-
公开(公告)号：CN113297098A
公开(公告)日：2021-08-24
申请号：CN202110606031.1
申请日：2021-05-24
Applicant: 北京工业大学
IPC: G06F12/0811 , G06F12/0871 , G06K9/62 , G06F12/06
Abstract: 本发明公开一种面向高性能的适应预取的智能缓存替换策略，在存在硬件预取器的情况下，区分预取和需求请求，利用基于ISVM(Integer Support Vector Machines)的预取预测器对预取访问加载的缓存行进行重引用间隔预测，利用基于ISVM的需求预测器对需求访问加载的缓存行进行重引用间隔预测。输入当前访存的load指令的PC地址和访存历史记录中过去load指令的PC地址，针对预取和需求请求设计不同的ISVM预测器，以请求类型为粒度对加载的缓存行进行重用预测，改善存在预取时缓存行重用预测的准确度，更好的融合了硬件预取和缓存替换带来的性能提升。
-
Patent Agency Ranking
公开(公告)号：CN113297098B
公开(公告)日：2023-09-01
申请号：CN202110606031.1
申请日：2021-05-24
Applicant: 北京工业大学
IPC: G06F12/0811 , G06F12/0871 , G06F18/2411 , G06F12/06
Abstract: 本发明公开一种面向高性能的适应预取的智能缓存替换策略，在存在硬件预取器的情况下，区分预取和需求请求，利用基于ISVM(Integer Support Vector Machines)的预取预测器对预取访问加载的缓存行进行重引用间隔预测，利用基于ISVM的需求预测器对需求访问加载的缓存行进行重引用间隔预测。输入当前访存的load指令的PC地址和访存历史记录中过去load指令的PC地址，针对预取和需求请求设计不同的ISVM预测器，以请求类型为粒度对加载的缓存行进行重用预测，改善存在预取时缓存行重用预测的准确度，更好的融合了硬件预取和缓存替换带来的性能提升。
-
公开(公告)号：CN114595632A
公开(公告)日：2022-06-07
申请号：CN202210216109.3
申请日：2022-03-07
Applicant: 北京工业大学
IPC: G06F30/27 , G06K9/62 , G06F119/02
Abstract: 本发明涉及一种基于有效联邦学习的移动边缘缓存优化方法，属物联网、人工智能领域。该方法考虑单基站范围内用户移动性和内容流行度不断变化的情况，通过预测内容流行度，将请求内容提前放置到边缘缓存来提高缓存命中率。具体利用RWP随机路径点模型得到用户时刻轨迹表模拟用户的移动路径，考虑到本地训练消耗，通过聚类与阈值结合的方式选择参与FL本地训练的用户，用注意力机制控制模型权重进行全局模型聚合，根据得到的全局预测模型，提前将预测的请求内容缓存到服务器来提高缓存命中率。该方法利用联邦学习方法，优化客户端选择和权重聚合，实现有效的联邦学习方法以此减少本地训练消耗，提高缓存命中率。
-
公开(公告)号：CN116321189B
公开(公告)日：2025-04-11
申请号：CN202310106800.0
申请日：2023-02-13
Applicant: 北京工业大学
Abstract: 本发明公开了一种面向边缘计算中基于深度强化学习的服务器部署方法，该方法在考虑边缘服务器间异构性的同时加以能耗约束，平衡放置成本和平均接入时延两个优化目标。首先，确定边缘计算的网络架构，根据网络架构构建系统模型和计算模型，然后依据问题模型构建问题优化模型。其次，使用基于贪婪的策略优先选取单位资源成本价最低的服务器组成子集合，选取能耗上限大于请求和并且总成本最低的子集合进行后续部署工作。最后，将边缘服务器部署建模为马尔科夫决策过程，使用深度强化学习算法求解合理的边缘服务器部署策略，以充分利用有限的边缘计算资源。
-
公开(公告)号：CN114595632B
公开(公告)日：2025-02-14
申请号：CN202210216109.3
申请日：2022-03-07
Applicant: 北京工业大学
IPC: G06F30/27 , G06F18/23 , G06F119/02
Abstract: 本发明涉及一种基于有效联邦学习的移动边缘缓存优化方法，属物联网、人工智能领域。该方法考虑单基站范围内用户移动性和内容流行度不断变化的情况，通过预测内容流行度，将请求内容提前放置到边缘缓存来提高缓存命中率。具体利用RWP随机路径点模型得到用户时刻轨迹表模拟用户的移动路径，考虑到本地训练消耗，通过聚类与阈值结合的方式选择参与FL本地训练的用户，用注意力机制控制模型权重进行全局模型聚合，根据得到的全局预测模型，提前将预测的请求内容缓存到服务器来提高缓存命中率。该方法利用联邦学习方法，优化客户端选择和权重聚合，实现有效的联邦学习方法以此减少本地训练消耗，提高缓存命中率。
-
公开(公告)号：CN116321189A
公开(公告)日：2023-06-23
申请号：CN202310106800.0
申请日：2023-02-13
Applicant: 北京工业大学
Abstract: 本发明公开了一种面向边缘计算中基于深度强化学习的服务器部署方法，该方法在考虑边缘服务器间异构性的同时加以能耗约束，平衡放置成本和平均接入时延两个优化目标。首先，确定边缘计算的网络架构，根据网络架构构建系统模型和计算模型，然后依据问题模型构建问题优化模型。其次，使用基于贪婪的策略优先选取单位资源成本价最低的服务器组成子集合，选取能耗上限大于请求和并且总成本最低的子集合进行后续部署工作。最后，将边缘服务器部署建模为马尔科夫决策过程，使用深度强化学习算法求解合理的边缘服务器部署策略，以充分利用有限的边缘计算资源。
-
-
-
-
-
Search Results
6
records
(took 0.018 seconds)
