-
公开(公告)号：CN119966821A
公开(公告)日：2025-05-09
申请号：CN202311482015.1
申请日：2023-11-08
Applicant: 中国科学院软件研究所 , 中科南京软件技术研究院
IPC: H04L41/0833 , H04L41/0813 , H04L41/08 , H04L41/0894 , H04L41/046 , H04L41/16 , H04L67/125 , G06F18/15 , G06F18/27 , G06F18/20
Abstract: 本发明公开了一种针对IoT场景的能耗智能优化方法及系统。所述方法包括：依据对系统能耗的影响，选择迭代参数；将迭代参数的上一轮推荐值发送至部署在各个物联网设备上的开发板模块，以使开发板模块依据上一轮推荐值完成本地负载测试；根据开发板模块运行Benchmark的开始时间戳和结束时间戳，从能耗测量模块的数组中截取能耗，以得到本轮能耗结果；其中，所述能耗测量模块的数组中截取的能耗基于各个物联网设备的本地负载测试得到；将本轮能耗结果发送至AI引擎模块，以使所述AI引擎模块基于本轮能耗结果选择所述迭代参数的本轮推荐值。本发明保证了物联网能耗调优系统的易用性、有效性、准确性和可扩展性。
-
公开(公告)号：CN119621498A
公开(公告)日：2025-03-14
申请号：CN202311186660.9
申请日：2023-09-14
Applicant: 中国科学院软件研究所 , 中科南京软件技术研究院
IPC: G06F11/34 , G06F11/30 , G06F9/445 , G06F18/2113 , G06F18/213 , G06F18/27 , G06F18/243 , G06F18/214 , G06N5/01 , G06N20/20
Abstract: 本发明公开一种基于自动化参数配置优化的软件系统性能调优方法及装置，所述方法包括：收集面向待调优系统的待调优配置集；从待调优配置集中采样若干个候选配置实例；利用不同候选配置实例下的性能样本，配置待调优系统的性能预测模型，并基于性能预测模型，得到当前配置实例的推荐配置；依据推荐配置重置待调优系统后，识别待调优系统的当前工作负载，并评估当前工作负载的性能值；基于当前工作负载的性能值调整代理模型、采样函数和优化策略后，返回至从待调优配置集中采样若干个候选配置实例；直至满足第一设定停止条件时，输出对应的推荐配置。本发明可以解决软件系统性能下降的问题，使软件系统获得最佳性能。
-
公开(公告)号：CN118708182A
公开(公告)日：2024-09-27
申请号：CN202310309771.8
申请日：2023-03-27
Applicant: 中国科学院软件研究所 , 中科南京软件技术研究院
IPC: G06F8/41 , G06F11/22 , G06F9/455 , G06F9/4401 , G06F11/30 , G06N7/01 , G06N20/00 , G06N20/20 , G06N5/01
Abstract: 本发明公开了一种内核编译配置的自动化离线调优方法，其步骤包括：1)划分配置项黑白名单，设置待调整配置项列表；2)从内核Kconfig文件抽取待调整配置项的类型和值域，目标主机发送待调整配置项信息给AI引擎；3)AI引擎生成一组待调整配置项的随机取值；4)对生成随机配置项取值进行内核配置错误值检测纠正，得到正确的内核配置文件；5)内核编译生成二进制镜像文件和模块文件；6)对生成文件进行启动检查，若检查失败，则通知AI引擎重新生成一组配置；7)内核切换并重启；8)采集业务应用性能数据发送给AI引擎；9)重复上述步骤3)‑8)的训练过程达到规定轮数，AI引擎返回一组性能最优的内核配置项取值。
-
公开(公告)号：CN116243924A
公开(公告)日：2023-06-09
申请号：CN202310142912.1
申请日：2023-02-08
Applicant: 中国科学院软件研究所 , 中科南京软件技术研究院
IPC: G06F8/41
Abstract: 本发明公开了一种内核配置项错误值的检测方法及装置，所述方法包括：获取待检测内核配置文件的Kconfig配置项定义文件；将所述Kconfig配置项定义文件中的Kconfig信息，保存到树结构；解析出待检查配置文件的配置项及取值，并基于所述树结构对所述配置项及取值进行检测，以得到所述待检查配置文件中各配置项的错误类型。本发明实现对内核配置项进行取值风险等问题的检测。
-
公开(公告)号：CN115658492A
公开(公告)日：2023-01-31
申请号：CN202211280479.X
申请日：2022-10-19
Applicant: 中国科学院软件研究所 , 中科南京软件技术研究院
IPC: G06F11/36 , G06F16/28 , G06F16/2457 , G06F16/2458
Abstract: 本发明公开了一种内核配置项异常值检测方法及装置。所述方法包括：构建内核默认配置数据集；遍历待检测内核配置文件中所有内核配置项的名称、取值，并结合所述内核默认配置数据集补充未在待检测内核配置文件中出现的配置项取值，以构建待检测配置数据集V；将所述待检测配置数据集V与所述内核默认配置数据集中的配置项进行比较，得到所述待检测内核配置文件的异常检测结果。本发明基于内核社区和主流发行版的内核默认配置建立数据集进行异常值检测，能够检测出满足配置项依赖关系、却不恰当配置的异常值，减少配置误操作或遗漏的可能性，提高内核配置成功率。
-
Patent Agency Ranking
公开(公告)号：CN117172093A
公开(公告)日：2023-12-05
申请号：CN202310909401.8
申请日：2023-07-24
Applicant: 中国科学院软件研究所 , 中科南京软件技术研究院
Abstract: 本发明公开了一种基于机器学习的Linux系统内核配置的策略推荐方法及装置，所述方法包括：基于Linux系统的当前参数配置，进行负载数据的采集；根据所述负载数据，识别当前负载的负载类型；根据所述当前负载的历史最优推荐，为当前负载进行最新参数配置的推荐；生成所述最新参数配置的参数空间，并使用参数推荐优化模型在所述参数空间内进行所述Linux系统的参数推荐，得到参数推荐结果。本发明为Linux系统内核的参数配置优化提供通用的优化策略，可以有效提高资源利用率，提升负载性能。
-
公开(公告)号：CN116991577A
公开(公告)日：2023-11-03
申请号：CN202310792705.0
申请日：2023-06-30
Applicant: 中国科学院软件研究所 , 中科南京软件技术研究院
IPC: G06F9/50 , G06F16/9535 , G06F18/214 , G06F18/243 , G06N20/20
Abstract: 本发明公开了一种基于机器学习的云服务平台负载策略推荐方法。本发明采用机器学习方法进行参数推荐以及分类识别，可以集成在以Kubernetes为代表的容器编排系统上，通收集集群上负载的历史数据，使用带标签的不同类别负载的特征数据，进行识别模型的构建；完成训练后，持续监控集群，每当集群上有新的负载到达时，识别负载并进行参数推荐；参数推荐的过程通过贝叶斯优化进行，为集群上部署的应用推荐最佳的参数配置。相比于传统的Kubernetes自身的优化方法，本发明构建起完整的优化逻辑链条，更高效且更具持续性；完成优化迭代过程后，再将类型标签和相应的最佳推荐共同记录到推荐知识库，在后续工作中，进行更新或快速推荐。
-
公开(公告)号：CN116841560A
公开(公告)日：2023-10-03
申请号：CN202310860768.5
申请日：2023-07-13
Applicant: 中国科学院软件研究所 , 中科南京软件技术研究院
Abstract: 本发明公开了一种面向RISC‑V AIoT的高定制化操作系统构建方法和系统。在生成定制的编译依赖关系阶段，用户提供多维度的操作系统定制清单，编译系统将清单中的应用、基础库、init管理器、RISC‑V硬件等转化为编译属性，根据各组件编译属性生成组件编译脚本；同时，根据选定RISC‑V硬件的厂商初始内核配置项，融合内核选项定制项，检查内核配制选项的依赖关系，生成补全依赖关系的最小内核配置。在生成镜像阶段，生成定制的操作系统编译依赖树，根据编译依赖树进行编译，生成定制的最小操作系统镜像。本发明可以满足用户对RISC‑V嵌入式Linux操作系统的多维定制选择，保证生成最小操作系统镜像，增强操作系统的可伸缩和可扩展性，适用于操作系统高定制性需求的AIoT应用场景。
-
公开(公告)号：CN115048218A
公开(公告)日：2022-09-13
申请号：CN202210650520.1
申请日：2022-06-09
Applicant: 中国科学院软件研究所
Abstract: 本发明公开了一种边缘异构场景中的端云协同推理方法和系统。该方法包括离线和在线的两个阶段。在离线阶段，得到各个节点CPU以及内存占用率与神经网络每层推理时间的逻辑回归函数。在线阶段动态获取CPU与内存使用率，实时更新当前CPU和内存压力值下的神经网络各层的执行时间，根据此时间选择最佳模型划分点与最优节点，以达到最大的系统吞吐量。本发明公开了一种边缘异构场景中的端云协同推理框架的组成原理，可以确定异构边缘计算系统的最佳边缘设备和模型划分点，应用于图像分类检测系统，达到系统高吞吐量要求。
-
公开(公告)号：CN114723058A
公开(公告)日：2022-07-08
申请号：CN202210369401.9
申请日：2022-04-08
Applicant: 中国科学院软件研究所
Abstract: 本发明公开了一种面向高采样率视频流分析的神经网络端云协同推理方法和装置。在面向实际的高采样率视频流场景下，通过对深度神经网络的建模分析，在将推理任务划分成边缘端/云端不同阶段的同时，完成深度神经网络模型的周期性循环划分策略，突破了目前面对高采样率视频流时的瓶颈。通过周期性循环划分策略，使边缘端/云端在指定深度神经网络模型下减少系统中的推理等待时间，达到系统的极限吞吐量，充分利用了边缘端和云端的计算能力。
-
-
-
-
-
-
-
-
-
Search Results
27
records
(took 0.043 seconds)
