公开(公告)号：CN119299398A

公开(公告)日：2025-01-10

申请号：CN202411814594.X

申请日：2024-12-11

Applicant: 暨南大学

Inventor： 曹坤 ,  王语晨 ,  余欣妍 ,  许瑞

IPC: H04L47/80 ,  H04L41/0896 ,  H04L41/16

Abstract: 本发明公开了基于动态优先级的联邦学习终端选择和资源调度方法，涉及联邦学习的用户选择与带宽分配技术领域，包括：获取联邦学习中央控制器与用户交换的模型基本结构与资源信息参数；根据资源信息参数，计算每个用户的优先级值，并按优先级值从大到小对用户进行排序；基于用户优先级顺序，选择满足训练延迟要求的用户子集；针对用户子集，计算完成训练任务所需的最少带宽分配比例，计算考虑用户的数据量、计算能力和网络状况；采用二分法为用户子集分配带宽资源，二分法通过迭代调整带宽分配；判断用户子集的总能量损耗是否超过给定的能量约束阈值，若超过阈值，则从用户子集中删除优先级最低的用户。本发明最大化提高联邦学习性能。

公开(公告)号：CN119299330A

公开(公告)日：2025-01-10

申请号：CN202411824913.5

申请日：2024-12-12

Applicant: 暨南大学

Inventor： 曹坤 ,  唐一璇 ,  许瑞

IPC: H04L41/5003 ,  H04L41/0823 ,  H04L41/16 ,  H04L67/12

Abstract: 本发明公开了一种在SMEC环境中最大化服务质量的高可靠性个性化部署方法及系统，包括：首先，生成估计的可选执行比例；然后，为任务分配最优的处理器资源；接着，基于交叉熵（CE）方法优化处理器资源分配和任务执行策略；随后，根据实时反馈调整执行比例并生成新的部署方案；之后，动态调整物联网应用的服务质量参数；再判断新方案的性能是否优于前一方案，如满足，则继续执行；如果不满足，则回滚到先前的部署方案。使用本发明能够在保证系统可靠性的前提下，根据动态变化的应用需求和环境条件，实时优化服务质量，最大化系统性能。

公开(公告)号：CN119299330B

公开(公告)日：2025-03-25

申请号：CN202411824913.5

申请日：2024-12-12

Applicant: 暨南大学

Inventor： 曹坤 ,  唐一璇 ,  许瑞

IPC: H04L41/5003 ,  H04L41/0823 ,  H04L41/16 ,  H04L67/12

Abstract: 本发明公开了一种在SMEC环境中最大化服务质量的高可靠性个性化部署方法及系统，包括：首先，生成估计的可选执行比例；然后，为任务分配最优的处理器资源；接着，基于交叉熵（CE）方法优化处理器资源分配和任务执行策略；随后，根据实时反馈调整执行比例并生成新的部署方案；之后，动态调整物联网应用的服务质量参数；再判断新方案的性能是否优于前一方案，如满足，则继续执行；如果不满足，则回滚到先前的部署方案。使用本发明能够在保证系统可靠性的前提下，根据动态变化的应用需求和环境条件，实时优化服务质量，最大化系统性能。