一种基于K-NN算法的DSE优化方法及装置制造方法及图纸

本发明专利技术提出了一种基于K‑NN算法的DSE优化方法及装置，包括:对TSN网络模型中的流量等级进行调度优先级配置；对DSE中替代传统算法执行可调度性分析的K‑NN算法根据已配置的调度优先级进行训练，得到符合要求的节点比例值；将所述节点比例值与预设阈值比较，若节点比例值小于预设阈值则使用所述K‑NN算法，若节点比例值大于预设阈值则使用DSE中的传统算法，对预设阈值的大小进行调整。通过结合K‑NN算法实现DSE优化的方法，用机器学习算法中的K‑NN算法替换传统DSE中原有的可调度性分析算法，当判断K‑NN算法不可行时依然使用传统算法，提高了可调度性分析的计算速度同时降低了误报率，提供了一种既能保持高预测准确率，又能减少误报的DSE优化方法及装置。

【技术实现步骤摘要】
一种基于K-NN算法的DSE优化方法及装置
本专利技术属于电力通信网络
，尤其涉及一种基于K-NN算法的DSE优化方法及装置。
技术介绍
随着TSN网络的设计与配置越来越复杂化，通常需要设计空间探索(DSE)算法来优化TSN协议的选择与配置。DSE算法一般由迭代执行的三个环节组成：创建候选解决方案、配置解决方案并进行可调度性分析以及模拟评估TSN网络的性能。其中在对解决方案进行可调度性分析环节中，原有的传统算法可用机器学习算法替代，用于优化传统的DSE算法，提供了更快的分析算法方案，但是机器学习技术的错误预测百分比会因为超出可接受范围而无法应用于可调度性分析环节。
技术实现思路
为了解决现有技术中存在的缺点和不足，本专利技术提出了一种基于K-NN算法的DSE优化方法及装置，包括：步骤一：构建包括通信节点的TSN网络模型，对TSN网络模型中的流量等级进行调度优先级配置；步骤二：基于训练集中的数据，对DSE中替代传统算法执行可调度性分析的K-NN算法根据已配置的调度优先级进行训练，得到符合要求的节点比例值；步骤三：将所述节点比例值与预设阈值比较，若节点比例值小于预设阈值则使用所述K-NN算法，若节点比例值大于预设阈值则使用DSE中的传统算法，对预设阈值的大小进行调整；步骤四：按照预设的时间频率，基于调整后的预设阈值重复步骤三的内容。可选的，所述TSN网络模型的拓扑结构包括第一数量的交换机和与交换机连接的第二数量的通信节点。可选的，所述对TSN网络模型中的流量等级进行调度优先级配置包括：通过分配算法对所述交换机和所述通信节点之间业务流量的最佳优先级进行分配；其中，属于相同类型的业务流量具有相同的优先级，对于优先级相同的业务流量数据遵循先进先出原则。可选的，所述基于训练集中的数据，对DSE中替代传统算法执行可调度性分析的K-NN算法根据已配置的调度优先级进行训练，得到符合要求的节点比例值，包括：基于设定的评估依据特征，计算测试数据与训练集中数据之间的距离；按照递增顺序对所得距离进行排序；选取前K个数据并统计前K个数据所属类型的出现频率；将出现频率最高的类型作为所述测试数据的预测类型，同时计算所有不属于所述预测类型的数据占前K个数据的比例值，将所述比例值作为节点比例值；其中，K的取值为正整数。可选的，所述对预设阈值的大小进行调整包括：根据步骤三中所述K-NN算法和所述传统算法的决策结果，计算基于当前预设阈值下的决策精度；基于二分法，选择实现更高决策精度对应的预设阈值。一种基于K-NN算法的DSE优化装置，其特征在于，所述装置包括：配置单元：用于构建包括通信节点的TSN网络模型，对TSN网络模型中的流量等级进行调度优先级配置；算法训练单元：用于基于训练集中的数据，对DSE中替代传统算法执行可调度性分析的K-NN算法根据已配置的调度优先级进行训练，得到符合要求的节点比例值；决策单元：用于将所述节点比例值与预设阈值比较，若节点比例值小于预设阈值则使用所述K-NN算法，若节点比例值大于预设阈值则使用DSE中的传统算法，对预设阈值的大小进行调整；所述决策单元，还用于按照预设的时间频率，基于调整后的预设阈值重复前一步骤的内容。可选的，所述配置单元用于建立包含第一数量的交换机和与交换机连接的第二数量的通信节点。可选的，所述配置单元还包括优先级配置单元，所述优先级配置单元用于：通过分配算法对所述交换机和所述通信节点之间业务流量的最佳优先级进行分配；其中，属于相同类型的业务流量具有相同的优先级，对于优先级相同的业务流量数据遵循先进先出原则。可选的，所述算法训练单元用于：基于设定的评估依据特征，计算测试数据与训练集中数据之间的距离；按照递增顺序对所得距离进行排序；选取前K个数据并统计前K个数据所属类型的出现频率；将出现频率最高的类型作为所述测试数据的预测类型，同时计算所有不属于所述预测类型的数据占前K个数据的比例值，将所述比例值作为节点比例值；其中，K的取值为正整数。可选的，决策单元还包括阈值优化单元，用于：根据决策单元中生成的所述K-NN算法和所述传统算法的决策结果，计算基于当前预设阈值下的决策精度；基于二分法，选择实现更高决策精度对应的预设阈值。本专利技术提供的技术方案带来的有益效果是：通过结合K-NN算法的方式实现DSE优化，用机器学习算法中的K-NN算法替换传统DSE中原有的可调度性分析算法，提高了可调度性分析的计算速度，同时也对执行可调度性分析的设备降低了计算能力要求，帮助设计人员快速处理规模复杂的通信网络架构。通过预设阈值的方式判断使用K-NN算法执行可调度性分析是否可行，当使用K-NN算法分析的结果精度不高时，则选择使用DSE中的传统算法执行可调度行分析，同时优化预设阈值以提高K-NN算法的精度。以此解决K-NN算法误报率高的缺点，提供了一种既能保持高预测准确率，又能减少误报的DSE优化方法及装置。附图说明为了更清楚地说明本专利技术的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术提出的一种基于K-NN算法的DSE优化方法框图；图2为TSN网络拓扑图；图3为K-NN算法流程图；图4为本专利技术提出的一种基于K-NN算法的DSE优化装置框图。具体实施方式为使本专利技术的结构和优点更加清楚，下面将结合附图对本专利技术的结构作进一步地描述。实施例一如图1所示，本专利技术提出了一种基于K-NN算法的DSE优化方法，该方法包括：S1：构建包括通信节点的TSN网络模型，对TSN网络模型中的流量等级进行调度优先级配置；S2：基于训练集中的数据，对DSE中替代传统算法执行可调度性分析的K-NN算法根据已配置的调度优先级进行训练，得到符合要求的节点比例值；S3：将所述节点比例值与预设阈值比较，若节点比例值小于预设阈值则使用所述K-NN算法，若节点比例值大于预设阈值则使用DSE中的传统算法，对预设阈值的大小进行调整；S4：按照预设的时间频率，基于调整后的预设阈值重复S3的内容。根据图1可知，在本实施例中，用机器学习算法中的K-NN算法替换DSE中传统的可调度性分析算法，通过这种方式提高了可调度性分析的计算速度，同时也对执行可调度性分析的设备降低了计算能力要求，帮助设计人员快速处理规模复杂的通信网络架构。通过预设阈值的方式判断使用K-NN算法执行可调度性分析是否可行，当使用K-NN算法分析的结果精度不高时，则选择使用DSE中的传统算法执行可调度行分析，同时优化预设阈值以提高K-NN算法的精度。以本文档来自技高网...

【技术保护点】
1.一种基于K-NN算法的DSE优化方法，其特征在于，所述方法包括：/n步骤一：构建包括通信节点的TSN网络模型，对TSN网络模型中的流量等级进行调度优先级配置；/n步骤二：基于训练集中的数据，对DSE中替代传统算法执行可调度性分析的K-NN算法根据已配置的调度优先级进行训练，得到符合要求的节点比例值；/n步骤三：将所述节点比例值与预设阈值比较，若节点比例值小于预设阈值则使用所述K-NN算法，若节点比例值大于预设阈值则使用DSE中的传统算法，对预设阈值的大小进行调整；/n步骤四：按照预设的时间频率，基于调整后的预设阈值重复步骤三的内容。/n

【技术特征摘要】
1.一种基于K-NN算法的DSE优化方法，其特征在于，所述方法包括：
步骤一：构建包括通信节点的TSN网络模型，对TSN网络模型中的流量等级进行调度优先级配置；
步骤二：基于训练集中的数据，对DSE中替代传统算法执行可调度性分析的K-NN算法根据已配置的调度优先级进行训练，得到符合要求的节点比例值；
步骤三：将所述节点比例值与预设阈值比较，若节点比例值小于预设阈值则使用所述K-NN算法，若节点比例值大于预设阈值则使用DSE中的传统算法，对预设阈值的大小进行调整；
步骤四：按照预设的时间频率，基于调整后的预设阈值重复步骤三的内容。


2.根据权利要求1所述的一种基于K-NN算法的DSE优化方法，其特征在于，所述TSN网络模型的拓扑结构包括第一数量的交换机和与交换机连接的第二数量的通信节点。


3.根据权利要求2所述的一种基于K-NN算法的DSE优化方法，其特征在于，所述对TSN网络模型中的流量等级进行调度优先级配置包括：
通过分配算法对所述交换机和所述通信节点之间业务流量的最佳优先级进行分配；
其中，属于相同类型的业务流量具有相同的优先级，对于优先级相同的业务流量数据遵循先进先出原则。


4.根据权利要求1所述的一种基于K-NN算法的DSE优化方法，其特征在于，所述基于训练集中的数据，对DSE中替代传统算法执行可调度性分析的K-NN算法根据已配置的调度优先级进行训练，得到符合要求的节点比例值，包括：
基于设定的评估依据特征，计算测试数据与训练集中数据之间的距离；
按照递增顺序对所得距离进行排序；
选取前K个数据并统计前K个数据所属类型的出现频率；
将出现频率最高的类型作为所述测试数据的预测类型，同时计算所有不属于所述预测类型的数据占前K个数据的比例值，将所述比例值作为节点比例值；
其中，K的取值为正整数。


5.根据权利要求1所述的一种基于K-NN算法的DSE优化方法，其特征在于，所述对预设阈值的大小进行调整包括：
根据步骤三中所述K-NN算法和所述传统算法的决策结果，计算基于当前预设阈值下的决策精度；
基于二分法，选择实现更高决...

【专利技术属性】
技术研发人员：章立宗，李洋，朱炳铨，谢栋，于佳，李勇，王兆旭，金乃正，盛海华，潘武略，沈健，罗刚，
申请(专利权)人：国家电网有限公司，国网浙江省电力有限公司绍兴供电公司，国网浙江省电力有限公司，国网电力科学研究院有限公司，
类型：发明
国别省市：北京;11