System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及工业物联网,具体为工业物联网的网络属性预测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、利用计算方法和机器学习技术来预测物联网网络的性质,例如连接稳定性、数据流量、设备互操作性和网络延迟,从而实现工业物联网的网络属性预测,这一过程有助于优化工业物联网的性能,提高生产效率,并降低维护成本。目前通常选用图神经网络来执行上述预测。
3、图神经网络是一种能够处理网络结构数据的机器学习模型,通过对网络拓扑结构建模和学习,图神经网络能够从网络的拓扑连接、设备之间的通信以及网络环境等信息中提取有用的特征。而工业物联网数据往往包含敏感信息,例如生产工艺和商业机密等,企业不愿意公开或共享这些数据,尤其是在传统的中心化数据共享模式下。其次,现有的工业物联网网络属性预测模型没有充分考虑网络结构特征,网络结构具有复杂的拓扑特性和通信模式,其中不同尺度的特征对于描述这些复杂性起着关键作用。与此同时,物联网设备之间可能存在较长的依赖关系,传统的图神经网络在处理长序列时面临梯度消失或难以捕捉长期依赖的问题。
4、综上,目前采用图神经网络进行工业物联网的网络属性预测时的准确性不理想。
技术实现思路
1、为了解决上述
技术介绍
中存在的技术问题,本专利技术提供工业物联网的网络属性预测方法及系统,应用联邦学习技术,每个分支中训练的局部图神经网络模型在确定各自的参数后,通过聚合其余分支的模型参数更新当前分支中模
2、为了实现上述目的,本专利技术采用如下技术实施例:
3、本专利技术的第一个方面提供工业物联网的网络属性预测方法,包括以下步骤:
4、以工业物联网中的每个设备为图的节点,设备之间的连接为图的边,生成工业物联网网络结构信息图,并形成图数据保存在对应的分支中;
5、每个分支中的图数据基于图神经网络模型提取不同尺度的节点特征并池化处理,池化处理后的特征经聚合后与原始图数据相加,作为输入数据;
6、每个分支通过训练图神经网络模型,确定各自模型的参数,在每个联邦学习轮次后聚合所有模型的参数,每个分支根据聚合后的参数更新模型并进行下一轮次的训练,直至达到设定训练次数;
7、利用输入数据和每个分支中训练完毕的图神经网络模型,得到物联网的网络属性。
8、进一步的,形成的图数据具有多组,多组图数据形成数据集,数据集中的每个图表示一个样本,每个样本均包括节点特征矩阵、边特征矩阵和相应的目标值。
9、进一步的,节点特征矩阵包括设备类型、设备状态信息和设备位置信息中的至少一种。
10、进一步的,边特征矩阵包括设备之间的连接类型、通信带宽和延迟信息中的至少一种。
11、进一步的,每个分支中的图数据基于图神经网络模型提取不同尺度的节点特征,具体为:基于不同尺度的卷积核并行的处理输入的图数据,以获取不同尺度的节点特征表示。
12、进一步的,池化处理具体为:在每个分支提取的特征矩阵上进行,将池化区域内的节点特征进行最大池化操作。
13、进一步的,池化处理后的特征经聚合后与原始图数据相加,作为输入数据,具体为:将每个分支池化操作后的特征聚合,基于残差连接将聚合后的特征与多尺度特征提取前的输入特征相加,得到输入数据。
14、进一步的,聚合所有模型的参数期间,在每个分支上传的模型参数数据中增加噪声。
15、进一步的,增加的噪声与隐私预算成反比,隐私预算表示允许的隐私损失程度。
16、进一步的,增加噪声,具体为:向查询结果添加laplace噪声来实现差分隐私。
17、本专利技术的第二个方面提供实现上述方法所需的系统,包括:
18、图数据采集模块,被配置为:以工业物联网中的每个设备为图的节点,设备之间的连接为图的边,生成工业物联网网络结构信息图,并形成图数据保存在对应的分支中;
19、图数据更新模块,被配置为:每个分支中的图数据基于图神经网络模型提取不同尺度的节点特征并池化处理,池化处理后的特征经聚合后与原始图数据相加,作为输入数据;
20、模型参数更新模块,被配置为:每个分支通过训练图神经网络模型,确定各自模型的参数,在每个联邦学习轮次后聚合所有模型的参数,每个分支根据聚合后的参数更新模型并进行下一轮次的训练,直至达到设定训练次数;
21、网络属性预测模块,被配置为:利用输入数据和每个分支中训练完毕的图神经网络模型,得到物联网的网络属性。
22、本专利技术的第三个方面提供一种计算机可读存储介质。
23、一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的工业物联网的网络属性预测方法中的步骤。
24、本专利技术的第四个方面提供一种计算机设备。
25、一种计算机设备,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如上述所述的工业物联网的网络属性预测方法中的步骤。
26、与现有技术相比,以上一个或多个技术实施例存在以下有益效果:
27、1、应用联邦学习技术,每个分支中训练的局部图神经网络模型在确定各自的参数后,通过聚合其余分支的模型参数更新当前分支中模型的参数,从而只共享数据中的知识而不共享数据自身,使得分支对应的客户端可以在不共享隐私数据的情况下共同训练全局模型。
28、2、每个分支对应的客户端上传的局部模型参数通过增加噪声,提高从模型参数中得到用户因素的难度,进一步保护数据隐私。
29、3、通过融入多尺度特征提取,学习工业物联网网络结构中不同尺度的特征,并通过提取的多尺度特征可以学习更复杂的特征表示,从而更好的捕捉工业物联网网络的抽象特性和通信行为,有助于提高工业物联网网络属性预测模型的表达能力和推理能力,进而更加准确的预测能力。
30、4、通过引入残差连接,构建更深层次的网络,使其能够更好地建模工业物联网网络的复杂性,从而捕捉工业物联网网络结构中多个层次的特征表示,进一步提升预测的准确性。
本文档来自技高网...【技术保护点】
1.工业物联网的网络属性预测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的工业物联网的网络属性预测方法,其特征在于,形成的图数据具有多组,多组图数据形成数据集,数据集中的每个图表示一个样本,每个样本均包括节点特征矩阵、边特征矩阵和相应的目标值。
3.如权利要求2所述的工业物联网的网络属性预测方法,其特征在于,所述节点特征矩阵包括设备类型、设备状态信息和设备位置信息中的至少一种,所述边特征矩阵包括设备之间的连接类型、通信带宽和延迟信息中的至少一种。
4.如权利要求1所述的工业物联网的网络属性预测方法,其特征在于,每个分支中的图数据基于图神经网络模型提取不同尺度的节点特征,具体为:基于不同尺度的卷积核并行的处理输入的图数据,以获取不同尺度的节点特征表示。
5.如权利要求1所述的工业物联网的网络属性预测方法,其特征在于,池化处理,具体为:在每个分支提取的特征矩阵上进行,将池化区域内的节点特征进行最大池化操作。
6.如权利要求1所述的工业物联网的网络属性预测方法,其特征在于,池化处理后的特征经聚合后与原始图数据相加,作
7.如权利要求1所述的工业物联网的网络属性预测方法,其特征在于,聚合所有模型的参数期间,在每个分支上传的模型参数数据中增加噪声。
8.如权利要求7所述的工业物联网的网络属性预测方法,其特征在于,增加的噪声与隐私预算成反比,隐私预算表示允许的隐私损失程度。
9.如权利要求7所述的工业物联网的网络属性预测方法,其特征在于,增加噪声,具体为:向查询结果添加Laplace噪声来实现差分隐私。
10.工业物联网的网络属性预测系统,其特征在于,包括:
...【技术特征摘要】
1.工业物联网的网络属性预测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的工业物联网的网络属性预测方法,其特征在于,形成的图数据具有多组,多组图数据形成数据集,数据集中的每个图表示一个样本,每个样本均包括节点特征矩阵、边特征矩阵和相应的目标值。
3.如权利要求2所述的工业物联网的网络属性预测方法,其特征在于,所述节点特征矩阵包括设备类型、设备状态信息和设备位置信息中的至少一种,所述边特征矩阵包括设备之间的连接类型、通信带宽和延迟信息中的至少一种。
4.如权利要求1所述的工业物联网的网络属性预测方法,其特征在于,每个分支中的图数据基于图神经网络模型提取不同尺度的节点特征,具体为:基于不同尺度的卷积核并行的处理输入的图数据,以获取不同尺度的节点特征表示。
5.如权利要求1所述的工业物联网的网络属性预测方法,其特征在于,池化处理,具体为:在每个...
【专利技术属性】
技术研发人员:刘兆伟,姜一凡,王占宇,郭德志,徐金东,王海洋,王涛,
申请(专利权)人:烟台大学,
类型:发明
国别省市:
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。