用于路由器的带宽控制方法、系统和电子设备与流程

1.本发明涉及路由器带宽分配的领域，且更为具体地，涉及一种用于路由器的带宽控制方法、系统和电子设备。


背景技术：

2.路由器又可以称之为网关设备。在网络通信中，路由器具有判断网络地址以及选择ip路径的作用，可以在多个网络环境中，构建灵活的链接系统，通过不同的数据分组以及介质访问方式对各个子网进行链接。
3.目前，在现有的路由器中，通常基于分时控制模式来控制路由器中各个终端设备的带宽资源，也就是，首先获取各个终端设备的信号强度，并基于信号强度来确定各个终端设备对应的带宽资源，然后，将计算出对应的带宽资源分配给各个终端设备。
4.但是，这种分配带宽的方式却没有考虑到各个终端设备的实际情况，以及各个终端设备所组成的整体情况。这样就可能会使得各个终端设备所分配的带宽资源存在着不足。因此，为了实现合理的带宽分配，期望一种用于路由器的带宽控制方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于路由器的带宽控制方法、系统和电子设备，其采用基于卷积神经网络的深度学习技术来充分挖掘出各个所述终端设备的带宽信息之间和信号强度信息之间的关联性特征，并且使用上行参数来对所述带宽信息和所述信号强度信息进行融合，进而再基于经典多维尺度变换的原理对得到的所述特征图进行修正，以使得得到的每个所述终端设备所分配的带宽的百分比更加准确。通过这样的方式，可以对各个所述终端设备所分配的带宽资源进行合理地分配。
6.根据本技术的一个方面，提供了一种用于路由器的带宽控制方法，其包括：
7.获取与路由器相连通的各个终端设备在一系列预定时间点的带宽数据并将所述一系列预定时间点的带宽数据按照设备样本维度和时间维度构造为带宽矩阵；
8.获取各个所述终端设备在相同的一系列预定时间点的信号强度数据并将所述一系列预定时间点的信号强度数据按照设备样本维度和时间维度构造为信号矩阵；
9.使用第一卷积神经网络和第二卷积神经网络作为特征提取器从所述带宽矩阵和所述信号矩阵获得第一特征图和第二特征图；
10.基于各个所述终端设备到所述路由器的上行通信参数来融合所述第一特征图和所述第二特征图以获得第三特征图，所述上行通信参数基于终端设备的小规模衰减功率分量、终端设备的小规模衰减效应、加性高斯白噪声功率和所选信道中的干涉确定；
11.基于所述第一特征图和所述第二特征图中相应位置之间的距离，使用经典多维尺度变换对所述第三特征图进行尺度变换以获得修正融合特征图；
12.获得当前的各个所述终端设备的带宽分配数据并将各个所述终端的带宽分配数据排列为带宽分配向量；
13.使用由多个全连接层构成的编码器对所述带宽分配向量进行编码以获得带宽分配特征向量；
14.以所述带宽分配特征向量作为查询向量与所述修正融合特征图进行矩阵相乘以将所述带宽分配特征向量映射到所述修正融合特征图的特征空间中以获得分配特征向量；以及
15.计算所述分配特征向量的各个位置的softmax函数值作为每个位置对应的终端设备的带宽分配百分比，所述softmax函数值为取各个位置的特征值为幂的自然指数函数值除以取各个位置的特征值为幂的自然指数函数值的加权和。
16.根据本技术的另一方面，提供了一种用于路由器的带宽控制系统，其包括：
17.带宽矩阵构造单元，用于获取与路由器相连通的各个终端设备在一系列预定时间点的带宽数据并将所述一系列预定时间点的带宽数据按照设备样本维度和时间维度构造为带宽矩阵；
18.信号矩阵构造单元，用于获取各个所述终端设备在相同的一系列预定时间点的信号强度数据并将所述一系列预定时间点的信号强度数据按照设备样本维度和时间维度构造为信号矩阵；
19.特征提取单元，用于使用第一卷积神经网络和第二卷积神经网络作为特征提取器从所述带宽矩阵构造单元获得的所述带宽矩阵和所述信号矩阵构造单元获得的所述信号矩阵获得第一特征图和第二特征图；
20.融合单元，用于基于各个所述终端设备到所述路由器的上行通信参数来融合所述特征提取单元获得的所述第一特征图和所述特征提取单元获得的所述第二特征图以获得第三特征图，所述上行通信参数基于终端设备的小规模衰减功率分量、终端设备的小规模衰减效应、加性高斯白噪声功率和所选信道中的干涉确定；
21.尺度变换单元，用于基于所述特征提取单元获得的所述第一特征图和所述特征提取单元获得的所述第二特征图中相应位置之间的距离，使用经典多维尺度变换对所述融合单元获得的所述第三特征图进行尺度变换以获得修正融合特征图；
22.带宽分配向量生成单元，用于获得当前的各个所述终端设备的带宽分配数据并将各个所述终端的带宽分配数据排列为带宽分配向量；
23.编码单元，用于使用由多个全连接层构成的编码器对所述带宽分配向量生成单元获得的所述带宽分配向量进行编码以获得带宽分配特征向量；
24.映射单元，用于以所述编码单元获得的所述带宽分配特征向量作为查询向量与所述尺度变换单元获得的所述修正融合特征图进行矩阵相乘以将所述带宽分配特征向量映射到所述修正融合特征图的特征空间中以获得分配特征向量；以及
25.结果计算单元，用于计算所述映射单元获得的所述分配特征向量的各个位置的softmax函数值作为每个位置对应的终端设备的带宽分配百分比，所述softmax函数值为取各个位置的特征值为幂的自然指数函数值除以取各个位置的特征值为幂的自然指数函数值的加权和。
26.根据本技术的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于路由器的带宽控制方法。
27.根据本技术的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于路由器的带宽控制方法。
28.与现有技术相比，本技术提供的用于路由器的带宽控制方法、系统和电子设备，其采用基于卷积神经网络的深度学习技术来充分挖掘出各个所述终端设备的带宽信息之间和信号强度信息之间的关联性特征，并且使用上行参数来对所述带宽信息和所述信号强度信息进行融合，进而再基于经典多维尺度变换的原理对得到的所述特征图进行修正，以使得得到的每个所述终端设备所分配的带宽的百分比更加准确。通过这样的方式，可以对各个所述终端设备所分配的带宽资源进行合理地分配。
附图说明
29.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
30.图1为根据本技术实施例的用于路由器的带宽控制方法的应用场景图；
31.图2为根据本技术实施例的用于路由器的带宽控制方法的流程图；
32.图3为根据本技术实施例的用于路由器的带宽控制方法的系统架构示意图；
33.图4为根据本技术实施例的用于路由器的带宽控制方法中，基于所述第一特征图和所述第二特征图中相应位置之间的距离，使用经典多维尺度变换对所述第三特征图进行尺度变换以获得修正融合特征图的流程图；
34.图5为根据本技术实施例的用于路由器的带宽控制系统的框图；
35.图6为根据本技术实施例的用于路由器的带宽控制系统中尺度变换单元单元的框图；
36.图7为根据本技术实施例的电子设备的框图。
具体实施方式
37.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
38.场景概述
39.如前所述，在现有的路由器中，通常基于分时控制模式来控制路由器中各个终端设备的带宽资源，也就是，首先获取各个终端设备的信号强度，并基于信号强度来确定各个终端设备对应的带宽资源，然后，将计算出对应的带宽资源分配给各个终端设备。
40.但是，这种分配带宽的方式却没有考虑到各个终端设备的实际情况，以及各个终端设备所组成的整体情况。这样就可能会使得各个终端设备所分配的带宽资源存在着不足。因此，为了实现合理的带宽分配，期望一种用于路由器的带宽控制方案。
41.基于此，本技术的申请人期望通过基于卷积神经网络的深度学习技术来充分表达各个终端设备的带宽信息和信号状况信息以及其间的关联，从而实现合理的带宽分配。
42.具体地，首先获取各个终端设备在一系列预定时间点的带宽数据以获得带宽矩阵，同样获得所述各个终端设备在相同的一系列预定时间点的信号强度数据以获得信号矩阵，并分别通过第一卷积神经网络和第二卷积神经网络得到第一特征图和第二特征图。
43.这里，由于第一特征图和第二特征图分别表示带宽信息和信号强度信息，并且这里的带宽信息实际上是终端设备到路由器的上行带宽，因此本技术的申请人使用上行参数来对带宽信息和信号强度信息进行融合以得到第三特征图，表示为：
[0044][0045]
其中f1、f2和f3是分别是第一、第二和第三特征图的每个位置的特征值，h表示在样本维度，即终端设备的样本维度上的小规模衰减功率分量，其与频率相关，且可以假定为是单位均值的指数分布，a表示在样本维度上的小规模衰减效应，包含路径损失和遮挡损失。另外，σ2表示加性白高斯噪声的功率且ic是所选信道中的干涉
[0046]
在得到第三特征图之后，考虑到其相对于原始数据的尺度变换问题，基于经典多维尺度变换的原理对第三特征图进行修正。具体地，首先计算第一特征图与第二特征图中相应位置之间的距离以得到第四特征图，然后，针对第三特征图和第四特征图在通道维度上的每个第三矩阵和第四矩阵，计算修正矩阵，表示为：
[0047][0048]
其中m3为第三矩阵，m4为第四矩阵，m4⊙2表示对第四矩阵的各个位置进行平方。最后，再将修正矩阵m
′
按照通道维度排列，就得到了修正的融合特征图。
[0049]
这样，当获取当前的各个终端设备的带宽分配数据时，就可以首先通过编码器转换到高维特征空间得到查询向量，并乘以修正的融合特征图以得到分配特征向量，再计算分配特征向量的每个位置的softmax函数值，即每个终端设备所分配的带宽的百分比。
[0050]
基于此，本技术提出了一种用于路由器的带宽控制方法，其包括：获取与路由器相连通的各个终端设备在一系列预定时间点的带宽数据并将所述一系列预定时间点的带宽数据按照设备样本维度和时间维度构造为带宽矩阵；获取各个所述终端设备在相同的一系列预定时间点的信号强度数据并将所述一系列预定时间点的信号强度数据按照设备样本维度和时间维度构造为信号矩阵；使用第一卷积神经网络和第二卷积神经网络作为特征提取器从所述带宽矩阵和所述信号矩阵获得第一特征图和第二特征图；基于各个所述终端设备到所述路由器的上行通信参数来融合所述第一特征图和所述第二特征图以获得第三特征图，所述上行通信参数基于终端设备的小规模衰减功率分量、终端设备的小规模衰减效应、加性高斯白噪声功率和所选信道中的干涉确定；基于所述第一特征图和所述第二特征图中相应位置之间的距离，使用经典多维尺度变换对所述第三特征图进行尺度变换以获得修正融合特征图；获得当前的各个所述终端设备的带宽分配数据并将各个所述终端的带宽分配数据排列为带宽分配向量；使用由多个全连接层构成的编码器对所述带宽分配向量进行编码以获得带宽分配特征向量；以所述带宽分配特征向量作为查询向量与所述修正融合特征图进行矩阵相乘以将所述带宽分配特征向量映射到所述修正融合特征图的特征空间中以获得分配特征向量；以及，计算所述分配特征向量的各个位置的softmax函数值作为每
个位置对应的终端设备的带宽分配百分比，所述softmax函数值为取各个位置的特征值为幂的自然指数函数值除以取各个位置的特征值为幂的自然指数函数值的加权和。
[0051]
图1图示了根据本技术实施例的用于路由器的带宽控制方法的应用场景图。如图1所示，在该应用场景中，首先，从与路由器(例如，如图1中所示意的r)相连通的各个终端设备(例如，如图1中所示意的t)中获取其在一系列预定时间点的带宽数据，同时从各个所述终端设备中获取其在相同的一系列预定时间点的信号强度数据。并且，以同样的方式获得当前的各个所述终端设备的带宽分配数据。然后，将获得的各个所述终端设备在一系列预定时间点的带宽数据和信号强度数据以及当前的带宽分配数据输入至部署有用于路由器的带宽控制算法的服务器中(例如，如图1中所示意的s)，其中，所述服务器能够以用于路由器的带宽控制算法对各个所述终端设备在一系列预定时间点的带宽数据和信号强度数据以及当前的带宽分配数据进行处理，以生成用于表示各个所述终端设备的带宽分配百分比的softmax函数值。进而，基于所述带宽分配的总值乘以各个所述终端设备的带宽分配百分比便得到各个所述终端设备应该分配的带宽资源，这样就能够对各个所述终端设备实现合理的带宽分配。
[0052]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0053]
示例性方法
[0054]
图2图示了用于路由器的带宽控制方法的流程图。如图2所示，根据本技术实施例的用于路由器的带宽控制方法，包括：s110，获取与路由器相连通的各个终端设备在一系列预定时间点的带宽数据并将所述一系列预定时间点的带宽数据按照设备样本维度和时间维度构造为带宽矩阵；s120，获取各个所述终端设备在相同的一系列预定时间点的信号强度数据并将所述一系列预定时间点的信号强度数据按照设备样本维度和时间维度构造为信号矩阵；s130，使用第一卷积神经网络和第二卷积神经网络作为特征提取器从所述带宽矩阵和所述信号矩阵获得第一特征图和第二特征图；s140，基于各个所述终端设备到所述路由器的上行通信参数来融合所述第一特征图和所述第二特征图以获得第三特征图，所述上行通信参数基于终端设备的小规模衰减功率分量、终端设备的小规模衰减效应、加性高斯白噪声功率和所选信道中的干涉确定；s150，基于所述第一特征图和所述第二特征图中相应位置之间的距离，使用经典多维尺度变换对所述第三特征图进行尺度变换以获得修正融合特征图；s160，获得当前的各个所述终端设备的带宽分配数据并将各个所述终端的带宽分配数据排列为带宽分配向量；s170，使用由多个全连接层构成的编码器对所述带宽分配向量进行编码以获得带宽分配特征向量；s180，以所述带宽分配特征向量作为查询向量与所述修正融合特征图进行矩阵相乘以将所述带宽分配特征向量映射到所述修正融合特征图的特征空间中以获得分配特征向量；以及，s190，计算所述分配特征向量的各个位置的softmax函数值作为每个位置对应的终端设备的带宽分配百分比，所述softmax函数值为取各个位置的特征值为幂的自然指数函数值除以取各个位置的特征值为幂的自然指数函数值的加权和。
[0055]
图3图示了根据本技术实施例的用于路由器的带宽控制方法的架构示意图。如图3所示，在所述用于路由器的带宽控制方法的网络架构中，首先，将获得的与路由器相连通的各个所述终端设备在一系列预定时间点的带宽数据(例如，如图3中所示意的p1)按照设备
样本维度和时间维度构造为带宽矩阵(例如，如图3中所示意的m1)；接着，将获得的各个所述终端设备在相同的一系列预定时间点的信号强度数据(例如，如图3中所示意的p2)按照设备样本维度和时间维度构造为信号矩阵(例如，如图3中所示意的m2)；然后，使用第一卷积神经网络(例如，如图3中所示意的cnn1)和第二卷积神经网络(例如，如图3中所示意的cnn2)作为特征提取器从所述带宽矩阵和所述信号矩阵获得第一特征图(例如，如图3中所示意的f1)和第二特征图(例如，如图3中所示意的f2)；接着，基于各个所述终端设备到所述路由器的上行通信参数(例如，如图3中所示意的u)来融合所述第一特征图和所述第二特征图以获得第三特征图(例如，如图3中所示意的f3)；然后，基于所述第一特征图和所述第二特征图中相应位置之间的距离，使用经典多维尺度变换对所述第三特征图进行尺度变换以获得特征图(例如，如图3中所示意的fc)；接着，将获得的当前的各个所述终端的带宽分配数据(例如，如图3中所示意的q)排列为带宽分配向量(例如，如图3中所示意的v)；然后，使用由多个全连接层构成的编码器(例如，如图3中所示意的e)对所述带宽分配向量进行编码以获得带宽分配特征向量(例如，如图3中所示意的vf1)；接着，以所述带宽分配特征向量作为查询向量与所述修正融合特征图进行矩阵相乘以将所述带宽分配特征向量映射到所述修正融合特征图的特征空间中以获得分配特征向量(例如，如图3中所示意的vf2)；以及，最后，计算所述分配特征向量的各个位置的softmax函数值(例如，如图3中所示意的sf)作为每个位置对应的终端设备的带宽分配百分比，所述softmax函数值为取各个位置的特征值为幂的自然指数函数值除以取各个位置的特征值为幂的自然指数函数值的加权和。
[0056]
在步骤s110和步骤s120中，获取与路由器相连通的各个终端设备在一系列预定时间点的带宽数据并将所述一系列预定时间点的带宽数据按照设备样本维度和时间维度构造为带宽矩阵；并获取各个所述终端设备在相同的一系列预定时间点的信号强度数据并将所述一系列预定时间点的信号强度数据按照设备样本维度和时间维度构造为信号矩阵。如前所述，由于现有的用于路由器的带宽分配方式没有考虑到各个所述终端设备的实际信号状况以及各个所述终端设备所组成的整体情况，因此其带宽分配可能存在不足。因此，在本技术的技术方案中，采用通过基于卷积神经网络的深度学习技术来充分表达各个所述终端设备的带宽信息和信号状况信息以及其间的关联，从而实现合理的带宽分配。在此之前，首先，就需要获取与路由器相连通的各个所述终端设备在一系列预定时间点的带宽数据以及各个所述终端设备在相同的一系列预定时间点的信号强度数据。然后，将所述一系列预定时间点的带宽数据按照设备样本维度和时间维度构造为带宽矩阵，并且以同样的方式，将所述一系列预定时间点的信号强度数据也按照设备样本维度和时间维度构造为信号矩阵。
[0057]
在步骤s130中，使用第一卷积神经网络和第二卷积神经网络作为特征提取器从所述带宽矩阵和所述信号矩阵获得第一特征图和第二特征图。也就是，首先，用作为特征提取器的第一卷积神经网络对所述带宽矩阵进行处理，以提取出各个所述终端设备在一系列预定时间点的带宽信息之间的高维关联特征，从而得到第一特征图。然后，用作为特征提取器的第二卷积神经网络对所述信号矩阵进行处理，以提取出各个所述终端设备在一系列预定时间点的信号强度信息之间的高维关联特征，从而得到第二特征图。
[0058]
具体地，在本技术实施例中，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；其中，所述第一卷积神经网络和所述第二卷积神经网络以如下公式对所述带宽矩阵和所述信号矩阵进行处理以获得所述第一特征图和所述第二特征图；
[0059]
所述公式为：
[0060]fi
＝active(ni×fi-1
bi)
[0061]
其中，f
i-1
为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，ni为第i层卷积神经网络的卷积核，且bi为第i层卷积神经网络的偏置向量，active表示非线性激活函数。
[0062]
在步骤s140中，基于各个所述终端设备到所述路由器的上行通信参数来融合所述第一特征图和所述第二特征图以获得第三特征图。应可以理解，由于所述第一特征图和所述第二特征图分别表示各个所述终端设备在一系列预定时间点的带宽信息和信号强度信息，并且，这里的所述带宽信息实际上是各个所述终端设备到所述路由器的上行带宽。因此，为了对所述带宽信息和所述信号强度信息进行有效地融合，在本技术的技术方案中，采用基于各个所述终端设备到所述路由器的上行通信参数来融合所述第一特征图和所述第二特征图，从而得到第三特征图。在一个具体示例中，所述上行通信参数基于终端设备的小规模衰减功率分量、终端设备的小规模衰减效应、加性高斯白噪声功率和所选信道中的干涉确定
[0063]
具体地，在本技术实施例中，基于各个所述终端设备到所述路由器的上行通信参数来融合所述第一特征图和所述第二特征图以获得第三特征图的过程，包括：基于各个所述终端设备到所述路由器的上行通信参数，以如下公式来融合所述第一特征图和所述第二特征图以获得第三特征图；
[0064]
所述公式为：
[0065][0066]
其中f1、f2和f3是分别是所述第一、第二和第三特征图的每个位置的特征值，h表示在终端设备的样本维度上的小规模衰减功率分量，其与频率相关，且可以假定为是单位均值的指数分布，a表示在终端设备的样本维度上的小规模衰减效应，包含路径损失和遮挡损失，σ2表示加性白高斯噪声的功率且ic是所选信道中的干涉。
[0067]
在步骤s150中，基于所述第一特征图和所述第二特征图中相应位置之间的距离，使用经典多维尺度变换对所述第三特征图进行尺度变换以获得修正融合特征图。应可以理解，在得到所述第三特征图之后，考虑到所述第三特征图相对于原始数据的尺度变换问题，因此，在本技术的技术方案中，基于所述第一特征图和所述第二特征图中相应位置之间的距离，采用经典多维尺度变换的原理对所述第三特征图进行修正，从而得到修正融合特征图。
[0068]
具体地，在本技术实施例中，基于所述第一特征图和所述第二特征图中相应位置之间的距离，使用经典多维尺度变换对所述第三特征图进行尺度变换以获得修正融合特征图的过程，包括：首先，计算所述第一特征图和所述第二特征图中相应位置之间的距离以获得第四特征图。在一个具体示例中，可以计算所述第一特征图和所述第二特征图中相应位置之间的l1距离或者l2距离以获得所述第四特征图。应可以理解，l1距离函数，也被称为最小绝对值偏差(lad)，它是目标值与估计值的绝对差值总和。通过计算l1距离，能够从数值维度上反映出所述语句向量序列中各个词的特征向量与所述查询向量之间的特征差异程度。l2距离函数，也被称为最小平方误差(lse)，它是目标值与估计值的差值的平方和，也叫
欧氏距离。相较于l1距离函数而言，所述l2距离函数拥有稳定解。
[0069]
然后，对于所述第三特征图和所述第四特征图在通道维度上的每个第三矩阵和第四矩阵，计算所述第三矩阵和所述第四矩阵之间的修正矩阵。在一个具体示例中，对于所述第三特征图和所述第四特征图在通道维度上的每个第三矩阵和第四矩阵，以如下公式计算所述第三矩阵和所述第四矩阵之间的修正矩阵；所述公式为：
[0070][0071]
其中m3为第三矩阵，m4为第四矩阵，m4⊙2表示对第四矩阵的各个位置进行平方。
[0072]
最后，将所述修正矩阵m
′
按照通道维度排列为修正融合特征图。
[0073]
图4图示了根据本技术实施例的用于路由器的带宽控制方法中，基于所述第一特征图和所述第二特征图中相应位置之间的距离，使用经典多维尺度变换对所述第三特征图进行尺度变换以获得修正融合特征图的流程图。如图4所示，在本技术实施例中，基于所述第一特征图和所述第二特征图中相应位置之间的距离，使用经典多维尺度变换对所述第三特征图进行尺度变换以获得修正融合特征图，包括：s210，计算所述第一特征图和所述第二特征图中相应位置之间的距离以获得第四特征图；s220，对于所述第三特征图和所述第四特征图在通道维度上的每个第三矩阵和第四矩阵，计算所述第三矩阵和所述第四矩阵之间的修正矩阵；以及，s230，将所述修正矩阵按照通道维度排列为所述修正融合特征图。
[0074]
在步骤s160和步骤s170中，获得当前的各个所述终端设备的带宽分配数据并将各个所述终端的带宽分配数据排列为带宽分配向量，并使用由多个全连接层构成的编码器对所述带宽分配向量进行编码以获得带宽分配特征向量。也就是，当获取当前的各个终端设备的带宽分配数据时，首先，将各个所述终端设备的带宽分配数据排列为带宽分配向量；然后，将所述带宽分配向量通过由多个全连接层构成的编码器进行编码，以将所述带宽分配向量转换到高维特征空间中以便于后续的融合处理，从而得到带宽分配特征向量，也就是查询向量。
[0075]
在步骤s180中，以所述带宽分配特征向量作为查询向量与所述修正融合特征图进行矩阵相乘以将所述带宽分配特征向量映射到所述修正融合特征图的特征空间中以获得分配特征向量。也就是，为了把所述带宽分配特征向量与所述修正融合特征图中的信息进行融合，以将所述带宽分配特征向量映射到所述修正融合特征图的特征空间中，在一个具体示例中，可以将所述带宽分配特征向量作为查询向量与所述修正融合特征图进行矩阵相乘，从而得到分配特征向量。
[0076]
在步骤s190中，计算所述分配特征向量的各个位置的softmax函数值作为每个位置对应的终端设备的带宽分配百分比，所述softmax函数值为取各个位置的特征值为幂的自然指数函数值除以取各个位置的特征值为幂的自然指数函数值的加权和。具体地，在本技术实施例中，计算所述分配特征向量的各个位置的softmax函数值作为每个位置对应的终端设备的带宽分配百分比的过程，包括：以如下公式计算所述分配特征向量的各个位置的softmax函数值作为每个位置对应的终端设备的带宽分配百分比，其中，所述公式为：exp(pi)/∑iexp(pi)，其中pi表示所述分配特征向量中各个位置的特征值。
[0077]
进一步地，再基于所述带宽分配的总值乘以各个所述终端设备的带宽分配百分比便得到各个所述终端设备应该分配的带宽资源，这样就能够对各个所述终端设备实现合理
的带宽分配。
[0078]
综上，本技术实施例的用于路由器的带宽控制方法被阐明，其采用基于卷积神经网络的深度学习技术来充分挖掘出各个所述终端设备的带宽信息之间和信号强度信息之间的关联性特征，并且使用上行参数来对所述带宽信息和所述信号强度信息进行融合，进而再基于经典多维尺度变换的原理对得到的所述特征图进行修正，以使得得到的每个所述终端设备所分配的带宽的百分比更加准确。通过这样的方式，可以对各个所述终端设备所分配的带宽资源进行合理地分配。
[0079]
示例性系统
[0080]
图5图示了根据本技术实施例的用于路由器的带宽控制系统的框图。如图5所示，根据本技术实施例的用于路由器的带宽控制系统500，包括：带宽矩阵构造单元510，用于获取与路由器相连通的各个终端设备在一系列预定时间点的带宽数据并将所述一系列预定时间点的带宽数据按照设备样本维度和时间维度构造为带宽矩阵；信号矩阵构造单元520，用于获取各个所述终端设备在相同的一系列预定时间点的信号强度数据并将所述一系列预定时间点的信号强度数据按照设备样本维度和时间维度构造为信号矩阵；特征提取单元530，用于使用第一卷积神经网络和第二卷积神经网络作为特征提取器从所述带宽矩阵构造单元510获得的所述带宽矩阵和所述信号矩阵构造单元520获得的所述信号矩阵获得第一特征图和第二特征图；融合单元540，用于基于各个所述终端设备到所述路由器的上行通信参数来融合所述特征提取单元530获得的所述第一特征图和所述特征提取单元530获得的所述第二特征图以获得第三特征图，所述上行通信参数基于终端设备的小规模衰减功率分量、终端设备的小规模衰减效应、加性高斯白噪声功率和所选信道中的干涉确定；尺度变换单元550，用于基于所述特征提取单元530获得的所述第一特征图和所述特征提取单元540获得的所述第二特征图中相应位置之间的距离，使用经典多维尺度变换对所述融合单元获得的所述第三特征图进行尺度变换以获得修正融合特征图；带宽分配向量生成单元560，用于获得当前的各个所述终端设备的带宽分配数据并将各个所述终端的带宽分配数据排列为带宽分配向量；编码单元570，用于使用由多个全连接层构成的编码器对所述带宽分配向量生成单元560获得的所述带宽分配向量进行编码以获得带宽分配特征向量；映射单元580，用于以所述编码单元570获得的所述带宽分配特征向量作为查询向量与所述尺度变换单元550获得的所述修正融合特征图进行矩阵相乘以将所述带宽分配特征向量映射到所述修正融合特征图的特征空间中以获得分配特征向量；以及，结果计算单元590，用于计算所述映射单元580获得的所述分配特征向量的各个位置的softmax函数值作为每个位置对应的终端设备的带宽分配百分比，所述softmax函数值为取各个位置的特征值为幂的自然指数函数值除以取各个位置的特征值为幂的自然指数函数值的加权和。
[0081]
在一个示例中，在上述用于路由器的带宽控制系统500中，所述第一卷积神经网络和所述第二卷积神经网络具有相同的网络结构；其中，所述第一卷积神经网络和所述第二卷积神经网络以如下公式对所述带宽矩阵和所述信号矩阵进行处理以获得所述第一特征图和所述第二特征图；
[0082]
所述公式为：
[0083]fi
＝active(ni×fi-1
bi)
[0084]
其中，f
i-1
为第i层卷积神经网络的输入，fi为第i层卷积神经网络的输出，ni为第i
层卷积神经网络的卷积核，且bi为第i层卷积神经网络的偏置向量，active表示非线性激活函数。
[0085]
在一个示例中，在上述用于路由器的带宽控制系统500中，所述融合单元540，进一步用于：基于各个所述终端设备到所述路由器的上行通信参数，以如下公式来融合所述第一特征图和所述第二特征图以获得第三特征图；
[0086]
所述公式为：
[0087][0088]
其中f1、f2和f3是分别是所述第一、第二和第三特征图的每个位置的特征值，h表示在终端设备的样本维度上的小规模衰减功率分量，a表示在终端设备的样本维度上的小规模衰减效应，σ2表示加性白高斯噪声的功率且ic是所选信道中的干涉。
[0089]
在一个示例中，在上述用于路由器的带宽控制系统500中，如图6所示，所述尺度变换单元550，包括：第四特征图生成子单元551，用于计算所述第一特征图和所述第二特征图中相应位置之间的距离以获得第四特征图；修正矩阵生成子单元552，用于对于所述第三特征图和所述第四特征图生成子单元551获得的所述第四特征图在通道维度上的每个第三矩阵和第四矩阵，计算所述第三矩阵和所述第四矩阵之间的修正矩阵；以及，修正排列子单元553，用于将所述修正矩阵生成子单元552获得的所述修正矩阵按照通道维度排列为所述修正融合特征图。
[0090]
在一个示例中，在上述用于路由器的带宽控制系统500中，所述第四特征图生成子单元551，进一步用于：计算所述第一特征图和所述第二特征图中相应位置之间的欧式距离以获得所述第四特征图。
[0091]
在一个示例中，在上述用于路由器的带宽控制系统500中，所述修正矩阵生成子单元552，进一步用于：对于所述第三特征图和所述第四特征图在通道维度上的每个第三矩阵和第四矩阵，以如下公式计算所述第三矩阵和所述第四矩阵之间的修正矩阵；
[0092]
所述公式为：
[0093][0094]
其中m3为第三矩阵，m4为第四矩阵，m4⊙2表示对第四矩阵的各个位置进行平方。
[0095]
在一个示例中，在上述用于路由器的带宽控制系统500中，所述结果计算单元590，进一步用于：以如下公式计算所述分配特征向量的各个位置的softmax函数值作为每个位置对应的终端设备的带宽分配百分比，其中，所述公式为：exp(pi)/∑iexp(pi)，其中pi表示所述分配特征向量中各个位置的特征值。
[0096]
这里，本领域技术人员可以理解，上述用于路由器的带宽控制系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的用于路由器的带宽控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0097]
如上所述，根据本技术实施例的用于路由器的带宽控制系统500可以实现在各种终端设备中，例如用于路由器的带宽控制算法的服务器等。在一个示例中，根据本技术实施例的用于路由器的带宽控制系统500可以作为一个软件模块和/或硬件模块而集成到终端
设备中。例如，该用于路由器的带宽控制系统500可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于路由器的带宽控制系统500同样可以是该终端设备的众多硬件模块之一。
[0098]
替换地，在另一示例中，该用于路由器的带宽控制系统500与该终端设备也可以是分立的设备，并且该用于路由器的带宽控制系统500可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0099]
示例性电子设备
[0100]
下面，参考图7来描述根据本技术实施例的电子设备。如图7所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0101]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的用于路由器的带宽控制方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如第三特征图、带宽分配特征向量等各种内容。
[0102]
在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0103]
该输入系统13可以包括例如键盘、鼠标等等。
[0104]
该输出系统14可以向外部输出各种信息，包括带宽分配的百分比等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0105]
当然，为了简化，图7中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0106]
示例性计算机程序产品和计算机可读存储介质
[0107]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的用于路由器的带宽控制方法中的功能中的步骤。
[0108]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c 等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0109]
此外，本技术的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方
法”部分中描述的用于路由器的带宽控制方法中的步骤。
[0110]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0111]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0112]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0113]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0114]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0115]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。