[發明專利]基于機器學習的數據節點分組方法、系統及介質

有效

• 申請號: 202010878186.6
• 申請日: 2020-08-27
• 公開（公告）號: CN111970374B
• 公開（公告）日: 2023-02-03
• 發明（設計）人: 古欣;邵慧;房玉飛;刁志峰;黃大偉;遲昊
• 申請（專利權）人: 山東有人物聯網股份有限公司
• 主分類號: H04L67/10
• 分類號: H04L67/10;G06F17/11;G06N20/00
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 董雪

本發明公開了一種基于機器學習的數據節點分組方法、系統及介質，包括：將數據節點集合根據起始地址大小進行排序；根據相鄰數據節點間的地址差值，將數據節點集合按照設定的規則拆分為若干子集合；對于每一個子集合，篩選有效分組，基于篩選的有效分組確定所有可能的分組采集策略；基于機器學習的方法確定每一個分組采集策略的采集時間，確定最優的分組采集策略；將所有子集合的最優分組采集策略進行組合，得到整個數據節點集合的最優分組采集策略。本發明方法的分組優化策略進行邊緣采集所用的時間更短，效率更高，可大大減少邊緣采集的時延，提高邊緣采集的實時性。

技術領域

本發明涉及邊緣采集技術領域，尤其涉及一種基于機器學習的數據節點分組方法、系統及介質。

背景技術

本部分的陳述僅僅是提供了與本發明相關的背景技術信息，不必然構成在先技術。

在邊緣采集以及邊緣計算的應用場景中，傳統的邊緣采集方法，通常是獲取所有需要進行邊緣采集數據節點的信息，然后根據節點信息，依次生成每個數據節點的采集指令；對每個數據節點使用該述數據節點的采集指令進行邊緣采集，對采集回來的數據，根據該協議的規則獲取該節點狀態以及數據。這種方法在節點間順序串行采集，由于有效負載數據占協議數據的占比過小以及多條指令執行的時間消耗，導致邊緣采集效率非常慢。

現有技術對傳統邊緣采集方法進行了優化，根據固定的地址長度將地址空間邏輯上劃分為多個分組。將所需采集的節點根據自己的地址分布到相應的分組中。對所有所需采集數據分組進行采集，使得節點間的串行采集優化為分組間串行采集，分組內數據節點并行采集的邏輯結構，可提高采集效率數倍到數十倍。

但是，發明人在實際應用中發現，上述的分組方法為固定地址范圍分組，限定邏輯地址，將所有在該范圍內的節點分為一組。這種方法往往無法尋找到相對合理的分組方法，部分情況下因不合理或非最優的分組方法，反而使得采集優化的效果降低；比如：

有六個Modbus-RTU協議，寄存器類型為保持寄存器的數據節點(簡稱節點或數據點)，地址為0、31、32、63、64，65；使用32個地址一個邏輯分組的分組方法，分組后的結果為：[0、31]，[32、63]，[64、65]；分組[0、31]會將地址為0到31的所有數據節點的數據采集回來；此時，數據負載32個數據點，有效負載2個數據點，無效負載30個數據點。該分組下，有效數據點占比為6.25％。另外通信協議中還有協議前導與后綴數據，總體有效數據占比過低為5.7％?；貜偷臄祿邪舜罅咳哂嗟臒o效負載數據，當使用串口的方式并且波特率低或者其他方式的時候大量冗余數據的數據傳輸時間會非常耗時，降低了采集效率。

另外，現有技術公開了通過直接探測法確定每一個分組的采集時間，這種方式需要實際探測數據采集命令開始發送到接收并解析下位設備返回的數據所經歷的整體用時，效率低下；

在一些實施方式中，還公開了通過預測分析法確定每一個分組的采集時間，這種方法基于數據長度預測數據傳送時間，無需實際探測過程，能夠提高采集時間的計算效率；但是，由于時間是預估得到的，所以相比于實際探測的方式，準確性不高。

發明內容

有鑒于此，本發明提出了一種基于機器學習的數據節點分組方法、系統及介質，采用優化分組采集策略，提升邊緣采集的效率；同時采用機器學習的方法確定每一個分組采集策略的采集時間，以快速確定最優分組采集策略。

為了實現上述目的，在一些實施方式中，采用如下技術方案：

一種基于機器學習的數據節點分組方法，包括：

將數據節點集合根據起始地址大小進行排序；

根據相鄰數據節點間的地址差值，將數據節點集合按照設定的規則拆分為若干子集合；

對于每一個子集合，篩選有效分組，基于篩選的有效分組確定所有可能的分組采集策略；基于機器學習的方法確定每一個分組采集策略的采集時間，確定最優的分組采集策略；