-
公开(公告)号：CN110278462A
公开(公告)日：2019-09-24
申请号：CN201910534554.2
申请日：2019-06-20
Applicant: 北京工业大学
IPC: H04N21/254 , H04N21/258 , H04N21/266 , H04N21/4627 , H04N21/63
Abstract: 一种基于区块链的流动放映授权管理方法，涉及区块链技术领域、数字电影版权保护领域、数据安全领域。通过区块链技术和IPFS技术协同完成授权信息的加密分布式存储以及在节点上的授权处理。具体包括通过获取并上传授权信息，加密后存储到区块链IPFS存储系统中；用户设备分别接入区块链网络，形成用户交互网络和设备轻节点网络。用户节点提出授权申请后，通过身份认证以及设备认证进行授权信息的授权操作。认证成功后，设备轻节点可获取授权信息进行相应的解密处理。该方法利用区块链和IPFS的存储模型，改善区块链的容量存储问题，提高区块链的可扩展性。
-
Patent Agency Ranking
公开(公告)号：CN109787913B
公开(公告)日：2022-07-01
申请号：CN201910196434.6
申请日：2019-03-15
Applicant: 北京工业大学
IPC: H04L47/125 , H04L67/1001
Abstract: 一种基于SDN的数据中心网络动态负载均衡方法，属于SDN中负载均衡相关领域。本方法实时获取全网视图，结合数据中心网络流量特点，考虑老鼠流对交换机流表负载的影响以及大象流对链路负载的影响，通过评价函数为流量选取最优路径。并且周期性监测网络状态，对路由策略进行调整。从而缓解网络拥塞，减少丢包，提高网络利用率，达到优化网络性能的目标。在SDN网络传输中，控制器计算并存储各接入层交换机间的多条备选路径，将新流视为老鼠流并为其选择流表评分最高的路径进行路由，以实现流表均衡。一旦监测到大象流，对大象流进行重路由以均衡链路负载。周期性监测网络负载均衡情况，在网络负载不均衡时利用组表实现有效快速的分流。本方法使得网络性能得到很大提升。
-
公开(公告)号：CN110278462B
公开(公告)日：2021-07-09
申请号：CN201910534554.2
申请日：2019-06-20
Applicant: 北京工业大学
IPC: H04N21/254 , H04N21/258 , H04N21/266 , H04N21/4627 , H04N21/63
Abstract: 一种基于区块链的流动放映授权管理方法，涉及区块链技术领域、数字电影版权保护领域、数据安全领域。通过区块链技术和IPFS技术协同完成授权信息的加密分布式存储以及在节点上的授权处理。具体包括通过获取并上传授权信息，加密后存储到区块链IPFS存储系统中；用户设备分别接入区块链网络，形成用户交互网络和设备轻节点网络。用户节点提出授权申请后，通过身份认证以及设备认证进行授权信息的授权操作。认证成功后，设备轻节点可获取授权信息进行相应的解密处理。该方法利用区块链和IPFS的存储模型，改善区块链的容量存储问题，提高区块链的可扩展性。
-
公开(公告)号：CN109787913A
公开(公告)日：2019-05-21
申请号：CN201910196434.6
申请日：2019-03-15
Applicant: 北京工业大学
IPC: H04L12/803 , H04L29/08
Abstract: 一种基于SDN的数据中心网络动态负载均衡方法，属于SDN中负载均衡相关领域。本方法实时获取全网视图，结合数据中心网络流量特点，考虑老鼠流对交换机流表负载的影响以及大象流对链路负载的影响，通过评价函数为流量选取最优路径。并且周期性监测网络状态，对路由策略进行调整。从而缓解网络拥塞，减少丢包，提高网络利用率，达到优化网络性能的目标。在SDN网络传输中，控制器计算并存储各接入层交换机间的多条备选路径，将新流视为老鼠流并为其选择流表评分最高的路径进行路由，以实现流表均衡。一旦监测到大象流，对大象流进行重路由以均衡链路负载。周期性监测网络负载均衡情况，在网络负载不均衡时利用组表实现有效快速的分流。本方法使得网络性能得到很大提升。
-
公开(公告)号：CN110555132A
公开(公告)日：2019-12-10
申请号：CN201910742757.0
申请日：2019-08-13
Applicant: 北京工业大学
IPC: G06F16/735 , G06N3/04 , G06N3/08
Abstract: 一种基于注意力模型的降噪自编码器的电影推荐方法，属于电影推荐技术领域。在现有的推荐算法中，自编码器推荐模型因运算速度较快，易于实现得到广泛应用，但评分矩阵稀疏时，推荐准确度将大大降低，且未曾考虑辅助信息与用户对于观看记录不同的注意度。为了解决上述问题，本方法将注意力模型与降噪自编码器相结合，利用注意力模型学习用户的偏好，融入降噪自编码器共同迭代更新参数，从而预测用户完整评分。本方法在预测评分准确度方面有明显提升。
-
公开(公告)号：CN110059220A
公开(公告)日：2019-07-26
申请号：CN201910292355.5
申请日：2019-04-12
Applicant: 北京工业大学
IPC: G06F16/735 , G06F16/9535
Abstract: 一种基于深度学习与贝叶斯概率矩阵分解的电影推荐算法，属于电影推荐技术领域。在众多推荐系统中，矩阵分解模型因为其准确高效，易于实现得到广泛应用，但矩阵分解原理是将用户评分矩阵分为用户与项目特征向量，当评分矩阵稀疏时，推荐准确度将大大降低，为了解决这个问题，本方法将深度学习与基于协同的推荐算法相结合，利用堆栈自编码器学习用户与项目的辅助信息，贝叶斯概率分解矩阵从辅助信息和原有的评分中预测用户偏好。本方法在预测评分准确度方面有明显提升。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
