-
公开(公告)号：CN115022189A
公开(公告)日：2022-09-06
申请号：CN202210615946.3
申请日：2022-05-31
Applicant: 武汉大学
IPC: H04L41/14 , H04L67/1001
Abstract: 本申请涉及一种边缘用户分配模型构建方法、装置、设备及可读存储介质，涉及边缘服务计算领域，包括获取边缘服务器数据集和边缘用户数据集；构建包括用户信息编码器、服务器信息编码器和边缘用户分配解码器的边缘用户分配网络，用户信息编码器对用户信息进行编码得到用户向量编码数据，服务器信息编码器对服务器信息进行编码得到服务器向量编码数据，边缘用户分配解码器根据两个向量编码数据的相似度确定边缘用户与边缘服务器之间的匹配概率，根据匹配概率将边缘用户分配至对应的边缘服务器；基于边缘服务器数据集和边缘用户数据集对边缘用户分配网络进行训练得到边缘用户分配模型，可提高边缘用户的分配效果、分配率及边缘服务器的资源利用率。
-
公开(公告)号：CN112350948B
公开(公告)日：2021-07-16
申请号：CN202011174875.5
申请日：2020-10-28
Applicant: 武汉大学
IPC: H04L12/751 , H04L12/741 , H04L12/753 , H04L12/947
Abstract: 本发明公开了一种基于SDN的分布式网络溯源系统及方法。本发明通过网络设计实现了低能耗的拓扑获取和基于负载均衡的路由转发；本发明通过溯源方法实现了标签标记和路径回溯，标签标记阶段给每个数据包增添标签，路径回溯阶段通过提取标签信息段重构数据包的转发路径，直接准确地实现了细粒度、高准确率的网络溯源。本发明降低了资源消耗，实现了负载均衡，提升了网络性能，并实现了细粒度、高准确率的网络溯源。网络溯源是一项维护网络安全的有效手段，可溯源网络的设计与实现为后续网络安全机制的部署提供了良好的环境。
-
公开(公告)号：CN115022189B
公开(公告)日：2024-03-26
申请号：CN202210615946.3
申请日：2022-05-31
Applicant: 武汉大学
IPC: H04L41/14 , H04L67/1001
Abstract: 本申请涉及一种边缘用户分配模型构建方法、装置、设备及可读存储介质，涉及边缘服务计算领域，包括获取边缘服务器数据集和边缘用户数据集；构建包括用户信息编码器、服务器信息编码器和边缘用户分配解码器的边缘用户分配网络，用户信息编码器对用户信息进行编码得到用户向量编码数据，服务器信息编码器对服务器信息进行编码得到服务器向量编码数据，边缘用户分配解码器根据两个向量编码数据的相似度确定边缘用户与边缘服务器之间的匹配概率，根据匹配概率将边缘用户分配至对应的边缘服务器；基于边缘服务器数据集和边缘用户数据集对边缘用户分配网络进行训练得到边缘用户分配模型，可提高边缘用户的分配效果、分配率及边缘服务器的资源利用率。
-
公开(公告)号：CN112882723B
公开(公告)日：2023-09-08
申请号：CN202110209666.8
申请日：2021-02-24
Applicant: 武汉大学
Abstract: 本发明公开了一种面向并行微服务组合的边缘服务部署方法，包括：构建边缘环境下终端和边缘服务器之间的连接拓扑以及边缘服务器的容量限制；构建边缘环境下终端与边缘服务器之间的微服务请求‑响应系统；形成以最小化终端的服务响应时间作为主目标、最小化终端访问云服务器的次数作为辅助目标的多目标组合；编码微服务部署方案得到主目标和辅助目标对应的适应值；构建种群，基于带精英策略的非支配排序的遗传算法并融合粒子群算法对种群进行迭代优化以求解Pareto最优解，得到主目标最优的个体对应的微服务部署方案。本发明通过引入辅助目标防止了主目标过早收敛而陷入局部最优解；通过引入粒子群算法改进非支配排序的遗传算法，提高了算法的准确性。
-
公开(公告)号：CN115981902A
公开(公告)日：2023-04-18
申请号：CN202211637116.7
申请日：2022-12-16
Applicant: 武汉大学
IPC: G06F11/07
Abstract: 本发明公开了一种细粒度分布式微服务系统异常根因定位方法及装置，涉及软件技术领域，该方法包括进行微服务系统的多维度指标数据和服务调用数据的收集，并基于收集的服务调用数据进行服务调用拓扑图构建；基于多维度指标数据进行建模形成指标数据模型，得到多维度指标数据矩阵；将服务调用拓扑图与指标数据模型进行结合，得到异常子图，同时根据指标数据模型构建个性化数组；在异常子图中执行个性化随机游走算法以得出异常根因，并根据异常根因结果进行异常检查和恢复。本发明能够帮助开发和运维人员在分布式系统发生异常时实时快速、准确地定位根因，将根因粒度进一步缩小至容器实例或物理机，以迅速响应防止系统崩溃。
-
Patent Agency Ranking
公开(公告)号：CN115174681A
公开(公告)日：2022-10-11
申请号：CN202210685149.2
申请日：2022-06-14
Applicant: 武汉大学
IPC: H04L67/60 , H04L41/147
Abstract: 本发明涉及一种边缘计算服务请求调度方法、设备及存储介质,其特征在于，其包括步骤：根据所述指针网络对边缘服务器内排队的多个服务请求的执行顺序进行决策；根据边缘服务器资源利用情况、服务请求运行时间以及服务请求等待时间对所述指针网络进行优化；所述指针网络包括行动者网络和评论家网络，所述行动者网络用于决策出服务请求的执行顺序，所述评论家网络用于根据所述行动者网络已作的决策对后续决策进行预测并基于预测值辅助所述行动者网络的参数更新。可有效地提升边缘服务器的资源利用率，缩短服务请求序列执行完毕所需时间并降低请求的平均等待时间。
-
公开(公告)号：CN111538846A
公开(公告)日：2020-08-14
申请号：CN202010298379.4
申请日：2020-04-16
Applicant: 武汉大学
IPC: G06F16/36 , G06F16/9536 , G06F40/295 , G06F40/30 , G06N3/08
Abstract: 本发明公开了一种基于混合协同过滤的第三方库推荐方法，包括以下步骤：根据已发布的应用和第三方库数据获得应用和第三方库的特征训练数据集；使用无监督学习方法训练得到主题模型；从应用和第三方库数据中抽取实体构建知识图谱并向量化；将待推荐应用数据输入到主题模型生成应用近邻列表；利用应用对第三方库的调用信息得到待推荐应用基于内容的评分列表；将待推荐应用和待推荐第三方库列表输入到知识图谱得到实体向量列表；计算实体向量的相似度得到待推荐应用基于知识图谱的评分列表；融合后进行排序得到基于混合推荐的推荐列表。本发明的混合推荐方法，来规避单一推荐方法的缺陷，在有效解决数据稀疏和冷启动问题的同时，提升推荐的准确率。
-
公开(公告)号：CN115174681B
公开(公告)日：2023-12-15
申请号：CN202210685149.2
申请日：2022-06-14
Applicant: 武汉大学
IPC: H04L67/60 , H04L41/147
Abstract: 本发明涉及一种边缘计算服务请求调度方法、设备及存储介质,其特征在于，其包括步骤：根据所述指针网络对边缘服务器内排队的多个服务请求的执行顺序进行决策；根据边缘服务器资源利用情况、服务请求运行时间以及服务请求等待时间对所述指针网络进行优化；所述指针网络包括行动者网络和评论家网络，所述行动者网络用于决策出服务请求的执行顺序，所述评论家网络用于根据所述行动者网络已作的决策对后续决策进行预测并基于预测值辅助所述行动者网络的参数更新。可有效地提升边缘服务器的资源利用率，缩短服务请求序列执行完毕所需时间并降低请求的平均等待时间。
-
公开(公告)号：CN112969144A
公开(公告)日：2021-06-15
申请号：CN202110143727.5
申请日：2021-02-02
Applicant: 武汉大学
Abstract: 为了解决移动边缘环境下存在的移动的用户的微服务请求无法被命中和结果无法被接收的问题，本发明提出了一种面向移动边缘计算的微服务预部署方法及系统。本方案利用用户的历史轨迹信息，通过深度学习的LSTM网络来预测出用户未来的轨迹，通过结合用户的未来轨迹信息和待请求的服务组合信息生成用户预部署请求序列，然后先通过简单的遍历生成基础的方案，再通过多个典型场景对基础方案进行优化，然后基于优化过的基础方案，通过采用遗传算法的思路，生成最终的最优预部署方案，最后利用最优预部署方案完成实际的微服务预部署工作。本方案将用户的移动性特征和微服务的组合特征有机结合在一起，显著提升了微服务预部署的效果，不仅提升了请求成功率和结果接收成功率，还降低了资源消耗。
-
公开(公告)号：CN115292036A
公开(公告)日：2022-11-04
申请号：CN202210869788.4
申请日：2022-07-22
Applicant: 武汉大学
Abstract: 本发明涉及一种边缘计算环境下多目标任务调度方法及装置，其特征在于，其包括步骤：构建用于对边缘服务器中多个服务请求的执行顺序进行决策的指针网络模型，且使所述指针网络模型的结果取样策略将服务请求的平均等待时间作为优化指标；将边缘服务器的资源利用率与运行时间整合为一个优化目标作为强化学习的奖励函数对指针网络模型进行训练。本发明实施例将等待时间优化目标融合在模型决策内部，从而达到多目标优化的效果，不需要对权重取值进行大量的实验分析，对指针网络的模型训练更加有效。同时，基于强化学习的指针网络模型，无需像传统的启发式算法需要长时间迭代，可以做到迅速决策，符合边缘环境下对时延敏感的要求。
-
-
-
-
-
-
-
-
-
Search Results
15
records
(took 0.019 seconds)
