公开(公告)号：CN119202839A

公开(公告)日：2024-12-27

申请号：CN202411345060.7

申请日：2024-09-25

Applicant: 福州大学

Inventor： 陈哲毅 ,  薛龙祥 ,  钟璐英 ,  卢恬英

IPC: G06F18/241 ,  G06F18/2433 ,  G06F18/22 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/044 ,  G06N3/0442 ,  G06N3/098 ,  G06N3/048

Abstract: 本发明涉及一种基于全局‑个性化协作联邦学习的边缘异常检测方法，包括：边缘服务器生成全局模型后，下放全局模型；客户端根据全局模型初始化本地模型；在客户端使用条件计算组件将流量特征转换为全局和个性化特征向量；客户端在全局类别嵌入模块中引入对比和量级损失并根据样本类别的嵌入来指导全局特征向量的学习，并使用交叉熵损失指导个性化特征向量的学习；客户端通过计算交叉熵损失和总体损失更新梯度的余弦相似度来判断是否执行损失替换，进而加速模型的训练；客户端完成本地训练后上传模型的更新给边缘服务器；边缘服务器进行全局聚合，并更新全局模型；重复上述步骤，直到异常检测模型收敛。该方法有利于提高边缘异常检测精度和效率。

公开(公告)号：CN118916742A

公开(公告)日：2024-11-08

申请号：CN202411002341.2

申请日：2024-07-25

Applicant: 福州大学

Inventor： 陈哲毅 ,  钟璐英 ,  詹恒杰 ,  卢恬英 ,  施晓薇

IPC: G06F18/24 ,  G06N3/042 ,  G06N3/084

Abstract: 本发明提供一种边缘环境下基于图神经网络的鲁棒性分类方法，在分类任务中，每一层图神经网络中，重复通过消息传递机制将节点和边的信息进行聚合和更新的过程直到最后一层；对于每个节点，使用邻居节点和边的信息计算新的节点特征；每次消息传递步骤之前，依据Drop Message随机选择部分节点、边或消息进行丢弃；具体步骤如下：节点丢弃：随机选择一定比例的节点，将其特征向量置零；边丢弃：随机选择一定比例的边，将其连接关系临时移除；消息丢弃：在消息传递过程中，随机丢弃部分消息传递路径，以降低过拟合风险。

公开(公告)号：CN119892661A

公开(公告)日：2025-04-25

申请号：CN202510039429.X

申请日：2025-01-10

Applicant: 福州大学

Inventor： 陈哲毅 ,  江庆南 ,  施晓薇 ,  卢恬英 ,  钟璐英

IPC: H04L41/147 ,  H04L41/16 ,  H04L67/12

Abstract: 本发明提供了多边缘系统中基于个性化联邦图学习Transformer的时空负载预测方法，包括以下步骤：步骤1：构建多变量序列反转Transformer作为边缘节点的负载预测模型；步骤2：设计PFG，通过超网络和图神经网络GNN为每个边缘节点生成个性化模型参数和空间特征；更新参数并将其传送至FL服务器以计算预测模型的参数变化，FL服务器按照客户端返回的参数更新全局模型的其余参数、超网络参数和节点特征向量；步骤3：结合MIT与PFG进而形成PFGformer，为每个边缘节点生成个性化的负载进行预测。本技术方案使用编码块与多层感知处理预测任务，摒弃了繁杂的解码块，其提升了预测精度也缩减了模型参数量。

公开(公告)号：CN119071235A

公开(公告)日：2024-12-03

申请号：CN202411067400.4

申请日：2024-08-06

Applicant: 福州大学

Inventor： 陈哲毅 ,  江庆南 ,  吴骏文 ,  卢恬英 ,  施晓薇

IPC: H04L47/127 ,  H04L47/125

Abstract: 本发明涉及一种基于多变量时空反转Transformer的边缘负载预测方法，属于边缘负载预测领域。该方法通过序列反转将负载序列重新排序，从而保持输入序列多变量的独立性，避免维度混淆。同时，模型通过边缘节点的位置信息学习不同节点的空间特征，能够在不引入额外神经网络的情况下快速学习复杂的空间依赖。此外，该方法利用Transformer的自注意力机制捕捉多变量间的相关性，并利用前馈神经网络来学习时间序列的全局特征表示。此外，设计了一种新型的静态特征融合方法，允许预测模型选择当前最合适的静态特征进行融合。本发明能够合理地利用跨领域的静态特征，不受冗余静态特征的干扰，同时显著提高了模型在多变量维度下的训练速度。