-
公开(公告)号：CN115952507A
公开(公告)日：2023-04-11
申请号：CN202211549244.6
申请日：2022-12-05
Applicant: 南京邮电大学
Abstract: 本发明涉及联邦学习隐私评测技术领域，公开了一种跨域异质场景下的联邦学习隐私性评估方法，包括：确定联邦学习在跨域异质场景下的任务和数据集，并根据算法确定潜在攻击风险；根据任务对数据集进行关联度筛选；将客户端发送给联邦学习中央服务器的数据采用设定的隐私加强技术进行加密处理；根据具有代表性的攻击模型计算客户端的隐私性指标；根据设置的阈值判定客户端参与联邦学习时所上传数据的隐私泄露风险。本发明提供的跨域异质场景下的联邦学习隐私性评估方法，通过在客户端模拟攻击，计算攻击结果来判断隐私性的安全程度，对联邦学习模型和数据都没有要求，适用于大部分实际情况。
-
公开(公告)号：CN115915456A
公开(公告)日：2023-04-04
申请号：CN202211391991.1
申请日：2022-11-08
Applicant: 南京邮电大学
IPC: H04W72/53 , H04W72/542 , H04W72/1268 , H04W48/20 , H04W74/08
Abstract: 本发明涉及一种基于WIFI6的变电站数据上传方法，属于电力物联网技术领域，该方法包括：选择数据采集设备对应的最佳WIFI6接入点，进行链路连接；获取与对应的WIFI6接入点进行链路连接的各个数据采集设备的吞吐量；将与对应的WIFI6接入点进行链路连接的数据采集设备进行分组，对分组完成的数据采集设备分类处理；获取吞吐量最大时经过分类处理的数据采集设备的单位执行所有调度；WI FI6接入点发送休眠时间参数至对应的数据采集设备，数据采集设备定时唤醒，周期性地上传或接收数据。本申请提供的方法通过控制同时活跃的数据采集设备数确定分组调度策略，提升信道利用率的同时提高了密集部署情境下的整体网络吞吐率及能效，实现了高效、低功耗的变电站数据传输。
-
公开(公告)号：CN115544873A
公开(公告)日：2022-12-30
申请号：CN202211184157.5
申请日：2022-09-27
Applicant: 南京邮电大学
IPC: G06F30/27 , G06N20/00 , G06Q10/06 , G06F111/16
Abstract: 本发明属于个性化联邦学习领域，尤其是个性化联邦学习的训练效率与个性化效果量化评估方法，包括以下步骤：S1、创建一个Non‑IID的跨域数据集，作为评测数据集；S2、选择合适的模型，作为个性化联邦学习的初始全局模型；S3、进行联邦学习的全局神经网络训练，聚合出一个收敛的全局神经网络模型；S4、各个客户端利用本地的数据集对下发的全局模型进行优化，收敛并形成个性化的本地神经网络模型；本发明充分考虑了跨域异质的场景，实现了模型的个性化功能，在现有研究的基础上，针对个性化联邦学习训练效率和个性化效果给出定性定量的评价指标，为在跨域异质场景下，为衡量不同个性化联邦学习算法与架构提供了一种具体方法。
-
公开(公告)号：CN118972900B
公开(公告)日：2025-02-11
申请号：CN202411460580.2
申请日：2024-10-18
Applicant: 南京邮电大学 , 江苏移动信息系统集成有限公司
Abstract: 本发明公开了基于图神经网络的空天地网络流量卸载决策方法及系统，涉及通信网络优化技术领域，包括：接收空天地一体化网络中的节点相关数据，将节点相关数据进行时间窗口划分，并进行特征提取，得到节点特征数据，其中，所述节点相关数据包括节点连接状态数据和节点间的实时流量数据；将节点特征数据输入至预先建立的图神经网络模型GNN内，通过对节点和边的特征进行编码和聚合，生成每个节点的表示向量，利用每个节点的表示向量对GNN进行训练，得到训练后的GNN；接收空天地一体化网络中的网络状态和节点特征，输入至训练后的GNN内，输出得到性能预测结果，基于性能预测结果，结合多目标优化技术，从而实现网络整体的流量最佳卸载。
-
公开(公告)号：CN115659212B
公开(公告)日：2024-04-09
申请号：CN202211184164.5
申请日：2022-09-27
Applicant: 南京邮电大学
IPC: G06F18/24 , G06F18/214 , G06N3/04 , G06N20/00
Abstract: 本发明提供了跨域异质场景下基于TDD通信模式的联邦学习效率评测方法，其通过计算数据传输时间来评估联邦学习的通信效率，首先配置了测试环境包括跨域数据集、学习任务、算法和客户端设备等，然后根据上述的配置环境计算出在每个通信轮次下客户端上传和下载数据所耗费的时间即每个轮次的通信开销，其次通过绘制精确度和迭代轮次曲线得到目标精度下的收敛轮次，最后根据通信开销和收敛轮次计算得出整个联邦学习过程中的数据传输时间，本发明给出了一种通信效率评估的详细步骤和具体参数设置方法，适用于多种不同联邦学习框架和算法，为联邦学习通信效率评估提供了一定的参考见解。
-
Patent Agency Ranking
公开(公告)号：CN115544873B
公开(公告)日：2023-10-17
申请号：CN202211184157.5
申请日：2022-09-27
Applicant: 南京邮电大学
IPC: G06F30/27 , G06N20/00 , G06Q10/0639 , G06F111/16
Abstract: 本发明属于个性化联邦学习领域，尤其是个性化联邦学习的训练效率与个性化效果量化评估方法，包括以下步骤：S1、创建一个Non‑IID的跨域数据集，作为评测数据集；S2、选择合适的模型，作为个性化联邦学习的初始全局模型；S3、进行联邦学习的全局神经网络训练，聚合出一个收敛的全局神经网络模型；S4、各个客户端利用本地的数据集对下发的全局模型进行优化，收敛并形成个性化的本地神经网络模型；本发明充分考虑了跨域异质的场景，实现了模型的个性化功能，在现有研究的基础上，针对个性化联邦学习训练效率和个性化效果给出定性定量的评价指标，为在跨域异质场景下，为衡量不同个性化联邦学习算法与架构提供了一种具体方法。
-
公开(公告)号：CN115496204A
公开(公告)日：2022-12-20
申请号：CN202211228750.5
申请日：2022-10-09
Applicant: 南京邮电大学
Abstract: 本申请公开了一种跨域异质场景下的面向联邦学习的评测方法，所述方法包括构建跨域异质场景下的面向联邦学习的非独立同分布数据集；构建异质测试环境；选择骨干网络VGGNet；选择梯度平均作为联邦学习算法；计算每一轮迭代所需时间；判断收敛周期；以及计算整个联邦学习过程中的总训练时间；本发明提出了面向联邦学习训练效率评估的测试环境构建、详细步骤与量化指标，能够量化度量不同联邦学习架构、不同联邦学习算法的训练效率。
-
公开(公告)号：CN119862951A
公开(公告)日：2025-04-22
申请号：CN202411925532.6
申请日：2024-12-25
Applicant: 国网江苏省电力有限公司信息通信分公司 , 南京邮电大学
Abstract: 本发明公开了一种电力物联终端智能运维方法、装置、存储介质和程序产品，涉及电网技术领域，该方法为：获取终端设备的状态检测数据以及中心服务器下发的知识图谱生成模型；基于状态检测数据对知识图谱生成模型进行训练，并获取知识图谱生成模型在训练过程的损失函数梯度数据；将损失函数梯度数据上传到中心服务器，以使中心服务器基于损失函数梯度数据训练全局知识图谱生成模型；获取终端设备的实时运行数据，并上传到中心服务器，以通过全局知识图谱生成模型确定实时运行数据对应的异常状态检测结果以及电力物联终端状态运维知识图谱。本发明提高了电力物联终端异常状态检测的准确性，提升了电力物联终端智能运维的效率。
-
公开(公告)号：CN119093983A
公开(公告)日：2024-12-06
申请号：CN202411174228.2
申请日：2024-08-26
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于SDP连续凸优化车联网通感算融合智能波束形成方法，属于通信技术领域，包括以下步骤：步骤一、在空天地海一体化场景下，去蜂窝车联网通感算一体化系统的通感算融合智能波束成形方案，构建多移动节点的系统模型框架；步骤二、以最大化感知信噪比为目标，以通信信干噪比大于一定阈值、波束成形功率约束和计算时延为约束，建立波束成形优化函数；步骤三、通过重新定义波束形成变量为矩阵形式，引入新的约束条件，使用凸优化工具求解，以获得最优波束形成向量，从而最大化信号噪声比，本发明在车联网场景下，开发智能波束成形技术，适应多用户动态环境，实时优化通信感知服务，实现波束最优配置。
-
公开(公告)号：CN118972900A
公开(公告)日：2024-11-15
申请号：CN202411460580.2
申请日：2024-10-18
Applicant: 南京邮电大学 , 江苏移动信息系统集成有限公司
Abstract: 本发明公开了基于图神经网络的空天地网络流量卸载决策方法及系统，涉及通信网络优化技术领域，包括：接收空天地一体化网络中的节点相关数据，将节点相关数据进行时间窗口划分，并进行特征提取，得到节点特征数据，其中，所述节点相关数据包括节点连接状态数据和节点间的实时流量数据；将节点特征数据输入至预先建立的图神经网络模型GNN内，通过对节点和边的特征进行编码和聚合，生成每个节点的表示向量，利用每个节点的表示向量对GNN进行训练，得到训练后的GNN；接收空天地一体化网络中的网络状态和节点特征，输入至训练后的GNN内，输出得到性能预测结果，基于性能预测结果，结合多目标优化技术，从而实现网络整体的流量最佳卸载。
-
-
-
-
-
-
-
-
-
Search Results
34
records
(took 0.038 seconds)
