-
公开(公告)号：CN113592077B
公开(公告)日：2024-04-05
申请号：CN202110895523.7
申请日：2021-08-05
Applicant: 哈尔滨工业大学
IPC: G06N3/0464 , G06N3/08 , G06N5/04 , G06F9/50
Abstract: 一种面向边缘智能的云边端DNN协同推理加速方法，属于DNN推理加速技术领域，用以解决现有的DNN推理任务的响应时间没有得到最大限度的减少的问题。本发明的技术要点包括：针对DAG形式的DNN模型，在原有的两层模型划分基础上，充分考虑云、边、端三层设备，设计了三层两阶段模型划分方法，提高了云边端计算资源的利用率和边缘服务器在极端情况下协同模型的可用性；在将DNN模型划分问题转化为最大流最小割问题的算法基础上，通过图压缩方法对DAG进行预处理，降低了模型划分算法的时间复杂度；进一步增加对于局部并行单元的处理方法，解决了算法在面对复杂DNN模型时的功能缺陷。本发明适用于边缘智能中对DNN模型进行实时动态调整。
-
公开(公告)号：CN117336750A
公开(公告)日：2024-01-02
申请号：CN202311267542.0
申请日：2023-09-28
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种车联网边缘计算架构下基于服务缓存技术的计算卸载方法及系统，涉及车联网架构中计算卸载技术领域，以解决现有技术中存在的服务缓存技术在计算卸载问题中优化效果不好的问题。本发明的技术要点包括：建立基于服务缓存技术的车联网架构网络拓扑，并基于车联网架构网络拓扑构建车联网架构问题模型；利用车辆的移动轨迹信息构建道路链接模型，并利用基于道路链接模型的服务缓存部署算法预先进行服务缓存部署；对于车联网架构网络拓扑下的每个实时计算任务，利用基于服务缓存的贪心策略计算卸载算法对车联网架构问题模型进行求解，获取计算任务的转发路径。本发明有效提升了服务缓存命中率并节省缓存资源，提高了计算卸载的性能。
-
公开(公告)号：CN117240560A
公开(公告)日：2023-12-15
申请号：CN202311240301.7
申请日：2023-09-25
Applicant: 哈尔滨工业大学
IPC: H04L9/40 , H04L41/14 , H04L41/16 , G06N3/0475 , G06N3/094
Abstract: 本发明公开了一种基于GAN的高仿真蜜罐实现方法及系统，涉及网络安全技术领域。本发明的技术要点包括：获取攻击者请求报文；利用基于GAN的高仿真蜜罐对攻击者请求产生正确应答，进而生成响应报文；其中，基于GAN的高仿真蜜罐依靠响应生成模型生成响应报文，所述响应生成模型的构建包括数据预处理与模型训练；数据预处理的步骤包括：特定协议流量的提取；提取数据包的六元组；以流划分数据包集合；特定协议数据载荷提取；请求载荷分类；响应载荷编码。本发明提高了平均交互次数且缓解了因服务模拟不到位造成无法深入交互的问题，具有较高仿真度。
-
公开(公告)号：CN117217295A
公开(公告)日：2023-12-12
申请号：CN202311176924.2
申请日：2023-09-13
Applicant: 哈尔滨工业大学
Abstract: 本发明公开了一种基于节点选择的异构图迁移学习方法，涉及迁移学习技术领域，用以对源网络中的节点进行数值量化评估并选择与目标网络更相关且具有高质量的节点，进而提高模型在目标网络上的性能。本发明的技术要点包括：利用特定语义的特征提取器聚合基于元路径的邻居信息，用特定语义的分类器对不同语义的特征表示进行分类，同时使用最大均值差异距离和L2正则化来对齐源网络和目标网络的分布，将得到的选择向量加入到各损失函数中，来学习具有标签可分辨性和跨网络一致性的节点嵌入表示，用于对目标网络中的节点进行标签分类预测，所述方法包括三部分，即特征提取、节点标签分类和分层域对齐。实验结果显示本发明相对于基线方法表现更显著。
-
公开(公告)号：CN117151279A
公开(公告)日：2023-12-01
申请号：CN202311025770.7
申请日：2023-08-15
Applicant: 哈尔滨工业大学
IPC: G06Q10/04 , G06Q50/00 , G06F16/22 , G06N3/0464 , G06N3/0455 , G06N3/084
Abstract: 一种基于线图神经网络的同构网络链路预测方法及系统，涉及网络链路预测领域，旨在通过深度学习技术自动挖掘、学习静态同构网络中有利于链路预测的特征信息，用于同构网络上的链路预测任务，且在学习的过程中需要采取方法尽量减少信息损失，提升同构网络上链路预测的精度。本发明采用基于深度学习的方法解决了针对复杂网络中的同构信息网络下的链路预测问题，本发明提出了利用线图神经网络的同构网络链路预测算法NLG‑GNN。该方法通过提取出局部子图的方式来处理大规模网络，能进一步通过线图转换，将链路信息聚集在一个线图节点中，减少信息损失。结合图神经网络和图嵌入方法获取线图中节点的结构特征和潜在特征，进而完成链路预测任务。
-
Patent Agency Ranking
公开(公告)号：CN115660147A
公开(公告)日：2023-01-31
申请号：CN202211171903.7
申请日：2022-09-26
Applicant: 哈尔滨工业大学
IPC: G06Q10/04 , G06Q50/00 , G06N3/045 , G06N3/042 , G06N3/0464 , G06N3/0442 , G06N3/048 , G06N3/08
Abstract: 一种基于传播路径间与传播路径内影响力建模的信息传播预测方法及系统，涉及信息传播预测技术领域，用以解决在一段时间之后信息在社交网络中流行度增长量的预测问题。本发明的技术要点包括：使用图神经网络对级联图进行建模，得到聚合邻居节点状态与特征的节点表示；通过深度游走算法对整体级联网络图进行采样，获得级联图的序列集合，将图形神经网络嵌入表示与Deepwalk嵌入表示进行拼接来更新序列中各个节点的信息；将附有邻居信息的节点表示序列输入双向LSTM中，同时将时序信息经过注意力机制引导对序列进行整合，增强了级联预测模型的理解能力与预测能力。本发明兼顾级联传播路径间与传播路径内影响力传递性，以及纳入时序与结构因素互补性的有效性。
-
公开(公告)号：CN115470927A
公开(公告)日：2022-12-13
申请号：CN202210987308.4
申请日：2022-08-17
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明公开了一种替代模型自动提取方法、终端及存储介质，方法包括：获取目标模型面向的任务及任务数据信息，根据目标模型面向的任务确定替代模型的架构，并根据模型提取的特点及为改进提取流程设置模型提取框架；对收集的目标模型的任务数据进行降维处理，并对降维后的数据进行筛选，得到替代模型的训练数据集；根据预设指标度量替代模型的分类信心，根据分类信心对训练数据集进行分类，得到查询样本数据；通过模型提取框架中的监督学习算法和一致性正则化算法训练替代模型，得到训练后的替代模型；本发明可以获得目标模型决策能力，使得替代模型尽可能接近甚至超越目标模型在测试数据集上的表现，从而使得替代模型具有更令人满意的可用性。
-
公开(公告)号：CN115134251A
公开(公告)日：2022-09-30
申请号：CN202210761664.4
申请日：2022-06-30
Applicant: 哈尔滨工业大学
IPC: H04L41/12 , H04L41/0823 , H04L43/0823 , H04L61/4552 , H04L61/5007 , H04L67/06 , H04L67/30
Abstract: 一种跨境云内部地理边界发现系统及方法，涉及网络拓扑探测技术领域。本发明的技术要点包括：在正常拓扑探测的基础上，针对云本身的特点进行优化，其中：前缀选取即根据云流量传输的特点选择能够较多的发现云内部地理边界的前缀进行探测，减少了探测目标数量；云地理边界识别即对于探测结果能够快速准确的分析出其中云内部的地理边界，减少了分析时间；测量状态监控即时刻监控测量点状态，观察其是否异常掉线并做出相应处理。本发明在极大程度减少了测量目标及测量时间的基础上，提高了云内部地理边界的发现率。
-
公开(公告)号：CN115134229A
公开(公告)日：2022-09-30
申请号：CN202210761619.9
申请日：2022-06-30
IPC: H04L41/0803 , H04L41/082 , H04L41/084 , H04L41/0659 , H04L43/0805
Abstract: 一种基于覆盖网的NDN网络管理系统及方法，涉及网络管理技术领域，以解决当前NDN网络部署流程复杂且监控与维护缺失的问题。本发明系统包括一个NDN管理端和多个NDN代理端，二者通过NDN网络管理协议实现通信；NDN管理端包括管理请求解析模块、配置项管理模块、代理配置模块、代理监控模块；代理配置模块用于控制NDN代理端的各项配置，代理监控模块用于定时获取所有NDN代理端当前应用的配置，并与配置档案进行比较，若配置档案未被应用则重新应用缺失的配置项；NDN代理端包括代理请求解析模块、NDN转发器、NDN转发器管理模块、NDN转发器测量模块；NDN转发器管理模块用于查询或修改NDN转发器的各项配置。本发明实现了NDN网络管理系统的解耦，增强了系统可扩展性。
-
公开(公告)号：CN114880111A
公开(公告)日：2022-08-09
申请号：CN202210295009.4
申请日：2022-03-24
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F9/50
Abstract: 本发明涉及数据处理领域，特别提供了一种有向无环图DAG任务模型的实时系统中基于DAG任务拓扑结构的处理器资源分配方法。研究了DAG任务内拓扑结构的特点对其执行时产生的影响进行深度分析，提出了提出一个基于拓扑结构的DAG任务分配方法。该方法可以有效的降低DAG任务集在系统上的最坏情况下响应时间，从而提升系统处理器资源利用率。通过理论分析和真实平台测试这两个维度的实验结果表明TDTA处理器资源分配方法相较于最新的处理器资源分配方法而言可以平均降低DAG任务集42.43%的最坏情况下响应时间。
-
-
-
-
-
-
-
-
-
Search Results
251
records
(took 0.043 seconds)
