-
公开(公告)号：CN101370030B
公开(公告)日：2011-03-16
申请号：CN200810156156.3
申请日：2008-09-24
Applicant: 东南大学
IPC: H04L29/08
Abstract: 基于内容复制的资源负载平衡方法，具体涉及一种基于内容复制的资源负载平衡方法以及一种自动的分布式资源监控架构，从每个独立的资源存储中心节点出发，根据本地节点的资源访问情况以及资源存储中心信息，动态的对访问频率较高的资源进行内容复制，并为复制的资源选择一个合适的资源存储节点进行存储，最终实现面向资源的负载平衡。负载平衡所需的资源存储中心信息如带宽，磁盘空间，信用度等通过分布式资源监控脚本程序采集存储到全局管理中心的监控信息数据库中。
-
公开(公告)号：CN113723279B
公开(公告)日：2022-11-01
申请号：CN202111000951.5
申请日：2021-08-30
Applicant: 东南大学
Abstract: 本发明公开了一种边缘计算环境中基于时空间优化的多目标跟踪加速方法，属于边缘计算、视频分析和深度学习领域。该方法包括：步骤1、利用TensorRT推理优化框架对执行多目标跟踪的深度神经网络模型进行结构优化；步骤2、使用基于时空间优化的实时多目标跟踪算法执行模式对多目标跟踪任务执行进行加速；步骤3、针对基于时空间优化的实时多目标跟踪算法中特征提取部分的深度学习推理，建立并求解自适应的端边协同数据并行模型；步骤4、基于步骤3所执行的端边协同数据并行模型，将其结果在进行合并并完成后处理计算，输出多目标跟踪结果。本方法的应用提升了目前目标跟踪视频分析系统的执行速度并最大化利用了系统内的计算资源。
-
公开(公告)号：CN114662661A
公开(公告)日：2022-06-24
申请号：CN202210282401.5
申请日：2022-03-22
Applicant: 东南大学
Abstract: 本发明公开一种边缘计算下异构处理器加速多出口DNN(Deep Neural Networks)推理的方法，首先针对不同负载下的CPU与GPU，分别统计深度神经网络各层在CPU、GPU上的计算成本、各层提前退出分支出口的分类能力以及各网络层中间数据量大小；然后分析数据，得出特定负载情况下，将深度神经网络各层分配给CPU(GPU)处理器的最优并行组合模型；最后在终端设备上在线监测分析CPU、GPU的负载情况、以及当前的计算能力，以最小化推理时延为目标对深度神经网络推理任务进行切分，任务切块分别被分配在GPU与CPU，最终形成基于异构处理器的推理加速框架。此种方法能够提高推理的灵活性，保证准确率，降低推理总时延，满足边缘智能应用的实时性与高精度需求。
-
公开(公告)号：CN109905329B
公开(公告)日：2021-06-08
申请号：CN201910007824.4
申请日：2019-01-04
Applicant: 东南大学
IPC: H04L12/851 , H04L12/863 , H04L12/865 , H04L12/911
Abstract: 本发明公开了一种虚拟化环境下任务类型感知的流队列自适应管理方法，该方法包含：(1)接收来自管理员的指令，若为流调度策略移除指令，则开始流调度移除功能，若该命令为流调度策略部署指令，则开始流调度策略部署功能；(2)基于不同流的元数据信息感知任务类型，判断流所属的任务类型是否为带宽敏感型或是延迟敏感型；(3)在虚拟化层将不同类型任务的流映射到内核模块中不同的Qdisc队列，实现对不同类型任务的流的网络传输性能的隔离和管理；(4)实时统计不同任务类型的流负载情况，根据负载对不同队列之间的传输权重进行自适应调整和优化。该方法能够感知任务类型并对流队列进行自适应管理，有效提高虚拟化环境下任务的网络传输性能。
-
公开(公告)号：CN106470242B
公开(公告)日：2019-07-19
申请号：CN201610809567.2
申请日：2016-09-07
Applicant: 东南大学 , 焦点科技股份有限公司
IPC: H04L29/08
Abstract: 本发明公开了一种云数据中心大规模异构集群节点快速定量分级方法，本发明逻辑上主要包括三个部分，分别是集群节点性能参数预处理、集群节点性能参数矩阵标定和集群节点性能参数软聚类。本发明首先针对云数据中心集群节点中各种不同量纲级的性能参数进行采集量化并做标准化处理；然后对标准化后的集群节点性能参数值进行标定，基于标定值引入相似系数法建立云数据中心中所有集群节点的性能参数模糊相似矩阵；最后基于传递闭包法对得到的模糊相似矩阵进行改造，使其变成模糊等价矩阵，并在适当的截距水平上对其进行截取，最终得到大规模集群节点性能参数聚类图。为云数据中心后续的数据布局、能耗优化等管理提供节点性能参照依据。
-
Patent Agency Ranking
公开(公告)号：CN107943592A
公开(公告)日：2018-04-20
申请号：CN201711326972.X
申请日：2017-12-13
Applicant: 江苏省邮电规划设计院有限责任公司 , 东南大学
IPC: G06F9/50
Abstract: 本发明公开了一种面向GPU集群环境的避免GPU资源争用的方法，包括支持多应用程序细粒度并发执行的插件，应用程序行为特征抽取和应用程序任务调度。针对同一个NVIDIA GPU节点上运行的多个应用程序可能会引起的GPU资源争用问题，构建一个支持多应用程序细粒度并发执行的平台，使得多个应用程序在同一个GPU节点上可以尽可能的并发执行。其次，抽取每个应用程序的GPU行为特征，包括GPU使用模式和GPU资源需求信息。根据应用程序的GPU行为特征，以及当前GPU集群中各个GPU节点的资源使用状态，调度应用程序到适合的GPU节点上，从而最小化多个独立应用程序在同一个GPU节点上的资源争用。
-
公开(公告)号：CN104216782B
公开(公告)日：2017-06-09
申请号：CN201410410274.8
申请日：2014-08-19
Applicant: 东南大学
IPC: G06F9/50
Abstract: 本发明公开了一种高性能计算和云计算混合环境中的动态资源管理方法，主要解决目前集群数据中心运行的多种任务对不同的计算模式的需求问题，核心机制为此混合环境中的动态资源管理机制。本发明首先利用集群物理资源构建高性能计算和云计算双栈式混合环境，然后针对混合系统云环境里的虚拟机资源建立物理资源最大化利用的优化模型，提出虚拟机迁移算法，最终实现高性能计算和云计算混合环境的动态资源管理，提高底层资源的利用率，进而有效满足应用需求。
-
公开(公告)号：CN103345514B
公开(公告)日：2016-06-08
申请号：CN201310287554.X
申请日：2013-07-09
Applicant: 焦点科技股份有限公司 , 东南大学
Abstract: 本发明公开了一种大数据环境下的流式数据处理方法，主要涉及MapReduce计算模型的改进，具体包括：数据的本地化无冗余存放与处理机制，让每个计算节点只存储与处理对应区间内的数据；以流水线的方式调度Map和Reduce相关线程以加快处理速度；中间结果的内存存放机制，用以保证数据本地化与流水线的有效实施，提供高速、便捷的内存访问模式。通过以上三个模块，保证在大数据环境下，对数据流进行处理的可靠性与高效性，满足实际应用中数据处理的需求。
-
公开(公告)号：CN102790762A
公开(公告)日：2012-11-21
申请号：CN201210202701.4
申请日：2012-06-18
Applicant: 东南大学
Abstract: 本发明公开了一种基于URL分类的钓鱼网站检测方法，首先对URL特征进行建模，针对特征中的域名模仿现象，本发明提出了一种利用动态规划思想对可疑域名和受保护域名进行相似度计算的方法，为收集钓鱼URL高频可疑字符特征，本发明提出了一种基于广义后缀树的可疑字符提取算法，之后在特征建模基础上利用支持向量机（SVM）算法对实验训练集进行了分类训练，训练结果得到SVM分类模型，用于对待检测URL进行分类，检测钓鱼网站的服务器根据特定的在线增量学习策略对当前SVM分类模型进行升级。
-
公开(公告)号：CN117319295A
公开(公告)日：2023-12-29
申请号：CN202211606987.2
申请日：2022-12-14
Applicant: 东南大学
IPC: H04L45/50 , H04L49/111
Abstract: 本发明公开了一种胖树拓扑的数据中心网络中追踪数据包物理路径的方法，包括以下步骤：步骤1)为数据中心网络中各个交换机节点和Pod分配特定标签，并对服务器节点IP进行特定配置；步骤2)基于分配标签，向数据中心网络中各交换机节点部署一定的流表项，实现向数据包头部空间压入标签等功能；步骤3)在数据包经过交换机节点时，交换机基于该数据包的流表匹配项执行相应操作；在客户端或服务器端，将数据包头部中最终的路径信息序列进行拆分解析，还原该数据包在数据中心网络中的完整路径。该方法能够有效减少交换机流表项数量和数据包头部空间，并完整还原数据包在网络内的物理路径，可用于快速测量网络流量矩阵、监测定位网络异常等功能。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.043 seconds)
