-
公开(公告)号：CN110458293B
公开(公告)日：2023-03-31
申请号：CN201910410046.3
申请日：2019-05-16
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种优化网络延迟的分布式ADMM机器学习方法。一个凸优化问题可以分解成许多子凸优化问题，每个子凸优化问题可以通过ADMM算法在对应的子节点解决。针对基于桥节点和工作节点的分布式ADMM算法的整体运行速度受限于网络连接延迟的影响，本发明提出了一种优化网络延迟的分布式ADMM机器学习算法，即在进行ADMM迭代运算前，考虑网络延迟的影响，动态地规划桥节点的位置以及个数，在相当程度上可以克服网络延迟、动态性、拓扑形态、带宽限制、数据分布化存储等网络特性对算法性能造成的影响。
-
公开(公告)号：CN111163486B
公开(公告)日：2022-04-15
申请号：CN201911346805.0
申请日：2019-12-24
Applicant: 重庆邮电大学
IPC: H04W24/06
Abstract: 本发明公开一种D2D通信仿真与性能的测试系统及方法，系统包括数字仿真系统和数据采集硬件，所述数字仿真系统，包括用户接口与监测显示模块、环境配置模块和模拟运算模块；本发明为移动网络运营商、多媒体点播或文件下载系统开发者、相关科研人员提供便捷高效准确的模拟和测试手段，以便于他们测试和评估在特定真实物理条件中，部署D2D通信技术前后或者不同参数配置情况下的系统性能对比，并最终决策他们的所测系统具体如何部署D2D通信技术和具体如何选取和调整各种参数和策略。
-
公开(公告)号：CN110062357B
公开(公告)日：2022-02-11
申请号：CN201910212333.3
申请日：2019-03-20
Applicant: 重庆邮电大学
IPC: H04W4/70 , H04W24/02 , H04L67/568 , G06F16/172 , G06N3/04 , G06N3/08
Abstract: 本发明请求保护一种基于强化学习的D2D辅助设备缓存系统及缓存方法，具体是基于DQN(Deep Q Network)强化学习方式下的D2D通信缓存优化的系统。系统由服务器端的训练数据筛选模块、服务交互模块、请求处理模块、日志记录子模块和辅助节点设备的强化学习模块、请求处理模块、文件缓存模块、日志记录模块以及用户所在的辅助节点D2D通信覆盖区所有用户构成，通过统计分析用户对文件请求的记录，将数据进行筛选后用于强化学习，通过神经网络来学习得到辅助节点设备上适应流行度的缓存策略，从而提高系统D2D辅助设备卸载的命中率，有效地降低基站负荷，发挥D2D通信降低用户时延、节省网络带宽以及增加资源复用等作用。
-
公开(公告)号：CN113408741A
公开(公告)日：2021-09-17
申请号：CN202110691239.8
申请日：2021-06-22
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种自适应网络拓扑的分布式ADMM机器学习方法，属于机器学习领域，包括以下步骤：将节点分为1个管理节点与多个工作节点，并且将工作节点抽象为上层节点与下层节点；针对连通网络将全局凸优化问题分解成若干个局部凸优化问题并进行求解，并通过协调局部最优解得到全局最优解，其中机器学习方法包含节点探测与迭代计算两部分；在节点探测过程中，工作节点将会运行迭代计算部分的更新，除此之外由上层节点在每次迭代完成时向管理节点反馈单次迭代完成；在选择上层节点位置时通过贪心思想避免遍历所有可能性，并采用动态选择，使网络中链路延迟的影响尽可能小。
-
公开(公告)号：CN111163486A
公开(公告)日：2020-05-15
申请号：CN201911346805.0
申请日：2019-12-24
Applicant: 重庆邮电大学
IPC: H04W24/06
Abstract: 本发明公开一种D2D通信仿真与性能的测试系统及方法，系统包括数字仿真系统和数据采集硬件，所述数字仿真系统，包括用户接口与监测显示模块、环境配置模块和模拟运算模块；本发明为移动网络运营商、多媒体点播或文件下载系统开发者、相关科研人员提供便捷高效准确的模拟和测试手段，以便于他们测试和评估在特定真实物理条件中，部署D2D通信技术前后或者不同参数配置情况下的系统性能对比，并最终决策他们的所测系统具体如何部署D2D通信技术和具体如何选取和调整各种参数和策略。
-
Patent Agency Ranking
公开(公告)号：CN110061859A
公开(公告)日：2019-07-26
申请号：CN201910212331.4
申请日：2019-03-20
Applicant: 重庆邮电大学
IPC: H04L12/24
Abstract: 本发明请求保护一种基于用户生存性条件约束下的SDN控制器部署方法，应用于二层SDN控制器的部署。为在满足用户对控制平面生存性需求的前提下，尽可能降低控制器传输时延，减少控制平面的控制器数量，本发明通过与用户协商后给出的可接受控制信道工作路由故障发生概率P计算出本部署方法下的允许的最大控制信道路由长度W，作为二级控制器部署的约束条件。在使得二级控制器到其所属SDN交换机节点的直连距离不超过W的前提下，优先选择该部分网络节点图中控制器集合总体出度数多的作为二级控制器的部署节点，完成二级控制器的部署后，以实际网络中的平均往返时延和平均可选路径数为联合判决条件确定一级控制器的部署位置，完成整个控制平面的部署工作。
-
公开(公告)号：CN113408741B
公开(公告)日：2022-12-27
申请号：CN202110691239.8
申请日：2021-06-22
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种自适应网络拓扑的分布式ADMM机器学习方法，属于机器学习领域，包括以下步骤：将节点分为1个管理节点与多个工作节点，并且将工作节点抽象为上层节点与下层节点；针对连通网络将全局凸优化问题分解成若干个局部凸优化问题并进行求解，并通过协调局部最优解得到全局最优解，其中机器学习方法包含节点探测与迭代计算两部分；在节点探测过程中，工作节点将会运行迭代计算部分的更新，除此之外由上层节点在每次迭代完成时向管理节点反馈单次迭代完成；在选择上层节点位置时通过贪心思想避免遍历所有可能性，并采用动态选择，使网络中链路延迟的影响尽可能小。
-
公开(公告)号：CN110458293A
公开(公告)日：2019-11-15
申请号：CN201910410046.3
申请日：2019-05-16
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种优化网络延迟的分布式ADMM机器学习方法。一个凸优化问题可以分解成许多子凸优化问题，每个子凸优化问题可以通过ADMM算法在对应的子节点解决。针对基于桥节点和工作节点的分布式ADMM算法的整体运行速度受限于网络连接延迟的影响，本发明提出了一种优化网络延迟的分布式ADMM机器学习算法，即在进行ADMM迭代运算前，考虑网络延迟的影响，动态地规划桥节点的位置以及个数，在相当程度上可以克服网络延迟、动态性、拓扑形态、带宽限制、数据分布化存储等网络特性对算法性能造成的影响。
-
公开(公告)号：CN110061859B
公开(公告)日：2021-11-12
申请号：CN201910212331.4
申请日：2019-03-20
Applicant: 重庆邮电大学
IPC: H04L12/24
Abstract: 本发明请求保护一种基于用户生存性条件约束下的SDN控制器部署方法，应用于二层SDN控制器的部署。为在满足用户对控制平面生存性需求的前提下，尽可能降低控制器传输时延，减少控制平面的控制器数量，本发明通过与用户协商后给出的可接受控制信道工作路由故障发生概率P计算出本部署方法下的允许的最大控制信道路由长度W，作为二级控制器部署的约束条件。在使得二级控制器到其所属SDN交换机节点的直连距离不超过W的前提下，优先选择该部分网络节点图中控制器集合总体出度数多的作为二级控制器的部署节点，完成二级控制器的部署后，以实际网络中的平均往返时延和平均可选路径数为联合判决条件确定一级控制器的部署位置，完成整个控制平面的部署工作。
-
公开(公告)号：CN110062357A
公开(公告)日：2019-07-26
申请号：CN201910212333.3
申请日：2019-03-20
Applicant: 重庆邮电大学
Abstract: 本发明请求保护一种基于强化学习的D2D辅助设备缓存系统及缓存方法，具体是基于DQN(Deep Q Network)强化学习方式下的D2D通信缓存优化的系统。系统由服务器端的训练数据筛选模块、服务交互模块、请求处理模块、日志记录子模块和辅助节点设备的强化学习模块、请求处理模块、文件缓存模块、日志记录模块以及用户所在的辅助节点D2D通信覆盖区所有用户构成，通过统计分析用户对文件请求的记录，将数据进行筛选后用于强化学习，通过神经网络来学习得到辅助节点设备上适应流行度的缓存策略，从而提高系统D2D辅助设备卸载的命中率，有效地降低基站负荷，发挥D2D通信降低用户时延、节省网络带宽以及增加资源复用等作用。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.025 seconds)
