-
公开(公告)号：CN111008158A
公开(公告)日：2020-04-14
申请号：CN201911085500.9
申请日：2019-11-08
Applicant: 暨南大学
IPC: G06F12/123 , G06F12/1009
Abstract: 本发明公开了一种基于页面重构与数据温度识别的闪存缓存管理方法，通过页面重构机制以及数据温度识别机制来管理缓存区。页面重构机制把即将回写的有效数据未满一个整页大小的页与多个其他有效数据不足一个页大小的页进行页面重构后再回写至闪存，通过尽可能减少非覆盖写操作来达到减少实际写操作的目的。数据温度识别机制通过对缓存页进行温度等级标记，按预定优先级顺序回写缓存页。该闪存缓存管理方法，结合页面重构机制与数据温度识别回写机制，将多个逻辑页进行页面重构，降低了写操作数量，同时合理划分缓存区利用负载时间局部性，提高了闪存系统整体命中率。
-
公开(公告)号：CN106569962A
公开(公告)日：2017-04-19
申请号：CN201610910664.0
申请日：2016-10-19
Applicant: 暨南大学
IPC: G06F12/123 , G06F12/126 , G06F12/0895 , G06F12/02
CPC classification number: G06F12/123 , G06F12/0246 , G06F12/0253 , G06F12/0895 , G06F12/126 , G06F2212/1016 , G06F2212/1036 , G06F2212/7205 , G06F2212/7211
Abstract: 本发明公开了一种基于增强时间局部性的热点数据识别方法，通过利用数据访问模式中的时间局部性原理来实现高效地识别热点数据，该发明采用HotList和CandidateList双队列结构来保存热点数据和候选热点数据的热度值信息，使得只需要保存部分数据集的访问信息，从而有效地降低存储开销。另外，本发明采用recency bit的位和D‑bit counter计数器组合的数据结构来反映出热点数据访问模式中最近和频繁这两个特性，信息更新机制对离散访问和连续访问的数据赋予不同的热度值，更加准确地反映出数据项的访问模式，提高热点数据的识别率。本发明采取概率筛选机制，将冷数据提早筛选走，降低算法的运行时开销。
-
公开(公告)号：CN106569745A
公开(公告)日：2017-04-19
申请号：CN201610933953.2
申请日：2016-10-25
Applicant: 暨南大学
IPC: G06F3/06
Abstract: 本发明公开了一种内存过载下面向重复数据删除的内存优化系统，包括数据页筛选模块、读写请求处理模块、全零数据页过滤模块、重复数据页删除模块和数据管理模块。其中，数据页筛选模块用于发现内存中适合去重的稳定数据页，读写请求处理模块用于地址转化和读写分类，全零数据页过滤模块是对筛选出的去重数据页进行过滤，剔除其中全零数据页以节省内存开销，重复数据页删除模块对全零页过滤剩余页面进行去重操作，数据管理模块负责元数据和去重后的内存数据页的组织和管理。本发明通过筛选内存全零页和删除重复数据页，提高内存利用率，在内存过载下避免缓慢的外存交换操作，有效提高系统整体性能。
-
公开(公告)号：CN105094986A
公开(公告)日：2015-11-25
申请号：CN201510426732.1
申请日：2015-07-20
Applicant: 暨南大学
IPC: G06F9/50
Abstract: 本发明公开了一种面向存储系统的突发访问行为的预测方法及装置，所述方法包括：取存储系统的I/O数据集一部分作为训练集，对训练集进行频繁关联I/O的挖掘；以指定预测时间为时间粒度对存储系统的I/O数据集的测试集进行划分，并获取测试集所对应预测时间点的I/O请求总数；提取每个预测时间点的指定观察时间中的I/O请求数据，对每个观察时间点的I/O请求数据进行过滤，使每个观察时间点的频繁关联I/O被过滤，保留每个观察时间点的非频繁关联I/O；采用每个观察时间点的非频繁关联I/O判断对应的预测时间点是否发生突发访问行为。本发明能够以较灵活的方式调整存储系统的I/O数据集的训练集，将得到的频繁关联I/O用于后续的突发预测实验。
-
公开(公告)号：CN103108039B
公开(公告)日：2015-07-22
申请号：CN201310030340.4
申请日：2013-01-25
Applicant: 暨南大学
Abstract: 本发明公开了一种低能耗集群环境下的服务质量保证方法，包括以下步骤：（1）集群系统接收来自用户的负载连接请求，将负载连接至各个集群节点；（2）根据当前t时刻前一段时间T内负载连接数之和的实际值预测系统在t+T时刻的负载连接数预测值V；（3）预测值V计算出系统在t+T时刻需要保持在工作状态下的集群节点个数N；（4）判断N是否大于A，若是，唤醒N-A个处于休眠状态下的集群节点，进入步骤（6）；若否，则进入步骤（5）；（5）判断A和N是否相等，若是，则进入步骤（6）；若否，则进行节能调度，执行步骤（6）；（6）本轮集群节点的调度完成，返回步骤（2）。本发明使得集群系统的功耗更低且服务质量更高。
-
Patent Agency Ranking
公开(公告)号：CN103810027A
公开(公告)日：2014-05-21
申请号：CN201410037043.7
申请日：2014-01-24
Applicant: 暨南大学
Abstract: 本发明公开了一种网络编码文件系统中基于数据温度的重建方法，包括下述步骤：（1）数据温度监控进程，负责监控数据区域访问频度的动态变化，统计访问频度；（2）重建任务调度进程，定义数据区域重建优先级为：该区域的数据温度值/磁盘距离，数据温度越高，与上一重建区域的距离越短，则该区域的重建优先级越高；（3）重建任务执行进程，从重建任务队列中取出等待重建的任务，并进行相应的数据重建工作，直到所有数据区域重建工作完成。本发明通过优先重建热点数据缓解了网络编码文件系统重建过程中用户请求数据流与磁盘重建数据流争用IO资源的矛盾，明显地缩短了整个重建过程的耗时。
-
公开(公告)号：CN103108039A
公开(公告)日：2013-05-15
申请号：CN201310030340.4
申请日：2013-01-25
Applicant: 暨南大学
Abstract: 本发明公开了一种低能耗集群环境下的服务质量保证方法，包括以下步骤：（1）集群系统接收来自用户的负载连接请求，将负载连接至各个集群节点；（2）根据当前t时刻前一段时间T内负载连接数之和的实际值预测系统在t+T时刻的负载连接数预测值V；（3）预测值V计算出系统在t+T时刻需要保持在工作状态下的集群节点个数N；（4）判断N是否大于A，若是，唤醒N-A个处于休眠状态下的集群节点，进入步骤（6）；若否，则进入步骤（5）；（5）判断A和N是否相等，若是，则进入步骤（6）；若否，则进行节能调度，执行步骤（6）；（6）本轮集群节点的调度完成，返回步骤（2）。本发明使得集群系统的功耗更低且服务质量更高。
-
公开(公告)号：CN117520918A
公开(公告)日：2024-02-06
申请号：CN202311542850.X
申请日：2023-11-17
Applicant: 暨南大学
IPC: G06F18/241 , G06F18/213 , G06F18/23
Abstract: 本发明公开了一种基于子空间划分和信息粒增强的大数据分类方法，步骤如下：对所有输入数据点构建一维数据索引并排序，对排序后的数据集进行划分，得到若干空间无重叠且大小相等的数据子集，对得到数据子集先后使用模糊聚类和带权模糊聚得到全局聚类结果，通过合理粒度原则对全局聚类结果提炼得到适配当前分类任务的信息颗粒，通过计算输入数据与信息颗粒之间的空间关系预测输入数据的类别。本发明通过划分数据子集提高了大数据集的数据粒化效率和质量；基于粒计算框架构建的信息颗粒，增强了分类结果的可解释性，提高分类准确率。
-
公开(公告)号：CN116052150A
公开(公告)日：2023-05-02
申请号：CN202310061292.9
申请日：2023-01-18
Applicant: 暨南大学
IPC: G06V20/62 , G06V20/54 , G06V10/82 , G06N3/08 , G06N3/0464
Abstract: 本发明公开了一种针对遮挡车牌的车脸识别方法，解决现有识别遮挡车牌的技术问题。本发明根据颜色预测模块、全局感知模块、细节感知模块得到颜色预测信息和图片向量信息，然后根据颜色预测信息找到对应文件夹，与文件夹中图片向量信息依次进行余弦距离计算，按从大到小排序，选择前5个作为识别结果。本发明相对于传统方法，增加车辆颜色分类的辅助流程，通过全局感知模块和细节感知模块进行识别，并在全局感知模块中从批量和通道进行多重的归一化计算，即从颜色外观、全局信息和细节信息多维度对遮挡车牌的车辆在车辆图片库中进行搜索识别，提高搜索能力和模型对遮挡车辆的内容表达，并成功找出相应未遮挡车牌状态的车辆。
-
公开(公告)号：CN114120041A
公开(公告)日：2022-03-01
申请号：CN202111432553.0
申请日：2021-11-29
IPC: G06V10/764
Abstract: 本发明公开了一种基于双对抗变分自编码器的小样本分类方法，解决现有分类方法在小样本下网络难以训练、准确率较低的问题。该分类方法包括：数据预处理，对目标数据集进行清洗、填充和归一化；模型设计与优化步骤，利用VAE和GAN设计相应的网络结构，并针对过拟合和训练产生震荡等问题进行模型的优化；模型训练步骤，利用小样本数据集对模型进行训练，进而获得网络模型权重；模型预测步骤，输入测试集对模型进行预测，对比现有的一些经典深度学习分类方法，验证本发明的有效性。本发明公开的方法中构建的模型能够在小样本情况下实现数据增强，并且能够提取有效特征从而提高分类的准确率，普遍适用于不同类型的分类任务。
-
-
-
-
-
-
-
-
-
Search Results
125
records
(took 0.026 seconds)
