-
公开(公告)号：CN103763302B
公开(公告)日：2017-01-25
申请号：CN201310693416.1
申请日：2013-12-16
Applicant: 东南大学
Abstract: 本发明公开了一种web服务组合生成方法，首先对用户的偏好分为定性和定量偏好两大类，并采取相应的模型进行描述和推理，然后计算web服务组合的信任度，最终采取遗传算法做全局寻优以期找到最为适合用户的web服务组合。本发明方法基于用户偏好和服务信任度，将用户的定性偏好、定量偏好以及服务的信任度有机结合起来，有效的解决了互联网中web服务组合存在的信任度低和不适合用户偏好的不足，与其他方法相比，能够产生更好的组合服务，提高用户体验和满意度。
-
公开(公告)号：CN103106268B
公开(公告)日：2016-10-26
申请号：CN201310041726.5
申请日：2013-02-01
Applicant: 东南大学
IPC: G06F17/30
Abstract: 本发明公开了一种用户偏好检索方法，首先判断多维的用户偏好模型中，注册中心数据的各维之间的相关性是否确定，如确定，则进行多维降到一维的数据处理，否则进行多维到低维的多维数据处理。本发明方法找出对用户偏好模型数据的有效的索引方法并根据用户偏好模型表达的用户偏好在数据库中有效地检索k个最优的数据项的索引方法，使得检索过程不必扫描整个数据库，并构建一个满足不同情况的top‑k检索引擎，可提供高效的检索服务。
-
公开(公告)号：CN103197983B
公开(公告)日：2015-04-29
申请号：CN201310141453.1
申请日：2013-04-22
Applicant: 东南大学
IPC: G06F11/00
Abstract: 本发明公开了一种基于概率图模型的服务组件可靠性在线时间序列预测方法，包括如下步骤：（1）motifs发现过程；（2）使用发现的motifs标注服务组件的各个历史参数；（3）通过DBNs模型学习构建CPT；（4）DBNs模型推理并开展基于系统实时参数的在线预测。本发明提供的基于概率图模型的服务组件可靠性在线时间序列预测方法，能够有效解决面向服务的组件级系统在线可靠性时间序列预测的问题，对服务计算领域软件质量保障问题提供一种有效的解决方案，为我国开展大规模复杂软件系统的应用提供支撑，解决了自主计算领域有关Self-*的相关研究中最为核心的一个问题。
-
公开(公告)号：CN103248693A
公开(公告)日：2013-08-14
申请号：CN201310161238.8
申请日：2013-05-03
Applicant: 东南大学
IPC: H04L29/08
Abstract: 本发明公开了一种基于多智能体强化学习的自适应组合服务优化方法，将强化学习与智能体概念相结合，定义强化学习的状态集为服务的前置后置条件，动作集为Web服务本身。初始化强化学习中Q学习的参数，包括学习率、折扣因子和Q值。每个智能体执行一个组合优化任务。智能体可以感知当前状态，并根据动作选择策略选择当前状态下的最优动作。根据Q学习算法计算与更新Q值。一轮学习过程结束则进入下一轮学习，直至Q值收敛，获得最优策略。本发明根据当时环境变化在线制定出相应的自适应行为策略，具有较高的灵活性与自适应性，具有较高的实用价值。
-
公开(公告)号：CN115811473B
公开(公告)日：2024-11-08
申请号：CN202211447386.1
申请日：2022-11-18
Applicant: 东南大学
IPC: H04L41/5009 , G06N3/0464 , G06N3/047 , G06N3/048 , H04L41/147 , G06F123/02
Abstract: 本发明涉及一种基于混合神经网络和注意力机制的服务系统可靠性分析系统，分析系统包括数据获取模块：借助Promethus云原生监控技术实时获取并存储服务系统中的大量软硬件环境运行时时序信息；数据预处理模块：对服务系统软硬件环境运行时时序信息进行预处理，时序数据可靠性分析模块：利用基于混合神经网络和注意力机制算法挖掘服务系统运行时的软硬件状态时序数据，并对该类时序信息进行系统可靠性分析和预测；服务系统可靠性信息展示模块：将分析出的可靠性信息以可视化的形式直观地展示出来；该技术方案给出了一种新的服务系统运行时可靠性分析的思维方式，充分利用服务系统运行时软硬件环境中蕴含系统可靠性的特征，提高服务系统可靠性分析的准确度。
-
Patent Agency Ranking
公开(公告)号：CN114048361A
公开(公告)日：2022-02-15
申请号：CN202111333787.X
申请日：2021-11-11
Applicant: 东南大学
IPC: G06F16/9035 , G06K9/62 , G06N3/04 , G06N3/08 , G06Q10/10
Abstract: 本发明提出一种基于深度学习的众包软件开发者推荐方法，所述方法包括以下步骤：步骤1：对众包平台中的任务和开发者进行建模；步骤2：基于注意力机制和深度神经网络的深度特征提取；步骤3：引入时间因素的任务相似度计算；步骤4：融合任务和开发者特征的深度神经网络预测模型，将提取的任务和开发者特征作为深度神经网络预测模型的输入。该方案利用卷积神经网络从任务和开发者的各种类型的交互中提取隐藏的结构和特征，来预测开发者在该任务上的得分，进一步提高准确度，该方法能在大规模的众包平台中取得更好的推荐精度和效率。
-
公开(公告)号：CN107306207A
公开(公告)日：2017-10-31
申请号：CN201710401793.1
申请日：2017-05-31
Applicant: 东南大学
CPC classification number: H04L67/02 , H04L41/145 , H04L41/50
Abstract: 本发明涉及一种结合Skyline计算与多目标强化学习的服务组合方法，其特征在于，所述方法包括以下步骤：1)根据实际应用场景，模拟建立模型；2)使用Skyline计算的算法缩减同质服务空间；3)利用多目标强化学习的单策略方法和多策略方法，根据算法得出一些列最优解集。该方法能很好地适应环境的动态变化及满足用户的多样化需求，从而展现其良好的适应性和扩展性。
-
公开(公告)号：CN107103359A
公开(公告)日：2017-08-29
申请号：CN201710364932.8
申请日：2017-05-22
Applicant: 东南大学
Abstract: 本发明提出一种基于卷积神经网络的大服务系统在线可靠性预测方法，包括如下步骤：数据预处理，对任意响应时间参数时间序列，以及吞吐量参数时间序列进行归一化处理；motifs发现，通过k‑means聚类算法寻找吞吐量，响应时间和可靠性三组参数中的motifs；使用motifs进行标注；卷积神经网络模型的训练；使用最近邻时间段内相应时间和吞吐量相应参数时间序列带入到训练好的CNN模型中，得到组件系统的在线可靠性时间序列预测结果。本发明能够预测一个有效的时间周期内的时间序列的可靠性，基于此可以优化选择系统构建过程中的服务选择同时还可以根据预测的结果及时发现和替换可能会出错的组件，提高系统的可靠性能。
-
公开(公告)号：CN107070704A
公开(公告)日：2017-08-18
申请号：CN201710172996.8
申请日：2017-03-22
Applicant: 东南大学
IPC: H04L12/24
CPC classification number: H04L41/0823 , H04L41/5009 , H04L41/5019 , H04L41/5038
Abstract: 本发明公开了一种基于QoS的可信Web服务组合优化方法，首先通过分析服务的历史行为对服务的可信度进行评估，从而去除掉不符合要求的劣质服务，得到可信QoS的Web服务作为后续服务组合全局优化的备选服务；然后使用改进的多目标布谷鸟搜索算法实现对Web服务组合的多目标优化，以提高服务组合的优化效率，最终得到既满足用户需求又确保服务的可信性的组合服务。
-
-
-
-
-
-
-
-
Search Results
55
records
(took 0.022 seconds)
