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】
本专利技术涉及云边协同,尤其涉及一种基于云边协同识别数字设备的方法及系统、设备、介质,用于提升物联网领域下数字设备的识别准确率和效率。
技术介绍
1、物联网促进了物理世界和数字世界的深度融合,加速了工业发展,智能化发展的现在,企业在减少劳动力成本的同时,加大了数字设备资产的比重,这使得数字设备的全生命周期管理面临着巨大的挑战。同时,数字设备在物联网中如果进行有效监管和识别也成了重要的问题。
2、基于云边协同识别数字设备能大幅降低运维成本,是管理数字设备的发展方向。本专利技术提供了一种基于云边协同识别数字设备的方法及系统、设备、介质,提升物联网领域下数字设备的识别准确率和效率。
技术实现思路
1、本专利技术提供了一种基于云边协同识别数字设备的方法及系统、设备、介质,用于提升物联网领域下数字设备的识别准确率和效率。
2、本专利技术通过下述技术方案实现:一种基于云边协同识别数字设备的方法,包括以下步骤:步骤s1,启动数字设备,云计算中心监控并获取不同类型的数字设备的网络流量,生成固定格式的特征向量;
3、步骤s2,将监控的不同类型的数字设备的网络流量进行可视化展示,记录下启动数字设备时的图像流量样本,将所述图像流量样本结合所述特征向量生成标记图像样本;
4、步骤s3,云计算中心使用所述标记图像样本完成不同类型的数字设备的参数训练;
5、步骤s4,提取所述图像样本的特征,构建数字设备识别模型,使用所述不同类型的数字设备的参数训练所
6、步骤s5,边缘计算设备执行下发的设备识别模型,完成数字设备的本地识别,并上传标记的图像样本用以所述数字设备识别模型的更新。
7、为了更好地实现本专利技术,进一步地,所述步骤s1包括:
8、所述固定格式为序列字段内容+序列协议信息+序列统计数量的固定格式。
9、为了更好地实现本专利技术,进一步地,所述步骤s2包括:
10、收集监控的不同类型的数字设备的网络流量数据,使用网络可视化工具对所述网络流量数据进行数据预处理操作、图形布局操作和视觉编码操作。
11、为了更好地实现本专利技术,进一步地,所述步骤s4包括:
12、所述数字设备识别模型包括特征提取模块、分类检测模块和输出模块,在所述分类检测模块中使用随机森林分类器进行分类检测;
13、使用ciou损失函数训练所述数字设备识别模型学习。
14、为了更好地实现本专利技术,进一步地,所述数字设备识别模型的结构包括:
15、所述特征提取模块、分类检测模块和输出模块从前至后依次连接;
16、所述特征提取模块包括从前到后依次连接的第一卷积层、第一批归一化层、线性修正层;
17、所述目标检测模块包括从前到后依次连接均值池化层、第二批归一化层、第二卷积层和随机森林分类器;
18、所述特征输出模块包括从前到后依次的特征拼接层和全连接层;
19、所述线性修正层和所述均值池化层连接,所述随机森林分类器和所述特征拼接层连接。
20、为了更好地实现本专利技术,进一步地,使用所述第一卷积层提取图像样本的特征,使用所述第一批归一化层对输入的不同的图像样本的特征数据进行处理,调整中间输出参数,再使用所述第一批归一化层调整参数的相互依存关系;
21、使用所述均值池化层对输入的图像样本的特征数据进行平均采样,使用所述第二批归一化层调整数据参数,使用所述第二卷积层抽象出图像样本的特征数据后输入进所述随机森林分类器训练,以便最小化误差;
22、使用所述特征拼接层和全连接层进行图像样本的特征信息进行拼接和整合。
23、为了更好地实现本专利技术,进一步地,使用ciou损失函数训练所述数字设备识别模型学习的方法包括:
24、ciou损失函数表示为:
25、其中,ρ2为b与bgt两边界框质心的欧式距离,b为预测框,bgt为目标框,c2为b与bgt闭包对角线的长度的平方,αv是用来衡量长宽一致性比的参数,为调节因子,w和h为参数变量。
26、本专利技术还提供了一种基于云边协同识别数字设备的系统,包括流量采集单元、可视化展示单元、数字设备识别单元和更新单元,其中:
27、流量采集单元,用于启动数字设备,云计算中心监控并获取不同类型的数字设备的网络流量,生成固定格式的特征向量;
28、可视化展示单元,用于将监控的不同类型的数字设备的网络流量进行可视化展示,记录下启动数字设备时的图像流量样本,将所述图像流量样本结合所述特征向量生成标记图像样本;
29、数字设备识别单元,用于云计算中心使用所述标记图像样本完成不同类型的数字设备的参数训练;用于提取所述图像样本的特征,构建数字设备识别模型,使用所述不同类型的数字设备的参数训练所述数字设备识别模型,生成训练好的数字设备识别模型,并定期将所述数字设备识别模型下发到边缘端的边缘计算设备;
30、更新单元,用于边缘计算设备执行下发的设备识别模型,完成数字设备的本地识别,并上传标记的图像样本用以所述数字设备识别模型的更新。
31、本专利技术还提供了一种电子设备,该电子设备包括处理器和存储器;处理器中包括上述第二方面所记载的基于云边协同识别数字设备的系统。
32、本专利技术还提供了一种计算机可读存储介质,该计算机可读存储介质包括指令;当指令在上述第三方面所记载的电子设备上运行时,使得电子设备执行上述第一方面所记载的方法。
33、本专利技术与现有技术相比,具有以下优点及有益效果:
34、(1)本专利技术提供一种基于云边协同识别数字设备的方法及系统、设备、介质,结合卷积层和随机森林分类器提出数字设备识别模型,最后将该数字设备识别模型部署至云边协同框架上以提升算法的执行效率。
本文档来自技高网...【技术保护点】
1.一种基于云边协同识别数字设备的方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于云边协同识别数字设备的方法,其特征在于,所述步骤S1包括:
3.根据权利要求1所述的一种基于云边协同识别数字设备的方法,其特征在于,所述步骤S2包括:
4.根据权利要求1所述的一种基于云边协同识别数字设备的方法,其特征在于,所述步骤S4包括:
5.根据权利要求4所述的一种基于云边协同识别数字设备的方法,其特征在于,所述数字设备识别模型的结构包括:
6.根据权利要求1所述的一种基于云边协同识别数字设备的方法,其特征在于,包括:
7.根据权利要求4所述的一种基于云边协同识别数字设备的方法,其特征在于,使用CIOU损失函数训练所述数字设备识别模型学习的方法包括:
8.一种基于云边协同识别数字设备的系统,其特征在于,包括流量采集单元、可视化展示单元、数字设备识别单元和更新单元,其中:
9.一种电子设备,其特征在于,包括处理器和存储器;所述处理器中包括如权利要求8所述的基于云边协同识别数字设备的系
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括指令;当指令在如权利要求9所述的电子设备上运行时,使得所述电子设备执行如权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种基于云边协同识别数字设备的方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于云边协同识别数字设备的方法,其特征在于,所述步骤s1包括:
3.根据权利要求1所述的一种基于云边协同识别数字设备的方法,其特征在于,所述步骤s2包括:
4.根据权利要求1所述的一种基于云边协同识别数字设备的方法,其特征在于,所述步骤s4包括:
5.根据权利要求4所述的一种基于云边协同识别数字设备的方法,其特征在于,所述数字设备识别模型的结构包括:
6.根据权利要求1所述的一种基于云边协同识别数字设备的方法,其特征在于,包括:
【专利技术属性】
技术研发人员:付鹏,王达原,
申请(专利权)人:四川公众项目咨询管理有限公司,
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。