【技术实现步骤摘要】
本专利技术属于工业互联网领域，具体涉及一种基于transformer和gru的tsn交换机队列长度预测方法。
技术介绍
1、tsn(时间敏感网络，time-sensitive networking)是新一代确定性网络技术，其主要面向工业物联网、工业自动化、车载网络以及航空航天电子系统网络等安全关键领域，由一簇工作在介质访问控制层的协议组成。在这些协议的支持下，一方面tsn能够确保交换网络中的数据传输时延，另一方面时间敏感数据流和非时间敏感数据流能够在同一网络中混合传输，非关键负载的并行传输不会影响到关键负载的传输时延。
2、标准以太网中的优先级反转问题会造成交换机出端口及路径上后续所有出端口的帧传输错乱，增加网络延时。为缓解该问题，tsn提出保护带机制，即：在每个实时队列的门开放前进行判断，阻止会干扰实时帧传输的非实时帧，防止优先级反转的发生，保护带机制能避免非实时流量对实时流量的干扰，但同时会引入带宽浪费。
3、针对带宽浪费问题，基于sdn(软件定义网络，software defined network)体系实现调度问题优化，减少保护带的出现次数，是一种解决方法。其中，准确预测tsn交换机队列长度，保证调度优化，是目前亟需解决的问题。
技术实现思路
1、本专利技术所要解决的技术问题在于：针对现有技术中无法准确预测tsn交换机队列长度，并保证调度优化的问题，提供了一种基于transformer和gru的tsn交换机队列长度预测方法。
2、为解决以
3、s1、基于tsn交换机构建集中管理的网络拓扑，采集网络拓扑的特征数据；
4、s2、在特征数据中提取独立的特征数据；
5、s3、基于独立的特征数据构建数据集t，数据集t包括：若干预设步长的时间序列及其对应的队列长度；对数据集t划分训练集和测试集；
6、s4、构建基于transformer和gru的神经网络，以训练集中预设步长的时间序列为输入、其对应的tsn交换机队列长度为输出，训练神经网络，得到tsn交换机队列长度预测模型minit；
7、s5、将时间序列输入至tsn交换机队列长度预测模型minit得到tsn交换机队列长度。
8、进一步地，前述的步骤s1中，特征数据包括：发送时间，接收时间，发送时间与接收时间差，发送包大小，交换机时间，发送时间与交换机时间差，接收时间与交换机时间差，发送节点，节点优先级，时隙，流量模式，吞吐量，队列长度。
9、进一步地，前述的步骤s2包括如下子步骤：
10、s201、对特征数据进行spearman相关系数计算，去除相关系数绝对值大于等于阈值的特征数据，得到更新的特征数据；
11、s202、对更新的特征数据，进行多重共线性分析，去除方差膨胀因子大于等于阈值的特征数据，得到独立的特征数据。
12、进一步地，前述的步骤s4中，基于transformer和gru的神经网络包括：n个顺序连接的encoder模块、第一linear层、以及第二linear层；第一个encoder模块作为transformer和gru的神经网络的输入端，最后一个encoder模块依次连接第一linear层、第二linear层，第二linear层作为transformer和gru的神经网络的输出端。
13、进一步地，前述的encoder模块包括：第一feed forward层、第二feed forward层、multi-head attention层、gru层、第一add&norm层、第二add&norm层、第三add&norm层、相加操作模块；
14、第一feed forward层的输入端、gru层的输入端、以及第一add&norm层的输入端作为encoder模块的输入端，第一feed forward层的输出端与multi-head attention层的输入端、第二add&norm层的输入端分别相连；
15、multi-head attention层的输出端与第二add&norm层的输入端相连；
16、gru层的输出端与第一add&norm层的输入端相连；
17、第一add&norm层、第二add&norm层的输出端分别连接相加操作模块的输入端；
18、相加操作模块的输出端分别连接第三add&norm层的输入端、第二feed forward层的输入端；
19、第二feed forward层的输出端连接第三add&norm层的输入端；
20、第三add&norm层的输出端作为encoder模块的输出端。
21、进一步地，前述的一种基于transformer和gru的tsn交换机队列长度预测方法，还包括基于mse评价指标，对tsn交换机队列长度预测模型minit在测试集上进行性能评估，mse为均方误差：
22、
23、其中，n为样本数目，yi为第i个样本的真实值，为第i个样本的预测值。
24、进一步地，前述的步骤s201中，对两组特征数据x＝{xi|0＜i≤n}和y＝{yi|0＜i≤n}进行spearman相关系数计算，如下式：
25、
26、其中，n为样本数目，di为两组特征数据对应样本的等级差，r∈[-1，1]。
27、进一步地，前述的步骤s202中，方差膨胀因子的计算公式如下：
28、
29、其中，ri为第i个特征数据对其余特征数据作回归分析的负相关系数。
30、进一步地，前述的步骤s3中，预设步长为10。
31、进一步地，前述的步骤s201中，去除相关系数大于等于0.7的特征数据，得到更新的特征数据；
32、进一步地，前述的步骤s202中，去除方差膨胀因子大于等于10的特征数据，得到独立的特征数据。
33、相较于现有技术，本专利技术采用以上技术方案的有益技术效果如下：
34、1、encoder模块中的multi-head attention层一方面可以同时关注特征数据中不同位置的信息，另一方面可以更好地捕捉长距离依赖关系，从而学习到丰富的特征数据信息提高模型性能。
35、2、结合发送时间、优先级、时隙等与tsn交换机队列相关的特征数据，为模型提供更多的信息，帮助模型更好地理解数据，提升预测模型性能。
36、3、transformer处理特征数据中长距离依赖性，提高模型的全局信息捕获能力，gru处理特征数据中短距离依赖性，提高模型的局部信息捕获能力，基于transformer和gru两种方法，可以学习特征数据的全局与局部信本文档来自技高网...
【技术保护点】
1.一种基于Transformer和GRU的TSN交换机队列长度预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于Transformer和GRU的TSN交换机队列长度预测方法，其特征在于，步骤S1中，特征数据包括：发送时间，接收时间，发送时间与接收时间差，发送包大小，交换机时间，发送时间与交换机时间差，接收时间与交换机时间差，发送节点，节点优先级，时隙，流量模式，吞吐量，队列长度。
3.根据权利要求1所述的一种基于Transformer和GRU的TSN交换机队列长度预测方法，其特征在于，步骤S2包括如下子步骤：
4.根据权利要求1所述的一种基于Transformer和GRU的TSN交换机队列长度预测方法，其特征在于，步骤S4中，基于Transformer和GRU的神经网络包括：N个顺序连接的Encoder模块、第一Linear层、以及第二Linear层；第一个Encoder模块作为Transformer和GRU的神经网络的输入端，最后一个Encoder模块依次连接第一Linear层、第二Linear层，第二Linear层作为
5.根据权利要求1所述的一种基于Transformer和GRU的TSN交换机队列长度预测方法，其特征在于，Encoder模块包括：第一Feed Forward层、第二Feed Forward层、Multi-HeadAttention层、GRU层、第一Add&Norm层、第二Add&Norm层、第三Add&Norm层、相加操作模块；
6.根据权利要求1所述的一种基于Transformer和GRU的TSN交换机队列长度预测方法，其特征在于，还包括基于MSE评价指标，对TSN交换机队列长度预测模型Minit在测试集上进行性能评估，MSE为均方误差：
7.根据权利要求3所述的一种基于Transformer和GRU的TSN交换机队列长度预测方法，其特征在于，步骤S201中，对两组特征数据X＝{xi|＜i≤n}和Y＝{yi|＜i≤n}进行Spearman相关系数计算，如下式：
8.根据权利要求3所述的一种基于Transformer和GRU的TSN交换机队列长度预测方法，其特征在于，步骤S202中，方差膨胀因子的计算公式如下：
9.根据权利要求1所述的一种基于Transformer和GRU的TSN交换机队列长度预测方法，其特征在于，步骤S3中，预设步长为10。
10.根据权利要求1所述的一种基于Transformer和GRU的TSN交换机队列长度预测方法，其特征在于，步骤S201中，去除相关系数大于等于0.7的特征数据，得到更新的特征数据；步骤S202中，去除方差膨胀因子大于等于10的特征数据，得到独立的特征数据。
...【技术特征摘要】
1.一种基于transformer和gru的tsn交换机队列长度预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于transformer和gru的tsn交换机队列长度预测方法，其特征在于，步骤s1中，特征数据包括：发送时间，接收时间，发送时间与接收时间差，发送包大小，交换机时间，发送时间与交换机时间差，接收时间与交换机时间差，发送节点，节点优先级，时隙，流量模式，吞吐量，队列长度。
3.根据权利要求1所述的一种基于transformer和gru的tsn交换机队列长度预测方法，其特征在于，步骤s2包括如下子步骤：
4.根据权利要求1所述的一种基于transformer和gru的tsn交换机队列长度预测方法，其特征在于，步骤s4中，基于transformer和gru的神经网络包括：n个顺序连接的encoder模块、第一linear层、以及第二linear层；第一个encoder模块作为transformer和gru的神经网络的输入端，最后一个encoder模块依次连接第一linear层、第二linear层，第二linear层作为transformer和gru的神经网络的输出端。
5.根据权利要求1所述的一种基于transformer和gru的tsn交换机队列长度预测方法，其特征在于，encoder模块包括：第一feed forward层、第二feed...
【专利技术属性】
技术研发人员：贾焱鑫，徐龙，熊伟，朱海龙，严怀成，
申请(专利权)人：上海三旺奇通信息科技有限公司，
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。