-
Patent Agency Ranking
公开(公告)号：CN119621238A
公开(公告)日：2025-03-14
申请号：CN202411698917.3
申请日：2024-11-26
Applicant: 福州大学
Abstract: 本发明涉及一种面向SEC环境的镜像缓存与资源分配方法，包括：DRL智能体根据所有用户的相关信息，包括SEC节点镜像，任务数据量，任务计算量，任务要求函数类型，生成镜像缓存和任务调度决策；SEC控制器根据任务调度决策，向各个边缘节点下达任务调度的决策，完成任务的调度；边缘节点根据任务调度决策以及队列负载，基于凸优化为现有机器上正在运行的容器分配计算资源并支持其并行运行；边缘节点在完成用户任务后，根据SEC控制器发出的镜像缓存决策，缓存本地对应的镜像；在镜像缓存和资源分配过程中，记录各个时隙的状态、采取的动作、获得的奖励以及转入的新状态，DRL智能体生成相应的镜像缓存和资源分配决策。该方法有利于在保证QoS的同时降低ESP成本。
-
公开(公告)号：CN119364438A
公开(公告)日：2025-01-24
申请号：CN202411631746.2
申请日：2024-11-15
Applicant: 福州大学
Abstract: 本发明提出了基于鲁棒性联邦深度学习的多边缘协作缓存方法，首先，RoCoCache为多维缓存空间设计了一种新颖的划分机制，在用户分类区间内实现了精确的内容推荐。接下来，RoCoCache开发了一种新的离散分类变分自编码器（DC‑VAE），通过克服后验坍塌来准确预测内容的受欢迎程度。最后，RoCoCache创建了一种基于鲁棒联邦深度学习的原始训练模式和主动缓存替换策略。本发明将基于残差的对抗性模型更新检测和基于相似性的联邦聚合相结合，避免了对抗性更新造成的模型破坏，使主动缓存替换能够适应优化后的缓存资源，从而提高了缓存性能。
-
公开(公告)号：CN117202263A
公开(公告)日：2023-12-08
申请号：CN202311286858.4
申请日：2023-10-08
Applicant: 福州大学
Abstract: 本发明提出一种基于联邦深度学习的多边缘协作缓存方法。首先设计了一种新型的多维缓存空间划分机制，对MEC节点的缓存空间进行感知优化，使得用户在分类区间可获得精准的内容推荐。接着，设计了一种基于VQ‑VAE的内容流行度预测算法，解决了后验坍塌问题并提高了区间用户内容流行度预测的准确性。最后，设计了一种基于联邦深度学习的模型训练与缓存替换策略，通过聚合各MEC节点的本地模型以生成全局共享模型，进而更好适应优化后的不同缓存资源配置，提升多边缘协作缓存的命中率。
-
公开(公告)号：CN118972905A
公开(公告)日：2024-11-15
申请号：CN202411005711.8
申请日：2024-07-25
Applicant: 福州大学
IPC: H04W28/14 , G06N3/0455 , G06N3/098 , H04W28/084 , H04W28/08 , H04L67/568 , H04L67/5682 , H04L67/10
Abstract: 本发明提出基于联邦学习的边缘协作缓存方法，所述方法包括用户情景空间划分机制、混合缓存空间划分机制，包括以下步骤；步骤S1、结合用户特征矩阵进行用户区间划分，获得特定MEC节点每个用户区间的缓存空间大小，以提升用户在分类区间获取内容推荐的精准度；步骤S2、使用向量量化变分自编码器对内容流行度进行预测，提升系统对使用偏好进行分析的准确度，提升内容缓存的准确性和针对性；步骤S3、以基于联邦学习的缓存替换策略，根据用户的内容请求情况来及时更新内容资源，提升边缘协作缓存的命中率；本发明能优化用户互动体验，及时响应移动应用。
-
公开(公告)号：CN115509752A
公开(公告)日：2022-12-23
申请号：CN202211200915.8
申请日：2022-09-29
Applicant: 福州大学
Abstract: 本发明涉及一种基于深度回归循环神经网络的边缘预测方法，包括以下步骤：步骤S1:获取历史边缘负载数据，构建数据集；步骤S2:对数据集进行预处理；步骤S3:将边缘服务器的用户作为协变量；步骤S4:将预处理后的数据集和协变量输入预测模型对未来的边缘负载进行预测；步骤S5:基于边缘负载预测结果，协助边缘计算服务制定资源调度方案。本发明实现了可扩展和有效的工作负载预测，有效提高了云计算中的资源调配效率。
-
-
-
-
Search Results
5
records
(took 0.018 seconds)
