CN114302454A - 一种基于学习策略的5g消息传输方法 - Google Patents
一种基于学习策略的5g消息传输方法 Download PDFInfo
- Publication number
- CN114302454A CN114302454A CN202111346604.8A CN202111346604A CN114302454A CN 114302454 A CN114302454 A CN 114302454A CN 202111346604 A CN202111346604 A CN 202111346604A CN 114302454 A CN114302454 A CN 114302454A
- Authority
- CN
- China
- Prior art keywords
- value
- message
- attribute
- strategy
- learning
- 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.)
- Pending
Links
Images
Landscapes
- Machine Translation (AREA)
Abstract
本发明公开了一种基于学习策略的5G消息传输方法，包括，采集物联网中5G消息配置项参数并进行预处理，得到标识数据集；基于学习策略构建管理传输模型，对所述管理传输模型进行参数微调训练；将所述标识数据集导入训练结束的所述管理传输模型进行优化，输出5G消息最优的有用信息。本发明方法通过预处理清洗、筛选5G消息中的可用信息，结合学习策略将其进一步简化，提高5G消息传输数量和质量，在保障传输效率的同时还提高了信息价值性。
Description
技术领域
本发明涉及5G消息安全传输的技术领域，尤其涉及一种基于学习策略的5G消息传输方法。
背景技术
5G消息，是指在短信的基础上，基于SIM卡打破长度限制、实现文字、图片、音频、视频、位置等信息的传输，帮助企业、商户向精准用户发送活动信息。
当前的5G消息传输打破传统短信长度限制，支持短视频+高清图片+长文字+语音+H5页面的阅读方式；打破传统广告的无效推送，按阅读计费；推送速度快，网关速度可达500条/秒，不需要下载App、免帐号登录5G消息将为企业提供可通过文字、语音、链接等方式向消费者推送活动。
5G消息在继承了传统短信免注册登录、免安装应用等特性的基础上，进一步实现了活动推送、企业推广，然而，面对海量大数据的一次性传输，将会存在流量损失过大、***崩溃、无用信息重复传输、资源浪费以及安全传输的问题，如若不能对5G消息进行简化安全的传输，则势必造成不必要的资源浪费和无法实现安全快速传输的难题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于学习策略的5G消息传输方法，能够解决5G消息传输数量和质量存在的难题。
为解决上述技术问题，本发明提供如下技术方案：包括，采集物联网中5G消息配置项参数并进行预处理，得到标识数据集；基于学习策略构建管理传输模型，对所述管理传输模型进行参数微调训练；将所述标识数据集导入训练结束的所述管理传输模型进行优化，输出5G消息最优的有用信息。
作为本发明所述的基于学习策略的5G消息传输方法的一种优选方案，其中：所述预处理包括，删除所述5G消息配置项参数中的唯一id属性，形成样本数据集；对所述样本数据集进行分类，将同一类别中样本的均值进行插补缺失值；基于特征二元化原则，将所述插补缺失值后的数值型的样本属性转换为布尔值的属性，设定阈值，作为划分属性值为0和1的界点；利用数据标准化策略将划分属性后的样本进行归一化处理，得到所述标识数据集。
作为本发明所述的基于学习策略的5G消息传输方法的一种优选方案，其中：所述归一化处理包括，对所述划分属性后的样本分别设定基于属性A的最大值和最小值；将所述属性A的原始值通过最大值和最小值标准化映射在区间[0,1]中的值，得到统一的标记值；
其中，θ为统一的标记值，A为属性，x为A的原始值，max为最大值，min为最小值。
作为本发明所述的基于学习策略的5G消息传输方法的一种优选方案，其中：构建所述管理传输模型包括，
z|y＝0～N(u0,τ)
z|y＝1～N(u1,τ)
其中，z为5G消息属性特征值，y为同类属性随机连续值，τ为协方差矩阵特征均值，B为概率，u为均值向量，
为训练结果为1所占的比例。
作为本发明所述的基于学习策略的5G消息传输方法的一种优选方案，其中：还包括，若y＝0，则所述5G消息属性特征值z＝0，消息属性取值为0，即为无用信息或重复信息；若y＝1，则所述5G消息属性特征值z＝1，消息属性取值为1，即为有用信息。
作为本发明所述的基于学习策略的5G消息传输方法的一种优选方案，其中：所述微调训练包括，
其中，u0为y＝0类信号的特征均值，u1为y＝1类信号的特征均值；调整协方差矩阵特征均值τ，观测τ对所述管理传输模型的取值影响；利用参数微调，得到最佳取值范围。
作为本发明所述的基于学习策略的5G消息传输方法的一种优选方案，其中：还包括，若5G消息两边的y值不同，协方差矩阵却相同，则说明消息属性相同；若5G消息两边的y值不同，均值向量却相同，则说明消息位置不同。
作为本发明所述的基于学习策略的5G消息传输方法的一种优选方案，其中：所述优化包括，在优化过程中使用ECDHE、SM2、SM4、SM3进行信息防护；所述ECDHE生成密钥选用的材料；所述SM2完成数字签名和加密密钥；所述SM4用于通信信道上数据的加密处理；所述SM3用于数据完整性的校验。
作为本发明所述的基于学习策略的5G消息传输方法的一种优选方案，其中：还包括，对优化加密后的信息通道传输进行功率因数计算，
其中，P为有功功率，S为视在功率。
本发明的有益效果：本发明方法通过预处理清洗、筛选5G消息中的可用信息，结合学习策略将其进一步简化，提高5G消息传输数量和质量，在保障传输效率的同时还提高了信息价值性。
附图说明
为了更清楚地说明本发明实施例的技术方案，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它的附图。其中：
图1为本发明一个实施例所述的基于学习策略的5G消息传输方法的流程示意图；
图2为本发明一个实施例所述的基于学习策略的5G消息传输方法的效率对比曲线示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的第一个实施例，提供了一种基于学习策略的5G消息传输方法，包括：
S1：采集物联网中5G消息配置项参数并进行预处理，得到标识数据集。其中需要说明的是，预处理包括：
删除5G消息配置项参数中的唯一id属性，形成样本数据集；
对样本数据集进行分类，将同一类别中样本的均值进行插补缺失值；
基于特征二元化原则，将插补缺失值后的数值型的样本属性转换为布尔值的属性，设定阈值，作为划分属性值为0和1的界点；
利用数据标准化策略将划分属性后的样本进行归一化处理，得到标识数据集。
进一步的，归一化处理包括：
对划分属性后的样本分别设定基于属性A的最大值和最小值；
将属性A的原始值通过最大值和最小值标准化映射在区间[0,1]中的值，得到统一的标记值；
其中，θ为统一的标记值，A为属性，x为A的原始值，max为最大值，min为最小值。
S2：基于学习策略构建管理传输模型，对管理传输模型进行参数微调训练。本步骤需要说明的是，构建管理传输模型包括：
z|y＝0～N(u0,τ)
z|y＝1～N(u1,τ)
其中，z为5G消息属性特征值，y为同类属性随机连续值，τ为协方差矩阵特征均值，B为概率，u为均值向量，
为训练结果为1所占的比例；
若y＝0，则5G消息属性特征值z＝0，消息属性取值为0，即为无用信息或重复信息；
若y＝1，则5G消息属性特征值z＝1，消息属性取值为1，即为有用信息。
具体的，微调训练包括：
其中，u0为y＝0类信号的特征均值，u1为y＝1类信号的特征均值；
调整协方差矩阵特征均值τ，观测τ对管理传输模型的取值影响；
利用参数微调，得到最佳取值范围；
若5G消息两边的y值不同，协方差矩阵却相同，则说明消息属性相同；
若5G消息两边的y值不同，均值向量却相同，则说明消息位置不同。
S3：将标识数据集导入训练结束的管理传输模型进行优化，输出5G消息最优的有用信息。其中还需要说明的是，优化包括：
在优化过程中使用ECDHE、SM2、SM4、SM3进行信息防护；
ECDHE生成密钥选用的材料；
SM2完成数字签名和加密密钥；
SM4用于通信信道上数据的加密处理；
SM3用于数据完整性的校验；
对优化加密后的信息通道传输进行功率因数计算，
其中，P为有功功率，S为视在功率。
优选地，本发明通过预处理清洗、筛选5G消息中的可用信息，结合学习策略将其进一步简化，提高5G消息传输数量和质量，在保障传输效率的同时还提高了信息价值性。
实施例2
参照图2，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于学习策略的5G消息传输方法的测试对比，具体包括：
为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的4G传输方法与本发明方法进行对比测试，与科学论证的手段对比试验结果，以验证本发明方法所具有的真实效果。
传统的4G传输方法无法有效过滤无用信息和重复信息，造成不必要的资源浪费，且占居通信通道的消息传输位置，影响传输效率和质量，为验证本发明方法相对于传统方法具有更高的传输效率和质量，本实施例中将采用传统的4G传输方法与本发明方法分别对仿真平台的数据传输进行实时测试对比。
测试环境：将2020年8月至12月间的长江中下游地区电信网络用户数据信息整理导入仿真平台模拟通信运行场景，分别利用传统方法的4G网络传输操作进行消息传输测试并获得测试结果数据，采用本发明方法，则预处理测试数据样本，再导入管理传输模型运行代码进行处理，运用MATLB实现仿真测试，根据实验结果获得仿真数据，每种方法各测试10000组，计算获得每组数据的时间，与仿真模拟输入的实际预测值进行误差对比计算。
参照图2，实线为本发明方法输出的曲线，虚线为传统方法输出的曲线，根据图2的示意，能够直观的看出，实线与虚线随着时间的增加，呈现不同的走势，实线相较于虚线，在前期一直呈稳定的上升趋势，虽然后期有所下滑，但是波动不大，且一直在虚线的上方，并保持一定的距离，而虚线则呈现较大的波动趋势，不稳定，由此，实线的计算效率一直大于虚线，即验证了本发明方法所具有的真实效果。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于学习策略的5G消息传输方法，其特征在于：包括，
采集物联网中5G消息配置项参数并进行预处理，得到标识数据集；
基于学习策略构建管理传输模型，对所述管理传输模型进行参数微调训练；
将所述标识数据集导入训练结束的所述管理传输模型进行优化，输出5G消息最优的有用信息。
2.根据权利要求1所述的基于学习策略的5G消息传输方法，其特征在于：所述预处理包括，
删除所述5G消息配置项参数中的唯一id属性，形成样本数据集；
对所述样本数据集进行分类，将同一类别中样本的均值进行插补缺失值；
基于特征二元化原则，将所述插补缺失值后的数值型的样本属性转换为布尔值的属性，设定阈值，作为划分属性值为0和1的界点；
利用数据标准化策略将划分属性后的样本进行归一化处理，得到所述标识数据集。
3.根据权利要求2所述的基于学习策略的5G消息传输方法，其特征在于：所述归一化处理包括，
对所述划分属性后的样本分别设定基于属性A的最大值和最小值；
将所述属性A的原始值通过最大值和最小值标准化映射在区间[0,1]中的值，得到统一的标记值；
其中，θ为统一的标记值，A为属性，x为A的原始值，max为最大值，min为最小值。
4.根据权利要求2或3所述的基于学习策略的5G消息传输方法，其特征在于：构建所述管理传输模型包括，
z|y＝0～N(u0,τ)
z|y＝1～N(u1,τ)
其中，z为5G消息属性特征值，y为同类属性随机连续值，τ为协方差矩阵特征均值，B为概率，u为均值向量，
为训练结果为1所占的比例。
5.根据权利要求4所述的基于学习策略的5G消息传输方法，其特征在于：还包括，
若y＝0，则所述5G消息属性特征值z＝0，消息属性取值为0，即为无用信息或重复信息；
若y＝1，则所述5G消息属性特征值z＝1，消息属性取值为1，即为有用信息。
6.根据权利要求5所述的基于学习策略的5G消息传输方法，其特征在于：所述微调训练包括，
其中，u0为y＝0类信号的特征均值，u1为y＝1类信号的特征均值；
调整协方差矩阵特征均值τ，观测τ对所述管理传输模型的取值影响；
利用参数微调，得到最佳取值范围。
7.根据权利要求6所述的基于学习策略的5G消息传输方法，其特征在于：还包括，
若5G消息两边的y值不同，协方差矩阵却相同，则说明消息属性相同；
若5G消息两边的y值不同，均值向量却相同，则说明消息位置不同。
8.根据权利要求7所述的基于学习策略的5G消息传输方法，其特征在于：所述优化包括，
在优化过程中使用ECDHE、SM2、SM4、SM3进行信息防护；
所述ECDHE生成密钥选用的材料；
所述SM2完成数字签名和加密密钥；
所述SM4用于通信信道上数据的加密处理；
所述SM3用于数据完整性的校验。
9.根据权利要求8所述的基于学习策略的5G消息传输方法，其特征在于：还包括，
对优化加密后的信息通道传输进行功率因数计算，
其中，P为有功功率，S为视在功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111346604.8A CN114302454A (zh) | 2021-11-15 | 2021-11-15 | 一种基于学习策略的5g消息传输方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111346604.8A CN114302454A (zh) | 2021-11-15 | 2021-11-15 | 一种基于学习策略的5g消息传输方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114302454A true CN114302454A (zh) | 2022-04-08 |
Family
ID=80964007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111346604.8A Pending CN114302454A (zh) | 2021-11-15 | 2021-11-15 | 一种基于学习策略的5g消息传输方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114302454A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114125734A (zh) * | 2021-11-29 | 2022-03-01 | 杭州天翼智慧城市科技有限公司 | 5g消息传输方法及*** |
-
2021
- 2021-11-15 CN CN202111346604.8A patent/CN114302454A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114125734A (zh) * | 2021-11-29 | 2022-03-01 | 杭州天翼智慧城市科技有限公司 | 5g消息传输方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10999233B2 (en) | Scalable message fidelity | |
| US11212246B2 (en) | Messaging platform communication processing using message cluster detection and categorization | |
| CN108877839B (zh) | 基于语音语义识别技术的语音质量感知评估的方法及*** | |
| CN106254220B (zh) | 即时通讯群组的管理方法及装置 | |
| CA3145505C (en) | Staged information exchange facilitated by content-addressable records indexed to pseudonymous identifiers by a tamper-evident data structure | |
| CN114302454A (zh) | 一种基于学习策略的5g消息传输方法 | |
| Li et al. | Dynamic spectrum access for internet-of-things based on federated deep reinforcement learning | |
| WO2023065640A1 (zh) | 一种模型参数调整方法、装置、电子设备和存储介质 | |
| Fan et al. | Machine learning based quantitative association rule mining method for evaluating cellular network performance | |
| Husnjak et al. | Data Traffic Offload from Mobile to Wi‐Fi Networks: Behavioural Patterns of Smartphone Users | |
| WO2020114282A1 (zh) | SerDes参数筛选方法、装置、***及可读存储介质 | |
| CN115113821B (zh) | 基于量子加密的5g大数据算力服务*** | |
| CN113033209B (zh) | 文本关系抽取方法、装置、存储介质及计算机设备 | |
| CN114125734B (zh) | 5g消息传输方法及*** | |
| CN112307075B (zh) | 用户关系识别方法及装置 | |
| Lu et al. | User preference aware lossless data compression at the edge | |
| CN110011929A (zh) | 一种改善网络拥塞现象的分布式预测控制方法 | |
| CN112100241B (zh) | 一种基于主题的社交网络动态影响力最大化方法 | |
| CN116611536B (zh) | 模型训练方法及装置、电子设备及存储介质 | |
| Ariansyah et al. | Identifying key issues of 5g adoption in indonesia | |
| Hassan et al. | Modern Ontology and Deep Analysis of Global Social Networks Exploitation. | |
| Soleimani Sasani | Evaluation of Strategies of Tencent China Holding in Creating Social Media; Emphasizing the study of | |
| Kazıklı | Signaling and Information Games with Subjective Costs or Priors and Privacy Constraints | |
| CN113115337A (zh) | 一种基于mimo的5g多模终端传输控制方法及装置 | |
| Dömeke | A Media Caching Approach Utilizing Social Groups Information in 5G Edge Networks |
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 |