-
公开(公告)号：CN120066729A
公开(公告)日：2025-05-30
申请号：CN202510219670.0
申请日：2025-02-26
Applicant: 东南大学
Abstract: 本发明公开了一种在线部署边缘动态DAG无服务器函数以实现快速启动方法，属于边缘计算领域。该方法包括：步骤1、定义动态DAG并建立函数预热处理的模型化准则，步骤2、构建一个具有预热准备和函数调度的动态DAG模型，该模型通过预热和函数部署实现整体预期执行时间的最小化。步骤3、通过处理二次约束条件，将二次规划问题其转化为凸优化问题。针对转化后的问题，采用一种基于随机舍入的搜索算法求解最优解。步骤4、设计一种在线预热和函数调度算法。该算法包含函数权重计算、预热容器调整以及最优容器选择，以处理多个在线到达请求。本发明通过在线预热与动态调度策略，有效缓解冷启动问题，提升了无服务器函数在边缘计算环境中的执行效率。
-
公开(公告)号：CN119342536A
公开(公告)日：2025-01-21
申请号：CN202411348486.8
申请日：2024-09-26
Applicant: 东南大学
IPC: H04W28/14 , H04W28/08 , G06F9/50 , G06N3/0464 , G06N5/04
Abstract: 本发明公开一种基于动态深度神经网络的模型缓存和请求路由方法与系统，首先根据深度神经网络在不同分支出口的推理精度将其划分成多个不同的子模型，统计这些子模型的浮点计算量和内存占用大小；然后以最大化用户请求的总推理精度为目标，在延迟和资源等约束下建立目标优化式，根据已知的用户请求，利用线性规划方法求解目标优化式以得到最优的模型缓存和请求路由分数解；利用随机舍入的方法将模型缓存和请求路由分数解舍入为整数解；最后利用启发式的方法将随机舍入得到的模型缓存和请求路由的解转化为最终满足所有约束的可行解。本发明能够在保证较低时延的基础上提高用户请求的推理精度，满足边缘智能应用高精度与低延迟的需求。
-
公开(公告)号：CN118115531A
公开(公告)日：2024-05-31
申请号：CN202211513314.2
申请日：2022-11-29
Applicant: 中国移动通信有限公司研究院 , 东南大学 , 中国移动通信集团有限公司
IPC: G06T7/246 , G06V10/764
Abstract: 本发明提供一种多目标跟踪方法、装置及终端，涉及通信技术领域。该方法包括：将原始图像数据按照第一切分粒度进行切分，得到多个数据集；将所述多个数据集输入分类器模型进行图像内容复杂程度预测，并对预测得到的预测结果进行分类；按照分类后的预测结果对所述多个数据集进行分类，并向服务器发送分类后的数据集；接收所述服务器发送的多目标跟踪结果；其中，所述多目标跟踪结果是将所述分类后的数据集按照不同分类对应的分支跟踪模型推理得到的，且不同分类对应的分支跟踪模型的计算量不同。本发明能够解决目前的多目标跟踪方法存在计算冗余、图片传输开销大以及推理延迟的问题。
-
公开(公告)号：CN115577797B
公开(公告)日：2023-09-26
申请号：CN202211273252.2
申请日：2022-10-18
Applicant: 东南大学 , 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室)
Abstract: 本发明提供一种基于噪声感知的联邦学习优化方法及系统，解决联邦学习场景中客户端本地数据集的样本存在噪声而导致的全局模型精度下降的问题。本发明首先针对联邦学习中客户端本地数据集的样本噪声现象，提出使用标签冲突矩阵来表示数据噪声，然后使用标签矫正网络(LCN)拟合噪声数据集中的标签冲突概率分布，从而达到对噪声样本错误标签值的矫正效果；为了更有效的实现标签矫正网络和联邦学习模型的训练，本发明提出采用元学习的训练模式来实现同步优化；最后，本发明还提出了一种基于交叉验证的数据采样算法，从原始噪声数据集选择出一批带有相对正确标签的数据样本，从而提升LCN模型的标签矫正效果，最终提高联邦学习中训练模型的精度。
-
公开(公告)号：CN110740054B
公开(公告)日：2022-04-01
申请号：CN201910644115.7
申请日：2019-07-17
Applicant: 东南大学
IPC: H04L41/12 , H04L41/06 , H04L41/14 , H04L41/142
Abstract: 本发明公开一种基于强化学习的数据中心虚拟化网络故障诊断方法，包括如下步骤：步骤1，初始化网络故障诊断模型；步骤2，根据设定的故障诊断目标，采用强化学习算法训练Q表，所述Q表记录了每种故障下采取每个动作获得的累计折扣奖励值；步骤3，故障发生时，将网络状态信息映射到Q表中的网络状态，根据网络状态查询Q表，依据奖励值最大原则选择动作作为故障诊断结果；步骤4，使用信息增益方法进一步优化网络状态空间，降低模型内存使用开销同时提高诊断精度。此种方法将故障感知过程放置在信息采集服务器降低信息采集开销，同时使用强化学习算法构建网络故障诊断模型，再使用信息增益方法进一步优化故障诊断模型，提高了故障诊断精度。
-
Patent Agency Ranking
公开(公告)号：CN109831321B
公开(公告)日：2021-02-09
申请号：CN201910008291.1
申请日：2019-01-04
Applicant: 东南大学
Abstract: 本发明公开了一种数据中心中RDMA应用传输参数自适应选择方法，该方法包括以下步骤：步骤(1)分析和采集RDMA应用传输参数选择相关的应用特性以及服务器资源状态；步骤(2)构建基于应用特性和服务器资源状态的RDMA传输参数组合选择决策树模型，自适应地给不同应用选择最佳的RDMA传输参数组合；步骤(3)将步骤(2)得到的决策树模型以及RDMA通信编程的参数选择过程封装成通用的API给应用使用。该方法通过理论分析和实验构造应用可用的RDMA传输参数组合，根据应用特性和服务器资源状态建立RDMA传输参数组合选择决策树模型，为应用提供最佳的RDMA传输参数选择，从而优化RDMA应用的性能，同时降低RDMA应用开发难度和开发周期，赋能数据中心新型延迟敏感应用创新。
-
公开(公告)号：CN110286699B
公开(公告)日：2020-12-15
申请号：CN201910451515.6
申请日：2019-05-28
Applicant: 东南大学
Abstract: 本发明公开了一种无线传感网数据采集中基于实际模型的无人机最优速度调度方法。本发明的方法包括三个部分，分别是场景信息预处理、“段”的有效速度的计算、无人机飞行速度的设置。本发明首先针对传感器信息进行处理并初始化“段”的信息；然后根据有效距离、有效时间等参数计算每个“段”的有效速度；最后对获取的有效速度进行筛选，最终可以得到无人机最优的速度规划。
-
公开(公告)号：CN110740054A
公开(公告)日：2020-01-31
申请号：CN201910644115.7
申请日：2019-07-17
Applicant: 东南大学
IPC: H04L12/24
Abstract: 本发明公开一种基于强化学习的数据中心虚拟化网络故障诊断方法，包括如下步骤：步骤1，初始化网络故障诊断模型；步骤2，根据设定的故障诊断目标，采用强化学习算法训练Q表，所述Q表记录了每种故障下采取每个动作获得的累计折扣奖励值；步骤3，故障发生时，将网络状态信息映射到Q表中的网络状态，根据网络状态查询Q表，依据奖励值最大原则选择动作作为故障诊断结果；步骤4，使用信息增益方法进一步优化网络状态空间，降低模型内存使用开销同时提高诊断精度。此种方法将故障感知过程放置在信息采集服务器降低信息采集开销，同时使用强化学习算法构建网络故障诊断模型，再使用信息增益方法进一步优化故障诊断模型，提高了故障诊断精度。
-
公开(公告)号：CN110286699A
公开(公告)日：2019-09-27
申请号：CN201910451515.6
申请日：2019-05-28
Applicant: 东南大学
Abstract: 本发明公开了一种无线传感网数据采集中基于实际模型的无人机最优速度调度方法。本发明的方法包括三个部分，分别是场景信息预处理、“段”的有效速度的计算、无人机飞行速度的设置。本发明首先针对传感器信息进行处理并初始化“段”的信息；然后根据有效距离、有效时间等参数计算每个“段”的有效速度；最后对获取的有效速度进行筛选，最终可以得到无人机最优的速度规划。
-
公开(公告)号：CN102843385B
公开(公告)日：2015-04-15
申请号：CN201210356355.5
申请日：2012-09-24
Applicant: 东南大学
IPC: H04L29/06
Abstract: 本发明公开了一种用于云计算环境中防范旁路攻击虚拟机的方法，该方法包括以下步骤：步骤 1) 根据进行旁路攻击的虚拟机的行为特征和普通虚拟机的行为特征，实时采集数据中心执行周期中的所有虚拟机的行为数据；步骤2) 对步骤1)实时采集的所有虚拟机的行为数据，采用贝叶斯方法进行分类，得到各虚拟机的高、中、低、或者极低级别的安全信任级别；步骤3) 读取当前数据中心拓扑中所有虚拟机的安全信任级别，对当前环境中存在威胁的虚拟机进行迁移，将不同安全信任级别的虚拟机放置在不同的物理主机中。该方法在物理上隔离恶意用户和普通用户，从而终止旁路攻击虚拟机行为，保护云计算环境中虚拟机的数据与隐私安全。
-
-
-
-
-
-
-
-
-
Search Results
65
records
(took 0.026 seconds)
