-
公开(公告)号：CN115914141A
公开(公告)日：2023-04-04
申请号：CN202211167850.1
申请日：2022-09-23
Applicant: 暨南大学
IPC: H04L49/20 , H04L49/90 , H04L47/2441
Abstract: 本发明公开了一种基于P4硬件交换机的网络数据流分类预测方法，包括以下步骤：在控制器上使用历史数据流量集提取数据流的信息和模型训练算法离线训练决策树预测模型；挑选由控制器中计算得到的预测模型并插入模型所转换的匹配‑动作表项；在P4硬件交换机流水线上实时提取并计算数据流的相关特征，以进行实时数据流分类预测功能；在P4硬件交换机流水线上进行内存管理，释放不活跃数据流占用的空间。本发明解决了在训练数据包分类预测模型时由于数据集中不同类别的数据样本量不平衡问题的存在导致模型准确率低，以及由于模型过大而无法满足交换机内存限制问题，同时提供实时的数据流分类预测功能并且能重复利用有限的内存资源以防止内存溢出。
-
公开(公告)号：CN117808051B
公开(公告)日：2024-06-21
申请号：CN202410094487.8
申请日：2024-01-23
Applicant: 暨南大学
IPC: G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于可编程数据平面的时序任务预测方法，具体涉及网络数据流时序任务预测领域，包括以下步骤：使用网络数据流量集收集历史数据流的特征和卷积神经网络模型训练算法训练初始模型；使用神经网络架构搜索算法和量化算法自动搜索满足部署条件的卷积神经网络模型；在P4可编程数据平面上实时计算网络流特征并进行卷积神经网络推理。本发明利用神经网络架构搜索算法和量化算法自动搜索可部署的卷积神经网络模型，解决了P4可编程数据平面有限的存储资源和计算资源大小限制导致的部署失败问题；并利用P4可编程数据平面中提供的定点数基本运算实现了卷积神经网络推理计算而无需控制器的参与。
-
Patent Agency Ranking
公开(公告)号：CN112218337B
公开(公告)日：2023-02-28
申请号：CN202010919693.X
申请日：2020-09-04
Applicant: 暨南大学
Abstract: 本发明公开了一种移动边缘计算的缓存策略决策方法，该方法构建带移动边缘计算服务器的宏基站、带移动边缘计算服务器的小基站和移动用户组成的多小区网络模型，解决多小区的协作缓存问题。移动边缘计算服务器能够缓存定量的文件为移动用户提供缓存服务，若移动边缘计算服务器内缓存的文件命中了移动用户的文件请求，便能为该移动用户提供低时延的缓存服务并缓解回程链路的负载。由于移动边缘计算服务器的缓存容量有限，该方法引入深度Q网络算法得到满足要求的各小区基站的缓存策略，有效降低小区内所有移动用户请求文件产生的总时延和和回程链路负载。
-
公开(公告)号：CN112218337A
公开(公告)日：2021-01-12
申请号：CN202010919693.X
申请日：2020-09-04
Applicant: 暨南大学
Abstract: 本发明公开了一种移动边缘计算的缓存策略决策方法，该方法构建带移动边缘计算服务器的宏基站、带移动边缘计算服务器的小基站和移动用户组成的多小区网络模型，解决多小区的协作缓存问题。移动边缘计算服务器能够缓存定量的文件为移动用户提供缓存服务，若移动边缘计算服务器内缓存的文件命中了移动用户的文件请求，便能为该移动用户提供低时延的缓存服务并缓解回程链路的负载。由于移动边缘计算服务器的缓存容量有限，该方法引入深度Q网络算法得到满足要求的各小区基站的缓存策略，有效降低小区内所有移动用户请求文件产生的总时延和和回程链路负载。
-
公开(公告)号：CN112020103A
公开(公告)日：2020-12-01
申请号：CN202010781085.7
申请日：2020-08-06
Applicant: 暨南大学
IPC: H04W28/14 , G06F16/172 , G06N3/00 , H04L29/08
Abstract: 本发明公开了一种移动边缘云中的内容缓存部署方法，该方法结合移动边缘计算与组播路由，构建带控制器的宏蜂窝-微蜂窝二层异构网络架构，解决多小区的协作缓存问题。在此架构基础上将移动边缘云中的内容缓存部署问题转化为一种0-1整数规划问题，提出解决此问题的缓存部署方法。该方法以组播交付作为切入点，将文件的流行度和交付时延作为部署的依据，结合基于组播和流行度感知的协作缓存算法和改进的蚁群优化组播算法优化交付时延，找到一种能够降低系统总时延的内容缓存部署方式，将热点内容合理地预缓存在边缘服务器中。该方法在减少交付时延从而提升用户服务质量的同时高效利用有限的网络资源，以响应5G低时延、高带宽、大连接的需求。
-
公开(公告)号：CN117808051A
公开(公告)日：2024-04-02
申请号：CN202410094487.8
申请日：2024-01-23
Applicant: 暨南大学
IPC: G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于可编程数据平面的时序任务预测方法，具体涉及网络数据流时序任务预测领域，包括以下步骤：使用网络数据流量集收集历史数据流的特征和卷积神经网络模型训练算法训练初始模型；使用神经网络架构搜索算法和量化算法自动搜索满足部署条件的卷积神经网络模型；在P4可编程数据平面上实时计算网络流特征并进行卷积神经网络推理。本发明利用神经网络架构搜索算法和量化算法自动搜索可部署的卷积神经网络模型，解决了P4可编程数据平面有限的存储资源和计算资源大小限制导致的部署失败问题；并利用P4可编程数据平面中提供的定点数基本运算实现了卷积神经网络推理计算而无需控制器的参与。
-
公开(公告)号：CN112020103B
公开(公告)日：2023-08-08
申请号：CN202010781085.7
申请日：2020-08-06
Applicant: 暨南大学
IPC: H04W28/14 , H04L67/12 , G06F16/172 , H04L67/568 , G06N3/006
Abstract: 本发明公开了一种移动边缘云中的内容缓存部署方法，该方法结合移动边缘计算与组播路由，构建带控制器的宏蜂窝‑微蜂窝二层异构网络架构，解决多小区的协作缓存问题。在此架构基础上将移动边缘云中的内容缓存部署问题转化为一种0‑1整数规划问题，提出解决此问题的缓存部署方法。该方法以组播交付作为切入点，将文件的流行度和交付时延作为部署的依据，结合基于组播和流行度感知的协作缓存算法和改进的蚁群优化组播算法优化交付时延，找到一种能够降低系统总时延的内容缓存部署方式，将热点内容合理地预缓存在边缘服务器中。该方法在减少交付时延从而提升用户服务质量的同时高效利用有限的网络资源，以响应5G低时延、高带宽、大连接的需求。
-
-
-
-
-
-
Search Results
7
records
(took 0.02 seconds)
