非稳定网络环境下的多模态监测数据动态压缩控制方法技术

一种非稳定网络环境下的多模态监测数据动态压缩方法，它以压缩、传输和解压三个阶段为目标建模，并进行了非稳定网络状态的预测，引入了动态压缩比调整的过程，节省了数据压缩、传输和解压的耗时。相比于基于无损数据压缩的传输优化方法而言，采用基于动态压缩比的传输耗时优化方法来降低传输耗时的效果更好。

Dynamic compression control method of multimodal monitoring data in unstable network environment

【技术实现步骤摘要】
非稳定网络环境下的多模态监测数据动态压缩控制方法
本专利技术涉及无线网络数据压缩
，特别是一种非稳定网络环境下的监测数据动态压缩控制方法。
技术介绍
当前各类系统对象(如工业生产、大型装备及系统等)工业生产规模、结构和功能等日趋复杂，对于这类对象的整体监测通常需要多源感知、多终端采集、多通道网络传输，及时地将多模态监测数据汇集分发给决策层，其整体决策水平与系统对象的数据规模、特性以及网络传输环境具有非常密切的关联关系。其中在监测数据传输效率方面存在如下问题：1、由于监测数据源节点数量众多，且各类数据的采集频率不等、功能点位具有不同的空间位置分布，这导致需要传输的数据规模庞大且可能具有间歇性爆发涌现的情况，持续性的远程网络数据传输压力非常大。2、用于传输监测数据的介质大多是分散式网络，其网络传输环境状况不确定性较高，受系统运行周期内数据传输速率的不规律波动影响，数据传输时延不稳定且容易产生迟滞、乱序、丢包等不利情况。在CN103957582A中公开了一种名称为“无线传感器网络自适应压缩方法”的专利技术专利，该专利公开了根据数据类型、精度要求选择压缩算法、预测平均压缩比、预测执行压缩的平均时间、以能耗最优为目标建立模型、求解最佳压缩策略等技术手段。该对比文件的目的是以最优能耗为目标建立数学模型并求解，并没未以时间最优为目标建模，因此并未公开由压缩、传输、解压组成的数学模型公式，约束条件设立也不相同；该对比文件在计算过程中，并未考虑到网络状况不稳定的情况，未对当前网络进行预测，也没有网络传输速率预测值与真实值的比较，无法适用于非稳定网络。
技术实现思路
本专利技术的目的就是提供一种非稳定网络环境下的多模态监测数据动态压缩控制方法，它以压缩、传输和解压三个阶段为目标建模，并进行了非稳定网络状态的预测，引入了动态压缩比调整的过程，节省了数据压缩、传输和解压的耗时。本专利技术的目的是通过这样的技术方案实现的，它包括有S1选择压缩算法步骤、S2建模计算压缩比步骤、S3压缩传输步骤和S4解压步骤，所述S2建模计算压缩比步骤根据当前网络传输速率预测值建模实时计算压缩比，S3压缩传输步骤根据S2步骤计算得到的压缩比实时动态调整压缩比进行传输，S2建模计算压缩比步骤包括有以下步骤：S2-1、根据步骤S1选择的压缩算法，针对数据大小为Qi第i(i＝1,…,n)种模态的数据进行多次压缩实验，通过数据拟合的方案得到压缩时间t压i与压缩比p的关系为t压i＝fi(p,Qi)；根据步骤S1选择的压缩算法，针对i(i＝1,…,n)种模态的数据进行多组解压时间与数据压缩比的统计分析实验，通过数据拟合的方案得到解压时间t解i与压缩比p的关系为t解i＝gi(p,Qi)；S2-2、根据步骤S2-1得到的压缩时间与压缩比关系式、解压时间与压缩比关系式，建立包括有压缩时间、编码后传输时间和解压时间的耗时数学模型，耗时数学模型的公式为：式中，t压i-第i种模态的数据压缩时间；t0-压缩后数据传输时间；t解i-第i种模态的数据解压时间；Qi-第i种模态的数据规模；Q-整体数据规模；p-数据压缩比；-当前网络速率预测值；将压缩比p控制在预设最大压缩比Pmax和最小压缩比为Pmin之间，保证最优耗时小于原始传输耗时，设立约束条件：式中，Qi-第i种模态的数据规模；Q-整体数据规模；p-数据压缩比；-当前网络速率预测值；S2-3、根据步骤S2-2的耗时数学模型公式和约束条件，求解当前网络环境下的最优压缩比。进一步，当前网络传输速率预测值采用神经网络为主的学习-训练-反馈类算法进行计算，计算当前网络传输速率预测值的具体步骤如下：b1、选取若干段历史区间的网络监测数据设为Uk(k＝1,…,m)，每一段历史网络区间中又有若干个网络数据Vj(k)(j＝1,…,l)作为输入变量，同时每一段历史网络区间中最后一个网络数据Vl(k)作为期望输出变量；b2、选取前N(N>m/2)段历史网络区间Uk(k＝1,…,N)作为训练样本集，第(m-N)段历史网络区间Uk(k＝N+1,…,m)作为测试样本用来测试估算的准确性；b3、对其中一段历史传输速率区间Uk前(l-1)个速率数据Vj(k)(j＝1,…,l-1)作为训练样本，第l个作为期望输出，采用人工神经网络的算法来得出(l-1)个神经元的权值；b4、将剩下测试样本的历史传输速率区间按照S22的步骤来不断的调整权值，最后得到每段传输速率区间内网速之间的关系为：(j＝1,…,l-1)；式中，Vj(k)(j＝1,…,l-1)-第k段历史网络区间中的第j个网速值；aj(j＝1,…,l-1)-第j个网速值对应的权值；-第k段历史网络区间中的第l个网速预测值；b5、根据b4所得的关系可获得Uk(k＝1,…,N)内传输速率的代数关系，即得到当前网络传输速率预测值为：式中，-当前网络速率预测值；Vj(m)(j＝1,…,l-1)-第m段历史网络区间中的第j个网速值；aj(j＝1,…,l-1)-第j个网速值对应的权值；b6、根据b4所得的代数关系可获得Uk(k＝N+1,…,m-1)内网络传输速率预测值为：式中，Vj(k)(j＝1,…,l-1)-第k段历史网络区间中的第j个网速值；aj(j＝1,…,l-1)-第j个网速值对应的权值；-第k段历史网络区间中的第l个网速预测值。进一步，S2建模计算压缩比步骤之后，根据测试样本的网速真实值和网络传输速率预测值可以得出预测误差为：式中，-第k段历史网络区间中的第l个网络传输速率预测值；该误差作为当前网速实际值与网络传输速率预测值的阈值；若两者相差在设定的误差阈值范围之内，则采用网络传输速率预测值计算出的最优压缩比；若是存在较大偏差，则将网速真实值代入耗时数学模型的公式中，获取更新后的最优压缩比和整体传输耗时。进一步，所述S1选择压缩算法的方法如下：将采集的多模态数据根据数据类型进行分类，分成n种模态；对每种数据模态选取若干种无损压缩算法，测试单位数据在同一压缩比下不同算法的压缩耗时，耗时最短的即最佳压缩算法。由于采用了上述技术方案，本专利技术具有如下的优点：相比于基于无损数据压缩的传输优化方法而言，采用基于动态压缩比的传输耗时优化方法来降低传输耗时的效果更好；一是因为对传输数据进行压缩会引入额外的编码/解码时间，而其与数据压缩程度相关，固定的压缩比并不能在系统任意传输环境下保证系统传输耗时最小；二是针对监测数据占比基本平稳的情况，固定数据压缩比代表压缩/解压耗时将不再调整，这意味着传输速率提高对其影响不明显，然而基于动态压缩比的传输优化方法则可以更有效地提高数据传输效率。本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。附图说本文档来自技高网...

【技术保护点】
1.一种非稳定网络环境下的多模态监测数据动态压缩方法，包括有S1选择压缩算法步骤、S2建模计算压缩比步骤、S3压缩传输步骤和S4解压步骤，其特征在于：所述S2建模计算压缩比步骤根据当前网络传输速率预测值建模实时计算压缩比，S3压缩传输步骤根据S2步骤计算得到的压缩比实时动态调整压缩比进行传输，S2建模计算压缩比步骤包括有以下步骤：/nS2-1、根据步骤S1选择的压缩算法，针对数据大小为Q

【技术特征摘要】
1.一种非稳定网络环境下的多模态监测数据动态压缩方法，包括有S1选择压缩算法步骤、S2建模计算压缩比步骤、S3压缩传输步骤和S4解压步骤，其特征在于：所述S2建模计算压缩比步骤根据当前网络传输速率预测值建模实时计算压缩比，S3压缩传输步骤根据S2步骤计算得到的压缩比实时动态调整压缩比进行传输，S2建模计算压缩比步骤包括有以下步骤：
S2-1、根据步骤S1选择的压缩算法，针对数据大小为Qi第i(i＝1,…,n)种模态的数据进行多次压缩实验，通过数据拟合的方案得到压缩时间t压i与压缩比p的关系为t压i＝fi(p,Qi)；
根据步骤S1选择的压缩算法，针对i(i＝1,…,n)种模态的数据进行多组解压时间与数据压缩比的统计分析实验，通过数据拟合的方案得到解压时间t解i与压缩比p的关系为t解i＝gi(p,Qi)；
S2-2、根据步骤S2-1得到的压缩时间与压缩比关系式、解压时间与压缩比关系式，建立包括有压缩时间、编码后传输时间和解压时间的耗时数学模型，耗时数学模型的公式为：



式中，t压i-第i种模态的数据压缩时间；t0-压缩后数据传输时间；t解i-第i种模态的数据解压时间；Qi-第i种模态的数据规模；Q-整体数据规模；p-数据压缩比；-当前网络速率预测值；
将压缩比p控制在预设最大压缩比Pmax和最小压缩比为Pmin之间，保证最优耗时小于原始传输耗时，设立约束条件：



式中，Qi-第i种模态的数据规模；Q-整体数据规模；p-数据压缩比；-当前网络速率预测值；
S2-3、根据步骤S2-2的耗时数学模型公式和约束条件，求解当前网络环境下的最优压缩比。


2.如权利要求1所述的非稳定网络环境下的多模态监测数据动态压缩方法，其特征在于：当前网络传输速率预测值采用神经网络为主的学习-训练-反馈类算法进行计算，计算当前网络传输速率预测值的具体步骤如下：
b1、选取若干段历史区间的网络监测数据设为Uk(k＝1,…,m)，每一段历史网络区间中又有若干个网络数据Vj(k)(j＝1,…,l)作为输入变量，同时每一段历史网络区间中最后一个网络数据Vl(k)作为期望输出变量；
b2、选取前N(N>m/2)段历史网络区间Uk(...

【专利技术属性】
技术研发人员：张可，柴毅，叶胜强，彭志杰，刘超，宋鑫，张龙，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50