本发明涉及通信，具体涉及一种跨域端到端的数据传输压力认知方法及装置。
背景技术：
1、在新能源占比逐渐提高的新型电力系统中,高比例新能源接入和大规模电力电子设备应用使得系统更加复杂,电网运行面临电力电量平衡的不确定性增大、系统惯量水平下降等挑战。电力企业需要统筹考虑高比例新能源发展和电力系统的安全稳定运行,加快电力系统数字化升级,以有效支撑源网荷储一体化发展。因此,需要构建更加坚强、弹性、多业务承载的电力通信网,实现新能源、柔性负荷的全面感知,在“可观、可测、可调、可控、可追溯”基础上,有效支撑生产作业、运行管理、运营管控,为电力系统安全稳定运行奠定坚实基础。
2、随着自动化技术及通讯技术的飞速发展，电力骨干通信传输网的业务流量呈现爆炸式增长，出现了网络拥塞等各种问题。
技术实现思路
1、针对上述问题，本发明的一个目的是提供一种跨域端到端的数据传输压力认知方法。
2、本发明的第二个目的是提供一种跨域端到端的数据传输压力认知装置。
3、本发明所采用的第一个技术方案是：s1、基于给定业务数据传输需求，将历史业务流进行分割，确定固定时隙业务流；
4、s2、根据固定时隙业务流，进行一维离散小波变换，得到原始尺度系数；
5、s3、根据所述原始尺度系数，利用多分形小波模型及优化分解级数，进行系数分解，得到优化分解系数序列；
6、s4、根据固定时隙业务流对应时隙内各数据包平均传输时延与额定传输时延的关系，确定传输压力特征值；
7、s5、将所述固定时隙业务流、所述优化分解系数序列及所述传输压力特性值进行拼接，得到传输压力特征信号序列后按比例进行划分，得到神经网络的训练集和测试集；
8、s6、利用所述训练集对lstm神经网络模型进行训练后，将所述测试集传入训练后lstm神经网络模型中得到预测结果。
9、可选的，所述s1包括：
10、所述历史业务流为：
11、x＝[x(1),x(2)…x(t)]
12、所述固定时隙的业务流为：
13、xt＝[x(t),x(t+1)…x(t+l-1)]
14、式中，x为含有t个数据的具有分型特性的传输压力数据流，l是固定时隙业务流的长度，x(t)为第t个时隙成功发送数据包数据。
15、可选的，所述原始尺度系数的计算公式为，
16、u0,k＝∫x(t)φ0,k(t)dt
17、φ0,k(t)＝ε(t-k)-ε(t-k-1)
18、式中，u0,k为原始尺度系数，φ0,k(t)为尺度函数，ε(t-k)为阶跃函数时移k个单位。
19、可选的，所述s3包括：
20、s31、选取haar小波，对所述原始尺度系数进行多分形小波模型分解，得到优化系数集，过程如下式：
21、
22、式中，uj,2k为j级分解中第2k个分解系数；aj-1,k为m-1级分解的随机变量近似服从高斯分布，h为历史业务流的hurst参数，p为随机变量的自相似变量，var为方差；
23、s32、根据多分形小波模型和最佳分解级数,确定优化分解系数序列，如下式：
24、
25、式中，m0为最佳分解级数。
26、可选的，所述传输压力特征值计算如下式：
27、
28、式中，pt为传输压力评估值，为业务通信质量需求确定的固定时隙内业务流的额定传输时延，st为固定时隙内所有数据包传输的平均时延；
29、固定时隙内所有数据包传输的平均时延计算公式如下：
30、
31、式中，s(t)为t时刻成功发送数据包的实际传输时延。
32、可选的，所述s5包括：
33、s51、将所述固定时隙业务流、所述优化分解系数序列及所述传输压力特性值进行拼接，如下式：
34、yt＝[xt,ut,pt]
35、式中，yt为xt的传输压力特征信号序列；
36、s52、基于所述传输压力特征信号序列，确定建模数据集：
37、y＝[y1,y2,...,yt-l]；
38、s53、将所述建模数据集划分为训练集和测试集，如下式：
39、
40、式中，σ为划分比例，e为训练集，c为测试集。
41、可选的，所述s6包括：
42、s61、将所述训练集输入所述lstm神经网络模型中进行特征抽取，得到时序抽象特征；
43、s62、基于所述时序抽象特征，以最小化损失函数为目标，利用均方根误差公式进行误差计算，得到所述训练后lstm神经网络模型；
44、s63、将所述测试集输入所述训练后lstm神经网络模型，得到预测结果。
45、本发明所采用的第二个技术方案是：一种跨域端到端的数据传输压力认知装置，包括：业务流分割模块，用于基于给定业务数据传输需求，将历史业务流进行分割，确定固定时隙业务流；
46、小波变换模块，用于根据所述固定时隙业务流，进行一维离散小波变换，得到原始尺度系数；
47、系数分解模块，用于根据所述原始尺度系数，利用多分形小波模型及优化分解级数，进行系数分解，得到优化分解系数序列；
48、特征值确定模块，用于根据所述固定时隙业务流对应的时隙内各数据包的平均传输时延与额定传输时延，确定传输压力特征值；
49、信号划分模块，用于将所述固定时隙业务流、所述优化分解系数序列及所述传输压力特性值进行拼接，得到传输压力特征信号序列后按比例进行划分，得到神经网络的训练集和测试集；
50、模型训练模块，利用所述训练集对lstm神经网络模型进行训练后，将所述测试集传入训练后lstm神经网络模型中得到预测结果。
51、可选的，所述原始尺度系数的计算公式为，
52、u0，k＝∫x(t)φ0,k(t)dt
53、φ0,k(t)＝ε(t-k)-ε(t-k-1)
54、式中，u0,k为原始尺度系数，φ0,k(t)为尺度函数，ε(t-k)为阶跃函数时移k个单位。
55、可选的，所述系数分解模块包括：
56、小波分解子模块，用于选取haar小波，对所述原始尺度系数进行多分形小波模型分解，得到优化系数集，过程如下式：
57、
58、
59、式中，uj,2k为j级分解中第2k个分解系数；aj-1,k为m-1级分解的随机变量近似服从高斯分布，h为历史信息的数据流的hurst参数，p为随机变量的自相似变量，var为方差；
60、级数分解子模块，用于根据多分形小波模型和最佳分解级数,确定优化分解系数序列，如下式：
61、
62、式中，m0为最佳分解级数。
63、上述技术方案的有益效果：
64、本发明基于给定业务数据传输需求，将历史业务流进行分割，确定固定时隙业务流，根据固定时隙业务流数据，进行一维离散小波变换，得到原始尺度系数，根据所述原始尺度系数，利用多分形小波模型及优化分解级数，进行系数分解，得到优化分解系数序列，根据固定时隙业务流对应时隙内各数据包平均传输时延与额定传输时延的关系，确定传输压力特征值，将所述固定时隙业务流、所述优化分解系数序列及所述传输压力特性值进行拼接，得到传输压力特征信号序列后按比例进行划分，得到神经网络的训练集和测试集，利用所述训练集对lstm神经网络模型进行训练后，将所述测试集传入训练后lstm神经网络模型中得到预测结果。本发明所述的传输压力认知模型对端到端的数据传输压力进行更加精确的判断，有利于分布式电源接入的边缘侧的高效通信技术的发展，对端到端的数据传输的安全性和高效性具有重要的指导意义。
1.一种跨域端到端的数据传输压力认知方法，其特征在于，包括：
2.根据权利要求1所述的跨域端到端的数据传输压力认知方法，其特征在于，所述s1包括：
3.根据权利要求2所述的跨域端到端的数据传输压力认知方法，其特征在于，所述原始尺度系数的计算公式为，
4.根据权利要求3所述的跨域端到端的数据传输压力认知方法，其特征在于，所述s3包括：
5.根据权利要求4所述的跨域端到端的数据传输压力认知方法，其特征在于，
6.根据权利要求5所述的跨域端到端的数据传输压力认知方法，其特征在于，所述s5包括：
7.根据权利要求6所述的跨域端到端的数据传输压力认知方法，其特征在于，所述s6包括：
8.一种跨域端到端的数据传输压力认知装置，其特征在于，包括：
9.根据权利要求8所述的跨域端到端的数据传输压力认知装置，其特征在于，
10.根据权利要求9所述的跨域端到端的数据传输压力认知装置，其特征在于，所述系数分解模块包括：
