-
公开(公告)号：CN110196756A
公开(公告)日：2019-09-03
申请号：CN201910466889.5
申请日：2019-05-31
Applicant: 东北大学
IPC: G06F9/455
Abstract: 本发明提出一种支持能耗优化的虚拟机模式转移方法，包括：初始化参数；判断热模式调整的数量m是否大于0，进行虚拟机的模式转移；部署当前虚拟机系统；对每台服务器资源剩余量，从大到小进行排序；sum1与需要休眠的热模式虚拟机的数量相比较，进行模式转移，更新各模式集合；部署当前虚拟机系统；对每台服务器资源剩余量，从大到小再次进行排序；sum2与需要唤醒的冷模式虚拟机的数量相比较，进行模式转移，更新各模式集合；选择整个服务器处于睡眠状态中的冷模式虚拟机，还是运行的服务器中冷模式下虚拟机问题，对系统的能耗影响很大，本发明在既支持性能保障又满足虚拟机的可靠性的基础上，探讨虚拟机模式转移过程中的节能问题，达到了很好的效果。
-
公开(公告)号：CN110149237A
公开(公告)日：2019-08-20
申请号：CN201910510953.5
申请日：2019-06-13
Applicant: 东北大学
Abstract: 本发明提出一种Hadoop平台计算节点负载预测方法，包括：基于滑动窗口二次检测算法的数据预处理方法；基于ARIMA算法的节点负载线性预测方法；基于RNN算法的节点负载非线性残差预测方法；将ARIMA算法与RNN算法预测出来的结果进行线性相加作为最终的预测结果；本发明通过对各个结算节点历史数据的分析，可以提取有价值的信息，进而合理预测下一时间段内的计算节点的负载，精确预测计算节点的负载可以为资源管理器合理地给AppMaster分配资源提供依据，进而缓解高负载节点的压力，提升低负载节点的计算资源利用率，提高Hadoop集群的可靠性和性能。本发明通过ARIMA和RNN模型组合，更加精确的对负载进行预测。
-
公开(公告)号：CN109993095A
公开(公告)日：2019-07-09
申请号：CN201910230227.8
申请日：2019-03-26
Applicant: 东北大学
Abstract: 本发明提供一种面向视频目标检测的帧级别特征聚合方法，涉及计算机视觉技术领域。本发明提供的面向视频目标检测的帧级别特征聚合方法，首先通过特征网络从单帧图像中提取深层的特征；然后使用光流网络FlowNet提取帧间的光流；并基于光流将相邻帧的帧级别特征对齐到当前帧，实现帧级别的特征传播；最后通过映射网络和权重放缩网络计算放缩余弦相似性权重，并使用放缩余弦相似性权重聚合多帧特征，生成聚合后的特征；本发明提供的面向视频目标检测的帧级别特征聚合方法，使得权重分配更加合理，将聚合后的特征输入到视频目标检测网络中，能够使在运动模糊、像素低、镜头变焦、遮挡等复杂场景下的视频检测具有较好的检测效果，具有鲁棒性。
-
公开(公告)号：CN109993772B
公开(公告)日：2022-12-20
申请号：CN201910230234.8
申请日：2019-03-26
Applicant: 东北大学
Abstract: 本发明提供一种基于时空采样的实例级别特征聚合方法，涉及计算机视觉技术领域。基于时空采样的实例级别特征聚合方法，首先基于光流进行实例运动位移预测，得到相邻帧的候选框位置；并基于运动位移进行实例级别的特征采样，得到候选框在当前帧及其前后相邻两帧的采样特征；然后基于光流质量和外观质量进行实例级权重计算，提取候选框k对应的位置敏感的实例级权重；最后将当前帧i与其相邻帧i‑t和i+t的实例级别特征通过位置敏感的实例级权重进行聚合，得到聚合后的实例级别的特征。本发明提供的基于时空采样的实例级别特征聚合方法，能有效的利用相邻帧之间的运动信息，进而提升运动模糊、变形等复杂场景下的视频目标检测的精度。
-
公开(公告)号：CN109993096B
公开(公告)日：2022-12-20
申请号：CN201910230235.2
申请日：2019-03-26
Applicant: 东北大学
Abstract: 本发明提供一种面向视频目标检测的光流多层帧特征传播及聚合方法，涉及计算机视觉技术领域。该方法首先通过特征网络提取相邻帧的多层特征、光流网络提取光流，然后利用光流将当前帧的前一帧和当前帧的后一帧的多层帧级别特征传播到当前帧，步长不同的层需要对光流做上采样或下采样，获取多层传播特征；然后逐层依次聚合每层的传播特征，最后生成多层聚合的帧级别特征用于最后的视频目标检测。本发明提供的面向视频目标检测的光流多层帧特征传播及聚合方法，使得输出的帧级别聚合特征兼顾了浅层网络分辨率高和深层网络高维语义特征的优点，能提升检测性能，而且多层特征聚合的方法对小目标的检测性能有所提升。
-
Patent Agency Ranking
公开(公告)号：CN109993095B
公开(公告)日：2022-12-20
申请号：CN201910230227.8
申请日：2019-03-26
Applicant: 东北大学
Abstract: 本发明提供一种面向视频目标检测的帧级别特征聚合方法，涉及计算机视觉技术领域。本发明提供的面向视频目标检测的帧级别特征聚合方法，首先通过特征网络从单帧图像中提取深层的特征；然后使用光流网络FlowNet提取帧间的光流；并基于光流将相邻帧的帧级别特征对齐到当前帧，实现帧级别的特征传播；最后通过映射网络和权重放缩网络计算放缩余弦相似性权重，并使用放缩余弦相似性权重聚合多帧特征，生成聚合后的特征；本发明提供的面向视频目标检测的帧级别特征聚合方法，使得权重分配更加合理，将聚合后的特征输入到视频目标检测网络中，能够使在运动模糊、像素低、镜头变焦、遮挡等复杂场景下的视频检测具有较好的检测效果，具有鲁棒性。
-
公开(公告)号：CN110362383B
公开(公告)日：2022-06-24
申请号：CN201910627610.7
申请日：2019-07-12
Applicant: 东北大学
Abstract: 本发明提供一种面向季节型非平稳并发量的P‑E权衡的VM迁移方法，涉及云计算技术领域。该方法包括VM静态部署和VM动态迁移两部分；首先，根据物理服务器提供的以及各个VM需要的内存与CPU资源进行VM的静态部署，该过程在满足客户需求的情况下，将VM部署到物理主机上，同时，尽量减少物理主机的数量，达到降低能耗的目的。VM静态部署之后，采用VM动态迁移策略完成VM的迁移。包括两部分，第一部分使用RBF算法对各VM的平均响应时间进行预测，根据设置的阈值选择需要迁移的VM；第二部分是目标服务器的选择，通过更新的资源需求矩阵选择目标服务器，完成一个阶段的VM的迁移；第一部分与第二部分循环进行，完成整个的VM迁移过程。
-
公开(公告)号：CN110149237B
公开(公告)日：2021-06-22
申请号：CN201910510953.5
申请日：2019-06-13
Applicant: 东北大学
Abstract: 本发明提出一种Hadoop平台计算节点负载预测方法，包括：基于滑动窗口二次检测算法的数据预处理方法；基于ARIMA算法的节点负载线性预测方法；基于RNN算法的节点负载非线性残差预测方法；将ARIMA算法与RNN算法预测出来的结果进行线性相加作为最终的预测结果；本发明通过对各个结算节点历史数据的分析，可以提取有价值的信息，进而合理预测下一时间段内的计算节点的负载，精确预测计算节点的负载可以为资源管理器合理地给AppMaster分配资源提供依据，进而缓解高负载节点的压力，提升低负载节点的计算资源利用率，提高Hadoop集群的可靠性和性能。本发明通过ARIMA和RNN模型组合，更加精确的对负载进行预测。
-
公开(公告)号：CN110362383A
公开(公告)日：2019-10-22
申请号：CN201910627610.7
申请日：2019-07-12
Applicant: 东北大学
Abstract: 本发明提供一种面向季节型非平稳并发量的P-E权衡的VM迁移方法，涉及云计算技术领域。该方法包括VM静态部署和VM动态迁移两部分；首先，根据物理服务器提供的以及各个VM需要的内存与CPU资源进行VM的静态部署，该过程在满足客户需求的情况下，将VM部署到物理主机上，同时，尽量减少物理主机的数量，达到降低能耗的目的。VM静态部署之后，采用VM动态迁移策略完成VM的迁移。包括两部分，第一部分使用RBF算法对各VM的平均响应时间进行预测，根据设置的阈值选择需要迁移的VM；第二部分是目标服务器的选择，通过更新的资源需求矩阵选择目标服务器，完成一个阶段的VM的迁移；第一部分与第二部分循环进行，完成整个的VM迁移过程。
-
公开(公告)号：CN110262897A
公开(公告)日：2019-09-20
申请号：CN201910510964.3
申请日：2019-06-13
Applicant: 东北大学
IPC: G06F9/50
Abstract: 本发明提出一种基于负载预测的Hadoop计算任务初始分配方法，包括：使用延迟调度策略的AppMaster选择方法，开启AppMaster；基于BP神经网络的节点，计算资源分配数量；使用DRF算法的用户队列和用户作业选择方法，开启子任务；本发明基于延迟调度策略的AppMaster选择算法，提高了AppMaster运行时的稳定性，保证了作业的正常运行。基于BP神经网络的节点计算资源分配算法，减少高负载标签计算节点分配的任务量，增加低负载标签计算节点分配的任务量，提高了集群整体的稳定性和性能。基于DRF的用户队列和用户作业选择算法，当作业所属的队列资源不够时，根据占主导地位的计算资源使用情况来选择叶子队列和用户作业，最终达到合理化计算任务初始分配，均衡集群负载，提高集群性能的目标。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.031 seconds)
