公开(公告)号：CN119767359A

公开(公告)日：2025-04-04

申请号：CN202411932441.5

申请日：2024-12-26

Applicant: 福州大学

Inventor： 陈哲毅 ,  黄一帆 ,  张俊杰 ,  赖轩

IPC: H04W28/084 ,  H04W28/082 ,  H04W28/08 ,  H04W28/24 ,  H04L67/1095 ,  H04L67/12 ,  H04L67/2885

Abstract: 本发明提供了一种分层多边缘协作无服务计算系统，包括SMEC节点，所述SMEC节点配有异构的边缘服务器，为终端设备提供服务；SMEC节点包含本地边缘节点和数据汇聚节点；本地边缘节点通过蜂窝网络与终端设备连接，并作为其无线接入点，数据汇聚节点接收来自下层节点的无服务请求，并进行处理或转发；SMEC节点之间通过有线网络连接；函数镜像文件保存执行无服务计算任务所需的代码和库文件，通过存储镜像文件将无服务计算服务部署在SMEC节点上，进而根据镜像文件启动具体的函数实例以提供无服务计算服务。应用本技术方案能够根据环境状态，生成合适的任务调度和镜像放置方案，以最大化系统性能。

公开(公告)号：CN119071851A

公开(公告)日：2024-12-03

申请号：CN202411345059.4

申请日：2024-09-25

Applicant: 福州大学

Inventor： 陈哲毅 ,  王鹏飞 ,  张俊杰 ,  郑霖睿

IPC: H04W28/08 ,  H04L67/1014 ,  H04L41/147

Abstract: 本发明涉及一种面向空天地一体化网络的切片划分与协作卸载方法，包括以下步骤：（1）收集ESP历史用户流量，对未来用户流量进行预测，并计算出ESP所需的资源需求，ESP根据该资源需求在每个切片窗口的开始时刻执行网络切片划分；（2）基础设施提供商响应ESP的资源划分请求，为其划分网络切片；（3）用户通过SAGIN接入并上传计算卸载请求至ESP；（4）ESP根据用户接入位置和请求类型，为其分配合适的边缘服务器，并根据任务属性和用户优先级分配通信和计算资源；（5）在协作卸载过程中，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，并根据以上信息，持续优化自身性能。该方法有利于提高系统资源利用效率与任务完成率。

公开(公告)号：CN118939400A

公开(公告)日：2024-11-12

申请号：CN202411005631.2

申请日：2024-07-25

Applicant: 福州大学

Inventor： 陈哲毅 ,  黄思进 ,  陈英杰 ,  吴舒霞

IPC: G06F9/48 ,  G06N3/092 ,  G06N3/0499

Abstract: 本发明提出基于深度强化学习的边缘服务迁移方法，所述方法针对动态多变的边缘系统环境使用统一的服务迁移模型，将长期QoS作为优化目标，并使用迁移、通信和计算方面的延迟进行度量，同时基于深度强化学习DRL框架定义MEC环境下服务迁移问题的状态空间、动作空间和奖励函数，并将上述问题形式化表示为马尔科夫决策过程MDP，同时在基于深度强化学习的边缘服务迁移方法DPSM中采用深度确定性策略梯度训练深度神经网络，以在复杂动态的边缘环境中获取最优迁移策略；本发明用于探索边缘环境下的最优服务迁移策略，该方法通过直接输出迁移决策，以应对庞大的动作空间，并在各种场景下均展现出更加优越的性能。

公开(公告)号：CN114691363A

公开(公告)日：2022-07-01

申请号：CN202210309973.8

申请日：2022-03-28

Applicant: 福州大学

Inventor： 陈哲毅 ,  熊兵 ,  陈礼贤

IPC: G06F9/50 ,  G06N3/04 ,  G06N3/08 ,  G06F17/18 ,  G06F17/16

Abstract: 本发明涉及一种基于深度强化学习的云数据中心自适应高效资源分配方法。首先，采用actor参数化策略（分配资源），并根据critic（评估操作）评估的分数选择操作（调度作业）。然后利用梯度上升更新资源分配策略，利用优势函数减小策略梯度的方差，提高了训练效率;我们使用来自谷歌云数据中心的真实数据进行了广泛的模拟实验。本发明方法与2种先进的基于DRL的云资源分配方法和5种经典的云资源分配方法相比，该方法在延迟和作业丢弃率方面具有更高的服务质量（Quality‑of‑Service，QoS），且能量效率更高。

公开(公告)号：CN119902856A

公开(公告)日：2025-04-29

申请号：CN202411990998.4

申请日：2024-12-31

Applicant: 福州大学

Inventor： 陈哲毅 ,  文佳 ,  池梦莉 ,  吴舒霞 ,  张俊杰

IPC: G06F9/455 ,  G06F9/50 ,  G06F16/16 ,  G06F16/182 ,  G06F16/188 ,  G06N3/126

Abstract: 本发明提出基于多目标优化的大规模Hadoop集群虚拟机放置方法，Hadoop集群的系统模型包含多个机架，每个机架内配置多个物理机PMs，每个物理机上运行着多个虚拟机VMs；Hadoop集群通过交换机进行数据块传输与文件副本复制，从而实现跨机架的数据同步与负载均衡；Hadoop集群的系统模型的优化目标为最小化Hadoop集群的能耗、资源浪费和文件访问延迟的加权之和，优化目标采用的方法使用由虚拟机染色体和块染色体组成的可变长度的染色体结构，该染色体结构用于表述放置虚拟机和数据块副本的位置，染色体结构使用交叉与变异操作，以增强虚拟机放置过程资源配置的解空间探索的多样性；本发明充分考虑Hadoop集群运行过程资源需求的动态变化，能确保Hadoop集群在高负载情况下保持良好性能。

公开(公告)号：CN118784326A

公开(公告)日：2024-10-15

申请号：CN202410978648.X

申请日：2024-07-22

Applicant: 福州大学

Inventor： 程红举 ,  胡启华 ,  陈哲毅 ,  占周文

IPC: H04L9/40 ,  H04L9/32 ,  H04L9/06 ,  H04L67/1095 ,  G06Q40/04

Abstract: 本发明提供一种基于综合信誉和节点分组的改进PBFT共识方法，根据节点的表现评估信誉值，低信誉值的节点被视为异常节点并无法参与共识流程；选择可靠的节点组成区块链的委员会并作为各个小组的代理节点；其他节点作为普通节点被随机分配到各个小组中，每个小组包含一个代理节点和多个普通节点；每个小组内执行组内共识对小组内产生的交易达成共识，委员会使用组内共识的结果生成区块并对区块进行共识；在一定数量的区块完成共识后结束当前周期，如果共识未结束则计算各个节点获得的共识分数并进入下一个周期。

公开(公告)号：CN118075815A

公开(公告)日：2024-05-24

申请号：CN202410057530.3

申请日：2024-01-16

Applicant: 福州大学

Inventor： 陈哲毅 ,  张俊杰 ,  王鹏飞 ,  黄智钦

IPC: H04W28/08 ,  H04W72/50 ,  H04W72/0457 ,  H04W4/40

Abstract: 本发明提出一种基于轻量化深度强化学习的无人机MEC协作卸载系统及方法，包含一个ESP和若干台无人机；每台无人机上配备有不同性能的MEC服务器，可为来自智能应用的任务提供计算资源；在无人机覆盖范围内的用户可通过向ESP支付费用以接入其所提供的计算卸载服务。本技术方案通过利用策略蒸馏与经验回放机制，将多个无人机的策略融合到同一个智能体中，在压缩模型规模的同时保持优越性能。

公开(公告)号：CN115357371A

公开(公告)日：2022-11-18

申请号：CN202210345965.9

申请日：2022-03-31

Applicant: 福州大学

Inventor： 陈哲毅 ,  陈礼贤 ,  熊兵

IPC: G06F9/50

Abstract: 本发明涉及一种基于深度学习的面向高维高可变云工作负载的预测方法，包括以下步骤：步骤S1:获取云数据中心的历史工作负载数据，并进行预处理；步骤S2:基于原始数据集，采用一种集成了改进的稀疏自编码器TSA和门控循环单元GRU的深度学习算法L‑PAW预测处理器未来的工作负载，并将预测结果传输到CSP；步骤S3：CSP根据预测结果来确定资源调配策略，使云数据中心实现负载平衡。本发明实现自适应和有效的工作负载预测，有效提高云计算中的高效资源调配效率。

公开(公告)号：CN103455842A

公开(公告)日：2013-12-18

申请号：CN201310397770.X

申请日：2013-09-04

Applicant: 福州大学

Inventor： 郑相涵 ,  徐凌珊 ,  陈哲毅 ,  郭文忠 ,  陈国龙

IPC: G06N3/00 ,  H04L29/08

Abstract: 本发明涉及一种贝叶斯算法和MapReduce相结合的信任度量方法，包括以下步骤：S01：采用贝叶斯过滤算法对移动终端交互中产生的行为记录进行信任度评估，通过统计训练数据集中的先验概率，利用贝叶斯公式计算出其后验概率，选择最大后验概率作为行为记录的信任度；S02：运用带Dirichlet过程的贝叶斯推理算法对可信记录做概率分布评估，得到对移动终端的可信度预测；S03：采用信息增益算法实现特征值的选取。本发明借助云计算平台在信任度计算与存储过程中具有的高效性、安全性与中立性，保证数据的安全存储与高性能计算。

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。