-
公开(公告)号：CN119094844A
公开(公告)日：2024-12-06
申请号：CN202411119760.4
申请日：2024-08-15
Applicant: 南京大学 , 江苏移动信息系统集成有限公司
IPC: H04N21/4402 , H04N21/44 , H04N21/234 , H04N21/2343 , H04N21/6547 , H04L65/80 , H04L65/70 , H04L65/75 , G06T3/4046 , G06T3/4053 , G06N3/006 , G06N3/0464 , G06N3/092
Abstract: 本发明公开了一种面向移动端视频的自适应超分辨率方法和装置，所述方法包括：对基于超分辨率和动态比特率的移动端视频传输场景建立数学模型；建立适用于移动端的超分辨率模型；建立执行超分倍数和比特率决策的强化学习智能体模型；搭建使用大型数据集对超分模型和智能体进行预训练的系统；设计自适应重训练的机制与方法，超分辨率模型和智能体的决策下发给移动端设备用于视频拉取和观看。本发明综合考虑了移动端的能源消耗和视频传输效果，在移动端带宽波动较大的情况下利用设备的计算能力，增强视频的质量和加载的流畅度，提升用户整体的视频观看体验。
-
公开(公告)号：CN115037620B
公开(公告)日：2024-05-10
申请号：CN202210538531.0
申请日：2022-05-18
Applicant: 国网浙江省电力有限公司电力科学研究院 , 国网浙江省电力有限公司 , 南京大学
IPC: H04L41/0823 , H04L41/14 , H04L67/10 , H04L12/66
Abstract: 本发明公开了一种面向边缘智能网关的资源分配方法及设备。本发明的资源分配方法包括：建立系统模型，包括资源分配模型和可用性分析模型；根据系统模型，使用集中式解决方案将资源分配问题转换为优化问题；使用分布式解决方案对优化问题进行计算并输出分配方案。本发明将边缘计算、容器技术和微服务架构相结合，通过对业务功能APP获取资源方式的灵活管控，保证部署于智能网关的各项APP的长期稳定运行，同时达到提高资源利用率以及降低网络时延的效果。
-
公开(公告)号：CN112148451B
公开(公告)日：2023-12-29
申请号：CN202011030053.X
申请日：2020-09-27
Applicant: 南京大学
IPC: G06F9/48 , G06F9/50 , G06N3/0464 , H04L67/10
Abstract: 本发明公开了一种低时延的协同自适应CNN推断系统及方法，应用于边缘计算网络。所述系统包括一个主节点和多个从节点，主节点用于实时监控各从节点的运行状态，并周期性地更新从节点的推断任务，从节点用于推断任务的具体执行。本发明在系统中实现了CNN跨层数据范围演绎机制，使得主节点和从节点可以演绎出在CNN诸多层中任意两块数据之间的依赖关系，借此实现高效的自定义动态调度；同时设计了均衡同步调度器作为系统内置调度器，以动态感知的方式调整从节点负载并实现内存的高效回收。
-
公开(公告)号：CN116681245A
公开(公告)日：2023-09-01
申请号：CN202310661278.2
申请日：2023-06-06
Applicant: 南京大学
IPC: G06Q10/0631 , G06Q10/067 , G06Q10/04
Abstract: 本发明提出了一种众包系统中工人选择和任务分派方法及装置，所述方法包括：获取基于分布式计算的众包工作场景下的众包信息；基于获取的信息，建立以最小化众包系统中多个平台的总成本为目标的优化问题模型，优化问题模型的求解对象是工人选择决策和任务分派决策；对优化问题模型进行求解，从任意可行解开始，通过执行局部搜索算法反复改进解决方案，直至获得一个近似最优解，根据最优解完成众包工人的选择和任务的分派。本发明支持众包系统的多平台联合决策，同时考虑了工人计算资源的有限性，具有广泛的适用性，提高众包场景下工人选择和任务分派效率，从而提高众包系统的多平台联合效益。
-
公开(公告)号：CN111461134B
公开(公告)日：2023-04-07
申请号：CN202010418529.0
申请日：2020-05-18
Applicant: 南京大学
IPC: G06V20/62 , G06V30/148 , G06V30/19 , G06V10/82 , G06T3/40 , G06N3/0475 , G06N3/094
Abstract: 本发明提供了一种基于生成对抗网络的低分辨率车牌识别方法，包括以下步骤：1)构建图像增强模块：根据输入的低分辨率的车牌字符图像集进行训练，训练得到能生成更逼近真实图像的高分辨率车牌字符的图像生成模型；2)构建图像识别模块：利用生成的高分辨率车牌字符图像和真实的车牌字符图像进行训练，通过迭代优化损失，从而提高判别模型对输入图像的真假判别能力和识别效果；3)整体框架训练：包括数据预处理、模型框架训练及测试三个阶段。本发明方法实现了端到端的低分辨率车牌自动识别，能够有效提高低分辨率车牌的辨识度和识别精度。
-
Patent Agency Ranking
公开(公告)号：CN115037620A
公开(公告)日：2022-09-09
申请号：CN202210538531.0
申请日：2022-05-18
Applicant: 国网浙江省电力有限公司电力科学研究院 , 国网浙江省电力有限公司 , 南京大学
IPC: H04L41/0823 , H04L41/14 , H04L67/10 , H04L12/66
Abstract: 本发明公开了一种面向边缘智能网关的资源分配方法及设备。本发明的资源分配方法包括：建立系统模型，包括资源分配模型和可用性分析模型；根据系统模型，使用集中式解决方案将资源分配问题转换为优化问题；使用分布式解决方案对优化问题进行计算并输出分配方案。本发明将边缘计算、容器技术和微服务架构相结合，通过对业务功能APP获取资源方式的灵活管控，保证部署于智能网关的各项APP的长期稳定运行，同时达到提高资源利用率以及降低网络时延的效果。
-
公开(公告)号：CN111193604B
公开(公告)日：2021-08-17
申请号：CN201910783332.4
申请日：2019-08-23
Applicant: 腾讯科技(深圳)有限公司 , 南京大学
IPC: H04L12/24
Abstract: 本申请公开一种虚拟网络功能链的部署方法、装置、设备及存储介质，属于网络技术领域。该方法包括：接收虚拟网络功能链的部署请求，虚拟网络功能链包括至少一个虚拟网络功能VNF节点，部署请求携带至少一个VNF节点的部署信息；获取用于部署VNF节点的多个物理设备的拓扑信息，拓扑信息包括用于指示多个物理设备的拓扑关系、以及每个物理设备的设备资源容量和物理链路带宽的信息；基于至少一个VNF节点的部署信息与拓扑信息，按照所有物理设备剩余物理资源容量的平方和最大化原则，将虚拟网络功能链部署至多个物理设备中。本申请可以一次快速部署虚拟网络功能链，减少了处理时间，避免需要多次部署寻求最优解，可以适用于边缘网络中。
-
公开(公告)号：CN112532419A
公开(公告)日：2021-03-19
申请号：CN202011028905.1
申请日：2020-09-25
Applicant: 南京大学
IPC: H04L12/24 , H04L12/911 , H04L29/08 , G06F9/455
Abstract: 本发明公开了一种数据中心多用户混合资源请求的部署方法，该方法包括如下步骤：(A)构建用户混合资源请求模型和数据中心网络模型；所述用户混合资源请求模型包括一组提供IaaS服务的VM(虚拟机)、VM(虚拟机)之间的带宽需求以及其需要访问的Networklet集合；所述Networklet表示一组通过相互配合提供PaaS服务或SaaS服务的VM集合。所述数据中心网络模型包括构成数据中心网络的一组物理机器(PMs)集合以及两个相邻物理机器间的网络带宽。(B)采用基于多用户共享Networklet的HTR+Networklet算法，首先为Networklet分配资源，然后为资源请求中其他的VM分配资源，最终得到用户混合资源请求的部署方案。本发明通过共享Networklet，可以有效提高数据中心的资源利用率，并取得到较好的部署结果。
-
公开(公告)号：CN112148451A
公开(公告)日：2020-12-29
申请号：CN202011030053.X
申请日：2020-09-27
Applicant: 南京大学
Abstract: 本发明公开了一种低时延的协同自适应CNN推断系统及方法，应用于边缘计算网络。所述系统包括一个主节点和多个从节点，主节点用于实时监控各从节点的运行状态，并周期性地更新从节点的推断任务，从节点用于推断任务的具体执行。本发明在系统中实现了CNN跨层数据范围演绎机制，使得主节点和从节点可以演绎出在CNN诸多层中任意两块数据之间的依赖关系，借此实现高效的自定义动态调度；同时设计了均衡同步调度器作为系统内置调度器，以动态感知的方式调整从节点负载并实现内存的高效回收。
-
公开(公告)号：CN110662238B
公开(公告)日：2020-08-25
申请号：CN201911016176.5
申请日：2019-10-24
Applicant: 南京大学
Abstract: 本发明提出一种针对边缘网络下突发请求的强化学习调度方法及设备，方法包括：建立系统模型，包括通信模型、请求模型和服务器模型；根据系统模型为调度突发请求建立目标函数，将调度突发请求转化为优化问题；采用强化学习求解优化问题，定义状态空间、动作空间和奖赏函数，建立强化学习模型；采用A3C算法训练强化学习模型直至收敛；将训练好的模型用于边缘网络的请求调度。该方法以多服务器协作的方式处理突发请求，相邻的边缘服务器相互协作，从而最大化在deadline之前完成的请求数量。通过将调度问题迁移成强化学习的决策问题，针对每个请求，只需将当前的状态输入到强化学习的actor网络，即可从输出的概率分布图中选择动作，达到快速决策的效果。
-
-
-
-
-
-
-
-
-
Search Results
32
records
(took 0.041 seconds)
