公开(公告)号：CN118171855A

公开(公告)日：2024-06-11

申请号：CN202410271280.3

申请日：2024-03-11

Applicant: 中南大学

Inventor： 刘安丰 ,  孙子惠

IPC: G06Q10/0631 ,  G06Q10/04 ,  G06N3/092

Abstract: 本发明公开了一种基于深度强化学习的通用环境任务分配方法，群智感知的任务分配过程中需考虑多种因素对工人进行选择，解决较大规模的任务工人组合涉及到的高维度组合优化问题。设置权重来调整各目标因素的重要程度来匹配不同的任务场景和需求。本发明给出通用环境下深度强化学习模型的状态、动作和奖励函数的一般表达式，训练算法网络获得最优任务分配策略模型，将任务分配给具有高信任度、低报价及与任务点距离更近的工人，得到任务分配问题的最优解。本发明综合考虑了数据收集的质量、成本及效率，该方法在取得高目标值的同时保证了计算效率，而且模型具有鲁棒性和可解释性。

公开(公告)号：CN111552564A

公开(公告)日：2020-08-18

申请号：CN202010326117.4

申请日：2020-04-23

Applicant: 中南大学

Inventor： 邓晓衡 ,  刘锦 ,  孙子惠 ,  刘梦杰

IPC: G06F9/50 ,  H04L29/08

Abstract: 本发明提供了一种基于边缘缓存的任务卸载与资源优化的方法，包括：步骤1，收集用户节点的定位与任务请求信息；步骤2，对用户节点的定位与任务请求信息进行相似度矩阵的计算与聚类；步骤3，根据相似度矩阵的计算与聚类的结果构建任务流行度列表；步骤4，根据任务流行度列表对每个类中的Cloudlet执行流行任务计算结果的缓存。本发明通过主动边缘缓存计算结果来研究边缘网络中的超可靠和低延迟的通信问题，通过允许用户节点UN根据对冲请求的概念将其计算任务卸载到多个边缘计算节点来确保可靠性，通过联合任务卸载以及对流行的可缓存任务计算结果的主动缓存，可以利用Cloudlet的计算和存储资源来最大程度地减少计算延迟。

公开(公告)号：CN109976909B

公开(公告)日：2022-11-08

申请号：CN201910204190.1

申请日：2019-03-18

Applicant: 中南大学

Inventor： 孙子惠 ,  邓晓衡 ,  罗杰

IPC: G06F9/50

Abstract: 本发明公开了一种边缘计算网络中基于学习的低延时任务调度方法，针对现有任务调度方法中，启发式算法容易受环境变化影响难以设计，拟使用强化学习技术设计任务调度方案。在资源管理中系统做出的决策通常是高度重复的，因此可以为RL算法产生大量训练数据。其次，RL可以将复杂系统的决策策略建模成深度神经网络。而且通过不断与环境交互学习，可以对特定目标(最低延时)进行优化。

公开(公告)号：CN117997534A

公开(公告)日：2024-05-07

申请号：CN202410271070.4

申请日：2024-03-11

Applicant: 中南大学

Inventor： 刘安丰 ,  孙子惠

IPC: H04L9/08 ,  H04L9/40

Abstract: 本发明公开了一种实现位置隐私保护的可信工人选取方法，旨解决群智感知中隐私保护与高质量数据收集问题。服务请求者和工人采用基于位置的对称密钥生成机制，交互混淆位置的偏移值，任务内容和相关数据在传输前进行加密，使得平台和其他攻击方无法获得工人和任务的真实位置和任务相关信息，从而保护了工人和任务的隐私；基于高质量工人的感知数据对其他未知工人进行信任评价，能够有效地减少工人的招募数量以减少成本，而且信任评价更具可靠性，同时在工人识别前进行工人调度使得识别速度加快。本发明在隐私保护的前提下，制定了安全、经济和高质量的群智感知数据收集方案。

公开(公告)号：CN109976909A

公开(公告)日：2019-07-05

申请号：CN201910204190.1

申请日：2019-03-18

Applicant: 中南大学

Inventor： 孙子惠 ,  邓晓衡 ,  罗杰

IPC: G06F9/50

Abstract: 本发明公开了一种边缘计算网络中基于学习的低延时任务调度方法，针对现有任务调度方法中，启发式算法容易受环境变化影响难以设计，拟使用强化学习技术设计任务调度方案。在资源管理中系统做出的决策通常是高度重复的，因此可以为RL算法产生大量训练数据。其次，RL可以将复杂系统的决策策略建模成深度神经网络。而且通过不断与环境交互学习，可以对特定目标(最低延时)进行优化。