-
公开(公告)号：CN106130809A
公开(公告)日：2016-11-16
申请号：CN201610808973.7
申请日：2016-09-07
Applicant: 东南大学 , 焦点科技股份有限公司
IPC: H04L12/24
CPC classification number: H04L41/069 , H04L41/0677
Abstract: 本发明公开了一种基于日志分析的IaaS云平台网络故障定位方法及系统，包括故障注入模块、日志采集和分析模块、知识生成模块以及故障检测与定位模块，首先通过注入各类典型的网络故障，形成相应的各类故障日志。然后针对各类故障分别采集物理资源、操作系统、虚拟机、OpenStack等各层次网络故障相关的日志信息，并对采集到的网络故障日志信息使用Apriori算法进行故障特征挖掘。在此基础上，根据最大频繁项集和支持度、置信度等参数，利用贝叶斯公式生成对应特定网络故障的关联规则和知识。最后，当系统再次发生网络故障时，可根据所采集的故障日志并与知识库的关联规则进行对比和分析，从而定位网络故障发生的层次。
-
公开(公告)号：CN114064280B
公开(公告)日：2024-08-02
申请号：CN202111381192.1
申请日：2021-11-20
Applicant: 东南大学 , 中移(成都)信息通信科技有限公司
Abstract: 本发明提出了一种多约束下的端边协同推断方法，该方法包括两个阶段，分别为端边协同推断模型分割阶段和在线动态调整阶段。其中，端边协同推断模型分割阶段能够在端边协同推断环境中，在智能终端设备能耗、内存大小等约束下，综合考虑智能终端设备和边缘设备的计算能力，对深度神经网络进行模型分割；在线动态调整阶段能够自适应调整模型分割位置，以适应端边协同推断环境中的动态变化。并针对多约束下的端边协同推断机制中的两个阶段，建立了端边协同推断数学模型，并提出了相应的求解算法。
-
公开(公告)号：CN112463976B
公开(公告)日：2024-05-24
申请号：CN202011053028.3
申请日：2020-09-29
Applicant: 东南大学
IPC: G06F16/36 , G06F40/295 , G06N3/0442 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种以群智感知任务为中心的演化知识图谱构建技术。本发明本发明提出了一种新型的以群智感知任务为中心的图谱结构，通过将该以该图谱结构的信息构建子图并入基准知识图谱，可以形成知识图谱演化；从感知人员获取群智感知任务并上传感知结果开始，本发明利用双向LSTM‑CRF方式进行命名实体识别，并利用预设定的格式进行关系抽取；随后，通过迭代式的实体链接方法，在每次迭代过程中进行表示学习，将最匹配的实体进行标记，不断迭代提取直到收敛；最后对信息进行可信度分析，结合用户历史提交的结果评估其感知结果的可信度。
-
公开(公告)号：CN117176729A
公开(公告)日：2023-12-05
申请号：CN202310849900.2
申请日：2023-07-11
Applicant: 中移(成都)信息通信科技有限公司 , 中国移动通信集团有限公司 , 东南大学
IPC: H04L67/1008 , H04L67/02 , H04L67/133 , H04L67/568 , G06N3/098
Abstract: 本申请实施例公开了一种应用于联邦学习的客户端选择方法，该方法包括：接收客户端集群中的至少一个初始客户端对第一联邦学习模型进行训练后得到的模型参数；基于每一初始客户端的模型参数和每一初始客户端的系统性能，从客户端集群中筛选出第一目标客户端子集；将第一目标客户端子集中的至少一个第一目标客户端作为联邦学习的参与方，对第一联邦学习模型进行训练得到目标联邦学习模型。本申请实施例还公开了一种应用于联邦学习的客户端选择设备和存储介质。
-
公开(公告)号：CN116883229A
公开(公告)日：2023-10-13
申请号：CN202310892762.6
申请日：2023-07-20
Applicant: 东南大学
IPC: G06T1/40 , G06N3/084 , G06V10/82 , G06V10/94 , G06V10/764
Abstract: 本发明提供了一种异构GPU集群中加速神经网络训练的流水线并行方法，核心机制主要包含三个部分，分别是深度学习模型刻画、同构GPU模型划分及任务放置与异构GPU模型划分及任务放置。本发明首先针对深度学习应用在GPU训练过程中的资源需求，刻画出使用不同类型的GPU时训练过程中计算量、中间结果通信数量、参数同步量等相应指标，并将其作为模型划分与任务放置的输入。然后根据模型刻画结果和GPU集群的环境，设计基于动态规划的划分算法，实现异构GPU和异构带宽感知的流水线混合并行模型划分与任务放置，目的是最小化划分之后各阶段任务执行时间的最大值，以确保负载均衡，实现深度神经网络的高效分布式训练。
-
Patent Agency Ranking
公开(公告)号：CN112131490B
公开(公告)日：2022-11-15
申请号：CN202010989380.1
申请日：2020-09-18
Applicant: 东南大学
IPC: G06F16/9537 , G06F16/36 , G06N3/08
Abstract: 本发明公开了一种知识图谱驱动下区域敏感的兴趣点推荐方法。给定用户和用户所处的地理位置以及用户的历史访问记录，兴趣点推荐希望寻找到用户将来最有可能访问的k个兴趣点。本发明以知识图谱作为辅助手段，其节点包含实体节点和属性节点，边表示实体与实体、实体与属性的关系。知识图谱可以串联各类兴趣点实体的关系，同时有效表征地理空间关系。基于知识图谱学习兴趣点类型特征和属性特征，并用L维向量表示。然后根据兴趣点地理位置关系定义区域范围以表征区域环境特征，结合兴趣点特征描述地理影响，共同进行兴趣点推荐。最后，使用基于知识图谱的位置兴趣点推荐算法进一步筛选候选结果，将得分最高的k个兴趣点作为结果返回给用户。
-
公开(公告)号：CN110061927A
公开(公告)日：2019-07-26
申请号：CN201910344246.3
申请日：2019-04-26
Applicant: 东南大学
IPC: H04L12/801
Abstract: 本发明公开了一种多队列数据中心环境中基于显示拥塞通知(ECN)的标记方法，主要解决传统ECN无法感知微突发流、无法适应动态网络的问题。本发明主要包含三个部分，分别是ECN阈值下界计算、阈值基值设置和阈值动态调整。本发明首先针对多队列数据中心环境下微突发流的产生和传输过程进行稳态分析，为每一个交换队列求解出ECN阈值的下界，保证交换机队列缓冲区能够有效地吸收微突发流。然后基于理想的Generic Packet Schedule(GPS)模型，对ECN阈值下界进行调整并为每个队列设置阈值基值，保证交换队列的入队速率和出队速率平衡，最后，基于提高网络吞吐量的目标，针对交换机内存资源建立队列缓冲区最大化利用的优化模型，提出ECN阈值动态调整算法。
-
公开(公告)号：CN106130809B
公开(公告)日：2019-06-25
申请号：CN201610808973.7
申请日：2016-09-07
Applicant: 东南大学 , 焦点科技股份有限公司
IPC: H04L12/24
Abstract: 本发明公开了一种基于日志分析的IaaS云平台网络故障定位方法及系统，包括故障注入模块、日志采集和分析模块、知识生成模块以及故障检测与定位模块，首先通过注入各类典型的网络故障，形成相应的各类故障日志。然后针对各类故障分别采集物理资源、操作系统、虚拟机、OpenStack等各层次网络故障相关的日志信息，并对采集到的网络故障日志信息使用Apriori算法进行故障特征挖掘。在此基础上，根据最大频繁项集和支持度、置信度等参数，利用贝叶斯公式生成对应特定网络故障的关联规则和知识。最后，当系统再次发生网络故障时，可根据所采集的故障日志并与知识库的关联规则进行对比和分析，从而定位网络故障发生的层次。
-
公开(公告)号：CN115638803B
公开(公告)日：2025-03-21
申请号：CN202211218557.3
申请日：2022-10-06
Applicant: 东南大学
IPC: G01C21/34
Abstract: 本发明公开了一种城市兴趣点敏感的个性化路径规划方法。本发明预先按照网格对城市区域进行划分，然后基于实际路网构造网格连通关系，将各个区域连接，建模成图。将路径规划问题建模成：规划一条最短路径，该路径从给定的起点出发，以用户指定的顺序访问多个不同兴趣点(Point Of Interest,POI)类型的位置，最终抵达用户给定的终点。路径规划求解分为三阶段：一是节点间距计算阶段，二是POI优先的贪心搜索阶段，三是基于距离上界的动态规划阶段。通过预处理的最短距离，基于动态规划算法思想，快速、准确地找到一条能够满足用户按序访问指定类型候选节点的需求的最短路径。
-
公开(公告)号：CN116415694A
公开(公告)日：2023-07-11
申请号：CN202111662439.7
申请日：2021-12-31
Applicant: 中国移动通信有限公司研究院 , 东南大学 , 中国移动通信集团有限公司
IPC: G06N20/20
Abstract: 本申请公开一种联邦学习处理方法及装置、终端和服务端，涉及计算机处理技术领域，以解决现有方案难以取得训练效率与收敛增益之间平衡的问题。该方法包括：获取N个终端在第t轮联合训练中的训练信息，训练信息包括训练数据集信息、训练时间信息和收敛贡献值；根据训练数据集信息、训练时间信息和收敛贡献值，确定多目标优化参数，多目标优化参数包括训练闲余时间和收敛贡献和；以最小化训练闲余时间为第一优化目标，以最大化收敛贡献和为第二优化目标，确定N个终端中各终端的目标训练迭代次数；分别向N个终端发送各自目标训练迭代次数。本申请实施例可在提高联邦学习训练时间效率与提高终端全局收敛增益之间达到平衡化。
-
-
-
-
-
-
-
-
-
Search Results
37
records
(took 0.022 seconds)
