申请/专利权人：南京邮电大学

申请日：2023-11-29

公开（公告）日：2024-03-12

公开（公告）号：CN117313004B

主分类号：G06F18/2431

分类号：G06F18/2431;G06F18/214;G06F18/15;G06F18/2415;G06N3/0464;G06N3/047;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.12#授权;2024.01.16#实质审查的生效;2023.12.29#公开

摘要：本发明提出一种在物联网中基于深度学习的QoS流分类方法，该方法步骤包括以下步骤：（1）采集指定网络接口的流数据，对采集的数据包进行过滤，标识和分组每个数据包，并初步判断每个流数据的类型；（2）通过计算每个流数据对应的QoS属性值生成对应的QoS属性矩阵，并对QoS属性矩阵进行归一化处理，将不同特征的值范围统一，以此构建训练样本；（3）将归一化后QoS属性矩阵作为一维CNN模型的输入，以对应QoS流的类别作为输出对CNN模型进行训练；（4）使用网络数据采集工具实时采集流数据，按照步骤（2）计算归一化后的QoS属性矩阵，将归一化后的QoS属性矩阵输入到训练好的CNN模型中进行分类，得到当前时刻QoS流的类别。

主权项：1.一种在物联网中基于深度学习的QoS流分类方法，其特征在于，该方法包括以下步骤：1使用网络数据采集工具采集指定网络接口的流数据，对采集的数据包进行过滤，标识和分组每个数据包，并判断每个流数据的类别；2通过计算每个流数据对应的QoS属性值生成对应的QoS属性矩阵，并对QoS属性矩阵进行归一化处理，将不同特征的值范围统一，以此构建训练样本；3将归一化后QoS属性矩阵作为一维CNN模型的输入，以对应QoS流的类别作为输出对CNN模型进行训练，经过训练得到能够根据归一化后QoS属性矩阵作为输入，识别QoS流所对应的类别的CNN模型；4使用网络数据采集工具实时采集流数据，按照步骤2计算归一化后的QoS属性矩阵，将归一化后的QoS属性矩阵输入到步骤3中训练好的CNN模型中进行分类，得到当前时刻QoS流的类别；步骤2的具体方法如下：2.1计算t时刻端到端延迟：qdet＝Tqt+Ttt+Tpt，Tqt表示t时刻的排队延迟；Ttt表示t时刻的传输延迟；Tpt表示t时刻的传播延迟，所述传输延迟是数据从发送方传输到接收方所需的时间，所述传播延迟是数据在信道中传播所需的时间，排队延迟Qut表示t时刻的平均排队时间，λt表示t时刻数据包进入整个网络的速率，μt表示t时刻sR节点的数据包处理和传输速率，pt表示t时刻SR节点无法及时处理或传输数据包的概率；2.2计算t时刻吞吐量：其中，l表示网络中一个具体的流，表示网络中所有流的集合，Thlt表示t时刻流l的吞吐量；2.3计算t时刻丢包率：其中，Nit表示t时刻丢失的数据包数量，Nst表示t时刻发送的总数据包数量；2.4根据计算得到的端到端延迟、吞吐量、丢包率值生成100个QoS属性矩阵，每个矩阵如下： ，其中，Qt，s表示第t个时刻的第s个QoS属性值，其中：Qt，1＝qdet，Qt，2＝qtht，Qt，3＝qlot，其中，矩阵的第一列表示t时刻端到端延迟的QoS属性值，第二列表示t时刻吞吐量的QoS属性值，第三列表示t时刻丢包率的QoS属性值；2.5将每个QoS属性矩阵进行归一化，对于每个QoS值，归一化公式如下： 其中，Qnt，s表示归一化后的值，Qmint，s表示第s个QoS属性值中的最小值，Qmaxt，s表示第s个QoS属性值中的最大值。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种在物联网中基于深度学习的QoS流分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD