【技术实现步骤摘要】
本专利技术涉及时间同步领域，更具体的说，它涉及一种用于高访问请求下的ntp授时方法及系统。
技术介绍
1、ntp授时服务对于确保计算机系统时间的准确性和一致性至关重要。在现代信息技术环境中，精确的时间同步是许多关键应用的基础，如金融交易、数据中心操作、网络通信协议等。ntp通过网络同步时间，提供了一个低成本且高效的解决方案来校准计算机内部时钟。这种同步对于维持网络设备之间的协调和数据整合性尤为关键。
2、然而，ntp授时服务的精度受到往返时延（round-trip delay）对称性假设的显著影响。ntp协议通常假定数据包从客户端到服务器再返回客户端的时间是相同的。这一假设简化了时钟偏差的计算，但在现实网络环境中，往返路径的延迟往往因各种因素（如网络拥塞、路由器处理速度、不同的传输路径等）而有所不同。当这种对称性假设不成立时，ntp算法可能无法准确地计算和校正时钟偏差，从而影响到时钟同步的精度。
3、此外，ntp授时服务的效率和准确性还受到客户端任务量和ntp服务器请求负载的影响。当客户端的计算资源被大量任务占用时，它可能无法及时处理ntp服务的响应，导致时间同步的延迟和不准确。同样，如果ntp服务器面对高量的访问请求，它的响应时间可能会增加，影响服务的质量。在极端情况下，这可能导致服务器过载，进一步降低时间同步的准确性和可靠性。
技术实现思路
1、本专利技术通过将ntp授时服务信息直接送入时间调整值输出模型中计算，可以实现对于ntp授时服务信息与时间调整值
2、一种用于高访问请求下的ntp授时方法，包括：
3、当时间同步客户端向授时服务器发送时间同步请求之前的预设时间内，获取时间同步客户端在预设时间内的单位时间任务处理量q，同时通过时间同步客户端向授时服务器发送状态请求报文的方式获取所有授时服务器的工作状态，工作状态包括繁忙以及不繁忙；
4、对时间同步客户端在预设时间内的单位时间任务处理量q和所有授时服务器的工作状态进行判断，若是满足“q＜g”且“l/r＜α”，其中g为单位时间任务处理量阈值，l为工作状态为繁忙的授时服务器总个数，r为授时服务器的总个数，α为授时服务器数量阈值，执行步骤s1；若是不满足“q＜g”且“l/r＜α”，执行步骤s2；
5、s1：时间同步客户端向r个授时服务器发送时间同步请求，当任一授时服务器接收到ntp授时请求之后，会生成对应的应答报文，并将应答报文反馈回时间同步客户端，时间同步客户端根据r个应答报文生成ntp授时服务信息，ntp授时服务信息的存储形式为{x1，x2…xr…xr}，其中xr为第r个授时服务器对应的授时信息，且授时信息xr的存储形式为[t1，t2（r），t3（r），t4（r）]，其中t1为时间同步客户端向所有授时服务器发送ntp授时请求的时间戳，t2（n）为第n个授时服务器接收到时间同步客户端ntp授时请求的时间戳，t3（n）为第n个授时服务器向时间同步客户端发送应答报文的时间戳，t4（n）为时间同步客户端接收到第n个授时服务器发送的应答报文的时间戳；将ntp授时服务信息送入训练好的时间调整值输出模型进行计算，时间调整值输出模型基于通过飞蛾火焰优化算法改进后的elm模型建立，并输出对应的时间调整值；通过时间调整值对时间同步客户端的本地时钟进行调整，并将时间调整值按照输出的时间顺序依次存入时间调整值集合中；
6、s2：基于时间调整值集合和训练好的时间调整值预测模型输出预测时间调整值，时间调整值预测模型基于transfomur模型建立，通过预测时间调整值对时间同步客户端的本地时钟进行调整，并将预测时间调整值按照输出的时间顺序依次存入时间调整值集合中。
7、优选地，时间调整值输出模型包括一个特征提取器和时间调整值输出器，其中特征提取器基于rbm模型建立，包括一个可视层和一个隐含层，可视层和隐含层的神经节点个数都是r；时间调整值输出器基于通过飞蛾火焰优化算法改进后的elm模型建立，包括一个输入层、一个隐藏层和一个输出层，输入层的神经节点个数为r，输出层的神经节点个数为1，隐藏层的神经节点个数为（1+r）0.5+β，β为2-10的随机整数；
8、通过特征提取器对ntp授时服务信息进行特征学习，通过时间调整值输出器对时间调整值进行输出。
9、优选地，将ntp授时服务信息送入训练好的时间调整值输出模型进行计算，具体包括如下步骤：
10、将ntp授时服务信息内的授时信息xr逐个送入特征提取器中可视层的神经节点，并通过可视层和隐含层之间的第一权重参数θ1对将ntp授时服务信息进行计算，θ1={wij（1），ai，bj}，wij为可视层中第i个神经节点与隐含层中第j个神经节点之间的第一连接权重，ai为可视层中第i个神经节点对应的第一偏置值，bj为隐含层中第j个神经节点对应的偏置值，且i=1，2，3…r，j=1，2，3…r，得到特征数据集，特征数据集的存储形式为{y1，y2…yr…yr}，其中yr为第r个授时信息对应的特征数据；将特征数据集中的特征数据yr逐个送入时间调整值输出器中进行计算，通过输出层输出时间调整值，其中输入层与隐藏层之间的第二权重参数θ2通过飞蛾火焰优化算法模拟计算得到，θ2={wku（2），bu}，其中wku（2）为输入层中第k个神经节点与隐藏层中第u个神经节点之间的第二连接权重，bu为隐藏层中第u个神经节点对应的第二偏置值，且k=1，2，3…r，u=1，2，3…（1+r）0.5+β。
11、优选地，针对时间调整值输出模型的训练包括如下步骤：
12、获取训练ntp授时服务信息，将所有训练ntp授时服务信息划分为第一训练集和第一测试集，再将第一训练集送入初始化参数的特征提取器进行训练，期间通过最大化特征提取器在第一训练集上的对数释然函数对第一权重参数θ1进行调整；当达到最大训练次数，输出训练好的特征提取器，并对特征提取器内的第一权重参数θ1进行固定；
13、将第一训练集送入时间调整值输出器参数初始化的时间调整值输出模型进行训练，期间，保证特征提取器内的第一权重参数θ1不变，在训练过程中，基于时间调整值输出模型输出的时间调整值和训练ntp授时服务信息对应的实际时间调整值计算第一交叉熵损失值，再判断第一交叉熵损失值是否位于第一预设范围内，若是第一交叉熵损失值位于第一预设范围内，输出训练好的时间调整值输出模型；否则，继续通过第一训练集对时间调整值输出模型进行训练；通过第一测试集对时间调整值输出模型的本文档来自技高网...
【技术保护点】
1.一种用于高访问请求下的NTP授时方法，其特征在于，包括：
2.根据权利要求1所述的一种用于高访问请求下的NTP授时方法，其特征在于，时间调整值输出模型包括一个特征提取器和时间调整值输出器，其中特征提取器基于RBM模型建立，包括一个可视层和一个隐含层，可视层和隐含层的神经节点个数都是R；时间调整值输出器基于通过飞蛾火焰优化算法改进后的ELM模型建立，包括一个输入层、一个隐藏层和一个输出层，输入层的神经节点个数为R，输出层的神经节点个数为1，隐藏层的神经节点个数为（1+R）0.5+β，β为2-10的随机整数；
3.根据权利要求2所述的一种用于高访问请求下的NTP授时方法，其特征在于，将NTP授时服务信息送入训练好的时间调整值输出模型进行计算，具体包括如下步骤：
4.根据权利要求3所述的一种用于高访问请求下的NTP授时方法，其特征在于，针对时间调整值输出模型的训练包括如下步骤：
5.根据权利要求4所述的一种用于高访问请求下的NTP授时方法，其特征在于，通过飞蛾火焰优化算法模拟计算得到输入层与隐藏层之间的第二权重参数θ2，具体包括如下步
6.根据权利要求5所述的一种用于高访问请求下的NTP授时方法，其特征在于，建立N个第二权重参数模拟个体Fn，具体包括如下步骤：
7.根据权利要求6所述的一种用于高访问请求下的NTP授时方法，其特征在于，计算第二权重参数模拟个体Fn对应的适应度δn，具体包括如下步骤：将第二权重参数模拟个体Fn作为第二权重参数θ2送入时间调整值输出模型中，并通过第一测试集对时间调整值输出模型进行测试，输出测试过程中时间调整值输出模型对应的损失值εe，e=1，2，3…E，E为第一测试集中所有训练NTP授时服务信息的总个数，第二权重参数模拟个体Fn对应的适应度
8.根据权利要求7所述的一种用于高访问请求下的NTP授时方法，其特征在于，调整值预测模型基于Transfomur模型建立，包括编码器和解码器；
9.根据权利要求8所述的一种用于高访问请求下的NTP授时方法，其特征在于，针对调整值预测模型的训练包括如下步骤：
10.一种用于高访问请求下的NTP授时系统，其特征在于，所述系统应用于上述权利要求1-9任一项所述的一种用于高访问请求下的NTP授时方法，包括：
...【技术特征摘要】
1.一种用于高访问请求下的ntp授时方法，其特征在于，包括：
2.根据权利要求1所述的一种用于高访问请求下的ntp授时方法，其特征在于，时间调整值输出模型包括一个特征提取器和时间调整值输出器，其中特征提取器基于rbm模型建立，包括一个可视层和一个隐含层，可视层和隐含层的神经节点个数都是r；时间调整值输出器基于通过飞蛾火焰优化算法改进后的elm模型建立，包括一个输入层、一个隐藏层和一个输出层，输入层的神经节点个数为r，输出层的神经节点个数为1，隐藏层的神经节点个数为（1+r）0.5+β，β为2-10的随机整数；
3.根据权利要求2所述的一种用于高访问请求下的ntp授时方法，其特征在于，将ntp授时服务信息送入训练好的时间调整值输出模型进行计算，具体包括如下步骤：
4.根据权利要求3所述的一种用于高访问请求下的ntp授时方法，其特征在于，针对时间调整值输出模型的训练包括如下步骤：
5.根据权利要求4所述的一种用于高访问请求下的ntp授时方法，其特征在于，通过飞蛾火焰优化算法模拟计算得到输入层与隐藏层之间的第二权重参数θ2，具体包括如下步骤：
【专利技术属性】
技术研发人员：洪治，吴浩浩，邓汝敏，夏启潮，
申请(专利权)人：深圳市太铭科技有限公司，
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。