-
公开(公告)号：CN115529625A
公开(公告)日：2022-12-27
申请号：CN202210711607.5
申请日：2022-06-22
Applicant: 南京卓云邮通科技有限公司 , 南京邮电大学
Inventor： 周欢 , 杨凡 , 彭敏鑫 , 徐波 , 刘娅璇 , 崔燕茹 , 吴丰靖 , 高赟 , 刘颖 , 张旭妍 , 邵鑫宇 , 王思洋 , 荀位 , 徐邦宁 , 徐卓然 , 孙文雪 , 吕锦钰 , 谈宇浩 , 赵海涛 , 张晖 , 夏文超 , 倪艺洋 , 杨洁
Abstract: 本发明公开了一种移动性任务卸载方法、系统及存储介质，待任务卸载的用户设备获取其通信范围内边缘节点设备的位置和方向向量信息，并计算用户设备与每个边缘节点设备的通信时间；以用户设备任务卸载耗费的总时延作为筛选约束，筛选出满足通信时间大于任务卸载总时延的边缘节点设备，将任务拆分后卸载到每个可用边缘节点设备上执行；其中，所述总时延由传输时延和计算时延加和得到；所述传输时延指将任务卸载到边缘节点设备所需的时间；所述计算时延指边缘节点设备的数据处理时间。该发明能够在无线分布式边缘计算环境下，考虑边缘节点设备的移动性，缩短边缘节点设备卸载响应时间，提高卸载成功率。
-
公开(公告)号：CN117914804A
公开(公告)日：2024-04-19
申请号：CN202310532773.3
申请日：2023-05-12
Applicant: 南京卓云邮通科技有限公司 , 南京邮电大学
IPC: H04L47/783 , G06F9/50
Abstract: 本发明公开了一种面向时延敏感任务的边缘计算资源动态分配方法，该方法基于边缘计算模型，在边缘节点上配备多个边缘设备，采用Lyapunov框架设计任务请求队列，最小化任务处理总时延，并提出了一个资源重分配算法，动态地根据工作负载实现资源调度，具体步骤如下：用户先判断是否进行本地任务处理；若本地资源满足任务需求则进行本地处理，反之用户向边缘节点发送任务请求；边缘节点根据自身节点设备的资源状态动态处理任务。本发明在满足最低时延要求下很好地实现了资源分配。
-
公开(公告)号：CN117172302A
公开(公告)日：2023-12-05
申请号：CN202310588721.8
申请日：2023-05-24
Applicant: 南京卓云邮通科技有限公司 , 南京邮电大学
Abstract: 本发明公开了一种基于D3PG模型的任务分解与卸载方法，该方法首先建立一种新的深度强化学习模型DRL，即狄利克雷策略梯度深度确定性模型D3PG，并给出模型的奖励机制。其次对模型进行训练：设置学习环境并创建一个经验应答缓冲区用于收集深度强化学习模型DRL代理与MEC环境交互所收集到的训练数据；深度强化学习模型DRL代理与环境进行交互以生成训练数据集；代理从经验缓冲区中提取训练数据来训练深度强化学习模型DRL模型内的学习网络。最后，利用训练好的狄利克雷策略梯度深度确定性模型D3PG深度学习模型实现联合优化任务分解和计算卸载。本发明能够以端到端的方式优化多个目标，最大化处理任务的数量的同时实现最小化能源消耗。
-
公开(公告)号：CN117251262A
公开(公告)日：2023-12-19
申请号：CN202310589011.7
申请日：2023-05-24
Applicant: 南京卓云邮通科技有限公司 , 南京邮电大学
Abstract: 本发明公开了一种面向移动边缘计算的低时延任务分解与卸载方法，该方法首先用户在本地将给定的计算任务分解多个子任务。其次用户确定独立子任务以及顺序依赖子任务的最优任务分配比例。接着，用户在此基础上在本地决定每个子任务的具体卸载方案，执行卸载过程。本发明所提的方法将给定的计算任务分解为子任务，再将子任务分别卸载到不同的用户进行边缘计算，降低了系统成本，即延迟和能耗的加权和，并为设备提供更多的任务卸载选项，有效地缓解本地服务器压力。
-
公开(公告)号：CN114900870A
公开(公告)日：2022-08-12
申请号：CN202210534742.7
申请日：2022-05-17
Applicant: 南京卓云邮通科技有限公司
Inventor： 徐波 , 刘颖 , 杨凡 , 彭敏鑫 , 刘娅璇 , 崔燕茹 , 吴丰靖 , 高赟 , 张旭妍 , 邵鑫宇 , 谈宇浩 , 荀位 , 徐邦宁 , 徐卓然 , 孙文雪 , 王思洋 , 吕锦钰 , 赵海涛 , 张晖 , 夏文超 , 倪艺洋
Abstract: 本发明公开了一种基于车辆聚类的缓存内容更新算法，按照以下步骤进行：1)在具有移动性和随机性的车联网环境中，根据车辆在不同时刻的位置计算出车辆之间的夹角，并以移动方向为依据初始化车辆集群；2）基于改进K‑Medoids的聚类算法，根据车辆之间的欧式距离描述样本差异，并根据车辆之间的欧氏距离与缓存的内容种类进行聚类；3）结合内容相似度、当前时刻车辆的距离差异度以及速度差异度，进一步对每个簇中的所有车辆节点进行优先级评估，并选择评估值最高的车辆作为簇头；4）基于上述优化簇的划分以及簇头的选取来最小化内容传输的平均时延。该发明能够在大规模复杂的车联网业务场景下，大大的减少相同数据的重复传输，提升服务质量。
-
Patent Agency Ranking
公开(公告)号：CN118586513A
公开(公告)日：2024-09-03
申请号：CN202410349095.1
申请日：2024-03-26
Applicant: 南京邮电大学
IPC: G06N20/00
Abstract: 本发明公开了一种面向分簇联邦学习的簇内外聚合周期构建方法、系统及其存储介质，包括如下步骤：各个不相交簇内所有客户端接收中心服务器下发的某一训练回合所对应的全局模型，并在客户端内利用本地数据集对全局模型进行迭代训练更新以获得本地模型；在每经预设聚合迭代周期I时，各个簇头收集其所在簇内的本地模型进行簇内聚合并将获得的簇内聚合模型下发至簇内客户端重复执行训练更新；在每经预设聚合迭代周期G时，各个簇头将最新的簇内聚合模型上传至中心服务器进行簇间聚合，并将经簇间聚合后获得的全局模型下发至各个簇内所有客户端；重复执行新一轮簇内、簇间训练更新，直至全局模型达到预定训练精度为止。
-
公开(公告)号：CN114841366A
公开(公告)日：2022-08-02
申请号：CN202210408140.7
申请日：2022-04-19
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于无线联邦学习的学习模型训练方法，该方法按以下步骤进行：1)以任务发布者发出的奖励R和移动用户n的本地迭代精度εn作为变量，采用主从博弈法，确定最佳奖励和移动用户n的最佳本地精度值2)系统根据所得奖励值和本地精度值初始化相关参数完成模型训练。本发明中任务发布者通过设定合理的奖励鼓励移动用户参与训练提升模型精度，同时移动用户能够根据自身的资源状态确定本地精度，最终实现任务发布者和移动用户最大化各自的效益。
-
公开(公告)号：CN115081676B
公开(公告)日：2024-06-28
申请号：CN202210500363.6
申请日：2022-05-09
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于合同理论的多任务无线联邦学习方法，该方法按以下步骤进行：模型拥有者对移动用户进行分簇，每个移动用户簇分别训练不同的联邦学习任务；模型拥有者通过一组最优合同对每个移动用户簇进行激励；其中，每个最优合同包括最佳奖励报酬和最佳全局迭代次数；每个移动用户簇分别执行联邦学习过程，同时完成不同的联邦学习任务。在本发明的合同理论中，模型拥有者有效激励了多个移动用户簇进行数据训练，并且同时完成了多个不同的联邦学习任务，从而提高整体联邦学习过程的工作效率。同时，模型拥有者能够在信息不对称的情况下最大化自己的效益。
-
公开(公告)号：CN114841366B
公开(公告)日：2024-07-05
申请号：CN202210408140.7
申请日：2022-04-19
Applicant: 南京邮电大学
IPC: G06N20/00 , G06V10/764 , G06V10/70 , H04W24/06
Abstract: 本发明公开了一种基于无线联邦学习的学习模型训练方法，该方法按以下步骤进行：1)以任务发布者发出的奖励R和移动用户n的本地迭代精度εn作为变量，采用主从博弈法，确定最佳奖励#imgabs0#和移动用户n的最佳本地精度值#imgabs1#2)系统根据所得奖励值#imgabs2#和本地精度值#imgabs3#初始化相关参数完成模型训练。本发明中任务发布者通过设定合理的奖励鼓励移动用户参与训练提升模型精度，同时移动用户能够根据自身的资源状态确定本地精度，最终实现任务发布者和移动用户最大化各自的效益。
-
公开(公告)号：CN118246575A
公开(公告)日：2024-06-25
申请号：CN202410303218.8
申请日：2024-03-18
Applicant: 南京邮电大学
IPC: G06N20/20 , G06F18/214 , G06F18/23213 , G06N5/04 , G06F18/241
Abstract: 本发明公开了一种面向集群车辆合作学习的训练方法。首先，服务器将全局模型广播给其覆盖范围的每个车辆客户端，使用迭代K‑means算法实现无需预先设定划分模型个数的模型划分，并对划分后的模型进行分组聚合；然后，基于客户端本地数据质量与相似度的匹配聚类方法，通过簇头选择、簇头匹配模型、车辆客户端匹配簇头，三个过程实现精准聚类；接着，使用双层激励机制方案，在上层，服务器采用Stackelberg博弈机制对各个簇头进行激励，在下层，簇头则采用多维合同理论机制对簇内车辆客户端进行激励。本发明训练方法实现了对车辆客户端的精准聚类，同时激励了多个簇并行训练多个联邦学习任务，从而有效地提高了面向集群车辆合作学习的整体效率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.058 seconds)
