-
公开(公告)号：CN109508433A
公开(公告)日：2019-03-22
申请号：CN201811131690.9
申请日：2018-09-27
Applicant: 上海交通大学
IPC: G06F16/958 , G06Q40/04 , G06Q40/06
Abstract: 本发明提供了一种基于匹配算法性能调整的负载波动应对方法，接收传入的事件，将事件存放在输入队列中；从输入队列接收事件，进行匹配处理，根据订阅执行选择性事件过滤，得到与事件相匹配的订阅列表，将事件发送至输出队列；接收输出队列输出的事件，并将事件传输至匹配订阅列表的各个消费端；根据工作负载的变化调整匹配算法的运行性能，忽略订阅的属性中包含的谓词，将匹配算法的匹配精度由精确匹配转换成近似匹配，调整匹配的误判率，使得匹配速度和匹配精度相平衡。根据负载的变化情况实现快速的匹配算法性能调整，保证事件分发时延的稳定，从而实现快速的负载波动应对策略。
-
公开(公告)号：CN109495541A
公开(公告)日：2019-03-19
申请号：CN201811197185.4
申请日：2018-10-15
Applicant: 上海交通大学
IPC: H04L29/08
Abstract: 本发明提供了一种基于跨数据中心的云服务工作流调度方法，包括：步骤1，候选路径搜索步骤；步骤2，获取预部署方案步骤；步骤3，确定冲突节点部署方案步骤；步骤4：结合预部署方案和冲突节点部署方案，确定最终部署方案。本发明的调度方法根据云服务工作流的特性，考虑了工作流的六种基本结构，通过挖掘工作流结构特征，来进行启发式调度，具有较低的时间复杂度和较短的工作流执行时间。
-
公开(公告)号：CN107479944A
公开(公告)日：2017-12-15
申请号：CN201710597298.2
申请日：2017-07-20
Applicant: 上海交通大学
CPC classification number: G06F9/45533 , G06F9/45558 , G06F9/505 , G06F2009/45583
Abstract: 本发明提供了一种混合云模式下的虚拟机内存自适应热迁移调度方法及系统，包括：构建脏页率预测模型来预测源虚拟机内存在迭代拷贝后的当前脏页率；对源虚拟机内存进行一次迭代拷贝，通过当前脏页率与当前脏页率阈值的比较，决定执行继续迭代拷贝步骤还是执行停机拷贝和按需拷贝；对源虚拟机内存进行继续迭代拷贝，根据继续迭代拷贝的次数，或者根据当前脏页率与当前脏页率阈值的比较，决定是否进入停机拷贝；其中，当前脏页率阈值等于源虚拟机内存中所有应用的当前脏页率的平均值。本发明能够有效地减小整体迁移时间，大大的降低了总内存数据迁移量；同时，针对不同应用场景下的自适应虚拟机资源调度。
-
公开(公告)号：CN106403908A
公开(公告)日：2017-02-15
申请号：CN201610768591.6
申请日：2016-08-29
Applicant: 上海交通大学
IPC: G01C13/00
Abstract: 本发明提供了一种基于时间序列的水深预测方法和系统，首先得将多次测量的水深点通过合适的方法映射到同一个位置上，再进行之后的计算。根据同一位置上不同时期的测量值，我们就可以应用时间序列中的加权平均法以及机器学习的梯度下降来对该位置上未来的水深值进行预测。本发明解决了水深测量单位提供的多次测量数据之间位置不重叠的问题。通过测量点之间的距离关系将测量点映射到同一位置进行后续计算，并通过时间序列方法给出未来水深简单而有效的预测。
-
公开(公告)号：CN119597460A
公开(公告)日：2025-03-11
申请号：CN202411635187.2
申请日：2024-11-15
Applicant: 上海交通大学
Abstract: 本发明提供了一种GPU需求预测方法及Spot GPU库存预测方法，包括：步骤S1：采集GPU用量的历史序列，分解GPU用量的历史序列为分量序列；步骤S2：基于输入业务信息和时间信息，提取业务特征与时间特征；步骤S3：基于所述分量序列、业务特征与时间特征，预测周期项序列和趋势项序列，进而相加所述周期项序列和趋势项序列，得到GPU需求的均值；步骤S4：预测GPU需求的标准差，并且根据所述GPU需求的均值，得出未来GPU需求的分布。本发明引入概念漂移检测和兜底算法模块，能够及时有效地防范单一时序预测算法在大规模集群中GPU用量预测场景可能出现的概念漂移现象。
-
Patent Agency Ranking
公开(公告)号：CN119515498A
公开(公告)日：2025-02-25
申请号：CN202411559997.4
申请日：2024-11-04
Applicant: 上海交通大学
IPC: G06Q30/0601 , G06N3/04 , G06N3/08 , G06F18/25 , G06F18/22
Abstract: 本发明提供了一种基于单品兼容性的多模态个性化服装推荐方法和系统，包括：步骤1：使用多头自注意力机制对服装和用户分别进行建模表示；步骤2：利用历史数据中已有的单品搭配，结合不同类型单品的位置编码，完成用户和不同类型单品之间匹配度的建模；步骤3：基于用户与多个单品的交互历史，利用用户‑单品交互图进行协同位置编码，从而增强对用户行为特征的表示，并将位置编码与用户对应的兴趣组的模态特征相结合，完成对用户偏好度的建模，结合用户和单品之间的协同信息进行多样化的推荐。本发明通过引入单品特征的学习，提供了更加个性化和灵活的推荐策略，以满足用户对服装搭配的多样化需求。
-
公开(公告)号：CN118464033A
公开(公告)日：2024-08-09
申请号：CN202410698949.7
申请日：2024-05-31
Applicant: 上海交通大学
Abstract: 本发明提供了一种面向自动驾驶基于轨迹关键点识别的地图匹配方法及系统，包括：步骤S1：通过将观测点到参考路径距离和连续关键点数量与预设定阈值对比，确定是否是关键点；步骤S2：在基于规则算法基础上，通过在历史轨迹数据上训练，学习关键点的空间特征模式；步骤S3：在选出新关键点后更新参考路径和推断路径。本发明相比与其它模型，关键点选择算法能够自动过滤轨迹中的高噪声点，有效保证算法不受信号干扰等因素带来的噪声干扰。
-
公开(公告)号：CN118093184A
公开(公告)日：2024-05-28
申请号：CN202410242291.9
申请日：2024-03-04
Applicant: 上海交通大学
Abstract: 本发明公开了一种面向大规模集群的异构感知微服务资源标准化方法及系统，包括：步骤S1：根据收集的工作负载与资源轨迹，计算资源效率评估指标；步骤S2：构建CPU用量模式，量化CPU用量模式相对于基准机型的资源效率差异；步骤S3：根据资源效率差异将真实资源轨迹数据标准化为标准CPU用量；步骤S4：进行弹性伸缩，当需要横向增加容器数量时，新增容器的CPU配额为标准化CPU配额，若相应容器调度至机型的服务器上，计算实际的容器CPU配额，并通过调度系统分配相应的CPU配额。本发明适用于高度动态工作负载场景下微服务资源效率差异的有效量化。
-
公开(公告)号：CN117951463A
公开(公告)日：2024-04-30
申请号：CN202410138575.3
申请日：2024-01-31
Applicant: 上海交通大学
IPC: G06F18/15 , G06N3/045 , G06N3/084 , G06N3/088 , G06F123/02
Abstract: 本发明提供了一种不完整时间序列修补方法及系统，涉及时间序列分析技术领域，包括：步骤S1：设计不完整序列表示机制；对输入的不完整序列缺失位置用初值填充，学习不完整序列中的依赖关系；步骤S2：构建迭代重构框架，验证所学依赖关系的正确性；步骤S3：依据依赖关系通过迭代重建完整序列；其中，第二次重建的输入是第一次的输出。本发明能够提高时间序列修补的准确性。
-
公开(公告)号：CN117828445A
公开(公告)日：2024-04-05
申请号：CN202410016134.6
申请日：2024-01-04
Applicant: 上海交通大学
IPC: G06F18/241 , G06N3/126 , G06N3/086
Abstract: 本发明提供了一种基于集成学习的数据包分类并行方法及系统，包括：步骤S1：建立规则搜索成本模型，量化算法的不同实例之间的互补性；步骤S2：使用遗传算法生成算法的不同实例的最佳组合方案，在找到满足要求的算法实例后，构建算法实例库；步骤S3：构建数据包分类预测模型，从构建成的算法实例库中选择合适的算法实例完成数据包分类操作。本发明首先敏锐地观察到现存的数据包分类方法存在的最坏情况及其产生的原因，并在集成学习的启发之下，挖掘算法的不同实例之间存在的互补性以优化性能。
-
-
-
-
-
-
-
-
-
Search Results
127
records
(took 0.048 seconds)
