-
公开(公告)号：CN115842672A
公开(公告)日：2023-03-24
申请号：CN202211484709.4
申请日：2022-11-24
摘要： 本发明公开了一种边缘虚拟机受隐形DDoS攻击的防护方法及系统本发明为抵抗隐形DDoS攻击者对边缘虚拟机的模糊攻击，考虑边缘虚拟机环境的不确定性，引入模糊数来量化虚拟资源的状态，将观测到隐形攻击者的虚拟资源消耗的不确定信息表征为模糊数，建立模糊博弈模型，并利用模糊逻辑对其进行分析和处理。受隐形DDoS攻击的动态虚拟机环境中，由于在观测空间中获得不确定的博弈效用，不能直接用于虚拟机资源的抢占决策，本发明通过模糊推理获得虚拟机调度优先权，进而进行虚拟机资源的抢占决策，从而提出了具有较高鲁棒性的模糊学习算法。
-
公开(公告)号：CN113992678A
公开(公告)日：2022-01-28
申请号：CN202111257708.1
申请日：2021-10-27
申请人： 嘉兴学院
IPC分类号： H04L67/10 , H04L67/1008 , H04L67/101
摘要： 本发明公开了一种海上MEC负载均衡和资源分配联合优化的计算迁移方法，为了解决海上能源受限问题，确保在网络稳定的情况下，实现性能优化，使得能耗、时延、服务质量三者达到均衡。该方法第一阶段为卸载决策，保证在时延允许的范围内来确定任务是否卸载到边缘服务器以及可卸载的服务器；第二阶段为资源分配，选择卸载的任务采用基于Gale‑Shapley思想的多重最大匹配算法分配计算资源。仿真实验结果表明，该方法可以得到最优的卸载决策和资源分配结果，在满足任务时延的条件下，消除任务选择服务器时的趋优效应，避免服务器发生过载，提升海上边缘计算系统的能耗效率和整体性能。
-
公开(公告)号：CN112235385A
公开(公告)日：2021-01-15
申请号：CN202011075338.5
申请日：2020-10-09
申请人： 嘉兴学院
IPC分类号： H04L29/08
摘要： 本发明公开一种海上边缘计算低开销云边智能协同盟员发现方法，该方法基于边缘计算构建海上云边智能协同服务网络框架，抽象海上边缘计算节点行为特征，建立具有抑制联合作弊的节点信任和推荐量化综合评价模型，根据综合属性评价将准盟员节点融合聚类到不同的协同服务池，实现分级就近服务；基于协同服务请求的优先级和负载均衡理论，设计协同服务池组建规则和段页式自适应轻量级、重载规避盟员发现算法寻找可信协同服务盟员。用Router View数据集对MCECS‑MEC模型性能进行仿真分析，结果表明，MCECS‑MEC比AODV、SR算法减少57.7%、55.04%的冗余传输流量和93.47%的链路重寻，负载率稳定于65%，能有效降低过载、热区、空洞效应对网络性能影响，提高海上边缘计算云边智能协同服务效率和质量。
-
公开(公告)号：CN111339444A
公开(公告)日：2020-06-26
申请号：CN202010164598.3
申请日：2020-03-11
申请人： 嘉兴学院
IPC分类号： G06F16/9536 , G06Q50/00
摘要： 本发明公开了一种基于库仑力模型求解社会网络影响力问题的方法，该方法以预测传播结果的准确度与传播过程的影响节点数量最大化、运行时间最小化为目标，具体过程如下：1）构建社交网络图；2）获取传播概率；3）通过传播过程中激活节点数量动态变化与节点间信任关系构建一种基于信任关系的动态社会库仑力传播模型DSC-TR；4）针对DSC-TR模型提出了动态积极影响力最大化问题DPIM；5）利用DSC-TR模型传播机制，构建随机贪心算法RG-DPIM解决DPIM问题。经实验表明，该方法在预测传播结果准确方面有明显提升，能有效提高预测传播结果，同时，求解种子节点集合时较大缩短运行时间，高效求解影响力最大化问题，可以适应较大规模网络。
-
公开(公告)号：CN113947151B
公开(公告)日：2024-05-24
申请号：CN202111220076.1
申请日：2021-10-20
申请人： 嘉兴学院
IPC分类号： G06F18/213 , G06F18/10 , G06F18/214 , G06N3/0442 , G06N3/08 , H04L1/00
摘要： 本发明公开一种海上复杂环境下的无线通信信号自动调制识别方法，该方法将接收到的海上无线通信信号由笛卡尔坐标转换为极坐标，丰富特征维度；以跳跃连接改进残差网络保持更多初始残差信息，通过与长短期记忆网络并行连接构建自动调制识别模型；将转换前后的特征用于模型训练得到低开销、高效用识别模型；利用该模型高效识别新接收信号的调制类型；通过改善高阶调制间的混淆现象提升无线通信信号调制方式的识别准确率；以双模态数据输入丰富特征提取维度，通过并行连接减少网络深度，加速模型收敛，提高识别准确率，降低时间开销和空间复杂度；采用公开数据集对该模型进行仿真实验验证，结果表明本发明识别精度高，抗噪能力强，性能稳定，可实现海上复杂信道环境下多种调制信号的准确识别。
-
公开(公告)号：CN112132202B
公开(公告)日：2023-11-17
申请号：CN202010985519.5
申请日：2020-09-18
申请人： 嘉兴学院
摘要： 本发明公开了一种基于综合信任评价的边缘计算协同盟员发现方法，该方法通过构建任务驱动型协同虚拟服务池的方式，将算力、存储、带宽、行为差异性边缘节点进行自适应融合，以节点的信任度评估资源的可靠性，以节点的可用性、可靠性、鲁棒性、资源共享构建协同服务盟员簇，以负载均衡能力、丢包率、延迟、任务完成率等为指标衡量构建的协同盟员簇的性能，通过建立节点协同服务效用模型，证明了节点协同博弈具有纳什均衡稳态，实现负载均衡平滑，抑制热区效应，提高选择盟员的性能和协同服务的效率。
-
公开(公告)号：CN111339444B
公开(公告)日：2022-10-04
申请号：CN202010164598.3
申请日：2020-03-11
申请人： 嘉兴学院
IPC分类号： G06F16/9536 , G06Q50/00
摘要： 本发明公开了一种基于库仑力模型求解社会网络影响力问题的方法，该方法以预测传播结果的准确度与传播过程的影响节点数量最大化、运行时间最小化为目标，具体过程如下：1）构建社交网络图；2）获取传播概率；3）通过传播过程中激活节点数量动态变化与节点间信任关系构建一种基于信任关系的动态社会库仑力传播模型DSC‑TR；4）针对DSC‑TR模型提出了动态积极影响力最大化问题DPIM；5）利用DSC‑TR模型传播机制，构建随机贪心算法RG‑DPIM解决DPIM问题。经实验表明，该方法在预测传播结果准确方面有明显提升，能有效提高预测传播结果，同时，求解种子节点集合时较大缩短运行时间，高效求解影响力最大化问题，可以适应较大规模网络。
-
公开(公告)号：CN112235385B
公开(公告)日：2022-08-30
申请号：CN202011075338.5
申请日：2020-10-09
申请人： 嘉兴学院
摘要： 本发明公开一种海上边缘计算低开销云边智能协同盟员发现方法，该方法基于边缘计算构建海上云边智能协同服务网络框架，抽象海上边缘计算节点行为特征，建立具有抑制联合作弊的节点信任和推荐量化综合评价模型，根据综合属性评价将准盟员节点融合聚类到不同的协同服务池，实现分级就近服务；基于协同服务请求的优先级和负载均衡理论，设计协同服务池组建规则和段页式自适应轻量级、重载规避盟员发现算法寻找可信协同服务盟员。用Router View数据集对MCECS‑MEC模型性能进行仿真分析，结果表明，MCECS‑MEC比AODV、SR算法减少57.7%、55.04%的冗余传输流量和93.47%的链路重寻，负载率稳定于65%，能有效降低过载、热区、空洞效应对网络性能影响，提高海上边缘计算云边智能协同服务效率和质量。
-
公开(公告)号：CN113992677A
公开(公告)日：2022-01-28
申请号：CN202111257706.2
申请日：2021-10-27
申请人： 嘉兴学院
IPC分类号： H04L67/10 , H04L67/1008 , H04L67/1004 , H04L67/101
摘要： 本发明公开了一种延迟与能耗联合优化的MEC计算卸载方法，为解决MEC的多用户对多服务器的计算卸载中用户卸载请求争抢服务器资源，出现趋优卸载、资源有效利用率低下、卸载服务质量差等问题；该方法以延迟、能耗为约束，构建计算卸载成本评价模型，为确定卸载目标，设计服务器选择算子，优先选择满足任务响应延迟的服务器执行卸载计算，设计以响应延迟、能耗和服务器负载为适应值函数的改进差分算法，搜索低适应值的卸载决策，实现低开销且负载均衡的高效计算卸载；仿真实验证明，该方法降低了移动边缘计算网络的延迟和能耗，提高了任务满足响应延迟率，平衡了服务器的负载，提升了移动边缘计算系统的用户满意度、能耗效率和稳定性。
-
公开(公告)号：CN113239788A
公开(公告)日：2021-08-10
申请号：CN202110510807.X
申请日：2021-05-11
申请人： 嘉兴学院
摘要： 本发明公开了一种基于Mask R‑CNN的无线通信调制模式识别方法，包括所述基于Mask R‑CNN的无线通信调制模式识别方以下步骤：S101：不同调制模式射频信号的归一化处理；S102：信号调制模式识别Mask R‑CNN神经网络的训练；S103：信号调制模式识别Mask R‑CNN神经网络的优化。本发明中，通过引入了对射频信号的归一化技术，使得不同调制模型相互混杂和叠加的信号能以统一的量纲输入到Mask R‑CNN神经网络中进行训练，通过对Mask R‑CNN神经网络的训练，充分利用神经网络的强大的分类能力，识别出混杂信号中的调制模式。
-
-
-
-
-
-
-
-
-
搜索结果
33 条记录 (耗时 0.023 秒)
