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：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：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：CN114398109A

公开(公告)日：2022-04-26

申请号：CN202210018928.7

申请日：2022-01-07

Applicant: 福州大学

Inventor： 陈星 ,  陈佳雯 ,  林章颖 ,  张铭豪 ,  陈礼贤

IPC: G06F9/448 ,  G06F16/36 ,  G06K9/62

Abstract: 本发明涉及一种基于通用知识图谱的个性化智能助手构建方法。该方法将通用知识图谱引入到场景建模与开发过程中，通过基于相似度计算的API匹配与推荐以及基于特征匹配的API参数抽取方法，实现用户自然语言指令到API的自动化匹配和执行。

公开(公告)号：CN114398109B

公开(公告)日：2024-12-24

申请号：CN202210018928.7

申请日：2022-01-07

Applicant: 福州大学

Inventor： 陈星 ,  陈佳雯 ,  林章颖 ,  张铭豪 ,  陈礼贤

IPC: G06F9/448 ,  G06F16/36 ,  G06F18/22 ,  G06N5/02

Abstract: 本发明涉及一种基于通用知识图谱的个性化智能助手构建方法。该方法将通用知识图谱引入到场景建模与开发过程中，通过基于相似度计算的API匹配与推荐以及基于特征匹配的API参数抽取方法，实现用户自然语言指令到API的自动化匹配和执行。

公开(公告)号：CN119865435A

公开(公告)日：2025-04-22

申请号：CN202510039223.7

申请日：2025-01-10

Applicant: 福州大学

Inventor： 陈哲毅 ,  江庆南 ,  陈礼贤 ,  张俊杰 ,  赖轩

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

Abstract: 本发明提供了基于个性化联邦深度学习的多边缘协作负载预测方法，包括以下步骤：步骤1：参数服务器选择客户端参加本轮次的联邦聚合，并发送工作请求给客户端；步骤2：被选中的客户端根据当前边缘服务器的状态决定是否参加本轮联邦聚合，并返回接受/拒绝回复给参数服务器；步骤3：参数服务器分发全局模型#imgabs0#和全局控制参数#imgabs1#至参与联邦聚合的客户端；步骤4：客户端对其边缘服务器上的历史负载数据进行预处理，包括数据清洗、重采样、归一化和去噪；本技术方案整合多边缘协作与个性化联邦深度学习，通过解决负载数据高噪声、高可变、数据量不足、模型泛化能力差等关键问题，自适应地实现了对边缘负载的高效精确预测。

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

Inventor： 陈哲毅 ,  梁杰 ,  黄一帆 ,  陈礼贤

IPC: G06F9/50 ,  G06F17/18 ,  G06N3/04 ,  G06N3/08 ,  G06Q10/04

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。