-
公开(公告)号：CN107479944B
公开(公告)日：2021-11-30
申请号：CN201710597298.2
申请日：2017-07-20
Applicant: 上海交通大学
Abstract: 本发明提供了一种混合云模式下的虚拟机内存自适应热迁移调度方法及系统，包括：构建脏页率预测模型来预测源虚拟机内存在迭代拷贝后的当前脏页率；对源虚拟机内存进行一次迭代拷贝，通过当前脏页率与当前脏页率阈值的比较，决定执行继续迭代拷贝步骤还是执行停机拷贝和按需拷贝；对源虚拟机内存进行继续迭代拷贝，根据继续迭代拷贝的次数，或者根据当前脏页率与当前脏页率阈值的比较，决定是否进入停机拷贝；其中，当前脏页率阈值等于源虚拟机内存中所有应用的当前脏页率的平均值。本发明能够有效地减小整体迁移时间，大大的降低了总内存数据迁移量；同时，针对不同应用场景下的自适应虚拟机资源调度。
-
公开(公告)号：CN110363115B
公开(公告)日：2021-10-15
申请号：CN201910574738.1
申请日：2019-06-28
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于AIS轨迹数据的船舶作业异常半监督实时检测方法。在港口或河流疏浚作业期间，有些作业船舶不按预期将淤泥运至指定倾倒区域，而是将其抛向作业区域附近，这意味着淤泥可能在短时间内返回港口或航道。本发明提出了一种基于自动识别系统(AIS)数据的疏浚作业异常半监督检测方法。首先，本发明建立了一个特征系统用来从AIS数据中提取行为特征。此外，还将T‑分布随机邻域嵌入(T‑SNE)通过神经网络与高斯混合模型(GMM)相结合，以半监督方式训练检测模型。通过训练模型，可以有效地实时检测疏浚作业过程中的异常行为。
-
公开(公告)号：CN113298895A
公开(公告)日：2021-08-24
申请号：CN202110678193.6
申请日：2021-06-18
Applicant: 上海交通大学
Abstract: 本发明提供了一种面向收敛性保障的无监督双向生成自动编码方法及系统，包括：批数据(x，z)通过编码器E和生成器G同时生成编码结果E(x)和生成数据G(z)；图像空间数据与隐变量空间数据通过卷积块Fx和Fz，分别对图像空间数据与隐变量空间数据进行信息提取，得到提取后的图像空间数据和提取后的隐变量空间数据根据提取后的图像空间数据和提取后的隐变量空间数据训练判别器D，直至损失函数最小；图像数据利用训练后的编码器E，完成编码过程并生成编码结果，将编码结果输入训练后的生成器G，获得重建图像数据结果，进而完成图像数据的重建工作，实现了图像空间与隐变量空间双向映射过程的整体协同优化，提升表征能力和图像生成能力。
-
公开(公告)号：CN111949913A
公开(公告)日：2020-11-17
申请号：CN202010813627.4
申请日：2020-08-12
Applicant: 上海交通大学
IPC: G06F16/958 , G06F16/9537 , G06F16/901
Abstract: 本发明提供了一种面向时空感知发布/订阅系统的匹配方法及系统，包括：步骤M1：选择符合预设条件的且分布均匀的属性作为索引属性，对索引属性的值域进行混合划分，实现订阅中区域谓词和事件属性值到划分单元的映射；步骤M2：通过级联多个进行混合划分的索引属性构造MO-Tree，实现订阅和事件到MO-Tree中叶子节点的映射；步骤M3：根据索引属性值，基于MO-Tree实现订阅匹配和事件匹配；本发明解决方案完整性：事件和订阅都可以在MO-Tree中进行索引。
-
公开(公告)号：CN111445006A
公开(公告)日：2020-07-24
申请号：CN202010124146.2
申请日：2020-02-27
Applicant: 上海交通大学
Abstract: 本发明提供了一种开源社区中开发者代码提交次数的预测方法及系统，包括：步骤1：构建单位根检验，检验时间序列的平稳性；步骤2：构建LB或Q统计量，检验时间序列的白噪声；步骤3：构建季节性单位根检验，检验时间序列的季节性；步骤4：根据检验结果选择预测模型得到预测结果，所述预测模型包括ARIMA模型、LSTM模型和混合模型。本发明根据不同的时间粒度将开发者代码提交次数数据转变为时间序列，通过时间序列成分分析后，自适应地选择最合适的预测模型，以预测接下来的各个时间粒度中开发者代码提交次数。
-
Patent Agency Ranking
公开(公告)号：CN106790485B
公开(公告)日：2020-07-10
申请号：CN201611147486.7
申请日：2016-12-13
Applicant: 上海交通大学
IPC: H04L29/08
Abstract: 本发明提供了一种混合云模式中的基于成本考虑的在线服务请求调度方法，包括步骤1：构建以平均花销成本最小化为目标，私有云资源有限，服务拒绝率为限制条件的最优化问题；步骤2：利用李雅普诺夫优化方法将步骤1中的最优化问题转化为单时槽中的优化问题；步骤3：采用最优衰减算法求解步骤2中单时槽中的优化问题的最优解，即得到当前时刻的服务请求的调度方法。本发明的方法能够针对未知的在线服务请求，使得整个时间区域内的平均租用公有云的花费成本达到最低，以服务请求拒绝率及私有云资源为限制条件的优化问题；然后利用李雅普诺夫优化技术将原问题转化为不含时均量的优化问题，从而实现花销成本和服务拒绝率之间的有效权衡。
-
公开(公告)号：CN110413927A
公开(公告)日：2019-11-05
申请号：CN201910672893.7
申请日：2019-07-24
Applicant: 上海交通大学
IPC: G06F16/958 , G06F16/951
Abstract: 本发明提供一种在发布订阅系统中基于匹配实时性的优化方法及系统，计算订阅与事件的匹配概率，根据匹配概率对订阅进行差异对待，形成订阅分组类别；基于订阅分组类别，建立数据结构的结构索引，根据订阅匹配概率变化，实时调整订阅的分组类别及其在结构索引中的位置，以提升匹配效率。将具有高匹配概率的订阅在匹配过程中先进行处理，以便更早地确定与事件相匹配的订阅，从而提升事件分发的实时性。根据订阅与事件匹配的概率，定义一个简洁的分类方案来对订阅进行分组；建立一种轻量级的订阅动态调节机制；提出一种有效的贪心算法来求解调整方案；保证订阅分类和结构分层方法(SCSL)的高效能，并优化效率，可配置以满足不同的应用需求。
-
公开(公告)号：CN110413391A
公开(公告)日：2019-11-05
申请号：CN201910672078.0
申请日：2019-07-24
Applicant: 上海交通大学
Abstract: 本发明提供了一种基于容器集群的深度学习任务服务质量保证方法和系统。基于容器的运行平台接收任务，形成任务队列，预测各个任务的所需资源需求，根据所需资源需求对队列中的任务形成优先等级，依据优先等级对任务进行调度；解析任务的运行日志，监控集群资源利用率，基于运行日志和集群资源利用率，判定任务的资源扩展需求，根据资源扩展需求对任务的调度进行修正。本发明易用性高且资源利用率高，用户在提交深度学习任务时只需指定服务质量，无需指定复杂的资源配置，会通过任务调度和任务扩展的方式保证其服务质量；并且充分利用了深度学习任务的特点，用更少的资源保证任务的服务质量。
-
公开(公告)号：CN106603673A
公开(公告)日：2017-04-26
申请号：CN201611180700.9
申请日：2016-12-19
Applicant: 上海交通大学
CPC classification number: H04L67/32 , G06F11/0727 , G06F11/1076 , H04L67/06 , H04L67/108 , H04L67/1097
Abstract: 本发明提供了一种基于纠删码的细粒度云存储调度方法，基于真实的云计算平台，通过对云存储系统中大量存储节点的负载信息进行分析，确定影响数据下载时延的性能指标；基于负载信息设计一种新的云存储调度算法，通过利用存储节点的负载信息反向指导代理节点的线程调度来优化现有云存储系统调度方案；通过多种不同的纠删码对海量文件进行编码存储。本发明利用开源项目OpenStack搭建了一个真实的云计算平台，并根据真实的用户请求数据在云平台上进行部署和验证，本发明中提出的调度策略最高能减少15％的平均时延，同时还能降低数据下载时延的波动，提高数据获取的稳定性，提供更好的用户体验。
-
公开(公告)号：CN106293883A
公开(公告)日：2017-01-04
申请号：CN201610668665.9
申请日：2016-08-15
Applicant: 上海交通大学
IPC: G06F9/455
Abstract: 一种基于混合扩展方式的云端虚拟机的优化配置方法及其系统，包括：无迁移虚拟机配置模块、迁移判断模块、迁移虚拟机配置模块以及配置应用模块；无迁移虚拟机配置模块通过构造无迁移时的优化模型，得到优化后的虚拟机配置；然后迁移判断模块对优化前后的虚拟机配置进行偏差计算，判断是否需要迁移；如果不需要即通过配置应用模块直接应用优化后的虚拟机配置，否则迁移虚拟机配置模块向用户请求其对迁移开销和成本效率的偏好情况，构造李雅普诺夫单时槽优化模型，得到单时槽优化后的虚拟机配置并通过配置应用模块应用；本发明设计合理，成本效率和迁移开销间取得平衡，可达到最优的成本效率。
-
-
-
-
-
-
-
-
-
Search Results
127
records
(took 0.033 seconds)
