-
公开(公告)号：CN112100415B
公开(公告)日：2023-03-17
申请号：CN202010961877.2
申请日：2020-09-14
Applicant: 哈尔滨工业大学(威海)
Abstract: 本文结合存储高度关联的大型图数据库的需求，并结合在上述数据库中提高操作时的安全性与性能的需求，以及传统的原生图数据库Neo4j存在的安全性差、性能不能满足数据量较大时的大量查询的问题，在原有的存储结构基础上，结合GPGPU的高带宽和大吞吐量以及高计算密度的特点，通过增添安全校验码改良原有数据存储结构，提出了一种以GPU为存储和操作核心的模型，并且在提高了数据库的安全性的同时、不损失常用查询效率的数据库结构。本发明创新地利用GPU处理数据时按块对齐、并行处理的特点，做到了图数据库的安全可靠与性能稳定的统一；同时对于一些常用操作的效率明显优于传统的原生图数据库，且对硬件要求较低、兼容性较强，性价比较高，可扩展性较强。
-
公开(公告)号：CN107193661A
公开(公告)日：2017-09-22
申请号：CN201710339568.X
申请日：2017-05-15
Applicant: 哈尔滨工业大学(威海)
Abstract: 面向多核处理器确定性重演的优化分段式内存竞争记录系统及其方法，涉及一种内存竞争记录系统，为了解决现有分段式内存竞争记录方法的冗余和判断方式不足导致漏记的问题，通过设置段号寄存器，实现了多核处理器存在内存竞争的优化记录，所述的记录方法在检测到内存竞争冲突时与之前的竞争记录进行有效地比较，判断是否可以约减，判断是否可以利用相邻同向竞争关系进行人工访问冲突的设置，达到减少内存竞争记录的次数，优化内存竞争日志，降低硬件资源消耗的效果。它可扩展到容错处理、事后安全分析等更为广泛的应用模型中。
-
Patent Agency Ranking
公开(公告)号：CN114692170A
公开(公告)日：2022-07-01
申请号：CN202210412933.6
申请日：2022-04-20
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供了一种基于多段式树突网络的工控异常设备定位方法和系统，该方法收集处于工控系统异常时间段的物理层设备数据，然后利用前段树突网络进行训练得到工控系统整体异常模型，从工控系统整体异常模型中提取工控系统整体异常特征，利用工控系统整体异常特征对物理层设备数据进行数据降维，再将降维后的数据放入中、后段树突网络进行学习，得到工控系统风险区域模型及工控系统异常区域模型并提取特征，再进行特征解析得到工控系统异常区域物理层设备关系谱，最后利用工控系统异常区域物理层设备关系谱得到异常设备。该系统包括模型训练模块、特征提取模块、特征解析模块、数据降维模块和设备定位模块。
-
公开(公告)号：CN113722718A
公开(公告)日：2021-11-30
申请号：CN202110971368.2
申请日：2021-08-24
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提供了一种基于策略库的云边协同工控网络安全防护方法，该方法通过在云端的由生成模型网络——长短期记忆(LSTM)网络和新型判别模型网络——树突网络(DendriteNetorDD)的生成式对抗网络(GAN)生成异常情况的识别规则库，然后再将这些规则部署到对应的边端上，并给每条规则匹配相应的应对策略，最终形成云边协同的策略库来满足工控网络的低时延安全防护。该方法的边端包含数据收集模块和策略库模块，云端包含数据处理模块、生成式对抗网络模块、规则生成模块和规则库模块。同时规则库和策略库又包含由长短期记忆网络所提取的时序特征所生成的预测规则和树突网络所生成的识别规则。不同规则所对应的策略可以由工控系统的管理员设置。
-
公开(公告)号：CN111861860A
公开(公告)日：2020-10-30
申请号：CN202010713775.9
申请日：2020-07-23
Applicant: 哈尔滨工业大学(威海)
IPC: G06T1/20
Abstract: 本发明提出了一种面向AI智能SOC芯片的图像加速处理系统，其中包括任务分析模块，任务链接模块，内部节点优化模块和寻找解决方案模块。本发明可以实现对图像处理的加速，并且可以解决传统SOC芯片对同一图像多次处理过程中I/O读写次数高，芯片内ALU利用不充分，只能针对单一节点进行优化，无法实现一个系统级的最优解决方案等问题。本发明的有益效果：能够分析本次图像处理所需要的处理任务，并且找到处理任务不同的实现方案，依据各个处理任务之间的数据依赖关系，将任务链接成一个整体的解决方案，再通过内部节点优化拆分组合任务节点，最后通过分析各种解决方案对AI智能SOC芯片内部ALU的利用率，找到最优的解决方案，提高系统性能。
-
公开(公告)号：CN111860818A
公开(公告)日：2020-10-30
申请号：CN202010714776.5
申请日：2020-07-23
Applicant: 哈尔滨工业大学(威海)
Abstract: 本发明提出了一种基于智能芯片的自组织特征映射神经网络(Self-organizing Map,SOM)算法处理方法。SOM神经网络是无监督机器学习中一种经典的聚类算法，在图像处理、数据挖掘、深度学习有广泛的应用。本发明将SOM神经网络算法划分成不存在数据依赖的多个步骤，这个过程在下文中称为Kernel的划分。在保证每个步骤高并行度的情况下，将各个步骤在GPU上实现，对应下文里Kernel的分步骤实现与优化。在单个Kernel在GPU上完成高效的实现后，再将所有的步骤整合为一个Kernel。对整合后的Kernel进行深度优化，并将各个分步骤整合迭代的过程中，使用全局同步的方法，最终实现了一个可以在GPU端单次Kernel启动即可完成的高效的SOM神经网络算法。
-
公开(公告)号：CN108595366A
公开(公告)日：2018-09-28
申请号：CN201810338577.1
申请日：2018-04-16
Applicant: 哈尔滨工业大学(威海)
Abstract: 本文结合实时容错的多处理器系统体系结构的需求，根据实时系统要确保所有任务在截止期限之前正确的完成的需要，以及针对传统的实时调度通过启发式算法利用软件完成，其性能与效率较低，对于多处理器实时系统的容错能力差的缺点。将实时任务分解为线性不相关的子任务，提出一种实时的容错的多处理器系统结构模型，对于实时系统进行优化，采用了中心型的调度硬件模型，并且采用了任务冗余方案来实现容错能力。本发明在处理器的任务拒绝率、多处理器运行时间分配偏差比例以及最早完成时间三个优化参数明显优于传统方法，而且适应度高，满足多方面的需要。
-
-
-
-
-
-
Search Results
27
records
(took 0.01 seconds)
