-
公开(公告)号：CN107896192A
公开(公告)日：2018-04-10
申请号：CN201711158937.1
申请日：2017-11-20
Applicant: 电子科技大学
IPC: H04L12/725 , H04L12/851 , H04L12/865 , H04L12/727 , H04L12/733
Abstract: 本发明公开了一种SDN网络中区分业务优先级的QoS控制方法，首先对SDN网络中数据业务依据其所需服务质量的高低进行业务优先级划分，然后在区分性路由中，对最高优先级业务数据流以链路拥塞度量为链路成本代价，并以最高优先级业务数据流所需时延为约束条件，使用拉格朗日松弛聚合代价算法进行路由，对其则使用以跳数为代价的最短路径算法进行路由；在区分性队列调度中，基于业务优先级的高低进行差别性地队列调度。本发明既尽力保障了最高优先级业务端到端的时延，还区分性地保证了其它不同优先级业务的不同服务质量，同时，对最高优先级业务路由到低拥塞的路径上，提高了网络带宽的利用率和网络数据传输的吞吐量。
-
公开(公告)号：CN106658727A
公开(公告)日：2017-05-10
申请号：CN201610273695.X
申请日：2016-04-28
Applicant: 电子科技大学
Abstract: 本发明属于网络资源分配技术领域，尤其涉及一种基于多种相关属性的业务重要性确定与资源分配方法。本发明方法为服务器节点对业务重要性计算所涉及的三个因素分别进行配置，确定所述三个因素各自涉及的属性，并分别计算属性值，建立模糊一致判断矩阵，计算权重值，生成三维业务重要性表，用户终端节点确定任务类型、用户类型和业务类型的取值，并向服务器节点发送携带所述三个因素取值的查询请求信息，服务器节点接收查询请求，并根据三个因素的取值在业务重要性表中查找对应的业务重要性规范值，并分配与业务重要性规范值相匹配的资源，同时将查询结果和分配信息返回用户节点。本发明综合性强，类型及数量可调整，属性侧重可调整，计算方法简单。
-
公开(公告)号：CN105848171A
公开(公告)日：2016-08-10
申请号：CN201610327027.0
申请日：2016-05-17
Applicant: 电子科技大学
CPC classification number: H04W16/22 , H04W28/08 , H04W28/20 , H04W48/18 , H04W72/044 , H04W72/0486 , H04W72/0493 , H04W72/06
Abstract: 本发明属于无线网络资源分配技术领域，特别涉及一种适用于多业务的异构无线网络资源分配。在本发明方法，当多个移动终端业务同时到来时，为终端接入一个合适的无线网络，不仅能够满足具有优先级区分的业务需求，也要能够合理地调配网络带宽资源以最大限度地满足各类业务请求，使得无线网络的总效用达到最大，在此过程中，使用Sigmoid形式的效用函数可以方便地对多类业务进行统一建模，有利于降低资源分配算法在执行过程中的复杂度。
-
公开(公告)号：CN118945726A
公开(公告)日：2024-11-12
申请号：CN202410971079.6
申请日：2024-07-19
Applicant: 电子科技大学
IPC: H04W28/084 , H04W28/08 , G06F9/445 , G06N3/006
Abstract: 本发明提出一种面向远海用户终端的多无人机辅助移动边缘卸载方法，属于通信技术领域。包括如下步骤：建构多无人机辅助多远海用户终端的移动边缘计算卸载模型；建构远海用户终端任务模型；建构远海用户终端与无人机的无线通信模型；建构远海用户终端任务卸载模型；建构无人机移动模型，计算任意两架无机人的距离，并使任意两架无人机距离大于最小防撞距离；构建卸载计算模型；将每一个远海用户终端构建为无模型马尔可夫决策过程的智能体；利用结合DQN算法和DDPG算法的MEC‑DDPG远海多无人机辅助移动边缘卸载框架，得到最终的边缘卸载策略。本发明能够最小化用户终端平均计算任务处理时延，提升系统的资源利用效率，提高了计算效率和效能。
-
公开(公告)号：CN118590377A
公开(公告)日：2024-09-03
申请号：CN202410472911.8
申请日：2024-04-19
Applicant: 电子科技大学
IPC: H04L41/0631 , H04L41/0677 , H04L43/08 , H04L41/16
Abstract: 本发明属于智能运维技术领域，具体的说是涉及一种基于智能运维的NFV网元异常诊断方法。本发明通过监控和采集NFV网元中的性能指标，基于深度学习技术的异常诊断模型判断NFV网元是否发生异常，并根据异常诊断模型对指标分布特征的学习进一步定位造成异常的根因指标，在保证系统稳定性和可靠性的同时对异常的处理提供有效参考，实现对NFV网元的智能异常诊断。本发明可以智能的识别NFV网元状态异常，并及时输出异常根因指标列表，保证了NFV系统的稳定性和可靠性的同时，能够辅助运维人员快速选择策略应对。
-
Patent Agency Ranking
公开(公告)号：CN118473958A
公开(公告)日：2024-08-09
申请号：CN202410526188.7
申请日：2024-04-29
Applicant: 电子科技大学
IPC: H04L41/149 , G06F18/2415 , G06F18/214 , G06F18/2136 , G06N3/0455 , H04L41/16
Abstract: 本发明属于人工智能技术领域，具体的说是涉及一种基于倒置输入结构的云化核心网故障预测方法。本发明通过时序指标预测技术预测云化核心网中指标未来变化情况，主要是引入倒置输入结构的思想提出多变量预测模型，并利用故障检测技术对指标预测值进行判定，从而预先发现可能出现故障的指标，从而帮助提前识别网络潜在风险，减少故障实际发生概率。在提高网络稳定性和可靠性的同时促进补救措施的有效开展，实现网络故障的智能管控。
-
公开(公告)号：CN116489669A
公开(公告)日：2023-07-25
申请号：CN202310543086.1
申请日：2023-05-15
Applicant: 电子科技大学
IPC: H04W16/22 , H04W24/04 , H04W24/06 , H04L41/147 , H04L41/16 , H04L41/0896
Abstract: 本发明属于人工智能技术领域，具体是涉及一种基于深度学习的6G接入网自主管控方法。本发明首先周期性采集基站与用户设备间流量数据，作为基于残差网络和注意力机制的流量预测模型输入，预测模型输出基站流量短期预测结果。根据预测结果，对基站未来流量变化趋势与当前时刻基站承载能力进行比较与判断，确认进行基站扩容、缩容、还是维持不变。最后，若需进行基站扩缩容，则下发相应指令给基站管理系统，完成基站数量的动态管理，实现基于深度学习的6G接入网自主管控，在提升基站带宽利用率的同时避免资源浪费。
-
公开(公告)号：CN114826948A
公开(公告)日：2022-07-29
申请号：CN202210445367.9
申请日：2022-04-26
Applicant: 电子科技大学
IPC: H04L41/147 , H04L41/142 , H04L41/14 , H04L41/12 , H04L41/16 , G06N3/04 , G06N3/08
Abstract: 本发明属于网络流量预测技术领域，具体的说是一种基于图卷积网络的SDN网络流量预测方法。本发明通过使用图卷积网络进行流量预测，将整体网络抽象为网络拓扑，网络节点抽象为图中的点、节点与节点连接的链路抽象为图中的边，更好的拟合网络的动态变化，有助于实现更加精准的网络流量预测。
-
公开(公告)号：CN107896192B
公开(公告)日：2020-09-25
申请号：CN201711158937.1
申请日：2017-11-20
Applicant: 电子科技大学
IPC: H04L12/725 , H04L12/851 , H04L12/865 , H04L12/727 , H04L12/733
Abstract: 本发明公开了一种SDN网络中区分业务优先级的QoS控制方法，首先对SDN网络中数据业务依据其所需服务质量的高低进行业务优先级划分，然后在区分性路由中，对最高优先级业务数据流以链路拥塞度量为链路成本代价，并以最高优先级业务数据流所需时延为约束条件，使用拉格朗日松弛聚合代价算法进行路由，对其则使用以跳数为代价的最短路径算法进行路由；在区分性队列调度中，基于业务优先级的高低进行差别性地队列调度。本发明既尽力保障了最高优先级业务端到端的时延，还区分性地保证了其它不同优先级业务的不同服务质量，同时，对最高优先级业务路由到低拥塞的路径上，提高了网络带宽的利用率和网络数据传输的吞吐量。
-
公开(公告)号：CN109462520A
公开(公告)日：2019-03-12
申请号：CN201811375055.5
申请日：2018-11-19
Applicant: 电子科技大学
Abstract: 本发明属于网络流量资源态势预测技术领域，特别是一种基于LSTM模型的网络流量资源态势预测方法。本发明的目的在于提出适用于流量时空非线性特点的长短期记忆(Long Short-Term Memory，LSTM)循环神经网络预测模型。该模型结合实际流量数据突发性较强和长程依赖的特点进行模型训练和定量预测。本发明的有益效果为，本发明通过LSTM模型实现对网络流量的预测功能，有效的提高了预测准确性，并且当数据样本差异性较大时，LSTM预测模型的优势更加显著。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.021 seconds)
