-
公开(公告)号：CN117354829A
公开(公告)日：2024-01-05
申请号：CN202311197332.9
申请日：2023-09-15
Applicant: 西安电子科技大学 , 广州链融信息技术有限公司
Abstract: 本发明公开了一种面向实用拜占庭容错共识的资源分配方法，包括：获得包括多个共识车辆的共识网络，初始化时延上限；分别确定客户端车辆、共识网络中车辆的传输功率和车载CPU计算频率；设定最大迭代次数和精度；根据前一次迭代获得客户端车辆、共识网络中车辆的传输功率和车载CPU计算频率获得当前迭代的时延上限；根据当前迭代整个共识过程的时延上限获得当前迭代中的传输功率和车载CPU计算频率；判断时延上限的精度是否满足要求，若满足，则获得最佳传输功率和最佳车载CPU计算频率，若不满足，继续进行迭代。本发明的方法为每个参与共识的车辆制定资源优化问题，以在时间和能量约束下适当分配其计算和通信资源，确保快速和成功的共识。
-
公开(公告)号：CN112764927B
公开(公告)日：2023-12-26
申请号：CN202110083324.6
申请日：2021-01-21
Applicant: 西安电子科技大学 , 西安链融科技有限公司
Abstract: 本发明属于车辆边缘计算中联邦学习的车辆选择和资源联合优化技术领域，公开了一种车辆选择和资源联合优化方法、系统、介质及应用，获得车载CPU周期频率和车辆传输功率；更新拉格朗日对偶变量；得出最优的车载CPU周期频率和车辆传输功率；获得最优本地模型精度；获得车载CPU周期频率和车辆传输功率；获得本地模型精度；计算获得成本花费；获得最优本地模型精度、车载CPU周期频率和车辆传输功率；获取路段车辆集合；设置已参与训练任务的车辆集合为空；将路段车辆集合中符合图片质量要求的车辆逐个添加到训练任务车辆集合中，计算成本花费；获得参与训练任务车辆集合。本发明使整个联邦学习过程花费最低、性能最优，降低电池耗散量。
-
公开(公告)号：CN116133140A
公开(公告)日：2023-05-16
申请号：CN202310074158.2
申请日：2023-01-19
Applicant: 西安电子科技大学 , 广州链融信息技术有限公司
IPC: H04W72/53
Abstract: 本发明公开了一种基于在线学习的用户关联方法，包括：定义并初始化基站和VR用户的各项数据；根据t‑1时刻基站m与用户u的关联次数gm,u(t‑1)计算并更新t时刻置信上界的估值根据分配t时刻基站m为用户u选择的最优压缩比基站m到用户u所需的最优传输时间以及基站m为用户u分配的最优GPU时钟频率根据计算t时刻与用户u相关联的基站m(u,t)*，并计算用户关联A(t)；计算更新t+1时刻存储在基站m对应的MEC服务器中的数据量Qm(t+1)；更新t时刻基站m与用户u的关联次数gm,u(t)；按照上述步骤进行迭代更新，以实现基于在线学习的动态用户关联。该方法实现了通信和计算延迟之间的平衡，降低了算法的计算复杂度，且具有良好的收敛性。
-
公开(公告)号：CN115086316A
公开(公告)日：2022-09-20
申请号：CN202210660824.6
申请日：2022-06-13
Applicant: 西安电子科技大学
Abstract: 本发明公开了一种联合优化车辆边缘网络中计算卸载的安全与资源分配方法，包括：初始化卸载决策和数据块长度；根据所述卸载决策和所述数据块长度，得到传输功率、任务计算频率、加密计算频率和边缘计算频率；基于所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率和所述边缘计算频率，确定目标值；根据设定的迭代次数阈值以及判断条件，直至得到联合优化卸载决策。本发明制定了一个max‑min优化问题来联合优化卸载决策、传输功率、任务计算频率、加密计算频率、边缘计算频率和数据块长度，以获得最佳的安全信息容量和本地计算延迟。而且任务的时间延迟约束考虑了车辆的行驶速度和位置。
-
公开(公告)号：CN115065994A
公开(公告)日：2022-09-16
申请号：CN202210486367.3
申请日：2021-01-12
Applicant: 西安电子科技大学
IPC: H04W28/18 , H04W28/22 , H04W28/24 , H04L41/0803 , H04L41/0893 , H04L41/5041 , H04L41/5051 , H04L41/5054 , H04L67/10
Abstract: 本发明属于移动边缘计算系统的资源配置优化技术领域，公开了一种资源配置联合优化方法、系统、存储介质及应用，获得两种服务的网络数据量；获得时间t的队列状态；计算子信道切片；计算服务1的本地CPU速度缩放、用户接入、子载波分配，功率分配；计算服务2的用户关联、视频质量判定、子载波分配；获得初始子载波分配和功率分配；获得用户接入；获得功率分配和服务1的子载波分配；获得视频质量判定；获得服务2的子载波分配；获得最优的数据传输速率和用户接入获得数据速率分配和用户接入；得出最优的CPU速度缩放、用户接入、子载波分配、功率分配和视频质量判定。本发明操作简便，利于网络优化和提升系统性能。
-
Patent Agency Ranking
公开(公告)号：CN113423091A
公开(公告)日：2021-09-21
申请号：CN202110563049.8
申请日：2021-05-24
Applicant: 西安电子科技大学
Abstract: 本发明属于车联网技术领域，公开了一种车载算力网络的多维资源智能联合优化方法、系统，所述车载算力网络的多维资源智能联合优化方法包括：定义两个变量分别表示任务是否卸载给路边单元处理和是否需要从云端下载该应用，计算得到服务器完成任务处理所需要的时延；利用系统处理完所有用户任务的平均时延表示其效用性，反映系统的整体性能，利用个体时延和系统平均时延之间平均偏差充分考虑个体性能的公平度；基于异步优势的演员‑评论家算法分布式学习策略的优势求解整体性能、个体性能的公平度和整体的存储开销三者的优化问题。本发明利用分布式强化学习实现了网络资源统一协同管理和高效按需分配，优化了整体和个体双边的性能。
-
公开(公告)号：CN113194489A
公开(公告)日：2021-07-30
申请号：CN202110358311.5
申请日：2021-04-01
Applicant: 西安电子科技大学
Abstract: 本发明属于通信技术领域，公开了一种无线边缘网络中有效联邦学习的最小‑最大代价优化方法，通过局部精度、子载波分配、发射功率分配和计算资源分配的联合优化，以达到无线边缘网络中有效联邦学习的最佳性能；其中，子载波分配和功率分配采用拉格朗日对偶分解法，CPU周期频率采用启发式算法，通过迭代算法获得局部精度。为了降低直接求解问题的计算复杂度，本发明将原问题分解为若干个子问题进行求解并设计了高效的算法。仿真结果表明，本发明所提出的算法具有良好的收敛性能，能够在能量消耗和学习时间之间实现折衷，并且在成本方面能够为所有智能设备提供公平性，并通过与现有方案的比较，本发明能够在能量消耗和学习时间之间实现折衷。
-
公开(公告)号：CN112632328A
公开(公告)日：2021-04-09
申请号：CN202011419067.0
申请日：2020-12-07
Applicant: 西安电子科技大学
Abstract: 本发明属于信息安全技术领域，公开了一种vlog隐私泄漏度量评估方法、系统、介质及应用，按照创作者个性化需求设置不同隐私属性的敏感度；检测创作者新旧两组vlog中涉及泄漏隐私属性的具体语义信息，计算分析vlog发布前后隐私属性泄漏的概率和隐私信息泄漏值；给出创作者隐私泄漏评估报告。本发明能够使创作者明确，在发布新制作的vlog后，隐私属性的具体泄漏情况；设置了隐私属性的敏感度，对创作者隐私泄漏进行评估时，越不敏感的隐私属性，评估值越小，满足了创作者的个性化需求；引入评估分析报告，帮助创作者快速定位高敏感度隐私属性泄露情况，方便创作者对vlog视频进行修改或重新剪辑，可以减轻创作者部分工作量。
-
公开(公告)号：CN119166331A
公开(公告)日：2024-12-20
申请号：CN202411142993.6
申请日：2024-08-20
Applicant: 西安电子科技大学
Abstract: 本发明涉及一种无线边缘人工智能的异构计算与资源分配方法，包括：获取边缘服务器信息和AI任务信息；根据所述边缘服务器信息和所述AI任务信息得到边缘环境的初始状态；将边缘环境的初始状态输入到智能算法中，得到智能体动作；根据智能体动作，执行相应动作得到下一个状态并计算任务传输时延、任务计算时延、任务传输能耗和任务计算能耗；根据任务传输时延、任务计算时延、任务传输能耗和任务计算能耗，得到即时奖励；根据即时奖励和下一个状态，更新智能算法的参数直至满足要求。本发明根据具体的研究场景制定了一个优化问题来联合各个智能体的优化卸载决策，以及资源分配情况，以获得在满足相关约束的前提下最优的整体任务处理时延。
-
公开(公告)号：CN118734999A
公开(公告)日：2024-10-01
申请号：CN202410868865.3
申请日：2024-07-01
Applicant: 西安电子科技大学 , 广州链融信息技术有限公司
Abstract: 本申请的实施例涉及数据聚合技术领域，特别涉及一种基于持续知识蒸馏和联邦学习的物联网设备数据聚合方法，包括：基于物联网边缘数据集和各本地数据集，生成全局测试数集；由边缘节点基于本地数据集对自身的网络模型进行训练，得到教师模型，并用教师模型对全局测试数集进行测试，得到初始知识；分别基于各边缘节点对应的初始知识和本地数据集，利用KLIEP算法进行筛选，得到各边缘节点对应的有效知识；对各边缘节点对应的有效知识进行数据聚合，经数据处理后，作为下放知识分发给各边缘节点；各边缘节点将教师模型作为学生模型，基于下放知识进行蒸馏，得到新一轮的教师模型。该方法使得数据能够在不同设备之间无缝集成。
-
-
-
-
-
-
-
-
-
Search Results
49
records
(took 0.074 seconds)
