多通信协议智能感知方法技术

本发明专利技术公开了一种多通信协议智能感知方法，其能够用于配用电物联网边缘计算，该多通信协议智能感知方法包括：构建一个用于配用电物联网边缘计算的轻量级深度神经网络模型；通过多种不同通信协议类型的协议帧数据训练所述轻量级深度神经网络模型，得到预训练模型；将所述预训练模型部署至配用电终端的多协议智能感知系统中；所述多协议智能感知系统根据所述预训练模型对接收到的协议帧数据进行感知推理从而识别出所述接收到的协议帧数据的协议类型。该多通信协议智能感知方法能够应用在配用电物联网边缘计算中，实现边缘侧快速感知各种应用协议，促进配用电终端的各接入设备互联互通与即插即用。

Intelligent Sensing Method for Multi-Communication Protocols

The invention discloses an intelligent sensing method of multi-communication protocol, which can be used for edge calculation of distribution Internet of Things. The intelligent sensing method of multi-communication protocol includes: constructing a lightweight depth neural network model for edge calculation of distribution Internet of Things; training the lightweight depth neural network model by protocol frame data of different communication protocol types, and obtaining the lightweight depth neural network model. Pre-training model; deploy the pre-training model to the multi-protocol intelligent sensing system of the distribution terminal; the multi-protocol intelligent sensing system senses and infers the received protocol frame data according to the pre-training model to identify the protocol type of the received protocol frame data. The multi-communication protocol intelligent sensing method can be applied to edge computing of distribution Internet of Things, realize fast edge sensing of various application protocols, and promote the interconnection and plug-and-play of access devices of distribution terminal.

【技术实现步骤摘要】
多通信协议智能感知方法
本专利技术是关于边缘计算领域，特别是关于一种多通信协议智能感知方法。
技术介绍
随着物联网技术和人工智能技术的快速发展以及云计算服务的成功应用推动了新的计算范式边缘计算，传统电网越来越需要和新一代信息技术做深度融合来实现智能电网各业务的统一。边缘计算着眼于实时、短周期数据的分析，靠近设备端，更好地支撑本地业务实时分析和智能化处理，具有分布式和低延时、效率更高、缓解流量压力等特点，相较单纯的云计算也更加高效和安全。在深度学习不断渗透到智能电网的同时，探索适合于配用电物联网边缘计算的智能技术对于推进智能电网运行的高效性意义重大。在配用电物联网中，各地终端通信接入网建设规模差异较大、通信接入层各类业务需求尚未统一、应用协议标准化程度不够且种类繁多，影响智能配用电业务的高效、双向传输。配用电物联网边缘终端在接入多异构设备时，面临多种不同的应用协议识别时，如电、水、气、热表计设备、充电桩设备等不同设备的接入带来了不同类型的应用协议快速识别问题，仍然是互联互通和即插即用的较大阻碍。公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
技术实现思路
本专利技术的目的在于提供一种多通信协议智能感知方法，其能够应用在配用电物联网边缘计算中，实现边缘侧快速感知各种应用协议，促进配用电终端的各接入设备互联互通与即插即用。为实现上述目的，本专利技术提供了一种多通信协议智能感知方法，其能够用于配用电物联网边缘计算，该多通信协议智能感知方法包括：构建一个用于配用电物联网边缘计算的轻量级深度神经网络模型；通过多种不同通信协议类型的协议帧数据训练所述轻量级深度神经网络模型，得到预训练模型；将所述预训练模型部署至配用电终端的多协议智能感知系统中；所述多协议智能感知系统根据所述预训练模型对接收到的协议帧数据进行感知推理从而识别出所述接收到的协议帧数据的协议类型。在一优选的实施方式中，构建一个用于配用电物联网边缘计算的轻量级深度神经网络模型包括：在第1层网络中选取32个大小为3*3的卷积核进行卷积操作，并通过ReLU函数进行映射输出，其中所述ReLU函数表示为ReLU(x)＝{x(x>0),0(x<＝0)}，x代表输入向量；在第2层网络中将所述第1层网络的输出进行平均池化操作，步长为2；在第3层网络中从所述第2层网络的输出中选取64个大小为3*3的卷积核对其进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；在第4层网络中将所述第3层网络的输出进行平均池化操作，步长为2；在第5层网络中对所述第4层网络的输出选取128个大小为3*3的卷积核对其进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；在第6层网络中将所述第5层网络的输出进行平均池化操作，步长为2；在第7层网络中对所述第6层网络的输出选取256个大小为3*3的卷积核对其进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；在第8层网络中对所述第7层网络的输出选取512个大小为3*3的卷积核对其进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；在第9层网络中选取7个大小为3*3的卷积核对所述第8层网络输出进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；在第10层网络中，全连接层将所述第9层网络输出通过全局平均池化展开为向量并通过所述ReLU函数传递至概率模型输出每个通信协议类型的概率值。在一优选的实施方式中，所述概率模型表示为：其中，θ1,θ2,…,θk∈Rn+1是所述轻量级深度神经网络模型的权重参数，内积的n维线性空间记为R，其元素是n维向量，k表示所述轻量级深度神经网络模型能够识别的通信协议类型的总数。在一优选的实施方式中，通过多种不同通信协议类型的协议帧数据训练所述轻量级深度神经网络模型包括：在步骤S1中根据多种不同应用协议类型的协议帧数据分别随机生成多帧合法数据作为训练样本数据；在步骤S2中将所述轻量级深度神经网络模型的权重参数随机初始化；在步骤S3中将所述训练样本数据输入至所述配用电终端的内存，从所述训练样本数据取一个样本，将该样本输入所述轻量级深度神经网络模型；在步骤S4中计算所述轻量级深度神经网络模型的隐层单元相应的实际输出；在步骤S5中计算所述轻量级深度神经网络模型的输出层单元的实际输出；在步骤S6中计算所述输出层单元相应的期望输出的误差；在步骤S7中判断所述误差是否满足要求，如果不满足要求，则计算所述隐层单元的误差，进入反向传播阶段，求误差梯度并按照最小化误差的方法反向传播调整所述权重参数的矩阵，然后返回所述步骤S4；如果满足要求，则训练结束。在一优选的实施方式中，所述误差的算法为：其中，m表示所述训练样本数据的个数，λ表示权重惩罚因子，i表示第几个训练数据样本，j表示第几个通信协议类型。在一优选的实施方式中，将所述训练样本数据输入至所述配用电终端的内存包括：以128*128的矩阵的形式存放所述训练样本数据，各个训练样本数据的每个字节作为一个神经元，如果所述训练样本数据的帧长度小于128*128，则所述矩阵没有填满的位置补入零。在一优选的实施方式中，所述多协议智能感知系统根据所述预训练模型对接收到的协议帧数据进行感知推理从而识别出所述接收到的协议帧数据的协议类型包括：将所述多协议智能感知系统接收到的协议帧数据输入所述预训练模型；在第1层网络中选取32个大小为3*3的卷积核进行卷积操作，并通过ReLU函数进行映射输出，其中所述ReLU函数表示为ReLU(x)＝{x(x>0),0(x<＝0)}，x代表输入向量；在第2层网络中将所述第1层网络的输出进行平均池化操作，步长为2；在第3层网络中从所述第2层网络的输出中选取64个大小为3*3的卷积核对其进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；在第4层网络中将所述第3层网络的输出进行平均池化操作，步长为2；在第5层网络中对所述第4层网络的输出选取128个大小为3*3的卷积核对其进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；在第6层网络中将所述第5层网络的输出进行平均池化操作，步长为2；在第7层网络中对所述第6层网络的输出选取256个大小为3*3的卷积核对其进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；在第8层网络中对所述第7层网络的输出选取512个大小为3*3的卷积核对其进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；在第9层网络中选取7个大小为3*3的卷积核对所述第8层网络输出进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；在第10层网络中，全连接层将所述第9层网络输出通过全局平均池化展开为向量并通过所述ReLU函数传递至概率模型输出每个通信协议类型的概率值，根据所述概率值识别所述接收到的协议帧数据的通信协议类型。在一优选的实施方式中，所述概率模型表示为：其中，θ1,θ2,…,θk∈Rn+1是所述预训练模型的权重参数，内积的n维线性空间记为R，其元素是n维向量，k表示所述预训练模型能够识别的通信协议类型的总数。与现有技术相比，根据本专利技术的多通信协议智能感知方法，其应用在配用电本文档来自技高网...

【技术保护点】
1.一种多通信协议智能感知方法，其能够用于配用电物联网边缘计算，其特征在于，该多通信协议智能感知方法包括：构建一个用于配用电物联网边缘计算的轻量级深度神经网络模型；通过多种不同通信协议类型的协议帧数据训练所述轻量级深度神经网络模型，得到预训练模型；将所述预训练模型部署至配用电终端的多协议智能感知系统中；以及所述多协议智能感知系统根据所述预训练模型对接收到的协议帧数据进行感知推理从而识别出所述接收到的协议帧数据的协议类型。

【技术特征摘要】
1.一种多通信协议智能感知方法，其能够用于配用电物联网边缘计算，其特征在于，该多通信协议智能感知方法包括：构建一个用于配用电物联网边缘计算的轻量级深度神经网络模型；通过多种不同通信协议类型的协议帧数据训练所述轻量级深度神经网络模型，得到预训练模型；将所述预训练模型部署至配用电终端的多协议智能感知系统中；以及所述多协议智能感知系统根据所述预训练模型对接收到的协议帧数据进行感知推理从而识别出所述接收到的协议帧数据的协议类型。2.如权利要求1所述的多通信协议智能感知方法，其特征在于，构建一个用于配用电物联网边缘计算的轻量级深度神经网络模型包括：在第1层网络中选取32个大小为3*3的卷积核进行卷积操作，并通过ReLU函数进行映射输出，其中所述ReLU函数表示为ReLU(x)＝{x(x>0),0(x<＝0)}，x代表输入向量；在第2层网络中将所述第1层网络的输出进行平均池化操作，步长为2；在第3层网络中从所述第2层网络的输出中选取64个大小为3*3的卷积核对其进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；在第4层网络中将所述第3层网络的输出进行平均池化操作，步长为2；在第5层网络中对所述第4层网络的输出选取128个大小为3*3的卷积核对其进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；在第6层网络中将所述第5层网络的输出进行平均池化操作，步长为2；在第7层网络中对所述第6层网络的输出选取256个大小为3*3的卷积核对其进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；在第8层网络中对所述第7层网络的输出选取512个大小为3*3的卷积核对其进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；在第9层网络中选取7个大小为3*3的卷积核对所述第8层网络输出进行卷积操作，步长为1，并通过所述ReLU函数进行映射输出；以及在第10层网络中，全连接层将所述第9层网络输出通过全局平均池化展开为向量并通过所述ReLU函数传递至概率模型输出每个通信协议类型的概率值。3.如权利要求2所述的多通信协议智能感知方法，其特征在于，所述概率模型表示为：其中，θ1,θ2,…,θk∈Rn+1是所述轻量级深度神经网络模型的权重参数，内积的n维线性空间记为R，其元素是n维向量，k表示所述轻量级深度神经网络模型能够识别的通信协议类型的总数。4.如权利要求1所述的多通信协议智能感知方法，其特征在于，通过多种不同通信协议类型的协议帧数据训练所述轻量级深度神经网络模型包括：在步骤S1中根据多种不同应用协议类型的协议帧数据分别随机生成多帧合法数据作为训练样本数据；在步骤S2中将所述轻量级深度神经网络模型的权重参数随机初始化；在步骤S3中将所述训练样本数据输入至所述配用电终端的内存，从所述训练样本数据取一个样本，将该样本输入所述轻量级深度神经网络模型；在步骤S4中计算所述轻量级深度神经网络模型的隐层单元相应的实际输出；在步骤S5中计算...

【专利技术属性】
技术研发人员：甄岩，张港红，王立城，白晖峰，霍超，侯莹莹，尹志斌，苑佳楠，高建，
申请(专利权)人：北京智芯微电子科技有限公司，国网信息通信产业集团有限公司，
类型：发明
国别省市：北京,11