内嵌数据处理单元的算力网络多域资源调度方法、系统、设备及存储介质

    公开(公告)号:CN118260071A

    公开(公告)日:2024-06-28

    申请号:CN202410271096.9

    申请日:2024-03-11

    Abstract: 本发明提供一种内嵌数据处理单元的算力网络多域资源调度方法、系统、设备及存储介质,该方法包括:向集中式Critic控制器发送至少一个域内经验;域内经验包括第一状态数据、调度动作数据、奖励数据以及第二状态数据;第一状态数据为表征执行调度动作前域内算力资源状态的数据;调度动作数据为表征调度动作的数据;奖励数据为调度动作对应的奖励函数值;第二状态数据为表征在第一状态数据对应的算力资源状态下执行调度动作后域内算力资源状态的数据;接收集中式Critic控制器发送的策略更新信息;基于策略更新信息对本地策略网络进行更新得到更新后的本地策略网络;基于更新后的本地策略网络对当前任务进行算力调度。本发明能提高算力网络的调度效率。

    基于分层联邦学习的数据共享系统

    公开(公告)号:CN118656202A

    公开(公告)日:2024-09-17

    申请号:CN202410611581.6

    申请日:2024-05-16

    Abstract: 本发明提供一种基于分层联邦学习的数据共享系统,该基于分层联邦学习的数据共享系统包括:云服务器,多个云侧边缘设备和多个路侧边缘设备;多个路侧边缘设备分布于多个边缘区域中,每个边缘区域中包括至少一个路侧边缘设备,云侧边缘设备至少对应一个边缘区域。在每个全局迭代轮次中,针对各云侧边缘设备,云侧边缘设备用于向对应的边缘区域中的路侧边缘设备下发各边缘迭代轮次分别对应的边缘模型参数,并将最后一个边缘迭代轮次对应的边缘聚合梯度上传至云服务器。本发明技术方案能够减小通信开销,并且能够确保模型参数同步的稳定性。

    基于联邦迁移学习的网络流量预测方法和装置

    公开(公告)号:CN118612091A

    公开(公告)日:2024-09-06

    申请号:CN202410700552.7

    申请日:2024-05-31

    Abstract: 本发明提供一种基于联邦迁移学习的网络流量预测方法和装置,方法包括:获取目标域的网络流量数据;将目标域的网络流量数据输入至网络流量预测模型中,得到目标域下一时刻的目标网络流量;其中,网络流量预测模型为基于多个域的多个局部模型进行动态权重聚合得到,每个局部模型均包括特征提取模块、生成对抗模块和预测模块;特征提取模块用于提取网络流量数据中的时序特征和空间特征;生成对抗模块用于生成自适应分布的特征,并基于时序特征、空间特征和自适应分布的特征与特征提取模块作对抗训练;预测模块用于基于时序特征和空间特征预测得到对应域下一时刻的网络流量。通过本发明提供的方法,实现目标域网络流量的预测。

Patent Agency Ranking