CN115668868A - 与公共计算云交互的本地计算云 - Google Patents

与公共计算云交互的本地计算云 Download PDF

Info

Publication number
CN115668868A
CN115668868A CN202180035780.1A CN202180035780A CN115668868A CN 115668868 A CN115668868 A CN 115668868A CN 202180035780 A CN202180035780 A CN 202180035780A CN 115668868 A CN115668868 A CN 115668868A
Authority
CN
China
Prior art keywords
computing system
model
home computing
data
home
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
Application number
CN202180035780.1A
Other languages
English (en)
Inventor
蔡鸿彬
吉迪恩·穂·庞曾
朱俊杰
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.)
Computime Ltd
Original Assignee
Computime Ltd
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
Priority claimed from US16/840,708 external-priority patent/US11399069B2/en
Priority claimed from US16/840,648 external-priority patent/US11656966B2/en
Application filed by Computime Ltd filed Critical Computime Ltd
Publication of CN115668868A publication Critical patent/CN115668868A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/2807—Exchanging configuration information on appliance services in a home automation network
    • H04L12/2814—Exchanging control software or macros for controlling appliance services in a home automation network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/2816—Controlling appliance services of a home automation network by calling their functionalities
    • 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
    • H04L67/125—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks involving control of end-device applications over a 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
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/565—Conversion or adaptation of application format or content
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/08—Protocols for interworking; Protocol conversion
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/18—Multiprotocol handlers, e.g. single devices capable of handling multiple protocols
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • Computer Security & Cryptography (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Telephonic Communication Services (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

家庭计算云(HCC)可能在本地环境中使用不同的连接协议支持一个或多个物联网(IoT)设备。通常，该HCC通过在本地处理收集的设备数据而不是通过将该设备数据发送到公共计算云(PCC)以进行处理来减少发送到该PCC的数据流量的量。这种方法减少了通过网络发送的数据流量的量，改进了数据隐私并且有助于维持期望的服务质量水平。为了这样做，该HCC可从该PCC下载适当的数据分析模型，训练该模型，执行经训练的模型以从收集的IoT设备数据获得预测信息，并将该经训练的模型上传到该PCC。替代地，该HCC和该PCC可执行该分析模型的子模型并相互交换这些子模型的输出。

Description

与公共计算云交互的本地计算云
技术领域
本公开的方面涉及支持与公共计算云交互的本地计算云。本地计算云可位于家庭中并且可支持一个或多个物联网(IoT)设备。分析模型可从公共计算云下载并在本地执行。还可以在没有外部传送设备数据和用户行为信息的情况下在本地执行强化训练，从而大大减少可能危及数据隐私的数据流量。
背景技术
物联网(IoT)应用程序通常依赖于远程和集中式服务器来收集输入数据，并且基于当前输入以及历史数据来生成某些动作。这种方法通常需要诸如智能传感器、恒温器和智能电器之类的IoT设备，以在它们自身与诸如公共计算云之类的远程服务器之间交换数据。使用另一种方法，可能需要网关来将数据从一个连接协议转换到另一连接协议以便将数据从终端设备发送到服务器，例如，从ZigBee转换到WiFi。终端设备与服务器之间的大量数据传输意味着昂贵的服务成本。此外，这可能在网络中产生大量数据流量，从而可能为了维持期望的服务质量水平而导致额外网络延迟、传输期间的数据丢失或昂贵的维护成本。另外，在公共计算云中存储大量个性化数据时，数据安全和隐私是一个重要的关注点。
发明内容
一种家庭计算系统(其可被称为″家庭计算云″)集成通信网关、WiFi路由器、云服务器和大容量存储设备以支持诸如家庭住宅的本地环境中的一个或多个物联网(IoT)设备。因为家庭计算云(HCC)本地处理收集的设备数据而不是将设备数据发送到公共计算机云(系统)以用于处理，所以家庭计算云通常减少发送到公共计算云(PCC)的数据流量的量。这种方法改进了网络延迟，减少了传输期间的数据丢失，并且有助于维持期望的服务质量水平。
为了这样做，HCC可基于配置信息(例如，支持的IoT设备的类型)从PCC下载适当的数据分析模型(其可被称为″模型″并且选自多个数据分析模型)。然后，HCC可通过从一个或多个IoT设备获得设备数据而在本地执行模型，将一些或全部设备数据应用于模型，并且从模型获得预测结果。然后可以将预测结果应用于支持的IoT设备中的一者或多者以影响一个或多个IoT设备的操作。
另一方面，HCC将设备数据的子集发送到PCC以用于进一步处理，并且基于数据子集接收决策信息。例如，设备数据的子集可以表示复杂信号的一个或多个信号特性(例如，包括语音、音乐、图像或视频信号的多媒体信号)，该一个或多个信号特性需要HCC可能无法支持的密集处理。在用于面部识别的示例性方法中，HCC可以实现分析模型的图像预处理层和特征提取层，并将所得数据发送到PCC以进行分析和决策制定。HCC将接收到的结果以及其它设备数据(对应于模型输入)应用于下载的数据分析模型。
另一方面，PCC执行预测模型的输入处理层并将对应输出发送到PCC。PCC接着执行所有剩余隐藏层，并且将最终隐藏层的对应输出发送回HCC。HCC接着执行输出层。这种方法通常消除了通过互联网发送的敏感信息，并且因此增强了互联网上的数据隐私。
另一方面，用于执行模型的工作负载的分布可以基于HCC的计算机功率(诸如针对整个过程将原始数据发送到PCC)；数据流量的量(诸如仅将特征数据发送到PCC以处理剩余任务)；数据隐私(诸如将模型层内的数学变换数据发送到PCC以继续分析)；模型参数的一致性(诸如具有固定的参数的HCC执行层以及具有经由强化训练连续改变的参数的PCC可执行层)。
另一方面，HCC可以具有足够的计算资源来执行更复杂的任务，诸如训练深度神经网络。HCC可以从PCC下载数据分析模型的适当模板，在本地训练模型，并且执行经训练的模型以从收集的IoT设备数据获得预测信息。
另一方面，HCC和PCC都可以执行并训练相同的数据分析模型(例如，辅助训练)。然而，HCC和PCC的学习速率可能不同(例如，由于PCC的计算能力更强)。虽然HCC基于IoT设备数据执行和训练本地模型，但是HCC还会将设备数据发送到PCC。PCC使用相同的设备数据执行和训练，并且将误差测量值发送回HCC。HCC将误差测量值与两个云进行比较，并且继续训练，直到来自HCC的误差测量值低于阈值为止。
另一方面，在来自PCC的误差测量值连续低于或基本上低于HCC时，HCC可以决定使用来自PCC的参数继续训练。
另一方面，如果来自PCC的误差测量值首先达到阈值，则HCC可以决定使用由PCC训练的模型并且停止训练。
另一方面，HCC可以将经训练的模型上传到PCC以用于存档、共享或优化。
另一方面，PCC可以分析来自其它HCC的所有接收到的模型并且优化新模型。PCC可以将新模型分配给所有HCC。
另一方面，HCC可以决定完全使用新模型，使用具有来自现有模型的参数的新模型，或完全忽略新模型。在利用本地存储的经验数据执行不同模型时，决策可以基于与误差测量值的比较。
另一方面，HCC可以继续运行或训练本地模型，并且PCC可以与新输入数据并行地训练新模型。HCC连续地将新输入数据发送到PCC以训练新模型，直到新模型足够准确为止。HCC接着可以下载新模型以供使用。
另一方面，HCC可以请求PCC使用HCC中的参数来连续训练新模型。
另一方面，在训练模型中，可在基于应用场景计算误差时应用主观权重。
附图说明
当结合附图阅读时，将更好地理解本发明的上述概述以及本发明的示例性实施方案的以下详细描述，这些附图是作为示例而非作为对所要求保护的本发明的限制而包括的。
图1示出了根据实施方案的家庭计算云(HCC)与公共计算云(PCC)交互的家庭环境。
图2示出了根据实施方案的没有WiFi路由器能力的HCC。
图3示出了根据实施方案的具有WiFi路由器能力的HCC。
图4示出了根据实施方案的与多个HCC交互的PCC。
图5示出了根据实施方案的与PCC和用户应用程序交互的HCC。
图6示出了根据实施方案的HCC，其中HCC正在执行分析模型，而PCC正在执行强化训练。
图7示出了根据实施方案的HCC，其中HCC将所有数据分析和强化训练任务分配给PCC。
图8示出了根据实施方案的HCC将分析模型划分为两个子模型的方法。原始模型的部分在HCC处执行，并且模型的剩余部分在PCC处执行以便减少HCC处的计算，以减少数据流量并且在通过网络发送数据时保护数据隐私。
图9示出了根据实施方案的HCC执行强化学习的方法。
图10示出了根据实施方案的HCC与PCC交互以执行辅助学习的方法。
具体实施方式
″HCC″(家庭计算云)可不限于家庭住宅，并且可以支持其它类型的实体，诸如企业或建筑物。因此，可将″HCC″理解为″本地计算云″。而且，″云″可以被称为计算系统等。
根据实施方案的方面，HCC集成通信网关、WiFi路由器、云服务器和大容量存储设备以支持诸如家庭住宅的本地环境中的一个或多个物联网(IoT)设备。因为HCC在本地处理收集的设备数据而不是将设备数据发送到公共计算云(PCC)以进行处理，所以HCC通常减少发送到PCC的数据流量的量。这种方法改进了网络延迟，减少了传输期间的数据丢失，并且有助于维持期望的服务质量水平。为了这样做，HCC可基于配置信息(例如，支持的IoT设备的类型)从PCC下载适当的数据分析模型(其可被称为″模型″)。然后，HCC可通过从一个或多个IoT设备获得设备数据而在本地执行模型，将一些或全部设备数据应用于模型，并且从模型获得预测结果。然后可以将预测结果应用于支持的IoT设备中的一者或多者以影响一个或多个IoT设备的操作。
HCC可以包括位于家庭中的一个或多个IoT设备。实施方案支持各种IoT设备，包括但不限于智能恒温器、电器、照明设备、安全设备等。
HCC可以与PCC交互，以便交换与一个或多个IoT设备相关的信息。该信息可以包括由一个或多个IoT设备提供的数据(例如，温度测量值)和指示由一个或多个IoT设备执行的动作(例如，操作模式)的信息。
PCC(可被称为″公共云″)可以通过公共互联网提供由第三方提供商提供的计算服务，从而让任何想要使用或购买这些服务的人都可以使用这些服务。服务可以是免费的或按需出售的，因此允许客户仅在消耗的CPU循环、存储或带宽中按使用情况支付。
在实施方案的另一方面，算法可用于在本地训练数据分析模型。还可以添加强化(机器)学习以向HCC提供机器学习能力。通过在本地处理数据，通过限制经由网络发送并且存储在PCC中的数据量和数据类型，可以基本上改进用户的隐私。
在实施方案的另一方面，HCC(家庭计算系统)在本地执行数据分析模型和强化学习两者。
在实施方案的另一方面，将数据分析模型划分为两个子模型。第一子模型包括数据分析模型的输入处理层并且由家庭计算系统(云)执行。第二子模型包括数据分析模型的隐藏层并且由公共计算云执行。通过这种方法，原始数据在本地保存在计算系统中，从而保护用户的隐私。
在实施方案的另一方面，将数据分析模型划分为三个子模型。第一子模型和第三子模型分别包括输入层和输出层，并且由家庭计算系统(云)执行。第二子模型仅包括隐藏层并且由公共计算云执行。通过这种方法，通过在本地维持原始输入数据以及预测输出来进一步保护用户的隐私。
在实施方案的另一方面，辅助学习使得能够在家庭计算系统处执行数据分析模型的同时，在公共计算云中进行训练。
在实施方案的另一方面，辅助学习使得能够在家庭计算系统处执行数据分析模型的同时，在公共计算云以及家庭计算云两者中进行并行训练。
图1示出了根据实施方案的HCC 101经由数据信道151与PCC 102交互的家庭环境。
IoT设备(未明确示出)可以是家庭内提供发送的信息并经由HCC 101获得接收到的信息的相互关联的计算设备(例如，智能恒温器或电器)。接收到的信息可以指示IoT设备应该执行的一个或多个动作。
虽然图1描绘了跨越家庭的操作环境，但是实施方案可以跨越其它本地环境，例如建筑物或商业场所。
在实现物联网(IoT)系统时，数据流量容量、数据安全和数据隐私是重要的考虑因素。通过使数据流量最小化并仔细地选择要在PCC 102与HCC 101支持的应用环境之间的数据信道151上发送的数据的类型，以及通过使存储在PCC 102内部的数据量和数据类型最小化，可以减少数据因未经授权访问而暴露。此外，可以减少数据流量，并且因此降低使用由PCC 102提供的服务的成本。通过将数据存储在HCC 101内并且从HCC 101中进行数据分析和机器学习，可以在互联网连接不可访问时维持服务。此外，可以消除从互联网连接引入的延迟。然而，由于PCC 102通常提供HCC 101可能无法提供的计算能力和软件服务，因此可能无法完全规避该PCC提供的服务。
在决定将哪些数据和功能本地保存在HCC 101中以及将哪些数据和服务分配给PCC 102时，一种方法是将离散时间间隔数据(例如，传感器数据、手动设置等)与机器学习算法和数据分析模型一起存储在HCC 101中，如将进一步详细讨论的。HCC 101可经由数据信道151向PCC 102连续发送所支持的IoT设备(例如，如图2所示的设备203-205)的数量和设备性质的更新。HCC 101还可以周期性地向公共计算云102发送关于训练模型的信息(例如，分析模型的参数和误差测量值)。
PCC 102可以从所有可用HCC 101和401收集数据(如将与图4进一步讨论)，并且基于收集的数据训练新的预训练模型，例如模型模板。然后，可以将新的预训练模型分发回给每个HCC 101和401。替代地，PCC 102可以向HCC 101和/或401通知新的预训练模型可用，其中HCC 101和/或401可以基于预定标准决定是否经由数据信道151下载该模型。
如将进一步详细讨论的，来自先前模型的一些或全部数据可以直接应用于模型模板。替代地，如果没有可用数据，则可以使用具有本地存储的模型数据或全新数据的模型模板来应用强化学习。
如将进一步详细讨论的，在执行强化学习时，可以应用并行训练(家庭和PCC两者中的机器学习)。模型参数可在训练期间交换。可以基于误差测量值来选择由HCC采用的模型。
PCC 102可以一致地将机器学习算法更新为HCC 101。
对于连续时间信号(例如，音频、图像和视频数据)，HCC 101可以将信号数据流式传输到PCC 102。当在PCC 102处支持数据分析模型时，来自模型的结果可以返回到HCC101。
替代地，分析模型可以被分成两个部分(例如，子模型)并且在HCC和PCC处部分地执行。两个云之间的数据交换可以是分析模型的一个或多个层中的参数。这种方法可以减少要在两个云之间交换的数据量。此外，可以相对于发送原始数据流来维持隐私。
替代地，分析模型可以被分成三个子模型并且在HCC和PCC处部分地执行。通过这种方法，分析模型的输入处理层和输出层在HCC处执行，并且隐藏层在PCC处执行。以此方式，可能包含关于设备所有者的私人信息的原始输入数据和预测输出将保存在本地，而不会对外公开。
替代地，模型可以在PCC 102中训练，从PCC 102下载到HCC 101，并且由HCC 101在本地执行。用于重新训练新模型的决策可由所有者(用户)触发。示例包括在模型中添加用于识别的新设备、在模型中添加新规则等。
图2示出了根据实施方案的与单独WiFi路由器206相关联的HCC 201，该HCC与PCC202交互。
本地IoT设备204-205之间的交互可以由协议网关210和在HCC 201处执行的IoT消息转换器211支持。IoT设备204-205经由协议网关210通过对应协议(例如，Zigbee)通信。协议网关210将设备消息传递到IoT消息转换器211，该IoT消息转换器包括IoT协议消息代理208(例如，MQTT代理)或COAP服务器(未明确示出)和IoT协议消息网桥209(例如，MQTT/Zigbee网桥)。消息转换器211将IoT设备消息桥接到IoT协议消息(例如，MQTT消息)中。MQTT消息可被引导到连接到HCC 201、规则引擎或PCC 202的其它IoT设备。作为示例，来自Zigbee设备205的设备消息可以经由Zigbee网关210发送到HCC 201。可以从设备消息中提取设备数据并将该设备数据发送到分析模型以进行处理。同时，设备消息可以传递到MQTT/Zigbee网桥209和MQTT代理208，以经由家庭WiFi路由器206到达PCC 202。
支持MQTT客户端的WiFi设备(例如，设备203)也可以连接到HCC201内的MQTT代理208。
由HCC 201收集的设备数据可以存储在大容量数据存储设备(未明确示出)中，并且因此规避了与PCC 201来回发送收集的数据的附加成本。
WiFi设备203与HCC 201之间的通信可以通过两个不同路径251或252发生，这取决于WiFi设备203连接到哪个WiFi接入点。对于路径251，来自WiFi设备203的MQTT消息从家庭WiFi路由器206路由到MQTT代理208，该MQTT代理可以进一步经由家庭WiFi路由器206将该MQTT消息引导到其它IoT设备或PCC 202。通过路径252，WiFi设备203直接连接到HCC 201，该HCC充当WiFi接入点(AP)并且还可以连接到家庭WiFi路由器206再连接到PCC 202的。
用户应用程序(app)207可以经由WiFi连接253与HCC 201和/或PCC 202交互。
图3示出了根据实施方案的具有WiFi路由器能力的HCC 301。因为HCC 301包括WiFi路由器306，所以所有WiFi设备(例如，设备303)都可以连接到该HCC，以便访问用户应用程序307和/或PCC 302的互联网服务。此外，紧邻的移动设备307还可以连接到HCC 301以用于访问互联网服务。
图4示出了根据实施方案的与包括HCC 101和HCC 401的多个HCC交互的PCC 102。因此，PCC 102可以获得关于在多个HCC上执行的数据分析模型的数据，并且可以训练在PCC102上执行的镜像模型。PCC 102随后可将训练模型分配到一个或多个HCC，使得训练模型可以在本地执行。
图5示出了根据实施方案的与PCC 514和用户应用程序512交互的HCC 501。
类似于图2和图3，HCC 501经由通信服务器507、PCC 514经由云接口503和移动设备512与IoT设备504-506交互。
HCC 501包括处理设备502、云接口503、通信服务器507、存储器设备509和存储设备511。另外，HCC 501可以包括具有一些实施方案的嵌入式WiFi路由器508(例如，如图3所示)。
处理设备502通过执行存储在存储器设备509上的计算机可读指令来控制HCC 501的操作。例如，处理设备502可以执行计算机可读指令以分别执行图6至图10中所示的过程600-1000。实施方案可以支持各种计算机可读介质，这些计算机可读介质可以是由处理设备502访问的任何可用介质，并且包括易失性和非易失性介质、可移动和不可移动介质。作为示例而非限制，计算机可读介质可以包括计算机存储介质和通信介质的组合。
计算机存储介质可以包括以用于存储如计算机可读指令、数据结构、程序模块或其它数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括但不限于随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、闪存或其它存储器技术、CD-ROM、数字多功能盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备，或可用于存储所需信息并可由计算设备存取的任何其它介质。
通信介质通常以如载波或其它传输机制等调制数据信号来体现计算机可读指令、数据结构、程序模块或其它数据，并且包括任何信息传递介质。调制数据信号是其一个或多个特征以在信号中编码信息的方式设置或改变的信号。作为实例而非限制，通信介质包括诸如有线网络或直接有线连接的有线介质，以及诸如声学、RF、红外和其它无线介质的无线介质。
HCC 501可以在存储器设备509处从PCC 514执行下载的模型510。机器学习模型510可包括来自IoT设备504-506的神经网络模型处理数据作为输入，从而产生来自模型510的一个或多个决策输出。
如果对来自模型的预测输出存在任何校正动作，则家庭计算云501可以应用强化学习来训练模型。
图6示出了用于在本地执行分析模型的逻辑流600。在HCC 101正在设置或添加新设备时，HCC 101在框601处将系统配置信息发送到PCC 102并且在框602处下载对应分析模型。分析模型在框603处实现，并且基于IoT设备输入651和模型参数650在框604处执行。
作为示例，HCC 101当前支持家庭住宅中的恒温器和存在传感器。恒温器了解到，在四月至十月有用户在家时，应将操作模式设置为冷却并且温度应设置为23℃，而在十一月至三月时，应将操作模式设置为加热并且温度应设置为25℃：
四月至十月：存在[0：模式＝断开|1：模式＝冷却，Set_Temperature＝23]。
十一月至三月：存在[0：模式＝断开|1：模式＝加热，Set_Temperature＝25]。
继续该示例，当用户将智能窗帘(新IoT设备)添加到生态系统时，HCC 101将关于恒温器、存在传感器和智能窗帘的配置信息(例如，配置文件)发送到PCC 102。在添加新设备(智能窗帘)时，PCC 102向HCC 101通知新的分析模型可用。由于将设置″使用新模型模板″被设置为″是″，因此HCC 101下载新模型模板。对于新模型，应用原始设置。此外，引入新的输入参数(IoT设备输入)″窗帘打开程度(0％完全打开到100％完全关闭)″。通过PCC 102提供的新模型，窗帘打开的程度对设置温度没有影响：
四月至十月：存在[0：模式＝断开|1：模式＝冷却，Set_Temperature＝窗帘[0，100：23]]。
十一月至三月：存在[0：模式＝断开|1：模式＝加热，Set_Temperature＝窗帘[0，100：26]]。
在执行期间，HCC 101连续地接收来自IoT设备651的输入并且通过分析模型604处理以获得预测结果。在框605处将预测结果应用于对应IoT设备。
HCC 101连续地监测IoT生态系统，以在框606处对预测结果进行任何校正。如果进行了任何校正，则在框607处，HCC 101将校正T[n]654作为反馈连同对应IoT设备输入S[n]652和预测结果R[n]653一起提供给PCC 102，其中结果信息可包括R[n]653和T[n]654。例如，HCC 101可以有条件地在PCC 102处启动强化学习，并且因此从PCC 102接收经更新的参数作为响应。HCC接着可以更新下载的分析模型。
继续以上示例，在七月份，当智能窗帘大约半关闭(例如，窗帘＝40％关闭)时，用户将设置温度更改为24℃：
20200701：存在[1：模式＝冷却，Set_Temperature＝窗帘[40：24]]。
当窗帘略微关闭(例如，窗帘＝20％闭合)时，原始设定温度不变(即23℃)，并且因此没有从HCC 101接收到的消息。
在这种情况下，只要可用，HCC 101就连续向PCC 102发送用户校正：
20190706：存在[1：模式＝冷却，Set_Temperature＝窗帘[40：24]]。
20190707：存在[1：模式＝冷却，Set_Temperature＝窗帘[50：24]]。
20200713：存在[1：模式＝冷却，Set_Temperature＝窗帘[65：24]]。
20200714：存在[1：模式＝冷却，Set_Temperature＝窗帘[45：24]]。
20200719：存在[1：模式＝冷却，Set_Temperature＝窗帘[60：24]]。
20200720：存在[1：模式＝冷却，Set_Temperature＝窗帘[40：24]]。
20200721：存在[1：模式＝冷却，Set_Temperature＝窗帘[50：24]]。
在PCC 102处，在框621处执行强化学习以获得新的模型参数集(替换模型参数650)。新参数655在框622被发送到HCC 101，并且在框608由分析模型用于下一个设备输入S[n+1]。
继续以上示例，当完成强化训练时，PCC 102将新模型参数发送到HCC 101。HCC101接着在模型中应用新参数。新参数为：
四月至十月，存在[0：模式＝断开|1：模式＝冷却，Set_Temperature＝窗帘[0，40：23|40，100：24]]。
十一月至三月，存在[0：模式＝断开|1：模式＝加热，Set_Temperature＝窗帘[0，100：26]]。
图7示出了用于处理多媒体信号的过程700，其中分析模型在PCC 102处执行。在框701处，HCC 101连续地将源数据751流式传输到PCC 102。在框721处，PCC 102使用具有Z个隐藏层的模型来分析数据流，以获得预测结果R 752。然后在框722处，将结果发送回HCC101，其中在框702处，HCC 101将预测结果应用于IoT生态系统。
HCC 101连续地监测IoT生态系统，以在框703处对预测结果进行任何校正。如果存在任何校正，则在框704处，HCC 101向PCC 102提供校正T753作为反馈。
在框723处，PCC 102执行强化学习以获得新的参数集W 754。然后在框721处，将新参数应用于后续源数据流的分析模型。
图8示出了具有Z个隐藏层801的分析模型，该模型可分为两个子模型804，一个子模型具有X个隐藏层802(在HCC 101处实现)，并且另一子模型具有Y个隐藏层803(在PCC102处实现)，其中X+Y＝Z。在应用800中，在HCC 101处分析来自一个或多个IoT设备的源数据流。来自隐藏层802的第x个隐藏层的输出随后被发送到PCC 102，以通过隐藏层803继续分析。
使用方法800，通常减少从HCC 101发送到PCC 102的数据量。此外，用户数据的隐私可以通过发送转换数据的版本而不是源数据来保护。
此外，用于执行模型的工作负载的分布可以基于：
-家庭计算云的计算机功率。(例如，HCC 101执行分析模型的第一层，并且接着将输出发送到PCC 102。PCC 102接着执行分析模型的剩余层。
-数据流量的量。(例如，HCC 101执行分析模型的层，直到达到具有最小数量的输出节点的层为止。HCC将接着将该层的输出发送到PCC 102。PCC 102接着执行分析模型的剩余层)。
-数据隐私。例如，HCC 101可以执行分析模型的层，直到达到层位置，其中该层的输出与源数据完全无关。HCC 101接着将该层的输出发送到PCC 102。PCC 102接着执行分析模型的剩余层。
-模型参数的一致性。例如，HCC 101执行具有固定参数的分析模型的层。HCC 101接着将最后一层的输出发送到PCC 102。PCC 102接着执行分析模型的剩余层)。
HCC 101的能力可以从那些具有仅允许执行分析模型的基本配置的那些能力变化到配备有用于训练具有多个隐藏层的分析模型的更强大硬件的更强大的能力。
在利用另一具体实施进一步改进数据隐私的情况下，可以将分析模型分为三个子模型。在这种情况下，在HCC 101处执行输入处理层和输出层，并且在PCC 102处执行隐藏层中的一些或全部。在这种情况下，与用户密切相关的原始输入数据和预测输出将在本地保存。
图9示出了用于在HCC 101处在本地执行强化学习的逻辑流900。在框901处执行强化学习。HCC 101在第n次操作时使用输入数据S[n]951、预测输出R[n]952和校正T[n]953，通过最小化误差函数来优化分析模型的参数集W。
在完成训练时，在框902处将新的参数集W[n+1]954提供到分析模型，使得分析模型可以在框903处利用它们。在存在来自一个或多个IoT设备的新设备输入S[n+1]955时，可在框904处将新的预测结果R[n+1]956应用于IoT生态系统。
如果在框905处存在用户的校正，那么在框906处，强化学习算法使用来自第[n+1]示例的数据(S、R和T)重复执行。否则，HCC 101在框907处等待输入。
对于一些应用，分析模型的训练可能对HCC 101的计算机资源要求过高。在此类情况下，PCC 102可用于辅助HCC 101处的强化学习。
图10示出了用于辅助训练(并行训练)的逻辑流1000，其中HCC 101在训练序列1001期间执行训练，并且PCC 102在训练序列1021期间执行并行训练。
在框1002处，HCC 101使用设备输入S[n]1051和分析模型G执行强化学习。在框1003处，将来自分析模型G的预测输出O[m]1053与来自用户的校正T[n]1052进行比较以计算误差测量值E[m]1054。在框1004处，基于误差值的量值和迭代之间的误差值的变化率来确定对模型参数的调整。然后，在框1002处，分析模型G使用新参数集U[m+1]1055来使用相同的设备输入S[n]计算新输出O[m+1]。然后通过将T[n]与O[m+1]进行比较来计算新的误差测量值E[m+1]。可以执行附加的迭代，直到获得期望的误差测量值为止。
当在HCC 101处执行强化学习时，例如经由数据信道151将设备输入S[n]1051和校正T[n]1052的副本发送到PCC 102。PCC 102在框1021处执行类似的强化学习过程以辅助HCC 1001处的模型训练。对应地，在框1022处，由分析模型P执行设备输入S[n]1051。在框1023处，将来自框1022处的分析模型P的预测输出Q[k]1073与来自用户的校正T[n]1052进行比较以计算误差测量值F[k]1074。在框1024处，对模型参数的调整基于误差值的量值和迭代之间的误差值的变化率。然后，由分析模型P 1022使用新的参数集V[k+1]1075来使用相同的设备输入S[n]计算新的输出Q[k+1]，并且通过将T[n]与Q[k+1]进行比较等来计算新的误差测量值F[k+1]。
PCC 102可以使用相同的算法(其中模型P是模型G的副本)来改变模型参数U 1055和V 1075。替代地，可以使用不同的算法(其中模型P不是模型G的副本)来调整模型参数U1055和V 1075。
在辅助训练期间，可以一致地将来自两个学习模型(框1002处的G和框1022处的P)的误差测量值进行比较。如果在两个误差测量值之间存在显著差异，则学习模型G和P都可以选择(切换到)产生较低误差测量值的模型参数集并继续训练。
如果两个模型G和P中的任一者满足目标误差阈值，则可终止训练，其中满足误差阈值的模型参数集由HCC 101处的分析模型使用。
在强化学习结束时，HCC 101可将经训练的模型上传到PCC 102以进行存档、共享或优化。
PCC 102可以分析从其它HCC接收的所有模型，并且从中优化新模型。对于一些实施方案，在添加新的默认IoT设备时，可以训练新模型。PCC 102可以将新模型分配到所有HCC。
HCC 101可以决定使用由PCC 102提供的新模型，使用具有来自原始模型的参数的新模型或完全忽略新模型。在使用本地存储的经验数据执行不同模型时，决策可以基于与误差测量值的比较。
HCC 101可以决定在操作期间的任何时间执行强化学习，例如根据框621(如图6所示)、框723(如图7所示)，框906(如图9所示)或过程1000(如图10所示)。
在强化学习中，本地存储在HCC 101处的传统IoT设备数据可用于训练分析模型(例如，对原始模型的持续改进)。替代地，新IoT设备数据可用于训练分析模型(例如，具有附加设备类型的新分析模型)。替代地，传统IoT设备数据和新IoT设备数据的混合可用于执行原始模型并且并行训练新模型。
在强化学习期间，可以在计算误差测量值时分配权重。例如，对于对象识别，可能会为识别误差分配比置信水平误差更多的权重。
本文所描述的各个方面可体现为方法、装置或存储在一个或多个非暂时性和/或有形计算机可读介质上的计算机可执行指令。因此，这些方面可采取完全硬件实施方案、存储在一个或多个非暂时性和/或有形计算机可读介质上的完全软件实施方案(其可包括或可不包括固件)或组合软件和硬件方面的实施方案的形式。本文所描述的任何和/或所有方法步骤可体现在存储在计算机可读介质(诸如非暂时性和/或有形计算机可读介质和/或计算机可读存储介质)上的计算机可执行指令中。附加地或替代地，本文所描述的任何和/或所有方法步骤可体现在存储在存储器中的计算机可读指令和/或包括一个或多个处理器的装置的其它非暂时性和/或有形存储介质中，使得在一个或多个处理器执行计算机可读指令时使装置执行此类方法步骤。另外，表示本文所描述的数据或事件的各种信号可在源与目的地之间以光波和/或电磁波的形式传输，这些光波和电磁波行进通过信号传导介质，诸如金属线、光纤和/或无线传输介质(例如空气和/或空间)。
本公开的各方面已在其说明性实施方案方面进行了描述。所属领域的一般技术人员查看本公开后将会想到所附权利要求书的范围和精神内的许多其它实施方案、修改和变化。例如，本领域的技术人员将了解，说明性图式中所说明的步骤可以按除所陈述次序以外的次序执行，且根据本公开的各方面，所说明的一或多个步骤可以是任选的。

Claims (20)

1.一种支持至少一个物联网(IoT)设备的家庭计算系统，所述家庭计算系统包括：
通信网关，所述通信网关被配置为与所述至少一个IoT设备连接；云接口，所述云接口被配置为与公共计算云交换信息；
处理器，所述处理器用于执行计算机可执行指令；
存储器，所述存储器存储所述计算机可执行指令，所述计算机可执行指令在由所述处理器执行时使所述家庭计算系统：
发送关于所述家庭计算系统的配置数据，其中所述配置数据描述所述家庭计算系统；
经由所述云接口从所述公共计算云下载基于所述配置数据的下载的数据分析模型；
经由所述通信网关从所述至少一个IoT设备获得设备数据；
将所述设备数据应用于所述下载的数据分析模型；并且
基于所述设备数据从所述数据分析模型获得第一预测结果。
2.根据权利要求1所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：
基于所述第一预测结果和所述第一预测结果的校正信息确定第一误差测量值；
在所述第一误差测量值超过预定阈值时，基于所述设备数据、所述第一预测结果和所述校正信息启动所述公共计算云处的强化学习；
响应于所述发送，从所述公共计算云接收经修改的模型参数；并且
将所述经修改的模型参数应用于所述数据分析模型。
3.根据权利要求2所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：
在所述第一误差测量值未超过所述预定阈值时，将所述预测结果应用于所述至少一个IoT设备。
4.根据权利要求1所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：
在新IoT设备被添加到所述家庭计算系统时，从所述公共计算云下载新数据分析模型；
将当前模型参数应用于所述新数据分析模型；
启动所述新数据分析模型的强化学习；
响应于所述启动，获得所述新数据分析模型的新模型参数；并且
将所述新模型参数重新应用于所述新数据分析模型。
5.根据权利要求4所述的家庭计算系统，其中所述新模型参数是从所述公共计算云接收到的。
6.根据权利要求1所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：
基于所述设备数据、所述第一预测结果和第一校正信息在所述家庭计算系统处启动强化学习；
从所述强化学习获得第一经更新的模型参数；并且
将所述第一经更新的模型参数应用于所述数据分析模型以获得经更新的数据分析模型。
7.根据权利要求6所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：
将所述设备数据应用于所述经更新的数据分析模型；
基于所述设备数据从所述经更新的数据分析模型获得第二预测结果；
基于所述第二预测结果和对所述第一预测结果的第二校正信息确定第二误差测量值；
在所述第二误差测量值超过期望误差水平时，重复所述强化学习；
从重复的强化学习获得第二经更新的模型参数；并且
将所述第二经更新的模型参数重新应用于所述数据分析模型。
8.根据权利要求7所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：
在超过所述家庭计算系统的计算资源时，请求所述公共计算云处的云资源来执行所述强化学习。
9.根据权利要求6所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：
将所述经更新的数据分析模型上传到所述公共计算云。
10.根据权利要求1所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：
通过所述家庭计算系统处的所述处理器执行所述下载的数据分析模型的强化学习；
从所述家庭计算系统处的所述强化学习获得第一组模型参数；基于所述设备数据启动所述公共计算云处的辅助学习，其中所述辅助学习与在所述家庭计算系统处执行所述下载的数据分析模型并行地执行；
从所述公共计算云处的所述辅助学习获得第二组模型参数；并且将所述强化学习的第三误差测量值与所述辅助学习的第四误差测量值进行比较。
11.根据权利要求10所述的家庭计算系统，其中所述辅助学习利用所述下载的数据分析模型的副本。
12.根据权利要求10所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统执行以下操作：
在所述第三误差测量值小于所述第四误差测量值时，从第一组模型参数和第二组模型参数中选择所述第一组模型参数；以及
将所述第一组模型参数应用于在所述家庭计算系统处执行的所述数据分析模型。
13.根据权利要求10所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：
在所述第三误差测量值大于所述第四误差测量值时，从所述第一组参数和所述第二组参数中选择所述第二组模型参数；并且
将所述第二组模型参数应用于在所述家庭计算系统处执行的所述数据分析模型。
14.根据权利要求10所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：
在所述第三误差测量值和所述第四误差测量值中的一者小于目标误差阈值时，终止所述数据分析模型的训练。
15.根据权利要求14所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：
响应于所述终止，将所述数据分析模型上传到所述公共计算云。
16.一种用于支持家庭计算系统的方法，所述方法包括：
由所述家庭计算系统从在所述家庭计算系统处配置的至少一个IoT设备获得设备数据；
由所述家庭计算系统将所述设备数据流式传输到公共计算云；由所述公共计算云将所述设备数据提供到所述公共计算云正在针对所述家庭计算系统执行的数据分析模型；
响应于所述提供，由所述公共计算云获得第一预测结果；
响应于所述流式传输，由所述家庭计算系统从公共计算云接收所述第一预测结果；
由所述家庭计算系统将所述第一预测结果应用于所述至少一个IoT设备；
由所述家庭计算系统基于所述第一预测结果和所述第一预测结果的校正信息确定误差测量值；
在所述误差测量值超过预定阈值时，由所述家庭计算系统将所述校正信息发送到所述公共计算云；
由所述公共计算云基于接收到的校正信息来执行强化学习以获得经更新的模型参数；并且
由所述公共计算云将所述经更新的模型参数应用于所述数据分析模型。
17.根据权利要求16所述的方法，包括：
响应于所述发送所述校正信息，由所述家庭计算系统将所述设备数据继续流式传输到所述公共计算云；
响应于继续的流式传输，由所述家庭计算系统从所述公共计算云接收第二预测结果；以及
将所述第二预测结果应用于所述至少一个IoT设备。
18.一种用于支持家庭计算系统的方法，所述方法包括：
标识所述家庭计算系统的数据分析模型，其中所述家庭计算系统支持至少一个IoT设备，其中所述数据分析模型包括一组层；
将所述数据分析模型划分为多个子模型，其中每个子模型包括所述数据分析模型的层的不同子集，并且其中所述多个子模型包括第一子模型和第二子模型；
由所述家庭计算系统执行所述第一子模型；以及
由公共计算云执行所述第二子模型。
19.根据权利要求18所述的方法，其中所述第一子模型包括输入处理层，并且所述第二子模型包括所有隐藏层和输出层。
20.根据权利要求18所述的方法，其中所述多个子模型进一步包括第三子模型，所述方法包括：
由所述家庭计算系统执行第三子模型，其中所述第一子模型包括输入层，所述第二子模型包括所有隐藏层，并且所述第三子模型包括输出层。
CN202180035780.1A 2020-04-06 2021-04-06 与公共计算云交互的本地计算云 Pending CN115668868A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US16/840,708 US11399069B2 (en) 2020-04-06 2020-04-06 Method and apparatus to implement a home computing cloud
US16/840,648 2020-04-06
US16/840,648 US11656966B2 (en) 2020-04-06 2020-04-06 Local computing cloud that is interactive with a public computing cloud
US16/840,708 2020-04-06
PCT/US2021/025943 WO2021207179A1 (en) 2020-04-06 2021-04-06 A local computing cloud that is interactive with a public computing cloud

Publications (1)

Publication Number Publication Date
CN115668868A true CN115668868A (zh) 2023-01-31

Family

ID=78022790

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202180037421.XA Pending CN115918035A (zh) 2020-04-06 2021-04-06 用于实现家庭计算云的方法和装置
CN202180035780.1A Pending CN115668868A (zh) 2020-04-06 2021-04-06 与公共计算云交互的本地计算云

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202180037421.XA Pending CN115918035A (zh) 2020-04-06 2021-04-06 用于实现家庭计算云的方法和装置

Country Status (3)

Country Link
EP (2) EP4133694A1 (zh)
CN (2) CN115918035A (zh)
WO (2) WO2021207179A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114285890B (zh) * 2021-12-10 2024-03-15 西安广和通无线通信有限公司 云平台连接方法、装置、设备及存储介质

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10601810B2 (en) * 2011-09-09 2020-03-24 Kingston Digital, Inc. Private cloud routing server connection mechanism for use in a private communication architecture
US20130201316A1 (en) * 2012-01-09 2013-08-08 May Patents Ltd. System and method for server based control
KR101560470B1 (ko) * 2014-01-07 2015-10-16 한국과학기술원 스마트 연결 장치 및 스마트 연결 장치를 활용하여 ＩｏＴ 장치를 제어하기 위한 방법
US10313858B2 (en) * 2014-07-21 2019-06-04 Convida Wireless, Llc Service layer interworking using MQTT protocol
US20160205106A1 (en) * 2015-01-12 2016-07-14 Verisign, Inc. Systems and methods for providing iot services
US9977415B2 (en) * 2015-07-03 2018-05-22 Afero, Inc. System and method for virtual internet of things (IOT) devices and hubs
KR102471665B1 (ko) * 2015-08-27 2022-11-25 포그혼 시스템스 인코포레이티드 에지 인텔리전스 플랫폼 및 사물 인터넷 센서 스트림 시스템
US9866637B2 (en) * 2016-01-11 2018-01-09 Equinix, Inc. Distributed edge processing of internet of things device data in co-location facilities
US10671925B2 (en) * 2016-12-28 2020-06-02 Intel Corporation Cloud-assisted perceptual computing analytics
US11057344B2 (en) * 2016-12-30 2021-07-06 Fortinet, Inc. Management of internet of things (IoT) by security fabric
US10878342B2 (en) * 2017-03-30 2020-12-29 Intel Corporation Cloud assisted machine learning
US10476751B2 (en) * 2017-10-19 2019-11-12 Microsoft Technology Licensing, Llc IoT cloud to cloud architecture
WO2019134802A1 (en) * 2018-01-03 2019-07-11 Signify Holding B.V. System and methods to share machine learning functionality between cloud and an iot network
JP7235503B2 (ja) * 2018-07-03 2023-03-08 韓國電子通信研究院 階層型エンジンフレームワークに基づいたクロスドメインワークフロー制御システム及び方法
KR102091126B1 (ko) * 2018-10-24 2020-04-23 전자부품연구원 IoT 데이터 분석을 위한 에지-클라우드 협업 시스템 및 이의 운용방법

Also Published As

Publication number Publication date
CN115918035A (zh) 2023-04-04
WO2021207179A1 (en) 2021-10-14
WO2021207191A1 (en) 2021-10-14
EP4133695A4 (en) 2024-05-08
EP4133695A1 (en) 2023-02-15
EP4133694A1 (en) 2023-02-15

Similar Documents

Publication Publication Date Title
US20200322255A1 (en) Analytics enabled radio access network (ran)-aware content optimization using mobile edge computing
JP6457447B2 (ja) データセンターのネットワークトラフィックスケジューリング方法及び装置
CN111464335B (zh) 一种内生可信网络的服务智能定制方法及系统
CN112615730B (zh) 一种基于区块链网络切片代理的资源分配方法和装置
JP6380110B2 (ja) リソース制御システム、制御パターン生成装置、制御装置、リソース制御方法及びプログラム
US10206125B2 (en) Self organizing radio access network in a software defined networking environment
JP6147866B2 (ja) Ｈｔｔｐアダプティブストリーミング動画を受信するための方法およびクライアント装置
Van Rossem et al. Vnf performance modelling: From stand-alone to chained topologies
CN115668868A (zh) 与公共计算云交互的本地计算云
CN114281718A (zh) 一种工业互联网边缘服务缓存决策方法及系统
Chiang et al. Deep Q-learning-based dynamic network slicing and task offloading in edge network
JP6390167B2 (ja) 通信スループット予測装置、通信スループット予測方法、及び、プログラム
US11656966B2 (en) Local computing cloud that is interactive with a public computing cloud
CN117202265A (zh) 边缘环境下基于dqn的服务迁移方法
JP6465826B2 (ja) 目標追尾装置
CN114025321B (zh) 一种基于快速上行授权的海量电力物联终端接入控制方法
EP3633919A1 (en) Control method, related device, and system
Dal Col et al. A consensus approach to PI gains tuning for quality‐fair video delivery
Hsieh et al. Deep reinforcement learning-based task assignment for cooperative mobile edge computing
Zeng et al. Towards secure and network state aware bitrate adaptation at IoT edge
Math et al. Intelligent Offloading Decision and Resource Allocations Schemes Based on RNN/DQN for Reliability Assurance in Software-Defined Massive Machine-Type Communications
Huang et al. Granular vnf-based microservices: Advanced service decomposition and the role of machine learning techniques
Barzamini et al. Congestion control of differentiated services networks by sliding mode control
Taghia et al. Congruent Learning for Self-regulated Federated Learning in 6G
Sun Online Learning-based Distributed Resource Allocation and Service Management in Edge Networks

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