一种基于分片技术的区块链可扩展性问题解决方法

    公开(公告)号:CN113114496A

    公开(公告)日:2021-07-13

    申请号:CN202110365654.4

    申请日:2021-04-06

    Abstract: 本发明公开了一种基于分片技术的区块链可扩展性问题解决方法,包括:建立区块链分片系统模型,设计共识节点的随机分片过程,各分片依据PBFT共识协议对片中的交易在节点间达成一致性。通过详细分析各分片中的节点在共识过程中的计算资源和消耗,从而给出基于能耗考虑的系统交易吞吐量优化策略。仿真结果表明,本发明的技术方法与单链区块链系统相比,交易吞吐量明显提高,且随着网络规模的增加而增加。

    一种基于区块链技术的物联网数据真实性分布式验证的方法

    公开(公告)号:CN111400403B

    公开(公告)日:2021-04-23

    申请号:CN202010178610.6

    申请日:2020-03-14

    Abstract: 一种基于区块链技术的物联网数据真实性分布式验证的方法,针对数据真实性问题。区块链与物联网的结合使物联网的系统中可以拥有区块链里的一些特点,如数据不可篡改、去中心化、以共识机制作为信任系统等。但现如今两者结合起来仍有一些数据安全方面的问题,虽然数据在链上已经不可篡改,但是入链的数据无法从源头验证。本方法针对物联网与区块链结合时的数据源安全问题,设计了相应的共识机制与系统架构,并加入分布式验证的结构以及智能合约的部署,着重从系统架构和共识方面解决相关的问题。本方法使得系统数据的真实性得到很大提升。

    一种基于组间协作的蜂窝异构缓存方法

    公开(公告)号:CN108322352B

    公开(公告)日:2021-01-08

    申请号:CN201810222651.3

    申请日:2018-03-19

    Abstract: 本发明公开一种蜂窝异构网络下的基于组间协作的缓存方法,包括蜂窝异构网络系统模型的建立、公式化能量性能指标并生成待优化的问题,以及利用模拟退火算法解优化问题。本发明阐述了所提出的基于组间协作的蜂窝异构网络缓存策略的详细过程,对各基站缓存文见的机制进行了规定与分析。采用本发明技术方案,在蜂窝异构网络的场景下,合理建立网络系统模型,并制定相应的缓存策略,使得网络能量消耗下降。

    一种基于区块链技术的物联网数据真实性分布式验证的方法

    公开(公告)号:CN111400403A

    公开(公告)日:2020-07-10

    申请号:CN202010178610.6

    申请日:2020-03-14

    Abstract: 一种基于区块链技术的物联网数据真实性分布式验证的方法,针对数据真实性问题。区块链与物联网的结合使物联网的系统中可以拥有区块链里的一些特点,如数据不可篡改、去中心化、以共识机制作为信任系统等。但现如今两者结合起来仍有一些数据安全方面的问题,虽然数据在链上已经不可篡改,但是入链的数据无法从源头验证。本方法针对物联网与区块链结合时的数据源安全问题,设计了相应的共识机制与系统架构,并加入分布式验证的结构以及智能合约的部署,着重从系统架构和共识方面解决相关的问题。本方法使得系统数据的真实性得到很大提升。

    一种基于自回归滑动平均模型和极限学习机的组合网络流量预测方法

    公开(公告)号:CN110677297A

    公开(公告)日:2020-01-10

    申请号:CN201910934741.X

    申请日:2019-09-29

    Inventor: 张延华 杨思成

    Abstract: 本发明公开一种基于自回归滑动平均模型和极限学习机的网络流量预测方法该方法分为数据处理、机器学习、流量预测、结果对比四个主要步骤,利用小波变换对网络流量时间序列原始数据进行预处理,然后利用自回归滑动平均模型和改进的极限学习机对分解的网络流量时间序列进行建模和预测,最后检测评估模型效果。本发明用于解决以往模型所存在的问题,改善预测结果的准确性。

    MIMO系统下行链路中联合用户选择和功率分配优化方法

    公开(公告)号:CN106793108B

    公开(公告)日:2019-12-03

    申请号:CN201611028418.9

    申请日:2016-11-18

    Abstract: 本发明提供一种MIMO系统下行链路中联合用户选择和功率分配优化方法,包括:将功率均匀分配给所有组中的波束;对于每条波束都计算相对于每个用户的信干噪比(SINR);选择能使该波束信干噪比最大的用户作为该波束的通信用户,根据用户选择结果,利用拉格朗日乘子法对分配到和波束上的功率进行优化,至此,一次用户选择和功率优化迭代结束,然后根据得到的功率分配结果继续迭代地选择用户和优化功率,直到系统合率达到收敛。采用本发明的技术方案,可以达到更好的系统吞吐量。

    基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法

    公开(公告)号:CN110351754A

    公开(公告)日:2019-10-18

    申请号:CN201910633257.3

    申请日:2019-07-15

    Abstract: 本发明公开了基于Q-learning的工业互联网机器设备用户数据计算卸载决策方法,通过构造小区内用户计算卸载的网络模型、时延模型、能耗模型和经济开销模型,并根据小区内用户数,设置Q-learning模型中的环境状态、卸载动作和奖励函数,从而依据Q-learning迭代学习后所获得的Q表执行卸载动作,获得最优的卸载策略,完成小区内用户计算任务的分配处理。本发明克服了传统数据计算卸载系统无法应对复杂多变的网络环境和服务器状态以及局限于对单一开销优化等问题。仿真实验表明,本发明提出的基于Q-learning的工业互联网设备用户数据计算卸载决策方法在减少用户总体和局部计算卸载开销方面具有一定的优势。

Patent Agency Ranking