CN113191455B - 边缘计算盒子选举方法、装置、电子设备及介质 - Google Patents
边缘计算盒子选举方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN113191455B CN113191455B CN202110575255.0A CN202110575255A CN113191455B CN 113191455 B CN113191455 B CN 113191455B CN 202110575255 A CN202110575255 A CN 202110575255A CN 113191455 B CN113191455 B CN 113191455B
- Authority
- CN
- China
- Prior art keywords
- data
- random forest
- edge computing
- boxes
- edge
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000007637 random forest analysis Methods 0.000 claims abstract description 144
- 238000011156 evaluation Methods 0.000 claims abstract description 130
- 238000004364 calculation method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000010276 construction Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000007613 environmental effect Effects 0.000 claims description 29
- 238000003066 decision tree Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 16
- 238000013138 pruning Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 239000000779 smoke Substances 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能决策技术,揭露了一种边缘计算盒子选举方法,包括:获取预设局域网中多个边缘计算盒子的设备数据,以及获取多个所述边缘计算盒子的环境评价数据;根据所述设备数据和所述环境评价数据构建随机森林数据集;调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型;根据随机森林模型计算多个边缘计算盒子的目标值,确定目标值大于或者等于预设目标阈值的边缘计算盒子为目标边缘计算盒子。此外,本发明还涉及区块链技术,所述随机森林数据集可存储于区块链的节点。本发明还提出一种边缘计算盒子选举装置、电子设备以及计算机可读存储介质。本发明可以解决获取边缘计算盒子的效率低下的问题。
Description
技术领域
本发明涉及智能决策技术领域,尤其涉及一种边缘计算盒子选举方法、装置、电子设备及介质。
背景技术
在AI的目标识别领域,通常运用具有“训练+识别”能力的边缘计算盒子进行目标识别,但由于边缘计算盒子所处的环境每时每刻都在发生改变,故需要利用收集到的环境相关的数据对边缘计算盒子进行训练,从而得到一个能够适应各种场景下的识别性高且适应性强的边缘计算盒子。
为了获取识别性高且适应性强的的边缘计算盒子,现有技术的方法是将环境评价数据通过帧数据回传至云端进行筛选排查并整合数据,通过整合的数据对边缘计算盒子进行训练,从而得到识别性高且适应性强的边缘计算盒子。这种方法利用帧数据回传浪费带宽,造成获取边缘计算盒子的效率低下。
发明内容
本发明提供一种边缘计算盒子选举方法、装置及计算机可读存储介质,其主要目的在于解决获取边缘计算盒子的效率低下的问题。
为实现上述目的,本发明提供的一种边缘计算盒子选举方法,包括:
获取预设局域网中多个边缘计算盒子的设备数据,以及获取多个所述边缘计算盒子的环境评价数据;
根据所述设备数据和所述环境评价数据构建随机森林数据集;
调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型;
根据所述随机森林模型计算所述多个边缘计算盒子的目标值,确定所述目标值大于或者等于预设目标阈值的边缘计算盒子为目标边缘计算盒子。
可选地,所述根据所述设备数据和所述环境评价数据构建随机森林数据集,包括:
获取所述设备数据对应的第一权重,以及所述环境评价数据对应的第二权重;
将所述设备数据、所述环境评价数据、所述第一权重和所述第二权重输入至预设的单一设备函数公式,计算得到单一设备值;
根据所述单一设备值输入至多个所述边缘计算盒子中,通过所述边缘计算盒子随机生成预设个数的边缘数据集,将所述预设个数的边缘数据集汇总得到随机森林数据集。
可选地,所述调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型,包括:
获取所述随机森林数据集和所述随机森林数据集对应的数据标注;
计算所述数据标注中任意一个标注特征对所述随机森林数据集的基尼指数,得到所述数据标注对应的基尼指数集合;
对所述基尼指数集合中的基尼指数进行排序,选取所述基尼指数集合中最小的基尼指数所对应的标注特征作为切分点;
以所述切分点作为根节点,从所述切分点出发生成两个子节点并将所述随机森林数据集分配到所述子节点中;
直到将所述数据标注中的所有标注特征遍历完毕,生成决策树;
对所述决策树进行剪枝处理,得到随机森林模型。
可选地,所述对所述决策树进行剪枝处理,包括:
计算所述决策树上所有非叶子节点的表面误差增益值;
对所述表面误差增益值小于预设的增益阈值的非叶子节点进行剪枝。
可选地,所述计算所述数据标注中任意一个标注特征对所述随机森林数据集的基尼指数,包括:
利用下述函数计算所述随机森林数据集的基尼指数:
其中,Gini(p)为基尼指数,pk表示所述随机森林数据集中的第k个数据,K是所述随机森林数据集中数据的个数。
可选地,所述获取多个所述边缘计算盒子的环境评价数据,包括:
获取预设的多个评估特征和所述评估特征对应的评估标准;
选取任意一个评估特征,按照选取的评估特征对应的评估标准分析所述边缘计算盒子的环境,得到所述评估特征对应的环境评价数据。
可选地,所述获取预设局域网中多个边缘计算盒子的设备数据,包括:
获取预设的设备数据采集时间;
在所述设备数据采集时间达到时采集预设局域网中多个边缘计算盒子的设备数据。
为了解决上述问题,本发明还提供一种边缘计算盒子选举装置,所述装置包括:
数据获取模块,用于获取预设局域网中多个边缘计算盒子的设备数据,以及获取多个所述边缘计算盒子的环境评价数据;
数据集构建模块,用于根据所述设备数据和所述环境评价数据构建随机森林数据集;
模型构建模块,用于调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型;
评分计算模块,用于根据所述随机森林模型计算所述多个边缘计算盒子的目标值,确定所述目标值大于或者等于预设目标阈值的边缘计算盒子为目标边缘计算盒子。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述所述的边缘计算盒子选举方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的边缘计算盒子选举方法。
本发明通过获取预设局域网中多个边缘计算盒子的设备数据,以及获取多个所述边缘计算盒子的环境评价数据,从边缘计算盒子所处环境和设备自身影响的多个方面对其进行评估,提高了评估数据的多样性,调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型,所述随机森林模型以所述随机森林数据集为基础构建所得,因此对数据集适应能力强,且不容易产生过拟合现象,由于所述随机森林模型是由决策树构建得到,故根据所述随机森林模型计算所得到的所述多个边缘计算盒子的目标值更加准确,无需将环境评价数据通过帧数据回传至云端进行筛选排查并整合数据,并通过整合的数据对边缘计算盒子进行训练,就能够准确地从环境等多方面对多个边缘计算盒子进行评价,获取识别性高且适应性强的边缘计算盒子,从而提高了边缘计算盒子选举的效率。因此本发明提出的边缘计算盒子选举方法、装置、电子设备及计算机可读存储介质,可以解决获取边缘计算盒子的效率低下的问题。
附图说明
图1为本发明一实施例提供的边缘计算盒子选举方法的流程示意图;
图2为本发明一实施例提供的边缘计算盒子选举装置的功能模块图;
图3为本发明一实施例提供的实现所述边缘计算盒子选举方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种边缘计算盒子选举方法。所述边缘计算盒子选举方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述边缘计算盒子选举方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的边缘计算盒子选举方法的流程示意图。在本实施例中,所述边缘计算盒子选举方法包括:
S1、获取预设局域网中多个边缘计算盒子的设备数据,以及获取多个所述边缘计算盒子的环境评价数据。
本发明实施例中,所述预设局域网是在局部地区预先设置的形成的一个区域网络,具体的,局域网是将一定区域内的各种计算机、外部设备和数据库连接起来形成的计算机通信网。
本实施例中,所述边缘计算盒子是一种具备训练和识别能力的硬件主体。
具体地,所述获取预设局域网中多个边缘计算盒子的设备数据,包括:
获取预设的设备数据采集时间;
在所述设备数据采集时间达到时采集预设局域网中多个边缘计算盒子的设备数据。
详细地,例如,本发明实施例中,所述设备数据采集时间为两个月,所述设备数据可以为设备单月断电次数、设备单月进程中断次数、设备单月心跳断连次数、单月识别帧数等4个维度的数据,故在为期2个月的设备数据采时间达到时采集预设局域网中边缘计算盒子在单月断电次数、设备单月进程中断次数、设备单月心跳断连次数、单月识别帧数等4个维度的数据。
具体地,环境评价数据是指对所述边缘计算盒子所处的周遭环境进行简单评估的相关数据。
进一步地,所述获取多个所述边缘计算盒子的环境评价数据,包括:
获取预设的多个评估特征和所述评估特征对应的评估标准;
选取任意一个评估特征,按照选取的评估特征对应的评估标准分析所述边缘计算盒子的环境,得到所述评估特征对应的环境评价数据。
其中,所述评估特征是指对所述边缘计算盒子进行环境评估所涉及的特征部分。例如,所述多个评估特征包括湿度、是否存在电磁干扰、是否存在雨雾、是否存在油烟和是否有小动物啃咬风险等。
所述评估特征对应的评估标准是指预先设定的针对所述评估特征的评分标准。例如,所述评估特征对应的评估标准包括湿度的评估标准是1-4之间,其中,0为最干,即湿度值最低,4为最湿,即湿度值最高;是否存在电磁干扰的评估标准是0或1,其中,0为不存在电磁干扰,1为存在电磁干扰;是否存在雨雾的评估标准是0或1,其中,0为不存在雨雾,1为存在雨雾;是否存在油烟的评估标准为0或1,其中,0为不存在油烟,1为存在油烟;是否有小动物啃咬风险的评估标准为0或1,其中,0为不存在啃咬风险,1为存在啃咬风险。
具体的,多个评估特征和评估特征对应的评估标准为预先存储在数据库中的。
S2、根据所述设备数据和所述环境评价数据构建随机森林数据集。
本发明实施例中,所述根据所述设备数据和所述环境评价数据构建随机森林数据集,包括:
获取所述设备数据对应的第一权重,以及所述环境评价数据对应的第二权重;
将所述设备数据、所述环境评价数据、所述第一权重和所述第二权重输入至预设的单一设备函数公式,计算得到单一设备值;
根据所述单一设备值输入至多个所述边缘计算盒子中,通过所述边缘计算盒子随机生成预设个数的边缘数据集,将所述预设个数的边缘数据集汇总得到随机森林数据集。
其中,所述第一权重大于所述第二权重。并且,所述第一权重和第二权重可以为预先设置的。
详细地,因为所述环境评价数据容易受多个因素的影响,且环境评价数据变动较大,而设备数据相对而言比较稳定,同时所述环境评价数据对所述边缘计算盒子的影响弱于所述设备数据对所述边缘计算盒子本身的影响,因此需要将所述环境评价数据设置为第二权重,尽量降低所述环境评价数据的影响,保证最后生成的随机森林数据集的准确性。
例如,fa1、fb1、fc1、fd1、fe1为环境评价数据,ff1、fg1、fh1、fi1为设备数据,获取ff1、fg1、fh1、fi1对应的第一权重,以及fa1、fb1、fc1、fd1、fe1对应的第二权重。
具体地,所述将所述设备数据、所述环境评价数据、所述第一权重和所述第二权重输入至预设的单一设备函数公式,计算得到单一设备值,包括:
利用如下公式计算得到单一设备值:
F1=[w*fa1+w*fb1+w*fc1+w*fd1+w*fe1+W*ff1+W*fg1+W*fh1+W*fi1]
其中,W为所述第一权重,w为所述第二权重,fa1、fb1、fc1、fd1、fe1为环境评价数据,ff1、fg1、fh1、fi1为设备数据。
进一步地,根据所述单一设备值输入至多个所述边缘计算盒子中随机生成预设个数的边缘数据集,将所述预设个数的边缘数据集汇总得到随机森林数据集。
本实施例中,预设设置随机生成的边缘数据集的个数,则单一设备值输入值不同的边缘计算盒子,得到不同的预设个数的边缘数据集,且不同的边缘计算盒子,预设个数可以是不同的,再将得到的所有的边缘数据集汇总为随机森林数据集。
其中,通过所述边缘计算盒子随机生成预设个数的边缘数据集,实现了数据在边缘层的算法运行,保证数据处理的时效性。
S3、调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型。
本发明实施例中,所述调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型,包括:
获取所述随机森林数据集和所述随机森林数据集对应的数据标注;
计算所述数据标注中任意一个标注特征对所述随机森林数据集的基尼指数,得到所述数据标注对应的基尼指数集合;
对所述基尼指数集合中的基尼指数进行排序,选取所述基尼指数集合中最小的基尼指数所对应的标注特征作为切分点;
以所述切分点作为根节点,从所述切分点出发生成两个子节点并将所述随机森林数据集分配到所述子节点中;
直到将所述数据标注中的所有标注特征遍历完毕,生成决策树;
对所述决策树进行剪枝处理,得到随机森林模型。
其中,所述随机森林数据集对应的数据标注是指所述随机森林数据集中的随机森林数据对应的分类,可以利用分类模型或者分类算法进行标注处理。
具体地,所述计算所述数据标注中任意一个标注特征对所述随机森林数据集的基尼指数,包括:
利用下述函数计算所述随机森林数据集的基尼指数:
其中,Gini(p)为基尼指数,pk表示所述随机森林数据集中的第k个数据,K是所述随机森林数据集中数据的个数。
详细地,所述基尼指数代表了所述随机森林模型的不纯度,所述基尼指数越小,不纯度越低,说明对应的所述数据标注中的标注特征越好。
进一步地,所述对所述决策树进行剪枝处理,包括:
计算所述决策树上所有非叶子节点的表面误差增益值;
对所述表面误差增益值小于预设的增益阈值的非叶子节点进行剪枝。
其中,本发明实施例中,所述预设的增益阈值为0.5。
进一步地,所述计算所述决策树上所有非叶子节点的表面误差增益值,包括:
利用下述增益公式计算计算所述决策树上所有非叶子节点的表面误差增益值:
其中,α表示表面误差增益值,R(t)表示叶子节点的误差代价,R(T)表示非叶子节点的误差代价,N(T)表示所述决策树的节点个数。
S4、根据所述随机森林模型计算所述多个边缘计算盒子的目标值,确定所述目标值大于或者等于预设目标阈值的边缘计算盒子为目标边缘计算盒子。
本发明实施例中,将所述多个边缘计算盒子输入至所述随机森林模型中,每个边缘计算盒子可以得到对应的目标值,比较每个边缘计算盒子之间的目标值,将所述目标值大于或者等于预设目标阈值的边缘计算盒子为目标边缘计算盒子。
本发明通过获取预设局域网中多个边缘计算盒子的设备数据,以及获取多个所述边缘计算盒子的环境评价数据,从边缘计算盒子所处环境和设备自身影响的多个方面对其进行评估,提高了评估数据的多样性,调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型,所述随机森林模型以所述随机森林数据集为基础构建所得,因此对数据集适应能力强,且不容易产生过拟合现象,由于所述随机森林模型是由决策树构建得到,故根据所述随机森林模型计算所得到的所述多个边缘计算盒子的目标值更加准确,无需将环境评价数据通过帧数据回传至云端进行筛选排查并整合数据,并通过整合的数据对边缘计算盒子进行训练,就能够准确地从环境等多方面对多个边缘计算盒子进行评价,获取识别性高且适应性强的边缘计算盒子,从而提高了边缘计算盒子选举的效率。因此本发明提出的边缘计算盒子选举方法可以解决获取边缘计算盒子的效率低下的问题。
如图2所示,是本发明一实施例提供的边缘计算盒子选举装置的功能模块图。
本发明所述边缘计算盒子选举装置100可以安装于电子设备中。根据实现的功能,所述边缘计算盒子选举装置100可以包括数据获取模块101、数据集构建模块102、模型构建模块103及评分计算模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据获取模块101,用于获取预设局域网中多个边缘计算盒子的设备数据,以及获取多个所述边缘计算盒子的环境评价数据;
所述数据集构建模块102,用于根据所述设备数据和所述环境评价数据构建随机森林数据集;
所述模型构建模块103,用于调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型;
所述评分计算模块104,用于根据所述随机森林模型计算所述多个边缘计算盒子的目标值,确定所述目标值大于或者等于预设目标阈值的边缘计算盒子为目标边缘计算盒子。
详细地,所述边缘计算盒子选举装置100各模块的具体实施方式如下:
步骤一、获取预设局域网中多个边缘计算盒子的设备数据,以及获取多个所述边缘计算盒子的环境评价数据。
本发明实施例中,所述预设局域网是在局部地区预先设置的形成的一个区域网络,具体的,局域网是将一定区域内的各种计算机、外部设备和数据库连接起来形成的计算机通信网。
本实施例中,所述边缘计算盒子是一种具备训练和识别能力的硬件主体。
具体地,所述获取预设局域网中多个边缘计算盒子的设备数据,包括:
获取预设的设备数据采集时间;
在所述设备数据采集时间达到时采集预设局域网中多个边缘计算盒子的设备数据。
详细地,例如,本发明实施例中,所述设备数据采集时间为两个月,所述设备数据可以为设备单月断电次数、设备单月进程中断次数、设备单月心跳断连次数、单月识别帧数等4个维度的数据,故在为期2个月的设备数据采时间达到时采集预设局域网中边缘计算盒子在单月断电次数、设备单月进程中断次数、设备单月心跳断连次数、单月识别帧数等4个维度的数据。
具体地,环境评价数据是指对所述边缘计算盒子所处的周遭环境进行简单评估的相关数据。
进一步地,所述获取多个所述边缘计算盒子的环境评价数据,包括:
获取预设的多个评估特征和所述评估特征对应的评估标准;
选取任意一个评估特征,按照选取的评估特征对应的评估标准分析所述边缘计算盒子的环境,得到所述评估特征对应的环境评价数据。
其中,所述评估特征是指对所述边缘计算盒子进行环境评估所涉及的特征部分。例如,所述多个评估特征包括湿度、是否存在电磁干扰、是否存在雨雾、是否存在油烟和是否有小动物啃咬风险等。
所述评估特征对应的评估标准是指预先设定的针对所述评估特征的评分标准。例如,所述评估特征对应的评估标准包括湿度的评估标准是1-4之间,其中,0为最干,即湿度值最低,4为最湿,即湿度值最高;是否存在电磁干扰的评估标准是0或1,其中,0为不存在电磁干扰,1为存在电磁干扰;是否存在雨雾的评估标准是0或1,其中,0为不存在雨雾,1为存在雨雾;是否存在油烟的评估标准为0或1,其中,0为不存在油烟,1为存在油烟;是否有小动物啃咬风险的评估标准为0或1,其中,0为不存在啃咬风险,1为存在啃咬风险。
具体的,多个评估特征和评估特征对应的评估标准为预先存储在数据库中的。
步骤二、根据所述设备数据和所述环境评价数据构建随机森林数据集。
本发明实施例中,所述根据所述设备数据和所述环境评价数据构建随机森林数据集,包括:
获取所述设备数据对应的第一权重,以及所述环境评价数据对应的第二权重;
将所述设备数据、所述环境评价数据、所述第一权重和所述第二权重输入至预设的单一设备函数公式,计算得到单一设备值;
根据所述单一设备值输入至多个所述边缘计算盒子中,通过所述边缘计算盒子随机生成预设个数的边缘数据集,将所述预设个数的边缘数据集汇总得到随机森林数据集。
其中,所述第一权重大于所述第二权重。并且,所述第一权重和第二权重可以为预先设置的。
详细地,因为所述环境评价数据容易受多个因素的影响,且环境评价数据变动较大,而设备数据相对而言比较稳定,同时所述环境评价数据对所述边缘计算盒子的影响弱于所述设备数据对所述边缘计算盒子本身的影响,因此需要将所述环境评价数据设置为第二权重,尽量降低所述环境评价数据的影响,保证最后生成的随机森林数据集的准确性。
例如,fa1、fb1、fc1、fd1、fe1为环境评价数据,ff1、fg1、fh1、fi1为设备数据,获取ff1、fg1、fh1、fi1对应的第一权重,以及fa1、fb1、fc1、fd1、fe1对应的第二权重。
具体地,所述将所述设备数据、所述环境评价数据、所述第一权重和所述第二权重输入至预设的单一设备函数公式,计算得到单一设备值,包括:
利用如下公式计算得到单一设备值:
F1=[w*fa1+w*fb1+w*fc1+w*fd1+w*fe1+W*ff1+W*fg1+W*fh1+W*fi1]
其中,W为所述第一权重,w为所述第二权重,fa1、fb1、fc1、fd1、fe1为环境评价数据,ff1、fg1、fh1、fi1为设备数据。
进一步地,根据所述单一设备值输入至多个所述边缘计算盒子中随机生成预设个数的边缘数据集,将所述预设个数的边缘数据集汇总得到随机森林数据集。
本实施例中,预设设置随机生成的边缘数据集的个数,则单一设备值输入值不同的边缘计算盒子,得到不同的预设个数的边缘数据集,且不同的边缘计算盒子,预设个数可以是不同的,再将得到的所有的边缘数据集汇总为随机森林数据集。
其中,通过所述边缘计算盒子随机生成预设个数的边缘数据集,实现了数据在边缘层的算法运行,保证数据处理的时效性。
步骤三、调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型。
本发明实施例中,所述调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型,包括:
获取所述随机森林数据集和所述随机森林数据集对应的数据标注;
计算所述数据标注中任意一个标注特征对所述随机森林数据集的基尼指数,得到所述数据标注对应的基尼指数集合;
对所述基尼指数集合中的基尼指数进行排序,选取所述基尼指数集合中最小的基尼指数所对应的标注特征作为切分点;
以所述切分点作为根节点,从所述切分点出发生成两个子节点并将所述随机森林数据集分配到所述子节点中;
直到将所述数据标注中的所有标注特征遍历完毕,生成决策树;
对所述决策树进行剪枝处理,得到随机森林模型。
其中,所述随机森林数据集对应的数据标注是指所述随机森林数据集中的随机森林数据对应的分类,可以利用分类模型或者分类算法进行标注处理。
具体地,所述计算所述数据标注中任意一个标注特征对所述随机森林数据集的基尼指数,包括:
利用下述函数计算所述随机森林数据集的基尼指数:
其中,Gini(p)为基尼指数,pk表示所述随机森林数据集中的第k个数据,K是所述随机森林数据集中数据的个数。
详细地,所述基尼指数代表了所述随机森林模型的不纯度,所述基尼指数越小,不纯度越低,说明对应的所述数据标注中的标注特征越好。
进一步地,所述对所述决策树进行剪枝处理,包括:
计算所述决策树上所有非叶子节点的表面误差增益值;
对所述表面误差增益值小于预设的增益阈值的非叶子节点进行剪枝。
其中,本发明实施例中,所述预设的增益阈值为0.5。
进一步地,所述计算所述决策树上所有非叶子节点的表面误差增益值,包括:
利用下述增益公式计算计算所述决策树上所有非叶子节点的表面误差增益值:
其中,α表示表面误差增益值,R(t)表示叶子节点的误差代价,R(T)表示非叶子节点的误差代价,N(T)表示所述决策树的节点个数。
步骤四、根据所述随机森林模型计算所述多个边缘计算盒子的目标值,确定所述目标值大于或者等于预设目标阈值的边缘计算盒子为目标边缘计算盒子。
本发明实施例中,将所述多个边缘计算盒子输入至所述随机森林模型中,每个边缘计算盒子可以得到对应的目标值,比较每个边缘计算盒子之间的目标值,将所述目标值大于或者等于预设目标阈值的边缘计算盒子为目标边缘计算盒子。
本发明通过获取预设局域网中多个边缘计算盒子的设备数据,以及获取多个所述边缘计算盒子的环境评价数据,从边缘计算盒子所处环境和设备自身影响的多个方面对其进行评估,提高了评估数据的多样性,调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型,所述随机森林模型以所述随机森林数据集为基础构建所得,因此对数据集适应能力强,且不容易产生过拟合现象,由于所述随机森林模型是由决策树构建得到,故根据所述随机森林模型计算所得到的所述多个边缘计算盒子的目标值更加准确,无需将环境评价数据通过帧数据回传至云端进行筛选排查并整合数据,并通过整合的数据对边缘计算盒子进行训练,就能够准确地从环境等多方面对多个边缘计算盒子进行评价,获取识别性高且适应性强的边缘计算盒子,从而提高了边缘计算盒子选举的效率。因此本发明提出的边缘计算盒子选举装置可以解决获取边缘计算盒子的效率低下的问题。
如图3所示,是本发明一实施例提供的实现边缘计算盒子选举方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如边缘计算盒子选举程序。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如边缘计算盒子选举程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如边缘计算盒子选举程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的边缘计算盒子选举程序是多个指令的组合,在所述处理器10中运行时,可以实现:
获取预设局域网中多个边缘计算盒子的设备数据,以及获取多个所述边缘计算盒子的环境评价数据;
根据所述设备数据和所述环境评价数据构建随机森林数据集;
调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型;
根据所述随机森林模型计算所述多个边缘计算盒子的目标值,确定所述目标值大于或者等于预设目标阈值的边缘计算盒子为目标边缘计算盒子。
具体地,所述处理器10对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取预设局域网中多个边缘计算盒子的设备数据,以及获取多个所述边缘计算盒子的环境评价数据;
根据所述设备数据和所述环境评价数据构建随机森林数据集;
调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型;
根据所述随机森林模型计算所述多个边缘计算盒子的目标值,确定所述目标值大于或者等于预设目标阈值的边缘计算盒子为目标边缘计算盒子。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (8)
1.一种边缘计算盒子选举方法,其特征在于,所述方法包括:
获取预设局域网中多个边缘计算盒子的设备数据,以及获取多个所述边缘计算盒子的环境评价数据;
根据所述设备数据和所述环境评价数据构建随机森林数据集;
调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型;
根据所述随机森林模型计算所述多个边缘计算盒子的目标值,确定所述目标值大于或者等于预设目标阈值的边缘计算盒子为目标边缘计算盒子;
所述根据所述设备数据和所述环境评价数据构建随机森林数据集,包括:获取所述设备数据对应的第一权重,以及所述环境评价数据对应的第二权重;将所述设备数据、所述环境评价数据、所述第一权重和所述第二权重输入至预设的单一设备函数公式,计算得到单一设备值;将所述单一设备值输入至多个所述边缘计算盒子中,通过所述边缘计算盒子随机生成预设个数的边缘数据集,汇总所述预设个数的边缘数据集得到随机森林数据集;
所述调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型,包括:获取所述随机森林数据集和所述随机森林数据集对应的数据标注;计算所述数据标注中任意一个标注特征对所述随机森林数据集的基尼指数,得到所述数据标注对应的基尼指数集合;对所述基尼指数集合中的基尼指数进行排序,选取所述基尼指数集合中最小的基尼指数所对应的标注特征作为切分点;以所述切分点作为根节点,从所述切分点出发生成两个子节点并将所述随机森林数据集分配到所述子节点中,直到将所述数据标注中的所有标注特征遍历完毕,生成决策树;对所述决策树进行剪枝处理,得到随机森林模型。
2.如权利要求1所述的边缘计算盒子选举方法,其特征在于,所述对所述决策树进行剪枝处理,包括:
计算所述决策树上所有非叶子节点的表面误差增益值;
对所述表面误差增益值小于预设的增益阈值的非叶子节点进行剪枝。
3.如权利要求1所述的边缘计算盒子选举方法,其特征在于,所述计算所述数据标注中任意一个标注特征对所述随机森林数据集的基尼指数,包括:
利用下述函数计算所述随机森林数据集的基尼指数:
其中,Gini(p)为基尼指数,pk表示所述随机森林数据集中的第k个数据,K是所述随机森林数据集中数据的个数。
4.如权利要求1至3中任一项所述的边缘计算盒子选举方法,其特征在于,所述获取多个所述边缘计算盒子的环境评价数据,包括:
获取预设的多个评估特征和所述评估特征对应的评估标准;
选取任意一个评估特征,按照选取的评估特征对应的评估标准分析所述边缘计算盒子的环境,得到所述评估特征对应的环境评价数据。
5.如权利要求1至3中任一项所述的边缘计算盒子选举方法,其特征在于,所述获取预设局域网中多个边缘计算盒子的设备数据,包括:
获取预设的设备数据采集时间;
在所述设备数据采集时间达到时采集预设局域网中多个边缘计算盒子的设备数据。
6.一种边缘计算盒子选举装置,用于执行如权利要求1至3中任一项所述的边缘计算盒子选举方法,其特征在于,所述装置包括:
数据获取模块,用于获取预设局域网中多个边缘计算盒子的设备数据,以及获取多个所述边缘计算盒子的环境评价数据;
数据集构建模块,用于根据所述设备数据和所述环境评价数据构建随机森林数据集;
模型构建模块,用于调用随机森林算法对所述随机森林数据集进行模型构建处理,得到随机森林模型;
评分计算模块,用于根据所述随机森林模型计算所述多个边缘计算盒子的目标值,确定所述目标值大于或者等于预设目标阈值的边缘计算盒子为目标边缘计算盒子。
7.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至5中任意一项所述的边缘计算盒子选举方法。
8.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5中任意一项所述的边缘计算盒子选举方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110575255.0A CN113191455B (zh) | 2021-05-26 | 2021-05-26 | 边缘计算盒子选举方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110575255.0A CN113191455B (zh) | 2021-05-26 | 2021-05-26 | 边缘计算盒子选举方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113191455A CN113191455A (zh) | 2021-07-30 |
CN113191455B true CN113191455B (zh) | 2024-06-07 |
Family
ID=76985061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110575255.0A Active CN113191455B (zh) | 2021-05-26 | 2021-05-26 | 边缘计算盒子选举方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113191455B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011141740A (ja) * | 2010-01-07 | 2011-07-21 | Nec Soft Ltd | 目的変数算出装置、目的変数算出方法、プログラムおよび記録媒体 |
CN108972494A (zh) * | 2018-06-22 | 2018-12-11 | 华南理工大学 | 一种仿人机械手抓取控制系统及其数据处理方法 |
CN109947079A (zh) * | 2019-03-20 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 基于边缘计算的区域异常检测方法和边缘计算设备 |
CN110135167A (zh) * | 2019-05-14 | 2019-08-16 | 电子科技大学 | 一种随机森林的边缘计算终端安全等级评估方法 |
CN111444768A (zh) * | 2020-02-25 | 2020-07-24 | 华中科技大学 | 一种用于反光地面场景的微小障碍物发现方法 |
CN111614784A (zh) * | 2020-06-01 | 2020-09-01 | 中铁工程服务有限公司 | 用于工地的异构数据的边缘计算盒子 |
CN112287345A (zh) * | 2020-10-29 | 2021-01-29 | 中南大学 | 基于智能风险检测的可信边缘计算系统 |
CN112769623A (zh) * | 2021-01-19 | 2021-05-07 | 河北大学 | 边缘环境下的物联网设备识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020185779A1 (en) * | 2019-03-11 | 2020-09-17 | Nvidia Corporation | Intersection detection and classification in autonomous machine applications |
CA3157413A1 (en) * | 2019-11-06 | 2021-05-14 | Steven M. Casey | Predictive resource allocation in an edge computing network |
-
2021
- 2021-05-26 CN CN202110575255.0A patent/CN113191455B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011141740A (ja) * | 2010-01-07 | 2011-07-21 | Nec Soft Ltd | 目的変数算出装置、目的変数算出方法、プログラムおよび記録媒体 |
CN108972494A (zh) * | 2018-06-22 | 2018-12-11 | 华南理工大学 | 一种仿人机械手抓取控制系统及其数据处理方法 |
CN109947079A (zh) * | 2019-03-20 | 2019-06-28 | 阿里巴巴集团控股有限公司 | 基于边缘计算的区域异常检测方法和边缘计算设备 |
CN110135167A (zh) * | 2019-05-14 | 2019-08-16 | 电子科技大学 | 一种随机森林的边缘计算终端安全等级评估方法 |
CN111444768A (zh) * | 2020-02-25 | 2020-07-24 | 华中科技大学 | 一种用于反光地面场景的微小障碍物发现方法 |
CN111614784A (zh) * | 2020-06-01 | 2020-09-01 | 中铁工程服务有限公司 | 用于工地的异构数据的边缘计算盒子 |
CN112287345A (zh) * | 2020-10-29 | 2021-01-29 | 中南大学 | 基于智能风险检测的可信边缘计算系统 |
CN112769623A (zh) * | 2021-01-19 | 2021-05-07 | 河北大学 | 边缘环境下的物联网设备识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113191455A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113688923B (zh) | 订单异常智能检测方法、装置、电子设备及存储介质 | |
CN113626607B (zh) | 异常工单识别方法、装置、电子设备及可读存储介质 | |
CN111831708A (zh) | 基于缺失数据的样本分析方法、装置、电子设备及介质 | |
CN113268665A (zh) | 基于随机森林的信息推荐方法、装置、设备及存储介质 | |
CN113628043B (zh) | 基于数据分类的投诉有效性判断方法、装置、设备及介质 | |
CN117155771B (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN113658002B (zh) | 基于决策树的交易结果生成方法、装置、电子设备及介质 | |
CN112541688B (zh) | 业务数据校验方法、装置、电子设备及计算机存储介质 | |
CN113434542A (zh) | 数据关系识别方法、装置、电子设备及存储介质 | |
CN114841165B (zh) | 用户数据分析及展示方法、装置、电子设备及存储介质 | |
CN113191455B (zh) | 边缘计算盒子选举方法、装置、电子设备及介质 | |
CN116303677A (zh) | 基于数据分布均衡度的衡量方法、装置、设备及存储介质 | |
CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
CN113515591B (zh) | 文本不良信息识别方法、装置、电子设备及存储介质 | |
CN113221888B (zh) | 车牌号管理系统测试方法、装置、电子设备及存储介质 | |
CN114742412A (zh) | 一种软件技术服务系统及方法 | |
CN115082736A (zh) | 垃圾识别分类方法、装置、电子设备及存储介质 | |
CN115203364A (zh) | 软件故障反馈处理方法、装置、设备及可读存储介质 | |
CN114518993A (zh) | 基于业务特征的系统性能监控方法、装置、设备及介质 | |
CN113657546A (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN113128440A (zh) | 基于边缘设备的目标物识别方法、装置、设备及存储介质 | |
CN115827423B (zh) | 基于多场景聚类的测试案例生成方法、装置、设备及介质 | |
CN115204158B (zh) | 数据隔离应用方法、装置、电子设备及存储介质 | |
CN114723488B (zh) | 课程推荐方法、装置、电子设备及存储介质 | |
CN115225489B (zh) | 队列业务流量阈值动态控制方法、电子设备及存储介质 |
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 |