-
公开(公告)号：CN102063591A
公开(公告)日：2011-05-18
申请号：CN201110003058.8
申请日：2011-01-07
Applicant: 北京工业大学
IPC: G06F21/00
Abstract: 基于可信平台的平台配置寄存器参考值的更新方法涉及信息安全领域。可信平台控制模块的PCR参考值是评判平台可信度的依据。本发明提供了三种更新PCR参考值的方法。方法1：生成的PCR参考值是根据当前系统的状态生成的一组PCR内容，系统的可信依据建立在管理员认定此时系统是可信的，并以此状态作为评定系统将来可信的标准。方法2：生成的PCR参考值是由可信平台控制模块连接的外部可信实体对所述可信平台的当前系统所有待度量数据进行度量得到的。方法3：对所述可信平台进行默认PCR参考值的恢复。此方式避免了在可信平台控制模块芯片中占用单独的空间存储默认PCR参考值，节约了芯片的存储单元和成本，并保证了数据在传输过程中的安全性和完整性。
-
公开(公告)号：CN119988000A
公开(公告)日：2025-05-13
申请号：CN202411956936.1
申请日：2024-12-29
Applicant: 北京工业大学
IPC: G06F9/50
Abstract: 本发明设计一种CPU‑GPU异构片上网络架构下基于流量类型的虚拟通道分区策略。在NoC架构下，针对请求流量和回复流量在传输路径中表现出的不同特性，将虚拟通道按流量类型划分为请求流量分区和回复流量分区，缓解因高负载情况导致的流量拥塞和资源争用问题。同时采用差异化路由策略，分别为请求流量和回复流量设计独立的传输路径，缓解局部热点现象。此外，针对流量比重不均衡的情况，通过改变虚拟通道不同分区的比例来寻求最优分区策略，使其更加适配当前的网络流量模式，进一步提升系统性能。
-
公开(公告)号：CN119473128A
公开(公告)日：2025-02-18
申请号：CN202411346118.X
申请日：2024-09-25
Applicant: 北京工业大学
IPC: G06F3/06 , G06F16/957
Abstract: 本发明提供一种低开销、准确的基于学习的Web缓存驱逐策略属于机器学习技术领域。Web缓存可以有效地减少请求延迟和网络流量，驱逐策略是其核心。现有技术大多都是为了降低丢失率。然而机器学习的使用大幅度提升了缓存策略的计算开销，这严重限制了在生产环境中的部署。为了平衡丢失率和计算开销，本发明能够在实现低计算开销的同时，在几乎所有的数据集中实现了最低的对象丢失率和字节丢失率。首先，3L‑Cache通过减少不必要的训练更新造成的计算资源浪费，在不影响精度的情况下动态调整训练频率；然后，提出了一种驱逐方法。该方法通过双向采样策略、驱逐预测比率生成器和低开销管理，显著降低预测开销同时实现准确的对象驱逐。
-
公开(公告)号：CN118509030A
公开(公告)日：2024-08-16
申请号：CN202410649154.7
申请日：2024-05-24
Applicant: 北京工业大学
IPC: H04B7/185 , H04W72/512 , H04W84/06
Abstract: 面向异构卫星网络资源优化分配的轻量化容器管理方法涉及卫星通信技术领域。本发明利用卫星异构网络聚合终端连接多种网络，通过实时侦测当前接入的每个网络的状态，包括带宽、时延、误码率等信息，计算出每个网络的分包比例，选择多个网络进行数据传输，以减少传输时延并提高通信速度。
-
公开(公告)号：CN117591181A
公开(公告)日：2024-02-23
申请号：CN202311367044.3
申请日：2023-10-20
Applicant: 北京工业大学
IPC: G06F9/38 , G06N3/0464 , G06N3/082
Abstract: 本发明公开一种面向高性能的智能分支预测方法,属于计算机体系分支预测领域。本发明利用基于CNN的模型对分支指令进行预测，通过将注意力机制SE模块和切片结构与CNN相互融合，注意力机制SE模块使模型有能力判断哪个通道所代表的特征更加重要，切片结构考虑不同分支历史长度的问题，将不同历史长度的信息输入不同的切片中，经过训练，在全链接层中考虑哪个切片的预测准确率更高。通过对分支历史信息进行编码后输入到模型中，模型通过训练学习到分支特征，可以对分支进行预测，提高分支预测准确率。
-
Patent Agency Ranking
公开(公告)号：CN117591180A
公开(公告)日：2024-02-23
申请号：CN202311367042.4
申请日：2023-10-20
Applicant: 北京工业大学
IPC: G06F9/38 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种基于CNN的智能在线分支预测方法，属于计算机体系分支预测领域。本发明设计卷积神经网络(Convolutional Neural Network，CNN)分支预测模型，并且与目前最先进的TAEG_SC_L分支预测方法结合起来，将分支指令分为复杂分支与简单分支，对于复杂分支，使用CNN模型提取分支特征，根据大量的数据训练，识别历史中相关分支，加大相关分支特征对预测结果的影响，降低噪声对预测结果的影响；对于简单分支采用TAEG_SC_L分支预测算法。引入两个CNN模型，一个用于预测，一个用于训练，在训练时间段内不影响CNN预测模型的正常工作，由此达到在线训练的目的，提高分支预测准确率。
-
公开(公告)号：CN117519961A
公开(公告)日：2024-02-06
申请号：CN202310743300.8
申请日：2023-06-21
Applicant: 北京工业大学
Abstract: 基于数据‑微服务关系图的天地一体边缘服务自适应部署方法属于遥感卫星领域。实际操作中，由于遥感卫星传输的带宽有限，每日卫星产生的海量数据中，实际只有10％左右能被传送到数据中心，数据的传输时间长，数据处理和存储效率慢的问题，亟待解决。为了更好地复用卫星有限的计算资源，加快数据处理和存储的速度，本发明在东数西算的基础上，提出了地数天算的概念，通过构建数据中心、遥感卫星、天算卫星、大数据一体化的新型算力网络体系，将遥感卫星数据处理所需的算力需求部分从地面有序引导到天上，促进天地协同联动。也就是说，让天上的算力资源更好地支持地面的算力资源，从而加快遥感卫星数据的处理效率。
-
公开(公告)号：CN113626104B
公开(公告)日：2023-12-15
申请号：CN202110947345.8
申请日：2021-08-18
Applicant: 北京工业大学
Abstract: 本发明涉及一种边云架构下基于深度强化学习的多目标优化卸载策略，用于解决现有技术所存在的终端设备计算能力有限的问题，进而提高系统整体处理任务的效率。首先确定边云架构，然后根据边云架构建立系统模型、通信模型和计算模型；进一步建立联合优化模型。根据联合优化模型，结合深度强化学习算法的优点，采用深度确定性策略梯度DDPG算法求解最优的卸载策略，其中，DDPG算法的使用需要根据系统模型、计算模型和联合优化模型构建一个深度强化学习模型，模型包括四个部分，状态单元，动作单元，奖惩制和Q值函数。DDPG算法在优化深度强化学习模型得到最优卸载策略的同时，减少了系统执行任务的整体开销。
-
公开(公告)号：CN116390162A
公开(公告)日：2023-07-04
申请号：CN202310302794.6
申请日：2023-03-23
Applicant: 北京工业大学
IPC: H04W28/08 , H04W28/084 , H04W28/086 , H04W28/26 , H04L41/16 , H04L67/10
Abstract: 本发明提供了一种基于深度强化学习的移动边缘计算动态服务部署方法。本发明在学习过程中引入迁移冲突解决机制，以维持用户的服务性能。具体来说，不仅要对网络状态进行预测，根据用户轨迹计算每个时隙，每个边缘节点所连接的用户，还要按照用户请求和所在边缘节点上的服务，确定哪些节点为拥挤节点，为拥挤节点进行资源预留，并检测是否会产生冲突。为了实现这一目标，首先，确定边缘计算的网络架构，之后建立系统模型和服务质量(QoS)模型，并将要解决的问题进行公式化。本发明研究了在物理资源和运营成本约束下，以最小化用户总开销为目标的时延和成本联合优化问题，同时考虑保障突发性聚集下多服务请求能够及时响应。
-
公开(公告)号：CN110413392B
公开(公告)日：2022-11-29
申请号：CN201910675567.1
申请日：2019-07-25
Applicant: 北京工业大学
Abstract: 本发明提出了一种移动边缘计算场景下制定单任务迁移策略的方法，解决移动边缘的场景下，采用整体迁移方案带来的丧失交互能力，增加基站带宽压力的问题。具体实现步骤如下：首先，将需要进行迁移计算的任务分割为具有相互依赖关系的不同子任务，且保证每个子任务都可以单独进行计算处理，同时确定图中不可以迁移子任务节点位置。其次，按照各个子任务间的依赖关系生成一张带权有向无环图，图中的每个节点代表数据的计算量，每条边代表不同组件之间数据的通信量。然后使用蚁群算法迭代计算出每个可迁移子任务具体执行位置，即确认迁移至边缘计算服务器还是在本地完成运算。最终得到以降低移动设备能耗为目的，基于蚁群算法的单任务迁移策略的次优解。
-
-
-
-
-
-
-
-
-
Search Results
88
records
(took 0.025 seconds)
