在一个实施例中，确定由多个学习机器(LM)中的每个LM维护的变量。这些LM被托管于网络中的多个现场区域路由器(FAR)上，并且这些变量在FAR之间是可共享的。计算定义变量之间的相关性的多个相关性值。然后，基于多个相关性值计算FAR集群，以使得所集群的FAR与相关的变量相关联，并且该集群允许所集群的FAR共享其各自的变量。
【技术实现步骤摘要】
【国外来华专利技术】【专利说明】 相关申请 本专利技术要求于2013年2月5日递交、专利技术人为Mermoud等、题为"ACCELERATED LEARNINGBYSHARINGINFORMATIONBETWEENMULTIPLELEARNINGMACHINES" 的美国临时 申请No. 61/761，103和于2013年7月9日递交的美国专利申请No. 13/937,631的优先权， 这两个申请的内容通过引用被合并于此。
本公开总体涉及计算机网络，并且更具体地，涉及在计算机网络内对学习机器的 使用。
技术介绍
低功率和有损网络（LowpowerandLossyNetwork，LLN)(例如，物联网（IoT)网 络）具有大量应用，例如，传感器网络、智能网格、以及智慧城市。LLN面临各种挑战，例如， 有损链路、低带宽、低质量收发机、电池操作、低存储和/或处理能力等。这些网络的挑战性 因大量的节点（大于"经典的"IP网络的数量级）而加重，因此使得路由、服务质量（QoS)、 安全性、网络管理以及流量工程等面临严峻的挑战。 机器学习（ML)关注算法的设计和开发，这些算法作为输入的经验数据（例如，网 络统计信息和状态、以及性能指示符），识别这些数据中复杂的模式，并且根据建模来解决 诸如回归（回归在数学上通常极难解决）之类的复杂问题。一般地，这些模式和模型的计 算之后被用来自动（即，闭环控制）做出决策或帮助做出决策。ML是用来处理很难的问题 (例如，计算机视觉、机器人学、数据挖掘、搜索引擎等）的非常广泛的学科，但最普遍的任 务如下：线性和非线性回归、分类、集群、降维、异常检测、优化、关联规则学习。ML算法中一个非常普遍的模式为使用底层模型M，给定输入数据，其参数被优化 以最小化与M相关联的成本函数。例如，在分类的情景中，模型M可以是直线，其将数据分 成两类，以使得M=a*x+b*y+c，并且成本函数将是被错误分类的点的数目。然后ML算法 包括对参数a、b、c进行调整，以使得被错误分类的点的数目最小。在优化阶段（或学习阶 段）之后，模型M可被很容易地用来对新的数据点进行分类。通常，M是统计模型，并且给 定输入数据，成本函数与M的似然成反比。应当注意，上面的示例是对通常具有较高维的更 加复杂的回归问题的过分简化。 学习机器（LM)是依赖于一个或多个ML算法的计算实体，该一个或多个ML算法用 于执行学习机器尚未被明确编程来执行的任务。具体地，LM能够调整其行为来适应其环境 (即，无需先验配置静态规则的"自适应")。在LLN的情景中，并且更一般地在IoT(或万联 网（InternetofEverything，IoE))的情景中，该能力将非常重要，因为网络将面对变化的 状况和需求，并且网络对于网络运营商的有效管理而言将变得太大。此外，LLN-般可以根 据其所期望的用途和所部署的环境而显著不同。 迄今为止，不论LLN的复杂性的总体水平如何，在"经典的"方法（基于已知的算 法）效率低下的情况下或者当数据量不能由人工处理以在考虑参数的数目的情况下预测 网络行为时，LM尚未普遍用于LLN。【附图说明】 本文的实施例可以通过结合附图参照下文的描述进行更好的理解，其中，相似的 参考标号指示等同地或功能上类似的要素，其中： 图1示出了示例通信网络； 图2示出了示例网络设备/节点； 图3示出了图1的通信网络中的示例有向非循环图（DAG); 图4示出了示例贝叶斯（Bayesian)网络； 图5示出了用于在FAR之间共享信息的示例架构； 图6示出了三个随机变量的示例时间演进；以及 图7示出了用于通过在多个学习机器之间共享信息来加速学习的示例简化过程。【具体实施方式】歷 根据本公开的一个或多个实施例，示出并描述了与通过在多个学习机器之间共享 信息来加速学习有关的技术。在一个实施例中，确定由多个学习机器（LM)中的每个学习机 器维护的变量。LM被托管于网络中的多个现场区域路由器（FAR)上，并且变量在FAR之间 是可共享的。计算定义变量之间的相关性的多个相关性值。然后，基于多个相关性值来计 算FAR集群，以使得所集群的FAR与相关的变量相关联，并且该集群允许所集群的FAR共享 其各自的变量。【具体实施方式】 计算机网络是在地理上分布的节点的集合，这些节点通过分段和通信链路进行互 连，以在端节点（例如，个人计算机和工作站或其他设备（例如，传感器等））之间传输数 据。从局域网（LAN)到广域网（WAN)的范围内的许多类型的网络是可用的。LAN通常通过 位于大致相同的物理位置（例如，建筑物或校园）的专用私有通信链路来连接节点。另一方 面，WAN-般通过长距离通信链路（例如，公共载波电话线、光学光路、同步光网络（S0NET)、 同步数字体系（SDH)链路或诸如IEEE61334、IEEEP1901. 2等的电线通信（PLC))来连接地 理上分散的节点。此外，移动Ad-Hoc网络（MANET)是一种无线ad-hoc网络，其一般被认为 是由无线链路连接的移动路由器（以及相关联的主机）的自配置网络，它们的联合形成了 任意的拓扑结构。 具体地，智能对象网络（例如，传感器网络）是具有空间分布的自主设备（例如， 传感器、致动器等）的特定类型的网络，这些自主设备以合作的方式监控不同位置处的物 理或环境状况，例如，能量/电力消耗、资源消耗（例如，对于高级的测量仪器或"AMI"应用 而言，水/气等）、温度、压力、振动、声音、辐射、运动、污染等。其他类型的智能对象包括例 如负责开启/关闭引擎或执行任何其他动作的致动器。传感器网络（一种类型的智能对象 网络）是典型的共享介质网络，例如，无线或PLC网络。也就是说，除了一个或多个传感器， 传感器网络中的每个传感器设备（节点）一般可以装备有无线电收发机或其他通信端口 (例如，PLC、微控制器以及诸如电池之类的能量源）。通常，智能对象网络被看作现场区域 网络（FAN)、邻居区域网络（NAN)、个人区域网络（PAN)等。一般地，智能对象节点（例如， 传感器）上的大小和成本约束导致对诸如能量、存储器、计算速度以及带宽之类的资源的 相应约束。 图1是示例计算机网络100的示意性框图，其说明性地包括通过各种通信方法进 行互连的节点/设备110 (例如，如所示出的标签，"根"、"11"、"12"…"45"以及下面图2 中所描述的）。例如，链路105可以是有线链路或共享介质（例如，无线链路、PLC链路等）， 其中，诸如路由器、传感器、计算机之类的某些节点110可以例如基于距离、信号强度、当前 的操作状态、位置等与其他节点110进行通信。说明性的根节点（例如，FAN的现场区域路 由器（FAR))可以通过WAN130与局部网络互连，其可以容纳一个或多个其他相关的设备， 例如，管理设备或服务器150 (例如，网络管理服务器（NMS)、动态主机配置协议（DHCP)服务 器、约束应用协议（CoAP)服务器等）。本领域技术人员明白，任意数目的节点、设备、链路等 可以用于接收机网络，并且本文所示出的视图是出于简化的目的。另外，本领域技术人员还 将理解，尽管网络以某一方向示出，尤其具有"根"节点，但网络100仅仅是一示例说明，其 不意欲限制本公开。数据分组140本文档来自技高网...
【技术保护点】
一种方法，包括：确定由多个学习机器(LM)中的每个LM维护的变量，所述多个LM被托管于网络中的多个现场区域路由器(FAR)上，其中，所述变量在所述FAR之间是可共享的；计算定义所述变量之间的相关性的多个相关性值；以及基于所述多个相关性值计算FAR集群，其中，所集群的FAR与相关的变量相关联，并且该集群允许所集群的FAR共享其各自的变量。
【技术特征摘要】
【国外来华专利技术】...
【专利技术属性】
技术研发人员：格雷戈瑞·莫穆德，让菲利普·瓦瑟尔，素格力·达斯古普塔，
申请(专利权)人：思科技术公司，
类型：发明
国别省市：美国;US
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。