-
公开(公告)号：CN117692967A
公开(公告)日：2024-03-12
申请号：CN202311557038.4
申请日：2023-11-21
Applicant: 桂林理工大学
IPC: H04W28/082 , H04W28/084 , H04L67/10
Abstract: 本发明涉及边缘计算技术领域，具体涉及一种贪婪DDPG协同卸载决策与资源分配方法，针对超密集边缘计算(UDN‑MEC)场景的计算卸载求解过程中难以适应用户在微基站覆盖区内外的频繁切换的问题，利用贪婪算法分布式地获得用户个体收益，并通过全局收益阈值描述用户个体间基于全局协同感知的协作行为，克服了用户在微基站间频繁切换导致的用户数量时变性对卸载决策的影响，以及分布式单智能体方法中不同智能体间缺乏合作的缺点，同时通过DDPG算法智能地调整全局收益阈值，提升所提算法对用户数量动态变化的适应能力，降低动态异构的UDN‑MEC系统中的时延与能耗加权总成本。
-
公开(公告)号：CN116992342A
公开(公告)日：2023-11-03
申请号：CN202310831991.7
申请日：2023-07-07
Applicant: 桂林理工大学
IPC: G06F18/241 , G06N3/0464
Abstract: 本发明涉及云计算技术领域，具体涉及一种基于图神经网络的任务及数据管理优化方法，将基于超图的不同权重的节点信息进行融合，通过聚合其相关的超边特征来获得输出节点特征，得到节点分类结果，进而得到任务执行所在的数据中心。然后根据传输时间最短和所需文件最多的原则得到数据任务所需数据文件的传输路径和传输循序。与传统的集中式单一数据中心处理任务相比，本发明可以满足用户提交的复杂任务需求，减少处理任务时的等待时间，并且可以减少数据中心的工作负载；与普通的分布式数据中心相比，在不同的任务数量和任务类型下，显著降低数据中心之间的数据传输，减少网络带宽资源的消耗，降低了处理任务的成本，加快了任务的完成时间。
-
公开(公告)号：CN116782297A
公开(公告)日：2023-09-19
申请号：CN202310711861.X
申请日：2023-06-15
Applicant: 桂林理工大学
Abstract: 本发明涉及边缘计算技术领域，具体涉及一种基于边缘计算隐私保护的任务卸载方法，通过对边缘计算模型进行模块设计，得到初始边缘计算模型；对初始模型进行马尔可夫问题的背景的模型转换，从而得到马尔可夫决策问题模型；使用用户设备和边缘设备的距离差异为用户挂载不同数量的隐私任务并将其卸载至发生切换的前一个设备；使用策略迭代算法寻找最佳值函数为用户生成最佳卸载决策，得到时延最小的任务卸载方案。充分的满足移动用户的低时延服务需求，降低完成任务产生的时间，并且在卸载过程中为用户进行差异性的位置隐私保护方案设计，降低了用户的隐私泄露风险，解决了任务卸载中时延较高和隐私泄露风险较大的问题。
-
公开(公告)号：CN115408123A
公开(公告)日：2022-11-29
申请号：CN202210938625.7
申请日：2022-08-05
Applicant: 桂林理工大学
Abstract: 本发明涉及任务调度技术领域，具体涉及一种基于超图的任务调度和数据传输方法，包括将多个任务、多个数据文件和多个数据中心分别建模为超图，得到多个原始超图；对多个原始超图进行分区，得到分区结果；基于分区结果对多个任务进行转移，得到当前可执行任务；从多个数据文件中选择目标数据文件添加至对应的数据中心的传输队列中，将当前可执行任务添加到任务队列中；迭代比较任务队列中任务的执行时间和传输队列中数据文件的传输时间，得到最优任务和最优传输数据文件，解决了现有的任务调度和数据传输方法的数据传输的效率较低的问题。
-
公开(公告)号：CN118747122A
公开(公告)日：2024-10-08
申请号：CN202410892082.9
申请日：2024-07-04
Applicant: 桂林理工大学
Abstract: 本发明涉及大数据与云计算技术领域，具体涉及一种减少作业共置竞争的干扰感知调度方法，首先，设计一个干扰预测模型，用于预测不同作业在GPU中的干扰程度。干扰的定义为作业共置完成时间和作业独占完成时间之差，时间之差是由于干扰竞争减速带来的延迟；然后，通过设计一个动态调整作业组合的方法，找到若干个符合当前条件下的干扰最小的共置组合，并将该组合中的作业同时放入到GPU中执行。具体分为预测与调度两个部分，基于权重值的计算策略，并通过在线调度的方式，实现了对作业需求动态变化的动态响应和调整。通过一系列实验对比，发现本发明的作业完成时间明显优于其他传统调度方法，且能耗最低，充分验证了本发明的高效性和实用性。
-
Patent Agency Ranking
公开(公告)号：CN118133984A
公开(公告)日：2024-06-04
申请号：CN202410235759.1
申请日：2024-03-01
Applicant: 桂林理工大学
Abstract: 本发明涉及联邦学习技术领域，具体涉及一种面向数据不平衡分布的节能联邦学习方法，首先构建企业信用评估场景系统模型，针对多客户端的数据不平衡分布问题，通过为每个客户端构造一个局部代理函数来保证全局损失的平稳下降；其次考虑同步通信的方式，将单轮联邦学习的最大时延作为统一的时延约束。最后在此约束下以最小化系统的能耗为目标，提出一种联合客户端CPU频率和带宽分配的联邦学习方法。本发明提出的联邦学习方法有效缓解了数据不平衡分布对模型训练的影响，可以在更少的迭代次数内实现全局模型的收敛，同时通过数值分析推导出最优的CPU频率，在此基础上采用一种迭代的L‑BGFS‑B算法求解最优的带宽分配，最终可以有效降低系统能耗。
-
公开(公告)号：CN115145383A
公开(公告)日：2022-10-04
申请号：CN202210834359.3
申请日：2022-07-14
Applicant: 桂林理工大学
Abstract: 本发明涉及异构计算技术领域，具体涉及一种面向CPU/GPU服务器的自适应节能选择方法，采用A3C算法对集群的任务分配进行优化，构建出基于A3C深度强化学习的节能调度算法，即EE‑A3C算法，其中通过A3C算法让多个线程并行执行，可以去除训练过程中过程转移样本之间的关联性，提高训练稳定性，减小对内存和GPU的要求，同时使用DVFS策略和处理器策略共同组成了任务分配方式，把所有可能的任务分配方式作为EE‑A3C算法的动作空间，通过不断地与环境交互学习，EE‑A3C算法能够针对不同类型的任务集环境，自适应地选取合适的任务分配方法以达到节能效果。
-
公开(公告)号：CN118246566A
公开(公告)日：2024-06-25
申请号：CN202410192220.2
申请日：2024-02-21
Applicant: 桂林理工大学
Abstract: 本发明涉及大数据和云计算技术领域，具体涉及一种基于主从博弈的训练损失优化激励方法，提出云端数据中心‑本地数据中心‑终端用户的三层模式，基于主从博弈的训练损失优化激励方法，首先，在激励预算分配有限的情况下，分析终端用户和本地数据中心的效益博弈是否达到均衡状态。其次，为进一步降低模型训练的损耗，在终端用户和本地数据中心之间设计一种优化模型损失的激励算法来使得全局模型训练的损失值达到最小。最后通过实验仿真与对比证明本发明能够有效激励终端用户积极参到模型训练，并能有效降低全局模型训练损失值，解决在联邦学习训练过程中终端用户不会主动参与模型训练的技术问题。
-
公开(公告)号：CN116346821A
公开(公告)日：2023-06-27
申请号：CN202310283873.7
申请日：2023-03-22
Applicant: 桂林理工大学
Abstract: 本发明涉及大数据和云计算技术领域，具体涉及一种面向云数据中心的通信开销最优化方法，包括基于全局云端数据中心、本地数据中心和终端用户构建联邦学习架构并建立通信传输；在全局云端数据中心初始化上一轮全局模型参数；每个终端用户基于全局模型参数得到局部模型和评估成本；本地数据中心基于评估成本选择出最优局部模型以及相应的终端用户；未经选择的终端用户向本地数据中心发送三元向量化模型参数及演化方向；全局云端数据中心结合最优局部模型和三元向量化模型参数及演化方向进行全局模型更新并修改同步参数用以调节最优局部模型与其他三元向量化模型参数的同步迭代更新，得到最终全局模型，并将其作为下一轮训练的初始化全局模型。
-
公开(公告)号：CN111562837B
公开(公告)日：2023-05-05
申请号：CN202010368714.3
申请日：2020-05-02
Applicant: 桂林理工大学
IPC: G06F1/3234 , G06F1/329 , G06F9/48
Abstract: 一种多CPU/GPU异构服务器的功耗控制方法。首先用户将作业提交到服务器功耗控制框架，其中的作业调度器接收到作业后初始化，获取作业信息；接着，作业调度器将作业信息发送到功耗控制器，对信息进行绑定后，功耗控制器内部的最佳选择方法按照作业信息选取一种策略给每个处理组件分配功率预算。然后每个处理组件向功耗控制器返回功耗情况，按照返回的功耗情况，功耗控制器中的最佳选择方法自我更新，完成后方法重置。本发明以服务器吞吐量最大化为目标，提出了一种采用强化学习的功耗控制方法，其时间复杂度是多项式时间，可以适用于处理在线的、大规模作业；采用强化学习的方法自动选取策略，能够自我学习、自我更新，可以适用于各种不同场景。
-
-
-
-
-
-
-
-
-
Search Results
18
records
(took 0.019 seconds)
