[发明专利]一种知识推理引擎系统及实现方法

权利要求书

1.一种知识推理引擎系统，其特征在于，包括数据生成模块、流划分模型、离线调度模块、在线调度模块、调度方案库以及历史信息库模块；

所述数据生成模块，用于生成大量无标签数据集与少量有标签数据集并将数据集平均划为多个分区；

所述流划分模型，用于在接收到所述数据集时，根据知识推理得到的流相关性度量值对所述数据集进行分组并计算各个分组迭代调度的顺序；

所述离线调度模块，用于生成静态的网络需求的调度方案；

所述在线调度模块：用于在时间敏感网络中有新增流量时，通过合理调整旧流调度方案，快速生成新TT流的调度方案；

所述调度方案库：用于存储分组后的结果与各个分组迭代调度的顺序；存储离线调度方案与在线调度方案；在有新增流量时可以让所述在线调度模块，立即调用所述离线调度方案作为调度基础；

所述历史信息库，用于根据所述调度方案库中的历史调度方案与分组结果更新并存储相关数据流属性、调度标签、分组标签等数据信息以及时延、抖动、循环周期等性能指标；

所述流划分模型包括预处理单元、学习单元以及分组单元；

所述预处理单元，用于对标记与未标记的所述数据集进行归一化处理，并构造数据流间的依赖关系；

所述学习单元，用于对所述数据集进行无监督学习、半监督训练以及先验知识计算，获得所述数据流间的相关性度量；

所述分组单元，用于根据所述相关性对所述数据流进行划分。

2.如权利要求1所述的知识推理引擎系统，其特征在于，所述学习单元，通过对所述数据集进行无监督学习与半监督协同训练推理出TT流之间的冲突关系，进而得到TT流间的基于数据驱动的相关性度量；通过时隙占有率、共享端系统的数量与流间依赖关系计算出基于先验流属性的相关性度量。

3.一种知识推理引擎实现方法，其特征在于，该方法包括以下步骤：

步骤一、输入需要调度的数据集，数据生成模块会从历史信息库导入信息并根据实际应用需求生成由不同调度实例组成的流特征化数据集，对可以调度的调度实例进行标记并将所述流特征化数据集平均划分为多个分区；

步骤二、流划分模型在接收到数据生成模块的所述数据集后经过知识推理得到数据集分组结果；

步骤三、将所述分组结果导入到离线调度模块并存储到历史信息库，离线调度阶段为每个分区构造离线调度约束集，并构造迭代调度算法，输出离线调度方案；

步骤四、将输出的所述离线调度方案通过相关的配置软件生成交换机端口和终端设备的配置文件，将其配置到各个交换机以及终端设备上，并将离线调度结果存储到调度方案库；

步骤五、当时间敏感网络中网络需求发生动态变化时，即有新的新调度实例输入时，在线调度模块从所述调度方案库导入所述分组结果与所述离线调度结果，根据所述流划分模型找到新增TT流所属的分组，构造动态调度约束集并设计启发式算法，在原有的调度方案基础上对所述新增TT流进行增量调度，如果没有可行的调度方案，找到与这个所述新增TT流同一分组的旧TT流，对它们的调度方案进行调整，直到获得可行解，并输出在线调度方案；

步骤六、将输出的所述在线调度方案通过相关的配置软件生成所述交换机端口和所述终端设备的配置文件，将其配置到各个所述交换机以及所述终端设备上，并将所述在线调度结果存储到所述调度方案库，所述调度方案库将所有调度结果信息导入到所述历史信息库并对其进行更新。

4.如权利要求3所述的知识推理引擎实现方法，其特征在于，所述步骤一生成数据集的每个所述调度实例拥有不同属性的流和流间依赖图。

5.如权利要求4所述的知识推理引擎实现方法，其特征在于，所述步骤二的分组过程，流相关性越高的TT流发生冲突与依赖的概率越高，越趋向于划分在一个分组中。

6.如权利要求5所述的知识推理引擎实现方法，其特征在于，所述步骤三的迭代调度算法构造了流间依赖约束，假设网络中存在一个子任务与一个父任务，子任务TT流依赖于父任务TT流才能发送，子任务的注入时间要在父任务到达后才能开始，刻画流间依赖特性。