工业互联网信任值共享方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种工业互联网信任值共享方法、装置、电子设备及存储介质，该方法包括：获取工业互联网中的运动节点和基站节点；获取所述运动节点的路径信息和信任值；将所述路径信息输入预先训练好的深度学习网络模型；通过所述深度学习网络中的奖励函数计算得到所述运动节点的预测行驶方向；基于所述预测行驶方向将所述运动节点的所述信任值发送到所述预测行驶方向上的下一个所述基站节点。运动节点直接将信任值加密发送到预测行驶方向上的下一个基站节点，减少了不同基站节点之间共享信任值的时间，进而提高了工业互联网信任管理系统的可扩展性。的可扩展性。的可扩展性。

【技术实现步骤摘要】
工业互联网信任值共享方法、装置、电子设备及存储介质


[0001]本申请涉及
，尤其涉及一种工业互联网信任值共享方法、装置、电子设备及存储介质。

技术介绍

[0002]工业互联网中适当的信任共享机制可以准确地共享运动节点的信任值，实现了运动节点信任值的全局一致性。
[0003]但是，运动节点在不同的基站节点之间共享信任值需要先与中央系统控制器建立联系，然后通过软切换完成与下一个基站节点之间信任值的共享，增加了信任值共享的时延性，并且在软切换过程中占用了现有基站节点的通信资源。

技术实现思路

[0004]有鉴于此，本申请的目的在于提出一种工业互联网信任值共享方法、装置、电子设备及存储介质，用以解决或部分解决上述技术问题。
[0005]基于上述目的，本申请的第一方面提供了一种工业互联网信任值共享方法，包括：
[0006]获取工业互联网中的运动节点和基站节点；
[0007]获取所述运动节点的路径信息和信任值；
[0008]将所述路径信息输入预先训练好的深度学习网络模型；
[0009]通过所述深度学习网络中的奖励函数计算得到所述运动节点的预测行驶方向；
[0010]基于所述预测行驶方向将所述运动节点的所述信任值发送到所述预测行驶方向上的下一个所述基站节点。
[0011]基于同一个专利技术构思，本申请的第二方面提出了一种工业互联网信任值共享装置，包括：
[0012]节点获取模块，被配置为获取工业互联网中的运动节点和基站节点；
[0013]信息获取模块，被配置为获取所述运动节点的路径信息和信任值；
[0014]信息处理模块，被配置为将所述路径信息输入预先训练好的深度学习网络模型；
[0015]方向预测模块，被配置为通过所述深度学习网络中的奖励函数计算得到所述运动节点的预测行驶方向；
[0016]信任值发送模块，被配置为基于所述预测行驶方向将所述运动节点的所述信任值发送到所述预测行驶方向上的下一个所述基站节点。
[0017]基于同一个专利技术构思，本申请的第三方面提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
[0018]基于同一个专利技术构思，本申请的第四方面提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行第一方面所述的方法。
[0019]从上面所述可以看出，本申请提供的工业互联网信任值共享方法、装置、电子设备及存储介质，能够对工业互联网中运动节点的行驶方向作出预测，根据运动节点的预测行驶方向，运动节点直接将信任值加密发送到预测行驶方向上的下一个基站节点，减少了不同基站节点之间共享信任值的时间，进而提高了工业互联网信任管理系统的可扩展性。
附图说明
[0020]为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术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申请的实施例，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。
[0021]图1为本申请实施例的工业互联网的信任值共享方法的流程示意图；
[0022]图2为本申请实施例的深度学习网络获取输入的流程示意图；
[0023]图3为本申请实施例的深度学习网络训练的流程示意图；
[0024]图4为本申请实施例的工业互联网的信任值共享装置的硬件结构示意图；
[0025]图5为本申请实施例的电子设备的硬件结构示意图。
具体实施方式
[0026]为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
[0027]需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0028]如
技术介绍
所述，现有的工业互联网信任共享方法使用中央系统控制器来共享跨集群共享车辆的信任值，并采用软切换方法。然而，对于车联网这种移动性强、时延敏感度高的网络，面临以下三个弱点：(1)运动节点需要集群切换时，首先要与中央控制器建立通信连接，并通知目标集群。信任在控制器与目标集群建立通信之前，无法共享运动节点的信任值，从而导致较高的通信延迟和信令开销。(2)中央控制器的位置一般是固定的，随着运动节点与控制器之间距离的增加，信任共享的效力会明显下降，这对车联网的可扩展性造成了限制。(3)软切换的使用使得运动节点在加入新集群之前保持与历史集群首节点的通信连接，浪费了历史集群首节点的通信资源。
[0029]本申请的实施例提供一种工业互联网信任值共享方法，可以在安装对应运动节点的客户端上执行，也可以在对应的服务器上执行。
[0030]如图1所示，本实施例的方法包括：
[0031]步骤101，获取工业互联网中的运动节点和基站节点。
[0032]在该步骤中，运动节点可以是无人驾驶的车辆、飞行器等交通工具，也可以是装载有自动驾驶系统的车辆、飞行器等交通工具，本申请优选为无人驾驶的车辆。基站节点可以是路边固定的用于运动节点接入的设备，本申请优选为RSU(Roadside Unit，路边单元)。运动节点配备无线传感器等智能设备，具有通信、存储和计算能力；运动节点间可以自由进行通信过程；运动节点搭载GPS(Global Positioning System，全球定位系统)，并已知起始位置与终点。这样，为后续采用深度学习网络性预测运动节点的行驶方向提供数据基础。
[0033]步骤102，获取所述运动节点的路径信息和信任值。
[0034]在该步骤中，由于运动节点已知起始位置和终点，但是运动节点在遇到路口时可以通过多条路径到达终点，所以需要根据工业互联网中运动节点在通信过程中分享的路径信息确定深度学习网络模型的输入。这样，为后续深度学习网络模型的输入提供数据基础。
[0035]步骤103，将所述路径信息输入预先训练好的深度学习网络模型。
[0036]在该步骤中，深度学习网络模型对图像信息的处理有较强的适应性，所以需要将路径信息转换为深度学习网络模型擅长处理的图像信息。这样，为深度学习网络模型在预测运动节点的行驶方向提供了数据基础。
[0037]步骤104，通过所述深本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业互联网信任值共享方法，其特征在于，包括：获取工业互联网中的运动节点和基站节点；获取所述运动节点的路径信息和信任值；将所述路径信息输入预先训练好的深度学习网络模型；通过所述深度学习网络中的奖励函数计算得到所述运动节点的预测行驶方向；基于所述预测行驶方向将所述运动节点的所述信任值发送到所述预测行驶方向上的下一个所述基站节点。2.根据权利要求1所述的方法，其特征在于，所述将所述路径信息输入预先训练好的深度学习网络模型，包括：根据所述路径信息构建具有颜色特征的像素图；将所述像素图作为所述深度学习网络模型的输入。3.根据权利要求2所述的方法，其特征在于，所述路径信息包括所述运动节点的当前位置和终点、以及所述工业互联网的事故信息、障碍信息和拥堵信息；所述根据所述路径信息构建具有颜色特征的像素图，包括：将包括所述路径信息的地图转换为所述像素图，其中，将所述地图中的路口标记为所述像素图中的交叉像素点，将所述地图中的相邻路口之间的道路标记为所述像素图中的线段；将所述像素图中所述当前位置对应的像素点设置为第一颜色；将所述像素图中所述终点对应的所述像素点设置为第二颜色；将所述像素图中所述事故信息对应的所述像素点设置为第三颜色；将所述像素图中所述障碍信息对应的所述像素点设置为第四颜色；将所述像素图中所述拥堵信息对应的所述像素点设置为第五颜色。4.根据权利要求3所述的方法，其特征在于，所述将所述像素图中所述拥堵信息对应的所述像素点设置为第五颜色，包括：基于所述拥堵信息中的交通流量信息调整所述第五颜色的深度。5.根据权利要求1所述的方法，其特征在于，所述通过所述深度学习网络中的奖励函数计算得到所述运动节点的预测行驶方向，包括：响应于确定所述运动节点遇到路口，计算所述运动节点在每个行驶方向的所述奖励函数对应的奖励值；根据如下公式计算所述奖励值：其中，reward
t
为所述奖励函数，r
barrier
为遇到所述障碍信息的所述奖励值，r
...

【专利技术属性】
技术研发人员：荆涛，刘越，王晓轩，高青鹤，高勃，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：