【技术实现步骤摘要】
本专利技术属于qos流分类，尤其涉及一种在物联网中基于深度学习的qos流分类方法。
技术介绍
1、物联网技术的广泛采用产生了对各种数据流的有效管理和在各种物联网场景中实现特定要求的需求。然而，随着物联网范围的扩大，智能设备的部署在大量数据传输过程中给网络基础设施带来了相当大的压力。不同的数据流需要对传输延迟和其他基本性能指标提出不同的要求。因此，解决数据流量激增引起的延迟和数据包丢失的潜在问题至关重要。
2、目前的研究对于qos流量的分类缺乏共识，导致不同业务对单个qos流的分析不准确，从而降低了网络的稳定性，使物联网无法满足业务增长的高质量服务需求。传统的qos路由算法通常根据整体网络需求做出决策，而不考虑单个用户或不同流的独特需求，其决策过程的复杂性使网络管理者难以及时、准确地确定采用合适的qos策略，无法对qos流进行有效的分类。
技术实现思路
1、专利技术目的：为解决上述问题，本专利技术提出了一种在物联网中基于深度学习的qos流分类方法。在物联网中，基于深度学习的qos流分类方法将用户画像与流量特征集成在一起，形成流画像模型，从而避免丢包、高时延等问题，实现物联网环境中的智能流量管理。利用深度学习模型，分析用户行为、偏好和特定的物联网场景需求，提供个性化和高效的服务，实现三种流的分类：视频流、音频流和普通数据流，普通数据流为除视频流和音频流之外皆定义为普通数据流。
2、技术方案：为了实现上述目的，本专利技术提出一种在物联网中基于深度学习的qos流分类
3、（1）使用网络数据采集工具采集指定网络接口的流数据，对采集的数据包进行过滤，标识和分组每个数据包，并判断每个流数据的类别；
4、（2）通过计算每个流数据对应的qos属性值生成对应的qos属性矩阵，并对qos属性矩阵进行归一化处理，将不同特征的值范围统一，以此构建训练样本；
5、（3）将归一化后qos属性矩阵作为一维cnn模型的输入，以对应qos流的类别作为输出对cnn模型进行训练，经过训练得到能够根据归一化后qos属性矩阵作为输入，识别qos流所对应的类别的cnn模型；
6、（4）使用网络数据采集工具实时采集流数据，按照步骤（2）计算归一化后的qos属性矩阵，将归一化后的qos属性矩阵输入到步骤（3）中训练好的cnn模型中进行分类，得到当前时刻qos流的类别。
7、进一步的，步骤（1）和步骤（4）中，采集间隔时间为0.06秒，采集总时间为100分钟。
8、进一步的，步骤（2）的具体方法如下：
9、（2.1）计算时刻端到端延迟：，表示t时刻的排队延迟；表示时刻的传输延迟；表示t时刻的传播延迟，所述传输延迟是数据从发送方传输到接收方所需的时间，所述传播延迟是数据在信道中传播所需的时间，排队延迟，表示t时刻的平均排队时间，表示t时刻数据包进入整个网络的速率，，表示t时刻sr节点的数据包处理和传输速率，表示t时刻sr节点无法及时处理或传输数据包的概率；
10、（2.2）计算时刻吞吐量：，其中，表示网络中一个具体的流，表示网络中所有流的集合，表示时刻流的吞吐量；
11、（2.3）计算t时刻丢包率：，其中，表示时刻丢失的数据包数量，表示t时刻发送的总数据包数量；
12、（2.4）根据计算得到的端到端延迟、吞吐量、丢包率值生成100个qos属性矩阵，
13、每个矩阵如下：
14、，
15、其中，表示第t个时刻的第s个qos属性值，其中：
16、，，其中，矩阵的第一列表示t时刻端到端延迟的qos属性值，第二列表示t时刻吞吐量的qos属性值，第三列表示t时刻丢包率的qos属性值；
17、（2.5）将每个qos属性矩阵进行归一化，对于每个qos值，归一化公式为：
18、，其中，表示归一化后的值，表示第s个qos属性值中的最小值，表示第s个qos属性值中的最大值。
19、进一步的，步骤（3）的具体方法如下：训练cnn模型时，将归一化后的qos属性矩阵输入到卷积层，将卷积层输出所得归一化后的qos属性矩阵特征图输入到最大池化层中提取特征并降维，然后输入到全连接层中得到与归一化后qos属性矩阵同维度的矩阵，其中，矩阵各行表示各个时刻qos流所对应的不同服务类别的分数，将输出矩阵通过softmax函数，在其每一行上独立进行softmax操作，以获取每个时刻qos流所属服务类别的概率分布，所属服务概率最高的类别即被确定为该时刻qos流所对应的类别。
20、进一步的，步骤（3）中，在训练过程中，通过交叉熵损失函数比较模型的输出和实际类别标签，利用随机梯度下降算法sgd最小化交叉熵损失函数以提高qos流分类的准确率。
21、有益效果：与现有技术相比，本专利技术的技术方案具有以下有益技术效果：
22、本专利技术提出了一种在物联网中基于深度学习的qos流分类方法，即流画像。它是一种新的qos流分类方法，旨在创建适合特定场景的定制qos流控制，能够增强业务类型识别、优化可视化网络条件、优化资源分配，并支持精确的故障排除，帮助网络管理者根据业务要求快速、精准地确定应采取何种qos策略，提供精确的qos流分类，满足不同用户和流服务的需求，从而提高用户的体验感和满意度。
本文档来自技高网...【技术保护点】
1.一种在物联网中基于深度学习的QoS流分类方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种在物联网中基于深度学习的QoS流分类方法，其特征在于，步骤（1）和步骤（4）中，采集间隔时间为0.06秒，采集总时间为100分钟。
3.根据权利要求1或2所述的一种在物联网中基于深度学习的QoS流分类方法，其特征在于，步骤（2）的具体方法如下：
4.根据权利要求1或2所述的一种在物联网中基于深度学习的QoS流分类方法，其特征在于，步骤（3）的具体方法如下：训练CNN模型时，将归一化后的QoS属性矩阵输入到卷积层，将卷积层输出所得归一化后的QoS属性矩阵特征图输入到最大池化层中提取特征并降维，然后输入到全连接层中得到与归一化后QoS属性矩阵同维度的矩阵，其中，矩阵各行表示各个时刻QoS流所对应的不同服务类别的分数，将输出矩阵通过softmax函数，在其每一行上独立进行softmax操作，以获取每个时刻QoS流所属服务类别的概率分布，所属服务概率最高的类别即被确定为该时刻QoS流所对应的类别。
5.根据权利要求1或2所述的一种
...【技术特征摘要】
1.一种在物联网中基于深度学习的qos流分类方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种在物联网中基于深度学习的qos流分类方法，其特征在于，步骤（1）和步骤（4）中，采集间隔时间为0.06秒，采集总时间为100分钟。
3.根据权利要求1或2所述的一种在物联网中基于深度学习的qos流分类方法，其特征在于，步骤（2）的具体方法如下：
4.根据权利要求1或2所述的一种在物联网中基于深度学习的qos流分类方法，其特征在于，步骤（3）的具体方法如下：训练cnn模型时，将归一化后的qos属性矩阵输入到卷积层，将卷积层输出所得归一化后的qos属性...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。