本发明属于缓存技术领域，具体涉及一种移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法，包括构建基于深度神经网络的移动终端行动轨迹的预测系统，通过该预测系统预测下一时刻用户的位置；构建热点服务预测系统，通过该系统预测热点数据；根据预测的热点数据，通过预测的用户位置与节点之间的关系以及根据各边缘节点之间缓存的差异来迭代更新缓存；相较于传统的LRU以及LFU，本发明能提前感知到流行度最高的内容，并提高缓存系统资源利用率。
📄 2022101766559
📂 H04L67_5682
👤 重庆邮电大学
📅 2022-02-24
本发明公开了一种碳排放监测的移动边缘计算系统及方法，属于无线通信网络领域，本发明提取每个子区域的区域代表边缘检测设备的历史温度数据和历史碳排放量检测数据代入温度影响系数计算策略中计算温度影响系数，将计算得到的周期影响系数和温度影响系数代入子区域排放量总数预估策略中进行子区域碳排放量总数的预估，按照预估的子区域碳排放量总数对计算资源进行分配，进一步提高了计算资源的分配效率，避免了碳排放量总数高的区域计算资源不足的情况的发生。
📄 2023114657770
📂 G06Q10_063
👤 中电山河数字科技(南通)有限公司
📅 2023-11-07
本发明涉及一种移动边缘计算系统子任务协同调度方法，属于无线通信技术领域。该方法包括以下步骤：S1：建模移动边缘计算系统；S2：建模移动设备变量；S3：建模边缘服务器变量；S4：建模子任务模型；S5：建模子任务完成时间；S6：建模本地计算模式子任务完成时间；S7：建模边缘服务器卸载模式子任务完成时间；S8：建模子任务卸载及调度约束条件；S9：确定子任务卸载及协同调度策略以实现任务最大完成时间最小化。本发明综合考虑子任务之间因果依赖关系，拟执行任务时延需求及边缘服务器任务处理性能，联合任务卸载及调度策略，从而实现系统最大完成时间最小化。
📄 2020105437265
📂 H04W24_02
👤 重庆邮电大学
📅 2020-06-15
已申报项目
本发明公开了一种移动边缘计算中副本的动态一致性维护方法，包括以下步骤：S1根据副本的放置情况，建立节点‑副本超图模型；S2依据维护副本一致性的需求，选取副本的属性特征，获取副本数据集；S3对副本数据集作标准化处理并为数据集属性分配权重，得到待划分的副本数据集；S4采用改进的聚类算法，将副本数据集划分成三种一致性级别；S5利用超图划分的方法，根据结点‑副本超图模型和上一步的划分结果，动态地调整副本的存储位置，完善副本的动态一致性维护。本发明增加副本的一致性划分级别，更大程度地满足了用户的需求；使用改进的聚类算法，提高了一致性级别划分的准确性；使用超图划分动态地调整副本的存储位置，提高了系统的整体性能。
📄 2020115909309
📂 G06F3_06
👤 天津拾起卖科技集团有限公司
📅 2020-12-29
本发明涉及一种面向移动边缘计算的虚拟机部署方法，构建移动边缘计算环境，定义每一个边缘服务器的能源消耗模型、虚拟机集合VM和边缘服务器队列S，以引入二阶震荡因子的蝙蝠模型进行虚拟机部署，将m个虚拟机部署至n个边缘服务器，以虚拟机部署的历史数据训练改进的LSTM学习模型，基于学习模型进行虚拟机部署。本发明在Bat算法中引入二阶震荡，解决局部最优解的问题，并在搜索接近最优时使用订单转移机制，继续寻找最优解，最后使用该算法得到的历史部署数据训练改进的LSTM模型；本发明能充分利用边缘节点的历史数据，同时考虑到边缘端的资源有限和去中心化等问题，综合考虑能耗问题和时延问题，达到低能耗低时延的目标。
📄 2021102317660
📂 G06F9_455
👤 浙江工业大学
📅 2021-03-02
一种基于半监督学习的移动边缘计算速率最大化方法，包括以下步骤：1)每个无线设备都需要与基站建立联系；2)使用两个互不重叠的集合M0和M1分别表示在本地计算模式和分流模式的所有无线设备；3)处在集合M0中的无线设备能够收集能量并同时处理本地任务，而处在集合M1中的无线设备只能在收集能量后将任务分流至基站处理；4)所有无线设备的模式选择将通过它们的信道增益hi决定，半监督学习的作用则是将它们的信道增益作为输入，然后生成一个能使所有无线设备的总和计算速率最大化的最优模式选择，即决定哪些无线设备的任务在本地处理而哪些分流至基站处理。本发明在保证用户体验的前提下最大化所有无线设备的总和计算速率。
📄 2018103433116
📂 H04W24_02
👤 浙江工业大学
📅 2018-04-17
一种基于深度确定性策略梯度方法的移动边缘计算分流决策方法，包括以下步骤：1)计算出在给出分流决策下系统中所有的能量损耗；2)通过深度确定性策略方法来寻找一个最优的分流决策xnm，所有用户的分流决策xnm都被编进执行单元所需的状态xt；3)所有无线设备的分流决策xnm作为深度确定性策略方法的状态xt，动作a则是对状态xt的更改，更改后系统的总能量损耗会与一个设定的标准值进行比较，如果比这个标准值大则使当前奖励r(xt，a)设为正值，反之设为负值，同时系统进入下一状态xt+1，不断重复这个迭代过程直到得到最佳分流决策xnm。本发明在保证用户体验的前提下最小化能量损耗。
📄 2018103433135
📂 H04W24_02
👤 浙江工业大学
📅 2018-04-17
本发明涉及一种移动边缘计算网络考虑任务优先级的计算卸载方法，其特征在于，方法包括步骤：S1、获取系统模型的网络配置信息；S2、生成包含优先级约束关系的任务集，获取任务集在各个服务器进行计算的时延能耗总开销；S3、随机初始化生成任务集的初始粒子群，将任务集中的任务分别分配至各个服务器，并对各任务进行粒子位置编码，得到任务调度序列；S4、构建适应度评价函数，计算各粒子的适应度函数值；S5、更新粒子速度和位置，得到历史最优位置；S6、循环迭代得到全局最优的计算卸载方法。本发明的方法以优先级为约束，以最小化总开销为目标，将具有优先级依赖关系的任务合理卸载到不同服务器。
📄 2021116698259
📂 H04W28_08
👤 杭州电子科技大学
📅 2021-12-31
本发明涉及一种移动边缘计算网络中多目标优化的计算卸载方法，属物联网、人工智能领域。该方法基于面向时延和能耗的联合优化模型，通过设计智能算法GPSO实现多用户在进行任务卸载时的功率选择及按比例卸载。首先，确定移动边缘计算的网络架构，根据网络架构进行建模，模型包括系统模型、应用程序模型、通信模型、计算模型，然后根据所建立模型求解目标函数，将问题转换为混合非线性规划问题。最后，设计一种基于粒子群算法和遗传算法的分层计算算法GPSO，从而实现延迟与能耗联合优化下的用户的卸载比例策略和功率选择。该方法利用人工智能领域相关智能算法，实现移动边缘计算中多用户任务卸载策略的优化选择。
📄 2020112727864
📂 H04W16_22
👤 北京工业大学
📅 2020-11-14
本发明提供了一种应用于车联网的移动边缘计算服务动态迁移方法，根据该方法，当智能网联车辆在服务接续里程内行驶并穿越边缘服务片区时，会通过智能网联车辆的行为数据，计算智能网联车辆在多个路边单元中的目标路边单元能够获得的服务质量，并采用基于强化学习的移动边缘计算服务动态迁移方法判断服务迁移的必要性，当智能网联车辆在目标路边单元能够获得的服务质量更优，则确定服务需要迁移，并选取目标路边单元作为边缘节点，以通过目标路边单元为智能网联车辆提供服务，通过上述步骤能够使智能网联车辆的每一次服务迁移都满足服务质量更优，从而能够有效降低迁移发生时的时延抖动对服务质量的影响。
📄 2022105171345
📂 H04W4_40
👤 华东交通大学
📅 2022-05-13
本发明提供一种基于移动边缘计算的计算卸载方法及系统，该方法包括以下步骤：首先，建立系统的能量收集模型，得到吸能装置获取的总能量；其次，建立计算卸载模型，得到本地计算和边缘服务器计算的总时延以及总能耗，并以时延和能耗为约束条件获得任务成功率；接着，根据时延、剩余能量和任务成功率建立体验质量模型；最后，采用双延迟深度确定性策略梯度算法解决模型中的优化问题，以提高卸载决策的准确性。该方法通过建立射频能量收集模型及计算卸载模型，并联合时延、剩余能量和任务成功率建立体验质量模型，并基于双延迟深度确定性策略梯度算法来获得次优解，确保了车联网通信过程中的服务质量，达到了绿色节能的目的。
📄 2023109731459
📂 H04W28_08
👤 华东交通大学
📅 2023-08-04
本发明公开了一种超密集多接入移动边缘计算网中安全型计算效率优化方法，该方法包括：获取超密集多接入移动边缘计算网络的网络基础信息，根据网络基础信息构建网络系统，并在网络系统的约束下构建优化问题；根据优化问题得到初始解，并将初始解定义为父代种群，采用改进的自适应遗传免疫算法对父代种群进行搜索得到目标种群，并输出目标种群中全局最优抗体的染色体编码；根据全局最优抗体的染色体编码执行安全型计算效率优化配置。本发明具备多基站卸载，满足最小速率、最大用户设备能耗、时延、安全漏洞成本以及计算任务和发射功率比例约束，能很好地实现所有用户总加权计算效率最大化的目标。
📄 2024104394699
📂 H04W24_02
👤 华东交通大学
📅 2024-04-12
柿子坊 · 知识产权运营
柿子坊知识产权运营平台