-
公开(公告)号：CN118828969A
公开(公告)日：2024-10-22
申请号：CN202410983637.0
申请日：2024-07-22
Applicant: 华南理工大学
IPC: H04W72/53 , H04W72/542 , H04W72/12
Abstract: 本发明公开了一种面向5G协同时间敏感网络的半静态流量调度方法，包括以下步骤：确定半静态流量调度方法，利用网络演算理论计算出半静态流量调度方法下的时间触发、音视频和增强型移动宽带流量的端到端时延上限边界，端到端时延上限边界要求和可靠性的匹配要求，根据推算的TT、AVB和eMBB流端到端时延上限边界公式，反算出半静态流量调度方法下TT、AVB和eMBB流的分配资源百分比以及服务速率，实现在流量调度策略中分配TT、AVB和eMBB流的资源，改善E2E时延；半静态调度策略同时满足TT和AVB流量的延迟要求以及eMBB流量的吞吐量要求。
-
公开(公告)号：CN117640500A
公开(公告)日：2024-03-01
申请号：CN202311364336.1
申请日：2023-10-19
Applicant: 华南理工大学
IPC: H04L45/247 , H04L45/121 , H04L47/50 , H04L41/14
Abstract: 本发明公开了一种AVB流感知的时间敏感流量容错路由与调度方法及系统，包括：对网络拓扑和时间敏感流量进行可靠性建模；运用KSP算法得到时间敏感流量的路径集后进行可靠性分析，根据截断数以及冗余路径数N得到满足时间敏感流量可靠性的冗余路径集；迭代计算不同冗余路径下AVB流的最坏时延，选择迭代过程中AVB流最坏时延最小的冗余路径；采用基于可满足性模理论的调度方法，对确定了转发路径的时间敏感流量进行调度。本发明首次将AVB流的最坏时延作为时间敏感流量冗余路径选择的衡量指标，为IEEE 802.1CB帧复制消除协议提供了一种新的冗余路径选择方法，既保障了时间敏感流量的可靠性。
-
公开(公告)号：CN111475290B
公开(公告)日：2023-02-14
申请号：CN202010227607.9
申请日：2020-03-27
Applicant: 华南理工大学
IPC: G06F9/50 , G06F16/906
Abstract: 本发明公开了一种基于GPU的SDN网络包分类方法及系统，该方法的步骤包括：SDN交换机创建二维数组，将规则集、匹配内核、计算内核和二维数组的初始数据发送到GPU；GPU接收并存储SDN交换机的初始数据；SDN交换机解析出SDN网络包中的包头字段并发送到GPU；GPU内多个线程并行计算，进行匹配内核和计算内核步骤；对包头字段和规则集字段进行匹配，将匹配结果保存到二维数组中；对二维数组中每一行的数据进行逻辑运算，筛选运算结果后得到规则集编号；筛选优先级最高的规则集编号发送到SDN交换机；根据优先级最高的规则集编号对应的数据处理规则处理SDN网络包。本发明利用数据包并行匹配的特点，结合GPU的并行计算能力，实现快速匹配的同时也能保证更新速率不受影响。
-
公开(公告)号：CN113077472A
公开(公告)日：2021-07-06
申请号：CN202110373861.4
申请日：2021-04-07
Applicant: 华南理工大学
Abstract: 本发明公开了一种纸质心电图曲线图像分割方法、系统、装置及介质，其中方法包括：获取包含多条曲线的心电图的图像信息，根据图像信息获取图像的第一能量图；根据第一能量图对图像进行预分割，将图像分割成多个仅包含一条曲线的新图片；获取新图片的第二能量图；依次从预设数组中获取步长，根据获得的步长在第二能量图上获取一条能量值最高的路径，记录并打印该路径对应的点坐标；遍历完预设数组中所有的步长后，输出由打印点坐标获得的结果图。本发明通过对图像预分割操作，避免曲线与曲线之间的干扰，保证了曲线信息的完整性；因为预分割操作，减少图像的规模，降低了算法的运行时间，避免重复循环的性能损失，可广泛应用于医疗图像处理领域。
-
公开(公告)号：CN110932968B
公开(公告)日：2021-05-14
申请号：CN201911125488.X
申请日：2019-11-18
Applicant: 华南理工大学
IPC: H04L12/701 , H04L12/723
Abstract: 本发明公开了一种流量转发方法及装置，所述方法包括步骤：向控制器发送链路建立请求，由控制器规划数据包转发路径；通过交换机向控制器发送转发请求；将数据包发送到编码设备，进行路由信息的封装，根据转发路径中交换机端口读取功能的不同配置不同的路由信息；将带有封装好的路由信息的数据包发回到原交换机处；根据封装好的路由信息，将数据包转发到目的地址；数据包到达目的地址后，判断目的地址和转发的目标地址是否相同；若相同则继续向控制器请求下一数据包的转发，若不同则继续向控制器发送转发请求；直至所有数据包转发完成后结束。本发明将路径中交换机的路由信息封装到数据包上，节省流表空间的使用并降低带宽开销。
-
Patent Agency Ranking
公开(公告)号：CN111585903A
公开(公告)日：2020-08-25
申请号：CN202010284813.3
申请日：2020-04-13
Applicant: 华南理工大学
IPC: H04L12/801
Abstract: 本发明公开了一种OpenFlow流表项自适应超时的方法及系统，该方法步骤包括：接收SDN控制器发送的新增流表项；为新增流表项添加空闲超时字段，并添加至主流表中；当主流表空闲超时时间到达时，将流表项移动到次级流表中；先匹配主流表中的流表项，再匹配次级流表中的流表项；当数据包匹配到次级流表中的流表项时，更新空闲超时字段并把流表项移动到主流表中；启用新的主流表空闲超时计时；当次级流表空闲超时时间到达时，删除次级流表中的流表项；发送Flow-removed消息告知控制器已删除流表项；当流表的总空间大于预设阈值时，根据次级流表流表项中的接收数据分组数字段确定待删除流表项，并删除流表项。本发明提高了流表空间的利用率，提高交换机转发数据包的能力。
-
公开(公告)号：CN106452455B
公开(公告)日：2019-10-18
申请号：CN201610846690.1
申请日：2016-09-23
Applicant: 华南理工大学
Abstract: 本发明提供基于OpenCL移动设备QC‑LDPC的动态译码方法。本发明将QC‑LDPC码的校验矩阵的母矩阵信息从宿主机传入OpenCL设备的常量存储器，并分配相应的内存空间；将待处理的码字信息传入OpenCL设备，当码字信息过大时，将码字信息分段，依次分别译码；将待处理的码字信息传入OpenCL设备，根据待译码的数据量来动态地选择最小和算法或者分层译码算法；读取相应的核函数，在OpenCL设备上完成译码算法。本发明针对QC结构LDPC码字的特点，实现了不同码率和码长的QC‑LDPC码在不同OpenCL设备上通用的加速译码；并提供了LDPC译码器在OpenCL框架中的并行化实现。能在OpenCL上独立并行地运行很多个LDPC译码器，译码效率大幅度提高。本发明可以节省成本，并且容易软件升级，容易实现多种制式的全网通功能。
-
公开(公告)号：CN109741378A
公开(公告)日：2019-05-10
申请号：CN201811526845.9
申请日：2018-12-13
Applicant: 华南理工大学
IPC: G06T7/33
Abstract: 本发明公开了一种基于MRF模型的多模态医学图像配准方法，具体步骤包括：输入待配准的两幅图像，分别记为固定图和浮动图；构建马尔可夫随机场模型的能量函数；将能量函数输入到改进的优化模型进行最优化计算，得到最终变换参数；对最终得到的配准结果进行显示。本发明引入了模态变换，并根据两幅通过模态变换后的图像矩阵以及原配准图像来构建新的马尔可夫能量函数，同时还通过引入一种改进的梯度下降算法来优化能量函数，从而得到配准结果。最后通过不同的医学图像进行配准实验来验证本发明，证明了本发明具有良好的有效性及抗噪性能。
-
公开(公告)号：CN109345538A
公开(公告)日：2019-02-15
申请号：CN201811002762.X
申请日：2018-08-30
Applicant: 华南理工大学
IPC: G06T7/10
Abstract: 本发明公开了一种基于卷积神经网络的视网膜血管分割方法，包括：对视网膜眼底图像进行预处理；对训练集图像进行块提取；构建血管分割卷积神经网络，用提取到的图像块进行训练；在预测阶段，对每张图像提取多个连续的重叠片段，对多个预测结果取平均获得每个像素的分类概率，得到最后的分割结果图。本发明针对视网膜血管分割提出的新的卷积神经网络结构，是一种基于Encoder-Decoder结构的对称网络，在Encoder部分和Decoder部分之间添加了两种跳过连接。网络不仅可以实现视网膜图像端到端的分割，而且能在有限的数据集上得到精确的分割结果，并能有效避免梯度消失的问题，相比于现有技术的算法，具有一定的优势。
-
公开(公告)号：CN104410725A
公开(公告)日：2015-03-11
申请号：CN201410476371.7
申请日：2014-09-17
Applicant: 广州杰赛科技股份有限公司 , 华南理工大学
CPC classification number: H04L61/1511 , G06F9/5027
Abstract: 本发明提供一种GPU的处理方法、系统以及基于GPU的DNS解析方法和系统，其中基于GPU的DNS解析方法包括如下步骤：获取DNS查询报文，并对其进行预处理，生成GPU可识别的DNS查询数据；将DNS查询数据按并行队列写入CPU与GPU的第一共享内存中；通过GPU从第一共享内存中读取DNS查询数据，并利用GPU根据DNS查询数据进行DNS解析，生成DNS解析数据包，且将DNS解析数据包按并行队列写入CPU与GPU的第二共享内存中；CPU从第二共享内存中读取DNS解析数据包，合并处理DNS解析数据包并重整为网络格式数据。本发明利用闲置的GPU资源及其并发运算能力，可以更好地应对并发数据。
-
-
-
-
-
-
-
-
-
Search Results
134
records
(took 0.028 seconds)
