CN117725489B - 边缘计算的业务流感知方法、装置和电子设备 - Google Patents
边缘计算的业务流感知方法、装置和电子设备 Download PDFInfo
- Publication number
- CN117725489B CN117725489B CN202410172653.1A CN202410172653A CN117725489B CN 117725489 B CN117725489 B CN 117725489B CN 202410172653 A CN202410172653 A CN 202410172653A CN 117725489 B CN117725489 B CN 117725489B
- Authority
- CN
- China
- Prior art keywords
- service
- gating
- sample
- service type
- stream
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000013598 vector Substances 0.000 claims abstract description 116
- 230000008447 perception Effects 0.000 claims abstract description 104
- 238000000605 extraction Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 25
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000007796 conventional method Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Abstract
本发明提供一种边缘计算的业务流感知方法、装置和电子设备，属于人工智能技术领域。方法包括：获取业务流；对业务流进行特征提取，得到特征向量；将特征向量输入至业务类型感知模型，得到业务类型感知模型输出的业务流的业务类型感知结果；基于业务类型感知结果对业务流分配对应的算力资源和通信资源；其中，快速门控循环单元的输出值是基于更新门和中间状态计算的，中间状态和更新门，分别是基于前一个快速门控循环单元的隐藏层输出值和输入至当前快速门控循环单元的特征参数计算得到的；业务类型感知模型是基于样本业务流经过特征提取的样本特征向量训练得到的。本发明用以解决现有方法无法如何实现面向边缘计算的低复杂性的业务感知的缺陷。
Description
技术领域
本发明涉及人工智能技术领域，具体地涉及一种边缘计算的业务流感知方法、一种边缘计算的业务流感知装置和一种电子设备。
背景技术
配电物联网的边缘计算必须满足多样化、差异化电力业务大量接入对高实时性、高效性以及高准确性的要求。配电物联网所面临的业务日益复杂多样，为了获得较好的业务质量（QoS，Quality of Service），对所接入的业务识别并优化业务区分处理的支持能力是提高配电物联网诸多业务QoS的先决条件。
业务感知识别技术从早期的端口识别法、深度包流检测法到基于机器学习的方法。端口识别法往往由于端口号的变化导致识别准确度不高。为了解决端口方法的局限性，通过应用层和载荷等的深度包流检测法为业务流识别提供了新方法。深度包流检测法通过检测数据包的内容进行分类识别，根据已知业务流的特征模式进行分类处理。深度包流检测法具有识别精度高、业务颗粒度小等优点，但是电力物联网业务协议日趋多样化导致实时分类计算复杂度高，甚至某些采用加密的业务数据包，识别处理的时延更长。这导致深度包流检测法在边缘计算设备的异构多源业务接入与处理受到了极大的限制。而传统神经网络算法在一定程度上存在运算量较大的问题，难以在算力有限的边缘计算条件下实现快速的业务分类识别运算。
因此，如何实现面向边缘计算的低复杂性的业务感知成为亟待解决的问题。
发明内容
本发明实施例的目的是提供一种边缘计算的业务流感知方法、一种边缘计算的业务流感知装置和一种电子设备，用以解决现有方法无法如何实现面向边缘计算的低复杂性的业务感知的缺陷。
为了实现上述目的，本发明实施例提供一种边缘计算的业务流感知方法，包括：
获取业务流；
对所述业务流进行特征提取，得到特征向量；所述特征向量包括所述业务流的多个特征参数；
将所述特征向量输入至业务类型感知模型，得到所述业务类型感知模型输出的所述业务流的业务类型感知结果；
基于所述业务类型感知结果对所述业务流分配对应的算力资源和通信资源；
其中，所述业务类型感知模型基于多个快速门控循环单元对业务流的所有特征参数进行业务类型感知，快速门控循环单元的输出值是基于该快速门控循环单元的更新门和中间状态计算的，快速门控循环单元的中间状态和更新门分别是基于前一个快速门控循环单元的隐藏层输出值和输入至当前快速门控循环单元的特征参数计算得到的；所述业务类型感知模型是基于样本业务流经过特征提取的样本特征向量训练得到的。
可选的，所述业务类型感知模型包括输入层，快速门控循环单元层和输出层；
所述快速门控循环单元层包括与业务流的特征参数的数量对应的多个快速门控循环单元组；其中，每个快速门控循环单元组包括多个级联的快速门控循环单元；
每个快速门控循环单元的中间状态和更新门，分别是基于前一个快速门控循环单元的隐藏层输出值、输入至当前快速门控循环单元的特征参数、当前快速门控循环单元的更新门的权重系数、当前快速门控循环单元的中间状态的权重系数以及偏移量计算得到的。
可选的，每个快速门控循环单元的更新门、中间状态和输出值通过以下公式表示：
；
；
；
其中，y k-1表示前一个快速门控循环单元的隐藏层输出值，x k表示输入至当前快速门控循环单元输入的业务流的特征参数，σ表示Sigmoid函数，tanh表示tanh函数，z k表示快速门控循环单元的更新门，y ’ k表示经过更新的中间状态，y k表示当前快速门控循环单元的输出值，U z表示更新门的权重系数，W y表示中间状态的权重系数，b z表示偏移量，k表示第k个业务流。
可选的，所述业务类型感知模型是基于以下步骤训练得到的：
重复执行以下步骤直至所述业务类型感知模型相邻两次计算的输出值的差值小于设定阈值：
获取样本业务流；
对所述样本业务流进行特征提取，得到样本特征向量；
将所述样本特征向量输入至所述业务类型感知模型，得到样本业务类型感知结果；
计算所述样本业务类型感知结果与所述业务类型感知模型前次计算的输出值的差值；
其中，所述业务类型感知模型的快速门控循环单元在样本特征向量持续输入n次的输出值通过以下公式表示：
；
；
表示快速门控循环单元在第k+1个样本特征向量，持续输入n次的输出值；表示快速门控循环单元在第k+1个样本特征向量，持续输入n-1次的更新门；/>表示快速门控循环单元在第k个样本特征向量，持续输入n次的输出值；/>表示快速门控循环单元在第k+1个样本特征向量，持续输入n次的中间状态；/>表示快速门控循环单元在第k+1个样本特征向量第0次输入时的输出初始值。
可选的，所述对所述业务流进行特征提取，得到特征向量，包括：
提取所述业务流中设定数量的数据包作为业务子流；
对所述业务子流进行特征提取，得到特征向量；所述特征向量包括所述业务子流的多个特征参数。
可选的，所述多个特征参数包括：业务子流中最大数据包的数据量、业务子流中最小数据包的数据量、业务子流中数据包的平均数据量、业务子流中数据包的平均到达时间、业务子流中数据包的到达时间间隔均值、业务子流的总数据量、业务子流的持续时间以及业务子流的标志位中的至少两种。
另一方面，本发明实施例还提供一种边缘计算的业务流感知装置，包括：
业务接入模块，用于获取业务流；
业务特征提取模块，用于对所述业务流进行特征提取，得到特征向量；所述特征向量包括所述业务流的多个特征参数；
业务识别模块，用于将所述特征向量输入至业务类型感知模型，得到所述业务类型感知模型输出的所述业务流的业务类型感知结果；
业务流调度模块，用于基于所述业务类型感知结果对所述业务流分配对应的算力资源和通信资源；
其中，所述业务类型感知模型基于多个快速门控循环单元对业务流的所有特征参数进行业务类型感知，所述快速门控循环单元的输出值是基于该快速门控循环单元的更新门和中间状态计算的，该快速门控循环单元的中间状态和所述更新门，分别是基于前一个快速门控循环单元的隐藏层输出值和输入至当前快速门控循环单元的特征参数计算得到的；所述业务类型感知模型是基于样本业务流经过特征提取的样本特征向量训练得到的。
可选的，所述业务类型感知模型包括输入层，快速门控循环单元层和输出层；
所述快速门控循环单元层包括与业务流的特征参数的数量对应的多个快速门控循环单元组；其中，每个快速门控循环单元组包括多个级联的快速门控循环单元；
每个快速门控循环单元的中间状态和更新门分别是基于前一个快速门控循环单元的隐藏层输出值、输入至当前快速门控循环单元的特征参数、当前快速门控循环单元的更新门的权重系数、当前快速门控循环单元的中间状态的权重系数以及偏移量计算得到的。
可选的，每个快速门控循环单元的更新门、中间状态和输出值通过以下公式表示：
；
；
；
其中，y k-1表示前一个快速门控循环单元的隐藏层输出值，x k表示输入至当前快速门控循环单元输入的业务流的特征参数，σ表示Sigmoid函数，tanh表示tanh函数，z k表示快速门控循环单元的更新门，y ’ k表示经过更新的中间状态，y k表示当前快速门控循环单元的输出值，U z表示更新门的权重系数，W y表示中间状态的权重系数，b z表示偏移量，k表示第k个业务流。
可选的，所述边缘计算的业务流感知装置还包括业务感知训练模块，所述业务感知训练模块是基于以下步骤训练得到业务类型感知模型的：
重复执行以下步骤直至所述业务类型感知模型相邻两次计算的输出值的差值小于设定阈值：
获取样本业务流；
对所述样本业务流进行特征提取，得到样本特征向量；
将所述样本特征向量输入至所述业务类型感知模型，得到样本业务类型感知结果；
计算所述样本业务类型感知结果与所述业务类型感知模型前次计算的输出值的差值；
其中，所述业务类型感知模型的快速门控循环单元在样本特征向量持续输入n次的输出值通过以下公式表示：
；
；
表示快速门控循环单元在第k+1个样本特征向量，持续输入n次的输出值；表示快速门控循环单元在第k+1个样本特征向量，持续输入n-1次的更新门；/>表示快速门控循环单元在第k个样本特征向量，持续输入n次的输出值；/>表示快速门控循环单元在第k+1个样本特征向量，持续输入n次的中间状态；/>表示快速门控循环单元在第k+1个样本特征向量第0次输入时的输出初始值。
可选的，所述对所述业务流进行特征提取，得到特征向量，包括：
提取所述业务流中设定数量的数据包作为业务子流；
对所述业务子流进行特征提取，得到特征向量；所述特征向量包括所述业务子流的多个特征参数。
可选的，所述多个特征参数包括：业务子流中最大数据包的数据量、业务子流中最小数据包的数据量、业务子流中数据包的平均数据量、业务子流中数据包的平均到达时间、业务子流中数据包的到达时间间隔均值、业务子流的总数据量、业务子流的持续时间以及业务子流的标志位中的至少两种。
另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述边缘计算的业务流感知方法。
另一方面，本发明还提供一种机器可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述边缘计算的业务流感知方法。
通过上述技术方案，本发明实施例的业务类型感知模型基于多个快速门控循环单元对业务流的所有特征参数进行业务类型感知，由于快速门控循环单元的输出值是基于该快速门控循环单元的更新门和中间状态计算的。其中，中间状态和更新门，分别是基于前一个快速门控循环单元的隐藏层输出值和输入至当前快速门控循环单元的特征参数计算得到的。从而本发明实施例的快速门控循环单元省略了传统的门控循环单元中重置门的计算，通过轻量化的快速门控循环单元的结构，实现在对业务流的所有特征参数进行业务类型感知时降低运算复杂度，从而提高边缘计算的业务分类识别速度。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明提供的边缘计算的业务流感知方法的流程示意图；
图2是本发明提供的业务类型感知模型的结构示意图；
图3是本发明提供的快速门控循环单元的结构示意图；
图4是本发明提供的边缘计算的业务流感知装置的结构示意图之一；
图5是本发明提供的边缘计算的业务流感知装置的结构示意图之二；
图6是本发明提供的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
方法实施例
请参照图1，本发明实施例提供一种边缘计算的业务流感知方法，包括：
步骤100、获取业务流。
用于边缘计算的电子设备获取业务流。其中业务流可以是用电信息采集数据、配电监测数据或传感器上报数据等多种业务的数据流。
步骤200、对所述业务流进行特征提取，得到特征向量；所述特征向量包括所述业务流的多个特征参数。
电子设备对业务流进行特征提取，得到特征向量；所述特征向量包括所述业务流的多个特征参数。在一个实施例中，为了提高业务流的识别速度。可提取业务流中的部分数据（即业务子流）进行特征提取，得到特征向量。即步骤200、对所述业务流进行特征提取，得到特征向量，包括：提取所述业务流中设定数量的数据包作为业务子流；对所述业务子流进行特征提取，得到特征向量。
例如，电子设备可提取业务流中的前5个数据包构成业务子流，并对这5个数据包进行特征参数的统计提取，得到特征向量。所述特征向量包括所述业务子流的多个特征参数。其中所述多个特征参数包括：业务子流中最大数据包的数据量、业务子流中最小数据包的数据量、业务子流中数据包的平均数据量、业务子流中数据包的平均到达时间、业务子流中数据包的到达时间间隔均值、业务子流的总数据量、业务子流的持续时间以及业务子流的标志位中的至少两种。
为了全面地对业务子流进行特征提取，提高对业务子流进行业务类型感知的准确性。在一个实施例中，特征向量中的多个特征参数包括：业务子流中最大数据包的数据量x 1、业务子流中最小数据包的数据量x 2、业务子流中数据包的平均数据量x 3、业务子流中数据包的平均到达时间x 4、业务子流中数据包的到达时间间隔均值x 5、业务子流的总数据量x 6、业务子流的持续时间x 7以及业务子流的标志位x 8。业务子流的特征向量X i通过以下公式表示：
。
步骤300、将所述特征向量输入至业务类型感知模型，得到所述业务类型感知模型输出的所述业务流的业务类型感知结果。
电子设备将所述特征向量输入至业务类型感知模型，得到所述业务类型感知模型输出的所述业务流的业务类型感知结果。其中，所述业务类型感知模型基于多个快速门控循环单元对业务流的所有特征参数进行业务类型感知，所述快速门控循环单元的输出值是基于该快速门控循环单元的更新门和中间状态计算的。该快速门控循环单元的中间状态和所述更新门，分别是基于前一个快速门控循环单元的隐藏层输出值和输入至当前快速门控循环单元的特征参数计算得到的。所述业务类型感知模型是基于样本业务流经过特征提取的样本特征向量训练得到的。
需要说明的是，本发明实施例的快速门控循环单元的输入值并非时间序列参数，而是业务子流的特征参数值（即不具备时序特性）。
步骤400、基于所述业务类型感知结果对所述业务流分配对应的算力资源和通信资源。
电子设备基于所述业务类型感知结果对所述业务流分配对应的算力资源和通信资源。即电子设备根据业务类型感知结果，对业务流队列进行控制和调度，为其分配软硬件算力资源和通信资源，实现对所接入的业务流的识别并优化业务区分处理的支持能力。
本发明实施例的业务类型感知模型基于多个快速门控循环单元对业务流的所有特征参数进行业务类型感知，由于快速门控循环单元的输出值是基于更新门和中间状态计算的。其中，中间状态和更新门，分别是基于前一个快速门控循环单元的隐藏层输出值和输入至当前快速门控循环单元的特征参数计算得到的。从而本发明实施例的快速门控循环单元省略了传统的门控循环单元中重置门的计算，通过轻量化的快速门控循环单元的结构，实现在对业务流的所有特征参数进行业务类型感知时降低运算复杂度，从而提高边缘计算的业务分类识别速度。
在本发明实施例的其他方面，所述业务类型感知模型包括输入层，快速门控循环单元层和输出层。输入层用于输入业务子流的主要特征参数，在一个实施例中，输入层用于输入业务子流的8个特征参数。即输入层用于输入业务子流的业务子流中最大数据包的数据量x 1、业务子流中最小数据包的数据量x 2、业务子流中数据包的平均数据量x 3、业务子流中数据包的平均到达时间x 4、业务子流中数据包的到达时间间隔均值x 5、业务子流的总数据量x 6、业务子流的持续时间x 7以及业务子流的标志位x 8。输出层对快速门控循环单元层输出的数据，经由SoftMax分类函数得出业务类型感知结果。
快速门控循环单元层包括与业务流的特征参数的数量对应的多个快速门控循环单元组。例如，请参照图2，特征向量具有业务子流的8个特征参数时，快速门控循环单元层包括8个快速门控循环单元组。其中每个快速门控循环单元组包括多个级联的快速门控循环单元。例如在一个实施例中，每个快速门控循环单元组包括5个级联的快速门控循环单元。
每个快速门控循环单元的中间状态和更新门，分别是基于前一个快速门控循环单元的隐藏层输出值、输入至当前快速门控循环单元的特征参数、当前快速门控循环单元的更新门的权重系数、当前快速门控循环单元的中间状态的权重系数以及偏移量计算得到的。本发明实施例的快速门控循环单元的输入值并非时间序列参数，而是业务子流的特征参数值（即不具备时序特性）。本发明实施例的业务类型感知模型基于与业务流的特征参数的数量对应的多个快速门控循环单元组，对业务流的所有特征参数进行业务类型感知，本实施例中的快速门控循环单元省略了传统门控循环单元中重置门的计算，通过轻量化的快速门控循环单元的结构，实现在对业务子流的多个特征参数进行业务类型感知时降低运算复杂度，从而提高边缘计算的业务分类识别速度。
在本发明实施例的其他方面，请参照图3，每个快速门控循环单元的更新门、中间状态和输出值通过以下公式表示：
；
；
；
其中，y k-1表示前一个快速门控循环单元的隐藏层输出值，x k表示输入至当前快速门控循环单元输入的业务流的特征参数，σ表示Sigmoid函数，tanh表示tanh函数，z k表示快速门控循环单元的更新门，y ’ k表示经过更新的中间状态，y k表示当前快速门控循环单元的输出值，U z表示更新门的权重系数，W y表示中间状态的权重系数，b z表示偏移量，k表示第k个业务流。
相比传统的门控循环单元的输入值中使用时间序列参数，本发明实施例中的快速门控循环单元的输入使用业务子流的特征参数值，并且业务子流的特征参数值省略了传统门控循环单元中重置门的计算，通过轻量化的快速门控循环单元的结构，实现在对业务子流的多个特征参数进行业务类型感知时降低运算复杂度，从而提高边缘计算的业务分类识别速度。
在本发明实施例的其他方面，所述业务类型感知模型是基于以下步骤训练得到的：
重复执行以下步骤直至所述业务类型感知模型相邻两次计算的输出值的差值小于设定阈值：
步骤10、获取样本业务流。
电子设备可以从样本数据库模块中获取样本业务流。样本数据库模块存储表征业务流特征的样本业务流。样本数据库模块为业务类型感知模型训练提供数据样本，并从业务类型感知模型获取数据样本以不断充实数据库。
步骤20、对所述样本业务流进行特征提取，得到样本特征向量。
电子设备对样本业务流进行特征提取，得到样本特征向量。具体的，电子设备可提取样本业务流中设定数量的数据包作为样本业务子流，再对样本业务子流进行特征提取，得到特征向量。例如，电子设备可提取样本业务流中的前5个数据包构成样本业务子流，并对这5个数据包进行特征参数的统计提取，得到样本特征向量。样本特征向量包括样本业务子流的多个特征参数。其中所述多个特征参数包括：样本业务子流中最大数据包的数据量、样本业务子流中最小数据包的数据量、样本业务子流中数据包的平均数据量、样本业务子流中数据包的平均到达时间、样本业务子流中数据包的到达时间间隔均值、样本业务子流的总数据量、样本业务子流的持续时间以及样本业务子流的标志位中的至少两种。
在一个实施例中，样本特征向量中的多个特征参数包括：样本业务子流中最大数据包的数据量、样本业务子流中最小数据包的数据量、样本业务子流中数据包的平均数据量、样本业务子流中数据包的平均到达时间、样本业务子流中数据包的到达时间间隔均值、样本业务子流的总数据量、样本业务子流的持续时间以及样本业务子流的标志位。
步骤30、将所述样本特征向量输入至所述业务类型感知模型，得到样本业务类型感知结果。
步骤40、计算所述样本业务类型感知结果与所述业务类型感知模型前次计算的输出值的差值。
电子设备将所述样本特征向量输入至所述业务类型感知模型，得到样本业务类型感知结果，计算所述样本业务类型感知结果与所述业务类型感知模型前次计算的输出值的差值，直至所述业务类型感知模型相邻两次计算的输出值的差值小于设定阈值，此时业务类型感知模型训练结束。即本发明实施例从样本数据库模块持续输入样本业务流，直至快速门控循环单元的输出值趋于稳定，即快速门控循环单元在分类学习过程中保持输入样本不变，最终达到前后迭代计算的差异值最小化。
需要说明的是，设定阈值可根据实际情况设置，在此不具体限定设定阈值的数值。
其中，所述业务类型感知模型的快速门控循环单元在样本特征向量持续输入n次的输出值通过以下公式表示：
；
；
表示快速门控循环单元在第k+1个样本特征向量，持续输入n次的输出值；表示快速门控循环单元在第k+1个样本特征向量，持续输入n-1次的更新门；/>表示快速门控循环单元在第k个样本特征向量，持续输入n次的输出值；/>表示快速门控循环单元在第k+1个样本特征向量，持续输入n次的中间状态；/>表示快速门控循环单元在第k+1个样本特征向量第0次输入时的输出初始值。
电子设备通过将所述样本特征向量输入至所述业务类型感知模型，得到样本业务类型感知结果，计算所述样本业务类型感知结果与所述业务类型感知模型前次计算的输出值的差值，直至所述业务类型感知模型相邻两次计算的输出值的差值小于设定阈值，此时业务类型感知模型训练结束。从而本发明实施例构建基于快速门控循环单元的业务类型感知的模型训练方法，提高业务类型感知模型业务类型感知的准确性。
装置实施例
请参照图4，另一方面，本发明实施例还提供一种边缘计算的业务流感知装置，包括：
业务接入模块401，用于获取业务流；
业务特征提取模块402，用于对所述业务流进行特征提取，得到特征向量；所述特征向量包括所述业务流的多个特征参数；
业务识别模块403，用于将所述特征向量输入至业务类型感知模型，得到所述业务类型感知模型输出的所述业务流的业务类型感知结果；
业务流调度模块404，用于基于所述业务类型感知结果对所述业务流分配对应的算力资源和通信资源；
其中，所述业务类型感知模型基于多个快速门控循环单元对业务流的所有特征参数进行业务类型感知，所述快速门控循环单元的输出值是基于该快速门控循环单元更新门和中间状态计算的，快速门控循环单元中间状态和所述更新门，分别是基于前一个快速门控循环单元的隐藏层输出值和输入至当前快速门控循环单元的特征参数计算得到的；所述业务类型感知模型是基于样本业务流经过特征提取的样本特征向量训练得到的。
可选的，所述业务类型感知模型包括输入层，快速门控循环单元层和输出层；
所述快速门控循环单元层包括与业务流的特征参数的数量对应的多个快速门控循环单元组；其中，每个快速门控循环单元组包括多个级联的快速门控循环单元；
每个快速门控循环单元的中间状态和更新门，分别是基于前一个快速门控循环单元的隐藏层输出值、输入至当前快速门控循环单元的特征参数、当前快速门控循环单元的更新门的权重系数、当前快速门控循环单元的中间状态的权重系数以及偏移量计算得到的。
可选的，每个快速门控循环单元的更新门、中间状态和输出值通过以下公式表示：
；
；
；
其中，y k-1表示前一个快速门控循环单元的隐藏层输出值，x k表示输入至当前快速门控循环单元输入的业务流的特征参数，σ表示Sigmoid函数，tanh表示tanh函数，z k表示快速门控循环单元的更新门，y ’ k表示经过更新的中间状态，y k表示当前快速门控循环单元的输出值，U z表示更新门的权重系数，W y表示中间状态的权重系数，b z表示偏移量，k表示第k个业务流。
可选的，所述边缘计算的业务流感知装置还包括业务感知训练模块405，所述业务感知训练模块405是基于以下步骤训练得到业务类型感知模型的：
重复执行以下步骤直至所述业务类型感知模型相邻两次计算的输出值的差值小于设定阈值：
获取样本业务流；
对所述样本业务流进行特征提取，得到样本特征向量；
将所述样本特征向量输入至所述业务类型感知模型，得到样本业务类型感知结果；
计算所述样本业务类型感知结果与所述业务类型感知模型前次计算的输出值的差值；
其中，所述业务类型感知模型的快速门控循环单元在样本特征向量持续输入n次的输出值通过以下公式表示：
；
；
表示快速门控循环单元在第k+1个样本特征向量，持续输入n次的输出值；表示快速门控循环单元在第k+1个样本特征向量，持续输入n-1次的更新门；/>表示快速门控循环单元在第k个样本特征向量，持续输入n次的输出值；/>表示快速门控循环单元在第k+1个样本特征向量，持续输入n次的中间状态；/>表示快速门控循环单元在第k+1个样本特征向量第0次输入时的输出初始值。
可选的，所述对所述业务流进行特征提取，得到特征向量，包括：
提取所述业务流中设定数量的数据包作为业务子流；
对所述业务子流进行特征提取，得到特征向量；所述特征向量包括所述业务子流的多个特征参数。
可选的，所述多个特征参数包括：业务子流中最大数据包的数据量、业务子流中最小数据包的数据量、业务子流中数据包的平均数据量、业务子流中数据包的平均到达时间、业务子流中数据包的到达时间间隔均值、业务子流的总数据量、业务子流的持续时间以及业务子流的标志位中的至少两种。
请参照图5，所述边缘计算的业务流感知装置还包括样本数据库模块406。样本数据库模块用于存储表征业务流特征的样本业务流，为业务类型感知模型的训练提供数据样本，并从业务识别模块获取数据样本以不断充实数据库。
所述边缘计算的业务流感知装置包括处理器和存储器，上述业务接入模块401、业务特征提取模块402、业务识别模块403、业务流调度模块404和业务感知训练模块405等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行边缘计算的业务流感知方法，该方法包括：获取业务流；对所述业务流进行特征提取，得到特征向量；所述特征向量包括所述业务流的多个特征参数；将所述特征向量输入至业务类型感知模型，得到所述业务类型感知模型输出的所述业务流的业务类型感知结果；基于所述业务类型感知结果对所述业务流分配对应的算力资源和通信资源；其中，所述业务类型感知模型基于多个快速门控循环单元对业务流的所有特征参数进行业务类型感知，所述快速门控循环单元的输出值是基于该快速门控循环单元的更新门和中间状态计算的，快速门控循环单元的中间状态和所述更新门，分别是基于前一个快速门控循环单元的隐藏层输出值和输入至当前快速门控循环单元的特征参数计算得到的；所述业务类型感知模型是基于样本业务流经过特征提取的样本特征向量训练得到的。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面，本发明还提供一种机器可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行边缘计算的业务流感知方法，该方法包括：获取业务流；对所述业务流进行特征提取，得到特征向量；所述特征向量包括所述业务流的多个特征参数；将所述特征向量输入至业务类型感知模型，得到所述业务类型感知模型输出的所述业务流的业务类型感知结果；基于所述业务类型感知结果对所述业务流分配对应的算力资源和通信资源；其中，所述业务类型感知模型基于多个快速门控循环单元对业务流的所有特征参数进行业务类型感知，所述快速门控循环单元的输出值是基于该快速门控循环单元的更新门和中间状态计算的，快速门控循环单元的中间状态和所述更新门，分别是基于前一个快速门控循环单元的隐藏层输出值和输入至当前快速门控循环单元的特征参数计算得到的；所述业务类型感知模型是基于样本业务流经过特征提取的样本特征向量训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种边缘计算的业务流感知方法，其特征在于，包括：
获取业务流；
对所述业务流进行特征提取，得到特征向量；所述特征向量包括所述业务流的多个特征参数；
将所述特征向量输入至业务类型感知模型，得到所述业务类型感知模型输出的所述业务流的业务类型感知结果；
基于所述业务类型感知结果对所述业务流分配对应的算力资源和通信资源；
其中，所述业务类型感知模型基于多个快速门控循环单元对业务流的所有特征参数进行业务类型感知，快速门控循环单元的输出值是基于该快速门控循环单元的更新门和中间状态计算的，快速门控循环单元的中间状态和更新门分别是基于前一个快速门控循环单元的隐藏层输出值和输入至当前快速门控循环单元的特征参数计算得到的；所述业务类型感知模型是基于样本业务流经过特征提取的样本特征向量训练得到的；
所述对所述业务流进行特征提取，得到特征向量，包括：
提取所述业务流中设定数量的数据包作为业务子流；
对所述业务子流进行特征提取，得到特征向量；所述特征向量包括所述业务子流的多个特征参数；
快速门控循环单元的输入值并非时间序列参数，而是不具备时序特性的业务子流的特征参数值。
2.根据权利要求1所述的边缘计算的业务流感知方法，其特征在于，所述业务类型感知模型包括输入层、快速门控循环单元层和输出层；
所述快速门控循环单元层包括与业务流的特征参数的数量对应的多个快速门控循环单元组；其中，每个快速门控循环单元组包括多个级联的快速门控循环单元；
每个快速门控循环单元的中间状态和更新门分别是基于前一个快速门控循环单元的隐藏层输出值、输入至当前快速门控循环单元的特征参数、当前快速门控循环单元的更新门的权重系数、当前快速门控循环单元的中间状态的权重系数以及偏移量计算得到的。
3.根据权利要求2所述的边缘计算的业务流感知方法，其特征在于，
每个快速门控循环单元的更新门、中间状态和输出值通过以下公式表示：
；
；
；
其中，y k-1表示前一个快速门控循环单元的隐藏层输出值，x k表示输入至当前快速门控循环单元的业务流的特征参数，σ表示Sigmoid函数，tanh表示tanh函数，z k表示快速门控循环单元的更新门，y ’ k表示经过更新的中间状态，y k表示当前快速门控循环单元的输出值，U z表示更新门的权重系数，W y表示中间状态的权重系数，b z表示偏移量，k表示第k个业务流。
4.根据权利要求1所述的边缘计算的业务流感知方法，其特征在于，所述业务类型感知模型是基于以下步骤训练得到的：
重复执行以下步骤直至所述业务类型感知模型相邻两次计算的输出值的差值小于设定阈值：
获取样本业务流；
对所述样本业务流进行特征提取，得到样本特征向量；
将所述样本特征向量输入至所述业务类型感知模型，得到样本业务类型感知结果；
计算所述样本业务类型感知结果与所述业务类型感知模型前次计算的输出值的差值；
其中，所述业务类型感知模型的快速门控循环单元在样本特征向量持续输入n次的输出值通过以下公式表示：
；
；
表示快速门控循环单元在第k+1个样本特征向量，持续输入n次的输出值；/>表示快速门控循环单元在第k+1个样本特征向量，持续输入n-1次的更新门；/>表示快速门控循环单元在第k个样本特征向量，持续输入n次的输出值；/>表示快速门控循环单元在第k+1个样本特征向量，持续输入n次的中间状态；/>表示快速门控循环单元在第k+1个样本特征向量第0次输入时的输出初始值。
5.根据权利要求1所述的边缘计算的业务流感知方法，其特征在于，所述多个特征参数包括：业务子流中最大数据包的数据量、业务子流中最小数据包的数据量、业务子流中数据包的平均数据量、业务子流中数据包的平均到达时间、业务子流中数据包的到达时间间隔均值、业务子流的总数据量、业务子流的持续时间以及业务子流的标志位中的至少两种。
6.一种边缘计算的业务流感知装置，其特征在于，包括：
业务接入模块，用于获取业务流；
业务特征提取模块，用于对所述业务流进行特征提取，得到特征向量；所述特征向量包括所述业务流的多个特征参数；
业务识别模块，用于将所述特征向量输入至业务类型感知模型，得到所述业务类型感知模型输出的所述业务流的业务类型感知结果；
业务流调度模块，用于基于所述业务类型感知结果对所述业务流分配对应的算力资源和通信资源；
其中，所述业务类型感知模型基于多个快速门控循环单元对业务流的所有特征参数进行业务类型感知，快速门控循环单元的输出值是基于该快速门控循环单元的更新门和中间状态计算的，快速门控循环单元的中间状态和更新门分别是基于前一个快速门控循环单元的隐藏层输出值和输入至当前快速门控循环单元的特征参数计算得到的；所述业务类型感知模型是基于样本业务流经过特征提取的样本特征向量训练得到的；
所述对所述业务流进行特征提取，得到特征向量，包括：
提取所述业务流中设定数量的数据包作为业务子流；
对所述业务子流进行特征提取，得到特征向量；所述特征向量包括所述业务子流的多个特征参数；
快速门控循环单元的输入值并非时间序列参数，而是不具备时序特性的业务子流的特征参数值。
7.根据权利要求6所述的边缘计算的业务流感知装置，其特征在于，所述业务类型感知模型包括输入层、快速门控循环单元层和输出层；
所述快速门控循环单元层包括与业务流的特征参数的数量对应的多个快速门控循环单元组；其中，每个快速门控循环单元组包括多个级联的快速门控循环单元；
每个快速门控循环单元的中间状态和更新门分别是基于前一个快速门控循环单元的隐藏层输出值、输入至当前快速门控循环单元的特征参数、当前快速门控循环单元的更新门的权重系数、当前快速门控循环单元的中间状态的权重系数以及偏移量计算得到的。
8.根据权利要求7所述的边缘计算的业务流感知装置，其特征在于，每个快速门控循环单元的更新门、中间状态和输出值通过以下公式表示：
；
；
；
其中，y k-1表示前一个快速门控循环单元的隐藏层输出值，x k表示输入至当前快速门控循环单元的业务流的特征参数，σ表示Sigmoid函数，tanh表示tanh函数，z k表示快速门控循环单元的更新门，y ’ k表示经过更新的中间状态，y k表示当前快速门控循环单元的输出值，U z表示更新门的权重系数，W y表示中间状态的权重系数，b z表示偏移量，k表示第k个业务流。
9.根据权利要求6所述的边缘计算的业务流感知装置，其特征在于，所述边缘计算的业务流感知装置还包括业务感知训练模块，所述业务感知训练模块是基于以下步骤训练得到业务类型感知模型的：
重复执行以下步骤直至所述业务类型感知模型相邻两次计算的输出值的差值小于设定阈值：
获取样本业务流；
对所述样本业务流进行特征提取，得到样本特征向量；
将所述样本特征向量输入至所述业务类型感知模型，得到样本业务类型感知结果；
计算所述样本业务类型感知结果与所述业务类型感知模型前次计算的输出值的差值；
其中，所述业务类型感知模型的快速门控循环单元在样本特征向量持续输入n次的输出值通过以下公式表示：
；
；
表示快速门控循环单元在第k+1个样本特征向量，持续输入n次的输出值；/>表示快速门控循环单元在第k+1个样本特征向量，持续输入n-1次的更新门；/>表示快速门控循环单元在第k个样本特征向量，持续输入n次的输出值；/>表示快速门控循环单元在第k+1个样本特征向量，持续输入n次的中间状态；/>表示快速门控循环单元在第k+1个样本特征向量第0次输入时的输出初始值。
10.根据权利要求6所述的边缘计算的业务流感知装置，其特征在于，所述多个特征参数包括：业务子流中最大数据包的数据量、业务子流中最小数据包的数据量、业务子流中数据包的平均数据量、业务子流中数据包的平均到达时间、业务子流中数据包的到达时间间隔均值、业务子流的总数据量、业务子流的持续时间以及业务子流的标志位中的至少两种。
11.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至5中任一项所述的边缘计算的业务流感知方法。
12.一种机器可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的边缘计算的业务流感知方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410172653.1A CN117725489B (zh) | 2024-02-07 | 边缘计算的业务流感知方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410172653.1A CN117725489B (zh) | 2024-02-07 | 边缘计算的业务流感知方法、装置和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117725489A CN117725489A (zh) | 2024-03-19 |
| CN117725489B true CN117725489B (zh) | 2024-06-25 |
Family
ID=
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816095A (zh) * | 2019-01-14 | 2019-05-28 | 湖南大学 | 基于改进门控循环神经网络的网络流量预测方法 |
| CN116170384A (zh) * | 2023-04-24 | 2023-05-26 | 北京智芯微电子科技有限公司 | 边缘计算业务感知方法及装置、边缘计算设备 |
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109816095A (zh) * | 2019-01-14 | 2019-05-28 | 湖南大学 | 基于改进门控循环神经网络的网络流量预测方法 |
| CN116170384A (zh) * | 2023-04-24 | 2023-05-26 | 北京智芯微电子科技有限公司 | 边缘计算业务感知方法及装置、边缘计算设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112308158A (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
| CN113515351B (zh) | 一种基于能耗与QoS协同优化的资源调度实现方法 | |
| CN111026548B (zh) | 一种逆向深度强化学习的电力通信设备测试资源调度方法 | |
| CN110532880B (zh) | 样本筛选及表情识别方法、神经网络、设备及存储介质 | |
| CN113128671B (zh) | 一种基于多模态机器学习的服务需求动态预测方法及*** | |
| CN111368920A (zh) | 基于量子孪生神经网络的二分类方法及其人脸识别方法 | |
| CN111259397B (zh) | 一种基于马尔科夫图和深度学习的恶意软件分类方法 | |
| CN113989556B (zh) | 一种小样本医学影像分类方法和*** | |
| CN110852417B (zh) | 面向物联网应用的单深度神经网络模型鲁棒性提升方法 | |
| CN115118653A (zh) | 一种基于多任务学习的实时业务流量分类方法及*** | |
| CN111641598A (zh) | 一种基于宽度学习的入侵检测方法 | |
| Munir et al. | Fedprune: Towards inclusive federated learning | |
| WO2020024444A1 (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
| Xu et al. | Optimizing federated learning on device heterogeneity with a sampling strategy | |
| CN115562940A (zh) | 负载能耗监控方法、装置、介质及电子设备 | |
| CN110351303B (zh) | 一种DDoS特征提取方法及装置 | |
| CN114726802A (zh) | 一种基于不同数据维度的网络流量识别方法及装置 | |
| CN117725489B (zh) | 边缘计算的业务流感知方法、装置和电子设备 | |
| CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
| CN117725489A (zh) | 边缘计算的业务流感知方法、装置和电子设备 | |
| CN114979017B (zh) | 基于工控***原始流量的深度学习协议识别方法及*** | |
| CN115225310B (zh) | 基于优化元学习的轻量恶意软件流量检测方法及装置 | |
| Ni et al. | Online performance and power prediction for edge TPU via comprehensive characterization | |
| CN114745335A (zh) | 网络流量的分类、装置、存储介质及电子设备 | |
| CN115002031A (zh) | 基于不平衡数据分布的联邦学习网络流量分类模型训练方法、模型及分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |