【技术实现步骤摘要】
本专利技术涉及tsn配置，尤其涉及基于tsn配置检测的相关性加权bpnn分类方法。
技术介绍
1、时间敏感网络(tsn)技术有助于确保据在分布式网络上的一致性，避免数据不一致性和冲突，同时也极大地增强了网络中的数据安全性和可靠性，确保用户可以信任网络来控制其数字资产。
2、然而，tsn配置检测是一个具有挑战性的任务；传统的可调度性分析方法计算量大、耗时长，不适合快速配置tsn网络。
3、基于深度学习支持制造商和行业预测其维护需求并减少停机时间；基于机器学习(ml)和深度学习(dl)的快速配置检测方法，以提高配置检测的效率。
4、mai t等人的on the use of supervised machine learning for assessingschedulability使用ml算法检测tsn配置，相较于可调度性分析快了190倍，但是分类准确率有待提高；
5、mai,等人的deep learning to predictthe feasibility ofpriority-basedethernet network configurations使用先进的图神经网络(gnn)模型，但该模型对于训练集的拓扑结构和流量模式的变化具有一定的鲁棒性，但是泛化分类准确率很低。
技术实现思路
1、针对现有方法的不足，本专利技术解决传统的算法在tsn的网络配置检测中存在的检测时间长、检测准确率低、泛化效果差的问题。
2、本专利技术
3、步骤一、构建网络拓扑模型，采集网络拓扑模型中的特征参数对应参数值；
4、作为本专利技术的一种优选实施方式，网络拓扑模型包括：simple网络拓扑、oem网络拓扑。
5、步骤二、利用相关性算法计算特征参数与tsn配置可行性之间的相关性，得到相关性特征参数，并进行归一化处理；
6、作为本专利技术的一种优选实施方式，相关性特征参数包括：关键流、音频流、所有链路的最大负载、链路负载基尼指数。
7、作为本专利技术的一种优选实施方式，相关性算法为spearman算法。
8、步骤三、将可调度性场景下的相关性特征参数作为输入，tsn配置是否可行作为输出，利用wmvote-bpnn网络进行训练；
9、作为本专利技术的一种优选实施方式，wmvote-bpnn网络包括：
10、步骤31、构建bp神经网络；
11、步骤32、利用均匀分布、正态分布、xavier、he进行初始化权值和偏置；
12、作为本专利技术的一种优选实施方式，he采用正态分布采样。
13、作为本专利技术的一种优选实施方式，xavier采用均匀分布采样。
14、步骤33、前向传播；
15、步骤34、计算误差并反向传播；
16、步骤35、权值和偏置参数更新；
17、步骤36、重复执行步骤32到步骤36，直到达到停止条件；
18、步骤37、采用加权多数投票的方式，对四种模型的预测结果标签进行投票，具体投票分类公式为：
19、
20、其中，suni、snd、sxavier、she分别是四种模型测试的分类结果，w1,w2,w3,w4代表是四种模型在训练时的准确率大小占比，label代表tsn配置可行性。
21、作为本专利技术的一种优选实施方式，采用ga算法对bpnn网络超参数进行寻优。
22、作为本专利技术的一种优选实施方式，基于tsn配置检测的相关性加权bpnn分类系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现基于tsn配置检测的相关性加权bpnn分类方法。
23、作为本专利技术的一种优选实施方式，存储有计算机程序代码的计算机可读介质，计算机程序代码在由处理器执行时实现基于tsn配置检测的相关性加权bpnn分类方法。
24、本专利技术的有益效果：
25、1、本专利技术提出使用bpnn进行tsn网络配置的检测，首先使用spearman算法筛选出一批强相关性特征，再结合泛化的要求挑选出其中五项特征作为强相关特征子集，其次通过硬投票集成四种神经网络初始化方法构建提spearman-wmvote-bpnn；
26、2、通过ga算法优化bpnn网络的初始权值和偏置，完成spearman-ga-bpnn模型的构建；通过仿真对比实验发现，spearman-wmvote-bpnn模型具有最快的训练速度以及较高的分类准确率；
27、3、spearman-ga-bpnn模型同时具有最高的分类准确率和最快的检测速度以及不错的泛化能力，证明优化的bpnn模型能够满足高效检测tsn网络配置可行性的要求，有助于保证网络的高性能、数据安全和实时通信，从而支持分布式、用户为中心的web 3.0架构的发展。
本文档来自技高网...【技术保护点】
1.基于TSN配置检测的相关性加权BPNN分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于TSN配置检测的相关性加权BPNN分类方法，其特征在于，WMVote-BPNN网络包括：
3.根据权利要求2所述的基于TSN配置检测的相关性加权BPNN分类方法，其特征在于，He采用正态分布采样。
4.根据权利要求2所述的基于TSN配置检测的相关性加权BPNN分类方法，其特征在于，Xavier采用均匀分布采样。
5.根据权利要求2所述的基于TSN配置检测的相关性加权BPNN分类方法，其特征在于，采用GA算法对BPNN网络超参数进行寻优。
6.根据权利要求1所述的基于TSN配置检测的相关性加权BPNN分类方法，其特征在于，网络拓扑模型包括：Simple网络拓扑、OEM网络拓扑。
7.根据权利要求1所述的基于TSN配置检测的相关性加权BPNN分类方法，其特征在于，相关性特征参数包括：关键流、音频流、所有链路的最大负载、链路负载基尼指数。
8.根据权利要求1所述的基于TSN配置检测的相关性加权BP
9.基于TSN配置检测的相关性加权BPNN分类系统，其特征在于，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现如权利要求1-8任一项所述的基于TSN配置检测的相关性加权BPNN分类方法。
10.存储有计算机程序代码的计算机可读介质，其特征在于，计算机程序代码在由处理器执行时实现如权利要求1-8任一项所述的基于TSN配置检测的相关性加权BPNN分类方法。
...【技术特征摘要】
1.基于tsn配置检测的相关性加权bpnn分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于tsn配置检测的相关性加权bpnn分类方法，其特征在于，wmvote-bpnn网络包括：
3.根据权利要求2所述的基于tsn配置检测的相关性加权bpnn分类方法，其特征在于，he采用正态分布采样。
4.根据权利要求2所述的基于tsn配置检测的相关性加权bpnn分类方法，其特征在于，xavier采用均匀分布采样。
5.根据权利要求2所述的基于tsn配置检测的相关性加权bpnn分类方法，其特征在于，采用ga算法对bpnn网络超参数进行寻优。
6.根据权利要求1所述的基于tsn配置检测的相关性加权bpnn分类方法，其特征在于，网络拓扑模型包括：simple网络拓...
【专利技术属性】
技术研发人员：陈林，郇战，王澄，唐铖杰，王永松，冼亚乔，赵玉豪，张建伟，徐小龙，
申请(专利权)人：常州大学，
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。