一种网络路径延迟测量方法及其装置与时间同步系统

    公开(公告)号:CN109818826A

    公开(公告)日:2019-05-28

    申请号:CN201910027368.X

    申请日:2019-01-11

    IPC分类号: H04L12/26 H04J3/06

    摘要: 本发明涉及一种网络路径延迟测量方法及其装置与时间同步系统,包括获取触发数据;获取预设状态机信息表;根据所述触发数据从所述预设状态机信息表中获取状态机,并根据所述状态机生成反馈信息;在任务队列中对所述反馈信息进行排队处理,得到排队结果,根据预设时间对所述排队结果进行检测,得到检测结果;根据所述检测结果对所述状态机进行状态处理,以获取时间戳,并根据所述时间戳计算路径延迟测量数据。本发明通过任务定时队列调度将延迟测量中的所有状态机状态统一跳转接口,并在任定时务队列中启用任务定时器定时处理,从而减少了系统调用延迟的不确定性,最终提高了系统的执行效率,提高了路径延迟测量和时间同步的时间精度。

    一种建筑能耗数据采集方法

    公开(公告)号:CN108632281A

    公开(公告)日:2018-10-09

    申请号:CN201810438431.4

    申请日:2018-05-09

    IPC分类号: H04L29/06 H04L12/26 H04L9/06

    摘要: 本发明涉及一种建筑能耗数据采集方法,基于建筑能耗数据采集系统,所述建筑能耗数据采集系统包括采集装置、主处理器和服务器,其中包括如下步骤:对采集装置、主处理器和服务器进行初始化配置;所述采集装置实时采集仪表设备的能耗数据,并将所述能耗数据发送至所述主处理器;所述主处理器接收所述能耗数据,对所述能耗数据进行加密,获取加密文件,并将所述加密文件上传至所述服务器;所述服务器接收所述加密文件。本实施例通过采集装置能够对仪表设备进行实时读取,获取仪表设备的能耗数据,解决了现有技术中数据统计缺乏实时性和持续性的技术问题,并且对能耗数据进行加密后再上传,提高了数据传输的安全性。

    一种移动车辆的异步联邦学习方法、系统、设备及终端

    公开(公告)号:CN114116198A

    公开(公告)日:2022-03-01

    申请号:CN202111229664.1

    申请日:2021-10-21

    IPC分类号: G06F9/50 G06N20/00

    摘要: 本发明属于车辆管理技术领域,公开了一种移动车辆的异步联邦学习方法、系统、设备及终端,所述移动车辆的异步联邦学习系统,包括用户层、域‑边缘服务器层和数据处理中心层;所述移动车辆的异步联邦学习方法包括:综合利用云计算和边缘计算,提出基于云边车的网络分层分域架构;提出适用于所述基于云边车的网络分层分域架构的异步联邦学习聚合算法aFedV;针对聚合算法和分层分级架构,在不同数据分布上开展实验,从模型训练准确率和通信开销方面验证aFedV算法的性能。本发明综合利用云计算和边缘计算的优势,采用异步模式更新参数,能够减少整个训练过程的通信次数,解决移动联邦成员在计算过程中动态连接无法及时更新参数的问题。

    一种网络路径延迟测量方法及其装置与时间同步系统

    公开(公告)号:CN109818826B

    公开(公告)日:2021-02-09

    申请号:CN201910027368.X

    申请日:2019-01-11

    IPC分类号: H04L12/26 H04J3/06

    摘要: 本发明涉及一种网络路径延迟测量方法及其装置与时间同步系统,包括获取触发数据;获取预设状态机信息表;根据所述触发数据从所述预设状态机信息表中获取状态机,并根据所述状态机生成反馈信息;在任务队列中对所述反馈信息进行排队处理,得到排队结果,根据预设时间对所述排队结果进行检测,得到检测结果;根据所述检测结果对所述状态机进行状态处理,以获取时间戳,并根据所述时间戳计算路径延迟测量数据。本发明通过任务定时队列调度将延迟测量中的所有状态机状态统一跳转接口,并在任定时务队列中启用任务定时器定时处理,从而减少了系统调用延迟的不确定性,最终提高了系统的执行效率,提高了路径延迟测量和时间同步的时间精度。

    一种移动车辆的异步联邦学习方法、系统、设备及终端

    公开(公告)号:CN114116198B

    公开(公告)日:2024-07-19

    申请号:CN202111229664.1

    申请日:2021-10-21

    IPC分类号: G06F9/50 G06N20/00

    摘要: 本发明属于车辆管理技术领域,公开了一种移动车辆的异步联邦学习方法、系统、设备及终端,所述移动车辆的异步联邦学习系统,包括用户层、域‑边缘服务器层和数据处理中心层;所述移动车辆的异步联邦学习方法包括:综合利用云计算和边缘计算,提出基于云边车的网络分层分域架构;提出适用于所述基于云边车的网络分层分域架构的异步联邦学习聚合算法aFedV;针对聚合算法和分层分级架构,在不同数据分布上开展实验,从模型训练准确率和通信开销方面验证aFedV算法的性能。本发明综合利用云计算和边缘计算的优势,采用异步模式更新参数,能够减少整个训练过程的通信次数,解决移动联邦成员在计算过程中动态连接无法及时更新参数的问题。