-
公开(公告)号：CN116360964A
公开(公告)日：2023-06-30
申请号：CN202111612175.4
申请日：2021-12-27
Applicant: 上海交通大学
Abstract: 一种基于资源匹配度的Mesos资源调度方法，通过计算物理机资源占用与应用框架资源需求的匹配度，并根据匹配度进行应用框架资源需求响应以及资源分配，最后根据分配发送资源需求信息和资源接收逻辑。本发明在资源平均利用率方面最高能取得约4％的提升；能使分配失败次数减少最高19％；在资源利用率差距方面，取得至多约6％的减少；在闲置能耗方面，能将闲置能耗降低约23％。本发明所提出的基于资源匹配度的资源调度方式，通过合理的资源调度，能有效减少资源碎片，提升集群的资源利用率。所提出的中心化调度策略，能通过减少闲置能耗，进一步地提升集群的能耗效率。
-
公开(公告)号：CN110837419B
公开(公告)日：2023-05-19
申请号：CN201911088741.9
申请日：2019-11-08
Applicant: 上海交通大学
Abstract: 本发明提供一种基于弹性批处理的推理引擎系统、方法及电子设备，所述基于弹性批处理的推理引擎方法包括：获取用户输入的待推理请求数据；获取最大并行批处理数量和待推理请求的数量；根据所述最大并行批处理数量和所述待推理请求的数量将所述待处理推理请求数据按需组织成为合适批处理大小的批处理数据，并唤醒深度神经网络推理引擎模块中与所述批处理数据的大小对应的子引擎，由所述子引擎处理所述待处理推理请求。本发明在无需增加硬件设备包括图形处理器等的前提下，极大化引擎系统的响应延迟速度和吞吐量。
-
公开(公告)号：CN116011616A
公开(公告)日：2023-04-25
申请号：CN202211586132.8
申请日：2022-12-09
Applicant: 上海交通大学
IPC: G06Q10/04 , G06Q50/26 , G06F16/906 , G06F16/909 , G06N3/044 , G06N3/0464 , G06N3/08
Abstract: 本发明提供了一种智慧城市人流密集区域的灾害建模与预测方法，包括分析多种城市人流密集区域的灾害演变过程中涉及的多源异构数据，设计城市人流密集区域的灾害的多维度统一表示方式；对城市人流密集区域的灾害时序数据进行处理，通过时序关联规则算法挖掘城市人流密集区域的灾害时序数据的关联关系；基于所述关联关系构建关联事件图；基于所述多源异构数据的预测模型，对多维度的城市人流密集区域的灾害表示进行分类预测，将结果对应到关联事件图中进行城市人流密集区域的灾害的预测。本发明使用时序关联规则挖掘算法，抽取出融入人类知识的城市人流密集区域的灾害危害关联关系图，进而结合时序数据的模型预测，使预测结果更具有解释性与可靠性。
-
公开(公告)号：CN113099506B
公开(公告)日：2022-08-02
申请号：CN202110354235.0
申请日：2021-03-31
Applicant: 上海交通大学
Abstract: 本发明提出了一种软件定义卫星网络中基于链路时效的路由方法及系统。路由方法包括如下几个部分：(1)通过卫星网络控制器对卫星相对位置的测量和计算，计算得到星间链路有效时间。(2)结合星间链路有效时间和链路时延，可用带宽等QoS属性计算出链路的综合代价。(3)通过SDN北向接口向用户提供不同QoS的服务，并根据用户对不同QoS的需求由控制器提供定制化的路由服务。(4)根据星间链路有效时间对即将失效的传输路径进行灰度切换和重路由。通过本发明，可以有效减少LEO卫星网络因频繁链路切换和失效造成的传输抖动和丢包，提高LEO卫星网络传输可靠性。
-
公开(公告)号：CN114329094A
公开(公告)日：2022-04-12
申请号：CN202111672312.3
申请日：2021-12-31
Applicant: 上海交通大学
IPC: G06F16/901 , G06F16/9032
Abstract: 本发明提供的一种基于Spark的大规模高维数据近似近邻查询系统和方法，主要在内存中执行近似近邻查询。首先根据向量的相似性进行聚类分区，每一个聚类分区对应Spark弹性分布式数据集的一个分区。对每一个分区的数据进行比例采样，并且打上分区的标签。使用该采样数据在主节点建立全局索引，在相应的分区上建立分区索引。查询时，通过该全局索引找到相应的需要查询的若干个该分区，再对各个分区的结果汇总排序，得到最终结果。本发明的技术方案基于Spark系统提供了一种高度可扩展的分布式近似近邻查询方案，同时实现了低延迟和高吞吐量的特性。
-
Patent Agency Ranking
公开(公告)号：CN108628799B
公开(公告)日：2021-09-14
申请号：CN201810344156.X
申请日：2018-04-17
Applicant: 上海交通大学
Abstract: 本发明提供一种可重构的单指令多数据脉动阵列结构、处理器及电子终端，所述单指令多数据脉动阵列结构包括：呈脉动阵列排布的多个处理单元，每一个所述处理单元对应连接有一个操作数收集器，每一个所述处理单元同与其相邻的所述处理单元均相连；多个数据输出通道，分别对应配置于每一列所述处理单元的顶端，每一列顶端的数据输出通道与对应列的第一个处理单元相连并且各数据输出通道还与每一行所述处理单元的最右侧的所述处理单元一一对应相连。本发明实现了一个可重构、低能耗结合单指令流多数据流（SIMD）、脉动阵列（Systolic Array）的处理器，通过在相邻处理单元之间建立传输通道以及多层级的存储优化，获取更低的能耗。
-
公开(公告)号：CN108664662B
公开(公告)日：2021-08-31
申请号：CN201810493842.3
申请日：2018-05-22
Applicant: 上海交通大学
IPC: G06F16/2458
Abstract: 本发明公开了一种时间旅行和时态聚合查询处理方法，该方法采用基于时间旅行和时态聚合查询的分布式处理框架系统，该方法包括以下两个阶段：(i)全局修剪阶段和(ii)局部查找阶段；所述全局修剪阶段利用全局索引和查询输入来修剪不相关的分区；所述局部查找阶段主要根据本地索引和部分查询输入，在每个候选分区中检索符合条件的记录；在局部查找阶段使用不同的索引以支持时间旅行和时态聚合查询；所述时间旅行查询包括时间旅行精确匹配查询和时间旅行范围查询。本发明采用分布式内存分析框架，该框架易于理解和实施，但不会损失效率，该方法同时实现了时间旅行查询和时态聚合查询，能满足高吞吐量和低延迟的需求，能提高查询效率和查询速度。
-
公开(公告)号：CN111046928A
公开(公告)日：2020-04-21
申请号：CN201911179354.6
申请日：2019-11-27
Applicant: 上海交通大学
Abstract: 一种定位更精准的单阶段实时通用目标检测器及方法，包括：检测骨干网络模块、特征增强模块和回归框重叠度引导训练及推理模块，特征增强模块使各层特征语义以及局部信息更丰富，取得更好的预测结果；对于大量的重叠框，通过将分类置信度与回归框定位置信度相乘，对分类置信度高而回归不精确的框进行更多的衰减，尽可能保留更精准的预测框。同时重叠度引导的交叉熵损失在训练中提高分类回归任务的相关性，抑制低质量预测结果，提升检测效果。
-
公开(公告)号：CN110069592A
公开(公告)日：2019-07-30
申请号：CN201910333874.1
申请日：2019-04-24
Applicant: 上海交通大学
IPC: G06F16/29 , G06F16/9537
Abstract: 本发明公开了一种应用于电子地图的空间关键字查询的搜索方法，其包括如下步骤：S1:读取待查询关键字的数目，若所述待查询关键字为多关键字则跳转至S2，否则跳转至步骤S7；S2:将待查询关键字的频率与频率阈值进行比对，若待查询关键字的频率为低频则跳转至步骤S7、否则跳转至步骤S3；S3，构建叶子节点u：将各关键字t映射到包含t的对象列表来构建u的倒排列表，并收集u的词汇表构建父节点的布隆过滤器；S4，构建非叶子节点p：将p的各个子项指向的子节点构成节点p的词汇表，并插入初始化布隆过滤器；S5，基于布隆过滤器的IR-tree的构建；S6，构建IR-tree的查询索引；S7：对待查询关键字构建R-tree查询结构。本发明提升其对关键字的索引效率，节约系统资源。
-
公开(公告)号：CN110059148A
公开(公告)日：2019-07-26
申请号：CN201910333876.0
申请日：2019-04-24
Applicant: 上海交通大学
IPC: G06F16/29 , G06F16/22 , G06F16/245
Abstract: 本发明公开了一种应用于电子地图的空间关键字查询的准确搜索方法，其包括如下步骤：S1，基于数据集首先构建叶子节点u：设u中包含的点的集合为up，将各关键字t映射到包含t的对象列表来构建u的倒排列表，并收集u的词汇表构建父节点的布隆过滤器；S2，构建非叶子节点p：设p的子项为{c1,…,cf}，所述f为一个节点最大能容纳的子项数目，将p的各个子项指向的子节点构成节点p的词汇表，并对各关键字插入初始化的布隆过滤器；S3，构建根节点、完成基于布隆过滤器的IR-tree的构建；S4，构建S3所得IR-tree的查询索引。本发明能够提升其对关键字的索引效率，节约系统资源。
-
-
-
-
-
-
-
-
-
Search Results
87
records
(took 0.029 seconds)
