公开(公告)号：CN117610644A

公开(公告)日：2024-02-27

申请号：CN202410077654.8

申请日：2024-01-19

Applicant: 南京邮电大学

Inventor： 郭永安 ,  王国成 ,  王宇翱 ,  李嘉靖

IPC: G06N3/098 ,  G06N3/045 ,  G06F9/50

Abstract: 本发明公开了一种基于区块链的联邦学习优化方法，在基于区块链的联邦学习下，基于深度强化学习的数据卸载控制策略，控制用户设备选择将数据传输到边缘节点进行模型训练或者在本地进行模型更新；基于深度强化学习的数据卸载控制策略包括：定义数据卸载控制策略的状态、动作和奖励函数，利用双重深度Q网络算法选择当前状态下的最优动作；当最优动作为在本地训练模型时，控制用户设备在本地进行模型更新；当最优动作为在边缘节点训练模型时，根据数据卸载上传比例将用户设备的数据传输到边缘节点，在边缘节点进行模型训练。本发明能够增加边缘服务器在整个模型训练过程的比重，加速区块链网络中的联邦学习模型训练过程。

公开(公告)号：CN117294643A

公开(公告)日：2023-12-26

申请号：CN202311575841.0

申请日：2023-11-24

Applicant: 南京邮电大学

Inventor： 郭永安 ,  李金城 ,  崔畅 ,  佘昊 ,  王宇翱

IPC: H04L45/302 ,  H04L45/00 ,  H04L45/02 ,  H04L45/12 ,  H04L45/76 ,  H04L47/6275 ,  G06F18/23213

Abstract: 本发明公开了一种基于SDN架构的网络QoS保障路由方法，根据网络拓扑信息，抽象成有向图，然后基于基于改经的k‑means算法将数据分为老鼠流、大象流、巨象流，定义流量传输的约束条件，构建DQN神经网络，以奖励函数R最大的动作所对应的最大Q值为目标训练DQN神经网络，得到QoS保障路由模型，得到最优路径权重值，根据Dijkstra算法确定数据包发送路径，最后将路径信息下发到交换机。本发明避免了传统K‑means算法对数据的处理不够稳健以及分类结果不够准确的情况。在DQN的神经网络训练时，从经验池中依据数据的优先性抽取数据，使得神经网络更加关注重要的数据，提高了神经网络的学习效率和算法的性能。

公开(公告)号：CN116781418A

公开(公告)日：2023-09-19

申请号：CN202311027822.4

申请日：2023-08-16

Applicant: 南京邮电大学

Inventor： 郭永安 ,  黄浩 ,  佘昊 ,  王宇翱

IPC: H04L9/40 ,  H04L43/0876 ,  H04L43/04 ,  H04L41/16 ,  G06F18/2411 ,  G06F18/2431

Abstract: 本发明公开了一种基于神经网络和SVM的SDN恶意控制器检测方法，包括：利用带内遥测技术获取SDN网络中ONOS控制器数据；从获取的数据中提取特征数据，并形成特征子图；利用注意力机制对特征数据赋予初始权重；利用多分类器SVM对带有初始权重的特征数据进行分类，输出分类结果。本发明的带内网络遥测能够对网络拓扑、网络性能和网络流量实现更细粒度的测量，对恶意控制器的检测提高的准确性；本发明引入注意力机制，为初始样本数据进行权重分配，可以提高检测效率。

公开(公告)号：CN116166444A

公开(公告)日：2023-05-26

申请号：CN202310459836.7

申请日：2023-04-26

Applicant: 南京邮电大学

Inventor： 郭永安 ,  奚城科 ,  周金粮 ,  王宇翱 ,  钱琪杰

IPC: G06F9/50 ,  G06N3/08 ,  G06N5/04

Abstract: 本发明属于端边协同计算领域，公开了一种面向深度学习分层模型的协同推理方法，对深度学习分层模型采取逐层分割的方案，通过边缘计算节点处理速度这一状态信息，只需做一次统一决策，即可为节点匹配计算量合适的不同层推理子任务；还使用网络遥测技术感知节点间网络状态，当出现阻塞问题时即刻对上述整体决策做出相应调整；既降低了决策复杂度，又降低推理时延的同时，同时还提高了边缘节点的资源利用率，保证资源的合理分配。

公开(公告)号：CN115865785A

公开(公告)日：2023-03-28

申请号：CN202310166703.0

申请日：2023-02-27

Applicant: 南京邮电大学

Inventor： 郭永安 ,  董理想 ,  佘昊 ,  王胜蓝 ,  王宇翱

IPC: H04L45/12 ,  H04L45/02 ,  G06F18/23213

Abstract: 本发明公开了一种基于k‑means聚类的VANET分簇路由方法，包括：1、车辆节点集采用k‑means聚类算法通过迭代选出K个聚类中心节点；2、聚类中心发送簇编号给CM，CM更新路由表；3、进行簇头选择，找到簇头CH后更新CH路由表；4、簇内通信；5、簇间通信。本发明通过分簇指数对k‑means算法进行改进，加快算法的收敛速度得到合适的集群数；通过改进的人工蜂群算法中蚁群的迭代搜索获取k个分簇中全局最优的k个簇头，在不同大小车辆节点集的情况下可以得到数量相近的簇头数量，提高簇头的稳定性；在车辆节点集大小不同的情况下可以将车辆节点间的端到端时延降低到5%；数据包到达率提高到96%。

公开(公告)号：CN114640568A

公开(公告)日：2022-06-17

申请号：CN202210536555.2

申请日：2022-05-18

Applicant: 南京邮电大学

Inventor： 郭永安 ,  王宇翱 ,  周金粮 ,  佘昊 ,  钱琪杰

IPC: H04L41/042 ,  H04L41/0803 ,  G06N3/08

Abstract: 本发明公开了基于深度强化学习的网络智能管控架构系统和运行方法，应用于网络内部的管理控制。其中架构系统由数据平面、控制平面以及管理平面组成。运行方法为：数据平面通过网络遥测技术探测网络中的各类数据，控制平面接收数据平面上传数据，通过深度强化学习技术进行在线决策并下发配置指令，数据平面接收指令对网络内设备进行处理。管理平面根据各分布式控制平面上传的网络状态数据进行学习，并将知识共享到各分布式控制平面。本发明基于深度强化学习技术，可实现网络内部的智能管控，有效提高网络内部资源利用率。

公开(公告)号：CN119545435A

公开(公告)日：2025-02-28

申请号：CN202411664799.4

申请日：2024-11-20

Applicant: 南京邮电大学

Inventor： 郭永安 ,  马祥和 ,  王宇翱 ,  房晶晶 ,  周沂

IPC: H04W28/084 ,  H04W28/082 ,  H04W28/08

Abstract: 本发明属于边缘计算技术领域，公开了一种资源感知的智能边缘网关系统及运行方法，智能边缘网关包括用户设备服务与协议转换单元、计算资源感知单元、网关设备服务单元、无线充电单元、设备管理与控制单元、数据存储单元、计算任务卸载决策单元、任务计算单元，通过资源感知技术获得用户设备和网关设备的能源、计算以及传输资源信息，并结合深度强化学习算法，将其应用于系统的卸载决策和资源分配中，通过学习不断优化充电与卸载时间、卸载策略和资源分配，联合多区域的智能边缘网关协同计算，降低计算任务的时延以及用户设备功耗，满足用户需求。

公开(公告)号：CN119183136A

公开(公告)日：2024-12-24

申请号：CN202411702576.2

申请日：2024-11-26

Applicant: 南京邮电大学 ,  科派股份有限公司

Inventor： 许骏驰 ,  周沂 ,  朱远鹏 ,  王宇翱 ,  佘昊

IPC: H04W24/02 ,  H04W28/084 ,  H04W28/08 ,  H04W28/14 ,  G06N3/092

Abstract: 本发明公开了数字孪生辅助边缘网络资源分配优化方法，属于边缘计算技术领域；包括为：建立数字孪生辅助边缘网络的资源分配系统；确定卸载模式下计算任务所需传输时延及能耗；构建多智能深度强化学习模型；对多智能深度强化学习模型进行训练，利用训练好的训练多智能深度强化学习模型，实现资源分配策略。本发明通过建立服务缓存模块和任务卸载模块，实现任务处理时延和能耗的最小化；分别考虑MEC服务器和用户终端设备的状态空间，提升任务卸载成功率,显著降低了任务处理时延及能耗，进一步提高任务卸载和资源分配的准确性。

公开(公告)号：CN118095446B

公开(公告)日：2024-07-02

申请号：CN202410509575.X

申请日：2024-04-26

Applicant: 南京邮电大学

Inventor： 步琪慧 ,  齐帅 ,  王宇翱 ,  郭永安

IPC: G06N5/04 ,  G06F9/50

Abstract: 本发明属于边缘计算技术领域，公开了一种面向多优先级任务的自适应协同推理加速方法，当推理任务进入到边缘服务器处的排队等待队列时根据当前队列状态做出是否反悔上传到云的决策，若反悔则从原始的边端协同调整为端云协同，最终实现高效的协同推理加速过程，该自适应协同推理加速方法通过自适应协同推理加速系统实现，该系统包括多个终端设备、多个边缘服务器以及一个云服务器。本发明通过在边缘服务器设计基于任务优先级的非抢占式优先排队模型，保证在优先处理较高优先级任务的同时，较低优先级任务也能在时延容忍时间内完成处理，充分利用边缘服务器有限计算资源，使云服务器资源得到合理规划以保证较高的服务质量，获得最大收益。

公开(公告)号：CN117834643B

公开(公告)日：2024-05-03

申请号：CN202410246171.6

申请日：2024-03-05

Applicant: 南京邮电大学

Inventor： 郭永安 ,  奚城科 ,  王宇翱 ,  周金粮 ,  钱琪杰

IPC: H04L67/1023 ,  H04L67/12 ,  H04L41/142 ,  H04L41/16 ,  G06N3/0442 ,  G06N3/092 ,  G06N3/082 ,  G06N5/04

Abstract: 本发明属于工业物联网和深度神经网络技术领域，公开了一种面向工业物联网的深度神经网络协同推理方法，其用DQN算法和LSTM算法，对工业物联网的推理任务进行高效的动态卸载，其中LSTM算法拥有对长期状态的记忆能力，能够更准确的估计当前服务器和用户设备的当前状态，从而保证了算法的准确性，提高了推理效率。本发明所述的方法能够更加高效地利用边缘服务器的计算能力，提高深度神经网络推理的效率；同时，可以降低推理任务的延迟、减少能耗，并可以根据环境的变化动态选择最优的推理方法。