申请/专利权人：福州大学

申请日：2022-07-22

公开（公告）日：2024-06-28

公开（公告）号：CN115208504B

主分类号：H04J3/06

分类号：H04J3/06;G06N3/0442;G06N3/045;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.11.04#实质审查的生效;2022.10.18#公开

摘要：本发明提供了一种基于ARIMA‑LSTM估计的网络时钟同步方法，包括以下步骤：步骤S1：首先由最佳主时钟算法确定域内主从层次关系，步骤S2：从时钟利用得到的时间戳t1，t2，t3，t4计算它和主时钟的时钟偏差；步骤S3：根据统计原理计算时钟偏差的置信区间去确定阈值和；步骤S4：采集时钟偏差数据并进行预处理；步骤S5：构建自回归移动平均模型ARIMA；步骤S6：构建长短期记忆估计模型LSTM；步骤S7：构建ARIMA‑LSTM组合估计模型；步骤S8：根据设定的阈值持续检测系统的网络状况；应用本技术方案可实现有效地消除由时延抖动引起的不可控误差，提高时钟同步精度。

主权项：1.一种基于ARIMA-LSTM估计的网络时钟同步方法，其特征在于，包括以下步骤：步骤S1：首先由最佳主时钟算法确定域内主从层次关系，主时钟节点作为参考时间，其余时钟节点作为从时钟节点；步骤S2：从时钟利用得到的时间戳t1，t2，t3，t4计算它和主时钟的时钟偏差，如式1所示： 步骤S3：根据统计原理计算时钟偏差的置信区间去确定阈值θ1和θ2；如公式2中，x是时钟偏差数据，p是时钟偏差x在区间μ-kσ，μ+kσ内的概率，μ是时钟偏差均值，σ是标准差，k为标准差系数；则确定的阈值为θ1＝μ-kσ，θ2＝μ+kσ；P＝{|x-μ|kσ}2步骤S4：采集时钟偏差数据并进行预处理；具体包括一阶低通滤波和异常值处理，分别消除原始数据的高频干扰和离群值；根据步骤S3设定的阈值，对异常值采用取均值的方法，即前n个时钟偏差的均值去替代异常值，并将处理后的数据划分为训练集和测试集；步骤S5：构建自回归移动平均模型ARIMA；步骤S6：构建长短期记忆估计模型LSTM；步骤S7：构建ARIMA-LSTM组合估计模型；步骤S8：根据设定的阈值持续检测系统的网络状况；当从时钟计算出来的offset位于阈值范围内时，代表当前的网络没有发生时延抖动，此时根据式1计算的offset去更新本地时钟；当offset位于阈值范围外时，说明网络内发生时延抖动，此时计算出来的offset并不可信，及时调用ARIMA-LSTM模型进行估计，利用估计值更新本地时钟；主从时钟交换数据包进行时钟同步，具体过程如下：步骤S1.1：主时钟周期性的向从时钟发送Sync同步报文，同时会记录发送数据包的时间戳t1；如果采取的是两步式同步，主时钟会向从时钟发送一个Follow_up报文，该数据包中包含时间戳t1；步骤S1.2：从时钟接收到Sync报文并记录接收时间戳t2；从时钟向主时钟发送Delay_Req报文并记录发送的时间戳t3；步骤S1.3：主时钟接收到这个报文后会记录时间戳为t4；主时钟向从时钟发送Delay_Resp报文，该数据包中包含时间戳t4；步骤S5包括以下步骤：步骤5.1：对时钟偏差时间序列平稳性进行检验；步骤5.2：利用AIC和BIC准则对模型进行定阶；步骤5.3：进行白噪声检验；利用ARIMA模型拟合时钟偏差序列，其计算公式为： 其中，Xt为当前t时刻的时钟偏差时间序列样本值，Xt-1为t-1时刻的时钟偏差时间序列样本值；p和q分别为自回归项和移动平均项对应的阶数；和θj，j＝1，2，…q为模型参数，εt和εt-j为独立正态分布的白噪声；步骤S6具体包括以下步骤：步骤6.1：对数据进行预处理；步骤6.2：设定网络参数；步骤6.3：模型训练；利用LSTM预测拟合时钟偏差序列，其计算公式为：it＝σWi*[ht-1,Xt]+bi4ft＝σWf*[ht-1,Xt]+bf5ot＝σWo*[ht-1,Xt]+bo6Ct＝ft*Ct-1+it*tanhWC*[ht-1,Xt]+bC7ht＝ot*tanhCt8式中，it为输入门，ft为遗忘门，ot为输出门；Ct为当前t时刻细胞的状态，Ct-1为t-1时刻细胞的状态；ht为当前t时刻的输出数据，ht-1为t-1时刻的输出数据；Wi为输入门的权重矩阵，Wf为遗忘门的权重矩阵，Wo为输出门的权重矩阵，WC为备选状态的权重矩阵；bi为输入门的偏移量，bf为遗忘门的偏移量，bo为输出门的偏移量，bc为输入单元状态的偏移量；σ为激活函数；tanh为双曲正切激活函数；步骤S7具体包括以下步骤：步骤7.1：设定PSO算法的初始参数；其中PSO的具体计算公式为： 其中，为第k次迭代时粒子的速度；为第k次迭代时粒子的位置；第k次迭代时粒子的局部最优位置；i代表粒子；c1和c2表示学习因素；r1和r2是0到1之间的随机数；ω为惯性重量；λ为速度系数；步骤7.2：建立目标函数，利用PSO算法分别对ARIMA和LSTM的估计最终结果赋予合适的权重，得到组合模型的估计结果，具体表达式如下：Ci＝Ai*w1+Li*w211w1+w2＝112 其中Ai和Li分别是ARIMA和LSTM模型的估计结果；Ci为组合模型的估计结果；Ti为时钟偏差真实数据；w1和w2分别代表ARIMA和LSTM估计结果的权重值；p为建立的目标函数；步骤7.3：对ARIMA-LSTM估计模型和单一模型估计精度进行比较；采用均方误差RMSE和平均绝对误差MAE作为评判各种模型估计效果的依据，两个指标的具体公式如下所示： 其中，yi为真实的时钟偏差数据，为ARIMA-LSTM估计的时钟偏差数据。

全文数据：

权利要求：

百度查询： 福州大学 一种基于ARIMA-LSTM估计的网络时钟同步方法

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