-
公开(公告)号：CN117858109A
公开(公告)日：2024-04-09
申请号：CN202311801281.6
申请日：2023-12-26
Applicant: 重庆邮电大学
IPC: H04W16/22 , H04W24/02 , H04W28/084 , G06N3/092 , G06N7/01
Abstract: 本发明属于移动通信技术领域，涉及基于数字孪生的用户关联、任务卸载和资源分配优化方法，包括：建立数字孪生边缘网络模型；根据数字孪生边缘网络模型构建数字孪生模型、服务缓存模型以及任务卸载模型；根据数字孪生模型、服务缓存模型、任务卸载模型建立用户关联、任务卸载、服务缓存以及资源分配联合优化问题；将联合优化问题抽象为马尔可夫决策过程；获取DT层提供的实时数据，基于马尔可夫决策过程利用DDPG算法计算最优决策；本发明建立一个用户关联、任务卸载、服务缓存和资源分配联合优化问题，并将卸载过程抽象成一个马尔可夫决策过程，并使用DT层的数据对神经网络进行训练，有效地实现了更低的任务处理时延。
-
公开(公告)号：CN113115339B
公开(公告)日：2022-05-03
申请号：CN202110394370.8
申请日：2021-04-13
Applicant: 重庆邮电大学
Abstract: 本发明涉及无线通信技术领域，尤其涉及一种基于移动性感知的任务卸载和资源分配联合优化方法，包括利用两阶段随机规划理论，将移动设备与移动边缘设备服务器之间的通信距离建模为一组随机参数，并在时延约束条件下以最小化移动设备的总能耗为目标，建立基于两阶段随机规划的能耗最小化问题的期望值模型，并求解获得移动设备基于最优任务卸载策略、本地最优CPU频率分配策略以及最优传输功率分配策略进行任务卸载决策以及本地CPU频率资源和传输功率的分配；本发明能在设备随机移动的网络环境下，保证设备任务处理时延要求的同时，实现移动设备的能耗最小化。
-
公开(公告)号：CN119416739A
公开(公告)日：2025-02-11
申请号：CN202411534802.0
申请日：2024-10-31
Applicant: 重庆邮电大学
IPC: G06F40/126 , G06F40/30 , G06F18/22 , G06F21/62 , G06N5/022 , G06N3/0475 , G06N3/045 , G06N3/094 , H04W12/03
Abstract: 本发明涉及一种基于联合知识图谱学习的文本语义通信方法，包括：通过安全散列算法完成用户端之间的知识图谱库中实体、关系和实体属性的对齐；利用生成对抗网络统一不同用户端知识图谱库的嵌入表示；发送用户端将待传输文本压缩为语义三元组，并从本地知识图谱库中匹配出相似语义三元组集合；将相似语义三元组进行编码后发送给接收端；接收端对接收到的消息进行解码，得到相似语义三元组集合；利用字符串相似度算法计算相似语义三元组与本地知识图谱库之间的相似性，选择最相似的三元组作为恢复后的语义三元组；采用微调后的语义恢复模块将恢复后的语义三元组转化为恢复文本并恢复出待传输的文本，本发明能够提高语义传输的安全性和私密性。
-
公开(公告)号：CN116959258A
公开(公告)日：2023-10-27
申请号：CN202311061841.9
申请日：2023-08-22
Applicant: 重庆邮电大学
Abstract: 本发明涉及智能交通领域，具体涉及一种基于时空图迁移学习的交通流预测方法，包括构建并训练TL‑STGCN模型，获取待处理交通流数据输入训练好的TL‑STGCN模型，输出预测结果；所述TL‑STGCN模型包括时空图卷积网络、域判别器模块和预测模块；本发明结合数据充足的源路网的交通流特征，辅助预测数据稀缺的目标路网未来交通流，结果表明，对于数据稀缺的交通路网预测任务，TL‑STGCN比现有基线模型具有更好的预测性能。
-
公开(公告)号：CN112600921B
公开(公告)日：2022-05-10
申请号：CN202011472512.X
申请日：2020-12-15
Applicant: 重庆邮电大学
IPC: H04L67/1023 , H04W4/70 , G06F9/445 , G06F17/11
Abstract: 本发明涉及无线通信技术领域，具体涉及一种面向异构移动边缘网络的动态任务卸载方法，包括移动设备产生计算任务，根据计算任务的属性建立两个任务队列模型，并得出卸载任务的处理策略；计算卸载任务的卸载效用、通信成本以及通信与计算能耗成本；建立移动设备在进行任务卸载中的系统模型，并以最大化时间平均卸载收益为优化目标的任务卸载问题；根据李雅普诺夫优化理论将任务卸载优化问题转化为单时隙内的优化问题，通过最小化李雅普诺夫漂移加惩罚项之和求出新的优化方程；根据计算任务卸载的属性请求，建立搜索树，进行快速的分支定界，得到移动设备最优的卸载策略和卸载的任务量；本发明能够保证系统的稳定性，最大化系统的时间平均卸载收益。
-
Patent Agency Ranking
公开(公告)号：CN111163521B
公开(公告)日：2022-05-03
申请号：CN202010046733.4
申请日：2020-01-16
Applicant: 重庆邮电大学
Abstract: 本发明属于无线通信技术领域，涉及移动边缘计算中一种分布式异构环境下的资源分配方法；所述方法包括根据MEC环境中不同业务类型对应的卸载时延，建立多样化的任务卸载模型；建立用户与MEC服务器之间的买卖博弈模型；并分别建立用户以及MEC服务器的最大化收益模型；采用李雅普诺夫优化算法对用户模型进行改进，通过拉格朗日乘子法和KKT条件求解出用户的最优购买策略；基于该策略，求解出MEC服务器的最优报价策略；若最优购买策略和最优报价策略满足斯坦科尔伯格均衡解，MEC服务器则按照最优策略对不同用户的计算资源按需分配。通过该方法可以实现对用户卸载收益和时延的折中，以及任务卸载和计算资源分配的弹性控制和按需分配。
-
公开(公告)号：CN116137724A
公开(公告)日：2023-05-19
申请号：CN202310138344.8
申请日：2023-02-20
Applicant: 重庆邮电大学
IPC: H04W28/08 , H04W28/086 , H04W28/14 , H04L67/10 , H04W72/53 , H04L41/16 , H04L67/568
Abstract: 本发明属于无线通信技术领域，具体涉及一种基于移动边缘计算的任务卸载及资源分配方法；该方法包括：构建移动边缘计算系统模型；基于移动边缘计算系统模型构建服务缓存模型和服务指派模型；基于服务缓存模型和服务指派模型，建立任务卸载及资源分配约束条件；根据任务卸载及资源分配约束条件，以最小化任务处理时延为目标构建任务卸载及资源分配联合优化问题；采用DSRA算法求解任务卸载及资源分配联合优化问题，得到任务卸载及资源分配策略；本发明可实现低时延和高缓存命中率，实现资源的按需分配。
-
公开(公告)号：CN108650191B
公开(公告)日：2022-03-11
申请号：CN201810357863.2
申请日：2018-04-20
Applicant: 重庆邮电大学
IPC: H04L47/125 , H04L47/726 , H04L47/78 , H04L47/783
Abstract: 本发明属于无线通信技术领域，具体为一种虚拟化网络中映射策略的决策方法，包括：根据映射资源，建立马尔科夫决策过程优化模型；采用马尔科夫决策过程，求解出集中式最优映射策略；将各个虚拟网络请求者定义为买方，底层网络定义为卖方，建立斯塔克尔伯格Stackelberg买卖模型；求出斯塔克尔伯格Stackelberg博弈的当前均衡解，并将当前均衡解作为当前阶段的最优资源容量和最优卖价；预测未来均衡解，并将其分别作为未来阶段的最优容量资源和最优卖价；根据当前均衡解和未来均衡解，评估出买方与卖方的映射关系，从而确定分布式最优映射策略；本发明有效地提高底层网络负载的均衡性，优化了网络性能。
-
公开(公告)号：CN113810233A
公开(公告)日：2021-12-17
申请号：CN202111095551.7
申请日：2021-09-17
Applicant: 重庆邮电大学
IPC: H04L12/24 , H04L12/911 , H04L29/08 , H04W28/16 , H04W24/02
Abstract: 本发明属于移动通信技术领域，特别涉及一种在随机网络中基于算网协同的分布式计算卸载方法，包括基于本地计算模型和边缘云计算模型，构建设备端收益最大化问题模型和MEC服务器最大化收益问题模型；根据用户的随机移动和突发计算要求，分别建立停留时间和等待时延的复合场景集合；采用后验追索权行动来补偿博弈策略，建立设备端和MEC服务器双方基于博弈的随机规划模型；过构建场景树，将设备端和MEC服务器双方的多阶段随机规化问题转化为DEP问题，并求解获得MEC服务器卸载的最优任务策略和MEC服务器对设备端的最优报价策略；本发明基于Lyapunov优化理论的扩展博弈论方法，实现了时变环境下任务的动态卸载和自适应计算能力管理。
-
公开(公告)号：CN113242568A
公开(公告)日：2021-08-10
申请号：CN202110635596.2
申请日：2021-06-08
Applicant: 重庆邮电大学
Abstract: 本发明涉及无线通信技术领域，尤其涉及一种不确定网络环境中的任务卸载和资源分配方法，包括将任务卸载过程建模为两阶段卸载模型，并将该模型优化为基于两阶段随机规划的任务卸载和资源分配问题，利用随机模拟方法将其化为样本均值近似问题，将该问题解耦为本地计算资源分配子问题、传输功率和边缘计算资源联合分配子问题以及卸载决策子问题；采用标准拉格朗日乘子法、遗传算法以及分析本地计算和边缘计算的时延估计和能耗预算求解三个子问题；用户根据求解三个子问题获得最优分配策略进行任务卸载；本发明能够在时延不确定的网络中满足任务计算时延的要求，同时保证系统能耗最小化。
-
-
-
-
-
-
-
-
-
Search Results
31
records
(took 0.018 seconds)
