-
公开(公告)号：CN116418691A
公开(公告)日：2023-07-11
申请号：CN202310265390.4
申请日：2023-03-13
Applicant: 中国科学院计算技术研究所
IPC: H04L41/147 , H04L41/16 , H04L43/0894 , H04W28/20 , H04W24/06
Abstract: 本发明提出一种基于深度学习的移动网络实时带宽预测方法，包括：从移动网络于历史时段的带宽时间序列中选取序列样本，将该序列样本划分为时序在前的训练样本和时序在后的标签样本，以该训练样本和该标签样本生成训练集，对深度学习网络进行训练，获得带宽预测模型；将该移动网络于当前时段的带宽时间序列进行归一化处理，并以变分模态分解为多个预测分量；将该预测分量输入该带宽预测模型，获得多个分量预测结果，将所有该分量预测结果叠加重构为该移动网络于下一时段的带宽预测结果。本发明还提出一种基于深度学习的移动网络实时带宽预测系统，以及一种用于移动网络实时带宽预测的数据处理装置。
-
公开(公告)号：CN110167031B
公开(公告)日：2021-07-20
申请号：CN201910392835.9
申请日：2019-05-13
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种面向集中式基站的资源分配方法、设备及存储介质。该方法包括获取对基站业务的资源分配请求，资源分配请求中包括基站业务的资源分配需求；计算满足资源分配需求后每个计算节点各自的资源使用信息，根据资源使用信息选择计算节点，资源使用信息用于表征所述计算节点已分配资源的平衡程度；在所选择计算节点中按照资源分配需求为基站业务分配资源。通过预估为基站业务分配资源后计算节点的资源使用信息，根据该资源使用信息选择实际为该基站业务分配资源的计算节点，能够在满足基站业务的资源需求的情况下，兼顾计算节点已分配资源的平衡程度，使得能够实现计算节点资源的高效利用，并且能够满足无线通信领域的实时性要求。
-
公开(公告)号：CN108684075B
公开(公告)日：2020-12-29
申请号：CN201810390427.5
申请日：2018-04-27
Applicant: 中国科学院计算技术研究所
IPC: H04W72/04
Abstract: 本发明提供了一种集中式基站架构下的处理资源分配方法。该方法包括：获取待分配资源的虚拟基站i的计算资源需求量其中，i表示虚拟基站编号，M表示待分配资源的虚拟基站数；获取协议处理资源池中各处理器核的剩余资源量并构建可分配的处理器核集合，表示为其中，j表示处理器核的编号，S表示协议处理资源池中处理器核的总数，表示处理器核j的剩余资源量；从所述可分配的处理器核集合中为所述虚拟基站i分配处理器核，以进行资源处理。本发明以处理器核为资源分配粒度，并结合功耗最小化为目标优化资源分配方案，能够提高资源利用率并降低运行功耗。
-
公开(公告)号：CN114860450B
公开(公告)日：2025-01-24
申请号：CN202210570592.5
申请日：2022-05-24
Applicant: 中国科学院计算技术研究所
IPC: G06F9/50 , G06N3/0442 , G06N3/084
Abstract: 本发明提供一种移动视频卡顿预测模型训练方法，包括：S1、获取已知卡顿情况的具有时序性的多个历史移动视频数据组成数据集；S2、采用步骤S1中获得数据集将所述初始模型按照如下方式训练至收敛：S21、将数据集划分为训练集和测试集；S22、将从历史移动视频数据中获得的训练集中的数据根据自相关性分为多个训练单元；S23、分别采用每个训练单元训练模型至模型预测准确度大于或等于预设准确度阈值或训练达到预设的迭代次数以得到多个单元模型，其中，在用训练单元对LSTM网络进行训练时，利用dropout函数进行修正权重更新；S24、以每个单元模型在测试集上的预测准确度在所有预测准确之和中的占比为其对应权重，将所有单元模型合并以获得最终移动视频卡顿预测模型。
-
公开(公告)号：CN119052237A
公开(公告)日：2024-11-29
申请号：CN202411029937.1
申请日：2024-07-30
Applicant: 中国科学院计算技术研究所
IPC: H04L67/10 , H04L41/0803 , H04L41/082 , H04L67/30
Abstract: 本发明实施例提供一种面向任务协同的分布式节点分组方法，用于对分布式移动边缘网络中的多个节点进行分组，每个节点代表一个提供边缘服务的边缘设备，所述方法应用于每个节点，方法包括：S1、为当前节点构建初始的节点分组表，分组表包括发现的其他节点的资源状态；S2、在当前节点收到任务时，利用最新的节点分组表中其他节点的资源来协同执行该任务，得到任务执行结果；S3、根据任务执行结果更新节点分组表，更新方式包括：周期性更新方式，被配置为：按照更新周期对节点分组表进行更新，其中，更新周期按照任务执行结果的情况进行动态调整；基于任务驱动的更新方式，被配置为：当任务执行结果显示任务执行失败时，即时更新节点分组表。
-
Patent Agency Ranking
公开(公告)号：CN117596301A
公开(公告)日：2024-02-23
申请号：CN202311585332.6
申请日：2023-11-24
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提出一种边云协同计算任务调度方法及装置，该方法包括：获取每一任务的状态信息、以及每一设备的状态信息；将每一任务的状态信息、每一设备的状态信息进行融合，生成一融合信息；将该融合信息输入到策略网络，生成一决策动作，该决策动作用于确定当前时刻是否调度该任务、以及确定将该任务调度到新建执行器或者已有执行器；根据该决策动作，采用多种不同的调度策略进行任务调度。该方法提升系统资源利用率，降低任务完成时间。
-
公开(公告)号：CN110233650B
公开(公告)日：2020-12-29
申请号：CN201910383034.6
申请日：2019-05-09
Applicant: 中国科学院计算技术研究所
IPC: H04B7/0426 , H04W52/14 , H04W52/24
Abstract: 本发明提供一种MIMO‑NOMA系统中功率调整方法。该方法包括：根据下行每RE功率和每个用户的路损，确定每RE上每个用户的下行初始功率；根据接收的每个用户上报的CQI对每个用户的下行初始功率进行调整。本申请的每个用户的下行功率的分配满足用户接收机的解调要求，从而使用户可以将信号解调出来，而且提高了系统的频谱效率，增加了系统的接入容量。
-
公开(公告)号：CN111200831A
公开(公告)日：2020-05-26
申请号：CN202010016995.6
申请日：2020-01-08
Applicant: 中国科学院计算技术研究所
IPC: H04W24/02
Abstract: 本发明公开了一种融合移动边缘计算的蜂窝网络计算卸载方法，通过构建基于卸载任务执行时延和能耗提升率的效用函数，当蜂窝小区中用户有计算任务需要完成时包括下述步骤：根据小区用户的计算任务需求，计算最优发射功率；根据所述最优发射功率，计算所述用户的效用增量；根据所述最大效用增量将用户分为初始本地执行集合与非本地执行集合；非本地执行集合的用户向基站发送卸载请求；基站根据所分配的计算资源计算获得系统效用最大的最终卸载集合；最终卸载集合中的用户将任务发给MEC服务器执行。本发明同时考虑了时延和能耗，能够满足具有不同设备续航能力的用户需求，高电量用户能够获得更低时延，低电量用户能够获得更低能耗，更好地保障了用户体验。
-
公开(公告)号：CN110167031A
公开(公告)日：2019-08-23
申请号：CN201910392835.9
申请日：2019-05-13
Applicant: 中国科学院计算技术研究所
Abstract: 本发明提供一种面向集中式基站的资源分配方法、设备及存储介质。该方法包括获取对基站业务的资源分配请求，资源分配请求中包括基站业务的资源分配需求；计算满足资源分配需求后每个计算节点各自的资源使用信息，根据资源使用信息选择计算节点，资源使用信息用于表征所述计算节点已分配资源的平衡程度；在所选择计算节点中按照资源分配需求为基站业务分配资源。通过预估为基站业务分配资源后计算节点的资源使用信息，根据该资源使用信息选择实际为该基站业务分配资源的计算节点，能够在满足基站业务的资源需求的情况下，兼顾计算节点已分配资源的平衡程度，使得能够实现计算节点资源的高效利用，并且能够满足无线通信领域的实时性要求。
-
公开(公告)号：CN108684075A
公开(公告)日：2018-10-19
申请号：CN201810390427.5
申请日：2018-04-27
Applicant: 中国科学院计算技术研究所
IPC: H04W72/04
Abstract: 本发明提供了一种集中式基站架构下的处理资源分配方法。该方法包括：获取待分配资源的虚拟基站i的计算资源需求量其中，i表示虚拟基站编号，M表示待分配资源的虚拟基站数；获取协议处理资源池中各处理器核的剩余资源量并构建可分配的处理器核集合，表示为其中，j表示处理器核的编号，S表示协议处理资源池中处理器核的总数，表示处理器核j的剩余资源量；从所述可分配的处理器核集合中为所述虚拟基站i分配处理器核，以进行资源处理。本发明以处理器核为资源分配粒度，并结合功耗最小化为目标优化资源分配方案，能够提高资源利用率并降低运行功耗。
-
-
-
-
-
-
-
-
-
Search Results
29
records
(took 0.037 seconds)
