-
公开(公告)号：CN117914575A
公开(公告)日：2024-04-19
申请号：CN202410049207.1
申请日：2024-01-12
Applicant: 北京工业大学
IPC: H04L9/40 , G06F18/2433 , G06F18/214 , G06N20/20 , G06N3/006 , G06N3/0455 , G06N3/08
Abstract: 本发明涉及一种网络异常检测的方法，特别是涉及一种基于堆叠稀疏收缩自动编码器(Stacked Sparse Contractive Autoencoders，SSCA)、模拟退火遗传粒子群优化(Genetic Simulated‑annealing‑based Particle Swarm Optimization，GSPSO)、分布式增强梯度库(eXtreme Gradient Boosting，XGBoost)分类器的网络异常检测方法。首先，将获取到网络流量数据进行归一化处理，而后将其传入SSCA中进行特征提取，获得的特征集传入XGBoost分类器中，使用不均衡参数和GSPSO进行超参数优化并输出最终的准确分类结果。
-
公开(公告)号：CN115879375A
公开(公告)日：2023-03-31
申请号：CN202211596666.9
申请日：2022-12-12
Applicant: 北京工业大学
IPC: G06F30/27 , G06Q10/0639 , G06F111/06
Abstract: 本发明涉及一种面向水质指标预测的方法，特别是涉及一种基于SG(Savitzky‑Golay)滤波、变分模态分解(Variational Mode Decomposition,VMD)、注意力机制、基于遗传模拟退火的粒子群优化算法(Genetic Simulated annealing‑based PSO,GSPSO)与编码‑解码器的双向长短时记忆(Encoder‑Decoder Bidirectional Long Short Term Memory,BiLSTM‑ED)神经网络的水质指标预测方法。首先，将获取到的水质指标历史数据进行归一化处理，并采用SG滤波进行平滑去噪，其次对处理过后的数据使用VMD进行分解得到相对平稳的子序列，然后将数据输入加入注意力机制的基于编码‑解码器的双向长短时记忆BiLSTM‑ED神经网络模型，最后采用GSPSO优化模型的超参数，从而预测未来多个时间点的水质指标情况，最终获得了较高的预测精度。
-
公开(公告)号：CN115689015A
公开(公告)日：2023-02-03
申请号：CN202211344096.4
申请日：2022-10-31
Applicant: 北京工业大学
IPC: G06Q10/04 , G06Q10/0639 , G06Q50/26 , G06F17/18 , G06N3/0455
Abstract: 本发明涉及一种面向水环境数据时间序列预测的方法，特别是涉及一种基于SG(Savitzky Golay)滤波与编码器‑解码器结构的稀疏注意力机制(ProbSparse Self‑Attention Mechanism,PSAM)和多头注意力机制(Multi‑Head Attention Mechanism,MHAM)的单监测断面时序多要素水质预测方法。首先，针对获取的水文、气象等多要素数据指标通过皮尔逊相关系数(Pearson Product‑Moment Correlation Coefficient,PPMCC)进行特征筛选，选定数据后通过SG滤波进行平滑处理。其次，再进行水质数据的归一化处理后输入预测模型，利用稀疏注意力机制降低模型的复杂度，并通过多头注意力机制计算水质多要素权重占比来推断不同的水环境要素之间的关系对水质变化的影响。最后，通过生成式解码器(Generative Style Decoder,GSD)进行一次正向预测，建立一种较为精确的水环境时间序列预测模型。
-
公开(公告)号：CN115686844A
公开(公告)日：2023-02-03
申请号：CN202211344091.1
申请日：2022-10-31
Applicant: 北京工业大学
IPC: G06F9/50 , G06N3/0442 , G06N3/045 , G06N3/09
Abstract: 本发明涉及一种基于组合式改进LSTM和Attention注意力机制的云数据中心负载预测方法。首先，将数据中心历史记录存储在文件中的请求数量按固定时间间隔统计为时间序列数据，并使用变分模态分解方法(Variational Modal Decomposition,VMD)和自适应SG(Savitzky Golay)滤波对原始时间序列进行数据预处理。然后，对预处理后的数据进行归一化，并将负载时序数据按照预设的滑动窗口大小切分为多个子序列作为特征序列，即转化为有监督数据。接着，将数据输入由BiLSTM和GridLSTM组合而成的神经网络模型，引入Attention注意力机制提取数据重要的局部特征联系。最终网络模型输出未来云数据中心的负载预测值。本发明可以用于解决云数据中心的计算资源利用问题，确保数据中心供应商的利润最大化。
-
公开(公告)号：CN112217676B
公开(公告)日：2023-01-31
申请号：CN202011092446.3
申请日：2020-10-13
Applicant: 北京工业大学
IPC: H04L41/0826 , H04L67/10 , G06N3/006 , H04L41/142 , H04L41/14
Abstract: 本发明公开一种基于混合元启发式算法的Kubernetes容器集群节点选取方法，建立云环境下的集群节点成本模型，该模型以使集群所有节点的总成本最小为目标，采用基于模拟退火和粒子群优化的混合元启发式算法进行最优节点选取方案的求解，通过使用Kubernetes基础的调度策略对模型求解的节点选取方案进行实际可行性验证，实现Kubernetes容器集群在满足工作要求的前提下的集群成本最优化的节点选取。本发明能够根据云厂商提供的服务器型号以及售价，和Kubernetes容器集群未来一段时间需要部署的容器资源需求，在满足集群容器部署需求的前提下，通过优化的集群节点选取方案，降低集群的云服务器使用成本。
-
Patent Agency Ranking
公开(公告)号：CN114444507A
公开(公告)日：2022-05-06
申请号：CN202210026721.4
申请日：2022-01-11
Applicant: 北京工业大学
IPC: G06F40/295 , G06F40/30 , G06N3/04
Abstract: 本发明提出一种水环境知识图谱增强关系的上下文参数中文实体预测方法，该方法对水环境的非结构化的文本数据进行处理，构建实体和实体之间关系的三元组，并对构建的三元组信息进行知识推理。具体流程包括：首先，对水环境的文本数据进行预处理，用来抽取其实之间的关系；其次，对标记的文本数据词向量化，并对其起始位置信息编码，输入到双向长短期记忆网络模型中，识别出水环境文本中控制单元、气象站、水文站等实体信息；再次，将词向量输入到多元关系数据嵌入模型中，抽取命名实体之间的关系，构建实体之间关系的三元组集合；最后，根据三元组集合并通过增强关系上下文参数的权重来预测尾部命名实体，从而提升预测精度。
-
公开(公告)号：CN114385614A
公开(公告)日：2022-04-22
申请号：CN202210026715.9
申请日：2022-01-11
Applicant: 北京工业大学
IPC: G06F16/215 , G06F16/2458 , G01N33/18
Abstract: 本发明公开一种基于Informer模型的水质预警方法，包括对于时序水质数据的预测及异常检测模型两部分。首先，选取时序数据并对缺失值进行补齐，并对补齐后的数据进行多项式平滑滤波(Savitzky‑Golay,SG)处理。在此基础上，对SG滤波平滑处理后的数据进行训练，接着对生成的时序预测模型输出的预测值进行基于Loess的季节性特征分解并剔除季节性分量。此外，采用孤立森林对分解后的多维特征数据进行建模，超出安全区间之外的数据设定为异常值，从而达到水质预警的效果。其中，异常值结合《地表水环境质量标准》GB3838‑2002作为评判的标准。本发明能够有效地解决实时性预测和安全区间的设置问题，使得准确率和召回率得到进一步提高。
-
公开(公告)号：CN109818786B
公开(公告)日：2021-11-26
申请号：CN201910050829.5
申请日：2019-01-20
Applicant: 北京工业大学
IPC: H04L12/24 , H04L12/947 , H04L29/08 , G06F9/50 , G06N3/08
Abstract: 本发明公开一种云数据中心应用可感知的分布式多资源组合路径最优选取方法，包括：云数据中心应用可感知云资源管理器负责采集基础资源中的网络、CPU等资源状态信息；采用强化学习、价值网络及策略网络相结合的方式形成无监督的深层混合架构模型，对模型训练及各类请求流的节点移动位置进行评估；采用新型的树搜索算法，即并行蒙特卡罗树搜索(Parallel Monte Carlo Tree Search,PMCTS)算法，来给每一类型的请求流加速寻找合适的资源路径，并且联合价值和策略网络，从而给出其最优的资源路径的选择结果。采用本发明的技术方案，可以确保云数据中心各类密集型请求流的总响应时间延迟最小。
-
公开(公告)号：CN108170531B
公开(公告)日：2021-07-02
申请号：CN201711434894.5
申请日：2017-12-26
Applicant: 北京工业大学
Abstract: 本发明公开一种基于深度信念网络的云数据中心请求流调度方法，综合考虑了不同种类请求所能带来的价值以及计算集群能耗等因素在请求处理时间内的变化。使用历史数据：包括每种请求的数量、资源申请量，处理请求所能带来的收益、时间，集群资源总量等，通过建立的利润计算模型计算所能得到的价值。使用请求流数据对深度信念网络(Deep Belief Network,DBN)进行训练，而后使用分类器和其输出对DBN进行调整。使用调整好的DBN获取调度树配置方案，对调度树进行调整，并结合节点效率图进行对节点资源的调度，同时根据实际调度情况对节点效率图进行修改，最终使得云数据中心处理该批次的请求获得的利润最大化。
-
公开(公告)号：CN109901922B
公开(公告)日：2021-06-18
申请号：CN201910161937.X
申请日：2019-03-05
Applicant: 北京工业大学
Abstract: 本发明公开了一种面向多层服务的容器云资源调度优化方法，该方法包括如下的步骤：根据为多个多层服务提供服务的需求，构建由多个异构容器构成的容器云架构；根据该架构，建立云服务提供商对于容器云的整体收益函数；根据排队论提供多层服务下各层服务的响应状态，结合收益函数得出整体的收益模型，并根据各层服务的服务要求，为收益模型设定初始解；针对上述模型的优化问题，给出一种资源分配优化算法，进而根据算法的解进行资源分配，从而达到云服务提供商效益最大化。本方法能够为云服务提供商提供一种容器云的优化策略，考虑了多层相关微服务在容器云中的弹性运营策略，能够根据用户的需求动态的分配资源，提高了云资源的利用率。
-
-
-
-
-
-
-
-
-
Search Results
68
records
(took 0.045 seconds)
