CN112286691A - 一种基于异构决策模型生成技术的云边端协同方法 - Google Patents
一种基于异构决策模型生成技术的云边端协同方法 Download PDFInfo
- Publication number
- CN112286691A CN112286691A CN202011258994.9A CN202011258994A CN112286691A CN 112286691 A CN112286691 A CN 112286691A CN 202011258994 A CN202011258994 A CN 202011258994A CN 112286691 A CN112286691 A CN 112286691A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- cloud
- terminal equipment
- heterogeneous
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/546—Message passing systems or structures, e.g. queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
- H04L69/08—Protocols for interworking; Protocol conversion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2209/00—Indexing scheme relating to G06F9/00
- G06F2209/50—Indexing scheme relating to G06F9/50
- G06F2209/502—Proximity
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Computer Security & Cryptography (AREA)
- Information Transfer Between Computers (AREA)
Abstract
一种基于异构决策模型生成技术的云边端协同方法,终端设备通过各种通信协议接入边缘节点,数据流转模块在边缘节点中,通过特征归类、功能分组等方法实施数据的自适应流转,提供异构网络接入、协议转换解析、数据上传下发和设备响应处理等功能,人工智能模块使用数据流转模块上传的预处理后数据,根据不同业务场景和工作参数的终端设备,实时进行模型训练,产生异构决策模型,模型下发模块把人工智能平台模块生成的异构决策模型根据不同的业务场景和终端设备的区别准确下发到匹配的边缘节点上,实现异构决策模型和终端设备的匹配。
Description
技术领域
本发明涉及边缘计算和人工智能领域,具体涉及一种基于异构决策模型生成技术的云边端协同方法。
背景技术
随着移动网络特别是5G技术的发展,智能终端设备呈现爆炸式的增长,随之产生海量的数据,如何利用这些数据进行智能终端的研究是非常具有发展前景的方向。传统的云计算是集中式处理方式,离终端设备较远,如果基于终端设备产生的海量数据在云中心处理并建立模型和执行,会引起网络延时变长、网络拥塞、服务质量下降的问题。而终端设备通常计算能力不足,无法与云中心相比。在这种背景下,边缘计算应运而生,通过在靠近终端设备一侧搭建边缘节点,云中心建立的模型放在边缘节点执行,将云端AI能力下放到边缘节点,从而解决上述问题。
现有云边端架构中,模型的训练生成和使用不能根据业务场景不同的终端设备进行自动匹配。
发明内容
本发明为了克服以上技术的不足,提供了一种提高管理不同功能和类型的终端设备的效率的基于异构决策模型生成技术的云边端协同方法。
本发明克服其技术问题所采用的技术方案是:
一种基于异构决策模型生成技术的云边端协同方法,包括如下步骤:
a)终端设备获取数据后传输到边缘节点;
b)边缘节点通过数据流转模块中的协议转换功能将终端设备获取的数据转换为云边端协同系统可以理解的数据;
c)转换后的数据通过基于双向多路复用消息通道传输到云中心并进行数据持久化处理,处理后的数据传输到云中心的人工智能模块进行模型训练;
d)人工智能模块利用机器学习、深度学习、知识图谱和流式计算的方式分析计算终端设备的功能特性和工作参数,结合云端任务推理模型的设备约束条件,采用参数曾广和模型扩张的方法生成面向异构集群设备的动态模型,利用设备和模型参数的相互作用关系函数动态调整模型的设备依赖项,建立异构决策模型,实现任务模型和终端设备的准确和动态匹配;
e)云中心对生成的异构决策模型通过模型下发模块进行增量下发、存量升级、灰度发布,把模型应用到边缘节点AI应用中;
f)在模型应用过程中,终端设备不断产生的数据传输到云中心中的人工智能模块进行训练,形成闭环,实现模型的增量学习。
优选的,步骤a)中终端设备为摄像头。
优选的,步骤a)中终端设备为传感器。
优选的,步骤a)中终端设备通过MQTT协议或Modbus协议或OPC-UA协议或Bluetooth协议或HTTP协议把数据传输到边缘节点。
优选的,步骤b)中将转换的云边端协同系统可以理解的数据分别进行清洗、脱敏、加工、聚合处理。
优选的,步骤b)中的数据流转换模块结合数据维度和特征复杂度,通过特征分类、功能分组法实现数据的自适应流转。
本发明的有益效果是:终端设备通过各种通信协议接入边缘节点,数据流转模块在边缘节点中,通过特征归类、功能分组等方法实施数据的自适应流转,提供异构网络接入、协议转换解析、数据上传下发和设备响应处理等功能,人工智能模块使用数据流转模块上传的预处理后数据,根据不同业务场景和工作参数的终端设备,实时进行模型训练,产生异构决策模型,模型下发模块把人工智能平台模块生成的异构决策模型根据不同的业务场景和终端设备的区别准确下发到匹配的边缘节点上,实现异构决策模型和终端设备的匹配。
附图说明
图1为本发明的系统架构示意图。
具体实施方式
下面结合附图1对本发明做进一步说明。
一种基于异构决策模型生成技术的云边端协同方法,包括如下步骤:
a)终端设备获取数据后传输到边缘节点;
b)边缘节点通过数据流转模块中的协议转换功能将终端设备获取的数据转换为云边端协同系统可以理解的数据;
c)转换后的数据通过基于双向多路复用消息通道传输到云中心并进行数据持久化处理,处理后的数据传输到云中心的人工智能模块进行模型训练;
d)人工智能模块利用机器学习、深度学习、知识图谱和流式计算的方式分析计算终端设备的功能特性和工作参数,结合云端任务推理模型的设备约束条件,采用参数曾广和模型扩张的方法生成面向异构集群设备的动态模型,利用设备和模型参数的相互作用关系函数动态调整模型的设备依赖项,建立异构决策模型,实现任务模型和终端设备的准确和动态匹配;
e)云中心对生成的异构决策模型通过模型下发模块进行增量下发、存量升级、灰度发布,把模型应用到边缘节点AI应用中;
f)在模型应用过程中,终端设备不断产生的数据传输到云中心中的人工智能模块进行训练,形成闭环,实现模型的增量学习。
终端设备通过各种通信协议接入边缘节点,数据流转模块在边缘节点中,通过特征归类、功能分组等方法实施数据的自适应流转,提供异构网络接入、协议转换解析、数据上传下发和设备响应处理等功能,人工智能模块使用数据流转模块上传的预处理后数据,根据不同业务场景和工作参数的终端设备,实时进行模型训练,产生异构决策模型,模型下发模块把人工智能平台模块生成的异构决策模型根据不同的业务场景和终端设备的区别准确下发到匹配的边缘节点上,实现异构决策模型和终端设备的匹配。
进一步的,步骤a)中终端设备为车联网、安防监控、工业制造、智慧城市、智慧家居等场景中的摄像头或为传感器。
进一步的,步骤a)中终端设备通过MQTT协议或Modbus协议或OPC-UA协议或Bluetooth协议或HTTP协议把数据传输到边缘节点。
进一步的,步骤b)中将转换的云边端协同系统可以理解的数据分别进行清洗、脱敏、加工、聚合处理。
进一步的,步骤b)中的数据流转换模块结合数据维度和特征复杂度,通过特征分类、功能分组法实现数据的自适应流转。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于异构决策模型生成技术的云边端协同方法,其特征在于,包括如下步骤:
a)终端设备获取数据后传输到边缘节点;
b)边缘节点通过数据流转模块中的协议转换功能将终端设备获取的数据转换为云边端协同系统可以理解的数据;
c)转换后的数据通过基于双向多路复用消息通道传输到云中心并进行数据持久化处理,处理后的数据传输到云中心的人工智能模块进行模型训练;
d)人工智能模块利用机器学习、深度学习、知识图谱和流式计算的方式分析计算终端设备的功能特性和工作参数,结合云端任务推理模型的设备约束条件,采用参数曾广和模型扩张的方法生成面向异构集群设备的动态模型,利用设备和模型参数的相互作用关系函数动态调整模型的设备依赖项,建立异构决策模型,实现任务模型和终端设备的准确和动态匹配;
e)云中心对生成的异构决策模型通过模型下发模块进行增量下发、存量升级、灰度发布,把模型应用到边缘节点AI应用中;
f)在模型应用过程中,终端设备不断产生的数据传输到云中心中的人工智能模块进行训练,形成闭环,实现模型的增量学习。
2.根据权利要求1所述的基于异构决策模型生成技术的云边端协同方法,其特征在于:步骤a)中终端设备为摄像头。
3.根据权利要求1所述的基于异构决策模型生成技术的云边端协同方法,其特征在于:步骤a)中终端设备为传感器。
4.根据权利要求1所述的基于异构决策模型生成技术的云边端协同方法,其特征在于:步骤a)中终端设备通过MQTT协议或Modbus协议或OPC-UA协议或Bluetooth协议或HTTP协议把数据传输到边缘节点。
5.根据权利要求1所述的基于异构决策模型生成技术的云边端协同方法,其特征在于:步骤b)中将转换的云边端协同系统可以理解的数据分别进行清洗、脱敏、加工、聚合处理。
6.根据权利要求1所述的基于异构决策模型生成技术的云边端协同方法,其特征在于:步骤b)中的数据流转换模块结合数据维度和特征复杂度,通过特征分类、功能分组法实现数据的自适应流转。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011258994.9A CN112286691A (zh) | 2020-11-12 | 2020-11-12 | 一种基于异构决策模型生成技术的云边端协同方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011258994.9A CN112286691A (zh) | 2020-11-12 | 2020-11-12 | 一种基于异构决策模型生成技术的云边端协同方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112286691A true CN112286691A (zh) | 2021-01-29 |
Family
ID=74398775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011258994.9A Pending CN112286691A (zh) | 2020-11-12 | 2020-11-12 | 一种基于异构决策模型生成技术的云边端协同方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112286691A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113204332A (zh) * | 2021-04-30 | 2021-08-03 | 重庆市科学技术研究院 | 智能家居设备控制程序生成系统及方法 |
CN113655764A (zh) * | 2021-08-16 | 2021-11-16 | 珠海格力电器股份有限公司 | 云边协同控制系统及控制方法 |
CN113708974A (zh) * | 2021-09-03 | 2021-11-26 | 南方电网数字电网研究院有限公司 | 基于自适应组网的边缘云网络系统及协同方法 |
CN113778483A (zh) * | 2021-08-20 | 2021-12-10 | 北京理工大学 | 一种云边端赋能的装备决策及安全空中升级装置和方法 |
CN117590801A (zh) * | 2024-01-19 | 2024-02-23 | 西安交通大学 | 云边协同的5g边缘控制装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766889A (zh) * | 2017-10-26 | 2018-03-06 | 济南浪潮高新科技投资发展有限公司 | 一种云端边缘计算融合的深度学习计算系统和方法 |
CN111199279A (zh) * | 2019-10-30 | 2020-05-26 | 山东浪潮人工智能研究院有限公司 | 一种警务行业云端边缘计算和人工智能融合方法及装置 |
CN111582016A (zh) * | 2020-03-18 | 2020-08-25 | 宁波送变电建设有限公司永耀科技分公司 | 基于云边协同深度学习的智能免维护电网监控方法及系统 |
CN111901381A (zh) * | 2020-06-29 | 2020-11-06 | 北京智芯微电子科技有限公司 | 基于边缘计算的物联代理装置及数据决策方法 |
-
2020
- 2020-11-12 CN CN202011258994.9A patent/CN112286691A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766889A (zh) * | 2017-10-26 | 2018-03-06 | 济南浪潮高新科技投资发展有限公司 | 一种云端边缘计算融合的深度学习计算系统和方法 |
CN111199279A (zh) * | 2019-10-30 | 2020-05-26 | 山东浪潮人工智能研究院有限公司 | 一种警务行业云端边缘计算和人工智能融合方法及装置 |
CN111582016A (zh) * | 2020-03-18 | 2020-08-25 | 宁波送变电建设有限公司永耀科技分公司 | 基于云边协同深度学习的智能免维护电网监控方法及系统 |
CN111901381A (zh) * | 2020-06-29 | 2020-11-06 | 北京智芯微电子科技有限公司 | 基于边缘计算的物联代理装置及数据决策方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113204332A (zh) * | 2021-04-30 | 2021-08-03 | 重庆市科学技术研究院 | 智能家居设备控制程序生成系统及方法 |
CN113204332B (zh) * | 2021-04-30 | 2023-06-20 | 重庆市科学技术研究院 | 智能家居设备控制程序生成系统及方法 |
CN113655764A (zh) * | 2021-08-16 | 2021-11-16 | 珠海格力电器股份有限公司 | 云边协同控制系统及控制方法 |
CN113778483A (zh) * | 2021-08-20 | 2021-12-10 | 北京理工大学 | 一种云边端赋能的装备决策及安全空中升级装置和方法 |
CN113708974A (zh) * | 2021-09-03 | 2021-11-26 | 南方电网数字电网研究院有限公司 | 基于自适应组网的边缘云网络系统及协同方法 |
CN117590801A (zh) * | 2024-01-19 | 2024-02-23 | 西安交通大学 | 云边协同的5g边缘控制装置 |
CN117590801B (zh) * | 2024-01-19 | 2024-04-02 | 西安交通大学 | 云边协同的5g边缘控制装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112286691A (zh) | 一种基于异构决策模型生成技术的云边端协同方法 | |
Ye et al. | Machine learning for vehicular networks: Recent advances and application examples | |
Wang et al. | From IoT to 5G I-IoT: The next generation IoT-based intelligent algorithms and 5G technologies | |
Gacanin et al. | Wireless 2.0: Toward an intelligent radio environment empowered by reconfigurable meta-surfaces and artificial intelligence | |
WO2020143094A1 (zh) | 一种基于边缘计算的智能管理方法和系统 | |
CN111741073B (zh) | 基于5g通信网络的电力数据传输系统 | |
CN110290077B (zh) | 一种基于实时业务配置的工业sdn资源分配方法 | |
CN103177298A (zh) | 泛能网控制方法 | |
Alejandrino et al. | Protocol-independent data acquisition for precision farming | |
CN116346819A (zh) | 一种基于云边协同的工业互联网系统 | |
Oudah et al. | Fuzzy type 1 PID controllers design for TCP/AQM wireless networks | |
Barsellotti et al. | Introducing data processing units (DPU) at the edge | |
CN110601916A (zh) | 一种基于机器学习的流量采样和应用感知的系统 | |
CN114024801A (zh) | 一种工业边缘计算服务网关 | |
Dey et al. | Iov based real-time smart traffic monitoring system for smart cities using augmented reality | |
CN111580486A (zh) | 一种基于物联网的智能工厂数据管理系统及其处理方法 | |
US20210235296A1 (en) | Method for deriving cell quality and device supporting the same | |
US20230297885A1 (en) | Big data-based modular ai engine server and driving method of the same | |
CN114139688A (zh) | 基于马尔可夫链共识的工业物联网分布式联邦学习方法 | |
Mao et al. | Artificial intelligence in mobile communication: A Survey | |
Chappala et al. | Adaptive Congestion Window Algorithm for the Internet of Things Enabled Networks | |
CN207460183U (zh) | 一种基于无线激光通信的智能生产线信息传输系统 | |
CN112134876A (zh) | 流量识别系统及方法、服务器 | |
Priya et al. | VEHICULAR NETWORK OPTIMIZATION VIA KESHTEL ALGORITHM WITH INSIGHTS FROM LEABRA MODELS. | |
CN116938986B (zh) | 一种基于物联网的智慧校园管理方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210129 |
|
RJ01 | Rejection of invention patent application after publication |