CN112486665B - 一种基于对等网络的边缘人工智能计算任务调度方法 - Google Patents

一种基于对等网络的边缘人工智能计算任务调度方法 Download PDF

Info

Publication number
CN112486665B
CN112486665B CN202011210770.0A CN202011210770A CN112486665B CN 112486665 B CN112486665 B CN 112486665B CN 202011210770 A CN202011210770 A CN 202011210770A CN 112486665 B CN112486665 B CN 112486665B
Authority
CN
China
Prior art keywords
peer
internet
things
node
nodes
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.)
Active
Application number
CN202011210770.0A
Other languages
English (en)
Other versions
CN112486665A (zh
Inventor
李发明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen China Blog Imformation Technology Co ltd
Original Assignee
Shenzhen China Blog Imformation Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen China Blog Imformation Technology Co ltd filed Critical Shenzhen China Blog Imformation Technology Co ltd
Priority to CN202011210770.0A priority Critical patent/CN112486665B/zh
Publication of CN112486665A publication Critical patent/CN112486665A/zh
Application granted granted Critical
Publication of CN112486665B publication Critical patent/CN112486665B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06F9/542—Event management; Broadcasting; Multicasting; Notifications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于对等网络的边缘人工智能计算任务调度方法，包括：根据人工神经网络模型向对等网络的其他物联网节点广播请求包，接收其他物联网节点发送的响应于所述请求包的答复包，根据答复包建立物联网节点之间的路由表，根据路由表创建物联网节点与人工神经网络模型的计算任务的关联信息，根据路由表广播计算任务分配包，从而实现了人工智能计算模型的计算任务在边缘端的分布式计算，充分利用物联网节点的算力，提高了人工智能计算任务的处理速度，避免了在云端完成人工智能计算模型的计算任务的各种弊端。

Description

一种基于对等网络的边缘人工智能计算任务调度方法
技术领域
本发明涉及边缘计算技术领域，尤其是一种基于对等网络的边缘人工智能计算任务调度方法。
背景技术
随着物联网技术的发展，物联网节点越来越多，越来越密集，这些物联网节点通常由电池供电，因此它们的计算能力往往有限，而且由于受到电池寿命的限制，这些物联网节点并不适合单独承担较为复杂的基于机器学习模型的人工智能计算任务，例如基于人工神经网络的人工智能环境监测模型的计算任务。因此，现有技术人员为了避免在物联网节点本地处理这些计算任务，常常将物联网节点采集的数据发送到云端进行处理，这样会带来大量通信延时，并且需要为物联网节点配备专门的网关或无线通信模块，因而提高了硬件成本，同时物联网节点的计算能力没有得到充分利用。
发明内容
本发明的目的在于提供一种基于对等网络的边缘人工智能计算任务调度方法，在对等网络中建立分布式边缘计算网络，充分利用物联网节点的算力，在边缘端完成人工智能计算任务。
为了解决以上提出的问题，本发明采用的技术方案为：一种基于对等网络的边缘人工智能计算任务调度方法，所述对等网络包括多个经由对等网络通信协议通信的物联网节点，所述方法包括：在至少一个物联网节点采集关于监测目标的至少一个监测数据；根据监测数据选择至少一个人工神经网络模型；根据所述人工神经网络模型向所述对等网络的其他物联网节点广播请求包，所述请求包包含关于人工神经网络模型的计算需求信息；接收对等网络中的其他物联网节点发送的响应于所述请求包的答复包，所述答复包包括发送答复包的物联网节点的节点信息以及发送答复包的物联网节点到发送所述请求包的物联网节点之间的路径信息；根据答复包建立物联网节点之间的路由表；根据路由表创建物联网节点与人工神经网络模型的计算任务的关联信息；根据路由表广播计算任务分配包，计算任务分配包包括所述路由表和所述关联信息。
进一步地，所述答复包中的物联网节点的节点信息包括节点资源信息、节点标识和/或节点类型。
进一步地，所述根据答复包建立物联网节点之间的路由表，包括：根据答复包中的节点信息和人工神经网络模型将对应的物联网节点指定为与人工神经网络模型的输入神经元对应的输入节点。
进一步地，所述根据答复包建立物联网节点之间的路由表，包括：根据路径信息和人工神经网络模型讲对应的物联网节点指定为与人工神经网络模型的隐藏神经元对应的中间节点。
进一步地，所述根据答复包建立物联网节点之间的路由表，包括：根据路径信息和人工神经网络模型讲对应的物联网节点指定为与人工神经网络模型的输出神经元对应的输出节点，根据路径信息确定输入节点、输出节点和中间节点之间的连接路由以形成路由表。
进一步地，所述方法还包括利用蚁群算法对物联网节点与人工神经网络模型的计算任务的关联信息进行优化的步骤。
进一步地，所述人工神经网络模型为基于人工神经网络的环境监测模型。
进一步地，所述监测数据为下列数据中的一种：温度数据、湿度数据、氧气浓度数据、有毒气体浓度数据、红外线强度数据和照度数据。
进一步地，所述对等网络为mesh网络。
进一步地，所述物联网节点在接收到的来自其他物联网节点的答复包中加入自身的标识，以形成路径信息。
与现有技术相比，本发明的有益效果在于：本发明根据人工神经网络模型向对等网络的其他物联网节点广播请求包，接收其他物联网节点发送的响应于所述请求包的答复包，根据答复包建立物联网节点之间的路由表，根据路由表创建物联网节点与人工神经网络模型的计算任务的关联信息，根据路由表广播计算任务分配包，从而实现了人工智能计算模型的计算任务在边缘端的分布式计算，充分利用物联网节点的算力，提高了人工智能计算任务的处理速度，避免了在云端完成人工智能计算模型的计算任务的各种弊端。
附图说明
图1是本发明实施例提供的一种基于对等网络的边缘人工智能计算任务调度方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的实现进行详细描述：
图1是本发明实施例提供的一种基于对等网络的边缘人工智能计算任务调度方法的流程图。如图1所示，一种基于对等网络的边缘人工智能计算任务调度方法，所述对等网络包括多个经由对等网络通信协议通信的物联网节点，所述方法包括：
S1、在至少一个物联网节点采集关于监测目标的至少一个监测数据。
S2、根据监测数据选择至少一个人工神经网络模型。
S3、根据所述人工神经网络模型向所述对等网络的其他物联网节点广播请求包，所述请求包包含关于人工神经网络模型的计算需求信息。
S4、接收对等网络中的其他物联网节点发送的响应于所述请求包的答复包，所述答复包包括发送答复包的物联网节点的节点信息以及发送答复包的物联网节点到发送所述请求包的物联网节点之间的路径信息。
S5、根据答复包建立物联网节点之间的路由表。
S6、根据路由表创建物联网节点与人工神经网络模型的计算任务的关联信息。
S7、根据路由表广播计算任务分配包，计算任务分配包包括所述路由表和所述关联信息。
具体来说，在本实施例中，人工神经网络模型可以为基于人工神经网络的环境监测模型，通过物联网节点采集到的监测数据识别环境状态，例如火灾、天气等等。不同人工神经网络模型需要的监测数据不尽相同。步骤S2中，具体来说，可以将监测数据与某一预设的取值范围进行比较，当监测数据超出该取值范围时，可以选择与该监测数据相关的人工神经网络模型，例如火灾监测模型中的输入监测数据常常包括温度、可燃气体浓度、红外线强度等数据，当物联网节点采集到的温度监测数据超过正常值时，可以选择火灾监测模型作为即将处理的人工神经网络模型，根据人工神经网络模型和监测数据计算识别环境状态即人工智能计算任务。
在本实施例中，在本实施例中，所述答复包中的物联网节点的节点信息包括节点资源信息、节点标识和/或节点类型。节点资源信息可以包括节点内存容量、处理器频率、电池寿命等信息。节点标识可以是物联网节点的无线网络ID或一个唯一的标识码。所述监测数据可以为下列数据中的一种：温度数据、湿度数据、氧气浓度数据、有毒气体浓度数据、红外线强度数据和照度数据，相应的，所述物联网节点可以根据其采集的监测数据的不同，分配不同的节点类型，例如采集温度数据的物联网节点的类型为感温节点。
在本实施例中，所述对等网络可以为mesh网络，在Mesh网络中，任何物联网节点都可以同时作为AP和路由器，网络中的每个物联网节点都可以发送和接收信号，每个节点都可以与一个或者多个物联网节点进行直接或间接通信。
在本实施例中，所述根据答复包建立物联网节点之间的路由表，包括：根据答复包中的节点信息和人工神经网络模型将对应的物联网节点指定为与人工神经网络模型的输入神经元对应的输入节点。例如人工神经网络模型是火灾监测模型，则可以将温度传感器、湿度传感器、有毒气体传感器、红外线传感器等物联网节点指定为输入节点。每个输入节点与人工神经网络模型的输入神经元对应一一对应。可以由输入节点完成对应的输入神经元的计算任务。
在本实施例中，所述根据答复包建立物联网节点之间的路由表，包括：根据路径信息和人工神经网络模型讲对应的物联网节点指定为与人工神经网络模型的隐藏神经元对应的中间节点。具体的，可以根据路径信息中物联网节点之间的连接路由，选择与输入节点通信的其他物联网节点作为中间节点，并记录中间节点和输入节点的连接路由。执行计算任务的物联网节点依据连接路由，将计算结果传输给执行下一层神经元的计算任务的物联网节点。在一些实施例中，所述物联网节点在接收到的来自其他物联网节点的答复包中加入自身的标识，以形成路径信息。
在本实施例中，所述根据答复包建立物联网节点之间的路由表，包括：根据路径信息和人工神经网络模型讲对应的物联网节点指定为与人工神经网络模型的输出神经元对应的输出节点，根据路径信息确定输入节点、输出节点和中间节点之间的连接路由以形成路由表。具体的，可以根据路径信息中物联网节点之间的连接路由，选择与中间节点通信的其他物联网节点作为输出节点，并记录中间节点与输出节点之间的连接路由。从而，中间节点、输入节点、输出节点之间的连接路由形成路由表，中间节点、输入节点、输出节点根据路由表将计算中间结果转发到下一个节点进行计算。
在本实施例中，根据路由表创建物联网节点与人工神经网络模型的计算任务的关联信息，具体的可以将人工神经网络模型每个神经元的计算作为一个计算任务，根据路由表创建物联网节点与人工神经网络模型的计算任务的关联信息即建立物联网节点与神经元的计算任务的对应关系。物联网节点根据对应关系运行相应的函数完成分配的计算任务。
在本实施例中，所述方法还包括利用蚁群算法对物联网节点与人工神经网络模型的计算任务的关联信息进行优化的步骤。具体的，首先，对物联网节点与人工神经网络模型的计算任务的关联信息进行建模，将问题转化为，求一种最优的任务分配策略，能够将人工神经网络模型分解为N个计算任务，并将这N个计算任务按照某一种策略分配给M个处理能力不同的物联网节点，并且N个任务总的任务处理时间最短。将计算任务的完成时间作为衡量分配策略优良的指标。每一种任务分配策略都是这个问题的一个可行解。那么具有最小完成时间的分配策略就是这个问题的最优解。将神经元的计算作为一个独立的计算任务分配给一个物联网节点。蚁群算法一共要进行多次迭代，每次迭代中，所有蚂蚁都需要按照某种策略完成所有任务的分配，例如可以将计算任务随机分配给某一物联网节点，或按信息素浓度分配，也就是将任务分配给信息素浓度最高的物联网节点处理。每次所有蚂蚁完成任务的分配称为一次迭代，每完成一次迭代后，计算并记录所有蚂蚁的任务处理时间，并更新信息素矩阵。每次迭代完成以后都会挑选出一个当前最优方案，并提升该方案的信息素，经过多次迭代，就可以找到全局最优解，即使得任务处理时间最短的计算任务分配方案，从而提高人工智能计算任务的执行效率。
综上所述，本发明根据人工神经网络模型向对等网络的其他物联网节点广播请求包，接收其他物联网节点发送的响应于所述请求包的答复包，根据答复包建立物联网节点之间的路由表，根据路由表创建物联网节点与人工神经网络模型的计算任务的关联信息，根据路由表广播计算任务分配包，从而实现了人工智能计算模型的计算任务在边缘端的分布式计算，充分利用物联网节点的算力，提高了人工智能计算任务的处理速度，避免了在云端完成人工智能计算模型的计算任务的各种弊端。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种基于对等网络的边缘人工智能计算任务调度方法，所述对等网络包括多个经由对等网络通信协议通信的物联网节点，其特征在于，所述方法包括：
在至少一个物联网节点采集关于监测目标的至少一个监测数据；
根据监测数据选择至少一个人工神经网络模型；
根据所述人工神经网络模型向所述对等网络的其他物联网节点广播请求包，所述请求包包含关于人工神经网络模型的计算需求信息；
接收对等网络中的其他物联网节点发送的响应于所述请求包的答复包，所述答复包包括发送答复包的物联网节点的节点信息以及发送答复包的物联网节点到发送所述请求包的物联网节点之间的路径信息；
根据答复包建立物联网节点之间的路由表；
根据路由表创建物联网节点与人工神经网络模型的计算任务的关联信息；
根据路由表广播计算任务分配包，计算任务分配包包括所述路由表和所述关联信息。
2.根据权利要求1所述的基于对等网络的边缘人工智能计算任务调度方法，其特征在于，所述节点信息包括节点资源信息、节点标识和/或节点类型。
3.根据权利要求1所述的基于对等网络的边缘人工智能计算任务调度方法，其特征在于，所述根据答复包建立物联网节点之间的路由表，包括：根据答复包中的节点信息和人工神经网络模型将对应的物联网节点指定为与人工神经网络模型的输入神经元对应的输入节点。
4.根据权利要求3所述的基于对等网络的边缘人工智能计算任务调度方法，其特征在于，所述根据答复包建立物联网节点之间的路由表，进一步包括：根据路径信息和人工神经网络模型将 对应的物联网节点指定为与人工神经网络模型的隐藏神经元对应的中间节点。
5.根据权利要求4所述的基于对等网络的边缘人工智能计算任务调度方法，其特征在于，所述根据答复包建立物联网节点之间的路由表，进一步包括：根据路径信息和人工神经网络模型将 对应的物联网节点指定为与人工神经网络模型的输出神经元对应的输出节点，根据路径信息确定输入节点、输出节点和中间节点之间的连接路由以形成路由表。
6.根据权利要求1所述的基于对等网络的边缘人工智能计算任务调度方法，其特征在于，还包括利用蚁群算法对物联网节点与人工神经网络模型的计算任务的关联信息进行优化的步骤。
7.根据权利要求1所述的基于对等网络的边缘人工智能计算任务调度方法，其特征在于，所述人工神经网络模型为基于人工神经网络的环境监测模型。
8.根据权利要求7所述的基于对等网络的边缘人工智能计算任务调度方法，其特征在于，所述监测数据为下列数据中的一种：温度数据、湿度数据、氧气浓度数据、有毒气体浓度数据、红外线强度数据和照度数据。
9.根据权利要求1所述的基于对等网络的边缘人工智能计算任务调度方法，其特征在于，所述对等网络为mesh网络。
10.根据权利要求1-9任一项 所述的基于对等网络的边缘人工智能计算任务调度方法，其特征在于，所述物联网节点在接收到的来自其他物联网节点的答复包中加入自身的标识，以形成路径信息。
CN202011210770.0A 2020-11-03 2020-11-03 一种基于对等网络的边缘人工智能计算任务调度方法 Active CN112486665B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011210770.0A CN112486665B (zh) 2020-11-03 2020-11-03 一种基于对等网络的边缘人工智能计算任务调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011210770.0A CN112486665B (zh) 2020-11-03 2020-11-03 一种基于对等网络的边缘人工智能计算任务调度方法

Publications (2)

Publication Number Publication Date
CN112486665A CN112486665A (zh) 2021-03-12
CN112486665B true CN112486665B (zh) 2022-03-18

Family

ID=74926323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011210770.0A Active CN112486665B (zh) 2020-11-03 2020-11-03 一种基于对等网络的边缘人工智能计算任务调度方法

Country Status (1)

Country Link
CN (1) CN112486665B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112486668A (zh) * 2020-11-03 2021-03-12 深圳市中博科创信息技术有限公司 一种分布式人工智能计算方法、物联网节点和存储介质
CN115361330B (zh) * 2022-07-09 2023-09-08 中国科学院上海微系统与信息技术研究所 一种用于分布式神经网络的边缘网络通信路径选择方法
CN115878943B (zh) * 2023-01-31 2023-05-30 睿至科技集团有限公司 一种物联网能源监测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108848504A (zh) * 2018-06-30 2018-11-20 沈阳师范大学 一种基于能量感知路由协议的无线传感器网络大数据识别及智能分析方法及系统
CN109784469A (zh) * 2019-01-25 2019-05-21 深圳市中电数通智慧安全科技股份有限公司 一种基于雾计算的智慧城市安全监控系统及其方法
CN110365753A (zh) * 2019-06-27 2019-10-22 北京邮电大学 基于边缘计算的物联网服务低时延负载分配方法及装置
CN209745321U (zh) * 2019-03-29 2019-12-06 深圳市中电数通智慧安全科技股份有限公司 物联网监测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10945166B2 (en) * 2017-04-07 2021-03-09 Vapor IO Inc. Distributed processing for determining network paths
US11119825B2 (en) * 2017-12-19 2021-09-14 International Business Machines Corporation Dynamic task allocation and node reconfiguration in mesh network

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108848504A (zh) * 2018-06-30 2018-11-20 沈阳师范大学 一种基于能量感知路由协议的无线传感器网络大数据识别及智能分析方法及系统
CN109784469A (zh) * 2019-01-25 2019-05-21 深圳市中电数通智慧安全科技股份有限公司 一种基于雾计算的智慧城市安全监控系统及其方法
CN209745321U (zh) * 2019-03-29 2019-12-06 深圳市中电数通智慧安全科技股份有限公司 物联网监测系统
CN110365753A (zh) * 2019-06-27 2019-10-22 北京邮电大学 基于边缘计算的物联网服务低时延负载分配方法及装置

Also Published As

Publication number Publication date
CN112486665A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
CN112486665B (zh) 一种基于对等网络的边缘人工智能计算任务调度方法
CN112511592B (zh) 一种边缘人工智能计算方法、物联网节点和存储介质
Djenouri et al. Energy-aware constrained relay node deployment for sustainable wireless sensor networks
Di Pascale et al. The network as a computer: A framework for distributed computing over iot mesh networks
Karagiannis et al. Comparison of alternative architectures in fog computing
CN111935241B (zh) 基于数据分发网络的边缘服务智能协同方法
Kumar et al. A forwarding strategy based on ANFIS in internet-of-things-oriented wireless sensor network (WSN) using a novel fuzzy-based cluster head protocol
Rahimunnisa Hybrdized genetic-simulated annealing algorithm for performance optimization in wireless adhoc network
Micheletti et al. CER-CH: combining election and routing amongst cluster heads in heterogeneous WSNs
John et al. A survey on energy efficient tree-based data aggregation techniques in wireless sensor networks
Menaria et al. A fault tolerance based route optimisation and data aggregation using artificial intelligence to enhance performance in wireless sensor networks
Bangotra et al. Energy-efficient and secure opportunistic routing protocol for WSN: performance analysis with nature-inspired algorithms and its application in biomedical applications
Yang et al. SC-RPL: A social cognitive routing for communications in industrial Internet of Things
Sangeetha et al. Genetic optimization of hybrid clustering algorithm in mobile wireless sensor networks
Suresh et al. F2SO: an energy efficient cluster based routing protocol using fuzzy firebug swarm optimization algorithm in WSN
Cao et al. A mobility-supported routing mechanism in industrial IoT networks
CN111556090B (zh) 智能物联网的功能聚合自组织系统及方法
CN113411766A (zh) 智慧物联网综合感知系统及方法
CN112486668A (zh) 一种分布式人工智能计算方法、物联网节点和存储介质
Yang et al. Task coalition formation and self‐adjustment in the wireless sensor networks
CN112486669B (zh) 一种自组织移动边缘计算平台和方法
Koosha et al. FAHP-OF: a new method for load balancing in rpl-based Internet of Things (IoT)
Rajpoot et al. An enhanced approach for energy optimization using protocol based on multi factors
Chandrasekaran et al. DeepSense—Deep neural network framework to improve the network lifetime of IoT‐MANETs
Hou et al. Deep Reinforcement Learning aided Loss-tolerant Congestion Control for 6LoWPAN Networks

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
GR01 Patent grant
GR01 Patent grant