-
公开(公告)号：CN116346828A
公开(公告)日：2023-06-27
申请号：CN202310344361.7
申请日：2023-04-03
Applicant: 南京大学
IPC: H04L67/1023 , H04L67/1012 , H04L67/1008
Abstract: 本发明公开一种面向多任务感知的微服务部署方法，以微服务为顶点，各微服务之间的调用关系、时序关系、约束关系等基本规则为有向边，建立图的模型，将各顶点所代表的微服务的资源指标映射为其出边的权值，形成AOE网，并将其中那些承担关键任务的微服务按各自重要性加以标识，结合其余各微服务的资源指标共同构成基于AOE网的多任务感知部署模型；通过多任务感知的部署算法对该模型计算出具有优先等级的、由微服务组成的路径，并以贪心的原则按照各路径的优先等级优先对剩余资源较多的集群物理机节点进行试分配，最终按照分配结果给出一个关于原微服务组拆分和部署的优化方案，本发明帮助用户灵活、高效地完成部署工作，以达到解决用户部署难的问题。
-
公开(公告)号：CN116051960A
公开(公告)日：2023-05-02
申请号：CN202310120959.8
申请日：2023-02-16
Applicant: 南京大学
IPC: G06V10/82 , G06V10/20 , G06N3/044 , G06N3/0442 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的无人机群飞行行为识别方法，首先对获得的十类无人机群飞行行为数据进行了预处理，在无人机群行为离线识别场景下，将每类无人机集群飞行行为的原始轨迹序列数据进行归一化，并转化为灰度图像，然后将图像信息输入到构建的卷积神经网络里进行训练；在无人机群行为在线识别场景下，首先将每类无人机集群飞行行为的原始轨迹序列数据进行标准化，然后将标准化后的数据随机截取一个长度固定的时间序列，输入到构建的循环神经网络中进行训练。该方法充分发挥深度学习神经网络的优势，具有设计简单，鲁棒性较佳，训练完成的神经网络模型具有识别准确率高的优点。
-
公开(公告)号：CN113705828A
公开(公告)日：2021-11-26
申请号：CN202110877724.4
申请日：2021-08-01
Applicant: 南京大学
Abstract: 本发明提供的一种基于集群影响度的战场博弈策略强化学习训练方法，通过集群影响度的分析结果并结合强化学习技术，可以有效克服开放战场环境具有的作战单位数目大、战争迷雾等挑战，并通过采用强化学习进行交叉训练保证决策模型可以不断提高自身决策水平，有效应对开放战场环境学习困难的问题，有助于军事战场中的人机协同决策等情况，可广泛应用于局域作战、反恐等领域的决策问题。
-
公开(公告)号：CN109088755A
公开(公告)日：2018-12-25
申请号：CN201810860621.5
申请日：2018-08-01
Applicant: 南京大学
Abstract: 本发明公开一种边缘计算环境下基于响应时间预测的复杂事件处理部署方法，包括以下步骤：步骤1、多个operator graph响应时间预测；步骤2、根据步骤1的结果，在一个响应时间最长的operator graph，选择从数据源到数据消费者的预测响应时间最高的路径。在此基础上，选择该路径上未被部署的下一个operator；步骤3、在边缘节点资源受限下的部署方法：监控数据源附近的满足资源条件的边缘节点作为候选节点。在这些候选节点中，选择作为operator的部署节点的条件是：operator部署在该节点后，其实际响应时间最小；步骤4、重复步骤1，2、3，直至所有operator都被部署。
-
公开(公告)号：CN105117404B
公开(公告)日：2018-12-21
申请号：CN201510424047.5
申请日：2015-07-17
Applicant: 南京大学
Abstract: 本发明提供了一种基于图表类型和数据特征场景下的图表显示缺陷优化方法，包括以下步骤：待图表加载完毕，获取所述图表对应的图表生成代码，根据所述图表生成代码调用场景检测接口，针对待生成图表的数据和图表类型进行场景检测；确定相匹配的场景后调用场景解决方案，优化图表显示缺陷。该方法能够快速、有效的针对图表生成过程中因图表类型和数据特征导致的图表显示缺陷进行修复和调整，生成界面显示良好的各类图表。
-
Patent Agency Ranking
公开(公告)号：CN103856896B
公开(公告)日：2017-07-11
申请号：CN201410109012.8
申请日：2014-03-24
Applicant: 南京大学
Abstract: 本发明公开了一种Android手机上带有基于地图日程提醒功能的路径时长预测方法，它以Android手机中已定制的日历事件地理位置信息和用户当前地理位置信息为基础，通过参照该路径上交通信息情况计算用户当前位置到日历事件位置的路径时间长度，通过带有基于地图日程提醒功能的手段展示和提醒用户目前所在位置离日历事件位置的距离和时长的预测信息。主要包括步骤：（1）路径时长预测；（2）地图日程提醒。本发明通过在移动端设备Android平台上，将日程日历应用和地图应用以及地理位置信息服务(LBS)相互结合起来，改善了日程管理的提醒功能，极大优化了基于地图的日程管理体验感受，同时提高了日程管理服务的效率。
-
公开(公告)号：CN103778519B
公开(公告)日：2017-01-25
申请号：CN201410076015.6
申请日：2014-03-04
Applicant: 南京大学
IPC: G06Q10/06
Abstract: 本发明的基于安全状态的工作流实例可迁移性判定方法，步骤一，分别找出实例中在目标模型中的节点集合和不在目标模型中的节点集合；步骤二，对实例中仍在目标模型中的所有节点，根据它的紧邻父结构来判断该节点是否处于安全状态；步骤三，根据实例中仍在目标模型中的节点的状态和它的下一个节点的类型进行可迁移性判定；步骤四，对实例中不在目标模型中的节点集合中的每一个节点，根据该节点和实例已经执行节点的输出变量集作出可迁移性判定；步骤五，对实例中仍在目标模型且不处于安全状态的节点，根据该节点与插入它之前的节点集的输出与输入变量集作出可迁移性判定；步骤六，若判定可迁移性为真则进行实例迁移，否则恢复
-
公开(公告)号：CN105824756A
公开(公告)日：2016-08-03
申请号：CN201610154205.4
申请日：2016-03-17
Applicant: 南京大学
IPC: G06F11/36
CPC classification number: G06F11/3604 , G06F11/3676
Abstract: 本发明公开了一种基于代码依赖关系的过时需求自动检测方法，该方法包括:步骤一、比较代码新旧版本间的差异，识别其中影响需求的变更代码元素；步骤二、引入代码中与变更代码元素结构上紧密依赖的其它代码元素，构造变更域；步骤三、提取代码元素的描述信息，形成变更域描述文本；步骤四、发现与代码变更相关的近似候选过时需求集合；步骤五、利用基于相似度值的表决算法，生成近似候选过时需求集合的排序。本发明通过对代码依赖关系的分析，补充了代码变更的上下文信息，从而提高了过时需求检测时的精度，并且该方法能够被自动化执行。本发明还包括一种基于代码依赖关系的过时需求自动检测系统。
-
公开(公告)号：CN105117404A
公开(公告)日：2015-12-02
申请号：CN201510424047.5
申请日：2015-07-17
Applicant: 南京大学
CPC classification number: G06F17/30994 , G06F9/4482
Abstract: 本发明提供了一种基于图表类型和数据特征场景下的图表显示缺陷优化方法，包括以下步骤：待图表加载完毕，获取所述图表对应的图表生成代码，根据所述图表生成代码调用场景检测接口，针对待生成图表的数据和图表类型进行场景检测；确定相匹配的场景后调用场景解决方案，优化图表显示缺陷。该方法能够快速、有效的针对图表生成过程中因图表类型和数据特征导致的图表显示缺陷进行修复和调整，生成界面显示良好的各类图表。
-
公开(公告)号：CN104835015A
公开(公告)日：2015-08-12
申请号：CN201510272608.4
申请日：2015-05-25
Applicant: 南京大学
Abstract: 本发明公开了基于前驱任务的工作流挖掘方法，通过分析事件日志中任务，包括对工作流的事件日志中前驱任务进行分析；以事件日志为输入，以Petri网描述的工作流模型为输出结果；该方法使用基于前驱任务的事件日志，前驱任务是指当前任务执行前依赖的需要完成的任务的集合，为当前任务的输入，即在事件日志中包含前驱任务的信息；前驱任务的事件日志的形式化定义为：T是任务集，T*是包含n个任务的任务序列，E＝[θ]T是在任务集T基础上的事件集；前驱任务序列表示为σ∈E*，前驱任务的事件日志表示为WE*。本发明在理论上提出了新型挖掘方法，而且在Activiti平台和ProM平台上都实现了实际工具。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.027 seconds)
