-
公开(公告)号：CN109947574A
公开(公告)日：2019-06-28
申请号：CN201910246291.5
申请日：2019-03-29
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于雾计算网络的车辆大数据计算卸载方法。本发明能够为分析车辆大数据提供更高效、更可靠的计算环境。首先提出雾计算网络系统架构，进一步建立网络延迟模型，然后建立任务生成模型，再建立雾计算资源优化模型，最后使用本发明提出的负载均衡的运算资源有效任务卸载算法（Computing Resource-Efficient Task Offloading Algorithm with Load Balancing，CRETOA）来管理雾计算网络负载均衡的计算资源，将道路车辆终端请求运算任务分配给最优雾计算资源。
-
公开(公告)号：CN113645273B
公开(公告)日：2023-07-07
申请号：CN202110761216.X
申请日：2021-07-06
Applicant: 南京邮电大学
Abstract: 本申请涉及一种基于业务优先级的车联网任务卸载。该方法包括：实时接收RSU覆盖范围内的车辆终端通过RSU发送的第一任务卸载请求，第一任务卸载请求为车辆终端进入RSU覆盖范围内时第一次发送的任务卸载请求；根据第一任务卸载请求，为第一任务卸载请求分配权重，确定第一任务卸载请求的任务优先级；根据第一任务卸载请求的任务优先级，确定当前接受的卸载任务，对当前接受的卸载任务进行处理，并向对应的车辆终端进行反馈；根据第一任务卸载请求的任务优先级，根据深度学习网络生成卸载策略，并生成奖励值；向RSU覆盖范围内的车辆终端发送卸载策略，使各车辆终端根据卸载策略通过RSU进行任务卸载的数据传输，提高了计算任务执行成功概率。
-
Patent Agency Ranking
公开(公告)号：CN109995860A
公开(公告)日：2019-07-09
申请号：CN201910246261.4
申请日：2019-03-29
Applicant: 南京邮电大学
Abstract: 一种VANET中基于边缘计算的深度学习任务分配算法，所述分配算法包括离线分配算法和在线分配算法，所述离线分配算法主要针对事先已知一段时间内到来的深度学习任务序列的情况，所述在线分配算法主要针对事先不知道需要处理的深度学习任务序列的情况；该算法根据深度学习任务产生的计算开销，带宽需求来综合考虑确定云服务器分配到边缘服务器中的神经网络的层数，从而更有效地利用边缘服务器的计算资源，提高深度学习任务的处理效率。本发明提出的深度学习任务分配算法最大化边缘服务器中运行的深度学习任务的数量，不仅减少了从车联网终端设备传输到云服务器的网络流量，也减少了因为信息的传输带来的传输时延。
-
-
公开(公告)号：CN109995860B
公开(公告)日：2022-03-04
申请号：CN201910246261.4
申请日：2019-03-29
Applicant: 南京邮电大学
IPC: H04L67/10 , H04L67/60 , G06N3/08 , G06N3/04 , H04L67/1012 , H04L67/101 , H04L67/1008
Abstract: 一种VANET中基于边缘计算的深度学习任务分配算法，所述分配算法包括离线分配算法和在线分配算法，所述离线分配算法主要针对事先已知一段时间内到来的深度学习任务序列的情况，所述在线分配算法主要针对事先不知道需要处理的深度学习任务序列的情况；该算法根据深度学习任务产生的计算开销，带宽需求来综合考虑确定云服务器分配到边缘服务器中的神经网络的层数，从而更有效地利用边缘服务器的计算资源，提高深度学习任务的处理效率。本发明提出的深度学习任务分配算法最大化边缘服务器中运行的深度学习任务的数量，不仅减少了从车联网终端设备传输到云服务器的网络流量，也减少了因为信息的传输带来的传输时延。
-
公开(公告)号：CN113645273A
公开(公告)日：2021-11-12
申请号：CN202110761216.X
申请日：2021-07-06
Applicant: 南京邮电大学
Abstract: 本申请涉及一种基于业务优先级的车联网任务卸载。该方法包括：实时接收RSU覆盖范围内的车辆终端通过RSU发送的第一任务卸载请求，第一任务卸载请求为车辆终端进入RSU覆盖范围内时第一次发送的任务卸载请求；根据第一任务卸载请求，为第一任务卸载请求分配权重，确定第一任务卸载请求的任务优先级；根据第一任务卸载请求的任务优先级，确定当前接受的卸载任务，对当前接受的卸载任务进行处理，并向对应的车辆终端进行反馈；根据第一任务卸载请求的任务优先级，根据深度学习网络生成卸载策略，并生成奖励值；向RSU覆盖范围内的车辆终端发送卸载策略，使各车辆终端根据卸载策略通过RSU进行任务卸载的数据传输，提高了计算任务执行成功概率。
-
公开(公告)号：CN111629218A
公开(公告)日：2020-09-04
申请号：CN202010356468.X
申请日：2020-04-29
Applicant: 南京邮电大学
IPC: H04N21/2183 , H04N21/222 , H04N21/258 , G06N20/00
Abstract: 本发明公开了一种VANET中基于时变线性的加速强化学习边缘缓存方法，首先，构建动态的时变线性预测模型，通过考虑每个文件的动态老化，并根据历史内容请求来预测未来的内容请求；然后，构建文件缓存替换函数，并对该函数进行调整；最后，优化缓存策略函数，通过合成假设样本来增加每个时隙的样本数，以达到Q函数的快速收敛，并相应地替换缓存的内容，最大化总的缓存效益。本发明具有更高的缓存命中率和长期效益；通过线性时变预测模型，可以对车辆请求进行实时预测，同时实时的替换边缘服务器中的缓存文件，保证缓存文件的有效性。
-
-
-
-
-
-
Search Results
7
records
(took 0.02 seconds)
