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！

龙图腾网获悉华东交通大学申请的专利基于图神经网络的车联网安全卸载与缓存优化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：CN121099376B 。

龙图腾网通过国家知识产权局官网在2026-03-20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：202511639632.7，技术领域涉及：H04W28/084；该发明授权基于图神经网络的车联网安全卸载与缓存优化方法是由聂学方;王辰;张晨;周天清;游捷设计研发完成，并于2025-11-11向国家知识产权局提交的专利申请。

本基于图神经网络的车联网安全卸载与缓存优化方法在说明书摘要公布了：本发明公开了基于图神经网络的车联网安全卸载与缓存优化方法，涉及智能交通与边缘计算领域，旨在解决车联网资源调度效率低、隐私保护不足及任务与缓存处理割裂问题。方法包括：S1构建车联网系统模型，含车辆‑路侧单元‑宏基站架构、正交频分多址与专用短程通信协议的通信模型，及含本地处理与部分远程卸载的计算模型；S2引入高斯噪声实现差分隐私保护，采用异步联邦学习结合长短期记忆网络预测任务流行度；S3构建动态异构图，借图神经网络提取时空特征，输入近端策略优化算法，联合优化卸载目标、比例及缓存策略。本发明实现隐私安全、低系统总时延、高缓存命中率与资源利用率的协同提升，适配车联网动态拓扑与复杂任务需求。

本发明授权基于图神经网络的车联网安全卸载与缓存优化方法在权利要求书中公布了：1.基于图神经网络的车联网安全卸载与缓存优化方法，其特征在于，包括如下步骤： 步骤S1：构建车联网系统模型；所述系统模型包括由车辆、路侧单元和宏基站组成的系统架构，基于正交频分多址与专用短程通信协议的通信模型，以及涵盖本地处理与部分远程卸载的计算模型，所述计算模型定义了任务在各类节点上的处理与传输延迟； 步骤S2：实现安全任务卸载与联邦任务流行度预测；基于构建的系统模型，首先在任务卸载过程中引入高斯噪声扰动以实现差分隐私保护；同时，采用异步联邦学习框架，使车辆利用本地数据协同训练一个基于长短期记忆网络的全局模型，用以预测未来时隙的任务流行度； 步骤S3：实现基于图神经网络与强化学习的时空联合优化；基于步骤S1构建的系统模型以及步骤S2得到的流行度预测结果，构建动态异构图以表征网络时空状态，并利用图神经网络提取全局特征；将此特征与系统实时状态共同输入近端策略优化算法，由该算法在混合动作空间中联合优化任务的卸载目标、卸载比例及缓存策略，从而最小化系统总时延并提高缓存命中率； 采用异步联邦学习结合长短期记忆网络，基于车辆移动特性、任务请求频率实现任务流行度预测的具体过程为： 引入衰减系数处理“掉队者”延迟梯度，计算聚合局部梯度： ； 式中，表示第轮聚合后的局部梯度；表示掉队者的延迟梯度，即因延迟未及时参与之前聚合的梯度；表示第轮车辆的局部经验损失函数； 更新局部模型： ； 式中，表示第轮车辆的局部模型参数；表示第轮的局部模型参数；表示第轮学习率； 车辆将更新后的局部模型上传至路侧单元，路侧单元按车辆行驶距离与传输速率计算聚合权重，异步更新全局模型； 路侧单元按车辆行驶距离与传输速率计算聚合权重； 异步更新全局模型，表示为： ； 式中，表示第轮的全局模型参数；表示第轮的全局模型参数；表示车辆本地数据量；表示全局数据总量，是所有参与聚合的车辆本地数据量的总和；表示聚合后的局部梯度； 利用长短期记忆网络捕捉任务请求频率的时序依赖关系，以过去5个时隙的请求频率及车辆隐私偏好作为输入；通过遗忘门、输入门、候选记忆、记忆单元、输出门及隐藏状态，预测下一时隙任务请求频率，将作为下一时隙任务流行度； 定义在时隙的缓存命中率，评估预测对缓存决策的指导效果，表示指示函数，表示相关任务集合，表示缓存集合，表示时隙内的任务对应的标识。

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华东交通大学，其通讯地址为：330013 江西省南昌市经济技术开发区双港东大街808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。