-
公开(公告)号：CN115797586A
公开(公告)日：2023-03-14
申请号：CN202211647137.7
申请日：2022-12-21
Applicant: 中南大学
IPC: G06T17/05 , H04W4/02 , G06T9/00 , G06N3/0455 , G06N3/08
Abstract: 本发明公开了一种基于稀疏蜂窝信令数据的地图匹配方法、设备及存储介质，所述地图匹配方法包括获取蜂窝信令数据的基站轨迹序列；对基站轨迹序列进行轨迹划分，得到各子基站轨迹序列；对每条子基站轨迹序列进行空间编码，得到对应的空间编码序列；对每条空间编码序列进行数据增强，得到对应子基站轨迹序列中稀疏蜂窝信令数据的稠密表征序列；将每条稠密表征序列输入至地图匹配模型中，得到对应子基站轨迹序列的地图匹配结果，进而得到基站轨迹序列的地图匹配结果。本发明提高了地图匹配的准确率。
-
公开(公告)号：CN115130814A
公开(公告)日：2022-09-30
申请号：CN202210504887.2
申请日：2022-05-10
Applicant: 中南大学 , 湖南能源大数据中心有限责任公司
Abstract: 本发明公开了一种纵向数据融合的隐私计算方法及系统，用于电力数据和移动人口数据的融合，该方法包括：输入想要评价的商圈的地理位置和时间段，中心服务器将所述任务模型拆解为若干个子任务；其中每个子任务，最多仅需要一个数据中心的原始数据；将各子任务分配至所需的原始数据对应的数据中心进行计算；各数据中心根据最佳影响权重的索引值找到对应的自身的最佳影响权重，结合本地商圈的电力数据和移动人口数据计算出子任务结果并上传至中心服务器；中心服务器将各数据中心的上传的子任务结果进行融合，得到商圈活跃度隐私计算的最终结果。本发明运用纵向联邦，科学合理地分析商圈的经济活跃性。
-
公开(公告)号：CN113347267B
公开(公告)日：2022-03-18
申请号：CN202110688768.2
申请日：2021-06-22
Applicant: 中南大学
Abstract: 本发明公开了一种移动边缘云计算网络中的MEC服务器部署方法，目的是使得MEC服务器的部署效率最大化。技术方案是：先对影响部署效率的各种因素进行建模和分析，得到部署效率的计算公式。然后利用得到计算部署效率所需要的各个参数的值。接着根据部署效率的计算公式和各参数的值，使用三层优化方法计算出最优的部署决策。最后使用最优的部署决策，决定在哪些基站部署MEC服务器，并在每个基站上部署多少的计算资源量，并以此在城市中的基站上部署MEC服务器和计算资源量。采用本发明可保证MEC服务器对移动用户的覆盖率，降低MEC服务器处理用户计算任务时的延迟，降低MEC服务器部署期间造成的浪费。
-
公开(公告)号：CN113347267A
公开(公告)日：2021-09-03
申请号：CN202110688768.2
申请日：2021-06-22
Applicant: 中南大学
Abstract: 本发明公开了一种移动边缘云计算网络中的MEC服务器部署方法，目的是使得MEC服务器的部署效率最大化。技术方案是：先对影响部署效率的各种因素进行建模和分析，得到部署效率的计算公式。然后利用得到计算部署效率所需要的各个参数的值。接着根据部署效率的计算公式和各参数的值，使用三层优化方法计算出最优的部署决策。最后使用最优的部署决策，决定在哪些基站部署MEC服务器，并在每个基站上部署多少的计算资源量，并以此在城市中的基站上部署MEC服务器和计算资源量。采用本发明可保证MEC服务器对移动用户的覆盖率，降低MEC服务器处理用户计算任务时的延迟，降低MEC服务器部署期间造成的浪费。
-
公开(公告)号：CN111754000A
公开(公告)日：2020-10-09
申请号：CN202010590843.7
申请日：2020-06-24
Abstract: 本发明公开了一种质量感知的边缘智能联邦学习方法及系统，该方法包括：云平台以多个学习任务的聚合模型质量之和在每次迭代中都达到最大为优化目标，构建联邦学习质量优化问题并解决：在每次迭代中，利用参与节点的历史学习质量记录预测参与节点的学习质量；其中，利用每次迭代中损失函数值的减少量来量化节点训练数据的学习质量；在每次迭代中，云平台通过反向拍卖机制激励高学习质量的节点参与联邦学习；以进行学习任务和学习报酬的分配；在每次迭代中，对于每个学习任务，每个参与节点将其本地模型参数上传到云平台以聚合得到全局模型。本发明可以在保护数据隐私的情况下，为模型的训练提供更丰富的数据和更多的算力，以提高模型的质量。
-
Patent Agency Ranking
公开(公告)号：CN114706678B
公开(公告)日：2025-03-28
申请号：CN202210284033.8
申请日：2022-03-22
Applicant: 中南大学
Abstract: 本发明公开了一种边缘智能服务器神经网络推断任务调度方法，步骤包括：利用GPU虚拟化技术将GPU虚拟成多个虚拟GPU；按照预设的分配策略，为虚拟GPU分配预设的资源，用排队服务系统按照预设的执行批次，为每个推断任务的类别对应的虚拟GPU分配推断任务；收集每一类推断任务的平均服务延迟和计算资源量，判断是否需要调整分配策略，是则用强化学习算法计算新的分配策略；按照新的分配策略，为虚拟GPU分配对应的资源，用排队服务系统按照对应的执行批次，为每个任务的类别对应的虚拟GPU分配神经网络推断任务。本发明以较低的计算复杂度，满足动态场景的实时性要求，并且有效的解决了在较大规模的边缘计算场景中的负载均衡问题。
-
公开(公告)号：CN119052249A
公开(公告)日：2024-11-29
申请号：CN202411540735.3
申请日：2024-10-31
Applicant: 中南大学
IPC: H04L67/1008 , H04L67/1004
Abstract: 本申请公开了一种负载均衡调度方法和系统，通过获取第t个时隙内，多个服务器中的每一服务器的第一状态和第二状态；根据第一状态和第二状态对多个服务器进行聚类分组，得到多个服务器组，每一服务器组包括至少两个服务器；利用预先训练的任务调度模型根据每一服务器组内的至少两个服务器的第一状态，将多个服务器组划分为第一服务器组和多个第二服务器组；根据任务调度模型将多个第二服务器组中的待卸载任务卸载至第一服务器组中，并将卸载至第一服务器组的待卸载任务分配至第一服务器组中的至少两个服务器中，以达到精细化的任务调度策略和高效的均衡负载调度，实现边缘计算资源利用最大化。
-
公开(公告)号：CN117908988A
公开(公告)日：2024-04-19
申请号：CN202410077772.9
申请日：2024-01-18
Applicant: 中南大学
IPC: G06F9/445
Abstract: 本发明公开了从服务器内存按需加载运行程序内容的方法及系统，通过客户端截获目标程序映射中引发的缺页中断，所述映射在运行到目标程序入口地址前已经建立完毕；客户端将所述缺页中断的请求发送给所述服务器，所述请求包括发生缺页的进程名称以及本次缺页的地址；服务器根据所述请求从其内存中获取对应的页面，并将所述页面返回给所述客户端。相比现有技术，本发明控制客户端按需从服务器内存加载程序运行所需的代码和数据进入本地内存，整个过程不需要消耗本地存储资源，且从服务器的内存直接获取所需代码和数据，减小数据访问延迟。
-
公开(公告)号：CN117555706A
公开(公告)日：2024-02-13
申请号：CN202311679627.X
申请日：2023-12-07
Applicant: 中南大学
IPC: G06F9/54 , G06F8/36 , G06F16/176
Abstract: 本发明公开了跨终端使用、共享IO设备的方法及系统，通过创建IO设备对应的虚拟设备文件，并建立起该文件和另一终端中设备驱动之间的通信路径，进而实现跨终端IO设备的使用。由于本发明在终端系统中创建了虚拟设备文件，伪造存在物理IO设备的假象，因此不需要对现有的应用软件进行重构，也无需为每个IO设备单独开发应用程序，用户便能够直接使用其他终端上的IO设备。这不仅简化了用户的操作流程，改善了用户使用体验，还降低了软件开发工作量，减轻了开发人员的负担，使得跨终端IO设备的使用更为便捷和高效。
-
公开(公告)号：CN115965078A
公开(公告)日：2023-04-14
申请号：CN202211564028.9
申请日：2022-12-07
Applicant: 中南大学 , 湖南能源大数据中心有限责任公司
IPC: G06N3/096 , G06N3/0464 , G06F18/24
Abstract: 本发明公开了一种分类预测模型训练方法、分类预测方法、设备及存储介质，该训练方法包括每个客户端利用本地训练数据集对本地分类预测模型进行训练，计算出本地训练数据集中各类数据的原型，计算出公共数据集的软决策；中央服务器端将所有原型和所有软决策进行聚合，利用聚合后的原型和聚合后的软决策构建优化目标函数，并对全局分类预测模型进行训练，计算出公共数据集的软决策；每个客户端利用接收到的软决策和公共数据集对本地分类预测模型进行训练；当循环轮次等于设定轮次时，得到训练好的各本地分类预测模型和全局分类预测模型。本发明可以减少服务器与客户端之间的通信开销，实现模型架构个性化，提高模型精度。
-
-
-
-
-
-
-
-
-
Search Results
84
records
(took 0.033 seconds)
