DE102019209546A1

DE102019209546A1 - Intelligentes Edge-Rechensystem für das Internet of Everything (IoE) für hochzuverlässigen Dienst für das Internet of Things (IoT)

Info

Publication number: DE102019209546A1
Application number: DE102019209546.1A
Authority: DE
Inventors: Kwi Hoon KIM; Wan Seon Lim; Yong Geun Hong
Original assignee: Electronics and Telecommunications Research Institute ETRI
Current assignee: Electronics and Telecommunications Research Institute ETRI
Priority date: 2018-06-29
Filing date: 2019-06-28
Publication date: 2020-01-02
Also published as: US20200007409A1; JP2020004414A

Abstract

Es wird ein intelligentes Edge-Rechensystem für das Internet of Everything (IoE) für einen hochzuverlässigen Dienst für das Internet of Things (IoT) vorgesehen. Das intelligente IoE-Edge-Rechensystem für hochzuverlässige IoT-Dienste gemäß der vorliegenden Erfindung sieht ein modularisiertes, intelligentes IoT-Bezugssystem für diverse Anwendungen vor und weist dahingehend ein technisches Merkmal auf, dass eine intelligente Analyse und Prognose des Datenverkehrs durchgeführt werden.

Description

Querverweis auf verwandte Anmeldung
Diese Anmeldung beansprucht die Priorität und den Nutzen der koreanischen Patentanmeldung Nr. 10-2018-0075842 , eingereicht am 29. Juni 2018, und der koreanischen Patentanmeldung Nr. 10-2019-0070365 , eingereicht am 14. Juni 2019, deren Offenbarung hiermit in ihrer Gesamtheit durch Bezugnahme aufgenommen ist.
Hintergrund
Gebiet der Erfindung
Die vorliegende Erfindung bezieht sich auf ein intelligentes Edge-Rechensystem für das Internet of Everything (loE; Internet von allem) für einen hochzuverlässigen Dienst für das Internet of Things (loT; Internet der Dinge).
Erläuterung der verwandten Technik
Die Umgebung des Internet of Things (loT) weist insofern ein Problem auf, als es sich um eine Umgebung handelt, die durch eine Vorrichtung an sich und eine Netzwerktechnologie beschränkt ist.
Gemäß dem Stand der Technik werden diverse Technologien vorgeschlagen, die eine Verbindbarkeit in einer loT-Umgebung bereitstellen, aber daneben gibt es viele, auf diversen Gebieten für loT-Dienste entwickelte loT-Plattformen nebst einer Vielfalt von Technologien des Edge/Fog Computing (Verarbeitung in Rand- bzw. Bodenbereichen des Rechensystems). Folglich wird eine integrierte loT-Plattform derzeit nicht bereitgestellt.
Zusammenfassung der Erfindung
Die vorliegende Erfindung schlägt ein autonomes, konfigurierbares, intelligentes Informationsbezugssystem für das Internet of Things (loT) und Technologien zur Netzwerksteuerung für einen loT-Dienst vor, sie schlägt ein modularisiertes, intelligentes, auf diverse Anwendungen anwendbares IoT-Informationsbezugssystem vor und stellt ein intelligentes, zu Analyse und Prognose des Datenverkehrs fähiges Edge-Rechensystem für das Internet of Everything (loE) bereit.
Die vorliegende Erfindung sieht ein autonomes, konfigurierbares, intelligentes loT-Informationsbezugssystem, eine Prognose- und Entscheidungstechnologie für Zeitreihendaten auf der Grundlage von Edge-Knoten und Dienste (zum Beispiel intelligente loT-Bauüberwachung) auf der Grundlage des Bezugssystems und der Technologie vor.
Gemäß einem Ausführungsbeispiel wird das Edge Computing, im Gegensatz zum Stand der Technik, bei dem das Edge Computing gemäß den Anforderungen des Diensteanbieters passiv konfiguriert werden muss, autonom konfiguriert, indem die Anforderungen des Diensteanbieters über Text oder ein Foto empfangen werden.
Zusätzlich werden Mindestkosten automatisch anhand von Fusion Prediction (Verschmelzungsprognose) auf der Basis von Regeln, maschinellem Lernen (ML) und Deep Learning (TL; tiefgehendes Lernen) prognostiziert, und der Datenverkehr wird auf der Grundlage einer Richtlinie gesteuert, indem Prognose und Entscheidung auf hybride Weise angewendet werden.
Beispiele für eine Richtlinie beinhalten eine Minimierung des Datenverkehrs, Kostenminimierung (Flat-Rate-Tarife und nutzungsbasierte Tarife), Steuerung der Dienstgüte (QoS) gemäß Benutzerrang, exakte Alarmerkennung und dergleichen.
Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung wird gemäß den Dienstanforderungen automatisch ein Prognose- und Entscheidungsalgorithmus ausgewählt.
Zusätzlich ist es gemäß einem Ausführungsbeispiel der vorliegenden Erfindung möglich, ihn nicht nur auf einen Dienst für intelligentes Bauen, sondern auch auf diverse andere Dienste anzuwenden, und ein Dienst für die Videodatenverkehrssteuerung für den Uplink-Datenverkehr (Datenverkehr der Aufwärtsstrecke) kann als Dienst für intelligentes Bauen bereitgestellt werden.
Ein intelligenter Cache für virtuelle Realität (VR) kann einen Dienst bereitstellen, bei dem über raumgestützte Videodatenverkehrssteuerung und Bilderkennung ein von einem Benutzer häufig betrachtetes Bild eines Bereichs mit hoher Auflösung übertragen wird und das Bild der übrigen Bereiche mit niedriger Auflösung übertragen wird.
Bei einem VR-Video ist es sehr wahrscheinlich, dass die Leute eine bestimmte Position betrachten und zum Beispiel im Fall eines Kampfsportwettbewerbs hauptsächlich die Akteure betrachtet werden.
Bei einem intelligenten Transportdienst können Mobilitätssteuerung und QoS-Steuerung durch gezieltes Ansteuern eines autonom fahrenden Fahrzeugs durchgeführt werden.
Bei einem hochwertigen Dienst zur Übertragungssteuerung ist die Bereitstellung eines ununterbrochenen Videodienstes möglich.
Bei einem Uplink-Dienst für Personal Broadcasting (personenbezogenes Rundsenden) ist eine für den jeweiligen Rang mehrerer Benutzer optimierte Uplink-Datenverkehrssteuerung möglich.
Figurenliste
Die oben genannten und weitere Aufgaben, Merkmale und Vorteile der vorliegenden Erfindung werden Fachleuten mit durchschnittlichen Kenntnissen auf dem Gebiet aus der Beschreibung beispielhafter Ausführungsbeispiele unter Bezugnahme auf die nachfolgenden Zeichnungen besser ersichtlich werden. Es zeigen:

1 ein Diagramm, das eine Ausbildung eines autonomen, konfigurierbaren, intelligenten Informationsbezugssystems für das Internet of Things (loT) gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht;
2 ein Blockdiagramm, das ein intelligentes loT-Edge-Rechensystem gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht;
3 ein Diagramm, das eine funktionale Ausbildung eines intelligenten loT-Edge-Rechensystems gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht;
4 ein Diagramm, das Referenzpunkte eines intelligenten loT-Edge-Rechensystems gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht;
5 ein Nachrichtenformat eines Referenzpunkts gemäß einem Ausführungsbeispiel der vorliegenden Erfindung;
6A bis 6D Diagramme, die Nachrichtenspezifikationen eines Referenzpunkts gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulichen;
7 ein Ablaufdiagramm, das eine autonome Initialisierungsverarbeitung gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht;
8 ein Ablaufdiagramm, das eine intelligente Datenverarbeitung gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht;
9 ein Ablaufdiagramm, das eine intelligente Datenverarbeitung zur Endgerätesteuerung gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht;
10 ein Ablaufdiagramm, das eine Verarbeitung der Aktualisierung eines Modells zum maschinellen Lernen (ML) gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht;
11 ein Diagramm, das eine Prognose- und Entscheidungskonfiguration für Zeitreihendaten auf der Grundlage von Edge-Knoten gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht;
12 ein Diagramm, das Prozeduren für Prognosen und Entscheidungen für Zeitreihendaten auf der Grundlage von Edge-Knoten gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht;
13A und 13B Entscheidungsalgorithmen gemäß einem Ausführungsbeispiel der vorliegenden Erfindung;
14 ein Diagramm, das eine Trainings- und Versorgungskonfiguration für Prognosen und Entscheidungen für Zeitreihendaten auf der Grundlage von Edge-Knoten gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht;
15 ein Ablaufdiagramm, das das Training und die Versorgung für Prognosen und Entscheidungen für Zeitreihendaten auf der Grundlage von Edge-Knoten gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht;
16 und 17 Diagramme, die eine Ausbildung einer intelligenten loT-Bauüberwachung auf der Grundlage eines intelligenten IoT-Informationsbezugssystems gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulichen;
18 ein Diagramm, das eine Ausbildung eines intelligenten Cache-Dienstes für virtuelle Realität (VR) auf der Grundlage eines intelligenten IoT-Informationsbezugssystems gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht; und
19 eine Nutzung des intelligenten Cache-Dienstes für virtuelle Realität auf der Grundlage eines intelligenten IoT-Informationsbezugssystems gemäß einem Ausführungsbeispiel der vorliegenden Erfindung.
20 eine Ansicht, die ein Beispiel eines Rechnersystems veranschaulicht, in dem ein Verfahren gemäß einem Ausführungsbeispiel der vorliegenden Erfindung durchgeführt wird.

Detaillierte Beschreibung exemplarischer Ausführungsbeispiele
Vorteile und Merkmale der vorliegenden Erfindung und der Verfahren, um diese zu realisieren, werden bezugnehmend auf nachfolgend unter Bezugnahme auf die beigefügten Zeichnungen ausführlich beschriebene Ausführungsbeispiele offensichtlich.
Die vorliegende Erfindung ist jedoch nicht auf die nachfolgend beschriebenen Ausführungsbeispiele beschränkt, und es sind diverse Modifizierungen davon möglich. Die Ausführungsbeispiele sind lediglich vorgesehen, um die Erfindung ausführlich zu offenbaren und für Fachleute mit durchschnittlichen Kenntnissen auf dem Gebiet klarzustellen, zu welcher Kategorie die Erfindung gehört. Die vorliegende Erfindung ist durch die angehängten Ansprüche definiert.
Die im vorliegenden Dokument verwendete Terminologie dient lediglich dem Zweck, bestimmte Ausführungsbeispiele zu beschreiben, und soll die Erfindung nicht beschränken.
Wie in dem vorliegenden Dokument verwendet, sollen die Singularformen „ein“ und „eine“ sowie „der“, „die“, „das“ auch die Pluralformen einschließen, es sei denn, der Kontext gibt deutlich etwas anderes an. Es versteht sich ferner, dass die Begriffe „weist auf“ und/oder „aufweisend“, wenn diese im vorliegenden Dokument verwendet werden, das Vorhandensein der genannten Merkmale, Ganzzahlen, Schritte, Operationen, Elemente und/oder Komponenten angeben, aber das Vorhandensein oder Hinzufügen eines oder mehrerer anderer Merkmale, Ganzzahlen, Schritte, Operationen, Elemente, Komponenten und/oder Gruppen davon nicht ausschließen.
Der Hintergrund der vorliegenden Erfindung wird beschrieben, um Fachleuten mit durchschnittlichen Kenntnissen auf dem Gebiet Hilfe zum Erlangen eines umfassenden Verständnisses der vorliegenden, im vorliegenden Dokument beschriebenen Erfindung zu geben, und Ausführungsbeispiele der vorliegenden Erfindung werden nachfolgend beschrieben.
Gemäß dem Stand der Technik weist ein Internet of Things (loT) aufgrund einer Vorrichtung an sich und einer Umgebung eines Netzwerks eine begrenzte Umgebung auf.
Die eingeschränkte Umgebung der Vorrichtungen (Dinge) betrifft eine Umgebung, in der die Leistung einer zentralen Verarbeitungseinheit (CPU) und eine Speicherkapazität begrenzt sind.
Im Fall eines Netzwerks beinhaltet die Umgebung eine begrenzte Umgebung aus drahtloser Netzwerktechnologie einschließlich eines LPWA-Netzwerks (Low Power Wide Area; Niedrigenergie-Weitverkehrsnetzwerk) oder eines LLN-Netzwerks (Low-Power and Lossy Network; verlustbehaftetes Niedrigenergienetzwerk).
Gemäß dem Stand der Technik können zur Bereitstellung von Verbindbarkeit in einer solchen loT-Umgebung TCP/IP-Stacks (Transmission Control Protocol/Internet Protocol; Übertragungssteuerungsprotokoll/Internetprotokoll) oder UDP/IP-Stacks (User Datagram Protocol; Benutzerdatagramm-Protokoll) eingehängt werden, um einen Netzwerkbetrieb und einen Datenübertragungsdienst bereitzustellen.
Zusätzlich wird IPv6 anstelle von Ipv4 verwendet, wobei es sich um ein bestehendes Internet-Protokoll handelt, um zahlreichen loT-Vorrichtungen IP-Adressen zuzuweisen.
Außerdem wurde eine Konvergenzschicht zwischen einer IPv6-Schicht und einer MAC-Schicht (Media Access Control; Medienzugriffssteuerung) neu entwickelt und standardisiert, um eine neue drahtlose Technologie einzubinden, die ein LPWA-Netzwerk beinhaltet.
Ferner wird für eine Anwendungsschicht eine Technologie bereitgestellt, die ein CoAP-Protokoll (Constrained Application Protocol; begrenztes Anwendungsprotokoll) beinhaltet, bei dem es sich um eine schlanke Alternative zu HTTP (Hypertext Transfer Protocol; Hypertext-Übertragungsprotokoll) handelt.
In der Zukunft werden verstärkt diverse loT-Vorrichtungen eingeführt werden, und über diese Endgeräte wird eine riesige Menge an Daten generiert werden.
Um solche großen Datenmengen zu verarbeiten, sind skalierbare und effektive Netzwerk- und Rechenplattformtechnologien erforderlich.
Gemäß solchen Erfordernissen wird die Edge/Fog-Computing-Technologie zur Verarbeitung von Daten in der Nähe der Benutzer und loT-Vorrichtungen breiteren Kreisen zugänglich gemacht.
Im Falle von Edge Computing wird für die mobile Kommunikation MEC-Technologie (Mobile Edge Computing; mobile Verarbeitung in Randbereichen des Rechensystems) angewendet.
Bei dieser Technologie führen eine Vorrichtung, ein Zugriffs-Gateway, eine Basisstation und dergleichen unmittelbar für Dienste erforderliche Funktionen aus.
Bei Fog Computing handelt es sich um eine verteilte Rechenplattform, die sich zwischen einer loT-Vorrichtung und einer zentralen, über das Internet bereitgestellten Cloud-Rechenarchitektur befindet.
Edge Computing und Fog Computing werden oft zusammen verwendet, und im Folgenden werden die Edge-Computing- und Fog-Computing-Technologien zusammen beschrieben.
Zusammen mit diesen diversen Edge/Fog-Computing-Technologien wird in einer Situation, in der viele vorhandene loT-Plattformen verschiedener vorhandener loT-Dienstbereiche nebeneinander vorliegen, die Entwicklung zur kontinuierlichen Integration der loT-Plattformen und zur Unterstützung ihrer Interoperabilität weiter vorangetrieben.
Zum Beispiel werden viele loT-Dienste, wie beispielsweise eine intelligente Stadt, eine intelligente Fabrik, ein intelligentes Gesundheitswesen und dergleichen jeweils auf der Grundlage getrennter loT-Plattformen entwickelt.
Dies hat zur Einführung einer großen Anzahl von loT-Plattformen geführt, und da solche loT-Plattformen nicht auf einer gemeinsamen Technologie aufbauen, wird prognostiziert, dass sich die Entwicklungs- und Wartungskosten kontinuierlich erhöhen werden.
loT-Vorrichtungen wurden insbesondere entwickelt, um mit einem Gateway oder einem Betätigungselement zu funktionieren, und daher haben sie den Nachteil, dass sie, wie ein fest zugeordneter Dienst, mit Produkten eines spezifischen Unternehmens gebündelt sind.
Es gibt Aktivitäten zur Unterstützung der Integration von loT-Plattformen durch internationale Standardisierung, und es werden Plattformen, wie beispielsweise M2M und loTivity der OCF, entwickelt, aber eine integrierte loT-Plattform liegt noch nicht vor.
Schließlich gibt es Beschränkungen dahingehend, dass bei zahlreichen loT-Endgeräten und Daten eine Verarbeitung nur mit IPv6 und CoAP, bei denen es sich um IP-Technologien wie das Internet handelt, und einer zentralen Cloud-Server-Technologie unmöglich ist, und es unmöglich ist, eine skalierbare Verbindbarkeit zu unterstützen.
Zusätzlich wurden vorhandene loT-Plattformen spezifisch für verschiedene Technologien und Dienstbereiche entwickelt, und es ist schwierig, eine Lösung für deren Integration zu entwickeln.
Daher besteht Bedarf an einer Technologie, die eine effektive Verbindbarkeit und Mobilität in Umgebungen mit begrenzten Ressourcen vieler loT-Vorrichtungen und in Umgebungen mit begrenztem Netzwerkbetrieb unterstützt und eine große Menge von durch diese Vorrichtungen über eine verteilte Architektur generierten Daten erfasst und verarbeitet.
Zusätzlich ist für die Kompatibilität mit Technologien, wie beispielsweise bestehenden loT-Plattformen oder einem Cloud-Server, ein integriertes Bezugssystem erforderlich, das auf diverse Dienstbereiche anwendbar ist und über ein einfaches, in einem Anwendungsdienst wie dem Web verwendetes Nachrichtenschema, wie beispielsweise RESTful, Netzwerk- und Sicherheitsfunktionen bereitstellt.
Insbesondere haben auf dem Gebiet des intelligenten Bauens eine Reihe von Bauunternehmen unter Leitung der Regierung eine Allianz gebildet, um gemeinsam eine loT- und Smart-Home-Technologie zu entwickeln.
Unternehmen, die im Bereich Smart Homes (intelligente Eigenheime) tätig sind, wie beispielsweise MDS Technology, Sanyoung S&C, Wisenut, Korea Land and Housing Cooperation (LH), Seoul Housing Cooperation (SH) und dergleichen, sowie Telekommunikationsunternehmen, wie beispielsweise SKT und KT, einschließlich Elektronikunternehmen, wie beispielsweise Samsung Electronics, LG Electronics, Coway, Cuchen und dergleichen, sind daran beteiligt.
Sie arbeiten gemeinsam an der Interoperabilität und der Verflechtung von Smart-Home-Plattformen (Plattformen für intelligente Haustechnik) in der Zukunft und wirken an der Entwicklung eines Geschäftsmodells für die Nutzung öffentlicher Informationen und für Smart Homes mit.
Auf einer solchen Grundlage wird die Entwicklung von Technologien für intelligentes Bauen ebenfalls kontinuierlich fortgeführt.
Ein System, das den gesamten Prozess in Echtzeit verwaltet, wird erstellt, indem loT auf diversen Baustellen, wie beispielsweise in den Bereichen Wohnungsbau, Architektur, Hoch- und Tiefbau, Anlagenbau und dergleichen eingeführt wird, wobei mobile/tragbare Vorrichtungen, Drohnen (unbemannte Fluggeräte) und dergleichen verwendet werden.
Ein Dienst, der sich auf intelligentes Bauen bezieht, wird durch das Verschmelzen gemeinsamer Technologien zwischen Internet-Diensteanbietern und Bauunternehmen bereitgestellt, und es werden Technologie und Dienste zur Bereitstellung von Informationen zur Luftqualität auf Baustellen in Echtzeit bereitgestellt.
Eine vorbeugende Technologie im Hinblick auf diverse Beschwerden von Anwohnern einer Baustelle wird angeboten.
Bestehendes Edge Computing ist dadurch gekennzeichnet, dass Verzögerungen dadurch verringert werden, dass Cloud Computing an einen Rand eines Netzwerks verlagert wird und unnötiger, an die Cloud gesendeter Datenverkehr verringert und die Sicherheit erhöht werden.
Um jedoch diverse Dienstanforderungen der jeweiligen Diensteanbieter zu erfüllen, muss bei der Erstellung des Systems gesondert technische Beratung entgegengenommen werden, und es gibt dahingehend ein Problem, dass Verfahren des maschinellen Lernens sporadisch auf die jeweiligen Dienste angewendet werden.
Die vorliegende Erfindung wurde geschaffen, um die oben beschriebenen Nachteile zu überwinden, und sie schlägt ein Steuerungssystem für ein autonomes, konfiguriertes IoT-Informationsbezugssystem und Informationserkundungsnetzwerk für loT-Dienste vor.
Zusätzlich sieht die vorliegende Erfindung ein modularisiertes, intelligentes loT-Bezugssystem für diverse Anwendungen vor und weist dahingehend ein technisches Merkmal auf, dass eine intelligente Analyse und Prognose des Datenverkehrs durchgeführt werden.
Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung ist es möglich, 1) ein intelligentes IoT-Informationsbezugssystem, 2) Prognosen und Bestimmungen für Zeitreihendaten auf der Grundlage von Edge-Knoten und 3) eine Mehrzahl von Diensten auf der Grundlage solcher Technologien (zum Beispiel ein Überwachungssystem für intelligentes Bauen unter Berücksichtigung der Wiederverwendbarkeit der Edge-Technologie) bereitzustellen.
Das intelligente IoT-Informationsbezugssystem gemäß einem Ausführungsbeispiel der vorliegenden Erfindung beinhaltet ein Gateway, das Daten einer loT-Vorrichtung und auf der Grundlage einer Datenanalyse verarbeitete Informationen an einen Cloud-Server weiterleitet.
Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung werden eine Struktur, eine Ausbildung und Arbeitsvorgänge von intelligentem Edge Computing für das Internet of Everything (loE) vorgeschlagen.
Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung ist es möglich, die Netzwerkauslastung durch Erfassen von Informationen von diversen Sensoren über eine Vorrichtung eines intelligenten IoT-Informationsbezugssystems und Auswählen einer Video-Bereitstellungsqualität einer Netzwerkkamera, die einen Standort nach der Analyse einer Situation des Standortes durch statistische Analyse und maschinelles Lernen überwacht, zu verringern.
Eine Baustelle kann als Beispiel herangezogen werden, wobei Informationen zu Geräuschen, Vibrationen und Gas überwacht werden, und wenn solche Informationen einen Bezugswert erreichen, wird ein Dienst zum Übertragen eines hoch aufgelösten Bildes bereitgestellt, und als Sicherheitssystem wird nach Entdeckung eines Eindringlings unter Verwendung eines Bewegungsmelders, eines Personenmelders oder dergleichen ein hoch aufgelöstes Bild übertragen.
Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung ist ein Betrieb möglich, indem lediglich ein loT-Gateway installiert wird, ohne in einem Sensor einen zusätzlichen Protokoll-Stack oder ein Anwendungsprogramm zu installieren.
Zusätzlich ist es möglich, die Sicherheit im Vergleich zu einem Cloud-basierten loT-Dienst gemäß dem Stand der Technik zu verbessern, die Wartungskosten des Servers zu verringern und mit diversen Cloud-Diensten zusammenzuarbeiten.
Es wird ein intelligentes IoE-Informationsbezugssystem vorgeschlagen, das Funktionen zum Verwalten und Steuern einer verteilen, intelligenten Edge/Fog-Netzwerkplattform auf der Grundlage einer informationsorientierten, auf einem Netzwerkbetrieb basierenden, intelligenten Edge/Fog-Netzwerkplattform beinhaltet, die Skalierbarkeit, Mobilität und Verbindbarkeit mit geringer Latenzzeit für 10¹⁰ oder mehr Vorrichtungen (Things; Dinge) bereitstellt.
Es ist möglich, durch Vorrichtungen (Dinge) generierte Informationen auf der Grundlage einer intelligenten Edge/Fog-Netzwerkplattform zu erfassen, zu speichern und zu verarbeiten und die Vorrichtungen zu steuern oder ein Ergebnis einer Analyse an einen Cloud-Dienst zu übertragen.
Gemäß der vorliegenden Erfindung wird die Verbindbarkeit mit der Vorrichtung direkt über einen Netzwerkabschnitt einer Vorrichtung unterstützt.
Um die Verbindbarkeit von Vorrichtungen mit diversen Formen und Umgebungen zu unterstützen, wird eine Netzwerkarchitektur in der Form von Edge/Fog Computing zur Unterstützung von Skalierbarkeit, geringen Latenzzeiten, Mobilität und dergleichen vorgeschlagen.
Es werden Komponenten für maschinelles Lernen und verstärkendes Lernen zur intelligenten Verarbeitung erfasster Daten eingehängt, sodass ein zeitkritischer loT-Dienst mit geringer Latenzzeit unterstützt wird.
1 ist ein Diagramm, das eine Ausbildung eines autonomen, konfigurierbaren, intelligenten IoT-Informationsbezugssystems gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht. Bei dem intelligenten IoT-Informationsbezugssystem gemäß einem Ausführungsbeispiel der vorliegenden Erfindung handelt es sich um eine intelligente Datenverarbeitungsvorrichtung, die auf autonome Weise einen Dienst für künstliche Intelligenz (KI) bereitstellt und über die Analyse von Massendaten (Big Data) eine Edge-Analyse (Analyse am Rand des Rechensystems) durchführt.
Um Edge-Analysen zu unterstützen, sollte die Datennutzung über intelligente Datenverarbeitung einschließlich Datenerfassung, dynamischer Speicherung und vertrauenswürdiger Datenverarbeitung in Echtzeit verstärkt werden. Insbesondere sollten die Analysemodelle regelmäßig aktualisiert werden.
Die technischen Merkmale des autonomen, konfigurierbaren, intelligenten IoT-Informationsbezugssystems gemäß einem Ausführungsbeispiel der vorliegenden Erfindung beinhalten eine Neukonfiguration auf der Grundlage von Mikroservices, eine Frage-und-Antwort-(F&A)/Objekt-Schnittstelle, eine Edge Computing-Konfiguration auf der Grundlage von Sprach- und Bilderkennung und ein zentrales, intelligentes IoT-Informationsbezugssystem.
Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung wird, wenn eine spezifische Anforderung eines Domänen-Diensteanbieters vorliegt, eine Ausbildung eines für einen Domänendienst geeigneten intelligenten Informationsbezugssystems über Sprach- und Bilderkennung automatisch angefordert.
Unter Bezugnahme auf 1 beinhaltet das autonome, konfigurierbare, intelligente IoT-Informationsbezugssystem gemäß einem Ausführungsbeispiel der vorliegenden Erfindung ein Sprach-/Bilderkennungs- und Analysemodul 20, eine autonome Analyseeinheit zur Domänenkonfiguration 30 und ein zentrales intelligentes Informationsbezugssystem 40.
Das Spracherkennungs- und Analysemodul 20 empfängt eine gesprochene Anforderung eines Domänenanbieters von einem Diensteanbieter 10.
Zum Beispiel wird eine gesprochene Dienstanforderung, wie beispielsweise „Ich möchte einen Alarm wahrnehmen“, „Ich möchte die Kosten durch eine Verringerung des Datenverkehrs verringern, weil der Videodatenverkehr überlastet ist“ oder dergleichen empfangen.
Über eine Spracherkennungseinheit 21 empfangene Sprache wird über die F&A-/ObjektSchnittstelle an ein Kontextanalysemodul 23 weitergeleitet, und das Kontextanalysemodul 23 analysiert die Domänendienstanforderung über eine morphologische Analyse.
Die analysierte Dienstanforderung wird an die autonome Analyseeinheit zur Domänenkonfiguration 30 weitergeleitet.
Zusätzlich erkennt das Bilderkennungs- und Analysemodul 20 über ein Bild einen aktuellen Vorrichtungs- und Dienststatus des Diensteanbieters 10.
Wenn zum Beispiel ein Bild mit einem „Sensor“, einer „Cloud-Vorrichtung“, einem „Verwaltungsbildschirm“, einer „Zugriffsvorrichtung“ und dergleichen übertragen wird, erkennt eine Bilderkennungseinheit 22 automatisch mit den Komponenten in Zusammenhang stehende Objekte, wie beispielsweise die entsprechende Vorrichtung.
Die erkannten Objekte werden über eine Objektschnittstelle einem Objektanalysemodul 24 bereitgestellt.
Das Objektanalysemodul 24 analysiert Vorrichtungs-/Cloud-Anforderungen, wie beispielsweise den Typ und die Spezifikation eines Objekts von Interesse.
Die analysierten Vorrichtungs-/Cloud-Anforderungen werden an die autonome Analyseeinheit zur Domänenkonfiguration 30 weitergeleitet.
Die autonome Analyseeinheit zur Domänenkonfiguration 30 fordert die Domänendiensteanbieter unter Bezugnahme auf die erfassten Dienst-, Vorrichtungs- und Cloud-Anforderungen auf, „eine geeignete, zentrale intelligente Vorrichtung für ein Informationsbezugssystem auszubilden“.
Das zentrale intelligente Informationsbezugssystem 40 ist in der Form verschiedener Mikro-Dienste ausgebildet und ist rekonfigurierbar.
Die autonome Analyseeinheit zur Domänenkonfiguration 30 ruft je nach Anforderung einen geeigneten Mikro-Dienst auf und fungiert als ein autonomes, konfigurierbares, intelligentes IoT-Informationsbezugssystem.
Es folgt eine Beschreibung einer Ausbildung des zentralen intelligenten Informationsbezugssystems 40 unter Bezugnahme auf 2.
2 ist ein Blockdiagramm, das ein intelligentes loT-Edge-Rechensystem gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung sind eine Edge-Netzwerkentität (ENE) 210, eine intelligente Rechenentität (ICE; Intelligent Computing Entity) 220, eine Edge-Gateway-Entität (EGE) 230 und eine Edge-Identifizierungsverwaltungsentität (EME; Edge Identify Management Entity) 240 beinhaltet.
Grundsätzlich wird das intelligente Edge-Rechensystem 200 an einer Stelle zwischen einer Endgerät-Entität (TE) und einem Massendaten-Analyseserver 300, der Massendatenanalysen für Cloud Computing durchführt, eingesetzt.
Die ENE 210 stellt unter Verwendung verschiedenartiger drahtloser Technologien in Umgebungen mit begrenzten Ressourcen Verbindbarkeit zu der TE 100 bereit.
Somit wird die ENE 210 für diverse drahtlose Technologien sowie Protokolle zwischen der TE 100 und dem intelligenten Edge-Rechensystem 200 bereitgestellt.
Die ICE 220 stellt eine Edge-Analysefunktion eines KI-Dienstes für sich selbst oder andere Analysefunktionen, wie beispielsweise Massendatenanalyse für Cloud Computing, bereit.
Die ICE 220 führt über die Erfassung von Informationen Datenanalysefunktionen durch und steuert die TE 100, zusätzlich zur Edge-Analyse, über das Analyseergebnis.
Wenn gemäß der Edge-Analyse der Erfassungsdaten eine ungewöhnliche Situation oder einige Ereignisse prognostiziert wurden, sendet die ICE 220 eine Anforderungsnachricht in Bezug auf eine durch ein Dienstprofil definierte Art von Aktion.
Die EGE 230 stellt eine Funktion zur Zusammenarbeit mit externen Entitäten, die andere intelligente Edge-Rechensysteme (IEC-Systeme) beinhalten, und eine Cloud-Computing-Massendaten-Analysefunktion bereit.
Die EME 240 speichert/verwaltet eine Art von Identität (ID) aller Entitäten, wie beispielsweise der TE 100, der ENE 210, der ICE 220 und der EGE 230 einschließlich Datennamen als IDs.
Die EME 240 ordnet diese Identitäten Metadaten zu, wie beispielsweise einem Standort des intelligenten Edge-Rechensystems 200 und einem Standort der EGE 230.
Somit führt die EME 240 eine Mobilitätsverwaltung, wie beispielsweise der Mobilität der TE 100, durch.
Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung sind ein Verarbeitungsmanager für intelligente Informationen (Orchestrator), eine Datenspeichereinheit (Datenbank), eine Belohnungseinheit und eine Aktionseinheit beinhaltet.
3 ist ein Diagramm, das eine funktionale Ausbildung eines intelligenten IoT-Edge-Rechensystems gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
Unter Bezugnahme auf 3 sind in einer ENE 210a, einer ICE 220a und einer EGE 230a jeweils diverse Funktionsblöcke beinhaltet.
Eine TE-Steuerungs- und Verwaltungsfunktion und eine Datenerfassungsfunktion der ENE 210a, eine Datenanalysefunktion, eine Edge-Analysemodellfunktion, eine Speicherverwaltungsfunktion und eine Datenaggregierungsfunktion der ICE 220a und eine Weiterleitungsverwaltungsfunktion der EGE 230a sind die Datenverarbeitung betreffende Funktionen.
Eine TE-ID-Verwaltungsfunktion der ENE 210a, eine ENE-ID-Verwaltungsfunktion der ICE 220a und eine IEC-ID-Verwaltungsfunktion der EGE 230a sind die ID-Verwaltung betreffende Funktionen.
Eine TE-Verbindungsverwaltungsfunktion der ENE 210a, eine Verwaltungsfunktion für Pull-Nachrichten und eine Verwaltungsfunktion für Push-Nachrichten der ICE 220a und eine Internet-Arbeitsverwaltungsfunktion der EGE 230a sind den Edge-Netzwerkbetrieb betreffende Funktionen.
4 ist ein Diagramm, das Referenzpunkte eines intelligenten IoT-Edge-Rechensystems gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
Die Referenzpunkte sind im Wesentlichen in drei Typen, Dx, Cx und Ux unterteilt.
Ein Referenzpunkt Dx bezeichnet einen Referenzpunkt für einen Datenfluss und beinhaltet die Referenzpunkte Da, Db, Dc, Dd, De, Df und Dg.
Da bezeichnet eine Schnittstelle zwischen der TE 100 und den Datenerfassungsfunktionen der ENE 210a zum Erfassen von Rohdaten.
Db bezeichnet eine Schnittstelle zwischen den Datenerfassungsfunktionen der ENE 210a und den Datenaggregierungsfunktionen der ICE 220a.
Dc bezeichnet eine Schnittstelle zwischen den Datenaggregierungsfunktionen der ICE 220a und den Weiterleitungsverwaltungsfunktionen der EGE 230a.
Dd bezeichnet eine Schnittstelle zwischen den Datenaggregierungsfunktionen der ICE 220a und den Speicherverwaltungsfunktionen der ICE 220a.
De bezeichnet eine Schnittstelle zwischen den Datenaggregierungsfunktionen und den Datenanalysefunktionen der ICE 220a.
Df bezeichnet eine Schnittstelle zwischen den Datenanalysefunktionen und den Speicherverwaltungsfunktionen der ICE 220a.
Dg bezeichnet eine Schnittstelle zwischen den Datenanalysefunktionen der ICE 220a und den Weiterleitungsverwaltungsfunktionen der EGE 230a.
Dh bezeichnet eine Schnittstelle zwischen den Weiterleitungsverwaltungsfunktionen der EGE 230a und dem Massendaten-Analyseserver 300 in der Cloud, und Di bezeichnet eine Schnittstelle zwischen den Weiterleitungsverwaltungsfunktionen der EGE 230a und anderen IECs 200b.
Der Referenzpunkt Cx ist ein Referenzpunkt für einen Steuerdatenfluss und beinhaltet die Referenzpunkte Ca und Cb.
Ca bezeichnet eine Schnittstelle zwischen den TE-Steuerungs- und Verwaltungsfunktionen der ENE 210a und den Datenanalysefunktionen der ICE 220a.
Cb bezeichnet eine Schnittstelle zwischen den TE-Steuerungs- und Verwaltungsfunktionen der ENE 210a und der TE 100.
Der Referenzpunkt Ux ist ein Referenzpunkt für eine Modellaktualisierung und beinhaltet die Referenzpunkte Ua und Ub.
Ua bezeichnet eine Schnittstelle zwischen den Edge-Analysemodellfunktionen der ICE 220a und den Weiterleitungsverwaltungsfunktionen der EGE 230a.
Ub bezeichnet eine Schnittstelle zwischen den Datenanalysefunktion und der Edge-Analysemodellfunktion der ICE 220a.
5 veranschaulicht ein Nachrichtenformat eines Referenzpunkts gemäß einem Ausführungsbeispiel der vorliegenden Erfindung, und 6A bis 6D sind Diagramme, die Nachrichtenspezifikationen eines Referenzpunkts gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulichen.
Eine Nachricht wird im TVL-Codierungsformat (Type-Length-Value; Typ-Länge-Wert) verwendet, und die Felder Typ und Länge sind mit jeweils 2 Byte codiert.
7 ist ein Ablaufdiagramm, das eine autonome Initialisierungsverarbeitung gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
Eine ENE 210, eine ICE 220 und eine EGE 230, die IEC-Entitäten sind, sind mit einer EME 240 als Steuerkanal verbunden (S705).
Eine TE 100 generiert unter Verwendung eines hierarchischen Namens eine ID in derselben Schicht wie eine URI (Uniform Resource Identifier; einheitlicher Bezeichner für Ressourcen) (S710).
Die TE 100 sendet eine Verbindbarkeitsanforderung an die ENE 210 (S715).
Die ENE 210 speichert die ID der TE 100 in einer Tabelle (S720).
Die ENE 210 sendet eine Registrierungsnachricht an die ICE 220, um die ICE 220 über die ID der TE 100 zu benachrichtigen, und sendet die ID der ENE 210 an die ICE 220 (S725).
Die ICE 220 speichert die Identitäten der TE 100 und der ENE 210 (S730).
Die ICE 220 sendet eine Registrierungsanforderung für die Identitäten der TE 100, der ENE 210 und der ICE 220 (S735).
Die EME 240 ordnet die Identitäten der TE 100, der ENE 210 und der ICE 220 zu und speichert die zugeordneten Identitäten (S740) und sendet eine Antwortnachricht auf die Registrierungsanforderung an die TE 100 (S745).
Über diese Prozeduren wird eine Verbindung zwischen der TE 100 und der ENE 210 hergestellt (S750).
8 ist ein Ablaufdiagramm, das eine intelligente Datenverarbeitung gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
Eine TE 100 generiert über ein auslösendes Ereignis Rohdaten (bzw. Daten einer einzelnen Einheit) (S805).
Die TE 100 leitet die Rohdaten an eine ENE 210 weiter (S810).
In diesem Fall werden unterteilte Rohdaten über die Verbindbarkeit zwischen der TE 100 und der ENE 210 durch die ENE 210 erfasst (S815).
Die ENE 210 erfasst unterteilte Daten.
Die ENE 210 leitet die erfassten Daten an eine ICE 220 weiter (S820).
Die ICE 220 analysiert Aggregierungsdaten (S825) und leitet ein Ergebnis der Analyse an eine EGE 230 weiter (S830).
Die Aggregierungsdaten können entweder in einer Speichereinheit gespeichert oder unmittelbar im Rahmen einer Datenstromverarbeitung analysiert werden.
Die Aggregierungsdaten werden zunächst im Rahmen von Vorverarbeitungsphasen verarbeitet, wie beispielsweise hinsichtlich Datenqualität (DQ), und extrahieren, transformieren und laden.
Zusätzlich werden normalisierte Daten unter Verwendung eines Kl-Modells verarbeitet.
Zum Beispiel kann zur Prognose eines zukünftigen Ereignisses ein Prognosemodell für maschinelles Lernen (ML) auf die Edge-Analysen angewendet werden.
Als Ergebnis der Edge-Analyse leitet die ICE 220 die analysierten Daten an einen Massendaten-Analyseserver 300 weiter.
In diesem Fall wird das Weiterleiten der Daten als Ergebnis der ML-Prognose gesteuert, um die Datenverkehrslast zwischen der ICE 220 und dem Massendaten-Analyseserver 300 durch eine Art von Video-Qualitätsanpassungsfunktion, wie beispielsweise eine Video-Umcodierungsfunktion, zu verringern.
Die über eine Edge-Analyse analysierten Daten werden über die Speicherfunktion der ICE 220 gespeichert (S835).
Die Massendatenanalyse der über die Edge-Analyse analysierten Daten kann als neues Merkmal, wie beispielsweise eine Aktualisierung eines Kl-Modells, gefunden werden (S840).
9 ist ein Ablaufdiagramm, das eine intelligente Datenverarbeitung zur Endgerätesteuerung gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
Gemäß der Edge-Analyse der Erfassungsdaten werden eine anormale Situation oder einige Ereignisse prognostiziert (S905).
Eine ICE 220 sendet eine Anforderungsnachricht, um eine Aktion zu veranlassen (S910).
In diesem Fall können Arten von Aktionen über ein Dienstprofil definiert sein.
Zum Beispiel kann die ICE 220 bei einem Videoüberwachungssystem eine Überwachungskamera direkt steuern.
Die TE unternimmt eine unmittelbare Aktion (S915). Beispielsweise kann eine Kamera ein qualitativ hochwertiges Video direkt in der Prognosezeit codieren.
Die TE 100 sendet eine Antwort auf die Anforderung an die ICE 220 (S920).
10 ist ein Ablaufdiagramm, das eine Verarbeitung der Aktualisierung (Update) eines ML-Modells gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
Bevor eine Edge-Analyse erfolgt, fordert eine ICE 220 ein Kl-Modell von einer Massendatenanalyse auf einem Cloud-Server oder in einem Modell-Repository an (S1005).
Die ICE 220 sendet eine Nachricht zur Anforderung eines Kl-Modells mit einem Dienstprofil (S1010).
Gemäß einer Prüfung des Dienstprofils wird auf einem Massendaten-Analyseserver 300 oder in einem Modell-Repository ein geeignetes Kl-Modell ermittelt (S1015).
Der Massendaten-Analyseserver 300 sendet eine Antwort auf eine Anforderung (S1020), wobei die Anforderung zum Anfügen des AI-Modells und von Parametern dient.
Das Modell wird auf die ICE 220 angewendet, um eine Edge-Analyse durchzuführen (S1025).
Nach einem angemessenen Zeitraum führt der Massendaten-Analyseserver 300 Push-Aktualisierungen des Modells durch (S1030).
Die ICE 220 kann ausdrücklich ein neues Kl-Modell anfordern.
Die ICE 220 wendet das Modell an (S1035).
11 ist ein Diagramm, das eine Prognose- und Entscheidungskonfiguration für Zeitreihendaten auf der Grundlage von Edge-Knoten gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
Die Prognose- und Entscheidungskonfiguration für Zeitreihendaten auf der Grundlage von Edge-Knoten gemäß einem Ausführungsbeispiel der vorliegenden Erfindung ist gekennzeichnet in Bezug auf 1) regelbasierte, ML-basierte und DL-basierte Fusion Prediction, 2) einen hybriden Prognose- und Entscheidungsalgorithmus und 3) richtlinienbasierte Datenverkehrssteuerung, Datenverkehrsminimierung, Kostenminimierung (Flat-Rate-Tarife und nutzungsbasierte Tarife) und Zufriedenheit hinsichtlich der Dienstgüte.
Unter Bezugnahme auf 11 beinhaltet die Prognose- und Entscheidungskonfiguration für Zeitreihendaten auf der Grundlage von Edge-Knoten gemäß einem Ausführungsbeispiel der vorliegenden Erfindung eine Sensoreinheit 110, eine Kamera 120, ein Edge-Rechensystem 200 und einen Cloud-Server 400.
Die Sensoreinheit 110 ist ein Satz aus einer Mehrzahl von Sensoren, wie beispielsweise einem Vibrationssensor, einem Geräuschsensor, einem Gassensor und dergleichen.
Die Sensoreinheit 110 stellt dem Edge-Rechensystem 200 Informationen diverser Sensoren, wie beispielsweise Geräusche, Schwingungen, Gas und dergleichen bereit.
Die Kamera 120 kann ein Bild einer Baustelle in FHD-Qualität (Full High-Definition; uneingeschränkt hohe Auflösung) in Echtzeit aufnehmen und das Bild dem Edge-Rechensystem 200 bereitstellen.
Das Edge-Rechensystem 200 stellt Verbindbarkeit, die mit Daten aus einem Netzwerk der Dinge bereitzustellen ist, sowie eine IoE-Informationsverarbeitungsfunktion bereit.
Zusätzlich arbeitet das Edge-Rechensystem 200 als Netzwerkplattform zwischen das jeweilige Bezugssystem bildenden Knoten und Komponenten.
Zusätzlich arbeitet das Edge-Rechensystem 200 als Plattform, die einen Netzwerkbetrieb mit einem Cloud-Server im Internet bereitstellt.
Das Edge-Rechensystem 200 beinhaltet eine Erfassungseinheit für Sensordaten 250, eine Prognoseeinheit (statische Prognose, ML-basierte Prognose) 260, eine Entscheidungseinheit 270 und eine Video-Qualitätsanpassungseinheit 280.
Der Cloud-Server 400 empfängt über das AWS-loT (Amazon Web Services) Sensorinformationen oder empfängt über ein Echtzeit-Nachrichtenprotokoll (RTMP; Real Time Message Protocol) Videoinformationen.
12 ist ein Diagramm, das Prozeduren für Prognosen und Entscheidungen für Zeitreihendaten auf der Grundlage von Edge-Knoten gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung werden über die in 12 gezeigten Prozeduren von einem Sensor 110 generierte Rohdaten bzw. Daten einer einzelnen Einheit verarbeitet.
Über den Sensor 110 empfangene Daten werden über eine Erfassungseinheit für Sensordaten 250 in einer Datenbank (DB) 291 gespeichert (S1201 und S1202).
Zusätzlich werden die Daten von der Erfassungseinheit für Sensordaten 250 an die Prognoseeinheit 260 gesendet (S1203).
Die Prognoseeinheit 260 prognostiziert Daten für den nächsten Zeitraum auf der Grundlage der erfassten Daten und leitet die Prognosedaten an die Entscheidungseinheit 270 weiter (S1204).
Die Entscheidungseinheit 270 bestimmt gemäß einem Algorithmus von 13A und 13B, der nachfolgend beschrieben wird, ob Videodaten mit hoher Auflösung oder mit niedriger Auflösung gesendet werden sollen, und leitet das Ergebnis der Bestimmung an die Video-Qualitätsanpassungseinheit 280 weiter (S1205).
Die Video-Qualitätsanpassungseinheit 280 wendet die Videoqualität gemäß dem von der Entscheidungseinheit 270 empfangenen Ergebnis an und überträgt die Videodaten an den Cloud-Server.
Ein Prognosealgorithmus für eine Entscheidung ist wie folgt ausgebildet, und gemäß einem Ausführungsbeispiel der vorliegenden Erfindung wird ein optimaler Algorithmus aus einer Mehrzahl von Algorithmen ausgewählt.
Ein regelbasierter Algorithmus beinhaltet einen Algorithmus mit letzten Werten (LV) und einen Algorithmus mit gleitendem Mittelwert (MA).
Ein ML-basierter Algorithmus beinhaltet eine Regressionsprognose mit mehreren Variablen (MV_RP).
Ein auf Deep Learning basierender Algorithmus beinhaltet eine MV_RP, ein Long Short Term Memory (LSTM; langes Kurzzeitgedächtnis) und eine allgemeine rekurrente Einheit (GRU; General Recurrent Unit).
13A und 13B veranschaulichen Entscheidungsalgorithmen gemäß einem Ausführungsbeispiel der vorliegenden Erfindung, und die Parameter jedes Algorithmus werden automatisch ausgewählt.
Der Algorithmus von 13A basiert auf einem statischen alarmbasierten Übertragungssteuerungsschema (SA-DCS), und der Algorithmus von 13B basiert auf einem dynamischen alarmbasierten Übertragungssteuerungsschema (DA-DCS).
Als Parameter von 13A und 13B bezeichnet S einen Geräuschgrenzwert (dB), C bezeichnet die Empfindlichkeit für die Änderung der Bildqualität (0<C<1), Ns bezeichnet die Anzahl von Abtastungen pro Sekunde, Tw bezeichnet die Fenstergröße für Geräuschprognosen (Sekunden), Td bezeichnet eine Bezugszeit für die Verringerung der Bildqualität, Uth bezeichnet einen Grenzschwellenwert für die Netzwerkauslastung (Kb/s) und FNth bezeichnet einen Grenzschwellenwert für die Anzahl falscher Negative (Anzahl der Instanzen).
Unter Bezugnahme auf 13A werden Abtastdaten empfangen (S1301), und Geräuschpegel (s₁, s₂, ..., s_Tw*_Ns) für die nächsten Tw-Sekunden werden berechnet (S1302).
Es wird geprüft, ob ein Ergebnis einer Berechnung der Geräuschpegel größer ist als Berechnungsergebnisse des Geräuschgrenzwerts und der Empfindlichkeit für die Änderung der Bildqualität und ob die Netzwerkauslastung bis zum aktuellen Zeitpunkt geringer ist als der Grenzschwellenwert für die Netzwerkauslastung (S1303).
Wenn die Antwort in Schritt S1303 „JA“ ist, wird die aktuelle Zeit t auf den letzten Zeitpunkt aktualisiert, bei dem t'(Max(s_i)>S*C gilt (S1304), und es wird geprüft, ob aktuell Videodaten mit niedriger Auflösung übertragen werden (S1305).
Wenn die Antwort in Schritt S1305 „JA“ ist, wird die Videoqualität auf hohe Auflösung hochgestuft (S1306), und wenn die Antwort in Schritt S1305 „NEIN“ ist, kehrt der Prozess zu Schritt S1301 zurück.
Wenn die Antwort in Schritt S1303 „NEIN“ ist, wird geprüft, ob eine Differenz zwischen dem letzten Zeitpunkt, bei dem t'(Max(s_i)>S*C gilt, und der aktuellen Zeit t größer als oder gleich der Bezugszeit für die Verringerung der Bildqualität ist (S1307).
Wenn die Antwort in Schritt S1307 „NEIN“ ist, kehrt der Prozess zu Schritt S1301 zurück, und wenn die Antwort in Schritt 1307 „JA“ ist, wird geprüft, ob die Videodaten aktuell mit hoher Auflösung übertragen werden (S1308).
Wenn die Antwort in Schritt S1308 „NEIN“ ist, kehrt der Prozess zu Schritt S1301 zurück, und wenn die Antwort in Schritt S1308 „JA“ ist, wird die Videoqualität auf niedrige Auflösung herabgestuft (S1309).
Unter Bezugnahme auf 13B werden Abtastdaten empfangen (S1311), und Geräuschpegel (s₁, s₂, ..., s_Tw*Ns) für die nächsten Tw-Sekunden werden prognostiziert (S1312).
Dann wird die Empfindlichkeit für die Änderung der Bildqualität angepasst (S1313).
Dann wird geprüft, ob ein Prognosewert für den Geräuschpegel größer ist als die Berechnungsergebnisse des Geräuschgrenzwerts und der Empfindlichkeit für die Änderung der Bildqualität und ob die Netzwerkauslastung bis zum aktuellen Zeitpunkt geringer ist als ein Grenzschwellenwert für die Netzwerkauslastung (S1314).
Wenn die Antwort in Schritt S1314 „JA“ ist, wird die aktuelle Zeit t auf den letzten Zeitpunkt aktualisiert, bei dem t'(Max(s_i)>S*C gilt (S1315), und es wird geprüft, ob die Videodaten aktuell mit niedriger Auflösung übertragen werden (S1316).
Wenn die Antwort in Schritt S1316 „JA“ ist, wird die Videoqualität auf hohe Auflösung hochgestuft (S1317), und wenn die Antwort in Schritt S1306 „NEIN“ ist, kehrt der Prozess zu Schritt S1311 zurück.
Wenn die Antwort in Schritt S1314 „NEIN“ ist, wird geprüft, ob eine Differenz zwischen dem letzten Zeitpunkt, bei dem t'(Max(s_i)>S*C gilt, und der aktuellen Zeit t größer als oder gleich der Bezugszeit für die Verringerung der Bildqualität ist (S1318).
Wenn die Antwort in Schritt S1318 „NEIN“ ist, kehrt der Prozess zu Schritt S1311 zurück, und wenn die Antwort in Schritt S1318 „JA“ ist, wird geprüft, ob die Videodaten aktuell mit hoher Auflösung übertragen werden (S1319).
Wenn die Antwort in Schritt S1319 „NEIN“ ist, kehrt der Prozess zu Schritt S1311 zurück, und wenn die Antwort in Schritt S1319 „JA“ ist, wird die Videoqualität auf niedrige Auflösung herabgestuft (S1320).
Gemäß dem oben beschriebenen Algorithmus wird, zum Beispiel in einem Fall, in dem S=60 dB, C=0,8, Tw=30 Sek. und Td=10 Sek. gilt, die Übertragung von Videodaten in hoher Auflösung für 10 Sekunden sichergestellt, wenn ein Punkt prognostiziert wird, an dem ein Geräuschpegel in den nächsten 30 Sekunden 48 dB überschreitet.
14 ist ein Diagramm, das eine Trainings- und Versorgungskonfiguration für Prognosen und Entscheidungen für Zeitreihendaten auf der Grundlage von Edge-Knoten gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
Unter Bezugnahme auf 14 werden in einem Trainingsprozess Teile von Sensorinformationen in einer Sensoreinheit 110 an ein intelligentes Edge-Rechensystem 200 weitergeleitet.
Ein Trainingsverarbeitungsverfahren einer Erfassungseinheit für Sensordaten 150 ist in ein Streaming-Verarbeitungsverfahren (Verarbeitung von Datenströmen) und ein Stapelverarbeitungsverfahren unterteilt.
Bei dem Streaming-Verarbeitungsverfahren werden erfasste Daten an ein ML-Trainingsverarbeitungsmodul 285 weitergeleitet, damit sie erlernt werden, und ein Lernergebnis wird in einer ML-Modell-DB 292 gespeichert.
Beim Stapelverarbeitungsverfahren speichert die Erfassungseinheit für Sensordaten 250 Sensordaten in einer DB 291, und nachdem Daten konsistent erfasst wurden, werden die erfassten Daten in ihrer Gesamtheit in dem ML-Trainingsverarbeitungsmodul 285 verarbeitet, und ein Lernergebnis wird in der ML-Modell-DB 292 gespeichert. Teile der Sensorinformationen in der Sensoreinheit 110 werden an das intelligente Edge-Rechensystem 200 weitergeleitet.
Die Erfassungseinheit für Sensordaten 250 sendet die Sensordaten an eine Prognoseeinheit 260.
Die Prognoseeinheit 260 ruft das letzte Lernergebnis aus der ML-Modell-DB 292 ab, prognostiziert einen zukünftigen Wert und leitet ein Prognoseergebnis an eine Entscheidungseinheit 270 weiter.
15 ist ein Ablaufdiagramm, das Training und Versorgung für Prognosen und Entscheidungen für Zeitreihendaten auf der Grundlage von Edge-Knoten gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht.
Bei einem Trainingsverarbeitungsprozess sendet ein Sensor 110 eine PUT-Nachricht in der Art eines REST (Representational State Transfer; darstellender Zustandsübergang) an eine Erfassungseinheit für Sensordaten 250 (S1501).
Die Erfassungseinheit für Sensordaten 250 speichert entsprechende Daten in einer DB 291 (S1502) und sendet gleichzeitig eine PUT-Nachricht in REST-Weise an ein ML-Trainingsverarbeitungsmodul 285 (S1503).
Beispiele für ein Nachrichtenformat der jeweiligen zu sendenden PUT-Nachricht beinhalten die Parameter Sensor-ID, Zeitstempel, Geräusch, Gas und dergleichen.
Das ML-Trainingsverarbeitungsmodul 285 führt auf der Grundlage der entsprechenden Daten einen Lernvorgang durch und speichert ein Lernergebnis in einer ML-Modell-DB 292 (S1504).
Die Prognoseeinheit 260 lädt das zuletzt gespeicherte ML-Modell für die Versorgung (S1505).
Bei einem Versorgungsverarbeitungsprozess leitet der Sensor 110 Sensordaten an die Erfassungseinheit für Sensordaten 250 weiter (S1511).
Die Erfassungseinheit für Sensordaten 250 leitet eine REST-PUT-Nachricht an die Prognoseeinheit 260 weiter (S1512).
Die Prognoseeinheit 260 prognostiziert ein Ergebnis des nächsten Schritts und sendet entsprechende Daten an eine Entscheidungseinheit 270 (S1513).
Nachfolgend wird ein Domänendienst auf der Grundlage eines intelligenten IoE-Informationsbezugssystems gemäß einem Ausführungsbeispiel der vorliegenden Erfindung beschrieben.
Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung ist es möglich, diverse Dienste auf der Grundlage des oben beschriebenen autonomen, konfigurierbaren, intelligenten IoT-Informationsbezugssystems und der auf Edge-Knoten basierenden Prognose- und Entscheidungstechnologien für Zeitreihendaten bereitzustellen.
16 und 17 sind Diagramme, die eine Ausbildung einer intelligenten IoT-Bauüberwachung auf der Grundlage eines intelligenten IoT-Informationsbezugssystems gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulichen.
Unter Bezugnahme auf 16 wird eine intelligente IoT-Bauüberwachung auf der Grundlage eines intelligenten IoT-Informationsbezugssystems veranschaulicht.
Ein intelligentes Edge-Rechensystem 200 und ein ML-Bezugssystem 600 werden als gemeinsame Architekturen bereitgestellt, und eine Sensoreinheit 110 befindet sich im Westen und ist mit einem Cloud-Server 400 im Osten gekoppelt.
Die Vorrichtungen 500 eines Beschwerdeführers, eines Bauleiters vor Ort und eines Systemmanagers verwenden Dienste über die Cloud.
Unter Bezugnahme auf 17 beinhaltet das intelligente Edge-Rechensystem 200 ein Eingabe/Ausgabe-Schnittstellenverarbeitungsmodul (HTTP, AWS loT, usw.), einen Prozessor zur Erfassung und Speicherung der Daten eines Sensors 110 oder einer Kamera 120, eine Analyse- und Prognoseeinheit für Zeitreihendaten (Prognose eines Alarms für TS-Sensordaten), eine Umform-/Steuereinheit für Videodaten (REST-API für eine Umformung von FHD, HD und SD (Standardauflösung)), ein Übertragungsmodul für Sensordaten (REST-API und mit dem AWS-loT-Übertragungsschema konforme Übertragung von Sensordaten) und ein skalierbares Übertragungsmodul für Videodaten (REST-API und Übertragung von skalierbaren Daten für einen Alarmbereich und einen alarmfreien Bereich).
Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung wird die intelligente IoT-Bauüberwachung durch Verwendung von Edge Computing auf Open Source-Basis (zum Beispiel EdgeX) verwirklicht.
Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung ist es vom Standpunkt des Datenflusses möglich, Baustellendaten (Geräusche, Vibrationen, Gas und Bilder) effektiv zu übertragen und zu speichern und dadurch den Datenverkehr eines drahtlosen Kommunikationsbereichs zu verringern.
Vom Standpunkt eines Benutzers ist es möglich, Informationen (Geräusche, Vibrationen, Gas und Bilder) durch Suche nach Ort und nach Zeit in Echtzeit zu prüfen, wenn Anfragen von einem Beschwerdeführer, einem Bauleiter vor Ort und einem Vertreter der Kommunalverwaltung vorliegen.
18 ist ein Diagramm, das eine Ausbildung eines intelligenten Cache-Dienstes für virtuelle Realität (VR) auf der Grundlage eines intelligenten IoT-Informationsbezugssystems gemäß einem Ausführungsbeispiel der vorliegenden Erfindung veranschaulicht, und 19 veranschaulicht eine Nutzung des intelligenten Cache-Dienstes für virtuelle Realität auf der Grundlage eines intelligenten IoT-Informationsbezugssystems gemäß einem Ausführungsbeispiel der vorliegenden Erfindung.
Informationen des jeweiligen Standpunkts können auf statistischer Basis erfasst und auf ML-Basis analysiert werden.
Letztlich sollte ein Benutzer einen räumlichen Standpunkt bestimmen.
Ein Differenzialcodierer führt die Codierung differenziell auf drei Ebenen durch: hoch, mittel und niedrig.
Ein Benutzer kann VR-Datenströme mit geringer Latenzzeit von einem Edge Computing-Server empfangen, und es ist möglich, Daten im Vergleich zu den herkömmlichen Technologien zu einem früheren Zeitpunkt zu empfangen.
Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung ist es möglich, auf der Grundlage eines intelligenten IoT-Informationsbezugssystems eine Richtlinie für die Videodatenverkehrssteuerung zur Kostenverringerung zu steuern und die gemeinsame Verwendung von Videodatenverkehr für eine hohe Zuverlässigkeit zu steuern.
Zusätzlich ist es möglich, einen Selbstfahrdienst für intelligente Fahrzeuge einschließlich Steuerung der Mobilität und Dienstgüte (QoS), einen hochwertigen Übertragungssteuerungsdienst zur Bereitstellung eines lückenlosen Videodienstes und einen Uplink-Rundsendedienst für Personal Broadcasting, der eine für die Ränge mehrerer Benutzer optimierte Uplink-Datenverkehrssteuerung ermöglicht, bereitzustellen.
Gemäß der vorliegenden Erfindung werden ein autonomes, konfigurierbares, intelligentes Informationsbezugssystem und Prognose- und Entscheidungstechnologien auf der Grundlage von Zeitreihendaten vorgeschlagen, sodass auf der Grundlage eines intelligenten Informationsbezugssystems eine Erweiterung auf diverse Dienste möglich ist.
Gemäß einem Ausführungsbeispiel der vorliegenden Erfindung ist es möglich, einen intelligenten Live-IoT-Feldüberwachungsdienst bereitzustellen, der Geräusch-, Vibrations- und Gaswerte und ein Außenbild einer Baustelle schnell synchronisiert und das Bild im Falle einer Beschwerde online bereitstellt.
Zusätzlich ist es möglich, einen Überlauf zu verhindern und ein Außenbild effizient in der Cloud zu speichern.
Gemäß der vorliegenden Erfindung kann es einem herkömmlichen, passiven Überwachungsverfahren erlaubt sein, zu einem aktiven und unmittelbaren Kooperationsdienst umzuschalten, und es ist möglich, erfasste Daten als Basisdaten für ML zu verwenden.
Vorteilhafte Wirkungen der Erfindung sind nicht auf die vorgenannten Wirkungen beschränkt, und weitere vorteilhafte Wirkungen, die im vorliegenden Dokument nicht beschrieben sind, müssten aus der ausführlichen obigen Beschreibung von Fachleuten auf dem Gebiet verstanden werden.
Indessen kann das intelligente loE-Edge-Rechenverfahren gemäß einem Ausführungsbeispiel der vorliegenden Erfindung in einem Rechnersystem verwirklicht oder auf einem computerlesbaren Speichermedium gespeichert werden. Das Rechnersystem kann wenigstens einen Prozessor, einen Speicher, eine Benutzereingabevorrichtung, einen Datenkommunikationsbus, eine Benutzerausgabevorrichtung und ein Repository beinhalten. Jede der oben beschriebenen Komponenten führt über den Datenkommunikationsbus eine Datenkommunikation durch.
Das Rechnersystem kann ferner eine mit dem Netzwerk gekoppelte Netzwerkschnittstelle beinhalten. Bei dem Prozessor kann es sich um eine Zentralrechnereinheit (CPU) oder eine Halbleitervorrichtung handeln, die einen in dem Speicher und/oder dem Repository gespeicherten Befehl verarbeitet.
Der Speicher und das Repository können diverse Formen von flüchtigen oder nichtflüchtigen Speichermedien beinhalten. Zum Beispiel kann der Speicher einen Nur-Lese-Speicher (ROM) und einen Speicher mit wahlfreiem Zugriff (RAM) beinhalten.
Daher kann das intelligente IoE-Edge-Rechenverfahren gemäß einem Ausführungsbeispiel der vorliegenden Erfindung als ein durch einen Rechner ausführbares Verfahren eingebunden sein. Wenn das intelligente IoE-Edge-Rechenverfahren gemäß einem Ausführungsbeispiel der vorliegenden Erfindung in der Rechnervorrichtung durchgeführt wird, können computerlesbare Befehle das intelligente IoE-Edge-Rechenverfahren gemäß der vorliegenden Erfindung durchführen.
Indessen kann das oben beschriebene, intelligente IoE-Edge-Rechenverfahren gemäß der vorliegenden Erfindung als computerlesbarer Code auf einem computerlesbaren Aufzeichnungsmedium verwirklicht sein. Bei dem computerlesbaren Aufzeichnungsmedium handelt es sich um eine beliebige Datenspeichervorrichtung, die Daten speichern kann, die von einem Rechnersystem gelesen werden können. Zum Beispiel kann es sich bei dem computerlesbaren Aufzeichnungsmedium um ein ROM, ein RAM, ein Magnetband, eine Magnetplatte, einen Flash-Speicher, eine optische Datenspeichervorrichtung oder dergleichen handeln. Zusätzlich kann das computerlesbare Aufzeichnungsmedium auf Rechnersysteme verteilt sein, die über ein Kommunikationsnetzwerk verbunden sind, und in der Form eines Codes gespeichert sein, der durch ein dezentrales Verfahren gelesen und ausgeführt werden kann.
Während die vorliegende Erfindung insbesondere unter Bezugnahme auf die Ausführungsbeispiele davon gezeigt und beschrieben worden ist, wird es von den Fachleuten auf dem Gebiet verstanden werden, dass verschiedene Änderungen bezüglich Form und Einzelheiten darin durchgeführt werden können, ohne dass von dem Erfindungsgedanken und dem Schutzumfang der Erfindung, wie sie in den angehängten Ansprüchen definiert ist, abgewichen wird. Die Ausführungsbeispiele sind nur in beschreibendem Sinne und nicht zum Zweck der Beschränkung in Betracht zu ziehen. Daher ist der Schutzumfang der Erfindung nicht durch die ausführliche Beschreibung der Erfindung, sondern durch die angehängten Ansprüche definiert, und alle Unterschiede innerhalb des Schutzumfangs sind als in der vorliegenden Erfindung beinhaltet anzusehen.
Die oben beschriebene, vorliegende Erfindung kann als computerlesbarer Code auf einem Programmaufzeichnungsmedium verwirklicht sein. Das computerlesbare Medium beinhaltet alle Typen von Speichervorrichtungen, die ausgebildet sind, um Daten zu speichern, die von einem Rechnersystem gelesen werden können. Beispiele für das computerlesbare Medium beinhalten ein Festplattenlaufwerk (HDD), ein Festkörperlaufwerk (SSD), ein Siliziumplattenlaufwerk (SDD), einen Nur-Lese-Speicher (ROM), einen Speicher mit wahlfreiem Zugriff (RAM), eine CD-ROM, ein Magnetband, eine Diskette, eine optische Speichervorrichtung und dergleichen. Zusätzlich kann das computerlesbare Medium in der Form einer Trägerwelle (zum Beispiel Übertragung über das Internet) implementiert sein.
Das Verfahren gemäß einem Ausführungsbeispiel der vorliegenden Erfindung kann in einem Rechnersystem implementiert oder auf einem Aufzeichnungsmedium aufgezeichnet sein. 20 veranschaulicht ein einfaches Ausführungsbeispiel eines Rechnersystems. Wie veranschaulicht, kann das Rechnersystem einen oder mehrere Prozessoren 921, einen Speicher 923, eine Benutzereingabevorrichtung 926, einen Datenkommunikationsbus 922, eine Benutzerausgabevorrichtung 927 eine Speichereinheit 928 und dergleichen beinhalten. Diese Komponenten führen über den Datenkommunikationsbus 922 eine Datenkommunikation durch.
Außerdem kann das Computersystem ferner eine Netzwerkschnittstelle 929 aufweisen, die mit einem Netzwerk verbunden ist. Der Prozessor 921 kann eine zentrale Verarbeitungseinheit (CPU) oder ein Halbleiterbauelement sein, die/das einen Befehl verarbeitet, der in dem Speicher 923 und/oder der Speichereinheit 928 gespeichert ist.
Der Speicher 923 und die Speichereinheit 928 können diverse Arten von flüchtigen oder nichtflüchtigen Speichermedien beinhalten. Zum Beispiel kann der Speicher 923 ein ROM 924 und ein RAM 925 beinhalten.
Somit kann das Verfahren gemäß einem Ausführungsbeispiel der vorliegenden Erfindung als Verfahren implementiert werden, das im Rechnersystem ausführbar sein kann. Wenn das Verfahren gemäß einem Ausführungsbeispiel der vorliegenden Erfindung in dem Rechnersystem durchgeführt wird, können computerlesbare Befehle das Produktionsverfahren gemäß der vorliegenden Erfindung durchführen.
Das Verfahren gemäß der vorliegenden Erfindung kann auch in Form von computerlesbaren Codes auf einem computerlesbaren Aufzeichnungsmedium verwirklicht sein. Bei dem computerlesbaren Aufzeichnungsmedium handelt es sich um eine beliebige Datenspeichervorrichtung, die Daten speichern kann, die anschließend von einem Rechnersystem gelesen werden können. Beispiele für das computerlesbare Aufzeichnungsmedium beinhalten Nur-Lese-Speicher (ROM), Speicher mit wahlfreiem Zugriff (RAM), CD-ROMs, Magnetbänder, Disketten und optische Speichervorrichtungen. Das computerlesbare Aufzeichnungsmedium kann außerdem auf über ein Netzwerk gekoppelte Rechnersysteme verteilt sein, sodass der computerlesbare Code verteilt gespeichert und ausgeführt werden kann.
Ferner soll die obige Beschreibung in jeder Hinsicht als veranschaulichend und nicht als einschränkend aufgefasst werden. Der Schutzumfang der Erfindung ist in einem von den angehängten Ansprüchen definierten Sinne zu interpretieren, und die vorliegende Erfindung deckt alle Modifizierungen ab, vorausgesetzt, sie fallen in den Schutzbereich der beigefügten Ansprüche und ihrer Äquivalente.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

KR 1020180075842 [0001]
KR 1020190070365 [0001]

Claims

Ein intelligentes Edge-Rechensystem für das Internet of Everything (loE), das folgende Merkmale aufweist: eine Edge-Netzwerkentität, die ausgebildet ist, um eine Verbindbarkeit mit einer Endgerät-Entität bereitzustellen; eine intelligente Rechenentität, die ausgebildet ist, um eine Edge-Analysefunktion bereitzustellen; eine Edge-Gateway-Entität, die ausgebildet ist, um eine Zusammenarbeit mit externen Entitäten durchzuführen; und eine Edge-Identitätsverwaltungsentität, die eine Identität speichert und verwaltet.
Das intelligente IoE-Rechensystem gemäß Anspruch 1, bei dem die Edge-Netzwerkentität die Verbindbarkeit mit der Endgerät-Entität bereitstellt, indem sie heterogene drahtlose Technologien berücksichtigt.
Das intelligente IoE-Edge-Rechensystem gemäß Anspruch 1, bei dem die intelligente Rechenentität die von einem Dienst der künstlichen Intelligenz (KI) bereitgestellte Edge-Analysefunktion und eine Massendaten-Analysefunktion bereitstellt.
Das intelligente IoE-Edge-Rechensystem gemäß Anspruch 1, bei dem die Edge-Gateway-Entität eine Funktion zur Zusammenarbeit mit externen Entitäten, die andere intelligente Edge-Rechensysteme (IEC-Systeme) beinhalten, und eine Cloud-Computing-Massendaten-Analysefunktion bereitstellt.
Das intelligente IoE-Edge-Rechensystem gemäß Anspruch 1, bei dem die Edge-Identitätsverwaltungsentität die Identität verwaltet, indem sie die Identität Metadaten zuordnet.
Das intelligente IoE-Edge-Rechensystem gemäß Anspruch 1, bei dem die Edge-Netzwerkentität Rohdaten von der Endgerät-Entität erfasst und ein Erfassungsergebnis an die intelligente Rechenentität weiterleitet und die intelligente Rechenentität Aggregierungsdaten analysiert und analysierte Daten an einen Massendaten-Analyseserver weiterleitet.
Das intelligente IoE-Edge-Rechensystem gemäß Anspruch 1, bei dem die intelligente Rechenentität eine Anforderungsnachricht hinsichtlich einer von einem Dienstprofil vordefinierten Art von Aktion sendet, wenn gemäß einer Edge-Analyse von Erfassungsdaten eine anormale Situation oder einige Ereignisse prognostiziert werden.
Das intelligente IoE-Edge-Rechensystem gemäß Anspruch 1, bei dem die intelligente Rechenentität eine Anforderungsnachricht einschließlich eines Dienstprofils sendet, eine Edge-Analyse durchführt, indem sie ein gemäß einer Prüfung des Dienstprofils begründetes KI-Modell darauf anwendet, und das Modell nach einem vorbestimmten Zeitraum gemäß einer von einem Massendaten-Analyseserver per Push durchgeführten Modellaktualisierung anwendet.
Ein intelligentes Edge-Rechensystem für das Internet of Everything (IoE), das folgende Merkmale aufweist: eine Erfassungseinheit für Sensordaten, die ausgebildet ist zum Erfassen von Daten von einer Sensoreinheit; eine Prognoseeinheit, die ausgebildet ist zum Prognostizieren von Daten eines nächsten Zeitraums auf der Grundlage der erfassten Daten; und eine Entscheidungseinheit, die ausgebildet ist zum Empfangen der Prognosedaten von der Prognoseeinheit und zum Bestimmen der Qualität eines von einer Kamera empfangenen Videos.
Das intelligente IoE-Edge-Rechensystem gemäß Anspruch 9, bei dem die Prognoseeinheit durch Verschmelzung von regelbasierter Prognose, auf maschinellem Lernen basierender Prognose und auf Deep Learning basierender Prognose eine autonome Prognose der Mindestkosten durchführt.
Das intelligente loE-Edge-Rechensystem gemäß Anspruch 9, bei dem die Entscheidungseinheit eine Berechnung oder Prognose an einem Beispielwert innerhalb eines Geräuschprognosefensters durchführt und eine Videoqualität bestimmt, indem sie einen Geräuschgrenzwert, eine Empfindlichkeit für die Änderung der Bildqualität und die Frage, ob ein Grenzschwellenwert für die Netzwerkauslastung überschritten ist, berücksichtigt.
Ein intelligentes Edge-Rechensystem für das Internet of Everything (IoE), das folgende Merkmale aufweist: eine Erfassungseinheit für Sensordaten, die ausgebildet ist zum Erfassen von Daten von einer Sensoreinheit; ein Trainingsverarbeitungsmodul für maschinelles Lernen, das ausgebildet ist, um das Training des maschinellen Lernens unter Verwendung von Sensordaten zu verarbeiten; und eine Prognoseeinheit, die ausgebildet ist, um auf der Grundlage der erfassten Daten Daten eines nächsten Zeitraums zu prognostizieren.
Das intelligente IoE-Edge-Rechensystem gemäß Anspruch 12, bei dem die Erfassungseinheit für Sensordaten Daten an das Trainingsverarbeitungsmodul für maschinelles Lernen weiterleitet und das Trainingsverarbeitungsmodul für maschinelles Lernen ein Lernergebnis in einer Modelldatenbank (DB) für maschinelles Lernen speichert.
Das intelligente IoE-Edge-Rechensystem gemäß Anspruch 12, bei dem die Erfassungseinheit für Sensordaten Daten in einer Datenbank (DB) speichert und das Trainingsverarbeitungsmodul für maschinelles Lernen ein Lernergebnis in einer DB für maschinelles Lernen speichert, wenn Lerndaten nach der Erfassung einer vorbestimmten Menge von Daten verarbeitet werden.
Das intelligente IoE-Edge-Rechensystem gemäß Anspruch 12, bei dem die Prognoseeinheit das letzte Lernergebnis aus einer Modelldatenbank (DB) für maschinelles Lernen lädt und ein Prognoseergebnis an eine Entscheidungseinheit weiterleitet.