-
公开(公告)号：CN117641454A
公开(公告)日：2024-03-01
申请号：CN202311580863.6
申请日：2023-11-24
Applicant: 杭州电子科技大学
IPC: H04W28/084 , H04W28/082 , H04L67/1008 , H04L67/12
Abstract: 本发明涉及边缘计算领域，具体是一种在可持续车辆网络中面向微服务的服务放置方法，包括如下步骤：建立服务时延模型，服务时延模型包括建立传输时延模型、传播时延模型、排队时延模型和执行时延模型；建立资源消耗模型，包括cpu资源消耗模型、内存资源消耗模型、带宽开销模型和激活边缘服务提供商所需的消耗模型；通过优先满足最大可容忍时延较低的车链请求链来将每个车辆请求链映射到边缘服务提供商上，建立车辆请求链到边缘服务提供商之间的映射关系；合并服务请求；释放利用率小于微服务利用阈值的微服务。本发明具有低资源开销、低时延的特点，可以显著提高客户体验质量。
-
公开(公告)号：CN116232859A
公开(公告)日：2023-06-06
申请号：CN202310020358.X
申请日：2023-01-06
Applicant: 杭州电子科技大学
IPC: H04L41/0663 , H04L67/10 , H04L41/16
Abstract: 本发明公开了一种实时音视频场景下基于移动边缘计算的服务器放置方法及系统，本发明实时音视频场景下基于移动边缘计算的服务器放置方法，其包括如下步骤：A.初始化基站和服务器的状态；B.初始化粒子；C.评价每一个粒子；D.更新粒子；E.重复步骤C—步骤D，直到符合结束条件；F.计算每个服务器的备选服务器队列；G.在服务器上部署服务。本发明在每个服务器上部署Quic服务作为音视频传输的底层能力，从而提高了音视频的传输效率。
-
公开(公告)号：CN111414931B
公开(公告)日：2023-04-25
申请号：CN201911415059.6
申请日：2019-12-31
Applicant: 杭州电子科技大学
IPC: G06V10/80 , G06V10/762
Abstract: 本发明公开了一种基于图像深度的多分支多尺度小目标检测方法，包括根据双目图像训练集，获取视差图训练集；对视差图进行深度聚类，每一个聚类结果即为一个分支，将聚类结果映射到双目图像中的左图中，提取出初步候选框；分支提取图像特征：不同分支进行不同尺度的上采样操作，获取不同尺度特征图像；将不同尺度特征图像输入到多尺度特征金字塔网络中进行特征融合，获取预测结果；计算分类损失和回归框损失，结合预测结果，获取检测结果。可以有效的识别远距离小目标，提高了远距离小目标的检测在目标检测中的准确度。
-
公开(公告)号：CN115907198A
公开(公告)日：2023-04-04
申请号：CN202211584293.3
申请日：2022-12-09
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种长距离供热负荷智能预测系统，包括：采集模块，用于采集用户端的历史用热数据信息以及大气环境信息；数据处理模块，用于基于贝叶斯学习和蒙特卡洛采样对历史用热数据信息以及大气环境信息进行数据处理，得到样本数据集；训练模块，用于利用样本数据集对LSTM‑GRU模型进行训练，得到LSTM‑GRU预测模型；预测模块，用于利用LSTM‑GRU预测模型对未来供热负荷进行预测。本发明构建的LSTM‑GRU模型，在改进LSTM预测模型中加入注意力层和dropout层，注意力机制可赋予模型隐含层不同的权重，dropout层可对模型正则化，并采用粒子群算法对预测模型参数进行优化，增强模型的健壮性。
-
公开(公告)号：CN115334520A
公开(公告)日：2022-11-11
申请号：CN202210763907.8
申请日：2022-06-30
Applicant: 杭州电子科技大学
Abstract: 本申请提供一种用户面功能设备和边缘服务器的配置方法，包括：获取与待配置的边缘网络系统对应的用户面功能设备和边缘服务器的初始配置集合；待配置的边缘网络系统包括基站和用户终端；每个初始配置集合中包括：与挑选的基站相连的边缘服务器、以及与边缘服务器相连的用户面功能设备；且每个初始配置集合所挑选的基站存在部分不相同或者完全不相同；分别获取每个初始配置集合对应适应度，并将适应度大于预设适应阈值对应的初始配置集合作为配置方案，在待配置的边缘网络系统中配置对应的用户面功能设备和边缘服务器。实现了边缘服务器的配置效率最优，缩短了网络延迟、减小了网络负载。
-
Patent Agency Ranking
公开(公告)号：CN110781933B
公开(公告)日：2022-08-05
申请号：CN201910973555.7
申请日：2019-10-14
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种用于理解图卷积神经网络的可视分析方法，包括如下步骤：步骤一，将输入的图结构数据集划分为训练集、验证集和测试集；步骤二，定义参数集合，包括隐藏层数集合和隐藏神经元数集合；步骤三，基于定义好的所述参数集合，训练得到一系列的图卷积神经网络模型；步骤四，设计隐藏层分析视图，展示隐藏层参数对分类准确率的影响；步骤五，设计损失和准确率视图，展示所述模型迭代训练过程中损失和分类准确率的变化；步骤六，采用GraphTSNE可视化方法计算图中节点的位置，设计图布局视图，呈现在不同训练步数下所述节点的预测情况和两个训练步数间所述节点预测情况的差异。
-
公开(公告)号：CN114374694A
公开(公告)日：2022-04-19
申请号：CN202210020821.6
申请日：2022-01-10
Applicant: 杭州电子科技大学
IPC: H04L67/10 , H04L67/1023 , H04L67/1008 , G06K9/62
Abstract: 本发明涉及一种基于优先级的两阶段任务卸载方法及系统，其方法包括：S1、建模边缘用户设备及任务变量；S2、建模边缘服务器变量；S3、建模基站变量；S4、建模任务卸载变量；S5、建模任务平均完成时间；S6、建模服务器负载均衡；S7、建模服务器收益；S8、建模任务卸载的约束条件；S9、基于任务平均完成时间最小化、服务器负载均衡最小化和服务器收益最大化，确定任务卸载策略。本发明将边缘场景下的任务卸载问题归结为一个多目标优化问题，定义了任务优先级，同时考虑了用户和服务器两端，优化了任务完成时间、服务器负载均衡和服务器收益，得到较优的任务卸载策略。
-
公开(公告)号：CN114185677A
公开(公告)日：2022-03-15
申请号：CN202111523410.0
申请日：2021-12-14
Applicant: 杭州电子科技大学
Abstract: 本申请实施例提供了一种基于多智能体强化学习模型的边缘缓存方法和装置，通过获取当前缓存的多个高等流行度内容和中等流行度内容的信息，信息包括内容标识、第一存储状态和内容的第一流行度，第一流行度表示内容被请求的概率，中等流行度内容可用于与邻近服务器进行合作被邻近服务器获取；通过多智能体强化学习模型对内容标识、第一存储状态和第一流行度进行处理，得到下一时刻缓存的目标内容的目标内容标识和目标存储状态；并对当前缓存的内容进行更新。本申请提供的技术方案提高了终端设备请求的内容在本地服务器和邻近服务器中的命中率，从而减少了终端设备请求内容的时延，有效地提升了用户体验。
-
公开(公告)号：CN114025017A
公开(公告)日：2022-02-08
申请号：CN202111284077.2
申请日：2021-11-01
Applicant: 杭州电子科技大学
IPC: H04L67/568 , H04L67/5682 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于深度循环强化学习的网络边缘缓存方法、装置及设备，在该方法中，通过采集获取当前时隙之前的连续多个时隙的系统状态信息，将多个时隙的系统状态信息输入深度循环神经网络中进行缓存动作选择处理，得到目标缓存动作，根据目标缓存动作执行缓存替换操作。其中深度循环神经网络是预先训练的用于根据多个连续时隙的系统状态信息确定缓存动作的计算模型，本方案中的深度循环神经网络利用多个连续时隙系统状态信息中的内容流行度进行计算，并且在缓存动作选择时考虑到缓存时间和缓存替换时从相邻边缘服务器获取还是从远程云数据中心获取，提高了缓存准确率，降低了缓存超时存储成本和缓存替换成本。
-
公开(公告)号：CN108805335A
公开(公告)日：2018-11-13
申请号：CN201810475790.7
申请日：2018-05-17
Applicant: 杭州电子科技大学
CPC classification number: G06Q10/04 , G06Q10/06315 , G06Q50/30
Abstract: 本发明公开一种公共自行车调度方法，包括，获取子区域内各公共自行车站点的位置信息以及需求量信息；根据所述公共自行车站点的位置信息以及需求量信息采用智能水滴算法对同一子区域内的公共自行车进行调度，得到最优路径；获取本次迭代计算得到的最优解，更新所述最优解所经过的路径上的泥土量；判断所述迭代次数是否大于预先设定值，得到第二判断结果，若第二判断结果表示所述迭代次数大于所述预先设定值，则执行解的优化；直到迭代次数达到预先设定值，当迭代次数达到预先设定值后输出所有迭代中最优的调度方案，进而实现对自行车的精确调度。
-
-
-
-
-
-
-
-
-
Search Results
59
records
(took 0.038 seconds)
