-
公开(公告)号：CN110362411B
公开(公告)日：2022-08-02
申请号：CN201910680641.9
申请日：2019-07-25
Applicant: 哈尔滨工业大学
Abstract: 一种基于Xen系统的CPU资源调度方法，涉及CPU资源调度技术领域。本发明为了解决现有的CPU资源调度的方法无法对具体运行的任务进行区分、无法与实时运行环境进行结合来调整CPU资源等问题。将vcpu队列作为输入数据，对RNN分类模型进行训练；获取Xen系统的全局队列信息credit[]和pri[]，再利用训练好的RNN分类模型对Xen系统的全局队列信息credit[]和pri[]进行分类；判断上述数组是否为空，如果是则结束，否则分类结果通过Q‑learning算法来更新q‑table表；利用当前更新后q‑table表进行时间片调整来完成CPU资源的调度。提高资源的有效利用率并降低云数据中心的能源消耗。
-
公开(公告)号：CN112087332B
公开(公告)日：2022-06-21
申请号：CN202010917539.9
申请日：2020-09-03
Applicant: 哈尔滨工业大学
IPC: H04L41/0823 , H04L41/0896 , H04L67/10 , G06F9/54 , G06F9/50 , G06F9/455
Abstract: 一种云边协同下的虚拟网络性能优化系统，属于边缘计算技术领域，用以解决云边平台交互中网络时延问题。该系统包括系统部署模块和系统架构模块，其中，系统部署模块负责把容器和虚拟机按照相关算法部署在不同或者相同的服务器上，算法通过合并发送相同数据的虚拟节点到同一个物理主机上，使系统在通信前就尽可能的把要通信的数据量降到最低；系统架构模块则负责在部署之后完成服务器本身以及服务器和服务器之间的通信，系统架构使得虚拟机和容器之间能够高效率的无障碍通信。系统部署模块和系统架构模块相辅相成，共同解决了边缘云内部以及边缘云和中心云之间的网络时延问题，最大程度地减少云边平台交互中的网络时延。
-
公开(公告)号：CN114285823A
公开(公告)日：2022-04-05
申请号：CN202111654983.7
申请日：2021-12-30
Applicant: 哈尔滨工业大学
IPC: H04L61/4511 , H04L61/30 , H04L67/02
Abstract: 一种基于DNS系统的通用网络标识解析方法及系统，涉及网络标识解析技术领域，用以解决现有的多标识体系由于不能实现体系间标识数据交换而导致协同工作困难的问题。本发明的技术要点包括：获取用户输入的带有网络标识的解析请求，其中，所述解析请求为符合预定义格式的解析请求，其包括两种类型：HTTP模型和标识协议模型；对所述解析请求进行转换，获得可解析URL；基于预先部署的DNS权威服务器，根据可解析URL进行DNS解析，获取对应标识权威服务器的IP地址；基于预先部署的标识权威服务器，访问DNS解析获得的标识权威服务器的IP地址，根据可解析URL进行标识解析，获取网络标识对应的数据。本发明方便了各种标识体系的协同解析功能，降低了部署成本。
-
公开(公告)号：CN113597013A
公开(公告)日：2021-11-02
申请号：CN202110895107.7
申请日：2021-08-05
Applicant: 哈尔滨工业大学
Abstract: 一种移动边缘计算中用户移动场景下的协同任务调度方法，属于移动边缘计算技术领域，用以解决现有移动边缘计算中的任务调度方法对于用户处于移动场景时不能有效减少任务的执行时间的问题。本发明的技术要点包括：提出任务紧迫度排序算法对任务进行排序，以让执行时间较为紧迫的任务得到优先执行；提出基于资源匹配的MEC服务器选择算法得到资源匹配度最高的MEC服务器；比较任务的执行时间，调度任务在执行时间最小的MEC服务器或本地移动设备上计算执行。在用户移动场景下，本发明方法在任务平均执行时间和任务超时率上拥有最优性能，在保证用户服务质量的同时优化了任务的平均执行时间。本发明适用于用户移动场景下移动设备与MEC服务器的协同任务调度。
-
公开(公告)号：CN110321479B
公开(公告)日：2021-07-20
申请号：CN201910447142.5
申请日：2019-05-27
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F16/9535 , G06F21/62
Abstract: 一种隐私保护移动服务推荐方法及客户端、推荐系统，其中隐私保护移动服务推荐方法包括以下步骤：获取用户的样本数据，样本数据为用户的个人信息的省却信息、虚假信息、粗粒度信息或细粒度信息；根据样本数据从一网络服务提供商接收第一服务推荐列表；根据用户的细粒度信息从第一服务推荐列表中筛选且生成第二服务推荐列表；将第二服务推荐列表展示给用户。由于将第一服务推荐列表下载到本地客户端来辅助生成符合用户需求的第二服务推荐列表，使得在保证用户个人信息不受网络服务提供商侵犯的前提下，实现了为用户提供准确推荐服务的功能，能够维持移动服务推荐精度与保护用户隐私之间的平衡，利于用户更好地管理好个人信息。
-
Patent Agency Ranking
公开(公告)号：CN108897602B
公开(公告)日：2021-05-25
申请号：CN201810709486.4
申请日：2018-07-02
Applicant: 哈尔滨工业大学
Abstract: 一种基于KVM的虚拟机自省采集系统及采集方法，本发明涉及基于KVM的虚拟机自省采集系统及采集方法。本发明的目的是为了解决现有当外来的网络攻击出现时，进程的死亡或者网络的瘫痪都会导致虚拟机内部采集的失效的问题。一种基于KVM的虚拟机自省采集系统包括配置下发模块、任务调度模块、文件度量模块、语义解析模块、虚拟机连接模块、流处理模块和数据库模块，实现了对虚拟机的多维度信息采集，包括虚拟机内存信息采集和虚拟机文件信息采集，并且支持Windows虚拟机和Linux虚拟机的采集。本发明用于虚拟机自省采集领域。
-
公开(公告)号：CN108052825B
公开(公告)日：2021-05-07
申请号：CN201711498625.5
申请日：2017-12-29
Applicant: 哈尔滨工业大学
Abstract: 针对二进制可执行文件的模糊测试与符号执行相结合的漏洞检测系统，属于计算机漏洞检测软件开发技术。为了在二进制文件漏洞检测场景中加强检测的深度、提高检测效率。包括经优化设计的模糊器模块、经优化设计的符号执行模块和模糊器跳转符号调度执行模块，引用入缓存探索器和任务协作模块。本发明将模糊测试与符号执行的优势结合在一起进行二进制执行文件漏洞的检测。本发明系统进行了评估实验，采用DARPA网络大挑战的资格赛提供的应用程序作为数据集，设置了对单独模糊测试、单独符号执行、以及本发明实现的漏洞挖掘系统三个对象的对比实验，本发明效果显著，加速了二进制程序隔间的探索，大大加速了漏洞挖掘系统的运行速度。
-
公开(公告)号：CN112463346A
公开(公告)日：2021-03-09
申请号：CN202011631493.0
申请日：2020-12-31
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明提供了一种基于划分调度的DAG任务的启发式处理器划分方法、系统及存储介质，本发明首先推导了一个基于分区固定优先级调度算法的DAG任务的响应时间分析；基于分析的直觉，本发明提出了一种贪婪并行执行集群(GPEC)的处理器分配策略，该策略考虑了DAG任务的拓扑结构和任务内子任务间的自干扰。本发明的有益效果是：本发明的GPEC策略考虑了DAG任务内部拓扑结构和自干扰的影响。此外，本发明将实时系统移植到嵌入式板上，在一个真实的平台上评估GPEC策略的性能。在实验中的与两种最新的处理器分配策略相比，本发明的GPEC策略最多降低了平均WCRT达到35.59%，DAG任务集的可调度率最多提高了76%。
-
公开(公告)号：CN112087332A
公开(公告)日：2020-12-15
申请号：CN202010917539.9
申请日：2020-09-03
Applicant: 哈尔滨工业大学
Abstract: 一种云边协同下的虚拟网络性能优化系统，属于边缘计算技术领域，用以解决云边平台交互中网络时延问题。该系统包括系统部署模块和系统架构模块，其中，系统部署模块负责把容器和虚拟机按照相关算法部署在不同或者相同的服务器上，算法通过合并发送相同数据的虚拟节点到同一个物理主机上，使系统在通信前就尽可能的把要通信的数据量降到最低；系统架构模块则负责在部署之后完成服务器本身以及服务器和服务器之间的通信，系统架构使得虚拟机和容器之间能够高效率的无障碍通信。系统部署模块和系统架构模块相辅相成，共同解决了边缘云内部以及边缘云和中心云之间的网络时延问题，最大程度地减少云边平台交互中的网络时延。
-
公开(公告)号：CN112085085A
公开(公告)日：2020-12-15
申请号：CN202010917529.5
申请日：2020-09-03
Applicant: 哈尔滨工业大学
IPC: G06K9/62 , G06F16/901 , G06N20/00
Abstract: 一种基于图结构的多源迁移学习方法，属于人工智能领域，为了解决单纯利用图结构数据的节点实体特征不能准确预测目标域节点标签的问题。该方法通过构建节点T‑邻域结构，获得T‑邻域结构集合；并对T‑邻域结构集合进行去重，获得子图集B；通过学习子图集B，获得通用结构；利用通用结构分别获得源域节点结构特征和目标域节点结构特征；将节点实体特征和节点结构特征相结合，分别获得源域新特征和目标域新特征，从而获得目标域节点标签。本发明方法可以应用于目标任务相同的同构迁移学习和异构迁移学习，在具有图结构的数据中具有很好的预测效果，可以对一个新未知网络进行较为准确的节点标签信息预测。
-
-
-
-
-
-
-
-
-
Search Results
251
records
(took 0.035 seconds)
