-
公开(公告)号：CN111612373A
公开(公告)日：2020-09-01
申请号：CN202010475736.X
申请日：2020-05-29
Applicant: 杭州电子科技大学
IPC: G06Q10/06 , H04L29/08 , H04J3/06 , G06F16/215 , G06F9/455
Abstract: 本发明公开了一种公有云系统性能一致性调整方法。本发明首先建立基于线性回归模型的云系统性能评价指标，用于计算不同测试场景下云系统的性能和判断云服务提供商是否提供一致的性能；其次检查云平台配置的完整性，消除由于硬件配置和软件配置不一致所带来的性能误差；然后使用网络时间协议(NTP)来同步网络中各个虚拟机的时间。最后清除宿主机和虚拟机的处理器缓存，消除由于不同缓存命中率所带来的误差。通过本发明可以消除影响云系统性能的不确定因素，使得云系统可以为租户提供从一而终的性能，显著提高的云租户的服务体验，同时降低了云平台的投诉率保证了云平台的信誉。
-
公开(公告)号：CN109445935A
公开(公告)日：2019-03-08
申请号：CN201811177798.1
申请日：2018-10-10
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种云计算环境下一种高性能的大数据分析系统自适应配置方法。本发明应用深度神经网络模型来自适应配置云环境下大数据分析系统的资源。通过识别大数据分析系统的任务负载特征和平台性能特性，动态自适应的对大数据分析系统进行资源配置和管理。本发明不仅可以满足大数据分析系统对资源的性能要求，自适应的配置系统，实现系统性能随着负载规模自动扩展，提高服务质量，而且可以降低资源使用，节省系统的运行成本。
-
公开(公告)号：CN109271015A
公开(公告)日：2019-01-25
申请号：CN201811177821.7
申请日：2018-10-10
Applicant: 杭州电子科技大学
IPC: G06F1/329 , G06F1/3287 , G06F1/3206 , G06F9/50
Abstract: 本发明公开了一种降低大规模分布式机器学习系统能耗的方法。本发明通过分类器对分布式机器学习系统的负载进行分类识别、状态预测，并通过减少分布式参数服务器间的通信加速任务运行来降低整个分布式机器学习系统的能耗。本发明的方法包含两部分：机器学习负载预测与类型识别方法、分布式机器学习节点间参数“懒同步”机制。本发明通过只将显著更新传递到远程数据中心来减少广域网通信的参数同步机制可以有效减少系统等待时长，加快机器学习收敛速率。对机器学习负载的预测和类型的判别有助于提高工作机的利用率，避免大量工作机开启后处于闲置状态。以上方法缩短了机器学习任务的执行时间，提高了工作机利用率，大大降低了系统能耗。
-
公开(公告)号：CN106528633A
公开(公告)日：2017-03-22
申请号：CN201610884840.8
申请日：2016-10-11
Applicant: 杭州电子科技大学
IPC: G06F17/30
CPC classification number: G06F16/738 , G06F16/7867
Abstract: 本发明公开了一种基于关键字推荐的视频社会关注度提高方法。本发明采用语义相关性和深度学习的方法，推荐视频的关键字，提高视频的社会关注度。方法基于关键词之间的语义相关性以及对视频内容的深度学习，首先根据用户的初始关键词寻找与初始关键词语义最相关的若干语义关键词；然后利用深度学习分析视频内容挖掘出实体关键词；最后按照一定的标准排序这两部分关键字，推荐给用户最相关的关键词。本发明推荐的关键词兼顾了关键词与视频内容的相关度以及吸引社会关注度的潜力，提高了视频的社会关注度，是一种既高效又实用的视频关键字推荐方法。本发明可以用于在线社会化媒体分析，数据挖掘以及视频标签推荐领域。
-
公开(公告)号：CN104915151A
公开(公告)日：2015-09-16
申请号：CN201510296348.4
申请日：2015-06-02
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种虚拟化系统主动共享的内存超量分配方法。目前的虚拟化系统为了满足客户虚拟机的峰值性能，对内存常采用过量分配策略，易造成低负载下内存资源的浪费。本发明方法包含三部分的内容：基于平铺记录法和差量链表记录法的客户虚拟机内存页面标记方法、基于虚拟通道的主动内存共享方法和基于上述两个方法的多虚拟机内存超量分配方法。通过本发明提供的虚拟化系统主动共享的内存超量分配方法，可以在系统内存高度竞争的情况下有效缓解系统资源的竞争程度，显著提高整个多租户云计算环境下客户虚拟机系统的性能和服务质量。
-
Patent Agency Ranking
公开(公告)号：CN103220183A
公开(公告)日：2013-07-24
申请号：CN201310159892.5
申请日：2013-05-02
Applicant: 杭州电子科技大学
IPC: H04L12/24 , H04L12/861 , H04L1/22
Abstract: 本发明涉及一种基于双主机热备份的Hadoop高可用性系统实现方法。本发明包括引入JobTracker备份节点，实时收集并解析JobTracker主节点的作业状态，实现与JobTracker主节点的作业状态同步备份；JobTracker主节点与备份节点共享一个虚拟IP地址；当JobTracker主节点发生故障时，JobTracker备份节点即时恢复所有的作业状态，并接管原JobTracker主节点的所有服务，角色切换成为新的JobTracker主节点。保证所有服务无间断运行。本发明可以应用在Hadoop系统中，用于增强Hadoop系统的可用性。
-
公开(公告)号：CN103139300A
公开(公告)日：2013-06-05
申请号：CN201310046540.9
申请日：2013-02-05
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于重复数据删除的虚拟机镜像管理的优化方法。其具体为：上传虚拟机镜像时，客户端采用固定大小分块方法将镜像文件分为若干数据块，数据块和本地文件系统的簇大小一致，再计算数据块的MD5值，使用Socket编程技术，将指纹发送至服务端，服务端进行指纹查找，将结果返回给客户端，客户端根据结果判定是否发送数据块，以节约网络资源；在服务端查找指纹时，使用指纹过滤器与指纹存储器减少内存使用量和磁盘访问量；在保存数据块时，数据块直接存入一个完整的簇，免除镜像恢复和切分的重复性工作。本发明实现了在线重复数据删除的核心态文件系统，减少磁盘存储量，降低网络消耗。
-
公开(公告)号：CN119558378A
公开(公告)日：2025-03-04
申请号：CN202411698245.6
申请日：2024-11-26
Applicant: 杭州电子科技大学
IPC: G06N3/092 , G06N3/042 , G06N3/045 , G06N3/0464
Abstract: 本发明公开了一种基于双重图曼巴网络和策略梯度优化的自动并行方法，该方法首先获取公开的AI模型数据集，对其中每个计算图G进行算子融合，获取特征矩阵X。其次构建包含图曼巴分支和解耦图神经网络分支的双重图曼巴网络，将特征矩阵X分别两个分支中得到特征表示XM与XD。然后将XM与XD求平均，输入到LSTM网络进行特征融合，得到双重图曼巴网络的特征表示#imgabs0#最后将特征表示#imgabs1#输入到强化学习迭代求解模块中，通过不断迭代和优化中间奖励值，获得最优的并行策略。本发明增强了图嵌入表达能力，有效解决了设备放置问题中传统策略梯度算法新旧策略变化差异过大导致的不准确性和稳定性问题。
-
公开(公告)号：CN119202554A
公开(公告)日：2024-12-27
申请号：CN202411226311.X
申请日：2024-09-03
Applicant: 杭州电子科技大学
IPC: G06F18/15 , G06F18/214 , G06F18/21 , G06N3/045 , G06N3/0464 , G06N3/096 , G06F123/02
Abstract: 本发明公开了一种基于自蒸馏的多元时间序列缺失值插补方法，该方法首先采用卷积神经网络和池化操作，提取多元时间序列数据样本的特征向量，并获取对应的缺失掩码矩阵，采用特征向量补充缺失掩码矩阵中的缺失值，得到特征向量#imgabs0#其次拼接#imgabs1#和缺失掩码矩阵，利用多头自注意力机制进行插补，通过归一化得到完整数据。然后基于完整数据，利用全连接层对插补数据进行修正，并结合缺失掩码矩阵与多元时间序列数据样本进行运算，得到插补数据。最后将特征向量#imgabs2#完整数据、插补数据分别使用三个不同的全连接层进行处理，通过自蒸馏指导反向训练。本发明能够提高网络模型的插补精度，提高时间序列数据的质量。
-
公开(公告)号：CN113822173B
公开(公告)日：2024-11-26
申请号：CN202111019973.6
申请日：2021-09-01
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种基于节点归并和路径预测的行人属性识别训练加速方法。本发明运用基于启发式的图搜索算法来计算在短时间内消耗较少计算资源的最优并行化策略，从而实现大规模复杂神经网络模型并行策略自动搜索和调优。本发明首先构建多维性能代价模型以指导并行策略自动搜索和调优，解决现有方法评估并行效率单一的问题。其次构建图搜索空间，将DNN模型的算子放置及调度问题转化为DAG调度问题，然后通过异构算力感知节点归并来减少算子间的等待依赖时间，最后在设备选择时，基于路径预测优化关键路径，从而进一步提升并行性能。
-
-
-
-
-
-
-
-
-
Search Results
237
records
(took 0.057 seconds)
