监测网络内数据通信设备的运行特征包括：在第一采样间隔内以细粒度采样率对所述数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本；使用所述数据通信设备的所述运行特征的所述细粒度样本、所述细粒度采样率和小于所述细粒度采样率的粗粒度采样率来训练机器学习算法；在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本；使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样本。据通信设备的所述运行特征的高精度样本。据通信设备的所述运行特征的高精度样本。
【技术实现步骤摘要】
【国外来华专利技术】人工智能增强数据采样
[0001]相关申请交叉引用
[0002]本申请要求于2019年2月27日提交的序列号为62/811,285、专利技术名称为“人工智能增强数据采样(Artificial Intelligent Enhanced Data Sampling)”的美国临时专利申请的优先权，其全部内容通过引用结合在本文中。
[0003]本申请涉及通信技术，尤其涉及通信网络中的数据采样。
技术介绍
[0004]众所周知，通信系统支持无线通信设备之间和/或有线通信设备之间的无线通信和有线通信。这类通信系统包括大量互连网络，这些互连网络支持在数十亿设备之间进行通信，包括互联网、万维网(World Wide Web，WWW)、广域网、局域网、蜂窝网络、短距离无线网络等。
[0005]物联网(Internet of Things，IoT)的发展使支持通信的设备的数量剧增。IoT通常包括数据源通信设备。这些数据源通信设备采集数据，并且由数据采集通信设备进行采样。这种数据采集的应用场景包括大数据采集、遥感、安全相关应用、身体监测和许多其它应用。对通信网络的管理依赖于对网络设备状态的了解。为了管理这些网络设备，必须定期对这些网络设备的缓冲区填充、延迟等状态以及其它特征进行采样。许多其它系统依赖于对通信设备的运行特征进行采样。
[0006]由于难以精确地确定对通信设备进行采样应该采用的采样率，因此通常对采样率进行选择，以便确保以相对高的采样率对数据进行采样。典型的采样率可以以亚毫秒为单位，这导致采样过于频繁，但可以得到精确样本。高采样率不仅导致网络流量增加、产生不必要的网络流量，而且还使数据源通信设备和数据采集通信设备的通信资源和处理资源都过载。
技术实现思路
[0007]本专利技术描述了一种人工智能技术方案，该技术方案降低了采样率，仍可以获得与高速数据采样一致或接近的采样结果。本文描述了多个实施例，以实现本专利技术目的。第一实施例公开了一种用于监测网络内的数据通信设备的运行特征的方法。所述方法包括在第一采样间隔内以细粒度采样率对数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本。其次，所述第一实施例包括使用所述数据通信设备的所述运行特征的所述细粒度样本、所述细粒度采样率和小于所述细粒度采样率的粗粒度采样率来训练机器学习算法。所述第一实施例继续在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本。最后，所述第一实施例包括使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样
本。
[0008]与现有技术方案相比，本文描述的第一实施例和其余实施例具有重要的优点。具体而言，根据所述第一实施例的采样提供了以所述粗粒度采样率对所述数据通信设备的所述运行特征进行采样产生的精确样本，从而降低了网络流量和网络处理需求。
[0009]所述第一实施例包括各种可选方面。根据第一可选方面，所述数据通信设备的所述运行特征包括数据采集通信设备与所述数据通信设备之间的往返通信间隔。根据第二可选方面，所述数据通信设备的所述运行特征包括所述数据通信设备的平均空闲缓冲水平。根据第三可选方面，所述数据通信设备的所述运行特征包括至少一个健康相关参数。根据第四可选方面，所述数据通信设备的所述运行特征包括至少一个网络状态参数。根据第五可选方面，所述数据通信设备的所述运行特征包括至少一个网络延迟参数。
[0010]根据第六可选方面，所述方法包括：使用所述机器学习算法根据所述细粒度样本来确定数据采集采样率；数据采集通信设备以所述数据采集采样率从所述数据通信设备获取数据。
[0011]根据第七可选方面，所述方法包括：在第三采样间隔内以所述细粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的第二细粒度样本；使用所述数据通信设备的所述运行特征的所述第二细粒度样本来重新训练所述机器学习算法。
[0012]本专利技术的第二实施例涉及一种通信设备。所述通信设备包括处理电路、存储器和通信电路。在所述第二实施例中，所述通信设备中的这些组件用于：在第一采样间隔内以细粒度采样率对数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本；使用所述数据通信设备的所述运行特征的所述细粒度样本、所述细粒度采样率和小于所述细粒度采样率的粗粒度采样率来训练机器学习算法；在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本；使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样本。
[0013]所述第二实施例包括各种可选方面。根据第一可选方面，所述数据通信设备的所述运行特征包括数据采集通信设备与所述数据通信设备之间的往返通信间隔。根据第二可选方面，所述数据通信设备的所述运行特征包括所述数据通信设备的平均空闲缓冲水平。根据第三可选方面，所述数据通信设备的所述运行特征包括至少一个健康相关参数。根据第四可选方面，所述数据通信设备的所述运行特征包括至少一个网络状态参数。根据第五可选方面，所述数据通信设备的所述运行特征包括至少一个网络延迟参数。
[0014]根据第六可选方面，所述通信设备还用于：使用所述机器学习算法根据所述细粒度样本来确定数据采集采样率；指示数据采集通信设备以所述数据采集采样率从所述数据通信设备获取数据。
[0015]根据第七可选方面，所述通信设备还用于：在第三采样间隔内以所述细粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的第二细粒度样本；使用所述数据通信设备的所述运行特征的所述第二细粒度样本来重新训练所述机器学习算法。
[0016]本专利技术的第三实施例涉及一种用于监测网络内的数据通信设备的运行特征的方
法。所述方法包括：第一网络设备在第一采样间隔内以细粒度采样率对数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本。所述方法还包括：第二网络设备使用所述数据通信设备的所述运行特征的所述细粒度样本、所述细粒度采样率以及小于所述细粒度采样率的粗粒度采样率来训练机器学习算法。所述方法还包括：所述第一网络设备在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本。所述方法结束于：使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样本。
[0017]在所述第三实施例的第一可选方面中，所述数据通信设备的所述运行特征包括数据采集通信设备与所述数据通信设备之间的往返通信间隔、所述数据通信设备的平均空闲缓冲水平、至少一个健康相关参数、至少一个网络状态参数或至少一个网络本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于监测网络内数据通信设备的运行特征的方法，其特征在于，所述方法包括：在第一采样间隔内以细粒度采样率对数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本；使用所述数据通信设备的所述运行特征的所述细粒度样本、所述细粒度采样率和小于所述细粒度采样率的粗粒度采样率来训练机器学习算法；在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本；使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样本。2.根据权利要求1所述的方法，其特征在于，所述数据通信设备的所述运行特征包括数据采集通信设备与所述数据通信设备之间的往返通信间隔。3.根据权利要求1或2所述的方法，其特征在于，所述数据通信设备的所述运行特征包括所述数据通信设备的平均空闲缓冲水平。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述数据通信设备的所述运行特征包括至少一个健康相关参数。5.根据权利要求1至4中任一项所述的方法，其特征在于，所述数据通信设备的所述运行特征包括至少一个网络状态参数。6.根据权利要求1至5中任一项所述的方法，其特征在于，所述数据通信设备的所述运行特征包括至少一个网络延迟参数。7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：使用所述机器学习算法根据所述细粒度样本来确定数据采集采样率；数据采集通信设备以所述数据采集采样率从所述数据通信设备获取数据。8.根据权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：在第三采样间隔内以所述细粒度采样率对所述数据通信设备的所述运行特征进行采样，以产生所述数据通信设备的所述运行特征的第二细粒度样本；使用所述数据通信设备的所述运行特征的所述第二细粒度样本来重新训练所述机器学习算法。9.一种通信设备，其特征在于，所述通信设备包括：处理电路；存储器；通信电路，其中，所述处理电路、所述存储器和所述通信电路用于：在第一采样间隔内以细粒度采样率对数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的细粒度样本；使用所述数据通信设备的所述运行特征的所述细粒度样本、所述细粒度采样率和小于所述细粒度采样率的粗粒度采样率来训练机器学习算法；在第二采样间隔内以所述粗粒度采样率对所述数据通信设备的运行特征进行采样，以产生所述数据通信设备的所述运行特征的粗粒度样本；使用所述机器学习算法来处理所述数据通信设备的所述运行特征的所述粗粒度样本，以产生所述数据通信设备的所述运行特征的高精度样本。
10.根据权利要求9所述的通信设备，其特征在于，所述数据通信设备的所述运行特征包括数据采集通信设备与所述数据通信设备之间的往返通信间隔。11.根据权利...
【专利技术属性】
技术研发人员：李明，凯瑟琳，
申请(专利权)人：华为技术有限公司，
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。