工业互联网信任值共享方法、装置、电子设备及存储介质

1.本技术涉及技术领域，尤其涉及一种工业互联网信任值共享方法、装置、电子设备及存储介质。


背景技术：

2.工业互联网中适当的信任共享机制可以准确地共享运动节点的信任值，实现了运动节点信任值的全局一致性。
3.但是，运动节点在不同的基站节点之间共享信任值需要先与中央系统控制器建立联系，然后通过软切换完成与下一个基站节点之间信任值的共享，增加了信任值共享的时延性，并且在软切换过程中占用了现有基站节点的通信资源。


技术实现要素：

4.有鉴于此，本技术的目的在于提出一种工业互联网信任值共享方法、装置、电子设备及存储介质，用以解决或部分解决上述技术问题。
5.基于上述目的，本技术的第一方面提供了一种工业互联网信任值共享方法，包括：
6.获取工业互联网中的运动节点和基站节点；
7.获取所述运动节点的路径信息和信任值；
8.将所述路径信息输入预先训练好的深度学习网络模型；
9.通过所述深度学习网络中的奖励函数计算得到所述运动节点的预测行驶方向；
10.基于所述预测行驶方向将所述运动节点的所述信任值发送到所述预测行驶方向上的下一个所述基站节点。
11.基于同一个发明构思，本技术的第二方面提出了一种工业互联网信任值共享装置，包括：
12.节点获取模块，被配置为获取工业互联网中的运动节点和基站节点；
13.信息获取模块，被配置为获取所述运动节点的路径信息和信任值；
14.信息处理模块，被配置为将所述路径信息输入预先训练好的深度学习网络模型；
15.方向预测模块，被配置为通过所述深度学习网络中的奖励函数计算得到所述运动节点的预测行驶方向；
16.信任值发送模块，被配置为基于所述预测行驶方向将所述运动节点的所述信任值发送到所述预测行驶方向上的下一个所述基站节点。
17.基于同一个发明构思，本技术的第三方面提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
18.基于同一个发明构思，本技术的第四方面提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行第一方面所述的方法。
19.从上面所述可以看出，本技术提供的工业互联网信任值共享方法、装置、电子设备及存储介质，能够对工业互联网中运动节点的行驶方向作出预测，根据运动节点的预测行驶方向，运动节点直接将信任值加密发送到预测行驶方向上的下一个基站节点，减少了不同基站节点之间共享信任值的时间，进而提高了工业互联网信任管理系统的可扩展性。
附图说明
20.为了更清楚地说明本技术或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1为本技术实施例的工业互联网的信任值共享方法的流程示意图；
22.图2为本技术实施例的深度学习网络获取输入的流程示意图；
23.图3为本技术实施例的深度学习网络训练的流程示意图；
24.图4为本技术实施例的工业互联网的信任值共享装置的硬件结构示意图；
25.图5为本技术实施例的电子设备的硬件结构示意图。
具体实施方式
26.为使本技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本技术进一步详细说明。
27.需要说明的是，除非另外定义，本技术实施例使用的技术术语或者科学术语应当为本技术所属领域内具有一般技能的人士所理解的通常意义。本技术实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
28.如背景技术所述，现有的工业互联网信任共享方法使用中央系统控制器来共享跨集群共享车辆的信任值，并采用软切换方法。然而，对于车联网这种移动性强、时延敏感度高的网络，面临以下三个弱点：(1)运动节点需要集群切换时，首先要与中央控制器建立通信连接，并通知目标集群。信任在控制器与目标集群建立通信之前，无法共享运动节点的信任值，从而导致较高的通信延迟和信令开销。(2)中央控制器的位置一般是固定的，随着运动节点与控制器之间距离的增加，信任共享的效力会明显下降，这对车联网的可扩展性造成了限制。(3)软切换的使用使得运动节点在加入新集群之前保持与历史集群首节点的通信连接，浪费了历史集群首节点的通信资源。
29.本技术的实施例提供一种工业互联网信任值共享方法，可以在安装对应运动节点的客户端上执行，也可以在对应的服务器上执行。
30.如图1所示，本实施例的方法包括：
31.步骤101，获取工业互联网中的运动节点和基站节点。
32.在该步骤中，运动节点可以是无人驾驶的车辆、飞行器等交通工具，也可以是装载有自动驾驶系统的车辆、飞行器等交通工具，本技术优选为无人驾驶的车辆。基站节点可以是路边固定的用于运动节点接入的设备，本技术优选为rsu(roadside unit，路边单元)。运动节点配备无线传感器等智能设备，具有通信、存储和计算能力；运动节点间可以自由进行通信过程；运动节点搭载gps(global positioning system，全球定位系统)，并已知起始位置与终点。这样，为后续采用深度学习网络性预测运动节点的行驶方向提供数据基础。
33.步骤102，获取所述运动节点的路径信息和信任值。
34.在该步骤中，由于运动节点已知起始位置和终点，但是运动节点在遇到路口时可以通过多条路径到达终点，所以需要根据工业互联网中运动节点在通信过程中分享的路径信息确定深度学习网络模型的输入。这样，为后续深度学习网络模型的输入提供数据基础。
35.步骤103，将所述路径信息输入预先训练好的深度学习网络模型。
36.在该步骤中，深度学习网络模型对图像信息的处理有较强的适应性，所以需要将路径信息转换为深度学习网络模型擅长处理的图像信息。这样，为深度学习网络模型在预测运动节点的行驶方向提供了数据基础。
37.步骤104，通过所述深度学习网络中的奖励函数计算得到所述运动节点的预测行驶方向。
38.在该步骤中，采用深度学习网络中的奖励函数对运动节点遇到路口时所有行驶方向对应的奖励值进行计算，根据计算结果预测运动节点的行驶方向，利用深度学习网络的基于环境交互准确预测动作的特性提高复杂路况下多运动节点的行驶方向预测的准确性。
39.步骤105，基于所述预测行驶方向将所述运动节点的所述信任值发送到所述预测行驶方向上的下一个所述基站节点。
40.在该步骤中，在工业互联网中的分布式信任管理系统中，运动节点在不同基站节点之间的分享需要通过该运动节点所属的运动簇完成，这样的信任值分享方法不仅存在时延而且会占用该运动节点所属的当前运动簇的通信资源。根据运动节点的预测行驶方向将该运动节点的信任值发送到预测行驶方向上的下一个基站节点实现了运动节点和基站节点在分布式信任管理系统中的点对点通信，减少了不同基站节点之间共享信任值的时间，进而提高了工业互联网信任管理系统的可扩展性。
41.通过上述方案，能够对工业互联网中运动节点的行驶方向作出预测，根据运动节点的预测行驶方向，运动节点直接将信任值加密发送到预测行驶方向上的下一个基站节点，减少了不同基站节点之间共享信任值的时间，进而提高了工业互联网信任管理系统的可扩展性。
42.在一些实施例中，参考图2，步骤103具体包括：
43.步骤1031，根据所述路径信息构建具有颜色特征的像素图；
44.步骤1032，将所述像素图作为所述深度学习网络模型的输入。
45.在上述方案中，深度学习网络模型的输入可以是一个rgb(red green blue，红黄蓝)像素图像。
46.通过上述方案，利用深度学习网络模型对图像信息的处理有较强适应性的特点，将路径信息转换为深度学习网络模型擅长处理的图像信息。这样，为深度学习网络模型在预测运动节点的行驶方向提供了数据基础。
47.在一些实施例中，所述路径信息包括所述运动节点的当前位置和终点、以及所述工业互联网的事故信息、障碍信息和拥堵信息；
48.步骤1031具体包括：
49.将包括所述路径信息的地图转换为所述像素图，其中，将所述地图中的路口标记为所述像素图中的交叉像素点，将所述地图中的相邻路口之间的道路标记为所述像素图中的线段；
50.将所述像素图中所述当前位置对应的像素点设置为第一颜色；
51.将所述像素图中所述终点对应的所述像素点设置为第二颜色；
52.将所述像素图中所述事故信息对应的所述像素点设置为第三颜色；
53.将所述像素图中所述障碍信息对应的所述像素点设置为第四颜色；
54.将所述像素图中所述拥堵信息对应的所述像素点设置为第五颜色。
55.在上述方案中，可以采用一个25*25像素的图像来模拟交通环境。该路径信息由25个路口和20个t形路口组成。像素有六个对应的rgb值。黑色代表没有拥堵信息的道路，白色代表障碍信息中的障碍物，蓝色和绿色代表车辆的当前位置和终点，红色代表事故信息。
56.通过上述方案，将路径信息转换为深度学习网络模型擅长处理的图像信息。这样，为深度学习网络模型在预测运动节点的行驶方向提供了数据基础。
57.在一些实施例中，所述将所述像素图中所述拥堵信息对应的所述像素点设置为第五颜色，包括：
58.基于所述拥堵信息中的交通流量信息调整所述第五颜色的深度。
59.在上述方案中，可以采用具有不同rgb值的三种颜色代表道路的拥堵信息中的拥堵程度，其拥堵程度由交通流量信息量化，随着颜色变深，拥堵程度增加。
60.通过上述方案，将路径信息中的拥堵信息转换成了便于深度学习网络模型处理的颜色数据，提高了深度学习网络模型预测运动节点行驶方向的效率。
61.在一些实施例中，步骤104具体包括：
62.响应于确定所述运动节点遇到路口，计算所述运动节点在每个行驶方向的所述奖励函数对应的奖励值；
63.根据如下公式计算所述奖励值：
[0064][0065]
其中，reward
t
为所述奖励函数，r
barrier
为遇到所述障碍信息的所述奖励值，r
accident
为接收所述事故信息的所述奖励值，flow
threshold
为满足所述运动节点正常行驶速度的所述交通流量信息，r
flow
为所述交通流量信息满足正常行驶速度时所述奖励值，r
reach
为所述运动节点到达目的地时的所述奖励值；
[0066]
将最大所述奖励值对应的所述行驶方向作为所述运动节点的预测行驶方向。
[0067]
在上述方案中，本实施例中出于行车安全和效率的考虑，将深度学习网络的奖励函数中奖励值的设计集中在四个方面：避开发生交通事故的路段、避开车辆密度高的路段、
避开障碍物、到达目的地。其中，奖励值的大小关系可以排序为：r
barrier
《r
accident
《r
flow
0《r
reach
。这样，工业互联网的运动节点可以在保证行驶安全的情况下提高行驶效率。
[0068]
通过上述方案，利用深度学习网络的基于环境交互准确预测动作的特性提高复杂路况下多运动节点的行驶方向预测的准确性。
[0069]
在一些实施例中，参考图3，步骤103中的所述深度学习网络的训练过程包括：
[0070]
步骤201，获取多个训练像素图作为训练集；
[0071]
步骤202，获取所述训练集对应的初始奖励函数；
[0072]
步骤203，基于所述训练集对所述深度学习网络中的所述初始奖励函数进行训练；
[0073]
步骤204，将训练完成的所述初始奖励函数作为所述奖励函数。
[0074]
在上述方案中，用于预测运动节点的行驶方向的深度学习网络主要分为三个部分：环境观察、动作空间设计和奖励设计。环境观察：环境观察是深度神经网络的输入。动作空间：运动节点的动作空间有四种动作，上下左右。深度学习网络中的每个运动节点都是一个代理，它综合考虑了运动节点的当前位置和周围环境。运动节点选择不同的行为与环境交互并学习最佳策略。奖励设计：深度学习网络的核心是通过与环境的交互来学习不熟悉的场景，从而获得满足设定目标的行为策略。可以利用步骤104实施例中的奖励函数完成奖励设计。在这个过程中，奖励是运动节点可以从环境中获得的唯一反馈。
[0075]
具体的，可以利用深度神经网络逼近q-表格(由强化学习中的q值形成的表格)的值来解决工业互联网中运动节点行驶方向预测的可扩展性差和维度较低的问题。可以采用对训练集定义不同权重来提高深度学习网络模型的训练稳定性，然后可以使用均方误差来定义训练过程中的损失函数，最后通过最小化损失函数完成对深度学习网络的训练。
[0076]
通过上述方案，训练得到的深度神经网络为工业互联网中运动节点的行驶方向预测提供了模型基础。
[0077]
在一些实施例中，步骤105具体包括：
[0078]
采用椭圆曲线和哈希函数对所述信任值进行加密，得到加密信任值；
[0079]
将所述加密信任值发送到所述预测行驶方向上的下一个所述基站节点。
[0080]
在上述方案中，考虑到运动节点计算、存储和通信能力上的限制以及对高度时延敏感性，本实施例采用基于椭圆曲线加密，加密哈希函数的轻量级加密机制完成信任值的加密。
[0081]
通过上述方案，保证了运动节点和基站节点之间点对点共享信任值时的安全性。
[0082]
需要说明的是，本技术实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本技术实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
[0083]
需要说明的是，上述对本技术的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0084]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种工业
互联网信任值共享装置。
[0085]
参考图4，所述工业互联网信任值共享装置，包括：
[0086]
节点获取模块401，被配置为获取工业互联网中的运动节点和基站节点；
[0087]
信息获取模块402，被配置为获取所述运动节点的路径信息和信任值；
[0088]
信息处理模块403，被配置为将所述路径信息输入预先训练好的深度学习网络模型；
[0089]
方向预测模块404，被配置为通过所述深度学习网络中的奖励函数计算得到所述运动节点的预测行驶方向；
[0090]
信任值发送模块405，被配置为基于所述预测行驶方向将所述运动节点的所述信任值发送到所述预测行驶方向上的下一个所述基站节点。
[0091]
在一些实施例中，信息处理模块403具体被配置为：
[0092]
像素图构建单元，被配置为根据所述路径信息构建具有颜色特征的像素图；
[0093]
输入单元，被配置为将所述像素图作为所述深度学习网络模型的输入。
[0094]
在一些实施例中，信息处理模块403中的所述路径信息包括所述运动节点的当前位置和终点、以及所述工业互联网的事故信息、障碍信息和拥堵信息；像素图构建单元具体被配置为：
[0095]
地图转换单元，被配置为将包括所述路径信息的地图转换为所述像素图，其中，将所述地图中的路口标记为所述像素图中的交叉像素点，将所述地图中的相邻路口之间的道路标记为所述像素图中的线段；
[0096]
位置设置单元，被配置为将所述像素图中所述当前位置对应的像素点设置为第一颜色；
[0097]
终点设置单元，被配置为将所述像素图中所述终点对应的所述像素点设置为第二颜色；
[0098]
事故设置单元，被配置为将所述像素图中所述事故信息对应的所述像素点设置为第三颜色；
[0099]
障碍设置单元，被配置为将所述像素图中所述障碍信息对应的所述像素点设置为第四颜色；
[0100]
拥堵设置单元，被配置为将所述像素图中所述拥堵信息对应的所述像素点设置为第五颜色。
[0101]
在一些实施例中，拥堵设置单元具体被配置为：
[0102]
基于所述拥堵信息中的交通流量信息调整所述第五颜色的深度。
[0103]
在一些实施例中，方向预测模块404具体被配置为：
[0104]
响应于确定所述运动节点遇到路口，计算所述运动节点在每个行驶方向的所述奖励函数对应的奖励值；
[0105]
根据如下公式计算所述奖励值：
[0106][0107]
其中，reward
t
为所述奖励函数，r
barrier
为遇到所述障碍信息的所述奖励值，r
accident
为接收所述事故信息的所述奖励值，flow
threshold
为满足所述运动节点正常行驶速度的所述交通流量信息，r
flow
为所述交通流量信息满足正常行驶速度时所述奖励值，r
reach
为所述运动节点到达目的地时的所述奖励值；
[0108]
将最大所述奖励值对应的所述行驶方向作为所述运动节点的预测行驶方向。
[0109]
在一些实施例中，信息处理模块403还包括所述深度学习网络的训练单元；训练单元具体被配置为：
[0110]
获取多个训练像素图作为训练集；
[0111]
获取所述训练集对应的初始奖励函数；
[0112]
基于所述训练集对所述深度学习网络中的所述初始奖励函数进行训练；
[0113]
将训练完成的所述初始奖励函数作为所述奖励函数。
[0114]
在一些实施例中，信任值发送模块405具体被配置为：
[0115]
采用椭圆曲线和哈希函数对所述信任值进行加密，得到加密信任值；
[0116]
将所述加密信任值发送到所述预测行驶方向上的下一个所述基站节点。
[0117]
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本技术时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0118]
上述实施例的装置用于实现前述任一实施例中相应的工业互联网信任值共享方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0119]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的工业互联网信任值共享方法。
[0120]
图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
[0121]
处理器1010可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
[0122]
存储器1020可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
[0123]
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/
模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0124]
通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0125]
总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
[0126]
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
[0127]
上述实施例的电子设备用于实现前述任一实施例中相应的工业互联网信任值共享方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0128]
基于同一发明构思，与上述任意实施例方法相对应的，本技术还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的工业互联网信任值共享方法。
[0129]
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0130]
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的工业互联网信任值共享方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0131]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本技术的范围(包括权利要求)被限于这些例子；在本技术的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本技术实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0132]
另外，为简化说明和讨论，并且为了不会使本技术实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本技术实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本技术实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本技术的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本技术实施例。因此，这些描述应被认为是说明性的而不是限制性的。
[0133]
尽管已经结合了本技术的具体实施例对本技术进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
[0134]
本技术实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本技术实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本技术的保护范围之内。