用于全屋路由器系统的网络性能测试方法及其系统与流程

1.本发明涉及路由器的网络性能测试的领域，且更为具体地，涉及一种用于全屋路由器系统的网络性能测试方法及其系统。


背景技术：

2.目前，随着人们生活质量的提高，房子越来越大，对wi-fi信号覆盖的关注度越来越高，传统路由器已经不能很好的满足用户对网络覆盖的需求，wi-fi system应运而生。全屋路由可以满足用户越来越大的家庭面积和更广的网络覆盖需求，另一方面，全屋wi-fi更是智慧家庭所有硬件设备接入到网络中的基石。全屋路由是一个母路由器(gw)与多个子路由器(re)通过专有的链路组成的一个路由器系统，解决了传统路由器的覆盖问题。
3.在构建完路由器系统后，需要在屋内的各个位置测试路由器系统的性能以确保在室内的各个位置都能满足基本的通信需求。然而，在测试路由器系统的性能时，现有的测试方式仅考虑了终端设备在特定位置的接收信号强度，这样会使得测得的结果不准确。因此，为了更好地对所述路由器系统的性能进行检测，以确保在室内的各个位置都能满足基本的通信需求，期望一种用于全屋路由器系统的网络性能测试方法。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于全屋路由器系统的网络性能测试方法及其系统，其通过基于卷积神经网络模型来提取多个子路由器之间的拓扑特征，同时利用包括嵌入层的上下文编码模型来获得每个子路由器的全局性的强度关联信息，进一步使用图神经网络以提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，并且还将所述信号特征进行正交维度上的分解，从而忽略其弱相关信息而仅保留强相关信息，以使得获得的分类结果准确性更高。这样，可以更好地对所述路由器系统的性能进行检测，以确保在室内的各个位置都能满足基本的通信需求。
5.根据本技术的一个方面，提供了一种用于全屋路由器系统的网络性能测试方法，其包括：
6.获取与母路由器连接的多个子路由器之间的拓扑矩阵，其中，所述拓扑矩阵的非对角线位置上各个位置的特征值为相应两个子路由器之间的距离，所述拓扑矩阵的对角线位置上的各个位置的特征值为子路由器与母路由器之间的距离；
7.使用作为特征提取器的卷积神经网络对所述拓扑矩阵进行处理以获得拓扑特征矩阵；
8.获得与各个所述子路由器连接的各个终端设备的信号强度以及在第一个位置的测试设备的信号强度；
9.将各个所述终端设备的信号强度以及所述测试设备的信号强度输入包含嵌入层的上下文编码模型以获得各个所述终端设备的强度特征向量和所述测试设备的测试特征向量；
10.计算所述测试特征向量与各个所述强度特征向量之间的交叉熵数值；
11.以所述交叉熵数值作为各个所述强度特征向量的权重计算各个所述强度特征向量的加权并将加权后的各个所述强度特征向量进行级联以获得各个所述子路由器的特征表示向量；
12.将各个所述子路由器的特征表示向量调整为统一长度后进行二维拼接以获得特征表示矩阵；
13.将所述特征表示矩阵和所述拓扑特征矩阵通过图神经网络以获得全局特征矩阵；
14.对所述全局特征矩阵进行特征值分解以得到n个特征值，其中，所述n个特征值用于表示所述全局特征矩阵在高维空间的n个彼此正交的维度上的本质特征；
15.获得所述测试设备在第二个位置至第y个位置的n个特征值；
16.将所述测试设备在y个位置的n个特征值构造为分类矩阵；以及
17.将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示路由器系统的网络性能是否满足预设要求。
18.根据本技术的另一方面，提供了一种用于全屋路由器系统的网络性能测试系统，其包括：
19.拓扑矩阵获取单元，用于获取与母路由器连接的多个子路由器之间的拓扑矩阵，其中，所述拓扑矩阵的非对角线位置上各个位置的特征值为相应两个子路由器之间的距离，所述拓扑矩阵的对角线位置上的各个位置的特征值为子路由器与母路由器之间的距离；
20.特征提取单元，用于使用作为特征提取器的卷积神经网络对所述拓扑矩阵获取单元获得的所述拓扑矩阵进行处理以获得拓扑特征矩阵；
21.信号强度获取单元，用于获得与各个所述子路由器连接的各个终端设备的信号强度以及在第一个位置的测试设备的信号强度；
22.编码单元，用于将各个所述信号强度获取单元获得的所述终端设备的信号强度以及所述信号强度获取单元获得的所述测试设备的信号强度输入包含嵌入层的上下文编码模型以获得各个所述终端设备的强度特征向量和所述测试设备的测试特征向量；
23.交叉熵数值计算单元，用于计算所述编码单元获得的所述测试特征向量与各个所述编码单元获得的所述强度特征向量之间的交叉熵数值；
24.特征表示向量生成单元，用于以所述交叉熵数值计算单元获得的所述交叉熵数值作为各个所述编码单元获得的所述强度特征向量的权重计算各个所述强度特征向量的加权并将加权后的各个所述强度特征向量进行级联以获得各个所述子路由器的特征表示向量；
25.二维拼接单元，用于将各个所述特征表示向量生成单元获得的所述子路由器的特征表示向量调整为统一长度后进行二维拼接以获得特征表示矩阵；
26.图神经网络处理单元，用于将所述二维拼接单元获得的所述特征表示矩阵和所述特征提取单元获得的所述拓扑特征矩阵通过图神经网络以获得全局特征矩阵；
27.特征值分解单元，用于对所述图神经网络处理单元获得的所述全局特征矩阵进行特征值分解以得到n个特征值，其中，所述n个特征值用于表示所述全局特征矩阵在高维空间的n个彼此正交的维度上的本质特征；
28.特征值获取单元，用于获得所述测试设备在第二个位置至第y个位置的n个特征值；
29.分类矩阵构造单元，用于将所述特征值获取单元获得的所述测试设备在y个位置的n个特征值构造为分类矩阵；
30.分类单元，用于将所述分类矩阵构造单元获得的所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示路由器系统的网络性能是否满足预设要求。
31.与现有技术相比，本技术提供的用于全屋路由器系统的网络性能测试方法及其系统，其通过基于卷积神经网络模型来提取多个子路由器之间的拓扑特征，同时利用包括嵌入层的上下文编码模型来获得每个子路由器的全局性的强度关联信息，进一步使用图神经网络以提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，并且还将所述信号特征进行正交维度上的分解，从而忽略其弱相关信息而仅保留强相关信息，以使得获得的分类结果准确性更高。这样，可以更好地对所述路由器系统的性能进行检测，以确保在室内的各个位置都能满足基本的通信需求。
附图说明
32.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
33.图1为根据本技术实施例的用于全屋路由器系统的网络性能测试方法的应用场景图；
34.图2为根据本技术实施例的用于全屋路由器系统的网络性能测试方法的流程图；
35.图3为根据本技术实施例的用于全屋路由器系统的网络性能测试方法的系统架构示意图；
36.图4为根据本技术实施例的用于全屋路由器系统的网络性能测试系统的框图；
37.图5为根据本技术实施例的电子设备的框图。
具体实施方式
38.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
39.场景概述
40.如前所述，在构建完路由器系统后，需要在屋内的各个位置测试路由器系统的性能以确保在室内的各个位置都能满足基本的通信需求。然而，在测试路由器系统的性能时，现有的测试方式仅考虑了终端设备在特定位置的接收信号强度，这样会使得测得的结果不准确。因此，为了更好地对所述路由器系统的性能进行检测，以确保在室内的各个位置都能满足基本的通信需求，期望一种用于全屋路由器系统的网络性能测试方法。
41.基于此，在本技术的技术方案中，首先获得多个子路由器之间的拓扑矩阵，矩阵的相应位置为各子路由器之间的距离，且对角线位置为子路由器与母路由器的距离，并输入
卷积神经网络以得到拓扑特征矩阵。
42.然后获得每个子路由器连接的终端设备的信号强度，和在预定位置的测试设备的信号强度，并输入包括嵌入层的上下文编码模型以得到每个子路由器的强度特征向量和测试设备的测试特征向量。然后，计算测试特征向量与每个强度特征向量的交叉熵数值以作为强度特征向量的权重，再将各个强度特征向量加权后级联得到每个子路由器的特征表达向量。
43.将多个子路由器的特征表达向量通过线性转换到相同长度后进行二维拼接以得到特征表达矩阵，再与拓扑特征矩阵一起通过图神经网络以得到全局特征矩阵。
44.这里，考虑到全局特征矩阵虽然包含了各个子路由器之间的相互关联的拓扑结构信息以及每个子路由器的基于测试设备的相互关联的终端设备的信号特征信息在内的丰富信息，但是这些信息之间的关联关系存在强相关和弱相关，再加上特征表达向量再进行线性转换时的信息压榨程度不同，因此全局特征矩阵的各个位置的特征值之间具有大量噪声关联信息，如果直接以包含全连接层的分类器进行分类，反而影响分类精度。
45.因此，针对形成全局特征矩阵的拓扑特征矩阵的n
×
n对角矩阵特性，对全局特征矩阵进行特征值分解以得到n个特征值，从而以该n个特征值来表示全局特征矩阵在高维空间的n个彼此正交的维度上的本质特征，这也可以理解为将信号特征进行正交维度上的分解，从而忽略其弱相关信息而仅保留强相关信息。
46.这样，在多个位置中的每个位置使用测试设备进行测试后，将对应于每个位置的该n个特征值组成分类特征向量进行二维拼接得到分类矩阵，然后输入分类器，就可以获得网络性能是否符合要求的分类结果。
47.基于此，本技术提出了一种用于全屋路由器系统的网络性能测试方法，其包括：获取与母路由器连接的多个子路由器之间的拓扑矩阵，其中，所述拓扑矩阵的非对角线位置上各个位置的特征值为相应两个子路由器之间的距离，所述拓扑矩阵的对角线位置上的各个位置的特征值为子路由器与母路由器之间的距离；使用作为特征提取器的卷积神经网络对所述拓扑矩阵进行处理以获得拓扑特征矩阵；获得与各个所述子路由器连接的各个终端设备的信号强度以及在第一个位置的测试设备的信号强度；将各个所述终端设备的信号强度以及所述测试设备的信号强度输入包含嵌入层的上下文编码模型以获得各个所述终端设备的强度特征向量和所述测试设备的测试特征向量；计算所述测试特征向量与各个所述强度特征向量之间的交叉熵数值；以所述交叉熵数值作为各个所述强度特征向量的权重计算各个所述强度特征向量的加权并将加权后的各个所述强度特征向量进行级联以获得各个所述子路由器的特征表示向量；将各个所述子路由器的特征表示向量调整为统一长度后进行二维拼接以获得特征表示矩阵；将所述特征表示矩阵和所述拓扑特征矩阵通过图神经网络以获得全局特征矩阵；对所述全局特征矩阵进行特征值分解以得到n个特征值，其中，所述n个特征值用于表示所述全局特征矩阵在高维空间的n个彼此正交的维度上的本质特征；获得所述测试设备在第二个位置至第y个位置的n个特征值；将所述测试设备在y个位置的n个特征值构造为分类矩阵；以及，将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示路由器系统的网络性能是否满足预设要求。
48.图1图示了根据本技术实施例的用于全屋路由器系统的网络性能测试方法的应用场景图。如图1所示，在该应用场景中，首先，获取与母路由器(例如，如图1中所示意的p)连
接的多个子路由器(例如，如图1中所示意的r)之间的拓扑矩阵，其中，所述拓扑矩阵的非对角线位置上各个位置的特征值为相应两个子路由器之间的距离，所述拓扑矩阵的对角线位置上的各个位置的特征值为子路由器与母路由器之间的距离，并且，获得与各个所述子路由器连接的各个终端设备(例如，如图1中所示意的t)的信号强度以及在第一到第n个位置的测试设备(例如，如图1中所示意的h)的信号强度，其中，所述终端设备包括但不局限于智能手机、电脑、平板等，所述测试设备包括但不局限于信号测试器等。然后，将获得的所述拓扑矩阵、各个所述终端设备的信号强度和所述测试设备的信号强度输入至部署有用于全屋路由器系统的网络性能测试算法的服务器中(例如，如图1中所示意的s)，其中，所述服务器能够以用于全屋路由器系统的网络性能测试算法对所述拓扑矩阵、各个所述终端设备的信号强度和所述测试设备的信号强度进行处理，以生成用于表示路由器系统的网络性能是否满足预设要求的分类结果。
49.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
50.示例性方法
51.图2图示了用于全屋路由器系统的网络性能测试方法的流程图。如图2所示，根据本技术实施例的用于全屋路由器系统的网络性能测试方法，包括：s110，获取与母路由器连接的多个子路由器之间的拓扑矩阵，其中，所述拓扑矩阵的非对角线位置上各个位置的特征值为相应两个子路由器之间的距离，所述拓扑矩阵的对角线位置上的各个位置的特征值为子路由器与母路由器之间的距离；s120，使用作为特征提取器的卷积神经网络对所述拓扑矩阵进行处理以获得拓扑特征矩阵；s130，获得与各个所述子路由器连接的各个终端设备的信号强度以及在第一个位置的测试设备的信号强度；s140，将各个所述终端设备的信号强度以及所述测试设备的信号强度输入包含嵌入层的上下文编码模型以获得各个所述终端设备的强度特征向量和所述测试设备的测试特征向量；s150，计算所述测试特征向量与各个所述强度特征向量之间的交叉熵数值；s160，以所述交叉熵数值作为各个所述强度特征向量的权重计算各个所述强度特征向量的加权并将加权后的各个所述强度特征向量进行级联以获得各个所述子路由器的特征表示向量；s170，将各个所述子路由器的特征表示向量调整为统一长度后进行二维拼接以获得特征表示矩阵；s180，将所述特征表示矩阵和所述拓扑特征矩阵通过图神经网络以获得全局特征矩阵；s190，对所述全局特征矩阵进行特征值分解以得到n个特征值，其中，所述n个特征值用于表示所述全局特征矩阵在高维空间的n个彼此正交的维度上的本质特征；s200，获得所述测试设备在第二个位置至第y个位置的n个特征值；s210，将所述测试设备在y个位置的n个特征值构造为分类矩阵；以及，s220，将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示路由器系统的网络性能是否满足预设要求。
52.图3图示了根据本技术实施例的用于全屋路由器系统的网络性能测试方法的架构示意图。如图3所示，在所述用于全屋路由器系统的网络性能测试方法的网络架构中，首先，使用作为特征提取器的卷积神经网络(例如，如图3中所示意的cnn)对获得的所述拓扑矩阵(例如，如图3中所示意的m1)进行处理以获得拓扑特征矩阵(例如，如图3中所示意的mf1)；接着，将获得的各个所述终端设备的信号强度(例如，如图3中所示意的p1)以及所述测试设备的信号强度(例如，如图3中所示意的p2)输入包含嵌入层的上下文编码模型(例如，如图3
中所示意的e)以获得各个所述终端设备的强度特征向量(例如，如图3中所示意的vf1)和所述测试设备的测试特征向量(例如，如图3中所示意的vf2)；然后，计算所述测试特征向量与各个所述强度特征向量之间的交叉熵数值(例如，如图3中所示意的cev)；接着，以所述交叉熵数值作为各个所述强度特征向量的权重计算各个所述强度特征向量的加权并将加权后的各个所述强度特征向量(例如，如图3中所示意的vf3)进行级联以获得各个所述子路由器的特征表示向量(例如，如图3中所示意的vf4)；然后，将各个所述子路由器的特征表示向量调整为统一长度后进行二维拼接以获得特征表示矩阵(例如，如图3中所示意的mf2)；接着，将所述特征表示矩阵和所述拓扑特征矩阵通过图神经网络(例如，如图3中所示意的gnn)以获得全局特征矩阵(例如，如图3中所示意的mf)；然后，对所述全局特征矩阵进行特征值分解以得到n个特征值(例如，如图3中所示意的cv1)；接着，获得所述测试设备在第二个位置至第y个位置的n个特征值(例如，如图3中所示意的cv2-cvn)；然后，将所述测试设备在y个位置的n个特征值构造为分类矩阵(例如，如图3中所示意的m)；以及，最后，将所述分类矩阵通过分类器(例如，如图3中所示意的分类器)以获得分类结果，所述分类结果用于表示路由器系统的网络性能是否满足预设要求。
53.在步骤s110和步骤s120中，获取与母路由器连接的多个子路由器之间的拓扑矩阵，其中，所述拓扑矩阵的非对角线位置上各个位置的特征值为相应两个子路由器之间的距离，所述拓扑矩阵的对角线位置上的各个位置的特征值为子路由器与母路由器之间的距离，并使用作为特征提取器的卷积神经网络对所述拓扑矩阵进行处理以获得拓扑特征矩阵。如前所述，考虑到在测试路由器系统的性能时，由于现有的测试方式是仅考虑终端设备在特定位置的接收信号强度，因此，在本技术的技术方案中，期望基于其他路由器对与所述终端设备连接的目标路由器的通信的影响，其中，在评价所述其他路由器对所述目标路由器的影响时还需要考虑所述其他路由器所连接的终端设备的数量，并且还需要考虑到与所述目标路由器连接的其他终端设备对所述待评估的终端设备的信号强度的干扰，以综合所述各个要素来进行网络性能的测试。
54.相应地，因此，在本技术的技术方案中，首先需要获取与母路由器连接的多个子路由器之间的拓扑矩阵，其中，所述拓扑矩阵的非对角线位置上各个位置的特征值为相应两个子路由器之间的距离，所述拓扑矩阵的对角线位置上的各个位置的特征值为子路由器与母路由器之间的距离。然后，将所述拓扑矩阵通过作为特征提取器的卷积神经网络中进行处理，以提取出所述拓扑矩阵中的各个位置的高维关联特征，从而获得拓扑特征矩阵。
55.具体地，在本技术实施例中，将所述拓扑矩阵输入卷积神经网络以获得拓扑特征矩阵的过程，包括：首先，所述卷积神经网络除最后一层以外的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以获得拓扑特征图；然后，所述卷积神经网络的最后一层对所述拓扑特征图进行沿通道维度的全局均值池化以获得所述拓扑特征矩阵。应可以理解，通过对所述拓扑特征图进行全局均值池化处理，可以减少参数的数量，以提高训练的速度，进而对整个网络在结构上做正规化防止过拟合。
56.在步骤s130和步骤s140中，获得与各个所述子路由器连接的各个终端设备的信号强度以及在第一个位置的测试设备的信号强度，并将各个所述终端设备的信号强度以及所述测试设备的信号强度输入包含嵌入层的上下文编码模型以获得各个所述终端设备的强度特征向量和所述测试设备的测试特征向量。也就是，还需要获取与各个所述子路由器连
接的各个终端设备的信号强度以及在第一个位置的测试设备的信号强度，其中，所述终端设备包括但不局限于智能手机、电脑、平板等，所述测试设备包括但不局限于信号测试器等。接着，进一步再将各个所述终端设备的信号强度以及所述测试设备的信号强度输入包含嵌入层的上下文编码模型中进行编码处理，以获得各个所述终端设备的强度特征向量和所述测试设备的测试特征向量。应可以理解，由于基于上下文的编码器模型能够基于上下文对所述输入向量进行编码，因此得到的所述特征向量具有全局性的信号强度关联信息。
57.具体地，在本技术实施例中，将各个所述终端设备的信号强度以及所述测试设备的信号强度输入包含嵌入层的上下文编码模型以获得各个所述终端设备的强度特征向量和所述测试设备的测试特征向量的过程，包括：首先，使用所述编码器模型的嵌入层将各个所述终端设备的信号强度和所述测试设备的信号强度转化为输入向量，以获得输入向量的序列；然后，将所述输入向量的序列通过所述编码器模型的转换器以获得各个所述终端设备的强度特征向量和所述测试设备的测试特征向量。
58.在步骤s150和步骤s160中，计算所述测试特征向量与各个所述强度特征向量之间的交叉熵数值，并以所述交叉熵数值作为各个所述强度特征向量的权重计算各个所述强度特征向量的加权并将加权后的各个所述强度特征向量进行级联以获得各个所述子路由器的特征表示向量。也就是，在本技术的技术方案中，在得到所述测试特征向量与各个所述强度特征向量后，进一步计算所述测试特征向量与各个所述强度特征向量之间的交叉熵数值，以获得各个所述强度特征向量与所述测试特征向量之间的一致性程度。接着，再以所述交叉熵数值作为各个所述强度特征向量的权重来对各个所述强度特征向量进行加权，以获得具有通信干扰影响的加权后的各个所述强度特征向量。然后，将加权后的各个所述强度特征向量进行级联以获得各个所述子路由器的特征表示向量。这样能够将加权后的各个所述强度特征信息进行整合，以获得各个所述子路由器的特征表示向量，从而便于后续的计算处理。
59.在步骤s170和步骤s180中，将各个所述子路由器的特征表示向量调整为统一长度后进行二维拼接以获得特征表示矩阵，再将所述特征表示矩阵和所述拓扑特征矩阵通过图神经网络以获得全局特征矩阵。也就是，进一步再将各个所述子路由器的特征表示向量调整为统一长度后进行二维拼接以获得特征表示矩阵。相应地，在一个具体示例中，可以将各个所述子路由器的特征表示向量通过线性变换调整为统一长度后进行二维拼接以获得特征表示矩阵。然后，再将所述特征表示矩阵和所述拓扑特征矩阵通过图神经网络以获得全局特征矩阵。应可以理解，所述图神经网络能够用于处理处于不规则的非欧几里得空中的图数据，从而提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，因此所获得的所述全局特征矩阵相比直接将拼接得到的特征表示矩阵能够提高分类的准确性。
60.在步骤s190和步骤s200中，对所述全局特征矩阵进行特征值分解以得到n个特征值，其中，所述n个特征值用于表示所述全局特征矩阵在高维空间的n个彼此正交的维度上的本质特征，并获得所述测试设备在第二个位置至第y个位置的n个特征值。应可以理解，考虑到所述全局特征矩阵虽然包含了各个所述子路由器之间的相互关联的拓扑结构信息以及每个所述子路由器的基于测试设备的相互关联的终端设备的信号特征信息在内的丰富信息，但是这些信息之间的关联关系存在强相关和弱相关，再加上所述特征表达向量再进
行线性转换时的信息压榨程度不同，因此所述全局特征矩阵的各个位置的特征值之间具有大量噪声关联信息，如果直接以包含全连接层的分类器进行分类，反而影响分类精度。因此，在本技术的技术方案中，针对形成所述全局特征矩阵的拓扑特征矩阵的n
×
n对角矩阵特性，对所述全局特征矩阵进行特征值分解以得到n个特征值，从而以该所述n个特征值来表示所述全局特征矩阵在高维空间的n个彼此正交的维度上的本质特征，这也可以理解为将所述信号特征进行正交维度上的分解，从而忽略其弱相关信息而仅保留强相关信息。接着，进一步在多个位置中的每个位置使用测试设备进行测试后，获得对应于所述每个位置的该所述n个特征值，也就是，所述测试设备在第二个位置至第y个位置的n个特征值。
61.具体地，在本技术实施例中，对所述全局特征矩阵进行特征值分解以得到n个特征值的过程，包括：以如下公式对所述全局特征矩阵进行特征值分解以获得所述n个特征值；其中，所述公式为：c＝aλa
t
，其中λ＝diag(λ1,λ2,
…
,λn),且a＝[a1,a2,
…
,an]是包含相应本征向量作为列的本征向量矩阵，其中，λ1,λ2,
…
,λn为所述n个特征值。
[0062]
在步骤s210和步骤s220中，将所述测试设备在y个位置的n个特征值构造为分类矩阵，并将所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示路由器系统的网络性能是否满足预设要求。也就是，在获得对应于每个位置的n个特征值后，进一步将对应于每个位置的所述n个特征值组成分类特征向量，再将所述每个位置的分类特征向量进行二维拼接得到分类矩阵，然后输入分类器，就可以获得用于表示路由器系统的网络性能是否满足预设要求的分类结果。
[0063]
具体地，在本技术实施例中，将所述分类矩阵通过分类器以获得分类结果的过程，包括：首先，使用所述分类器的多个全连接层对所述分类矩阵进行全连接编码以获得分类特征向量。然后，将所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类特征向量归属于路由器系统的网络性能满足预设要求的第一概率和路由器系统的网络性能不满足预设要求的第二概率。最后，基于所述第一概率和所述第二概率之间的比较，生成所述分类结果。具体地，当所述第一概率大于所述第二概率时，所述分类结果为路由器系统的网络性能满足预设要求；当所述第一概率小于所述第二概率时，所述分类结果为路由器系统的网络性能不满足预设要求。
[0064]
特别地，在一个具体示例中，将所述分类矩阵通过分类器以获得分类结果的过程，还包括：所述分类器以如下公式对所述分类矩阵进行处理以获得所述分类结果；其中，所述公式为：
[0065]
softmax{(wn,bn):
…
:(w1,b1)|project(f)}
[0066]
其中，project(f)表示将所述分类矩阵投影为向量；w1至wn是权重矩阵，b1至bn为偏置向量。
[0067]
综上，本技术实施例的用于全屋路由器系统的网络性能测试方法被阐明，其通过基于卷积神经网络模型来提取多个子路由器之间的拓扑特征，同时利用包括嵌入层的上下文编码模型来获得每个子路由器的全局性的强度关联信息，进一步使用图神经网络以提取出数据样本由于特征信息和不规则的拓扑结构信息而存在的关联信息，并且还将所述信号特征进行正交维度上的分解，从而忽略其弱相关信息而仅保留强相关信息，以使得获得的分类结果准确性更高。这样，可以更好地对所述路由器系统的性能进行检测，以确保在室内的各个位置都能满足基本的通信需求。
[0068]
示例性系统
[0069]
图4图示了根据本技术实施例的用于全屋路由器系统的网络性能测试系统的框图。如图4所示，根据本技术实施例的用于全屋路由器系统的网络性能测试系统400，包括：拓扑矩阵获取单元410，用于获取与母路由器连接的多个子路由器之间的拓扑矩阵，其中，所述拓扑矩阵的非对角线位置上各个位置的特征值为相应两个子路由器之间的距离，所述拓扑矩阵的对角线位置上的各个位置的特征值为子路由器与母路由器之间的距离；特征提取单元420，用于使用作为特征提取器的卷积神经网络对所述拓扑矩阵获取单元410获得的所述拓扑矩阵进行处理以获得拓扑特征矩阵；信号强度获取单元430，用于获得与各个所述子路由器连接的各个终端设备的信号强度以及在第一个位置的测试设备的信号强度；编码单元440，用于将各个所述信号强度获取单元430获得的所述终端设备的信号强度以及所述信号强度获取单元430获得的所述测试设备的信号强度输入包含嵌入层的上下文编码模型以获得各个所述终端设备的强度特征向量和所述测试设备的测试特征向量；交叉熵数值计算单元450，用于计算所述编码单元440获得的所述测试特征向量与各个所述编码单元440获得的所述强度特征向量之间的交叉熵数值；特征表示向量生成单元460，用于以所述交叉熵数值计算单元450获得的所述交叉熵数值作为各个所述编码单元440获得的所述强度特征向量的权重计算各个所述强度特征向量的加权并将加权后的各个所述强度特征向量进行级联以获得各个所述子路由器的特征表示向量；二维拼接单元470，用于将各个所述特征表示向量生成单元460获得的所述子路由器的特征表示向量调整为统一长度后进行二维拼接以获得特征表示矩阵；图神经网络处理单元480，用于将所述二维拼接单元470获得的所述特征表示矩阵和所述特征提取单元420获得的所述拓扑特征矩阵通过图神经网络以获得全局特征矩阵；特征值分解单元490，用于对所述图神经网络处理单元480获得的所述全局特征矩阵进行特征值分解以得到n个特征值，其中，所述n个特征值用于表示所述全局特征矩阵在高维空间的n个彼此正交的维度上的本质特征；特征值获取单元500，用于获得所述测试设备在第二个位置至第y个位置的n个特征值；分类矩阵构造单元510，用于将所述特征值获取单元500获得的所述测试设备在y个位置的n个特征值构造为分类矩阵；分类单元520，用于将所述分类矩阵构造单元510获得的所述分类矩阵通过分类器以获得分类结果，所述分类结果用于表示路由器系统的网络性能是否满足预设要求。
[0070]
在一个示例中，在上述用于全屋路由器系统的网络性能测试系统400中，所述特征提取单元420，进一步用于：所述卷积神经网络除最后一层以外的各层在层的正向传递过程中对输入数据进行卷积处理、池化处理和激活处理以获得拓扑特征图；以及，所述卷积神经网络的最后一层对所述拓扑特征图进行沿通道维度的全局均值池化以获得所述拓扑特征矩阵。
[0071]
在一个示例中，在上述用于全屋路由器系统的网络性能测试系统400中，所述编码单元440，进一步用于：使用所述编码器模型的嵌入层将各个所述终端设备的信号强度和所述测试设备的信号强度转化为输入向量，以获得输入向量的序列；以及，将所述输入向量的序列通过所述编码器模型的转换器以获得各个所述终端设备的强度特征向量和所述测试设备的测试特征向量。
[0072]
在一个示例中，在上述用于全屋路由器系统的网络性能测试系统400中，所述二维拼接单元470，进一步用于：将各个所述子路由器的特征表示向量通过线性变换调整为统一
长度后进行二维拼接以获得特征表示矩阵。
[0073]
在一个示例中，在上述用于全屋路由器系统的网络性能测试系统400中，所述特征值分解单元490，进一步用于：以如下公式对所述全局特征矩阵进行特征值分解以获得所述n个特征值；其中，所述公式为：c＝aλa
t
，其中λ＝diag(λ1,λ2,
…
,λn),且a＝[a1,a2,
…
,an]是包含相应本征向量作为列的本征向量矩阵，其中，λ1,λ2,
…
,λn为所述n个特征值。
[0074]
在一个示例中，在上述用于全屋路由器系统的网络性能测试系统400中，所述分类单元520，进一步用于：使用所述分类器的多个全连接层对所述分类矩阵进行全连接编码以获得分类特征向量；将所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类特征向量归属于路由器系统的网络性能满足预设要求的第一概率和路由器系统的网络性能不满足预设要求的第二概率；以及，基于所述第一概率和所述第二概率之间的比较，生成所述分类结果。
[0075]
在一个示例中，在上述用于全屋路由器系统的网络性能测试系统400中，所述分类单元520，进一步用于：所述分类器以如下公式对所述分类矩阵进行处理以获得所述分类结果；其中，所述公式为：
[0076]
softmax{(wn,bn):
…
:(w1,b1)|project(f)}
[0077]
其中，project(f)表示将所述分类矩阵投影为向量；w1至wn是权重矩阵，b1至bn为偏置向量。
[0078]
这里，本领域技术人员可以理解，上述用于全屋路由器系统的网络性能测试系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的用于全屋路由器系统的网络性能测试方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0079]
如上所述，根据本技术实施例的用于全屋路由器系统的网络性能测试系统400可以实现在各种终端设备中，例如用于全屋路由器系统的网络性能测试算法的服务器等。在一个示例中，根据本技术实施例的用于全屋路由器系统的网络性能测试系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于全屋路由器系统的网络性能测试系统400可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于全屋路由器系统的网络性能测试系统400同样可以是该终端设备的众多硬件模块之一。
[0080]
替换地，在另一示例中，该用于全屋路由器系统的网络性能测试系统400与该终端设备也可以是分立的设备，并且该用于全屋路由器系统的网络性能测试系统400可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0081]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0082]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使
用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0083]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0084]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0085]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。