[發(fā)明專利]一種基于異構(gòu)決策模型生成技術(shù)的云邊端協(xié)同方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011258994.9
• 申請(qǐng)日: 2020-11-12
• 公開(kāi)（公告）號(hào): CN112286691A
• 公開(kāi)（公告）日: 2021-01-29
• 發(fā)明（設(shè)計(jì)）人: 陳洪鑫;尹青山;李銳;王建華
• 申請(qǐng)（專利權(quán)）人: 濟(jì)南浪潮高新科技投資發(fā)展有限公司
• 主分類(lèi)號(hào): G06F9/50
• 分類(lèi)號(hào): G06F9/50;G06F9/54;G06N20/00;G06N3/08;G06N5/04;G06F16/36;H04L29/06;H04L29/08
• 代理公司: 濟(jì)南泉城專利商標(biāo)事務(wù)所 37218
• 代理人: 李桂存

一種基于異構(gòu)決策模型生成技術(shù)的云邊端協(xié)同方法，終端設(shè)備通過(guò)各種通信協(xié)議接入邊緣節(jié)點(diǎn)，數(shù)據(jù)流轉(zhuǎn)模塊在邊緣節(jié)點(diǎn)中，通過(guò)特征歸類(lèi)、功能分組等方法實(shí)施數(shù)據(jù)的自適應(yīng)流轉(zhuǎn)，提供異構(gòu)網(wǎng)絡(luò)接入、協(xié)議轉(zhuǎn)換解析、數(shù)據(jù)上傳下發(fā)和設(shè)備響應(yīng)處理等功能，人工智能模塊使用數(shù)據(jù)流轉(zhuǎn)模塊上傳的預(yù)處理后數(shù)據(jù)，根據(jù)不同業(yè)務(wù)場(chǎng)景和工作參數(shù)的終端設(shè)備，實(shí)時(shí)進(jìn)行模型訓(xùn)練，產(chǎn)生異構(gòu)決策模型，模型下發(fā)模塊把人工智能平臺(tái)模塊生成的異構(gòu)決策模型根據(jù)不同的業(yè)務(wù)場(chǎng)景和終端設(shè)備的區(qū)別準(zhǔn)確下發(fā)到匹配的邊緣節(jié)點(diǎn)上，實(shí)現(xiàn)異構(gòu)決策模型和終端設(shè)備的匹配。

技術(shù)領(lǐng)域

本發(fā)明涉及邊緣計(jì)算和人工智能領(lǐng)域，具體涉及一種基于異構(gòu)決策模型生成技術(shù)的云邊端協(xié)同方法。

背景技術(shù)

隨著移動(dòng)網(wǎng)絡(luò)特別是5G技術(shù)的發(fā)展，智能終端設(shè)備呈現(xiàn)爆炸式的增長(zhǎng)，隨之產(chǎn)生海量的數(shù)據(jù)，如何利用這些數(shù)據(jù)進(jìn)行智能終端的研究是非常具有發(fā)展前景的方向。傳統(tǒng)的云計(jì)算是集中式處理方式，離終端設(shè)備較遠(yuǎn)，如果基于終端設(shè)備產(chǎn)生的海量數(shù)據(jù)在云中心處理并建立模型和執(zhí)行，會(huì)引起網(wǎng)絡(luò)延時(shí)變長(zhǎng)、網(wǎng)絡(luò)擁塞、服務(wù)質(zhì)量下降的問(wèn)題。而終端設(shè)備通常計(jì)算能力不足，無(wú)法與云中心相比。在這種背景下，邊緣計(jì)算應(yīng)運(yùn)而生，通過(guò)在靠近終端設(shè)備一側(cè)搭建邊緣節(jié)點(diǎn)，云中心建立的模型放在邊緣節(jié)點(diǎn)執(zhí)行，將云端AI能力下放到邊緣節(jié)點(diǎn)，從而解決上述問(wèn)題。

現(xiàn)有云邊端架構(gòu)中，模型的訓(xùn)練生成和使用不能根據(jù)業(yè)務(wù)場(chǎng)景不同的終端設(shè)備進(jìn)行自動(dòng)匹配。

發(fā)明內(nèi)容

本發(fā)明為了克服以上技術(shù)的不足，提供了一種提高管理不同功能和類(lèi)型的終端設(shè)備的效率的基于異構(gòu)決策模型生成技術(shù)的云邊端協(xié)同方法。

本發(fā)明克服其技術(shù)問(wèn)題所采用的技術(shù)方案是：

一種基于異構(gòu)決策模型生成技術(shù)的云邊端協(xié)同方法，包括如下步驟：

a)終端設(shè)備獲取數(shù)據(jù)后傳輸?shù)竭吘壒?jié)點(diǎn)；

b)邊緣節(jié)點(diǎn)通過(guò)數(shù)據(jù)流轉(zhuǎn)模塊中的協(xié)議轉(zhuǎn)換功能將終端設(shè)備獲取的數(shù)據(jù)轉(zhuǎn)換為云邊端協(xié)同系統(tǒng)可以理解的數(shù)據(jù)；

c)轉(zhuǎn)換后的數(shù)據(jù)通過(guò)基于雙向多路復(fù)用消息通道傳輸?shù)皆浦行牟⑦M(jìn)行數(shù)據(jù)持久化處理，處理后的數(shù)據(jù)傳輸?shù)皆浦行牡娜斯ぶ悄苣K進(jìn)行模型訓(xùn)練；

d)人工智能模塊利用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、知識(shí)圖譜和流式計(jì)算的方式分析計(jì)算終端設(shè)備的功能特性和工作參數(shù)，結(jié)合云端任務(wù)推理模型的設(shè)備約束條件，采用參數(shù)曾廣和模型擴(kuò)張的方法生成面向異構(gòu)集群設(shè)備的動(dòng)態(tài)模型，利用設(shè)備和模型參數(shù)的相互作用關(guān)系函數(shù)動(dòng)態(tài)調(diào)整模型的設(shè)備依賴項(xiàng)，建立異構(gòu)決策模型，實(shí)現(xiàn)任務(wù)模型和終端設(shè)備的準(zhǔn)確和動(dòng)態(tài)匹配；

e)云中心對(duì)生成的異構(gòu)決策模型通過(guò)模型下發(fā)模塊進(jìn)行增量下發(fā)、存量升級(jí)、灰度發(fā)布，把模型應(yīng)用到邊緣節(jié)點(diǎn)AI應(yīng)用中；

f)在模型應(yīng)用過(guò)程中，終端設(shè)備不斷產(chǎn)生的數(shù)據(jù)傳輸?shù)皆浦行闹械娜斯ぶ悄苣K進(jìn)行訓(xùn)練，形成閉環(huán)，實(shí)現(xiàn)模型的增量學(xué)習(xí)。

優(yōu)選的，步驟a)中終端設(shè)備為攝像頭。

優(yōu)選的，步驟a)中終端設(shè)備為傳感器。

優(yōu)選的，步驟a)中終端設(shè)備通過(guò)MQTT協(xié)議或Modbus協(xié)議或OPC-UA協(xié)議或Bluetooth協(xié)議或HTTP協(xié)議把數(shù)據(jù)傳輸?shù)竭吘壒?jié)點(diǎn)。

優(yōu)選的，步驟b)中將轉(zhuǎn)換的云邊端協(xié)同系統(tǒng)可以理解的數(shù)據(jù)分別進(jìn)行清洗、脫敏、加工、聚合處理。

優(yōu)選的，步驟b)中的數(shù)據(jù)流轉(zhuǎn)換模塊結(jié)合數(shù)據(jù)維度和特征復(fù)雜度，通過(guò)特征分類(lèi)、功能分組法實(shí)現(xiàn)數(shù)據(jù)的自適應(yīng)流轉(zhuǎn)。