-
公开(公告)号：CN119211241A
公开(公告)日：2024-12-27
申请号：CN202411267087.9
申请日：2024-09-11
Applicant: 桂林电子科技大学
IPC: H04L67/1004 , H04L41/142 , H04L41/16
Abstract: 本发明公开一种基于元强化学习的双决策者任务卸载方法，通过设定两个卸载决策者，分别从不同角度学习和优化任务卸载策略，其中一个决策者负责决定是否以及在何处卸载任务，另一个则专注于资源分配细节，即开发基于元强化学习的双决策者卸载模型(MA‑DDTO模型)，共同基于任务特性、设备状态等信息生成最优动作，并根据实时反馈不断调整策略以实现边缘计算环境下的高效任务执行。本发明可以解决因任务规模较大而导致时延高和耗能大的问题。
-
公开(公告)号：CN115865804B
公开(公告)日：2024-11-08
申请号：CN202211496598.9
申请日：2022-11-25
Applicant: 桂林电子科技大学
IPC: H04L45/76 , H04L45/00 , H04L45/12 , H04L41/147 , H04L41/16 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种基于链路流量预测的SDN路由优化方法，基于注意力机制和多图视角图神经网络设计了网络链路流量预测模型，可以直接在原始的基于图形的网络拓扑中处理链路流量数据，有效地捕捉动态时空特征，提高链路流量预测的准确性。本发明通过预测模型减小控制器获取网络状态的时延带来的影响，从而让控制器的路由决策更加准确。
-
Patent Agency Ranking
公开(公告)号：CN116132081A
公开(公告)日：2023-05-16
申请号：CN202211077052.X
申请日：2022-09-05
Applicant: 桂林电子科技大学
Abstract: 本发明涉及入侵检测技术领域，具体涉及一种基于集成学习的软件定义网络DDOS攻击协同防御方法，首先提出了一种基于Bagging集成的特征选择算法，避免单特征选择算法忽略特征间联系，倾向选择冗余特征的情况；其次引入成对多样性度量用于选择性集成，选择出较为优秀的异质集成模型，并采用分层十倍交叉验证方法避免了过度拟合；最后，采用基于Bagging集成算法的加权投票机制进行基分类器模型的集成，并将该模型嵌入SDN控制器当中，设置检测时间间隔，实现实时监测。
-
公开(公告)号：CN115865804A
公开(公告)日：2023-03-28
申请号：CN202211496598.9
申请日：2022-11-25
Applicant: 桂林电子科技大学
IPC: H04L45/76 , H04L45/00 , H04L45/12 , H04L41/147 , H04L41/16 , G06N3/0464 , G06N3/084
Abstract: 本发明公开一种基于链路流量预测的SDN路由优化方法，基于注意力机制和多图视角图神经网络设计了网络链路流量预测模型，可以直接在原始的基于图形的网络拓扑中处理链路流量数据，有效地捕捉动态时空特征，提高链路流量预测的准确性。本发明通过预测模型减小控制器获取网络状态的时延带来的影响，从而让控制器的路由决策更加准确。
-
公开(公告)号：CN116132081B
公开(公告)日：2025-02-07
申请号：CN202211077052.X
申请日：2022-09-05
Applicant: 桂林电子科技大学
Abstract: 本发明涉及入侵检测技术领域，具体涉及一种基于集成学习的软件定义网络DDOS攻击协同防御方法，首先提出了一种基于Bagging集成的特征选择算法，避免单特征选择算法忽略特征间联系，倾向选择冗余特征的情况；其次引入成对多样性度量用于选择性集成，选择出较为优秀的异质集成模型，并采用分层十倍交叉验证方法避免了过度拟合；最后，采用基于Bagging集成算法的加权投票机制进行基分类器模型的集成，并将该模型嵌入SDN控制器当中，设置检测时间间隔，实现实时监测。
-
公开(公告)号：CN115550268B
公开(公告)日：2024-11-19
申请号：CN202211042072.3
申请日：2022-08-29
Applicant: 桂林电子科技大学
IPC: H04L47/125 , H04L47/12 , H04L45/02 , H04L45/655 , H04L45/76 , G06N20/00
Abstract: 本发明涉及深度学习技术领域，具体涉及一种基于近端策略优化算法优化网络流量调度方法，针对软件定义网络的数据平面具有时间特征和空间特征，为了全局地考虑网络的时空相关性，提出了使用门控循环单元和图注意力网络方法提取状态信息中的时序相关性和空间相关性，为深度强化学习的决策提供包含更多环境的隐含信息，从而解决网络流量工程问题，充分利用网络资源动态调整网络负载，有效缓解网络链路拥塞，进而优化网络性能。
-
公开(公告)号：CN115550268A
公开(公告)日：2022-12-30
申请号：CN202211042072.3
申请日：2022-08-29
Applicant: 桂林电子科技大学
IPC: H04L47/125 , H04L47/12 , H04L45/02 , H04L45/655 , H04L45/76 , G06N20/00
Abstract: 本发明涉及深度学习技术领域，具体涉及一种基于近端策略优化算法优化网络流量调度方法，针对软件定义网络的数据平面具有时间特征和空间特征，为了全局地考虑网络的时空相关性，提出了使用门控循环单元和图注意力网络方法提取状态信息中的时序相关性和空间相关性，为深度强化学习的决策提供包含更多环境的隐含信息，从而解决网络流量工程问题，充分利用网络资源动态调整网络负载，有效缓解网络链路拥塞，进而优化网络性能。
-
-
-
-
-
-
Search Results
7
records
(took 0.021 seconds)
