买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京邮电大学申请的专利一种基于表示学习的边缘计算知识图谱构建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119690669B 。

龙图腾网通过国家知识产权局官网在2025-07-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411772791.X，技术领域涉及：G06F9/50；该发明授权一种基于表示学习的边缘计算知识图谱构建方法是由辛阳;郑壹丹;朱洪亮;胡文丽;蒋萌设计研发完成，并于2024-12-04向国家知识产权局提交的专利申请。

本一种基于表示学习的边缘计算知识图谱构建方法在说明书摘要公布了：本发明公开了一种基于表示学习的边缘计算知识图谱构建方法，属于知识图谱技术领域，包括以下步骤：S1、将边缘计算系统中的实体、实体属性、实体之间关系进行抽象提取，收集关键实体、实体属性和实体间的关系数据；S2、对S1收集的数据进行预处理；S3、采用表示学习技术对S2得到的数据自动提取有价值的特征表示，构建出结构化的知识图谱；S4、关系预测补全。本发明采用上述的一种基于表示学习的边缘计算知识图谱构建方法，解决了边缘计算中的知识图谱构建问题，优化在大规模、动态且不确定的边缘计算环境中，任务与资源的有效匹配问题；且其在面对新设备和任务时能够快速补全知识图谱中的缺失关系，实现设备与任务之间的智能匹配。

本发明授权一种基于表示学习的边缘计算知识图谱构建方法在权利要求书中公布了：1.一种基于表示学习的边缘计算知识图谱构建方法，其特征在于，包括以下步骤： S1、将边缘计算系统中的实体、实体属性、实体之间关系进行抽象提取，收集关键实体、实体属性和实体间的关系数据；具体如下：1实体： a设备：包括各种边缘设备，传感器、无人机、车载设备、智能手机； i.属性：设备类型； b数据：在边缘设备上生成或处理的数据； i.属性：数据类型； c资源：边缘设备的计算资源，包括CPU、内存、存储； i.属性：资源类型、资源数量； d任务：需要在边缘设备上执行的任务； i.属性：无； 2关系： a设备-拥有-资源； b设备-产出-数据； c任务-需要-资源； d设备-执行-任务； e任务-产出-数据； f数据-输入-任务； 通过抽象边缘计算中的设备、任务、资源和数据之间的关系，能够有效捕捉复杂的节点间关联，并利用这些关系构建出更具语义深度的知识图谱，帮助实现资源调度优化、任务分配以及设备管理等关键功能，提升边缘计算场景下的智能决策能力； S2、对S1收集的数据进行预处理，包括以下步骤： 1针对S1中收集的数据进行数据来源确定，为了全面覆盖边缘计算系统中的各类信息，需要确定多个数据来源，数据来源包括边缘设备日志、传感器数据和系统监控数据，具体为： 边缘设备日志： 内容：包括设备网络流量日志、任务执行日志； 传感器数据： 内容：来自各种传感器的数据，如温度、湿度、压力、GPS； 系统监控数据： 内容：包括网络流量、CPU使用率、内存使用情况等系统性能指标； 2针对不同的数据来源设计不同的数据收集方式，具体如下： 针对边缘设备日志，使用日志数据收集引擎，从多个来源收集数据，对数据进行清洗和预处理，并将处理后的数据发送到指定的目的地，用于后续的分析和知识图谱构建； 针对传感器数据，使用传感器接口从各传感器收集数据，对数据进行清洗和预处理，并将处理后的数据发送到指定的目的地，用于后续的分析和知识图谱构建； 针对系统监控数据，使用系统监控与数据收集引擎，高效地从多个来源收集数据，对数据进行清洗和预处理，并将处理后的数据发送到指定的目的地，用于后续的分析和知识图谱构建； 3对原始数据进行数据清洗和格式化，数据清洗包括去除噪声数据、去除重复数据、填补缺失数据， 其中，去除噪声数据为删除无关或错误的数据，传感器的异常读数，根据传感器的规格和预期的测量范围设置阈值，将超出阈值的读数都视为异常，并进行相应剔除，同时采用滤波算法来平滑数据，减少随机噪声的影响； 去除重复数据为删除重复的记录，利用TF-IDF算法和Jaccard相似度计算方法，找出文本集合中的重复条目确保数据的唯一性； 填补缺失数据为对于缺失的数据，使用前向填充即用前一个观测值填补，来保留数据中的时间序列特性； 格式化包括统一数据格式和统一时间格式； 4对步骤3处理的数据进行数据标注，数据标注的具体过程为根据收集的数据内容，标明数据涉及的实体和关系；标注规则如下： A、针对所有数据对设备ID进行去重，找出边缘计算系统下存在的所有设备标记为设备实体，并根据其数据类型；标记设备类型属性； B、根据任务运行日志中输入数据和输出数据字段标记数据实体，并为其分配唯一ID，与数据类型； C、根据任务运行日志标记任务实体，标记任务属性； D、根据系统监控数据标记资源实体，标记资源属性； E、根据传感器数据标记设备产出数据关系； F、根据系统资源数据标记系统拥有的资源关系； G、根据网络流量数据标记设备实体之间的连接关系； H、根据任务运行日志标记设备上运行的任务； I、根据任务运行日志标记任务与数据的输入输出关系； J、根据任务运行日志标记任务需要的资源关系； S3、采用表示学习技术对S2得到的数据自动提取有价值的特征表示，将实体和关系映射为低维向量，实现对知识图谱中实体和关系的数值化表示，构建出结构化的知识图谱，具体包括以下内容： S31、从预处理后的数据中自动学习有价值的特征表示，将实体和关系映射到低维向量空间，对知识图谱中实体和关系进行的数值化表示，完成预训练，获取基础节点与关系的嵌入向量表示； S32、使用图注意力机制，根据邻居节点与关系聚合信息，更新节点的语义向量； S33、根据聚合后的语义向量组成三元组，预测三元组的合理性，其中，三元组的组成为实体-关系-实体； S34、将预测结果与真实结果进行对比，使用深度学习的方法更新网络信息； S4、通过高效的链接预测技术，自动推断并补全边缘计算环境中未知或缺失的实体关系，并于新任务出现时，迅速匹配最优的执行设备；具体为： 1利用S3得到的实体嵌入向量和关系映射矩阵，构建任务与设备间的潜在链接； 2使用得分函数评估三元组的合理性，遍历所有可能的设备匹配方案，选择得分前三的设备作为最优匹配结果候选集； 3从最优匹配结果候选集中选出任务执行设备作为最后的执行设备。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京邮电大学，其通讯地址为：100876 北京市昌平区沙河地区沙河高教园南丰路1号北京邮电大学(沙河校区)；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。