通信设备的平均空闲缓冲水平。根据第三可选方面，所述数据通信设备的所述运行特征包括至少一个健康相关参数。根据第四可选方面，所述数据通信设备的所述运行特征包括至少一个网络状态参数。根据第五可选方面，所述数据通信设备的所述运行特征包括至少一个网络延迟参数。
根据第六可选方面，所述方法包括：使用所述机器学习算法根据所述细粒度样本来确定数据采集采样率；数据采集通信设备以所述数据采集采样率从所述数据通信设备获取数据。
根据第七可选方面，所述方法包括：在第三采样间隔内以所述细粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的第二细粒度样本；使用所述数据通信设备的所述运行特征的所述第二细粒度样本来重新训练所述机器学习算法。
本发明的第二实施例涉及一种通信设备。所述通信设备包括处理电路、存储器和通信电路。在所述第二实施例中，所述通信设备中的这些组件用于：在第一采样间隔内以细粒度采样率对数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本；使用所述数据通信设备的所述运行特征的所述细粒度样本、所述细粒度采样率和小于所述细粒度采样率的粗粒度采样率来训练机器学习算法；在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本；使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样本。
所述第二实施例包括各种可选方面。根据第一可选方面，所述数据通信设备的所述运行特征包括数据采集通信设备与所述数据通信设备之间的往返通信间隔。根据第二可选方面，所述数据通信设备的所述运行特征包括所述数据通信设备的平均空闲缓冲水平。根据第三可选方面，所述数据通信设备的所述运行特征包括至少一个健康相关参数。根据第四可选方面，所述数据通信设备的所述运行特征包括至少一个网络状态参数。根据第五可选方面，所述数据通信设备的所述运行特征包括至少一个网络延迟参数。
根据第六可选方面，所述通信设备还用于：使用所述机器学习算法根据所述细粒度样本来确定数据采集采样率；指示数据采集通信设备以所述数据采集采样率从所述数据通信设备获取数据。
根据第七可选方面，所述通信设备还用于：在第三采样间隔内以所述细粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的第二细粒度样本；使用所述数据通信设备的所述运行特征的所述第二细粒度样本来重新训练所述机器学习算法。
本发明的第三实施例涉及一种用于监测网络内的数据通信设备的运行特征的方法。所述方法包括：第一网络设备在第一采样间隔内以细粒度采样率对数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本。所述方法还包括：第二网络设备使用所述数据通信设备的所述运行特征的所述细粒度样本、所述细粒度采样率以及小于所述细粒度采样率的粗粒度采样率来训练机器学习算法。所述方法还包括：所述第一网络设备在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本。所述方法结束于：使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样本。
在所述第三实施例的第一可选方面中，所述数据通信设备的所述运行特征包括数据采集通信设备与所述数据通信设备之间的往返通信间隔、所述数据通信设备的平均空闲缓冲水平、至少一个健康相关参数、至少一个网络状态参数或至少一个网络延迟参数中的至少一个。
在所述第三实施例的第二可选方面，所述方法还包括：使用所述机器学习算法根据所述细粒度样本来确定数据采集采样率；数据采集通信设备以所述数据采集采样率从所述数据通信设备获取数据。
根据所述第三实施例的第三可选方面，所述方法包括：所述第一网络设备在第三采样间隔内以所述细粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的第二细粒度样本；所述第二网络设备使用所述第二细粒度样本来重新训练所述机器学习算法。
所述第二实施例和所述第三实施例提供的优点与所述第一实施例的优点相同/相似。所述第一实施例、所述第二实施例和所述第三实施例获得的采样结果与以降低的采样率进行高速数据采样获得的采样结果一致或接近，而不产生额外成本。在这些实施例中的任一实施例中，对所述运行特征(例如，示例中的空闲缓冲区的数量)进行采样可能需要对其它特征(例如，上一个采样周期内的流量)进行采样。在训练过程中以降低的采样率输入运行特征以及输入这些其它特征到机器模型中产生高精度样本。
附图说明
为了更全面地理解本发明，现在参考下文结合附图和详细说明进行的简要描述，其中，相似的参考数字代表相似的部件。
图1为本发明一个实施例提供的操作的流程图。
图2为根据本发明一个实施例进行构造和操作的第一通信网络的***图。
图3为根据本发明一个实施例进行构造和操作的第二通信网络的***图。
图4为根据本发明进行构造的通信设备的框图。
图5A为本发明提供的进行采样来确定遥测往返时间(Round Trip Time，RTT)的示意图。
图5B为根据本发明进行构造和操作的配对手机和腕带的示意图。
图5C为本发明提供的缓冲区采样的示意图。
图6A为进行细粒度采样来确定各通信设备之间的平均RTT的示意图。
图6B为在不采用机器学***均RTT的示意图。
图6C为在采用机器学***均RTT的示意图。
图6D为根据图6A、图6B和图6C的技术确定的RTT的图表。
图7为本发明一个实施例提供的两阶段采样和机器学习的示意图。
图8为本发明另一个实施例的替代性两阶段采样和机器学习的示意图。
图9为本发明一个可选方面提供的多个采样阶段内的两阶段采样和机器学习的示意图。
图10为本发明提供的机器学习模型训练与机器学习推理之间的交互的框图。
图11为本发明提供的用于确定实时网络状态和延迟信息的各种技术的示意图。
具体实施方式
首先应理解，尽管下文提供了一个或多个实施例的说明性实现方式，但所公开的***和/或方法可以使用任何数目的技术来实现，无论该技术是当前已知还是现有的。本发明决不应限于下文所说明的说明性实现方式、附图和技术，包括本文所说明并描述的示例性设计和实现方式，而是可以在所附权利要求书的范围以及其等效物的完整范围内修改。
图1为本发明一个实施例提供的操作的流程图。操作100用于监测网络内数据通信设备的运行特征。操作100包括在第一采样间隔内以细粒度采样率对数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本(步骤102)。操作100继续使用所述数据通信设备的所述运行特征的所述细粒度样本、所述细粒度采样率和小于所述细粒度采样率的粗粒度采样率来训练机器学习(machine learning，ML)算法(步骤104)。该方法继续在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本(步骤106)。操作100结束于：使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样本(步骤107)。
操作100包括若干可选步骤，开始于：判断是否更新所述机器学习算法(步骤108)。如果否，操作100继续执行步骤108。如果是，操作100继续在第三采样间隔内以所述细粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的第二细粒度样本(步骤110)。然后，操作100包括使用所述第二细粒度样本来重新训练所述机器学习算法(步骤112)。操作从步骤112返回到步骤108。
图1的操作100可以用于各种操作。在第一操作中，所述数据通信设备的所述运行特征包括数据采集通信设备与所述数据通信设备之间的往返通信间隔。在第二操作中，所述数据通信设备的所述运行特征包括所述数据通信设备的平均空闲缓冲水平。在第三操作中，所述数据通信设备的所述运行特征包括至少一个健康相关参数。在第四操作中，所述数据通信设备的所述运行特征包括至少一个网络状态参数。在第五操作中，所述数据通信设备的所述运行特征包括至少一个网络延迟参数。
图1中的操作100可以包括额外的可选操作，包括：使用所述机器学习算法根据所述细粒度样本来确定数据采集采样率，数据采集通信设备以所述数据采集采样率从所述数据通信设备中获取数据。所采用的机器学习可以是监督学习、非监督学习、半监督学习、强化学习、使用的算法(例如，Q学习)、时序差分(Temporal Difference，TD)或深层对抗网络(Deep Adversarial Network)，等等。还可以采用其它机器学习算法，包括线性回归(Linear Regression)、逻辑回归(Logistic Regression)、决策树(Decision Tree)、支持向量机(Support Vector Machine，SVM)、朴素贝叶斯(Naive Bayes)、邻近算法(k-nearestneighbor，kNN)、k均值算法(K-Means)、随机森林或降维算法(例如，梯度提升算法)、梯度提升机器(Gradient Boosting Machine，GBM)、XGBoost、LightGBM或CatBoost，等等。在一个特定实施例中，使用的是随机森林算法。当然，所采用的机器学习算法根据所涉及的运行特征确定。例如，可以采用第一机器学习算法对健康数据进行采样，而可以为网络流量数据选择一个不同的机器学习算法。
图2为根据本发明一个实施例进行构造和操作的通信网络的***图。无线通信***200包括多个通信网络204，这些通信网络204与互联网/WWW 202耦合以提供语音和数据通信。与互联网/WWW 202耦合的有服务器206、服务器208和至少一个客户端设备210。多个通信网络204包括广域网(Wide Area Network，WAN)、局域网(Local Area Network，LAN)、无线局域网(Wireless Local Area Network，WLAN)、无线个人局域网(Wireless PersonalArea Network，WPAN)、蜂窝网络中的一个或多个，还可以包括各种其它类型的网络。
多个通信网络204为一个或多个无线接入点(Wireless Access Point，WAP)或基站212提供服务，这些WAP或基站212在相应的服务区内提供无线服务。WAP 212在相应服务区域中的2.4GHz、5GHz、60GHz等服务频段上提供无线接入服务，并支持标准化(或专有)操作标准，例如，IEEE 802.11x、蓝牙或其它操作标准。基站通常根据GSM、LTE、xLTE等一个或多个蜂窝通信标准在相应服务区域中的相应频段上提供无线接入服务。在任何情况下，这些WAP 212向多个无线设备214提供语音业务和数据业务，这将在本文中进一步描述。这些WAP 212中的一些WAP可以提供蜂窝业务、无线广域网(Wireless Wide Area Network，WWAN)业务、无线局域网(Wireless Local Area Network，WLAN)业务和无线个人局域网(Wireless Personal Area Network，WPAN)业务的组合业务。
无线设备214与WAP 212进行无线通信和/或无线设备214相互之间直接进行无线通信。这些无线设备214可以存在于各种场景中，包括家中、商业场所内、公共场所内和汽车内。这些无线设备214可以是手机、手腕监视器、智能手表、手表电话、平板电脑、POS设备、阅读器、笔记本电脑、台式电脑、电动游戏、汽车、媒体播放器、数码相机、智能手机、乐器、麦克风、气候控制***、入侵警报器、音频/视频监控或安全设备、网络附属存储器、宠物追踪项圈或其它设备。在其它示例中，无线设备214还可以包括音频头端或DVD播放机、卫星音乐收发器、噪声消除***、语音识别***、导航***、告警***、发动机计算机***、机顶盒、遥控器或其它设备。
图2的无线通信***200中的一个或多个组件用于执行图1所示的操作100。在一些实施例中，单个网络组件(例如，服务器206)监测无线设备214的操作，以通过图1中的操作100来确定无线设备214的特征，例如，数据采集通信设备与无线设备214之间的往返通信间隔、无线设备214的平均空闲缓冲水平、无线设备214产生的至少一个健康相关参数(例如，心跳、血压、氧饱和度等)、至少一个网络状态参数以及至少一个网络延迟参数，等等。在另一个操作中，图1中的操作100由图2中的多个网络组件分别执行，例如，第一网络组件获取细粒度样本，第二网络组件训练机器学习模型，第一网络组件获取粗粒度样本并使用机器学习算法来处理这些粗粒度样本，以产生数据通信设备的运行特征的高精度样本。
图3为根据本发明一个实施例进行构造和操作的第二通信网络的***图。图3中的通信网络300可以是为WWW或互联网提供服务的基础网络(network infrastructure)、蜂窝服务提供商采用的回程通信网络，或者其它类型的基础网络。通信网络300包括多个网络设备310，这些网络设备310在通信网络300内提供数据流传输服务。在通信网络中，所关注的是网络设备的缓冲区剩余量(buffer availability)、网络设备310之间的传输延迟以及通信网络中组件的各种其它运行特征。一旦得到这些信息，可以使用这些信息来调整通信网络300的操作、改变通信网络300内的数据路由和/或以其它方式管理通信网络300。
因此，根据本发明，一个或多个网络监测设备312和/或314执行图1中的操作100，以监测通信网络中的网络设备310的运行特征。网络设备310的这些运行特征可以包括往返通信间隔时间、网络设备310的平均空闲缓冲水平、一个或多个数据通信设备的至少一个网络状态参数或至少一个网络延迟参数，等等。
图4为根据本发明进行构造的通信设备400的框图。通信设备400包括处理电路404、存储器406、一个或多个用户接口408、射频(Radio Frequency，RF)接口410、近场通信(Near Field Communications，NFC)接口412、有线/光接口414以及电池416。通信设备400可以是图2所示的WAP 212中的一个WAP 212、图2中的服务器206或服务器208和/或图3中的网络监测设备312或网络监测设备314。
处理电路404可以是微处理器、数字信号处理器、专用处理电路和/或其它能够根据预编程指令或软件指令执行来执行逻辑运算的电路中的一个或多个。存储器406可以是动态RAM、静态RAM、闪存、ROM、EEPROM、可编程ROM、磁存储器、光存储器或其它能够存储指令和数据的存储器。所存储的数据可以是NFC天线调谐数据、音频数据、视频数据、用户数据、软件指令、配置数据或其它数据。用户接口408支持视频显示器、键盘、音频接口或其它用户接口设备中的一个或多个。
RF接口410支持蜂窝通信、WLAN通信、WPAN通信、WWAN通信、60GHz(毫米波(millimeter wave，MMW))通信、NFC通信和/或其它无线通信中的一种或多种。这些无线通信在大多数实施例中是标准化的，而在其它实施例中是专用的。NFC接口412与NFC天线418耦合并支持NFC通信，这将在本文中进一步描述。有线/光接口414支持LAN通信、WAN通信、有线网络通信、直接数据链路通信等有线通信或其它有线通信和/或支持光通信，这些有线通信和光通信在一些实施例中是标准化的，而在其它实施例中是专用的。
可以在一个集成电路管芯上构造通信设备400中的多个组件404、406、408、410、412和414。在一个集成电路上构造RF接口410、NFC接口412和有线/光学接口414等所有通信组件是相当常见的。在一些情况下，也可以在一个集成电路上构造支持RF接口410的天线。在其它情况下，可以在印刷电路板(printed Circuit Board，PCB)上构造通信设备400的部分或全部组件。
根据本发明一个实施例，通信设备400包括人工智能(Artificial Intelligence，AI)增强数据采样405结构和/或操作(也称为机器学习操作)。通常，处理电路404、存储器406和通信电路410/412/414用于：在第一采样间隔内以细粒度采样率对数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本；使用所述数据通信设备的所述运动特性的所述细粒度样本、所述细粒度采样率和小于所述细粒度采样率的粗粒度采样率来训练训练机器学习算法。处理电路404、存储器406和通信电路410/412/414还用于：在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本；使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样本。
所述数据通信设备的所述运行特征可以包括数据采集通信设备与所述数据通信设备之间的往返通信间隔、所述数据通信设备的平均空闲缓冲水平、至少一个健康相关参数、至少一个网络状态参数或至少一个网络延迟参数，等等。
此外，处理电路404、存储器406和通信电路410/412/414还可以用于：使用所述机器学习算法根据所述细粒度样本来确定数据采集采样率；指示数据采集设备使用所述数据采集采样率对来自所述数据通信设备的数据进行采样。
处理电路404、存储器406和通信电路410/412/414还可以用于：在第三采样间隔内以所述细粒度采样率对所述数据通信设备数据的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的第二细粒度样本；使用所述第二细粒度样本来重新训练所述机器学习算法。
图5A为本发明提供的通过采样来确定遥测往返时间(Round Trip Time，RTT)的示意图。在许多无线应用和/或有线应用中，源设备(SRC)502与目的地设备(DSC)504配对，以进行数据交换。例如，在遥测装置中，许多传感器与一个或多个控制器通信地相互耦合。例如，使用网际包探测器(Packet Internet Groper，PING)确定SRC 502与DSC 504之间的RTT可以控制或进一步改变SRC 502和DSC 504的操作，以减少网络资源的使用，从而节约能源。图1中的操作100和/或图4中的结构400可以用于确定SRC 502与DSC 504之间的RTT。
图5B为根据本发明进行构造和操作的配对手机512和腕带514的示意图。图5B中的配对手机512和腕带514之间交换的健康相关参数包括心跳测量、血压测量或血氧浓度。在这种情况下，心跳监测腕带定期计算用户的健康相关参数。健康相关参数只有在可用时才能进行采样，以避免频繁采样，造成资源浪费。因此，根据本发明，通过图1中的操作100和/或图4中的结构，确定了精确的采样间隔，从而高效地对健康相关参数进行采样。腕带514提供的数据在可用时才能进行采样，节省了宝贵的通信资源以及电池寿命。
图5C为本发明提供的缓冲区采样的示意图。在图5C的示例中，连续缓冲遥测数据524，即使相关数据包含在一些可用缓冲区中。因此，只有在相关数据可用时，才能执行采样522。这样一来，最好只对包含相关数据的缓冲区进行采样。因此，根据本发明，通过图1中的操作100和/或图4中的结构确定精确的采样间隔，有利于高效地对遥测数据524进行采样。在遥测数据524可用时才对该数据进行采样，节省了宝贵的通信资源和电池寿命。
图6A为通过细粒度采样来确定通信设备之间的平均RTT的示意图。如图所示，以细粒度采样率每秒执行一次细粒度采样，以产生数据通信设备的运行特征的细粒度样本。基于采样时间，确定细粒度第一采样间隔内的平均RTT。
图6B为在不采用机器学***均RTT的示意图。如图所示，与图1中的细粒度采样相比，以10秒间隔进行粗粒度采样产生了不同的平均RTT。这个结果存在问题，因为返回的数据不精确。
图6C为在采用机器学***均RTT的示意图。根据图1中的操作100和/或图4中的结构在图6C的机器帮助下进行粗粒度采样，产生的平均RTT更像是(图6A中的)细粒度采样平均RTT，而不像是(图6B中的)粗粒度采样平均RTT。
图6D为根据图6A、图6B和图6C的技术确定的RTT的图表。注意到，通过ML进行粗采样确定的平均RTT(图6C)非常接近进行细采样确定的平均RTT(图6A)，而不是接近进行粗采样确定的平均RTT(图6B)。
图7为本发明一个实施例提供的两阶段采样和机器学习的示意图。如图7所示，数据采样700分为两个阶段：(1)在第一采样间隔702内以细粒度采样率进行细粒度采样，以产生数据通信设备的运行特征的细粒度样本，之后使用所述细粒度样本进行ML训练；(2)在第二采样间隔704内通过ML推理进行粗粒度采样，以产生所述数据通信设备的所述运行特征的高精度粗粒度样本。在图7的示例中，细粒度采样周期是粗粒度采样周期的十分之一，也就是说，细粒度采样率是粗粒度采样率的十倍。
图8为本发明另一个实施例提供的替代性两阶段采样和机器学习的示意图。具体地，在图8的示例800中，在第一采样间隔802内以细粒度采样率进行细粒度采样，对数据通信设备进行检测(pinged)；然后，在第二采样间隔804内以粗粒度采样率进行粗粒度采样，对所述数据通信设备进行检测。
参考图7和图8，在细粒度采样下使用一组采样方法/特征对数据集进行ML训练。然后，在粗粒度采样下使用当前采样方法/特征作为输入执行ML推理。目标是为了获取粗粒度采样周期内的精确采样值。在设备中进行短持续时间内的细粒度采样，采集到的数据则用于采集其它相关特征以完成ML训练，这可以在设备上进行，也可以远程进行。然后，在采样间隔的剩余时间内进行粗粒度采样。基于粗粒度采样和相关特征，ML模型用于估计精确的采样值(ML推理模型可以在设备上运行，也可以在远程设备上运行)。在一些实施例中，细粒度采样间隔内的采样是精确的，所以不需要ML来对这些样本进行操作。
数据采样分为多个阶段，包括短持续时间内的细粒度采样(ML训练)和长持续时间内的粗粒度采样(ML推理)。通常，根据图7的可选方面，在通信设备中执行多个短持续时间内的细粒度采样。采集细粒度样本和其它相关特征，使用它们完成ML训练。然后，使用ML模型在多个持续时间内执行粗粒度采样，以估计精确的采样值(ML推理模型可以在设备上运行，也可以远程运行)。如前所述，细粒度采样是精确的采样，所以对细粒度样本不进行ML推理。
图9为本发明一个可选方面提供的多个采样阶段内的两阶段采样和机器学习的示意图。根据图9中的操作900，在第一采样间隔902内以细粒度采样率对数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本。其次，除了使用所述细粒度样本、所述细粒度采样率和粗粒度采样率，训练机器学习算法还可以使用被采样的数据类型和其它参数。再次，在第二采样间隔904内以所述粗粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本。接着，通过ML根据所述粗粒度样本产生高精度结果。
在图9的示例中，还在第三采样间隔906内以所述细粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的第二细粒度样本。然后，使用所述第二细粒度样本来重新训练所述机器学习算法，以确定更新后的小于所述细粒度采样率的粗粒度采样率。最后，在粗粒度采样间隔908内对所述数据通信设备的所述运行特征再次执行粗粒度采样。接下来是另一细粒度采样间隔910。这些操作可以类似地随时间重复进行。通过这些操作，粗粒度样本后续通过ML进行处理，产生了高精度样本。
图10为本发明提供的机器学习模型训练与机器学习推理之间的交互的框图。使用细粒度样本、细粒度采样率、粗粒度采样率以及ML模型的其它特征来执行机器学习模型训练1002。ML模型的其它特征可以包括被采样的数据类型、所采用的ML模型类型的输入。所采用的ML模型包括监督学习、非监督学习、半监督学习、强化学习、使用的算法(例如，Q学习)、时序差分(Temporal Difference，TD)或深层对抗网络(Deep Adversarial Network)，等等。还可以采用其它机器学习算法，包括线性回归(Linear Regression)、逻辑回归(Logistic Regression)、决策树(Decision Tree)、支持向量机(Support VectorMachine，SVM)、朴素贝叶斯(Naive Bayes)、邻近算法(k-nearest neighbor，kNN)、k均值算法(K-Means)、随机森林或降维算法(例如，梯度提升算法)、梯度提升机器(GradientBoosting Machine，GBM)、XGBoost、LightGBM或CatBoost，等等。在一个特定实施例中，使用的是随机森林算法。当然，所采用的机器学习算法根据所涉及的运行特征确定。例如，可以采用第一机器学习算法对健康数据进行采样，而可以为网络流量数据选择一个不同的机器学习算法。
然后，将机器学习模型参数1004传递给机器学习模型推理1006，机器学习模型推理1006接收粗粒度样本和其它特征作为输入，以产生用于密切跟踪的精确样本(例如，图6C示出的样本)。这些样本使得产生的数据通信设备的运行特征能够精确地对应于使用细粒度样本产生的数据通信设备的运行特征。
ML有三种可能的部署模型。在第一部署模型中，一个设备执行ML模型训练1002、粗粒度采样和基于粗粒度样本的ML推理1006。在第二部署模型中，第一设备执行ML模型训练1002，而第二设备执行粗粒度采样和基于粗粒度样本的ML模型推断1006。在第三部署模型中，第一设备执行ML模型训练1002，第二设备执行粗采样，第三设备执行基于粗粒度样本的ML推理1006。ML训练1002和ML推理粗粒度采样所采用的特征根据具体的应用案例确定。
图11为本发明一个可选方面提供的RTT测量的示意图。图11示出了用于RTT测量的三种可能方法。无论采用哪种方法，采样频率越高，RTT的精度越高，但资源消耗越大。本发明方法通过ML推理来降低ML训练周期之后的采样频率，但同时获得与精确采样值一致或接近的采样值。在图11中，SRC 1108表示源设备，DSC 1110表示目的地设备。
根据第一延迟测量技术，Ping或Traceroute方法1102用于采集用于延迟测量的数据集。本方法包括以下特点：
当前RTT统计信息(当前时间t的一个采样周期(即时间间隔[t-T，t])内的状态信息)t、curAvgRTT、curMaxRTT、curMinRTT、curDevRTT
平均RTT统计信息(D1内的统计信息)、mean(avgRTT)、mean(maxRTT)、mean(minRTT)、mean(devRTT)
T1、T2、D1、D2
T1：细粒度采样周期
T2：粗粒度采样周期
D1：细粒度采样的总时间长度(截止到现在)
D2：粗粒度采样的总时间长度(截止到现在)
根据第二技术，使用带有时间戳的现场操作、管理和维护(in-situ Operations,Administration and Maintenance，iOAM)1104。iOAM对各个数据包和数据流进行实时遥测。iOAM以嵌入在数据包中的遥测信息为基础。
根据第三技术，包时间戳1106用于测量延迟。
可以使用包括采样方法/特征的数据集对进行细粒度采样得到的数据进行ML训练。该数据集包括：
{T2，curAvgRTT，curMaxRTT，curMinRTT，curDevRTT，meanT2(avgRTT)，meanT2(maxRTT)，meanT2(minRTT)，meanT2(devRTT)，T1，T2，D1}；
{2T2，curAvgRTT，curMaxRTT，curMinRTT，curDevRTT，mean2T2(avgRTT)，mean2T2(maxRTT)，mean2T2(minRTT)，mean2T2(devRTT)，T1，T2，D1}；
{3T2，curAvgRTT，curMaxRTT，curMinRTT，curDevRTT，mean3T2(avgRTT)，mean3T2(maxRTT)，mean3T2(minRTT)，mean3T2(devRTT)，T1，T2，D1}。
推理输入和输出为如下：
推理输入为在时间t时进行粗粒度采样的采样方法/特征，使用{t，curAvgRTT，curMaxRTT，curMinRTT，curDevRTT，meant(avgRTT)，meant(maxRTT)，meant(minRTT)，meant(devRTT)，T1，T2，D1}。
ML输出为当前采样周期T2[t–T2，t]内的精确avgRTT值。
虽然本发明提供了几个实施例，但应理解，在不脱离本发明的精神或范围的情况下，所公开的***和方法可能通过其它多种具体形式体现。本发明的示例被视为说明性而非限制性的，且本发明并不限于本文中所给出的详细说明。例如，各种元件或组件可以组合或集成在另一***中，或者某些特征可以省略或不实施。
另外，在不脱离本发明范围的情况下，各种实施例中描述和说明为离散或单独的技术、***、子***和方法可以与其它***、模块、技术或方法组合或集成。展示或论述为彼此耦合或直接耦合或者通信的其它项也可以采用电方式、机械方式或其它方式经由某一接口、设备或中间组件间接地耦合或通信。其它变更、替换、更改示例对本领域技术人员而言是显而易见的，均不脱离本文中公开的精神和范围。

Claims (20)

1.一种用于监测网络内数据通信设备的运行特征的方法，其特征在于，所述方法包括：
在第一采样间隔内以细粒度采样率对数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本；
使用所述数据通信设备的所述运行特征的所述细粒度样本、所述细粒度采样率和小于所述细粒度采样率的粗粒度采样率来训练机器学习算法；
在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本；
使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样本。
2.根据权利要求1所述的方法，其特征在于，所述数据通信设备的所述运行特征包括数据采集通信设备与所述数据通信设备之间的往返通信间隔。
3.根据权利要求1所述的方法，其特征在于，所述数据通信设备的所述运行特征包括所述数据通信设备的平均空闲缓冲水平。
4.根据权利要求1所述的方法，其特征在于，所述数据通信设备的所述运行特征包括至少一个健康相关参数。
5.根据权利要求1所述的方法，其特征在于，所述数据通信设备的所述运行特征包括至少一个网络状态参数。
6.根据权利要求1所述的方法，其特征在于，所述数据通信设备的所述运行特征包括至少一个网络延迟参数。
7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：
使用所述机器学习算法根据所述细粒度样本来确定数据采集采样率；
数据采集通信设备以所述数据采集采样率从所述数据通信设备获取数据。
8.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：
在第三采样间隔内以所述细粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的第二细粒度样本；
使用所述数据通信设备的所述运行特征的所述第二细粒度样本来重新训练所述机器学习算法。
9.一种通信设备，其特征在于，所述通信设备包括：
处理电路；
存储器；
通信电路，其中，所述处理电路、所述存储器和所述通信电路用于：
在第一采样间隔内以细粒度采样率对数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本；
使用所述数据通信设备的所述运行特征的所述细粒度样本、所述细粒度采样率和小于所述细粒度采样率的粗粒度采样率来训练机器学习算法；
在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本；
使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样本。
10.根据权利要求9所述的通信设备，其特征在于，所述数据通信设备的所述运行特征包括数据采集通信设备与所述数据通信设备之间的往返通信间隔。
11.根据权利要求9所述的通信设备，其特征在于，所述数据通信设备的所述运行特征包括所述数据通信设备的平均空闲缓冲水平。
12.根据权利要求9所述的通信设备，其特征在于，所述数据通信设备的所述运行特征包括至少一个健康相关参数。
13.根据权利要求9所述的通信设备，其特征在于，所述数据通信设备的所述运行特征包括至少一个网络状态参数。
14.根据权利要求9所述的通信设备，其特征在于，所述数据通信设备的所述运行特征包括至少一个网络延迟参数。
15.根据权利要求9至14中任一项所述的通信设备，其特征在于，所述处理电路、所述存储器和所述通信电路还用于：
使用所述机器学习算法根据所述细粒度样本来确定数据采集采样率；
指示数据采集设备以所述数据采集采样率对所述数据通信设备中的数据进行采样。
16.根据权利要求9至14中任一项所述的通信设备，其特征在于，所述处理电路、所述存储器和所述通信电路还用于：
在第三采样间隔内以所述细粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的第二细粒度样本；
使用所述数据通信设备的所述运行特征的所述第二细粒度样本来重新训练所述机器学习算法。
17.一种用于监测网络内数据通信设备的运行特征的方法，其特征在于，所述方法包括：
第一网络设备在第一采样间隔内以细粒度采样率对数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本；
第二网络设备使用所述数据通信设备的所述运行特征的所述细粒度样本、所述细粒度采样率以及小于所述细粒度采样率的粗粒度采样率来训练机器学习算法；
所述第一网络设备在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本；
使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样本。
18.根据权利要求17所述的方法，其特征在于，所述数据通信设备的运行特征包括以下各项中的至少一个：
数据采集通信设备与所述数据通信设备之间的往返通信间隔；
所述数据通信设备的平均空闲缓冲水平；
至少一个健康相关参数；
至少一个网络状态参数；或
至少一个网络延迟参数。
19.根据权利要求17或18的方法，其特征在于，所述方法还包括：
使用所述机器学习算法根据所述细粒度样本来确定数据采集采样率；
数据采集通信设备以所述数据采集采样率从所述数据通信设备获取数据。
20.根据权利要求17或18所述的方法，其特征在于，所述方法还包括：
所述第一网络设备在第三采样间隔内以所述细粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的第二细粒度样本；
所述第二网络设备使用所述第二细粒度样本来重新训练所述机器学习算法。
CN201980091099.1A 2019-02-27 2019-06-26 人工智能增强数据采样 Active CN113396562B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211579137.8A CN116032781A (zh) 2019-02-27 2019-06-26 人工智能增强数据采样

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201962811285P 2019-02-27 2019-02-27
US62/811,285 2019-02-27
PCT/CN2019/092873 WO2020173023A1 (en) 2019-02-27 2019-06-26 Artificial intelligent enhanced data sampling

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202211579137.8A Division CN116032781A (zh) 2019-02-27 2019-06-26 人工智能增强数据采样

Publications (2)

Publication Number Publication Date
CN113396562A CN113396562A (zh) 2021-09-14
CN113396562B true CN113396562B (zh) 2022-12-06

Family

ID=72239005

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201980091099.1A Active CN113396562B (zh) 2019-02-27 2019-06-26 人工智能增强数据采样
CN202211579137.8A Pending CN116032781A (zh) 2019-02-27 2019-06-26 人工智能增强数据采样

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202211579137.8A Pending CN116032781A (zh) 2019-02-27 2019-06-26 人工智能增强数据采样

Country Status (4)

Country Link
US (2) US11743093B2 (zh)
EP (2) EP4221131A1 (zh)
CN (2) CN113396562B (zh)
WO (1) WO2020173023A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11520680B2 (en) * 2021-01-12 2022-12-06 Dell Products L.P. Predicting statistics gathering times for database activity data using machine learning techniques
US20230133908A1 (en) * 2021-10-29 2023-05-04 Qualcomm Incorporated Carrier aggregation for mixed frequency ranges
US20240073118A1 (en) * 2022-08-31 2024-02-29 Mellanox Technologies, Ltd. Method and system to modulate telemetry data
US11924054B1 (en) * 2022-09-27 2024-03-05 Schneider Electric (Australia) Pty Ltd. Managing remote terminal communications

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133190A (zh) * 2016-02-29 2017-09-05 阿里巴巴集团控股有限公司 一种机器学习***的训练方法和训练***
CN108541061A (zh) * 2017-03-02 2018-09-14 三星电子株式会社 用于lte定位的增强参考信号时间差的方法和设备
CN108632963A (zh) * 2018-05-08 2018-10-09 北京理工大学 一种基于多媒体传感器的变粒度特征采样方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7277843B1 (en) * 2002-07-15 2007-10-02 Network Physics Method for real-time auto-detection of outliers
US9787556B2 (en) * 2005-08-19 2017-10-10 Cpacket Networks Inc. Apparatus, system, and method for enhanced monitoring, searching, and visualization of network data
US9743848B2 (en) * 2015-06-25 2017-08-29 Whoop, Inc. Heart rate variability with sleep detection
US9727821B2 (en) * 2013-08-16 2017-08-08 International Business Machines Corporation Sequential anomaly detection
US10602944B2 (en) * 2014-05-08 2020-03-31 Drägerwerk AG & Co. KGaA Detecting artifacts in a signal
US9756112B2 (en) * 2015-02-11 2017-09-05 At&T Intellectual Property I, L.P. Method and system for managing service quality according to network status predictions
CA2915487C (en) * 2015-05-18 2018-09-11 Hochschule Anhalt Method for performing a bandwidth test for comminications from a first network station to a second network station of a communication network and corresponding apparatuses for performing the method steps and corresponding computer program products
US9984141B2 (en) * 2015-08-21 2018-05-29 International Business Machines Corporation Inferring application type based on input-output characteristics of application storage resources
US20180036964A1 (en) * 2016-08-08 2018-02-08 General Electric Company Method and system for inspection of additive manufactured parts
US11151472B2 (en) * 2017-03-31 2021-10-19 At&T Intellectual Property I, L.P. Dynamic updating of machine learning models
CN109347668B (zh) * 2018-10-17 2020-11-06 网宿科技股份有限公司 一种服务质量评估模型的训练方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107133190A (zh) * 2016-02-29 2017-09-05 阿里巴巴集团控股有限公司 一种机器学习***的训练方法和训练***
CN108541061A (zh) * 2017-03-02 2018-09-14 三星电子株式会社 用于lte定位的增强参考信号时间差的方法和设备
CN108632963A (zh) * 2018-05-08 2018-10-09 北京理工大学 一种基于多媒体传感器的变粒度特征采样方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
用于个性化数据挖掘的粗粒度分布式深度学习;盛益强等;《网络新媒体技术》;20161115(第06期);全文 *

Also Published As

Publication number Publication date
EP3909203C0 (en) 2023-07-26
US20210028969A1 (en) 2021-01-28
EP3909203A1 (en) 2021-11-17
EP4221131A1 (en) 2023-08-02
EP3909203A4 (en) 2022-03-09
US11743093B2 (en) 2023-08-29
US20230353440A1 (en) 2023-11-02
WO2020173023A1 (en) 2020-09-03
CN113396562A (zh) 2021-09-14
CN116032781A (zh) 2023-04-28
EP3909203B1 (en) 2023-07-26

Similar Documents

Publication Publication Date Title
CN113396562B (zh) 人工智能增强数据采样
US8665743B2 (en) User behavior model and statistical transition map to assist advanced WLAN applications
CN110176226B (zh) 一种语音识别、及语音识别模型训练方法及装置
Do et al. Where and what: Using smartphones to predict next locations and applications in daily life
US8775573B2 (en) Method and apparatus for localized adaptation of client devices based on correlation or learning at remote server
US10267661B2 (en) Energy efficient mobile context collection
US11246094B2 (en) Mechanism for efficient data reporting in IIoT WSN
Musolesi et al. Supporting energy-efficient uploading strategies for continuous sensing applications on mobile phones
CN105247487B (zh) 用于非平稳数据的凝聚群集的并行方法
JP2019101792A (ja) チャネル状態予測装置、無線通信装置、チャネル状態予測方法、および、プログラム
CN111935747B (zh) 一种采用gru预测无线传感器网络链路质量的方法
Valerio et al. Hypothesis transfer learning for efficient data computing in smart cities environments
US9161294B2 (en) Using motion to optimize place of relevance operations
Suryavansh et al. A data-driven approach to increasing the lifetime of IoT sensor nodes
Yang et al. Power control for body area networks: Accurate channel prediction by lightweight deep learning
US11165648B1 (en) Facilitating network configuration testing
US20170325750A1 (en) Heart rate estimating apparatus, heart rate estimating system and heart rate estimating method
US20160037291A1 (en) Place of relevance determination in a cellular network
CN109314930A (zh) 用户设备中的传感器数据采集
Ouattara et al. Spectrum sensing improvement in cognitive radio networks for real-time patients monitoring
US11126666B2 (en) Temporal clustering of non-stationary data
US11029328B2 (en) Smartphone motion classifier
CN112948763B (zh) 件量预测方法、装置、电子设备及存储介质
US11486960B2 (en) Mobile signal based building footprints
CN117407774B (zh) 一种基于人工智能的交通数据处理方法及***

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