-
公开(公告)号：CN118102386A
公开(公告)日：2024-05-28
申请号：CN202410497345.6
申请日：2024-04-24
申请人： 南京邮电大学
IPC分类号： H04W28/06 , H04W28/084
摘要： 本发明涉及属于移动通信中的边缘计算技术领域，公开了一种D2D辅助MEC网络中的服务缓存和任务卸载联合优化方法及系统，考虑五种任务卸载模式，并进一步将任务卸载和服务缓存的联合优化问题表示为马尔可夫决策问题，利用改进的MAPPO算法训练模型，并据此获取最佳的任务卸载和资源分配策略，联合优化系统包括网络模块、服务缓存模块、任务卸载模块，网络模块包括云服务器、边缘服务器和终端设备。本发明实现了最小化系统时延和能耗。
-
公开(公告)号：CN117707795B
公开(公告)日：2024-05-10
申请号：CN202410162969.2
申请日：2024-02-05
申请人： 南京邮电大学
IPC分类号： G06F9/50 , H04W28/084 , H04W28/08 , G06N5/043 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N3/0495 , G06N3/092 , G06N3/098 , G06N3/084 , G06V10/96 , G06V10/94 , G06V10/82
摘要： 本发明提供了一种基于图的模型划分的边端协同推理方法及系统，该方法包括：获取CNN模型以及边缘网络系统的工作负载信息和网络质量信息；将CNN模型转换为有向无环图；采用等价节点合并的方法对有向无环图进行压缩；对时延优化问题进行建模，协同推理时延由计算时延和数据传输时延组成。基于图神经网络和DQN算法，根据边缘网络系统的工作负载信息和网络质量信息进行DAG划分模型的训练，以最小化时延为目标求解时延优化问题，得到最优的划分策略。根据划分策略，将CNN模型划分为2个CNN模型分段，分别分配给端设备和边缘服务器进行计算，用以解决现有的CNN推理任务的推理时间没有得到最大限度的减少的问题。
-
公开(公告)号：CN117873402B
公开(公告)日：2024-05-07
申请号：CN202410261462.2
申请日：2024-03-07
申请人： 南京邮电大学 , 边缘智能研究院南京有限公司
摘要： 本发明属于移动边缘缓存技术领域，公开了一种基于异步联邦学习和感知聚类的协作边缘缓存优化方法，包括以下步骤：步骤1、基于异步联邦学习框架，通过感知车辆的移动性特征，在用户本地训练自动编码器AE模型；步骤2、基于车辆感知聚类的预测流行内容的算法对不同活跃度的车辆簇进行内容预测，基于车辆感知聚类的预测流行内容的算法。本发明建立基于车辆感知的边缘缓存系统架构，低用户内容获取时延，并提高用户请求服务的公平性，在模型训练前进行预训练，异步聚合考虑车辆移动性和活跃度，并云聚合边缘RSU的全局模型，提高模型的准确性和泛化性，确保数据的安全性，有效提高内容流行度预测的公平性，从而保证不同用户的缓存服务质量。
-
公开(公告)号：CN117610644B
公开(公告)日：2024-04-16
申请号：CN202410077654.8
申请日：2024-01-19
申请人： 南京邮电大学
摘要： 本发明公开了一种基于区块链的联邦学习优化方法，在基于区块链的联邦学习下，基于深度强化学习的数据卸载控制策略，控制用户设备选择将数据传输到边缘节点进行模型训练或者在本地进行模型更新；基于深度强化学习的数据卸载控制策略包括：定义数据卸载控制策略的状态、动作和奖励函数，利用双重深度Q网络算法选择当前状态下的最优动作；当最优动作为在本地训练模型时，控制用户设备在本地进行模型更新；当最优动作为在边缘节点训练模型时，根据数据卸载上传比例将用户设备的数据传输到边缘节点，在边缘节点进行模型训练。本发明能够增加边缘服务器在整个模型训练过程的比重，加速区块链网络中的联邦学习模型训练过程。
-
公开(公告)号：CN117692939B
公开(公告)日：2024-04-12
申请号：CN202410149801.8
申请日：2024-02-02
申请人： 南京邮电大学
IPC分类号： H04W24/04 , H04W28/084 , G06N3/098
摘要： 本发明属于动态通信环境下的客户端调度技术领域，涉及一种动态通信环境下的客户端调度方法；将所有客户端都进行本地模型训练，然后基于客户端训练的状态（通信延迟、资源能耗）定义客户端的状态向量，再结合客户端的两个动作状态选择性能最优的一批客户端；根据客户端的状态向量和动作空间定义客户端可用性，再选择一组客户端上传本地模型进行全局聚合，本发明状态向量是根据客户端的实时状态进行动态调整和适应，这使得系统能够根据客户端的实际情况做出更合理的决策，最大效率的选择合适的客户端参与模型聚合，客户端可用性可以更准确的评估每个客户端的性能和可参与度，提高模型训练的精度和效率。
-
公开(公告)号：CN117834643A
公开(公告)日：2024-04-05
申请号：CN202410246171.6
申请日：2024-03-05
申请人： 南京邮电大学
IPC分类号： H04L67/1023 , H04L67/12 , H04L41/142 , H04L41/16 , G06N3/0442 , G06N3/092 , G06N3/082 , G06N5/04
摘要： 本发明属于工业物联网和深度神经网络技术领域，公开了一种面向工业物联网的深度神经网络协同推理方法，其用DQN算法和LSTM算法，对工业物联网的推理任务进行高效的动态卸载，其中LSTM算法拥有对长期状态的记忆能力，能够更准确的估计当前服务器和用户设备的当前状态，从而保证了算法的准确性，提高了推理效率。本发明所述的方法能够更加高效地利用边缘服务器的计算能力，提高深度神经网络推理的效率；同时，可以降低推理任务的延迟、减少能耗，并可以根据环境的变化动态选择最优的推理方法。
-
公开(公告)号：CN117592556B
公开(公告)日：2024-03-26
申请号：CN202410069642.0
申请日：2024-01-18
申请人： 南京邮电大学
摘要： 本发明属于联邦学习和边缘计算技术领域，公开了一种基于GNN的半联邦学习系统及其运行方法，系统包括云端服务中心、多个边缘服务器与终端设备，边缘服务器与云端服务中心之间存在双向的连接，边缘服务器和终端设备之间存在双向的链路，边缘服务器用于分析需要上传本地数据的终端设备，下发传输决策，确定本地训练的终端设备后，接收实行本地训练的终端设备上传的模型参数用于聚合；同时接收无法进行本地训练的终端设备发送的本地数据，进行去重处理后再进行模型训练，将得到的模型参数用于聚合，并聚合后的模型参数上传至所述云端服务中心。本发明提升了系统的包容性和模型的性能，解决了重复数据训练造成的模型过拟合问题。
-
公开(公告)号：CN117692939A
公开(公告)日：2024-03-12
申请号：CN202410149801.8
申请日：2024-02-02
申请人： 南京邮电大学
IPC分类号： H04W24/04 , H04W28/084 , G06N3/098
摘要： 本发明属于动态通信环境下的客户端调度技术领域，涉及一种动态通信环境下的客户端调度方法；将所有客户端都进行本地模型训练，然后基于客户端训练的状态（通信延迟、资源能耗）定义客户端的状态向量，再结合客户端的两个动作状态选择性能最优的一批客户端；根据客户端的状态向量和动作空间定义客户端可用性，再选择一组客户端上传本地模型进行全局聚合，本发明状态向量是根据客户端的实时状态进行动态调整和适应，这使得系统能够根据客户端的实际情况做出更合理的决策，最大效率的选择合适的客户端参与模型聚合，客户端可用性可以更准确的评估每个客户端的性能和可参与度，提高模型训练的精度和效率。
-
公开(公告)号：CN117610644A
公开(公告)日：2024-02-27
申请号：CN202410077654.8
申请日：2024-01-19
申请人： 南京邮电大学
摘要： 本发明公开了一种基于区块链的联邦学习优化方法，在基于区块链的联邦学习下，基于深度强化学习的数据卸载控制策略，控制用户设备选择将数据传输到边缘节点进行模型训练或者在本地进行模型更新；基于深度强化学习的数据卸载控制策略包括：定义数据卸载控制策略的状态、动作和奖励函数，利用双重深度Q网络算法选择当前状态下的最优动作；当最优动作为在本地训练模型时，控制用户设备在本地进行模型更新；当最优动作为在边缘节点训练模型时，根据数据卸载上传比例将用户设备的数据传输到边缘节点，在边缘节点进行模型训练。本发明能够增加边缘服务器在整个模型训练过程的比重，加速区块链网络中的联邦学习模型训练过程。
-
公开(公告)号：CN117294643A
公开(公告)日：2023-12-26
申请号：CN202311575841.0
申请日：2023-11-24
申请人： 南京邮电大学
IPC分类号： H04L45/302 , H04L45/00 , H04L45/02 , H04L45/12 , H04L45/76 , H04L47/6275 , G06F18/23213
摘要： 本发明公开了一种基于SDN架构的网络QoS保障路由方法，根据网络拓扑信息，抽象成有向图，然后基于基于改经的k‑means算法将数据分为老鼠流、大象流、巨象流，定义流量传输的约束条件，构建DQN神经网络，以奖励函数R最大的动作所对应的最大Q值为目标训练DQN神经网络，得到QoS保障路由模型，得到最优路径权重值，根据Dijkstra算法确定数据包发送路径，最后将路径信息下发到交换机。本发明避免了传统K‑means算法对数据的处理不够稳健以及分类结果不够准确的情况。在DQN的神经网络训练时，从经验池中依据数据的优先性抽取数据，使得神经网络更加关注重要的数据，提高了神经网络的学习效率和算法的性能。
-
-
-
-
-
-
-
-
-
搜索结果
83 条记录 (耗时 0.032 秒)
