-
公开(公告)号：CN119892661A
公开(公告)日：2025-04-25
申请号：CN202510039429.X
申请日：2025-01-10
Applicant: 福州大学
IPC: H04L41/147 , H04L41/16 , H04L67/12
Abstract: 本发明提供了多边缘系统中基于个性化联邦图学习Transformer的时空负载预测方法，包括以下步骤：步骤1：构建多变量序列反转Transformer作为边缘节点的负载预测模型；步骤2：设计PFG，通过超网络和图神经网络GNN为每个边缘节点生成个性化模型参数和空间特征；更新参数并将其传送至FL服务器以计算预测模型的参数变化，FL服务器按照客户端返回的参数更新全局模型的其余参数、超网络参数和节点特征向量；步骤3：结合MIT与PFG进而形成PFGformer，为每个边缘节点生成个性化的负载进行预测。本技术方案使用编码块与多层感知处理预测任务，摒弃了繁杂的解码块，其提升了预测精度也缩减了模型参数量。
-
公开(公告)号：CN119865435A
公开(公告)日：2025-04-22
申请号：CN202510039223.7
申请日：2025-01-10
Applicant: 福州大学
IPC: H04L41/147 , H04L41/16 , H04L67/12
Abstract: 本发明提供了基于个性化联邦深度学习的多边缘协作负载预测方法，包括以下步骤：步骤1：参数服务器选择客户端参加本轮次的联邦聚合，并发送工作请求给客户端；步骤2：被选中的客户端根据当前边缘服务器的状态决定是否参加本轮联邦聚合，并返回接受/拒绝回复给参数服务器；步骤3：参数服务器分发全局模型#imgabs0#和全局控制参数#imgabs1#至参与联邦聚合的客户端；步骤4：客户端对其边缘服务器上的历史负载数据进行预处理，包括数据清洗、重采样、归一化和去噪；本技术方案整合多边缘协作与个性化联邦深度学习，通过解决负载数据高噪声、高可变、数据量不足、模型泛化能力差等关键问题，自适应地实现了对边缘负载的高效精确预测。
-
公开(公告)号：CN119300092A
公开(公告)日：2025-01-10
申请号：CN202411403083.9
申请日：2024-10-09
Applicant: 福州大学
IPC: H04W28/084 , H04W28/08 , H04W28/14 , G06N3/092
Abstract: 本发明提出数字孪生云边网络下服务缓存与计算卸载优化方法，包括虚拟的数字孪生云边网络模型DTCEN，还包括基于凸优化使能深度强化学习的服务缓存与计算卸载联合优化方法JCO‑CR，DTCEN包含一个系统控制器SyC、一个云计算中心CC、I个基站BSs和J台用户设备UDs；BS集合记为#imgabs0#，UD集合记为#imgabs1#；每个BS配备一台用于提供存储和计算资源的MEC服务器，其中#imgabs2#的存储和计算资源分别记为#imgabs3#和#imgabs4#；UDs随机分布在各BS的通信覆盖范围内并将与其最近邻的BS作为本地BS；#imgabs5#通信覆盖范围内的UDs数量记为#imgabs6#，其中#imgabs7#；服务类型共有K种，记为#imgabs8#；SyC负责收集系统状态信息并传输给DRL智能体，由DRL智能体做出服务缓存与计算卸载决策；本发明能够有效降低服务延迟，能在不同场景下均展现出更加优越的性能。
-
公开(公告)号：CN119071235A
公开(公告)日：2024-12-03
申请号：CN202411067400.4
申请日：2024-08-06
Applicant: 福州大学
IPC: H04L47/127 , H04L47/125
Abstract: 本发明涉及一种基于多变量时空反转Transformer的边缘负载预测方法，属于边缘负载预测领域。该方法通过序列反转将负载序列重新排序，从而保持输入序列多变量的独立性，避免维度混淆。同时，模型通过边缘节点的位置信息学习不同节点的空间特征，能够在不引入额外神经网络的情况下快速学习复杂的空间依赖。此外，该方法利用Transformer的自注意力机制捕捉多变量间的相关性，并利用前馈神经网络来学习时间序列的全局特征表示。此外，设计了一种新型的静态特征融合方法，允许预测模型选择当前最合适的静态特征进行融合。本发明能够合理地利用跨领域的静态特征，不受冗余静态特征的干扰，同时显著提高了模型在多变量维度下的训练速度。
-
公开(公告)号：CN118972905A
公开(公告)日：2024-11-15
申请号：CN202411005711.8
申请日：2024-07-25
Applicant: 福州大学
IPC: H04W28/14 , G06N3/0455 , G06N3/098 , H04W28/084 , H04W28/08 , H04L67/568 , H04L67/5682 , H04L67/10
Abstract: 本发明提出基于联邦学习的边缘协作缓存方法，所述方法包括用户情景空间划分机制、混合缓存空间划分机制，包括以下步骤；步骤S1、结合用户特征矩阵进行用户区间划分，获得特定MEC节点每个用户区间的缓存空间大小，以提升用户在分类区间获取内容推荐的精准度；步骤S2、使用向量量化变分自编码器对内容流行度进行预测，提升系统对使用偏好进行分析的准确度，提升内容缓存的准确性和针对性；步骤S3、以基于联邦学习的缓存替换策略，根据用户的内容请求情况来及时更新内容资源，提升边缘协作缓存的命中率；本发明能优化用户互动体验，及时响应移动应用。
-
Patent Agency Ranking
公开(公告)号：CN115118728B
公开(公告)日：2024-01-19
申请号：CN202210702387.X
申请日：2022-06-21
Applicant: 福州大学
IPC: H04L67/1001 , G06N3/006
Abstract: 本发明提出一种基于蚁群算法的边缘负载均衡任务调度方法，在用户给定的多边缘环境下，根据边缘的平均任务处理速率，任务的到达速率，边缘间的网络时延，应用蚁群算法对最优资源任务调度方案进行求解，并使边缘网络的最大任务响应时间最小化。运用蚁群算法，通过设置最优蚂蚁，解决此类连续性问题的思路，最终得到满足条件的最优边缘任务调度方案。通过该算法得出的调度方案，可以保证使用边缘计算的
-
公开(公告)号：CN117202265A
公开(公告)日：2023-12-08
申请号：CN202311287891.9
申请日：2023-10-08
Applicant: 福州大学
IPC: H04W28/084 , H04W4/40 , H04L67/10
Abstract: 本发明提出一种边缘环境下基于DQN的服务迁移方法。以探索最优服务迁移策略。其中，所提出的DQNSM方法通过设置经验回放池和目标网络以达到更快的收敛速度和更好的收敛效果。基于城市实际车辆轨迹数据集，大量仿真实验验证了本发明所提出的DQNSM方法的可行性和有效性。与4种基准方法相比，DQNSM能快速做出服务迁移决策，在不同的MEC环境参数设置下，均能取得最好的效果。
-
公开(公告)号：CN117202264A
公开(公告)日：2023-12-08
申请号：CN202311286846.1
申请日：2023-10-08
Applicant: 福州大学
IPC: H04W28/084 , H04W28/24 , H04L67/10
Abstract: 近年来，随着5G通讯技术的蓬勃发展，涌现出了各类新兴的智能应用（如面部识别、AR/VR、自动驾驶等）。这些智能应用展现出了计算密集与延迟敏感等特性，而移动设备有限的计算能力却限制了其进一步的发展与普及。为了缓解这一问题，本发明提出一种MEC环境中面向5G网络切片的计算卸载方法。首先对所提出的面向5G网络切片的计算卸载问题进行形式化定义。其次提出提出一种结合用户数量预测和资源分配的计算卸载方法。最后实现了所提出的系统环境和卸载方法，并进行了大量的实验对方法的有效性进行证明。实验结果显示，本发明方法能应对动态的MEC用户数量变化，逼近最优的计算卸载与资源分配策略，有效地提高服务提供商的收入。
-
公开(公告)号：CN113672372B
公开(公告)日：2023-08-08
申请号：CN202111000830.0
申请日：2021-08-30
Applicant: 福州大学
Abstract: 本发明涉及一种基于强化学习的多边缘协同负载均衡任务调度方法，一种基于强化学习的多边缘协同负载均衡任务调度方法，包括以下步骤：步骤S1：根据历史数据集，使用强化学习算法来评估不同系统状态下各调整操作的Q值；步骤S2：对步骤S1中构建Q值表中调整操作的Q值进行预处理，然后用机器学习算法训练一个Q值预测模型；步骤S3：每个边缘根据Q值预测模型独立并行地进行决策。本发明将强化学习和机器学习相结合结合，设计无线城域网中的多边缘协同负载均衡算法。每个边缘节点仅利用局部信息，便可独立进行本节点和相邻节点间的负载均衡调度，经过反馈控制和多边缘协同逐步寻找合适的负载均衡方案。所寻找的方案可以有效地减少任务的响应时间。
-
公开(公告)号：CN115509752A
公开(公告)日：2022-12-23
申请号：CN202211200915.8
申请日：2022-09-29
Applicant: 福州大学
Abstract: 本发明涉及一种基于深度回归循环神经网络的边缘预测方法，包括以下步骤：步骤S1:获取历史边缘负载数据，构建数据集；步骤S2:对数据集进行预处理；步骤S3:将边缘服务器的用户作为协变量；步骤S4:将预处理后的数据集和协变量输入预测模型对未来的边缘负载进行预测；步骤S5:基于边缘负载预测结果，协助边缘计算服务制定资源调度方案。本发明实现了可扩展和有效的工作负载预测，有效提高了云计算中的资源调配效率。
-
-
-
-
-
-
-
-
-
Search Results
43
records
(took 0.026 seconds)
