-
公开(公告)号：CN110321223B
公开(公告)日：2021-08-17
申请号：CN201910594800.3
申请日：2019-07-03
Applicant: 湖南大学
IPC: G06F9/50
Abstract: 本申请涉及一种Coflow协同作业流调度感知的数据流划分方法、装置、计算机设备和存储介质，其中，方法包括：获取待划分的DDSP应用程序数据流，提取DDSP应用程序的复杂计算任务流，根据预设Coflow协同作业流调度模型，将DDSP应用程序中复杂计算任务流划分为多个子任务流，再进一步分析各子任务流的数据访问需求和数据依赖性，对所述DDSP应用程序数据流进行多维度数据分割，尽可能减少不同任务之间对数据块的交叉访问，减少数据块之间的依赖性，最后根据各计算节点中子任务流的数据访问需求，以计算节点之间数据通信最小化和计算节点工作负载均衡化为优化目标，将分割后的数据块分配到最合适的计算节点，有效减少分布式计算节点之间的通信开销，提高数据块利用率和访问速度，适用于分布式数据流处理。
-
公开(公告)号：CN110321476B
公开(公告)日：2021-04-02
申请号：CN201910428131.2
申请日：2019-05-21
Applicant: 湖南大学
IPC: G06F16/9535 , G06Q30/06 , G06F16/22 , G06F9/50
Abstract: 本发明提供了一种基于局部敏感哈希的并行矩阵分解计算实现方法。所述方法包括如下步骤：根据评分矩阵计算评分平均值u，随机初始化用户偏执项bu、项目偏执项bi、用户因子pu、项目因子qi及邻域模型因子w和隐式反馈因子c，并分配CPU和GPU的内存空间；将CPU内存数据转移到GPU的全局内存；通过GPU编程语言CUDA分别实现对每个项目的评分计算其哈希值、对多次哈希值都相等的项目两两计算相似度值，计算每个项目的最相似的TOP‑K个相似项目及对bu、bi、pu、qi、w和c进行更新；根据所需精度要求确定学习速率以及迭代次数；将GPU全局内存数据转移到CPU内存；处理结果展示。与相关技术相比，本发明的基于局部敏感哈希的并行矩阵分解计算实现方法提高计算效率。
-
公开(公告)号：CN110177383A
公开(公告)日：2019-08-27
申请号：CN201910428013.1
申请日：2019-05-22
Applicant: 湖南大学
Abstract: 本发明公开了一种移动边缘计算中基于任务调度和功率分配的效率优化方法，包括：接收所有的移动设备发来的数据信息，包括待处理数据量及单位数据工作量，将所有的移动设备以随机的方式平均分配给所有MEC服务器，针对每台MEC服务器，根据来自各台移动设备的数据信息计算分配给该MEC服务器的各台移动设备对该MEC服务器使用的每个子信道的偏好程度，将该移动设备加入最大偏好程度对应的子信道的请求列表中，针对每台MEC服务器的每个子信道，计算该子信道对其请求列表中各台移动设备的偏好程度，并使该子信道与得到的多个偏好程度中最大偏好程度对应的移动设备匹配。本发明适用于多个MEC服务器、多用户、单任务的移动边缘计算系统，且优化效率高。
-
公开(公告)号：CN110119317A
公开(公告)日：2019-08-13
申请号：CN201910426632.7
申请日：2019-05-22
Applicant: 湖南大学
Abstract: 本发明公开了一种基于遗传算法的云计算任务调度方法，包括：从客户端接收资源分配请求，根据资源分配请求为所有子任务随机生成概率矩阵λ，采用广度优先搜索算法对步骤(1)中的任务依赖关系图进行处理，从而得到多个子任务序列，依次将每个子任务序列中的每个子任务分配给概率矩阵中该子任务所属任务单元所在行的最大随机概率值所对应的物理机，进而形成父种群，计算每个物理机处理对应的任务单元的时间开销和能量开销，根据该时间开销和能量开销获取父种群中每个元素所对应的所有物理机的总时间开销和总能量开销，从而构成向量集合。本发明能解决现有云计算领域缺乏一种能同时实现降低云计算时间开销和云数据中心能耗的有效机制的技术问题。
-
公开(公告)号：CN112162986B
公开(公告)日：2021-08-17
申请号：CN202011071516.7
申请日：2020-10-09
Applicant: 湖南大学
IPC: G06F16/22 , G06F16/2455
Abstract: 本发明公开了一种并行top‑k范围skyline查询方法和系统，其通过将数据点与查询范围构建数据元组的方法，实时更新数据点的查询范围，进行范围skyline查询，扩大了skyline查询的应用范围；在判断数据点间支配关系的过程中，对关键步骤使用并行处理，减少了计算时间，提高查询效率；对不可能成为查询结果的数据点进行过滤，避免了重复地获取所有数据信息；最后对数据点对应元组的评分进行维护，输出支配能力最强的k个范围skyline查询结果，最终得到更加准确的、可控规模的范围skyline查询结果，从而保证了查询结果具有更高的参考价值。本发明充分考虑了评分对范围skyline查询的影响，在不影响查询性能的同时避免了范围skyline结果规模不可控的限制条件，扩大了其应用范围。
-
Patent Agency Ranking
公开(公告)号：CN110119317B
公开(公告)日：2021-02-26
申请号：CN201910426632.7
申请日：2019-05-22
Applicant: 湖南大学
Abstract: 本发明公开了一种基于遗传算法的云计算任务调度方法，包括：从客户端接收资源分配请求，根据资源分配请求为所有子任务随机生成概率矩阵λ，采用广度优先搜索算法对步骤(1)中的任务依赖关系图进行处理，从而得到多个子任务序列，依次将每个子任务序列中的每个子任务分配给概率矩阵中该子任务所属任务单元所在行的最大随机概率值所对应的物理机，进而形成父种群，计算每个物理机处理对应的任务单元的时间开销和能量开销，根据该时间开销和能量开销获取父种群中每个元素所对应的所有物理机的总时间开销和总能量开销，从而构成向量集合。本发明能解决现有云计算领域缺乏一种能同时实现降低云计算时间开销和云数据中心能耗的有效机制的技术问题。
-
公开(公告)号：CN112162986A
公开(公告)日：2021-01-01
申请号：CN202011071516.7
申请日：2020-10-09
Applicant: 湖南大学
IPC: G06F16/22 , G06F16/2455
Abstract: 本发明公开了一种并行top‑k范围skyline查询方法和系统，其通过将数据点与查询范围构建数据元组的方法，实时更新数据点的查询范围，进行范围skyline查询，扩大了skyline查询的应用范围；在判断数据点间支配关系的过程中，对关键步骤使用并行处理，减少了计算时间，提高查询效率；对不可能成为查询结果的数据点进行过滤，避免了重复地获取所有数据信息；最后对数据点对应元组的评分进行维护，输出支配能力最强的k个范围skyline查询结果，最终得到更加准确的、可控规模的范围skyline查询结果，从而保证了查询结果具有更高的参考价值。本发明充分考虑了评分对范围skyline查询的影响，在不影响查询性能的同时避免了范围skyline结果规模不可控的限制条件，扩大了其应用范围。
-
公开(公告)号：CN110266770B
公开(公告)日：2020-07-07
申请号：CN201910461609.1
申请日：2019-05-30
Applicant: 湖南大学
Abstract: 本申请涉及一种基于博弈论的闲置云资源调度方法、系统、计算机设备和存储介质。所述方法包括：获取云环境市场下用户的数据集，用户包括拥有闲置云资源的临时云提供商和没有闲置云资源的纯云用户，数据集包括任务需求数据集和闲置云资源数据集；基于数据集，确定各用户在各预设时间节点的当前云资源调度策略和对应的效益；当各用户在各预设时间节点的当前云资源调度策略满足迭代条件时，寻找当前云资源调度策略对应的效益的纳什均衡点，当当前资源调度策略对应的效益满足纳什均衡存在条件时，根据纳什均衡点对应的资源调度策略，更新当前云资源调度策略。采用本方法能够解决临时云提供商的闲置云资源浪费问题。
-
公开(公告)号：CN110149401B
公开(公告)日：2020-06-09
申请号：CN201910427986.3
申请日：2019-05-22
Applicant: 湖南大学
IPC: H04L29/08
Abstract: 本发明公开了一种用于优化边缘计算任务的方法，包括：移动设备接收来自边缘服务器的数据交互请求，并根据该数据交互请求获取该边缘服务器的任务到达率和CPU处理速度；移动设备根据其自身参数获取其待发送任务传输到边缘服务器的传输时间和发射功耗，移动设备处理该待发送任务的时间和能耗，以及边缘服务器对该待发送任务的处理时间，移动终端获取边缘计算系统中与该移动终端相邻、且具备边缘计算能力的空闲移动设备，移动设备根据其自身参数获取其待发送任务传输到空闲移动设备的传输时间和发射功耗。本发明能够解决现有方法由于没有充分利用边缘计算系统中空闲且具备边缘计算能力的移动终端，从而导致边缘计算系统的整体工作效率低下的技术问题。
-
公开(公告)号：CN110377353B
公开(公告)日：2022-02-08
申请号：CN201910427002.1
申请日：2019-05-21
Applicant: 湖南大学
Abstract: 本发明提供一种计算任务卸载系统包括移动边缘计算服务器、用户终端及通信网络，所述移动边缘计算服务器承接所述用户终端卸载的计算任务，所述用户终端通过计算任务卸载方法实现把所述计算任务经通信网络卸载至所述边缘计算服务器上运行。所述计算任务卸载方法提供计算任务卸载模型，基于所述计算任务卸载模型制定计算任务卸载决策非合作博弈模型，通过所述非合作博弈模型制定基于博弈论原理的计算任务卸载博弈方法进而得到所述计算任务卸载方法。所述系统和方法联合优化每个用户终端计算任务卸载的能量消耗和时间延迟，找到实现每个用户终端计算任务卸载的能量消耗和时间延迟最小化的纳什均衡解。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.022 seconds)
