CN116962409A - 基于通感算与虚拟控制器智能融合的工业互联网网络架构 - Google Patents
基于通感算与虚拟控制器智能融合的工业互联网网络架构 Download PDFInfo
- Publication number
- CN116962409A CN116962409A CN202311031184.3A CN202311031184A CN116962409A CN 116962409 A CN116962409 A CN 116962409A CN 202311031184 A CN202311031184 A CN 202311031184A CN 116962409 A CN116962409 A CN 116962409A
- Authority
- CN
- China
- Prior art keywords
- network
- intelligent
- computing
- layer
- task
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 53
- 230000004927 fusion Effects 0.000 title claims abstract description 34
- 238000005111 flow chemistry technique Methods 0.000 claims abstract description 14
- 230000008447 perception Effects 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 39
- 238000005516 engineering process Methods 0.000 claims description 36
- 238000012544 monitoring process Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 8
- 238000007418 data mining Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 abstract description 10
- 230000006978 adaptation Effects 0.000 abstract description 5
- 230000002457 bidirectional effect Effects 0.000 abstract description 2
- 230000011664 signaling Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 description 37
- 238000000034 method Methods 0.000 description 30
- 230000008569 process Effects 0.000 description 22
- 238000004519 manufacturing process Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 16
- 230000005540 biological transmission Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 7
- XNWFRZJHXBZDAG-UHFFFAOYSA-N 2-METHOXYETHANOL Chemical compound COCCO XNWFRZJHXBZDAG-UHFFFAOYSA-N 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013468 resource allocation Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- H04L67/10—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
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/20—Network architectures or network communication protocols for network security for managing network security; network security policies in general
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种基于通感算与虚拟控制器智能融合的工业互联网网络架构，涉及工业互联网体系架构技术领域，包括终端层、边缘层、网络层、云计算层、智能算力网络、网络虚拟化控制器以及工业物联网。利用网络虚拟化控制器和通感算一体化架构融合，实现网络资源的虚拟化和管理以及计算节点的选择和任务数据的调度，从而解决现有工业互联网存在的控制功能不集中、算力服务无法按需实时调度与高效共享问题；利用本发明提出的新型融合架构，搭建各层之间的双向数据、控制信令通道，解决目前工业互联网面临的闭环信息流处理功能。从而满足复杂工业互联网智能适应、多维资源动态按需分配以及集中、虚拟化控制等柔性需求。
Description
技术领域
本发明涉及工业互联网体系架构技术领域，特别是涉及一种基于通感算与虚拟控制器智能融合的工业互联网网络架构。
背景技术
随着新一轮科技革命和产业变革快速发展，互联网从消费领域快速延伸到生产领域，工业经济由数字化向网络化、智能化深度拓展，工业互联网应运而生。工业互联网是新一代信息通信技术与工业经济深度融合的新型基础设施、应用模式和工业生态，以网络为基础、平台为中枢、数据为要素、安全为保障，实现对人、机、物、系统的全面连接，是第四次工业革命的重要基石。
当前的工业互联网存在以下亟待解决的问题：
问题一：需要解决架构的控制功能不集中以及算力服务的按需实时调度与高效共享无法实现的问题。
一方面万物智能互联时代，工业互联网中的设备量、连接量和计算量呈指数级增长，工业互联网中的数据协同和资源调度问题的研究是实现智能制造的重要基础。工业终端的调度问题主要是传统制造任务和物流任务的调度，与传统网络化制造系统环境相比，制造任务的开始和结束时间约束、任务前驱后继约束将更复杂，工业终端资源的能力和能耗方面的计算方式也随之更复杂。因此如何解决控制功能不集中问题，避免资源浪费，实现算力服务的按需实时调度与高效共享，成为工业互联网提升数据价值的关键。
问题二：亟需实现架构的闭环信息流处理功能。
另一方面，工业4.0的全面部署需要借助对环境感知信息的获取、信息交互与共享、智能信息处理、到控制信息逐层分发的闭环信息流处理。而现有无线网络架构已经难以满足后5G/6G时代不断涌现的应用需求，亟待研发一个实现全面感知、信息交互、智能信息处理、控制及时分发的闭环信息流处理架构。
图1为传统的通感算一体化架构示意图，如图1所示，虽然现有提出的通感算一体化架构可以实现现场网络信息多维感知、协作通信、智能计算功能的深度融合。但是美中不足的是，架构存在控制功能不集中、无法实现控制功能虚拟化、以及无法实现计算节点选择和任务数据调度等任务管理功能的问题。因此需要基于通感算一体化架构设计一个新型数据协同框架，以满足复杂工业互联网智能适应、多维资源动态按需分配以及集中、虚拟化控制等柔性需求。
发明内容
本发明的目的是提供一种基于通感算与虚拟控制器智能融合的工业互联网网络架构，以解决目前工业互联网控制功能不集中导致资源浪费以及缺乏闭环信息流智能交互与处理、广域智能协作能力的问题。
为实现上述目的，本发明提供了如下方案：
一种基于通感算与虚拟控制器智能融合的工业互联网网络架构，包括：终端层、边缘层、网络层、云计算层以及智能算力网络；所述智能算力网络包括所述终端层的分布式智能计算技术、所述边缘层的边缘智能计算技术以及所述云计算层的云智能计算技术；
所述终端层与所述智能算力网络以及所述边缘层相连接；所述边缘层与所述智能算力网络、所述终端层以及所述网络层相连接；所述网络层与所述边缘层以及所述云计算层相连接；所述云计算层与所述网络层以及所述智能算力网络相连接；
所述终端层包括多个智能终端，所述智能终端用于采用分布式智能计算技术融合感知信息，通过通感一体化技术辅助工业互联网系统生成自主决策，并将所述感知信息以及所述自主决策传输至所述边缘层；
所述边缘层用于通过边缘智能计算技术对所述感知信息进行处理，执行局部决策和局部控制，生成局部决策部署，将所述局部决策部署返回至所述终端层中的智能终端进行反馈和决策，以及将处理后的感知信息发送至所述网络层进行集中管理和协调；
所述网络层包括网络虚拟化控制器；所述网络虚拟化控制器用于根据所述局部决策部署选择计算节点以及调度任务数据，生成第一全局决策以及任务调度结果，并将所述第一全局决策以及所述任务调度结果反馈至所述边缘层；
所述云计算层用于通过云智能计算技术，构建全局云智能计算模型库，实现全局感知、决策和任务编排，生成第二全局决策和云计算结果，并将所述第二全局决策以及所述云计算结果反馈至所述网络虚拟化控制器。
可选的，所述网络虚拟化控制器，具体包括：网络资源虚拟化和管理功能、计算节点选择和任务数据调度功能、集成组件和实现闭环信息流处理功能以及优化算力资源利用效率和提高工业互联网系统的可扩展性功能。
可选的，所述网络资源虚拟化和管理功能，具体包括：对网络资源进行识别和分类，同时确定应用程序的需求；所述应用程序的需求包括带宽、时延以及丢包率；在进行网络资源虚拟化时，根据所述应用程序的需求对物理网络资源进行划分和分配，配置虚拟网络。
可选的，所述计算节点选择和任务数据调度功能，具体包括：监测各计算节点的资源状态；所述资源状态包括CPU、内存以及网络带宽；根据所述计算节点的资源状态以及任务特性，选择适合任务的计算节点，将任务数据分发至各个所述适合任务的计算节点，共享算力服务；所述任务特性包括任务数据的字节数、复杂度以及类型。
可选的，所述集成组件和实现闭环信息流处理功能，具体包括：集成安全管理组件实现对所述网络虚拟化控制器的安全保护和管理，以及集成任务管理组件实现对任务的监控和管理；基于集成结果，通过网络虚拟化控制器对网络资源和算力资源的管理和调度，实现对任务的全生命周期管理；所述全生命周期管理包括任务的创建、调度、执行、监控以及结果反馈。
可选的，所述优化算力资源利用效率和提高工业互联网系统的可扩展性功能，具体包括：监测各个所述计算节点的资源状态，动态调整所述计算节点的使用情况；通过水平和垂直两个方向的扩展，增加所述工业互联网系统的计算能力、存储能力和网络资源，满足不断增长的业务需求。
可选的，所述网络层还包括：数据交换中心；所述数据交换中心用于收集各个边缘节点和所述智能终端的感知信息和控制指令，辅助所述网络虚拟化控制器实现全局的控制和调度。
可选的，所述云计算层，具体包括：集群核心云服务器；所述集群核心云服务器用于通过数据挖掘技术、机器学习技术以及数据融合技术，将所述智能终端和所述边缘层上传的数据进行综合和处理，获取更大范围区域的感知信息，以实现对所述工业互联网系统的全局控制和调度；还用于记录并智能分析扩大后的感知信息，构建全局的云智能计算模型库，实现全局感知、决策和任务编排。
可选的，还包括：工业物联网；
所述工业物联网包括多个连接的物联网关；所述物联网关通过串口连接所述终端层的智能终端采集的工业数据，通过网络接口连接所述边缘层的各个设备；所述物联网关为用于数据采集的本地主机设备。
可选的，所述边缘层和所述网络层通过防火墙进行连接和隔离。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种基于通感算与虚拟控制器智能融合的工业互联网网络架构，包括终端层、边缘层、网络层、云计算层以及智能算力网络；利用网络虚拟化控制器和通感算一体化架构融合，实现网络资源的虚拟化和管理以及计算节点的选择和任务数据的调度，从而解决现有工业互联网存在的控制功能不集中、算力服务无法按需实时调度与高效共享问题；本发明搭建各层之间的双向数据、控制信令通道，解决目前工业互联网面临的缺乏闭环信息流处理功能的问题，从而满足了复杂工业互联网智能适应、多维资源动态按需分配以及集中、虚拟化控制等柔性需求；本发明实现了传统工业控制系统的升级，为工业领域提供了基于通感算的新型工业互联网架构体系。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为传统的通感算一体化架构示意图；
图2为本发明所提供的基于通感算与虚拟控制器智能融合的工业互联网网络架构图；
图3为本发明所提供的网络虚拟化控制器的功能示意图；
图4为本发明所提供的整个网络架构的数据控制方法流程图。
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做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。
本发明的目的是提供一种基于通感算与虚拟控制器智能融合的工业互联网网络架构，能够为智能工厂灵活匹配最佳算力资源节点，对感知信息进行决策，满足复杂工业互联网需要智能适应、多维资源动态按需分配的柔性需求。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图2所示，本发明提供了一种基于通感算与虚拟控制器智能融合的工业互联网网络架构，包括：终端层、边缘层、网络层、云计算层以及智能算力网络；所述智能算力网络包括所述终端层的分布式智能计算技术、所述边缘层的边缘智能计算技术以及所述云计算层的云智能计算技术。
所述终端层与所述智能算力网络以及所述边缘层相连接；所述边缘层与所述智能算力网络、所述终端层以及所述网络层相连接；所述网络层与所述边缘层以及所述云计算层相连接；所述云计算层与所述网络层以及所述智能算力网络相连接。
所述终端层包括多个智能终端，所述智能终端用于采用分布式智能计算技术融合感知信息，通过通感一体化技术辅助工业互联网系统生成自主决策，并将所述感知信息以及所述自主决策传输至所述边缘层。
所述边缘层用于通过边缘智能计算技术对所述感知信息进行处理，执行局部决策和局部控制，生成局部决策部署，将所述局部决策部署返回至所述终端层中的智能终端进行反馈和决策，以及将处理后的感知信息发送至所述网络层进行集中管理和协调。
所述网络层包括网络虚拟化控制器；所述网络虚拟化控制器用于根据所述局部决策部署选择计算节点以及调度任务数据，生成第一全局决策以及任务调度结果，并将所述第一全局决策以及所述任务调度结果反馈至所述边缘层。
所述云计算层用于通过云智能计算技术，构建全局云智能计算模型库，实现全局感知、决策和任务编排，生成第二全局决策和云计算结果，并将所述第二全局决策以及所述云计算结果反馈至所述网络虚拟化控制器。
在实际应用中，所述终端层包括智能机器、智能传感器、工业机器人等智能终端(Intelligent Machines，IMs)。
所述终端层和边缘层通过物联网关进行连接，边缘层和网络层之间设有防火墙，网络层和云计算层之间通过互联网网络接口INI进行连接。
所述终端层包括智能机器、智能传感器、工业机器人等智能终端(IntelligentMachines，IMs)；本具体实施方式中的智能终端IMs通过共用射频收发器、共享频段实现通信和感知功能的融合，即通感一体化。通过辅助的环境感知信息获取(如通感一体化设备和传感单元的节点位置信息)，IMs可以快速执行拓扑构建和媒介访问控制等操作，进而建立分布式或集中式的自组织网络。除此之外，IMs可采用分布式智能计算技术(如强化学习等)融合大规模感知信息，通过智能协作和网络化感知，辅助即时通信系统的自主决策。
具体来说，IMs可以采用分布式智能计算技术，如强化学习等，融合大规模感知信息，通过智能协作和网络化感知，辅助工业互联网系统的自主决策。例如，在一个工业制造流水线中，IMs可以感知机器人的工作状态、工件的生产情况、原材料的库存等信息，并将这些信息上传到云端。通过强化学习等技术，IMs可以将这些信息融合起来，生成一个最优的生产方案。然后，这个方案可以共享给其他IMs，如机器人、传感器等设备，他们可以根据自己的感知信息，对这个方案进行修正或者确认。最终，所有的IMs都可以参与到生产决策的过程中，共同完成生产任务。随后，终端层需要将其感知到的实时信息上传到边缘层，边缘层则会将这些信息进行聚合、预处理和存储，并将处理后的结果返回给终端层进行反馈和决策。因此，终端层最终需要得到的是经过边缘层处理后的反馈信息和决策结果，以便对其自身的运行状态和环境进行优化和调整。
在实际应用中，所述边缘层包括基站(Base Station，BS)、边缘服务器(MobileEdge Computing Servers，MECS)和边缘计算网关。
边缘层对终端层提供的信息进行处理后，会将其结果发送到网络层进行集中管理和协调，同时也会将部分数据进行存储和备份，以便后续的数据分析和挖掘。边缘层还可以通过自身的边缘计算能力，对部分信息进行本地计算和处理，从而降低网络带宽的压力和延迟，提高数据处理的效率和速度。同时，边缘层还可以通过与云计算层的连接，将部分数据传输到云端进行更深入的数据分析和挖掘。
因此，边缘层对终端层提供的信息进行处理后，可以为整个工业互联网系统提供更加准确、及时和智能的服务，从而提高生产效率和产品质量。同时，边缘层的处理结果也可以为云计算层和智能算力网络提供更有价值的数据，从而提高整个系统的智能化和自主化程度。
所述边缘层包括基站(Base Station，BS)、边缘服务器(Mobile Edge ComputingServers，MECS)和边缘计算网关；本具体实施方式中的BS通过通感一体化技术实现IMs间的通信及环境感知。
本具体实施方式中的边缘服务器(MECS)通过基站(BS)与智能终端(IMs)进行交互，也可接收基站覆盖范围内的来自不同IMs的感知信息，进行局部感知信息的融合和处理。
具体来说，信息融合的过程包括以下步骤：数据采集：边缘服务器(MECS)通过基站(BS)与智能终端(IMs)建立连接，获取IMs感知设备的数据；数据预处理：边缘服务器对从IMs获取的数据进行处理和预处理，例如数据清洗、去噪、标准化等，以提高数据的质量和可用性；数据融合：边缘服务器将不同IMs的感知数据进行融合，通过数据融合算法将数据进行合并和整合，得到更加准确、全面和可靠的信息；数据分析：边缘服务器对融合后的数据进行分析和计算，以获取有用的信息和洞察，例如预测故障、优化生产等；数据反馈：边缘服务器将处理和分析后的数据反馈给IMs或其他终端设备，帮助其自主决策并进行控制操作，同时也可以将数据传输给云计算层进行进一步的处理和分析。进而通过边缘智能计算技术(如强化学习、深度学习等)执行局部决策和局部控制。各设备会将数据上传至最近的边缘计算网关或边缘服务器，网关用于处理简单任务，服务器作为数据通信的总接口，主要负责监控、决策、数据上传等复杂问题处理。
在实际应用中，所述网络层包括网络虚拟化控制器以及数据交换中心，所述数据交换中心包括交换机、本地云平台。
网络层连接着多个智能终端(IMs)，接收来自不同IMs的感知信息，并将这些信息传输到边缘服务器(MECS)中进行局部感知信息的融合和处理。因此，基站(BS)作为边缘层中的一个设备，属于边缘计算的一部分。
所述网络层包括网络虚拟化控制器以及数据交换中心，所述数据交换中心包括交换机、本地云平台网络层连接着边缘层和云计算层，是连接整个工业互联网网络的重要枢纽。其中网络层中的网络虚拟化控制器与其他组件的融合过程也是本发明提出新型架构的关键流程，如图3所示，具体包括以下步骤：
1、网络资源虚拟化和管理
网络虚拟化控制器需要识别网络资源和需求，将网络资源虚拟化成多个虚拟网络，并根据应用程序的需求配置虚拟网络，并进行相应的管理。为了实现这一步骤，需要采取以下措施：
(1)识别网络资源和需求：通过网络拓扑发现、端口映射、网络流量统计等技术手段，对网络资源进行识别和分类，同时了解应用程序的需求，包括带宽、时延、丢包率等参数。
(2)虚拟化网络资源：在进行网络资源虚拟化时，根据应用程序的需求，需要对物理网络资源进行划分和分配，以便于在不同的虚拟网络中提供不同的服务质量和满足不同的需求。具体的资源虚拟化过程如下：
带宽分配：根据应用程序的带宽需求，将物理网络中的带宽资源划分成多个带宽池。每个带宽池对应一个虚拟网络，虚拟网络内的应用程序可以共享该带宽池中的带宽资源。带宽分配可以采用基于流量的方式，根据不同虚拟网络内应用程序的实际使用情况进行动态调整。
时延控制：时延是指从一个网络设备到另一个网络设备所需的时间。在进行网络资源虚拟化时，需要对时延进行控制，以满足不同应用程序的时延需求。可以通过设置虚拟网络内的路由策略、链路带宽限制等方式来实现时延控制。
丢包率控制：丢包率是指在网络传输过程中，数据包在传输过程中丢失的比例。对于一些对数据完整性要求比较高的应用程序，需要对丢包率进行控制。可以通过在虚拟网络内部设置网络缓冲区、优化路由策略等方式来减少丢包率。
地址空间划分：在网络资源虚拟化过程中，每个虚拟网络需要有独立的地址空间，以便于不同虚拟网络内的应用程序之间进行通信。可以通过使用虚拟局域网(VLAN)等技术手段，将不同虚拟网络内的主机划分到不同的子网中，以实现地址空间的划分。
安全策略配置：在虚拟网络中，不同应用程序需要有不同的安全策略，以确保网络的安全性。可以通过设置虚拟网络内的防火墙、访问控制等安全机制，实现对虚拟网络的安全保护。
(3)配置虚拟网络：根据应用程序的需求，为不同的虚拟网络分配不同的带宽、优先级和服务质量等，以满足应用程序对网络资源的要求。
2、计算节点选择和任务数据调度
通感算架构需要实现算力服务的按需实时调度和高效共享，为此需要实现计算节点的选择和任务数据的调度。为了实现这一步骤，需要采取以下措施：
(1)计算节点选择：通过监测系统中各计算节点的资源状态，如CPU、内存、网络带宽等，选择最适合任务的计算节点。具体的筛选标准包括以下几个方面：
CPU利用率：对于一个计算节点，可以通过监测其CPU利用率来确定其当前是否处于忙碌状态。如果一个计算节点的CPU利用率已经达到了预设的阈值，说明该节点可能无法及时完成分配给它的任务，此时不应该选择该节点进行任务的调度。
内存利用率：内存资源对于一些需要大量计算和数据处理的任务来说非常重要，因此在进行计算节点选择时，需要考虑每个节点的内存利用率。如果一个计算节点的内存利用率已经超过了其承受的极限，那么该节点可能无法处理更多的任务，因此也不应该选择该节点进行任务的调度。
网络带宽：在工业互联网中，节点之间的数据传输频繁而且量大，因此网络带宽也是一个非常重要的资源。在进行计算节点选择时，需要考虑每个节点的网络带宽状况。如果一个节点的网络带宽已经达到了其承受的极限，那么该节点在进行任务调度时也应该被排除在外。
其他因素：除了上述三个因素之外，还有一些其他因素也需要考虑。例如，节点的物理位置、电源状态、存储设备状态等等，这些因素都可能会影响计算节点的选择和任务数据的调度。
在实现计算节点选择和任务数据调度时，一般采用的是基于算法的自动化方案。具体来说，可以根据以上所述的筛选标准，为每个计算节点设置一个权值，然后通过比较各节点的权值，来选择最优的节点。例如，可以采用贪心算法、遗传算法、模拟退火算法等多种算法来进行节点选择和任务调度，以实现算力服务的按需实时调度和高效共享。
(2)任务数据调度：根据任务的特性和计算节点的资源状态，将任务数据分发到各个计算节点，以实现算力服务的高效共享。具体实现任务数据的分发可以分为以下几个步骤：
确定任务数据的特性：首先需要确定任务数据的大小、复杂度、数据类型等特性。这些特性将决定如何分配任务数据和计算资源。
监测计算节点资源状态：通过监测各个计算节点的资源状态，包括CPU、内存、网络带宽等，得出各个节点的可用资源情况。这些信息将被用于计算节点的选择和任务数据的分配。
任务数据分配：根据任务数据的特性和计算节点的资源状态，将任务数据分配给最适合的计算节点。具体地，可以采用以下几种方式：
a.基于数据特性分配：将任务数据根据其特性进行分类，例如将计算密集型的数据分配到拥有更多CPU资源的节点上，将I/O密集型的数据分配到拥有更高网络带宽的节点上。
b.基于节点资源状态分配：将任务数据分配给资源利用率低的节点，以实现更高效的资源利用。例如，如果某个节点的CPU利用率很低，但网络带宽利用率很高，则可以将网络带宽要求较高的任务数据分配到该节点上。
c.基于负载均衡分配：通过将任务数据均匀地分配到各个计算节点上，以实现负载均衡。这将确保每个节点的负载在相同的水平上，并提高算力服务的效率。
任务数据同步：分配完成后，需要将任务数据从源节点同步到目标节点。可以采用网络传输技术，例如TCP或UDP协议，实现任务数据的快速传输。
任务数据处理：任务数据分发完成后，各个计算节点可以开始处理任务数据，根据任务数据的特性和计算节点的资源状态，完成相应的计算任务。
总的来说，任务数据分发是根据任务数据的特性和计算节点的资源状态来实现的，主要通过数据特性分配、节点资源状态分配和负载均衡分配等方式来完成，以实现算力服务的高效共享。
3、集成其他组件和实现闭环信息流处理功能
网络虚拟化控制器需要与其他组件进行集成，以实现整个通感算一体化框架的协同工作。为了实现这一步骤，需要采取以下措施：
(1)集成安全管理组件：实现对网络虚拟化控制器的安全保护和管理。
(2)集成任务管理组件：实现对任务的监控和管理，包括任务的状态、进度等信息。
(3)实现闭环信息流处理功能：通过网络虚拟化控制器对网络资源和算力资源的管理和调度，实现对任务的全生命周期管理，包括任务的创建、调度、执行、监控和结果反馈，从而实现整个通感算一体化框架的闭环信息流处理功能。其中具体逻辑联系如下：
集成安全管理组件：在任务创建和执行过程中，安全管理组件负责对网络虚拟化控制器的安全保护和管理，防止恶意攻击和数据泄露。安全管理组件会提供身份验证、访问控制、数据加密等功能，保证通感算架构的安全性。
集成任务管理组件：任务管理组件负责对任务的监控和管理，包括任务的状态、进度等信息。它会根据任务的需求和系统的资源情况，选择最优的计算节点和存储节点，并将任务分发到相应的节点。同时，任务管理组件会实时监测任务的执行情况，如执行时间、任务进度等，并对执行结果进行反馈。
实现闭环信息流处理功能：通过网络虚拟化控制器对网络资源和算力资源的管理和调度，实现对任务的全生命周期管理，包括任务的创建、调度、执行、监控和结果反馈。具体实现管理、调度过程如下：
(1)任务创建：用户向系统提交任务请求，包括任务类型、参数、资源要求等信息。任务管理组件接收任务请求，根据任务要求选择合适的计算节点和存储节点，并将任务分发到相应节点。
(2)任务调度：网络虚拟化控制器根据系统资源状态，包括CPU、内存、网络带宽等，实现对任务的优化调度。调度过程主要包括计算节点的选择、任务分配、资源调度等。
(3)任务执行：任务管理组件实时监测任务的执行情况，如执行时间、任务进度等，并将执行结果反馈给用户。在任务执行过程中，网络虚拟化控制器负责对计算节点和网络资源进行管理和调度，保证任务的高效完成。
(4)任务监控和反馈：网络虚拟化控制器和任务管理组件实时监测任务的执行情况，如任务状态、进度等，并将监测结果反馈给用户。如果任务执行过程中出现异常，系统会根据预设的容错机制自动切换到备用节点或者重新调度任务。
通过以上的实现步骤，网络虚拟化控制器可以实现对计算节点和网络资源的全生命周期管理，保证任务的高效执行和系统的安全性。同时，任务管理组件和安全管理组件的协同工作，保证通感算架构的整体协调性。
4、优化算力资源利用效率和提高系统的可扩展性
为了优化算力资源的利用效率和提高系统的可扩展性，需要采取以下措施：
(1)算力资源管理：通过监测系统中各计算节点的资源状态，动态调整计算节点的使用情况，以提高算力资源的利用效率。具体实现过程如下：
监测各计算节点的资源状态，包括CPU、内存、网络带宽等信息。这可以通过定时向各计算节点发送资源请求指令，获取响应并进行分析得出。
根据资源状态对各计算节点进行分组，以便进行动态调度。可以将计算节点分为三类：空闲节点、负载较轻节点和负载较重节点。空闲节点指当前没有任务执行的计算节点；负载较轻节点指当前执行任务的计算节点，但任务占用的资源较少，有一定的闲置资源；负载较重节点指当前执行任务的计算节点，任务占用的资源较多，资源利用率较高。
根据任务的特性和计算节点的资源状态，选择最适合任务的计算节点。这可以通过计算节点的评分来完成。计算节点的评分主要考虑以下因素：计算节点的资源利用率、任务的优先级、计算节点的可用性和任务与计算节点之间的网络带宽等。
将任务分配给评分最高的计算节点，并对任务进行动态调度。任务的动态调度主要考虑以下因素：任务的优先级、任务的执行进度、计算节点的可用性、计算节点的资源利用率等。任务调度可以通过任务管理组件来实现。
(2)系统的可扩展性：通过水平和垂直两个方向的扩展，增加系统的计算、存储和网络资源，以满足不断增长的业务需求。具体实现过程如下：
水平扩展：通过增加计算节点、存储节点和网络节点来扩展系统的计算、存储和网络资源。具体实现过程包括以下步骤：
(1)选择适合的计算节点、存储节点和网络节点，并将其添加到系统中。
(2)对新节点进行初始化和配置，使其能够与现有节点协同工作。
(3)将新节点添加到资源池中，以便进行资源的动态调度。
垂直扩展：通过升级硬件设备来提高系统的计算、存储和网络性能。具体实现过程包括以下步骤：
(1)评估系统的性能瓶颈，确定需要升级的硬件设备。例如，如果系统的存储性能不足，可以考虑增加硬盘容量、提高硬盘转速或使用固态硬盘等方式来升级存储设备。
(2)选择合适的硬件设备，并进行升级。升级过程中需要注意与现有设备的兼容性和配置的一致性。
(3)对新设备进行初始化和配置，并将其加入到系统中。如果新设备的性能优于现有设备，可以对资源调度算法进行调整，以优先使用新设备。
通过水平和垂直两个方向的扩展，通感算架构能够快速适应业务需求的变化，提高系统的计算、存储和网络性能，实现高效的资源利用和任务调度。
综上所述，网络虚拟化控制器在通感算架构中的作用主要是实现网络资源的虚拟化和管理，实现计算节点的选择和任务数据的调度，集成其他组件和实现闭环信息流处理功能，优化算力资源利用效率和提高系统的可扩展性。
本具体实施方式中的数据交换中心辅助网络虚拟化控制器实现全局的控制和调度，能快速地完成计算任务请求的卸载决策，根据实际业务需求制定数据转发规则，为任务卸载提供依据。具体来说，数据交换中心通过收集来自各个边缘节点和智能终端的感知信息和控制指令，为网络虚拟化控制器提供全局的控制和调度。这些感知信息和控制指令包括网络拓扑结构、带宽利用率、服务质量等，它们被用来分析网络瓶颈和资源利用率，帮助网络虚拟化控制器做出更好的决策。在任务卸载方面，数据交换中心还可以根据实际业务需求制定数据转发规则，为任务卸载提供依据。
在实际应用中，所述云计算层包括集群核心云服务器。
所述云计算层包括集群核心云服务器；本具体实施方式中的云计算层的集群核心云服务器可以通过数据挖掘、机器学习和数据融合等技术，将从IMs和边缘网络上传的数据进行综合和处理，以获得对于大范围区域的感知信息。这些感知信息可以用于实现对工业互联网网络的全局控制和调度，从而提高系统的效率和性能。更进一步，核心云服务器可以记录并智能分析大范围区域的感知信息以构建全局的云智能计算模型库，进而实现全局感知、决策和任务编排。
在实际应用中，所述智能算力网络包括存在终端层的分布式智能计算、存在边缘层的边缘智能计算以及存在云计算层的云智能计算。
所述智能算力网络包括存在终端层的分布式智能计算、存在边缘层的边缘智能计算以及存在云计算层的云智能计算。本具体实施方式中的智能算力网络以通感算一体化为核心支撑，将云-边-端多级算力通过网络化的方式进行连接与协同，实现随时随地的实时感知和算力服务的按需实时调度与高效共享，为各类业务灵活匹配最佳算力资源节点。
在实际应用中，所述工业物联网包括多个物联网关。
所有的物联网关连接形成工业物联网，物联网关是用来进行数据采集的本地主机设备，所有数据通过物联网关进行对接和采集。
本实施例中的物联网关是一套软硬件一体化系统，通过串口连接终端层智能机器采集的工业数据，通过网络接口和边缘层的各个设备进行连接；
本实施例中边缘层和网络层通过防火墙进行连接和隔离；
本实施例中提出的一种基于通感算与虚拟控制器智能融合的工业互联网网络架构和传统的通感算一体化网络架构最大的不同是，新型网络架构具有网络虚拟化控制器，通过数控分离，能够实现集中控制，提高了控制效率，同时控制虚拟化的实现也节约了控制成本，这对于工业制造来说可以带来更大的收益。
基于通感算与虚拟控制器智能融合的工业互联网网络架构的实现包括如下步骤：
简要地，先利用终端层的智能机器的通感一体化功能和分布式智能计算技术在整合工业设备的感知数据的同时实现即时通信系统的自主决策；在此基础之上，以通感算一体化为核心支撑，将云-边-端多级算力通过网络化的方式进行连接与协同，实现随时随地的实时感知和算力服务的按需实时调度与高效共享，具体流程如下：
首先依据分布式智能计算融合智能机器采集的大规模感知信息，通过智能协作和网络化感知，辅助即时通信系统的自主决策；
进一步地，各设备会通过边缘计算网关将数据上传至最近的边缘服务器，进行局部感知信息的融合和处理，进而通过边缘智能计算技术(如强化学习、深度学习等)执行局部决策和局部控制；
进一步地，边缘层的数据流上传至网络层之后，网络虚拟化控制器根据实际业务需求，制定数据转发规则，实现计算节点选择和任务数据调度。具体地，网络虚拟化控制器首先需要了解整个网络拓扑结构，包括边缘计算节点、边缘服务器和云服务器等节点之间的连接方式和带宽信息。基于这些信息，它可以制定一系列的数据转发规则，以实现数据在不同节点之间的传输和处理；其次，网络虚拟化控制器需要对任务数据进行分类和调度。对于不同类型的任务，其数据处理的优先级和分配方式都可能不同。例如，某些任务需要较高的带宽和计算资源，而其他任务则更加注重数据安全和可靠性。因此，网络虚拟化控制器需要根据实际情况对不同类型的任务进行分类和调度，以确保各种任务都能够得到满足。最后，网络虚拟化控制器还需要考虑网络带宽和计算资源的限制。在实际应用中，网络资源和计算资源都是有限的，因此网络虚拟化控制器需要根据当前网络的状态和负载情况，对任务数据的处理和转发进行动态调整，以避免出现资源竞争和网络拥堵等问题。随后，计算和存储任务过大的数据流会被传递到云计算层，云计算层的集群核心云服务器可以通过数据挖掘、机器学习和数据融合等技术，将从IMs和边缘网络上传的数据进行综合和处理，以获得对于大范围区域的感知信息。这些感知信息可以用于实现对工业互联网网络的全局控制和调度，从而提高系统的效率和性能。
最后，云计算层在架构中扮演着重要的角色。其中，构建计算模型库是云计算层实现全局感知、决策和任务编排的关键。具体地，首先，为了构建计算模型库，需要收集大量的感知信息。云计算层会从各个边缘网络和IMs中收集数据，并利用大数据技术进行处理和分析。这些感知信息包括各种传感器数据、视频图像、语音信息等。通过对这些感知信息的分析和挖掘，可以得到更加精确和细致的全局感知信息，包括整个工业生产流程的状态、异常情况和趋势等。
其次，云计算层利用机器学习和深度学习等技术，将收集到的感知信息进行模型训练和建模，构建全局的云智能计算模型库。这些模型包括预测模型、分类模型、聚类模型等，用于预测未来的生产情况、判断生产过程中的异常情况、进行生产计划的优化等。
最后，云计算层利用计算模型库中的模型对收集到的感知信息进行分析和预测，并根据实际情况制定相应的决策和任务编排策略。例如，当生产过程中出现异常情况时，云计算层可以根据预测模型和分类模型判断异常情况的严重程度和类型，并制定相应的应急方案；当需要优化生产计划时，云计算层可以利用聚类模型对生产数据进行分析和归纳，找到最佳的生产计划。
随后，如图4所示，全局决策的结果以及云计算的结果都将回馈至网络层；同理，网络层也会将核心云网的全局决策以及自己的任务调度结果回馈给边缘层设备；紧接着，边缘层将局部决策部署传递给智能终端设备。从而实现了全局的决策、任务编排，解决了工业互联网缺乏闭环信息流智能交互与处理、广域智能协作能力的技术难题。
与此同时，智能算力网络在工业互联网的通感算一体化架构中扮演着重要的角色，通过资源分配、路由优化、多维感知和协作通信等方式，实现了现场网络信息多维感知、协作通信和智能计算功能的深度融合，从而提升了网络传输效率、可靠性和业务确定性。具体而言，智能算力网络可以通过以下方式实现这些目标：
资源分配：智能算力网络可以根据当前业务需求和网络状况，动态分配通信网络的资源，以最大化网络带宽和传输效率，同时保证业务的可靠性和确定性
路由优化：智能算力网络可以根据网络拓扑和实时业务需求，选择最优的数据传输路径和路由策略，以降低网络延迟和丢包率，并提升网络传输效率和可靠性。
多维感知：智能算力网络可以通过与边缘设备和云计算层的数据交互，实现多维感知和数据融合。例如，智能算力网络可以结合传感器数据、视频流和图像识别结果等信息，对现场环境进行全方位感知和分析，从而实现更加精准的决策和控制。
协作通信：智能算力网络可以通过智能协作和优化通信策略，实现边缘设备和云计算层之间的高效通信和数据交互。例如，智能算力网络可以通过优化通信协议和压缩算法，降低数据传输的带宽和延迟，从而提高通信效率和性能。
综上所述，本发明提出的一种基于通感算与虚拟控制器智能融合的工业互联网网络架构可以解决目前工业互联网存在的控制功能不集中导致资源浪费的问题以及缺乏闭环信息流智能交互与处理、广域智能协作能力的两大技术问题。
本发明提出的框架结合通感算一体化框架和网络虚拟化控制器的各自优势，既赋予该框架智能算力网络，使得按需实时调度与高效共享成为可能；又赋予该框架网络虚拟化控制器，使得控制功能更加集中，实现虚拟化控制，大大节约控制成本。同时由于数控分离，进一步提高框架的数据处理效率，为实现更高效的数据协同传输提供保障。
本发明与现有技术相比，有益的技术效果如下：
1、本发明提供了一种基于通感算与虚拟控制器智能融合的工业互联网网络架构，通过架构下通感算一体化为智能框架提供感知功能和智能算力网络，从而减少传统工厂的设备替换，为智能工厂灵活匹配最佳算力资源节点。
2、本发明提供了一种基于通感算与虚拟控制器智能融合的工业互联网网络架构，通过智能融合技术对全网通感算一体化算力资源池化及资源高效调配，对感知信息进行决策从而实现工厂的智能化生产和控制。该策略满足复杂工业互联网需要智能适应、多维资源动态按需分配的柔性需求。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于通感算与虚拟控制器智能融合的工业互联网网络架构，其特征在于，包括：终端层、边缘层、网络层、云计算层以及智能算力网络；所述智能算力网络包括所述终端层的分布式智能计算技术、所述边缘层的边缘智能计算技术以及所述云计算层的云智能计算技术；
所述终端层与所述智能算力网络以及所述边缘层相连接；所述边缘层与所述智能算力网络、所述终端层以及所述网络层相连接；所述网络层与所述边缘层以及所述云计算层相连接；所述云计算层与所述网络层以及所述智能算力网络相连接；
所述终端层包括多个智能终端，所述智能终端用于采用分布式智能计算技术融合感知信息，通过通感一体化技术辅助工业互联网系统生成自主决策，并将所述感知信息以及所述自主决策传输至所述边缘层；
所述边缘层用于通过边缘智能计算技术对所述感知信息进行处理，执行局部决策和局部控制，生成局部决策部署，将所述局部决策部署返回至所述终端层中的智能终端进行反馈和决策，以及将处理后的感知信息发送至所述网络层进行集中管理和协调；
所述网络层包括网络虚拟化控制器；所述网络虚拟化控制器用于根据所述局部决策部署选择计算节点以及调度任务数据，生成第一全局决策以及任务调度结果，并将所述第一全局决策以及所述任务调度结果反馈至所述边缘层；
所述云计算层用于通过云智能计算技术，构建全局云智能计算模型库，实现全局感知、决策和任务编排，生成第二全局决策和云计算结果，并将所述第二全局决策以及所述云计算结果反馈至所述网络虚拟化控制器。
2.根据权利要求1所述的基于通感算与虚拟控制器智能融合的工业互联网网络架构，其特征在于，所述网络虚拟化控制器，具体包括：网络资源虚拟化和管理功能、计算节点选择和任务数据调度功能、集成组件和实现闭环信息流处理功能以及优化算力资源利用效率和提高工业互联网系统的可扩展性功能。
3.根据权利要求2所述的基于通感算与虚拟控制器智能融合的工业互联网网络架构，其特征在于，所述网络资源虚拟化和管理功能，具体包括：对网络资源进行识别和分类，同时确定应用程序的需求；所述应用程序的需求包括带宽、时延以及丢包率；在进行网络资源虚拟化时，根据所述应用程序的需求对物理网络资源进行划分和分配，配置虚拟网络。
4.根据权利要求2所述的基于通感算与虚拟控制器智能融合的工业互联网网络架构，其特征在于，所述计算节点选择和任务数据调度功能，具体包括：监测各计算节点的资源状态；所述资源状态包括CPU、内存以及网络带宽；根据所述计算节点的资源状态以及任务特性，选择适合任务的计算节点，将任务数据分发至各个所述适合任务的计算节点，共享算力服务；所述任务特性包括任务数据的字节数、复杂度以及类型。
5.根据权利要求2所述的基于通感算与虚拟控制器智能融合的工业互联网网络架构，其特征在于，所述集成组件和实现闭环信息流处理功能，具体包括：集成安全管理组件实现对所述网络虚拟化控制器的安全保护和管理，以及集成任务管理组件实现对任务的监控和管理；基于集成结果，通过网络虚拟化控制器对网络资源和算力资源的管理和调度，实现对任务的全生命周期管理；所述全生命周期管理包括任务的创建、调度、执行、监控以及结果反馈。
6.根据权利要求2所述的基于通感算与虚拟控制器智能融合的工业互联网网络架构，其特征在于，所述优化算力资源利用效率和提高工业互联网系统的可扩展性功能，具体包括：监测各个所述计算节点的资源状态，动态调整所述计算节点的使用情况；通过水平和垂直两个方向的扩展，增加所述工业互联网系统的计算能力、存储能力和网络资源，满足不断增长的业务需求。
7.根据权利要求1所述的基于通感算与虚拟控制器智能融合的工业互联网网络架构，其特征在于，所述网络层还包括：数据交换中心；所述数据交换中心用于收集各个边缘节点和所述智能终端的感知信息和控制指令，辅助所述网络虚拟化控制器实现全局的控制和调度。
8.根据权利要求1所述的基于通感算与虚拟控制器智能融合的工业互联网网络架构，其特征在于，所述云计算层，具体包括：集群核心云服务器；所述集群核心云服务器用于通过数据挖掘技术、机器学习技术以及数据融合技术，将所述智能终端和所述边缘层上传的数据进行综合和处理，获取更大范围区域的感知信息，以实现对所述工业互联网系统的全局控制和调度；还用于记录并智能分析扩大后的感知信息，构建全局的云智能计算模型库，实现全局感知、决策和任务编排。
9.根据权利要求1所述的基于通感算与虚拟控制器智能融合的工业互联网网络架构，其特征在于，还包括：工业物联网；
所述工业物联网包括多个连接的物联网关；所述物联网关通过串口连接所述终端层的智能终端采集的工业数据，通过网络接口连接所述边缘层的各个设备；所述物联网关为用于数据采集的本地主机设备。
10.根据权利要求1所述的基于通感算与虚拟控制器智能融合的工业互联网网络架构，其特征在于，所述边缘层和所述网络层通过防火墙进行连接和隔离。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311031184.3A CN116962409B (zh) | 2023-08-16 | 基于通感算与虚拟控制器智能融合的工业互联网系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311031184.3A CN116962409B (zh) | 2023-08-16 | 基于通感算与虚拟控制器智能融合的工业互联网系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116962409A true CN116962409A (zh) | 2023-10-27 |
| CN116962409B CN116962409B (zh) | 2024-06-25 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117434990A (zh) * | 2023-12-20 | 2024-01-23 | 成都易联易通科技有限责任公司 | 粮仓的环境控制方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104917809A (zh) * | 2015-04-13 | 2015-09-16 | 南京邮电大学 | 一种基于计算和通信融合的5g无线网络虚拟化体系架构 |
| WO2021190482A1 (zh) * | 2020-03-27 | 2021-09-30 | 中国移动通信有限公司研究院 | 算力处理的网络系统及算力处理方法 |
| CN114971574A (zh) * | 2022-06-14 | 2022-08-30 | 北京航天长峰科技工业集团有限公司 | 基于云边协同的多模态信息复合感知与融合架构及方法 |
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104917809A (zh) * | 2015-04-13 | 2015-09-16 | 南京邮电大学 | 一种基于计算和通信融合的5g无线网络虚拟化体系架构 |
| WO2021190482A1 (zh) * | 2020-03-27 | 2021-09-30 | 中国移动通信有限公司研究院 | 算力处理的网络系统及算力处理方法 |
| CN114971574A (zh) * | 2022-06-14 | 2022-08-30 | 北京航天长峰科技工业集团有限公司 | 基于云边协同的多模态信息复合感知与融合架构及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 中国通信学会: "通感算一体化网络前沿报告", Retrieved from the Internet <URL:https://www.china-cic.cn/upload/202202/24/57dba93bea4f494f9f5fc72a52f81468.pdf> * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117434990A (zh) * | 2023-12-20 | 2024-01-23 | 成都易联易通科技有限责任公司 | 粮仓的环境控制方法和系统 |
| CN117434990B (zh) * | 2023-12-20 | 2024-03-19 | 成都易联易通科技有限责任公司 | 粮仓的环境控制方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Islam et al. | A survey on task offloading in multi-access edge computing | |
| Wu | Multi-objective decision-making for mobile cloud offloading: A survey | |
| Wei et al. | Reinforcement learning-empowered mobile edge computing for 6G edge intelligence | |
| CN113395679B (zh) | 一种无人机边缘服务器的资源和任务分配优化系统 | |
| Jiang et al. | An edge computing node deployment method based on improved k-means clustering algorithm for smart manufacturing | |
| CN110688213B (zh) | 一种基于边缘计算的资源管理方法、系统及电子设备 | |
| Jazayeri et al. | A latency-aware and energy-efficient computation offloading in mobile fog computing: a hidden Markov model-based approach | |
| Xu et al. | Enhancing kubernetes automated scheduling with deep learning and reinforcement techniques for large-scale cloud computing optimization | |
| Ouyang et al. | Cost-aware edge resource probing for infrastructure-free edge computing: From optimal stopping to layered learning | |
| Fazel et al. | Unlocking the power of mist computing through clustering techniques in IoT networks | |
| Hortelano et al. | A comprehensive survey on reinforcement-learning-based computation offloading techniques in edge computing systems | |
| Abu-Taleb et al. | Offloading decision making in mobile edge computing: A survey | |
| Huang | Quality of service optimization in wireless transmission of industrial Internet of Things for intelligent manufacturing | |
| Si et al. | Joint resource management in cognitive radio and edge computing based industrial wireless networks | |
| Delgado et al. | OROS: Orchestrating ROS-driven collaborative connected robots in mission-critical operations | |
| US11385602B2 (en) | System control method and apparatus, controller, and control system | |
| CN116962409B (zh) | 基于通感算与虚拟控制器智能融合的工业互联网系统 | |
| Kumar et al. | Quality of service‐aware adaptive radio resource management based on deep federated Q‐learning for multi‐access edge computing in beyond 5G cloud‐radio access network | |
| CN116962409A (zh) | 基于通感算与虚拟控制器智能融合的工业互联网网络架构 | |
| Zeydan et al. | A multi-criteria decision making approach for scaling and placement of virtual network functions | |
| CN116980298A (zh) | 一种基于边图注意力的确定性端到端切片流量编排策略 | |
| Zhu et al. | Deep reinforcement learning-based edge computing offloading algorithm for software-defined IoT | |
| Kasturi et al. | An improved energy efficient solution for routing in IoT | |
| Li et al. | SDN based computation offloading for Industrial Internet of Things | |
| CN115134370A (zh) | 一种多无人机辅助的移动边缘计算卸载方法 |
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 |