CN112738225A - 基于人工智能的边缘计算方法 - Google Patents

基于人工智能的边缘计算方法 Download PDF

Info

Publication number
CN112738225A
CN112738225A CN202011588031.5A CN202011588031A CN112738225A CN 112738225 A CN112738225 A CN 112738225A CN 202011588031 A CN202011588031 A CN 202011588031A CN 112738225 A CN112738225 A CN 112738225A
Authority
CN
China
Prior art keywords
data
fog
edge
computing
processing
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.)
Granted
Application number
CN202011588031.5A
Other languages
English (en)
Other versions
CN112738225B (zh
Inventor
徐慧剑
石东贤
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.)
Shanghai Tongxi Information Technology Co.,Ltd.
Original Assignee
Zhejiang Economic & Trade Polytechnic
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 Zhejiang Economic & Trade Polytechnic filed Critical Zhejiang Economic & Trade Polytechnic
Priority to CN202011588031.5A priority Critical patent/CN112738225B/zh
Publication of CN112738225A publication Critical patent/CN112738225A/zh
Application granted granted Critical
Publication of CN112738225B publication Critical patent/CN112738225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提出基于人工智能的边缘计算方法，所述方法基于包括多个远程终端单元、多个边缘计算终端以及通过局域网连接至所述多个边缘计算终端的多个雾计算处理设备实现。该方法包括接收多个远程终端单元采集的数据集、对数据集进行分组后发送给雾计算处理设备处理、基于雾计算的回报数据启动边缘计算终端以及基于边缘计算终端的反馈数据调节分组窗口大小等步骤。本发明首次将雾计算与边缘计算结合，并基于雾计算的结果启动边缘计算终端，从而基于边缘计算终端的计算结果调节分组窗口大小，能够自适应的快速处理多种不同大小的传感器数据，处理速度快。

Description

基于人工智能的边缘计算方法
技术领域
本发明属于人工智能技术领域，尤其涉及一种基于人工智能的的边缘计算方法。
背景技术
边缘计算(Edge Computing)起源于传媒领域，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。而云端计算，仍然可以访问边缘计算的历史数据。
在工业领域，边缘应用场景包括能源分析、物流规划、工艺优化分析等。就生产任务分配而言，需根据生产订单为生产进行最优的设备排产排程，这是 APS或者广义MES的基本任务单元，需要大量计算。
例如，申请号为CN201911349970.1的中国发明专利申请提出一种基于边缘智能的5G能源互联网虚拟电厂经济调度方法，将机器学习与边缘计算相结合，针对能源互联网vpp中的经济调度问题，提出了一种边缘智能结构。与传统的边缘计算相比，该结构继承了原有的特点，减轻了云计算的负担，提高了边缘计算的计算能力。通过分裂模型和在终端部署部分模型，可以方便地进行实时控制，降低电力系统的成本。由于分裂模型与对应模型之间的相互传递，只是有效地传递了部分信息和梯度信息，降低了通信的消耗，以减小对通信环境的需求。
然而，要发挥边缘计算的潜力，通常需要配置大规模的平台与一定数量的边缘计算终端设备。而在实际场景中，资源总是有限的。因此，无论计算，还是存储，网络，edge的资源是受限的；边缘计算还需要支持多架构的软件。多架构软件所需的资源比较考验edgedevice能力。
如何在有限的资源之下，基于实际数据的属性，合理配置并基于实际情况启用边缘计算设备，现有技术并未给出有效的解决方案。
发明内容
为解决上述技术问题，本发明提出基于人工智能的边缘计算方法，所述方法基于包括多个远程终端单元、多个边缘计算终端以及通过局域网连接至所述多个边缘计算终端的多个雾计算处理设备实现。该方法包括接收多个远程终端单元采集的数据集、对数据集进行分组后发送给雾计算处理设备处理、基于雾计算的回报数据启动边缘计算终端以及基于边缘计算终端的反馈数据调节分组窗口大小等步骤。本发明首次将雾计算与边缘计算结合，并基于雾计算的结果启动边缘计算终端，从而基于边缘计算终端的计算结果调节分组窗口大小，能够自适应的快速处理多种不同大小的传感器数据，处理速度快。
具体来说，本申请的技术方案整体上概括如下：
一种基于人工智能的边缘计算方法，所述方法基于包括多个边缘计算终端以及通过局域网连接至所述多个边缘计算终端的多个雾计算处理设备实现，
在本发明中，所述边缘计算在开始之前，首先通过雾计算设备进行初步判断，才启动边缘计算设备。
具体来说，方法起始于步骤S1：接收多个远程终端单元采集并经过初步处理的传感器数据集V；
然后执行步骤S2：将所述传感器数据集V按照设定的窗口大小对所述初步处理的传感器数据集V进行分组得到多个分组数据{V1，V2，…，Vn}，将第一数量的分组数据{V1，V2，…，Vk}发送给相应的雾计算处理设备；其中，k，n 均为正整数，k＜n，n为分组数；
本发明第一个创新点体现在如下步骤S3：
S3：每个雾计算处理设备对所述分组数据进行处理，并提交回报数据至人工智能引擎；
作为上述创新点的关键技术手段，
将第一数量的分组数据{V1，V2，…，VK}发送给相应的雾计算处理设备，具体包括：
对于每一个雾计算设备，获取该雾计算处理设备处理上一次提交给所述人工智能引擎的回报值Hd，基于所述回报值确定该雾计算处理设备可接受的分组数据；
其中，所述回报值Hd按照如下方式计算：
Figure BDA0002867737620000031
其中，Ti为上一次该雾计算处理设备对于第i个数据集Xi的处理时间；Di为获取第i个数据集Xi的时延；Li为第i个数据集的大小；max X为上一次处理的所有数据集{X1，X2，…，Xs}中最大的数据集的大小；i＝1，2，......，s。
更具体的，对于每一个雾计算设备，获取该雾计算处理设备处理上一次提交给所述人工智能引擎的回报值Hd，基于所述回报值确定该雾计算处理设备可接受的分组数据，进一步包括：
将数据集V1发送给该雾计算处理设备，获取该雾计算处理设备读取该数据集V1的时延D1以及对该数据集V1的处理时间T1；
如果T1+D1＜Hd，则继续将数据集V2发送给该雾计算处理设备，获取该雾计算处理设备读取该数据集V2的时延D2以及对该数据集V2的处理时间T2；
如果
Figure BDA0002867737620000041
则继续将下一个数据集发送给该雾计算处理设备，直至第x个数据集发送给该雾计算处理设备后，使得
Figure BDA0002867737620000042
则停止发送数据集给该雾计算处理设备。
每个雾计算处理设备对所述第一部分的分组数据进行处理，并提交回报数据至人工智能引擎，具体包括：
获取每一个雾计算处理设备对于接收的x个数据集的处理回报值sumHdj：
Figure BDA0002867737620000043
其中，T’i为该雾计算处理设备对于x个数据集中第i个数据集Yi的处理时间；D’i为读取x个数据集中第i个数据集Yi的时延；L’i为第i个数据集Yi的大小；max Y为x个数据集中最大的数据集的大小；j＝1，2，......为雾计算处理设备的编号；
将所有处理回报值sumHdj作为所述回报数据发送给所述人工智能引擎。
接下来进入步骤S4。
S4：所述人工智能引擎基于所述回报数据启动所述多个边缘计算终端的至少一个；
更具体的，为实现步骤S4，关键技术手段如下：
所述人工智能引擎基于所述回报数据启动所述多个边缘计算终端的至少一个，具体包括：
所述回报数据包括多个处理回报值；
基于所述处理回报值的分布属性，计算启动的边缘计算终端的个数。
基于所述处理回报值的分布属性，计算启动的边缘计算终端的个数，具体包括：
将所述多个处理回报值按照大小降序排序，得到降序排列后的回报值序列 H1-Hm；
设定分布阈值mThreshold，按照如下标准对所述回报值序列进行分组：
每一个分组中的所有回报值两两之间的差值绝对值大小小于所述分布阈值mThreshold；
将得到的分组的组数作为启动的边缘计算终端的个数。
接下来，开始正式的边缘计算过程，此为本发明的再一个创新点：
S5：所述启动的边缘计算设备接收第二数量的分组数据{Vk+1，Vk+2，...... Vn}，对其进行处理后提交反馈数据至所述人工智能引擎；
作为具体的技术手段，
所述启动的边缘计算设备接收第二数量的分组数据{VK+1，VK+2，......Vn}，对其进行处理后提交反馈数据至所述人工智能引擎，具体包括：
对于每一个启动的边缘计算设备Meci，获取该边缘计算设备处理其接收的分组数据集Vi的回报值Mecdi；
计算所有边缘计算设备的反馈数据值Mecd＝∑Mecdi。
S6：所述人工智能引擎基于所述反馈数据调节所述窗口大小，返回步骤S1。
作为实现步骤S6的更具体的技术手段，所述人工智能引擎基于所述反馈数据调节所述窗口大小，具体包括：
调节后的窗口大小
Figure BDA0002867737620000061
其中，W为调节之前的窗口大小，p为所述启动的边缘计算设备的个数。
在本发明的技术方案中，所述雾计算处理设备每次接收多个传感器数据集。在初始状态下，将多个分组数据{V1，V2，…，Vn}平均分配给所述雾计算处理设备。
本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是实现本发明所述基于人工智能的边缘计算方法的系统的整体架构图。
图2是利用图1所述系统实现本发明所述边缘计算方法的步骤流程图。
图3是图2所述方法中雾计算设备的数据接收示意图。
图4是图2所述方法中数据分组实现示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，是实现本发明所述基于人工智能的边缘计算方法的系统的整体架构图。
图1所述系统包括多个边缘计算终端以及通过局域网连接至所述多个边缘计算终端的多个雾计算处理设备以及人工智能引擎。
图1中，还包括设置于工业现场的多个远程终端单元(RTU)。
基于图1所述的系统，图2给出了本发明一个实施例的一种基于人工智能的边缘计算方法的主要流程，包括步骤S1-S6的循环迭代过程：
S1：接收多个远程终端单元采集并经过初步处理的传感器数据集V；
S2：将所述传感器数据集V按照设定的窗口大小对所述初步处理的传感器数据集V进行分组得到多个分组数据{V1，V2，…，Vn}，将第一数量的分组数据{V1，V2，…，Vk}发送给相应的雾计算处理设备；其中，k，n均为正整数， k＜n，n为分组数；
S3：每个雾计算处理设备对所述分组数据进行处理，并提交回报数据至人工智能引擎；
S4：所述人工智能引擎基于所述回报数据启动所述多个边缘计算终端的至少一个；
S5：所述启动的边缘计算设备接收第二数量的分组数据{Vk+1，Vk+2，...... Vn}，对其进行处理后提交反馈数据至所述人工智能引擎；
S6：所述人工智能引擎基于所述反馈数据调节所述窗口大小，返回步骤S1。
雾计算可以理解为在终端和数据中心之间再加一层，叫网络边缘层。如再加一个带有存储器的小服务器或路由器，把一些并不需要放到″云″的数据在这一层直接处理和存储，以减少″云″的压力，提高了效率，也提升了传输速率，减低了时延。
雾计算有几个明显特征：低延时、位置感知、广泛的地理分布、适应移动性的应用，支持更多的边缘节点。这些特征使得移动业务部署更加方便，满足更广泛的节点接入。雾计算所采用的架构更呈分布式，更接近网络边缘。雾计算将数据、数据处理和应用程序集中在网络边缘的设备中。
本实施例中所述的雾计算处理设备是能够实现上述雾计算的架构的总称。
在图2基础上，参见图3，给出了步骤S2-S3的详细实现方式如下：
将第一数量的分组数据{V1，V2，…，VK}发送给相应的雾计算处理设备，具体包括：
对于每一个雾计算设备，获取该雾计算处理设备处理上一次提交给所述人工智能引擎的回报值Hd，基于所述回报值确定该雾计算处理设备可接受的分组数据；
其中，所述回报值Hd按照如下方式计算：
Figure BDA0002867737620000081
其中，Ti为上一次该雾计算处理设备对于第i个数据集Xi的处理时间；Di为获取第i个数据集Xi的时延；Li为第i个数据集的大小；max X为上一次处理的所有数据集{X1，X2，…，Xs}中最大的数据集的大小；i＝1，2，......，s。
对于每一个雾计算设备，获取该雾计算处理设备处理上一次提交给所述人工智能引擎的回报值Hd，基于所述回报值确定该雾计算处理设备可接受的分组数据，进一步包括：
将数据集V1发送给该雾计算处理设备，获取该雾计算处理设备读取该数据集V1的时延D1以及对该数据集V1的处理时间T1；
如果T1+D1＜Hd，则继续将数据集V2发送给该雾计算处理设备，获取该雾计算处理设备读取该数据集V2的时延D2以及对该数据集V2的处理时间T2；
如果
Figure BDA0002867737620000091
则继续将下一个数据集发送给该雾计算处理设备，直至第x个数据集发送给该雾计算处理设备后，使得
Figure BDA0002867737620000092
则停止发送数据集给该雾计算处理设备。
每个雾计算处理设备对所述第一部分的分组数据进行处理，并提交回报数据至人工智能引擎，具体包括：
获取每一个雾计算处理设备对于接收的x个数据集的处理回报值sumHdj：
Figure BDA0002867737620000093
其中，T’i为该雾计算处理设备对于x个数据集中第i个数据集Yi的处理时间；D’i为读取x个数据集中第i个数据集Yi的时延；L’i为第i个数据集Yi的大小；max Y为x个数据集中最大的数据集的大小；j＝1，2，......为雾计算处理设备的编号；
将所有处理回报值sumHdj作为所述回报数据发送给所述人工智能引擎。
在图2-3基础上，进一步参见图4，给出了步骤S4-S6的具体实现：
所述人工智能引擎基于所述回报数据启动所述多个边缘计算终端的至少一个，具体包括：
所述回报数据包括多个处理回报值；
基于所述处理回报值的分布属性，计算启动的边缘计算终端的个数。
基于所述处理回报值的分布属性，计算启动的边缘计算终端的个数，具体包括：
将所述多个处理回报值按照大小降序排序，得到降序排列后的回报值序列 H1-Hm；
设定分布阈值mThreshold，按照如下标准对所述回报值序列进行分组：
每一个分组中的所有回报值两两之间的差值绝对值大小小于所述分布阈值mThreshold；
将得到的分组的组数作为启动的边缘计算终端的个数。
所述启动的边缘计算设备接收第二数量的分组数据{VK+1，VK+2，......Vn}，对其进行处理后提交反馈数据至所述人工智能引擎，具体包括：
对于每一个启动的边缘计算设备Meci，获取该边缘计算设备处理其接收的分组数据集Vi的回报值Mecdi；
计算所有边缘计算设备的反馈数据值Mecd＝∑Mecdi。
所述人工智能引擎基于所述反馈数据调节所述窗口大小，具体包括：
调节后的窗口大小
Figure BDA0002867737620000101
其中，W为调节之前的窗口大小，p为所述启动的边缘计算设备的个数。
值得指出的是，在上述实施例中，在初始状态下，将多个分组数据{V1，V2，…，Vn}平均分配给所述雾计算处理设备；所述雾计算处理设备每次接收多个传感器数据集。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于人工智能的边缘计算方法，所述方法基于包括多个边缘计算终端以及通过局域网连接至所述多个边缘计算终端的多个雾计算处理设备实现，其特征在于，所述方法包括如下步骤：
S1：接收多个远程终端单元采集并经过初步处理的传感器数据集V；
S2：将所述传感器数据集V按照设定的窗口大小对所述初步处理的传感器数据集V进行分组得到多个分组数据{V1，V2，…，Vn}，将第一数量的分组数据{V1，V2，…，Vk}发送给相应的雾计算处理设备；其中，k，n均为正整数，k＜n，n为分组数；
S3：每个雾计算处理设备对所述分组数据进行处理，并提交回报数据至人工智能引擎；
S4：所述人工智能引擎基于所述回报数据启动所述多个边缘计算终端的至少一个；
S5：所述启动的边缘计算设备接收第二数量的分组数据{Vk+1，Vk+2，......Vn}，对其进行处理后提交反馈数据至所述人工智能引擎；
S6：所述人工智能引擎基于所述反馈数据调节所述窗口大小，返回步骤S1。
2.如权利要求1所述的边缘计算方法，其特征在于：
将第一数量的分组数据{V1，V2，...，VK}发送给相应的雾计算处理设备，具体包括：
对于每一个雾计算设备，获取该雾计算处理设备处理上一次提交给所述人工智能引擎的回报值Hd，基于所述回报值确定该雾计算处理设备可接受的分组数据；
其中，所述回报值Hd按照如下方式计算：
Figure FDA0002867737610000021
其中，Ti为上一次该雾计算处理设备对于第i个数据集Xi的处理时间；Di为获取第i个数据集Xi的时延；Li为第i个数据集的大小；maxX为上一次处理的所有数据集{X1，X2，...，Xs}中最大的数据集的大小；i＝1，2，......，s。
3.如权利要求2所述的边缘计算方法，其特征在于：
对于每一个雾计算设备，获取该雾计算处理设备处理上一次提交给所述人工智能引擎的回报值Hd，基于所述回报值确定该雾计算处理设备可接受的分组数据，进一步包括：
将数据集V1发送给该雾计算处理设备，获取该雾计算处理设备读取该数据集V1的时延D1以及对该数据集V1的处理时间T1；
如果T1+D1＜Hd，则继续将数据集V2发送给该雾计算处理设备，获取该雾计算处理设备读取该数据集V2的时延D2以及对该数据集V2的处理时间T2；
如果
Figure FDA0002867737610000022
则继续将下一个数据集发送给该雾计算处理设备，直至第x个数据集发送给该雾计算处理设备后，使得
Figure FDA0002867737610000023
则停止发送数据集给该雾计算处理设备。
4.如权利要求3所述的边缘计算方法，其特征在于：
每个雾计算处理设备对所述第一部分的分组数据进行处理，并提交回报数据至人工智能引擎，具体包括：
获取每一个雾计算处理设备对于接收的x个数据集的处理回报值sumHdj：
Figure FDA0002867737610000024
其中，T′i为该雾计算处理设备对于x个数据集中第i个数据集Yi的处理时间；D′i为读取x个数据集中第i个数据集Yi的时延；L′i为第i个数据集Yi的大小；maxY为x个数据集中最大的数据集的大小；j＝1，2，......为雾计算处理设备的编号；
将所有处理回报值sumHdj作为所述回报数据发送给所述人工智能引擎。
5.如权利要求1或4所述的边缘计算方法，其特征在于：
所述人工智能引擎基于所述回报数据启动所述多个边缘计算终端的至少一个，具体包括：
所述回报数据包括多个处理回报值；
基于所述处理回报值的分布属性，计算启动的边缘计算终端的个数。
6.如权利要求5所述的边缘计算方法，其特征在于：
基于所述处理回报值的分布属性，计算启动的边缘计算终端的个数，具体包括：
将所述多个处理回报值按照大小降序排序，得到降序排列后的回报值序列H1-Hm；
设定分布阈值mThreshold，按照如下标准对所述回报值序列进行分组：
每一个分组中的所有回报值两两之间的差值绝对值大小小于所述分布阈值mThreshold；
将得到的分组的组数作为启动的边缘计算终端的个数。
7.如权利要求1所述的边缘计算方法，其特征在于：
所述启动的边缘计算设备接收第二数量的分组数据{VK+1，VK+2，......Vn}，对其进行处理后提交反馈数据至所述人工智能引擎，具体包括：
对于每一个启动的边缘计算设备Meci，获取该边缘计算设备处理其接收的分组数据集Vi的回报值Mecdi；
计算所有边缘计算设备的反馈数据值Mecd＝∑Mecdi。
8.如权利要求7所述的边缘计算方法，其特征在于：
所述人工智能引擎基于所述反馈数据调节所述窗口大小，具体包括：
调节后的窗口大小
Figure FDA0002867737610000041
其中，W为调节之前的窗口大小，p为所述启动的边缘计算设备的个数。
9.如权利要求1-4或者6-8任一项所述的所述的边缘计算方法，其特征在于：
所述雾计算处理设备每次接收多个传感器数据集。
10.如权利要求1-4或者6-8任一项所述的所述的边缘计算方法，其特征在于：
在初始状态下，将多个分组数据{V1，V2，...，Vn}平均分配给所述雾计算处理设备。
CN202011588031.5A 2020-12-29 2020-12-29 基于人工智能的边缘计算方法 Active CN112738225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011588031.5A CN112738225B (zh) 2020-12-29 2020-12-29 基于人工智能的边缘计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011588031.5A CN112738225B (zh) 2020-12-29 2020-12-29 基于人工智能的边缘计算方法

Publications (2)

Publication Number Publication Date
CN112738225A true CN112738225A (zh) 2021-04-30
CN112738225B CN112738225B (zh) 2022-06-10

Family

ID=75607061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011588031.5A Active CN112738225B (zh) 2020-12-29 2020-12-29 基于人工智能的边缘计算方法

Country Status (1)

Country Link
CN (1) CN112738225B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115269159A (zh) * 2022-09-27 2022-11-01 苏州美集供应链管理股份有限公司 基于人工智能与边缘计算支持的调度系统与方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190116241A1 (en) * 2017-10-13 2019-04-18 Nebbiolo Technologies, Inc. Adaptive scheduling for edge devices and networks
CN110213036A (zh) * 2019-06-17 2019-09-06 西安电子科技大学 基于物联网雾计算-边缘计算的安全数据存储和计算方法
CN111581255A (zh) * 2020-05-06 2020-08-25 厦门理工学院 基于大数据挖掘的高密集图像数据流的分配调度系统
CN111694651A (zh) * 2020-06-17 2020-09-22 孔德贵 基于云计算和医疗大数据的任务处理优化系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190116241A1 (en) * 2017-10-13 2019-04-18 Nebbiolo Technologies, Inc. Adaptive scheduling for edge devices and networks
CN110213036A (zh) * 2019-06-17 2019-09-06 西安电子科技大学 基于物联网雾计算-边缘计算的安全数据存储和计算方法
CN111581255A (zh) * 2020-05-06 2020-08-25 厦门理工学院 基于大数据挖掘的高密集图像数据流的分配调度系统
CN111694651A (zh) * 2020-06-17 2020-09-22 孔德贵 基于云计算和医疗大数据的任务处理优化系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
DARIO SABELLA 等: ""Mobile-Edge Computing Architecture:The role of MEC in the Internet of Things"", 《IEEE CONSUMER ELECTRONICS MAGAZINE》 *
于富东等: "基于雾计算的物联网应用研究", 《信息通信技术与政策》 *
付韬: "移动边缘计算系统服务器测试方法", 《电子技术与软件工程》 *
何秀丽等: "面向医疗大数据的云雾网络及其分布式计算方案", 《西安交通大学学报》 *
薛育红: "云计算驱动了雾计算的发展", 《中兴通讯技术》 *
陆伟宙: "多接入边缘计算在运营商网络中的应用场景", 《广东通信技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115269159A (zh) * 2022-09-27 2022-11-01 苏州美集供应链管理股份有限公司 基于人工智能与边缘计算支持的调度系统与方法

Also Published As

Publication number Publication date
CN112738225B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
Deng et al. Intelligent delay-aware partial computing task offloading for multiuser industrial internet of things through edge computing
CN108924198B (zh) 一种基于边缘计算的数据调度方法、装置及系统
CN107871164B (zh) 一种雾计算环境个性化深度学习方法
CN110968426B (zh) 一种基于在线学习的边云协同k均值聚类的模型优化方法
CN112181971A (zh) 一种基于边缘的联邦学习模型清洗和设备聚类方法、系统、设备和可读存储介质
CN109993299A (zh) 数据训练方法及装置、存储介质、电子装置
CN108111335A (zh) 一种调度和链接虚拟网络功能的方法及系统
CN109709985B (zh) 一种无人机任务优化方法、装置及系统
CN114265631A (zh) 一种基于联邦元学习的移动边缘计算智能卸载方法及装置
CN111711962A (zh) 一种移动边缘计算系统子任务协同调度方法
CN113111115A (zh) 一种数据信息管理系统及其方法
CN111988787A (zh) 一种任务的网络接入和服务放置位置选择方法及系统
CN110795235A (zh) 一种移动web深度学习协作的方法及系统
CN114356548A (zh) 边缘计算服务的动态扩展及放置方法和装置
CN112738225B (zh) 基于人工智能的边缘计算方法
CN117196014B (zh) 基于联邦学习的模型训练方法、装置、计算机设备及介质
Li et al. Digital Twin-Enabled Service Provisioning in Edge Computing via Continual Learning
Lin et al. Latency-driven model placement for efficient edge intelligence service
CN109189570B (zh) 基于mec的移动边缘预计算方法
CN112749403B (zh) 一种适用于边缘物联代理装置的边缘数据加密方法
CN114116052A (zh) 一种边缘计算方法及装置
CN114024977A (zh) 一种基于边缘计算的数据调度方法、装置及系统
CN112906745A (zh) 基于边缘协同的诚信智能网络训练方法
CN111967612A (zh) 横向联邦建模优化方法、装置、设备及可读存储介质
CN113312180B (zh) 一种基于联邦学习的资源分配优化方法及系统

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230330

Address after: Room 101-14, Building 9, No. 700 Xingcun Road, Xinhai Town, Chongming District, Shanghai, 200000 (Shanghai Xinhai Economic Development Zone)

Patentee after: Shanghai Tongxi Information Technology Co.,Ltd.

Address before: No. 280, Xuelin street, Xiasha, Hangzhou, Zhejiang, 310018

Patentee before: ZHEJIANG ECONOMIC & TRADE POLYTECHNIC