申请/专利权人：电子科技大学

申请日：2019-03-08

公开（公告）日：2020-09-25

公开（公告）号：CN109905481B

主分类号：H04L29/08(20060101)

分类号：H04L29/08(20060101)

优先权：

专利状态码：有效-授权

法律状态：2020.09.25#授权;2019.07.12#实质审查的生效;2019.06.18#公开

摘要：本发明公开了一种基于RTI‑DDS的Qos模型的构建及Qos策略方案的运行性能预测方法。本发明根据RTI‑DDS设计中的实体分类，作为决策树第一维度的节点，每个节点内，包含各部分对应的Qos策略。节点内，含有第二个维度，将Qos策略的设置问题分成了数值指标和开关配置两部分，分别转化成以时间复杂度和空间复杂度为指标的线性模型作为第二个维度的一个节点；以及同样基于多变量决策树结构的非线性模型，将此作为第二维度的第二个节点。用户可以提供传输数据的特征以及指标，从决策树节点推导得到合适的模型参数与Qos策略，此模型建模的复杂性低，计算时间短，成本小。

主权项：1.基于RTI-DDS的Qos模型的构建方法，其特征在于，包括下列步骤：基于RTI-DDS提供的Qos策略，构建策略集合；对策略集合中的每个Qos策略进行特征提取，得到初始特征集；通过PCA主成分分析和FA因子分析法对初始特征集进行合并和降维处理，得到最终的特征集：{"时间"，"空间"，"配置"}，其中"配置"为使能、配置、管理三个特征的合并结果；基于最终的特征集对所述策略集合进行清洗，得到清洗后的策略集合，其中每个Qos策略至少包括所述最终的特征集中的一个特征；对最终的特征集进行数值和配置的二分类处理；建立二维的多变量决策树模型：基于DDS的实体的树形结构，将DDS的实体作为一维节点，得到对应的树形结构，每个树形结构对应一个Qos策略方案；并在树形结构中的每个节点内部的二维度中设置两类第二维节点，其中一类为数值类第二维节点，另一类为配置类第二维节点；其中，DDS的每个实体包括一组Qos策略；基于预置的Qos需求指标信息，在数值类第二维节点中，分别为每个实体的每个Qos策略预置权重矩阵，其中，每个Qos策略的每个数值类特征分别对应一组权重值；在配置类第二维节点中，分别为每个实体的每个Qos策略预置关于配置模式的使能参数矩阵，所述使能参数为量化的开关模式；其中权重矩阵、使能参数矩阵为一维向量，维数与Qos需求指标信息包括的指标数相同；以数值类特征为计算单位，叠加每个实体的所有Qos策略的权重矩阵和使能参数矩阵的乘积结果，作为当前实体的在当前数值类特征下的预测参数矩阵，叠加树形结构中的所有实体的预测参数矩阵，再与当前的Qos需求指标参数相乘，得到每个树形结构所对应的Qos策略方案的系统运行性能预测值。

全文数据：一种基于RTI-DDS的Qos模型的构建及Qos策略方案的运行性能预测方法技术领域本发明属于软件服务技术领域，具体涉及一种基于RTI-DDS的Qos处理。背景技术RTI-DDS是RTIReal-TimeInnovations公司发布的商用网络中间件DDSDataDistributionService，数据分发服务。以太网是现在最常见的网络，它处于现场总线的最底层，积极采用以太网技术是目前现场总线的发展趋势；同时，TCPIP协议借助互联网的应用已成为国际共同使用的网络语言。目前在采用以太网、TCPIP网络技术构成的分布式网络系统中，传输的实时性随着快速以太网和交换式以太网技术的发展而得到了提高，但底层的网络实时性能的提高只是为分布式实时系统奠定了基础，而通信协议的执行策略仍然极大地影响着系统的实时性和同步性。随后，OMGObjectManagementGroup，对象管理组织在HLAHighLevelArchitecture，高级体系结构及CORBACommonObjectRequestBrokerArchitecture，公共对象请求代理体系结构等标准的基础上制定的新一代分布式实时通信中间件技术规范——DDS。尽管DDS开发的时间已经很长了，基于DDS机制实现的通信中间件也比较多了，但是基于DDS本身机制的相关研究却是不多，这其中包括DDS发现机制、QosQualityofService策略的质量服务等等，关于Qos策略模型更是少有人提及，而Qos策略在通信质量中却起着至关重要的作用，而DDS机制中所提供的Qos策略却是数量多，同时机制复杂，大部分设计人员在使用过程中，由于研究的时间成本和精力等多种原因，没有过多深入该Qos机制，多是采用DDS相关中间件厂商所提供的默认设置，因此在通信质量上的开发便捷性、处理效率等方面有待于进一步改进。发明内容本发明的发明目的在于：针对上述存在的问题，提供一种基于RTI-DDS的Qos模型的构建方法。本发明的基于RTI-DDS的Qos模型的构建方法，包括下列步骤：基于RTI-DDS提供的Qos策略，构建策略集合，即基于RTI-DDS提供的Qos策略，得到策略集合；对策略集合中的每个Qos策略进行特征提取，得到初始特征集；通过PCA主成分分析和FA因子分析法对初始特征集表进行合并和降维处理，得到最终的特征集；其中每个Qos策略至少包括所述特征集中的一个特征；对特征集进行数值和配置的二分类处理；建立二维的多变量决策树模型：基于DDS的实体的树形结构，将DDS的实体作为一维节点，得到对应的树形结构，每个树形结构对应一个Qos策略方案；并在树形结构中的每个节点内部的二维度中设置两类第二维节点，其中一类为数值类第二维节点线性Qos策略模型，另一类为配置类第二维节点非线性Qos策略模型；其中，DDS的每个实体包括一组Qos策略；基于预置的Qos需求指标信息系统运行参数指标信息，在数值类第二维节点中，分别为每个实体一维节点的每个Qos策略预置权重矩阵，其中，每个Qos策略的每个数值类特征分别对应一组权重值；在配置类第二维节点中，分别为每个实体的每个Qos策略预置关于配置模式开关模式的使能参数矩阵，所述使能参数为量化的开关模式，即分别为每一种开关模式设置一个对应的数值；其中权重矩阵、使能参数矩阵为一维向量，维度与Qos需求指标信息包括的指标数相同；即对于数值类特征而言，每个策略均存在一组权重和使能参数和每个Qos需求指标相对应；以数值类特征为计算单位，叠加每个实体的所有Qos策略的权重矩阵和使能参数矩阵的乘积结果，作为当前实体的在当前数值类特征下的预测参数矩阵，叠加树形结构中的所有实体的预测参数矩阵，再与当前的Qos需求指标参数相乘，得到每个树形结构所对应的Qos策略方案的系统运行性能预测值。即，对于每个待预测的Qos策略方案，构建其对应的二维的多变量决策树模型，基于其输出的系统运行性能预测值叠加树形结构中的所有实体的预测参数矩阵，再与当前的Qos需求指标参数相乘得到待预测的Qos策略方案预测信息。其中，每个策略的权重矩阵和使能参数矩阵，通过训练学习方式进行设置。进一步的，每个策略的权重矩阵和使能参数矩阵的具体设置方式为：基于经验值，为策略集合中的每个策略设置配置参考值，作为Qos策略参考矩阵；设置训练学习样本集：以策略集合的子集作为一个样本对象，同时提取每个样本对象的系统运行参数指标作为每个样本对象的样本数据；并对所述训练学习样本集进行过滤处理：计算样本的皮尔逊相关系数，删除皮尔逊相关系数低于预设阈值的样本；对策略集合中包含配置类的策略，预置使能参数；例如通过训练学习样本集和Qos策略参考矩阵，以训练学习的方式获取其对应的开关模式，并基于预设的开关模式对应的量化数值，得到对应的使能参数；基于训练学习样本集和Qos策略参考矩阵，以及部分预置的使能参数，获取策略集合中每个策略的权重矩阵和使能参数矩阵：以特征集中的每一个特征作为一个计算对象o，并构建关于计算对象的计算模型：其中，An、Bn和Xn分别表示第n个策略的权重矩阵、使能参数矩阵和系统运行参数指标矩阵，n＝1,2,…,N，参数N表示策略集合的Qos策略数；且其中表示第n个策略的第j个系统运行参数指标，分别表示第n个策略对应第j个系统运行参数指标的权重和使能参数，j＝1,2,…,J，参数J表示系统运行参数指标数；基于部分预置的使能参数，初始化计算模型中对应的使能参数；其中，对于同一个策略，其不同的系统运行参数指标下的使能参数可以一样；基于Qos策略参考矩阵和训练学习样本集对计算模型进行参数求解，得到每个策略的权重矩阵An和使能参数矩阵Bn；其中，在带入训练学习样本集中每个样本时，将每个样本所对应的系统运行参数指标作为该样本所包括的策略的系统运行参数指标，即得到该样本所涉及的每个策略的系统运行参数矩阵；并将该样本所不包括的策略的权重置零。进一步的，还可以基于多元线性回归，采用最小二乘法，代入训练样本对计算模型的进行优化，即基于多元线性回归，采用最小二乘法，对求解得到的权重矩阵An和使能参数矩阵Bn进行优化，以进一步提升准确度。同时，本发明还提供了一种Qos策略方案的运行性能预测方法，具体包括下列步骤：步骤1：基于系统的Qos需求，设置关于Qos策略的策略集合；步骤2：对策略集合中的每个策略进行时间、空间和配置的属性类别匹配处理，得到每个策略的属性类别匹配结果；步骤3：分别为策略集合中的每个策略预置配置参考值，得到Qos策略参考矩阵Q＝{Q1,Q2,......QN}，其中Qn表示策略集合中的第n个策略的配置参考值，n＝1,2,…,N，参数N表示策略集合的策略数量；步骤4：预置系统运行参数指标信息，并分别以时间、空间为计算对象o，构建关于计算对象的计算模型：其中An、Bn和Xn分别表示第n个策略的权重矩阵、使能参数矩阵和系统运行参数指标矩阵；且其中表示第n个策略的第j个系统运行参数指标，分别表示第n个策略对应第j个系统运行参数指标的权重和使能参数，j＝1,2,…,J，参数J表示系统运行参数指标数；步骤4：以策略集合的子集作为一个样本对象，同时提取每个样本对象的系统运行参数指标矩阵，作为每个样本对象的样本数据；计算样本的皮尔逊相关系数，删除皮尔逊相关系数低于预设阈值的样本，从而得到训练样本集；步骤5：对策略集合中包含配置类属性的策略，预置使能参数；从而得到配置属性的策略的使能参数矩阵；其中，对于同一个策略，其不同的系统运行参数指标下的使能参数可以相同；基于Qos策略参考矩阵和训练样本集对各计算模型进行参数求解，得到每个策略的权重矩阵An和使能参数矩阵Bn；其中，在带入训练学习样本集中每个样本时，将每个样本所对应的系统运行参数指标作为该样本所包括的策略的系统运行参数指标，即得到该样本所涉及的每个策略的系统运行参数矩阵；并将该样本所不包括的策略的权重置零；步骤6：对于当前待预测的Qos策略方案策略集合的一个子集，基于5得到的权重矩阵An和使能参数矩阵Bn得到所述待预测的Qos策略方案的每个策略的权重矩阵和使能参数矩阵，再基于所述待预测的Qos策略方案的系统运行参数指标矩阵取权重矩阵、使能参数矩阵和矩阵的乘积作为各策略的预测输出，累加待预测的Qos策略方案的每个策略的预测输出得到当前待预测的Qos策略方案运行性能预测信息。综上所述，由于采用了上述技术方案，本发明的有益效果是：在DDS中间件开发中可以节约开发人员的时间与精力，提高效率，根据RTI-DDS设计中的实体分类，作为决策树第一维度的节点，每个节点内，包含各部分对应的Qos策略。节点内，含有第二个维度，将Qos策略的设置问题分成了数值指标线性和开关配置非线性两部分，分别转化成以时间复杂度和空间复杂度为指标的线性模型作为第二个维度的一个节点；以及同样基于多变量决策树结构的非线性模型，将此作为第二维度的第二个节点。线性模型采用线性回归对数值指标的线性模型进行优化。用户可以提供传输数据的特征以及指标，从决策树节点推导得到合适的模型参数与Qos策略，此模型建模的复杂性低，计算时间短，成本小。附图说明图1是具体实施方式中，决策树第一维度划分的结构图示意图。图2是具体实施方式中，第二维度决策树部分结构举例。图3是具体实施方式中，图2中的Publisher的部分二维决策树模型示意图。具体实施方式为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。为了在DDS中间件开发中节约开发人员的时间与精力，提高效率，提出了基于决策树方法的Qos策略模型，通过该Qos策略模型实现对所开发的DDS中间件的Qos保障。本发明的Qos策略模型的搭建过程包括：样本处理、Qos策略模型的构建和模型优化处理，其具体实现过程如下：S1：样本处理：S101：Qos策略特征簇提取。本具体实施方式中，Qos策略特征包括以下六类：1.时间f1。以数值形式影响到DDS中间件时间复杂度的策略。2.空间f2。以数值形式影响到DDS中间件空间复杂度的策略。3.使能f3。以开关形式影响到Qos策略使用的策略。4.配置f4。以设置和可配置的形式间接影响到Qos策略使用的策略。5.管理f5。以多选项和预测的形式间接影响到DDS中间件的策略。6.其他f6。以用户或系统偏好性为代表的策略，与DDS中间件性能无关或者影响极小。即以用户或系统偏好性作为设置参考的策略。在某个Qos策略明显含有以上特征时，将该特征赋给Qos策略，同时，确定Qos策略下是否还有多个待定子策略。现将涉及的策略归纳如下本具体实施方式的策略集合：表1其中，DR表示：Data-Reader数据订阅器；DW表示：Data_writer数据发布器；DP表示：DomainParticipant域成员；Rtps表示：Real-TimePublish-Subscribe实时发布-订阅协议，Rtps-ID表示对应的ID号。S102：特征清洗。由于特征属性过多，会造成灾难性的问题，在此对特征进行整理和降解，以契合线性模型和非线性模型。本具体实施方式中，通过如下三次不同清洗过程，实现对整个Qos策略特征表的调整：1采用主成分分析PCA，PrincipalComponentAnalysis进行第一清洗。定义Qos策略特征：feature＝{f1,f2,f3,f4,f5,f6}，并对其包含的6个特征值，进行逐一分析，剔除对于整体模型和系统性能无关或者相关性极小即相关性低于预设阈值的特征。由此，剔除feature＝"其他"的特征值，剩下特征值：时间、空间、使能、配置、管理，完成特征的降维。2采用因子分析FA，FactorAnalysis进行第二清洗。在此，特征feature＝{f1,f2,f3,f4,f5}为信号观测矩阵，由于每个特征簇下都有Qos策略之间的联系和影响，故对其进行内部依赖关系进行梳理，得到：“时间”与“空间”特征簇是关系密切，大部分的时间性能是以牺牲空间存储为代价，反之亦然；“管理”与“配置”簇多有共通的表现，内在联系复杂隐晦；“使能”特征可独立观测。故本发明基于FA的第二清洗具体包括下述两次清洗：故首先进行基于FA的第一次清洗：提取出成分feature＝"使能"，这是原始的、可直接观测的显在变量，将“使能”特征簇除去，简化为模型中的前置参数值，即：当此参数为0时，使能无效；参数不为0时，代表默认使能该策略。然后，进行基于FA的第二次清洗：“时间”与“空间”簇可直接代表模型和中间件的性能，“管理”与“配置”簇关系隐晦，部分功能重叠，因此将该两个特征合并，在后面以“配置”代表“管理”和“配置”簇的合并结果。完成特征的清洗之后，得到feature＝{"时间"，"空间"，"配置"}，“时间”与“空间”簇放入线性模型集合中，“配置”簇归入非线性模型；基于得到的特征清洗结果feature＝{"时间"，"空间"，"配置"}，对表1进行特征清洗后，得到的策略集合如表2所示：表2S102：样本采集。基于经验值，为表2所罗列的策略集合中的每个策略设置配置参考值，作为Qos策略参考矩阵，即经验最优解。即为了实现样本采集，本发明首先基于系统的Qos需求，设置策略集合如表1所包括的策略，然后基于特征描述集合{"时间"，"空间"，"配置"}，为策略集合中的每个策略匹配对应的特征描述时间、空间和或配置；再分别为策略集合中的每个策略设置对应的局部最优配置参考值，得到Qos策略参考矩阵Q＝{Q1,Q2,......QN}，其中Qnn＝1,2,…,N表示不同策略的局部最优参考值，N表示策略集合的策略数量。通过对策略集合中的策略的不同组合方式，可以得到多种策略组合即策略集合的子集，用于实现对对应客体的Qos策略管理，将其称为匹配Qos需求的完整策略组合。本发明中，将不同策略组合作为一个样本对象，同时提取每个样本对象的系统运行参数作为每个样本对象的样本数据也可称为样本指标。其中系统运行参数也可称为Qos需求指标参数。本具体实施方式中，所述系统运行参数具体包括如表3所示：表3序号名称1带宽吞吐量2订阅得到的与发布的数据包之比3订阅得到的与发布的数据包的时间间隔本具体实施方式中，考虑到会存在异常样本和数据可能准确度不高的情况，通过不断提取样本进行异常处理，直到留下100000个样本，按照常用的比例，70000用于模型学习，10000用于测试，20000用于拟合回归和模型验证。S103：样本数据处理。异常样本处理，基于协同过滤算法CFR，CollaborativeFilteringRecommendation进行改进，采用基于大样本均值的协同过滤算法，提取样本的皮尔逊相关系数，皮尔逊相关系数计算公式如下：其中，X表示每个样本的指标矩阵，即X＝{x1,x2,x3}，x1,x2,x3分别对应表3所示的三个样本指标；Y表示所有样本所计算出的各指标的均值矩阵，即Y＝{Y1,Y2,Y3}；cov表示协方差，σX,σY分别为X、Y的标准差，μX、μY分别为X、Y的期望值。例如用m表示样本区分符，则第m个样本的指标矩阵可以表示为：则其中，M表示样本总数。随后，依据每个样本的所计算出来的皮尔逊相关系数进行样本筛选处理，即提取皮尔逊相关系数大于预设阈值的样本作为模型学习和训练的样本。本具体实施方式中，将计算得到的皮尔逊相关系数划分为五个等级，具体如表4所示：表4范围相关性0.8～1.0极强相关0.6～0.8强相关0.4～0.6中等程度相关0.2～0.4弱相关0～0.2极弱相关、无相关或负相关然后通过算法过滤，提取出相关程度在中等以上的样本，并为不同等级强相关、极强相关分别设置对应的样本，例如分别设置1000个样本，其中，500用于学习，500用于训练。步骤S2：模型的构建。步骤S201：基于开关配置的非线性模型框架建立。建立基于二维的多变量决策树的模型框架：根据DDS设计模型，以DDS中实体的类型作为节点，决策树第一维度划分如图图1所示即现有的DDS的实体的树形结构，其中DPfactory表示DomainParticipant-Factory域成员工厂，Publisher表示发布者，Subscriber表示订阅者，Topic表示主题。其中，各一维节点的Qos策略如表5所示：表5第一维度的每一个节点内，都含有两个子节点，分别对应两种子节点：数值型和配置型，也就是线性与非线性模型。其中，线性模型包括“时间”与“空间”特征簇的两个节点；而非线性模型中，某些节点包括多个自策略。以Publiser为例，第二维度决策树部分结构举例如图2所示；，根据QoS策略内容分类，细化出Publisher的部分二维决策树模型如图3所示，其中虚线部分代表与当前节点相关的开关，实线部分为衍生节点。图3中，Pulish_mode_switch表示：发布模式开关；Availability_switch表示：可利用性开关；Durability_switch表示：持久性开关；Deadline_switch表示：截止日期开关；History_switch表示：历史记录开关；Kind_switch表示：类型开关；depth_switch表示：深度开关。步骤S202：基于数值的线性模型建立：对于“时间”与“空间”特征簇的节点，以时间复杂度oTime和空间复杂度ospace作为左值，对应其性能指标；在含有“时间”与“空间”特征的Qos策略内，每一个带有数值型的策略都将参与模型，它以权重大小影响到时间、空间模型，使能参数为对应开关模式的量化值，例如两项开关，其可量化的值域为{0,1}，其中0表示关闭，1表示开启，再结合样本指标X，以所有策略集合中的所有策略的线性和作为右值，建立起线性模型如下：其中，“时间”簇的线性模型如下：其中，分别表示时间模型下，第n个策略对应第j个样本指标的权重和使能参数，xt1,xt2,xt3表示时间模型下，策略对应的三个样本指标吞吐量、订阅得到的与发布的数据包之比和订阅得到的与发布的数据包的时间间隔，由于对于每个样本所包括的策略而言，其所对应的样本指标矩阵X相同，故计算时可不用区分不同的策略。同理，可得到“空间”簇的线性模型：其中，分别表示空间模型下，第n个策略对应第j个样本指标的权重和使能参数，xs1,xs2,xs3表示空间模型下，策略对应的三个样本指标。将其转化为矩阵形式，定义矩阵：其中，上标λ∈{t,s}，n＝1,2,…,N，T表示矩阵转置；则“时间”、“空间”簇的线性模型可以转换为如下所示的矩阵形式：oTime＝KtXtT；oSpace＝KsXsT；步骤S203：基于配置的非线性模型的学习。将学习样本Sample＝{s1,s2......s70000}和经验最优解Q放入到基于配置的非线性决策树里面，得到非线性模型的一组开关解R＝{r1,r2,......rm}，其中rii＝1,2,3......m是对应开关的一个枚举量，m表示策略集合中能得出开关解的数量，不同的枚举值代表不同的开关拨法模式，通过该开关解可以确定“时间”、“空间”簇的线性模型中的部分使能参数其余的则通过线下模型的学习获取。模型功能的验证：在带入开关解后，通过预先准备的测试样本例如Sample'＝{s1',s2'......s10000'}进行功能验证，以便于检测模型的可用性。步骤S204：基于数值的线性模型的学习。基于预先前准备好的学习样本，本具体实施方式中，共涉及70000个学习样本，并定义学习样本集合为：Sample＝{s1,s2......s70000}，再结合经验最优解Q以及开关解R＝{r1,r2,......rm}，分别对线性模型时间、空间部分进行参数学习学习样本和对应的最优解放入到线性参数里面，，分别得到空间、时间的参数解矩阵与对于任意一个样本，例如其包括的策略集合中的第1、3和5个策略，则在带入“时间”、“空间”簇的线性模型时，在模型的学习处理时，直接令不属于该样本所对应的策略子集的策略权重为0即可。步骤S3：模型的优化步骤S301：基于线性回归的数值模型优化：对于已经得到的oTime与oSpace的线性模型，通过模型得到的是一个预测值关于一组策略子集的系统运行参数，记为FX，它与原有的oTime与oSpace是有所偏差，基于线性回归原理，代入准备好的训练样本Sample”＝{s1”,s2”......s20000”}采用最小二乘法对其模型参数进行优化，用Y′表示oTime与oSpace的数值矩阵，将这一过程转化为数学表达式如下：其中，Y′＝{y′1,y′2,…y′N},表示模型时间、空间对应的数值矩阵，X′表示策略集合的指标矩阵即策略集合中的每个策略所属的样本对应的指标矩阵X＝{x1,x2,x3}组成的矩阵，即X′＝{x′1,x′2,…x′N}，其中表示第n个策略的三个指标信息：吞吐量、订阅得到的与发布的数据包之比和订阅得到的与发布的数据包的时间间隔；K＝{k1,k2,......kN}，表示策略系数矩阵权重与使能参数的乘积。求解参数矩阵K＝{k1,k2,......kN}，使得EoY,X这一值最小时，得到优化参数K'＝{k'1,k'2,......k'N}。这一多元线性回归的求解过程如下：将EoY,X对x′n进行求导，得到：令这一表达式为零，得到kn的最优解的闭式解：对每个x′n求解后，得到优化参数K'＝{k'1,k'2,......k'n}。从而确定策略集合中每个策略的权重和使能信息，并保存。当需要预测某组Qos策略子集Qos策略方案的系统运行性能时，则基于已获得的对应策略的权重和使能信息，基于oTime与oSpace的线性模型，可以获取当前Qos策略方案在系统运行时的时间和空间信息，即通过本发明可以为某种Qos策略方案的预测运行性能。从而为系统Qos人员对Qos策略方案的选择提供参考信息。以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和或步骤以外，均可以任何方式组合。

权利要求：1.基于RTI-DDS的Qos模型的构建方法，其特征在于，包括下列步骤：基于RTI-DDS提供的Qos策略，构建策略集合；对策略集合中的每个Qos策略进行特征提取，得到初始特征集；通过PCA主成分分析和FA因子分析法对初始特征集表进行合并和降维处理，得到最终的特征集；其中每个Qos策略至少包括所述特征集中的一个特征；对特征集进行数值和配置的二分类处理；建立二维的多变量决策树模型：基于DDS的实体的树形结构，将DDS的实体作为一维节点，得到对应的树形结构，每个树形结构对应一个Qos策略方案；并在树形结构中的每个节点内部的二维度中设置两类第二维节点，其中一类为数值类第二维节点，另一类为配置类第二维节点；其中，DDS的每个实体包括一组Qos策略；基于预置的Qos需求指标信息，在数值类第二维节点中，分别为每个实体的每个Qos策略预置权重矩阵，其中，每个Qos策略的每个数值类特征分别对应一组权重值；在配置类第二维节点中，分别为每个实体的每个Qos策略预置关于配置模式的使能参数矩阵，所述使能参数为量化的开关模式；其中权重矩阵、使能参数矩阵为一维向量，维数与Qos需求指标信息包括的指标数相同；以数值类特征为计算单位，叠加每个实体的所有Qos策略的权重矩阵和使能参数矩阵的乘积结果，作为当前实体的在当前数值类特征下的预测参数矩阵，叠加树形结构中的所有实体的预测参数矩阵，再与当前的Qos需求指标参数相乘，得到每个树形结构所对应的Qos策略方案的系统运行性能预测值。2.如权利要求1所述的方法，其特征在于，每个策略的权重矩阵和使能参数矩阵的具体设置方式为：基于经验值，为策略集合中的每个策略设置配置参考值，作为Qos策略参考矩阵；设置训练学习样本集：以策略集合的子集作为一个样本对象，同时提取每个样本对象的系统运行参数指标作为每个样本对象的样本数据；并对所述训练学习样本集进行过滤处理：计算样本的皮尔逊相关系数，删除皮尔逊相关系数低于预设阈值的样本；对策略集合中包含配置类的策略，预置使能参数；基于训练学习样本集和Qos策略参考矩阵，以及部分预置的使能参数，获取策略集合中每个策略的权重矩阵和使能参数矩阵：以特征集中的每一个特征作为一个计算对象o，并构建关于计算对象的计算模型：其中，An、Bn和Xn分别表示第n个策略的权重矩阵、使能参数矩阵和系统运行参数指标矩阵，n＝1,2,…,N，参数N表示策略集合的Qos策略数；且其中表示第n个策略的第j个系统运行参数指标，分别表示第n个策略对应第j个系统运行参数指标的权重和使能参数，j＝1,2,…,J，参数J表示系统运行参数指标数；基于部分预置的使能参数，初始化计算模型中对应的使能参数；基于Qos策略参考矩阵和训练学习样本集对计算模型进行参数求解，得到每个策略的权重矩阵An和使能参数矩阵Bn；其中，在带入训练学习样本集中每个样本时，将每个样本所对应的系统运行参数指标作为该样本所包括的策略的系统运行参数指标，即得到该样本所涉及的每个策略的系统运行参数矩阵；并将该样本所不包括的策略的权重置零。3.如权利要求2所述的方法，其特征在于，基于多元线性回归，采用最小二乘法，代入训练样本对计算模型的权重矩阵An和使能参数矩阵Bn进行优化处理。4.如权利要求1所述的方法，其特征在于，初始特征集具体包括：时间：以数值形式影响到DDS中间件时间复杂度的策略；空间：以数值形式影响到DDS中间件空间复杂度的策略；使能：以开关形式影响到Qos策略使用的策略；配置：以设置和可配置的形式间接影响到Qos策略使用的策略；管理：以多选项和预测的形式间接影响到DDS中间件的策略；其他：以用户或系统偏好性作为设置参考的策略。5.如权利要求4所述的方法，其特征在于，初始特征集进行合并和降维处理，得到最终的特征集为：{"时间"，"空间"，"配置"}，其中配置为使能、配置、管理三个特征的合并结果。6.一种Qos策略方案的运行性能预测方法，具体包括下列步骤：步骤1：基于系统的Qos需求，设置关于Qos策略的策略集合；步骤2：对策略集合中的每个策略进行时间、空间和配置的属性类别匹配处理，得到每个策略的属性类别匹配结果；步骤3：分别为策略集合中的每个策略预置配置参考值，得到Qos策略参考矩阵Q＝{Q1,Q2,……QN}，其中Qn表示策略集合中的第n个策略的配置参考值，n＝1,2,…,N，参数N表示策略集合的策略数量；步骤4：预置系统运行参数指标信息，并分别以时间、空间为计算对象o，构建关于计算对象的计算模型：其中An、Bn和Xn分别表示第n个策略的权重矩阵、使能参数矩阵和系统运行参数指标矩阵；且其中表示第n个策略的第j个系统运行参数指标，分别表示第n个策略对应第j个系统运行参数指标的权重和使能参数，j＝1,2,…,J，参数J表示系统运行参数指标数；步骤4：以策略集合的子集作为一个样本对象，同时提取每个样本对象的系统运行参数指标矩阵，作为每个样本对象的样本数据；计算样本的皮尔逊相关系数，删除皮尔逊相关系数低于预设阈值的样本，从而得到训练样本集；步骤5：对策略集合中包含配置类属性的策略，预置使能参数；从而得到配置属性的策略的使能参数矩阵；基于Qos策略参考矩阵和训练样本集对各计算模型进行参数求解，得到每个策略的权重矩阵An和使能参数矩阵Bn；其中，在带入训练学习样本集中每个样本时，将每个样本所对应的系统运行参数指标作为该样本所包括的策略的系统运行参数指标，即得到该样本所涉及的每个策略的系统运行参数矩阵；并将该样本所不包括的策略的权重置零；步骤6：对于当前待预测的Qos策略方案，基于5得到的权重矩阵An和使能参数矩阵Bn得到所述待预测的Qos策略方案的每个策略的权重矩阵和使能参数矩阵，再基于所述待预测的Qos策略方案的系统运行参数指标矩阵取权重矩阵、使能参数矩阵和矩阵的乘积作为各策略的预测输出，累加待预测的Qos策略方案的每个策略的预测输出得到当前待预测的Qos策略方案运行性能预测信息。7.如权利要求6所述的方法，其特征在于，系统运行参数指标信息包括3个系统运行参数指标：带宽、订阅得到的与发布的数据包之比和订阅得到的与发布的数据包的时间间隔。8.如权利要求6或7所述的方法，其特征在于，步骤4中，将皮尔逊相关系数低于0.6的样本删除，从而得到训练样本集。

百度查询： 电子科技大学 一种基于RTI-DDS的Qos模型的构建及Qos策略方案的运行性能预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD