CN114338675A - 一种基于边缘计算的遥感卫星大数据处理方法及系统 - Google Patents
一种基于边缘计算的遥感卫星大数据处理方法及系统 Download PDFInfo
- Publication number
- CN114338675A CN114338675A CN202111657712.7A CN202111657712A CN114338675A CN 114338675 A CN114338675 A CN 114338675A CN 202111657712 A CN202111657712 A CN 202111657712A CN 114338675 A CN114338675 A CN 114338675A
- Authority
- CN
- China
- Prior art keywords
- transmission
- data
- sub
- cluster
- node
- 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
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及数据处理,具体涉及一种基于边缘计算的遥感卫星大数据处理方法及系统,传输节点选取覆盖区域内的采集终端组成传输簇,采集终端确定每个子传输簇的大小,并上报给传输节点;传输节点确定各采集终端对应子传输簇内的数据终端,数据终端通过采集终端将数据发送至传输节点;获取边缘节点在预设间隔时间段内的任务量,并基于该边缘节点的一系列任务量获得分类特征图;对分类特征图的每个通道的特征矩阵进行全局平均池化,以获得特征向量,并基于特征向量得到分类特征向量;将分类特征向量输入分类器以获得边缘节点的工作状态;本发明提供的技术方案能够有效克服现有技术所存在的无法满足用户对数据处理高时效性需求的缺陷。
Description
技术领域
本发明涉及数据处理,具体涉及一种基于边缘计算的遥感卫星大数据处理方法及系统。
背景技术
随着卫星遥感的快速发展,遥感卫星数据在国土、林业等领域逐渐呈现出业务化应用的趋势。然而,目前遥感卫星数据处理系统基于现有技术发展水平,以满足用户需求为导向,尚未对具有“3V(Volume、Variety、Velocity)”特征且不能用常规手段处理的遥感卫星大数据进行适应性分析与设计。
随着硬件成本的降低,网络带宽的提升,分布式计算的兴起,网络技术的发展,智能终端及物联网的兴起与应用,遥感卫星数据的时空尺度和要素类型全面拓展,其种类和数据量急剧膨胀,逐渐呈现出多源、多维、大量、多态和高速的特征,且用户在大数据时代对于数据信息的需求呈现多元化趋势,有效处理、存储、分析和应用这些大数据,满足用户的多元化需求已经成为当前遥感卫星数据处理系统设计的关键。
随着在轨遥感卫星越来越密集,其载荷数据及应用多样性越来越显著,同时遥感卫星数据规模急速增长,用户对数据处理及应用的高时效性需求越来越强烈,系统还面临着高可扩展性需求及资源整合紧迫性需求。当前,遥感卫星数据处理系统还无法满足用户对数据处理高时效性的需求,因此必须结合当前大数据技术的发展,解决目前系统面临的挑战。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点,本发明提供了一种基于边缘计算的遥感卫星大数据处理方法及系统,能够有效克服现有技术所存在的无法满足用户对数据处理高时效性需求的缺陷。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种基于边缘计算的遥感卫星大数据处理方法,包括以下步骤:
S1、传输节点选取覆盖区域内的采集终端组成传输簇,采集终端确定每个子传输簇的大小,并上报给传输节点;
S2、传输节点确定各采集终端对应子传输簇内的数据终端,数据终端通过采集终端将数据发送至传输节点;
S3、获取边缘节点在预设间隔时间段内的任务量,并基于该边缘节点的一系列任务量获得分类特征图;
S4、对分类特征图的每个通道的特征矩阵进行全局平均池化,以获得特征向量,并基于特征向量得到分类特征向量;
S5、将分类特征向量输入分类器以获得边缘节点的工作状态,传输节点根据工作状态对边缘节点进行数据分配。
优选地,S1中传输节点选取覆盖区域内的采集终端组成传输簇,包括:
传输节点基于相应覆盖区域内采集终端的通信状况对采集终端进行排序,并优选采集终端组成传输簇;
其中,采集终端的通信状况包括采集终端与传输节点之间的路径损耗、信干噪比。
优选地,S1中采集终端确定每个子传输簇的大小,并上报给传输节点,包括:
每个传输簇中的采集终端基于采集终端与传输节点之间单次数据传输的能量消耗、采集终端与传输节点之间的通信状况、剩余可用能量以及子传输簇大小调整比例中的一个或多个参数,计算对应子传输簇的容纳数据量,并上报给传输节点。
优选地,S2中传输节点确定各采集终端对应子传输簇内的数据终端,包括:
传输节点根据采集终端和对应子传输簇内所有数据终端之间的距离、数据终端单次传输的数据大小以及该子传输簇的容纳数据量,确定该子传输簇内的数据终端。
优选地,S2中数据终端通过采集终端将数据发送至传输节点,包括:
各采集终端将对应子传输簇内所有数据终端的数据打包为子传输簇数据包,并发送至传输节点;
其中,子传输簇数据包包括子传输簇ID、各数据终端在子传输簇内的索引以及子传输簇中所有数据终端的数据。
优选地,S3中获取边缘节点在预设间隔时间段内的任务量,并基于该边缘节点的一系列任务量获得分类特征图,包括:
将同一天内的任务量按时间先后顺序排列成行,再将不同天的任务量按时间先后顺序排列成列,构造数据矩阵,并利用深度残差网络提取数据矩阵中的模式以获得分类特征图。
优选地,S4中基于特征向量得到分类特征向量,包括:
计算特征向量中各个位置的分类函数值,并对小于阈值的分类函数值进行删除,以得到分类特征向量;
其中,特征向量中各个位置分类函数值的计算公式为:V=exp(-xi)/∑iexp(-xi),xi为特征向量中各个位置的特征值。
优选地,S5中将分类特征向量输入分类器以获得边缘节点的工作状态,包括:
将分类特征向量输入分类函数,分别获得该边缘节点的满载、非满载概率,以及基于满载、非满载概率确定的工作状态。
一种基于边缘计算的遥感卫星大数据处理系统,包括传输簇生成模块、子传输簇大小确定模块、子传输簇结构确定模块、数据传输模块、分类特征图获取模块、特征向量获取模块、分类特征向量获取模块、工作状态确定模块和数据分配模块;
传输簇生成模块,基于相应覆盖区域内采集终端的通信状况对采集终端进行排序,并优选采集终端组成包含传输节点的传输簇;
子传输簇大小确定模块,基于采集终端与传输节点之间单次数据传输的能量消耗、采集终端与传输节点之间的通信状况、剩余可用能量以及子传输簇大小调整比例中的一个或多个参数,计算对应子传输簇的容纳数据量;
子传输簇结构确定模块,根据采集终端和对应子传输簇内所有数据终端之间的距离、数据终端单次传输的数据大小以及该子传输簇的容纳数据量,确定该子传输簇内的数据终端;
数据传输模块,将对应子传输簇内所有数据终端的数据打包为子传输簇数据包,并发送至传输节点;
分类特征图获取模块,利用边缘节点在预设间隔时间段内的任务量构造数据矩阵,并利用深度残差网络提取数据矩阵中的模式以获得分类特征图;
特征向量获取模块,对分类特征图的每个通道的特征矩阵进行全局平均池化,以获得特征向量;
分类特征向量获取模块,计算特征向量中各个位置的分类函数值,并对小于阈值的分类函数值进行删除,以得到分类特征向量;
工作状态确定模块,将分类特征向量输入分类函数,分别获得该边缘节点的满载、非满载概率,以及基于满载、非满载概率确定的工作状态;
数据分配模块,根据工作状态对边缘节点进行数据分配。
(三)有益效果
与现有技术相比,本发明所提供的一种基于边缘计算的遥感卫星大数据处理方法及系统,具有以下有益效果:
1)传输节点选取覆盖区域内的采集终端组成传输簇,采集终端确定每个子传输簇的大小,并上报给传输节点;传输节点确定各采集终端对应子传输簇内的数据终端,数据终端通过采集终端将数据发送至传输节点,实现了高效的分布式数据采集,以及数据采集资源的合理配置;
2)获取边缘节点在预设间隔时间段内的任务量,并基于该边缘节点的一系列任务量获得分类特征图,基于分类特征图得到特征向量、分类特征向量,将分类特征向量输入分类器以获得边缘节点的工作状态,传输节点根据工作状态对边缘节点进行数据分配,从而能够根据各边缘节点在各时间段内的任务量,对采集数据进行合理分配,确保分布式数据处理的效率,进而能够满足用户对数据处理高时效性的需求。
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,下面将对实施例或现有技术描述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为本发明的流程示意图;
图2为本发明中对遥感卫星大数据进行数据处理的具体流程示意图。
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。
一种基于边缘计算的遥感卫星大数据处理方法,如图1和图2所示,①传输节点选取覆盖区域内的采集终端组成传输簇,采集终端确定每个子传输簇的大小,并上报给传输节点。
a、传输节点选取覆盖区域内的采集终端组成传输簇,包括:
传输节点基于相应覆盖区域内采集终端的通信状况对采集终端进行排序,并优选采集终端组成传输簇。其中,采集终端的通信状况包括采集终端与传输节点之间的路径损耗、信干噪比。
b、采集终端确定每个子传输簇的大小,并上报给传输节点,包括:
每个传输簇中的采集终端基于采集终端与传输节点之间单次数据传输的能量消耗、采集终端与传输节点之间的通信状况、剩余可用能量以及子传输簇大小调整比例中的一个或多个参数,计算对应子传输簇的容纳数据量,并上报给传输节点。
本申请技术方案中,传输节点基于相应覆盖区域内采集终端与传输节点之间的路径损耗、信干噪比,对采集终端进行排序优选,并组成传输簇。在传输簇中,采集终端基于一个或多个参数,计算对应子传输簇的容纳数据量,并上报给传输节点。
②传输节点确定各采集终端对应子传输簇内的数据终端,数据终端通过采集终端将数据发送至传输节点。
a、传输节点确定各采集终端对应子传输簇内的数据终端,包括:
传输节点根据采集终端和对应子传输簇内所有数据终端之间的距离、数据终端单次传输的数据大小以及该子传输簇的容纳数据量,确定该子传输簇内的数据终端。
b、数据终端通过采集终端将数据发送至传输节点,包括:
各采集终端将对应子传输簇内所有数据终端的数据打包为子传输簇数据包,并发送至传输节点。其中,子传输簇数据包包括子传输簇ID、各数据终端在子传输簇内的索引以及子传输簇中所有数据终端的数据。
本申请技术方案中,传输节点根据根据采集终端和对应子传输簇内所有数据终端之间的距离、数据终端单次传输的数据大小以及该子传输簇的容纳数据量,确定该子传输簇内的数据终端,实现对子传输簇内数据终端的优化。
③获取边缘节点在预设间隔时间段内的任务量,并基于该边缘节点的一系列任务量获得分类特征图,具体包括:
将同一天内的任务量按时间先后顺序排列成行,再将不同天的任务量按时间先后顺序排列成列,构造数据矩阵,并利用深度残差网络提取数据矩阵中的模式以获得分类特征图。
④对分类特征图的每个通道的特征矩阵进行全局平均池化,以获得特征向量,并基于特征向量得到分类特征向量。
基于特征向量得到分类特征向量,包括:
计算特征向量中各个位置的分类函数值,并对小于阈值的分类函数值进行删除,以得到分类特征向量。其中,特征向量中各个位置分类函数值的计算公式为:V=exp(-xi)/∑iexp(-xi),xi为特征向量中各个位置的特征值。
⑤将分类特征向量输入分类器以获得边缘节点的工作状态,传输节点根据工作状态对边缘节点进行数据分配。
将分类特征向量输入分类器以获得边缘节点的工作状态,包括:
将分类特征向量输入分类函数,分别获得该边缘节点的满载、非满载概率,以及基于满载、非满载概率确定的工作状态。
本申请技术方案中,获取边缘节点在预设间隔时间段内的任务量,并基于该边缘节点的一系列任务量获得分类特征图,基于分类特征图得到特征向量、分类特征向量,将分类特征向量输入分类器以获得边缘节点的工作状态,传输节点根据工作状态对边缘节点进行数据分配,从而能够根据各边缘节点在各时间段内的任务量,对采集数据进行合理分配,确保分布式数据处理的效率,进而能够满足用户对数据处理高时效性的需求。
本申请技术方案中还公开了一种基于边缘计算的遥感卫星大数据处理系统,包括传输簇生成模块、子传输簇大小确定模块、子传输簇结构确定模块、数据传输模块、分类特征图获取模块、特征向量获取模块、分类特征向量获取模块、工作状态确定模块和数据分配模块。
系统中各模块的功能描述如下:
传输簇生成模块,基于相应覆盖区域内采集终端的通信状况对采集终端进行排序,并优选采集终端组成包含传输节点的传输簇;
子传输簇大小确定模块,基于采集终端与传输节点之间单次数据传输的能量消耗、采集终端与传输节点之间的通信状况、剩余可用能量以及子传输簇大小调整比例中的一个或多个参数,计算对应子传输簇的容纳数据量;
子传输簇结构确定模块,根据采集终端和对应子传输簇内所有数据终端之间的距离、数据终端单次传输的数据大小以及该子传输簇的容纳数据量,确定该子传输簇内的数据终端;
数据传输模块,将对应子传输簇内所有数据终端的数据打包为子传输簇数据包,并发送至传输节点;
分类特征图获取模块,利用边缘节点在预设间隔时间段内的任务量构造数据矩阵,并利用深度残差网络提取数据矩阵中的模式以获得分类特征图;
特征向量获取模块,对分类特征图的每个通道的特征矩阵进行全局平均池化,以获得特征向量;
分类特征向量获取模块,计算特征向量中各个位置的分类函数值,并对小于阈值的分类函数值进行删除,以得到分类特征向量;
工作状态确定模块,将分类特征向量输入分类函数,分别获得该边缘节点的满载、非满载概率,以及基于满载、非满载概率确定的工作状态;
数据分配模块,根据工作状态对边缘节点进行数据分配。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于边缘计算的遥感卫星大数据处理方法,其特征在于:包括以下步骤:
S1、传输节点选取覆盖区域内的采集终端组成传输簇,采集终端确定每个子传输簇的大小,并上报给传输节点;
S2、传输节点确定各采集终端对应子传输簇内的数据终端,数据终端通过采集终端将数据发送至传输节点;
S3、获取边缘节点在预设间隔时间段内的任务量,并基于该边缘节点的一系列任务量获得分类特征图;
S4、对分类特征图的每个通道的特征矩阵进行全局平均池化,以获得特征向量,并基于特征向量得到分类特征向量;
S5、将分类特征向量输入分类器以获得边缘节点的工作状态,传输节点根据工作状态对边缘节点进行数据分配。
2.根据权利要求1所述的基于边缘计算的遥感卫星大数据处理方法,其特征在于:S1中传输节点选取覆盖区域内的采集终端组成传输簇,包括:
传输节点基于相应覆盖区域内采集终端的通信状况对采集终端进行排序,并优选采集终端组成传输簇;
其中,采集终端的通信状况包括采集终端与传输节点之间的路径损耗、信干噪比。
3.根据权利要求1所述的基于边缘计算的遥感卫星大数据处理方法,其特征在于:S1中采集终端确定每个子传输簇的大小,并上报给传输节点,包括:
每个传输簇中的采集终端基于采集终端与传输节点之间单次数据传输的能量消耗、采集终端与传输节点之间的通信状况、剩余可用能量以及子传输簇大小调整比例中的一个或多个参数,计算对应子传输簇的容纳数据量,并上报给传输节点。
4.根据权利要求1所述的基于边缘计算的遥感卫星大数据处理方法,其特征在于:S2中传输节点确定各采集终端对应子传输簇内的数据终端,包括:
传输节点根据采集终端和对应子传输簇内所有数据终端之间的距离、数据终端单次传输的数据大小以及该子传输簇的容纳数据量,确定该子传输簇内的数据终端。
5.根据权利要求1所述的基于边缘计算的遥感卫星大数据处理方法,其特征在于:S2中数据终端通过采集终端将数据发送至传输节点,包括:
各采集终端将对应子传输簇内所有数据终端的数据打包为子传输簇数据包,并发送至传输节点;
其中,子传输簇数据包包括子传输簇ID、各数据终端在子传输簇内的索引以及子传输簇中所有数据终端的数据。
6.根据权利要求1所述的基于边缘计算的遥感卫星大数据处理方法,其特征在于:S3中获取边缘节点在预设间隔时间段内的任务量,并基于该边缘节点的一系列任务量获得分类特征图,包括:
将同一天内的任务量按时间先后顺序排列成行,再将不同天的任务量按时间先后顺序排列成列,构造数据矩阵,并利用深度残差网络提取数据矩阵中的模式以获得分类特征图。
7.根据权利要求1所述的基于边缘计算的遥感卫星大数据处理方法,其特征在于:S4中基于特征向量得到分类特征向量,包括:
计算特征向量中各个位置的分类函数值,并对小于阈值的分类函数值进行删除,以得到分类特征向量;
其中,特征向量中各个位置分类函数值的计算公式为:V=exp(-xi)/∑iexp(-xi),xi为特征向量中各个位置的特征值。
8.根据权利要求1所述的基于边缘计算的遥感卫星大数据处理方法,其特征在于:S5中将分类特征向量输入分类器以获得边缘节点的工作状态,包括:
将分类特征向量输入分类函数,分别获得该边缘节点的满载、非满载概率,以及基于满载、非满载概率确定的工作状态。
9.一种基于边缘计算的遥感卫星大数据处理系统,其特征在于:包括传输簇生成模块、子传输簇大小确定模块、子传输簇结构确定模块、数据传输模块、分类特征图获取模块、特征向量获取模块、分类特征向量获取模块、工作状态确定模块和数据分配模块;
传输簇生成模块,基于相应覆盖区域内采集终端的通信状况对采集终端进行排序,并优选采集终端组成包含传输节点的传输簇;
子传输簇大小确定模块,基于采集终端与传输节点之间单次数据传输的能量消耗、采集终端与传输节点之间的通信状况、剩余可用能量以及子传输簇大小调整比例中的一个或多个参数,计算对应子传输簇的容纳数据量;
子传输簇结构确定模块,根据采集终端和对应子传输簇内所有数据终端之间的距离、数据终端单次传输的数据大小以及该子传输簇的容纳数据量,确定该子传输簇内的数据终端;
数据传输模块,将对应子传输簇内所有数据终端的数据打包为子传输簇数据包,并发送至传输节点;
分类特征图获取模块,利用边缘节点在预设间隔时间段内的任务量构造数据矩阵,并利用深度残差网络提取数据矩阵中的模式以获得分类特征图;
特征向量获取模块,对分类特征图的每个通道的特征矩阵进行全局平均池化,以获得特征向量;
分类特征向量获取模块,计算特征向量中各个位置的分类函数值,并对小于阈值的分类函数值进行删除,以得到分类特征向量;
工作状态确定模块,将分类特征向量输入分类函数,分别获得该边缘节点的满载、非满载概率,以及基于满载、非满载概率确定的工作状态;
数据分配模块,根据工作状态对边缘节点进行数据分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111657712.7A CN114338675B (zh) | 2021-12-30 | 2021-12-30 | 一种基于边缘计算的遥感卫星大数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111657712.7A CN114338675B (zh) | 2021-12-30 | 2021-12-30 | 一种基于边缘计算的遥感卫星大数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114338675A true CN114338675A (zh) | 2022-04-12 |
CN114338675B CN114338675B (zh) | 2023-10-13 |
Family
ID=81019072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111657712.7A Active CN114338675B (zh) | 2021-12-30 | 2021-12-30 | 一种基于边缘计算的遥感卫星大数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114338675B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116095089A (zh) * | 2023-04-11 | 2023-05-09 | 云南远信科技有限公司 | 遥感卫星数据处理方法及系统 |
CN116841754A (zh) * | 2023-08-31 | 2023-10-03 | 中国电子信息产业集团有限公司第六研究所 | 一种低轨卫星边缘计算服务系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012177393A1 (en) * | 2011-06-24 | 2012-12-27 | Motorola Mobility Llc | Multi-cluster uplink transmission in wireless communication network |
CN106712835A (zh) * | 2017-01-05 | 2017-05-24 | 清华大学 | 分布式星群的分簇方法和装置 |
CN111405670A (zh) * | 2020-03-25 | 2020-07-10 | 中移雄安信息通信科技有限公司 | 一种资源分配方法、装置、设备及计算机存储介质 |
CN111555795A (zh) * | 2020-04-21 | 2020-08-18 | 清华大学 | 一种基于用户分组调度的网络资源分配方法和装置 |
CN113268321A (zh) * | 2021-05-17 | 2021-08-17 | 杭州克涵科技有限公司 | 用于边缘计算的数据处理调配方法 |
-
2021
- 2021-12-30 CN CN202111657712.7A patent/CN114338675B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012177393A1 (en) * | 2011-06-24 | 2012-12-27 | Motorola Mobility Llc | Multi-cluster uplink transmission in wireless communication network |
CN106712835A (zh) * | 2017-01-05 | 2017-05-24 | 清华大学 | 分布式星群的分簇方法和装置 |
CN111405670A (zh) * | 2020-03-25 | 2020-07-10 | 中移雄安信息通信科技有限公司 | 一种资源分配方法、装置、设备及计算机存储介质 |
CN111555795A (zh) * | 2020-04-21 | 2020-08-18 | 清华大学 | 一种基于用户分组调度的网络资源分配方法和装置 |
CN113268321A (zh) * | 2021-05-17 | 2021-08-17 | 杭州克涵科技有限公司 | 用于边缘计算的数据处理调配方法 |
Non-Patent Citations (1)
Title |
---|
金勇;龚胜丽;: "密集家庭基站网络中基于分簇的资源分配方案", 计算机应用, no. 01, pages 223 - 227 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116095089A (zh) * | 2023-04-11 | 2023-05-09 | 云南远信科技有限公司 | 遥感卫星数据处理方法及系统 |
CN116095089B (zh) * | 2023-04-11 | 2023-06-16 | 云南远信科技有限公司 | 遥感卫星数据处理方法及系统 |
CN116841754A (zh) * | 2023-08-31 | 2023-10-03 | 中国电子信息产业集团有限公司第六研究所 | 一种低轨卫星边缘计算服务系统及方法 |
CN116841754B (zh) * | 2023-08-31 | 2023-12-15 | 中国电子信息产业集团有限公司第六研究所 | 一种低轨卫星边缘计算服务系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114338675B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Big-data-based intelligent spectrum sensing for heterogeneous spectrum communications in 5G | |
CN114338675A (zh) | 一种基于边缘计算的遥感卫星大数据处理方法及系统 | |
Tekin et al. | Distributed online big data classification using context information | |
CN112187891B (zh) | 基于多业务的边缘计算节点集合的负载优化方法及装置 | |
Balakrishnan et al. | Resource management and fairness for federated learning over wireless edge networks | |
CN113961264B (zh) | 一种面向视频监控云边协同的智能卸载算法与系统 | |
CN111556516A (zh) | 面向时延和能效敏感业务的分布式无线网络任务协同分配方法 | |
CN111339818A (zh) | 一种人脸多属性识别系统 | |
CN104168638A (zh) | 一种基于系统中断概率的多中继选择及功率分配方法 | |
CN113727306B (zh) | 一种基于深度强化学习的解耦c-v2x网络切片方法 | |
CN108901058A (zh) | 一种物联网节点接入通道优化选择方法 | |
CN109639833A (zh) | 一种基于无线城域网微云负载均衡的任务调度方法 | |
CN109088755A (zh) | 一种边缘计算下的复杂事件处理系统部署方法 | |
Gao et al. | A deep learning framework with spatial-temporal attention mechanism for cellular traffic prediction | |
CN114936708A (zh) | 基于边云协同任务卸载的故障诊断优化方法及电子设备 | |
CN117042047B (zh) | 一种基于任务优先级的资源分配方法、装置、控制器及系统 | |
CN114449490A (zh) | 基于d2d通信的多任务联合计算卸载与资源分配方法 | |
CN113676357A (zh) | 面向电力物联网中边缘数据处理的决策方法及其应用 | |
Wang et al. | Multi-objective joint optimization of communication-computation-caching resources in mobile edge computing | |
Zhou et al. | Robust Risk-Sensitive Task Offloading for Edge-Enabled Industrial Internet of Things | |
CN117294638A (zh) | 数据传输路径选择方法以及对应的系统、设备和存储介质 | |
CN104125146A (zh) | 一种业务处理方法及装置 | |
CN112543481B (zh) | 一种边缘节点算力负载均衡的方法、装置及系统 | |
CN111708936B (zh) | 基于相似性传播策略的Web服务推荐系统及方法 | |
CN110011929B (zh) | 一种改善网络拥塞现象的分布式预测控制方法 |
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 |