-
公开(公告)号：CN113191484B
公开(公告)日：2022-10-14
申请号：CN202110449033.4
申请日：2021-04-25
Abstract: 本发明公开了一种基于深度强化学习的联邦学习客户端智能选取方法及系统，该方法包括：联邦平台通过从联邦服务市场环境中收集客户端的状态作为输入，输入到基于策略网络的客户端选择智能体中，输出客户端选择方案；联邦平台根据当前环境状况以及客户端选择方案从多个候选客户端中选取一组最优的客户端以协同训练联邦学习模型，并将联邦学习性能作为奖励反馈给客户端选择智能体，以奖励用于优化更新策略网络；策略网络通过强化学习方法离线训练得到。本发明可从候选移动边缘设备中选择高质量的设备参与联邦学习，以处理分布式客户端低质量数据问题，以显著提高联邦学习质量。
-
公开(公告)号：CN114866548A
公开(公告)日：2022-08-05
申请号：CN202210448728.5
申请日：2022-04-26
Applicant: 中南大学
Abstract: 本发明公开了一种基于移动雾计算的任务卸载方法，方案是构建由I个移动雾节点、一个基站、J个请求卸载任务的移动设备、一个云数据库服务器组成的任务卸载系统。基站作为部署任务卸载的第三方平台，移动设备和移动雾节点向基站提供信息。在考虑设备移动性约束以及用户服务质量对不同设备属性的偏好的情况下，将移动雾计算环境下任务卸载中的资源利用率最大化问题建模为二部图的最大加权匹配问题，通过KM算法求解出能够使得用户总体满意度最高的最优任务分配方案。基站根据最优任务分配方案通知请求卸载的移动设备将任务卸载到合适的移动雾节点，并通知对应的移动雾节点接受并执行任务。采用本发明能实现合理的任务分配，有效提高资源利用率。
-
公开(公告)号：CN114281545B
公开(公告)日：2022-07-12
申请号：CN202111618376.5
申请日：2021-12-20
Applicant: 中南大学
Abstract: 本发明公开了一种基于CPU资源与图像模型时延关系的资源分配方法，目的是减少CPU资源浪费，降低图像任务队列处理时延。技术方案是构建由接收端口，图像模型模块，测试控制模块，测试模块，监控模块，函数拟合模块，调度模块组成的基于CPU资源与图像模型时延关系的资源分配系统；资源分配系统各模块相互配合，对N个任务需求中的图像模型进行测试，得出N个拟合函数；调度模块N个拟合函数及N个任务请求，按照任务请求的到达顺序，将CPU各个核的空闲资源分配给N个任务。采用本发明能够减少任务过多时CPU处理图像任务队列的总时延，减少CPU资源浪费，改善CPU并行处理任务的能力，提高计算机综合效率。
-
公开(公告)号：CN114048040A
公开(公告)日：2022-02-15
申请号：CN202111431501.1
申请日：2021-11-29
Applicant: 中南大学
IPC: G06F9/50 , G06F9/455 , G06V10/96 , G06V10/94 , G06V10/776 , G06V10/764 , G06K9/62
Abstract: 本发明公开了一种基于内存与图像分类模型时延关系的任务调度方法，目的是解决用户图像分类任务时延要求，并使得内存资源负载均衡。技术方案是构建由环境部署模块、测试模块、拟合模块以及任务调度模块四个模块组成的内存与图像分类模型时延关系的任务调度系统；测试模块测出不同内存下各预训练好的图像分类模型的时延结果；拟合模块根据时延结果拟合出内存与图像分类模型时延的函数关系。任务调度模块根据该函数关系及用户时延要求算出图像分类任务内存需求量，再根据虚拟机的剩余内存资源设定优先级，基于优先级将任务调度至优先级最高的虚拟机上运行，使在满足用户图像分类任务时延要求的同时，数据中心的内存资源整体达到负载均衡。
-
公开(公告)号：CN113766037B
公开(公告)日：2022-02-11
申请号：CN202111325318.3
申请日：2021-11-10
Applicant: 中南大学
IPC: H04L67/1008 , H04L41/147
Abstract: 本发明公开了面向大规模边缘计算系统的任务卸载控制方法及系统，通过对边缘计算系统中的边缘服务器进行分组，得到多个服务器组；对于任意一组服务器组，获取历史数据预测服务器组下的移动用户在预测时刻的平均任务到达速率，并根据服务器组下的移动用户在预测时刻的平均任务到达速率计算服务器组内的所有移动用户计算成本之和最小时对应的最优卸载概率；再在预测时刻以最优卸载概率控制服务器组下的移动用户进行任务卸载；本发明通过历史数据预测服务器组下的移动用户在预测时刻的平均任务到达速率，并根据预测的平均任务到达速率控制用户任务往用户计算成本最小的方向进行卸载，能减少服务器过载以及服务器卸载的计算成本。
-
Patent Agency Ranking
公开(公告)号：CN114022202A
公开(公告)日：2022-02-08
申请号：CN202111295191.5
申请日：2021-11-03
Applicant: 中南大学
Abstract: 本发明公开了基于深度学习的用户流失预测方法及系统，通过构建并将时序行为特征矩阵转化成多个块嵌入向量，并添加初始类别嵌入向量以及位置嵌入向量，再提取嵌入特征块的各个块嵌入向量的目标类别，并加上位置嵌入向量所标记的各个块嵌入向量之间的位置关系对提取的各个块嵌入向量进行自相似性计算，得到嵌入特征块的类别嵌入向量；对嵌入特征块的类别嵌入向量进行预分类，输出用户流失概率值，从用户画像特征矩阵提取用户画像的关键特征矩阵，根据用户画像的关键特征矩阵以及用户流失概率值确定用户的流失类别。本发明能准确、全面捕捉用户各种时序行为特征之间的自相似性，并结合用户画像的关键特征矩阵实现高精度的用户流失预测。
-
公开(公告)号：CN113766037A
公开(公告)日：2021-12-07
申请号：CN202111325318.3
申请日：2021-11-10
Applicant: 中南大学
Abstract: 本发明公开了面向大规模边缘计算系统的任务卸载控制方法及系统，通过对边缘计算系统中的边缘服务器进行分组，得到多个服务器组；对于任意一组服务器组，获取历史数据预测服务器组下的移动用户在预测时刻的平均任务到达速率，并根据服务器组下的移动用户在预测时刻的平均任务到达速率计算服务器组内的所有移动用户计算成本之和最小时对应的最优卸载概率；再在预测时刻以最优卸载概率控制服务器组下的移动用户进行任务卸载；本发明通过历史数据预测服务器组下的移动用户在预测时刻的平均任务到达速率，并根据预测的平均任务到达速率控制用户任务往用户计算成本最小的方向进行卸载，能减少服务器过载以及服务器卸载的计算成本。
-
公开(公告)号：CN111629443A
公开(公告)日：2020-09-04
申请号：CN202010523949.5
申请日：2020-06-10
Applicant: 中南大学
Abstract: 本发明公开了一种用于超5G车联网中的动态频谱切片框架的优化方法，包括：对于特定类型的服务请求，将时隙内到达的服务请求调度到不同的下行链路资源平面中以交付服务；通过资源切片的方式使每个资源平面为每种类型的服务请求维护一个队列；根据每个资源平面在每个时隙中的无人机包处理能力，确定在每个时隙内为满足来自所有服务请求的动态包处理需求，需要调度的无人机数量；根据每个资源平面在时隙内对每个服务请求的分组处理能力；以所有资源平面的服务供应成本最小化以及服务效用最大化为优化目标，基于李雅普诺夫优化技术解耦优化参数，以确定最优的控制参数。本发明有效地提高用户服务性能和资源利用率。
-
公开(公告)号：CN111431743A
公开(公告)日：2020-07-17
申请号：CN202010190354.2
申请日：2020-03-18
Applicant: 中南大学
Abstract: 本发明公开了一种基于数据分析的大规模WiFi系统中边缘资源池构建方法及系统，该方法包括：采集所有用户的关联信息记录，并为每个用户提取迁移样本；通过在AP之间建立社交联系构建AP社交关系图；根据AP的中心程度和AP相互之间的紧密程度对AP社交关系图进行中心度测量，获得中心度；根据中心度对AP社交关系图的演化模式进行刻画，获得AP社交关系图的未来的社交性不确定性；根据AP社交关系图的未来的社交性不确定性，构建边缘资源池以提供高效的边缘服务，包括：联合“中心”的AP与“边缘”的AP。本发明可以提高边缘资源池构建策略的服务供给性能。
-
公开(公告)号：CN120034443A
公开(公告)日：2025-05-23
申请号：CN202510503167.8
申请日：2025-04-22
Applicant: 中南大学
Abstract: 本发明公开了一种网络拓扑推理方法、系统、设备及介质，所述推理方法包括获取动态网络数据；对动态网络数据中的所有链接按照时间排序，并采用窗口对时间排序后的所有链接进行划分，生成连续快照；以连续Q个快照作为一个样本构建样本数据集；构建网络拓扑推理模型；其中，所述网络拓扑推理模型包括节点特征提取模块、空间演变信息提取模块、融合模块、时序信息提取模块和输出层；利用样本数据集对网络拓扑推理模型进行训练和测试，得到目标网络拓扑推理模型；利用目标网络拓扑推理模型进行网络拓扑推理。本发明提高了网络拓扑推理的准确性和效率。
-
-
-
-
-
-
-
-
-
Search Results
84
records
(took 0.035 seconds)
