CN114726892B - 基于人工智能大数据的边缘数据收集方法 - Google Patents
基于人工智能大数据的边缘数据收集方法 Download PDFInfo
- Publication number
- CN114726892B CN114726892B CN202210330020.XA CN202210330020A CN114726892B CN 114726892 B CN114726892 B CN 114726892B CN 202210330020 A CN202210330020 A CN 202210330020A CN 114726892 B CN114726892 B CN 114726892B
- Authority
- CN
- China
- Prior art keywords
- data
- data transmission
- transmission link
- cloud server
- sensing
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/24—Multipath
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/20—Traffic policing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明提供了基于人工智能大数据的边缘数据收集方法,其当需要将传感数据上传至云端服务器时,构建前端传感器与云端服务器之间的多个数据传输链路,指示边缘计算节点调整每个数据传输链路的数据传输状态,同时记录每个数据传输链路的本次数据传输状态信息,并更新历史数据传输状态信息库;当下一次需要将传感数据上传至云端服务器时,指示边缘计算节点根据更新后的历史数据传输状态信息库,进行传感数据的上传。其根据数据传输链路网络的历史数据传输状态,适应性调整每个数据传输链路的数据传输状态,以最大限度地利用数据传输链路的数据传输带宽,保证传感数据快速和彻底地上传到云端服务器。
Description
技术领域
本发明涉及大数据处理的技术领域,特别涉及基于人工智能大数据的边缘数据收集方法。
背景技术
目前,边缘计算节点用于帮助云端服务器进行传感数据的收集和处理,其对传感数据进行无差别的收集,再通过数据传输网络将传感数据上传到云端服务器。当前端传感器检测的传感数据以几何级数增长时,若边缘计算节点依然进行上述传感数据的无差别收集,会对边缘计算节点的数据处理带来压力,从而使传感数据无法快速和彻底地上传到云端服务器,并且还会出现传感数据上传卡顿的情况。
发明内容
针对现有技术存在的缺陷,本发明提供基于人工智能大数据的边缘数据收集方法,其当需要将传感数据上传至云端服务器时,构建前端传感器与云端服务器之间的多个数据传输链路,指示边缘计算节点调整每个数据传输链路的数据传输状态,同时记录每个数据传输链路的本次数据传输状态信息,并更新历史数据传输状态信息库;当下一次需要将传感数据上传至云端服务器时,指示边缘计算节点根据更新后的历史数据传输状态信息库,进行传感数据的上传。其根据数据传输链路网络的历史数据传输状态,适应性调整每个数据传输链路的数据传输状态,以最大限度地利用数据传输链路的数据传输带宽,保证传感数据快速和彻底地上传到云端服务器。
本发明提供基于人工智能大数据的边缘数据收集方法,其包括如下步骤:
步骤S1,指示边缘计算节点对前端传感器检测的传感数据进行抽样,得到前端传感器的检测状态,以此确定前端传感器是否需要将传感数据上传至云端服务器;
步骤S2,当需要将传感数据上传至云端服务器时,构建前端传感器与云端服务器之间的多个数据传输链路;指示边缘计算节点根据关于数据传输链路的历史数据传输状态信息库,调整每个数据传输链路的数据传输状态,同时记录每个数据传输链路的本次数据传输状态信息;
步骤S3,根据所述本次数据传输状态信息,更新所述历史数据传输状态信息库;
步骤S4,当下一次需要将传感数据上传至云端服务器时,指示边缘计算节点根据更新后的历史数据传输状态信息库,进行传感数据的上传。
进一步,在所述步骤S1中,指示边缘计算节点对前端传感器检测的传感数据进行抽样,得到前端传感器的检测状态具体包括:
当前端传感器进入工作状态预设时间段后,获取前端传感器已经检测得到的传感数据量;若所述传感数据量小于或等于预设数据量阈值,则指示边缘计算节点以第一采样频率进行传感数据抽样;否则,指示边缘计算节点以第二采样频率进行传感数据抽样;其中,第一采样频率小于第二采样频率;
对抽样得到的传感数据进行分析处理,得到传感数据的生成速率,以此作为前端传感器的检测状态。
进一步,在所述步骤S1中,确定前端传感器是否需要将传感数据上传至云端服务器具体包括:
将传感数据的生成速率与预设速率阈值进行比对,若生成速率小于或等于预设速率阈值,则确定前端传感器需要将传感数据上传至云端服务器;否则,确定前端传感器不需要将传感数据上传至云端服务器。
进一步,在所述步骤S2中,当需要将传感数据上传至云端服务器时,构建前端传感器与云端服务器之间的多个数据传输链路具体包括:
当需要将传感数据上传至云端服务器时,指示边缘计算节点向云端服务器发送数据上传请求;其中,所述数据上传请求包括需要进行传感数据上传的前端传感器的设备地址信息;
当云端服务器接收到所述数据上传请求后,构建前端传感器与云端服务器之间的多个数据传输链路。
进一步,在所述步骤S2中,指示边缘计算节点根据关于数据传输链路的历史数据传输状态信息库,调整每个数据传输链路的数据传输状态,同时记录每个数据传输链路的本次数据传输状态信息具体包括:
从所述历史数据传输状态信息库获取每个数据传输链路在历史数据传输过程中的平均数据传输速率和数据传输卡顿次数,以此调整每个数据传输链路的数据传输状态;
同时记录每个数据传输链路在本次数据传输过程中的数据内容。
进一步,在所述步骤S2中,从所述历史数据传输状态信息库获取每个数据传输链路在历史数据传输过程中的平均数据传输速率和数据传输卡顿次数,以此调整每个数据传输链路的数据传输状态具体包括:
若数据传输链路在历史数据传输过程中的平均数据传输速率大于或等于预设传输速率阈值和数据传输卡顿次数小于或等于预设次数阈值,则增大向对应数据传输链路分配的传感数据量;否则,减小向对应数据传输链路分配的传感数据量。
进一步,在所述步骤S3中,根据所述本次数据传输状态信息,更新所述历史数据传输状态信息库具体包括:
步骤S301,利用下面公式(1),根据云端服务器接收到每个数据传输链路的数据内容,判断数据传输链路是否为异常数据传输链路,
在上述公式(1)中,Ea表示第a个数据链路是否为异常数据传输链路的判定值;Da表示云端服务器接收到第a个数据传输链路的数据内容;(Da)16(i)表示将Da转换成十六进制数据后第i个双位十六进制数;{}10表示将括号内的十进制数据;n表示将Da转换成十六进制数据的总数据位数;表示将i的值从1取到并分别代入到括号内求取所有代入后十六进制数据的异或值;
若Ea=1,则表示第a个数据链路为异常数据传输链路;
若Ea=0,则表示第a个数据链路为正常数据传输链路;
步骤S302,利用下面公式(2),对云端服务器接收到每个数据传输链路的数据内容进行多数据校验,得到每个数据传输链路的数据丢失率,
在上述公式(2)中,Sa表示第a个数据传输链路的数据丢失率;Da(k)表示云端服务器接收到第a个数据传输链路的数据内容的二进制形式中第k位上的数值;m表示所有数据传输链路的总数量;表示云端服务器接收到的所有数据传输链路的数据中的众数数据,即数据相等次数最多的数据,并且众数数据为二进制数据;表示的二进制形式中第k位上的数值;||表示求取绝对值运算;len(Da)表示求取二进制形式数据Da的总位数;
步骤S303,利用下面公式(3),根据每个数据传输链路是否为异常数据传输链路的判定结果以及每个数据传输链路的数据丢失率生成绑定数据,并将绑定数据绑定在每个数据传输链路传输的数据上,作为每个数据传输链路的历史数据传输信息,从而更新所述历史数据传输状态信息库,
Ba=[double(Sa)]2<<1+Ea (3)
在上述公式(3)中,Ba表示第a个数据传输链路对应的绑定数据;double(Sa)表示将Sa转换为双精度型浮点数;[]2表示将括号内的数据转换为二进制数据;<<表示左移符号。
进一步,在所述步骤S4中,当下一次需要将传感数据上传至云端服务器时,指示边缘计算节点根据更新后的历史数据传输状态信息库,进行传感数据的上传具体包括:
当下一次需要将传感数据上传至云端服务器时,指示边缘计算节点根据更新后的历史数据传输状态信息库,进行传感数据的上传,直到所有传感数据上传为止。
相比于现有技术,该基于人工智能大数据的边缘数据收集方法当需要将传感数据上传至云端服务器时,构建前端传感器与云端服务器之间的多个数据传输链路,指示边缘计算节点调整每个数据传输链路的数据传输状态,同时记录每个数据传输链路的本次数据传输状态信息,并更新历史数据传输状态信息库;当下一次需要将传感数据上传至云端服务器时,指示边缘计算节点根据更新后的历史数据传输状态信息库,进行传感数据的上传。其根据数据传输链路网络的历史数据传输状态,适应性调整每个数据传输链路的数据传输状态,以最大限度地利用数据传输链路的数据传输带宽,保证传感数据快速和彻底地上传到云端服务器。
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、权利要求书、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
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为本发明提供的基于人工智能大数据的边缘数据收集方法的流程示意图。
具体实施方式
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,所描述的实施例仅仅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。
参阅图1,为本发明实施例提供的基于人工智能大数据的边缘数据收集方法的流程示意图。该基于人工智能大数据的边缘数据收集方法包括如下步骤:
步骤S1,指示边缘计算节点对前端传感器检测的传感数据进行抽样,得到前端传感器的检测状态,以此确定前端传感器是否需要将传感数据上传至云端服务器;
步骤S2,当需要将传感数据上传至云端服务器时,构建前端传感器与云端服务器之间的多个数据传输链路;指示边缘计算节点根据关于数据传输链路的历史数据传输状态信息库,调整每个数据传输链路的数据传输状态,同时记录每个数据传输链路的本次数据传输状态信息;
步骤S3,根据该本次数据传输状态信息,更新该历史数据传输状态信息库;
步骤S4,当下一次需要将传感数据上传至云端服务器时,指示边缘计算节点根据更新后的历史数据传输状态信息库,进行传感数据的上传。
上述技术方案的有益效果为:该基于人工智能大数据的边缘数据收集方法当需要将传感数据上传至云端服务器时,构建前端传感器与云端服务器之间的多个数据传输链路,指示边缘计算节点调整每个数据传输链路的数据传输状态,同时记录每个数据传输链路的本次数据传输状态信息,并更新历史数据传输状态信息库;当下一次需要将传感数据上传至云端服务器时,指示边缘计算节点根据更新后的历史数据传输状态信息库,进行传感数据的上传。其根据数据传输链路网络的历史数据传输状态,适应性调整每个数据传输链路的数据传输状态,以最大限度地利用数据传输链路的数据传输带宽,保证传感数据快速和彻底地上传到云端服务器。
优选地,在该步骤S1中,指示边缘计算节点对前端传感器检测的传感数据进行抽样,得到前端传感器的检测状态具体包括:
当前端传感器进入工作状态预设时间段后,获取前端传感器已经检测得到的传感数据量;若该传感数据量小于或等于预设数据量阈值,则指示边缘计算节点以第一采样频率进行传感数据抽样;否则,指示边缘计算节点以第二采样频率进行传感数据抽样;其中,第一采样频率小于第二采样频率;
对抽样得到的传感数据进行分析处理,得到传感数据的生成速率,以此作为前端传感器的检测状态。
上述技术方案的有益效果为:根据前端传感器已经检测得到的传感数据量多寡,指示边缘计算节点以不同采样频率进行传感数据抽样,这样能够对已经检测得到的传感数据进行覆盖性的抽样,确保抽样的可靠性。此外,以前端传感器的传感数据的生成速率作为前端传感器的检测状态表征,能够量化可靠地描述前端传感器的检测状态。
优选地,在该步骤S1中,确定前端传感器是否需要将传感数据上传至云端服务器具体包括:
将传感数据的生成速率与预设速率阈值进行比对,若生成速率小于或等于预设速率阈值,则确定前端传感器需要将传感数据上传至云端服务器;否则,确定前端传感器不需要将传感数据上传至云端服务器。
上述技术方案的有益效果为:当前端传感器接近完成传感数据的检测后,其传感数据的生成速率会逐渐减小,通过对传感数据的生成速率进行阈值比对,可确定前端传感器是否已经完成传感数据的检测,从而进一步确定是否需要将传感数据上传至云端服务器。
优选地,在该步骤S2中,当需要将传感数据上传至云端服务器时,构建前端传感器与云端服务器之间的多个数据传输链路具体包括:
当需要将传感数据上传至云端服务器时,指示边缘计算节点向云端服务器发送数据上传请求;其中,该数据上传请求包括需要进行传感数据上传的前端传感器的设备地址信息;
当云端服务器接收到该数据上传请求后,构建前端传感器与云端服务器之间的多个数据传输链路。
上述技术方案的有益效果为:将需要进行传感数据上传的前端传感器的设备地址信息以数据上传请求的形式发送至云端服务器,能够保证构建的数据传输链路可一对一地连接前端传感器与云端服务器。
优选地,在该步骤S2中,指示边缘计算节点根据关于数据传输链路的历史数据传输状态信息库,调整每个数据传输链路的数据传输状态,同时记录每个数据传输链路的本次数据传输状态信息具体包括:
从该历史数据传输状态信息库获取每个数据传输链路在历史数据传输过程中的平均数据传输速率和数据传输卡顿次数,以此调整每个数据传输链路的数据传输状态;
同时记录每个数据传输链路在本次数据传输过程中的数据内容。
上述技术方案的有益效果为:根据每个数据传输链路在历史数据传输过程中的平均数据传输速率和数据传输卡顿次数,调整每个数据传输链路的数据传输状态,可保证数据传输性能较高的数据传输链路多分配传感数据的传输任务,提高传感数据的传输效率。
优选地,在该步骤S2中,从该历史数据传输状态信息库获取每个数据传输链路在历史数据传输过程中的平均数据传输速率和数据传输卡顿次数,以此调整每个数据传输链路的数据传输状态具体包括:
若数据传输链路在历史数据传输过程中的平均数据传输速率大于或等于预设传输速率阈值和数据传输卡顿次数小于或等于预设次数阈值,则增大向对应数据传输链路分配的传感数据量;否则,减小向对应数据传输链路分配的传感数据量。
上述技术方案的有益效果为:当数据传输链路在历史数据传输过程中的平均数据传输速率大于或等于预设传输速率阈值和数据传输卡顿次数小于或等于预设次数阈值,则增大向对应数据传输链路分配的传感数据量,这样可充分利用数据传输性能较好的数据传输链路承担较多的数据传输量。
优选地,在该步骤S3中,根据该本次数据传输状态信息,更新该历史数据传输状态信息库具体包括:
步骤S301,利用下面公式(1),根据云端服务器接收到每个数据传输链路的数据内容,判断数据传输链路是否为异常数据传输链路,
在上述公式(1)中,Ea表示第a个数据链路是否为异常数据传输链路的判定值;Da表示云端服务器接收到第a个数据传输链路的数据内容;(Da)16(i)表示将Da转换成十六进制数据后第i个双位十六进制数;{}10表示将括号内的十进制数据;n表示将Da转换成十六进制数据的总数据位数;表示将i的值从1取到并分别代入到括号内求取所有代入后十六进制数据的异或值;
若Ea=1,则表示第a个数据链路为异常数据传输链路;
若Ea=0,则表示第a个数据链路为正常数据传输链路;
步骤S302,利用下面公式(2),对云端服务器接收到每个数据传输链路的数据内容进行多数据校验,得到每个数据传输链路的数据丢失率,
在上述公式(2)中,Sa表示第a个数据传输链路的数据丢失率;Da(k)表示云端服务器接收到第a个数据传输链路的数据内容的二进制形式中第k位上的数值;m表示所有数据传输链路的总数量;表示云端服务器接收到的所有数据传输链路的数据中的众数数据,即数据相等次数最多的数据,并且众数数据为二进制数据;表示的二进制形式中第k位上的数值;||表示求取绝对值运算;len(Da)表示求取二进制形式数据Da的总位数;
步骤S303,利用下面公式(3),根据每个数据传输链路是否为异常数据传输链路的判定结果以及每个数据传输链路的数据丢失率生成绑定数据,并将绑定数据绑定在每个数据传输链路传输的数据上,作为每个数据传输链路的历史数据传输信息,从而更新该历史数据传输状态信息库,
Ba=[double(Sa)]2<<1+Ea (3)
在上述公式(3)中,Ba表示第a个数据传输链路对应的绑定数据;double(Sa)表示将Sa转换为双精度型浮点数;[]2表示将括号内的数据转换为二进制数据;<<表示左移符号。
上述技术方案的有益效果为:利用上述公式(1)根据云端服务器接收到的每个数据传输链路的数据筛选出传输存在异常的数据传输链路,进而将数据传输传输异常的情况进行自动判定并利用数据进行量化表示;然后利用上述公式(2)对云端服务器接收到的每个数据传输链路的数据进行多数据校验,得到每个数据传输链路的数据丢失率,从而将数据的失数情况准确的计算出来并量化表示;最后利用上述公式(3)将每各数据传输链路在本次传输时的异常情况以及数据丢失率全部绑定在云端服务器接收到的每个数据传输链路的数据上作为每条链路的历史传输数据信息,从而得到准确并易储存的各链路历史传输数据信息,方便后续根据边缘计算节点所在区域的所有边缘计算节点各链路历史传输数据信息作为特征,进行预测。
优选地,在该步骤S4中,当下一次需要将传感数据上传至云端服务器时,指示边缘计算节点根据更新后的历史数据传输状态信息库,进行传感数据的上传具体包括:
当下一次需要将传感数据上传至云端服务器时,指示边缘计算节点根据更新后的历史数据传输状态信息库,进行传感数据的上传,直到所有传感数据上传为止。
上述技术方案的有益效果为:以更新后的历史数据传输状态信息库为基准,指示边缘计算节点进行传感数据的上传,能够不断优化数据传输链路的传感数据效率,保证传感数据上传到云端服务器的可靠性。
从上述实施例的内容可知,该基于人工智能大数据的边缘数据收集方法当需要将传感数据上传至云端服务器时,构建前端传感器与云端服务器之间的多个数据传输链路,指示边缘计算节点调整每个数据传输链路的数据传输状态,同时记录每个数据传输链路的本次数据传输状态信息,并更新历史数据传输状态信息库;当下一次需要将传感数据上传至云端服务器时,指示边缘计算节点根据更新后的历史数据传输状态信息库,进行传感数据的上传。其根据数据传输链路网络的历史数据传输状态,适应性调整每个数据传输链路的数据传输状态,以最大限度地利用数据传输链路的数据传输带宽,保证传感数据快速和彻底地上传到云端服务器。
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 (6)
1.基于人工智能大数据的边缘数据收集方法,其特征在于,其包括如下步骤:
步骤S1,指示边缘计算节点对前端传感器检测的传感数据进行抽样,得到前端传感器的检测状态,以此确定前端传感器是否需要将传感数据上传至云端服务器;
步骤S2,当需要将传感数据上传至云端服务器时,构建前端传感器与云端服务器之间的多个数据传输链路;指示边缘计算节点根据关于数据传输链路的历史数据传输状态信息库,调整每个数据传输链路的数据传输状态,同时记录每个数据传输链路的本次数据传输状态信息;
步骤S3,根据所述本次数据传输状态信息,更新所述历史数据传输状态信息库;
步骤S4,当下一次需要将传感数据上传至云端服务器时,指示边缘计算节点根据更新后的历史数据传输状态信息库,进行传感数据的上传;其中,在所述步骤S2中,从所述历史数据传输状态信息库获取每个数据传输链路在历史数据传输过程中的平均数据传输速率和数据传输卡顿次数,以此调整每个数据传输链路的数据传输状态具体包括:
若数据传输链路在历史数据传输过程中的平均数据传输速率大于或等于预设传输速率阈值和数据传输卡顿次数小于或等于预设次数阈值,则增大向对应数据传输链路分配的传感数据量;否则,减小向对应数据传输链路分配的传感数据量;
其中,在所述步骤S3中,根据所述本次数据传输状态信息,更新所述历史数据传输状态信息库具体包括:
步骤S301,利用下面公式(1),根据云端服务器接收到每个数据传输链路的数据内容,判断数据传输链路是否为异常数据传输链路,
在上述公式(1)中,Ea表示第a个数据链路是否为异常数据传输链路的判定值;Da表示云端服务器接收到第a个数据传输链路的数据内容;(Da)16(i)表示将Da转换成十六进制数据后第i个双位十六进制数;{}10表示将括号内的十进制数据;n表示将Da转换成十六进制数据的总数据位数;表示将i的值从1取到并分别代入到括号内求取所有代入后十六进制数据的异或值;
若Ea=1,则表示第a个数据链路为异常数据传输链路;
若Ea=0,则表示第a个数据链路为正常数据传输链路;
步骤S302,利用下面公式(2),对云端服务器接收到每个数据传输链路的数据内容进行多数据校验,得到每个数据传输链路的数据丢失率,
在上述公式(2)中,Sa表示第a个数据传输链路的数据丢失率;Da(k)表示云端服务器接收到第a个数据传输链路的数据内容的二进制形式中第k位上的数值;m表示所有数据传输链路的总数量;表示云端服务器接收到的所有数据传输链路的数据中的众数数据,即数据相等次数最多的数据,并且众数数据为二进制数据;表示的二进制形式中第k位上的数值;||表示求取绝对值运算;len(Da)表示求取二进制形式数据Da的总位数;
步骤S303,利用下面公式(3),根据每个数据传输链路是否为异常数据传输链路的判定结果以及每个数据传输链路的数据丢失率生成绑定数据,并将绑定数据绑定在每个数据传输链路传输的数据上,作为每个数据传输链路的历史数据传输信息,从而更新所述历史数据传输状态信息库,
Ba=[double(Sa)]2<<1+Ea (3)
在上述公式(3)中,Ba表示第a个数据传输链路对应的绑定数据;double(Sa)表示将Sa转换为双精度型浮点数;[]2表示将括号内的数据转换为二进制数据;<<表示左移符号。
2.如权利要求1所述的基于人工智能大数据的边缘数据收集方法,其特征在于:
在所述步骤S1中,指示边缘计算节点对前端传感器检测的传感数据进行抽样,得到前端传感器的检测状态具体包括:
当前端传感器进入工作状态预设时间段后,获取前端传感器已经检测得到的传感数据量;若所述传感数据量小于或等于预设数据量阈值,则指示边缘计算节点以第一采样频率进行传感数据抽样;否则,指示边缘计算节点以第二采样频率进行传感数据抽样;其中,第一采样频率小于第二采样频率;
对抽样得到的传感数据进行分析处理,得到传感数据的生成速率,以此作为前端传感器的检测状态。
3.如权利要求2所述的基于人工智能大数据的边缘数据收集方法,其特征在于:
在所述步骤S1中,确定前端传感器是否需要将传感数据上传至云端服务器具体包括:
将传感数据的生成速率与预设速率阈值进行比对,若生成速率小于或等于预设速率阈值,则确定前端传感器需要将传感数据上传至云端服务器;否则,确定前端传感器不需要将传感数据上传至云端服务器。
4.如权利要求3所述的基于人工智能大数据的边缘数据收集方法,其特征在于:
在所述步骤S2中,当需要将传感数据上传至云端服务器时,构建前端传感器与云端服务器之间的多个数据传输链路具体包括:
当需要将传感数据上传至云端服务器时,指示边缘计算节点向云端服务器发送数据上传请求;其中,所述数据上传请求包括需要进行传感数据上传的前端传感器的设备地址信息;
当云端服务器接收到所述数据上传请求后,构建前端传感器与云端服务器之间的多个数据传输链路。
5.如权利要求4所述的基于人工智能大数据的边缘数据收集方法,其特征在于:
在所述步骤S2中,指示边缘计算节点根据关于数据传输链路的历史数据传输状态信息库,调整每个数据传输链路的数据传输状态,同时记录每个数据传输链路的本次数据传输状态信息具体包括:
从所述历史数据传输状态信息库获取每个数据传输链路在历史数据传输过程中的平均数据传输速率和数据传输卡顿次数,以此调整每个数据传输链路的数据传输状态;
同时记录每个数据传输链路在本次数据传输过程中的数据内容。
6.如权利要求1所述的基于人工智能大数据的边缘数据收集方法,其特征在于:
在所述步骤S4中,当下一次需要将传感数据上传至云端服务器时,指示边缘计算节点根据更新后的历史数据传输状态信息库,进行传感数据的上传具体包括:
当下一次需要将传感数据上传至云端服务器时,指示边缘计算节点根据更新后的历史数据传输状态信息库,进行传感数据的上传,直到所有传感数据上传为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210330020.XA CN114726892B (zh) | 2022-03-28 | 2022-03-28 | 基于人工智能大数据的边缘数据收集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210330020.XA CN114726892B (zh) | 2022-03-28 | 2022-03-28 | 基于人工智能大数据的边缘数据收集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114726892A CN114726892A (zh) | 2022-07-08 |
CN114726892B true CN114726892B (zh) | 2022-11-15 |
Family
ID=82238902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210330020.XA Active CN114726892B (zh) | 2022-03-28 | 2022-03-28 | 基于人工智能大数据的边缘数据收集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114726892B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116016670B (zh) * | 2022-12-05 | 2023-12-29 | 航天联志技术有限公司 | 一种基于多级缓存的数据上链方法、装置及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109831535A (zh) * | 2019-03-20 | 2019-05-31 | 华南理工大学 | 一种基于边缘计算的大数据智能收集方法 |
CN110113138A (zh) * | 2019-04-29 | 2019-08-09 | 杭州电子科技大学 | 一种基于边缘计算的海洋vms数据传输优化方法 |
CN114116210A (zh) * | 2021-11-18 | 2022-03-01 | 深圳大学 | 一种基于边缘计算的农业物联网消息处理系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11140165B2 (en) * | 2019-07-22 | 2021-10-05 | Bank Of America Corporation | System for selective mapping of distributed resources across network edge framework for authorized user access |
-
2022
- 2022-03-28 CN CN202210330020.XA patent/CN114726892B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109831535A (zh) * | 2019-03-20 | 2019-05-31 | 华南理工大学 | 一种基于边缘计算的大数据智能收集方法 |
CN110113138A (zh) * | 2019-04-29 | 2019-08-09 | 杭州电子科技大学 | 一种基于边缘计算的海洋vms数据传输优化方法 |
CN114116210A (zh) * | 2021-11-18 | 2022-03-01 | 深圳大学 | 一种基于边缘计算的农业物联网消息处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114726892A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022037130A1 (zh) | 网络流量异常的检测方法、装置、电子装置和存储介质 | |
CN106533623B (zh) | 跨协议通信方法及装置 | |
CN114726892B (zh) | 基于人工智能大数据的边缘数据收集方法 | |
CN112291122B (zh) | 网络流量检测方法、装置、电子设备及可读存储介质 | |
WO2019214230A1 (zh) | 一种空调除霜的方法及设备 | |
US11842269B2 (en) | AI enabled sensor data acquisition | |
CN117033278B (zh) | 一种用于多类型接口的数据传输方法及系统 | |
CN116866950A (zh) | 一种基于深度学习的无线网络资源优化系统及方法 | |
CN116257455A (zh) | 一种模糊测试用例的生成方法、装置、设备及存储介质 | |
CN110929849B (zh) | 一种基于神经网络模型压缩的视频检测方法和装置 | |
WO2023045365A1 (zh) | 视频质量评估方法、装置、电子设备及存储介质 | |
US11797372B2 (en) | Method and apparatus for generating time series data based on multi-condition constraints, and medium | |
CN114579639A (zh) | 计算机人工智能信息筛选方法 | |
CN116016288A (zh) | 工业设备的流量监测方法、装置、设备及存储介质 | |
CN111525985B (zh) | 一种北斗消息接收周期预测与丢包判定方法 | |
CN115034255A (zh) | 一种具有注意力机制时间卷积网络的信号调制识别算法 | |
CN110572356B (zh) | 基于边缘网关数据质量评价的计算能力迁移方法及系统 | |
CN113328881A (zh) | 一种面向非合作无线网络的拓扑感知方法及装置、系统 | |
CN114978425A (zh) | 遥测数据弹性传输方法、装置、电子设备及存储介质 | |
CN110708379A (zh) | 数据获取方法、集中器、数据获取系统及可读存储介质 | |
CN117375626B (zh) | 一种智慧供热异常数据传输方法及系统 | |
CN114978421B (zh) | 动态编码方法、装置及电子设备 | |
CN110501952B (zh) | 一种信息采集设备及管理方法 | |
CN115242844B (zh) | 一种基于边缘计算系统的嵌入式工控机 | |
TWI782645B (zh) | 基於行動網路的評估網路元件之品質劣化的系統和方法 |
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 |