CN114050975B - 一种异构多节点互联拓扑生成方法和存储介质 - Google Patents

一种异构多节点互联拓扑生成方法和存储介质 Download PDF

Info

Publication number
CN114050975B
CN114050975B CN202210024578.5A CN202210024578A CN114050975B CN 114050975 B CN114050975 B CN 114050975B CN 202210024578 A CN202210024578 A CN 202210024578A CN 114050975 B CN114050975 B CN 114050975B
Authority
CN
China
Prior art keywords
heterogeneous multi
node
topological structure
graph
node interconnection
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
Application number
CN202210024578.5A
Other languages
English (en)
Other versions
CN114050975A (zh
Inventor
杨宏斌
金良
胡克坤
赵雅倩
董刚
刘海威
蒋东东
晁银银
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Inspur Intelligent Technology Co Ltd
Original Assignee
Suzhou Inspur Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Inspur Intelligent Technology Co Ltd filed Critical Suzhou Inspur Intelligent Technology Co Ltd
Priority to CN202210024578.5A priority Critical patent/CN114050975B/zh
Publication of CN114050975A publication Critical patent/CN114050975A/zh
Application granted granted Critical
Publication of CN114050975B publication Critical patent/CN114050975B/zh
Priority to PCT/CN2022/096236 priority patent/WO2023130656A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L41/12—Discovery or management of network topologies
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Design And Manufacture Of Integrated Circuits (AREA)

Abstract

本发明涉及一种异构多节点互联拓扑生成方法和存储介质，方法包括以下步骤：基于图卷积网络模型，特征提取节点信息和拓扑结构，以获取节点信息和拓扑结构的低维向量表示；输入性能参数和所述低维向量表示至全连接层，以生成特征整合信息；将所述特征整合信息输入预设的生成网络，以生成异构多节点互联拓扑结构；获取所述异构多节点互联拓扑结构的特征值，确保所述异构多节点互联拓扑结构满足预设的准确性要求。通过本申请所述的异构多节点互联拓扑生成方法，基于输入性能参数和低维向量表示可以生成更符合使用要求的异构多节点互联拓扑结构，在满足性能要求的前提下，可以最大程度地降低成本，提升资源利用率。

Description

一种异构多节点互联拓扑生成方法和存储介质
技术领域
本发明涉及计算机网络技术领域，尤其是指一种异构多节点互联拓扑生成方法和存储介质。
背景技术
当前在异构计算领域，存在多种类型的计算设备，如CPU、GPU、FPGA和专用IC等。单个计算节点的算力不同，大到服务器，包含多个CPU和多张GPU计算卡，小到单个专用计算芯片，包含几百上千个PE；接口不同，如Intel CPU的QPI接口，Nvidia GPU的Nvlink，FPGA的SRIO；多节点的互联应用场景不同，比如超级计算机、分布式计算、超异构平台、片上网络、众核CPU多核架构和异构加速芯片多PE互联等，其中超级计算机、分布式计算和超异构平台这些使用设备节点，如CPU、GPU、FPGA和专用IC等；片上网络、众核CPU多核架构和异构加速芯片使用核心节点，如CPU核心、CUDA核心和PE阵列等。
各计算节点的互联方式也多种多样。典型的如共享总线、Crossbar交换矩阵（如图1和图2所示）、Ring（如图3所示即为总线和Ring的拓扑结构图）、星形连接、Mesh和Torus（如图4所示即为2D Mesh和2D Torus分布式交换矩阵示意图，如图5所示即为2D Torus的结构示意图）等。通常将连接多台独立计算机的网络称为Network，将芯片内部或者多个芯片之间的互联网络称为Fabric，将嵌入到单个芯片内部的用于连接片内多个不同模块的大规模互联网络称为NoC。不同于计算机网络，在NoC中可以实现更多特色技术，如QoS(Quality ofService)，可以决定先转发哪个请求，后转发哪个，每个节点Crossbar的接收和发送端口可以增加队列缓冲，以实现QoS优先级控制；实现更先进的流量控制策略，更加充分地利用队列；利用更先进的路由算法和拥塞判断算法，算出从哪条路走到目标节点更加顺畅。常用的Fabric拓扑如HyperCube超立方也是Intel QPI所使用的拓扑，胖树（Fat Tree）拓扑也是天河II超级计算机连接大量计算机节点使用的拓扑，金字塔（Pyramid）拓扑，蝴蝶（Butterfly）拓扑，Intel在其12核心的Ivy Bridge CPU微架构中串接其12核心使用的带弦环和三重环（Triple Ring），带弦环（如图6所示即为带弦环和三重环拓扑结构示意图），带环立方体和ClosNetwork拓扑等。如图7所示的图像处理专用芯片内部架构示意图，该芯片内部使用了6个Crossbar Switch形成了一个星形网络，同时又将4个13x13的Crossbar串接起来形成了一个Ring，总体采用混合拓扑方式。
由于不同的计算设备或计算核心能提供的算力不同，其接口类型、数量和带宽不同，各计算节点之间的互联拓扑又多种多样。算力高、接口多、互联线多对应的功耗和成本高，如果计算节点和互联不匹配会造成计算节点空闲或互联线空闲，因此在部署一个计算任务或设计异构多节点硬件电路时，节点类型、数量如何选择，采用哪种拓扑，各节点如何互联，使其在满足计算性能的情况下尽量低功耗低成本，是一个优化问题。
也就是说，不同于芯片的布局布线任务其网表中确定的单元和连接关系，异构多节点拓扑是根据计算任务来选取计算单元和连接关系。由于每个计算节点的性能不同，成本也不同，两节点间互联线多，其通信带宽就高，但成本也高；相反，如果采用级联方式，其级数越多，对应的延迟可能越大，也会增大通道拥塞的概率。
因此，急需提出一种同时满足性能要求和拓扑关系需求的异构多节点互联拓扑生成方法和存储介质。
发明内容
为了解决上述技术问题，本发明提供了一种异构多节点互联拓扑生成方法和存储介质，可以基于计算节点实现拓扑结构的灵活组合，可以在满足拓扑结构性能要求的前提下最大限度地控制成本，最终生成满足性能要求和拓扑结构的计算架构。
为实现上述目的，本申请提出第一技术方案：
一种异构多节点互联拓扑生成方法，包括以下步骤：基于图卷积网络模型，特征提取节点信息和拓扑结构，以获取节点信息和拓扑结构的低维向量表示；输入性能参数和所述低维向量表示至全连接层，以生成特征整合信息； 将所述特征整合信息输入预设的生成网络，以生成异构多节点互联拓扑结构；获取所述异构多节点互联拓扑结构的特征值，确保所述异构多节点互联拓扑结构满足预设的准确性要求。
在本发明的一个实施例中，所述生成网络具体包括：上采样层、卷积层、全连接层、批归一化层、修正线性单元和S型函数。
在本发明的一个实施例中，所述低维向量表示包括节点嵌入向量和连接嵌入向量；基于下式，获取得到所述图卷积网络模型的节点嵌入向量：
Figure 993887DEST_PATH_IMAGE001
其中，vi表示节点，
Figure 603860DEST_PATH_IMAGE002
表示节点vi的邻居节点，e ij 表示节点vi和vj的连接，mean表示平均值函数；基于下式，获取得到所述图卷积网络模型的连接嵌入向量：
Figure 632996DEST_PATH_IMAGE003
其中，f c0 和f c1 表示两个不同大小的前馈网络，w ij e 是对应于邻边的可学习的1x1权重，concat表示拼接函数，基于节点特征创建节点向量，v i 和v j 均表示节点。
在本发明的一个实施例中，所述上采样层的上采样过程具体包括：假设特征整合信息为一个包含V个顶点和E个邻边的图S(V，E)；基于所述图S(V，E)依次进行如下操作：将所述图S(V，E)映射到一个包含N*n个顶点和E*m个邻边的图
Figure 935801DEST_PATH_IMAGE004
；基于所述图
Figure 683178DEST_PATH_IMAGE004
，生成第一邻接矩阵，并获得所述第一邻接矩阵的初始值；基于所述第一邻接矩阵的初始值，对所述第一邻接矩阵进行训练，以获得所述第一邻接矩阵的最佳值
Figure 362421DEST_PATH_IMAGE005
。
在本发明的一个实施例中，基于下式获得所述图
Figure 246063DEST_PATH_IMAGE004
的顶点特征：
Figure 985349DEST_PATH_IMAGE006
其中，f in 为图
Figure 954442DEST_PATH_IMAGE004
的顶点特征，k表示图
Figure 906217DEST_PATH_IMAGE004
的顶点j和顶点i之间的测地距离，
Figure 175525DEST_PATH_IMAGE007
为计算所述N*n个顶点中任一顶点的权重后得到的图
Figure 557483DEST_PATH_IMAGE004
的最佳值，f j 表示图S(V，E)的顶点特征。
在本发明的一个实施例中，所述卷积层基于所述上采样层的上采样结果生成全局图和独立图，并基于所述全局图和所述独立图进行卷积运算；所述卷积运算具体包括以下步骤：初始化所述独立图为图S(V，E)，基于下式生成所述独立图：
Figure 13872DEST_PATH_IMAGE008
其中，C k 表示独立图，f in 表示图
Figure 300497DEST_PATH_IMAGE004
的顶点特征，
Figure 158732DEST_PATH_IMAGE009
和
Figure 239820DEST_PATH_IMAGE010
分别为嵌入函数θ和ψ的参数，SoftMax为归一化函数；其中，所述归一化函数为：
Figure 183505DEST_PATH_IMAGE012
其中，N表示图
Figure 477083DEST_PATH_IMAGE004
的顶点数量，
Figure 455404DEST_PATH_IMAGE013
、
Figure 176235DEST_PATH_IMAGE014
分别表示两个初始值不等的1x1卷积层。
在本发明的一个实施例中，基于下式获取所述异构多节点互联拓扑结构的特征值：
Figure 872796DEST_PATH_IMAGE015
其中，B k 表示全局图，C k 表示独立图，
Figure 970065DEST_PATH_IMAGE016
表示调整独立图权重的参数，f in 表示图
Figure 537312DEST_PATH_IMAGE017
的顶点特征，K v 表示空间维的核大小，W k 表示1x1卷积操作的权重向量。
在本发明的一个实施例中，确保所述异构多节点互联拓扑结构满足预设的准确性要求具体包括：将所述异构多节点互联拓扑结构与预设的真实异构多节点互联拓扑结构基于下式进行交叉熵损失运算；
Figure 694624DEST_PATH_IMAGE018
其中，E表示分布函数的期望值，P data 代表实际拓扑样本的分布，x是P data 中的真实样本， P z 表示输入噪音的分布，D(x)表示判别样本为正确的概率，G(z)表示异构多节点互联拓扑图；z表示输入噪音；基于下式，获取拓扑重建损失结果：
Figure 612902DEST_PATH_IMAGE019
其中， P t 表示异构多节点互联拓扑结构，
Figure 251212DEST_PATH_IMAGE020
表示真实异构多节点互联拓扑结构，
Figure 938545DEST_PATH_IMAGE021
表示异构多节点互联拓扑结构与真实异构多节点互联拓扑结构对应节点的拓扑距离；
根据所述拓扑重建损失与所述交叉熵损失运算结果，基于下式获取所述异构多节点互联拓扑结构的最终损失：
Figure 266758DEST_PATH_IMAGE022
其中，λ为重建项加权，
Figure 406753DEST_PATH_IMAGE023
为拓扑重建损失，
Figure 111403DEST_PATH_IMAGE024
为交叉熵损失；
将所述异构多节点互联拓扑结构的最终损失与预设的异构多节点互联拓扑结构的损失进行比较，若所述异构多节点互联拓扑结构的最终损失大于所述预设的异构多节点互联拓扑结构的损失，则重复执行上采样处理和图卷积操作直至所述异构多节点互联拓扑结构的最终损失不大于所述预设的异构多节点互联拓扑结构的损失，确保所述异构多节点互联拓扑结构满足预设的准确性要求。
在本发明的一个实施例中，所述性能参数包括噪音信号、性能要求、功耗要求和成本要求。
为实现上述目的，本申请还提出第二技术方案：
一种计算机可读存储介质，所述计算机可读存储介质存储有程序，当所述程序被处理器执行时，使得所述处理器执行所述异构多节点互联拓扑生成方法的步骤。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的一种异构多节点互联拓扑生成方法和存储介质，基于图卷积网络模型，特征提取节点信息和拓扑结构，以获取节点信息和拓扑结构的低维向量表示；输入性能参数和所述低维向量表示至全连接层，以生成特征整合信息； 将所述特征整合信息输入预设的生成网络，以生成异构多节点互联拓扑结构；基于预构建的判别网络，确保所述异构多节点互联拓扑结构满足预设的准确性要求。通过本申请所述的异构多节点互联拓扑生成方法，基于输入性能参数和低维向量表示可以生成更符合使用要求的异构多节点互联拓扑结构，在满足性能要求的前提下，可以最大程度地降低成本，提升资源利用率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是现有技术中Crossbar示意图；
图2是现有技术中Crossbar级联示意图；
图3是现有技术中总线和Ring的拓扑结构图；
图4是现有技术中2D Mesh和2D Torus分布式交换矩阵示意图；
图5是现有技术中2D Torus的结构示意图；
图6是现有技术中带弦环和三重环拓扑结构示意图；
图7是现有技术中图像处理专用芯片内部架构示意图；
图8是本发明的方法流程图；
图9是本发明的方法的应用环境示意图；
图10是本发明的所述的判别网络的内部运算结构示意图；
图11是本发明的所述的卷积层的内部运算结构示意图；
图12是本发明的所述的生成网络的内部运算结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一：
参照图8所示，图8为实施例一的方法流程图。
本实施例所述方法应用于如图9所示的应用环境中。本实施例的方法，包括以下步骤：
步骤S1、基于图卷积网络模型，特征提取节点信息和拓扑结构，以获取节点信息和拓扑结构的低维向量表示。
在其中一个实施方式中，所述图卷积网络模型基于节点信息库和拓扑结构库，特征节点信息和拓扑结构。其中，所述节点信息库包括分别基于节点算力、节点核心数量、节点接口数量和节点接口宽带等特征建立的节点模型；所述拓扑结构库包括基于连接方式、连接点数量、连接级数、连接线密度、连接线长度等特征建立的拓扑结构模型；所述性能参数包括性能、功耗、成本等。
在其中一个实施方式中，基于性能参数、节点信息和拓扑结构的低维向量表示，基于下式，获取得到所述图卷积网络模型的节点嵌入向量：
Figure 653243DEST_PATH_IMAGE001
其中，v i 表示节点，
Figure 152358DEST_PATH_IMAGE002
表示节点v i 的邻居节点，e ij 表示节点v i 和v j 的连接，mean表示平均值函数；基于下式，获取得到所述图卷积网络模型的连接嵌入向量：
Figure 779648DEST_PATH_IMAGE003
其中，f c0 和f c1 表示两个不同大小的前馈网络，w ij e 是对应于邻边的可学习的1x1权重，concat表示拼接函数，基于节点特征创建节点向量，v i 和v j 均表示节点。
步骤S2、基于所述节点嵌入向量、所述连接嵌入向量和性能参数输入至全连接层，将节点嵌入向量、连接嵌入向量和性能参数在全连接层融合之后形成特征整合信息，将所述特征整合信息输入预设的生成网络，以生成异构多节点互联拓扑结构。
在其中一个实施方式中，所述生成网络包括但是不限于上采样层和卷积层，如图10所示即为本申请所述的生成网络的示意图。其中，空间上采样层使用由图
Figure 756831DEST_PATH_IMAGE007
定义的聚合函数进行操作，该图由一个包含V个顶点和E个边的图S(V，E)映射到一个更大的图
Figure 418757DEST_PATH_IMAGE004
，通过给新顶点集分配不同的重要度，网络可以学习到
Figure 354352DEST_PATH_IMAGE025
的最佳值，从而对图进行良好的上采样。所述上采样层的上采样过程具体包括：将所述图S(V，E)映射到一个包含N*n个顶点和E*m个邻边的图
Figure 734518DEST_PATH_IMAGE004
；基于所述图
Figure 515392DEST_PATH_IMAGE026
，生成第一邻接矩阵，并获得所述第一邻接矩阵的初始值；基于所述第一邻接矩阵的初始值，对所述第一邻接矩阵进行训练，以获得所述第一邻接矩阵的最佳值
Figure 31824DEST_PATH_IMAGE007
。基于下式获得所述图
Figure 872741DEST_PATH_IMAGE026
顶点特征：
Figure 465834DEST_PATH_IMAGE027
，其中，f in 为图
Figure 50400DEST_PATH_IMAGE004
的顶点特征，k表示图
Figure 421338DEST_PATH_IMAGE026
的顶点j和顶点i之间的测地距离；
Figure 433156DEST_PATH_IMAGE028
为计算所述N*n个顶点中任一顶点的权重后得到的图
Figure 991177DEST_PATH_IMAGE026
的最佳值；f j 表示图S(V，E)的顶点特征。需要理解的是，n和m的值可以是一样的，也可以是不一样的。
在其中一个实施例中，在上采样层进行上采样处理之后，卷积层基于全局图和独立图进行卷积运算。所述卷积层的运算过程如图11所示，具体地，初始化所述独立图为图S(V，E)；
基于下式生成所述独立图：
Figure 379433DEST_PATH_IMAGE008
其中，C k 表示独立图，f in 表示图
Figure 604878DEST_PATH_IMAGE004
的顶点特征，
Figure 787597DEST_PATH_IMAGE009
和
Figure 364072DEST_PATH_IMAGE010
分别为嵌入函数θ和ψ的参数，SoftMax为归一化函数；其中，所述归一化函数为：
Figure 290440DEST_PATH_IMAGE012
其中，N表示图
Figure 370391DEST_PATH_IMAGE004
中的顶点数量，
Figure 989591DEST_PATH_IMAGE013
、
Figure 787783DEST_PATH_IMAGE014
分别表示两个初始值不等的1x1卷积层。基于下式获取所述异构多节点互联拓扑结构的特征值：
Figure 252263DEST_PATH_IMAGE015
其中，B k 表示全局图，C k 表示独立图，
Figure 452300DEST_PATH_IMAGE016
表示调整独立图权重的参数，f in 表示图
Figure 242401DEST_PATH_IMAGE017
的顶点特征，K v 表示空间维的核大小，W k 表示1x1卷积操作的权重向量。
步骤S3、基于预构建的判别网络，确保所述异构多节点互联拓扑结构满足预设的准确性要求。其中，判别网络与生成网络的运算结构存在相似性，如图12所示，即为本申请所述的判别网络的内部结构。具体地，判别网络使用的是与生成网络学习的权值不同、具有可训练权值
Figure 265240DEST_PATH_IMAGE029
的聚合矩阵
Figure 798989DEST_PATH_IMAGE030
，由于该聚合是从一个较大的图
Figure 853533DEST_PATH_IMAGE031
映射到一个较小的图S1(V1，E1)，基于下式，获得图S1(V1，E1)的顶点特征：
Figure 283377DEST_PATH_IMAGE032
其中，f i 为图S1(V1，E1)的顶点特征；f j ’ 表示图
Figure 56161DEST_PATH_IMAGE031
的顶点特征；k表示图
Figure 128022DEST_PATH_IMAGE017
的顶点j和顶点i之间的测地距离；
Figure 37072DEST_PATH_IMAGE030
为具有可训练权值
Figure 168976DEST_PATH_IMAGE029
的聚合矩阵
Figure 163477DEST_PATH_IMAGE030
。
在其中一个实施例中，确保所述异构多节点互联拓扑结构满足预设的准确性要求具体包括：将所述异构多节点互联拓扑结构与预设的真实异构多节点互联拓扑结构基于下式进行交叉熵损失运算；
Figure 39029DEST_PATH_IMAGE018
其中，E表示分布函数的期望值，P data 代表实际拓扑样本的分布，x是P data 中的真实样本， P z 表示输入噪音的分布，D(x)表示判别样本为正确的概率，G(z)表示异构多节点互联拓扑图；z表示输入噪音；基于下式，获取拓扑重建损失结果：
Figure 68165DEST_PATH_IMAGE019
其中，P t 表示异构多节点互联拓扑结构，
Figure 105391DEST_PATH_IMAGE020
表示真实异构多节点互联拓扑结构，
Figure 852768DEST_PATH_IMAGE021
表示异构多节点互联拓扑结构与真实异构多节点互联拓扑结构对应节点的拓扑距离；根据所述拓扑重建损失与所述交叉熵损失运算结果，基于下式获取所述异构多节点互联拓扑结构的最终损失：
Figure 266431DEST_PATH_IMAGE033
其中，λ为重建项加权，
Figure 150074DEST_PATH_IMAGE023
为拓扑重建损失，
Figure 358201DEST_PATH_IMAGE024
为交叉熵损失；将所述异构多节点互联拓扑结构的最终损失与预设的异构多节点互联拓扑结构的损失进行比较，若所述异构多节点互联拓扑结构的最终损失大于所述预设的异构多节点互联拓扑结构的损失，则重复执行步骤S2直至所述异构多节点互联拓扑结构的最终损失不大于所述预设的异构多节点互联拓扑结构的损失，确保所述异构多节点互联拓扑结构满足预设的准确性要求。
实施例二：
本实施例的方法，包括以下步骤：基于图卷积网络模型，特征提取节点信息和拓扑结构，以获取节点信息和拓扑结构的低维向量表示；输入性能参数和所述低维向量表示至全连接层，以生成特征整合信息； 将所述特征整合信息输入预设的生成网络，以生成异构多节点互联拓扑结构；基于预构建的判别网络，确保所述异构多节点互联拓扑结构满足预设的准确性要求。
在其中一个实施方式中，所述生成网络具体包括：上采样层和卷积层；所述卷积层基于所述上采样层的上采样处理结果，以生成异构多节点互联拓扑结构。
在其中一个实施方式中，所述低维向量表示包括节点嵌入向量和连接嵌入向量；基于下式，获取得到所述图卷积网络模型的节点嵌入向量：
Figure 327294DEST_PATH_IMAGE001
其中，v i 表示节点，
Figure 813158DEST_PATH_IMAGE002
表示节点v i 的邻居节点，e ij 表示节点v i 和v j 的连接，mean表示平均值函数；基于下式，获取得到所述图卷积网络模型的连接嵌入向量：
Figure 285727DEST_PATH_IMAGE003
其中，f c0 和f c1 表示两个不同大小的前馈网络，w ij e 是对应于邻边的可学习的1x1权重，concat表示拼接函数，基于节点特征创建节点向量，v i 和v j 均表示节点。
在其中一个实施方式中，所述上采样层的上采样过程具体包括：假设特征整合信息为一个包含V个顶点和E个邻边的图S(V，E)；基于所述图S(V，E)依次进行如下操作：将所述图S(V，E)映射到一个包含N*n个顶点和E*m个邻边的图
Figure 930335DEST_PATH_IMAGE031
；基于所述图
Figure 386725DEST_PATH_IMAGE031
，生成第一邻接矩阵，并获得所述第一邻接矩阵的初始值；基于所述第一邻接矩阵的初始值，对所述第一邻接矩阵进行训练，以获得所述第一邻接矩阵的最佳值
Figure 407770DEST_PATH_IMAGE005
。
在其中一个实施方式中，基于下式获得所述图
Figure 266005DEST_PATH_IMAGE031
顶点特征：
Figure 81514DEST_PATH_IMAGE006
其中，f in 为图
Figure 759620DEST_PATH_IMAGE031
的顶点特征，k ij 表示图
Figure 318777DEST_PATH_IMAGE031
的顶点j和顶点i之间的测地距离；
Figure 31518DEST_PATH_IMAGE007
为计算所述N*n个顶点中任一顶点的权重后得到的图
Figure 17929DEST_PATH_IMAGE031
的最佳值；f j 表示图S(V，E)的顶点特征。
在其中一个实施方式中，所述卷积层基于所述上采样层的上采样结果生成全局图和独立图，并基于所述全局图和所述独立图进行卷积运算；所述卷积运算具体包括以下步骤：初始化所述独立图为图S(V，E)，基于下式生成所述独立图：
Figure 448910DEST_PATH_IMAGE034
其中，C k 表示独立图，f in 表示图
Figure 546179DEST_PATH_IMAGE004
的顶点特征，
Figure 113427DEST_PATH_IMAGE035
和
Figure 270739DEST_PATH_IMAGE010
分别为嵌入函数θ和ψ的参数，SoftMax为归一化函数；其中，所述归一化函数为：
Figure 926367DEST_PATH_IMAGE036
其中，N表示图
Figure 827327DEST_PATH_IMAGE004
的顶点数量，
Figure 514660DEST_PATH_IMAGE013
、
Figure 842873DEST_PATH_IMAGE014
分别表示两个初始值不等的1x1卷积层。
在其中一个实施方式中，基于下式获取所述异构多节点互联拓扑结构的特征值：
Figure 982867DEST_PATH_IMAGE037
其中，B k 表示全局图，C k 表示独立图，
Figure 421939DEST_PATH_IMAGE016
表示调整独立图权重的参数，f in 表示图
Figure 963779DEST_PATH_IMAGE026
的顶点特征，K v 表示空间维的核大小，W k 表示1x1卷积操作的权重向量。卷积层的内部的具体地运算过程如图11所示，图中，B k 是全局图，对每一层是唯一的。C k 是独立图，用于学习每个样本特定的拓扑结构。θ和ψ是两个嵌入函数，在这里为1x1的卷积层。K v 表示子图的数量，
Figure 462893DEST_PATH_IMAGE038
表示残差操作，
Figure 90184DEST_PATH_IMAGE039
表示矩阵乘操作，
Figure 332946DEST_PATH_IMAGE040
是控制两种图重要性权重的门。通过门控机制来调整不同层中独立图的重要性，对每层使用一个不同的
Figure 994872DEST_PATH_IMAGE041
，该值通过训练来学习和更新。
在其中一个实施方式中，确保所述异构多节点互联拓扑结构满足预设的准确性要求具体包括：
将所述异构多节点互联拓扑结构与预设的真实异构多节点互联拓扑结构基于下式进行交叉熵损失运算；
Figure 664887DEST_PATH_IMAGE042
其中，E表示分布函数的期望值，P data 代表实际拓扑样本的分布，x是P data 中的真实样本， P z 表示输入噪音的分布，D(x)表示判别样本为正确的概率，G(z)表示异构多节点互联拓扑图；z表示输入噪音；基于下式，获取拓扑重建损失结果：
Figure 513895DEST_PATH_IMAGE019
其中， P t 表示异构多节点互联拓扑结构，
Figure 560348DEST_PATH_IMAGE020
表示真实异构多节点互联拓扑结构，
Figure 76780DEST_PATH_IMAGE021
表示异构多节点互联拓扑结构与真实异构多节点互联拓扑结构对应节点的拓扑距离；根据所述拓扑重建损失与所述交叉熵损失运算结果，基于下式获取所述异构多节点互联拓扑结构的最终损失：
Figure 652118DEST_PATH_IMAGE033
其中，λ为重建项加权，
Figure 81149DEST_PATH_IMAGE023
为拓扑重建损失，
Figure 665714DEST_PATH_IMAGE024
为交叉熵损失；将所述异构多节点互联拓扑结构的最终损失与预设的异构多节点互联拓扑结构的损失进行比较，若所述异构多节点互联拓扑结构的最终损失大于所述预设的异构多节点互联拓扑结构的损失，则重复执行上采样操作和图卷积操作直至所述异构多节点互联拓扑结构的最终损失不大于所述预设的异构多节点互联拓扑结构的损失，确保所述异构多节点互联拓扑结构满足预设的准确性要求。其中，上采样操作包括：所述上采样层的上采样过程具体包括：假设特征整合信息为一个包含V个顶点和E个邻边的图S(V，E)；基于所述图S(V，E)依次进行如下操作：将所述图S(V，E)映射到一个包含N*n个顶点和E*m个邻边的图
Figure 36653DEST_PATH_IMAGE017
；基于所述图
Figure 48471DEST_PATH_IMAGE031
，生成第一邻接矩阵，并获得所述第一邻接矩阵的初始值；基于所述第一邻接矩阵的初始值，对所述第一邻接矩阵进行训练，以获得所述第一邻接矩阵的最佳值
Figure 137650DEST_PATH_IMAGE007
；基于所述最佳值
Figure 260326DEST_PATH_IMAGE007
，获得所述图
Figure 751351DEST_PATH_IMAGE031
的顶点特征。基于下式获得所述图
Figure 668491DEST_PATH_IMAGE031
顶点特征：
Figure 244966DEST_PATH_IMAGE006
其中，f in 为图
Figure 171334DEST_PATH_IMAGE043
的顶点特征，k ij 表示图
Figure 251285DEST_PATH_IMAGE031
的顶点j和顶点i之间的测地距离；
Figure 604906DEST_PATH_IMAGE044
为计算所述N*n个顶点中任一顶点的权重后得到的图
Figure 403098DEST_PATH_IMAGE031
的最佳值；f j 表示图S(V，E)的顶点特征。图卷积操作包括所述卷积层基于所述上采样层的上采样结果生成全局图和独立图，并基于所述全局图和所述独立图进行卷积运算；所述卷积运算具体包括以下步骤：初始化所述独立图为图S(V，E)，基于下式生成所述独立图：
Figure 133156DEST_PATH_IMAGE008
其中，C k 表示独立图，f in 表示图
Figure 333193DEST_PATH_IMAGE004
的顶点特征，
Figure 857716DEST_PATH_IMAGE009
和
Figure 143204DEST_PATH_IMAGE010
分别为嵌入函数θ和ψ的参数，SoftMax为归一化函数；
其中，所述归一化函数为：
Figure 679883DEST_PATH_IMAGE045
其中，N表示图
Figure 734426DEST_PATH_IMAGE004
的顶点数量，
Figure 429850DEST_PATH_IMAGE013
、
Figure 202634DEST_PATH_IMAGE014
分别表示两个初始值不等的1x1卷积层。基于下式获取所述异构多节点互联拓扑结构的特征值：基于下式获取所述异构多节点互联拓扑结构的特征值：
Figure 8916DEST_PATH_IMAGE037
其中，B k 表示全局图，C k 表示独立图，
Figure 917966DEST_PATH_IMAGE016
表示调整独立图权重的参数，f in 表示图
Figure 49870DEST_PATH_IMAGE026
的顶点特征，K v 表示空间维的核大小，W k 表示1x1卷积操作的权重向量。
在其中一个实施方式中，所述性能参数包括噪音信号、性能要求、功耗要求和成本要求。
实施例三：
本实施例提供一种计算机可读存储介质，计算机可读存储介质存储有程序，当程序被处理器执行时，使得处理器执行上述实施例一中的异构多节点互联拓扑生成方法的步骤。
在其中一个实施方式中，当程序被处理器执行时，使得处理器执行以下步骤：基于图卷积网络模型，特征提取节点信息和拓扑结构，以获取节点信息和拓扑结构的低维向量表示；输入性能参数和所述低维向量表示至全连接层，以生成特征整合信息； 将所述特征整合信息输入预设的生成网络，以生成异构多节点互联拓扑结构；基于预构建的判别网络，确保所述异构多节点互联拓扑结构满足预设的准确性要求。其中，所述性能参数包括噪音信号、性能要求、功耗要求和成本要求。
在其中一个实施方式中，当程序被处理器执行时，使得处理器执行以下步骤：所述卷积层基于所述上采样层的上采样处理结果，以生成异构多节点互联拓扑结构。
在其中一个实施方式中，当程序被处理器执行时，使得处理器执行以下步骤：基于下式，获取得到所述图卷积网络模型的节点嵌入向量：
Figure 44371DEST_PATH_IMAGE001
其中，v i 表示节点，
Figure 919923DEST_PATH_IMAGE002
表示节点v i 的邻居节点，e ij 表示节点v i 和v j 的连接，mean表示平均值函数；
基于下式，获取得到所述图卷积网络模型的连接嵌入向量：
Figure 683480DEST_PATH_IMAGE003
其中，f c0 和f c1 表示两个不同大小的前馈网络，w ij e 是对应于邻边的可学习的1x1权重，concat表示拼接函数，基于节点特征创建节点向量，v i 和v j 均表示节点。
在其中一个实施方式中，当程序被处理器执行时，使得处理器执行以下步骤：假设特征整合信息为一个包含V个顶点和E个邻边的图S(V，E)；基于所述图S(V，E)依次进行如下操作：将所述图S(V，E)映射到一个包含N*n个顶点和E*m个邻边的图
Figure 986285DEST_PATH_IMAGE031
；基于所述图
Figure 733661DEST_PATH_IMAGE017
，生成第一邻接矩阵，并获得所述第一邻接矩阵的初始值；基于所述第一邻接矩阵的初始值，对所述第一邻接矩阵进行训练，以获得所述第一邻接矩阵的最佳值
Figure 881746DEST_PATH_IMAGE046
。
在其中一个实施方式中，当程序被处理器执行时，使得处理器执行以下步骤：基于下式获得所述图
Figure 765388DEST_PATH_IMAGE031
的顶点特征：
Figure 239095DEST_PATH_IMAGE006
其中，f in 为图
Figure 208188DEST_PATH_IMAGE031
的顶点特征，k ij 表示图
Figure 428472DEST_PATH_IMAGE031
的顶点j和顶点i之间的测地距离；
Figure 166621DEST_PATH_IMAGE044
为计算所述N*n个顶点中任一顶点的权重后得到的图
Figure 811229DEST_PATH_IMAGE031
的最佳值；f j 表示图S(V，E)的顶点特征。
在其中一个实施方式中，当程序被处理器执行时，使得处理器执行以下步骤：初始化所述独立图为图S(V，E)，基于下式生成所述独立图：
Figure 267618DEST_PATH_IMAGE008
其中，C k 表示独立图，f in 表示图
Figure 23085DEST_PATH_IMAGE004
的顶点特征，
Figure 881319DEST_PATH_IMAGE009
和
Figure 431249DEST_PATH_IMAGE010
分别为嵌入函数θ和ψ的参数，SoftMax为归一化函数；其中，所述归一化函数为：
Figure 109355DEST_PATH_IMAGE045
其中，N表示图
Figure 668513DEST_PATH_IMAGE004
的顶点数量，
Figure 381254DEST_PATH_IMAGE013
、
Figure 367664DEST_PATH_IMAGE014
分别表示两个初始值不等的1x1卷积层。
在其中一个实施方式中，当程序被处理器执行时，使得处理器执行以下步骤：基于下式获取所述图卷积网络模型的特征值：
Figure 533066DEST_PATH_IMAGE037
其中，B k 表示全局图，C k 表示独立图，
Figure 630335DEST_PATH_IMAGE016
表示调整独立图权重的参数，f in 表示图
Figure 463162DEST_PATH_IMAGE026
的顶点特征，K v 表示空间维的核大小，W k 表示1x1卷积操作的权重向量。
在其中一个实施方式中，当程序被处理器执行时，使得处理器执行以下步骤：确保所述异构多节点互联拓扑结构满足预设的准确性要求具体包括：将所述异构多节点互联拓扑结构与预设的真实异构多节点互联拓扑结构基于下式进行交叉熵损失运算；
Figure 620474DEST_PATH_IMAGE042
其中，E表示分布函数的期望值，P data 代表实际拓扑样本的分布，x是P data 中的真实样本， P z 表示输入噪音的分布，D(x)表示判别样本为正确的概率，G(z)表示异构多节点互联拓扑图；z表示输入噪音；基于下式，获取拓扑重建损失结果：
Figure 273172DEST_PATH_IMAGE019
其中，P t 表示异构多节点互联拓扑结构，
Figure 174132DEST_PATH_IMAGE020
表示真实异构多节点互联拓扑结构，
Figure 864395DEST_PATH_IMAGE021
表示异构多节点互联拓扑结构与真实异构多节点互联拓扑结构对应节点的拓扑距离；根据所述拓扑重建损失与所述交叉熵损失运算结果，基于下式获取所述异构多节点互联拓扑结构的最终损失：
Figure 192608DEST_PATH_IMAGE033
其中，λ为重建项加权，
Figure 67023DEST_PATH_IMAGE023
为拓扑重建损失，
Figure 506095DEST_PATH_IMAGE024
为交叉熵损失；将所述异构多节点互联拓扑结构的最终损失与预设的异构多节点互联拓扑结构的损失进行比较，若所述异构多节点互联拓扑结构的最终损失大于所述预设的异构多节点互联拓扑结构的损失，则重复执行生成异构多节点互联拓扑结构直至所述异构多节点互联拓扑结构的最终损失不大于所述预设的异构多节点互联拓扑结构的损失，确保所述异构多节点互联拓扑结构满足预设的准确性要求。
本领域内的技术人员应明白，本发明实施例中的实施例可提供为方法、系统、或计算机程序产品。因此，本发明实施例中可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例中可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明实施例中是参照根据本发明实施例中实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其它等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种异构多节点互联拓扑生成方法，其特征在于：所述方法包括以下步骤：
基于图卷积网络模型，特征提取节点信息和拓扑结构，以获取节点信息和拓扑结构的低维向量表示，所述低维向量表示包括节点嵌入向量和连接嵌入向量；
输入性能参数和所述低维向量表示至全连接层，以生成特征整合信息；
将所述特征整合信息输入预设的生成网络，以生成异构多节点互联拓扑结构，所述生成网络包括上采样层、卷积层、全连接层、批归一化层、修正线性单元和S型函数；
获取所述异构多节点互联拓扑结构的特征值，并基于所述异构多节点互联拓扑结构的特征值，获得所述异构多节点互联拓扑结构与预设的真实异构多节点互联拓扑结构的交叉熵损失结果及拓扑重建损失结果；
基于所述交叉熵损失结果及所述拓扑重建损失结果，获得所述异构多节点互联拓扑结构的最终损失；
将所述异构多节点互联拓扑结构的最终损失与预设的异构多节点互联拓扑结构的损失进行比较,若所述异构多节点互联拓扑结构的最终损失大于所述预设的异构多节点互联拓扑结构的损失,则重复执行所述上采样层的上采样过程和所述卷积层的卷积运算直至所述异构多节点互联拓扑结构的最终损失不大于所述预设的异构多节点互联拓扑结构的损失。
2.根据权利要求1所述的异构多节点互联拓扑生成方法，其特征在于：
基于下式，获取得到所述图卷积网络模型的节点嵌入向量：
Figure DEST_PATH_IMAGE001
其中，v i 表示节点，
Figure DEST_PATH_IMAGE002
表示节点v i 的邻居节点，e ij 表示节点v i 和v j 的连接，mean表示平均值函数；
基于下式，获取得到所述图卷积网络模型的连接嵌入向量：
Figure DEST_PATH_IMAGE003
其中，f c0 和f c1 表示两个不同大小的前馈网络，w ij e 表示对应邻边的可学习的1x1权重，concat表示拼接函数，基于节点特征创建节点向量，v i 和v j 均表示节点。
3.根据权利要求1所述的异构多节点互联拓扑生成方法，其特征在于：所述上采样层的上采样过程具体包括：假设特征整合信息为一个包含V个顶点和E个邻边的图S(V，E)；基于所述图S(V，E)依次进行如下操作：
将所述图S(V，E)映射到一个包含N*n个顶点和E*m个邻边的图
Figure DEST_PATH_IMAGE004
；
基于所述图
Figure 827572DEST_PATH_IMAGE004
，生成第一邻接矩阵，并获得所述第一邻接矩阵的初始值；
基于所述第一邻接矩阵的初始值，对所述第一邻接矩阵进行训练，以获得所述第一邻接矩阵的最佳值
Figure DEST_PATH_IMAGE005
。
4.根据权利要求3所述的异构多节点互联拓扑生成方法，其特征在于：基于下式获得所述图
Figure 10292DEST_PATH_IMAGE004
的顶点特征：
Figure DEST_PATH_IMAGE006
其中，f in 为图
Figure 852346DEST_PATH_IMAGE004
的顶点特征，k ij 表示图
Figure 44293DEST_PATH_IMAGE004
的顶点j和顶点i之间的测地距离，
Figure 593086DEST_PATH_IMAGE005
为计算所述N*n个顶点中任一顶点的权重后得到的图
Figure 946707DEST_PATH_IMAGE004
的最佳值，f j 表示图S(V，E)的顶点特征。
5.根据权利要求1所述的异构多节点互联拓扑生成方法，其特征在于：所述卷积层基于所述上采样层的上采样结果生成全局图和独立图，并基于所述全局图和所述独立图进行卷积运算；所述卷积运算具体包括以下步骤：
初始化所述独立图为图S(V，E)，并基于下式生成所述独立图：
Figure DEST_PATH_IMAGE007
其中，C k 表示独立图，f in 表示图
Figure DEST_PATH_IMAGE008
的顶点特征，
Figure DEST_PATH_IMAGE009
和
Figure DEST_PATH_IMAGE010
分别为嵌入函数θ和ψ的参数，SoftMax为归一化函数；
其中，所述归一化函数为：
Figure DEST_PATH_IMAGE011
其中，N表示图
Figure 636576DEST_PATH_IMAGE008
的顶点数量，
Figure DEST_PATH_IMAGE012
、
Figure DEST_PATH_IMAGE013
分别表示两个初始值不等的1x1卷积层。
6.根据权利要求5所述的异构多节点互联拓扑生成方法，其特征在于：基于下式获取所述异构多节点互联拓扑结构的特征值：
Figure DEST_PATH_IMAGE014
其中，B k 表示全局图，C k 表示独立图，
Figure DEST_PATH_IMAGE015
表示调整独立图权重的参数，f in 表示图
Figure DEST_PATH_IMAGE016
的顶点特征，K v 表示空间维的核大小，W k 表示1x1卷积操作的权重向量。
7.根据权利要求6所述的异构多节点互联拓扑生成方法，其特征在于：
将所述异构多节点互联拓扑结构与预设的真实异构多节点互联拓扑结构，基于下式进行交叉熵损失运算：
Figure DEST_PATH_IMAGE017
其中，E表示分布函数的期望值，P data 代表实际拓扑样本的分布，x是P data 中的真实样本， P z 表示输入噪音的分布，D(x)表示判别样本为正确的概率，G(z)表示异构多节点互联拓扑图；z表示输入噪音；
基于下式，获取拓扑重建损失结果：
Figure DEST_PATH_IMAGE018
其中， P t 表示异构多节点互联拓扑结构，
Figure DEST_PATH_IMAGE019
表示真实异构多节点互联拓扑结构，
Figure DEST_PATH_IMAGE020
表示异构多节点互联拓扑结构与真实异构多节点互联拓扑结构对应节点的拓扑距离；
根据所述拓扑重建损失结果与所述交叉熵损失运算结果，基于下式获取所述异构多节点互联拓扑结构的最终损失：
Figure DEST_PATH_IMAGE021
其中，λ为重建项加权，
Figure DEST_PATH_IMAGE022
为拓扑重建损失，
Figure DEST_PATH_IMAGE023
为交叉熵损失。
8.根据权利要求1所述的异构多节点互联拓扑生成方法，其特征在于：所述性能参数包括噪音信号、性能要求、功耗要求和成本要求。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有程序，当所述程序被处理器执行时，使得所述处理器执行如权利要求1~8中任意一项所述的方法的步骤。
CN202210024578.5A 2022-01-10 2022-01-10 一种异构多节点互联拓扑生成方法和存储介质 Active CN114050975B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210024578.5A CN114050975B (zh) 2022-01-10 2022-01-10 一种异构多节点互联拓扑生成方法和存储介质
PCT/CN2022/096236 WO2023130656A1 (zh) 2022-01-10 2022-05-31 一种异构多节点互联拓扑生成方法和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210024578.5A CN114050975B (zh) 2022-01-10 2022-01-10 一种异构多节点互联拓扑生成方法和存储介质

Publications (2)

Publication Number Publication Date
CN114050975A CN114050975A (zh) 2022-02-15
CN114050975B true CN114050975B (zh) 2022-04-19

Family

ID=80196189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210024578.5A Active CN114050975B (zh) 2022-01-10 2022-01-10 一种异构多节点互联拓扑生成方法和存储介质

Country Status (2)

Country Link
CN (1) CN114050975B (zh)
WO (1) WO2023130656A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114050975B (zh) * 2022-01-10 2022-04-19 苏州浪潮智能科技有限公司 一种异构多节点互联拓扑生成方法和存储介质
CN114726739B (zh) * 2022-04-18 2024-04-09 深圳市智象科技有限公司 拓扑数据处理方法、装置、设备及存储介质
CN114884908B (zh) * 2022-04-29 2024-02-13 浪潮电子信息产业股份有限公司 一种数据同步方法、装置、设备及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111861178A (zh) * 2020-07-13 2020-10-30 北京嘀嘀无限科技发展有限公司 服务匹配模型的训练方法、服务匹配方法、设备及介质
CN111914484A (zh) * 2020-08-07 2020-11-10 中国南方电网有限责任公司 一种用于电网暂态稳定评估的递归图卷积网络系统
CN112163219A (zh) * 2020-08-27 2021-01-01 北京航空航天大学 一种基于词嵌入和gcn的恶意程序识别和分类方法
WO2021018228A1 (en) * 2019-07-30 2021-02-04 Huawei Technologies Co., Ltd. Detection of adverserial attacks on graphs and graph subsets
CN112417219A (zh) * 2020-11-16 2021-02-26 吉林大学 基于超图卷积的超边链接预测方法
CN112651492A (zh) * 2020-12-30 2021-04-13 广州大学华软软件学院 一种自连接宽度图卷积神经网络模型及其训练方法
CN112925989A (zh) * 2021-01-29 2021-06-08 中国计量大学 一种属性网络的群体发现方法及系统
CN113222328A (zh) * 2021-03-25 2021-08-06 中国科学技术大学先进技术研究院 基于路段污染相似性的空气质量监测设备布点选址方法
CN113780470A (zh) * 2021-09-28 2021-12-10 广西师范大学 一种基于自适应多通道交叉图卷积网络的图分类方法
CN113904786A (zh) * 2021-06-29 2022-01-07 重庆大学 一种基于线路拓扑分析和潮流特性的虚假数据注入攻击辨识方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112800903B (zh) * 2021-01-19 2022-08-26 南京邮电大学 一种基于时空图卷积神经网络的动态表情识别方法及系统
CN113240187B (zh) * 2021-05-26 2022-10-11 合肥工业大学 预测模型生成方法、系统、设备、存储介质及预测方法
CN114050975B (zh) * 2022-01-10 2022-04-19 苏州浪潮智能科技有限公司 一种异构多节点互联拓扑生成方法和存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021018228A1 (en) * 2019-07-30 2021-02-04 Huawei Technologies Co., Ltd. Detection of adverserial attacks on graphs and graph subsets
CN111861178A (zh) * 2020-07-13 2020-10-30 北京嘀嘀无限科技发展有限公司 服务匹配模型的训练方法、服务匹配方法、设备及介质
CN111914484A (zh) * 2020-08-07 2020-11-10 中国南方电网有限责任公司 一种用于电网暂态稳定评估的递归图卷积网络系统
CN112163219A (zh) * 2020-08-27 2021-01-01 北京航空航天大学 一种基于词嵌入和gcn的恶意程序识别和分类方法
CN112417219A (zh) * 2020-11-16 2021-02-26 吉林大学 基于超图卷积的超边链接预测方法
CN112651492A (zh) * 2020-12-30 2021-04-13 广州大学华软软件学院 一种自连接宽度图卷积神经网络模型及其训练方法
CN112925989A (zh) * 2021-01-29 2021-06-08 中国计量大学 一种属性网络的群体发现方法及系统
CN113222328A (zh) * 2021-03-25 2021-08-06 中国科学技术大学先进技术研究院 基于路段污染相似性的空气质量监测设备布点选址方法
CN113904786A (zh) * 2021-06-29 2022-01-07 重庆大学 一种基于线路拓扑分析和潮流特性的虚假数据注入攻击辨识方法
CN113780470A (zh) * 2021-09-28 2021-12-10 广西师范大学 一种基于自适应多通道交叉图卷积网络的图分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Comprehensive Survey on Graph Neural Networks;Zonghan Wu,Shirui Pan,Fengwen Chen,Guodong Long,Chengqi Zhang;《IEEE》;20200324;全文 *
双空间拓扑优化图卷积网络;富坤，高金辉，赵晓梦;《信息技术与信息化》;20210725;全文 *

Also Published As

Publication number Publication date
CN114050975A (zh) 2022-02-15
WO2023130656A1 (zh) 2023-07-13

Similar Documents

Publication Publication Date Title
CN114050975B (zh) 一种异构多节点互联拓扑生成方法和存储介质
Chen et al. NoC-based DNN accelerator: A future design paradigm
US11816790B2 (en) Unsupervised learning of scene structure for synthetic data generation
US20230125522A1 (en) Optimized placement for efficiency for accelerated deep learning
US20190362235A1 (en) Hybrid neural network pruning
WO2022083624A1 (zh) 一种模型的获取方法及设备
WO2022063247A1 (zh) 神经网络结构搜索方法及装置
CN115456161A (zh) 一种数据处理方法和数据处理系统
WO2022179492A1 (zh) 一种卷积神经网络的剪枝处理方法、数据处理方法及设备
US20220147877A1 (en) System and method for automatic building of learning machines using learning machines
US20220269548A1 (en) Profiling and performance monitoring of distributed computational pipelines
JP7350867B2 (ja) 量子特徴カーネル・アライメント
Porrmann et al. A massively parallel architecture for self-organizing feature maps
CN110059793B (zh) 生成式对抗神经网络的逐步修改
CN113449839A (zh) 一种分布式训练方法、梯度通信方法、装置以及计算设备
US11119507B2 (en) Hardware accelerator for online estimation
WO2023082436A1 (zh) 量子计算任务处理方法、系统及计算机设备
Chen et al. A NoC-based simulator for design and evaluation of deep neural networks
CN116070557A (zh) 使用强化学习的数据路径电路设计
WO2022100607A1 (zh) 一种神经网络结构确定方法及其装置
Kako DDLS: Distributed Deep Learning Systems: A Review
Tang et al. Energy-efficient and high-throughput CNN inference on embedded CPUs-GPUs MPSoCs
CN115412401B (zh) 训练虚拟网络嵌入模型及虚拟网络嵌入的方法和装置
WO2023164933A1 (zh) 一种建筑物建模方法以及相关装置
CN116127685A (zh) 使用机器学习执行模拟

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