CN114253728A - 基于网页生态的异构多节点协同分布式神经网络部署系统 - Google Patents

基于网页生态的异构多节点协同分布式神经网络部署系统 Download PDF

Info

Publication number
CN114253728A
CN114253728A CN202111587860.6A CN202111587860A CN114253728A CN 114253728 A CN114253728 A CN 114253728A CN 202111587860 A CN202111587860 A CN 202111587860A CN 114253728 A CN114253728 A CN 114253728A
Authority
CN
China
Prior art keywords
node
neural network
nodes
edge
data
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
CN202111587860.6A
Other languages
English (en)
Other versions
CN114253728B (zh
Inventor
马汝辉
梁坤
华扬
王灏
宋涛
管海兵
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 Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202111587860.6A priority Critical patent/CN114253728B/zh
Publication of CN114253728A publication Critical patent/CN114253728A/zh
Application granted granted Critical
Publication of CN114253728B publication Critical patent/CN114253728B/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
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G06F11/3062—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations where the monitored property is the power consumption
    • 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]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

一种基于网页生态的异构多节点协同分布式神经网络部署系统，通过设置多节点协同工作并进行任务分配，从而提高计算节点利用率和任务处理时间，从而探测计算节点装载的异构设备和计算能力并加载对应的神经网络。在运行阶段，实时探测各个计算节点的实时计算能力，并依据实时探测的计算能力对任务进行分布式计算节点之间的调度。利用提前退出网络的特性和能力，实现利用边缘节点和云节点协同工作从而获得更高的系统整体利用率和更低的整体处理时间。

Description

基于网页生态的异构多节点协同分布式神经网络部署系统
技术领域
本发明涉及的是一种分布式系统控制领域的技术，具体是一种基于网页生态的异构多节 点协同分布式神经网络部署系统。
背景技术
扩展到移动计算设备的分布式系统，呈现出层级化和异构的特点。所述层级化，是指根 据计算设备的计算资源，网络资源、功耗等因素，分布式系统中的计算节点被划分为三类：云 节点、边缘节点、和终端节点。云节点具有非常强且集中的计算资源但具有较高的网络时延， 通常部署于高性能计算中心。边缘节点为终端用户上传数据至云节点的路径中，经过的较强计 算节点，同时在用户生活周围存在的各种可提供计算服务的计算节点也被认为是边缘节点。边 缘节点的特征为距离终端用户更近，网络时延较低，同时具有较好的计算性能。终端节点涵盖 移动计算终端和物联网(Internet ofThings,IoT)设备。终端节点具有的特征是计算能力较弱，功 耗限制，内存限制大，但通常能被用户直接操作，距离用户最近，网络时延极小。
现有分布式控制方法无法根据系统中的异构节点的特性选择适应的深度神经网络模型， 并指定各个节点的协同工作方式。不同的异构计算节点存在各自的优点和局限，需要结合这些 特征实现计算节点之间的协同工作。现有技术在系统运行过程中无法完成对系统各个计算节点 的监控，例如监控边缘节点的加入与退出、边缘节点实时计算能力等。
发明内容
本发明针对现有技术无法将神经网络跨越异构性并合理地部署在层级化异构多节点的 分布式系统上的缺陷，提出一种基于网页生态的异构多节点协同分布式神经网络部署系统，通 过设置多节点协同工作并进行任务分配，从而提高计算节点利用率和任务处理时间，从而探测 计算节点装载的异构设备和计算能力并加载对应的神经网络。在运行阶段，实时探测各个计算 节点的实时计算能力，并依据实时探测的计算能力对任务进行分布式计算节点之间的调度。利 用提前退出网络的特性和能力，实现利用边缘节点和云节点协同工作从而获得更高的系统整体 利用率和更低的整体处理时间。
本发明是通过以下技术方案实现的：
本发明涉及一种基于网页生态的异构多节点协同分布式神经网络部署系统，包括：终端 节点、边缘节点、云节点、基于实时能力探测全局调度算法模块和协同算法模块，其中：终端 节点通过浏览器部署神经网络，本地处理相关任务，并向用户输出初步的结果。全局调度算法 模块根据探测的边缘节点的实时计算能力，将终端节点的任务分散发至多个边缘节点。边缘节 点根据终端上传的任务和部署的神经网络，处理任务，并向用户输出最终结果或上传任务至云 节点。云节点根据部署的神经网络，对接受的任务进行处理，向用户输出最终结果。协同算法 模块根据边缘节点的结果的置信度判断是否直接向用户直接输出最终结果，或者上传至云节点 进行进一步处理。
本发明涉及一种基于上述系统的基于网页生态的异构多节点协同分布式神经网络部署 方法，通过边缘节点和云节点主动探测装载的可计算异构设备，各个计算节点利用小型神经网 络估算各个设备的计算能力；云节点将完整的神经网络模型装载到探测得到的可计算异构设备 中直接为系统提供服务；边缘节点装载基于完整神经网络的提前退出网络后形成边缘节点的异 构设备信息表；将用户使用的设备将作为系统的终端节点，该终端节点使用浏览器向边缘节点 请求网页服务，在获取网页的同时终端节点下载对应的神经网络模型为接下来的任务做准备； 用户根据网页提供的功能和指导，通过浏览器上传待处理的数据；运行于终端节点的浏览器在 获取数据之后，根据网页的脚本运行下载好的神经网络模型，本地处理待处理数据，获得初步 的结果；在终端节点对用户上传的数据进行本地处理之后，根据实时计算能力的调度算法，将 数据进行分组，并分发至边缘节点集群中具体的计算节点之上；当边缘节点对数据使用提前退 出神经网络模型处理完数据后，根据协同算法将可接受的结果直接发回给用户，将不可接受的 结果对应的数据上传至云节点；云节点再使用完整的神经网络模型对数据进行处理，并给出最 终的结果。
技术效果
与现有技术相比，本发明通过网页相关技术和协同算法模块，使用边缘节点处理任务， 这使得任务处理可以在边缘节点上完成，而不用云节点处理，这在保证结果质量的同时，提高 了任务处理速度且具有很强的迁移性和代码重用性，为用户提供更准确的结果。
附图说明
图1为本发明应用示意图；
图2为单个边缘节点和云节点的启动准备流程图；
图3为本发明流程示意图。
具体实施方式
如图3所示，为本实施例涉及一种基于网页生态的层级化异构多节点协同分布式系统的 神经网络部署方法，包括：
步骤1、如图2所示，在初始化阶段，分布式系统中的边缘节点和云节点主动探测装载 的可计算异构设备，即各个计算节点利用小型神经网络估算各个设备的计算能力。
步骤2、云节点将完整的神经网络模型装载到步骤1中探测得到的可计算异构设备中， 直接为系统提供服务；边缘节点装载基于完整神经网络的提前退出网络后形成边缘节点的异构 设备信息表。
所述的异构设备信息表，通过系统广播并加入当前系统的边缘节点集群，使得每个边缘 节点都会拥有记录系统中所有边缘节点的异构设备信息的全局表；当边缘节点加入系统后，将 会为其它计算节点提供网页请求服务。
步骤3、将用户使用的设备将作为系统的终端节点，该终端节点使用浏览器向边缘节点 请求网页服务，在获取网页的同时终端节点下载对应的神经网络模型为接下来的任务做准备。
步骤4、用户根据网页提供的功能和指导，通过浏览器上传待处理的数据；运行于终端 节点的浏览器在获取数据之后，根据网页的脚本运行下载好的神经网络模型，本地处理待处理 数据，获得初步的结果。
步骤5、如图3所示，在终端节点对用户上传的数据进行本地处理之后，根据实时计算 能力的调度算法，将数据进行分组，并分发至边缘节点集群中具体的计算节点之上。
优选地，本实施例定期探测每个边缘节点的计算能力，将探测出的实时计算能力更新到 每个边缘节点拥有的全局异构设备信息表；当进行调度时，根据每个边缘节点的实时计算能力 和边缘节点集群的总计算能力的比率，以获得每个节点获得任务的概率，并根据这一概率和算 法中取得的随机数，将任务发送到具体的节点之上。
通过该调度算法能够避免将过多的任务发送给一个忙碌的边缘节点，而将过少的任务发 送给一个空闲的边缘节点。从而实现更好的负载均衡，更高的节点利用率，更低的响应时间， 在将任务调度到不同的边缘节点之后，边缘节点会应用提前退出神经网络模型处理任务数据。
步骤6、如图3所示，当边缘节点对数据使用提前退出神经网络模型处理完数据后，根 据协同算法将可接受的结果直接发回给用户，将不可接受的结果对应的数据上传至云节点；云 节点再使用完整的神经网络模型对数据进行处理，并给出最终的结果。
所述的协同算法，将部署在边缘节点的提前退出神经网络与部署在云节点的完整神经网 络进行联合训练；然后提前退出神经网络能够对处理的结果进行置信度判定，并当判定结果为 可以接受时，将提前退出神经网络获得的结果直接返回给用户，否则将对应的数据上传至云节 点，并使用完整的神经网络对该数据进行处理，并将处理获得的结果将会作为最后返回给用户 的结果。
步骤7、输出从终端节点获得的初步结果、边缘节点获得的结果和云节点获得的最终结 果，其中终端节点的初步结果能够快速返回给用户，帮助用户对任务进行初步的分析。而边缘 节点获得的结果和云节点获得的最终结果是更高维度的结果，帮助用户对任务进行详细的分析。
经以下具体实现验证：在用一台机器模拟终端节点，三台机器模拟边缘节点，一台机器 模拟云节点。以终端节点、边缘节点和云节点之间的网络延时为100ms，网络带宽为12Mbps， 终端节点和边缘节点之间的网络延时为0ms，网络带宽为50Mbps；对10000张尺寸为32x32x3 的RGB图片，进行图像分类处理。
仅使用终端节点：耗时38.43秒处理全部任务，但是仅能输出模糊的分类结果，准确率 为57％。使用云节点和终端节点：耗时372秒，能输出准确率为57％的模糊分类结果，79％ 的详细分类结果。使用边缘节点和终端节点：耗时101秒，能输出准确率为57％的模糊分类结 果，76％的详细分类结果。使用所有节点和协同算法：耗时138秒，能输出准确率为56％的模 糊分类结果，79％的详细分类结果。
综上，本发明中将深度神经网络部署在装载异构设备的层级化分布式系统当中。该部署 模式能够结合系统中异构节点的计算能力特性和网络特性，降低系统响应时间并提高系统利用 率。同时该部署方案建立在网页生态之上，提高了系统部署的兼容性、可扩展性，降低了系统 开发难度。本发明中实时监控计算节点状态，并根据监控的结果实现基于实时计算能力的调度 算法，使得各个计算节点平衡计算开销和模型性能，提高系统整体的利用率。本发明中提出的 基于提前退出网络的协同算法能够在保证服务质量的情况下，在边缘节点和云节点之间实现负 载均衡，提供更短的服务时间。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式 对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围 内的各个实现方案均受本发明之约束。

Claims (6)

1.一种基于网页生态的层级化异构多节点协同分布式系统的神经网络部署系统，其特征在于，包括：终端节点、边缘节点、云节点、基于实时能力探测全局调度算法模块和协同算法模块，其中：终端节点通过浏览器部署神经网络，本地处理相关任务，并向用户输出初步的结果；全局调度算法模块根据探测的边缘节点的实时计算能力，将终端节点的任务分散发至多个边缘节点；边缘节点根据终端上传的任务和部署的神经网络，处理任务，并向用户输出最终结果或上传任务至云节点；云节点根据部署的神经网络，对接受的任务进行处理，向用户输出最终结果；协同算法模块根据边缘节点的结果的置信度判断是否直接向用户直接输出最终结果，或者上传至云节点进行进一步处理。
2.一种基于权利要求1所述系统的基于网页生态的异构多节点协同分布式神经网络部署方法，其特征在于，通过边缘节点和云节点主动探测装载的可计算异构设备，各个计算节点利用小型神经网络估算各个设备的计算能力；云节点将完整的神经网络模型装载到探测得到的可计算异构设备中直接为系统提供服务；边缘节点装载基于完整神经网络的提前退出网络后形成边缘节点的异构设备信息表；将用户使用的设备将作为系统的终端节点，该终端节点使用浏览器向边缘节点请求网页服务，在获取网页的同时终端节点下载对应的神经网络模型为接下来的任务做准备；用户根据网页提供的功能和指导，通过浏览器上传待处理的数据；运行于终端节点的浏览器在获取数据之后，根据网页的脚本运行下载好的神经网络模型，本地处理待处理数据，获得初步的结果；在终端节点对用户上传的数据进行本地处理之后，根据实时计算能力的调度算法，将数据进行分组，并分发至边缘节点集群中具体的计算节点之上；当边缘节点对数据使用提前退出神经网络模型处理完数据后，根据协同算法将可接受的结果直接发回给用户，将不可接受的结果对应的数据上传至云节点；云节点再使用完整的神经网络模型对数据进行处理，并给出最终的结果。
3.根据权利要求2所述的异构多节点协同分布式神经网络部署方法，其特征是，具体包括：
步骤1、在初始化阶段，分布式系统中的边缘节点和云节点主动探测装载的可计算异构设备，即各个计算节点利用小型神经网络估算各个设备的计算能力；
步骤2、云节点将完整的神经网络模型装载到步骤1中探测得到的可计算异构设备中，直接为系统提供服务；边缘节点装载基于完整神经网络的提前退出网络后形成边缘节点的异构设备信息表；
步骤3、将用户使用的设备将作为系统的终端节点，该终端节点使用浏览器向边缘节点请求网页服务，在获取网页的同时终端节点下载对应的神经网络模型为接下来的任务做准备；
步骤4、用户根据网页提供的功能和指导，通过浏览器上传待处理的数据；运行于终端节点的浏览器在获取数据之后，根据网页的脚本运行下载好的神经网络模型，本地处理待处理数据，获得初步的结果；
步骤5、在终端节点对用户上传的数据进行本地处理之后，根据实时计算能力的调度算法，将数据进行分组，并分发至边缘节点集群中具体的计算节点之上；
步骤6、当边缘节点对数据使用提前退出神经网络模型处理完数据后，根据协同算法将可接受的结果直接发回给用户，将不可接受的结果对应的数据上传至云节点；云节点再使用完整的神经网络模型对数据进行处理，并给出最终的结果；
步骤7、输出从终端节点获得的初步结果、边缘节点获得的结果和云节点获得的最终结果，其中终端节点的初步结果能够快速返回给用户，帮助用户对任务进行初步的分析；而边缘节点获得的结果和云节点获得的最终结果是更高维度的结果，帮助用户对任务进行详细的分析。
4.根据权利要求3所述的异构多节点协同分布式神经网络部署方法，其特征是，所述的异构设备信息表，通过系统广播并加入当前系统的边缘节点集群，使得每个边缘节点都会拥有记录系统中所有边缘节点的异构设备信息的全局表；当边缘节点加入系统后，将会为其它计算节点提供网页请求服务。
5.根据权利要求3所述的异构多节点协同分布式神经网络部署方法，其特征是，定期探测每个边缘节点的计算能力，将探测出的实时计算能力更新到每个边缘节点拥有的全局异构设备信息表；当进行调度时，根据每个边缘节点的实时计算能力和边缘节点集群的总计算能力的比率，以获得每个节点获得任务的概率，并根据这一概率和算法中取得的随机数，将任务发送到具体的节点之上。
6.根据权利要求3所述的异构多节点协同分布式神经网络部署方法，其特征是，所述的协同算法，将部署在边缘节点的提前退出神经网络与部署在云节点的完整神经网络进行联合训练；然后提前退出神经网络能够对处理的结果进行置信度判定，并当判定结果为接受时，将提前退出神经网络获得的结果直接返回给用户，否则将对应的数据上传至云节点，并使用完整的神经网络对该数据进行处理，并将处理获得的结果将会作为最后返回给用户的结果。
CN202111587860.6A 2021-12-23 2021-12-23 基于网页生态的异构多节点协同分布式神经网络部署系统 Active CN114253728B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111587860.6A CN114253728B (zh) 2021-12-23 2021-12-23 基于网页生态的异构多节点协同分布式神经网络部署系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111587860.6A CN114253728B (zh) 2021-12-23 2021-12-23 基于网页生态的异构多节点协同分布式神经网络部署系统

Publications (2)

Publication Number Publication Date
CN114253728A true CN114253728A (zh) 2022-03-29
CN114253728B CN114253728B (zh) 2024-07-09

Family

ID=80797039

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111587860.6A Active CN114253728B (zh) 2021-12-23 2021-12-23 基于网页生态的异构多节点协同分布式神经网络部署系统

Country Status (1)

Country Link
CN (1) CN114253728B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114034A (zh) * 2022-08-29 2022-09-27 岚图汽车科技有限公司 分布式计算方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543829A (zh) * 2018-10-15 2019-03-29 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 在终端和云端上混合部署深度学习神经网络的方法和系统
US20190213099A1 (en) * 2018-01-05 2019-07-11 NEC Laboratories Europe GmbH Methods and systems for machine-learning-based resource prediction for resource allocation and anomaly detection
US20190377946A1 (en) * 2018-06-06 2019-12-12 AgEYE Technologies, Inc. Ai-powered autonomous plant-growth optimization system that automatically adjusts input variables to yield desired harvest traits
CN110795235A (zh) * 2019-09-25 2020-02-14 北京邮电大学 一种移动web深度学习协作的方法及系统
CN111045828A (zh) * 2019-12-27 2020-04-21 广东电科院能源技术有限责任公司 基于配电网台区终端的分布式边缘计算方法和相关装置
US20200293914A1 (en) * 2019-03-12 2020-09-17 International Business Machines Corporation Natural language generation by an edge computing device
CN112241331A (zh) * 2020-11-19 2021-01-19 西北大学 一种基于深度神经网络的移动Web任务动态迁移方法
CN113641569A (zh) * 2021-06-24 2021-11-12 云南电网有限责任公司信息中心 机器人流程自动化方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190213099A1 (en) * 2018-01-05 2019-07-11 NEC Laboratories Europe GmbH Methods and systems for machine-learning-based resource prediction for resource allocation and anomaly detection
US20190377946A1 (en) * 2018-06-06 2019-12-12 AgEYE Technologies, Inc. Ai-powered autonomous plant-growth optimization system that automatically adjusts input variables to yield desired harvest traits
CN109543829A (zh) * 2018-10-15 2019-03-29 华东计算技术研究所（中国电子科技集团公司第三十二研究所） 在终端和云端上混合部署深度学习神经网络的方法和系统
US20200293914A1 (en) * 2019-03-12 2020-09-17 International Business Machines Corporation Natural language generation by an edge computing device
CN110795235A (zh) * 2019-09-25 2020-02-14 北京邮电大学 一种移动web深度学习协作的方法及系统
CN111045828A (zh) * 2019-12-27 2020-04-21 广东电科院能源技术有限责任公司 基于配电网台区终端的分布式边缘计算方法和相关装置
CN112241331A (zh) * 2020-11-19 2021-01-19 西北大学 一种基于深度神经网络的移动Web任务动态迁移方法
CN113641569A (zh) * 2021-06-24 2021-11-12 云南电网有限责任公司信息中心 机器人流程自动化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KUN LIANG: ""WHDN: Distributed AI-enabled OK-ASN Service for Web of Things"", 《ACM TRANSACTIONS ON ASIAN AND LOW-RESOURCE LANGUAGE INFORMATION PROCESSING》, vol. 22, no. 5, 9 May 2023 (2023-05-09), pages 1 - 16 *
SAEID ABOLFAZLI: ""Cloud-Based Augmentation for Mobile Devices:Motivation, Taxonomies, and Open Challenges"", 《IEEE COMMUNICATIONS SURVEYS & TUTORIALS》, 19 July 2013 (2013-07-19), pages 337 - 368 *
黄亚坤: ""基于边缘计算的移动Web深度学习推理技术研究"", 《中国博士学位论文全文数据库 信息科技辑》, no. 2022, 15 June 2022 (2022-06-15), pages 139 - 7 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114034A (zh) * 2022-08-29 2022-09-27 岚图汽车科技有限公司 分布式计算方法及装置

Also Published As

Publication number Publication date
CN114253728B (zh) 2024-07-09

Similar Documents

Publication Publication Date Title
CN111522669A (zh) 横向联邦学习系统优化方法、装置、设备及可读存储介质
CN110941667A (zh) 一种移动边缘计算网络中的计算卸载方法及系统
CN108777852A (zh) 一种车联网内容边缘卸载方法、移动资源分配系统
CN107741899B (zh) 处理终端数据的方法、装置及系统
CN102938923B (zh) 一种基于移动终端的无线接入点排序方法及其移动终端
CN114142907B (zh) 一种通信终端设备的信道筛选优化方法及系统
CN1454420A (zh) 根据通信带宽的自动检测选择要传递的内容
CN113181658A (zh) 一种边缘计算节点调度方法、装置、设备以及介质
Harvey et al. Edos: Edge assisted offloading system for mobile devices
KR20120066116A (ko) 웹 서비스 정보 처리 방법과 이를 이용한 웹 서비스 조합 방법 및 장치
CN112989894B (zh) 目标检测方法、任务处理方法、装置、设备及存储介质
Chen et al. Latency minimization for mobile edge computing networks
CN114595049A (zh) 一种云边协同任务调度方法及装置
CN114356548A (zh) 边缘计算服务的动态扩展及放置方法和装置
CN111211984B (zh) 优化cdn网络的方法、装置及电子设备
CN112256429A (zh) 基于计算图和工业云边缘系统的数据请求处理方法
CN114253728A (zh) 基于网页生态的异构多节点协同分布式神经网络部署系统
CN117290668B (zh) 一种基于工业互联网平台的大数据处理方法和系统
CN112261125B (zh) 集中单元的云化部署方法、装置及系统
CN113867946A (zh) 访问资源的方法、装置、存储介质及电子设备
CN115843050B (zh) 网络切片配置方法及系统、计算机可存储介质
CN116700985A (zh) 模型部署方法、系统及存储介质
CN114327846A (zh) 集群的扩容方法、装置、电子设备及计算机可读存储介质
CN108770014B (zh) 网络服务器的计算评估方法、系统、装置及可读存储介质
CN116017570A (zh) 一种基于区块链的边缘计算系统资源管理方法

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