-
公开(公告)号：CN114116696A
公开(公告)日：2022-03-01
申请号：CN202111411277.X
申请日：2021-11-25
Applicant: 桂林电子科技大学
IPC: G06F16/215 , G06F16/27 , H04L67/1097
Abstract: 本发明公开一种云存储系统中考虑节点选择机制的故障节点数据重构方法，首先采用软件定义网络技术，高效的测量网络状态等信息；然后通过决策选择出参与构建修复树的供给数据节点及待定新生节点；接着通过为待定新生节点之间建立最大生成树，并结合决策选择出的供给数据节点到新生节点之间的路径共同构建出最优修复树；最后各供给数据节点按照构建出的最优修复树结构将存储的原数据块传至根节点进行数据重构，降低了修复过程中数据传输的时间，提高了修复效率。
-
公开(公告)号：CN118890626A
公开(公告)日：2024-11-01
申请号：CN202410928219.1
申请日：2024-07-11
Applicant: 桂林电子科技大学
IPC: H04W12/121 , H04W12/00 , G06F18/2433 , G06F18/25
Abstract: 本发明公开一种融合时频特征和时空相关性的WSN异常检测方法，通过构建时序图数据、时序分解、编码、解码和异常分析实现对WSN中异常节点的有效检测和定位。采用了离散小波变换将数据时序分解成趋势分量和季节分量。趋势编码器和季节编码器都加入了多模态融合的动态图卷积模块，使其能够自适应地调整空间依赖关系，还融合了不同模态的信息，提高了异常检测的准确率。季节编码器利用频域注意力机制来提取特征，能充分利用频域中正常数据与异常数据振幅分布的差异，提高WSN异常数据的识别能力。本发明能够有效地检测和定位WSN中的异常节点，有效提高异常检测的准确性和效率。
-
Patent Agency Ranking
公开(公告)号：CN114116696B
公开(公告)日：2024-03-15
申请号：CN202111411277.X
申请日：2021-11-25
Applicant: 桂林电子科技大学
IPC: G06F16/215 , G06F16/27 , H04L67/1097
Abstract: 本发明公开一种云存储系统中考虑节点选择机制的故障节点数据重构方法，首先采用软件定义网络技术，高效的测量网络状态等信息；然后通过决策选择出参与构建修复树的供给数据节点及待定新生节点；接着通过为待定新生节点之间建立最大生成树，并结合决策选择出的供给数据节点到新生节点之间的路径共同构建出最优修复树；最后各供给数据节点按照构建出的最优修复树结构将存储的原数据块传至根节点进行数据重构，降低了修复过程中数据传输的时间，提高了修复效率。
-
公开(公告)号：CN116545913A
公开(公告)日：2023-08-04
申请号：CN202310687225.8
申请日：2023-06-12
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种SDWN中基于多智能体深度强化学习的智能组播路由方法，利用深度强化学习自适应性和灵活性的特点来适应网络的动态变化，采用多个智能体协作构建从源节点到所有目的节点的组播路径，通过南向接口向路径中的交换机下发流表，从而实现组播路由。另外，利用SDWN监控全局网络链路状态信息的特点，来实现管理无线网络并获取其全局拓扑和链路状态信息，使智能体能够根据动态网络的状态信息变化来智能的调整组播路由。
-
公开(公告)号：CN119967538A
公开(公告)日：2025-05-09
申请号：CN202510136753.3
申请日：2025-02-07
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于多智能体深度强化学习的智能跨域组播路由方法，利用多控制器通信机制和组播组管理模块分别实现SDWN不同控制域之间网络信息的传递和同步，以及对跨域组播组成员的发现和有效管理；根据分解得到的域间组播树和域内组播树问题的问题特点分别设计了相应的动作策略，以提高智能体的探索效率，并对智能体所采取的不同动作策略设计不同的奖励函数，以引导智能体构建出高效的域间和域内组播树；通过对多智能体的协同学习和策略协调来实现跨域组播树的构建和优化，采用完全去中心化的求解范式以提高多智能体协作的稳定性，同时设计了离线和在线相结合的训练方式，减少了与环境的交互频率和对实时环境的依赖，有效提升多智能体的收敛速度。
-
公开(公告)号：CN119966873A
公开(公告)日：2025-05-09
申请号：CN202510213322.2
申请日：2025-02-25
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种SDWN中基于多智能体图强化学习的多对多通信路由方法，首先设计了一种基于Q‑learning强化学习算法，优化部署智能体的网络节点数量，从而降低现有方法对所有网络节点部署智能体带来的计算和部署成本；然后在AC框架下的设计了一种集中式训练分布式执行的多智能体深度强化学习算法，为了减少模型训练的存储空间开销分别使用图卷积神经网络和图神经网络重新设计Actor和Critic的网络结构，解决了现有方法中卷积神经网络对拓扑结构数据适应能力比较弱的问题；最后提出动作空间局部观测方法来避免无效动作的生成，从而降低模型训练的时间开销并加快收敛速度，从而降低模型训练的时间开销并加快收敛速度。
-
公开(公告)号：CN116669136A
公开(公告)日：2023-08-29
申请号：CN202310794093.9
申请日：2023-06-30
Applicant: 桂林电子科技大学
Abstract: 本发明公开一种基于网络态势感知的智能软件定义无线网络路由方法，先利用SDWN架构实现全面感知多种网络状态信息，并通过GCN‑GRU预测模型预测下一阶段的流量状态，再通过设计下一跳邻接节点作为强化学习的动作空间，并根据链路信息和奖惩机制来设计不同的奖励函数，后使用基于重要性采样和梯度裁剪的损失函数来更新网络参数。本发明能够更加全面满足QoS业务需求，并具有收敛速度快、可靠性高和稳定性强的特点。
-
-
-
-
-
-
Search Results
7
records
(took 0.025 seconds)
