-
公开(公告)号：CN117596246A
公开(公告)日：2024-02-23
申请号：CN202410043836.3
申请日：2024-01-12
IPC分类号： H04L67/101 , H04L67/1012 , H04L67/1008 , H04L67/60
摘要： 本发明提供了一种基于异构资源度量特征的算力网络工作流调度方法及系统，其属于算力网络资源调度技术领域，所述方案在细粒度资源描述度量基础上，综合考虑任务、算力、网络以及数据等资源状况，通过调度跨域数据中心资源协作，有效提升了任务处理速度，提高资源利用率；所述方案可根据任务多样化的需求，制定需求与资源高度契合的调度策略，可以更加准确地匹配任务与资源，选择最适合的数据中心来执行任务；所述方案中，工作流中的子任务通过合理分配资源，缩短了任务的执行过程，提高了工作流执行效率；同时，所述方案针对多个数据中心负载情况，避免部分数据中心过载而导致任务延迟或一些数据中心空闲造成资源浪费的情况。
-
公开(公告)号：CN116527274B
公开(公告)日：2024-02-06
申请号：CN202310534559.1
申请日：2023-05-10
IPC分类号： H04L9/32
摘要： 本发明涉及数字签名技术领域，公开了基于多标量乘快速计算的椭圆曲线验签方法及系统；其中方法包括：椭圆曲线数字签名步骤和椭圆曲线签名验签步骤；椭圆曲线数字签名步骤和椭圆曲线签名验签步骤中的多标量乘计算过程包括：获取椭圆曲线上基点P、点Q以及基点P的三倍点仿射坐标3P，对获取的数据进行预计算处理得到参数表；对标量系数K和标量系数L进行处理得到系数表；对参数表和系数表进行逐位计算，对逐位计算结果进行坐标还原处理得到多标量乘结果。通过对数字签名算法中遇到的多标量乘运算进行优化，大大降低了数字签名和数字验签过程的时间复杂度，提升数字签名的运算速度，提升系统的整体性能，提升用户体验。
-
公开(公告)号：CN115357783B
公开(公告)日：2023-06-06
申请号：CN202210918943.7
申请日：2022-08-01
申请人： 山东省计算中心(国家超级计算济南中心) , 山东省人工智能研究院 , 齐鲁工业大学
IPC分类号： G06F16/9535 , G06F16/958 , G06F16/335 , G06F40/289 , G06F40/30
摘要： 一种基于结构化多兴趣协同的企业服务快讯推荐方法，通过附加选择器以增强快讯的特征，有效增强了最终的企业服务快讯表示；本发明提出的用户兴趣表示学习方法通过构建用户兴趣结构无向图，利用图注意力网络可以一种显示的方式结构化编码用户的多种潜在兴趣，这可以提取更加精确的用户兴趣表示；本发明提出的用户兴趣表示学习方法充分考虑了用户多种潜在兴趣之间的相互作用，利用自注意力网络模拟兴趣之间的作用关系有效增强了用户兴趣表示；本发明得益于良好的企业服务快讯表示学习方法和用户兴趣表示学习方法，有效提高了企业服务快讯推荐的准确性。
-
公开(公告)号：CN115879569B
公开(公告)日：2023-05-23
申请号：CN202310214205.9
申请日：2023-03-08
IPC分类号： G06N20/00 , G06F18/25 , G16Y40/10 , G06N3/0455 , G06N3/084
摘要： 本发明提出了一种IoT观测数据的在线学习方法及系统，涉及数据处理技术领域，根据获取的初始时序观测数据，初始化在线深度学习模型；实时获取传感器生成的时序观测数据，根据时序观测数据形成输入数据流；在线深度学习模型处理输入数据流，生成最终预测结果；在处理输入数据流的过程中，对输入数据流进行即时学习，实时动态更新在线深度学习模型；即时学习，是基于数据流的均值和方差，学习数据分布，构造准正态分布，重构新的样本，实现变分注意力网络，基于分布差异、重构差异和推理差异，进行模型的动态调整；本发明学习不同隐藏层之间的隐藏信息，提高模型推理的准确性，同时通过在线学习，对不同隐藏层间的参数进行动态调整。
-
公开(公告)号：CN115357805A
公开(公告)日：2022-11-18
申请号：CN202210920144.3
申请日：2022-08-02
申请人： 山东省计算中心(国家超级计算济南中心) , 山东省人工智能研究院 , 齐鲁工业大学
IPC分类号： G06F16/9536 , G06N3/04 , G06N3/08
摘要： 一种基于内外部视角的群组推荐方法，基于外部视角，将群组与餐厅和用户与餐厅的交互看作两个独立的过程，利用图卷积分别学习这两种交互行为中隐含的偏好信息，使模型学习到用户作为个体时的个人偏好以及群组作为整体时的固定偏好。基于内部视角，将群组决策过程中成员之间存在的互动商讨过程考虑在内，采用图注意力神经网络学习此过程中产生的成员间的相互影响，使模型能够准确捕捉受影响后的成员偏好变化。基于内部视角，不同成员在群组中的作用与影响力不同，导致在群组决策中的贡献度不同，采用注意力机制学习成员贡献度大小，能够以一种动态的方式学习聚合策略，更好的权衡不同成员的偏好，解决偏好冲突问题。
-
公开(公告)号：CN115357785A
公开(公告)日：2022-11-18
申请号：CN202210936398.4
申请日：2022-08-05
申请人： 山东省计算中心(国家超级计算济南中心) , 山东省人工智能研究院 , 齐鲁工业大学
IPC分类号： G06F16/9535 , G06F16/958 , G06F16/335 , G06F40/289 , G06F40/30
摘要： 一种基于语义交互和局部激活的企业资讯推荐方法，通过SIN企业资讯编码器可以在标题和内容之间进行单词级语义交互，缓解了独立编码标题和内容时的语义偏差，有效增强了企业资讯表示。通过LAU用户编码器更加符合用户的真实的行为习惯，可以分区域处理用户点击历史，以细粒度的方式有效捕获用户的各种潜在兴趣。提出的LAU用户编码器可以利用候选企业资讯激活相关的关键性潜在兴趣，并结合注意力机制使其保留到了最终交互阶段，这有效增强了用户兴趣表示；上述三点的成功使得我们的方法有效提高了企业资讯推荐的准确性。
-
公开(公告)号：CN114513530B
公开(公告)日：2022-08-19
申请号：CN202210407398.5
申请日：2022-04-19
申请人： 山东省计算中心(国家超级计算济南中心)
IPC分类号： H04L67/1097 , H04L67/568 , G06F3/06
摘要： 本发明属于记录载体的处理领域，提供了一种跨域存储空间双向供给方法和系统。该方法包括，位于至少两个域的应用、节点集群和存储系统，所述节点集群向上对接应用、向下对接存储系统，根据不同域中存储系统内用户的存储空间，构建存储池；依据配置信息关联的存储池，构建连接节点集群的分布式存储集群系统；其中，配置信息包括访问存储系统所需的认证信息、连接地址、适配信息、北向接口和开发包；针对不同应用的访问请求，依据所述访问请求，以使所述应用通过节点集群访问分布式存储集群系统中的存储池。本发明可实现不同存储系统间的存储空间资源双向共享，可满足不同计算环境对不同的存储系统访问和数据处理。
-
公开(公告)号：CN114387190B
公开(公告)日：2022-08-16
申请号：CN202210285072.X
申请日：2022-03-23
申请人： 山东省计算中心(国家超级计算济南中心)
摘要： 本发明涉及数字图像处理技术领域，提供了一种基于复杂环境下的自适应图像增强方法及系统，包括采集原始水下图像并进行预处理；利用RGB直方图统计预处理后的水下图像的RGB通道信息数据集；基于RGB通道信息数据集，利用训练好的水下图像退化分类模型得到不同退化程度的图像样本；基于不同退化程度的图像样本，利用训练好的不同退化程度的水下修复网络进行修复，得到修复后的水下图像；本发明相较于现有的方法能够更好的解决在不同时间节点出现的不同退化情况，由于针对不同退化程度调用不同修复模型，所以本发明对于水下退化图像的修复效果更好更自然。
-
公开(公告)号：CN114741572A
公开(公告)日：2022-07-12
申请号：CN202210364463.0
申请日：2022-04-08
申请人： 山东省人工智能研究院 , 山东省计算中心(国家超级计算济南中心) , 齐鲁工业大学
IPC分类号： G06F16/9035 , G06F16/9038 , G06F16/906
摘要： 一种基于图卷积神经网络群组发现的群组推荐方法，根据电影主题类别将用户—电影交互数据划分为数据子集，使用各数据子集构建用户—电影交互图，通过图卷积网络从交互图中学习用户/电影嵌入表示，然后利用Kmeans算法进行群组发现，通过均值融合策略，将群组成员嵌入表示融合为群组嵌入表示，最后将群组嵌入表示与电影嵌入表示进行内积得到群组对电影的预测偏好得分，根据偏好得分向群组推荐电影。侧重于群组发现阶段的用户嵌入获取方法，考虑了群组的内部一致性对群组推荐算法性能的影响，将用户—电影的交互信息融入用户/电影的特征信息之中，提高了群组发现中的用户嵌入表示的准确度，进而增强了群组推荐算法的性能。
-
公开(公告)号：CN114598554A
公开(公告)日：2022-06-07
申请号：CN202210495681.8
申请日：2022-05-09
申请人： 山东省计算中心(国家超级计算济南中心)
摘要： 本发明涉及保密通信技术领域，本发明公开了对应用程序中用户隐私数据的保护方法及系统，包括：数据提供端将自身应用程序中用户隐私数据的可共享内容加密处理，加密后上传给区块链；数据需求端将已选择的机器学习模型和数据需求列表上传给区块链；区块链根据数据需求列表，从数据提供端提供的数据中选择匹配的数据，将机器学习模型和匹配的数据一起发送给可信执行环境；可信执行环境使用用户数据对机器学习模型进行训练，得到模型训练结果；将模型训练结果反馈给区块链；区块链将模型训练结果反馈给数据需求端；数据需求端接收模型训练结果。
-
-
-
-
-
-
-
-
-
搜索结果
187 条记录 (耗时 0.049 秒)
