-
公开(公告)号：CN110928253A
公开(公告)日：2020-03-27
申请号：CN201911066159.2
申请日：2019-11-04
Applicant: 南京理工大学
IPC: G05B19/418
Abstract: 本发明公开了一种自动制造系统的动态加权启发式调度方法，包括以下步骤：采用Petri网对自动制造系统进行建模；读取Petri网模型中各个库所对应的数据值，求取Petri网模型中库所与变迁的关联矩阵；基于关联矩阵和启发式A*搜索算法，实现在无需预测调度方案深度的情况下以更短的时间搜索获得系统从起始状态节点到目标节点的调度方案，且调度方案的质量不超过事先给定的范围。本发明以自动制造系统为对象，采用可达图中的动态加权算法，通过对启发式函数添加额外权重来评估节点，找出最符合要求的路径，此方法在牺牲少量调度结果质量的情况下，能显著加快寻找最优路径的速度，有效提高在实际应用中的效率，且此方法无需事先预测系统调度方案的深度。
-
公开(公告)号：CN110347827B
公开(公告)日：2023-08-22
申请号：CN201910561157.4
申请日：2019-06-26
Applicant: 南京理工大学
Abstract: 本发明提供了一种面向异构文本运维数据的事件提取方法，包括以下步骤：步骤1，定义泛化类型正则表达式；步骤2，基于正则表达式的类型检测；步骤3，基于多维度相似性的文本运维数据聚类；步骤4，事件类型生成和文本运维数据类型标注。本发明所提供的事件提取方法的目的在于以复杂IT系统运行时产生的日志文件、工作票等文本类运维数据为研究对象，提供一种面向异构文本运维数据的事件提取方法，具备处理异构文本运维数据的适应性和较高的准确性。
-
公开(公告)号：CN116599741A
公开(公告)日：2023-08-15
申请号：CN202310619406.7
申请日：2023-05-29
Applicant: 南京理工大学
IPC: H04L9/40 , H04L41/16 , G06F18/214 , G06N3/048 , G06N5/01
Abstract: 最近，越来越多的企业以云计算的形式对外提供服务，客户可以根据需求，请求适度的资源，有效避免了资源浪费。随之而来的是一系列安全问题，如何对异常流量进行检测就是其中之一。本方法使用可解释人工智能对云系统各个节点中流量进行分析，拦截其中的异常流量，并将异常信息和可解释报告上传到处理节点。处理节点统一对异常信息和解释报告进行分析，动态调整安全策略。该方法的优点是没有把模型部署在网关处，减少了网关服务器的压力，而且充分利用了云系统的分布式架构，实现了计算资源的合理分配。
-
公开(公告)号：CN109615188B
公开(公告)日：2022-08-16
申请号：CN201811385884.1
申请日：2018-11-20
Applicant: 南京理工大学
IPC: G06Q10/06
Abstract: 本发明公开了一种预分配结合匈牙利算法的多机器人任务分配方法，包括以下步骤：对多机器人系统建模；建立所有机器人承担不同任务的效益值矩阵；优化多机器人系统；对效益值矩阵进行简化；根据每个任务所需机器人的数量对效益值矩阵进行变形；对任务进行预分配，并进一步简化效益值矩阵；利用匈牙利算法进行任务分配，获得最终的分配矩阵T，完成任务分配。本发明以多机器人多任务分配系统为对象，采用预分配结合匈牙利算法的策略进行分配，有效地解决了多机器人多任务系统的分配与优化问题，缓解了在效益矩阵复杂时运用单一匈牙利算法可能造成的时间消耗过大、甚至算法无限循环的问题，具有有效简化模型表示方式、加快模型分析速度的优点。
-
公开(公告)号：CN114629858A
公开(公告)日：2022-06-14
申请号：CN202210114513.X
申请日：2022-01-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种Kubernetes中基于自适应处理率的网状微服务资源控制方法，面向基于Kubernetes的云中网状微服务系统，考虑同步调用对容器性能的负面影响。本发明主要工作有：A)提出一种自适应处理率的排队模型来应对不同业务类型请求的比例变化对容器处理率的影响；B)提出基于预测的前馈控制方法；C)提出排队长度感知基于排队长度感知的反馈控制方法；考虑每个微服务的排队长度，构建Jackson排队网络准确计算瓶颈服务对其他服务的影响；D)基于线性规划的虚拟机供应策略，最大化资源利用率。本发明应用在基于Kubernetes部署的网状微服务系统，通过上述方法，能够大幅度提高系统服务质量。
-
Patent Agency Ranking
公开(公告)号：CN110928253B
公开(公告)日：2022-05-27
申请号：CN201911066159.2
申请日：2019-11-04
Applicant: 南京理工大学
IPC: G05B19/418
Abstract: 本发明公开了一种自动制造系统的动态加权启发式调度方法，包括以下步骤：采用Petri网对自动制造系统进行建模；读取Petri网模型中各个库所对应的数据值，求取Petri网模型中库所与变迁的关联矩阵；基于关联矩阵和启发式A*搜索算法，实现在无需预测调度方案深度的情况下以更短的时间搜索获得系统从起始状态节点到目标节点的调度方案，且调度方案的质量不超过事先给定的范围。本发明以自动制造系统为对象，采用可达图中的动态加权算法，通过对启发式函数添加额外权重来评估节点，找出最符合要求的路径，此方法在牺牲少量调度结果质量的情况下，能显著加快寻找最优路径的速度，有效提高在实际应用中的效率，且此方法无需事先预测系统调度方案的深度。
-
公开(公告)号：CN107808214B
公开(公告)日：2022-05-27
申请号：CN201710989077.X
申请日：2017-10-22
Applicant: 南京理工大学
Abstract: 本发明公开了一种车间制造系统的启发式二叉决策图(OBDD)变量序优化表示方法，包括以下步骤：采用Petri网对企业车间生产系统建模；计算Petri网各个库所之间相互关联度；以资源库所为中心，依据库所之间关联度大小对库所进行分组；采用深度优先策略寻找资源库所对应分组及所有库所的OBDD编码顺序。本发明以制造车间Petri网模型为对象，采用启发式OBDD变量序优化技术，缓解了在系统模型分析中存在的状态爆炸问题，具有有效减小模型表示结构、加快模型分析速度的优点。
-
公开(公告)号：CN107092736B
公开(公告)日：2021-05-04
申请号：CN201710227882.9
申请日：2017-04-10
Applicant: 南京理工大学
IPC: G06F30/22
Abstract: 本发明公开了一种车间制造系统中Petri网模型转换到PLC梯形图的方法。首先，使用Petri网对车间制造系统进行建模，再把Petri网模型转化为工业控制系统中常用控制器PLC对应的梯形图。将系统Petri网模型的PLC梯形图分为三个模块，包括初始化模块，侦测模块和演变模块。初始化模块用于将Petri网的初始状态M0传递给梯形图，即把Petri网模型的初始托肯信息传递给对应的线圈或加法器。侦测模块用于检测每个变迁的使能信息，用于判断冲突变迁的优先级，用于解决冲突问题，用于从结构上避免雪崩效应。演变模块用于接收侦测模块传递的信息，将使能的变迁发射，并更新各个库所的托肯数量。本发明以车间制造系统为对象，解决了系统Petri网转换到PLC梯形图中存在的冲突问题和雪崩效应。
-
公开(公告)号：CN109740870A
公开(公告)日：2019-05-10
申请号：CN201811544693.5
申请日：2018-12-17
Applicant: 南京理工大学
Abstract: 本发明公开了一种云计算环境下Web应用的资源动态调度方法，考虑了用户请求的动态变化、应用的时延要求、云资源的异构性、竞价实例价格波动等。该方法包括：A）基于负载预测和应用的时延要求确定最佳资源量；B）基于竞价实例价格预测选择成本最低的竞价类型；C）采用预租赁减少资源请求和创建所造成的时延增加。步骤A的主要特点是将预测负载作为排队模型的到达率，结合应用的时延约束，求解所需租赁的最小虚拟机数量；步骤B的主要特点是基于价格预测选择预测成本最低的竞价类型进行租赁；步骤C的主要特点是在计费点到达前进行预租赁。本发明通过负载预测、应用时延约束、价格预测和预租赁来实现资源动态调度，能够在保证应用性能的同时降低云资源租赁成本。
-
公开(公告)号：CN114629858B
公开(公告)日：2025-02-14
申请号：CN202210114513.X
申请日：2022-01-30
Applicant: 南京理工大学
Abstract: 本发明公开了一种Kubernetes中基于自适应处理率的网状微服务资源控制方法，面向基于Kubernetes的云中网状微服务系统，考虑同步调用对容器性能的负面影响。本发明主要工作有：A)提出一种自适应处理率的排队模型来应对不同业务类型请求的比例变化对容器处理率的影响；B)提出基于预测的前馈控制方法；C)提出排队长度感知基于排队长度感知的反馈控制方法；考虑每个微服务的排队长度，构建Jackson排队网络准确计算瓶颈服务对其他服务的影响；D)基于线性规划的虚拟机供应策略，最大化资源利用率。本发明应用在基于Kubernetes部署的网状微服务系统，通过上述方法，能够大幅度提高系统服务质量。
-
-
-
-
-
-
-
-
-
Search Results
38
records
(took 0.032 seconds)
