基于SDN架构的空间信息网络流量预测方法及调度系统与流程

基于sdn架构的空间信息网络流量预测方法及调度系统
技术领域
1.本发明涉及数字数据处理技术领域，且更具体地涉及一种基于sdn架构的空间信息网络流量预测方法及调度系统。


背景技术：

2.随着国家大力推进智能电网和能源互联网的建设，传统基于ip的电力通信系统架构日益臃肿且越来越无法满足高效、灵活的业务需求，通信数据网络面临着一些问题：数据层和用户层耦合导致的数据传输不准确；电力资源的不均导致电力的严重浪费等。数据仓库、数据挖掘、云计算以及虚拟化等技术在电力行业的不断发展，这意味着传统的架构模式已不再满足此时电网发展的需求，需要做出一定的改变。现有技术中的sdn架构，其空间信息网络流量预测能力低下，信息调度仍旧采用人工经验学的方法，这种方法大大降到了间信息网络流量应用能力。
3.随着sdn技术的飞速发展，给电力通信数据网络资源识别与处理上逐步面临新问题，从空间信息网络所承担任务应用角度来看，更关注的是空间信息网络为用户提供的服务质量，而不是局限于通信设备的工作参数，空间信息网络需要的是系统级的面向突发事件快速响应任务的综合资源管理。传统的资源识别方式是采用离线采集流量数据，分析相关流量特征进而展开相关研究，但该方式并不适用于实时性要求较高的空间信息网络。如何基于sdn架构对空间信息网络流量进行和调度就成为亟待解决的技术问题。


技术实现要素：

4.针对上述技术的不足，本发明公开一种基于sdn架构的空间信息网络流量预测方法及调度系统，能够提高空间信息网络流量预测能力和空间信息网络资源的调度能力。
5.为了实现上述技术效果，本发明采用以下技术方案：一种基于sdn架构的空间信息网络流量预测方法，其中包括以下步骤：步骤一、基于20gsps数字示波器的数据采集模块获取被评估空间信息网络流量的基本信息；步骤二、将待评估的空间信息网络信息参数采用ml-knn算法的大数据分类模块进行划分；信息网络信息参数至少包含网站独立访客、页面浏览量、访问次数、新访客比率、ip数、时间和近似访问空间地址；步骤三、基于收集模块获取sdn架构全网数据，并采用空间信息网络流量数据具体分析sdn架构全网下一个sdn网络节点网络流量，其中空间信息网络流量数据分析包括：(s1)用户收集不同sdn架构全网的空间信息网络流量的基本信息，并采用存储器存储空间信息网络流量的基本信息数据；(s2)用户在收集和存储数据后，空间信息网络流量数据分析人员会分析并查询进行空间信息网络流量数据分区和配置；(s3)用户进行空间信息网络流量数据的清洗和过滤；
(s4)用户将空间信息网络流量数据转化为有实用流量的空间信息网络流量数据，并预测分析sdn架构全网下一个sdn网络节点的空间信息网络流量；步骤四、基于隐私算法函数计算的方法计算出空间信息网络流量的下一个sdn网络节点流量，确定各空间信息网络流量的移动率、承载量和网络负荷估计值；步骤五、基于空间信息网络流量的影响因素设定修正系数，使空间信息网络流量的估计值乘以修正系数进行大数据流式计算，并将计算出空间信息网络流量的结果作为空间信息网络流量评估值并输出；步骤六、通过粒子群优化算法模型对空间信息网络流量进行调度，并将空间信息网络流量输出到被评估空间信息网络流量的流量评估报告。
6.作为本发明进一步的技术方案，在步骤一中，所述20gsps数字示波器的数据采集模块包括宽带信号多路驱动模块、多adc采样列阵、海量数据同步处理模块和系统供电模块。
7.作为本发明进一步的技术方案，在步骤二中，大数据分类模块的对不同流量数据信息进行分类的方法为：设定分类预测点为x,获得分类函数m，分类函数如公式（1）所示：（1）式（1）中，p表示空间信息网络流量分类预测点的邻近sdn网络节点转换权重；1-p表示空间信息网络流量分类预测点的第k个相邻权重；y表示空间信息网络流量分类预测类型；m表示空间信息网络流量分类函数；l表示空间信息网络流量分类标签；i表示空间信息网络流量的平滑参数；表示空间信息网络流量样本数量。
8.作为本发明进一步的技术方案，在步骤三中，步骤(s3)的空间信息网络流量数据的清洗和过滤包括对分区的数据进行清洗，从而过滤sdn架构全网正常状态下的传输数据，对sdn架构全网的sdn架构输出数据进行过滤，输出sdn架构全网正常状态下的空间信息网络流量节点数据。
9.作为本发明进一步的技术方案，所述隐私算法函数如公式（1）所示：(1)公式（1）中，表示整个空间信息网络流量数据表所含信息的精确度，h表示为空间信息网络流量第i条节点记录的第j个属性值进行泛化时所经历的泛化次数，dgaai表示为属性a泛化树的高度，a表示为空间信息网络流量泛化树，t表示为空间信息网络流量原始数据表，i表示空间信息网络流量的记录次数，j表示空间信息网络流量的属性值，n表示为空间信息网络流量的n条记录；空间信息网络流量信息损失的总量函数如公式（2）所示：(2)公式（2）中，表示为空间信息网络流量信息损失的总量，e表示为空间信息网络流量等价组，表示为等价组中元组个数，ns表示为空间信息网络流量被隐匿的元组的
个数，表示为空间信息网络流量数据表元组总数，s表示空间信息网络流量的s条记录，n表示空间信息网络流量的聚类中的点数，由公式（2）推导出信息损失度量算法，如公式（3）所示：(3)公式（3）在第i次的迭代中对公式（1）、公式（2）、公式（3）进行改进，如公式（4）所示：(4)公式（4）中，p代表空间信息网络流量数据敏感度，l表示为隐私算法的迭代次数，q表示为空间信息网络流量的差分隐私，表示为隐私预算参数，判断隐私算法扥终止条件，假设有一个阈值u,如果隐私算法数值中心与此次迭代的隐私算法中心之间的距离小于u，则停止迭代；否则，继续迭代，距离计算为如公式（5）所示；(5)公式（5）中，c表示为空间信息网络流量的隐私算法的中心值，在迭代结束，最终输出的隐私算法中心结果为如公式（6）所示；(6)作为本发明进一步的技术方案，大数据流式计算的方法为：通过大量的空间信息网络流量评估流量数据平摊在每个sdn网络节点上，连续地对小批量空间信息网络流量评估流量数据进行传输，将先定义好空间信息网络流量评估流量的计算逻辑，提交到流式计算系统，每次小批量计算后，空间信息网络流量的评估流量投递到在线系统，实现实时化展现。
10.作为本发明进一步的技术方案，粒子群优化算法模型工作方法如下：步骤一：初始化数据；定义初始化搜索sdn架构的空间信息网络中网络流量最大维数为、群体通信数据总数为、迭代终止次数为、通信数据n的通信速度、通信数据n的位置为；步骤二：通信数据的更新速度和更新位置；每次迭代，更新通信数据的速度和位置，更新函数如公式(7)、(8)所示：(7)(8)公式(7)、(8)中，当前迭代次数为，，当前空间维度为，，为通信数据的惯性权重，和为学习因子，和为伪随机数，均匀分布在[0,1]区间内，为通信数据n最接近目标的坐标，；为通信数据的
速度，为通信数据在当前维度的下一迭代的更新速度，为通信数据当前位置，为通信数据在当前维度的下一迭代的更新位置，为现在通信数据的在第维度的第次迭代的位置，为现在通信数据的在第维度的第次迭代时最接近目标的坐标；步骤三：定义并计算群体通信数据的平均适应度；定义为通信数据的适应度，则平均适应度为：(9)式(9)中，为群体通信数据的平均适应度，为迭代终止时通信数据的适应度；步骤四：根据适应度计算期望值和熵值计算群体通信数据的适应期望值如下：(10)式(10)中，为群体通信数据的最优适应度；群体通信数据适应度熵值如下所示：(11)式(11)中，为通信数据适应度大于适应度的所有通信数据的平均适应度，为平衡态常数；步骤五：分析群体通信数据的惯性权重设置惯性权重公式如公式组(12)所示：(12)公式组(12)中，为通信数据适应度小于适应度的所有通信数据的平均适应度；通过更新惯性权重，实现对通信数据通信速度和位置的优化。
[0011]
一种基于sdn架构的空间信息网络流量调度系统，包括：采集模块，用于基于20gsps数字示波器获取被评估空间信息网络流量的基本信息；评估模块，用于将待评估的空间信息网络信息参数采用ml-knn算法的大数据分类模块进行划分；信息网络信息参数至少包含网站独立访客、页面浏览量、访问次数、新访客比率、ip数、时间和近似访问空间地址；分析模块，基于收集模块获取sdn架构全网数据，并采用空间信息网络流量数据具体分析sdn架构全网下一个sdn网络节点网络流量；
计算模块，用于基于隐私算法函数计算的方法计算出空间信息网络流量的下一个sdn网络节点流量，确定各空间信息网络流量的移动率、承载量和网络负荷估计值；基于空间信息网络流量的影响因素设定修正系数，使空间信息网络流量的估计值乘以修正系数进行大数据流式计算，并将计算出空间信息网络流量的结果作为空间信息网络流量评估值并输出；调度模块，通过粒子群优化算法对空间信息网络流量进行调度，并将空间信息网络流量输出到被评估空间信息网络流量的流量评估报告；输出模块，将被评估空间信息网络流量的流量评估报告输出；其中采集模块的输出端与评估模块的输入端连接，评估模块的输出端与计算模块的输入端连接，计算模块的输出端与调度模块的输入端连接，调度模块的输出端与输出模块的输入端连接。
[0012]
作为本发明进一步的技术方案，所述输出模块采用stm32的多路模拟量输出模块，所述stm32的spi接口发出模拟量信号，经过光耦合电气隔离并转化驱动电压后，控制ad5623芯片，完成da变化和处理，所述空间信息网络流量数据库的输出端与数据采集模块的输入端连接，所述数据采集模块的输出端与空间信息网络流量分类模块发的输入端连接，空间信息网络流量分类模块的输出端与数据分析模块的输入端连接，数据分析模块的输出端与计算模块的输入端连接，计算模块的输出端与空间信息网络流量评估输出模块的输入端连接，空间信息网络流量评估输出模块的输出模块与空间信息网络流量评估流量平台的输入端连接，所述计算模块的输出端分别与隐私计算模型的输入端和流式计算模块的输入端连接。
[0013]
本发明有益的积极效果在于：区别于常规技术，本技术通过以下技术方案实现空间信息网络流量预测和信息调度。步骤一、基于20gsps数字示波器的数据采集模块获取被评估空间信息网络流量的基本信息；步骤二、将待评估的空间信息网络信息参数采用ml-knn算法的大数据分类模块进行划分；信息网络信息参数至少包含网站独立访客、页面浏览量、访问次数、新访客比率、ip数、时间和近似访问空间地址；步骤三、基于收集模块获取sdn架构全网数据，并采用空间信息网络流量数据具体分析sdn架构全网下一个sdn网络节点网络流量。步骤四、基于隐私算法函数计算的方法计算出空间信息网络流量的下一个sdn网络节点流量，确定各空间信息网络流量的移动率、承载量和网络负荷估计值；步骤五、基于空间信息网络流量的影响因素设定修正系数，使空间信息网络流量的估计值乘以修正系数进行大数据流式计算，并将计算出空间信息网络流量的结果作为空间信息网络流量评估值并输出；步骤六、通过粒子群优化算法模型对空间信息网络流量进行调度，并将空间信息网络流量输出到被评估空间信息网络流量的流量评估报告。
[0014]
本发明与传统的地面网络不同，空间信息网络具有节点数目和网络拓扑形状多变、节点和用户类型繁多、承载业务种类广泛、管理操作复杂等特性，空间信息网络中的信道资源分配问题更强调高速、大容量、节点移动性对整个系统通信性能的影响，引入人工智能计算的方法，能够实现特殊的动态信道资源分配和流量管理，从网络层面和信道层面对网络资源进行动态组织，建立一种智能化、快速机动的综合网络管理机制来合理规划、分配和调度网络资源，以实现全局的优化预测与信息调度。
附图说明
[0015]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：图1为本发明方法流程示意图；图2为本发明粒子群优化算法流程示意图；图3为本发明调度系统架构示意图。
具体实施方式
[0016]
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
[0017]
步骤一、基于20gsps数字示波器的数据采集模块获取被评估空间信息网络流量的基本信息；通过这种方法获取空间信息网络流量的基本信息，以最大化获取或者应用空间信息网络流量的基本信息，便于进行数据信息分析；步骤二、将待评估的空间信息网络信息参数采用ml-knn算法的大数据分类模块进行划分；信息网络信息参数至少包含网站独立访客、页面浏览量、访问次数、新访客比率、ip数、时间和近似访问空间地址；比如ml-knn算法，在应用时，其核心思想与knn相似，即通过寻找k个最近的样本来判断当前测试样本类别,不过在ml-knn中是运用贝叶斯条件概率,来计算当前测试样本标签是存在还是不存在,如果存在的概率大于不存在的概率， 在具体应用中，为了判断未知实例的类别,以所有已知类别的实例作为参照 选择参数k 计算未知实例与所有已知实例的距离 选择最近k个已知实例 根据少数服从多类别进行数据信息分类；通过这种方法判断空间信息网络信息参数属于什么分类，以提高空间信息网络流量信息处理能力；步骤三、基于收集模块获取sdn架构全网数据，并采用空间信息网络流量数据具体分析sdn架构全网下一个sdn网络节点网络流量，其中空间信息网络流量数据分析包括：(s1)用户收集不同sdn架构全网的空间信息网络流量的基本信息，并采用存储器存储空间信息网络流量的基本信息数据；(s2)用户在收集和存储数据后，空间信息网络流量数据分析人员会分析并查询进行空间信息网络流量数据分区和配置；(s3)用户进行空间信息网络流量数据的清洗和过滤；(s4)用户将空间信息网络流量数据转化为有实用流量的空间信息网络流量数据，并预测分析sdn架构全网下一个sdn网络节点的空间信息网络流量；步骤四、基于隐私算法函数计算的方法计算出空间信息网络流量的下一个sdn网络节点流量，确定各空间信息网络流量的移动率、承载量和网络负荷估计值；步骤五、基于空间信息网络流量的影响因素设定修正系数，使空间信息网络流量的估计值乘以修正系数进行大数据流式计算，并将计算出空间信息网络流量的结果作为空间信息网络流量评估值并输出；步骤六、通过粒子群优化算法模型对空间信息网络流量进行调度，并将空间信息
网络流量输出到被评估空间信息网络流量的流量评估报告。
[0018]
在具体实施例中，所述数据采集模块是将传感器采集到数据库的数据转换成电讯号通过无线模块传输到计算机里，计算机又将电讯号转换成空间信息网络流量信息，输入到空间信息网络流量分类模块，在步骤一中所述20gsps数字示波器的数据采集模块包括宽带信号多路驱动模块、多adc采样列阵、海量数据同步处理模块和系统供电模块。
[0019]
在具体实施例中，在步骤二中根据大数据分类算法的原则，设定分类预测点为x,结合交叉验证的方法，获得分类函数m，如公式（1）所示：（1）式（1）中，p表示空间信息网络流量分类预测点的邻近军力转换权重；1-p表示空间信息网络流量分类预测点的第k个相邻权重；y表示空间信息网络流量分类预测；m表示空间信息网络流量分类函数；l表示空间信息网络流量分类标签；i表示空间信息网络流量的平滑参数；q表示空间信息网络流量样本数量；公式（1）解决了大数据分类处理结果精度低的问题。
[0020]
在具体实施例中，邻近转换权重用于表示空间信息网络流量评估流量重要性的系数；相邻权重用于表示空间信息网络流量评估流量相邻之间的样本的数量；空间信息网络流量分类预测能够统计空间信息网络流量近邻的每一个标签的数量；空间信息网络流量分类函数用于划分不同的空间信息网络流量评估流量，提高系统分类的泛化能力；空间信息网络流量分类标签用于记录每组样本标签的数据变化；空间信息网络流量的平滑参数用于验证空间信息网络流量评估流量分类结果的有效性；空间信息网络流量样本数量用于使空间信息网络流量评估流量的更加准确。
[0021]
在具体实施例中，空间信息网络流量分析流程为：(s1)用户收集不同sdn架构全网的空间信息网络流量的基本信息，并采用存储器存储空间信息网络流量的基本信息数据；用户针对性的收集相对应的空间信息网络流量数据。例如对sdn架构全网内部进行数据埋点、开展市场调研、收集公开的外部数据等等，在收集空间信息网络流量数据的过程中必须注意空间信息网络流量数据的真实性和有效性，否则后面所有的工作将变得没有意义。
[0022]
(s2)用户在收集和存储数据后，空间信息网络流量专业数据分析人员会分析并查询进行空间信息网络流量数据分区和配置。用户在收集和存储数据后，对收集并存储的空间信息网络流量数据进行分析，提取有流量的信息，在此过程中需要大量的数据分析理论方法，例如聚类分析、线性回归分析，对于空间信息网络流量数据分析所需要的专业分析软件例如有spss、r语言等。
[0023]
(s3)用户进行空间信息网络流量数据的清洗和过滤；一般情况下收集的数据具有大量以及多样化的特性，用户很难从杂乱无章的空间信息网络流量中提取有流量的信息，所以在空间信息网络流量数据处理的过程中一定要进行数据清洗过滤掉无意义和重复的空间信息网络流量数据，其中空间信息网络流量数据的清洗和过滤包括对分区的数据进行清洗从而输出sdn架构全网正常状态下的传输数据，对sdn架构全网的sdn架构输出数据进行过滤输出sdn架构全网正常状态下的空间信息网络流量节点数据。
[0024]
(s4)用户将空间信息网络流量数据转化为有实用流量的空间信息网络流量数据，
并预测分析sdn架构全网下一个sdn网络节点的空间信息网络流量。将过滤和清洗过的空间信息网络流量数据进行数据合并，例如将不同分组却相似的空间信息网络流量数据进行合并，在执行数据分析前进行初步处理，通过空间信息网络流量数据分析，隐藏在数据内部的关系和规律就会显示出来，下一个sdn网络节点更加直观的观测空间信息网络流量数据的结论，我们将空间信息网络流量数据进一步的加工得到常见的饼状图、折线图等，根据整理的空间信息网络流量数据分析出sdn架构全网下一个sdn网络节点的空间信息网络流量。
[0025]
在具体实施例中，隐私计算(privacy compute 或privacy computing)是指在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合，达到对数据“可用、不可见”的目的；在充分保护数据和隐私安全的前提下，实现数据价值的转化和释放。本发明采用该方法能够提高流量数据信息的预测能力。
[0026]
所述隐私算法如公式（1）所示：(1)公式（1）中，表示整个空间信息网络流量评估数据表所含信息的精确度，h表示为空间信息网络流量第i条节点记录的第j个属性值进行泛化时所经历的泛化次数，dgaai表示为属性a泛化树的高度，a表示为空间信息网络流量泛化树，t表示为空间信息网络流量原始数据表，i表示空间信息网络流量评估的记录次数，j表示空间信息网络流量评估的属性值，n表示为空间信息网络流量的n条记录；由于在空间信息网络流量数据泛化，失去了很多独特的、细节的内容，空间信息网络流量数据之间的区分度大大降低，用于表示空间信息网络流量评信息的精准度；h表示空间信息网络流量评估流量的信息损失；i用于空间信息网络流量评估的记录次数；j用于空间信息网络流量评估属性；a用于强化空间信息网络流量和流量的关系；t为空间信息网络流量评估的原始数据表；n用于统计空间信息网络流量评估的记录总数；引入公式（2）：(2)公式（2）中，表示为空间信息网络流量信息损失的总量，e表示为空间信息网络流量等价组，表示为等价组中元组个数，ns表示为空间信息网络流量被隐匿的元组的个数，表示为空间信息网络流量数据表元组总数，s表示空间信息网络流量的s条记录，n表示空间信息网络流量的聚类中的点数，由公式（2）推导出信息损失度量算法，用于计算空间信息网络流量评估信息损失的总量；e用于空间信息网络流量评估的数值属性；s用于表示空间信息网络流量评估的记录；n用于空间信息网络流量评估聚类中的点数的距离；t用于空间信息网络流量评估聚类点数的总数；如公式（3）所示：(3)公式（3）在第i次的迭代中对公式（1）、公式（2）、公式（3）进行改进，如公式（4）所示：
(4)公式（4）中，p代表空间信息网络流量数据敏感度，l表示为隐私算法的迭代次数，q表示为空间信息网络流量数据的差分隐私，表示为隐私预算参数，判断隐私算法扥终止条件，假设有一个阈值u,如果隐私算法数值中心与此次迭代的隐私算法中心之间的距离小于u，则停止迭代；否则，继续迭代，p用于测量空间信息网络流量数据的敏感情况；l用于空间信息网络流量数据迭代的次数；q用于空间信息网络流量数据隐私的差距；用于表示空间信息网络流量数据的常数；u用于筛选空间信息网络流量数据迭代隐私算法的距离；距离计算为如公式（5）所示；(5)公式（5）中，c表示为空间信息网络流量的隐私算法的中心值，c用于计算空间信息网络流量数据的距离；在迭代结束，最终输出的隐私算法中心结果为如公式（6）所示；(6)隐私算法解决了空间信息网络流量数据的敏感信息问题，使得隐私算法给我们生活带来便利的同时，空间信息网络流量数据的安全性也得到了很好的保护，同时解决了计算效率低的问题。
[0027]
在具体实施例中，所述流式计算通过大量的空间信息网络流量评估流量数据平摊在每个sdn网络节点上，连续地对小批量空间信息网络流量评估流量数据进行传输，将先定义好的计算逻辑，提交到流式计算系统，每次小批量计算后，空间信息网络流量的评估流量马上投递到在线系统，通过实现实时化展现。流式计算主要应用大数据计算模式，流式计算就是对空间信息网络流量数据进行处理，是实时计算，流式计算在时间分布和数量上无限的一系列动态数据集合体，数据的流量随着时间的流式而降低，因此一定实时计算给出秒级响应。
[0028]
本发明中动态调用采用粒子群优化算法，用于对通信数据采取最优智能搜索。在本发明中，以网关数据传输为研究对象,建立其有限元模型,通过对模型的有限元分析获得非噪声影响下静力应变数据作为损伤识别因子,同时引入云理论、粒子群算法,利用云粒子群优化bp神经网络(cpso-bpn)的方法进行结构损伤识别。该方法首先利用云理论设置自适应权重通信数据更新速度和位置达到最优解后转化为bp神经网络的初始权值。粒子群优化工作方法如下：步骤（一）：初始化数据定义初始化搜索空间范围最大维数为最大维数为、群体通信数据总数为、迭代终止次数为、通信数据n的通信速度、通信数据n的位置为；步骤（二）：通信数据的更新速度和更新位置每次迭代，通信数据的速度和位置都会有所改变，如公式(7)、(3)所示：(7)
(8)公式(7)、(8)中，当前迭代次数为，，当前空间维度为，，为通信数据的惯性权重，和为学习因子，和为伪随机数，均匀分布在[0,1]区间内，为通信数据n最接近目标的坐标，；为通信数据的速度，为通信数据在当前维度的下一迭代的更新速度，为通信数据当前位置，为通信数据在当前维度的下一迭代的更新位置，为现在通信数据的在第维度的第次迭代的位置，为现在通信数据的在第维度的第次迭代时最接近目标的坐标；步骤（三）：定义并计算群体通信数据的平均适应度定义为通信数据的的适应度，则平均适应度为：(9)式(9)中，为群体通信数据的平均适应度，为迭代终止时通信数据的适应度；步骤（四）：根据适应度计算期望值和熵值计算群体通信数据的适应期望值如下：(10)式(10)中，为群体通信数据的最优适应度；群体通信数据适应度熵值如下所示：(10)式(10)中，为通信数据适应度大于适应度的所有通信数据的平均适应度，为平衡态常数；步骤（五）：分析群体通信数据的惯性权重设置惯性权重公式如公式组(11)所示：(11)公式组(11)中，为通信数据适应度小于适应度的所有通信数据的平均适应度；本发明中，惯性权重代表通信数据群走向趋势，通过更新惯性权重，实现对通信数据通信速度和位置的优化。
[0029]
对本发明中粒子群优化算法对物联网通信数据的优化处理进行评估验证，对优化后的期望输出值和实际输出值进行记录，如表1所示：
由表1可知，实际输出值总会在期望值附近浮动，数据在传输过程中受到了一些影响，粒子群优化算法已经把数据影响度缩减到最低标准。适应度随着迭代次数的增加也在增加。
[0030]
在具体实施例中，所述输出模块采用stm32的多路模拟量输出模块，所述stm32的spi接口发出模拟量信号，经过光耦合电气隔离并转化驱动电压后，控制ad5623芯片，完成da变化和处理。所述控制ad5623芯片是将集成电路进行要运算与处理。
[0031]
所述空间信息网络流量数据库的输出端与数据采集模块的输入端连接，所述数据采集模块的输出端与空间信息网络流量分类模块发的输入端连接，空间信息网络流量分类模块的输出端与数据分析模块的输入端连接，数据分析模块的输出端与计算模块的输入端连接，计算模块的输出端与空间信息网络流量评估输出模块的输入端连接，空间信息网络流量评估输出模块的输出端与空间信息网络流量评估流量平台的输入端连接，所述计算模块的输出端分别与隐私计算模型的输入端和流式计算模块的输入端连接。
[0032]
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。