-
公开(公告)号：CN116094977B
公开(公告)日：2025-02-07
申请号：CN202211437946.5
申请日：2022-11-16
Applicant: 南京信息工程大学
IPC: H04L43/55 , H04L41/142 , G06N3/0442 , G06N3/0475 , G06N3/084 , G06N3/094
Abstract: 本发明公开了基于时间感知面向特征优化的服务QoS预测的深度学习方法，提出一种基于时间感知面向特征优化的深度学习服务QoS预测模型，在预测准确度方面获得了进一步的提升，在基于时间感知面向特征优化的深度学习服务QoS预测模型中，首先设计了DGRN进行时间感知，来提取基于时间感知的用户/服务特征，其次设计了GRGAN进行特征优化，利用GRGAN中的判别器对优化后的特征进行评价从而训练GRGAN中的生成器，最后利用优化后的特征对QoS值进行预测，提高预测准确度。
-
公开(公告)号：CN116011662A
公开(公告)日：2023-04-25
申请号：CN202310053430.9
申请日：2023-02-02
Applicant: 南京信息工程大学
IPC: G06Q10/04 , G06F18/25 , G06F18/22 , G06F16/958
Abstract: 本发明公开基于金字塔结构的多特征提取的服务QoS预测方法，对预先获取的原始用户‑服务QoS矩阵进行非负矩阵分解，获得用户个体特征矩阵和服务个体特征矩阵，得到个体特征；用户个体特征矩阵和服务个体特征矩阵拟合，得到全局特征矩阵；在全局特征矩阵中提取相似用户对相似服务的拟合QoS值，获得局部特征矩阵；对局部特征矩阵进行特征提取，获得局部特征；对全局特征矩阵进行特征提取，得到全局特征；对个体特征、局部特征和全局特征进行特征优化和特征融合，获得优化的顶层特征、优化的中层特征和优化的底层特征，并输入服务QoS预测模型，预测输出QoS预测值。本发明考虑不同特征之间的交互，以实现准确的QoS预测。
-
公开(公告)号：CN114117945B
公开(公告)日：2022-04-15
申请号：CN202210093058.X
申请日：2022-01-26
Applicant: 南京信息工程大学
Abstract: 本发明公开了基于用户‑服务交互图的深度学习云服务QoS预测方法，根据用户‑服务原始QoS矩阵构建用户‑服务交互图，进而获取用户和服务的特征向量，根据用户/服务特征向量计算相似度，根据相似度获取用户/服务特征向量集；基于两个高效深度卷积单元构建双流深度神经网络模型，将获取的用户特征向量集作为其中一个高效深度卷积单元的输入，将获取的服务特征向量集作为另一个高效深度卷积单元的输入，对双流深度神经网络模型进行训练；利用训练好的双流深度神经网络模型预测某用户对某服务的QoS值，得到QoS预测结果。本发明通过构建用户‑服务交互图以及通过设计双流深度神经网络结构，使得云服务QoS预测值更加准确。
-
公开(公告)号：CN116996399A
公开(公告)日：2023-11-03
申请号：CN202310585199.8
申请日：2023-05-23
Applicant: 南京信息工程大学
IPC: H04L41/147 , H04L41/16
Abstract: 本发明公开基于时间感知和特征融合的端对端深度学习QoS预测模型，属于计算机应用技术领域；基于时间感知和特征融合的端对端深度学习QoS预测模型包括：用户‑服务编码转换模块：将用户和服务的独热编码转换为用户‑服务潜在特征；时间特征提取模块：用提取的时间趋势曲线提取QoS的时间趋势并使用神经网络提取其中的时间特征；以及，特征融合模块：使用特征融合网络将用户‑服务潜在特征与时间特征进行融合得到最后的预测结果；通过将用户‑服务的独热编码转换为信息内容更丰富且更有解释性的潜在特征，提高神经网络的性能，以提高QoS预测的准确度。
-
公开(公告)号：CN116094977A
公开(公告)日：2023-05-09
申请号：CN202211437946.5
申请日：2022-11-16
Applicant: 南京信息工程大学
IPC: H04L43/55 , H04L41/142 , G06N3/0442 , G06N3/0475 , G06N3/084 , G06N3/094
Abstract: 本发明公开了基于时间感知面向特征优化的服务QoS预测的深度学习方法，提出一种基于时间感知面向特征优化的深度学习服务QoS预测模型，在预测准确度方面获得了进一步的提升，在基于时间感知面向特征优化的深度学习服务QoS预测模型中，首先设计了DGRN进行时间感知，来提取基于时间感知的用户/服务特征，其次设计了GRGAN进行特征优化，利用GRGAN中的判别器对优化后的特征进行评价从而训练GRGAN中的生成器，最后利用优化后的特征对QoS值进行预测，提高预测准确度。
-
Patent Agency Ranking
公开(公告)号：CN113810507B
公开(公告)日：2022-02-15
申请号：CN202111367610.1
申请日：2021-11-18
Applicant: 南京信息工程大学
IPC: H04L67/1042 , H04L41/142 , G06Q20/38 , G06Q20/40 , G06N3/00
Abstract: 本发明公开了一种基于IDE（Improved Differential Evolution）的区块链可信节点划分方法，属于区块链技术领域。本发明通过合理分配可信节点，改变了节点随机划分的方式，平衡各分片的信任值与节点数，提高了分片的可靠性，同时，为了减少片内节点间的通信延时，将距离较近的节点放置在同一个分片中，通过IDE进行迭代调整，得到最佳的节点分片集。本发明提出的可信节点划分方法可以有效提高分片的安全性和系统的性能，大大提高了区块链系统的交易吞吐量，并且降低了通信延时。
-
公开(公告)号：CN117274616A
公开(公告)日：2023-12-22
申请号：CN202311248410.3
申请日：2023-09-26
Applicant: 南京信息工程大学
IPC: G06V10/40 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08 , G06N5/04
Abstract: 本发明公开了一种多特征融合深度学习服务QoS预测系统及预测方法，该方法包括：获取用户潜在特征矩阵及服务潜在特征矩阵，并进行初始化，将初始化后的用户潜在特征矩阵和服务潜在特征矩阵经过深度神经网络提取特征图，得到用户特征图和服务特征图；将特征图提取过程中的数据流经过特征转化块处理，与用户特征图/服务特征图归并处理，分别得到用户融合特征图/服务融合特征图；将用户融合特征图及服务融合特征图通过训练后的多特征融合QoS预测网络，得到QoS预测值，提高预测准确度。
-
公开(公告)号：CN114117945A
公开(公告)日：2022-03-01
申请号：CN202210093058.X
申请日：2022-01-26
Applicant: 南京信息工程大学
Abstract: 本发明公开了基于用户‑服务交互图的深度学习云服务QoS预测方法，根据用户‑服务原始QoS矩阵构建用户‑服务交互图，进而获取用户和服务的特征向量，根据用户/服务特征向量计算相似度，根据相似度获取用户/服务特征向量集；基于两个高效深度卷积单元构建双流深度神经网络模型，将获取的用户特征向量集作为其中一个高效深度卷积单元的输入，将获取的服务特征向量集作为另一个高效深度卷积单元的输入，对双流深度神经网络模型进行训练；利用训练好的双流深度神经网络模型预测某用户对某服务的QoS值，得到QoS预测结果。本发明通过构建用户‑服务交互图以及通过设计双流深度神经网络结构，使得云服务QoS预测值更加准确。
-
公开(公告)号：CN113452801A
公开(公告)日：2021-09-28
申请号：CN202111017884.8
申请日：2021-09-01
Applicant: 南京信息工程大学
Abstract: 本发明公开了区块链网络中一种面向块传输的可信节点选择优化方法，为提高区块链网络中块传输的安全性、传输速率，提出面向块传输的可信节点选择优化模型，该模型分析节点距离和连通度在块同步时间的影响，对节点行为（如传输和验证块）引入信任值，为减少传输冗余和通信成本，对节点的块接收传输状态分类，并结合节点状态设计该模型。基于该模型，设计改进PageRank(PR)算法计算节点综合PR值，根据节点综合PR值选出最优节点集。本发明设计的方法在块同步时间、块传输时间和块传输成功率上具有优势。
-
公开(公告)号：CN113743675B
公开(公告)日：2024-01-30
申请号：CN202111066541.0
申请日：2021-09-13
Applicant: 南京信息工程大学
IPC: G06F18/21 , G06F18/25 , G06F18/2133 , G06F18/22 , G06N3/0499 , G06N3/08 , H04L67/61 , H04L67/10
Abstract: 本发明公开一种云服务QoS深度学习预测模型，所述模型构建过程包括以下步骤：S1：确定本模型的基本概念；S2：根据确定的基本概念，提出QoS深度学习预测模型；S3：提出算法流程，算法流程包括多尺度特征提取和MM‑DNN学习；S4：评估QoS深度学习预测模型的性能。该模型融合了三种尺度的特征：全局、局部和个体特征，通过非负矩阵分解获得全局和个体特征矩阵，从中可以提取全局和个体特征。由于云服务的QoS值会受到地理位置的影响，基于距离相似度计算获取相似用户和相似服务，并形成用户和服务的局部特征。通过深度神经网络分阶段逐步融合这三种特征，进行特征处理和学习，并在每个阶段中使用个体评价对该阶段的特征进行修正，从而更准确地预测云服务的QoS值。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.028 seconds)
