CN104794644B - 一种面向智能服务引擎的任务众包方法 - Google Patents
一种面向智能服务引擎的任务众包方法 Download PDFInfo
- Publication number
- CN104794644B CN104794644B CN201510184200.1A CN201510184200A CN104794644B CN 104794644 B CN104794644 B CN 104794644B CN 201510184200 A CN201510184200 A CN 201510184200A CN 104794644 B CN104794644 B CN 104794644B
- Authority
- CN
- China
- Prior art keywords
- service
- task
- node
- factor
- service node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种面向智能服务引擎的任务众包方法，包括：首先服务平台根据接收的服务请求将任务发布出去，各个服务节点若愿意接受任务则反馈各自的竞标因子用于竞争任务；其次，服务平台根据各个服务节点反馈的竞标因子和任务的初始收益，计算各个服务节点的基本收益；接下来服务平台计算各服务节点的服务因子和收益系数，并根据竞标因子和服务因子来权衡任务的分发目标，将任务分配给对应的目标节点；最后待任务完成后，服务平台评估本次任务完成情况，并提供给服务节点最终收益作为激励。本发明方法通过服务平台与服务节点的博弈，可以巧妙地帮助服务平台在付出尽量小的收益的条件下将任务分配给尽量合适的服务节点，即达到最高的“性价比”。
Description
【技术领域】
本发明属于物联网技术领域，特别涉及一种任务众包方法。
【背景技术】
众包模式开启了一个微观参与的时代，大众的智慧日益凸显出巨大的商业价值。当互联网可通过云端计算实现端到端的连接方式而搭建大众参与的创新平台，实现协同自组织的新型网络工作环境，开放的在线环境将为实现对于个人潜能和个体价值的普遍再挖掘提供新的平台。
在移动互联网环境下，节点(人)作为新型感知服务节点的出现，其具有的移动性、认知性、社会性和时空复杂性等区别于传统网络的新特性将给服务模式带来新的挑战，引发新的变革。与此同时，伴随着Web 2.0和各种移动社交服务的兴起，如何在移动、动态和分布式环境下，基于社会网络、群智计算相关理论，以面向服务计算为理念，使用形式化语言进行语义描述，分析移动节点间的行为演化和社会网络结构，构建面向移动终端的智能引擎，将是移动互联网环境下智能服务面临的新的挑战，这在过去的研究中很少涉及，需要以全新的方式来开展研究。
【发明内容】
本发明的目的在于提供一种面向智能服务引擎的任务众包方法，以改进和克服现有任务众包方法的缺点；本发明方法是当服务平台发布任务时，众多可提供服务的服务节点自发以竞争形式争取任务，服务平台根据各服务节点反馈的竞标因子Dj和由各服务节点以往服务情况所决定的服务因子R(Mj)，权衡任务的分配目标，再结合任务的初始收益，计算并赋予服务节点最终的收益。本发明方法可以在大规模任务众包环境下，通过服务平台与服务节点间的博弈，快速发现并选择最优的服务节点，帮助智能服务引擎在提供尽可能少的收益的情况下选择尽可能优的服务节点，即达到最高的“性价比”，从而提高任务众包的效率和合理性。
为了实现上述目的，本发明采用如下技术方案：
一种面向智能服务引擎的任务众包方法，包括以下步骤：首先服务平台根据接收的服务请求将任务发布出去，各个服务节点若愿意接受任务则反馈各自的竞标因子用于竞争任务；其次，服务平台根据各个服务节点反馈的竞标因子和任务的初始收益，计算各个服务节点的基本收益；接下来服务平台计算各服务节点的服务因子和收益系数，并根据竞标因子和服务因子来权衡任务的分发目标，将任务分配给对应的目标节点；最后待任务完成后，服务平台评估本次任务完成情况，并提供给服务节点最终收益作为激励。
优选的，具体包括以下步骤：
步骤一：任务发布：服务平台给出任务Ti的初始收益S(Ti)，并将任务Ti及其初始收益S(Ti)发布至可能提供解决方案的潜在服务节点；使在智能服务引擎中，Ti表示任务，i∈U，U为任务集；
步骤二：各服务节点基本收益计算：服务引擎发布任务后，各服务节点如希望接受任务，即返回一个竞标因子Dj给服务平台；竞标因子用以影响任务的分发过程和最终收益的计算；
步骤三：服务平台根据任务Ti的初始收益S(Ti)和各服务节点提供的竞标因子Dj，计算各服务节点完成任务所得的基本收益Bj(Ti)；
步骤四：服务节点服务因子计算：服务平台根据服务节点Mj的历史服务情况，包括服务成功率Ssr(Mj)、服务及时率Sde(Mj)、服务满意度Ssd(Mj)来计算节点的服务因子R(Mj)；
步骤五：收益系数的计算：服务平台根据服务节点Mj的服务因子R(Mj)计算服务节点Mj在完成任务Ti时的收益系数Ai(Mj)；
步骤六：任务分发：服务平台根据服务节点的收益系数Ai(Mj)和各服务节点反馈的竞标因子Dj，计算任务Ti分配给服务节点Mj的权衡参考值Xi(Mj)，并以此权衡任务的分配目标；
步骤七：被分配任务的服务节点完成任务并提交给服务平台；
步骤八：计算最终受益：确认任务完成后，服务平台评估本次任务完成情况，计算并给予完成任务的服务节点Mk最终收益Fi(Mk)的激励。
优选的，还包括以下步骤：
步骤九：服务平台记录下该服务节点完成本次任务的服务情况，用以在以后的任务分发过程中评估服务节点的服务因子。
优选的，服务节点最终被分配到任务的概率与其反馈的竞标因子Dj正相关，而完成任务后该服务节点所得收益与竞标因子Dj负相关。
优选的，步骤六中服务平台将权衡参考值Xi(Mj)的计算结果存入Xij集合中，取集合元素的最小值，将任务分配给对应的服务节点。
优选的，步骤一中服务平台根据任务Ti的类别、难度系数、可提供解决方案的用户数量的相关信息给出任务Ti的初始收益S(Ti)。
优选的，步骤三中基本收益Bj(Ti)的计算公式为：
步骤四中：服务成功率Ssr(Mj)、服务及时率Sde(Mj)、服务满意度Ssd(Mj)和服务因子R(Mj)的计算公式如下：
服务成功率Ssr(Mj)：
服务因子R(Mj)：R(Mj)＝Psr*Ssr(Mj)+Pde*Sde(Mj)+Psd*Ssd(Mj)
其中：Ns为服务成功次数，Na为服务总次数；Nde为服务延迟次数；Ei为第i次服务的服务满意程度，由被服务用户给出，0<Ei<1；N为服务评价总次数；Psr、Pde、Psd分别为服务因子计算中服务成功率、服务及时率、服务满意度所占的权重。在本发明方法中，Psr、Pde、Psd分别记为1/3，且Psr+Pde+Psd＝1；
步骤五中收益系数Ai(Mj)的计算公式为：Ai(Mj)＝Exp(R(Mj))；
步骤六中权衡参考值Xi(Mj)的计算公式为：
步骤八中完成任务的服务节点Mk最终收益Fi(Mk)的计算公式为：Fi(Mk)＝Bj(Ti)·(1+Ai(Mj))。
相对于现有技术，本发明具有以下有意效果：本发明方法可实现智能服务引擎环境下的任务众包过程，说明了本发明方法的可用性；同时，本发明方法在应对较大规模的任务和服务节点时，依然表现出较高的准确性和实时性，说明了本发明方法较好的动态适应性。本发明方法通过服务平台与服务节点的博弈，巧妙地帮助服务平台在付出尽量小的收益的条件下将任务分配给尽量合适的服务节点，即达到最高的“性价比”。
【附图说明】
图1为本发明面向智能服务引擎的任务众包方法的框架流程图；
图2为模拟本发明方法实施过程图。
【具体实施方式】
下面结合附图说明和具体实施方式对本发明做进一步详细说明：
图1为本发明面向智能服务引擎的任务众包方法的框架流程图，该图详细地说明了本发明方法的实施流程。本发明一种面向智能服务引擎的任务众包方法，包括以下步骤：首先服务平台根据接收的服务请求将任务发布出去，各个服务节点若愿意接受任务则反馈各自的竞标因子用于竞争任务；其次，服务平台根据各个服务节点反馈的竞标因子和任务的初始收益，计算各个服务节点的基本收益；接下来服务平台计算各服务节点的服务因子和收益系数，并根据竞标因子和服务因子来权衡任务的分发目标，将任务分配给对应的目标节点；最后待任务完成后，服务平台评估本次任务完成情况，并提供给服务节点最终收益作为激励。
本发明是面向智能服务引擎的任务众包方法，在智能服务引擎中，用Ti表示任务，i∈U，U为任务集；Mj表示服务节点，j∈N，N为服务节点集。本发明方法的目的是有效、准确、及时地完成智能服务引擎的任务众包过程，具体过程包括如下步骤：
步骤一：任务发布。服务请求节点向服务平台提交感知任务Ti和初始收益S(T)i，服务平台根据任务Ti及其初始收益S(Ti)将其发布至可能提供解决方案的潜在服务节点；
步骤二：各服务节点基本收益计算。服务引擎发布任务后，各服务节点如希望接受任务，即返回一个竞标因子Dj给服务平台。竞标因子用以影响任务的分发过程和最终收益的计算：某服务节点最终被分配到任务的概率与其反馈的竞标因子Dj正相关，而完成任务后该服务节点所得收益与竞标因子Dj负相关；
步骤四：服务节点服务因子计算。服务平台根据服务节点Mj的历史服务情况，包括服务成功率Ssr(Mj)、服务及时率Sde(Mj)、服务满意度Ssd(Mj)来计算节点的服务因子R(Mj)；
其中：服务成功率Ssr(Mj)：
服务因子R(Mj)：R(Mj)＝Psr*Ssr(Mj)+Pde*Sde(Mj)+Psd*Ssd(Mj)
Ns：服务成功次数，Na服务总次数；Nde：服务延迟次数；Ei：第i次服务的服务满意程度，由被服务用户给出，0<Ei<1，N：服务评价总次数；Psr、Pde、Psd分别为服务因子计算中服务成功率、服务及时率、服务满意度所占的权重。在本发明方法中，Psr、Pde、Psd分别记为1/3，且Psr+Pde+Psd＝1。
步骤五：收益系数的计算。根据服务节点Mj的服务因子R(Mj)计算服务节点Mj在完成任务Ti时的收益系数Ai(Mj)；
其中，收益系数Ai(Mj)：Ai(Mj)＝Exp(R(Mj))
步骤六：任务分发。服务平台根据服务节点的收益系数Ai(Mj)和各服务节点反馈的竞标因子Dj，计算任务Ti分配给服务节点Mj的权衡参考值Xi(Mj)，并以此权衡任务的分配目标。权衡参考值Xi(Mj)的计算结果存入Xij集合中，取集合元素的最小值，将任务分配给对应的服务节点Mk。
步骤七：被分配任务的服务节点完成任务并提交给服务平台；
步骤八：计算最终受益。确认任务完成后，服务平台评估本次任务完成情况，计算并给予完成任务的服务节点Mk最终收益Fi(Mk)的激励。
其中，Fi(Mk)的计算公式为：Fi(Mk)＝Bj(Ti)·(1+Ai(Mj))。
步骤九：服务平台记录下该服务节点完成本次任务的服务情况，用以在以后的任务分发过程中评估服务节点的服务因子。
步骤十：结束。
为了更加形象地描述本专利方法的实施过程，以图2为例模拟说明本发明方法。
步骤一：服务平台发布任务，并推送至可能提供解决方案的潜在服务节点A、B、C，设置完成任务的初始收益为100积分；
步骤二：服务节点A、B、C根据自身情况反馈信息，若请求接受任务则反馈竞标因子用于竞争任务，若拒绝任务则反馈拒绝。如A反馈竞标因子2，B反馈竞标因子5，C反馈竞标因子10；
步骤三：服务平台根据服务节点反馈的竞标因子，计算各节点完成任务所能得到的基本收益Bj(Ti)，计算结果如下所示：
| 服务节点 | A | B | C |
| 基本收益Bj(Ti) | 50积分 | 20积分 | 10积分 |
步骤四：服务平台根据各服务节点以往的服务情况，根据历史服务成功率Ssr(Mj)、历史服务及时率Sde(Mj)和历史服务满意度Ssd(Mj)计算各节点的服务因子R(Mj)。如计算得A的服务因子为0.8，B的服务因子为0.9，C的服务因子为0.5；
步骤五：服务平台根据各服务节点的服务因子，计算各节点的收益系数Ai(Mj)，收益系数用于进行任务收益的加成，计算结果如下所示：
| 服务节点 | A | B | C |
| 收益系数Ai(Mj) | 2.226 | 2.460 | 1.649 |
步骤六：服务平台根据服务节点的收益系数和各服务节点反馈的竞标因子，计算任务Ti分配给服务节点Mj的权衡参考值Xi(Mj)，并以此权衡任务的分配目标。分配原则是取Xi(Mj)的最小值，将任务分配给对应的服务节点，权衡参考值计算结果如下：
| 服务节点 | A | B | C |
| 权衡参考值Xi(Mj) | 0.054 | 0.017 | 0.019 |
根据任务分配原则，将任务分配给服务节点B；
步骤七：服务节点B完成任务并提交。
步骤八：服务平台计算并给予B完成本次任务的最终收益Fi(Mk)。本例中，最终收益Fi(Mk)＝20*(1+2.460)＝69.2积分；
步骤九：服务平台评估并记录服务节点B本次的服务情况，用于对服务节点B服务因子的相关参数进行调整。
步骤十：本次任务分配过程结束。
为进一步验证本发明方法在实际运行过程中的表现，通过相应的实验，分析和对比实验结果，对发明方法的相关性能进行测试和评估。本发明将部署在利用JAVA语言编写的服务平台上，服务平台包括手机客户端与服务器端。手机客户端的主要功能是为服务方及用户提供一个环境友好的用户操作界面以实现服务平台与服务节点之间信息的采集和传输，服务器端的主要功能是管理和实现本发明的任务众包过程。实验的主要目的是考察本发明方法在智能服务引擎任务众包过程中的可用性和动态适应性，实验数据集采用MIT提供的标准数据集，该数据记录了校园内106个节点为期9个月的移动轨迹和活动信息。(1)可用分析，检测本发明与其他已有算法在服务众包成功率SSR的不同；(2)动态适应性分析，考查本发明在网络环境动态变化过程中能够提供可靠服务的能力。作为比较，对本发明的算法和HGSM和AM算法进行分析。通过实验分析可知，随着众包节点个数的增加，本发明所述方法与HGSM和AM算法的SSR都有所提高，但是本发明的SSR增长幅度明显优于其他两者，其平均成功率达到86％，说明了发明的有效性。同样，动态适应性分析主要通过设置众包服务提交频度SRF来反映。SRF越大，说明服务请求越频繁。从实验结果可以看出，在动态网络环境下，随着SRF的不断增加，三种算法的SSR都会出现下降，但是本发明方法的降幅要明显低于后两者，其平均成功率达到75％，说明本发明依然表现出较好的稳健性和动态适应性。
Claims (6)
1.一种面向智能服务引擎的任务众包方法，其特征在于，包括以下步骤：首先服务平台根据接收的服务请求将任务发布出去，各个服务节点若愿意接受任务则反馈各自的竞标因子用于竞争任务；其次，服务平台根据各个服务节点反馈的竞标因子和任务的初始收益，计算各个服务节点的基本收益；接下来服务平台计算各服务节点的服务因子和收益系数，并根据竞标因子和服务因子来权衡任务的分发目标，将任务分配给对应的目标节点；最后待任务完成后，服务平台评估本次任务完成情况，并提供给服务节点最终收益作为激励；
具体包括以下步骤：
步骤一：任务发布：服务平台给出任务Ti的初始收益S(Ti)，并将任务Ti及其初始收益S(Ti)发布至可能提供解决方案的潜在服务节点；使在智能服务引擎中，Ti表示任务，i∈U，U为任务集；
步骤二：各服务节点基本收益计算：服务引擎发布任务后，各服务节点如希望接受任务，即返回一个竞标因子Dj给服务平台；竞标因子用以影响任务的分发过程和最终收益的计算；
步骤三：服务平台根据任务Ti的初始收益S(Ti)和各服务节点提供的竞标因子Dj，计算各服务节点完成任务所得的基本收益Bj(Ti)；
步骤四：服务节点服务因子计算：服务平台根据服务节点Mj的历史服务情况，包括服务成功率Ssr(Mj)、服务及时率Sde(Mj)、服务满意度Ssd(Mj)来计算节点的服务因子R(Mj)；
步骤五：收益系数的计算：服务平台根据服务节点Mj的服务因子R(Mj)计算服务节点Mj在完成任务Ti时的收益系数Ai(Mj)；
步骤六：任务分发：服务平台根据服务节点的收益系数Ai(Mj)和各服务节点反馈的竞标因子Dj，计算任务Ti分配给服务节点Mj的权衡参考值Xi(Mj)，并以此权衡任务的分配目标；
步骤七：被分配任务的服务节点完成任务并提交给服务平台；
步骤八：计算最终受益：确认任务完成后，服务平台评估本次任务完成情况，计算并给予完成任务的服务节点Mk最终收益Fi(Mk)的激励。
2.根据权利要求1所述的一种面向智能服务引擎的任务众包方法，其特征在于，还包括以下步骤：
步骤九：服务平台记录下该服务节点完成本次任务的服务情况，用以在以后的任务分发过程中评估服务节点的服务因子。
3.根据权利要求1所述的一种面向智能服务引擎的任务众包方法，其特征在于，服务节点最终被分配到任务的概率与其反馈的竞标因子Dj正相关，而完成任务后该服务节点所得收益与竞标因子Dj负相关。
4.根据权利要求1所述的一种面向智能服务引擎的任务众包方法，其特征在于，步骤六中服务平台将权衡参考值Xi(Mj)的计算结果存入Xij集合中，取集合元素的最小值，将任务分配给对应的服务节点。
5.根据权利要求1所述的一种面向智能服务引擎的任务众包方法，其特征在于，步骤一中服务平台根据任务Ti的类别、难度系数、可提供解决方案的用户数量的相关信息给出任务Ti的初始收益S(Ti)。
6.根据权利要求1所述的一种面向智能服务引擎的任务众包方法，其特征在于，
步骤三中基本收益Bj(Ti)的计算公式为：
步骤四中：服务成功率Ssr(Mj)、服务及时率Sde(Mj)、服务满意度Ssd(Mj)和服务因子R(Mj)的计算公式如下：
服务成功率Ssr(Mj)：
服务及时率Sde(Mj)：
服务满意度Ssd(Mj)：
服务因子R(Mj)：R(Mj)＝Psr*Ssr(Mj)+Pde*Sde(Mj)+Psd*Ssd(Mj)
其中：Ns为服务成功次数，Na为服务总次数；Nde为服务延迟次数；Ei为第i次服务的服务满意程度，由被服务用户给出，0<Ei<1；N为服务评价总次数；Psr、Pde、Psd分别为服务因子计算中服务成功率、服务及时率、服务满意度所占的权重；Psr、Pde、Psd均为1/3，且Psr+Pde+Psd＝1；
步骤五中收益系数Ai(Mj)的计算公式为：Ai(Mj)＝Exp(R(Mj))；
步骤六中权衡参考值Xi(Mj)的计算公式为：
步骤八中完成任务的服务节点Mk最终收益Fi(Mk)的计算公式为：
Fi(Mk)＝Bj(Ti)·(1+Ai(Mj))。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510184200.1A CN104794644B (zh) | 2015-04-16 | 2015-04-16 | 一种面向智能服务引擎的任务众包方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510184200.1A CN104794644B (zh) | 2015-04-16 | 2015-04-16 | 一种面向智能服务引擎的任务众包方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104794644A CN104794644A (zh) | 2015-07-22 |
| CN104794644B true CN104794644B (zh) | 2018-07-17 |
Family
ID=53559428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510184200.1A Active CN104794644B (zh) | 2015-04-16 | 2015-04-16 | 一种面向智能服务引擎的任务众包方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104794644B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239983B (zh) * | 2016-03-28 | 2020-12-08 | 上海交通大学 | 众包平台劳动者挑选方法 |
| CN105956833A (zh) * | 2016-06-12 | 2016-09-21 | 中国十七冶集团有限公司 | 一种公路施工企业应用云平台及使用方法 |
| CN106651319A (zh) * | 2016-12-29 | 2017-05-10 | 东莞市爱黔粤机电技术有限公司 | 一种通过众包众筹技术方案信息系统及方法 |
| CN106843774B (zh) * | 2017-02-24 | 2017-12-26 | 合肥工业大学 | 一种基于区块链的智能合约的众包构建方法 |
| CN108984479B (zh) * | 2017-06-02 | 2021-07-23 | 浙江师范大学 | 一种用于提高众包平台运行效率的方法 |
| CN110751293B (zh) * | 2019-09-29 | 2022-04-15 | 浙江财经大学 | 一种基于博弈论的云制造多任务调度优化方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5916596B2 (ja) * | 2012-12-18 | 2016-05-11 | インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ | タスク配分サーバ、タスク配分方法、およびタスク配分プログラム |
| US20140180779A1 (en) * | 2012-12-20 | 2014-06-26 | International Business Machines Corporation | Automated incentive computation in crowdsourcing systems |
| CN104102628A (zh) * | 2013-04-08 | 2014-10-15 | 刘龙 | 一种即时语言翻译服务系统及方法 |
| CN103310349A (zh) * | 2013-06-14 | 2013-09-18 | 清华大学 | 一种基于在线激励机制的感知数据获取方法 |
| CN104267973B (zh) * | 2014-10-21 | 2017-11-21 | 北京航空航天大学 | 一种群体软件工程过程开发方法 |
| CN104463424A (zh) * | 2014-11-11 | 2015-03-25 | 上海交通大学 | 众包中任务最优分配方法及其系统 |
-
2015
- 2015-04-16 CN CN201510184200.1A patent/CN104794644B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104794644A (zh) | 2015-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104794644B (zh) | 一种面向智能服务引擎的任务众包方法 | |
| US11659050B2 (en) | Discovering signature of electronic social networks | |
| Pacini et al. | Balancing throughput and response time in online scientific Clouds via Ant Colony Optimization (SP2013/2013/00006) | |
| CN109068288A (zh) | 一种基于多属性用户选择移动群智感知激励机制的方法及系统 | |
| CN104035987B (zh) | 一种微博网络用户影响力排名方法 | |
| CN102281290A (zh) | 一种PaaS云平台的仿真系统及方法 | |
| CN112036696A (zh) | 任务分配方法、任务分配装置、存储介质和电子设备 | |
| Karim et al. | End-to-end QoS prediction of vertical service composition in the cloud | |
| Tasgin et al. | Community detection using preference networks | |
| Kalloori et al. | Horizontal cross-silo federated recommender systems | |
| Yu et al. | A hybrid GP-Tabu approach to QoS-aware data intensive Web service composition | |
| CN109086976B (zh) | 一种面向群智感知的任务分配方法 | |
| Shefu et al. | Fruit fly optimization algorithm for network-aware web service composition in the cloud | |
| CN107562871A (zh) | 基于社会资本价值排序的社交网络影响力用户发现方法 | |
| CN104917812B (zh) | 一种应用于群智计算的服务节点选择方法 | |
| CN109410078B (zh) | 一种适用于面向文件共享的移动社交网络的信息传播预测方法 | |
| CN106657238A (zh) | 一种面向交互式工作负载的数据中心粗粒度动态服务器预留算法 | |
| Li et al. | When user interest meets data quality: A novel user filter scheme for mobile crowd sensing | |
| Li et al. | FedCompass: Efficient Cross-Silo Federated Learning on Heterogeneous Client Devices using a Computing Power Aware Scheduler | |
| CN112818241A (zh) | 一种内容推广方法、装置、计算机设备和存储介质 | |
| Buccafurri et al. | A trust-based approach to clustering agents on the basis of their expertise | |
| Vilutis et al. | The QoGS method application for selection of computing resources in intercloud | |
| Karim et al. | End-to-end QoS prediction model of vertically composed cloud services via tensor factorization | |
| Li et al. | Resource scheduling optimisation algorithm for containerised microservice architecture in cloud computing | |
| CN102819529B (zh) | 社交网站信息发布方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| EXSB | Decision made by sipo to initiate substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |