基于机器学习的中间件故障预警方法和系统

    公开(公告)号:CN111027615B

    公开(公告)日:2022-06-10

    申请号:CN201911237337.3

    申请日:2019-12-05

    Abstract: 本发明公开了基于机器学习的中间件故障预警方法和系统,该方法包括如下步骤:(1)实时采集电力信息系统中间件的数据;(2)进行安全性验证;(3)对电力信息系统中间件的历史日志数据和实时日志数据进行预处理;(4)以预处理后的中间件的历史日志数据和实时日志数据作为输入,对基于机器学习的分类算法进行训练,形成故障分类器;(5)通过基于机器学习的回归算法分析中间件指标值与中间件故障的关系,拟合故障特征函数,并基于故障特征函数和故障分类器进行故障预警的实时判断。本发明有效克服了电力信息系统故障诊断时效差、准确度低、无法提前预警等问题,实现了基于电力信息系统中间件的实时故障预警,可保障系统安全、高效运行。

    边缘计算环境下动态任务复制方法、设备和系统

    公开(公告)号:CN114090218A

    公开(公告)日:2022-02-25

    申请号:CN202111437730.4

    申请日:2021-11-29

    Abstract: 本发明公开了一种边缘计算环境下动态任务复制方法、设备和系统。方法包括:以边缘环境下作业的总完成时间与理想最优复制决策下的作业完成总时延之差regret最小为目标建立优化问题;利用基于多臂赌博机的任务复制决策算法对优化问题进行求解,包括:在第一个时隙开始时,根据任务的任务类型和输入数据的大小来估计任务计算量wt;对每一个任务t,计算将任务t从边缘集群i复制到边缘集群j的时延的置信下限根据确定所有可用的边缘集群,从中选择rt个较小的可用边缘集群作为目标边缘集群,将任务复制到所有目标边缘集群上进行执行。本发明首次将基于多臂赌博机的算法应用于边缘计算系统的任务复制问题,方法具有优秀的时延性能和服务可靠性。

    一种考虑多用户移动性的服务部署和资源分配方法

    公开(公告)号:CN112148492A

    公开(公告)日:2020-12-29

    申请号:CN202011038113.2

    申请日:2020-09-28

    Applicant: 南京大学

    Abstract: 本发明提出了一种考虑多用户移动性的服务部署和资源分配方法,应用于边缘计算网络场景下。所述方法根据边缘计算场景进行建模,将其视为一个综合了服务计算时延开销、传输时延开销和服务迁移开销的最优化问题,并结合决策约束,通过对优化问题进行求解,得到多用户的服务部署和计算资源分配方案。本发明填补了领域空白,支持多用户服务部署,同时考虑了用户的移动性,具有广泛的适用性,提高边缘计算场景下任务分配和执行效率,从而提高网络整体处理性能。

    基于机器学习的中间件故障预警方法和系统

    公开(公告)号:CN111027615A

    公开(公告)日:2020-04-17

    申请号:CN201911237337.3

    申请日:2019-12-05

    Abstract: 本发明公开了基于机器学习的中间件故障预警方法和系统,该方法包括如下步骤:(1)实时采集电力信息系统中间件的数据;(2)进行安全性验证;(3)对电力信息系统中间件的历史日志数据和实时日志数据进行预处理;(4)以预处理后的中间件的历史日志数据和实时日志数据作为输入,对基于机器学习的分类算法进行训练,形成故障分类器;(5)通过基于机器学习的回归算法分析中间件指标值与中间件故障的关系,拟合故障特征函数,并基于故障特征函数和故障分类器进行故障预警的实时判断。本发明有效克服了电力信息系统故障诊断时效差、准确度低、无法提前预警等问题,实现了基于电力信息系统中间件的实时故障预警,可保障系统安全、高效运行。

Patent Agency Ranking