-
公开(公告)号：CN109492264A
公开(公告)日：2019-03-19
申请号：CN201811208599.2
申请日：2018-10-17
Applicant: 南京邮电大学
Abstract: 本发明公开了一种跨云数据中心的能效预测方法，该方法将采集的多个云数据中心设备能耗数据及其能效PUE值作为训练样本，待测云数据中心的历史能耗数据及其能效PUE值作为校准样本，对采集的能耗数据进行特征提取；对每个云数据中心，分别构建基于训练样本的岭回归模型；判断校准样本是否为空，若为空则直接进行域适应模型融合，若不为空，则用校准样本对所有岭回归模型进行过滤，并将过滤后的岭回归模型进行域适应模型融合；基于融合模型对待测云数据中心进行能效预测以调整资源分配，进而完善该云数据中心。本发明考虑到不同云数据中心之间的差异性，提供更精准的个性化预测，充分利用数据进行机器学习，提高了预测效率。
-
公开(公告)号：CN119128142A
公开(公告)日：2024-12-13
申请号：CN202410856212.3
申请日：2024-06-28
Applicant: 南京邮电大学
IPC: G06F16/35 , G06F16/33 , G06F40/216 , G06F40/284 , G06F40/30 , G06F18/213 , G06F18/25 , G06F18/24 , G06N3/0455 , G06N3/08 , G06F40/205
Abstract: 本发明公开了一种基于元学习IPC分类的图网络专利检索方法，包括在专利数据集上构建各个IPC类别的二分类任务，使用元学习的模式让元模型学习到这些任务的共享先验，模型只用少数样本就能适应到特定IPC类别的判定任务上；通过IPC一级向下的按顺序层级分类，逐层圈定需要确定的IPC类别；基于名词短语构建图，实现在语义的基础上融合结构信息，以满足准确判断专利相似性的需求。
-
公开(公告)号：CN115080861B
公开(公告)日：2024-11-15
申请号：CN202210852889.0
申请日：2022-07-20
Applicant: 南京邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06N3/0499 , G06F17/16 , G06F17/18
Abstract: 本发明提出了一种基于迁移头尾知识的神经协同过滤双向推荐方法，通过双向评分数据客体与主体的双边交互流行度进行分类采样，再将评分数据进行归一化后，加深了长尾项目表示的同时,防止聚合后单向评分数据长尾现象更加严重的情况。通过构建双向的最近邻居特征矩阵，将客体和主体的双边最近邻居特征结合神经协同过滤嵌入层对应的客体和主体特征，继续输入神经网络中进行训练，充分挖掘双向客体和主体之间的局部特征信息。通过用全连接层F()网络学习客体‑主体及主体‑客体头部项目从少样本模型到多样本模型过程中神经协同过滤网络参数的变化，迁移应用到长尾项目中，提高双向长尾项目的推荐。
-
Patent Agency Ranking
公开(公告)号：CN113918367B
公开(公告)日：2024-11-08
申请号：CN202111128644.5
申请日：2021-09-26
Applicant: 南京邮电大学
IPC: G06F11/00 , G06F11/07 , G06F11/28 , G06N3/0442 , G06N3/0475 , G06N3/045 , G06N3/09 , G06N3/094
Abstract: 本发明公开了一种基于注意力机制的大规模系统日志异常检测方法，属于智能运维领域。包括如下步骤：提取计算机系统产生的日志信息，并对日志信息进行数据预处理，构造日志上下文组合集；将日志上下文组合集输入神经网络模型中，对神经网络模型进行训练；获取待预测的日志信息并进行数据预处理，构造待预测的日志上下文组合集，将待预测的日志上下文组合集输入到训练好的神经网络模型中生成后续子序列事件，将后续子序列事件与真实事件进行对比。本发明通过神经网络模型中判别器和生成器之间的不断交替更新的机制，得到生成拟合真实后续正常事件的模型，进而对比真实后续日志与生成后续正常日志类型是否相同，从而判断系统是否异常。
-
公开(公告)号：CN118860705A
公开(公告)日：2024-10-29
申请号：CN202410837348.X
申请日：2024-06-26
Applicant: 南京邮电大学
IPC: G06F11/07 , G06N3/0455 , G06N3/0475 , G06N3/084 , G06N3/094 , G06N3/098 , G06N3/0985 , G06F18/23213 , G06F18/241 , G06F18/2433
Abstract: 本发明公开了一种基于个性化联邦学习的异常日志检测方法，所述方法包括以下步骤：步骤1、本地客户端元学习算法训练过程；步骤2、数据中心集群参与个性化联邦学习训练过程，本发明针对现代大型软件系统的需求，提出了一种针对异常日志的检测方法。在本发明中，借助元学习的方法来应对异常日志样本不足的问题。同时，引入了个性化联邦学习，以确保对日志数据的高度隐私保护，从而降低了可能导致数据泄露的潜在风险。针对分布式环境下日志数据分布不平衡的问题，结合改进的元学习算法和个性化联邦学习构建异常日志检测系统，旨在实现异常日志的自动化检测，以减少人工干预所需的成本。
-
公开(公告)号：CN115440332A
公开(公告)日：2022-12-06
申请号：CN202211384419.2
申请日：2022-11-07
Applicant: 南京邮电大学
Abstract: 本发明属于临床试验领域，是一种基于公有链和联盟链的临床试验数据的存储及共享方法，满足了临床试验招募阶段大量报名者信息的存储需求和试验阶段受试者数据的存储和共享需求；基于多方数字签名和智能合约的数据转移验证方法实现了对受试者数据安全高效的筛选需求，并结合公有链上的数据转移合约和联盟链上的数据接收合约实现了由临床试验招募阶段进入试验阶段的受试者数据的安全高效转移；基于权限公私钥对和临床试验编号二次加密的数据隔离共享方法，实现了临床试验过程中各节点对受试者临床试验数据的安全共享。本发明利用区块链的特性实现了临床试验数据的不可篡改和可溯源，并采用非对称加密的特性确保受试者数据的私密性。
-
公开(公告)号：CN112395494B
公开(公告)日：2022-10-14
申请号：CN202011101268.6
申请日：2020-10-15
Applicant: 南京邮电大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于生成对抗网络的双向动态推荐方法，采用了两个生成对抗网络，其中一个训练生成对抗网络中的生成器并利用通用数据集学习主体选择客体，另一个训练生成对抗网络中的生成器并利用通用数据集学习客体选择主体的偏好，最后用训练得到的已经收敛的生成对抗网络分别对互惠推荐系统中的主体以及客体分别进行推荐，本发明能够根据用户相关性以及用户选择同时迭代，灵活地生成多个推荐选择，对用户的偏爱性捕捉更加敏捷。
-
公开(公告)号：CN115169612A
公开(公告)日：2022-10-11
申请号：CN202210852881.4
申请日：2022-07-20
Applicant: 南京邮电大学
IPC: G06Q10/00 , G06F16/901 , G06K9/62 , G06N3/04
Abstract: 本发明是一种面向运维工单的自动化处理方法，构建用户工单数据集和系统工单数据集，对数据集进行训练，获得运维工单SVM分类器，构建运维工单节点依赖关系图，采用图卷积网络GCN模型获得节点的特征向量，获取解决方案的特征向量表示，确定运维工单所属类别，获得待解决运维工单的序列特征向量表示和主题特征向量表示，计算待解决工单特征向量和该节点下所有解决方案特征向量的相似度，选取相似度最高的解决方案作为待解决工单的解决方案。本发明为后续工单处理提供了更准确的信息，提高故障节点发现速度，增强节点信息表示，用多个历史工单描述特征融合表示解决方案，增强了解决方案的特征表示，提高了运维工单和解决方案匹配的准确度。
-
-
-
-
-
-
-
Search Results
28
records
(took 0.024 seconds)
