CN114285855B - 一种基于智能边缘物联的云边协同方法 - Google Patents

Abstract

本发明涉及智能物联网云计算技术领域，具体涉及一种基于智能边缘物联的云边协同方法。该方法通过边缘节点接收到的设备数据的数据特征获得设备数据传输过程中的第一数据传输时间。边缘节点对设备数据进行重复率分析，获得特征数据。获得特征数据传输给云端过程中的第二数据传输时间。根据特征数据和传输时间特征对边缘节点进行分类，获得关联边缘节点。对关联边缘节点之间进行数据分配、算力分配和传输参数分配。本发明通过对关联边缘节点的控制和调整，优化了边缘层的数据处理过程并且提高了整体安全性能。

Description

一种基于智能边缘物联的云边协同方法

技术领域

本发明涉及智能物联网云计算技术领域，具体涉及一种基于智能边缘物联的云边协同方法。

背景技术

随着物联网等技术的不断发展、数据的不断增加，基于云的物联网解决方案渐渐无法满足人们日益增长的需求，边缘计算和云的延伸扩展被快速发展，以加快数据分析的速度。云边协同的过程中，通过设备层连接物联网单个设备部件，以实现及时交互；工厂应用层提供对所有连接设备的可见性和控制；边缘层提供单个设备与应用层之间的连接；企业层是云托管，主要提供跨多个工厂的可见性和控制，利用云计算模型对整个工厂数据进行分析，并将分析结果推向边缘层级，最终传输到单个设备部件。

现有技术中存在的问题在于，设备层中获取的数据需要经过边缘层处理，边缘计算是高度分布式的，分布范围广，处理任务种类多，数据量和数据类型变化较大，通过多个节点和设备将云端和数据中心扩展至边缘，会成倍的增加网络攻击的表面积，在网络安全和管理维护上都存在安全隐患。并且存在算力资源分配不均，导致某些边缘节点算力较低，影响整体数据处理效率。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于智能边缘物联的云边协同方法，所采用的技术方案具体如下：

本发明提供一种基于智能边缘物联的云边协同方法，所述方法包括：

获得每个边缘节点接收到每个设备数据的设备数据类型、设备数据量、设备数据传输距离和设备数据传输带宽；根据所述数据量、所述设备数据传输距离、所述设备数据传输带宽和所述边缘节点的边缘算力获得第一数据传输时间；

获得每个所述边缘节点接收到的多个连续所述设备数据之间的重复率；以所述重复率、所述设备数据类型和所述设备数据量作为特征数据传输给云端；根据所述特征数据的数据量、特征数据传输距离和边缘节点数据传输带宽获得第二数据传输时间；

以每个边缘节点所有所述第一数据传输时间和所述第二数据传输时间的和作为传输时间特征；根据所述特征数据中的所述设备数据类型将所述边缘节点进行分类，获得第一边缘节点类别；在所述第一边缘节点类别中根据所述重复率和所述传输时间特征对所述边缘节点进行分类，获得关联边缘节点类别；

若所述边缘节点类别中关联边缘节点的所述重复率大于预设重复率阈值，则暂停所述关联边缘节点的数据处理；对关联边缘节点之间进行所述设备数据分配，对所述关联边缘节点之间的边缘算力分配，对所述关联边缘节点的设备数据传输带宽调整和边缘节点数据传输带宽调整，使所述关联边缘节点类别中的所有所述第一数据传输时间、所述边缘算力、所述设备数据传输带宽和所述边缘节点数据传输带宽的累加和最小。

进一步地，所述根据所述数据量、所述设备数据传输距离、所述设备数据传输带宽和所述边缘节点的边缘算力获得第一数据传输时间包括：

根据第一数据传输时间公式获得所述第一数据传输时间，所述第一数据传输时间公式包括：

其中，

为第

个所述设备数据传输到第

个所述边缘节点的所述第一数据传输 时间，

为第

个所述设备数据的所述设备数据量，

为第

个所述边缘节点的所述边缘算 力，

为第

个所述设备数据传输到第

个所述边缘节点的所述设备数据传输距离，

为 第

个所述设备数据传输到第

个所述边缘节点的所述设备数据传输带宽。

进一步地，所述获得每个所述边缘节点接收到的多个连续所述设备数据之间的重复率包括：

根据所述边缘节点接收响应次数将所有连续的所述设备数据分为多个子数据；根据所述子数据之间的相似度将所述子数据分类，获得多个子数据类别；根据所述子数据类别的数量、最多样本数量的所述子数据类别的样本数量和所述子数据的数据大小获得所述重复率。

进一步地，所述根据所述子数据之间的相似度将所述子数据分类，获得多个子数据类别包括：

以所述子数据之间的欧式距离作为所述相似度，根据所述欧氏距离利用均值聚类算法将所述子数据分类，获得多个子数据聚类簇，每个所述子数据聚类簇为一个所述子数据类别。

进一步地，根据所述子数据类别的数量、最多样本数量的所述子数据类别的样本数量和所述子数据的数据大小获得所述重复率包括：

根据重复率公式获得所述重复率，所述重复率公式包括：

其中，

为所述重复率，

为最多样本数量的所述子数据类别的样本数量，

为所述子数据类别的数量，

为所述子数据的平均数据大小。

进一步地，所述根据所述特征数据的数据量、特征数据传输距离和边缘节点数据传输带宽获得第二数据传输时间包括：

根据第二传输时间公式获得所述第二传输时间，所述第二传输时间公式包括：

其中，

为所述第二传输时间，

为所述特征数据的数据量，

为所述特征数据传 输距离，

为所述边缘节点数据传输带宽。

进一步地，所述在所述第一边缘节点类别中根据所述重复率和所述传输时间特征对所述边缘节点进行分类，获得关联边缘节点类别包括：

将所述重复率和所述时间特征作为所述第一边缘节点类别中所述边缘节点的高斯混合聚类特征；根据所述高斯混合聚类特征利用高斯混合聚类算法对所述边缘节点进行分类，获得多个所述关联边缘节点类别。

进一步地，所述对关联边缘节点之间进行所述设备数据分配，对所述关联边缘节点之间的边缘算力分配，对所述关联边缘节点的设备数据传输带宽调整和边缘节点数据传输带宽调整包括：

根据约束条件对所述关联边缘节点之间的边缘算力分配、对所述关联边缘节点的设备数据传输带宽调整和边缘节点数据传输带宽调整，所述约束条件包括：

每个所述关联边缘节点的所述边缘算力应小于等于所述关联边缘节点类别中的边缘算力均值；每个所述边缘节点的所述设备数据传输带宽应小于预设最大设备数据传输带宽；所述关联边缘节点类别的平均边缘节点数据传输带宽应小于预设最大边缘节点数据传输带宽。

本发明具有如下有益效果：

1.本发明实施例通过边缘节点对设备数据的初步分析，将特征数据传递给云端，云端进行高维数据分析，将关联边缘节点信息反馈给边缘层。利用云端的数据分析能力快速得到边缘层反馈结果，边缘层根据反馈结果进行调整，保证了边缘节点的高效运行和安全维护。

2.本发明实施例在边缘层中计算边缘节点的特征数据，根据重复率关闭异常边缘节点的任务处理，保证数据处理时的安全。通过对关联边缘节点的算力分配和带宽调整，有效的提高了整体边缘层的安全性和数据处理效率。

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和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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它附图。

图1为本发明一个实施例所提供的一种基于智能边缘物联的云边协同方法流程图；

图2为本发明一个实施例所提供的一种智能物联网云计算结构示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于智能边缘物联的云边协同方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于智能边缘物联的云边协同方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于智能边缘物联的云边协同方法流程图，该方法包括：

步骤S1：获得每个边缘节点接收到每个设备数据的设备数据类型、设备数据量、设备数据传输距离和设备数据传输带宽；根据数据量、设备数据传输距离、设备数据传输带宽和边缘节点的边缘算力获得第一数据传输时间。

请参阅图2，其示出了本发明一个实施例所提供的一种智能物联网云计算结构示意图。图2中，圆形A代表一种设备，菱形B代表一种设备，多个圆形A和多个菱形B共同组成设备层，即在工业场景中，由多个不同设备构成设备层，例如温度传感器、湿度传感器、压力传感器等，设备层中每个设备产生的数据传递给边缘层。图2中边缘层是由多个正方形C组成，其中每个正方形C表示一个边缘节点，一个边缘节点可接收多个设备的设备数据。每个边缘节点将边缘节点数据传输给云端D，并且云端D可将运算数据反馈给边缘层。需要说明的是，图2仅为一种简易示意图，在实际应用场景中存在多种大量设备，且与对应的边缘节点进行数据传输。

边缘节点每接收响应一次可接收一个设备数据，每个设备数据对应一个设备数据类型、设备数据量，及其设备到该节点的设备传输距离。获得对应边缘节点的边缘算力和设备数据传输带宽，设备数据传输带宽为设备向边缘节点传输设备数据时路径的带宽即信道容量。

根据数据量、设备数据传输距离、设备数据传输带宽和边缘节点的边缘算力获得第一数据传输时间，具体包括：

根据第一数据传输时间公式获得第一数据传输时间，第一数据传输时间公式包括：

其中，

为第

个设备数据传输到第

个边缘节点的第一数据传输时间，

为第

个 设备数据的设备数据量，

为第

个边缘节点的边缘算力，

为第

个设备数据传输到第

个边缘节点的设备数据传输距离，为第

个设备数据传输到第

个边缘节点的设备数据传输 带宽。

在智能物联网云计算中，大量的临时数据处理是在边缘层上处理的，因此在第一数据传输时间公式中，需要考虑设备数据量和该边缘节点的算力，即设备数据量越大，边缘算力越小，则所需要处理的时间越长。进一步考虑到设备数据传输路径的设备数据传输距离和设备数据传输带宽，即设备传输距离越长，设备数据传输带宽越小，则所需传输的时间越长。即第一数据传输时间结合了传输路径所需时间和边缘节点上的计算所需时间。

步骤S2：获得每个边缘节点接收到的多个连续设备数据之间的重复率；以重复率、设备数据类型和设备数据量作为特征数据传输给云端；根据特征数据的数据量、特征数据传输距离和边缘节点数据传输带宽获得第二数据传输时间。

在边缘计算的过程中，为了减少云端的计算压力，会将大量的数据运算过程在边缘层上完成，云端仅接收边缘层的处理结果，在本发明实施例中，旨在根据设备数据的特征对边缘节点的参数进行调整，因此为了对边缘层中所有边缘节点进行分析，需要将数据特征传递给云端，通过云端的高速处理将调整结果反馈给边缘层。

将边缘节点中计算出的重复率

、设备数据类型

和设备数据量

作为特征数据传 输给云端，即特征数据为一个数据集合

,

。其中设备数据中数据的重复率获取 方法包括：

一个边缘节点在接收设备数据时可获得多个连续的设备数据，边缘节点每存在一次接收响应则接收到一个设备数据。边缘节点将连续的设备数据打包存储，该数据包中可能存在重复信息，因此根据边缘节点接收响应次数将所有连续的设备数据分为多个子数据。根据子数据之间的相似度将子数据分类，获得多个子数据类别。根据子数据类别的数量、最多样本数量的子数据类别的样本数量和子数据的数据大小获得重复率。

优选的，以子数据之间的欧式距离作为相似度，根据欧氏距离利用均值聚类算法将子数据分类，获得多个子数据聚类簇，每个子数据聚类簇为一个子数据类别。在本发明实施例中，为了满足每个子数据聚类簇中最小样本数为2，将聚类半径设置为0.5。

根据子数据类别的数量、最多样本数量的子数据类别的样本数量和子数据的数据大小获得重复率包括：

根据重复率公式获得重复率，重复率公式包括：

其中，

为重复率，

为最多样本数量的子数据类别的样本数量，

为子数 据类别的数量，

为子数据的平均数据大小。需要说明的是，因为

为子数据的平均数据大 小，因此有

，其中

为多个连续设备数据组成的数据包的大小，

为边缘节点的接收响 应次数。

在重复率公式中，子数据类别的数量越少，说明重复性的数据越多，则重复率越大；最多样本数量越大，重复率越大；子数据的平均数据越小，则说明此时被分割的次数较多，即一个时间段内边缘节点受到了大量连续的设备数据，接收的数据越可能为外部攻击的重复数据，重复率越大。

需要说明的是，根据先验知识可知，常见的数据攻击方式为不断向边缘节点发送重复数据，使边缘节点不断向云端传输数据，导致系统运行崩溃。因此边缘节点根据连续设备数据之间的相似性进行分析重复率可有效的对接收的设备数据进行初步分析，将重复率作为特征数据的一部分传输给云端，云端经过分析后再反馈给边缘节点执行相应的措施，避免网络攻击造成的安全风险，实现云端对边缘节点的分布式控制，减轻云端的数据运算压力，降低云端存储量。

每个边缘节点将获取到的设备数据的特征数据传输给云端，因为在该过程仅包括数据传输，因此获取第二传输时间的方法包括：

根据第二传输时间公式获得第二传输时间，第二传输时间公式包括：

其中，

为第二传输时间，

为特征数据的数据量，

为特征数据传输距离，

为边 缘节点数据传输带宽。

在第二传输时间公式中，特征数据的数据量越多，特征数据传输距离越长，边缘节点数据传输带宽越小，则第二传输时间越长。

步骤S3：以每个边缘节点所有第一数据传输时间和第二数据传输时间的和作为传输时间特征；根据特征数据中的设备数据类型将边缘节点进行分类，获得第一边缘节点类别；在第一边缘节点类别中根据重复率和时间特征对边缘节点进行分类，获得关联边缘节点类别。

一个边缘节点接收设备数据、运算设备数据和传输特征数据所花费的时间可作为 在一个数据处理任务中该边缘节点的传输时间特征。以每个边缘节点所有第一数据传输时 间和第二数据传输时间的和作为传输时间特征

，即

，其中，

为第

个边 缘节点所接收到的设备数据的数量，

为第

个设备数据传输到第

个边缘节点的第一数 据传输时间，

为第

个边缘节点向云端传输特征数据所需的第二传输时间。

云端的数据处理能力强，且优先级较高，可向边缘层反馈调节信息，因此在云端中接收所有边缘节点的特征数据和传输时间特征。根据特征数据中的设备数据类型将边缘节点进行分类。获得第一边缘节点类别，即将接收到相同数据类型的设备数据的边缘节点分为一类，一个第一边缘节点类别中的边缘节点处理同类的设备。

在第一边缘节点类别中根据边缘节点的重复率和传输时间特征对边缘节点进行分类，获得关联边缘节点类别，具体包括：

将重复率和时间特征作为第一边缘节点类别中边缘节点的高斯混合聚类特征。根据高斯混合聚类特征利用高斯混合聚类算法对边缘节点进行分类，将位于同一高斯曲面的边缘节点聚为一类，获得多个关联边缘节点类别。

关联边缘节点类别中的每个关联边缘节点之间执行相同数据类型的设备数据，且关联边缘节点之间存在相似的数据重复率和传输时间特征。

步骤S4：若边缘节点类别中关联边缘节点的重复率大于预设重复率阈值，则暂停关联边缘节点的数据处理；对关联边缘节点之间进行设备数据分配，对关联边缘节点之间的边缘算力分配，对关联边缘节点的设备数据传输带宽调整和边缘节点数据传输带宽调整，使关联边缘节点类别中的所有第一数据传输时间、边缘算力、设备数据传输带宽和边缘节点数据传输带宽的累加和最小。

云端获得了每个边缘节点处理的设备数据量和互相关联的关联边缘节点，因为关联边缘节点中的传输时间特征相似，因此存在一个设备数据量大且边缘算力较大的边缘节点与一个设备数据量小且边缘算力小的边缘节点互相关联。因为关联边缘节点处理相同的设备数据类型，因此关联节点之间可进行设备数据传输，即可将设备数据量大的边缘节点的设备数据和算力分配给设备数据量小的边缘节点，减少边缘节点的运算压力。因此云端可根据关联结果和边缘节点的设备数据量在关联节点之间进行数据分配和参数调整。

为了防止外部对系统的攻击，云端根据重复率的大小判断是否发生攻击现象，若边缘节点类别中关联边缘节点的重复率大于预设重复率阈值，则云端控制暂停关联边缘节点的数据处理。在后续关联边缘节点之间的数据分配过程中不再考虑该关联边缘节点。在本发明实施例中，将重复率进行归一化，重复率阈值设置为0.8。

为了将各个关联边缘节点的数据运算过程优化，对关联边缘节点之间进行设备数据分配，对关联边缘节点之间的边缘算力分配，对关联边缘节点的设备数据传输带宽调整和边缘节点数据传输带宽调整，使关联边缘节点类别中的所有第一数据传输时间、边缘算力、设备数据传输带宽和边缘节点数据传输带宽的累加和最小。累加和最小说明了此时关联边缘节点类别中的所有关联边缘节点用最短的时间完成了运算传输过程且消耗了最小的算力，且使用了最小的设备数据传输带宽和边缘节点数据传输带宽。其中具体的调整方法包括：

根据约束条件对关联边缘节点之间的边缘算力分配、对关联边缘节点的设备数据传输带宽调整和边缘节点数据传输带宽调整，约束条件包括：

每个关联边缘节点的边缘算力应小于等于关联边缘节点类别中的边缘算力均值。每个边缘节点的设备数据传输带宽应小于预设最大设备数据传输带宽。关联边缘节点类别的平均边缘节点数据传输带宽应小于预设最大边缘节点数据传输带宽。

将上述约束条件可转换为模型

：

其中，

为关联边缘节点类别中关联边缘节点的数量，

为第

个关联边缘节点所 接收的设备数据数量，

为第

个所述设备数据传输到第

个所述边缘节点的所述第一数 据传输时间，

为第

个关联边缘节点的边缘算力，

为第

个关联边缘节点的设备数据传 输带宽，

为第

个关联边缘节点的边缘节点数据传输带宽，

为预设最大设备数据传输带 宽，

为预设最大边缘节点数据传输带宽。

在模型

中，因为需要对关联边缘节点之间的设备数据和算力进行分配，为了防 止出现部分边缘节点算力冗余，部分边缘节点算力欠缺的情况，以关联边缘节点里诶吧中 的边缘算力均值作为每个关联边缘算力的约束条件。因为关联边缘节点所处理的设备数据 类型相同，向云端传输的数据计算结果相同，因此在调整边缘节点数据传输带宽时需要将 一个关联边缘节点类别视为一个整体进行带宽约束，即约束其平均边缘节点数据传输带 宽。需要说明的是，最大设备数据传输带宽和最大边缘节点数据传输带宽可根据具体云计 算系统类型具体设置，在此不做约束。

至此，通过云端对边缘层的反馈调整，提高了边缘层整体的数据运算效率和运算稳定性，避免单个边缘节点处理的大量重复数据和受到网络攻击的风险。

需要说明的是，本发明实施例针对的是边缘计算过程中分布式边缘节点的运算数据及其运算资源分配。云端最终对设备的响应及控制本发明实施例不做考虑及研究。

综上所述，本发明实施例通过边缘节点接收到的设备数据的数据特征获得设备数据传输过程中的第一数据传输时间。边缘节点对设备数据进行重复率分析，获得特征数据。获得特征数据传输给云端过程中的第二数据传输时间。根据特征数据和传输时间特征对边缘节点进行分类，获得关联边缘节点。对关联边缘节点之间进行数据分配、算力分配和传输参数分配。本发明实施例通过对关联边缘节点的控制和调整，优化了边缘层的数据处理过程并且提高了整体安全性能。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于智能边缘物联的云边协同方法，其特征在于，所述方法包括：

获得每个边缘节点接收到每个设备数据的设备数据类型、设备数据量、设备数据传输距离和设备数据传输带宽；根据所述数据量、所述设备数据传输距离、所述设备数据传输带宽和所述边缘节点的边缘算力获得第一数据传输时间；

获得每个所述边缘节点接收到的多个连续所述设备数据之间的重复率；以所述重复率、所述设备数据类型和所述设备数据量作为特征数据传输给云端；根据所述特征数据的数据量、特征数据传输距离和边缘节点数据传输带宽获得第二数据传输时间；

以每个边缘节点所有所述第一数据传输时间和所述第二数据传输时间的和作为传输时间特征；根据所述特征数据中的所述设备数据类型将所述边缘节点进行分类，获得第一边缘节点类别；在所述第一边缘节点类别中根据所述边缘节点之间所述重复率的相似性和所述传输时间特征的相似性对所述边缘节点进行分类，获得关联边缘节点类别；

若所述关联边缘节点类别中关联边缘节点的所述重复率大于预设重复率阈值，则暂停所述关联边缘节点的数据处理；对关联边缘节点之间进行所述设备数据分配，对所述关联边缘节点之间的边缘算力分配，对所述关联边缘节点的设备数据传输带宽调整和边缘节点数据传输带宽调整，使所述关联边缘节点类别中的所有所述第一数据传输时间、所述边缘算力、所述设备数据传输带宽和所述边缘节点数据传输带宽的累加和最小。

2.根据权利要求1所述的一种基于智能边缘物联的云边协同方法，其特征在于，所述根据所述数据量、所述设备数据传输距离、所述设备数据传输带宽和所述边缘节点的边缘算力获得第一数据传输时间包括：

根据第一数据传输时间公式获得所述第一数据传输时间，所述第一数据传输时间公式包括：

其中，

为第

个所述设备数据传输到第

个所述边缘节点的所述第一数据传输时间，

为第

个所述设备数据的所述设备数据量，

为第

个所述边缘节点的所述边缘算力，

为第

个所述设备数据传输到第

个所述边缘节点的所述设备数据传输距离，

为第

个所述设备数据传输到第

个所述边缘节点的所述设备数据传输带宽。

3.根据权利要求1所述的一种基于智能边缘物联的云边协同方法，其特征在于，所述获得每个所述边缘节点接收到的多个连续所述设备数据之间的重复率包括：

根据所述边缘节点接收响应次数将所有连续的所述设备数据分为多个子数据；根据所述子数据之间的相似度将所述子数据分类，获得多个子数据类别；根据所述子数据类别的数量、最多样本数量的所述子数据类别的样本数量和所述子数据的数据大小获得所述重复率。

4.根据权利要求3所述的一种基于智能边缘物联的云边协同方法，其特征在于，所述根据所述子数据之间的相似度将所述子数据分类，获得多个子数据类别包括：

以所述子数据之间的欧氏距离作为所述相似度，根据所述欧氏距离利用均值聚类算法将所述子数据分类，获得多个子数据聚类簇，每个所述子数据聚类簇为一个所述子数据类别。

5.根据权利要求3所述的一种基于智能边缘物联的云边协同方法，其特征在于，所述根据所述子数据类别的数量、最多样本数量的所述子数据类别的样本数量和所述子数据的数据大小获得所述重复率包括：

根据重复率公式获得所述重复率，所述重复率公式包括：

其中，

为所述重复率，

为最多样本数量的所述子数据类别的样本数量，

为所述子数据类别的数量，

为所述子数据的平均数据大小。

6.根据权利要求1所述的一种基于智能边缘物联的云边协同方法，其特征在于，所述根据所述特征数据的数据量、特征数据传输距离和边缘节点数据传输带宽获得第二数据传输时间包括：

根据第二传输时间公式获得所述第二传输时间，所述第二传输时间公式包括：

其中，

为所述第二传输时间，

为所述特征数据的数据量，

为所述特征数据传输距离，

为所述边缘节点数据传输带宽。

7.根据权利要求1所述的一种基于智能边缘物联的云边协同方法，其特征在于，所述在所述第一边缘节点类别中根据所述边缘节点之间所述重复率的相似性和所述传输时间特征的相似性对所述边缘节点进行分类，获得关联边缘节点类别包括：

将所述重复率和所述时间特征作为所述第一边缘节点类别中所述边缘节点的高斯混合聚类特征；根据所述高斯混合聚类特征利用高斯混合聚类算法对所述边缘节点进行分类，获得多个所述关联边缘节点类别。

8.根据权利要求1所述的一种基于智能边缘物联的云边协同方法，其特征在于，所述对关联边缘节点之间进行所述设备数据分配，对所述关联边缘节点之间的边缘算力分配，对所述关联边缘节点的设备数据传输带宽调整和边缘节点数据传输带宽调整包括：

根据约束条件对所述关联边缘节点之间的边缘算力分配、对所述关联边缘节点的设备数据传输带宽调整和边缘节点数据传输带宽调整，所述约束条件包括：

每个所述关联边缘节点的所述边缘算力应小于等于所述关联边缘节点类别中的边缘算力均值；每个所述边缘节点的所述设备数据传输带宽应小于预设最大设备数据传输带宽；所述关联边缘节点类别的平均边缘节点数据传输带宽应小于预设最大边缘节点数据传输带宽。

Images