公开(公告)号：CN113296834A

公开(公告)日：2021-08-24

申请号：CN202110557657.8

申请日：2021-05-21

Applicant: 南京大学

Inventor： 曹春 ,  廖祥森 ,  马晓星 ,  徐经纬

IPC: G06F8/74

Abstract: 本发明公开一种基于逆向工程的安卓闭源服务类型信息提取方法，包括以下内容：从安卓ROM中提取出服务编译产物所处文件；结合服务所处应用或进程的配置信息，从这些文件中提取出待测服务的通信序列化函数的字节码或ARM汇编代码；还原源代码中的控制流结构，以提取出服务接口的编码与对应的序列化指令串；从序列化指令串中还原出Parcel序列化API调用，以此推断出服务接口参数与返回值的类型信息。本方法可自动化地从安卓系统的编译产物中提取出闭源服务类型信息，覆盖应用服务、Java系统服务与Native系统服务，通用性强，类型模型准确度高。提取出的闭源服务类型信息，有助于对这些服务进行更高效地测试与漏洞挖掘。

公开(公告)号：CN111274036A

公开(公告)日：2020-06-12

申请号：CN202010068852.X

申请日：2020-01-21

Applicant: 南京大学

Inventor： 曹春 ,  马晓星 ,  徐经纬 ,  李青坪

IPC: G06F9/50 ,  G06F9/455 ,  G06N3/063

Abstract: 本发明公开了一种基于速度预测的深度学习任务的调度方法，包括速度模型构建和任务调度两部分。速度模型构建部分是构建一个神经网络模型来预测每一个任务在集群中运行时处理图片的速度，包括训练阶段和预测阶段：训练阶段首先对每个任务进行profiling，即收集每个任务在集群中不同分布式配置下的训练速度，构造数据集；采集每个任务在集群中训练的特征，构建速度模型并使用前一步构造的数据集训练这个速度模型。预测阶段集成到任务调度部分。任务调度部分利用速度模型预测任务在不同配置下的训练速度，使用定制化的模拟退火算法来决定集群的资源分配，从而达到有效利用集群资源的目的。

公开(公告)号：CN104021210B

公开(公告)日：2017-02-15

申请号：CN201410276517.3

申请日：2014-06-20

Applicant: 南京大学

Inventor： 李满春 ,  张帅 ,  陈振杰 ,  徐经纬 ,  秦逸

IPC: G06F17/30

Abstract: 本发明针对MongoDB集群设计了大规模地理数据存储方案，在MongoDB集群中以GeoJSON格式半结构化方式组织地理数据，使分布式高速MongoDB集群高效存储大规模地理数据成为可能。针对该地理数据存储方案，本发明提出了地理数据的读写方法以及可实现该地理数据读写方法的驱动程序，以OGR类库为地理数据读写驱动的设计架构，以GeoJSON格式半结构化的读写MongoDB集群地理数据源。本发明采用OGR函数库，在地理数据与MongoDB集群之间通过内存中构建的OGR对象建立桥梁，使针对MongoDB集群的地理数据高效读写成为可能，使得高性能地理分析算法可以运行在MongoDB数据库集群之上。

公开(公告)号：CN116363483A

公开(公告)日：2023-06-30

申请号：CN202310345489.5

申请日：2023-04-03

Applicant: 南京大学

Inventor： 徐经纬 ,  曹春 ,  曾子涵

IPC: G06V10/82 ,  G06V10/94 ,  G06V10/764

Abstract: 本发明公开一种基于神经网络模型构件的组装方法和系统，组装任意的图像分类神经网络，根据用户对分类任务的需求组装对应的模型，为用户提供组装之后的模型的接口。包括，接收待组装模型和数据集作为输入，让样本数据通过待组装的神经网络模型，提取样本在模型中的中间表示；预先为神经网络数据集的领域定义语义上相关的概念，并引入相应的CAV模型鉴别中间表示中概念存在情况，生成概念向量；引入领域知识，将概念向量转换为分类结果输出给用户。利用本发明，软件开发者可以复用多个神经网络模型以构建各类功能，从而免去为用户的新需求重新训练深度模型的资源和时间消耗，提升了软件中神经网络构件的可复用性，体现了软件设计的灵活性。

公开(公告)号：CN110083977B

公开(公告)日：2023-06-06

申请号：CN201910397269.0

申请日：2019-05-14

Applicant: 南京大学 ,  中国人民解放军国防科技大学

Inventor： 徐经纬 ,  丁锦锋 ,  吴建鑫 ,  王慧妍 ,  贾赟 ,  吕建

IPC: G06F30/27 ,  G06N20/00 ,  G06N3/08 ,  G01M9/00 ,  G01W1/10 ,  G06F111/10

Abstract: 本发明公开一种基于深度学习的大气湍流监测方法，包括训练阶段和监测阶段两部分：训练阶段设计数据格式，开放数据接口，为不同的数据源提供接入方案；利用气象模式资料进行降尺度数值模拟计算，输出目标区高分辨率气象要素场。同时，结合多个经验指数计算湍流强度。建立基于深度学习的湍流强度模型训练器，模型训练器输入样本为卫星云图、对应时空的高分辨率气象要素场以及湍流强度场，模型训练器输出为模型参数。监测阶段根据训练阶段中模型训练器得到的模型参数，建立基于深度学习的湍流强度推理器。推理器可以根据卫星云图与高分辨率气象要素场实时评估大气湍流强度，达到大气湍流监测的目的。

公开(公告)号：CN116150017A

公开(公告)日：2023-05-23

申请号：CN202310174770.7

申请日：2023-02-28

Applicant: 南京大学

Inventor： 马晓星 ,  徐经纬 ,  盛朱恒

IPC: G06F11/36 ,  G06F16/332 ,  G06F16/33

Abstract: 本发明公开一种基于交通事故报告文本生成自动驾驶虚拟测试场景的方法，将自然语言的交通事故报告文本使用自然语言处理技术提取报告文本中的事故描述关键信息，并汇总成表；根据关键信息从场景脚本模板库中选取适合对应事故描述的模板，并根据关键信息填充模板中的缺失部分取得场景描述脚本；使用场景描述脚本生成对应的虚拟测试场景。本发明用自然语言处理技术提取报告文本中的事故描述关键信息并汇总成表，并用场景脚本模板库将关键信息转化为场景脚本，最终生成虚拟测试场景。对比传统自动驾驶虚拟测试场景生成方法的实现，本发明可以基于交通事故报告文本中批量生成测试场景，提高了生成有效测试场景的效率。

公开(公告)号：CN115904408A

公开(公告)日：2023-04-04

申请号：CN202211410299.9

申请日：2022-11-11

Applicant: 南京大学

Inventor： 曹春 ,  徐经纬 ,  朱治学

IPC: G06F8/61 ,  G06F8/656 ,  G06F8/71 ,  G06F9/4401 ,  H04L67/51

Abstract: 本发明公开一种基于时间窗口划分的微服务版本安全撤销系统和方法，安全撤销是指在微服务版本撤销过程中保证事务的一致性。本发明设计了事务事件采集装置与撤销决策装置，事务事件采集装置通过嗅探微服务API网格的流量，记录分布式的事务开始与结束事件，撤销决策装置通过时间窗口获取并记录微服务系统服务版本信息，对事务事件进行分割与采集，决策可被安全撤销的微服务版本。本发明借助时间窗口，对事务事件按批次进行处理，自动推导分布式事务对微服务版本的依赖，减小了系统复杂度，降低了网络通讯的次数，提高了系统整体的性能。本发明独立于微服务运行平台与微服务动态更新算法，能够在不同微服务运行平台、服务网格上实现。

公开(公告)号：CN115794385A

公开(公告)日：2023-03-14

申请号：CN202211426263.X

申请日：2022-11-14

Applicant: 南京大学

Inventor： 曹春 ,  徐经纬 ,  崔子寒

IPC: G06F9/50 ,  G06N3/084

Abstract: 本发明公开面向深度学习模型分布式训练的容器自动编排方法，对于待训练的神经网络模型，获取其中算子；使用计算用时预测模型预测算子的计算用时，获得每一层的前向和反向传播用时开销；针对给定的硬件设备，并行运行通信带宽测试，采集设备的拓扑信息；根据计算用时预测模型得到的分析结果，结合硬件设备的拓扑信息，使用模拟退火的策略，进行模型划分，构建镜像，使用镜像创建容器，并基于Kubernetes，对容器进行编排；容器内部运行训练过程，容器之间进行通信，共同完成模型的训练。本发明在复杂神经网络模型的训练方面，提供了开箱即用的自动化模型划分功能，划分后的模型由多个设备并行训练，提升大模型的训练效率。

公开(公告)号：CN115688906A

公开(公告)日：2023-02-03

申请号：CN202211429841.5

申请日：2022-11-15

Applicant: 南京大学

Inventor： 曹春 ,  徐经纬 ,  谢健

IPC: G06N3/08

Abstract: 本发明公开一种面向超参训练的数据自动编排加载方法和系统，包括数据采样方法，基于左深树的管理多数据集交集差集的数据管理方法，缓存置换方法。在训练开始时，接收深度学习训练任务的数据集的索引集合，然后使用数据管理方法管理数据；在训练过程中，使用数据采样方法对每个数据集进行均匀采样，并把采样的数据从磁盘等存储设备中读出，读取的数据会交由缓存系统管理，缓存系统通过置换方法来决定哪些数据会保留在内存中，同时将这些数据返回给训练任务进行训练。对比传统的神经训练系统，本发明将并行训练中独立的数据加载变为联合的数据加载，可以显著提高系统中的缓存命中率，大幅度增加并行训练时的数据加载效率和GPU利用率。

公开(公告)号：CN114896470A

公开(公告)日：2022-08-12

申请号：CN202210530499.1

申请日：2022-05-16

Applicant: 南京大学

Inventor： 曹春 ,  徐经纬 ,  汤聪

IPC: G06F16/903 ,  G06F16/90

Abstract: 本发明公开一种基于图模型的GraphQL查询开销优化方法，包括基于图模型的数据缓存管理方法以及缓存字典构建方法：将基于GraphQL框架构建的系统中的数据按照实体关系模型以有向图模型的形式统一组织，将数据缓存分配到有向图中的每一个实体节点上，因此查询语句可以通过匹配节点缓存减少对数据源的查询操作；基于GraphQL查询语句语法的特点，提取查询语句中的结构信息，构建缓存键，并按照实体关系模型拆分查询结果，构建节点缓存值，提高缓存命中率。本发明用图模型组织管理GraphQL数据缓存，基于查询语句结构构建缓存字典；本发明独立于GraphQL框架及其实现系统，将查询优化层与系统实现解耦。对比传统缓存方法实现，本发明拥有较好的缓存命中率，提高了GraphQL系统的查询效率。