群智感知中基于局部预算共享的多源任务分配方法及系统

    公开(公告)号:CN115629885B

    公开(公告)日:2023-04-07

    申请号:CN202211644417.2

    申请日:2022-12-21

    Applicant: 暨南大学

    Abstract: 本申请公开了群智感知中基于局部预算共享的多源任务分配方法及系统,其中方法包括:确定角色类型;角色类型包括:任务请求者、移动群智感知平台和移动群智感知参与者;通过移动群智感知平台收集感知任务;根据感知任务,建立多源感知任务分配模型;基于多源感知任务分配模型来获取最佳分配方案。本申请采用聚合的思想,通过将位置相近且相似的感知任务聚合并使他们共享预算。并设计一种路径规划方法帮助参与者在任务截止日期前以较低的成本完成任务。最后迭代地为每个感知任务分配合适的参与者,以实现任务分配的目标:最大化任务完成质量和最小化总的移动距离。解决移动群智感知中感知任务与参与者双重异构的多任务分配问题。

    一种基于本地差分隐私的动态图发布方法

    公开(公告)号:CN117744141A

    公开(公告)日:2024-03-22

    申请号:CN202311758104.4

    申请日:2023-12-20

    Applicant: 暨南大学

    Abstract: 本发明提出了一种基于本地差分隐私的动态图发布方法。该方法首先收集各节点加噪后的度数据,用以计算相邻时刻内动态图的变化量,从而判断是否需要更新图数据。若更新被确定,进一步收集各节点加噪后的邻接向量和转移概率,并结合历史信息建立隐马尔可夫模型,计算该时刻所有节点间的连接概率。最终,通过建立优化模型并求解,实现对动态图的重构和更新。本发明能够有效挖掘动态图的时序信息,在时间跨度长且更新频繁的动态图场景中,严格控制隐私预算的消耗,同时有效保证发布的动态图数据的效用。

    一种面向非正交多址通信系统的符号级预编码方法及系统

    公开(公告)号:CN116743219B

    公开(公告)日:2024-02-02

    申请号:CN202310555231.8

    申请日:2023-05-16

    Applicant: 暨南大学

    Abstract: 本发明涉及无线通信技术领域,提出一种面向非正交多址通信系统的符号级预编码方法及系统,其应用的通信系统包括配备有Nt个发射天线的基站,每个基站同时向K个用户终端发送信息。其中,所述符号级预编码方法包括以下步骤:通过相移键控对基站向用户终端发送的信息比特进行调制,得到数据符号;建立基站符号级预编码信号与用户终端SINR之间的关系模型;根据所述关系模型确定约束条件,对基站的总发射功率构建优化目标;基于迭代优化算法求解所述优化目标的近似解,得到预编码矩阵;利用所述预编码矩阵进行符号级预编码,得到预编码信号。

    一种基于群组的合作性群智感知任务推荐方法及系统

    公开(公告)号:CN116821522A

    公开(公告)日:2023-09-29

    申请号:CN202311099016.8

    申请日:2023-08-30

    Applicant: 暨南大学

    Abstract: 本发明公开了一种基于群组的合作性群智感知任务推荐方法及系统,包括以下步骤:确定角色类型,其中,角色类型包括:合作性群智感知平台、参与者和参与者群组;通过合作性群智感知平台,根据参与者和任务的信息构建参与者群组;根据参与者群组,设计双重注意力机制,聚合组成员偏好,得到群组和任务的嵌入表示;根据群组和任务的嵌入表示,利用基于神经网络的协同过滤算法,设计协同神经网络结构,为参与者群组生成个性化的top‑K任务推荐列表。本发明解决合作性群智感知中个人推荐方法无法应用在群组中的问题,综合考虑参与者能力和偏好差异,使用双重注意力机制提高了任务和群组嵌入表示的准确度,进而增强了任务推荐算法的性能。

    群智感知中基于局部预算共享的多源任务分配方法及系统

    公开(公告)号:CN115629885A

    公开(公告)日:2023-01-20

    申请号:CN202211644417.2

    申请日:2022-12-21

    Applicant: 暨南大学

    Abstract: 本申请公开了群智感知中基于局部预算共享的多源任务分配方法及系统,其中方法包括:确定角色类型;角色类型包括:任务请求者、移动群智感知平台和移动群智感知参与者;通过移动群智感知平台收集感知任务;根据感知任务,建立多源感知任务分配模型;基于多源感知任务分配模型来获取最佳分配方案。本申请采用聚合的思想,通过将位置相近且相似的感知任务聚合并使他们共享预算。并设计一种路径规划方法帮助参与者在任务截止日期前以较低的成本完成任务。最后迭代地为每个感知任务分配合适的参与者,以实现任务分配的目标:最大化任务完成质量和最小化总的移动距离。解决移动群智感知中感知任务与参与者双重异构的多任务分配问题。

    一种算力网络中负载感知的多微服务副本弹性伸缩方法

    公开(公告)号:CN119512759A

    公开(公告)日:2025-02-25

    申请号:CN202411685487.1

    申请日:2024-11-23

    Applicant: 暨南大学

    Abstract: 本发明公开了一种算力网络中负载感知的多微服务副本弹性伸缩方法,旨在应对动态的在线工作负载环境,保证端到端响应时延满足服务水平协议(SLA)的同时提高微服务资源利用率。该发明首先通过Prometheus、cAdvisor和Istio等插件采集Kubernetes集群中各微服务的历史性能数据,并将这些数据存储于时间序列数据库中,构建训练数据集。随后,根据微服务之间的调用关系和数据集中的微服务特征构建图数据结构,利用图注意力网络训练多微服务CPU利用率和P90响应延迟预测器,从而形成智能体可交互的模拟环境。基于此模拟环境,设计并训练深度上下文多臂赌博机模型,结合上置信界(UCB)策略,在大状态空间和复杂非线性关系中选择最优的副本调整策略,实现多微服务系统的自动水平伸缩。最终,将训练好的模型部署于实际环境中,通过Prometheus定期监测和更新微服务的上下文信息,进行实时副本调整,降低SLA违规风险并提升资源利用率。

    一种公平高效的在线网络切片多资源分配方法

    公开(公告)号:CN119109885A

    公开(公告)日:2024-12-10

    申请号:CN202411357647.X

    申请日:2024-10-25

    Applicant: 暨南大学

    Abstract: 针对现有的网络切片方法资源利用率低、租户满意度低、租户隐私泄露等问题。本发明提出一种公平高效的在线切片多资源分配方法。首先当租户的切片请求到达时,根据其请求的切片类型确定其基本需求向量和请求该类型切片得到的收益向量,在线环境下各类型切片请求的数量是一个未知量;然后计算当前各资源的容量;最后根据未来租户需求类型的概率计算未知量来近似最大化纳什社会福利的分配。本发明能适用于大规模在线请求的情况,实现了公平性和效率之间的权衡。

    基于智能反射面的多播方向调制网络安全通信方法

    公开(公告)号:CN118075757B

    公开(公告)日:2024-11-26

    申请号:CN202410391065.7

    申请日:2024-04-02

    Applicant: 暨南大学

    Abstract: 本发明公开一种基于智能反射面的多播方向调制网络安全通信方法,包括下述步骤:构建基于智能反射面的多播方向调制网络;获得信道状态信息;构建基站发射信号模型;构建合法用户的接收信号模型以及窃听者的窃听信号模型;计算合法用户和窃听者窃取不同用户信息时的可实现速率;将合法用户的可实现速率减去窃听者窃取信息时的可实现速率得到合法用户的保密速率;构建初步目标函数;对所有合法用户的保密速率等价转化,将初步目标函数解耦成两个待优化子函数;求解两个待优化子函数,迭代优化得到最优发射波束赋形向量和最优智能反射面相移矩阵;调整基站天线及智能反射面的电磁反射系数。本发明实现提升用户保密速率的目标,提高无线通信的安全性。

    适用于高移动性场景的短包速率分割多址接入方法及系统

    公开(公告)号:CN117858234B

    公开(公告)日:2024-10-01

    申请号:CN202311749519.5

    申请日:2023-12-18

    Applicant: 暨南大学

    Abstract: 本发明公开了一种适用于高移动性场景的短包速率分割多址接入方法及系统,该方法包括下述步骤:将消息分割为公共消息和私有消息;公共消息编码合并为公共数据流,私有消息编码为各自私有数据流;选择各个数据流对应的波束赋形方案,基于瞬时信道矩阵计算波束赋形矩阵;根据用户移动速度和信道统计特征推导出遍历和速率闭式表达,通过闭式解选择最优的功率分配因子;将所有数据流分别乘上对应波束赋形矢量和功率分配因子,叠加所有信号作为发送信号由基站发送;接收端依次解码出用户公共数据流和私有数据流,重构得到用户所有信息。本发明能有效提升系统的和速率,同时考虑有限包长情况,在实现相同系统性能前提下降低端到端延迟,提高传输可靠性。

    一种算力网络中基于信任的任务卸载方法

    公开(公告)号:CN118283039A

    公开(公告)日:2024-07-02

    申请号:CN202410374096.1

    申请日:2024-03-29

    Applicant: 暨南大学

    Abstract: 现有的大多数任务卸载方法忽略了算力提供者的算力伪造攻击或者存在卸载算法的时间复杂度较高的问题,难以满足延时敏感场景中用户对高可靠和低延时的卸载服务的要求;对此,本发明公开了一种算力网络中基于信任的任务卸载方法。本发明将问题建模为最小化云服务中心的成本,然后通过基于信任的任务卸载算法求解得到一个近似最优解;然后使用一种双层信任评估算法以准确评估信任度,为任务卸载提供信任支撑。本发明通过上述两种算法的有机结合有效提高了任务卸载的有效性和可靠性,能够很好的满足用户对时延的要求;同时,信任值越高的边缘服务器更有可能被选为服务提供者,本发明能有效鼓励边缘服务器的诚实行为和提高用户的体验质量。

Patent Agency Ranking