CN115297035A - 一种边云协同智能运维系统 - Google Patents
一种边云协同智能运维系统 Download PDFInfo
- Publication number
- CN115297035A CN115297035A CN202210932573.2A CN202210932573A CN115297035A CN 115297035 A CN115297035 A CN 115297035A CN 202210932573 A CN202210932573 A CN 202210932573A CN 115297035 A CN115297035 A CN 115297035A
- Authority
- CN
- China
- Prior art keywords
- data
- edge
- cloud
- model
- diagnosis
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 238000003745 diagnosis Methods 0.000 claims abstract description 38
- 230000005540 biological transmission Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000004140 cleaning Methods 0.000 claims abstract description 5
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0888—Throughput
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- 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
-
- 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
- H04L67/104—Peer-to-peer [P2P] networks
- H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了边云协同智能运维系统，包括边缘端设备，用于根据传动设备监测传感器采集的数据进行数据清洗，获得监测数据特征值以及监测数据频谱图，根据机器学习模型对所述监测数据特征值以及所述监测数据频谱图进行分析以获得预测值，根据所述预测值输入诊断模型进行诊断分析，获得诊断结果；客户中控设备，用于根据边缘端的所述诊断结果对传动设备进行操作；本发明根据资源利用率分配任务资源，优化了计算资源分配，同时改进了数据传输策略和模型更新策略，保证诊断系统报警效率准确性和及时性。
Description
技术领域：
本发明属于运维领域，尤其涉及一种边云协同智能运维系统。
背景技术：
目前，数据的存储和处理主要依赖于集中式部署的云计算模型，汇总所有设备数据直接存储到云服务中心，在云端对数据进行集中式处理的模式虽然依靠硬件的堆叠，具有很强的数据处理能力，但仍面临如下三大问题：工业生产过程中产生的实时性数据随着终端设备的增加而大量增加。线性增长的集中式云计算方式无法匹配终端设备所产生的指数型增长的数据量的处理需求。其二，数据量流动性大的区域对网络带宽的要求提高。传输带宽负载量增大，造成网时延，给工业制造场景带来严峻挑战。其三，终端设备供电能力有限，数据传输在云计算模式下电能消耗较大。仅依托云计算方式，其性能在如今万物互联的环境下正面临相当程度的挑战。鉴于此，边缘计算系统成为了工业控制领域中的新模式。
当前，传动设备智能监测系统主要包括2种数据传输方式：第一种，传感器数据传输至边缘计算网关，边缘计算网关传输至云端服务器，服务器中进行诊断后，诊断结果发送至客户手机或web端；第二种，传感器数据传输边缘计算网关，再传输至客户现场控制系统。边云协同智能运维系统中云端服务器边缘端网关-客户中控系统架构，如何优化系统的计算资源分配以及模型更新策略成为了传动设备智能监测数据诊断中亟待解决的技术问题。
发明内容
针对目前现有的云计算模型的不足。基于如何优化系统的计算资源分配等问题，本系统设置了边缘端设备，用于根据传动设备监测传感器采集的数据进行数据清洗，获得监测数据特征值以及监测数据频谱图，根据机器学习模型对所述监测数据特征值以及所述监测数据频谱图进行分析以获得预测值，根据所述预测值输入诊断模型进行诊断分析，获得诊断结果；所述客户中控设备，用于根据边缘端的所述诊断结果对传动设备进行操作；其使得，大量临时数据直接在网络边缘得到处理，不需要放在云端，极大减轻了网络带宽压力和数据中心运行承担的能耗压力。服务的实时性得到明显提升，在数据源头，或者靠近数据源头的位置进行数据处理，不需要经由网络将数据上传给云数据中心，服务的实时性得到保障。同时根据资源利用率分配任务资源，优化了计算资源分配，同时改进了数据传输策略和模型更新策略，保证诊断系统报警效率准确性和及时性。
本发明为解决以上技术问题所采取的技术方案是：
一种边云协同智能运维系统，包括：采用无线网络相连的边缘端设备，云端服务器，客户中控端设备；其中，
所述边缘端设备，用于根据传动设备监测传感器采集的数据进行数据清洗，获得监测数据特征值以及监测数据频谱图，根据机器学习模型对所述监测数据特征值以及所述监测数据频谱图进行分析以获得预测值，根据所述预测值输入诊断模型进行诊断分析，获得诊断结果；
所述云端服务器，用于对监测数据特征值以及诊断过程进行分析，获得监测的数据变化趋势，根据变化趋势获得模型修正因子，并将所模型述修正因子下发至所述边缘端设备更新所述诊断模型，
所述云端服务器，还用于监测数据吞吐量，所述边缘端设备的CPU使用率、GPU使用率、内存使用率；
所述客户中控设备，用于根据边缘端的所述诊断结果对传动设备进行操作。
进一步地，若数据吞吐量小于第一阈值，同时所述边缘端设备的CPU使用率、GPU使用率、内存使用率超过第二阈值，则启动部署在云端服务器的边缘-云端协同计算模型对传动设备监测传感器采集的数据进行预处理后计算。
可选地，若数据吞吐量小于第一阈值，同时所述边缘端设备的CPU使用率、GPU使用率、内存使用率超过第二阈值，则启动部署在云端服务器的边缘-云端协同计算模型对所述预测值进行计算诊断。
可选地，若数据吞吐量小于第一阈值，同时所述边缘端设备的CPU使用率超过第二阈值、GPU使用率超过第五阈值、内存使用率超过第六阈值，则启动部署在云端服务器的边缘-云端协同计算模型对所述预测值进行计算诊断。
进一步地，若数据吞吐量超过第三阈值，则按照变步长的方式扩大所述传动设备监测传感器的数据采集周期，直到所述数据吞吐量小于第一阈值。
进一步地，所述云端服务器按照报警频率以及传动设备运行状态调整故障报警阈值。
进一步地，所述模型修正因子包括增加，删除，增大或减小诊断模型参数值。
进一步地，所述边缘-云端协同计算模型对传动设备监测传感器采集的数据进行预处理后计算包括将边缘端设备上第一任务的第一数据迁移到云端服务器后与直接传送到云端服务第一任务的第二数据融合后输入到所述边缘-云端协同计算模型进行运算处理，所述处理包括将融合后的数据按照云端服务器计算用CPU数量划分后并行运算。
进一步地，所述第一任务为第一优先级，先于第二优先级任务执行。
进一步地，所述迁移调度模型为：
Ti＝taski×bi+taski×ci
其中，Tasks为任务总量，Taski表示子任务量，j为云端服务器计算用CPU数量，ci为CPU运行单位的大小任务耗时，bi表示单位大小任务传输到CPU的时间为bi,qi为占比，Ti为任务用时。
本发明的有益效果如下：云端服务器-边缘端网关-客户中控设备系统，大量临时数据直接在网络边缘得到处理，不需要放在云端，极大减轻了网络带宽压力和数据中心运行承担的能耗压力。服务的实时性得到明显提升，在数据源头，或者靠近数据源头的位置进行数据处理，不需要经由网络将数据上传给云数据中心，服务的实时性得到保障。私密性高的数据不需要再上传给云端，直接存储在边缘设备或者边缘侧的服务器上，网络传输过程中数据泄露的风险被大大降低，安全性得到改善。云端服务器-边缘端网关-客户中控设备系统，优化了计算资源分配，同时改进了数据传输策略和模型更新策略，保证诊断系统报警效率准确性和及时性。
上述说明，仅是本发明技术方案的概述，为了能够更清楚了解本发明技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述说明和其它目的、特征及优点能够更明显易懂，特举较佳实施例，详细说明如下。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为边云协同智能运维系统的结构图
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
实施例1
一种边云协同智能运维系统，包括：采用无线网络相连的边缘端设备，云端服务器，客户中控端设备；其中，
所述边缘端设备，用于根据传动设备监测传感器采集的数据进行数据清洗，获得监测数据特征值以及监测数据频谱图，根据机器学习模型对所述监测数据特征值以及所述监测数据频谱图进行分析以获得预测值，根据所述预测值输入诊断模型进行诊断分析，获得诊断结果；
所述云端服务器，用于对监测数据特征值以及诊断过程进行分析，获得监测的数据变化趋势，根据变化趋势获得模型修正因子，并将所模型述修正因子下发至所述边缘端设备更新所述诊断模型，
所述云端服务器，还用于监测数据吞吐量，所述边缘端设备的CPU使用率、GPU使用率、内存使用率；
所述客户中控设备，用于根据边缘端的所述诊断结果对传动设备进行操作。
进一步地，若数据吞吐量小于第一阈值，同时所述边缘端设备的CPU使用率、GPU使用率、内存使用率超过第二阈值，则启动部署在云端服务器的边缘-云端协同计算模型对传动设备监测传感器采集的数据进行预处理后计算。
可选地，若数据吞吐量小于第一阈值，同时所述边缘端设备的CPU使用率、GPU使用率、内存使用率超过第二阈值，则启动部署在云端服务器的边缘-云端协同计算模型对所述预测值进行计算诊断。
可选地，若数据吞吐量小于第一阈值，同时所述边缘端设备的CPU使用率超过第二阈值、GPU使用率超过第五阈值、内存使用率超过第六阈值，则启动部署在云端服务器的边缘-云端协同计算模型对所述预测值进行计算诊断。
进一步地，若数据吞吐量超过第三阈值，则按照变步长的方式扩大所述传动设备监测传感器的数据采集周期，直到所述数据吞吐量小于第一阈值。
进一步地，所述云端服务器按照报警频率以及传动设备运行状态调整故障报警阈值。
进一步地，所述模型修正因子包括增加，删除，增大或减小诊断模型参数值。
进一步地，所述边缘-云端协同计算模型对传动设备监测传感器采集的数据进行预处理后计算包括将边缘端设备上第一任务的第一数据迁移到云端服务器后与直接传送到云端服务第一任务的第二数据融合后输入到所述边缘-云端协同计算模型进行运算处理，所述处理包括将融合后的数据按照云端服务器计算用CPU数量划分后并行运算。
进一步地，所述第一任务为第一优先级，先于第二优先级任务执行。
进一步地，所述迁移调度模型为：
Ti＝taski×bi+taski×ci
其中，Tasks为任务总量，Taski表示子任务量，j为云端服务器计算用CPU数量，ci为CPU运行单位的大小任务耗时，bi表示单位大小任务传输到CPU的时间为bi,qi为占比，Ti为任务用时。
本发明的优点在于：云端服务器-边缘端网关-客户中控设备系统，优化了计算资源分配，同时改进了数据传输策略和模型更新策略，保证诊断系统报警效率准确性和及时性。大量临时数据直接在网络边缘得到处理，不需要放在云端，极大减轻了网络带宽压力和数据中心运行承担的能耗压力。服务的实时性得到明显提升，在数据源头，或者靠近数据源头的位置进行数据处理，不需要经由网络将数据上传给云数据中心，服务的实时性得到保障。私密性高的数据不需要再上传给云端，直接存储在边缘设备或者边缘侧的服务器上，网络传输过程中数据泄露的风险被大大降低，安全性得到改善。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种边云协同智能运维系统，其特征在于，该系统包括：采用无线网络相连的边缘端设备，云端服务器，客户中控端设备；其中，
所述边缘端设备，用于根据传动设备监测传感器采集的数据进行数据清洗，获得监测数据特征值以及监测数据频谱图，根据机器学习模型对所述监测数据特征值以及所述监测数据频谱图进行分析以获得预测值，根据所述预测值输入诊断模型进行诊断分析，获得诊断结果；
所述云端服务器，用于对监测数据特征值以及诊断过程进行分析，获得监测的数据变化趋势，根据变化趋势获得模型修正因子，并将所模型述修正因子下发至所述边缘端设备更新所述诊断模型，
所述云端服务器，还用于监测数据吞吐量，所述边缘端设备的CPU使用率、GPU使用率、内存使用率；
所述客户中控设备，用于根据边缘端的所述诊断结果对传动设备进行操作。
2.根据权利要求1所述边云协同智能运维系统，其特征在于：若数据吞吐量小于第一阈值，同时所述边缘端设备的CPU使用率、GPU使用率、内存使用率超过第二阈值，则启动部署在云端服务器的边缘-云端协同计算模型对传动设备监测传感器采集的数据进行预处理后计算。
3.根据权利要求1所述边云协同智能运维系统，其特征在于：若数据吞吐量小于第一阈值，同时所述边缘端设备的CPU使用率、GPU使用率、内存使用率超过第二阈值，则启动部署在云端服务器的边缘-云端协同计算模型对所述预测值进行计算诊断。
4.根据权利要求1所述边云协同智能运维系统，其特征在于：若数据吞吐量超过第三阈值，则按照变步长的方式扩大所述传动设备监测传感器的数据采集周期，直到所述数据吞吐量小于第一阈值。
5.根据权利要求1所述边云协同智能运维系统，其特征在于：所述云端服务器按照报警频率以及传动设备运行状态调整故障报警阈值。
6.根据权利要求1所述边云协同智能运维系统，其特征在于：所述模型修正因子包括增加，删除，增大或减小诊断模型参数值。
7.根据权利要求3所述边云协同智能运维系统，其特征在于：所述边缘-云端协同计算模型对传动设备监测传感器采集的数据进行预处理后计算包括将边缘端设备上第一任务的第一数据迁移到云端服务器后与直接传送到云端服务第一任务的第二数据融合后输入到所述边缘-云端协同计算模型进行运算处理，所述处理包括将融合后的数据按照云端服务器计算用CPU数量划分后并行运算。
8.根据权利要求7所述边云协同智能运维系统，其特征在于：所述第一任务为第一优先级，先于第二优先级任务执行。
9.根据权利要求7所述边云协同智能运维系统，其特征在于：所述迁移调度模型为：
Ti＝taski×bi+taski×ci
其中，Tasks为任务总量，Taski表示子任务量，j为云端服务器计算用CPU数量，ci为CPU运行单位的大小任务耗时，bi表示单位大小任务传输到CPU的时间为bi,qi为占比，Ti为任务用时。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210932573.2A CN115297035A (zh) | 2022-08-04 | 2022-08-04 | 一种边云协同智能运维系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210932573.2A CN115297035A (zh) | 2022-08-04 | 2022-08-04 | 一种边云协同智能运维系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115297035A true CN115297035A (zh) | 2022-11-04 |
Family
ID=83825374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210932573.2A Pending CN115297035A (zh) | 2022-08-04 | 2022-08-04 | 一种边云协同智能运维系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115297035A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007207117A (ja) * | 2006-02-03 | 2007-08-16 | Ns Solutions Corp | 性能監視装置、性能監視方法及びプログラム |
| CN110440396A (zh) * | 2019-07-11 | 2019-11-12 | 雄安达实智慧科技有限公司 | 云边端协同的中央空调全局优化节能控制方法和系统 |
| CN112033666A (zh) * | 2020-09-07 | 2020-12-04 | 上海辉度智能系统有限公司 | 一种基于机理模型的减速机在线故障预测及诊断系统 |
| CN112101532A (zh) * | 2020-11-18 | 2020-12-18 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于边云协同的自适应多模型驱动设备故障诊断方法 |
| CN112101767A (zh) * | 2020-09-09 | 2020-12-18 | 中国石油大学(北京) | 一种设备运行状态边云融合诊断方法及系统 |
| CN112286751A (zh) * | 2020-11-24 | 2021-01-29 | 华中科技大学 | 一种基于边云协同的高端装备故障智能诊断系统及方法 |
| US20210096911A1 (en) * | 2020-08-17 | 2021-04-01 | Essence Information Technology Co., Ltd | Fine granularity real-time supervision system based on edge computing |
-
2022
- 2022-08-04 CN CN202210932573.2A patent/CN115297035A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007207117A (ja) * | 2006-02-03 | 2007-08-16 | Ns Solutions Corp | 性能監視装置、性能監視方法及びプログラム |
| CN110440396A (zh) * | 2019-07-11 | 2019-11-12 | 雄安达实智慧科技有限公司 | 云边端协同的中央空调全局优化节能控制方法和系统 |
| US20210096911A1 (en) * | 2020-08-17 | 2021-04-01 | Essence Information Technology Co., Ltd | Fine granularity real-time supervision system based on edge computing |
| CN112033666A (zh) * | 2020-09-07 | 2020-12-04 | 上海辉度智能系统有限公司 | 一种基于机理模型的减速机在线故障预测及诊断系统 |
| CN112101767A (zh) * | 2020-09-09 | 2020-12-18 | 中国石油大学(北京) | 一种设备运行状态边云融合诊断方法及系统 |
| CN112101532A (zh) * | 2020-11-18 | 2020-12-18 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于边云协同的自适应多模型驱动设备故障诊断方法 |
| CN112286751A (zh) * | 2020-11-24 | 2021-01-29 | 华中科技大学 | 一种基于边云协同的高端装备故障智能诊断系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Samie et al. | Computation offloading and resource allocation for low-power IoT edge devices | |
| EP3700135B1 (en) | Method and apparatus for optimizing monitoring data collection policy for terminal device | |
| Li et al. | Resource orchestration of cloud-edge–based smart grid fault detection | |
| EP3907641A1 (en) | Intelligent management method and system based on edge computing | |
| Chen et al. | Delay guaranteed energy-efficient computation offloading for industrial IoT in fog computing | |
| CN109743356B (zh) | 工业互联网数据采集方法及装置、可读存储介质和终端 | |
| CN111580449A (zh) | 一种基于窄带物联网技术的能源管理控制系统 | |
| Zhao et al. | Application of 5G communication technology in ubiquitous power internet of things | |
| WO2022048050A1 (zh) | 一种大数据信息采集系统及使用方法 | |
| CN112416603A (zh) | 一种基于雾计算的联合优化系统和方法 | |
| CN115016923A (zh) | 基于边缘网关的物联网数据智能处理方法 | |
| CN112216061A (zh) | 一种雨水情监测预警方法及系统 | |
| CN112232437A (zh) | 物联网终端数据分析方法及系统 | |
| Fan et al. | Low energy consumption and data redundancy approach of wireless sensor networks with bigdata | |
| CN105049485A (zh) | 一种面向实时视频处理的负载感知云计算系统 | |
| CN213906384U (zh) | 一种基于物联网技术的自动化设备状态在线监测系统 | |
| CN104822175B (zh) | 一种适用于蜂窝网络的代码迁移方法及系统 | |
| Ou et al. | Research on network performance optimization technology based on cloud-edge collaborative architecture | |
| CN115297035A (zh) | 一种边云协同智能运维系统 | |
| CN104796673A (zh) | 一种面向能耗优化的云视频监控系统任务接入方法 | |
| CN113794646B (zh) | 能源行业的监控数据传输系统及方法 | |
| CN111245878A (zh) | 一种基于混合云计算和雾计算的计算卸载通信网络的方法 | |
| Fu et al. | An edge computing framework for digital grid | |
| CN114866574A (zh) | 一种基于云平台的无源物联网一体化系统 | |
| CN113505326A (zh) | 一种基于http协议族的动态编码数据传输控制方法 |
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 |