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！

龙图腾网获悉东北大学申请的专利一种云际环境下基于偏好的多阶段匹配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：CN119829839B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202411898476.1，技术领域涉及：G06F16/9535；该发明授权一种云际环境下基于偏好的多阶段匹配方法是由鲁浩;宋扬;时健智;王兴伟;李鹏博;程宇迪设计研发完成，并于2024-12-23向国家知识产权局提交的专利申请。

本一种云际环境下基于偏好的多阶段匹配方法在说明书摘要公布了：本发明一种云际环境下基于偏好的多阶段匹配方法，包括：通过规则匹配方法筛选出满足云服务消费者硬性资源需求的云服务提供商，保存到候选集合S0中；评估候选集合S0中的云服务提供商在软需求上的表现，排除掉不满足需求的云服务提供商，对集合S0进行更新，采用改进的MICe方法和UMAP降维技术来处理高维数据的相关性评估；通过多目标优化技术确定Pareto最优解集，通过比较解决方案的支配关系来进一步在候选集合S0中识别出最符合要求的云服务提供商集合S1；根据云服务消费者的个性化权重设置，使用加权求和方法或模糊综合评价方法来计算S1中每个云服务提供商的匹配度，并据此进行排名，以确定最终的服务匹配结果。

本发明授权一种云际环境下基于偏好的多阶段匹配方法在权利要求书中公布了：1.一种云际环境下基于偏好的多阶段匹配方法，其特征在于，包括： 步骤1：通过规则匹配方法筛选出满足云服务消费者硬性资源需求的云服务提供商，保存到候选集合S中； 步骤2：评估候选集合S中的云服务提供商在软需求上的表现，排除掉不满足需求的云服务提供商，对集合S进行更新，软需求包括成本效益和数据资源的相关性；采用改进的MICe方法和UMAP降维技术来处理高维数据的相关性评估； 步骤3：通过多目标优化技术确定Pareto最优解集，通过比较解决方案的支配关系来进一步在候选集合S中识别出最符合要求的云服务提供商集合S 步骤4：根据云服务消费者的个性化权重设置，使用加权求和方法或模糊综合评价方法来计算S中每个云服务提供商的匹配度，并据此进行排名，以确定最终的服务匹配结果； 所述步骤2具体为： 步骤2.1：云服务消费者在选择云服务提供商时，收益是一个关键考量因素，定义云服务消费者的收益公式为： Pro＝Pri-Cost 其中，Pro表示收益，Pri表示销售价格，Cost表示成本； 由于云服务消费者的销售价格是固定且仅为自身所知，所以采用反向成本评分方法来定义利润得分，对于第a个云服务提供商，其成本为Cost，则对应的反向成本得分，即利润得分为：这意味着成本越低，反向成本得分越高，潜在的利润得分也就越高； 步骤2.2：比较不同云服务提供商的收益情况，根据下式将成本得分进行归一化处理，使其在0到1的范围内： 其中，C'a表示第a个云服务提供商归一化处理后的成本得分，Ca表示第a个云服务提供商的成本得分，Cmin和Cmax分别表示所有云服务提供商中最小和最大的成本得分； 步骤2.3：评估云服务提供商提供的数据与云服务消费者任务之间的相关性，将云服务消费者任务数据记为云服务提供商提供的数据记为每个数据点和都是高维向量，这些向量能够全面地描述特定云业务的数据特征； 步骤2.4：选择余弦相似度作为衡量数据点之间相似程度的度量标准，然而为了后续计算的方便，将其转换为余弦距离，公式为： 余弦距离能够更直观地反映数据点之间的差异程度，其值越大，表示数据点之间的差异越大；值越小，则表示数据点之间越相似； 步骤2.5：在高维空间中高效地搜索数据点的最近邻，将每个数据点添加到Annoy索引中，Annoy通过生成多个随机投影树来近似数据点的分布； 步骤2.6：对于每个数据点在Annoy索引中找到其k个最近邻，根据下式计算局部尺度参数ρi： 其中，ρi表示数据点与其最近邻之间的距离；表示数据点的k个最近邻； 步骤2.7：利用计算得到的局部尺度参数ρi和余弦距离cosinedistancexi,xj来计算数据点和平滑距离dij，公式为： 步骤2.8：通过对平滑距离dij进行指数变换来计算相似度pij，公式为： 其中，σi是一个平滑参数，通过下式求解得到： 步骤2.9：将每个数据点与其他数据点之间的相似度组合起来，构建高维邻域图； 步骤2.10：为了在降低计算复杂度的同时保留数据点之间的邻域结构关系，需要对高维数据进行降维处理，在低维空间中随机初始化数据点Y，然后根据下式计算低维空间中数据点和之间的相似度： 使用梯度下降法最小化高维和低维表示之间的交叉熵损失函数： 通过不断迭代优化，使得低维表示能够尽可能地保留高维数据的邻域结构信息，从而在不损失太多信息的前提下降低数据处理的难度和计算成本，最终将高维空间的云服务消费者任务数据降维后得到的低维空间的数据表示为YA，云服务提供商提供的数据降维后得到的低维空间的数据表示为YB； 步骤2.11：MICe是一种用于评估两个随机变量YA和YB之间相关性的统计量，它通过计算样本特征矩阵MD和最大互信息值来得到MICe值；对于基于随机变量对YA,YB的样本集D，定义样本特征矩阵MD，其元素表示如下： 其中，I*D,m,l是在m*l网格上的最大互信息值，m和l分别表示网格的行数和列数；MICe值通过对样本特征矩阵元素求和得到，即： MICeD＝maxm,lMDm,l MICe值越高，表示变量YA和YB之间的平均互信息越强，也就意味着它们之间的相关性越强； 步骤2.12：采用贝叶斯优化来搜索最优网格配置，定义目标函数为： fm,l＝-MICeYA；YB 设置搜索空间，选择网格参数m*l作为优化变量，确定搜索的范围和粒度； 首先使用高斯过程构建先验分布，计算初始MICe值，即在初始的网格划分参数下，计算云服务消费者和云服务提供商数据集上的MICe值； 在观察到数据后，将先验分布更新为后验分布，考虑到存在高斯噪声计算联合分布和后验分布的参数； 最后，使用期望改进策略选择下一个采样点，计算期望改进值： 其中，fm,l+是当前最优解，通过后验分布计算期望值，并选择使期望改进值最大的输入点作为新的采样点； 步骤2.13：重复步骤2.12不断更新网格参数和计算MICe值，直到满足收敛条件，即目标函数值的变化小于设定的阈值∈，此时得到的网格配置即为最优配置，从而提高了MICe计算的效率和准确性； 步骤2.14：依据云服务消费者对利益得分和数据相关性的需求，对步骤1得到的集合S进一步筛选，排除掉不满足需求的云服务提供商，对集合S进行更新。

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东北大学，其通讯地址为：110819 辽宁省沈阳市和平区文化路三号巷11号；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。