CN117519991A - 基于边云混合的智能化安全双重预防风险识别方法 - Google Patents

基于边云混合的智能化安全双重预防风险识别方法 Download PDF

Info

Publication number
CN117519991A
CN117519991A CN202410008151.5A CN202410008151A CN117519991A CN 117519991 A CN117519991 A CN 117519991A CN 202410008151 A CN202410008151 A CN 202410008151A CN 117519991 A CN117519991 A CN 117519991A
Authority
CN
China
Prior art keywords
edge
computing task
computing
task
cloud
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
Application number
CN202410008151.5A
Other languages
English (en)
Other versions
CN117519991B (zh
Inventor
李爽
刘娇
张祎
韩世锋
黄晨晨
程德强
薛广哲
许锟
鹿乘
贺超
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202410008151.5A priority Critical patent/CN117519991B/zh
Publication of CN117519991A publication Critical patent/CN117519991A/zh
Application granted granted Critical
Publication of CN117519991B publication Critical patent/CN117519991B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G06F9/5072—Grid computing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q90/00—Systems or methods specially adapted for administrative, commercial, financial, managerial or supervisory purposes, not involving significant data processing
    • G06Q90/20—Destination assistance within a business structure or complex
    • G06Q90/205—Building evacuation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/20—Mining
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/50—Safety; Security of things, users, data or systems
    • 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
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/502—Proximity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/509—Offload

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Architecture (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Animal Behavior & Ethology (AREA)
  • Strategic Management (AREA)
  • Agronomy & Crop Science (AREA)
  • Databases & Information Systems (AREA)
  • Mining & Mineral Resources (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Biomedical Technology (AREA)
  • Computer Security & Cryptography (AREA)

Abstract

本发明涉及安全技术领域，具体而言，涉及一种基于边云混合的智能化安全双重预防风险识别方法，包括：根据矿井中采集的井下数据的种类生成实时的计算任务，于边缘侧至少两个边缘设备进行计算任务的卸载；且边缘设备执行的计算任务包括于云侧同步卸载计算任务；云侧还基于卸载的计算任务的类别进行关联煤矿安全数据的风险识别，且根据风险识别的结果进行风险的管理。这样就解决了矿井环境复杂，数据量大，传统的风险识别和管理方法往往无法满足需求的问题。

Description

基于边云混合的智能化安全双重预防风险识别方法
技术领域
本发明涉及安全技术领域，具体而言，涉及一种基于边云混合的智能化安全双重预防风险识别方法。
背景技术
在智能化建设的浪潮之中，煤矿智能化的技术革新催动着煤矿安全管理迈入智能化，以安全风险智能管控为方向的煤矿智能化安全是智能煤矿建设的安全前提和安全保障，从风险识别和风险管理两个环节入手进行双重预防，采用智能化技术实时收集井下数据，进行运算、评估和管理。然而，由于矿井环境复杂，数据传输和处理存在很大的困难。因此，如何有效地进行矿井数据的采集、传输和处理，成为了当前推动双重预防在煤矿智能化安全领域落地的重要问题。
边缘计算是一种新兴的计算模式，它将计算任务从云端转移到网络边缘的设备上进行处理，可以有效地减少数据传输的延迟，提高数据处理的效率。云侧计算是一种基于云计算的计算模式，它可以提供强大的计算能力和大量的存储空间。将边缘计算和云计算相结合，则可以有效克服井下环境的复杂性，提高对井下数据的运算效率。
发明内容
为解决矿井环境复杂，数据量大，传统的风险识别和管理方法往往无法满足需求的问题，本发明提供了一种基于边云混合的智能化安全双重预防风险识别方法。
第一方面，本发明提供了一种基于边云混合的智能化安全双重预防风险识别方法，包括：
根据矿井中采集的井下数据的种类生成实时的计算任务，于边缘侧至少两个边缘设备进行计算任务的卸载；
且边缘设备执行的计算任务包括于云侧同步卸载计算任务；
所述云侧还基于卸载的计算任务的类别进行关联煤矿安全数据的风险识别，且根据风险识别的结果进行风险的管理。
在一些实施例中，所述计算任务在两个边缘设备上被卸载，在计算任务生成后，计算任务被分配至第一边缘设备，第一边缘设备通过环网交换机同步任务至第二边缘设备，所述第一边缘设备和第二边缘设备所属的网络不同，且通过环网交换机连接，所述环网交换机通过核心交换机连接至云侧。
在一些实施例中，所述第一边缘设备的计算能力不高于第二边缘设备，所述计算能力基于完成同一计算任务的时长确定。
在一些实施例中，所述第一边缘设备卸载计算任务后，根据边缘侧数据库内保存的计算任务执行结果确定计算能力低于第一边缘设备的第二边缘设备，向第二边缘设备卸载计算任务，在计算任务卸载成功后，将计算任务的卸载信息保存至边缘侧数据库内；
在向第二边缘设备卸载计算任务后，所述第一边缘设备向云侧卸载计算任务，在计算任务卸载成功后，将计算任务的卸载信息保存至边缘侧数据库内。
在一些实施例中，所述第二边缘设备向云侧卸载计算任务，在计算任务卸载成功后，将计算任务的卸载信息保存至边缘侧数据库内。
在一些实施例中，第一边缘设备和第二边缘设备所卸载的云侧计算节点不一致。
在一些实施例中，通过边缘侧的数据库保存计算任务在边缘设备和云侧的卸载过程，在计算任务被创建后，在边缘侧的数据库内保存计算任务信息，在边缘设备或云侧进行任务卸载后更新计算任务信息；
且在计算任务后被创建且预置的第一时长后未被至少一个边缘设备卸载时，重新选择边缘设备进行计算任务的卸载；
在计算任务后被创建且预置的第二时长后未被至少两个边缘设备卸载时，重新选择边缘设备进行计算任务的卸载，且在卸载完成后更新计算任务在边缘侧的卸载信息；
在计算任务后被至少两个边缘设备卸载时但未被云服务器卸载时，重新选择边缘设备卸载计算任务，在计算任务卸载后，将计算任务卸载至云侧，且在云侧卸载完成后更新计算任务在边缘侧和云侧的卸载信息。
在一些实施例中，在边缘设备指定的计算时长后计算尚未完成时，所述云侧同步计算的结果至边缘设备，边缘设备基于计算结果完成计算任务。
在一些实施例中，在边缘设备指定的计算时长后，所述云侧同步计算的结果至边缘设备，边缘设备基于计算结果的差异确定计算结果的差异更新边缘设备的计算能力。
在一些实施例中，所述云侧基于卸载的计算任务的类别进行关联煤矿安全数据的风险识别包括：
将计算任务包含的传感器数据在去重后保存至时序数据库内，使用机器学习对风险变化趋势进行分析，确认是否存在和计算任务中包含的传感器数据关联的风险，在风险存在时，基于机器学习提示的风险级别，基于知识图谱确定风险的管理措施。
为解决矿井环境复杂，数据量大，传统的风险识别和管理方法往往无法满足需求的问题，本发明有以下优点：
实时性：本发明利用边缘设备进行计算任务的卸载，可以实现对矿井数据的实时监测和分析；高效性：通过在边缘设备和云侧之间分配计算任务，可以有效地利用两者的计算能力，提高数据处理的效率；智能化：本发明通过利用机器学习等人工智能技术，实现对风险变化趋势的自动分析，从而提高风险识别的准确性；双重预防：本发明不仅能够在数据生成的过程中进行风险识别，还能够根据风险识别的结果进行风险管理，实现双重预防；灵活性：本发明可以根据实际需要，选择不同的边缘设备进行计算任务的卸载，具有很高的灵活性。
附图说明
图1示出了一种基于边云混合的智能化安全双重预防风险识别方法的基本流程图。
具体实施方式
现在将参照若干示例性实施例来论述本公开的内容。应当理解，论述了这些实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本公开的内容，而不是暗示对本公开的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”。术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。术语“另一个实施例”要被解读为“至少一个其他实施例”。
本实施例公开了一种基于边云混合的智能化安全双重预防风险识别方法，如图1所示，可以包括：
根据矿井中采集的井下数据的种类生成实时的计算任务，于边缘侧至少两个边缘设备进行计算任务的卸载；
且边缘设备执行的计算任务包括于云侧同步卸载计算任务；
云侧还基于卸载的计算任务的类别进行关联煤矿安全数据的风险识别，且根据风险识别的结果进行风险的管理。
在本实施例中，通过智能设备采集的井下安全数据，比如：智能穿戴数据、监测监控数据、工业视频数据等，实时传输到边缘设备进行处理，边缘设备接收到数据后，根据数据的种类生成多个计算任务，再将计算任务分配到两个边缘设备上进行卸载。边缘设备向云侧卸载任务，云侧在接收到计算任务后，会根据任务的类别进行关联煤矿安全数据的风险识别，例如，如果计算任务是关于气体浓度的分析，那么云侧会分析气体浓度的变化趋势，判断是否存在安全风险。在风险识别完成后，云侧会根据识别的结果进行风险管理，例如，如果识别出存在火灾风险，那么云侧会启动应急预案，通知相关人员撤离。
在一些实施例中，计算任务在两个边缘设备上被卸载，在计算任务生成后，计算任务被分配至第一边缘设备，第一边缘设备通过环网交换机同步任务至第二边缘设备，第一边缘设备和第二边缘设备所属的网络不同，且通过环网交换机连接，环网交换机通过核心交换机连接至云侧。
在本实施例中，计算任务生成后，该任务先被分配到第一边缘设备进行处理，然后通过环网交换机将任务同步到第二边缘设备。边缘设备所属于不同的网络并与井下智能安全数据采集设备连接形成多个本地网络，它们之间通过环网交换机连接，而环网交换机通过核心交换机将数据传输至云侧进行分析和存储。
在一些实施例中，第一边缘设备的计算能力不高于第二边缘设备，计算能力基于完成同一计算任务的时长确定。
进一步的，在本实施例中，根据两个边缘设备对单元任务的完成速度确定两个边缘设备的计算能力。
在一些实施例中，第一边缘设备卸载计算任务后，根据边缘侧数据库内保存的计算任务执行结果确定计算能力低于第一边缘设备的第二边缘设备，向第二边缘设备卸载计算任务，在计算任务卸载成功后，将计算任务的卸载信息保存至边缘侧数据库内；
在向第二边缘设备卸载计算任务后，第一边缘设备向云侧卸载计算任务，在计算任务卸载成功后，将计算任务的卸载信息保存至边缘侧数据库内。
在本实施例中，生成一个新的计算任务，该任务首先被分配到第一边缘设备上进行处理，如果第一边缘设备的计算能力无法满足任务的要求，那么它会根据边缘侧数据库内保存的计算任务执行结果，确定哪些第二边缘设备的计算能力低于自己，并向这些设备卸载一部分计算任务，在计算任务卸载成功后，第一边缘设备会将计算任务的卸载信息保存至边缘侧数据库内。
在一些实施例中，第二边缘设备向云侧卸载计算任务，在计算任务卸载成功后，将计算任务的卸载信息保存至边缘侧数据库内。
进一步的，在本实施例中，第二边缘设备接收到第一边缘设备卸载过来的计算任务后，第二边缘设备开始执行这些任务。如果第二边缘设备的计算能力足够强，那么第二边缘设备可能会选择在本地完成所有的任务；否则，第二边缘设备可能会选择将部分任务卸载到云侧进行处理。
在一些实施例中，第一边缘设备和第二边缘设备所卸载的云侧计算节点不一致。
进一步的，在本实施例中，第一边缘设备和第二边缘设备根据卸载方案选择不同云侧计算节点。
在一些实施例中，通过边缘侧的数据库保存计算任务在边缘设备和云侧的卸载过程，在计算任务被创建后，在边缘侧的数据库内保存计算任务信息，在边缘设备或云侧进行任务卸载后更新计算任务信息；
且在计算任务后被创建且预置的第一时长后未被至少一个边缘设备卸载时，重新选择边缘设备进行计算任务的卸载；
在计算任务后被创建且预置的第二时长后未被至少两个边缘设备卸载时，重新选择边缘设备进行计算任务的卸载，且在卸载完成后更新计算任务在边缘侧的卸载信息；
在计算任务后被至少两个边缘设备卸载时但未被云服务器卸载时，重新选择边缘设备卸载计算任务，在计算任务卸载后，将计算任务卸载至云侧，且在云侧卸载完成后更新计算任务在边缘侧和云侧的卸载信息。
在本实施例中，生成一个新的计算任务，首先将计算任务的信息保存在边缘侧的数据库，然后再卸载到边缘设备或云侧进行处理，如果一个边缘设备或云侧计算节点完成了任务卸载，则更新边缘侧数据库中的计算任务信息，如果一个计算任务在被创建后的一段时间内（第一时长）没有被至少一个边缘设备卸载，则重新选择边缘设备进行任务卸载。同样地，如果一个计算任务在被创建后的一段时间内（第二时长）没有被至少两个边缘设备卸载，也会重新选择边缘设备进行任务卸载，并更新边缘侧数据库中的计算任务信息；如果一个计算任务已经被至少两个边缘设备卸载，但还没有被云服务器卸载，那么重新选择一个边缘设备来卸载这个任务，一旦任务被成功卸载到云侧，就会更新边缘侧和云侧的数据库中的计算任务信息。
在一些实施例中，在边缘设备指定的计算时长后计算尚未完成时，云侧同步计算的结果至边缘设备，边缘设备基于计算结果完成计算任务。
在本实施例中，边缘设备完成了任务卸载后，开始执行这个任务，但是在指定计算时长结束后任务未能完成，则云侧计算节点将计算结果同步给边缘设备，边缘设备则基于这些结果完成剩余计算。
在一些实施例中，在边缘设备指定的计算时长后，云侧同步计算的结果至边缘设备，边缘设备基于计算结果的差异确定计算结果的差异更新边缘设备的计算能力。
进一步的，在本实施例中，边缘设备比较自己的计算结果和云侧同步过来的计算结果之间的差异，以此来调整自己的计算能力以适应新的计算任务。
在一些实施例中，云侧基于卸载的计算任务的类别进行关联煤矿安全数据的风险识别包括：
将计算任务包含的传感器数据在去重后保存至时序数据库内，使用机器学习对风险变化趋势进行分析，确认是否存在和计算任务中包含的传感器数据关联的风险，在风险存在时，基于机器学习提示的风险级别，基于知识图谱确定风险的管理措施。
在本实施例中，云侧对计算任务中的煤矿安全数据进行风险识别。
本领域的普通技术人员可以理解，上述各实施方式是实现本公开的具体案例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本公开的精神和范围。

Claims (10)

1.基于边云混合的智能化安全双重预防风险识别方法，其特征在于，包括：
根据矿井中采集的井下数据的种类生成实时的计算任务，于边缘侧至少两个边缘设备进行计算任务的卸载；
且边缘设备执行的计算任务包括于云侧同步卸载计算任务；
所述云侧还基于卸载的计算任务的类别进行关联煤矿安全数据的风险识别，且根据风险识别的结果进行风险的管理。
2.如权利要求1所述的基于边云混合的智能化安全双重预防风险识别方法，其特征在于，所述计算任务在两个边缘设备上被卸载，在计算任务生成后，计算任务被分配至第一边缘设备，第一边缘设备通过环网交换机同步任务至第二边缘设备，所述第一边缘设备和第二边缘设备所属的网络不同，且通过环网交换机连接，所述环网交换机通过核心交换机连接至云侧。
3.如权利要求2所述的基于边云混合的智能化安全双重预防风险识别方法，其特征在于，所述第一边缘设备的计算能力不高于第二边缘设备，所述计算能力基于完成同一计算任务的时长确定。
4.如权利要求2所述的基于边云混合的智能化安全双重预防风险识别方法，其特征在于，所述第一边缘设备卸载计算任务后，根据边缘侧数据库内保存的计算任务执行结果确定计算能力低于第一边缘设备的第二边缘设备，向第二边缘设备卸载计算任务，在计算任务卸载成功后，将计算任务的卸载信息保存至边缘侧数据库内；
在向第二边缘设备卸载计算任务后，所述第一边缘设备向云侧卸载计算任务，在计算任务卸载成功后，将计算任务的卸载信息保存至边缘侧数据库内。
5.如权利要求2所述的基于边云混合的智能化安全双重预防风险识别方法，其特征在于，所述第二边缘设备向云侧卸载计算任务，在计算任务卸载成功后，将计算任务的卸载信息保存至边缘侧数据库内。
6.如权利要求5所述的基于边云混合的智能化安全双重预防风险识别方法，其特征在于，第一边缘设备和第二边缘设备所卸载的云侧计算节点不一致。
7.如权利要求1所述的基于边云混合的智能化安全双重预防风险识别方法，其特征在于，通过边缘侧的数据库保存计算任务在边缘设备和云侧的卸载过程，在计算任务被创建后，在边缘侧的数据库内保存计算任务信息，在边缘设备或云侧进行任务卸载后更新计算任务信息；
且在计算任务后被创建且预置的第一时长后未被至少一个边缘设备卸载时，重新选择边缘设备进行计算任务的卸载；
在计算任务后被创建且预置的第二时长后未被至少两个边缘设备卸载时，重新选择边缘设备进行计算任务的卸载，且在卸载完成后更新计算任务在边缘侧的卸载信息；
在计算任务后被至少两个边缘设备卸载时但未被云服务器卸载时，重新选择边缘设备卸载计算任务，在计算任务卸载后，将计算任务卸载至云侧，且在云侧卸载完成后更新计算任务在边缘侧和云侧的卸载信息。
8.如权利要求1所述的基于边云混合的智能化安全双重预防风险识别方法，其特征在于，在边缘设备指定的计算时长后计算尚未完成时，所述云侧同步计算的结果至边缘设备，边缘设备基于计算结果完成计算任务。
9.如权利要求1所述的基于边云混合的智能化安全双重预防风险识别方法，其特征在于，在边缘设备指定的计算时长后，所述云侧同步计算的结果至边缘设备，边缘设备基于计算结果的差异确定计算结果的差异更新边缘设备的计算能力。
10.如权利要求1所述的基于边云混合的智能化安全双重预防风险识别方法，其特征在于，所述云侧基于卸载的计算任务的类别进行关联煤矿安全数据的风险识别包括：
将计算任务包含的传感器数据在去重后保存至时序数据库内，使用机器学习对风险变化趋势进行分析，确认是否存在和计算任务中包含的传感器数据关联的风险，在风险存在时，基于机器学习提示的风险级别，基于知识图谱确定风险的管理措施。
CN202410008151.5A 2024-01-04 2024-01-04 基于边云混合的智能化安全双重预防风险识别方法 Active CN117519991B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410008151.5A CN117519991B (zh) 2024-01-04 2024-01-04 基于边云混合的智能化安全双重预防风险识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410008151.5A CN117519991B (zh) 2024-01-04 2024-01-04 基于边云混合的智能化安全双重预防风险识别方法

Publications (2)

Publication Number Publication Date
CN117519991A true CN117519991A (zh) 2024-02-06
CN117519991B CN117519991B (zh) 2024-03-12

Family

ID=89766793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410008151.5A Active CN117519991B (zh) 2024-01-04 2024-01-04 基于边云混合的智能化安全双重预防风险识别方法

Country Status (1)

Country Link
CN (1) CN117519991B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114037298A (zh) * 2021-11-15 2022-02-11 国能神东煤炭集团有限责任公司 煤矿智能开采综合管理系统
WO2023116460A1 (zh) * 2021-12-25 2023-06-29 深圳先进技术研究院 移动边缘计算环境下多用户多任务计算卸载方法及系统
CN116528356A (zh) * 2023-03-27 2023-08-01 国网福建省电力有限公司经济技术研究院 一种有源配电网端-边-云协同定位的方法与终端
CN116820603A (zh) * 2023-06-05 2023-09-29 南京云泽邮兴科技有限公司 一种基于深度强化学习的智慧工厂冗余卸载方法
CN116886703A (zh) * 2023-03-24 2023-10-13 华南理工大学 一种基于优先级和强化学习的云边端协作计算卸载方法
CN116996941A (zh) * 2023-06-20 2023-11-03 北京智芯微电子科技有限公司 基于配网云边端协同的算力卸载方法、装置及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114037298A (zh) * 2021-11-15 2022-02-11 国能神东煤炭集团有限责任公司 煤矿智能开采综合管理系统
WO2023116460A1 (zh) * 2021-12-25 2023-06-29 深圳先进技术研究院 移动边缘计算环境下多用户多任务计算卸载方法及系统
CN116886703A (zh) * 2023-03-24 2023-10-13 华南理工大学 一种基于优先级和强化学习的云边端协作计算卸载方法
CN116528356A (zh) * 2023-03-27 2023-08-01 国网福建省电力有限公司经济技术研究院 一种有源配电网端-边-云协同定位的方法与终端
CN116820603A (zh) * 2023-06-05 2023-09-29 南京云泽邮兴科技有限公司 一种基于深度强化学习的智慧工厂冗余卸载方法
CN116996941A (zh) * 2023-06-20 2023-11-03 北京智芯微电子科技有限公司 基于配网云边端协同的算力卸载方法、装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱晓娟 等: "智慧煤矿中边缘计算任务分配研究", 工矿自动化, 21 June 2021 (2021-06-21), pages 32 - 38 *

Also Published As

Publication number Publication date
CN117519991B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
CN110659173B (zh) 一种运维系统及方法
KR102402845B1 (ko) 디지털 트윈 기반 건설기계 지능화를 위한 실시간 데이터 처리 방법
Akhavian et al. Knowledge-based simulation modeling of construction fleet operations using multimodal-process data mining
CN109840157A (zh) 故障诊断的方法、装置、电子设备和存储介质
CN110493025A (zh) 一种基于多层有向图的故障根因诊断的方法及装置
CN104376365A (zh) 一种基于关联规则挖掘的信息系统运行规则库的构造方法
CN106672733A (zh) 一种基于微云智能终端的电梯故障分析预警系统及其方法
CN105591803A (zh) 一种资源处理方法和设备
CN109710381A (zh) 高性能计算、大数据、虚拟化特殊容器管理系统及方法
Akhavian et al. Automated knowledge discovery and data-driven simulation model generation of construction operations
CN113502870A (zh) 挖掘机工况判定方法及装置
KR20210125911A (ko) 자동 기계학습 서비스 제공 시스템 및 방법
CN117851257A (zh) 基于云计算的分布式软件测试环境构建系统
CN113591216B (zh) 挖掘机工作模式确定方法、系统及挖掘机
CN117519991B (zh) 基于边云混合的智能化安全双重预防风险识别方法
Canastro et al. Root cause analysis in 5g/6g networks
CN112579402A (zh) 一种应用系统故障定位的方法和装置
CN106920057A (zh) 物料管理方法及系统
CN116938953A (zh) 基于区块链的数据处理方法、装置、电子设备及存储介质
CN115952989A (zh) 基于数字孪生的自然灾害应急调度系统
CN114760341A (zh) 一种工业互联网设备智能管控远程运维平台及方法
CN112560146A (zh) 基于bim的电网数据运维方法、装置、设备及存储介质
CN111651648A (zh) 杆塔关键部件巡检计划的智能化生成方法和装置
CN107066366B (zh) 面向物联网的复杂事件处理引擎状态监控与灾难恢复方法
CN110502553A (zh) 一种基于大数据的辅助决策方法

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