-
公开(公告)号：CN119494490A
公开(公告)日：2025-02-21
申请号：CN202411512374.1
申请日：2024-10-28
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: G06Q10/0631 , G06Q10/0633 , G06N3/006
Abstract: 本发明涉及工作流任务调度技术领域，提供了一种基于任务时空属性的算力网络工作流任务调度方法及系统。该方法包括，基于获取的多个工作流的用户优先级、作业优先级和任务资源需求额度，分别计算多个工作流的总优先级，按照该总优先级进行排序，得到工作流的任务队列；基于工作流的完成时间、执行成本和资源匹配度，构建多目标函数；基于多目标函数和待选择算力平台，判断任务队列中工作流所需的资源量与待选择算力平台的资源需求量的关系，采用多目标人工兔优化算法，选择满足要求的算力平台执行。本发明能够实现任务时间属性、空间属性、调度服务质量多维度考虑的任务高效执行。
-
公开(公告)号：CN119200982A
公开(公告)日：2024-12-27
申请号：CN202411264707.3
申请日：2024-09-10
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: 本发明公开了基于Alluxio的数据存储和缓存优化方法及系统，其中方法，包括：获取待写入的文件，根据所述待写入的文件的四个属性，计算文件的优先级；所述待写入的文件的四个属性，包括：文件访问频率、文件容量、文件重要性等级以及文件新鲜度；根据文件优先级所对应的文件传输策略，将待写入的文件存储到Alluxio缓存和底层存储；获取待读取的数据，判断待读取的数据是否在缓存中，如果是，则将缓存中的数据返回给用户；如果否，则将底层存储中的数据返回给用户；根据关联规则，对待读取的数据以及待读取数据相关联的数据块进行预取操作，如果缓存使用率超过设定的阈值，则执行缓存替换操作。
-
公开(公告)号：CN117217334A
公开(公告)日：2023-12-12
申请号：CN202310054523.3
申请日：2023-02-03
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: G06N20/20 , G06F18/214 , H04L9/08 , H04L9/40
Abstract: 本发明涉及一种基于云边端架构的联邦学习模型聚合系统及方法，属于模型融合技术领域，系统云平台层、网络传输层、边缘层，以Kubernetes‑Kubeedge边缘计算云管理平台为基础，提供了一个稳定的云边端架构，使得云服务器不仅作为任务发起方能有效做出任务决策与下达，还能高效的管理作为参与方的边缘设备，本发明还提出了一种模型聚合系统的工作方法，突破了边缘设备中隐私数据分布不均，边缘设备机能受限、性能不均衡等情况，提高了模型聚合的有效性、公平性，适用场景更为广泛。
-
公开(公告)号：CN117150392A
公开(公告)日：2023-12-01
申请号：CN202311231822.6
申请日：2023-09-22
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: G06F18/243 , G06F18/27 , G06Q50/06 , H02J3/00 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种基于深度学习的电力负荷实时分类分解方法与系统，属于电力负荷监测识别技术领域，包括计算出每个电器的最小开机时间、最小关机时间、开启功率阈值；数据预处理；电力负荷分类模型训练；电力负荷分解模型训练；根据电力负荷分类模型和电力负荷分解模型生成电力负荷识别推理程序，将推理结果上传至云平台的数据库，实现与小程序的信息交互；本发明利用边缘设备进行电力负荷分类和分解，通过云服务器上搭建小程序后端web服务，并通过小程序与用户进行交互，实现对电力负荷的精确分解和监测；通过将边缘计算和云计算相结合，并借助小程序作为交互平台，提供了一种高效、智能的电力负荷分析和管理解决方案。
-
公开(公告)号：CN116361709B
公开(公告)日：2023-10-31
申请号：CN202310331766.7
申请日：2023-03-31
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: G06Q10/04 , G06Q50/06 , G06F18/241 , G06F18/214 , G06F18/15 , H02J3/00
Abstract: 本发明涉及一种自适应电力负荷识别方法与设备，属于电力负荷监测识别领域，包括：数据预处理；计算最小开机时间、最小关机时间、开启功率阈值；将获得的3个参数加入到模型训练过程中，对预处理后的数据提取有效的负荷激活数据；基于电力负荷数据，利用长短期记忆人工神经网络对电力负荷识别模型进行训练；将测试集按照比例进行分割，在“窗口”的寻找阶段，使用进程处理技术，得到能将测试时间控制在时间阈值以内的最佳“窗口”；利用最佳“窗口”定义实时推理程序中的滑动窗口大小，对电力负荷数据进行分解识别。本发明不再受到初始模型训练数据的局限，使用自适应方法来定义最佳长度的识别窗口，通用性好，精度较高。
-
Patent Agency Ranking
公开(公告)号：CN116361006A
公开(公告)日：2023-06-30
申请号：CN202310357823.9
申请日：2023-03-31
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: G06F9/50 , H04L67/1001
Abstract: 本发明公开了面向存算分离的算网资源协同调度方法及系统，获取多个终端设备发送的用于为任务分配存储资源的资源调度请求，筛选出存储备选中心群；获取多个终端设备发送的用于为任务分配算力资源的资源调度请求，筛选出算力备选中心群；计算存储备选中心群和算力备选中心群中，存储中心和算力中心两两之间网络传输质量数据；根据网络传输质量数据，计算出网络传输质量评分和存算中心匹配评分；根据网络传输质量评分和存算中心匹配评分，给出不同策略需求的调度决策评分函数；获取终端设备发送的策略需求，根据策略需求，选择对应的调度决策评分函数，筛选出调度决策评分最大值所对应的方案输出，根据筛选的中心实现终端设备任务的存储和计算。
-
公开(公告)号：CN114093505B
公开(公告)日：2022-06-17
申请号：CN202111361578.6
申请日：2021-11-17
Applicant: 山东省计算中心(国家超级计算济南中心)
Abstract: 本发明涉及一种基于云边端架构的病理检测系统及方法，包括云平台层、通信网络层、边缘层；云平台层包括云计算服务器中心、数据库、云端文件存储系统以及一个MQTT服务器；网络通信层包括多种网络通信方式；边缘层就是集成在医疗机构内的各个设备组件，包括边缘设备、本地文件存储系统以及病理切片扫描仪；本发明提供了基于Kubeedge管理平台的云边端架构的病理检测方法，实现边缘设备物模型创建、病理图像模型训练、镜像下发、病理图像检测推理、边缘数据上传等，可有效节省医院病理科的人力、时间成本，提高病理诊断的质量和效率。
-
公开(公告)号：CN114491204A
公开(公告)日：2022-05-13
申请号：CN202111473648.7
申请日：2021-11-29
Applicant: 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
IPC: G06F16/951 , G06F16/901 , G06Q50/20
Abstract: 本发明涉及一种用于信息类专业实验的课程自动搭建方法及系统，包括步骤如下：(1)初始化；A、爬虫网上信息类课程教材书籍信息，构建基于一门课程的知识点关键词词库以及知识图谱；B、对资源进行封装，对资源包推荐标签，进行标签处理；(2)根据用户需求构建实验课程：C、根据用户提供的教材书籍信息拉取出该教材或相似课程教材的关键词词库；D、根据步骤C匹配拉取出的关键词词库构造出实验课程。本发明依据系统提供最先进、最全面的信息资源，为教师提供最便捷的课程自动搭建模式，解决了教师繁琐备课的难题；本发明为信息类专业的学生提供了全面的自主学习和操作的平台；本发明增强了师生间的互动性，使实验教学的效率最大化。
-
公开(公告)号：CN119337370B
公开(公告)日：2025-03-21
申请号：CN202411885840.0
申请日：2024-12-20
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: G06F21/55 , G06F18/213 , G06F18/214 , G06F18/23213 , G06F18/2411 , G06F18/2433 , G06N20/10 , G06N20/20
Abstract: 本发明公开的基于机器学习的日志异常检测方法、系统、介质及设备，属于日志异常检测技术领域，所述方法包括：获取多个系统日志；对每个系统日志的攻击类别进行确定和标注；根据攻击类别对所有系统日志进行划分，获得多类系统日志；对于每类系统日志分别进行聚类，获得每类系统日志的多个聚类中心，作为每类系统日志的代表日志；提取每个代表日志的访问路径特征值向量；利用所有代表日志的访问路径特征值向量，对构建的日志异常检测模型进行训练，训练完成，获得训练好的日志异常检测模型；利用训练好的日志异常检测模型，对系统日志进行异常检测，提高系统日志检测的准确率，解决了当前系统日志检测准确率偏低的问题。
-
公开(公告)号：CN119337370A
公开(公告)日：2025-01-21
申请号：CN202411885840.0
申请日：2024-12-20
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: G06F21/55 , G06F18/213 , G06F18/214 , G06F18/23213 , G06F18/2411 , G06F18/2433 , G06N20/10 , G06N20/20
Abstract: 本发明公开的基于机器学习的日志异常检测方法、系统、介质及设备，属于日志异常检测技术领域，所述方法包括：获取多个系统日志；对每个系统日志的攻击类别进行确定和标注；根据攻击类别对所有系统日志进行划分，获得多类系统日志；对于每类系统日志分别进行聚类，获得每类系统日志的多个聚类中心，作为每类系统日志的代表日志；提取每个代表日志的访问路径特征值向量；利用所有代表日志的访问路径特征值向量，对构建的日志异常检测模型进行训练，训练完成，获得训练好的日志异常检测模型；利用训练好的日志异常检测模型，对系统日志进行异常检测，提高系统日志检测的准确率，解决了当前系统日志检测准确率偏低的问题。
-
-
-
-
-
-
-
-
-
Search Results
51
records
(took 0.043 seconds)
