-
公开(公告)号：CN112463346A
公开(公告)日：2021-03-09
申请号：CN202011631493.0
申请日：2020-12-31
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明提供了一种基于划分调度的DAG任务的启发式处理器划分方法、系统及存储介质，本发明首先推导了一个基于分区固定优先级调度算法的DAG任务的响应时间分析；基于分析的直觉，本发明提出了一种贪婪并行执行集群(GPEC)的处理器分配策略，该策略考虑了DAG任务的拓扑结构和任务内子任务间的自干扰。本发明的有益效果是：本发明的GPEC策略考虑了DAG任务内部拓扑结构和自干扰的影响。此外，本发明将实时系统移植到嵌入式板上，在一个真实的平台上评估GPEC策略的性能。在实验中的与两种最新的处理器分配策略相比，本发明的GPEC策略最多降低了平均WCRT达到35.59%，DAG任务集的可调度率最多提高了76%。
-
公开(公告)号：CN112087332A
公开(公告)日：2020-12-15
申请号：CN202010917539.9
申请日：2020-09-03
Applicant: 哈尔滨工业大学
Abstract: 一种云边协同下的虚拟网络性能优化系统，属于边缘计算技术领域，用以解决云边平台交互中网络时延问题。该系统包括系统部署模块和系统架构模块，其中，系统部署模块负责把容器和虚拟机按照相关算法部署在不同或者相同的服务器上，算法通过合并发送相同数据的虚拟节点到同一个物理主机上，使系统在通信前就尽可能的把要通信的数据量降到最低；系统架构模块则负责在部署之后完成服务器本身以及服务器和服务器之间的通信，系统架构使得虚拟机和容器之间能够高效率的无障碍通信。系统部署模块和系统架构模块相辅相成，共同解决了边缘云内部以及边缘云和中心云之间的网络时延问题，最大程度地减少云边平台交互中的网络时延。
-
公开(公告)号：CN112085085A
公开(公告)日：2020-12-15
申请号：CN202010917529.5
申请日：2020-09-03
Applicant: 哈尔滨工业大学
IPC: G06K9/62 , G06F16/901 , G06N20/00
Abstract: 一种基于图结构的多源迁移学习方法，属于人工智能领域，为了解决单纯利用图结构数据的节点实体特征不能准确预测目标域节点标签的问题。该方法通过构建节点T‑邻域结构，获得T‑邻域结构集合；并对T‑邻域结构集合进行去重，获得子图集B；通过学习子图集B，获得通用结构；利用通用结构分别获得源域节点结构特征和目标域节点结构特征；将节点实体特征和节点结构特征相结合，分别获得源域新特征和目标域新特征，从而获得目标域节点标签。本发明方法可以应用于目标任务相同的同构迁移学习和异构迁移学习，在具有图结构的数据中具有很好的预测效果，可以对一个新未知网络进行较为准确的节点标签信息预测。
-
公开(公告)号：CN112083956A
公开(公告)日：2020-12-15
申请号：CN202010971038.9
申请日：2020-09-15
Applicant: 哈尔滨工业大学
Abstract: 一种面向异构平台的复杂指针数据结构自动管理系统，涉及异构编程技术领域。本发明为了实现OpenMP Offloading程序中复杂指针数据结构在异构计算平台上的自动管理并保证数据一致性。本发明包括：信息收集模块，用于对源程序的静态分析及程序信息收集；自动转换模块，主要负责根据变量类型的不同，在适当位置修改源码并插入合适的运行时API；运行时模块，主要负责使用cudaMallocManaged( )和cudaFree( )重新实现C++标准的内存管理操作并向外提供接口。本发明可以自动管理OpenMP Offloading程序中复杂指针数据结构在CPU和GPU内存之间的内存分配、释放以及数据传输，并保证数据一致性；从而为OpenMP Offloading程序开发提供便利。
-
公开(公告)号：CN111966397A
公开(公告)日：2020-11-20
申请号：CN202010710022.2
申请日：2020-07-22
Applicant: 哈尔滨工业大学
Abstract: 一种异构并行程序自动移植和优化方法，属于异构并行程序开发技术。本发明是为了实现CPU并行程序自动移植、在减轻开发人员工作负担的同时提高程序性能，从而解决并行指令转换、数据传输管理及优化问题。技术要点：构建异构并行程序自动移植系统的框架，异构并行程序自动移植系统用于将OpenMP CPU并行程序自动翻译为OpenMP Offloading异构并行程序；一致性状态转换形式化，保证数据一致性的前提下，优化传输操作，减少冗余数据传输；运行时库设计，运行时库用于提供自动数据传输管理和优化功能，维护每个变量内存区域一致性状态；源到源翻译器设计，翻译器用于自动转换并行指令及自动插入运行时API。该方法可以自动识别CPU并行指令并转换为加速器并行指令，提高程序性能。
-
Patent Agency Ranking
公开(公告)号：CN107360031B
公开(公告)日：2020-04-14
申请号：CN201710587014.1
申请日：2017-07-18
Applicant: 哈尔滨工业大学
Abstract: 一种基于优化开销收益比的虚拟网络映射方法，本发明涉及虚拟网络映射方法。本发明为了解决现有技术不能在有限的物理资源内保证高的映射成功率，以及现有技术大多是从单个虚拟节点到单个物理节点的映射的问题。本发明是在现有的虚拟网络映射问题中扩大虚拟网络的规模，使其大于底层物理网络的规模，也就是虚拟网络的节点规模数大于物理网络的节点规模。本发明主要目的是在映射所有的虚拟网络请求的情况下，尽可能的减少底层物理资源的使用，提高本发明方法映射的成功率以及算法收益。比较传统Node‑Opt算法，本发明在映射收益上高出将近30％，在不同的虚拟网络请求规模下普遍将映射成功率提高了50％以上。本发明用于虚拟网络映射领域。
-
公开(公告)号：CN110399182A
公开(公告)日：2019-11-01
申请号：CN201910680644.2
申请日：2019-07-25
Applicant: 哈尔滨工业大学
Abstract: 一种CUDA线程放置优化方法，涉及基于机器学习的线程优化技术。本发明的目的是提供一种CUDA线程放置优化方法，以实现降低编程人员工作难度以及减少训练数据的获取时间的目的。技术要点：程序信息采集、程序信息处理、机器学习模型训练，程序信息处理是对静态信息和程序运行时信息进行信息汇总、数值化处理、归一化处理得到训练集程序特征，并利用程序执行时间信息集设置标签从而完成标签数据的生成；将训练集程序特征和标签数据作为输入，利用支持向量机算法进行性能建模，得到程序性能预测模型；在线程优化放置应用时，首先需调用程序信息采集模块，采集待优化程序的程序信息，然后输入已训练好的程序性能预测模型，即可获得合适的线程块设置方案。
-
公开(公告)号：CN110391937A
公开(公告)日：2019-10-29
申请号：CN201910680597.1
申请日：2019-07-25
Applicant: 哈尔滨工业大学
Abstract: 一种基于SOAP服务模拟的物联网蜜网系统，属于物联网安全技术领域。本发明的目的是为了监测收集物联网的安全状态，并捕获黑客针对物联网的恶意请求，收集恶意样本。本发明根据一个路由器SOAP服务漏洞CVE-2017-17215设计了一种中高交互蜜罐；为了防止黑客利用模拟服务未完成的服务细节进行注入，导致模拟服务蜜罐无法响应从而不能捕获后续恶意代码和样本，使用带有漏洞的设备固件实现了提供真实SOAP服务的蜜罐补充模拟服务蜜罐的功能；为了对更多类型的SOAP攻击进行捕获，针对2018年暴露最多的SOAP端口进行分析并制作了相应的多端口蜜罐。通过将这些蜜罐部署到多个节点，同时设计控制中心进行命令的分发和文件的传输，辅以Docker技术封装实现快速部署。黑客无法通过SOAP服务漏洞来控制物联网设备，提高物联网的安全性。
-
公开(公告)号：CN110377525A
公开(公告)日：2019-10-25
申请号：CN201910680598.6
申请日：2019-07-25
Applicant: 哈尔滨工业大学
IPC: G06F11/36
Abstract: 一种基于运行时特征和机器学习的并行程序性能预测系统，属于并行程序性能预测的技术领域。本发明为了解决基于机器学习的并行程序性能预测系统存在开销比较大、预测时间长，而且准确率较低的问题。对原始程序进行混合插桩，减少基本块计数器，然后将程序删减成没有输入结果的串行程序，减少程序的运行时间的同时保留程序执行的流程，准确快速地获取到基本块频率，预处理这些数据，输入预测模型中，最后输出大规模并行程序的执行时间。本发明生成的模型具有很强的泛化能力，能够准确地预测大规模并行程序的执行时间，并且预测开销很小。
-
公开(公告)号：CN110362411A
公开(公告)日：2019-10-22
申请号：CN201910680641.9
申请日：2019-07-25
Applicant: 哈尔滨工业大学
Abstract: 一种基于Xen系统的CPU资源调度方法，涉及CPU资源调度技术领域。本发明为了解决现有的CPU资源调度的方法无法对具体运行的任务进行区分、无法与实时运行环境进行结合来调整CPU资源等问题。将vcpu队列作为输入数据，对RNN分类模型进行训练；获取Xen系统的全局队列信息credit[]和pri[]，再利用训练好的RNN分类模型对Xen系统的全局队列信息credit[]和pri[]进行分类；判断上述数组是否为空，如果是则结束，否则分类结果通过Q-learning算法来更新q-table表；利用当前更新后q-table表进行时间片调整来完成CPU资源的调度。提高资源的有效利用率并降低云数据中心的能源消耗。
-
-
-
-
-
-
-
-
-
Search Results
186
records
(took 0.042 seconds)
