一种基于图神经网络的跨社交媒体网络的用户对齐方法

    公开(公告)号:CN116681540A

    公开(公告)日:2023-09-01

    申请号:CN202310720755.8

    申请日:2023-06-16

    Abstract: 一种基于图神经网络的跨社交媒体网络的用户对齐方法,包括:获取需对齐的社交媒体网络拓扑图G1、G2;计算G1、G2的节点属性特征:将节点结构特征、输入节点属性和锚链接融合得到属性特征;构建自适应图注意神经网络模型,分别输入G1、G2,并输出各自学习后的节点嵌入向量,该模型根据邻居节点属性特征计算节点的聚合属性特征,然后通过节点属性特征和聚合属性特征确定邻居节点的聚合权重,再根据邻居节点的嵌入向量和聚合权重来更新每个节点嵌入向量;根据G1、G2的节点嵌入向量,计算对齐矩阵,获得两个网络的节点映射关系。本发明涉及计算机领域,能以半监督学习方式通过NA技术解决UIL问题,实现跨社交媒体网络的用户匹配。

    一种自智网络中的多策略冲突规避方法

    公开(公告)号:CN114884821A

    公开(公告)日:2022-08-09

    申请号:CN202210692833.3

    申请日:2022-06-17

    Abstract: 一种自智网络中的多策略冲突规避方法,包括:采集网络状态信息;获取待验证多策略集合;构建包含所有多策略执行顺序的策略排序空间树;对策略排序空间树进行深度优先遍历,提取一条待验证的多策略执行顺序,然后构建一个初始仿真数据平面,将多策略执行顺序中的每条策略按序逐条注入至仿真数据平面中,存储每条策略插入后的仿真数据平面;检测每条策略被执行后生成的仿真数据平面是否存在冲突异常,推理冲突策略顺序中多策略间的依赖关系,对策略排序空间树进行剪枝,以高效挑选避免冲突的多策略执行顺序并下发。本发明属于通信领域,能对多策略下发的网络中间状态异常进行验证,同时根据多策略间的依赖关系高效挑选出避免冲突的正确执行顺序。

    一种基于软件定义网络SDN的数据中心拥塞控制方法及装置

    公开(公告)号:CN108833293B

    公开(公告)日:2021-01-26

    申请号:CN201810636431.5

    申请日:2018-06-20

    Abstract: 本发明实施例提供了一种基于软件定义网络SDN的拥塞控制方法、装置及SDN控制器。该方法包括:获得交换机发送的packet_in消息;确定packet_in消息中包括的数据包;当数据包为用于请求建立TCP连接的握手信息SYN包时,基于SDN控制器所在网络的拓扑结构和链路信息,对网络执行第一拥塞控制处理;当数据包为用于应答断开TCP连接的结束信息FIN包时,基于链路信息,对网络执行第二拥塞控制处理;当数据包为用于请求断开TCP连接的FIN包时,删除数据库中存储的、数据包所对应TCP连接的信息。与现有技术相比,应用本发明实施例提供的方案,SDN控制器可以改善各数据流之间带宽的公平性,并减少高度突发的短流量带来的TCP重传和超时,以实现对数据中心中存在的TCP Incast拥塞的控制。

    一种基于流量识别的网络功能虚拟化智能调度方法

    公开(公告)号:CN110324260A

    公开(公告)日:2019-10-11

    申请号:CN201910543654.1

    申请日:2019-06-21

    Abstract: 一种基于流量识别的网络功能虚拟化智能调度方法,基于置信区域策略优化算法实现,所述方法包括下列操作步骤:(1)对网络数据流进行分类:(2)设置置信区域策略优化算法的状态空间;(3)设置置信区域策略优化算法的动作空间;(4)设置置信区域策略优化算法的奖励函数:(5)设置置信区域策略优化算法的损失函数;(6)在前述步骤的基础上,利用置信区域策略优化算法实现对虚拟网络功能的智能调度。本发明方法,能根据不同流量数据的服务质量需求,实现虚拟网络功能的智能调度,提高了网络利用率和网络服务性能。

    一种用于深度神经网络的通道剪枝方法

    公开(公告)号:CN110210620A

    公开(公告)日:2019-09-06

    申请号:CN201910482122.1

    申请日:2019-06-04

    Abstract: 一种用于深度神经网络的通道剪枝方法,包括下列操作步骤:(1)基于深度神经网络中连续两个网络层的关联关系,根据输出输入通道离散正则化,定义输出输入通道离散正则化项;(2)定义深度神经网络的优化目标函数;(3)用训练数据集合,对所述的深度神经网络进行训练;在训练结束后,所述的深度神经网络的大量冗余通道中的特征被更彻底的挤压到了少量重要通道中,从而获得结构化稀疏的深度神经网络;(4)对步骤(3)所获得的结构化稀疏的深度神经网络,进行循环迭代通道剪枝,获得结构紧密的深度神经网络。

    一种动态优化覆盖网络性能的方法

    公开(公告)号:CN106059947B

    公开(公告)日:2019-05-03

    申请号:CN201610365510.8

    申请日:2016-05-27

    Abstract: 一种动态优化覆盖网络性能的方法,包括下列操作步骤:(1)给物理网络的流量比例矩阵X设定初始值,给每个覆盖网络的流量分配矩阵Y设定初始值;(2)物理网络更新X;(3)每个覆盖网络更新Y;(4)重复执行步骤2和步骤3,直到X和Y达到稳定收敛;或者直到X是全局最优解;(5)每个覆盖网络按照Y进行覆盖网路由;物理网络按照X进行物理网路由;(6)物理网络和覆盖网络按照设定的统一周期重复执行步骤1到步骤5,以实现动态优化覆盖网络性能。本发明的方法优化了覆盖网的网络路由,提高了网络性能和稳定性。

    一种合作优化覆盖网络性能的方法

    公开(公告)号:CN105847144B

    公开(公告)日:2019-01-29

    申请号:CN201610365578.6

    申请日:2016-05-27

    Abstract: 一种合作优化覆盖网络性能的方法,包括下列操作步骤:(1)给每个参与者的联盟策略矩阵Q设定初始值;(2)每个参与者更新其联盟策略矩阵Q;(3)重复执行步骤2,直到每个参与者的联盟策略矩阵Q达到稳定收敛,不再变化;(4)每个参与者按照其当前的联盟策略矩阵Q结成联盟;属于同一联盟内的参与者按照使所在联盟的成本最小化的路由策略进行路由;(5)所有参与者按照设定的统一周期重复执行步骤1到步骤4,以实现合作优化所有参与者性能。本发明的方法优化了覆盖网的网络路由,提高了网络性能和稳定性。

Patent Agency Ranking