公开(公告)号：CN118689650A

公开(公告)日：2024-09-24

申请号：CN202410840165.3

申请日：2024-06-27

Applicant: 桂林理工大学

Inventor： 谢晓兰 ,  董宇 ,  刘亚荣 ,  甘玉生 ,  黄瑞泽

IPC: G06F9/50 ,  G06F9/455 ,  G06F18/23213

Abstract: 本发明公开了一种基于二次分解和宽度学习模型的容器云资源预测方法，属于容器云资源预测领域。该方法包括以下步骤：步骤S1：读取历史资源利用率作为数据集；步骤S2：读取数据集，并对数据集进行预处理；步骤S3：使用二次分解方法对数据进行分解，得到模态分量；步骤S4：采用堆叠门控循环单元和宽度学习系统建立容器云资源预测模型；步骤S5：将各个模态分量输入预测模型，叠加预测结果得到最终的预测值。本发明提供的一种基于二次分解和宽度学习模型的容器云资源预测方法，通过二次分解方法实现了更好的模态分离效果，采用堆叠门控循环单元和宽度学习系统，精确捕捉数据间的潜在联系，提高了预测模型的效率和精度。

公开(公告)号：CN118860519A

公开(公告)日：2024-10-29

申请号：CN202410998163.7

申请日：2024-07-24

Applicant: 桂林理工大学

Inventor： 谢晓兰 ,  黄瑞泽 ,  刘亚荣 ,  郭强 ,  肖志威

IPC: G06F9/445 ,  G06F9/54

Abstract: 本发明涉及移动边缘计算技术领域，公开了一种任务卸载方法、装置、设备及介质。该方法包括：获取MEC场景中多个不同用户设备上待执行的任务；构建本地执行各用户设备上待执行的任务的第一任务执行模型、将待执行的任务从用户设备传输至边缘服务器的任务传输模型、边缘服务器执行所有待执行的任务的第二任务执行模型、包含所有用户设备上待执行的任务的多队列模型，且该模型根据用户设备上待执行的任务、第一任务执行模型和/或第二任务执行模型已执行的任务动态变化；将上述模型组合形成用于表征MEC场景下的任务卸载问题的MEC模型，基于DQN算法对MEC模型进行求解，得到任务卸载策略，以实现长期任务卸载过程中任务的处理。

公开(公告)号：CN118747077A

公开(公告)日：2024-10-08

申请号：CN202410657482.1

申请日：2024-05-25

Applicant: 桂林理工大学

Inventor： 谢晓兰 ,  黄瑞泽 ,  刘亚荣 ,  郭强 ,  董宇

IPC: G06F8/61 ,  G06F9/445 ,  G06N3/092

Abstract: 本发明公开了一种基于Lyapunov引导深度强化学习的任务卸载方法，包括五个步骤：步骤S1.获取UE‑MEC服务器相关数据；步骤S2.对问题进行建模；步骤S3.建立目标函数；步骤S4.构建Lyapunov引导的深度强化学习模型(Ly‑DDPG)；步骤S5.执行模型，得到最优计算任务卸载决策。本发明构建了lyapunov引导的深度强化学习模型(Ly‑DDPG)，通过Lyapunov优化的方式将多时隙问题化为单时隙问题来进行解耦，在长期约束条件下实现最小化任务卸载成本，最后通过深度强化学习模型进行决策，在动态复杂的UE‑MEC场景下，降低了问题求解复杂度，且对于保障用户长期的任务卸载成本效益具有重大意义。