CN113612650A - 一种对边缘计算设备的监测方法 - Google Patents

Abstract

本发明公开了一种对边缘计算设备的监测方法，包括：服务器获取若干个边缘计算设备的设备信息，基于预设规则建立边缘计算设备的排队队列；根据排队队列的顺序依次接收与每一个边缘计算设备连接的物联网设备发送的采集数据，根据所述采集数据训练得到数据处理模型，将所述数据处理模型传输至相对应的边缘计算设备；接收边缘计算设备发送的数据处理模型的模型参数，将所述模型参数与预设模型参数进行比较，在确定所述模型参数异常时，发出报警提示。可以及时准确的获取对边缘计算设备的监测信息，对边缘计算设备中的计算模型进行监测，在计算模型出现异常时进行报警提示，保证边缘计算设备计算的准确性。

Description

一种对边缘计算设备的监测方法

技术领域

本发明涉及监测技术领域，特别涉及一种对边缘计算设备的监测方法。

背景技术

目前，随着物联网技术的不断发展，为了实现对物联网设备采集的数据进行快速处理，在物联网设备与服务器之间设立的边缘计算设备，现有技术中边缘计算设备单一，在边缘计算设备出现断电、断网或者中间件故障时，会导致整个系统崩溃，不能实现数据的汇总及处理，因此对边缘计算设备需要进行有效的监测，现有技术中不能及时准确的获取对边缘计算设备的监测信息，更加不能对边缘计算设备中的计算模型进行监测，不能判断计算模型是否出现异常。

发明内容

本发明旨在至少一定程度上解决上述技术中的技术问题之一。为此，本发明的目的在于提出一种对边缘计算设备的监测方法，可以及时准确的获取对边缘计算设备的监测信息，对边缘计算设备中的计算模型进行监测，在计算模型出现异常时进行报警提示，保证边缘计算设备计算的准确性。

为达到上述目的，本发明实施例提出了一种对边缘计算设备的监测方法，包括：

服务器获取若干个边缘计算设备的设备信息，基于预设规则建立边缘计算设备的排队队列；

根据排队队列的顺序依次接收与每一个边缘计算设备连接的物联网设备发送的采集数据，根据所述采集数据训练得到数据处理模型，将所述数据处理模型传输至相对应的边缘计算设备；

接收边缘计算设备发送的数据处理模型的模型参数，将所述模型参数与预设模型参数进行比较，在确定所述模型参数异常时，发出报警提示。

根据本发明的一些实施例，根据所述采集数据训练得到数据处理模型，包括：

对所述采集数据进行数据预处理，去除采集数据中的离群数据，得到有效数据，对所述有效数据进行归一化处理；

对归一化处理后的所述有效数据进行特征提取，得到特征向量；根据所述特征向量对预先构建的数据处理模型进行训练。

根据本发明的一些实施例，还包括：

接收若干个边缘计算设备发送的计算任务的数量，并分别判断是否大于预设数量，将计算任务的数量大于预设数量的边缘计算设备确定为目标设备集合；确定目标设备集合中的待传输的计算任务的数量；

将待传输的计算任务通过多个传输通道传输至服务器；

获取传输通道信息及传输数据信息，根据所述传输通道信息及传输数据信息确定多个传输通道分别对应的传输质量；

分别判断多个传输通道对应的传输质量是否满足预设传输质量，剔除不满足预设传输质量的传输通道，并计算剩余传输通道的带宽信息；

判断所述带宽信息是否大于预设带宽，在确定带宽信息大于预设带宽时，将剩余传输通道的传输数据转移至新建传输通道进行传输。

根据本发明的一些实施例，在将待传输的计算任务通过多个传输通道传输至服务器前，还包括：

确定目标设备集合中的目标设备发送计算任务的发送请求；

对所述发送请求进行域名解析，得到所述域名对应的ip；

判断所述域名对应的ip是否处于白名单上；

在确定所述域名对应的ip处于白名单上时，将所述ip进行转换处理，得到加速ip；

基于所述加速ip将所述发送请求加速传输至服务器。

根据本发明的一些实施例，还包括：

获取边缘计算设备中各个计算模块的运行参数；

根据各个计算模块的运行参数计算边缘计算设备的健康度；

判断所述健康度是否小于预设健康度，将健康度小于预设健康度的边缘计算设备确定为异常设备。

根据本发明的一些实施例，根据各个计算模块的运行参数计算边缘计算设备的健康度，包括：

获取每个计算模块的运行参数，并生成一个采集向量；

设置一个健康向量，所述健康向量表示边缘计算设备的健康信息；

计算采集向量与健康向量之间的距离L：

其中，n为采集向量中包括的运行参数的数量；w_i为采集向量中第i个运行参数的采集监测值；t_i为第i个运行参数对应的权重因子；u为健康向量，是基于多次试验获取的；δ_i为第i个运行参数的方差；

根据采集向量与健康向量之间的距离L，计算边缘计算设备的健康度K：

其中，Q为健康度的跨度值；L₁为采集向量与健康向量的距离的最大值；L₂为采集向量与健康向量的距离的最小值；e为自然常数；ε为采集向量与健康向量之间的方向修正参数。

根据本发明的一些实施例，还包括：

获取若干个边缘计算设备中每个边缘计算设备在预设时间段内的各个关键部件的历史数据；所述历史数据包括运行状态数据及工况数据；

对所述运行状态数据进行分析，确定运行特征参数；

建立运行特征参数与工况数据的匹配关系，生成运行特征参数与工况数据的匹配数据库；

对所述匹配数据库中的工况数据在不同维度建立工况数据协议字典；

基于回归算法建立工况数据协议字典与工况数据相匹配的运行特征参数的回归模型；

根据所述回归模型对工况数据进行分类识别及补偿处理，得到关键部件的预测工况参数；

将预测工况参数进行组合处理，得到预测工况向量；

计算预测工况向量与标准工况向量之间的欧式距离，根据归一化函数对所述欧式距离进行归一化处理，得到各个关键部件的健康参数；

根据所述各个关键部件的健康参数进行加权计算，得到边缘计算设备的整机健康参数并进行显示。

根据本发明的一些实施例，还包括：

获取每个边缘计算设备的当前参数；

根据每个边缘计算设备的整机健康参数与当前参数计算每个边缘计算设备的动态健康参数；

对每个边缘计算设备的动态健康参数进行排序，根据排序结果生成每个边缘计算设备的使用优先级。

根据本发明的一些实施例，对所述运行状态数据进行分析，包括：

对所述运行状态数据进行聚类处理，得到多个聚类集合，每个聚类集合中包括多个子运行状态数据，随机选取两个聚类集合，对进行聚类处理后的聚类结果进行评估，计算得到评估值，在确定所述评估值小于预设评估值时，表示聚类处理异常，需要重新进行聚类处理；在确定所述评估值大于等于预设评估值时，表示聚类处理正常，根据聚类处理后的聚类结果进行分析；

计算聚类处理后的聚类结果的评估值D：

其中，H_a为第a个聚类集合中包括的子运行状态数据的数量；Z为第a个聚类集合中的各个子运行状态数据；c_a为第a个聚类集合中包括的子运行状态数据之间距离的平均值；H_b为第b个聚类集合中包括的子运行状态数据的数量；V为第b个聚类集合中的各个子运行状态数据；c_b为第b个聚类集合中包括的子运行状态数据之间距离的平均值；S(a，b)为第a个聚类集合的聚类中心与第b个聚类集合的聚类中心之间的欧几里德距离。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是根据本发明一个实施例的一种对边缘计算设备的监测方法的流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

如图1所示，本发明实施例提出了一种对边缘计算设备的监测方法，包括步骤S1-S3：

S1、服务器获取若干个边缘计算设备的设备信息，基于预设规则建立边缘计算设备的排队队列；

S2、根据排队队列的顺序依次接收与每一个边缘计算设备连接的物联网设备发送的采集数据，根据所述采集数据训练得到数据处理模型，将所述数据处理模型传输至相对应的边缘计算设备；

S3、接收边缘计算设备发送的数据处理模型的模型参数，将所述模型参数与预设模型参数进行比较，在确定所述模型参数异常时，发出报警提示。

上述技术方案的工作原理：预设规则包括边缘计算设备的计算能力的数值。服务器获取若干个边缘计算设备的设备信息，基于预设规则建立边缘计算设备的排队队列；具体的计算能力的数值越大的排名越靠前，即边缘计算设备A(计算能力的数值为20)、边缘计算设备B(计算能力的数值为10)、边缘计算设备C(计算能力的数值为5)。根据排队队列的顺序依次接收与每一个边缘计算设备连接的物联网设备发送的采集数据，根据所述采集数据训练得到数据处理模型，将所述数据处理模型传输至相对应的边缘计算设备；接收边缘计算设备发送的数据处理模型的模型参数，将所述模型参数与预设模型参数进行比较，在确定所述模型参数异常时，发出报警提示。

上述技术方案的有益效果：基于排队队列有序的为边缘计算设备生成相应的数据处理模型，保证传输的数据处理模型的准确性，避免出现传输错误。可以及时准确的获取对边缘计算设备的监测信息，对边缘计算设备中的数据处理模型进行监测，在数据处理模型出现异常时进行报警提示，保证边缘计算设备计算的准确性。本申请中设置多个边缘计算设备，避免单一边缘计算设备在出现断电、断网或者中间件故障导致的系统崩溃问题。

根据本发明的一些实施例，根据所述采集数据训练得到数据处理模型，包括：

对所述采集数据进行数据预处理，去除采集数据中的离群数据，得到有效数据，对所述有效数据进行归一化处理；

对归一化处理后的所述有效数据进行特征提取，得到特征向量；根据所述特征向量对预先构建的数据处理模型进行训练。

上述技术方案的工作原理：对所述采集数据进行数据预处理，去除采集数据中的离群数据，得到有效数据，对所述有效数据进行归一化处理；对归一化处理后的所述有效数据进行特征提取，得到特征向量；根据所述特征向量对预先构建的数据处理模型进行训练。

上述技术方案的有益效果：去除采集数据的离群数据，保证获取的有效数据的准确性，使得在训练的数据处理模型的参数更加准确，减少了采集数据时出现的错误及误差。

根据本发明的一些实施例，还包括：

接收若干个边缘计算设备发送的计算任务的数量，并分别判断是否大于预设数量，将计算任务的数量大于预设数量的边缘计算设备确定为目标设备集合；确定目标设备集合中的待传输的计算任务的数量；

将待传输的计算任务通过多个传输通道传输至服务器；

获取传输通道信息及传输数据信息，根据所述传输通道信息及传输数据信息确定多个传输通道分别对应的传输质量；

分别判断多个传输通道对应的传输质量是否满足预设传输质量，剔除不满足预设传输质量的传输通道，并计算剩余传输通道的带宽信息；

判断所述带宽信息是否大于预设带宽，在确定带宽信息大于预设带宽时，将剩余传输通道的传输数据转移至新建传输通道进行传输。

上述技术方案的工作原理：接收若干个边缘计算设备发送的计算任务的数量，并分别判断是否大于预设数量，将计算任务的数量大于预设数量的边缘计算设备确定为目标设备集合；确定目标设备集合中的待传输的计算任务的数量；将待传输的计算任务通过多个传输通道传输至服务器；获取传输通道信息及传输数据信息，根据所述传输通道信息及传输数据信息确定多个传输通道分别对应的传输质量；分别判断多个传输通道对应的传输质量是否满足预设传输质量，剔除不满足预设传输质量的传输通道，并计算剩余传输通道的带宽信息；判断所述带宽信息是否大于预设带宽，在确定带宽信息大于预设带宽时，将剩余传输通道的传输数据转移至新建传输通道进行传输。新建传输通道可以由计算任务的数量小于预设数量的边缘计算设备进行新建的传输通道。

上述技术方案的有益效果：确定超出计算能力的边缘计算设备，并将这些边缘计算设备超出计算能力的计算任务进行传输，传输至服务器，基于服务器快速处理计算任务，保证数据的快速处理，同时减少了边缘计算设备的计算负载，延长了边缘计算设备的使用寿命。传输的计算任务作为传输数据信息。对传输通道的传输质量进行检测可以有效保证数据传输质量，保证数据传输的稳定性。

根据本发明的一些实施例，在将待传输的计算任务通过多个传输通道传输至服务器前，还包括：

确定目标设备集合中的目标设备发送计算任务的发送请求；

对所述发送请求进行域名解析，得到所述域名对应的ip；

判断所述域名对应的ip是否处于白名单上；

在确定所述域名对应的ip处于白名单上时，将所述ip进行转换处理，得到加速ip；

基于所述加速ip将所述发送请求加速传输至服务器。

上述技术方案的有益效果：实现对目标设备集合中的目标设备发送计算任务的发送请求的域名解析，在确定域名解析获取的ip在白名单时，将域名对应的ip转换为加速i p实现，将对应目标设备上的发送请求进行加速传输，有针对性的对计算任务进行加速传输，使得服务器能够及时处理，保证了对计算任务处理的优先性，实现系统的快速响应。

根据本发明的一些实施例，还包括：

获取边缘计算设备中各个计算模块的运行参数；

根据各个计算模块的运行参数计算边缘计算设备的健康度；

判断所述健康度是否小于预设健康度，将健康度小于预设健康度的边缘计算设备确定为异常设备。

上述技术方案的有益效果：分别确定边缘计算设备的健康度，将健康度小于预设健康度的边缘计算设备确定为异常设备。实现对若干个边缘计算设备的有效监测，有利于及时发现异常设备。

根据本发明的一些实施例，根据各个计算模块的运行参数计算边缘计算设备的健康度，包括：

获取每个计算模块的运行参数，并生成一个采集向量；

设置一个健康向量，所述健康向量表示边缘计算设备的健康信息；

计算采集向量与健康向量之间的距离L：

其中，n为采集向量中包括的运行参数的数量；w_i为采集向量中第i个运行参数的采集监测值；t_i为第i个运行参数对应的权重因子；u为健康向量，是基于多次试验获取的；δ_i为第i个运行参数的方差；

根据采集向量与健康向量之间的距离L，计算边缘计算设备的健康度K：

其中，Q为健康度的跨度值；L₁为采集向量与健康向量的距离的最大值；L₂为采集向量与健康向量的距离的最小值；e为自然常数；ε为采集向量与健康向量之间的方向修正参数。

上述技术方案的工作原理及有益效果：获取每个计算模块的运行参数，并生成一个采集向量；设置一个健康向量，所述健康向量表示边缘计算设备的健康信息；计算采集向量与健康向量之间的距离，根据采集向量与健康向量之间的距离，计算边缘计算设备的健康度，提高了获取边缘计算设备的健康度的准确性，进而提高了判断健康度与预设健康度大小的准确性。运行参数包括运行时间、温度等。对于温度这个运行参数，在预设时间内进行多次检测，获取温度的方差，反映了温度在预设时间内的波动性。健康度的跨度值为100，即健康范围为(0,100)。基于上述算法，将采集向量与健康向量之间的距离，转换为边缘计算设备的健康度。距离越大，边缘计算设备的健康度越差。同时还考虑了采集向量与健康向量之间的方向修正参数，提高了健康度计算的准确性。

根据本发明的一些实施例，还包括：

获取若干个边缘计算设备中每个边缘计算设备在预设时间段内的各个关键部件的历史数据；所述历史数据包括运行状态数据及工况数据；

对所述运行状态数据进行分析，确定运行特征参数；

建立运行特征参数与工况数据的匹配关系，生成运行特征参数与工况数据的匹配数据库；

对所述匹配数据库中的工况数据在不同维度建立工况数据协议字典；

基于回归算法建立工况数据协议字典与工况数据相匹配的运行特征参数的回归模型；

根据所述回归模型对工况数据进行分类识别及补偿处理，得到关键部件的预测工况参数；

将预测工况参数进行组合处理，得到预测工况向量；

计算预测工况向量与标准工况向量之间的欧式距离，根据归一化函数对所述欧式距离进行归一化处理，得到各个关键部件的健康参数；

根据所述各个关键部件的健康参数进行加权计算，得到边缘计算设备的整机健康参数并进行显示。

上述技术方案的工作原理：获取若干个边缘计算设备中每个边缘计算设备在预设时间段内的各个关键部件的历史数据；所述历史数据包括运行状态数据及工况数据；对所述运行状态数据进行分析，确定运行特征参数；建立运行特征参数与工况数据的匹配关系，生成运行特征参数与工况数据的匹配数据库；对所述匹配数据库中的工况数据在不同维度建立工况数据协议字典；工况数据协议字典，工况数据协议是为了确保通信双方能相互识别、解析而设计的约定规则。以一定的格式和顺序组织在一起，并添加必要的表示等信息后，就形成报文。约定包括对数据格式、传送速度、同步方式、控制字符定义以及检纠错方式等问题作出统一规定，发送和接收的通信双方都必须遵守这个约定。工况数据协议字典为具有层次性的包括多个工况数据协议。基于回归算法建立工况数据协议字典与工况数据相匹配的运行特征参数的回归模型；根据所述回归模型对工况数据进行分类识别及补偿处理，得到关键部件的预测工况参数；将预测工况参数进行组合处理，得到预测工况向量；计算预测工况向量与标准工况向量之间的欧式距离，根据归一化函数对所述欧式距离进行归一化处理，得到各个关键部件的健康参数；根据所述各个关键部件的健康参数进行加权计算，得到边缘计算设备的整机健康参数并进行显示。

上述技术方案的有益效果：基于回归模型得到预测工况参数，进而得到预测工况向量，基于预测工况向量与标准工况向量之间的欧式距离，准确计算出边缘计算设备上各个关键部件的健康参数，进而得到边缘计算设备的整机健康参数，使得用户可以获取每个边缘计算设备整机健康参数，保证了数据获取的全面性及准确性，提高了用户体验。

根据本发明的一些实施例，还包括：

获取每个边缘计算设备的当前参数；

根据每个边缘计算设备的整机健康参数与当前参数计算每个边缘计算设备的动态健康参数；

对每个边缘计算设备的动态健康参数进行排序，根据排序结果生成每个边缘计算设备的使用优先级。

上述技术方案的工作原理：获取每个边缘计算设备的当前参数；根据每个边缘计算设备的整机健康参数与当前参数计算每个边缘计算设备的动态健康参数；对每个边缘计算设备的动态健康参数进行排序，根据排序结果生成每个边缘计算设备的使用优先级。

上述技术方案的有益效果：对边缘计算设备的整机健康参数根据当前参数进行不断调整更新，便于用户获取实时的动态健康参数，便于根据动态健康参数选取合适的边缘计算设备来完成计算任务，对动态健康参数较差的边缘计算设备进行及时维修，保证边缘计算设备对物联网设备获取数据的及时汇总及处理。

根据本发明的一些实施例，对所述运行状态数据进行分析，包括：

对所述运行状态数据进行聚类处理，得到多个聚类集合，每个聚类集合中包括多个子运行状态数据，随机选取两个聚类集合，对进行聚类处理后的聚类结果进行评估，计算得到评估值，在确定所述评估值小于预设评估值时，表示聚类处理异常，需要重新进行聚类处理；在确定所述评估值大于等于预设评估值时，表示聚类处理正常，根据聚类处理后的聚类结果进行分析；

计算聚类处理后的聚类结果的评估值D：

其中，H_a为第a个聚类集合中包括的子运行状态数据的数量；Z为第a个聚类集合中的各个子运行状态数据；c_a为第a个聚类集合中包括的子运行状态数据之间距离的平均值；H_b为第b个聚类集合中包括的子运行状态数据的数量；V为第b个聚类集合中的各个子运行状态数据；c_b为第b个聚类集合中包括的子运行状态数据之间距离的平均值；S(a，b)为第a个聚类集合的聚类中心与第b个聚类集合的聚类中心之间的欧几里德距离。

上述技术方案的工作原理及有益效果：对所述运行状态数据进行聚类处理，得到多个聚类集合，每个聚类集合中包括多个子运行状态数据，随机选取两个聚类集合，对进行聚类处理后的聚类结果进行评估，计算得到评估值，在确定所述评估值小于预设评估值时，表示聚类处理异常，需要重新进行聚类处理；在确定所述评估值大于等于预设评估值时，表示聚类处理正常，根据聚类处理后的聚类结果进行分析；保证对运行状态数据进行准确的聚类，在聚类处理后，根据聚类结果进行分析，提高对运行状态数据处理的效率，便于准确识别处理。基于选取的第a个聚类集合及第b个聚类集合准确的计算出聚类处理后的聚类结果的评估值。在聚类处理时，以聚类间离散程度和同一聚类内数据对象的紧密程度为基本依据，使同一聚类中数据相似性高，聚类之间则相异性高。在一实施例中，可以多次随机选取两个聚类集合，计算多个评估值，取多个评估值的均值作为最终的评估值，使得对聚类结果的评估更加的合理，更加的准确。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (9)

1.一种对边缘计算设备的监测方法，其特征在于，包括：

服务器获取若干个边缘计算设备的设备信息，基于预设规则建立边缘计算设备的排队队列；

根据排队队列的顺序依次接收与每一个边缘计算设备连接的物联网设备发送的采集数据，根据所述采集数据训练得到数据处理模型，将所述数据处理模型传输至相对应的边缘计算设备；

接收边缘计算设备发送的数据处理模型的模型参数，将所述模型参数与预设模型参数进行比较，在确定所述模型参数异常时，发出报警提示。

2.如权利要求1所述的对边缘计算设备的监测方法，其特征在于，根据所述采集数据训练得到数据处理模型，包括：

对所述采集数据进行数据预处理，去除采集数据中的离群数据，得到有效数据，对所述有效数据进行归一化处理；

对归一化处理后的所述有效数据进行特征提取，得到特征向量；根据所述特征向量对预先构建的数据处理模型进行训练。

3.如权利要求1所述的对边缘计算设备的监测方法，其特征在于，还包括：

接收若干个边缘计算设备发送的计算任务的数量，并分别判断是否大于预设数量，将计算任务的数量大于预设数量的边缘计算设备确定为目标设备集合；确定目标设备集合中的待传输的计算任务的数量；

将待传输的计算任务通过多个传输通道传输至服务器；

获取传输通道信息及传输数据信息，根据所述传输通道信息及传输数据信息确定多个传输通道分别对应的传输质量；

分别判断多个传输通道对应的传输质量是否满足预设传输质量，剔除不满足预设传输质量的传输通道，并计算剩余传输通道的带宽信息；

判断所述带宽信息是否大于预设带宽，在确定带宽信息大于预设带宽时，将剩余传输通道的传输数据转移至新建传输通道进行传输。

4.如权利要求3所述的对边缘计算设备的监测方法，其特征在于，在将待传输的计算任务通过多个传输通道传输至服务器前，还包括：

确定目标设备集合中的目标设备发送计算任务的发送请求；

对所述发送请求进行域名解析，得到所述域名对应的ip；

判断所述域名对应的ip是否处于白名单上；

在确定所述域名对应的ip处于白名单上时，将所述ip进行转换处理，得到加速ip；

基于所述加速ip将所述发送请求加速传输至服务器。

5.如权利要求1所述的对边缘计算设备的监测方法，其特征在于，还包括：

获取边缘计算设备中各个计算模块的运行参数；

根据各个计算模块的运行参数计算边缘计算设备的健康度；

判断所述健康度是否小于预设健康度，将健康度小于预设健康度的边缘计算设备确定为异常设备。

6.如权利要求5所述的对边缘计算设备的监测方法，其特征在于，根据各个计算模块的运行参数计算边缘计算设备的健康度，包括：

获取每个计算模块的运行参数，并生成一个采集向量；

设置一个健康向量，所述健康向量表示边缘计算设备的健康信息；

计算采集向量与健康向量之间的距离L：

其中，n为采集向量中包括的运行参数的数量；w_i为采集向量中第i个运行参数的采集监测值；t_i为第i个运行参数对应的权重因子；u为健康向量，是基于多次试验获取的；δ_i为第i个运行参数的方差；

根据采集向量与健康向量之间的距离L，计算边缘计算设备的健康度K：

其中，Q为健康度的跨度值；L₁为采集向量与健康向量的距离的最大值；L₂为采集向量与健康向量的距离的最小值；e为自然常数；ε为采集向量与健康向量之间的方向修正参数。

7.如权利要求1所述的对边缘计算设备的监测方法，其特征在于，还包括：

获取若干个边缘计算设备中每个边缘计算设备在预设时间段内的各个关键部件的历史数据；所述历史数据包括运行状态数据及工况数据；

对所述运行状态数据进行分析，确定运行特征参数；

建立运行特征参数与工况数据的匹配关系，生成运行特征参数与工况数据的匹配数据库；

对所述匹配数据库中的工况数据在不同维度建立工况数据协议字典；

基于回归算法建立工况数据协议字典与工况数据相匹配的运行特征参数的回归模型；

根据所述回归模型对工况数据进行分类识别及补偿处理，得到关键部件的预测工况参数；

将预测工况参数进行组合处理，得到预测工况向量；

计算预测工况向量与标准工况向量之间的欧式距离，根据归一化函数对所述欧式距离进行归一化处理，得到各个关键部件的健康参数；

根据所述各个关键部件的健康参数进行加权计算，得到边缘计算设备的整机健康参数并进行显示。

8.如权利要求7所述的对边缘计算设备的监测方法，其特征在于，还包括：

获取每个边缘计算设备的当前参数；

根据每个边缘计算设备的整机健康参数与当前参数计算每个边缘计算设备的动态健康参数；

对每个边缘计算设备的动态健康参数进行排序，根据排序结果生成每个边缘计算设备的使用优先级。

9.如权利要求7所述的对边缘计算设备的监测方法，其特征在于，对所述运行状态数据进行分析，包括：

对所述运行状态数据进行聚类处理，得到多个聚类集合，每个聚类集合中包括多个子运行状态数据，随机选取两个聚类集合，对进行聚类处理后的聚类结果进行评估，计算得到评估值，在确定所述评估值小于预设评估值时，表示聚类处理异常，需要重新进行聚类处理；在确定所述评估值大于等于预设评估值时，表示聚类处理正常，根据聚类处理后的聚类结果进行分析；

计算聚类处理后的聚类结果的评估值D：

其中，H_a为第a个聚类集合中包括的子运行状态数据的数量；Z为第a个聚类集合中的各个子运行状态数据；c_a为第a个聚类集合中包括的子运行状态数据之间距离的平均值；H_b为第b个聚类集合中包括的子运行状态数据的数量；V为第b个聚类集合中的各个子运行状态数据；c_b为第b个聚类集合中包括的子运行状态数据之间距离的平均值；S(a，b)为第a个聚类集合的聚类中心与第b个聚类集合的聚类中心之间的欧几里德距离。

Images