基于云边协同的物联网设备智能管理控制方法与流程

本发明涉及物联网设备管理，具体为基于云边协同的物联网设备智能管理控制方法。

背景技术：

1、物联网设备管理中，边缘节点通常以固定周期发送心跳包维持设备状态监测，并使用预设的超时时长处理数据重传。这种静态配置无法随通信环境变化动态调整，当网络负载升高或信道质量波动时，固定心跳包加剧信道竞争与能耗浪费，而过短的重传超时在瞬时拥塞下引发大量无效重传，进一步恶化网络状态；反之，过于保守的固定参数则导致故障发现延迟和资源空闲浪费。现有云边协同方案将部分管理功能下沉至边缘，但边缘节点向云中心上报的多为平均接收信号强度、平均时延等标量统计值，该类数据损失了时间维度和设备维度的分布信息，难以描述通信状态的结构化特征。云中心基于粗糙统计量仅能做出粗略判别，无法精确区分各边缘节点的通信负载贡献差异，全局协同优化能力受限。

2、面对数量庞大且信道条件多变的物联网设备，现有技术缺乏将信号强度、数据包往返时延和连接保持时长等异构多源序列转化为紧致且具有判别力的通信特征表示的手段，使得本地通信状态中的主要模式与瞬时噪声无法有效分离，上传数据冗余度高且信息密度低。同时，在云端也缺少一种融合多个边缘节点的本地通信特征以构建全局视图、并对各节点负载贡献度进行精细量化的机制。因此，需要解决如何在边缘侧从多维时间序列中提取能反映通信时空结构本质的谱特征，以及如何在云中心利用分布式谱特征实现通信负载贡献度评估并驱动自适应参数调整的问题。

技术实现思路

1、本发明提供一种基于云边协同的物联网设备智能管理控制方法，旨在解决现有方法中通信参数静态配置难以适应动态网络状态、边缘上报信息缺乏通信结构表征能力、云端无法精确量化边缘节点负载贡献度的问题，通过边缘节点对多维通信序列的结构化谱特征提取和云中心对全局特征张量的合成及负载贡献度计算，实现心跳包发送间隔与数据重传超时时间的动态自适应调节，在保障设备连通可靠性的前提下均衡网络负载、降低信令开销和重传成本，提高物联网通信系统的资源利用效率与管理灵活性。

2、为了实现上述目的，本发明提供如下技术方案：本发明提供一种基于云边协同的物联网设备智能管理控制方法，该方法通过边缘节点采集所辖物联网设备的通信状态向量，该通信状态向量包含信号强度序列、数据包往返时延序列及连接保持时长序列。边缘节点将通信状态向量按时间标签对齐后映射至二维状态矩阵，并对二维状态矩阵执行对角化变换处理，生成本地通信特征谱。作为本发明的一个技术方案，边缘节点将信号强度序列、数据包往返时延序列及连接保持时长序列填充至二维状态矩阵的三个通道层中形成三维通道状态矩阵，并对每个通道层分别执行奇异值分解，提取最大奇异值及对应的左奇异向量与右奇异向量，将三个通道层的最大奇异值组合为主特征值向量，同时将左奇异向量与右奇异向量的外积矩阵重构为通道特征矩阵，并沿深度方向拼接生成谱分量矩阵。优选的，在时间标签对齐过程中若出现缺失值，采用线性插值法进行填充，以保证状态矩阵的完整性。

3、边缘节点将本地通信特征谱上传至云中心，云中心接收多个边缘节点上传的多个本地通信特征谱后，执行全局特征张量合成处理。云中心将所有主特征值向量按边缘节点编号顺序排列生成节点-特征值矩阵，将所有谱分量矩阵沿第一维度方向拼接生成全局谱张量，并将节点-特征值矩阵作为权重系数矩阵，对全局谱张量的第一维度执行加权压缩处理，生成三维的全局特征张量。当边缘节点数量少于预设阈值时，云中心在节点-特征值矩阵的尾部补零行，使矩阵维数满足处理要求，从而增强全局特征张量的稳定性。该全局特征张量能够融合来自不同边缘节点的通信特征信息，从网络整体层面反映通信状态的时空分布与关联特性。

4、云中心根据全局特征张量及每个边缘节点的本地通信特征谱，计算每个边缘节点的通信负载贡献度。具体的，云中心计算全局特征张量沿第一维度方向的均值向量及协方差矩阵，并针对目标边缘节点获取其主特征值向量与均值向量的差值向量，利用协方差矩阵的逆矩阵对差值向量进行加权，得到表征目标边缘节点通信状态偏离程度的马氏距离值，该马氏距离值被直接作为通信负载贡献度。云中心将通信负载贡献度反馈至对应的边缘节点，使得每个边缘节点能够获知自身在网络整体负载格局中的相对位置与贡献水平。

5、边缘节点根据接收到的通信负载贡献度，自适应地调整与物联网设备之间的心跳包发送间隔及数据重传超时时间。边缘节点获取本地的当前设备连接数及当前数据吞吐率，将通信负载贡献度乘以本地设备连接数得到第一调整因子，将通信负载贡献度除以当前数据吞吐率得到第二调整因子。基于预设的基础心跳发送间隔和基础数据重传超时时间，边缘节点将基础心跳发送间隔减去第一调整因子与第一预设系数的乘积，得到更新后的心跳包发送间隔；将基础数据重传超时时间加上第二调整因子与第二预设系数的乘积，得到更新后的数据重传超时时间。这一调整机制使得通信负载贡献度较高的边缘节点能够主动降低心跳发送频率并适度延长重传等待时间，从而在网络负载不均匀分布时起到削峰填谷的作用，有效缓解网络拥塞；而贡献度较低的节点则保持较激进的心跳与重传策略，保障设备接入的实时性与可靠性。

6、通过上述云边协同的处理流程，本方法将边缘节点的本地通信数据提炼为紧凑的特征谱，在云端完成全局特征融合与负载贡献度量化，再反馈至边缘侧驱动参数自适应调整，形成了从感知、建模、分析到控制的闭环智能管理体系。该体系显著提升了物联网通信资源利用效率，降低了冗余信令开销，并增强了网络在设备规模增长和通信波动条件下的动态适应能力。

7、在上述技术方案中，本发明提供的技术效果和优点：

8、边缘节点将信号强度序列、数据包往返时延序列及连接保持时长序列按时间标签对齐至统一采样时间网格，并填充为以行表示时间维度、列表示设备维度的三维通道状态矩阵，完整保留了多维通信数据之间的时空关联。对各通道层分别执行奇异值分解，提取最大奇异值及对应的左、右奇异向量，最大奇异值反映该通道通信能量的主分量，左奇异向量刻画时间维度上的变化模式，右奇异向量捕捉设备维度上的分布结构。将三个通道的最大奇异值组合为主特征值向量，同时计算左、右奇异向量的外积并用主特征值加权，重构出各通道特征矩阵后沿深度方向拼接为谱分量矩阵，由此得到由主特征值向量和谱分量矩阵构成的本地通信特征谱。这一过程将原始高维、含噪的时间序列数据压缩为低维且具备通信模式判别性的谱特征，滤除了瞬时波动与测量噪声，突出了不同设备在时间维度上的主要耦合结构。所得本地通信特征谱对物联网设备数量和采样时长变化具有良好鲁棒性，为云端提供信息密度高、冗余度低的特征表达，使得后续全局分析能够在保留关键通信差异的同时大幅降低数据传输与计算代价。

9、云中心汇集多个边缘节点上传的主特征值向量和谱分量矩阵后，将所有主特征值向量按边缘节点排列为节点-特征值矩阵，并将所有谱分量矩阵沿第一维度拼接形成全局谱张量。以节点-特征值矩阵的元素作为加权限系数，对每一节点各通道谱分量矩阵加权，将三通道加权结果沿深度方向相加，压缩得到各节点的压缩谱分量矩阵并堆叠为三维全局特征张量。该全局特征张量融合了全网边缘节点的通信模式在时间、设备和参数通道上的联合分布，利用主特征值进行重要性加权强化了高能量特征成分、抑制了次要噪声模式。计算全局特征张量沿第一维度的均值向量与协方差矩阵，求取目标边缘节点主特征值向量到该均值向量的马氏距离作为通信负载贡献度。马氏距离通过协方差矩阵纳入特征维度间的相关性，能够比欧氏距离更精确地衡量目标节点通信状态相对于全局平均状态的偏移程度，负载贡献度越大表示该边缘节点的通信负担越重或其通信质量偏离越大。边缘节点接收负载贡献度后，结合本地设备连接数及当前数据吞吐率计算调整因子，动态缩减心跳包发送间隔、增大数据重传超时时间。对于负载贡献度较高的边缘节点，缩短心跳间隔可提升对设备在线状态的监测密度，延长重传超时可缓解因局部信道拥塞引发的重传竞争。这种闭环反馈调节使通信管理参数能够自动适配实时通信负载状况，避免固定配置在负载波动时引起的信令风暴或检测滞后，均衡了无线信道的占用，在保障连通可靠性的前提下有效抑制了不必要的能耗和重传开销，提升物联网整体的通信效率与资源利用水平。