-
公开(公告)号：CN105679019A
公开(公告)日：2016-06-15
申请号：CN201610059695.X
申请日：2016-01-28
Applicant: 广州杰赛科技股份有限公司
IPC: G08G1/01
CPC classification number: G08G1/0133
Abstract: 本发明公开了一种道路交通状态识别方法，包括如下步骤：通过覆盖预测仿真生成特定区域的覆盖仿真图层；将覆盖仿真图层与待识别道路进行叠加分析，得到待识别道路的基站小区切换序列；基于获取到的特定区域内的每一个用户在特定时间段内的手机信令数据，确定每一用户的移动轨迹序列；计算每一用户的移动轨迹序列与待识别道路的基站小区切换序列之间的相似度，并记录相似度大于一预设的阈值所对应的用户的数量；根据用户的数量识别待识别道路在特定时间段内的交通状态。本发明还提供一种道路交通状态识别装置。采用本发明实施例能够实现高精准地识别待识别道路的交通状态，且计算复杂度低，成本低廉。
-
公开(公告)号：CN114564304B
公开(公告)日：2025-05-06
申请号：CN202210138983.X
申请日：2022-02-15
Applicant: 广州杰赛科技股份有限公司 , 广东工业大学
Abstract: 本发明公开了一种边缘计算的任务卸载方法，通过构建包含若干移动设备和若干MEC服务器的网络模型；根据所述网络模型和预先构建的时延计算模型计算当前任务的卸载总时延；根据所述网络模型和预先构建的能耗计算模型计算所述当前任务的传输能耗；根据所述卸载总时延和所述传输能耗构建不同应用场景的场景满意度模型；根据所述场景满意度模型、所述卸载总时延和所述传输能耗，并结合惩罚函数构建当前任务卸载的总成本的目标函数；根据粒子群算法对所述目标函数进行优化，求解任务卸载的最优位置，并根据所述最优位置完成所述当前任务的卸载。能够优化能耗、时延和满意度，将计算任务合理地分配到相应的MEC服务器上，提高移动边缘计算的效率。
-
公开(公告)号：CN114398160B
公开(公告)日：2025-05-06
申请号：CN202111550535.2
申请日：2021-12-17
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Abstract: 本发明公开了一种基于自适应任务调度的全局感知模型构建方法及装置，该方法包括如下步骤：步骤S1，固定采样时间间隔，随机选择K个服务器；步骤S2，令K个服务器节点构建局部模型，利用边缘节点的分布式感知技术，并结合感知模型的任务分配方法，实现感知模型并行训练最小化和训练质量不断迭代校正的自适应任务分配，从而通过自适应任务分配选择合适的节点以实现局部模型的选取；步骤S3，定义一个智能体系统，基于局部模型的训练，采用最大估计效用的策略来选取执行参数传输，通过本地智能体与中心智能体参数的交互实现全局模型的构建。
-
公开(公告)号：CN114520736B
公开(公告)日：2023-08-22
申请号：CN202210083561.7
申请日：2022-01-24
Applicant: 广东工业大学 , 广州杰赛科技股份有限公司
IPC: H04L9/40 , G06N3/0464 , G06N3/047 , G06N3/0499 , G06N3/049 , G06N3/08 , G06N7/01
Abstract: 本发明公开了一种物联网安全检测方法、装置、设备及存储介质，该方法包括：基于待测物联网设备的边缘节点，获取待测物联网设备在多个时刻的网络流量数据；对网络流量数据进行特征提取，获得网络流量特征；将网络流量特征输入至神经网络进行训练，构建多个时刻的物联网安全检测模型；基于多个时刻的物联网安全检测模型的模型参数，采用训练集对深度学习网络模型进行训练，确定深度学习网络模型的参数分布概率；将网络流量特征输入至确定参数分布概率后的深度学习网络模型，获得物联网安全检测结果。本发明基于边缘节点进行物联网安全检测，实时性较强，且能够准确地确定用于安全检测的模型的参数，从而提高对物联网安全进行检测的准确性。
-
公开(公告)号：CN114615029B
公开(公告)日：2023-07-18
申请号：CN202210179968.X
申请日：2022-02-25
Applicant: 广东工业大学 , 广州杰赛科技股份有限公司
IPC: H04L9/40
Abstract: 本发明公开一种终端信任度评估方法、装置、设备及存储介质，首先通过根据获取到的参考终端的信任度、出度，以及所述参考终端与待测终端之间的网络约束系数，计算所述待测终端的初始信任度，其中，所述参考终端为指向待测终端的终端；然后获取所述待测终端的最近的若干历史信任度，对所述初始信任度和所述历史信任度进行加权计算，以得到所述待测终端的当前信任度。本发明实施例能够通过获取所有指向待测终端的其他终端的相关数据来对待测终端的信任度进行初步评估，结合待测终端的历史信任度得到最终评估结果，减少了信任度评估的计算资源，且使得系统能够有效抵抗选择性的欺骗攻击。
-
Patent Agency Ranking
公开(公告)号：CN113890795B
公开(公告)日：2023-06-23
申请号：CN202111057350.8
申请日：2021-09-09
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
IPC: H04L25/02 , H04B7/0413
Abstract: 本发明公开了一种大规模MIMO信道估计模型的构建方法、装置及介质，首先，接收n组在线信号数据；其次，通过深度学习提取预先获取的离线信号数据的高层语义特征和n组所述在线信号数据的高层语义特征，得到离线高层语义特征和n组在线高层语义特征；然后，将所述离线高层语义特征和n组所述在线高层语义特征分别输入至预先构建的n+1个神经网络中进行训练，得到初始信道估计模型和n个在线信道估计模型；最后，基于所述离线信号数据的误码率和n个所述在线信号数据的误码率，对所述初始信道估计模型和n个所述在线信道估计模型进行集成学习，得到最优信道估计模型。本发明能够减小系统开销，降低计算复杂度，实现自适应更新模型。
-
公开(公告)号：CN112968794B
公开(公告)日：2023-01-17
申请号：CN202110116356.1
申请日：2021-01-28
Applicant: 广州杰赛科技股份有限公司
IPC: H04L41/0894 , H04L41/12 , G06F9/455
Abstract: 本发明实施例公开了一种网络功能链部署方法，所述方法包括接收网络功能链的部署请求，获取用于部署所述虚拟网络功能的多个节点的拓扑信息，建立以端对端时延最短的目标函数，所述目标函数满足在进行虚拟网络功能部署时对节点的可靠性约束、节点的资源容量约束、链路的可靠性约束，在对所述网络功能链进行部署时，根据虚拟网络功能携带的部署信息和所述多个节点的拓扑信息，寻找满足所述目标函数的节点进行部署，其能在满足低时延网络服务请求的同时，有效保证传输的可靠性。本发明实施例还相应提供了一种网络功能链部署装置、终端设备以及存储介质。
-
公开(公告)号：CN114826690A
公开(公告)日：2022-07-29
申请号：CN202210342216.0
申请日：2022-04-02
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司
Inventor： 杜翠凤
Abstract: 本发明公开了一种基于边缘云环境的入侵检测方法和装置，该方法包括：获取实时的流量序列；基于增量学习方法和所述实时的流量序列，对n个边缘节点的预先训练好的分类器进行参数更新，得到n个更新后的分类器；其中，n为正整数；基于密度聚类算法对n个所述更新后的分类器进行筛选，得到m个基分类器；其中，0
-
公开(公告)号：CN114615029A
公开(公告)日：2022-06-10
申请号：CN202210179968.X
申请日：2022-02-25
Applicant: 广东工业大学 , 广州杰赛科技股份有限公司
IPC: H04L9/40
Abstract: 本发明公开一种终端信任度评估方法、装置、设备及存储介质，首先通过根据获取到的参考终端的信任度、出度，以及所述参考终端与待测终端之间的网络约束系数，计算所述待测终端的初始信任度，其中，所述参考终端为指向待测终端的终端；然后获取所述待测终端的最近的若干历史信任度，对所述初始信任度和所述历史信任度进行加权计算，以得到所述待测终端的当前信任度。本发明实施例能够通过获取所有指向待测终端的其他终端的相关数据来对待测终端的信任度进行初步评估，结合待测终端的历史信任度得到最终评估结果，减少了信任度评估的计算资源，且使得系统能够有效抵抗选择性的欺骗攻击。
-
公开(公告)号：CN114489977A
公开(公告)日：2022-05-13
申请号：CN202210020759.0
申请日：2022-01-10
Applicant: 广州杰赛科技股份有限公司 , 广州杰赛通信规划设计院有限公司 , 广东工业大学
Abstract: 本发明公开了一种移动边缘计算系统的任务卸载方法，包括：根据移动设备的任务数据建立状态集合；根据移动设备将任务卸载至服务器的传输时延，移动设备、边缘服务器和云服务器的计算时延，得到任务卸载时延；根据移动设备发送任务的能耗和计算过程中CPU的能耗，得到任务卸载能耗；对移动设备的用户使用模式和位置信息进行量化，得到任务卸载隐私水平；根据任务卸载时延、任务卸载能耗、任务卸载隐私水平和能量变化，构建以时延最小、能耗最小且隐私水平最高为目标的联合优化问题；基于深度强化学习的DQN算法对联合优化问题进行求解，得到移动边缘计算系统的任务卸载方法，能够在减小移动设备能耗和时延的同时，有效提高用户数据安全性。
-
-
-
-
-
-
-
-
-
Search Results
178
records
(took 0.046 seconds)
