-
公开(公告)号：CN115545198A
公开(公告)日：2022-12-30
申请号：CN202211488786.7
申请日：2022-11-25
Applicant: 成都信息工程大学
Abstract: 本发明涉及边缘智能技术领域，公开了一种基于深度学习模型的边缘智能协同推断方法及系统，通过获取巡检设备和边缘设备的参数信息以及所述巡检设备采集的监控图像数据的处理需求分别构建适用于巡检设备和边缘设备的简单模型和复杂分支模型；简单模型较复杂分支模型的网络层数和神经元个数更少，神经网络计算会明显减少任务推断时间和自身消耗的能耗；巡检设备端输出结果置信度值判定器以输出结果的置信度最大值作为依据判断监控图像数据是否需要传输到边缘设备端进行处理，从而保证深度学习模型结果准确率的同时，最大程度的利用巡检设备、边缘设备的计算和存储能力，以及降低系统在单边执行任务时的所带来的高时延和高能耗。
-
Patent Agency Ranking
公开(公告)号：CN119767358A
公开(公告)日：2025-04-04
申请号：CN202510024281.2
申请日：2025-01-07
Applicant: 成都信息工程大学
Abstract: 本发明属于车联网技术领域，具体涉及一种车辆边缘计算预测性任务卸载方法、系统和存储介质。本发明的数字孪生辅助车辆边缘计算预测性任务卸载方法包括如下步骤：感知域内所有任务卸载需求；从边缘车辆收到可用计算资源状态，并将其转发给数字孪生模块；通过数字孪生模块进行参数模拟，通过参数模拟结果及实际资源存量判断雾节点是否接受所述任务卸载需求，得到任务卸载决策；对被接受的任务卸载决策，边缘车辆将任务卸载到雾节点进行任务执行，之后将输出结果发送回边缘车辆。本发明还提供了实现上述方法的系统。本发明能够减少任务完成延迟、提升雾节点资源分配均衡性、适应虚实误差和提高VEC系统计算率，具有很好的应用前景。
-
公开(公告)号：CN119135590B
公开(公告)日：2025-01-24
申请号：CN202411619725.9
申请日：2024-11-13
Applicant: 成都信息工程大学
IPC: H04L45/03 , H04L45/28 , H04L45/247 , H04L45/745 , H04L45/76 , H04L49/111 , H04L49/60
Abstract: 本发明属于边缘计算技术领域，具体涉及一种软件定义边缘计算网络拓扑重构方法、系统和存储介质。本发明的方法的步骤主要包括：构造LLDP帧和信息绑定表；计算骨干交换机集合；构造LLDP报文；构造高、中、低三种优先级的流表；将构造好的流表安装到相应的交换机中；下发LLDP数据包到骨干交换机上；交换机完成对应LLDP数据包的转发处理；网络控制器接收并进行解析LLDP帧；更新端口的链路信息表和信息绑定表。本发明在保证实现SD‑ECN网络拓扑重构中解析链路容量和节点间的连接关系功能的同时，有效减少网络中数据包的数量和控制器的负载，提供对原生OFDP模式的有效兼容，具有很好的应用前景。
-
公开(公告)号：CN119135590A
公开(公告)日：2024-12-13
申请号：CN202411619725.9
申请日：2024-11-13
Applicant: 成都信息工程大学
IPC: H04L45/03 , H04L45/28 , H04L45/247 , H04L45/745 , H04L45/76 , H04L49/111 , H04L49/60
Abstract: 本发明属于边缘计算技术领域，具体涉及一种软件定义边缘计算网络拓扑重构方法、系统和存储介质。本发明的方法的步骤主要包括：构造LLDP帧和信息绑定表；计算骨干交换机集合；构造LLDP报文；构造高、中、低三种优先级的流表；将构造好的流表安装到相应的交换机中；下发LLDP数据包到骨干交换机上；交换机完成对应LLDP数据包的转发处理；网络控制器接收并进行解析LLDP帧；更新端口的链路信息表和信息绑定表。本发明在保证实现SD‑ECN网络拓扑重构中解析链路容量和节点间的连接关系功能的同时，有效减少网络中数据包的数量和控制器的负载，提供对原生OFDP模式的有效兼容，具有很好的应用前景。
-
公开(公告)号：CN116939710A
公开(公告)日：2023-10-24
申请号：CN202310889922.1
申请日：2023-07-19
Applicant: 成都信息工程大学
IPC: H04W28/08 , H04W28/084 , H04W84/06 , G06F18/23213 , H04L67/10
Abstract: 本发明涉及移动边缘计算技术领域，公开了基于用户公平性的无人机群基于用户公平性的无人机群辅助计算卸载方法及相关设备，所述方法包括步骤：获取若干个用户端和若干个无人机的模型构建信息；根据用户端模型构建信息和无人机模型构建信息构建优化数学模型；将优化数学模型转化为线性系统优化模型；将非凸多元优化问题模型通过两阶段联合优化算法为解耦如下五个子问题模型：无人机水平部署优化模型、用户匹配优化模型、无人机高度部署优化模型、计算资源分配优化模型和卸载因子优化模型；根据所述五个子问题模型的迭代求解结果数据调整无人机的部署位置并将目标计算任务卸载至对应的无人机边缘服务器MEC。本发明能够在最小化系统总时延的同时，保证用户公平性。
-
公开(公告)号：CN115545198B
公开(公告)日：2023-05-26
申请号：CN202211488786.7
申请日：2022-11-25
Applicant: 成都信息工程大学
Abstract: 本发明涉及边缘智能技术领域，公开了一种基于深度学习模型的边缘智能协同推断方法及系统，通过获取巡检设备和边缘设备的参数信息以及所述巡检设备采集的监控图像数据的处理需求分别构建适用于巡检设备和边缘设备的简单模型和复杂分支模型；简单模型较复杂分支模型的网络层数和神经元个数更少，神经网络计算会明显减少任务推断时间和自身消耗的能耗；巡检设备端输出结果置信度值判定器以输出结果的置信度最大值作为依据判断监控图像数据是否需要传输到边缘设备端进行处理，从而保证深度学习模型结果准确率的同时，最大程度的利用巡检设备、边缘设备的计算和存储能力，以及降低系统在单边执行任务时的所带来的高时延和高能耗。
-
-
-
-
-
Search Results
6
records
(took 0.024 seconds)
