高效智能数据采集与边缘计算融合平台

面向智能制造的工业物联网数据采集与边缘计算研究

针对工业物联网(IIoT)中的数据采集与边缘计算问题,文中提出了一套完整的解决方案.通过"分层协同-动态适配"数据采集架构,实现多协议兼容与高效数据预处理;设计分层边缘计算模型及深度强化学习驱动的任务调度策略,优化资源分配与能效管理;结合动态数据采样,缓存策略及端边云协同框架,提升系统的实时性与灵活性.实验证明,该方案有效解决了数据采集效率低,边缘计算资源有限及数据安全等问题,为实现智能制造全流程的"感知-计算-决策"闭环体系提供了技术支撑.

全新计算架构让新器件"跑起来"

"傅里叶变换"是频率的"翻译器",可将声音,图像等复杂信号转换为频率语言,是科学和工程领域一种基础且应用广泛的计算方式.北京大学人工智能研究院研究员陶耀宇,集成电路学院教授杨玉超组成的科研团队,在国际上首次实现了一种全新的多物理域融合计算架构,可利用后摩尔时代的新器件支持傅里叶变换,使算力提升近4倍,为具身智能,边缘感知,类脑计算,通信系统等领域开辟新的可能.相关研究成果1月9日发表于《自然—电子学》.……

基于5G和MEC边缘云的智慧商超

借助5G网络高带宽,低时延,高可靠的通信特点,MEC(multi-access edge computing,多接入边缘计算)正在推动传统集中式数据中心里的云计算平台与移动网络的融合,将原本位于云数据中心中的服务和功能下沉到移动网络的边缘,在移动网络边缘提供计算,存储,网络和通信资源,使移动网络运营商可以提供更加开放,智能的网络和应用服务.本文设计了一种基于软硬一体化的轻量级虚拟化平台,部署在新型的面向运营商定制边缘服务器上.提供以轻量级虚拟化为内核驱动的计算存储融合的基础资源服务,支持针对应用的快速接入,灵活编排和弹性资源管理.同时,边缘平台可以和云中心实时交互,实现运维简化,应用快速上线,资源高效利用.将此边缘计算平台与智慧室分系统结合,设计实现了基于5G智慧室分的室内定位系统及云边端三级一体的整体解决方案,给用户提供低延迟,高精度,智能化的开放服务.根据实际使用效果,5G加MEC的室内定位解决方案,定位精度高,实时性好,即使在周末客流高峰期,也能满足业务要求.边缘采集到的数据,经过大数据分析后,可用于商场导流,统计热门商铺合理分配商场资源等用途.结合互联网蓝牙应用也为商家带来了营销推广,热门商品实时推广等增值服务.

基于边缘计算的高效节能任务迁移研究

得益于物联网和5G技术的日渐成熟,各类应用程序层出不穷,云计算具备强大的云服务器,能够为海量数据提供计算服务,但是新兴应用的服务形式愈发贴近用户,云计算的远程服务模式已无法满足该类应用的基本需求.边缘计算作为网络边缘侧的多功能服务平台,能够有效弥补云计算的短板,为用户提供实时高效的服务体验.目前,针对边缘计算的研究与日俱增,但是对于终端设备电池的可持续性,网络中资源的合理利用以及时效性任务的优化处理等方面缺乏相关思考,本文致力于基于边缘计算的高效节能任务迁移研究,主要涵盖以下三个方面的贡献: 1)基于D2D协同的边缘计算迁移机制:为了缓解通信压力,降低对服务节点的负荷,本文提出了一种基于D2D协同的边缘计算迁移机制.具体而言,通过综合考虑D2D设备,边缘节点的迁移决策以及传输功率分配,规划了一个任务完成总能耗最小化的优化问题,进一步,定义了D2D设备的积极性度量约束以促进D2D设备与普通用户间的协作.同时,提出了基于动态感知蝙蝠群体的高效计算迁移算法,该算法融合经典蝙蝠算法思想,引入一种自适应的动态惯性权重,以通过实时感知环境变化调整蝙蝠群体的移动方向和速度,并采用混沌映射理论对种群进行初始化.最后,仿真结果表明了本文所提方案能够以较快的速度收敛,并获得最优迁移和功率分配策略,与其他几种基准方案相比,该方案在降低系统能耗方面具有一定的优势. 2)融合能量采集的高效节能计算迁移机制:为了实现物联网设备使用寿命的延续性,提高设备处理任务的能效,构建一个自维持运行的绿色边缘计算系统,本章提出了一种融合能量采集的高效节能计算迁移机制.具体地,基于本地计算资源,能量采集时间分配比例和迁移决策,构建了一个最小化所有用户设备总能耗的优化问题.同时,提出了基于深度学习的高效节能迁移决策与资源分配算法.融合正则化方法的深度神经网络架构设计与随机梯度下降法的采用可加快该算法收敛速度并提高其泛化能力;进一步,结合动量梯度下降解决资源优化分配问题,以达到任务处理总能耗最小化的目标.最后,仿真结果表明本章所提出的机制可获得最优迁移与资源分配策略,并在收敛速度,节省终端设备能耗方面具有较大优势. 3)面向边缘计算的智能资源分配与计算迁移机制:为满足物联网场景中不同用户需求的差异性,提高资源利用率,构建一个高效的边缘计算服务系统,本章提出了一种基于优先级的物联网边缘计算迁移机制,边缘节点通过感知任务的优先程度,合理分配计算资源,并提供相应的计算服务,避免时延敏感型任务因等待时间过长而导致执行失败,提高用户服务质量.具体地,通过综合考虑计算迁移决策,带宽资源和边缘节点计算资源分配,构建了一个基于优先级的任务完成总能耗最小化问题.同时,为解决上述优化问题,设计了一种基于优先级的智能资源分配与计算迁移算法.该算法通过融合深度确定性策略梯度算法的思想,构建了双重"行动者-评论家"网络架构,可加快训练过程的收敛速度,提高稳定性.最后,仿真结果表明了本章所提方案的有效性,并能够获得近似贪婪算法的最优迁移与资源分配策略,与本地计算和完全迁移方案相比,本章提出的算法在系统总能耗方面分别平均减少约52%和13%.