-
公开(公告)号：CN117933388A
公开(公告)日：2024-04-26
申请号：CN202311688354.5
申请日：2023-12-11
Applicant: 重庆大学
IPC: G06N5/04 , G06N3/098 , G06F9/50 , H04W28/086 , H04W28/084 , H04W28/08 , H04L41/16 , H04L67/10
Abstract: 一种边缘计算网络下分布式模型推理加速方法及系统，方法包括：1)建立边缘计算系统；2)获取边缘计算系统中所有边缘服务器、移动设备和DNN推理任务的信息数据；3)构建DNN推理任务划分模型，并对DNN推理任务划分模型进行初始化处理；4)建立DNN推理延迟模型和DNN推理能耗模型；5)构建状态空间、动作空间和奖励函数；6)基于多任务学习的异步优势演员‑评论家算法求解DNN推理任务划分模型，得到划分后的DNN推理任务。系统包括：M个边缘基站、N个移动设备和模型划分控制器。本发明确保计算节点之间的高效通信和协作，加速整个DNN模型推理过程。本发明在边缘计算网络下实现高效的分布式模型推理，提供低延迟的推理服务并节省网络带宽资源。
-
公开(公告)号：CN117933388B
公开(公告)日：2025-04-15
申请号：CN202311688354.5
申请日：2023-12-11
Applicant: 重庆大学
IPC: G06N5/04 , G06N3/098 , G06F9/50 , H04W28/086 , H04W28/084 , H04W28/08 , H04L41/16 , H04L67/10
Abstract: 一种边缘计算网络下分布式模型推理加速方法及系统，方法包括：1)建立边缘计算系统；2)获取边缘计算系统中所有边缘服务器、移动设备和DNN推理任务的信息数据；3)构建DNN推理任务划分模型，并对DNN推理任务划分模型进行初始化处理；4)建立DNN推理延迟模型和DNN推理能耗模型；5)构建状态空间、动作空间和奖励函数；6)基于多任务学习的异步优势演员‑评论家算法求解DNN推理任务划分模型，得到划分后的DNN推理任务。系统包括：M个边缘基站、N个移动设备和模型划分控制器。本发明确保计算节点之间的高效通信和协作，加速整个DNN模型推理过程。本发明在边缘计算网络下实现高效的分布式模型推理，提供低延迟的推理服务并节省网络带宽资源。
-
公开(公告)号：CN116431326B
公开(公告)日：2025-03-04
申请号：CN202310185892.6
申请日：2023-03-01
Applicant: 重庆大学
Abstract: 本发明公开一种基于边缘计算和深度强化学习的多用户依赖性任务卸载方法，步骤包括：1)建立多用户移动边缘计算系统；2)获取边缘计算网络信息，包括云端服务器、边缘服务器、无线移动设备产生的任务信息；3)对于无线移动设备第n个应用程序，建立有向非循环图，以表示应用程序中I个依赖性子任务之间的依赖关系；4)根据有向非循环图，建立依赖性任务卸载时延和能耗模型；5)根据依赖性任务卸载时延和能耗模型，建立任务卸载决策模型，并利用马尔可夫决策方式对任务卸载决策模型进行解算，得到任务卸载决策。本发明大大降低了无线移动设备的通信时延和能量成本，满足了用户需求，节约了链路成本。
-
公开(公告)号：CN118337780A
公开(公告)日：2024-07-12
申请号：CN202410261192.5
申请日：2024-03-07
Applicant: 重庆大学
Abstract: 一种车辆边缘计算网络下面向密集异构任务的竞争与协作计算卸载方法，包括：1)构建车辆边缘计算网络系统；2)获取当前系统中的信息数据；3)初始化系统的参数和迭代次数；4)初始化所有车辆的状态和时间片；5)通过对应的策略选取动作，车辆执行动作后生成经验元组，将经验元组存放至回放池；6)利用回放池中的数据更新系统的目标网络，时间片加一，返回步骤5)，直至时间片达到预设阈值；7)迭代次数加一，返回步骤4)，直至迭代次数达到预设阈值，输出车辆计算卸载方法。本发明相较于其他任务卸载方法，表现出了更低的任务执行延迟和更高的任务完成率，为车辆边缘计算领域的任务卸载决策问题提供了一种创新的解决思路。
-
公开(公告)号：CN112083933B
公开(公告)日：2023-07-04
申请号：CN202010881131.0
申请日：2020-08-27
Applicant: 重庆大学 , 重庆工业大数据创新中心有限公司
Abstract: 本发明公开一种基于强化学习的服务功能链部署方法，步骤为：1)读取当前物理网络拓扑和服务功能链请求；2)生成虚拟网络功能集在物理网络上的放置方案；3)判断虚拟网络功能集中每个虚拟网络功能是否都具有可供所述虚拟网络功能放置的服务器，若是，进入步骤4)，否则，进入步骤6)；4)判断物理网络中是否存在满足所述放置方案需求的链路，若是，则形成服务功能链请求的链路映射方案，进入步骤5)，否则进入步骤6)；5)接受服务功能链请求，根据放置方案和链路映射方案部署服务功能链请求，更新物理网络拓扑，返回步骤1)；6)拒绝服务功能链请求，返回步骤1)。本发明解决了在VNF顺序已知的场景下在线进行服务功能链部署的问题。
-
Patent Agency Ranking
公开(公告)号：CN119646084A
公开(公告)日：2025-03-18
申请号：CN202411477776.2
申请日：2024-10-22
Applicant: 重庆大学
Abstract: 本发明公开一种基于区块链与负载均衡结合的车载边缘网格化数据调度系统，包括动态资源分配模块、智能调度模块、数据管理模块、数据安全与隐私保护模块；本发明的系统能够动态地调整计算和存储资源的分配，根据实时交通和车辆状态信息进行数据调度，从而实现高效的车载边缘计算。
-
-
公开(公告)号：CN113554405A
公开(公告)日：2021-10-26
申请号：CN202110630511.1
申请日：2021-06-07
Applicant: 重庆大学
Abstract: 本发明公开一种面向汽车产业供应链的网络协同制造系统，包括材料供应模块、运输模块、若干材料需求方和云平台；本发明实现了所有汽车零部件在供应链上的流通状态与异常情况，避免了供应链上的各个角色与环节由于信息未共享而形成的数据孤岛，减少了冗余数据，达到了对零部件信息的高效采集、数据分析和可视化的智能预警，提高了汽车生产厂商的管理效率。
-
公开(公告)号：CN118042524A
公开(公告)日：2024-05-14
申请号：CN202410109755.9
申请日：2024-01-25
Applicant: 重庆大学
IPC: H04W28/08 , H04W28/084 , H04W28/086 , H04W12/02 , G06F9/50 , G06N3/045 , G06N3/092 , G06N3/006
Abstract: 本发明公开一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，步骤包括：1)建立智能反射面辅助的移动边缘计算系统；2)基于所述移动边缘计算系统，构建通信及数据安全模型；3)构建不同卸载决策下的延迟优化目标；4)将延迟优化目标建模为马尔科夫决策过程，设置深度强化学习的状态空间、动作空间和奖励函数；5)对建模为马尔科夫决策过程的延迟优化目标进行求解，得到计算卸载和资源分配方案。本发明在优化计算卸载和资源分配策略时考虑了网络的动态性和时变性，使得系统能够在多数网络环境中正常稳定运行。
-
公开(公告)号：CN116843016A
公开(公告)日：2023-10-03
申请号：CN202310580633.3
申请日：2023-05-22
Applicant: 重庆大学
Abstract: 本发明公开一种移动边缘计算网络下基于强化学习的联邦学习方法、系统及介质，方法步骤为：所述边缘服务器通过基站将待训练的机器学习模型下载至用户设备；每个用户设备利用本地数据对机器学习模型进行训练，获得机器学习模型参数wi(k)，并通过基站上传到边缘服务器中；根据待聚合设备的本地数据量，所述边缘服务器对所有待聚合设备的机器学习模型参数进行聚合，得到机器学习模型参数聚合值#imgabs0#并通过基站下载至加入联邦学习的用户设备；系统包括边缘服务器和用户设备。介质存储有计算机程序。本发明综合考虑联邦学习过程中的能量消耗和任务模型的损失函数值来优化联邦聚合策略，在保证任务模型精度的同时减少能量的消耗。
-
-
-
-
-
-
-
-
-
Search Results
19
records
(took 0.016 seconds)
