公开(公告)号：CN109787836A

公开(公告)日：2019-05-21

申请号：CN201910105289.6

申请日：2019-02-01

Applicant: 北京邮电大学

Inventor： 王颖 ,  李琪 ,  邱雪松 ,  李文璟

IPC: H04L12/24 ,  G06N3/12

Abstract: 本发明实施例提供了一种基于遗传算法的VNF调度方案的确定方法及装置，其中，所述方法包括获取网络功能虚拟化NFV的网络拓扑图，网络服务的虚拟网络功能VNF映射方案，VNF的时间信息以及遗传算法的最大遗传代数，基于网络服务的所有VNF，生成多个调度方案，并将所有调度方案，作为遗传算法的解群体，利用VNF的时间信息及映射方案，计算解群体中每个个体的执行时间的总时延；利用总时延，确定每个个体的适应度，基于每个个体的适应度，产生新一子代解群体，利用新一子代解群体更新解群体，直至达到最大遗传代数，则确定解群体中最佳的调度方案以及最佳的调度方案中的总执行时间。

公开(公告)号：CN106991141B

公开(公告)日：2020-12-11

申请号：CN201710170549.9

申请日：2017-03-21

Applicant: 北京邮电大学 ,  首都信息发展股份有限公司

Inventor： 李蕾 ,  陈道新 ,  李琪 ,  吴亚彬

IPC: G06F16/2458

Abstract: 本发明是一种基于深度剪枝策略的关联规则挖掘方法，用于对大数据集进行关联规则挖掘。本方法借鉴了基于压缩矩阵的Apriori算法的思想，对1‑频繁项集并不按照支持度计数进行排序，而是直接按照值大小对布尔矩阵内的向量进行排序，以确定之后的频繁项集连接的相对顺序；对k‑频繁项集根据事务长度进行压缩，删掉长度小于k的事务；根据项跟位置关系对k‑频繁项集进行剪枝，对于首项为I的k‑频繁项集的前k‑1项，位置在i的项出现的次数必须大于等于k‑i。本发明相对于MTCA算法，处理时间要短很多，并且在支持度较低的情况下比Apriori标准方法节约大量的时间，从大数据集获取关联规则的效率更高。

公开(公告)号：CN106991141A

公开(公告)日：2017-07-28

申请号：CN201710170549.9

申请日：2017-03-21

Applicant: 北京邮电大学 ,  首都信息发展股份有限公司

Inventor： 李蕾 ,  陈道新 ,  李琪 ,  吴亚彬

IPC: G06F17/30

CPC classification number: G06F16/2465

Abstract: 本发明是一种基于深度剪枝策略的关联规则挖掘方法，用于对大数据集进行关联规则挖掘。本方法借鉴了基于压缩矩阵的Apriori算法的思想，对1‑频繁项集并不按照支持度计数进行排序，而是直接按照值大小对布尔矩阵内的向量进行排序，以确定之后的频繁项集连接的相对顺序；对k‑频繁项集根据事务长度进行压缩，删掉长度小于k的事务；根据项跟位置关系对k‑频繁项集进行剪枝，对于首项为I的k‑频繁项集的前k‑1项，位置在i的项出现的次数必须大于等于k‑i。本发明相对于MTCA算法，处理时间要短很多，并且在支持度较低的情况下比Apriori标准方法节约大量的时间，从大数据集获取关联规则的效率更高。