CN110383245B - 具有动态反馈的安全智能联网架构 - Google Patents
具有动态反馈的安全智能联网架构 Download PDFInfo
- Publication number
- CN110383245B CN110383245B CN201880008221.XA CN201880008221A CN110383245B CN 110383245 B CN110383245 B CN 110383245B CN 201880008221 A CN201880008221 A CN 201880008221A CN 110383245 B CN110383245 B CN 110383245B
- Authority
- CN
- China
- Prior art keywords
- secure
- data cluster
- quantized
- cluster structure
- server
- 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
- 230000006855 networking Effects 0.000 title claims abstract description 19
- 230000004913 activation Effects 0.000 claims description 48
- 230000004927 fusion Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000013139 quantization Methods 0.000 claims description 10
- 239000002355 dual-layer Substances 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 14
- 239000003795 chemical substances by application Substances 0.000 description 28
- 230000000694 effects Effects 0.000 description 21
- 238000013528 artificial neural network Methods 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000004044 response Effects 0.000 description 13
- 238000012546 transfer Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 230000011664 signaling Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
- G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
- G06F21/6263—Protecting personal data, e.g. for financial or medical purposes during internet communication, e.g. revealing personal data from cookies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/40—Network security protocols
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Bioethics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
Abstract
本文提供示范性系统和方法,包含产生优良策略用于依据实时实际条件部署,且具有到安全智能联网架构的动态反馈,以便对依据所述实时实际条件部署的所述策略和习得的后续策略的产生作出调整。
Description
技术领域
本文所揭示的实施例是关于具有动态反馈的安全智能联网架构。
发明内容
本文提供用于具有动态反馈的安全智能联网架构的示范性系统和方法。根据示范性实施例,一种具有动态反馈的安全智能联网架构可包含Netezza、以通信方式耦合到Netezza的安全GPU、以通信方式耦合到Netezza的融合服务器、以通信方式耦合到融合服务器的活动服务器、以通信方式耦合到融合服务器和Netezza的安全智能代理,以及以通信方式耦合到Netezza、安全GPU和安全智能代理的的云资源。
进一步示范性实施例可包含所述Netezza经配置以在数据集群结构中产生多个自主数据结构的分组,所述Netezza经配置以将数据集群结构发射到安全GPU,所述安全GPU经配置以使数据集群结构对历史条件作出反应以建立性能量度,所述安全GPU经配置以确定当前条件的可变性,所述安全GPU经配置以将量化令牌指派到数据集群结构,所述安全GPU经配置以将量化令牌化数据集群结构发射到云资源,所述云资源经配置以在阶层式框架结构内使量化令牌化数据集群结构结构化,所述安全智能代理经配置以将激活信号发射到云资源,且所述云资源经配置以将阶层式框架结构内的量化令牌化数据集群结构与激活信号一起发射到Netezza。
在另外进一步示范性实施例中,所述Netezza经配置以使量化令牌化数据集群结构对模拟当前条件作出反应以产生预期性能量度,所述安全智能代理经配置以调整Netezza上的量化令牌化数据集群结构的激活信号,所述Netezza经配置以将量化令牌化数据集群结构和对应的激活信号发射到融合服务器,所述安全智能代理经配置以调整融合服务器上的量化令牌化数据集群结构的激活信号,所述融合服务器经配置以将量化令牌化数据集群结构与对应的激活信号一起发射到活动服务器,所述安全智能代理经配置以确定活动服务器上的量化令牌化数据集群结构的实际性能量度,所述融合服务器经配置以调整活动服务器上的量化令牌化数据集群结构的激活信号,且所述Netezza经配置以基于激活信号在数据集群结构中产生多个自主数据结构的后续分组。
附图说明
图1是用于具有动态反馈的安全智能联网架构的示范性系统的图式。
图2A-2B表示用于具有动态反馈的安全智能联网架构的示范性方法的流程图。
具体实施方式
本文提供示范性系统和方法,包含产生优良策略用于依据实时实际条件部署,且具有到安全智能联网架构的动态反馈,以便对依据实时实际条件部署的策略和习得的后续策略的产生作出调整。
在许多情形中,对于实时活动存在第三方服务器,所述实时活动受许多外部代理、因素和条件影响。此类实时活动可包括一或多个体育团队、公司、电力网、市场、交易所、事务所、协会、天气状况或政府的实时活动。这些实时活动可包含高水平的波动性和不可预测性。针对实时活动适时产生和部署呈自主数据结构的形式的优良策略的过程中存在技术问题。所述技术问题还包含管理自主数据结构,且更确切地说关于自主数据结构应对实时活动作出反应到什么程度(包含其应何时切断和/或被另一自主数据结构替代或加入)的所述自主数据结构的自动指示。
本文中所提供的示范性实施例包含产生自主数据结构,以及将自主数据结构分组为数据集群结构。数据集群结构对历史条件作出反应且表征为一或多个性能量度。确定当前条件的可变性,且基于所确定的可变性和所述一或多个性能量度,将量化令牌指派到每一数据集群结构以产生令牌化数据集群结构。多个令牌化数据集群结构构造为阶层式框架结构。将激活信号提供给一或多个数据集群结构。如由其对应的激活信号编程的每一令牌化数据集群结构对模拟当前条件作出反应以产生一或多个预期性能量度。基于预期性能量度,可对提供给数据集群结构的激活信号中的一或多者作出调整。将数据集群结构和对应的激活信号(如可经调整的)发射到活动服务器。活动服务器是对于实时活动的第三方服务器,所述实时活动受许多外部代理、因素和条件(当其发生时)影响。针对令牌化数据集群结构确定一或多个实际性能量度且将其与所述一或多个先前预期的性能量度进行比较。基于此比较,随着其持续对影响活动服务器上的实时活动的许多外部代理、因素和条件作出反应,可对对应于数据集群结构的激活信号中的一或多者作出进一步调整。这些调整后的激活信号还可在后续产生自主数据结构且分组为数据集群结构的过程中采用。作为专门硬件平台上发生的这些过程的结果,产生优良策略且所述优良策略依据实时条件部署并具有到专门硬件平台的动态反馈,以便根据需要对依据实时条件部署的所述策略和习得的后续策略的产生作出调整。
图1是用于具有动态反馈的安全智能联网架构的示范性系统的图式。
如图1中所示的示范性系统100包含Netezza 101、安全图形处理单元(“GPU”)102、安全智能代理103、基于安全云的专门洞察服务器和/或虚拟洞察机器104、融合服务器105、任选数据传送廊道106A-106I和活动服务器107。
根据示范性实施例,多个数据集群结构可在Netezza 101或能够执行相同功能的机器上操作。Netezza 101可以是不对称大规模并行处理架构,其是双层系统。第一层为高性能Linux SMP主机,其编译从智能应用接收的数据查询任务,且产生查询执行计划。其随后将查询划分为可并行地执行的子任务或片段的序列,且将所述片段分配到第二层以供执行。第二层由一个到数百个片段处理叶片或S-叶片组成,在所述片段处理叶片中执行设备的所有初级处理工作。S-叶片是组成设备的大规模并行处理引擎的智能处理节点。每一S-叶片是含有Netezza的专有多引擎高处理量FPGA的独立服务器。S-叶片由叶片服务器与扣接在叶片旁的特殊Netezza数据库加速器卡组合而组成。每一S-叶片继而连接到在TwinFin或Skimmer中并行处理多个数据流的多个磁盘驱动器。
根据各个示范性实施例,设备具有支持装置的操作的若干硬件组件。Netezza设备包括一或多个硬件机架,具有主机服务器、开关、SPU、磁盘、电力控制器、冷却装置、I/O卡、管理模块和线缆。
下表列出了待监测的关键硬件组件:
安全图形处理单元(GPU)102是专门的电子电路,其被设计成快速操控和更改存储器以加速在帧缓冲器中创建既定输出到显示器的图像。由GPU执行的过程可包含:
运动补偿(mocomp);
逆向离散余弦变换(iDCT);
反转电视电影3:2和2:2下拉校正;
逆向经修改离散余弦变换(iMDCT);
回路内解块滤波器;
帧内预测;
逆量化(IQ);
可变长度解码(VLD)或切片层级加速度;
空间-时间去交错和自动交错/渐进源检测;以及
位流处理(上下文自适应可变长度译码/上下文自适应二进制算术译码)和完美的像素定位。
根据一些示范性实施例的安全智能代理103(尽管不限于)为包括非通用计算组件的非通用计算装置。其可包括专门化专用硬件处理器以确定和发射数字数据元素。在进一步的示范性实施例中,安全智能代理103包括具有电路系统、负载均衡和专门硬件处理器的专门的装置,以及包含机器动态学习的人工智能。由如本文所描述的安全智能代理103作出的许多确定步骤可通过自动机器确定作出,而无需人工介入,包含基于由如本文所描述的安全智能联网架构、处理和/或执行提供的先前结果或反馈(例如自动反馈回路)。
根据各个示范性实施例,基于安全云的专门化洞察服务器和/或虚拟洞察机器104(也称为“云资源”)可以是专门的洞察服务器和/或虚拟洞察机器,且从安全智能代理103接收至少一个数字数据元素。根据各个示范性实施例,基于安全云的专门化洞察服务器和/或虚拟洞察机器104利用如本文所描述的大规模复杂计算资源来产生经变换数字数据、文件、取消的文件和/或视觉可感知数字数据元素。
在某些示范性实施例中,基于安全云的专门化洞察服务器和/或虚拟洞察机器104进一步包括主虚拟机服务器,其包含负责产生本文中描述的虚拟机的全部或大部分的单个安全云资源。
根据各个示范性实施例,虚拟机可包括特定计算机系统的仿真。虚拟机基于真实或假想计算机的计算机架构和功能操作,且其实施方案可涉及专门的硬件、软件或两者的组合。
在进一步的示范性实施例中,虚拟机管理界面经配置以用于处理大量数据的云计算实例的集群。虚拟机管理界面充当用户界面来处置虚拟计算实例的预订和取消。此外,虚拟机管理界面可以允许虚拟机的详细定制。举例来说,可针对每一虚拟机和/或所有虚拟机详述随机存取存储器(“RAM”)、处理器速度、处理器数目、网络细节、安全/加密和/或存储器。一旦云计算实例的集群被预订且运行,则虚拟机管理界面正“收听”闲置机器且为任何闲置机器“指派”处理职责。
基于云的计算环境是通常组合大分组的处理器的计算能力和/或组合大分组的计算机存储器或存储装置的存储容量的资源。
举例来说,150个8核虚拟机可用于在三到四小时内处理数千亿次计算。
此外,每一虚拟机可将历史数据和性能数据变换为神经网络可用的数据集。在一些示范性实施例中,神经网络可用的数据集包括组织成一或多个集合的数据点的聚合。
举例来说,对于任何特定项目的例如每日(或每分钟、每小时、每月、每年、每几十年等)特定时间周期,历史数据和性能数据被分组在一起作为数据集。
根据进一步的实施例,每一虚拟机可创建神经网络基础。所述神经网络基础连同神经网络可用的数据集一起形成神经网络。根据一些示范性实施例,创建神经网络基础包含处理一层输入数据,且接着以算法方式处理所述数据以对照已知输出比较算法的输出。
神经网络基础可包括用于对照数据输入近似的一组算法。这些算法能够在其自身内存储被测试值且存储错误率。
神经网络可包括神经网络基础及其与神经网络可用的数据集联合的基本算法。神经网络可用的数据集可充当神经网络基础计算和/或以其它方式与之交互的数据馈送器。
在各种示范性实施例中,可通过神经网络反复请求处理可用数据集中的下一数据点来执行数据点的馈送。
根据多个示范性实施例,数据点可包含(但不限于)神经网络能够作为其可用数据集的一部分访问的性能数据和历史数据。
根据各个示范性实施例,库可包括数十万个自主数据结构。向自主数据结构分配资源的决策可基于其历史性能(确切地说,条件),因此通过本文中描述和说明的示范性系统和方法在库上维持最新信息。
进一步的示范性实施例包含全方位虚拟机管理界面,其是控制CCI(云计算实例)的预订且充当这些CCI将处理任务分布到每一机器的管理器的一体化桌面应用。通过按需要启动尽可能多的云实例以实现测试所有自主数据结构的任务提供性能最佳的自主数据结构和/或自主数据集群结构的实时确定。
根据各种示范性实施例且如本文所描述,在融合服务器105中量化令牌化数据集群结构对实时实际条件作出反应。根据各个示范性实施例,来自安全智能代理103的反馈信令回路将对应于相应量化令牌化数据集群结构的经调整激活信号发射到融合服务器105。融合服务器105还将具有对应激活信号(如可经调整的)量化令牌化数据集群结构发射到活动服务器107。安全智能代理103确定(如安全智能代理103从融合服务器105访问的)活动服务器107上量化数据集群结构的实际性能量度,且将其与预期性能量度进行比较。
根据进一步的示范性实施例,例如任选数据传送廊道106A-106I等一或多个任选数据传送廊道可安装在智能联网架构中的特定位置处。任选数据传送廊道是基于硬件的安全高速数据传送廊道,其各自具有专门的处理器和开关。任选的数据传送廊道促进尤其在需要大量数据的极快传送的那些情形中大量数据的单边或双边传送。
根据示范性实施例,活动服务器107是第三方服务器,其中实时活动受许多外部代理、因素和条件影响。活动服务器107从融合服务器105接收安全指令。在一些示范性实施例中,活动服务器107包括一或多个体育团队、公司、市场、电力网、交易所、事务所或协会的实时活动。
图2是用于具有动态反馈的安全智能联网架构的示范性方法200的图式。根据各个示范性实施例,自主数据结构响应于某一条件产生电流或其它类型的信号。电流或其它类型的信号可产生可测量动作。举例来说,自主数据结构可包括“如果X,则Y”,其中X是所述条件且Y是对所述条件的响应。其它自主数据结构可包括多个条件和/或响应。条件可包含时间、活动、天气、体育得分、成本、价格、体积、频率等中的任一个。响应可包含是、否、等待、开始特定玩家、不采取行动、购买、出售、短接、保持等。
在步骤201处,Netezza 101(图1)基于一或多个共享特性在数据集群结构中产生多个自主数据结构的分组,所述共享特性包含自主数据结构如何响应于特定条件产生电流或其它类型的信号。
举例来说,自主数据结构可在某些条件下(例如,冬季)预测特定区的将来平均每日温度。此自主数据结构可与用于相同区和/或条件的其它自主数据结构一起分组以形成数据集群结构。可形成许多数据集群结构。
根据示范性实施例,多个数据集群结构可在为两层系统的Netezza不对称大规模并行处理架构上操作。第一层为高性能Linux SMP主机,其编译从智能应用接收的数据查询任务,且产生查询执行计划。其随后将查询划分为可并行地执行的子任务或片段的序列,且将所述片段分配到第二层以供执行。第二层由一个到数百个片段处理叶片或S-叶片组成,在所述片段处理叶片中执行设备的所有初级处理工作。S-叶片是组成设备的大规模并行处理引擎的智能处理节点。每一S-叶片是含有Netezza的专有多引擎高处理量FPGA的独立服务器。S-叶片由叶片服务器与扣接在叶片旁的特殊Netezza数据库加速器卡组合而组成。每一S-叶片继而连接到在TwinFin或Skimmer中并行处理多个数据流的多个磁盘驱动器。
在步骤202处,Netezza 101将数据集群结构发射到安全GPU 102(图1)以对历史条件作出反应且建立性能量度。举例来说,历史条件可以是最近几年内特定区的平均每日风速。数据集群结构可包括基于较好地响应(例如,基于前两周的平均每日风速正确地预测特定区的接下来一天的平均每日温度)而分组在一起的自主数据结构。
根据示范性实施例,安全GPU 102是专门的电子电路,其被设计成快速操控和更改存储器以加速在帧缓冲器中创建既定输出到显示器的图像。由安全GPU 102执行的过程可包含:
运动补偿(mocomp);
逆向离散余弦变换(iDCT);
反转电视电影3:2和2:2下拉校正;
逆向经修改离散余弦变换(iMDCT);
环路内解块滤波器;
帧内预测;
逆量化(IQ);
可变长度解码(VLD)或切片层级加速度;
空间-时间去交错和自动交错/渐进源检测;以及
位流处理(上下文自适应可变长度译码/上下文自适应二进制算术译码)和完美的像素定位。
在步骤202期间,响应于历史条件建立性能量度以量化由所述一或多个数据集群结构进行的可测量动作。举例来说,相对于基于较好地响应(例如正确地预测接下来一天的平均每日温度)分组在一起的自主数据结构的数据集群结构,性能量度可以是数据集群结构内的每一自主数据结构预测任何特定的一天的实际平均每日温度在多少度内。
在步骤203处,在各种示范性实施例中,安全GPU 102确定当前条件的可变性。在一些示范性实施例中,此通过应用预定时间周期来确定当前条件的可变性的取样而执行。举例来说,当前条件的可变性可能包括最近三十天特定区中平均每日温度的变化。
在步骤204处,安全GPU 102向每一数据集群结构指派量化令牌以产生量化令牌化数据集群结构。根据各个示范性实施例,量化令牌是基于步骤203处确定的当前条件的可变性和步骤202处建立的性能量度。举例来说,基于较好地响应(例如正确地预测特定区中接下来一天的平均每日温度)分组在一起的自主数据结构的数据集群结构的量化令牌将基于数据集群结构内的每一自主数据结构预测特定一(些)天的实际平均每日温度在多少度内,以及最近三十天特定区中平均每日温度的变化。
在步骤205处,安全GPU 102将量化令牌化数据集群结构发射到云资源104(图1)且云资源104基于量化令牌将量化令牌化数据集群结构结构化为阶层式框架结构。举例来说,阶层式框架结构可以是基于任何特定令牌化数据集群结构的每一量化令牌的值按升序垂直地构造每一量化令牌化数据集群结构。
在步骤206处,安全智能代理103(图1)将激活信号发射到云资源104,且云资源将呈阶层形式的量化令牌化数据集群结构与相应的对应激活信号一起发射到Netezza 101。
根据示范性实施例,激活信号表示量化令牌化数据集群结构响应于某一条件而作出反应的量值。根据示范性实施例,激活信号是阶层式框架结构内量化令牌化数据集群结构的位置的函数。根据各个示范性实施例,激活信号是需要基于各种因素进行优先级排序的有限资源。举例来说,在用于预测特定区的将来平均每日温度的包括自主数据结构的100个量化令牌化数据集群结构的阶层中,10个量化令牌化数据集群结构可接收激活信号。在按升序垂直地构造的阶层式框架结构中,此可表示顶部10个量化令牌化数据集群结构接收激活信号。此外,跨越顶部10个量化令牌化数据集群结构的激活信号的分布可以变化。举例来说,在总共十个量化令牌化数据集群结构中排第一的量化令牌化数据集群结构可接收待分布的总共100个激活信号中的二十五个激活信号,而排第十的量化令牌化数据集群结构可接收总共100个激活信号中的五个激活信号。
在步骤207处,量化令牌化数据集群结构对Netezza 101上的模拟当前条件作出反应。响应于所述模拟当前条件建立预期性能量度以量化所述量化令牌化数据集群结构。举例来说,用于预测特定区的将来平均每日温度的顶部10个量化令牌化数据集群结构(来自步骤206)可对前两周所述特定区的平均每日风速作出反应。预期性能量度可包括基于预测实际平均每日温度的能力对十个量化令牌化数据集群结构排序。
在步骤208处,安全智能代理103调整驻留在Netezza 101上的量化令牌化数据集群结构的激活信号。根据示范性实施例,来自安全智能代理103的反馈信令回路将对应于相应量化令牌化数据集群结构的经调整激活信号发射到Netezza 101。举例来说,参看步骤206,具有五个激活信号的排第十的量化令牌化数据集群结构可能最佳地执行预测实际平均每日温度,而具有二十五个激活信号的排第一的量化令牌化数据集群结构可能最差地执行预测实际平均每日温度。相应地,安全智能代理103将向Netezza 101发射将排第一的量化令牌化数据集群结构调整为具有五个激活信号且将排第十的量化令牌化数据集群结构调整为具有二十五个激活信号的指令。
在步骤209处,根据示范性实施例,Netezza 101将量化令牌化数据集群结构和对应的激活信号(如可经调整的)发射到融合服务器105(图1)在融合服务器105处,量化令牌化数据集群结构对实时实际条件作出反应。响应于实际条件建立性能量度以量化由量化令牌化数据集群结构进行的可测量动作。
举例来说,参看步骤208,Netezza 101可将顶部十个量化令牌化数据集群结构(如经调整的)发射到融合服务器105,在融合服务器中它们将对特定区的实时实际条件作出反应以便预测所述特定区的将来平均每日温度。
在步骤210处,安全智能代理103调整融合服务器105上的量化令牌化数据集群结构的激活信号。根据各个示范性实施例,来自安全智能代理103的反馈信令回路将对应于相应量化令牌化数据集群结构的经调整激活信号发射到融合服务器105。举例来说,此步骤可以类似于步骤208处执行的方式的方式执行。
在步骤211处,融合服务器105将量化令牌化数据集群结构与对应的激活信号(如可经调整的)一起发射到活动服务器107(图1)。根据示范性实施例,活动服务器107是第三方服务器,其中实时活动受许多外部代理、因素和条件影响。在一些示范性实施例中,活动服务器107包括一或多个体育团队、公司、市场、交易所、事务所或协会的实时活动。
举例来说,融合服务器105可将用于预测特定区的将来平均每日温度的量化令牌化数据集群结构(如可在步骤210处经调整)发射到活动服务器107。在活动服务器107处,量化令牌化数据集群结构将对特定区的实时实际当前条件作出反应以便预测将来平均每日温度。举例来说,今天,量化令牌化数据集群结构可基于特定区的实时实际当前条件预测明天所述特定位置的将来平均每日温度将为70度,且活动服务器107明天可反映相同区的实际平均每日温度是71度。因此,预测比实际结果低一度。
在步骤212处,安全智能代理103确定活动服务器107上量化令牌化数据集群结构的实际性能量度(如由安全智能代理103从融合服务器105访问),且将其与步骤207处确定的预期性能量度进行比较。基于此确定,安全智能代理103将把经调整激活信号发射到融合服务器105且发射到Netezza 101。
在步骤213处,融合服务器105调整活动服务器107上的量化令牌化数据集群结构的激活信号。根据各个示范性实施例,来自融合服务器105的反馈信令回路将对应于相应量化令牌化数据集群结构的经调整激活信号发射到活动服务器107。举例来说,此步骤可以类似于步骤208处执行的方式的方式执行。
在步骤214处,Netezza 101利用来自步骤212的经调整激活信号基于一或多个共享特性在数据集群结构中产生多个自主数据结构的下一分组,所述共享特性包含自主数据结构如何响应于特定条件产生电流或其它类型的信号。
本文中所描述的系统和方法的另一示范性应用是相对于电力到电力网的分配。通过按照日、月、年回顾历史使用的评估周期,可确定电力网的将来电力需求的估计值。此估计值可与同特定评估周期相关联的天气条件相关,以便改进所述估计值。基于所述估计值,可将电力分配到电力网。随着电力分配到电力网,可对归因于例如非预期天气条件、设备故障等实时非预期事件而分配的电力量作出动态调整。
虽然上文已描述了各种实施例,但应理解,这些实施例只是举例提出的,并不是作为限制。描述内容并不意图将技术的范围限于本文中阐述的特定形式。因此,优选实施例的广度和范围不应受任何上述示范性实施例限制。应理解,以上描述是说明性并且非限制性的。相反,本发明描述意图涵盖可包含于由所附权利要求书界定的技术的精神和范围内以及一般技术人员另外所了解的此类替代方案、修改和等效物。因此,技术的范围不应参考以上描述来确定,而是应参考所附权利要求书和其完整等效物范围来确定。
Claims (6)
1.一种具有动态反馈的安全智能联网架构系统,其包括:
不对称并行处理设备,所述设备具有不对称并行处理架构和双层数据处理系统;
安全GPU,其以通信方式耦合到所述设备;
融合服务器,其以通信方式耦合到所述设备;
活动服务器,其以通信方式耦合到所述融合服务器;
安全智能代理,其以通信方式耦合到所述融合服务器和所述设备;
云资源,其以通信方式耦合到所述设备、所述安全GPU和所述安全智能代理;
所述设备经配置以在数据集群结构中产生多个自主数据结构的分组;
所述设备经配置以将所述数据集群结构发射到所述安全GPU;
所述安全GPU经配置以使所述数据集群结构对历史条件作出反应以建立性能量度;
所述安全GPU经配置以确定当前条件的可变性;
所述安全GPU经配置以将量化令牌指派到所述数据集群结构;
所述安全GPU经配置以将所述量化令牌化数据集群结构发射到所述云资源;
所述安全智能代理经配置以将激活信号发射到所述云资源;
所述云资源经配置以将阶层式框架结构内的所述量化令牌化数据集群结构与所述激活信号一起发射到所述设备;
所述设备经配置以使所述量化令牌化数据集群结构对模拟当前条件作出反应以产生预期性能量度;
所述安全智能代理经配置以调整所述设备上的所述量化令牌化数据集群结构的激活信号;
所述融合服务器经配置以调整所述活动服务器上的所述量化令牌化数据集群结构的所述激活信号;以及
所述设备经配置以基于所述激活信号在数据集群结构中产生多个自主数据结构的后续分组。
2.根据权利要求1所述的具有动态反馈的安全智能联网架构系统,其进一步包括:
所述云资源经配置以结构化所述阶层式框架结构内的所述量化令牌化数据集群结构。
3.根据权利要求1所述的具有动态反馈的安全智能联网架构系统,其进一步包括:
所述设备经配置以将所述量化令牌化数据集群结构和对应的激活信号发射到所述融合服务器。
4.根据权利要求3所述的具有动态反馈的安全智能联网架构系统,其进一步包括:
所述安全智能代理经配置以调整所述融合服务器上的所述量化令牌化数据集群结构的所述激活信号。
5.根据权利要求4所述的具有动态反馈的安全智能联网架构系统,其进一步包括:
所述融合服务器经配置以将所述量化令牌化数据集群结构和对应的激活信号发射到所述活动服务器。
6.根据权利要求5所述的具有动态反馈的安全智能联网架构系统,其进一步包括:
所述安全智能代理经配置以确定所述活动服务器上所述量化令牌化数据集群结构的实际性能量度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311319291.6A CN117336065A (zh) | 2017-01-06 | 2018-01-02 | 具有动态反馈的安全智能联网架构 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/400,823 US10387679B2 (en) | 2017-01-06 | 2017-01-06 | Secure intelligent networked architecture with dynamic feedback |
US15/400,823 | 2017-01-06 | ||
PCT/US2018/012111 WO2018128998A1 (en) | 2017-01-06 | 2018-01-02 | Secure intelligent networked architecture with dynamic feedback |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311319291.6A Division CN117336065A (zh) | 2017-01-06 | 2018-01-02 | 具有动态反馈的安全智能联网架构 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110383245A CN110383245A (zh) | 2019-10-25 |
CN110383245B true CN110383245B (zh) | 2023-10-31 |
Family
ID=62783606
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880008221.XA Active CN110383245B (zh) | 2017-01-06 | 2018-01-02 | 具有动态反馈的安全智能联网架构 |
CN202311319291.6A Pending CN117336065A (zh) | 2017-01-06 | 2018-01-02 | 具有动态反馈的安全智能联网架构 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311319291.6A Pending CN117336065A (zh) | 2017-01-06 | 2018-01-02 | 具有动态反馈的安全智能联网架构 |
Country Status (4)
Country | Link |
---|---|
US (4) | US10387679B2 (zh) |
CN (2) | CN110383245B (zh) |
SG (1) | SG11201906224RA (zh) |
WO (1) | WO2018128998A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG11201607309TA (en) | 2014-03-07 | 2016-10-28 | Capitalogix Llc | Systems and methods for generating and selecting trading algorithms for big data trading in financial markets |
US10423800B2 (en) | 2016-07-01 | 2019-09-24 | Capitalogix Ip Owner, Llc | Secure intelligent networked architecture, processing and execution |
US10387679B2 (en) | 2017-01-06 | 2019-08-20 | Capitalogix Ip Owner, Llc | Secure intelligent networked architecture with dynamic feedback |
US10546393B2 (en) * | 2017-12-30 | 2020-01-28 | Intel Corporation | Compression in machine learning and deep learning processing |
US11188439B2 (en) * | 2018-04-13 | 2021-11-30 | Vmware, Inc. | Usage pattern virtual machine idle detection |
US11218294B2 (en) * | 2020-01-10 | 2022-01-04 | EMC IP Holding Company LLC | Anonymized storage of monitoring data |
US20230236764A1 (en) * | 2022-01-26 | 2023-07-27 | Pure Storage, Inc. | Edge accelerator card |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1797345A (zh) * | 2004-12-30 | 2006-07-05 | 微软公司 | 用于虚拟化图形子系统的系统和方法 |
CN102377598A (zh) * | 2010-08-26 | 2012-03-14 | 中国移动通信集团公司 | 一种互联网应用托管系统、设备和方法 |
CN102394896A (zh) * | 2011-12-13 | 2012-03-28 | 甘肃农业大学 | 基于令牌的隐私保护型指纹认证方法和系统 |
CN102541804A (zh) * | 2011-12-26 | 2012-07-04 | 中国人民解放军信息工程大学 | 一种异构系统中多gpu互连体系结构 |
CN105959174A (zh) * | 2016-04-13 | 2016-09-21 | 青岛海信传媒网络技术有限公司 | 一种智能设备平台的测试方法和装置 |
Family Cites Families (61)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5761442A (en) | 1994-08-31 | 1998-06-02 | Advanced Investment Technology, Inc. | Predictive neural network means and method for selecting a portfolio of securities wherein each network has been trained using data relating to a corresponding security |
US6735580B1 (en) | 1999-08-26 | 2004-05-11 | Westport Financial Llc | Artificial neural network based universal time series |
US6578068B1 (en) | 1999-08-31 | 2003-06-10 | Accenture Llp | Load balancer in environment services patterns |
US20020095400A1 (en) | 2000-03-03 | 2002-07-18 | Johnson Scott C | Systems and methods for managing differentiated service in information management environments |
US7257546B2 (en) | 2001-09-04 | 2007-08-14 | Yahoo! Inc. | System and method for correlating user data from a content provider and user data from an advertising provider that is stored on autonomous systems |
US7644863B2 (en) | 2001-11-14 | 2010-01-12 | Sap Aktiengesellschaft | Agent using detailed predictive model |
US20030217129A1 (en) | 2002-05-15 | 2003-11-20 | Lucent Technologies Inc. | Self-organizing intelligent network architecture and methodology |
WO2004027649A1 (en) | 2002-09-18 | 2004-04-01 | Netezza Corporation | Asymmetric streaming record data processor method and apparatus |
WO2004027674A1 (en) | 2002-09-20 | 2004-04-01 | Neurotech Research Pty Limited | Condition analysis |
US20050203892A1 (en) * | 2004-03-02 | 2005-09-15 | Jonathan Wesley | Dynamically integrating disparate systems and providing secure data sharing |
US7805344B2 (en) | 2004-03-12 | 2010-09-28 | Sybase, Inc. | System providing methodology for consolidation of financial information |
US20110238555A1 (en) | 2004-07-12 | 2011-09-29 | Rosenthal Collins Group, Llc | Method and system for electronic trading from smart phones and tablet computers |
US8051425B2 (en) | 2004-10-29 | 2011-11-01 | Emc Corporation | Distributed system with asynchronous execution systems and methods |
US7882014B2 (en) | 2006-04-28 | 2011-02-01 | Pipeline Financial Group, Inc. | Display of market impact in algorithmic trading engine |
US7908203B2 (en) | 2006-04-28 | 2011-03-15 | Pipeline Financial Group, Inc. | Coordination of algorithms in algorithmic trading engine |
US20070288466A1 (en) | 2006-05-02 | 2007-12-13 | Mypoints.Com Inc. | System and method for evenly distributing data across a distributed member architecture utilizing a home silo |
US7982741B2 (en) * | 2006-11-29 | 2011-07-19 | Microsoft Corporation | Shared graphics infrastructure |
WO2008134708A1 (en) * | 2007-04-30 | 2008-11-06 | Etelemetry, Inc. | Method and system for activity monitoring and forecasting |
US8285624B2 (en) | 2007-06-05 | 2012-10-09 | D12 Ventures, Llc | System, method, and program product for managing a collective investment vehicle including a true-up operation |
US20090089202A1 (en) | 2007-09-28 | 2009-04-02 | Fidessa Corporation | Algorithmic order management tool for trading financial instruments |
BRPI0819170A8 (pt) | 2007-11-08 | 2015-11-24 | Genetic Finance Holdings Ltd | Método para executar uma tarefa computacional, e, sistema de computador em rede configurado para executar uma tarefa computacional |
CN101276454A (zh) | 2007-12-05 | 2008-10-01 | 中原工学院 | 基于bp神经网络的股市建模、预测及决策的方法 |
US8442885B1 (en) | 2008-02-14 | 2013-05-14 | Jpmorgan Chase Bank, N.A. | Algorithmic trading management system and method |
US8250102B2 (en) | 2008-03-14 | 2012-08-21 | Microsoft Corporation | Remote storage and management of binary object data |
US8214890B2 (en) * | 2008-08-27 | 2012-07-03 | Microsoft Corporation | Login authentication using a trusted device |
US20140297495A1 (en) | 2010-03-18 | 2014-10-02 | Pankaj B. Dalal | Multidimensional risk analysis |
US20130159161A1 (en) | 2009-05-13 | 2013-06-20 | Oculus Equities Inc. | System and method for creating and supplying particular data constructs in evaluating whether to buy or sell a traded security |
US8285658B1 (en) | 2009-08-25 | 2012-10-09 | Scout Analytics, Inc. | Account sharing detection |
TW201122898A (en) | 2009-12-18 | 2011-07-01 | Hannstar Display Corp | Digital data management system and method. |
AU2011205748B2 (en) | 2010-01-15 | 2014-06-26 | Endurance International Group, Inc. | Unaffiliated web domain hosting service based on a common service architecture |
JP2011154410A (ja) | 2010-01-25 | 2011-08-11 | Sony Corp | 解析サーバ及びデータ解析方法 |
US8301746B2 (en) | 2010-01-26 | 2012-10-30 | International Business Machines Corporation | Method and system for abstracting non-functional requirements based deployment of virtual machines |
CA2795128A1 (en) | 2010-03-31 | 2011-10-06 | Mediamath, Inc. | Systems and methods for integration of a demand side platform |
SG188534A1 (en) | 2010-09-14 | 2013-04-30 | Amitsur Preis | System and method for water distribution modelling |
US20120257820A1 (en) | 2011-04-07 | 2012-10-11 | Microsoft Corporation | Image analysis tools |
US20120259762A1 (en) | 2011-04-11 | 2012-10-11 | Amir Tarighat | Network-Based Systems, Methods, and Apparatuses for Constructing and Executing Transactions |
US20120271658A1 (en) | 2011-04-22 | 2012-10-25 | Sloan Iii Hugh J | Method for a cloud-based integrated risk placement platform |
US20120324446A1 (en) | 2011-06-17 | 2012-12-20 | Microsoft Corporation | Virtual machine image composition and signing |
US20130024395A1 (en) | 2011-07-22 | 2013-01-24 | Thomson Reuters (Markets) Llc | System and method for constructing outperforming portfolios relative to target benchmarks |
CN102393894B (zh) | 2011-09-30 | 2015-07-22 | 飞天诚信科技股份有限公司 | 一种提高用户信息输入安全性的方法和装置 |
CN102333126B (zh) | 2011-10-15 | 2013-07-31 | 西安交通大学 | 基于Hadoop 与虚拟流媒体服务器集群的流媒体点播方法 |
US8826277B2 (en) | 2011-11-29 | 2014-09-02 | International Business Machines Corporation | Cloud provisioning accelerator |
US11257161B2 (en) | 2011-11-30 | 2022-02-22 | Refinitiv Us Organization Llc | Methods and systems for predicting market behavior based on news and sentiment analysis |
CN102523166B (zh) | 2011-12-23 | 2014-10-01 | 中山大学 | 一种适用于未来互联网的结构化网络系统 |
US20130211990A1 (en) | 2012-02-09 | 2013-08-15 | Cinnober Financial Technology Ab | Risk Assessment |
WO2013157015A2 (en) * | 2012-04-16 | 2013-10-24 | Chunilal Rathod Yogesh | A method and system for display dynamic & accessible actions with unique identifiers and activities. |
CN102663649B (zh) | 2012-05-18 | 2014-11-26 | 苏州工业园区凌志软件有限公司 | 金融衍生品交易系统 |
GB2502541A (en) | 2012-05-30 | 2013-12-04 | Ibm | Balancing consumption of random data using multiple sources with different levels of entropy |
US20170180272A1 (en) * | 2012-10-03 | 2017-06-22 | Tracey Bernath | System and method for accelerating network applications using an enhanced network interface and massively parallel distributed processing |
US9626503B2 (en) | 2012-11-26 | 2017-04-18 | Elwha Llc | Methods and systems for managing services and device data |
US9886458B2 (en) | 2012-11-26 | 2018-02-06 | Elwha Llc | Methods and systems for managing one or more services and/or device data |
US9507961B2 (en) * | 2013-07-01 | 2016-11-29 | Qualcomm Incorporated | System and method for providing secure access control to a graphics processing unit |
CN103412792B (zh) | 2013-07-18 | 2015-06-10 | 成都国科海博信息技术股份有限公司 | 一种云计算平台环境下的动态任务调度方法及装置 |
US9971979B2 (en) * | 2014-03-04 | 2018-05-15 | Roseboard Inc. | System and method for providing unified and intelligent business management applications |
SG11201607309TA (en) | 2014-03-07 | 2016-10-28 | Capitalogix Llc | Systems and methods for generating and selecting trading algorithms for big data trading in financial markets |
US9912710B2 (en) * | 2014-07-15 | 2018-03-06 | Maximum Media LLC | Systems and methods for automated real-time Internet streaming and broadcasting |
US10460227B2 (en) * | 2015-05-15 | 2019-10-29 | Apple Inc. | Virtual assistant in a communication session |
US10332215B2 (en) | 2015-07-15 | 2019-06-25 | Caseware International Inc. | Method, software, and device for displaying a graph visualizing audit risk data |
US9529634B1 (en) | 2016-05-06 | 2016-12-27 | Live Nation Entertainment, Inc. | Triggered queue transformation |
US10423800B2 (en) | 2016-07-01 | 2019-09-24 | Capitalogix Ip Owner, Llc | Secure intelligent networked architecture, processing and execution |
US10387679B2 (en) * | 2017-01-06 | 2019-08-20 | Capitalogix Ip Owner, Llc | Secure intelligent networked architecture with dynamic feedback |
-
2017
- 2017-01-06 US US15/400,823 patent/US10387679B2/en active Active
-
2018
- 2018-01-02 CN CN201880008221.XA patent/CN110383245B/zh active Active
- 2018-01-02 SG SG11201906224RA patent/SG11201906224RA/en unknown
- 2018-01-02 CN CN202311319291.6A patent/CN117336065A/zh active Pending
- 2018-01-02 WO PCT/US2018/012111 patent/WO2018128998A1/en active Application Filing
-
2019
- 2019-08-01 US US16/529,676 patent/US11144829B2/en active Active
-
2021
- 2021-10-04 US US17/493,639 patent/US11775825B2/en active Active
-
2023
- 2023-10-02 US US18/375,872 patent/US20240037395A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1797345A (zh) * | 2004-12-30 | 2006-07-05 | 微软公司 | 用于虚拟化图形子系统的系统和方法 |
CN102377598A (zh) * | 2010-08-26 | 2012-03-14 | 中国移动通信集团公司 | 一种互联网应用托管系统、设备和方法 |
CN102394896A (zh) * | 2011-12-13 | 2012-03-28 | 甘肃农业大学 | 基于令牌的隐私保护型指纹认证方法和系统 |
CN102541804A (zh) * | 2011-12-26 | 2012-07-04 | 中国人民解放军信息工程大学 | 一种异构系统中多gpu互连体系结构 |
CN105959174A (zh) * | 2016-04-13 | 2016-09-21 | 青岛海信传媒网络技术有限公司 | 一种智能设备平台的测试方法和装置 |
Non-Patent Citations (3)
Title |
---|
Study of Rough Set and Clustering Algorithm in Network Security Management;Zhiming Qu ET AL;《 2009 International Conference on Networks Security, Wireless Communications and Trusted Computing》;20090505;全文 * |
云计算架构下的网络安全研究;张琛宇等;《电信快报》;20161210;第2016年卷(第12期);全文 * |
基于BP神经网络负载预测的虚拟机部署策略;张蓓蓓等;《华中科技大学学报(自然科学版)》;20121215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
SG11201906224RA (en) | 2019-08-27 |
WO2018128998A1 (en) | 2018-07-12 |
US20190354722A1 (en) | 2019-11-21 |
CN110383245A (zh) | 2019-10-25 |
US20180196964A1 (en) | 2018-07-12 |
US11775825B2 (en) | 2023-10-03 |
US11144829B2 (en) | 2021-10-12 |
CN117336065A (zh) | 2024-01-02 |
US20240037395A1 (en) | 2024-02-01 |
US20220027736A1 (en) | 2022-01-27 |
US10387679B2 (en) | 2019-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110383245B (zh) | 具有动态反馈的安全智能联网架构 | |
Zhang et al. | Live video analytics at scale with approximation and {Delay-Tolerance} | |
US10261815B2 (en) | Methods and systems to determine and improve cost efficiency of virtual machines | |
Xie et al. | Real-time prediction of docker container resource load based on a hybrid model of ARIMA and triple exponential smoothing | |
US20130139152A1 (en) | Cloud provisioning accelerator | |
US20210255899A1 (en) | Method for Establishing System Resource Prediction and Resource Management Model Through Multi-layer Correlations | |
US20200341832A1 (en) | Processes that determine states of systems of a distributed computing system | |
US11055139B2 (en) | Smart accelerator allocation and reclamation for deep learning jobs in a computing cluster | |
Saxena et al. | OFP-TM: An online VM failure prediction and tolerance model towards high availability of cloud computing environments | |
Jafarnejad Ghomi et al. | Applying queue theory for modeling of cloud computing: A systematic review | |
WO2021071636A1 (en) | Machine learning-based power capping and virtual machine placement in cloud platforms | |
US11443244B2 (en) | Parallel ensemble of machine learning algorithms | |
Hammer et al. | An inhomogeneous hidden Markov model for efficient virtual machine placement in cloud computing environments | |
Mazalov et al. | Hierarchical two-level game model for tasks scheduling in a desktop grid | |
Meza et al. | Defcon: Preventing Overload with Graceful Feature Degradation | |
Gill et al. | Sustainable cloud computing realization for different applications: a manifesto | |
US20200076885A1 (en) | Systems and methods for hybrid burst optimized regulated workload orchestration for infrastructure as a service | |
Zheng et al. | Towards an adaptive human-centric computing resource management framework based on resource prediction and multi-objective genetic algorithm | |
Tuli et al. | Optimizing the Performance of Fog Computing Environments Using AI and Co-Simulation | |
Tantar et al. | Computational intelligence for cloud management current trends and opportunities | |
Tuli et al. | CILP: Co-simulation based Imitation Learner for Dynamic Resource Provisioning in Cloud Computing Environments | |
Wong | Hyscale: Hybrid scaling of dockerized microservices architectures | |
Pace et al. | Dynamic Resource Shaping for Compute Clusters | |
US20170364581A1 (en) | Methods and systems to evaluate importance of performance metrics in data center | |
Chakraborty et al. | Impact of Big Data and Cloud Computing on Data Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |