一种基于ARIMA-LSTM估计的网络时钟同步方法技术

本发明专利技术提供了一种基于ARIMA

【技术实现步骤摘要】
一种基于ARIMA
‑
LSTM估计的网络时钟同步方法


[0001]本专利技术涉及时钟同步
，特别是一种基于ARIMA
‑
LSTM估计的网络时钟同步方法。

技术介绍

[0002]在时钟同步
，时延是指从主时钟节点到从时钟节点数据包所经历的时间，其中包括数据包的处理和传输时间，时延的测量由双向的报文传输时延取平均得到，因此其测量误差的存在将会导致时钟同步的精度无法得到保障。在工业现场环境中，数量庞大的节点制造的大量数据、恶劣的电磁环境等因素，导致网络链路产生不稳定时延抖动和通信路径不对称，对时钟同步精度造成很大的影响。时钟同步技术作为工业领域中的一项关键技术，尤其是在时间敏感网络系统中，它可以保证终端设备之间的实时通信。时钟同步的精度需要良好的网络情况来支持，对于时延偏大且抖动频繁的网络就无法实现特别高的精度，因此如何降低时延抖动对时钟同步造成的影响成为了一项挑战。在工业生产环境中，复杂恶劣的电磁环境以及数据流等的频繁转发，使得网络数据的传输容易产生网络阻塞和剧烈的时延抖动，对时钟同步精度产生很大的影响。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种基于ARIMA
‑
LSTM估计的网络时钟同步方法，实现有效地消除由时延抖动引起的不可控误差，提高时钟同步精度。
[0004]为实现上述目的，本专利技术采用如下技术方案：一种基于ARIMA
‑
LSTM估计的网络时钟同步方法，包括以下步骤：
[0005]步骤S1：首先由最佳主时钟算法确定域内主从层次关系，主时钟节点作为参考时间，其余时钟节点作为从时钟节点；
[0006]步骤S2：从时钟利用得到的时间戳t1，t2，t3，t4计算它和主时钟的时钟偏差，如式(1)所示：
[0007][0008]步骤S3：根据统计原理计算时钟偏差的置信区间去确定阈值θ1和θ2；如公式(2)中，x是时钟偏差数据，p是时钟偏差x在区间(μ
‑
kσ，μ+kσ)内的概率，μ是时钟偏差均值，σ是标准差，k为标准差系数；则确定的阈值为θ1＝μ
‑
kσ，θ2＝μ+kσ；
[0009]P＝{|x
‑
μ|<kσ}
ꢀꢀꢀꢀꢀꢀ
(2)
[0010]步骤S4：采集时钟偏差数据并进行预处理；具体包括一阶低通滤波和异常值处理，分别消除原始数据的高频干扰和离群值；根据步骤S3设定的阈值，对异常值采用取均值的方法，即前n个时钟偏差的均值去替代异常值，并将处理后的数据划分为训练集和测试集；
[0011]步骤S5：构建自回归移动平均模型ARIMA；
[0012]步骤S6：构建长短期记忆估计模型LSTM；
[0013]步骤S7：构建ARIMA
‑
LSTM组合估计模型；
[0014]步骤S8：根据设定的阈值持续检测系统的网络状况；当从时钟计算出来的offset位于阈值范围内时，代表当前的网络没有发生时延抖动，此时根据式(1)计算的offset去更新本地时钟；当offset位于阈值范围外时，说明网络内发生时延抖动，此时计算出来的offset并不可信，及时调用ARIMA
‑
LSTM模型进行估计，利用估计值更新本地时钟。
[0015]在一较佳的实施例中，主从时钟交换数据包进行时钟同步，具体过程如下：
[0016]步骤S1.1：主时钟周期性的向从时钟发送Sync同步报文，同时会记录发送数据包的时间戳t1；如果采取的是两步式同步，主时钟会向从时钟发送一个Follow_up报文，该数据包中包含时间戳t1；
[0017]步骤S1.2：从时钟接收到Sync报文并记录接收时间戳t2；从时钟向主时钟发送Delay_Req报文并记录发送的时间戳t3；
[0018]步骤S1.3：主时钟接收到这个报文后会记录时间戳为t4；主时钟向从时钟发送Delay_Resp报文，该数据包中包含时间戳t4。
[0019]在一较佳的实施例中，步骤S5包括以下步骤：
[0020]步骤5.1：对时钟偏差时间序列平稳性进行检验；
[0021]步骤5.2：利用AIC和BIC准则对模型进行定阶；
[0022]步骤5.3：进行白噪声检验；
[0023]利用ARIMA模型拟合时钟偏差序列，其计算公式为：
[0024][0025]其中，X
t
为当前t时刻的时钟偏差时间序列样本值，X
t
‑1为t
‑
1时刻的时钟偏差时间序列样本值；p和q分别为自回归项和移动平均项对应的阶数；和θ
j
(j＝1，2，
…
q)为模型参数；ε
t
和ε
t
‑
j
为独立正态分布的白噪声。
[0026]在一较佳的实施例中，步骤S6具体包括以下步骤：
[0027]步骤6.1：对数据进行预处理；
[0028]步骤6.2：设定网络参数；
[0029]步骤6.3：模型训练；
[0030]利用LSTM预测拟合时钟偏差序列，其计算公式为：
[0031]i
t
＝σ(W
i
*[h
t
‑1,X
t
]+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0032]f
t
＝σ(W
f
*[h
t
‑1,X
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0033]o
t
＝σ(W
o
*[h
t
‑1,X
t
]+b
o
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0034]C
t
＝f
t
*C
t
‑1+i
t
*tanh(W
C
*[h
t
‑1,X
t
]+b
C
)
ꢀꢀꢀꢀꢀꢀꢀ
(7)
[0035]h
t
＝o
t
*tanh(C
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0036]式中，i
t
为输入门，f
t
为遗忘门，o
t
为输出门；C
t
为当前t时刻细胞的状态，C
t
‑1为t
‑
1时刻细胞的状态；h
t
为当前t时刻的输出数据，h
t
‑1为t
‑
1时刻的输出数据；W
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ARIMA
‑
LSTM估计的网络时钟同步方法，其特征在于，包括以下步骤：步骤S1：首先由最佳主时钟算法确定域内主从层次关系，主时钟节点作为参考时间，其余时钟节点作为从时钟节点；步骤S2：从时钟利用得到的时间戳t1，t2，t3，t4计算它和主时钟的时钟偏差，如式(1)所示：步骤S3：根据统计原理计算时钟偏差的置信区间去确定阈值θ1和θ2；如公式(2)中，x是时钟偏差数据，p是时钟偏差x在区间(μ
‑
kσ，μ+kσ)内的概率，μ是时钟偏差均值，σ是标准差，k为标准差系数；则确定的阈值为θ1＝μ
‑
kσ，θ2＝μ+kσ；P＝{|x
‑
μ|<kσ}
ꢀꢀꢀꢀꢀꢀ
(2)步骤S4：采集时钟偏差数据并进行预处理；具体包括一阶低通滤波和异常值处理，分别消除原始数据的高频干扰和离群值；根据步骤S3设定的阈值，对异常值采用取均值的方法，即前n个时钟偏差的均值去替代异常值，并将处理后的数据划分为训练集和测试集；步骤S5：构建自回归移动平均模型ARIMA；步骤S6：构建长短期记忆估计模型LSTM；步骤S7：构建ARIMA
‑
LSTM组合估计模型；步骤S8：根据设定的阈值持续检测系统的网络状况；当从时钟计算出来的offset位于阈值范围内时，代表当前的网络没有发生时延抖动，此时根据式(1)计算的offset去更新本地时钟；当offset位于阈值范围外时，说明网络内发生时延抖动，此时计算出来的offset并不可信，及时调用ARIMA
‑
LSTM模型进行估计，利用估计值更新本地时钟。2.根据权利要求1所述的一种基于ARIMA
‑
LSTM估计的网络时钟同步方法，其特征在于，主从时钟交换数据包进行时钟同步，具体过程如下：步骤S1.1：主时钟周期性的向从时钟发送Sync同步报文，同时会记录发送数据包的时间戳t1；如果采取的是两步式同步，主时钟会向从时钟发送一个Follow_up报文，该数据包中包含时间戳t1；步骤S1.2：从时钟接收到Sync报文并记录接收时间戳t2；从时钟向主时钟发送Delay_Req报文并记录发送的时间戳t3；步骤S1.3：主时钟接收到这个报文后会记录时间戳为t4；主时钟向从时钟发送Delay_Resp报文，该数据包中包含时间戳t4。3.根据权利要求1所述的一种基于ARIMA
‑
LSTM估计的网络时钟同步方法，其特征在于，步骤S5包括以下步骤：步骤5.1：对时钟偏差时间序列平稳性进行检验；步骤5.2：利用AIC和BIC准则对模型进行定阶；步骤5.3：进行白噪声检验；利用ARIMA模型拟合时钟偏差序列，其计算公式为：其中，X
t
为当前t时刻的时钟偏差时间序列样本值，X
t
‑1为t
‑
1时刻的时钟偏差时间序列
样本值；p和q分别为自回归项和移动平均项对应的阶数；和θ
j
(j＝1，2，
…
q)为模型参数，ε
t
和ε
t
‑
j
为独立正态分布的白噪声。4.根据权利要求1所述的一种基于ARIMA
‑
LSTM估计的网络时钟同步方法，其特征在于，步骤S6具体包括以下步骤：步骤6.1：对数据进行预处理；步骤6.2：设定网络参数；步骤6.3：模型训练；利用LSTM预测拟合时钟偏差序列，其计算公式为：i
t
＝σ(W
i
*[h
t
‑1,X
t

【专利技术属性】
技术研发人员：徐哲壮，崔冠文，黄平，陈剑，林依信，
申请(专利权)人：福州大学，
类型：发明
国别省市：