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：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：CN117290112A

公开(公告)日：2023-12-26

申请号：CN202311465925.9

申请日：2023-11-07

Applicant: 福州大学

Inventor： 陈哲毅 ,  钟璐英 ,  吴维峰 ,  陈礼贤 ,  江庆南

IPC: G06F9/50 ,  G06N3/0442 ,  G06N3/08

Abstract: 本发明提出一种基于边缘环境的深度模型负载分布预测方法，由深度自回归循环神经网络构成的边缘负载预测方法（Deep Auto‑regressive Recurrent networks in Edge Load Prediction，DeepAR），该方法可以进行多变量时序数据预测且进行的是概率分布预测。该方法通过学习边缘负载数据的重要表征和复杂的边缘负载模式，从而进行精确的概率分布预测。本发明通过对真实的负载数据进行训练学习，并对比仿真实验对DeepAR方法的准确性进行了分析验证。通过与两种基准方法进行对比实验发现，所提出的DeepAR方法在不同预测长度下都可以取得更好的更稳定的性能指标，有着更好的预测精度。

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

Inventor： 陈哲毅 ,  梁杰 ,  钟璐英 ,  赖轩

IPC: H04W28/14 ,  H04W28/08 ,  H04W24/02 ,  H04L67/10 ,  H04L41/16 ,  G06N3/098

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：CN119202840A

公开(公告)日：2024-12-27

申请号：CN202411345061.1

申请日：2024-09-25

Applicant: 福州大学

Inventor： 陈哲毅 ,  薛龙祥 ,  钟璐英 ,  施晓薇

IPC: G06F18/241 ,  G06F18/10 ,  G06F18/213 ,  G06N3/0455 ,  G06N3/047 ,  G06N3/048

Abstract: 本发明涉及一种基于多尺度聚合Transformer的边缘异常流量检测方法，包括：S1、获取边缘网络流量数据并进行数据预处理和特征提取，得到训练样本集；S2、构建基于多尺度聚合Transformer的边缘异常流量检测模型，其包括输入层、编码层、分类层和输出层；输入层从流量数据中提取特征信息；编码层采用分层结构进行多尺度时序表示，每层的编码模块均由时序表示模块和Transformer编码模块组成，时序表示模块对特征数据切分映射，Transformer编码模块利用多头自注意力机制编码映射向量；编码模块的输出聚合后，通过分类层得到检测结果并通过输出层输出；通过训练样本集训练模型；S3、将训练好的模型应用于边缘系统，协助其检测并过滤异常流量。该方法有利于提高异常流量检测的准确性。

公开(公告)号：CN117221952A

公开(公告)日：2023-12-12

申请号：CN202311287957.4

申请日：2023-10-08

Applicant: 福州大学

Inventor： 陈哲毅 ,  钟璐英 ,  陈辉 ,  熊兵 ,  黄智钦

IPC: H04W28/084 ,  H04W28/24 ,  H04L67/10

Abstract: 本发明提出一种边缘环境下面向时延约束的计算卸载方法，设计了一种统一的计算卸载与资源分配模型针对时延约束条件下的MEC系统，并以降低执行任务的时延和功耗的加权和作为优化的目标。在本发明中，创新了一个预处理任务的优先级机制，基于任务的数据大小和设备的性能，对任务进行优先级排序。此外，还提出了一种基于DDPG的计算卸载与资源分配方法，可以很有效地靠近在动态MEC条件下计算卸载和资源分配。在此模型中，actor网络进行计算卸载与资源配置操作，critic网络评估所进行的计算卸载与资源配置操作的得分。大量实验证明所提出的方法能够实现及时的计算卸载和资源分配决策，在最大时延约束下实现了延迟和能耗之间的最佳权衡。