买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：深圳市太铭科技有限公司

摘要：本发明涉及时间同步领域，更具体的说，它涉及一种用于高访问请求下的NTP授时方法及系统。一种用于高访问请求下的NTP授时系统，包括：单位时间任务处理量获取模块、授时服务器工作状态获取模块、状态判断模块、NTP授时服务信息获取模块、时间调整值输出模型管理模块、时间调整值输出模块、时间调整值集合存储模块、时间调整值预测模型管理模块、时间调整值预测模块和NTP授时模块。本发明通过基于时间调整值的时序性变化输出的预测时间调整值来对时间同步客户端的本地时钟进行时间校正，避免了时间同步客户端处于高任务量或者授时服务器处于高访问请求的情况下造成的NTP授时误差，进一步提升NTP授时的精度。

主权项：1.一种用于高访问请求下的NTP授时方法，其特征在于，包括：当时间同步客户端向授时服务器发送时间同步请求之前的预设时间内，获取时间同步客户端在预设时间内的单位时间任务处理量Q，同时通过时间同步客户端向授时服务器发送状态请求报文的方式获取所有授时服务器的工作状态，工作状态包括繁忙以及不繁忙；对时间同步客户端在预设时间内的单位时间任务处理量Q和所有授时服务器的工作状态进行判断，若是满足“Q＜G”且“LR＜α”，其中G为单位时间任务处理量阈值，L为工作状态为繁忙的授时服务器总个数，R为授时服务器的总个数，α为授时服务器数量阈值，执行步骤S1；若是不满足“Q＜G”且“LR＜α”，执行步骤S2；S1：时间同步客户端向R个授时服务器发送时间同步请求，当任一授时服务器接收到NTP授时请求之后，会生成对应的应答报文，并将应答报文反馈回时间同步客户端，时间同步客户端根据R个应答报文生成NTP授时服务信息，NTP授时服务信息的存储形式为{X1，X2…Xr…XR}，其中Xr为第r个授时服务器对应的授时信息，且授时信息Xr的存储形式为[T1，T2r，T3r，T4r]，其中T1为时间同步客户端向所有授时服务器发送NTP授时请求的时间戳，T2n为第n个授时服务器接收到时间同步客户端NTP授时请求的时间戳，T3n为第n个授时服务器向时间同步客户端发送应答报文的时间戳，T4n为时间同步客户端接收到第n个授时服务器发送的应答报文的时间戳；将NTP授时服务信息送入训练好的时间调整值输出模型进行计算，时间调整值输出模型基于通过飞蛾火焰优化算法改进后的ELM模型建立，并输出对应的时间调整值；通过时间调整值对时间同步客户端的本地时钟进行调整，并将时间调整值按照输出的时间顺序依次存入时间调整值集合中；S2：基于时间调整值集合和训练好的时间调整值预测模型输出预测时间调整值，时间调整值预测模型基于Transformer模型建立，通过预测时间调整值对时间同步客户端的本地时钟进行调整，并将预测时间调整值按照输出的时间顺序依次存入时间调整值集合中；时间调整值输出模型包括一个特征提取器和时间调整值输出器，其中特征提取器基于RBM模型建立，包括一个可视层和一个隐含层，可视层和隐含层的神经节点个数都是R；时间调整值输出器基于通过飞蛾火焰优化算法改进后的ELM模型建立，包括一个输入层、一个隐藏层和一个输出层，输入层的神经节点个数为R，输出层的神经节点个数为1，隐藏层的神经节点个数为1+R0.5+β，β为2-10的随机整数；通过特征提取器对NTP授时服务信息进行特征学习，通过时间调整值输出器对时间调整值进行输出；将NTP授时服务信息送入训练好的时间调整值输出模型进行计算，具体包括如下步骤：将NTP授时服务信息内的授时信息Xr逐个送入特征提取器中可视层的神经节点，并通过可视层和隐含层之间的第一权重参数θ1对将NTP授时服务信息进行计算，θ1＝{Wij1，ai，bj}，Wij为可视层中第i个神经节点与隐含层中第j个神经节点之间的第一连接权重，ai为可视层中第i个神经节点对应的第一偏置值，bj为隐含层中第j个神经节点对应的偏置值，且i＝1，2，3…R，j＝1，2，3…R，得到特征数据集，特征数据集的存储形式为{Y1，Y2…Yr…YR}，其中Yr为第r个授时信息对应的特征数据；将特征数据集中的特征数据Yr逐个送入时间调整值输出器中进行计算，通过输出层输出时间调整值，其中输入层与隐藏层之间的第二权重参数θ2通过飞蛾火焰优化算法模拟计算得到，θ2＝{Wku2，Bu}，其中Wku2为输入层中第k个神经节点与隐藏层中第u个神经节点之间的第二连接权重，Bu为隐藏层中第u个神经节点对应的第二偏置值，且k＝1，2，3…R，u＝1，2，3…1+R0.5+β；针对时间调整值输出模型的训练包括如下步骤：获取训练NTP授时服务信息，将所有训练NTP授时服务信息划分为第一训练集和第一测试集，再将第一训练集送入初始化参数的特征提取器进行训练，期间通过最大化特征提取器在第一训练集上的对数释然函数对第一权重参数θ1进行调整；当达到最大训练次数，输出训练好的特征提取器，并对特征提取器内的第一权重参数θ1进行固定；将第一训练集送入时间调整值输出器参数初始化的时间调整值输出模型进行训练，期间，保证特征提取器内的第一权重参数θ1不变，在训练过程中，基于时间调整值输出模型输出的时间调整值和训练NTP授时服务信息对应的实际时间调整值计算第一交叉熵损失值，再判断第一交叉熵损失值是否位于第一预设范围内，若是第一交叉熵损失值位于第一预设范围内，输出训练好的时间调整值输出模型；否则，继续通过第一训练集对时间调整值输出模型进行训练；通过第一测试集对时间调整值输出模型的超参数进行调整；通过飞蛾火焰优化算法模拟计算得到输入层与隐藏层之间的第二权重参数θ2，具体包括如下步骤：S1：建立N个第二权重参数模拟个体Fn，每一个第二权重参数模拟个体Fn视为一个飞蛾火焰优化算法中的一个飞蛾，n＝1，2，3…N，第二权重参数模拟个体Fn的存储形式为{fn,1，fn,2，fn,3…fn,d…fn,D}，其中fn,d为第二权重参数模拟个体Fn中第d个模拟参数值，且d为模拟参数值fn,d对应的序号，d＝1，2，3…D，D＝1+R·[1+R0.5+β]；S2：设置最大迭代次数H，令h＝1，h用于记录迭代次数；S3：计算第二权重参数模拟个体Fn对应的适应度δn，并将所有第二权重参数模拟个体Fn按照对应的适应度δn从大到小进行排列，将排列好的所有第二权重参数模拟个体Fn组成种群集合，并选择前ζ个第二权重参数模拟个体Fn组成火焰个体集合，初始状态下，ζ＝N，将火焰个体集合中的第二权重参数模拟个体Fn记为火焰个体Aμ，μ＝1，2，3…ζ；S4：逐个从种群集合中选择第二权重参数模拟个体Fn，针对选择的第二权重参数模拟个体Fn，输出选择的第二权重参数模拟个体Fn在种群集合中的排列序号v，判断“v＞ζ”是否成立，若是“v＞ζ”不成立，从火焰个体集合中选择第v个火焰个体Aμ作为选择的第二权重参数模拟个体Fn对应的关联火焰个体Fn_con，若是“v＞ζ”成立，基于火焰个体集合内所有第二权重参数模拟个体Fn对应的适应度δn和轮盘赌选择算法从火焰个体集合内选择一个火焰个体Aμ作为选择的第二权重参数模拟个体Fn对应的关联火焰个体Fn_con，基于关联火焰个体Fn-con对选择的第二权重参数模拟个体Fn通过如下公式进行更新：fn，d＝disFn，Fn-con·expct·cos2πt+fn_con，d；其中disFn，Fn-con为选择的第二权重参数模拟个体Fn与对应的关联火焰个体Fn-con之间的距离；c为对数螺旋线形状常数；t为区间[-1，1]之间的随机数，fn_con,d为选择的第二权重参数模拟个体Fn对应的关联火焰个体Fn_con中第d个模拟参数值；S5：通过如下公式对火焰个体集合中的火焰个体Aμ数量ζ进行更新： S6：判断“h＜H”是否成立，若是“h＜H”成立，进入S7；若是“h＜H”不成立，进入S8；S7：计算第二权重参数模拟个体Fn对应的适应度δn，并将所有第二权重参数模拟个体Fn按照对应的适应度δn从大到小进行排列，将排列好的所有第二权重参数模拟个体Fn重新组成种群集合，并且将种群集合中的所有第二权重参数模拟个体Fn和火焰个体集合中的所有第二权重参数模拟个体Fn按照对应的适应度δn从大到小进行排列，选择前ζ个第二权重参数模拟个体Fn组成火焰个体集合，回到S4；S8：选择种群集合中的所有第二权重参数模拟个体Fn和火焰个体集合中的所有第二权重参数模拟个体Fn中适应度δn最大的第二权重参数模拟个体Fn作为第二权重参数θ2进行输出；建立N个第二权重参数模拟个体Fn，具体包括如下步骤：S1.1：建立一个元素个数为D的中间集合G，并将中间集合G内第d个元素记为gd；逐个选择中间集合G内的元素gd，针对选择的元素gd，从区间f_mind，f_maxd中选择一个随机数对元素gd进行赋值，f_mind为第d个模拟参数值对应的下限值，f_maxd为第d个模拟参数值对应的上限值；当中间集合G内所有元素gd都被赋值后，将中间集合G记为第二权重参数模拟个体Fn；S1.2：重复N次步骤S1.1，建立N个第二权重参数模拟个体Fn；计算第二权重参数模拟个体Fn对应的适应度δn，具体包括如下步骤：将第二权重参数模拟个体Fn作为第二权重参数θ2送入时间调整值输出模型中，并通过第一测试集对时间调整值输出模型进行测试，输出测试过程中时间调整值输出模型对应的损失值εe，e＝1，2，3…E，E为第一测试集中所有训练NTP授时服务信息的总个数，第二权重参数模拟个体Fn对应的适应度

全文数据：

权利要求：

百度查询： 深圳市太铭科技有限公司 一种用于高访问请求下的NTP授时方法及系统