-
公开(公告)号：CN114969271A
公开(公告)日：2022-08-30
申请号：CN202210729694.7
申请日：2022-06-24
Applicant: 海南大学
IPC: G06F16/33 , G06F16/332
Abstract: 本发明涉及一种联合知识库的生成式问答方法、装置及系统，在获取并解析用户输入的自然语句，获得查询语句，并获取外部知识库的数据并进行预处理，获得数据以设定数据表示形式存储的表示数据。进一步地，根据查询语句获取对应的表示数据，作为自然语句的答案数据。基于此，用户以自然语句输入即可获得相应的答案数据，且答案数据与各类外部知识库相关联，在保证答案的全面与准确的同时，简化用户的操作，有效地提升问答查询的体验。
-
公开(公告)号：CN114726735A
公开(公告)日：2022-07-08
申请号：CN202210397761.X
申请日：2022-04-15
Applicant: 海南大学
IPC: H04L41/0896 , H04L41/147 , H04L41/14 , H04L41/5041 , H04L67/1074 , H04L43/08 , H04L43/062
Abstract: 本发明属于服务容器技术领域，公开了一种服务扩缩容方法及其系统，所述的方法包括如下步骤：建立服务资源使用情况预测模型；获取目标服务在当前时间段的资源使用情况和容器副本数量；使用服务资源使用情况预测模型进行预测；根据目标服务在下一时间段的资源使用情况预测值和单个服务容器的资源情况进行决策分析，得到目标服务在下一时间段所需的容器副本数量；根据目标服务在当前时间段的容器副本数量和下一时间段所需的容器副本数量对目标服务进行扩缩容操作，并存储对应的扩缩容操作记录。本发明解决了现有技术存在的增加资源供应存在滞后、响应时间长、服务质量下降、准确度低以及扩缩容的复杂性高的问题。
-
公开(公告)号：CN114661472A
公开(公告)日：2022-06-24
申请号：CN202210319871.4
申请日：2022-03-29
Applicant: 海南大学
Abstract: 本发明属于资源分配技术领域，公开了一种基于机器学习的服务资源动态分配方法及其系统，所述的方法包括如下步骤：基于机器学习建立服务资源预测模型；实时采集服务集群中各服务的实时服务数据；提取服务集群中目标服务的实时服务数据，并将实时服务数据输入服务资源预测模型进行预测，得到目标服务的服务资源预测结果；根据服务集群中各服务的实时服务数据、目标服务的服务资源预测结果及服务优先级进行动态分配，得到目标服务的服务资源分配决策；根据服务资源分配决策分配目标服务的服务资源。本发明解决了现有技术存在的资源分配方式费时费力、不合理的资源分配策略导致服务性能不能有效发挥、资源利用率低以及影响其他服务正常运行的问题。
-
公开(公告)号：CN110460463B
公开(公告)日：2021-12-14
申请号：CN201910671422.4
申请日：2019-07-24
Applicant: 海南大学
Abstract: 本发明公开了一种基于深度神经网络的服务质量预测方法及其系统，涉及网络服务技术领域。该方法包括以下步骤：输入请求上下文变量信息，并通过实体表达矩阵在编码模块进行编码，以得到嵌入式请求矩阵；将经过编码的所述上下文变量信息进行压缩并进行特征提取，以得到所述请求上下文变量信息的按照时序的嵌入式请求矢量；根据所述时序依次输入所述嵌入式请求矢量至LSTM网络模块，以输出所述深度神经网络对下一次输入请求上下文变量信息的预测数据信息；对所述预测数据信息进行感知，以得到解码后的所述预测数据信息，将所述解码后的所述预测数据信息还原为服务质量数据并输出。
-
公开(公告)号：CN110971683A
公开(公告)日：2020-04-07
申请号：CN201911191031.9
申请日：2019-11-28
Applicant: 海南大学
Abstract: 本发明公开了一种基于强化学习的服务组合方法，所述服务组合满足动态约束，其包括如下步骤：根据用户的功能性需求建立工作流，为工作流中的每个任务选取候选服务，对所有候选服务的QoS非功能属性进行数据预处理；根据建立的工作流结构搭建基于强化学习的自适应模型；每一次训练自适应模型时，均将根据建立工作流结构随机生成的训练集、用户对QoS非功能属性的偏好和约束输入自适应模型中，循环迭代若干次训练，以得到收敛的自适应模型；将工作流中每个任务的候选服务属性、用户对QoS非功能属性的偏好和约束输入收敛的自适应模型中，输出合适的工作流候选服务序列。本发明的基于强化学习的服务组合方法弥补了传统Q-learning的不足，大大减少了服务组合过程中耗费的资源。
-
Patent Agency Ranking
公开(公告)号：CN105245399A
公开(公告)日：2016-01-13
申请号：CN201510565636.5
申请日：2015-09-08
Applicant: 海南大学
IPC: H04L12/26 , H04L12/801
Abstract: 本发明涉及一种端到端网络通信路径中瓶颈链路的度量方法，包括S1、捕获探测数据包队列在每一个链路上的平均传输间隔，从而确认拥塞链路；S2、度量拥塞链路的容量；S3、计算拥塞链路的可用带宽；S4、在拥塞链路中找出待测路径的瓶颈链路，并输出它的位置、容量和可用带宽信息。通过发送一组探测数据包队列，该组数据包队列从源节点传送到目标节点，跟踪该队列在每一段链路上的内部数据包传输间隔，捕获探测数据包队列在每一个链路上的平均传输间隔即PPD值，确认拥塞链路；在一个度量周期内，获知端到端通信路径中瓶颈链路的位置、可用带宽、带宽物理容量上限；且基于主动探测机制，无需在网络路径的沿途各节点中安装软件，适用范围广泛。
-
公开(公告)号：CN105159998A
公开(公告)日：2015-12-16
申请号：CN201510566216.9
申请日：2015-09-08
Applicant: 海南大学
IPC: G06F17/30
CPC classification number: G06F16/35
Abstract: 本发明涉及一种基于文档聚类关键词计算方法，所述方法包括(1)获取文本文档集合；(2)将文档集合中各文档内容采用分词算法进行词条切分；(3)建立文档向量；(4)采用TF-IDF计算文档向量：(5)对文档向量进行维度压缩；(6)进行文档聚类计算；(7)计算各组文档的代表性关键词。本发明的有益效果为：本发明提供了完整可行的计算步骤，并创新性地支持文档向量维度的压缩，计算效率高。本发明在执行文档向量的降维处理时，采用了不同于任何现有技术的一种简洁、高效的新方法。本发明是首个连接不同的环节，以切实可行的计算步骤，确保从文档集合中计算出代表性关键词的技术方案。
-
公开(公告)号：CN115333921B
公开(公告)日：2024-03-29
申请号：CN202211001874.X
申请日：2022-08-20
Applicant: 海南大学
IPC: H04L41/0631 , H04L41/0677 , H04L41/12 , H04L41/14
Abstract: 本发明涉及一种微服务异常根因定位方法及装置，在获取微服务的调用链数据与监控指标数据后，根据调用链数据执行异常检测，筛选出异常的微服务，作为异常服务；根据异常服务构建异常服务组合拓扑图，并结合异常服务组合拓扑图与监控指标数据，为异常服务组合拓扑图赋予状态信息，以完成异常服务组合拓扑图的构造。最后，对构造完成的异常服务组合拓扑图执行根因定位。基于此，可快速准确地检测出微服务中的异常，并根据根因定位迅速确定异常的位置，便于有效管理微服务，保障微服务系统的稳定性。
-
公开(公告)号：CN111562943B
公开(公告)日：2023-07-11
申请号：CN202010357023.3
申请日：2020-04-29
Applicant: 海南大学
IPC: G06F8/75 , G06N3/0464 , G06N3/084
Abstract: 本发明涉及一种基于事件嵌入树及GAT网络的代码克隆检测方法和装置。本发明的基于事件嵌入树及GAT网络的代码克隆检测方法将源代码转换为其对应的流程图，并使用自定义的IR中间表示文本对该流程图进行描述；通过事件嵌入层(Event Embeddinhg)对IR中每一个节点的语句进行事件嵌入计算，得到节点向量矩阵(Node Vector Matrix)；通过GAT图注意力网络对节点向量矩阵每一节点的事件嵌入向量进行调整融合，使其感知上下文节点的事件嵌入语义，得到节点上下文矩阵(Node Context Vector Matrix)；使用卷积层对节点上下文矩阵中每个节点进行卷积计算，从而提取该程序流程图最终的向量表示；使用该向量表示通过分类器(classifier)判断两个代码片段是否为克隆代码对。
-
公开(公告)号：CN115333921A
公开(公告)日：2022-11-11
申请号：CN202211001874.X
申请日：2022-08-20
Applicant: 海南大学
IPC: H04L41/0631 , H04L41/0677 , H04L41/12 , H04L41/14
Abstract: 本发明涉及一种微服务异常根因定位方法及装置，在获取微服务的调用链数据与监控指标数据后，根据调用链数据执行异常检测，筛选出异常的微服务，作为异常服务；根据异常服务构建异常服务组合拓扑图，并结合异常服务组合拓扑图与监控指标数据，为异常服务组合拓扑图赋予状态信息，以完成异常服务组合拓扑图的构造。最后，对构造完成的异常服务组合拓扑图执行根因定位。基于此，可快速准确地检测出微服务中的异常，并根据根因定位迅速确定异常的位置，便于有效管理微服务，保障微服务系统的稳定性。
-
-
-
-
-
-
-
-
-
Search Results
40
records
(took 0.063 seconds)
