CN114091228B - 一种智能城市的多层网络结构构建方法 - Google Patents
一种智能城市的多层网络结构构建方法 Download PDFInfo
- Publication number
- CN114091228B CN114091228B CN202111190818.0A CN202111190818A CN114091228B CN 114091228 B CN114091228 B CN 114091228B CN 202111190818 A CN202111190818 A CN 202111190818A CN 114091228 B CN114091228 B CN 114091228B
- Authority
- CN
- China
- Prior art keywords
- network
- layer
- centrality
- intelligent city
- things
- 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
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000012423 maintenance Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 14
- 238000000691 measurement method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000010076 replication Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/02—Data centres
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Computer And Data Communications (AREA)
Abstract
本发明属于复杂网络结构构建领域。具体涉及一种智能城市的多层网络结构构建方法。由于智能城市的网络规模和复杂性在不断增加,受复杂网络知识的启发,提出一种基于cloud‑fog‑edge层次网络结构的计算模型。考虑到智能城市物联网框架的不稳定性和易攻击性,本发明基于中心性概念提出了一种网络信任维护度量。使用三个复杂网络模型,即随机网络、小世界网络和无标度网络,将每一层的物联网拓扑结构映射到相应的复杂网络模型中,并使用相应的评价指标测量所构建的智能城市多层网络结构中的可信度和攻击容忍度,可证实本发明所提出的复杂网络度量的可行性和鲁棒性。
Description
技术领域
本发明属于复杂网络结构构建领域。具体涉及一种智能城市的多层网络结构构建方法。
背景技术
智能城市是通过使物理世界和数字世界兼容并将整个框架构建为一个分层的物联网而出现的。分层物联网通常包括各种边缘设备、雾节点和云服务器,它们主要负责收集数据信息并提供智能城市服务。由于智能城市服务的异构性、不同的链路层技术和设备的多样性,设计智能城市物联网的总体架构成为一项极为艰难的任务。虽已提出了云计算、雾计算和边缘计算,但由于继承的优势和弱点,它们都无法独立应对这些挑战。因此需要将三种计算模式进行广泛和高层次的结果,以在可信、可持续和高效方面部署智能城市的大规模物联网基础设施。
发明内容
针对现有技术存在的缺陷,本发明的目的在于提供一种智能城市的多层网络结构构建方法,面向智能城市的cloud-fog-edge计算模型,并将其映射到一个层次化的复杂网络中。同时为了给智能城市物联网基础设施提供有效的度量和信任维护,提出融合多种中心性计算的网络信任维护度量方法。
基于上述目的,本发明的构思如下:
从物联网的角度来看,典型的智能城市服务是通过相同的基本无线和有线网络技术来实现的,在智能城市中,物联网将所有实体连接到互联网,从而实现物与人之间以及物与物之间的通信。因此,对智能城市实体与服务的信任验证和支持是网络面临的巨大挑战,需在物联网框架中建立信任维护和攻击容忍方法,以确保物联网实体的可信度和质量,确保稳健的智能城市服务。智能城市服务需要按需通信,因此,edge、fog和cloud计算被集成到cloud-fog-edge混合计算模式中,形成cloud-fog-edge架构,以支持来自智能城市服务的计算需求和对延迟敏感的应用,以满足市民的需求和改善他们的生活。
将以上提出的计算模型映射到一个层次化的复杂网络中,在云计算范式中,潜在的网络结构标识了底层资源,如服务器和客户端,这些服务和客户机链接的处理能力和带宽有限,应按需调度工作负载,无标度网络可用于揭示云计算中的基本连接模式。
雾计算使服务能够沿着云延伸到事物的连续性,以减少延迟和宽带的需求,这种服务需求在网络拓扑中呈现出小世界网络效应。边缘计算在网络边缘部署中心服务,具有低延迟、高带宽和易于访问位置的优点,在体系结构上表现出与随机网络相似的连接模式。
将以上计算模型映射到与之相对应的层次化复杂网络中,通过中心性的计算,描述物联网实体重要性的量化,融合多种中心性计算的网络信任维护度量方法,为智能城市物联网基础设施提供了有效的度量和信任维护。
根据上述构思,本发明采用如下技术方案:
一种智能城市的多层网络结构构建方法,具体步骤如下:
S01:典型的智能城市服务需要按需通信,将edge计算层、fog计算层和cloud计算层集成到一种混合计算模式中,提出cloud-fog-edge三层混合架构;其中,edge计算层处于最底层,通过智能事物、车辆、传感器、设备和执行器构建了智能城市架构的底线,这些异构的设备用来创建大量数据,并在不同的智能城市服务之间共享;底层的聚合数据和相应的计算任务被传输到fog计算层节点,fog计算层节点处理数据并负责制定生成低延迟智能城市服务;顶部的cloud计算层的主从复制中,一个主节点有三个从节点来复制数据,从而保证数据一致性和高可用性,确保数据安全;
S02:将以上建立的三层混合架构映射到一个层次化的复杂网络中,使用复杂网络的三个经典网络模型,即随机网络、小世界网络和无标度网络,解决在进行系统信任维护时量化删除连接组件的大小;其中,edge计算层对应随机网络,fog计算层对应小世界网络,cloud计算层对应无标度网络模型,为网络拓扑机制提供了相应的健壮结构;
S03:cloud-fog-edge三层混合架构的计算范式被视为多层复杂网络结构,V是物联网中实体数量,E是物联网中实体间联系的集合,连接边每层通过邻接矩阵表示为/>
S04:物联网中实体u的度表示为正则化拉普拉斯矩阵/> 其中Dα是度矩阵,Lα是拉普拉斯矩阵且Lα=Dα-Aα,/>是由特征值构成对角矩阵,λ1…λ|V|是特征值,因此/>Φ是特征向量矩阵,/>是特征值对应的特征向量,因此/>
S05:网络信任维护度量其中M表示网络层数此处M=3,C(Aα)表示中心度测量,且/>
S06:使用度中心性、特征向量中心性、接近度中心性、中间中心性和三角中心性作为中心性测量的方式,对于矩阵Aij,度中心性特征向量中心性/>λmax表示特征向量的最大特征值,xj表示实体j的重要性;接近中心性/>V表示实体总数,d(i,j)表示实体i与j之间的最短路径;中介中心性/>V表示实体总数,ρkj(i)表示实体k和j之间经过i的最短路径的数量,ρkj则表示实体k与j之间最短路径的数量;三角中心性/>M表示网络功能或拓扑完整性结构的测量值,δM表示移除网络中某些节点后的测量值,G表示原始网络结构,G′表示移除某些节点后的网络结构;以上五种方式各有优缺点;
S07:通过以上方式构建面向智能城市的cloud-fog-edge的计算模型,并向其映射到一个层次化的复杂网络中,然后通过提出的融合多种中心性计算的网络信任维护度量方法,为智能城市物联网基础设备提供有效的度量和信任维护。
与现有技术相比,本发明的有益效果为:
(1)对于随机攻击,即以均匀概率移除物联网实体或边缘,计算最大集群中物联网实体的百分比,对于云计算来说在随机选择攻击高度连接的物联网实体的概率非常低,其删除将对网络完整性和功能产生有限的影响。边缘计算中的物联网实体大多接近单一的模拟值且偏差较小,使其更容易受到随机攻击。雾计算显示了云计算与边缘计算之间的连通度差异,具有更强的抗随机攻击能力。
(2)相较于其次耦合网络,即具有相同网络模型、不同连接参数的双工层网络,双层耦合组合不同的异构耦合网络不易受到异质网络的攻击,且对随机攻击的容忍度更高。分层和异构网络在随机攻击和目标攻击中都具有特别强的鲁棒性。
(3)对于目标攻击,在云计算模式下,对高度物联网实体的有针对性的攻击将对网络的完整性和功能性产生深刻影响,而系统中没有集线器架构的雾计算架构和边缘计算架构对目标攻击的容忍度更高。
附图说明
图1为智能城市全景图;
图2为智能城市到复杂网络映射示意图;
图3为嵌入在智能城市中的层次复杂网络框架示意图。
具体实施方式
下面结合附图,对本发明的具体实施例做进一步的说明。
一种智能城市的多层网络结构构建方法,具体步骤如下:
S01:典型的智能城市服务需要按需通信,将edge计算层、fog计算层和cloud计算层集成到一种混合计算模式中,提出cloud-fog-edge三层混合架构,如图1所示;其中,edge计算层处于最底层,通过智能事物、车辆、传感器、设备和执行器构建了智能城市架构的底线,这些异构的设备用来创建大量数据,并在不同的智能城市服务之间共享;底层的聚合数据和相应的计算任务被传输到fog计算层节点,fog计算层节点处理数据并负责制定生成低延迟智能城市服务;顶部的cloud计算层的主从复制中,一个主节点有三个从节点来复制数据,从而保证数据一致性和高可用性,确保数据安全;
本发明提出了一种cloud-fog-edge架构,图1最下方的椭圆描绘了edge,它用智能事物、车辆、传感器、设备和执行器构建了智能城市架构的底线,这些异构的边缘设备创建了大量数据,并在不同的智能城市服务之间共享。图1的中间部分聚合数据被传输并相应的将计算任务卸载到fog节点,fog节点处理数据并负责制定和生成低延迟智能城市服务。图1的顶部将选定的数据发送到云进行历史分析和长期存储,一个主节点有三个从节点来复制数据,主从复制确保了数据一致性和高可用性。将以上形成的多层架构映射到复杂网络中,某一层次的每个子系统由一组子系统组成,这些子系统构成了最低层次网络的子网络。
S02:将以上建立的三层混合架构映射到一个层次化的复杂网络中,使用复杂网络的三个经典网络模型,即随机网络、小世界网络和无标度网络,解决在进行系统信任维护时量化删除连接组件的大小;其中,edge计算层对应随机网络,fog计算层对应小世界网络,cloud计算层对应无标度网络模型,为网络拓扑机制提供了相应的健壮结构;
如图2所示,顶部的云计算范式中考虑到一些物联网实体往往比其他实体具有更高的连接度且按需调度工作负载,使用无标度网络提供一种了解度分布中微笑不均匀性演化过程的方法,抵抗随机故障。中间部分的雾计算由于极有可能将任务从边缘转移到位于最终用户或数据源附近的光纤陀螺服务供应商,使用小世界网络迷行,它有很强的抗失效和攻击能力,具有高度的聚类特性,有助于理解雾计算网络中宏观结构与全局行为之间的关系。
底层的边缘计算,它在网络边缘部署中心服务,具有低延迟、高带宽和易于访问位置的优点,在体系结构上表现出与随机网络相似的连接模式。通过设置参数p,可将经验模拟与该网络模型的大小、连接密度和平均度相匹配。将以上提出的计算模型映射到与之相对应的网络模型中,构建层次化的复杂网络模型。
S03:cloud-fog-edge三层混合架构的计算范式被视为多层复杂网络结构,V是物联网中实体数量,E是物联网中实体间联系的集合,连接边每层通过邻接矩阵表示为/>
S04:物联网中实体u的度表示为正则化拉普拉斯矩阵/> 其中Dα是度矩阵,Lα是拉普拉斯矩阵且Lα=Dα-Aα,/>是由特征值构成对角矩阵,λ1…λ|V|是特征值,因此/>Φ是特征向量矩阵,/>是特征值对应的特征向量,因此/>
S05:网络信任维护度量其中M表示网络层数此处M=3,C(Aα)表示中心度测量,且/>
S06:使用度中心性、特征向量中心性、接近度中心性、中间中心性和三角中心性作为中心性测量的方式,对于矩阵Aij,度中心性特征向量中心性/>λmax表示特征向量的最大特征值,xj表示实体j的重要性;接近中心性/>V表示实体总数,d(i,j)表示实体i与j之间的最短路径;中介中心性/>V表示实体总数,ρkj(i)表示实体k和j之间经过i的最短路径的数量,ρkj则表示实体k与j之间最短路径的数量;三角中心性/>M表示网络功能或拓扑完整性结构的测量值,δM表示移除网络中某些节点后的测量值,G表示原始网络结构,G′表示移除某些节点后的网络结构。以上五种方式各有优缺点;如图3所示,在构建好多层网络结构之后,使用中心性概念提供一种来描述网络中物联网实体重要性的量化方法。与网络的原始大小相比,移除的连接组件相对较小,则网络稳健性的相应影响变化不大。通过图3中显示的五种中心性度量方法对所移除的组件重要性评判,识别最重要的物联网实体。在智能城市物联网中,五种中心性度量和一般的中心性特征对量化信任维护和攻击容忍有至关重要的作用。
S07:通过以上方式构建面向智能城市的cloud-fog-edge的计算模型,并向其映射到一个层次化的复杂网络中,然后通过提出的融合多种中心性计算的网络信任维护度量方法,为智能城市物联网基础设备提供有效的度量和信任维护。
Claims (1)
1.一种智能城市的多层网络结构构建方法,其特征在于,具体步骤如下:
S01:典型的智能城市服务需要按需通信,将edge计算层、fog计算层和cloud计算层集成到一种混合计算模式中,提出cloud-fog-edge三层混合架构;其中,edge计算层处于最底层,通过智能事物、车辆、传感器、设备和执行器构建了智能城市架构的底线,这些异构的设备用来创建大量数据,并在不同的智能城市服务之间共享;底层的聚合数据和相应的计算任务被传输到fog计算层节点,fog计算层节点处理数据并负责制定生成低延迟智能城市服务;顶部的cloud计算层的主从复制中,一个主节点有三个从节点来复制数据,从而保证数据一致性和高可用性,确保数据安全;
S02:将以上建立的三层混合架构映射到一个层次化的复杂网络中,使用复杂网络的三个经典网络模型,即随机网络、小世界网络和无标度网络,解决在进行系统信任维护时量化删除连接组件的大小;其中,edge计算层对应随机网络,fog计算层对应小世界网络,cloud计算层对应无标度网络模型,为网络拓扑机制提供了相应的健壮结构;
S03:cloud-fog-edge三层混合架构的计算范式被视为多层复杂网络结构,V是物联网中实体数量,E是物联网中实体间联系的集合,连接边每层通过邻接矩阵表示为
S04:物联网中实体u的度表示为正则化拉普拉斯矩阵/> 其中Dα是度矩阵,Lα是拉普拉斯矩阵且Lα=Dα-Aα,/>是由特征值构成对角矩阵,λ1…λ|V|是特征值,因此/>Φ是特征向量矩阵,/>是特征值对应的特征向量,因此/>
S05:网络信任维护度量其中M表示网络层数此处M=3,C(Aα)表示中心度测量,且/>b1=b2=...=bM=1/M;
S06:使用度中心性、特征向量中心性、接近度中心性、中间中心性和三角中心性作为中心性测量的方式,对于矩阵Aij,度中心性特征向量中心性/>λmax表示特征向量的最大特征值,xj表示实体j的重要性;接近中心性/>V表示实体总数,d(i,j)表示实体i与j之间的最短路径;中介中心性/>V表示实体总数,ρkj(i)表示实体k和j之间经过i的最短路径的数量,ρkj则表示实体k与j之间最短路径的数量;三角中心性/>M表示网络功能或拓扑完整性结构的测量值,δM表示移除网络中某些节点后的测量值,G表示原始网络结构,G′表示移除某些节点后的网络结构;
S07:通过以上方式构建面向智能城市的cloud-fog-edge的计算模型,并向其映射到一个层次化的复杂网络中,然后通过提出的融合多种中心性计算的网络信任维护度量方法,为智能城市物联网基础设备提供有效的度量和信任维护。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111190818.0A CN114091228B (zh) | 2021-10-13 | 2021-10-13 | 一种智能城市的多层网络结构构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111190818.0A CN114091228B (zh) | 2021-10-13 | 2021-10-13 | 一种智能城市的多层网络结构构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091228A CN114091228A (zh) | 2022-02-25 |
CN114091228B true CN114091228B (zh) | 2024-05-14 |
Family
ID=80296767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111190818.0A Active CN114091228B (zh) | 2021-10-13 | 2021-10-13 | 一种智能城市的多层网络结构构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091228B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494354A (zh) * | 2023-10-09 | 2024-02-02 | 杭州皓见新能源科技有限公司 | 一种基于代数链接度的光伏储能网络线路优化方法和系统 |
CN117745035B (zh) * | 2024-02-07 | 2024-05-28 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 区域治理策略的生成方法、装置、计算机设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284619A (zh) * | 2018-11-07 | 2019-01-29 | 重庆光电信息研究院有限公司 | 异源城市物联网的区域定置式边缘计算系统及方法 |
CN109446628A (zh) * | 2018-10-22 | 2019-03-08 | 太原科技大学 | 基于复杂网络的多层城市交通网构建及关键节点识别方法 |
CN113010160A (zh) * | 2021-03-25 | 2021-06-22 | 北京航空航天大学云南创新研究院 | 一种基于SysML的智慧城市场景建模方法 |
CN113169994A (zh) * | 2018-11-27 | 2021-07-23 | 现代自动车株式会社 | 用于在m2m系统中管理资源和执行资源卸载的方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101778005B (zh) * | 2010-03-05 | 2014-03-12 | 中兴通讯股份有限公司 | 复杂网络配置方法和系统 |
-
2021
- 2021-10-13 CN CN202111190818.0A patent/CN114091228B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109446628A (zh) * | 2018-10-22 | 2019-03-08 | 太原科技大学 | 基于复杂网络的多层城市交通网构建及关键节点识别方法 |
CN109284619A (zh) * | 2018-11-07 | 2019-01-29 | 重庆光电信息研究院有限公司 | 异源城市物联网的区域定置式边缘计算系统及方法 |
CN113169994A (zh) * | 2018-11-27 | 2021-07-23 | 现代自动车株式会社 | 用于在m2m系统中管理资源和执行资源卸载的方法和装置 |
CN113010160A (zh) * | 2021-03-25 | 2021-06-22 | 北京航空航天大学云南创新研究院 | 一种基于SysML的智慧城市场景建模方法 |
Non-Patent Citations (1)
Title |
---|
基于复杂网络的铁路-航空多层网络的鲁棒性研究;马夏夏;蔡永明;;山东科学;20171015(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114091228A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114091228B (zh) | 一种智能城市的多层网络结构构建方法 | |
Kobo et al. | Fragmentation-based distributed control system for software-defined wireless sensor networks | |
Chen et al. | Personalized federated learning with graph | |
CN114626547A (zh) | 一种基于区块链的群组协同学习方法 | |
CN113341712B (zh) | 无人机自主控制系统智能分层递阶控制选择方法 | |
Firouz et al. | A novel controller placement algorithm based on network portioning concept and a hybrid discrete optimization algorithm for multi-controller software-defined networks | |
Sminesh et al. | Optimal multi‐controller placement strategy in SD‐WAN using modified density peak clustering | |
Bouget et al. | Pleiades: Distributed structural invariants at scale | |
CN114244713A (zh) | 一种电力5g网络切片的资源备份方法及装置 | |
Rashid et al. | Edgestore: Towards an edge-based distributed storage system for emergency response | |
Jin et al. | Cooperative storage by exploiting graph‐based data placement algorithm for edge computing environment | |
Luo et al. | 3DQS: Distributed data access in 3D wireless sensor networks | |
Palmieri et al. | Exploring the impact of disrupted peer-to-peer communications on fully decentralized learning in disaster scenarios | |
CN115913979A (zh) | 一种全域网络拓扑处理方法和设备 | |
Wang et al. | Virtual network embedding with pre‐transformation and incentive convergence mechanism | |
Guan et al. | A multi‐controller placement method for software defined network based on improved firefly algorithm | |
Anceaume et al. | Markov chains competing for transitions: Application to large-scale distributed systems | |
CN114599043A (zh) | 一种基于深度强化学习的空天地一体化网络资源分配方法 | |
Amoretti et al. | Measuring the complexity of adaptive peer-to-peer systems | |
Murturi et al. | A decentralized approach for determining configurator placement in dynamic edge networks | |
US20130268253A1 (en) | Graph modeling systems and methods | |
CN117687801B (zh) | 一种跨域分布式计算系统、方法、存储介质和电子设备 | |
Rodríguez et al. | Replication-Based Self-healing of Mobile Agents Exploring Complex Networks | |
Payberah et al. | Lightweight gossip-based distribution estimation | |
Jackson et al. | A ping too far: real world network latency measurement |
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 |