-
公开(公告)号：CN111176980B
公开(公告)日：2023-04-25
申请号：CN201911262217.9
申请日：2019-12-10
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明适用计算机技术领域，提供了调试环境和运行环境分离的数据分析方法、装置及系统，该方法包括：从运行环境的真实数据中抽取部分数据，将部分数据经过脱敏后传送到调试环境中作为样本数据；在调试环境中，连接样本数据和机器学习组件组成机器学习工作流，获取每个机器学习组件设置的组件参数；在调试环境中调试机器学习工作流，调试完成之后，将机器学习工作流迁移到运行环境中运行；导入运行环境的真实数据执行机器学习工作流，得到机器学习模型；将运行环境中训练得到的机器学习模型通过白名单审查之后导入到调试环境中，供用户查看和下载。本发明既能保证数据隐私不被泄露，也能使用真实数据进行数据分析。
-
公开(公告)号：CN114880111A
公开(公告)日：2022-08-09
申请号：CN202210295009.4
申请日：2022-03-24
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F9/50
Abstract: 本发明涉及数据处理领域，特别提供了一种有向无环图DAG任务模型的实时系统中基于DAG任务拓扑结构的处理器资源分配方法。研究了DAG任务内拓扑结构的特点对其执行时产生的影响进行深度分析，提出了提出一个基于拓扑结构的DAG任务分配方法。该方法可以有效的降低DAG任务集在系统上的最坏情况下响应时间，从而提升系统处理器资源利用率。通过理论分析和真实平台测试这两个维度的实验结果表明TDTA处理器资源分配方法相较于最新的处理器资源分配方法而言可以平均降低DAG任务集42.43%的最坏情况下响应时间。
-
公开(公告)号：CN112463346A
公开(公告)日：2021-03-09
申请号：CN202011631493.0
申请日：2020-12-31
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明提供了一种基于划分调度的DAG任务的启发式处理器划分方法、系统及存储介质，本发明首先推导了一个基于分区固定优先级调度算法的DAG任务的响应时间分析；基于分析的直觉，本发明提出了一种贪婪并行执行集群(GPEC)的处理器分配策略，该策略考虑了DAG任务的拓扑结构和任务内子任务间的自干扰。本发明的有益效果是：本发明的GPEC策略考虑了DAG任务内部拓扑结构和自干扰的影响。此外，本发明将实时系统移植到嵌入式板上，在一个真实的平台上评估GPEC策略的性能。在实验中的与两种最新的处理器分配策略相比，本发明的GPEC策略最多降低了平均WCRT达到35.59%，DAG任务集的可调度率最多提高了76%。
-
公开(公告)号：CN116306986B
公开(公告)日：2024-01-12
申请号：CN202211569899.X
申请日：2022-12-08
Applicant: 哈尔滨工业大学(深圳)
IPC: G06N20/20
Abstract: 本发明公开一种基于动态亲和力聚合的联邦学习方法及相关设备，所述方法包括：服务器端发送初始化模型至所有客户端；客户端利用预存的本地数据对初始化模型进行模型训练，得到经过训练后的模型参数后；服务器端根据类别数量组成数据分布向量后，计算所有客户端之间的亲和力值；服务器端根据经过训练后的模型参数和亲和力值生成每个客户端在本轮中的个性化全局模型；客户端在每轮通信上结合个性化全局模型更新经过训练后的模型参数，直至服务器端执行完所有的通信轮次。通过服务器端根据经过训练后的模型参数和所有客户端之间的亲和力值，生成每个客户端的个性化全局模型，以便客户端进行更新训练后的模型参数，从而有效地提(56)对比文件应作斌等.动态聚合权重的隐私保护联邦学习框架《.网络与信息安全学报》.2022,第8卷(第5期),56-65.陈飞扬等.FCAT-FL:基于Non-IID数据的高效联邦学习算法《.南京邮电大学学报(自然科学版)》.2022,第42卷(第3期),90-99.Zhiyuan Zhao等.A Dynamic ReweightingStrategy For Fair Federated Learning.《2022 IEEE International Conference onAcoustics, Speech and Signal Processing》.2022,8772-8776.You Jun Kim等.Blockchain-based Node-aware Dynamic Weighting Methods forImproving Federated Learning Performance.《2019 20th Asia-Pacific NetworkOperations and Management Symposium》.2019,1-4.
-
Patent Agency Ranking
公开(公告)号：CN114880083A
公开(公告)日：2022-08-09
申请号：CN202210294290.X
申请日：2022-03-24
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明涉及数据处理领域，特别涉及一种DAG任务执行逻辑复杂度的优化方法及存储介质。基于DAG任务内拓扑结构的特点对其执行时产生的影响进行深度分析，提出了能够有效降低DAG任务执行逻辑复杂度的无效边删除优化方法。首先提出DAG任务内无效边的概念，即DAG任务中子任务之间多余的执行逻辑约束条件。证明了从DAG任务中删除无效边可以在不影响DAG任务固有的执行逻辑和对DAG任务的最坏情况下响应时间分析的前提下来降低其执行逻辑的复杂度。通过大样本空间的数据的实验结果表明，IED优化方法能够平均减少DAG任务中36.96%的无效边，并且平均减少86.9%的DAG任务WCRT分析时间。
-
公开(公告)号：CN111176980A
公开(公告)日：2020-05-19
申请号：CN201911262217.9
申请日：2019-12-10
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明适用计算机技术领域，提供了调试环境和运行环境分离的数据分析方法、装置及系统，该方法包括：从运行环境的真实数据中抽取部分数据，将部分数据经过脱敏后传送到调试环境中作为样本数据；在调试环境中，连接样本数据和机器学习组件组成机器学习工作流，获取每个机器学习组件设置的组件参数；在调试环境中调试机器学习工作流，调试完成之后，将机器学习工作流迁移到运行环境中运行；导入运行环境的真实数据执行机器学习工作流，得到机器学习模型；将运行环境中训练得到的机器学习模型通过白名单审查之后导入到调试环境中，供用户查看和下载。本发明既能保证数据隐私不被泄露，也能使用真实数据进行数据分析。
-
公开(公告)号：CN111177219A
公开(公告)日：2020-05-19
申请号：CN201911359838.9
申请日：2019-12-25
Applicant: 哈尔滨工业大学(深圳)
IPC: G06F16/2458 , G06F21/62
Abstract: 本发明适用计算机技术领域，提供了一种数据交换平台及数据交换方法，平台包括：数据访问申报单元，用于获取第三方应用提交的数据访问申报信息；数据内容审核单元，用于对数据访问申报信息进行审核，审核通过，给第三方应用提供访问数据接口；数据智能分析平台，用于通过数据分析脚本或程序对预期访问数据进行挖掘，生成分析和挖掘结果；数据内容审核单元，用于判断分析和挖掘结果的数据类型与内容特征是否符合第三方应用提交的数据访问申报信息中预期取走数据对应的数据类型与内容特征，若符合，则放行取走分析和挖掘结果操作。本发明不允许第三方应用取走数据，只允许第三方应用取走分析和挖掘结果，实现了数据不动，程序动的效果。
-
公开(公告)号：CN116306986A
公开(公告)日：2023-06-23
申请号：CN202211569899.X
申请日：2022-12-08
Applicant: 哈尔滨工业大学(深圳)
IPC: G06N20/20
Abstract: 本发明公开一种基于动态亲和力聚合的联邦学习方法及相关设备，所述方法包括：服务器端发送初始化模型至所有客户端；客户端利用预存的本地数据对初始化模型进行模型训练，得到经过训练后的模型参数后；服务器端根据类别数量组成数据分布向量后，计算所有客户端之间的亲和力值；服务器端根据经过训练后的模型参数和亲和力值生成每个客户端在本轮中的个性化全局模型；客户端在每轮通信上结合个性化全局模型更新经过训练后的模型参数，直至服务器端执行完所有的通信轮次。通过服务器端根据经过训练后的模型参数和所有客户端之间的亲和力值，生成每个客户端的个性化全局模型，以便客户端进行更新训练后的模型参数，从而有效地提升联邦学习的模型性能。
-
公开(公告)号：CN112463346B
公开(公告)日：2021-10-15
申请号：CN202011631493.0
申请日：2020-12-31
Applicant: 哈尔滨工业大学(深圳)
Abstract: 本发明提供了一种基于划分调度的DAG任务的启发式处理器划分方法、系统及存储介质，本发明首先推导了一个基于分区固定优先级调度算法的DAG任务的响应时间分析；基于分析的直觉，本发明提出了一种贪婪并行执行集群(GPEC)的处理器分配策略，该策略考虑了DAG任务的拓扑结构和任务内子任务间的自干扰。本发明的有益效果是：本发明的GPEC策略考虑了DAG任务内部拓扑结构和自干扰的影响。此外，本发明将实时系统移植到嵌入式板上，在一个真实的平台上评估GPEC策略的性能。在实验中的与两种最新的处理器分配策略相比，本发明的GPEC策略最多降低了平均WCRT达到35.59%，DAG任务集的可调度率最多提高了76%。
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.025 seconds)
