边缘物联设备基于特征因子的网络动态规划方法与流程

本发明涉及物联网领域，具体地说涉及一种边缘物联设备基于特征因子的网络动态规划方法。

背景技术：

1、随着物联网(iot)技术的飞速发展，越来越多的边缘设备被广泛应用于各类场景中，如智能城市、智慧医疗、工业物联网等。这些场景中的边缘设备通常需要处理大量的业务数据，并通过网络进行高效传输。然而，不同场景中的业务特征各异，边缘设备所面临的网络需求和优化目标也不尽相同。传统的网络规划方法通常是根据网络条件以及大概的现有资源进行配置，缺乏对业务数据的细粒度感知，无法根据实际业务需求动态调整网络资源配置。在此背景下，传统的静态网络规划方法无法有效应对动态、多变的物联网环境。

2、物联网场景的复杂性不仅体现在设备数量的增加和数据量的增长，还在于不同业务场景对网络资源的需求具有强烈的差异性。例如，在智慧医疗场景中，涉及个人隐私的敏感数据需要加密通道进行传输；而在智能工厂中，高并发的生产控制数据则要求低延迟和高带宽的保障。这种场景特定的需求使得统一的网络规划策略难以满足不同业务场景下的实时需求。

3、为了解决这一问题，现有的网络管理方法尝试引入机器学习等技术，对网络状态进行预测和优化。然而，这些方法往往依赖大量的历史数据和预先训练的模型，难以在变化迅速的物联网环境中灵活应对。此外，它们也缺乏对场景业务特征的充分考虑，无法根据具体业务需求进行网络资源的个性化分配。

技术实现思路

1、本发明提供的一种将不同场景中的业务需求与网络资源管理紧密结合以提高网络资源利用效率、增强网络安全性、降低通信延迟的边缘物联设备基于特征因子的网络动态规划方法，可至少解决上述技术问题之一。

2、为了解决上述技术问题，本发明采用如下技术方案：边缘物联设备基于特征因子的网络动态规划方法，包括以下步骤：

3、s1、特征因子的提取及权重配比：提取通用特征因子和业务特征因子，并为提取后的特征因子分配权重，完成对网络资源的调度辅助；

4、s2、构建动态规划特征工程模型：基于所述s1所得的所述特征因子构建所述动态规划特征工程模型，所述动态规划特征工程模型采用强化学习模型深度q网络来处理网络动态规划问题，调整并输出最优的网络资源分配策略，使网络资源动态适应业务需求；

5、s3、训练动态规划特征工程模型：基于所述s2所得的所述动态规划特征工程模型，至少利用经验回放机制、q值更新或目标网络中的一项或多项方式进行模型训练；

6、s4、优化动态规划特征工程模型：实时更新输入至所述动态规划特征工程模型中的所述特征因子数据，所述动态规划特征工程模型在网络状态变化或业务需求波动状态下，重新规划网络资源分配，同时在运行过程中逐步优化更新。

7、进一步地，所述s1中，所述通用特征因子用于表征通用业务场景下的通用业务指标，至少包括并发带宽调节因子、响应时延调节因子和连接稳定性因子；

8、所述并发带宽调节因子由业务服务并发数、当前带宽占用率和服务请求速率组成，当系统检测到业务服务并发数增加时，结合当前带宽占用率和服务请求速率，系统实时评估并分配更多的带宽资源给高并发服务，确保数据的流畅传输，避免拥塞和延迟；

9、所述响应时延调节因子与业务服务响应时间、当前网络延迟和当前负载相结合，当业务服务响应时间超过设定阈值时，系统提取当前网络延迟及当前负载的特征，判断是否需要调整路由路径或增加带宽资源，优化网络配置，减少服务响应的延迟；

10、所述连接稳定性因子用于监控网络的稳定性和服务连接的可靠性，由业务服务连接丢失率、数据包丢失率和网络传输错误率组成，当业务服务连接丢失率或数据包丢失率频繁时，系统检测并调整网络的传输策略，以确保关键业务的稳定运行。

11、进一步地，所述s1中，所述业务特诊因子用于表征特定业务场景下的特定业务指标，至少包括数据敏感性因子、实时性需求因子和备间通信的并发数因子；

12、所述数据敏感性因子用于决定数据是否需要通过加密通道传输；

13、所述实时性需求因子用于控制信号的低延迟需求，以确保业务操作的即时响应；

14、所述备间通信的并发数因子用于判断带宽的动态分配需求。

15、进一步地，所述业务特诊因子表征的特定业务场景至少包括智能交通场景、智能医疗场景和智能工厂场景，分别对应的特征因子为交通流量调节因子、医疗数据敏感性因子和生产负荷调节因子；

16、所述交通流量调节因子由实时交通流量、车辆密度和摄像头视频数据帧率组成，在所述智能交通场景中，当交通流量增加时，系统提取该因子进行带宽资源的动态调整，车辆密度和摄像头视频数据帧率共同决定了对带宽的需求，系统通过增加带宽分配，确保视频流的实时性和清晰度，避免因带宽不足导致监控画面延迟或卡顿；

17、所述医疗数据敏感性因子由患者数据敏感性等级、实时监测需求和数据传输指标要求组成，在所述智能医疗场景中，系统提取该因子进行患者数据的敏感性评估，当系统检测出患者数据敏感性等级为高敏感数据时，所述医疗数据敏感性因子触发加密传输策略，并根据实时监测需求，优先分配高带宽和低延迟的网络资源，以确保数据传输指标要求达标；

18、所述生产负荷调节因子与产线设备负载率、实时生产数据量和操作任务优先级相结合，在所述智能工厂场景中，当产线设备负载率增加时，系统提取该因子评估产线设备的实时负载状况和实时生产数据量，确保处于操作任务优先级中的高级别的关键任务满足高带宽和低延迟的网络资源需求。

19、进一步地，所述s1中，所述特征因子的权重配比是通过基于历史数据的多目标优化算法加权线性模型进行调优。

20、进一步地，所述s2进一步包括：

21、s21、数据清洗：在构建所述动态规划特征工程模型之前，对所提取的所述特征因子进行数据预处理，以确保数据的准确性和一致性；

22、数据清洗的操作至少包括丢失数据处理、异常数据过滤和重复数据去除，其中，丢失数据处理是使用平均值或中位数填补缺失数据，异常数据过滤和重复数据去除是通过z-score或基于聚类的方法识别并过滤离群数据；

23、s22、模型构建：所述动态规划特征工程模型的核心是基于所述特征因子的网络动态规划，采用强化学习模型深度q网络处理网络动态规划问题，网络动态规划包括状态空间定义、动作空间定义和奖励机制设计；

24、所述动态规划特征工程模型基于输入的所述特征因子，输出最优的网络资源分配策略，网络资源分配策略包括带宽分配、路由路径选择和传输策略的调整。

25、进一步地，所述s22中，在网络动态规划的场景中，状态空间由包括所述通用特征因子和所述业务特征因子的多个所述特征因子构成，具体状态可以表示为一个向量，该向量至少包含当前的网络状况、网络资源分配情况和业务需求信息；

26、动作空间定义了系统可以采取的各种网络资源分配策略，即针对每个状态而言，强化学习模型深度q网络需要选择网络资源分配策略中的一项策略并赋予一个动作；

27、奖励机制作为网络动态规划的核心部分，定义了每个动作带来的反馈，在网络动态规划的场景中，奖励机制根据以下指标设计：

28、①、若所选动作提高了服务响应速度、降低了延迟或减少了丢包率，则给予正奖励；

29、②、若所选动作优化了带宽利用率或减少了资源浪费，则给予正奖励；

30、③、在敏感数据传输中，确保数据的安全传输可获得额外奖励。

31、进一步地，所述s22中，所述带宽分配是指根据网络中各业务的带宽需求，动态调整边缘设备之间的带宽分配策略，优先为关键任务增加带宽分配；

32、所述路由路径选择是指根据所述特征因子的权重，选择低延迟或高安全性的路由路径，确保数据以最优方式传输；

33、所述传输策略是指决定是否启用加密传输，或选择其他合适的传输方式以保障数据安全性和传输效率。

34、进一步地，所述s3中，经验回放机制是指在每次执行动作后，系统将状态、动作、奖励和下一个状态的元组存储在经验回放池中；

35、q值更新是指每次从经验回放池中随机抽取一批数据进行训练，通过q-learning算法更新q值函数；

36、目标网络是指强化学习模型深度q网络使用的两个神经网络，一个为主网络，用于负责当前的q值预测，另一个为目标网络，用于定期更新以稳定训练过程。

37、进一步地，所述s4进一步包括：

38、s41、实时监控：系统通过部署在边缘设备上的传感器或监测工具，实时采集获取当前网络的特征因子数据，并输入至所述动态规划特征工程模型；

39、s42、实时决策：所述动态规划特征工程模型经过充分训练后，强化学习模型深度q网络实时接收当前状态信息，并基于学习到的策略选择最优动作，当系统监测到网络状态变化或业务需求波动时，强化学习模型深度q网络快速调整网络资源分配以适应新的环境；

40、s43、自我更新：当监测到网络环境或业务需求发生重大变化时，系统将自动根据新的特征因子权重重新规划网络资源分配，通过在线学习算法自适应梯度方法，在运行过程中逐步优化所述动态规划特征工程模型；

41、s44、反馈机制：系统将每一次网络规划的结果与预期目标进行对比，通过反馈机制不断调整模型参数，以确保网络资源的分配始终最优。

42、本发明的有益效果体现在：

43、1、提升网络资源利用率：通过动态调整带宽、路由和传输策略，本发明能够根据实际业务需求合理分配网络资源，最大化网络利用效率，减少拥塞和延迟。

44、2、增强网络安全性：本发明通过对业务数据中的敏感信息进行识别，能够自动选择加密通道进行数据传输，确保数据在传输过程中的安全性，尤其适用于需要隐私保护的场景，如医疗、金融等。

45、3、降低通信延迟与提高服务质量：针对高并发或实时性要求较高的业务场景，本发明可以根据特征因子动态分配带宽和优化路由，保证关键数据的低延迟传输，从而提高用户体验和业务服务质量。

46、4、通用性与自适应性强：本方法适用于不同物联网场景和边缘设备，具备高度的通用性和自适应能力。通过对业务特征的实时感知和灵活的网络规划，本发明能够适应复杂、多变的物联网环境。

47、5、降低能耗与计算开销：通过精准提取和选择关键的特征因子，本发明在保证网络性能的前提下，降低了系统的计算复杂度和通信开销，适用于资源受限的边缘设备。