-
公开(公告)号：CN119670837A
公开(公告)日：2025-03-21
申请号：CN202311211028.5
申请日：2023-09-19
Applicant: 北京邮电大学
IPC: G06N3/084
Abstract: 一种预训练AI模型在终端应用中微调的方法、系统及装置，终端获取预训练AI模型，及对应所述预训练AI模型的至少一适配器，所述适配器为所述预训练AI模型在适用于预设的终端应用时涉及的子网络结构；所述终端将所述适配器嵌入到所述预训练AI模型中；所述终端将所述终端应用的数据输入到具有所述适配器的预训练AI模型中，进行微调。本申请还预设微调平台，所述微调平台面向预训练AI模型的不同终端应用，生成对应的适配器、及控制所述预训练AI模型及所述适配器的结合及后续对嵌入所述适配器的所述预训练AI模型在终端应用中的微调。本申请实现在终端侧的预训练AI模型的微调，避免终端应用的数据的泄露及节省网络资源。
-
公开(公告)号：CN117880796A
公开(公告)日：2024-04-12
申请号：CN202311828936.9
申请日：2023-12-28
Applicant: 北京邮电大学
Abstract: 本发明提供了一种UPF选取方法，应用于NWDAF，该方法包括：接收SMF发送的UPF选取请求；其中，所述SMF是在UE发起会话请求并被响应于所述会话请求的AMF选择用来构建和管理所述会话后发送的所述UPF选取请求；响应于所述UPF选取请求，根据预先基于核心网数据构建的通信知识图谱选取目标UPF，并将所述目标UPF信息返回给所述SMF，以使所述SMF发起对所述目标UPF的配置，使得所述目标UPF执行UPF实例配置，并将上下文信息同步至所述SMF以完成UPF实例部署。本发明缩短UPF的决策过程，能够快速、有效的完成用户面路径规划及会话建立，从而提高会话建立效率。
-
公开(公告)号：CN115314409B
公开(公告)日：2024-02-06
申请号：CN202210851138.7
申请日：2022-07-20
Applicant: 北京邮电大学
Abstract: 本发明提供了一种网络状态信息获取方法及系统，涉及通信技术领域。方法包括：首先，第一用户面设备解析第一GTP‑U报文，并根据控制面设备预先下发的INT指示收集所述第一用户面设备的第一INT元数据，生成第二GTP‑U报文，并发送至第二用户面设备，然后，第二用户面设备解析第二GTP‑U报文，并根据INT指示收集第二用户面设备的第二INT元数据，并将第一INT元数据和第二INT元数据，发送给控制面设备，最后，控制面设备接收第一INT元数据和第二INT元数据，并储存在预设数据库中。在本申请中，通过收集各个用户面设备的INT元数据，实现了带内网络遥测在核心网中的应用，并且基于INT元数据能够实现高精度、多种类的业务流量的网络状态信
-
公开(公告)号：CN116939010A
公开(公告)日：2023-10-24
申请号：CN202210323236.3
申请日：2022-03-29
Applicant: 中国移动通信有限公司研究院 , 北京邮电大学 , 中国移动通信集团有限公司
IPC: H04L67/51 , H04L67/563 , G06F9/48
Abstract: 本申请实施例提供一种服务迁移方法、装置、设备及可读存储介质，该方法包括：获取第一信息，所述第一信息用于所述核心网网元从候选的边缘节点中选择目的节点；其中，所述目的节点用于在服务迁移过程中启动所述第一应用，并作为从属节点与作为主节点的源节点从云端服务器获取所述第一应用的状态信息，所述源节点和所述目的节点均向终端提供所述第一应用的服务；所述目的节点还用于在接收到所述终端的指示之后获取控制权限作为主节点向所述终端提供所述第一应用的服务；其中，所述主节点能够从所述终端接收到所述第一应用的控制信号，所述从属节点不接收所述终端发送的所述第一应用的控制信号。
-
公开(公告)号：CN116708200A
公开(公告)日：2023-09-05
申请号：CN202310719831.3
申请日：2023-06-17
Applicant: 北京邮电大学深圳研究院
IPC: H04L41/14 , H04L41/16 , H04L43/0882
Abstract: 本发明涉及机器学习和计算机网络技术领域，且公开了一种基于非可靠传输协议的联邦训练加速方法，通过设计基于拥塞反馈的非可靠层传输算法解决不确定性丢包下如何最大化完整层的接收率；通过设计一个基于层参数的联邦冻结训练框架保证在参数丢失下联邦训练的模型精度无损。该基于非可靠传输协议的联邦训练加速方法，设计了一种基于非可靠传输协议的可穿戴联邦训练加速技术。其关键思想是直接忽略这些网络侧丢失的参数，而不是对网络传输协议进行复杂的检测和重传操作，从而大大提高端到端网络吞吐量；然后，基于机器学习训练的参数冗余特性，接收端用前一轮参数替换网络丢包，并采用层冻结训练技术实现联邦学习在参数丢失下的高精度训练。
-
Patent Agency Ranking
公开(公告)号：CN114212107B
公开(公告)日：2023-05-12
申请号：CN202111585921.5
申请日：2021-12-20
Applicant: 北京邮电大学
IPC: B60W60/00
Abstract: 本发明是一种基于价值图的智能网联驾驶规划方法，涉及车联网技术领域。本发明在路口设置的边缘计算节点中基于区域内交通元素的特征计算通行势图，基于区域内静态特征计算路面基图，基于区域内所有车辆的历史轨迹，计算不可观测因素对通行价值的影响，获得通行价值底图，将三个图叠加形成通行价值图传输给车辆；车辆探测周围区域中的交通元素计算局部通行势图，并更新通行价值图，进行路径规划。本发明方法通过价值图完成车载设备与边缘计算协同，降低了路面交通态势数据维度，扩大了车辆感知范围，为车辆提供更丰富的环境信息，提高了路径规划的质量，也降低了车路通信的带宽需求，降低了车载终端处理的复杂度，减少对车辆的算力需求。
-
公开(公告)号：CN114212107A
公开(公告)日：2022-03-22
申请号：CN202111585921.5
申请日：2021-12-20
Applicant: 北京邮电大学
IPC: B60W60/00
Abstract: 本发明是一种基于价值图的智能网联驾驶规划方法，涉及车联网技术领域。本发明在路口设置的边缘计算节点中基于区域内交通元素的特征计算通行势图，基于区域内静态特征计算路面基图，基于区域内所有车辆的历史轨迹，计算不可观测因素对通行价值的影响，获得通行价值底图，将三个图叠加形成通行价值图传输给车辆；车辆探测周围区域中的交通元素计算局部通行势图，并更新通行价值图，进行路径规划。本发明方法通过价值图完成车载设备与边缘计算协同，降低了路面交通态势数据维度，扩大了车辆感知范围，为车辆提供更丰富的环境信息，提高了路径规划的质量，也降低了车路通信的带宽需求，降低了车载终端处理的复杂度，减少对车辆的算力需求。
-
公开(公告)号：CN113852693A
公开(公告)日：2021-12-28
申请号：CN202111127108.3
申请日：2021-09-26
Applicant: 北京邮电大学
IPC: H04L29/08
Abstract: 本申请公开了一种边缘计算服务的迁移方法，其特征在于，在云计算中心设置若干中心控制节点进行迁移服务的锁定，在边缘节点上设置使用sidecar模式部署的用户接入层管理，方法包括：迁移前的第一边缘节点接收用户终端上报的自身状态和向第二边缘节点的服务迁移请求，当确定允许进行服务迁移后，所述第一边缘节点获取第二边缘节点的地址发送给所述用户终端，所述中心控制节点锁定所述服务迁移，拒绝服务迁移过程中所述用户终端相同方向上其他服务的迁移请求；所述第一边缘节点中断要迁移的服务，并将该服务的迁移数据发送给所述第二边缘节点，用于所述第二边缘节点在接收到所述用户终端的服务请求后恢复中断的服务。应用本申请，能够大大降低迁移时延，并保证迁移数据的一致性。
-
公开(公告)号：CN113032133A
公开(公告)日：2021-06-25
申请号：CN201911343242.X
申请日：2019-12-24
Applicant: 北京邮电大学
Abstract: 本发明实施方式公开了一种基于边缘计算的车联网目标检测服务协同方法和装置。确定车辆从第一位置移动到第二位置的规划路径及沿着所述规划路径所途经的多个边缘服务器；确定当车辆沿着规划路径行驶过程中每次边缘服务器切换时的多个目标检测服务候选提供方案及每个目标检测服务候选提供方案的成本值；从每次边缘服务器切换时的多个目标检测服务候选提供方案中分别选中目标检测服务提供方案，以使得整个规划路径中所选中的各个目标检测服务提供方案的成本值的总和最小。可以提高车辆的体验质量。
-
公开(公告)号：CN112966811A
公开(公告)日：2021-06-15
申请号：CN202110155686.1
申请日：2021-02-04
Applicant: 北京邮电大学
Abstract: 本发明实施例公开了一种在MTL卷积神经网络中任务冲突的解决方法及网络，在MTL卷积神经网络的共享浅层中包括训练得到的调制模块，所述调制模块针对不同任务在共享浅层中确定对应的子网结构，将任务的任务信息输入到对应的子网结构进行卷积处理，及经过调制模块的调制后，再输出到该任务的任务特定层处理后，输出任务结果，采用MTL卷积神经网络损失函数的梯度反向传播方式对处理结果进行反向传播，调整MTL神经网络的参数，其中，调制模块的训练过程与共享浅层的训练采用多任务并行学习方法同时进行，对上述过程循环多次进行，直到MTL卷积神经网络的参数收敛为止，得到训练好的MTL卷积神经网络。这样，避免多任务并行学习的冲突，提高训练得到的MTL卷积神经网络处理不同任务时的效果。
-
-
-
-
-
-
-
-
-
Search Results
124
records
(took 0.029 seconds)
