[发明专利]一种基于K-NN算法的DSE优化方法及装置

说明书

本发明提出了一种基于K‑NN算法的DSE优化方法及装置，包括:对TSN网络模型中的流量等级进行调度优先级配置；对DSE中替代传统算法执行可调度性分析的K‑NN算法根据已配置的调度优先级进行训练，得到符合要求的节点比例值；将所述节点比例值与预设阈值比较，若节点比例值小于预设阈值则使用所述K‑NN算法，若节点比例值大于预设阈值则使用DSE中的传统算法，对预设阈值的大小进行调整。通过结合K‑NN算法实现DSE优化的方法，用机器学习算法中的K‑NN算法替换传统DSE中原有的可调度性分析算法，当判断K‑NN算法不可行时依然使用传统算法，提高了可调度性分析的计算速度同时降低了误报率，提供了一种既能保持高预测准确率，又能减少误报的DSE优化方法及装置。

技术领域

本发明属于电力通信网络技术领域，尤其涉及一种基于K-NN算法的DSE优化方法及装置。

背景技术

随着TSN网络的设计与配置越来越复杂化，通常需要设计空间探索(DSE)算法来优化TSN协议的选择与配置。DSE算法一般由迭代执行的三个环节组成：创建候选解决方案、配置解决方案并进行可调度性分析以及模拟评估TSN网络的性能。其中在对解决方案进行可调度性分析环节中，原有的传统算法可用机器学习算法替代，用于优化传统的DSE算法，提供了更快的分析算法方案，但是机器学习技术的错误预测百分比会因为超出可接受范围而无法应用于可调度性分析环节。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提出了一种基于K-NN算法的DSE优化方法及装置，包括：

步骤一：构建包括通信节点的TSN网络模型，对TSN网络模型中的流量等级进行调度优先级配置；

步骤二：基于训练集中的数据，对DSE中替代传统算法执行可调度性分析的K-NN算法根据已配置的调度优先级进行训练，得到符合要求的节点比例值；

步骤三：将所述节点比例值与预设阈值比较，若节点比例值小于预设阈值则使用所述K-NN算法，若节点比例值大于预设阈值则使用DSE中的传统算法，对预设阈值的大小进行调整；

步骤四：按照预设的时间频率，基于调整后的预设阈值重复步骤三的内容。

可选的，所述TSN网络模型的拓扑结构包括第一数量的交换机和与交换机连接的第二数量的通信节点。

可选的，所述对TSN网络模型中的流量等级进行调度优先级配置包括：

通过分配算法对所述交换机和所述通信节点之间业务流量的最佳优先级进行分配；

其中，属于相同类型的业务流量具有相同的优先级，对于优先级相同的业务流量数据遵循先进先出原则。

可选的，所述基于训练集中的数据，对DSE中替代传统算法执行可调度性分析的K-NN算法根据已配置的调度优先级进行训练，得到符合要求的节点比例值，包括：

基于设定的评估依据特征，计算测试数据与训练集中数据之间的距离；

按照递增顺序对所得距离进行排序；

选取前K个数据并统计前K个数据所属类型的出现频率；

将出现频率最高的类型作为所述测试数据的预测类型，同时计算所有不属于所述预测类型的数据占前K个数据的比例值，将所述比例值作为节点比例值；

其中，K的取值为正整数。

可选的，所述对预设阈值的大小进行调整包括：

根据步骤三中所述K-NN算法和所述传统算法的决策结果，计算基于当前预设阈值下的决策精度；

基于二分法，选择实现更高决策精度对应的预设阈值。

一种基于K-NN算法的DSE优化装置，其特征在于，所述装置包括：