-
公开(公告)号：CN114266301B
公开(公告)日：2024-09-27
申请号：CN202111542143.1
申请日：2021-12-16
Applicant: 郑州轻工业大学
IPC: G06F18/241 , G06F18/214 , G06N3/0464 , G06N3/08 , G06Q50/06
Abstract: 本发明提出了一种基于图卷积神经网络的电力设备故障智能预测方法，步骤如下：采集待预测的电力设备的历史监测信息，对历史监测信息进行预处理，预处理后的监测信息和电力数据中心采集的数据集组成训练样本；构建图卷积神经网络，初始化神经网络参数；将监测信息作为图卷积神经网络的每个节点的输入，利用图卷积神经网络对监测信息进行故障分类；利用训练样本对步骤二构建的图卷积神经网络进行训练，得到优化图卷积神经网络模型；采集待检测设备的实时监测信息并进行预处理，将预处理后的监测信息输入到优化图卷积神经网络模型，获得故障预测结果。本发明具有较好的通用性，预测准确率较高，使用、部署和升级维护简单，无需硬件设备的升级改造。
-
公开(公告)号：CN115037628A
公开(公告)日：2022-09-09
申请号：CN202210562305.6
申请日：2022-05-23
Applicant: 郑州轻工业大学
IPC: H04L41/0895 , H04L41/16
Abstract: 本发明提出了一种基于深度强化学习的自适应服务功能链映射方法，步骤为：建立SFC映射模型，将SFC映射过程分为三层结构并进行抽象参数表示；搭建SFCR映射学习神经网络，并将抽象参数映射至SFCR映射学习神经网络中的状态、动作、奖励值；构建经验回放池并对网络参数更新；基于经验回放池中数据，统计不同VNF的请求率、使用率及现有部署数量和未激活个数；设计VNF再部署策略，根据统计的数据对VNF再部署。本发明具有维持网络环境稳定、提高用户服务质量的优势，能够有效解决现有映射方法随时间动态变化造成有效服务成本占比小及服务映射效率低问题；具有良好的自适应性，能提高不同时间段处理用户服务请求的有效服务成本率和请求映射率。
-
公开(公告)号：CN115037628B
公开(公告)日：2023-08-22
申请号：CN202210562305.6
申请日：2022-05-23
Applicant: 郑州轻工业大学
IPC: H04L41/0895 , H04L41/16
Abstract: 本发明提出了一种基于深度强化学习的自适应服务功能链映射方法，步骤为：建立SFC映射模型，将SFC映射过程分为三层结构并进行抽象参数表示；搭建SFCR映射学习神经网络，并将抽象参数映射至SFCR映射学习神经网络中的状态、动作、奖励值；构建经验回放池并对网络参数更新；基于经验回放池中数据，统计不同VNF的请求率、使用率及现有部署数量和未激活个数；设计VNF再部署策略，根据统计的数据对VNF再部署。本发明具有维持网络环境稳定、提高用户服务质量的优势，能够有效解决现有映射方法随时间动态变化造成有效服务成本占比小及服务映射效率低问题；具有良好的自适应性，能提高不同时间段处理用户服务请求的有效服务成本率和请求映射率。
-
公开(公告)号：CN116684291A
公开(公告)日：2023-09-01
申请号：CN202310746993.6
申请日：2023-06-21
Applicant: 郑州轻工业大学
IPC: H04L41/0895 , H04L41/14 , H04L41/142 , H04L41/16
Abstract: 本发明提出了一种适用通用化平台的服务功能链映射资源智能分配方法，步骤为：建立SFC映射模型，将通用化平台中SFC映射过程分为物理拓扑资源层和虚拟网络功能请求层的两层结构，并对两层结构进行抽象参数表示；分析通用化平台中服务请求的处理过程，建立节点计算与链路带宽通信资源联合分配的处理时间的最小化数学模型；将最小化数学模型建模为马尔科夫过程，定义包含状态、动作、奖励的三元组；将三元组与异步优势动作评价算法相结合，以训练主网络为模板，利用多线程技术生成多个子网络用于并行训练，找寻最优资源分配策略。本发明通过智能分配节点计算资源与链路带宽通信资源，有效提高了SFC请求的处理速率。
-
公开(公告)号：CN114266301A
公开(公告)日：2022-04-01
申请号：CN202111542143.1
申请日：2021-12-16
Applicant: 郑州轻工业大学
Abstract: 本发明提出了一种基于图卷积神经网络的电力设备故障智能预测方法，步骤如下：采集待预测的电力设备的历史监测信息，对历史监测信息进行预处理，预处理后的监测信息和电力数据中心采集的数据集组成训练样本；构建图卷积神经网络，初始化神经网络参数；将监测信息作为图卷积神经网络的每个节点的输入，利用图卷积神经网络对监测信息进行故障分类；利用训练样本对步骤二构建的图卷积神经网络进行训练，得到优化图卷积神经网络模型；采集待检测设备的实时监测信息并进行预处理，将预处理后的监测信息输入到优化图卷积神经网络模型，获得故障预测结果。本发明具有较好的通用性，预测准确率较高，使用、部署和升级维护简单，无需硬件设备的升级改造。
