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！

龙图腾网获悉湖南奥问科技有限公司申请的专利一种面向无连接动平衡边缘计算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：CN121255481B 。

龙图腾网通过国家知识产权局官网在2026-03-13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：202511831506.1，技术领域涉及：G06F9/50；该发明授权一种面向无连接动平衡边缘计算方法是由瞿初;瞿峰;夏斌;瞿哲瀚;颜永义设计研发完成，并于2025-12-08向国家知识产权局提交的专利申请。

本一种面向无连接动平衡边缘计算方法在说明书摘要公布了：本发明公开了一种面向无连接动平衡边缘计算方法，涉及边缘计算领域，包括以下步骤：Ⅰ、边缘管理层构建并维护一组意图图谱，当任务流到达边缘网络时，解析任务流元数据特征，并进行在线子图匹配获取任务意图；Ⅱ、运行过程中，周期性地获取各边缘节点的资源熵值，同时各边缘节点通过无连接广播协议，构建动态的网络熵场；本发明实现任务到节点的高亲和度匹配，提升资源利用率与任务完成效率，显著减少对中心控制的依赖，同时提升系统行为透明度，便于审计、异常检测与持续优化，增强边缘计算的稳定性，使状态信息去中心化存储，保证节点故障不会导致计算状态丢失，提升任务恢复与重组能力。

本发明授权一种面向无连接动平衡边缘计算方法在权利要求书中公布了：1.一种面向无连接动平衡边缘计算方法，其特征在于，包括以下步骤： Ⅰ、边缘管理层构建并维护一组意图图谱，当任务流到达边缘网络时，解析任务流元数据特征，并进行在线子图匹配获取任务意图； Ⅱ、运行过程中，周期性地获取各边缘节点的资源熵值，同时各边缘节点通过无连接广播协议，构建动态的网络熵场； Ⅲ、依据当前任务意图与网络熵场，自动选择节点群，并向选择的每个边缘节点下发势阱生成指令，创建对应任务的计算势阱； Ⅳ、任务流数据包基于自身的任务意图与势阱节点进行匹配，匹配完成后，势阱节点开始执行任务； Ⅴ、实时监测各势阱节点的熵值变化，根据监测结果，自动在新的边缘网络区域生成势阱； Ⅵ、任务执行过程中，各势阱节点生成对应状态向量，同时将状态向量拆分成多组状态片段，并向邻近节点进行随机扩散； Ⅶ、当需要恢复任务或验证结果时，收集各节点上的状态片段，并重构完整状态； 步骤Ⅰ所述边缘管理层构建并维护一组意图图谱的具体步骤如下： S1.1：在边缘网络采集层部署多组轻量采集器，并提取边缘网络接入的各任务流中的非负载入侵性元数据，将每类元数据按预设模版映射到一组对应类型的原始特征字段，并对各类原始特征字段分别进行对应的类型化清洗，之后通过中位数插值法填补缺失值； S1.2：将清洗与补缺后的各类特征字段按预设的域重要性权重进行线性组合，以获取单条任务样本归一化后的特征标量，并将其作为构建节点时的输入描述，之后将任务样本中的计算动作和数据对象作为两大类实体节点，同时设置意图图谱中每类节点的属性模版，为每类节点生成对应属性字典，并将各属性字典转换为机器可校验的模式； S1.3：通过模式匹配函数评估各候选节点样本与各节点类型模版的符合度，并生成包含时间戳与版本号的可存档节点实例记录，之后通过基于语义模板与模式建立的规则库与轻量学习模型并行抽取“动作-对象”候选关系，同时每个候选关系都包含多组支持证据片段； S1.4：计算每条候选关系的语义相似度与统计触发强度，并将语义相似度与统计触发强度拼接为对应候选关系的置信评分，置信评分高于预设阈值，则将该候选关系作为确认边写入意图图谱，反之，则加入进入观测池等待新证据片段添加，之后将关系置信评分与证据片段记录为边属性； S1.5：通过预设大小的滑动窗口收集生成节点与已确认边，形成短时图样本，并基于图同构算法对各短时图样本进行子图挖掘，以获取动作-对象组合模板，并统计各子图出现频率，若频率高于预设阈值，则将该子图作为高频子图，依据每一类子图模板的计数器和最近一次出现时间序列，并计算该子图在当前工作负载下的活跃度与衰减，同时对新出现子图模板，将其初步注册为候选意图片段，当新的候选节点集输入时，通过子图匹配以识别是否符合已登记的模式，匹配度高于预设阈值，则触发该子图的活跃证据计数更新； S1.6：为每类高频子图模式预先定义一组语义基向量，并把每次匹配结果映射至对应基向量上的激活权重，再将子图的多项局部匹配指标合并为基向量上的权重系数，以生成未经归一化的意图合成向量，并对各意图合成向量进行归一化处理，输出最终的意图向量； S1.7：对每个生成的意图向量构建一组对应的离散化候选解释分布，基于历史匹配频次与当前证据计算各候选解释分布的权重分布，同时计算各候选解释分布的信息熵，以评估其不确定性，并定期记录熵演化曲线并使用阈值策略触发对应人工审计，之后当新任务样本被确认后，按照预定学习率对相关边的置信权重与节点属性统计进行局部更新，再将本地更新以摘要形式广播给邻接管理节点集，以合并形成更广域的图谱一致视图； 步骤Ⅱ所述构建动态的网络熵场的具体步骤如下： S2.1：在本地边缘节点选定一组原始资源指标集合，并对每一项资源指标按固定时间间隔采样，得到原始采样序列，采用指数加权移动平均对每条指标进行短时平滑，之后将所有平滑后的资源指标拼接成本地平滑向量，对各本地平滑向量进行稳定化映射，以生成[0,1范围内的状态分量，再对映射后的各状态分量进行加小量平滑以及裁剪处理； S2.2：通过softmax变体函数，将各组状态分量转化为对应离散概率分布，依据获取的离散概率分布计算对应节点的资源熵值，并将其作为本地资源不确定性初值，之后计算各资源熵值的短时方差修正系数，将各资源熵值与对应短时方差修正系数进行线性或非线性组合，生成各节点对应的资源熵评分； S2.3：采用随机投影将各节点对应平滑向量或状态向量进行维度压缩，随后对每个压缩分量进行量化处理，以获取低维的离散签名向量，之后将对应的离散签名向量、节点身份、资源熵评分与时间戳封装为消息包，并为生成的各广播消息体添加唯一校验码，之后采用无连接的轻量广播，设置广播的单播概率、最大跳数、以及退避因子各控制参，之后基于预设的各控制参数，各边缘节点分别按概率向邻居节点发送消息包； S2.4：当各节点接收来自多组邻居节点发送的消息包时，对同一时间窗口内重复消息包进行去重处理，对消息签名进行快速相似度判断，若接收消息包签名与本地已知签名相似度误差高于预设门限，或消息包内资源熵评分高于本地预设视图阈值，将该消息包作为有效新观测； S2.5：本地节点到邻居节点的网络距离，对相应有效观测对应的资源熵评分进行空间衰减处理，并将处理结果作为对应邻居节点传播到本地节点的感知熵贡献，采用加权平滑将各感知熵贡献合并为本地节点的感知熵场值，根据各节点的感知熵场值，建立完整网络熵场，并根据实时任务流对各节点的感知熵场值进行动态更新； 步骤Ⅲ所述创建对应任务的计算势阱的具体步骤如下： S3.1：将本地节点的感知熵场值与邻居节点的熵观测值构建局部熵场矩阵，其中，局部熵场矩阵中的每个元素表示两组节点间的熵感知值，之后根据感知熵场值由高到低对各节点进行初步排序，并选择熵值低于预设阈值的各节点，建立候选势阱节点池； S3.2：根据候选势阱节点池中各节点与任务流入口节点的拓扑距离，计算各节点的候选优先度评分，若候选优先度评分高于预设阈值，则将对应候选节点加入可用节点集合中； S3.3：将任务预测的意图向量与可用节点集合中的每个候选节点的特征向量进行匹配，并计算各候选节点与任务的亲和度分数，根据亲和度分数由高到低对候选节点进行排序，并由高到低，选择预设数量的候选节点生成势阱节点； S3.4：为每个选定节点生成一条势阱生成指令，并对各势阱生成指令内容进行加密或签名，之后各势阱生成指令在边缘网络上以无连接或轻量消息形式发送至对应势阱节点，势阱节点在接收势阱生成指令后，根据模板类型从本地模板库加载对应计算模板以及任务所需的数据元信息； S3.5：各势阱节点分别根据势阱生成指令设置模板的状态初值，以形成可立即接受任务流的计算模具，当各势阱节点完成模板和元信息加载后，将初始化状态、指令版本号和时间戳写入本地势阱登记表，同时依据各指标生成摘要信息，并自主选择发送到相邻节点或管理节点进行冗余备份，当节点熵值或资源状态变化，或有新任务意图向量出现，则重新评估并更新势阱状态，并更新本地势阱登记表。

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湖南奥问科技有限公司，其通讯地址为：410100 湖南省长沙市雨花区振华路579号康庭园一期7栋4楼402室；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”。

以上内容由龙图腾AI智能生成。