-
公开(公告)号：CN116828226A
公开(公告)日：2023-09-29
申请号：CN202311084846.3
申请日：2023-08-28
Applicant: 南京邮电大学
IPC: H04N21/231 , H04N21/2543 , H04L9/00
Abstract: 本发明属于移动通信中的边缘缓存技术领域，公开了基于区块链的云边端协同视频流缓存系统，通过网络模块实现CDN服务器、边缘服务器、视频用户三者之间的通信；缓存模块用于计算视频内容的流行度，以及视频内容缓存在CDN服务器层和边缘服务器层时的访问延迟、流量成本和缓存能耗；并将所有视频请求的内容访问延迟、流量成本和能耗的问题最小化；区块链模块用于计算视频用户请求的付费视频内容上链所产生的能耗。本发明充分发挥边缘侧MEC服务器的计算和存储能力，并加入区块链技术，解决互联网视频流量大幅度增长所导致的时延及能耗过高的问题以及计费信息安全问题；实现协同边缘缓存。
-
公开(公告)号：CN116341691B
公开(公告)日：2023-09-22
申请号：CN202310534928.7
申请日：2023-05-12
Applicant: 南京邮电大学 , 边缘智能研究院南京有限公司
IPC: G06N20/20
Abstract: 本发明公开了一种去中心化联邦学习系统、方法、存储介质及计算设备，该系统包括：模型共享平面、与模型共享平面连接的边缘服务器，以及与边缘服务器连接的参与训练的终端设备；本发明基于终端设备资源信息进行全局模型分割，平衡各终端设备进行本地模型训练的时间差异，且分割策略会随着终端设备本地资源进行调整，保证每一次都选择最早训练完成时间最小的方案，可提高训练吞吐量、降低通信成本，从而加快训练进程。
-
公开(公告)号：CN116455768B
公开(公告)日：2023-09-12
申请号：CN202310713616.2
申请日：2023-06-16
Applicant: 南京邮电大学
IPC: H04L41/16 , H04L41/0894 , H04L67/1008 , H04L67/101 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了面向全局时延优化的云边端协同CNN推理方法，通过构建训练分块推理时延预测模型、计算理论数据传输时延、构建并训练时延损耗预测模型、构建全局时延预测模型；利用全局时延预测模型计算各个边缘服务器的理论全局时延，以全局时延最小化为优化目标，决定参与协同推理的边缘服务器的选择和推理任务量的分配。本发明同时提出面向全局时延优化的云边端协同CNN推理系统。相较于传统的协同推理研究工作在时延指标制定方面仅关注当前推理任务的时延优化，本方法将处理当前推理任务对其他并行处理的推理任务可能产生的时延影响也纳入了决策考量范围，同时，本发明还提供一种CNN分割优化方法，能够有效节省协同推理中的决策时延。
-
公开(公告)号：CN114039811B
公开(公告)日：2023-07-25
申请号：CN202111209266.3
申请日：2021-10-18
Applicant: 南京邮电大学
IPC: H04L12/46 , H04L67/141 , H04L67/146
Abstract: 本申请涉及一种局域网内快速通信方法。该方法包括：当接收到第一智能物端发送的建立虚拟通路请求时，从建立虚拟通路请求中提取出第一智能物端标识和第二智能物端标识；根据第一智能物端标识，获取第一智能物端最新上报的第一智能物端信息；根据第二智能物端标识，获取第二智能物端最新上报的第二智能物端信息；向第二智能物端发送第一智能物端信息，以及向第一智能物端发送第二智能物端信息，使第一智能终端与第二智能物端根据接收到的智能物端信息建立虚拟通路，虚拟通路建立后，虚拟通路作为第一智能终端与第二智能物端之间唯一通信路径。第一智能物端和第二智能物端的数据传输通过该虚拟通路直接传输，降低通信时延，提高数据传输的效率。
-
公开(公告)号：CN116455768A
公开(公告)日：2023-07-18
申请号：CN202310713616.2
申请日：2023-06-16
Applicant: 南京邮电大学
IPC: H04L41/16 , H04L41/0894 , H04L67/1008 , H04L67/101 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了面向全局时延优化的云边端协同CNN推理方法，通过构建训练分块推理时延预测模型、计算理论数据传输时延、构建并训练时延损耗预测模型、构建全局时延预测模型；利用全局时延预测模型计算各个边缘服务器的理论全局时延，以全局时延最小化为优化目标，决定参与协同推理的边缘服务器的选择和推理任务量的分配。本发明同时提出面向全局时延优化的云边端协同CNN推理系统。相较于传统的协同推理研究工作在时延指标制定方面仅关注当前推理任务的时延优化，本方法将处理当前推理任务对其他并行处理的推理任务可能产生的时延影响也纳入了决策考量范围，同时，本发明还提供一种CNN分割优化方法，能够有效节省协同推理中的决策时延。
-
Patent Agency Ranking
公开(公告)号：CN116192764A
公开(公告)日：2023-05-30
申请号：CN202310444747.5
申请日：2023-04-24
Applicant: 南京邮电大学
IPC: H04L47/2441 , H04L41/147 , H04L41/16
Abstract: 本发明属于流量预测技术领域，公开了一种基于深度学习的多任务数据中心网络流量预测方法，其对获取数据中心网络流量数据进行处理，进行归一化处理，划分训练集和测试集；构建深度学习多任务模型提取数据中心网络流量的特征信息，并进行流量分类任务及进行流量预测任务，预测未来时间段的网络流量。本发明所述的方法将多种模型融合，并引入多任务学习思想，有效解决数据中心网络流量深度学习模型使用单一以及预测精度的问题。
-
-
公开(公告)号：CN115630649A
公开(公告)日：2023-01-20
申请号：CN202211470749.3
申请日：2022-11-23
Applicant: 南京邮电大学
IPC: G06F40/295 , G06F40/211 , G16H10/00 , G06N3/045 , G06N3/0475 , G06N3/08
Abstract: 本发明属于数据处理领域，公开了一种基于生成模型的医学中文命名实体识别方法，该生成模型包括对抗训练模块和私有任务模块，其中所述对抗训练模块由一个Shared BiLSTM生成器、一个Self‑Attention机制和一个CNN判别器组成，该医疗领域中文命名实体识别方法采用Lattice LSTM动态框架，动态的改变LSTM的结构以充分利用词与词之间的序列关系，克服了非结构化中文医学命名实体文本的局限性；采用对抗式训练的动态架构学习中文CNER任务和CWS任务的共同特征，提取医学文本中特定的信息，将实体与实体之间、实体与非实体之间的边界区分开来，实现中文医学命名实体的有效识别。
-
公开(公告)号：CN115562760A
公开(公告)日：2023-01-03
申请号：CN202211469689.3
申请日：2022-11-22
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于边缘计算节点打分表的深度学习模型分层卸载方法，属于边端协同计算技术领域。本发明离线获取边缘集群中各边缘计算节点算力参数，可提取每个计算节点的算力综合分数并做归一化处理得到总分，根据各个计算节点的总分形成打分表；同时离线统计深度学习模型各层计算量大小，通过统计参与推理的深度学习模型每一层计算量的大小情况并对其分区，根据不同边缘计算节点对不同计算量大小的计算能力差异，然后依据此分类对边缘计算节点打分表划分区间，从而合理的分配给计算能力充足的边缘计算节点，最终提高边缘集群中节点的资源利用率、降低计算时延。本发明可以降低整体时延的同时保证数据安全性和提高边缘节点资源的利用率。
-
公开(公告)号：CN119247864A
公开(公告)日：2025-01-03
申请号：CN202411786789.8
申请日：2024-12-06
Applicant: 南京邮电大学 , 边缘智能研究院南京有限公司
IPC: G05B19/042
Abstract: 本发明属于自动化控制和人工智能技术领域，具体提出基于多智能体协作学习的空地无人装备管控系统与方法。本发明利用多智能体协作学习的高度自适应能力，能够灵敏地感知到环境动态变化，并及时做出响应，通过持续的学习过程不断优化协同策略，从而显著提高无人装备的网络管控能力，以满足复杂环境下的使用需求。
-
-
-
-
-
-
-
-
-
Search Results
92
records
(took 0.038 seconds)
