-
公开(公告)号：CN110570075B
公开(公告)日：2022-04-05
申请号：CN201910651989.5
申请日：2019-07-18
Applicant: 北京邮电大学 , 国网江苏省电力有限公司南京市高淳区供电分公司 , 国网江苏省电力有限公司南京供电分公司
Abstract: 本发明实施例提供一种电力业务边缘计算任务分配方法及装置，该方法包括：获取非抢占式任务队列信息和边缘节点信息，确定所述非抢占式任务队列信息对应的非抢占式初始粒子位置矩阵和非抢占式初始粒子速度矩阵；通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息；通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定最优任务分配向量和最小平均时延信息，通过分开处理进行抢占式调度与非抢占式调度的两种任务，并根据混合优先级任务排队算法和改进的离散粒子群算法得到高效的分配策略。
-
公开(公告)号：CN111769976B
公开(公告)日：2021-09-21
申请号：CN202010531161.9
申请日：2020-06-11
Applicant: 北京邮电大学 , 国网江苏省电力有限公司南京市高淳区供电分公司 , 国网江苏省电力有限公司南京供电分公司
Abstract: 本发明实施例提供一种电力物联网终端故障自适应恢复方法及系统。该方法包括：确定故障终端的待恢复数据业务种类；根据所述待恢复数据业务种类在所述故障终端的若干邻居终端中选择高于预设可信度下限的备选邻居终端或备选邻居终端集合；基于所述备选邻居终端或备选邻居终端集合生成故障恢复备选方案集合，通过终端自适应恢复算法从所述故障恢复备选方案集合中选出最优故障恢复方案；基于所述最优故障恢复方案，根据任务迁移协商机制完成所述故障终端的数据业务迁移任务。本发明实施例通过终端故障自适应恢复算法，提高了电力物联感知网络的自适应恢复能力，保证了网络的持续高效运行。
-
公开(公告)号：CN111769976A
公开(公告)日：2020-10-13
申请号：CN202010531161.9
申请日：2020-06-11
Applicant: 北京邮电大学 , 国网江苏省电力有限公司南京市高淳区供电分公司 , 国网江苏省电力有限公司南京供电分公司
Abstract: 本发明实施例提供一种电力物联网终端故障自适应恢复方法及系统。该方法包括：确定故障终端的待恢复数据业务种类；根据所述待恢复数据业务种类在所述故障终端的若干邻居终端中选择高于预设可信度下限的备选邻居终端或备选邻居终端集合；基于所述备选邻居终端或备选邻居终端集合生成故障恢复备选方案集合，通过终端自适应恢复算法从所述故障恢复备选方案集合中选出最优故障恢复方案；基于所述最优故障恢复方案，根据任务迁移协商机制完成所述故障终端的数据业务迁移任务。本发明实施例通过终端故障自适应恢复算法，提高了电力物联感知网络的自适应恢复能力，保证了网络的持续高效运行。
-
公开(公告)号：CN110570075A
公开(公告)日：2019-12-13
申请号：CN201910651989.5
申请日：2019-07-18
Applicant: 北京邮电大学 , 国网江苏省电力有限公司南京市高淳区供电分公司 , 国网江苏省电力有限公司南京供电分公司
Abstract: 本发明实施例提供一种电力业务边缘计算任务分配方法及装置，该方法包括：获取非抢占式任务队列信息和边缘节点信息，确定所述非抢占式任务队列信息对应的非抢占式初始粒子位置矩阵和非抢占式初始粒子速度矩阵；通过混合优先级任务排队算法对每个边缘节点信息上的非抢占式任务队列信息进行排列，得到每个边缘节点信息的排列结果信息；通过改进的离散粒子群算法对非抢占式初始粒子位置矩阵、非抢占式初始粒子速度矩阵和排列结果信息进行循环迭代求解，确定最优任务分配向量和最小平均时延信息，通过分开处理进行抢占式调度与非抢占式调度的两种任务，并根据混合优先级任务排队算法和改进的离散粒子群算法得到高效的分配策略。
-
公开(公告)号：CN119182654A
公开(公告)日：2024-12-24
申请号：CN202411079452.3
申请日：2024-08-07
Applicant: 北京邮电大学
IPC: H04L41/0677 , H04L43/087 , H04L43/0829 , H04L43/0876 , H04L43/50 , H04L45/00
Abstract: 本发明提供一种SRv6网络故障的智能诊断方法以及装置，其中，上述方法包括：获取SRv6网络中流量工程策略模式下段列表集合中头节点至尾节点之间的流量特征向量，其中，流量特征向量包括端到端时延、网络时延抖动、丢包率以及链路带宽利用率；将流量特征向量输入至预训练的数据降维聚类模型中，得到预训练的数据降维聚类模型输出的多个网络状态标签，其中，多个网络状态标签中的每个网络状态标签分别用于表示每个流量工程策略模式的网络状态；通过本发明能够提升SRv6网络的故障定位效率。
-
Patent Agency Ranking
公开(公告)号：CN114844767B
公开(公告)日：2024-11-26
申请号：CN202210452164.2
申请日：2022-04-27
Applicant: 中国电子科技集团公司第五十四研究所 , 北京邮电大学
IPC: H04L41/0631 , H04L41/14 , H04L41/142 , G06N3/0475 , G06N3/0455 , G06N3/094 , G06N3/092
Abstract: 本发明涉及网络告警领域，具体涉及一种基于对抗生成网络的告警数据生成方法。首先，预处理输入数据，包括去除无用信息、编码、填充等操作。然后用交叉熵损失函数预训练生成器及判别器。在对抗训练阶段，引入强化学习方法及结合Bandit算法的上限置信区间搜索算法，完成对离散数据训练过程的参数更新传递及不完整序列的模拟。在经过多轮训练过后，最终，使用训练完成的生成器生成一批告警数据。本发明针对判别器难以分辨不完整序列是否为真实数据的问题，引入结合Bandit算法的上限置信区间搜索算法，将不完整序列模拟为完整的告警数据，从而可以在生成器生成数据的任意时刻都可以通过判别器得到奖励值。
-
公开(公告)号：CN118246568A
公开(公告)日：2024-06-25
申请号：CN202410231047.2
申请日：2024-02-29
Applicant: 北京邮电大学
Abstract: 本发明提供一种空中计算的联邦学习方法、边缘服务器、中继器及系统，该方法包括：基于可解释性算法对参与联邦学习的各终端设备进行分簇，得到至少两个终端簇；针对各终端簇，接收与终端簇对应的中继器发送的增强叠加信号，增强叠加信号为中继器对叠加信号进行信号放大后得到的，叠加信号为基于对应的终端簇内各终端设备发送的用于联邦学习的模型参数信号进行空中计算后得到的；基于增强叠加信号进行联邦学习。本发明通过对各终端设备进行分簇，并通过中继器对空中计算得到的叠加信号进行信号放大，能降低信号传输的失真率，提高信号传输的准确性和稳定性，进而可以提高联邦学习的效率。
-
公开(公告)号：CN118095410A
公开(公告)日：2024-05-28
申请号：CN202410062281.7
申请日：2024-01-16
Applicant: 北京邮电大学 , 联通时科(北京)信息技术有限公司
IPC: G06N3/098 , G06N3/0455
Abstract: 本发明提供一种神经网络架构搜索的联邦学习参数高效微调方法及装置。该方法包括：基于联邦学习架构中客户端的预训练语言模型进行神经网络架构搜索中，对预训练语言模型的结构参数和参数高效微调模块进行迭代优化，获得第一结构参数和第一参数高效微调模块，并对其进行迭代聚合处理，获得全局结构参数和全局参数高效微调模块；基于全局参数高效微调模块和全局结构参数对客户端的预训练语言模型的第一结构参数和第一参数高效微调模块进行参数更新处理，获得参数更新结果，并基于参数更新结果对预训练语言模型进行微调，获得微调结果。本发明提供的方法，能够有效提高联邦学习参数高效微调效率和准确率，从而降低了通信成本。
-
公开(公告)号：CN117579221A
公开(公告)日：2024-02-20
申请号：CN202311339205.8
申请日：2023-10-16
Applicant: 北京邮电大学
Abstract: 本发明提供一种分布式空时分组编码传输系统和传输性能分析方法，所述系统包括：源节点，用于发射传输信号；分布式的多个智能反射面IRS，用于接收从源节点发出的传输信号，调整传输信号的相位构造空时分组编码，并将空时分组编码后的信号分布式反射到目的节点；目的节点，用于接收空时分组编码后的信号，对空时分组编码后的信号进行解码得到传输信号。本发明通过在源节点和目的节点之间部署分布式的多个IRS，同时接收源节点发出的信号并调整相位构造空时分组编码，以分布式的方式反射到目的节点，可以创建视距视距链路和构造空时传输，在6G无线物联网中收发器大小和设计复杂度受到限制以及存在障碍物的情况下，实现无线链路的可靠传输。
-
公开(公告)号：CN117527814A
公开(公告)日：2024-02-06
申请号：CN202311423422.5
申请日：2023-10-30
Applicant: 北京邮电大学
IPC: H04L67/1031 , H04L41/12
Abstract: 本发明提供一种分布式算力网络服务的动态扩缩容方法、装置及存储介质，该方法包括：获取目标算力网络服务请求；目标算力网络服务请求中包括算力节点拓扑和算力节点资源；获取预先构建的目标模型；在目标算力网络服务请求为时延敏感请求的情况下，将算力节点拓扑和算力节点资源输入目标模型，得到目标算力节点对应的部署方案；按照部署方案将目标算力节点部署在分布式算力网络中；能够解决在网络流量和服务拓扑变化的情况下，无法实现对算力网络服务动态扩缩容的问题；实现对算力网络服务的动态扩缩容；同时，能够在多个节点之间有效地分配资源，从而优化整个算力网络的性能，确保每个节点都得到适当的资源分配，从而提高整个算力网络的效率。
-
-
-
-
-
-
-
-
-
Search Results
196
records
(took 0.093 seconds)
