本技術(shù)涉及網(wǎng)絡(luò)通信，特別是涉及一種基于任務(wù)驅(qū)動(dòng)的mac協(xié)議重構(gòu)方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)：

1、無線自組網(wǎng)（wireless?ad?hoc?network）是一種不依賴于固定基礎(chǔ)設(shè)施的分布式網(wǎng)絡(luò)，其節(jié)點(diǎn)可以自由移動(dòng)并自動(dòng)配置連接，具有無中心、自組織、動(dòng)態(tài)拓?fù)涞忍攸c(diǎn)，適用于應(yīng)急響應(yīng)、災(zāi)難救援等場(chǎng)景，有關(guān)自組網(wǎng)的研究近年來受到了廣泛關(guān)注。

2、多址接入控制（mac）協(xié)議在組網(wǎng)與信息傳輸?shù)倪^程中起到至關(guān)重要的作用，直接影響網(wǎng)絡(luò)的通信性能。一般來說，適用于無線自組網(wǎng)的mac協(xié)議可分為競(jìng)爭(zhēng)類與調(diào)度類，競(jìng)爭(zhēng)類mac協(xié)議通過對(duì)信道的搶占獲得傳輸機(jī)會(huì)，調(diào)度類協(xié)議采用對(duì)信道的劃分有序接入信道。兩種類型的協(xié)議存在的本質(zhì)區(qū)別在于在不同網(wǎng)絡(luò)條件下的信道利用率不同。通常利用泊松分布建模業(yè)務(wù)到達(dá)率，認(rèn)為低負(fù)載環(huán)境下使用競(jìng)爭(zhēng)類協(xié)議、高負(fù)載環(huán)境中使用調(diào)度類協(xié)議能夠發(fā)揮兩類協(xié)議各自的優(yōu)勢(shì)。

3、然而，由于mac協(xié)議的接入機(jī)制存在本質(zhì)上的差異，不存在一種協(xié)議滿足所有的網(wǎng)絡(luò)環(huán)境與需求。在實(shí)際應(yīng)用中，網(wǎng)絡(luò)環(huán)境的動(dòng)態(tài)變化和任務(wù)需求的時(shí)變性給單一固定的mac協(xié)議帶來了挑戰(zhàn)。因此，一種智能化的mac協(xié)議重構(gòu)算法對(duì)于動(dòng)態(tài)的網(wǎng)絡(luò)環(huán)境是非常必要的。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要針對(duì)上述技術(shù)問題，提供一種基于任務(wù)驅(qū)動(dòng)的mac協(xié)議重構(gòu)方法、裝置、設(shè)備及介質(zhì)，通過對(duì)網(wǎng)絡(luò)負(fù)載進(jìn)行重新建模，構(gòu)建得到基于任務(wù)特征的網(wǎng)絡(luò)負(fù)載模型，在此基礎(chǔ)上進(jìn)行mac協(xié)議重構(gòu)，并設(shè)計(jì)閉環(huán)的分布式節(jié)點(diǎn)系統(tǒng)架構(gòu)，重構(gòu)得出基于任務(wù)需求并兼顧不同性能維度的最佳mac協(xié)議。

2、一種基于任務(wù)驅(qū)動(dòng)的mac協(xié)議重構(gòu)方法，所述方法包括：

3、考慮多域分布式無線自組織網(wǎng)絡(luò)場(chǎng)景，通過網(wǎng)絡(luò)負(fù)載的多維度特征劃分提取、高斯隨機(jī)過程建模以及特征融合，構(gòu)建得到網(wǎng)絡(luò)負(fù)載模型；

4、在網(wǎng)絡(luò)負(fù)載模型的基礎(chǔ)上，構(gòu)建軟件定義分布式子網(wǎng)節(jié)點(diǎn)系統(tǒng)架構(gòu)，該架構(gòu)由任務(wù)面、數(shù)據(jù)面和聯(lián)合控制面組成；

5、其中，任務(wù)面用于將節(jié)點(diǎn)任務(wù)及集群任務(wù)的執(zhí)行過程中產(chǎn)生的通信業(yè)務(wù)以數(shù)據(jù)幀的形式緩存到數(shù)據(jù)面形成隊(duì)列，數(shù)據(jù)面隊(duì)列包含節(jié)點(diǎn)任務(wù)產(chǎn)生的業(yè)務(wù)數(shù)據(jù)幀，還包含mac協(xié)議重構(gòu)過程中特征交互以及mac協(xié)議流程中信道預(yù)約與搶占行為產(chǎn)生的控制數(shù)據(jù)幀；

6、聯(lián)合控制面包括觀測(cè)面、知識(shí)面與控制面；其中，觀測(cè)面用于觀測(cè)統(tǒng)計(jì)各節(jié)點(diǎn)自身業(yè)務(wù)，依次通過最大似然估計(jì)獲取各節(jié)點(diǎn)當(dāng)前重構(gòu)周期的業(yè)務(wù)特征，以及通過卡爾曼濾波預(yù)測(cè)得到各節(jié)點(diǎn)下一重構(gòu)周期的業(yè)務(wù)特征，再將廣播交互得到的所有單跳可達(dá)節(jié)點(diǎn)的業(yè)務(wù)特征進(jìn)行特征融合，得到下一重構(gòu)周期的網(wǎng)絡(luò)特征并傳遞給知識(shí)面；

7、知識(shí)面用于搭載完成預(yù)訓(xùn)練的分類模型，根據(jù)觀測(cè)面輸入的網(wǎng)絡(luò)特征與任務(wù)面輸入的任務(wù)需求，輸出下一重構(gòu)周期的最佳mac協(xié)議重構(gòu)策略至控制面；

8、控制面用于搭載mac協(xié)議組件庫，判斷知識(shí)面輸出的重構(gòu)策略是否與當(dāng)前重構(gòu)周期的mac協(xié)議相同，若相同，不執(zhí)行重構(gòu)過程；若不相同，搜索組件并調(diào)整協(xié)議參數(shù)完成mac協(xié)議組件級(jí)重構(gòu)，并進(jìn)入下一重構(gòu)周期的循環(huán)。

9、在其中一個(gè)實(shí)施例中，考慮多域分布式無線自組織網(wǎng)絡(luò)場(chǎng)景，通過網(wǎng)絡(luò)負(fù)載的多維度特征劃分提取、高斯隨機(jī)過程建模以及特征融合，構(gòu)建得到網(wǎng)絡(luò)負(fù)載模型，包括：

10、考慮多域分布式無線自組織網(wǎng)絡(luò)場(chǎng)景，劃分提取網(wǎng)絡(luò)負(fù)載的多維度特征，包括網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模、節(jié)點(diǎn)活躍程度和節(jié)點(diǎn)業(yè)務(wù)特征；

11、采用維度相同的多維高斯隨機(jī)過程對(duì)網(wǎng)絡(luò)中各節(jié)點(diǎn)的業(yè)務(wù)特征進(jìn)行建模，并利用多維高斯分量的加權(quán)融合算法，對(duì)網(wǎng)絡(luò)中所有節(jié)點(diǎn)的業(yè)務(wù)特征進(jìn)行加權(quán)融合，得到全局網(wǎng)絡(luò)業(yè)務(wù)特征；

12、根據(jù)網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模、基于所有節(jié)點(diǎn)的活躍程度取平均得到的全局網(wǎng)絡(luò)活躍程度以及全局網(wǎng)絡(luò)業(yè)務(wù)特征進(jìn)行建模，構(gòu)建得到網(wǎng)絡(luò)負(fù)載模型。

13、在其中一個(gè)實(shí)施例中，采用維度相同的多維高斯隨機(jī)過程對(duì)網(wǎng)絡(luò)中各節(jié)點(diǎn)的業(yè)務(wù)特征進(jìn)行建模，包括：

14、考慮網(wǎng)絡(luò)中各節(jié)點(diǎn)執(zhí)行的任務(wù)不同，采用維度相同的維高斯隨機(jī)過程對(duì)網(wǎng)絡(luò)中各節(jié)點(diǎn)的業(yè)務(wù)特征進(jìn)行建模，表示為，其中，為由 t時(shí)刻的單個(gè)節(jié)點(diǎn)的業(yè)務(wù)特征的全部樣本函數(shù)構(gòu)成的集合，，為第 i個(gè)樣本函數(shù)， d為樣本函數(shù)數(shù)量，即高斯隨機(jī)過程維度數(shù)量與樣本函數(shù)數(shù)量一致，為周期；

15、用于描述節(jié)點(diǎn)產(chǎn)生的業(yè)務(wù)長(zhǎng)度隨時(shí)間變化的隨機(jī)過程，該過程的維正態(tài)概率密度函數(shù)表示為：

16、；

17、其中，為的期望值，表示任一樣本函數(shù)在時(shí)刻的隨機(jī)變量；為的期望值，表示任一樣本函數(shù)在另一時(shí)刻的隨機(jī)變量；為隨機(jī)變量的方差；為隨機(jī)變量的方差；表示期望計(jì)算；為歸一化協(xié)方差矩陣的行列式；表示節(jié)點(diǎn)產(chǎn)生的第個(gè)業(yè)務(wù)長(zhǎng)度，表示任務(wù)映射到 d個(gè)維度的業(yè)務(wù)特征隨機(jī)變量；表示任意 d個(gè)時(shí)刻；和均表示維數(shù)；

18、進(jìn)一步考慮網(wǎng)絡(luò)中各節(jié)點(diǎn)的任務(wù)各異且業(yè)務(wù)類型相對(duì)固定，設(shè)定一段有限時(shí)間內(nèi)每個(gè)節(jié)點(diǎn)的業(yè)務(wù)特征廣義平穩(wěn)，將網(wǎng)絡(luò)中各節(jié)點(diǎn)的業(yè)務(wù)特征建模為維平穩(wěn)高斯過程，平穩(wěn)高斯過程的業(yè)務(wù)特征滿足以下約束：

19、；

20、；

21、其中，為的期望值；為期望值常數(shù)，用于表示平穩(wěn)高斯過程的期望值不隨時(shí)間變化；表示自相關(guān)函數(shù)在時(shí)刻和處的值；為與的乘積的期望值；為時(shí)間差，即；為自相關(guān)函數(shù)，其僅依賴于時(shí)間差。

22、在其中一個(gè)實(shí)施例中，建模后的各節(jié)點(diǎn)的業(yè)務(wù)特征在任一時(shí)刻是以業(yè)務(wù)長(zhǎng)度為隨機(jī)向量的維高斯分布，節(jié)點(diǎn)的各維度業(yè)務(wù)長(zhǎng)度描述為維隨機(jī)向量，其業(yè)務(wù)特征的概率密度函數(shù)表示為：

23、；

24、其中，為 t時(shí)刻節(jié)點(diǎn)的業(yè)務(wù)特征的概率密度函數(shù)；表示節(jié)點(diǎn)不同類型業(yè)務(wù)長(zhǎng)度的均值向量，表示節(jié)點(diǎn)的第 i個(gè)業(yè)務(wù)長(zhǎng)度的均值，，上標(biāo) t表示轉(zhuǎn)置；是協(xié)方差矩陣，用于表示節(jié)點(diǎn)不同類型業(yè)務(wù)長(zhǎng)度的均值向量之間的相關(guān)性，表示協(xié)方差矩陣的行列式；

25、通過各節(jié)點(diǎn)的維高斯分布來描述不同節(jié)點(diǎn)的業(yè)務(wù)特征后，網(wǎng)絡(luò)中各節(jié)點(diǎn)的業(yè)務(wù)特征的概率密度函數(shù)集合表示為；其中，為網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模，且。

26、在其中一個(gè)實(shí)施例中，利用多維高斯分量的加權(quán)融合算法，對(duì)網(wǎng)絡(luò)中所有節(jié)點(diǎn)的業(yè)務(wù)特征進(jìn)行加權(quán)融合，得到全局網(wǎng)絡(luò)業(yè)務(wù)特征；

27、利用維高斯分量的加權(quán)融合算法，考慮網(wǎng)絡(luò)中各節(jié)點(diǎn)之間滿足獨(dú)立同分布條件，目標(biāo)是融合網(wǎng)絡(luò)中所有節(jié)點(diǎn)的業(yè)務(wù)特征得到一個(gè)維高斯分布的全局網(wǎng)絡(luò)業(yè)務(wù)特征；

28、假設(shè)節(jié)點(diǎn)的業(yè)務(wù)特征的高斯分量為，節(jié)點(diǎn)的活躍程度為，活躍程度表示節(jié)點(diǎn)在單位時(shí)間內(nèi)產(chǎn)生業(yè)務(wù)的概率；通過對(duì)進(jìn)行歸一化處理，得到各節(jié)點(diǎn)業(yè)務(wù)特征的權(quán)重，表示為：

29、；

30、其中，滿足和；

31、基于權(quán)重對(duì)網(wǎng)絡(luò)中所有節(jié)點(diǎn)的業(yè)務(wù)特征進(jìn)行加權(quán)融合，得到全局網(wǎng)絡(luò)業(yè)務(wù)特征，且符合維高斯分布，即；其中，全局網(wǎng)絡(luò)業(yè)務(wù)特征的均值向量與協(xié)方差矩陣分別表示為：

32、；

33、；

34、其中，，其中，表示中的第 i個(gè)均值，且；上標(biāo) t表示轉(zhuǎn)置。

35、在其中一個(gè)實(shí)施例中，根據(jù)網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模、基于所有節(jié)點(diǎn)的活躍程度取平均得到的全局網(wǎng)絡(luò)活躍程度以及全局網(wǎng)絡(luò)業(yè)務(wù)特征進(jìn)行建模，構(gòu)建得到網(wǎng)絡(luò)負(fù)載模型，包括：

36、根據(jù)網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模、基于所有節(jié)點(diǎn)的活躍程度取平均得到的全局網(wǎng)絡(luò)活躍程度以及全局網(wǎng)絡(luò)業(yè)務(wù)特征的均值向量進(jìn)行建模，構(gòu)建得到網(wǎng)絡(luò)負(fù)載模型，其中， t時(shí)刻網(wǎng)絡(luò)負(fù)載的期望表示為：

37、；

38、其中，為時(shí)變的網(wǎng)絡(luò)負(fù)載，為的期望值；全局網(wǎng)絡(luò)活躍程度，表示網(wǎng)絡(luò)中所有節(jié)點(diǎn)單位時(shí)間內(nèi)產(chǎn)生業(yè)務(wù)的平均概率；為節(jié)點(diǎn)的活躍程度；為節(jié)點(diǎn)的第 i個(gè)業(yè)務(wù)長(zhǎng)度的均值。

39、在其中一個(gè)實(shí)施例中，觀測(cè)面觀測(cè)統(tǒng)計(jì)各節(jié)點(diǎn)自身業(yè)務(wù)，通過最大似然估計(jì)獲取各節(jié)點(diǎn)當(dāng)前重構(gòu)周期的業(yè)務(wù)特征，包括：

40、觀測(cè)面通過與任務(wù)面之間的任務(wù)與業(yè)務(wù)映射，觀測(cè)統(tǒng)計(jì)網(wǎng)絡(luò)中各節(jié)點(diǎn)在當(dāng)前觀測(cè)周期內(nèi)的數(shù)據(jù)產(chǎn)生次數(shù)與數(shù)據(jù)長(zhǎng)度觀測(cè)數(shù)據(jù)集；其中，重構(gòu)周期包含個(gè)時(shí)隙，觀測(cè)周期包含個(gè)時(shí)隙，且滿足即；

41、根據(jù)數(shù)據(jù)產(chǎn)生次數(shù)的統(tǒng)計(jì)結(jié)果計(jì)算節(jié)點(diǎn) n的活躍程度為，并將數(shù)據(jù)長(zhǎng)度觀測(cè)數(shù)據(jù)集作為觀測(cè)樣本進(jìn)行業(yè)務(wù)特征估計(jì)與預(yù)測(cè)；

42、采用維平穩(wěn)高斯隨機(jī)過程對(duì)節(jié)點(diǎn) n的業(yè)務(wù)特征進(jìn)行建模，并將節(jié)點(diǎn) n業(yè)務(wù)特征的維高斯分布降維為一維高斯分布描述，然后根據(jù)抽樣時(shí)刻數(shù)據(jù)幀長(zhǎng)度變量服從高斯分布的先驗(yàn)信息，通過最大似然估計(jì)得到節(jié)點(diǎn) n業(yè)務(wù)特征的均值和標(biāo)準(zhǔn)差；具體地，設(shè)，對(duì)于數(shù)據(jù)集，其似然函數(shù)是所有觀測(cè)值概率密度函數(shù)的乘積，表示為：

43、；

44、其中，表示觀測(cè)周期內(nèi)第 i次產(chǎn)生的數(shù)據(jù)長(zhǎng)度，且；

45、對(duì)該似然函數(shù)求對(duì)數(shù)，得到對(duì)數(shù)似然函數(shù)，并對(duì)分別關(guān)于和求偏導(dǎo)數(shù)并令其等于零，求解得到和分別表示為：

46、；

47、；

48、基于上述求解得到和，確定節(jié)點(diǎn) n在當(dāng)前重構(gòu)周期的業(yè)務(wù)特征服從；其中，，為網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模。

49、在其中一個(gè)實(shí)施例中，觀測(cè)面通過卡爾曼濾波預(yù)測(cè)得到各節(jié)點(diǎn)下一重構(gòu)周期的業(yè)務(wù)特征，再將廣播交互得到的所有單跳可達(dá)節(jié)點(diǎn)的業(yè)務(wù)特征進(jìn)行特征融合，得到下一重構(gòu)周期的網(wǎng)絡(luò)特征并傳遞給知識(shí)面，包括：

50、設(shè)定第個(gè)重構(gòu)周期內(nèi)節(jié)點(diǎn)的真實(shí)業(yè)務(wù)特征服從，通過觀測(cè)與最大似然估計(jì)得到業(yè)務(wù)特征服從；其中，為節(jié)點(diǎn)在第個(gè)重構(gòu)周期業(yè)務(wù)特征的真實(shí)均值，并設(shè)定的變化服從隨機(jī)游走過程；為節(jié)點(diǎn)在第個(gè)重構(gòu)周期業(yè)務(wù)特征的觀測(cè)值，表示平均數(shù)據(jù)長(zhǎng)度，并設(shè)定為真實(shí)均值的含噪聲測(cè)量；為節(jié)點(diǎn)在第個(gè)重構(gòu)周期業(yè)務(wù)特征的方差，反映數(shù)據(jù)幀離散程度；

51、卡爾曼濾波的目標(biāo)是基于歷史觀測(cè)值與及其對(duì)應(yīng)的方差與，預(yù)測(cè)節(jié)點(diǎn)在第個(gè)重構(gòu)周期的業(yè)務(wù)特征服從，再將第個(gè)重構(gòu)周期的預(yù)測(cè)結(jié)果與廣播交互得到的所有單跳可達(dá)節(jié)點(diǎn)的業(yè)務(wù)特征進(jìn)行加權(quán)融合，得到第個(gè)重構(gòu)周期的全局網(wǎng)絡(luò)業(yè)務(wù)特征，最后，將網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模、基于網(wǎng)絡(luò)中所有節(jié)點(diǎn)的活躍程度取平均得到的全局網(wǎng)絡(luò)活躍程度以及全局網(wǎng)絡(luò)業(yè)務(wù)特征合并為第個(gè)重構(gòu)周期的網(wǎng)絡(luò)特征，并將網(wǎng)絡(luò)特征傳遞給知識(shí)面；

52、其中，在網(wǎng)絡(luò)初始建立的前兩個(gè)重構(gòu)周期內(nèi)，不進(jìn)行卡爾曼濾波預(yù)測(cè)過程，網(wǎng)絡(luò)在重構(gòu)周期末加入的新節(jié)點(diǎn)不參與觀測(cè)面的算法流程，且觀測(cè)面在前兩個(gè)重構(gòu)周期只進(jìn)行觀測(cè)、最大似然估計(jì)與特征交互融合的過程。

53、在其中一個(gè)實(shí)施例中，卡爾曼濾波通過預(yù)測(cè)與更新兩步迭代估計(jì)狀態(tài)，首先通過預(yù)測(cè)步驟得到第個(gè)重構(gòu)周期業(yè)務(wù)特征的均值與方差的先驗(yàn)估計(jì)，對(duì)均值與方差的預(yù)測(cè)分別表示為：

54、；

55、；

56、其中，為第個(gè)重構(gòu)周期業(yè)務(wù)特征的均值的先驗(yàn)估計(jì)，為第個(gè)重構(gòu)周期業(yè)務(wù)特征的均值的后驗(yàn)估計(jì)；為第個(gè)重構(gòu)周期業(yè)務(wù)特征的方差的先驗(yàn)估計(jì)，為第個(gè)重構(gòu)周期業(yè)務(wù)特征的方差的后驗(yàn)估計(jì)；為過程噪聲方差；

57、然后，基于后驗(yàn)估計(jì)的更新步驟得到更新后的卡爾曼增益，表達(dá)式為：

58、；

59、根據(jù)卡爾曼增益分別對(duì)第個(gè)重構(gòu)周期業(yè)務(wù)特征的均值的后驗(yàn)估計(jì)與方差的后驗(yàn)估計(jì)進(jìn)行更新，表示為：

60、；

61、；

62、從而在下一次迭代時(shí)得到節(jié)點(diǎn)在第個(gè)重構(gòu)周期業(yè)務(wù)特征的預(yù)測(cè)分布為，和分別表示節(jié)點(diǎn)在第個(gè)重構(gòu)周期業(yè)務(wù)特征的均值與方差的預(yù)測(cè)值；其中，節(jié)點(diǎn)在第個(gè)重構(gòu)周期業(yè)務(wù)特征的均值的先驗(yàn)估計(jì)預(yù)測(cè)為，通過指數(shù)平滑法預(yù)測(cè)得到，表示為；其中，為預(yù)先設(shè)定的平滑指數(shù)，表示第個(gè)重構(gòu)周期業(yè)務(wù)特征的方差的預(yù)測(cè)值。

63、在其中一個(gè)實(shí)施例中，知識(shí)面搭載完成預(yù)訓(xùn)練的分類模型，根據(jù)觀測(cè)面輸入的網(wǎng)絡(luò)特征與任務(wù)面輸入的任務(wù)需求，輸出下一重構(gòu)周期的最佳mac協(xié)議重構(gòu)策略至控制面，包括：

64、首先，知識(shí)面基于max協(xié)議在吞吐量、丟包率和網(wǎng)絡(luò)平均時(shí)延這三個(gè)維度的性能參數(shù)，對(duì)任務(wù)需求進(jìn)行建模，包括采用有效性需求、可靠性需求和時(shí)敏性需求量化任務(wù)需求的輕重緩急，并定義有效性需求參數(shù)、可靠性需求參數(shù)和時(shí)敏性需求參數(shù)分別作為吞吐量、丟包率和網(wǎng)絡(luò)平均時(shí)延的權(quán)重；其中，三個(gè)維度的性能參數(shù)經(jīng)過歸一化處理，使得，，，且滿足；

65、然后，將經(jīng)過歸一化處理的性能參數(shù)與任務(wù)需求參數(shù)進(jìn)行加權(quán)求和，作為不同mac協(xié)議的得分評(píng)價(jià)指標(biāo)，得分值表示為：

66、；

67、其中，下標(biāo) h表示備選mac協(xié)議的數(shù)量，上標(biāo) t表示轉(zhuǎn)置；

68、最后，知識(shí)面基于搭載的完成預(yù)訓(xùn)練的xgboost分類模型，以包括網(wǎng)絡(luò)節(jié)點(diǎn)規(guī)模、全局網(wǎng)絡(luò)活躍程度和全局網(wǎng)絡(luò)業(yè)務(wù)特征的均值與方差的網(wǎng)絡(luò)特征作為分類特征，以包括有效性需求參數(shù)、可靠性需求參數(shù)和時(shí)敏性需求參數(shù)的任務(wù)需求作為評(píng)價(jià)特征，構(gòu)成數(shù)據(jù)集特征對(duì)備選mac協(xié)議進(jìn)行分類，并選擇得分值最高的備選mac協(xié)議作為最兼顧下一重構(gòu)周期的網(wǎng)絡(luò)特征與任務(wù)需求的最佳mac協(xié)議，表示為：

69、。

70、一種基于任務(wù)驅(qū)動(dòng)的mac協(xié)議重構(gòu)裝置，所述裝置包括：

71、負(fù)載建模模塊，用于考慮多域分布式無線自組織網(wǎng)絡(luò)場(chǎng)景，通過網(wǎng)絡(luò)負(fù)載的多維度特征劃分提取、高斯隨機(jī)過程建模以及特征融合，構(gòu)建得到網(wǎng)絡(luò)負(fù)載模型；

72、協(xié)議重構(gòu)模塊，用于在網(wǎng)絡(luò)負(fù)載模型的基礎(chǔ)上，構(gòu)建軟件定義分布式子網(wǎng)節(jié)點(diǎn)系統(tǒng)架構(gòu)，該架構(gòu)由任務(wù)面、數(shù)據(jù)面和聯(lián)合控制面組成；

73、其中，任務(wù)面用于將節(jié)點(diǎn)任務(wù)及集群任務(wù)的執(zhí)行過程中產(chǎn)生的通信業(yè)務(wù)以數(shù)據(jù)幀的形式緩存到數(shù)據(jù)面形成隊(duì)列，數(shù)據(jù)面隊(duì)列包含節(jié)點(diǎn)任務(wù)產(chǎn)生的業(yè)務(wù)數(shù)據(jù)幀，還包含mac協(xié)議重構(gòu)過程中特征交互以及mac協(xié)議流程中信道預(yù)約與搶占行為產(chǎn)生的控制數(shù)據(jù)幀；

74、聯(lián)合控制面包括觀測(cè)面、知識(shí)面與控制面；其中，觀測(cè)面用于觀測(cè)統(tǒng)計(jì)各節(jié)點(diǎn)自身業(yè)務(wù)，依次通過最大似然估計(jì)獲取各節(jié)點(diǎn)當(dāng)前重構(gòu)周期的業(yè)務(wù)特征，以及通過卡爾曼濾波預(yù)測(cè)得到各節(jié)點(diǎn)下一重構(gòu)周期的業(yè)務(wù)特征，再將廣播交互得到的所有單跳可達(dá)節(jié)點(diǎn)的業(yè)務(wù)特征進(jìn)行特征融合，得到下一重構(gòu)周期的網(wǎng)絡(luò)特征并傳遞給知識(shí)面；

75、知識(shí)面用于搭載完成預(yù)訓(xùn)練的分類模型，根據(jù)觀測(cè)面輸入的網(wǎng)絡(luò)特征與任務(wù)面輸入的任務(wù)需求，輸出下一重構(gòu)周期的最佳mac協(xié)議重構(gòu)策略至控制面；

76、控制面用于搭載mac協(xié)議組件庫，判斷知識(shí)面輸出的重構(gòu)策略是否與當(dāng)前重構(gòu)周期的mac協(xié)議相同，若相同，不執(zhí)行重構(gòu)過程；若不相同，搜索組件并調(diào)整協(xié)議參數(shù)完成mac協(xié)議組件級(jí)重構(gòu)，并進(jìn)入下一重構(gòu)周期的循環(huán)。

77、一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)以下步驟：

78、考慮多域分布式無線自組織網(wǎng)絡(luò)場(chǎng)景，通過網(wǎng)絡(luò)負(fù)載的多維度特征劃分提取、高斯隨機(jī)過程建模以及特征融合，構(gòu)建得到網(wǎng)絡(luò)負(fù)載模型；

79、在網(wǎng)絡(luò)負(fù)載模型的基礎(chǔ)上，構(gòu)建軟件定義分布式子網(wǎng)節(jié)點(diǎn)系統(tǒng)架構(gòu)，該架構(gòu)由任務(wù)面、數(shù)據(jù)面和聯(lián)合控制面組成；

80、其中，任務(wù)面用于將節(jié)點(diǎn)任務(wù)及集群任務(wù)的執(zhí)行過程中產(chǎn)生的通信業(yè)務(wù)以數(shù)據(jù)幀的形式緩存到數(shù)據(jù)面形成隊(duì)列，數(shù)據(jù)面隊(duì)列包含節(jié)點(diǎn)任務(wù)產(chǎn)生的業(yè)務(wù)數(shù)據(jù)幀，還包含mac協(xié)議重構(gòu)過程中特征交互以及mac協(xié)議流程中信道預(yù)約與搶占行為產(chǎn)生的控制數(shù)據(jù)幀；

81、聯(lián)合控制面包括觀測(cè)面、知識(shí)面與控制面；其中，觀測(cè)面用于觀測(cè)統(tǒng)計(jì)各節(jié)點(diǎn)自身業(yè)務(wù)，依次通過最大似然估計(jì)獲取各節(jié)點(diǎn)當(dāng)前重構(gòu)周期的業(yè)務(wù)特征，以及通過卡爾曼濾波預(yù)測(cè)得到各節(jié)點(diǎn)下一重構(gòu)周期的業(yè)務(wù)特征，再將廣播交互得到的所有單跳可達(dá)節(jié)點(diǎn)的業(yè)務(wù)特征進(jìn)行特征融合，得到下一重構(gòu)周期的網(wǎng)絡(luò)特征并傳遞給知識(shí)面；

82、知識(shí)面用于搭載完成預(yù)訓(xùn)練的分類模型，根據(jù)觀測(cè)面輸入的網(wǎng)絡(luò)特征與任務(wù)面輸入的任務(wù)需求，輸出下一重構(gòu)周期的最佳mac協(xié)議重構(gòu)策略至控制面；

83、控制面用于搭載mac協(xié)議組件庫，判斷知識(shí)面輸出的重構(gòu)策略是否與當(dāng)前重構(gòu)周期的mac協(xié)議相同，若相同，不執(zhí)行重構(gòu)過程；若不相同，搜索組件并調(diào)整協(xié)議參數(shù)完成mac協(xié)議組件級(jí)重構(gòu)，并進(jìn)入下一重構(gòu)周期的循環(huán)。

84、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)以下步驟：

85、考慮多域分布式無線自組織網(wǎng)絡(luò)場(chǎng)景，通過網(wǎng)絡(luò)負(fù)載的多維度特征劃分提取、高斯隨機(jī)過程建模以及特征融合，構(gòu)建得到網(wǎng)絡(luò)負(fù)載模型；

86、在網(wǎng)絡(luò)負(fù)載模型的基礎(chǔ)上，構(gòu)建軟件定義分布式子網(wǎng)節(jié)點(diǎn)系統(tǒng)架構(gòu)，該架構(gòu)由任務(wù)面、數(shù)據(jù)面和聯(lián)合控制面組成；

87、其中，任務(wù)面用于將節(jié)點(diǎn)任務(wù)及集群任務(wù)的執(zhí)行過程中產(chǎn)生的通信業(yè)務(wù)以數(shù)據(jù)幀的形式緩存到數(shù)據(jù)面形成隊(duì)列，數(shù)據(jù)面隊(duì)列包含節(jié)點(diǎn)任務(wù)產(chǎn)生的業(yè)務(wù)數(shù)據(jù)幀，還包含mac協(xié)議重構(gòu)過程中特征交互以及mac協(xié)議流程中信道預(yù)約與搶占行為產(chǎn)生的控制數(shù)據(jù)幀；

88、聯(lián)合控制面包括觀測(cè)面、知識(shí)面與控制面；其中，觀測(cè)面用于觀測(cè)統(tǒng)計(jì)各節(jié)點(diǎn)自身業(yè)務(wù)，依次通過最大似然估計(jì)獲取各節(jié)點(diǎn)當(dāng)前重構(gòu)周期的業(yè)務(wù)特征，以及通過卡爾曼濾波預(yù)測(cè)得到各節(jié)點(diǎn)下一重構(gòu)周期的業(yè)務(wù)特征，再將廣播交互得到的所有單跳可達(dá)節(jié)點(diǎn)的業(yè)務(wù)特征進(jìn)行特征融合，得到下一重構(gòu)周期的網(wǎng)絡(luò)特征并傳遞給知識(shí)面；

89、知識(shí)面用于搭載完成預(yù)訓(xùn)練的分類模型，根據(jù)觀測(cè)面輸入的網(wǎng)絡(luò)特征與任務(wù)面輸入的任務(wù)需求，輸出下一重構(gòu)周期的最佳mac協(xié)議重構(gòu)策略至控制面；

90、控制面用于搭載mac協(xié)議組件庫，判斷知識(shí)面輸出的重構(gòu)策略是否與當(dāng)前重構(gòu)周期的mac協(xié)議相同，若相同，不執(zhí)行重構(gòu)過程；若不相同，搜索組件并調(diào)整協(xié)議參數(shù)完成mac協(xié)議組件級(jí)重構(gòu)，并進(jìn)入下一重構(gòu)周期的循環(huán)。

91、上述基于任務(wù)驅(qū)動(dòng)的mac協(xié)議重構(gòu)方法、裝置、設(shè)備及介質(zhì)，具備以下有益效果：

92、1、考慮到節(jié)點(diǎn)任務(wù)異構(gòu)型帶來的業(yè)務(wù)特征的差異性，將網(wǎng)絡(luò)負(fù)載精細(xì)化地拆分為三個(gè)維度的特征，相較于傳統(tǒng)網(wǎng)絡(luò)負(fù)載建模方法，本技術(shù)構(gòu)建的網(wǎng)絡(luò)負(fù)載模型能夠充分體現(xiàn)mac協(xié)議在不同網(wǎng)絡(luò)環(huán)境下的性能。

93、2、構(gòu)建閉環(huán)的軟件定義分布式子網(wǎng)節(jié)點(diǎn)系統(tǒng)架構(gòu)，該架構(gòu)給出了完整的系統(tǒng)設(shè)計(jì)與mac協(xié)議重構(gòu)算法流程，提供了分布式節(jié)點(diǎn)協(xié)同完成重構(gòu)過程的方案，重構(gòu)過程考慮了不同的任務(wù)需求以解決協(xié)議性能的兼顧問題，構(gòu)造數(shù)據(jù)集并利用xgboost分類模型實(shí)現(xiàn)了不同協(xié)議的重構(gòu)決策，最終能夠重構(gòu)得出基于任務(wù)需求并兼顧不同性能維度的最佳mac協(xié)議，提高了mac協(xié)議對(duì)于動(dòng)態(tài)變化的網(wǎng)絡(luò)環(huán)境及任務(wù)需求的適應(yīng)性與可靠性。