本发明属于时间同步,涉及一种温度感知辅助的时间同步保持方法。
背景技术:
1、时间同步作为分布式网络中不可或缺的关键支撑技术之一,是网络正常运行的基本前提,并广泛应用于工业网络、电力系统以及5g通讯等领域。时间同步的目的在于使网络中的不同设备能够在同一时间尺度上运行,从而保证设备间执行任务时逻辑时间和因果关系的正确性。然而,由于网络运行环境的诸多不利因素(如环境温度和湿度变化、电磁干扰、晶体老化等),引起设备时钟晶振输出频率产生非线性递增或递减的漂移变化,进而难以将网络设备与主时钟之间的时间偏差维持在足够小的范围。特别是当系统面临外部时间源信号丢失或不稳定的情况时,无法采用基于包交换的时间同步协议进行时钟偏差估计和修正,这就需要设计合理的时间同步保持方法准确预测出晶振频率的变化趋势,进而对频率偏移量做出补偿,提升时间同步保持的长期稳定性。目前时间同步保持方法主要有两种:一种是使用卡尔曼滤波,引入时钟动态偏移的模型,解决频率的不稳定性,但只适用于遵循单一分布的随机延迟,鲁棒性相对较低。另一种是结合最小二乘参数估计,建立晶振的差分模型,但是学习得到的模型参数容易受初始条件的影响,容错能力不强。
2、因此,亟需一种温度感知辅助的时间同步保持方法,将环境温度信息作为输入并运用神经网络模型对时钟晶振频率偏移进行准确预测和修正,增强时间同步保持方法对环境温度变化的鲁棒性,降低无外部连接情况下的再同步频率。
技术实现思路
1、有鉴于此,本发明的目的在于提供一种温度感知辅助的时间同步保持方法,针对面向主时钟故障或者通信链路中断导致设备之间无法进行同步信息交互的网络通信场景,考虑设备时钟晶振输出频率因环境温度变化呈现非线性动态时变的特性,构建适用于无外部连接的网络时间同步自保持timenet神经网络模型,将环境温度信息作为timenet神经网络模型的输入对时钟晶振频率偏移进行准确预测,并采用频率偏移自回归状态转移方程计算获得时钟相位偏移,实现保持状态下的时钟参数跟踪,有效提取环境温度变化与时钟晶振频偏移的规律,增强时间同步保持方法对环境温度动态变化的稳健性,延长无外部连接情况下的时钟同步保持周期。
2、为达到上述目的,本发明提供如下技术方案:
3、一种温度感知辅助的时间同步保持方法,具体包括以下步骤:
4、s1:面向主时钟故障或者通信链路中断导致设备之间无法进行同步信息交互的网络通信场景,考虑设备时钟晶振输出频率因环境温度变化呈现非线性动态时变的特性,构建适用于无外部连接的基于timenet神经网络的时间序列预测模型;并利用历史记录的时钟参数数据和温度信息,训练基于timenet神经网络的时间序列预测模型;
5、s2:利用训练完成的基于timenet神经网络的时间序列预测模型,将环境温度信息作为时间序列预测模型的输入,预测从节点的时钟频偏;
6、s3:利用基于timenet神经网络时间序列预测模型预测的时钟频偏,采用频率偏移自回归状态转移方程计算获得从节点的时钟相偏,利用时钟频偏与时钟相偏值,从节点校正本地时钟,与主节点实现时钟自保持,从而实现主从节点间保持状态的时钟参数跟踪。
7、进一步,步骤s1中,训练基于timenet神经网络的时间序列预测模型,具体包括以下步骤:
8、s11:利用历史记录的时钟参数数据,以及节点所处环境的温度信息作为数据集,随机均匀的划分成r个不重叠的子集,每个子集应尽可能保持数据分布的一致性;
9、s12:进行r轮迭代,每次迭代过程中,选择一个子集作为验证集,剩余的r-1个子集合作为训练集,使用训练集训练模型,验证集评估模型,根据网络的预期输出值以及目标值得到损失函数loss为:
10、
11、其中,γ(n)是时钟偏斜的真实值,是时钟偏斜的预测值,n代表是样本数量;
12、s13:基于步骤s12的损失函数,计算得到梯度损失函数为:
13、
14、其中,代表预测网络的梯度向量;
15、s14:训练时间序列预测模型直至模型收敛,得到最优的模型参数。
16、进一步,步骤s2中,预测从节点的时钟频偏,具体包括以下步骤:
17、s21:由于数据采集过程中温度量纲不同,为了避免不同量纲对模型泛化学习造成不利影响,将数据归一化。我们采用最小最大值归一化,通过缩放将每一个特征范围归一到[0,1]之间,对于一维特征ki,i=1,2,第n个样本值对应的一维特征ki(n),n=1,2,…,n;归一化公式为:
18、
19、其中,max(ki)和min(ki)分别是特征ki在使用样本上的最大值和最小值,是处理后的一维的特征数据;
20、s22:为了表示数据周期内和周期间的时序变化,采用傅里叶变换对时间序列数据进行处理,处理后的周期特征会呈现对应的高幅值的频率分量,只取前m个最大幅度对应的频率分量,得到m个主要周期,该过程可以表示为:
21、
22、其中,fft(·)表示快速傅里叶变换的计算,amp(·)表示振幅的计算,avg(·)表示取平均值;{f1,…,fm}代表频率集合,m代表幅度,t代表序列长度;
23、s23:基于选定的频率{f1,…,fm}和相对应的周期长度p1,…,pm,将一维时间序列重塑为二维张量,该过程可以表示为:
24、
25、其中,padding(·)为在序列末尾补零,使得序列长度能被整除;代表从一维转换成二维张量的表现形式;reshape(·)是重塑操作,将一维转换为二维张量;
26、s24:通过参数高效初始块处理二维张量获得特征信息,此过程可以表示为:
27、
28、
29、其中,转换为二维张量后,通过参数高效初始块处理二维张量,即inception(·)函数,该函数涉及多尺度二维内核,然后将学习到的二维变化转换为一维空间其中使用了trunc(·)函数将长度为pi×fi的填充序列截断为原始长度为n的序列;
30、s25:模型需要为下一层融合m个不同的一维特征由于振幅m可以反映所选频率与周期的相对重要性,从而对应于每个转换的二维张量的重要性,因此模型基于振幅m聚合为一维数据,表示为:
31、
32、其中,代表选定频率的振幅,代表每个振幅的加权值,代表时间序列预测模型中时间块的输出;
33、s26:基于timenet神经网络的时间序列预测模型由堆叠的时间块组成,使用残差的方式组织时间块,整体的过程可以形式化:
34、
35、经过timesblock时间块层的堆叠,基于timenet神经网络的时间序列预测模型的最终输出表示为即预测的频偏值,其中b代表堆叠的时间块层数。
36、进一步,步骤s3具体包括:利用预测的时钟频偏值,从节点采用频率偏移自回归状态转移方程计算获得时钟相偏值,可以表示为:
37、
38、其中,θ(n)代表时钟相偏,τ代表采样间隔;采用频率偏移自回归状态转移方程计算获得时钟相偏值,从而实现主从节点间保持状态的时钟参数跟踪。
39、本发明的有益效果在于:
40、(1)本发明考虑了设备时钟晶振输出频率因环境温度变化呈现非线性动态时变的特性,将环境温度信息作为网络模型的输入,能够有效提取环境温度变化与时钟晶振频率偏移的规律。
41、(2)本发明构建适用于网络时间同步的基于timenet神经网络的时间序列预测模型,利用timenet神经网络的自适应性与非线性泛化能力,对时钟晶振频率偏移进行准确预测,增强时间同步保持方法对环境温度动态变化的稳健性。
42、(3)本发明结合timenet神经网络预测的时钟晶振频率偏移,采用频率偏移自回归状态转移方程计算获得时钟相位偏移,实现时间基准丢失情况下的时间同步长期稳定自保持,延长无外部连接情况下的时钟同步保持周期。
43、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。