-
公开(公告)号：CN118227267A
公开(公告)日：2024-06-21
申请号：CN202410434383.7
申请日：2024-04-11
申请人： 华南理工大学
摘要： 本发明公开了一种基于规模可变强化学习的异构集群虚拟机重放置方法，包括：首先采集集群运行时状态和服务质量数据，随后通过虚拟机重放置规则更新主机掩码向量。在此基础上，建立异构主机类型嵌入的特征表示方法，以反映主机间的相似度与差异。然后，构建主机历史利用率序列的特征提取网络，以捕捉资源利用的动态变化。最后，设计强化学习基础模型，实现规模可变的虚拟机重放置方法，当集群规模因主机宕机或维护而变动时，通过掩码机制限制虚拟机重放置范围，确保资源调度的有效性与稳定性。本发明针对异构集群特性，实现了灵活且高效的虚拟机重放置策略。
-
公开(公告)号：CN111461173B
公开(公告)日：2023-06-20
申请号：CN202010151406.5
申请日：2020-03-06
申请人： 华南理工大学
IPC分类号： G06V10/762 , G06N3/0442 , G06N3/0464 , G10L21/0208 , G10L25/30
摘要： 本发明公开了一种基于注意力机制的多说话人聚类系统及方法，系统包括：噪声去除模块，用于去除音频中噪声；语音活动检测模块，用于检测声音的起始结束位置，分离语音部分和非语音部分；基于自注意力机制的深层次特征向量生成网络，用于提取音频片段的深层次特征向量；基于双向长短期记忆网络Bi‑LSTM以及自注意力机制的全监督聚类网络，用于聚类深层次特征向量并输出聚类结果。本发明的基于注意力机制的多说话人聚类方法，去除了噪声对聚类结果的影响，而且基于自注意力机制的特征向量生成模块能够学习音频的全局结构特征，生成具有判别特性的特征向量。基于Bi‑LSTM及自注意力机制的全监督聚类网络能更好地学习时序以及判别特征，让聚类效果更好。
-
公开(公告)号：CN115687930A
公开(公告)日：2023-02-03
申请号：CN202211446841.6
申请日：2022-11-18
申请人： 华南理工大学
IPC分类号： G06F18/214 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种基于自动机器学习的边缘计算模型训练方法，包括以下步骤：在边缘服务器训练计算模型前获取当前的计算任务信息和服务器计算资源情况；通过NAS(Neural Architecture Search)根据计算任务信息和计算资源情况，对自动机器学习算法的超参数进行学习和约束；在确定自动机器学习算法的超参数后，通过自动机器学习算法根据输入数据自动训练出最优的计算模型。与当前边缘服务器上的计算模型不同，本方法的模型采用了自动机器学习技术，可以减轻模型开发和维护成本，在自动生成模型时考虑到边缘服务器的异构性、资源有限性以及计算任务对计算时延的要求问题，使生成的计算模型更具有泛化能力。
-
公开(公告)号：CN115629857A
公开(公告)日：2023-01-20
申请号：CN202211267167.5
申请日：2022-10-17
申请人： 华南理工大学
摘要： 本发明公开了一种大数据系统性能建模与仿真方法，涉及性能建模和系统仿真等领域。本发明所涉及的主要步骤包括：大数据作业日志采集与分析、软件行为模型和硬件资源响应模型仿真模型库的构建、待预测性能大数据作业行为分析、大数据作业仿真文件的生成和执行、输出大数据作业性能预测结果。本发明所提出的大数据作业性能预测方法，可以使用户在无需运行真实大数据作业的情况下预测计算多种大数据作业在指定集群配置上的运行性能，便于企业和机构提前感知大数据作业的运行成本。
-
公开(公告)号：CN109992418B
公开(公告)日：2023-01-06
申请号：CN201910226671.2
申请日：2019-03-25
申请人： 华南理工大学
IPC分类号： G06F9/50
摘要： 本发明公开的SLA感知的多租户大数据平台资源优先级调度方法，包含以下顺序的步骤：S1.租户加入集群，资源管理器向其分配一个资源队列，租户上传作业到资源队列；S2.资源管理器根据租户的资源队列状态定期向SLA感知器发送作业运行报告；S3.SLA感知器根据收到的作业状态信息判断该作业是否能在最后期限前完成，不能在最后期限前完成的作业被设定为高优先级作业；S4.对于高优先级作业，SLA感知器将升级该作业所在的资源队列为高优先级资源队列，加速高优先级作业完成。本发明可以在一定程度上满足服务等级协议中的最后期限限制，保证了云服务供应商的服务质量。
-
公开(公告)号：CN110347498B
公开(公告)日：2022-12-16
申请号：CN201910494970.4
申请日：2019-06-10
申请人： 华南理工大学
IPC分类号： G06F9/50
摘要： 本发明公开的一种容器和虚拟机混合云环境下的负载动态迁移方法，首先对虚拟机负载和容器负载进行判断，找出对服务器负载影响较大的部分，若虚拟机影响较大，则对虚拟机整体进行迁移，若容器影响较大，则对容器历史负载数据进行分析，对接下来一段时间容器负载进行预测，选择接下来一段时间内处于增长态势的容器进行迁移。本发明通过利用余弦相关性来更准确地分析出对过载影响更大的虚拟机或容器资源，使得服务器集群更好地达到负载均衡。
-
公开(公告)号：CN115357254A
公开(公告)日：2022-11-18
申请号：CN202210797456.X
申请日：2022-07-08
申请人： 华南理工大学
摘要： 本发明涉及一种面向云边应用协同的容器镜像更新方法及系统，方法包括：用户发布容器镜像，对容器镜像发布版本与历史版本的重复数据，首先在文件层次上基于容器镜像文件的哈希值进行文件去重，并记录在历史版本容器镜像文件索引中；进而在字节流层次上通过分块算法对文件去重未命中的容器镜像文件进行字节流数据分块，基于数据分块的哈希值进行数据块去重，并记录在历史版本容器镜像数据块索引中；边缘宿主机将镜像部署到容器运行环境，并更新历史版本容器镜像库，同时重建发布版本容器镜像。该方法极大程度的缓解了多版本容器镜像重复数据对网络资源、边缘宿主机资源造成的浪费，尤其适用于容器镜像版本迭代频繁以及边缘设备资源受限的场景。
-
公开(公告)号：CN114841313A
公开(公告)日：2022-08-02
申请号：CN202210408257.5
申请日：2022-04-19
申请人： 华南理工大学
摘要： 本发明公开了一种面向联邦学习的动态个性化网络构建方法及装置，方法包括下述步骤：创建神经网络模型，对神经网络模型进行初始化后发送至客户端；按照早退策略对客户端的样本进行动态计算，并完成对早退层的更新；选择早退策略执行层，对选中的早退层中的参数进行选择性发送；服务器在接收到由客户端上传的节点和参数后，依据聚合策略完成对早退层节点权重的聚合；接收来自服务器聚合之后的参数，完成客户端中模型参数的更新操作，借助对早退层的更新完成个性化网络的构建。本发明的动态个性化网络构建方法，提高了模型的推理效率和难例样本的关注度，在保证客户端模型的个性化的同时，降低了联邦学习在样本计算和模型推理中的成本。
-
公开(公告)号：CN113378474A
公开(公告)日：2021-09-10
申请号：CN202110717168.4
申请日：2021-06-28
申请人： 华南理工大学
IPC分类号： G06F30/27 , G06F111/08
摘要： 本发明公开了一种基于贡献量的联邦学习客户机选择方法、系统及介质。该方法包括：初始化选择权重；计算客户机选择概率；选择客户机集合进行本地训练；计算客户机贡献量；无偏估计并更新选择权重；迭代训练。本发明定义客户机对全局模型准确率的提高量作为客户机的贡献量，基于贡献量更新客户机的选择权重，为性能优异的客户机和本地数据集优质的客户机分配高选择概率，降低性能差和数据集恶劣的客户机选择概率，提高最终聚合模型收敛速度和效果。另外，本发明可通过调节客户机贡献量的无偏估计的调节系数θ，满足不同场景需求，如追求全局模型准确率、模型收敛速度或者两者的有效平衡，具有很强的适应性。
-
公开(公告)号：CN112506663A
公开(公告)日：2021-03-16
申请号：CN202011501365.4
申请日：2020-12-17
申请人： 华南理工大学
摘要： 本发明公开了一种基于去噪和误差修正的云服务器CPU负载预测方法、系统及介质，方法包括：利用自适应白噪声的完整经验模态分解方法(CEEMDAN)对序列进行分解得到各个分解序列；计算各个分解序列和原序列之间的曲线曲率相似度；根据相似度高低来区分有效序列与噪声序列，滤除噪声序列并重新拟合得到新的滤噪后序列；利用历史误差数据实现对误差值的预测完成修正误差。本发明的预测方法能够实现对原始数据的去噪处理，减少噪声影响，同时修正误差，而且消除了人为因素的影响，能够提高预测的准确率，具有较高的通用性。
-
-
-
-
-
-
-
-
-
搜索结果
119 条记录 (耗时 0.04 秒)
