-
Patent Agency Ranking
公开(公告)号：CN114650228A
公开(公告)日：2022-06-21
申请号：CN202210274109.9
申请日：2022-03-18
Applicant: 南京邮电大学
IPC: H04L41/14 , H04L41/0823 , H04L67/10
Abstract: 本发明公开了一种异构网络中基于计算卸载的联邦学习调度方法，首先宏基站利用用户本地的数据训练机器学习模型，用户可以将这些数据卸载到小基站附近的边缘服务器进行计算；然后综合考虑了联邦学习的精度，以及运算和通信中产生的能耗和时延，建立了优化问题，并分成了对本地学习精度和卸载决策，用户计算频率，用户资源块分配进行优化这三个子问题。通过仿真，本发明分析了在不同参数条件下所取得的效果。仿真结果表明，本发明提出的方法可以有效降低训练过程中的开销。
-
公开(公告)号：CN114650228B
公开(公告)日：2023-07-25
申请号：CN202210274109.9
申请日：2022-03-18
Applicant: 南京邮电大学
IPC: H04L41/14 , H04L41/0823 , H04L67/10
Abstract: 本发明公开了一种异构网络中基于计算卸载的联邦学习调度方法，首先宏基站利用用户本地的数据训练机器学习模型，用户可以将这些数据卸载到小基站附近的边缘服务器进行计算；然后综合考虑了联邦学习的精度，以及运算和通信中产生的能耗和时延，建立了优化问题，并分成了对本地学习精度和卸载决策，用户计算频率，用户资源块分配进行优化这三个子问题。通过仿真，本发明分析了在不同参数条件下所取得的效果。仿真结果表明，本发明提出的方法可以有效降低训练过程中的开销。
-
公开(公告)号：CN111669775B
公开(公告)日：2022-07-29
申请号：CN202010417039.9
申请日：2020-05-18
Applicant: 南京邮电大学
Abstract: 本发明公开了一种异构网络下基于支持向量机的资源分配方法，包括如下步骤：获得已经进行过网络流量卸载区域的用户及其网络状态数据；将获得的用户和网络状态数据整理后作为数据集，且将数据集分为训练集和测试集；将训练集中每个数据的参数作为初始支持向量机模型输入向量，网络状态数据作为每个数据的标记值，训练优化支持向量机模型的参数；获得当前异构网络下蜂窝网络用户的相关参数，将其作为训练后支持向量机模型的输入向量，得到输出值用以判断是否需要卸载。本发明把更多的计算资源放在生成数据集和训练上，降低了做出决策的延迟时间，对异构网络中蜂窝网络用户的状态判断是否执行卸载，以达到异构网络整体用户满意度最大化。
-
公开(公告)号：CN114339891A
公开(公告)日：2022-04-12
申请号：CN202111422264.2
申请日：2021-11-26
Applicant: 南京邮电大学
Abstract: 本发明公开了一种基于Q学习的边缘卸载资源分配方法，所述方法包括：获取MEC系统当前环境的参数以及系统中的用户参数；采用预设的分配方法计算得到使得用户移动设备整体能耗最小时的最优资源分配策略，作为最优的资源分配方案；预设的分配方法包括：初始化卸载策略集合Π、状态空间S和动作空间A；以保证用户计算任务完成时间为条件，以用户移动设备整体能耗最小为目标，对预先构建的Q函数进行迭代优化，得到与用户完成计算任务时间同步的状态空间及其对应的最优动作；根据状态空间及其对应的最优动作计算得到用户移动设备整体能耗最小时的最优资源分配策略。本发明能够在保证用户计算任务完成时间的基础上，最小化用户移动设备整体能耗。
-
公开(公告)号：CN111669775A
公开(公告)日：2020-09-15
申请号：CN202010417039.9
申请日：2020-05-18
Applicant: 南京邮电大学
Abstract: 本发明公开了一种异构网络下基于支持向量机的资源分配方法，包括如下步骤：获得已经进行过网络流量卸载区域的用户及其网络状态数据；将获得的用户和网络状态数据整理后作为数据集，且将数据集分为训练集和测试集；将训练集中每个数据的参数作为初始支持向量机模型输入向量，网络状态数据作为每个数据的标记值，训练优化支持向量机模型的参数；获得当前异构网络下蜂窝网络用户的相关参数，将其作为训练后支持向量机模型的输入向量，得到输出值用以判断是否需要卸载。本发明把更多的计算资源放在生成数据集和训练上，降低了做出决策的延迟时间，对异构网络中蜂窝网络用户的状态判断是否执行卸载，以达到异构网络整体用户满意度最大化。
-
-
-
-
Search Results
5
records
(took 0.022 seconds)
