[发明专利]基于机器学习的数据节点分组方法、系统及介质

说明书

本发明公开了一种基于机器学习的数据节点分组方法、系统及介质，包括：将数据节点集合根据起始地址大小进行排序；根据相邻数据节点间的地址差值，将数据节点集合按照设定的规则拆分为若干子集合；对于每一个子集合，筛选有效分组，基于筛选的有效分组确定所有可能的分组采集策略；基于机器学习的方法确定每一个分组采集策略的采集时间，确定最优的分组采集策略；将所有子集合的最优分组采集策略进行组合，得到整个数据节点集合的最优分组采集策略。本发明方法的分组优化策略进行边缘采集所用的时间更短，效率更高，可大大减少边缘采集的时延，提高边缘采集的实时性。

技术领域

本发明涉及边缘采集技术领域，尤其涉及一种基于机器学习的数据节点分组方法、系统及介质。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

在边缘采集以及边缘计算的应用场景中，传统的边缘采集方法，通常是获取所有需要进行边缘采集数据节点的信息，然后根据节点信息，依次生成每个数据节点的采集指令；对每个数据节点使用该述数据节点的采集指令进行边缘采集，对采集回来的数据，根据该协议的规则获取该节点状态以及数据。这种方法在节点间顺序串行采集，由于有效负载数据占协议数据的占比过小以及多条指令执行的时间消耗，导致边缘采集效率非常慢。

现有技术对传统边缘采集方法进行了优化，根据固定的地址长度将地址空间逻辑上划分为多个分组。将所需采集的节点根据自己的地址分布到相应的分组中。对所有所需采集数据分组进行采集，使得节点间的串行采集优化为分组间串行采集，分组内数据节点并行采集的逻辑结构，可提高采集效率数倍到数十倍。

但是，发明人在实际应用中发现，上述的分组方法为固定地址范围分组，限定逻辑地址，将所有在该范围内的节点分为一组。这种方法往往无法寻找到相对合理的分组方法，部分情况下因不合理或非最优的分组方法，反而使得采集优化的效果降低；比如：

有六个Modbus-RTU协议，寄存器类型为保持寄存器的数据节点(简称节点或数据点)，地址为0、31、32、63、64，65；使用32个地址一个逻辑分组的分组方法，分组后的结果为：[0、31]，[32、63]，[64、65]；分组[0、31]会将地址为0到31的所有数据节点的数据采集回来；此时，数据负载32个数据点，有效负载2个数据点，无效负载30个数据点。该分组下，有效数据点占比为6.25％。另外通信协议中还有协议前导与后缀数据，总体有效数据占比过低为5.7％。回复的数据中包含了大量冗余的无效负载数据，当使用串口的方式并且波特率低或者其他方式的时候大量冗余数据的数据传输时间会非常耗时，降低了采集效率。

另外，现有技术公开了通过直接探测法确定每一个分组的采集时间，这种方式需要实际探测数据采集命令开始发送到接收并解析下位设备返回的数据所经历的整体用时，效率低下；

在一些实施方式中，还公开了通过预测分析法确定每一个分组的采集时间，这种方法基于数据长度预测数据传送时间，无需实际探测过程，能够提高采集时间的计算效率；但是，由于时间是预估得到的，所以相比于实际探测的方式，准确性不高。

发明内容

有鉴于此，本发明提出了一种基于机器学习的数据节点分组方法、系统及介质，采用优化分组采集策略，提升边缘采集的效率；同时采用机器学习的方法确定每一个分组采集策略的采集时间，以快速确定最优分组采集策略。

为了实现上述目的，在一些实施方式中，采用如下技术方案：

一种基于机器学习的数据节点分组方法，包括：

将数据节点集合根据起始地址大小进行排序；

根据相邻数据节点间的地址差值，将数据节点集合按照设定的规则拆分为若干子集合；

对于每一个子集合，筛选有效分组，基于筛选的有效分组确定所有可能的分组采集策略；基于机器学习的方法确定每一个分组采集策略的采集时间，确定最优的分组采集策略；