基于深度强化学习的MEC计算卸载与资源分配方法

    公开(公告)号:CN113573363B

    公开(公告)日:2024-01-23

    申请号:CN202110853238.9

    申请日:2021-07-27

    IPC分类号: H04W28/084 H04W24/02

    摘要: 本发明公开了一种基于深度强化学习的移动边缘计算MEC的计算卸载与资源分配方法,为移动用户设备提供了一种最优的计算卸载与资源分配方案。在整体卸载条件下,对其构建处理计算移动用户设备计算任务的计算执行模型,然后根据最小化系统总开销的优化目标构建所有移动用户设备系统总开销的问题模型,利用深度强化学习方法确定最小的系统总开销。考虑到时变的MEC系统中实际的计算卸载与资源分配特性,任务时延阈值与系统计算资源的约束,本发明采用的是结合强化学习与深度学习的DQN算(56)对比文件Bandwidth Management API DisclaimerThe present document has been producedand approved by the Mobile Edge Computing(MEC) ETSI Industry Specification Group(ISG) and represents the views of thosemembers who participated in this ISG. Itdoes not necessarily represent the viewsof the entire ETSI membership..ETSI GSMEC 015.2017,(第V1.1.1期),全文.

    适用电力SCADA系统的反爬虫系统、装置及部署方法

    公开(公告)号:CN112383545B

    公开(公告)日:2023-07-28

    申请号:CN202011267679.2

    申请日:2020-11-13

    IPC分类号: H04L9/40 G06Q50/06

    摘要: 适用电力SCADA系统的反爬虫系统、装置及部署方法,该系统包括数据采集模块、反爬虫安全管理模块、行为画像分类配置表、行为画像生成模型、正常行为画像库、实时流量行为画像临时库、行为相似度匹配模块、决策模块、日志模块和数据输出模块;该装置包括接收单元、处理单元和发送单元;该部署方法包括串联部署、旁路部署。本发明的优点是:能通过对电力SCADA系统正常用户操作行为建立画像模型,然后基于正常行为画像模型对访问电力SCADA系统的数据流量进行行为画像,将人的操作行为和爬虫程序机器操作的行为产生的流量有效的区分开,从而对爬虫行为进行有效的拦截,保障电力SCADA系统的安全、稳定运行。