-
公开(公告)号：CN119892654A
公开(公告)日：2025-04-25
申请号：CN202510036261.7
申请日：2025-01-09
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明提出了一种基于双协同模块的网络损伤模拟实现方法及系统，属于互联网网络损伤技术领域；基于用户损伤指令生成第一配置模板和第二配置模板；对网络流数据包进行网络损伤条件匹配和任务需求判断，基于Tofino芯片上的第一配置模板对且仅对符合网络损伤匹配条件且任务需求为简单网络损伤模拟的网络流数据包进行处理；基于CPU芯片上的第二配置模板对且仅对任务需求为复杂网络损伤模拟的网络流数据包进行处理；最后将达到网络损伤模拟任务需求的网络流数据包转发至接收方。本发明能够在充分利用双协同模块处理的基础上，突破硬件和编程的限制，高效且精准的实现对不同复杂程度的网络损伤模拟。
-
公开(公告)号：CN119829297A
公开(公告)日：2025-04-15
申请号：CN202510308469.X
申请日：2025-03-17
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
Abstract: 本公开提供了基于强化学习的边‑端动态协同任务批处理方法及系统，涉及人工智能技术领域，包括：获取任务集合；基于离散软演员‑评论家的强化学习方法，利用延迟‑精度奖励动态选择任务处理模型的划分点，实现对任务处理模型的拆分；将拆分后的任务处理模型分别部署在终端和边缘服务器上；对任务集合进行批处理初始化，为批任务设置时间窗口长度，在时间窗口内收集任务集合所对应的特征集合，并进行合并；将合并后的特征输入至部署在边缘服务器上的部分任务处理模型，从拆分点所在网络层继续执行模型尾部计算过程，得到任务的推理结果集合，再将推理结果集合传回到终端，实现边‑端动态协同的任务批处理过程。
-
公开(公告)号：CN117132893B
公开(公告)日：2025-02-28
申请号：CN202311130822.7
申请日：2023-09-04
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
IPC: G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08 , G06Q50/26
Abstract: 本发明涉及基于深度学习与空间数据查询的地质灾害监测方法及系统，其检测方法包括基于孪生神经网络构建地质灾害定位评级模型；获取受灾区域的灾前遥感图像数据；基于物化视图查询方法、TBDR‑Tree索引方法以及图形轮廓分割方法从空间数据库中获取受灾区域的灾后遥感图像数据；通过将所述灾前遥感图像数据以及所述灾后遥感图像数据输入所述地质灾害定位评级模型，以识别所述受灾区域的位置和受灾等级，对应得到受灾位置信息和受灾等级信息；输出所述受灾位置信息以及所述受灾等级信息；本发明大大优化了查询时间，减轻了内存开销，运行时间缩短，实现了高效精确的面向遥感图像的灾情检测、灾区识别、受灾等级划分的功能。
-
公开(公告)号：CN119376958A
公开(公告)日：2025-01-28
申请号：CN202411975476.7
申请日：2024-12-31
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明属于分布式训练领域，提供了一种异构算力环境下的模型训练任务分配方法及系统，构建一个分层的深度强化学习模型，用于在终端层、边缘层和云计算层之间进行优化拆分点的选择和资源分配，从而实现高效的计算任务分配和模型训练。通过设计多个子策略网络来应对不同算力需求的任务。结合了资源感知模块，以衡量每层的计算资源、网络带宽和延迟等状态。启发式算法用于初步估计拆分点范围，减少无关位置的探索，优化搜索效率。针对神经网络模型计算所需要的资源，以浮点运算的数量来衡量。在拆分点的选择中，主要采取深度强化学习的方法结合资源感知模块，通过结构优化寻找最优的拆分点，以实现模型的有效拆分，并在两端侧完成高效的联合训练。
-
公开(公告)号：CN119276809A
公开(公告)日：2025-01-07
申请号：CN202411326506.1
申请日：2024-09-23
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: H04L47/6275 , H04L41/14 , H04L41/142
Abstract: 本公开提供了一种时间敏感网络中混合流量传输方法及系统，涉及混合流量传输技术领域，包括：构建TSN时间敏感网络拓扑以及时间触发流的有向图模型；获取TT流集以及AVB流集，并对TT流集和AVB流集的优先级进行排序；使用ASAP调度算法对排序后的TT流集和AVB流集进行初步的调度，所有的流初步调度完成后，生成时隙，并根据时隙确定初始调度方案，并利用网络演算计算流集中所有流从源节点到目的节点总的最坏端到端时延；从AVB流集中选取优先级最大的流与TT流集中的流进行交换，重新进行调度并将交换完后的AVB流从AVB流集中删除；重新计算总最坏时延，直到所有的AVB流都已参与交换完成，确定最佳调度方案。本公开提高了AVB流的调度效率。
-
Patent Agency Ranking
公开(公告)号：CN118747365A
公开(公告)日：2024-10-08
申请号：CN202410770288.4
申请日：2024-06-14
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: G06F21/56 , G06F18/24 , G06F21/60 , G06F18/10 , G06F18/25 , G06F18/213 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明属于加密恶意流量检测领域，提供了一种基于注意力机制的恶意流量识别分类方法及系统，包括获取实时网络流量并进行预处理；基于预处理后的网络流量数据，利用深度神经网络模型进行多尺度特征学习，得到多尺度网络流量特征；利用多尺度感知融合注意机制，对多尺度网络流量特征进行不同尺度的特征映射，并对不同尺度的网络流量映射特征进行注意力加权融合，得到融合尺度网络流量特征；基于融合尺度网络流量特征进行分类识别，确定网络流量的恶意分类识别结果。
-
公开(公告)号：CN118567851A
公开(公告)日：2024-08-30
申请号：CN202410697907.1
申请日：2024-05-31
Applicant: 齐鲁工业大学(山东省科学院) , 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明提出了一种边缘计算任务卸载优化方法及系统，明将整体任务分解成独立的子任务，并基于子任务之间的优先级关系和依赖关系，形成有向无环图(DAG)；随后利用Hermes算法初步生成任务卸载策略，考虑了子任务之间的关系，能够灵活的对多任务进行处理，Hermes算法在降低计算延迟和通信传输开销的情况下，形成初步卸载策略；然后基于强化学习进行进一步卸载优化，强化学习能够适应复杂的网络环境和计算资源的变换，综合考虑了当前的延迟、负载和计算资源多种指标，在网络和资源条件变化时能够动态地调整卸载策略，实现任务卸载的优化调整。
-
公开(公告)号：CN118400313A
公开(公告)日：2024-07-26
申请号：CN202410530333.9
申请日：2024-04-29
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
IPC: H04L45/02 , H04L45/121 , H04L47/56 , H04L47/625
Abstract: 本公开提供了基于时间敏感网络的路由调度优化方法及系统，涉及网络传输技术领域，包括：获取路由网络拓扑和时间触发流，构建网络拓扑和时间触发流的TSN网络模型；对交换节点的流根据基于DM的优先级分配算法进行优先级排序；针对排序后的流队列，对流计算流从源节点到目的节点的最坏时延，根据计算出的最坏时延，选取多个路由路径生成流的有效路由集；针对有效路由集，计算所述有效路由集中所有路由路径的链路负载，选取链路负载最小的路由路径作为最佳路由；更新流经过路由路径的所有链路负载值，进行下一个流的最佳路由选择，直至遍历完所有的时间触发流。
-
公开(公告)号：CN117453310A
公开(公告)日：2024-01-26
申请号：CN202311428018.7
申请日：2023-10-31
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明涉及一种协同任务卸载方法、系统、计算设备及介质，方法包括：获取系统当前时刻的多个目标卸载任务；根据各个目标卸载任务，确定每个目标卸载任务对应的待分配计算资源和卸载位置，以及根据卸载位置，确定目标卸载任务对应的奖惩参数；对于每个目标卸载任务，根据卸载位置，在对应的边缘服务器或云服务器上按照对应的待分配计算资源和对应的奖惩参数进行卸载。本申请中为每个目标卸载任务分配合理的时延或提前执行的时间，并合理调用各个边缘服务器协助云服务器卸载目标卸载任务，从而能够充分调度算力网络中每个边缘服务器的算力资源，满足大规模多样化算力膨胀式增长需求。
-
公开(公告)号：CN116782249A
公开(公告)日：2023-09-19
申请号：CN202311018645.3
申请日：2023-08-14
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学(山东省科学院)
Abstract: 本公开提供了具有用户依赖关系的边缘计算卸载及资源分配方法及系统，涉及边缘计算技术领域，初始化边缘服务器和用户移动设备的节点网络模型，获取任务在本地计算处理的时间，构建边缘服务器与用户移动设备之间的无线网络通信模型；获取将任务卸载至边缘服务器所需要的任务传输时间以及边缘服务器上执行处理每个任务的时间；考虑用户间有任务依赖关系，当前任务只有在所有前驱任务都已完成的情况下才能开始被卸载分配，以最小化总任务延迟和任务丢失率为目标构建卸载优化模型，求解该卸载优化模型，获取将任务映射到卸载优化模型中的最佳函数，并获取最大的长期奖励，获取最佳分配结果，本公开减少时延与降低任务丢失率。
-
-
-
-
-
-
-
-
-
Search Results
62
records
(took 0.038 seconds)
