云计算技术研究的最新成果（第二弹）

Posted 2021-04-29 SIAT知识产权

云计算技术研究中心

面向互联网、移动互联网等重点领域和健康、交通等民生攸关的重要应用方向， 开展安全、可靠、高效、节能云计算核心关键技术研究和典型应用开发，最终形成具有国际学术影响的技术研发中心和对区域经济社会发展有显著贡献的产业辐射中心。

专利推介（第十一期）

来自中科院深圳先进院数字所云计算技术研究中心-五件专利成果

01

一种Kubernetes集群资源动态调整方法及电子设备

现有的集群资源调整方案，开销过大，耗时耗力，且相同的数据在不同的机器上，由于配置不同，其性能也存在差异性的技术问题。

技术成果：

提供一种Kubernetes集群资源动态调整方法及电子设备。首先对应用进行静态冗余配置部署，收集真实负载环境下应用的历史监控指标数据，在线进行预训练得到较为可靠的预测模型；然后对预测模型进行迭代训练，直到模型损失收敛或只在预设范围内震荡后，不断采集新的资源消耗时序数据输入预测模型中预测未来一小段时间内资源消耗的峰值，将该值作为资源限制值进行更新，实现动态的Pod资源限制调整。本申请提高了系统资源利用率，解决了资源碎片问题，提高了资源利用率，起到了自适应的效果。

02

一种神经网络调优方法、系统、终端以及存储介质

现有的网络结构变得越来越复杂，网络的参数量也呈现爆炸式增长的趋势，复杂的神经网络的训练过程变得非常缓慢，同时训练网络所带来的能量消耗也成倍增长的技术问题。

技术成果：

本申请提供一种神经网络调优方法、系统、终端以及存储介质通过在神经网络的损失函数中加入类内间距正则化损失，在网络训练的过程中，在一定比例的迭代次数中插入类内间距正则化算法对神经网络进行迭代训练，类内间距正则化算法只需提取各个类别的样本数据的特征图的类别中心，而其余迭代过程与原始网络的训练方法一致，从而在不改变神经网络结构的情况下，提升网络结构的泛化能力和抗干扰性，且由此带来的额外时间开销较小。

03

一种网络异常检测方法、系统、终端以及存储介质

现有的网络异常检测基于人工设定的流量特征数据集，特征设计的好坏决定了分类器的上限，使用原始数据建模时使用的流量嵌入方式多为字节级别的one-hot编码，不能很好地反应数据的内部隐含关系。

技术成果：

本申请提供一种网络异常检测方法、系统、终端以及存储介质通过使用n-gram模型建立网络流量的组合表，并对每一个组合学习一个低维空间中的向量表示，并使用融合的特征进行模型的建模，即在人工设计的特征基础上使用深度神经网络学习网络流量的内在特征表示，能够更好地表示网络流量，增加了模型预测效果的上限。同时能够更好的反应数据的内部隐含关系，从而更好地学习到网络流量的特征表示，达到更好的分类效果。

04

模型训练方法和装置、电子设备及机器可读存储介质

现有的联邦学习中，服务端设备在利用各客户端设备发送的本地模型的参数进行模型更新时，无论本地模型的优劣，各客户端设备发送的本地模型的参数在服务端设备使用过程中均占相同的权重，这样服务端设备更新得到的模型在使用过程中模型的准确率将被大大降低。

技术成果：

本发明通过对质量比较优良的本地更新模型赋予数值较大的模型重要程度参数，而对质量比较劣质本地更新模型赋予数值较小的模型重要程度参数，这样，在服务端设备进行模型更新的过程中，优良的本地更新模型的参数权重较大，而劣质的本地更新模型的参数权重较小，从而能够提高服务端设备更新得到的模型的准确率。

05

乘客的识别方法和识别装置、电子设备和可读存储介质

为了判断来自不同数据源下的轨迹是否属于同一用户的问题，现有的方法主要通过计算轨迹中点对之间的距离来衡量轨迹之间的相似性。然而这样的方法不适合轨迹点取值范围小，且不同用户之间存在大量时空轨迹重叠的场景。

技术成果：

本发明通过获取相互匹配的第一逻辑出行（规律出行）和第二逻辑（随机）出行的重叠时长，并对获取到的第一类逻辑出行的重叠时长进行衰减，以在计算轨迹相似度的过程中降低重叠时长的权重，从而提高不同数据源下同一乘客的识别匹配准确率。

联系我们：

如果您对上述专利技术感兴趣，欢迎留言与我们联系，或致电0755-86392404/18002564875曹老师。

SIAT知识产权