[發明專利]一種邊緣數據處理方法、系統、裝置及介質

在審

• 申請號: 202111105110.0
• 申請日: 2021-09-22
• 公開（公告）號: CN113886073A
• 公開（公告）日: 2022-01-04
• 發明（設計）人: 陸以勤;沈雄;覃健誠;程喆
• 申請（專利權）人: 華南理工大學
• 主分類號: G06F9/50
• 分類號: G06F9/50;G06N3/04;G06N3/08;G06N20/10
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 鄭宏謀

1.一種邊緣數據處理方法，其特征在于，包括以下步驟：

在對用戶終端發送的服務請求處理完成后，邊緣節點將所述服務請求的數據按照數據類型保存到所述邊緣節點的邊緣存儲器中，當所述邊緣存儲器中同類型數據的存儲容量達到預設的容量存儲門限，將所述同類型數據的類型數據集傳輸到中心云端；

所述中心云端接收并存儲所述邊緣節點傳輸的所述類型數據集，當所述類型數據集達到預設的訓練門限，確定需要訓練的機器學習算法，采用所述類型數據集對所述機器學習算法進行訓練；

對比算法訓練前后的性能，將性能較優的機器學習算法同步更新到所述中心云端和所述邊緣節點的機器學習算法池中。

2.根據權利要求1所述的一種邊緣數據處理方法，其特征在于，所述邊緣數據處理方法還包括以下步驟：

所述用戶終端向所述邊緣節點發送服務請求；

所述邊緣節點根據所述服務請求的數據類型，確定處理所述類型數據的最佳算法；

根據確定的最佳算法，從所述邊緣節點的機器學習算法池中，獲取對應的機器學習算法處理所述服務請求的用戶數據；

數據處理完成后，所述邊緣節點將處理結果返回到所述用戶終端，完成所述用戶終端的服務請求。

3.根據權利要求1所述的一種邊緣數據處理方法，其特征在于，所述確定需要訓練的機器學習算法，包括：

通過所述中心云端的算法選擇器確定需要訓練的機器學習算法；

所述算法選擇器中包含數據類型-機器學習算法映射表，其中，映射表包括多種數據類型和多種機器學習算法，所述數據類型包括圖像數據類型、音頻數據類型、視頻數據類型或者文檔數據類型中的至少一種，所述機器學習算法包括主成分分析、支持向量機、條件隨機場或者神經網絡模型中的至少一種。

4.根據權利要求2所述的一種邊緣數據處理方法，其特征在于，所述確定處理所述類型數據的最佳算法包括：

通過邊緣節點算法選擇器確定處理所述類型數據的最佳算法；

所述算法選擇器中包含數據類型-機器學習算法映射表，其中，映射表包括多種數據類型和多種機器學習算法，所述數據類型包括圖像數據類型、音頻數據類型、視頻數據類型或者文檔數據類型中的至少一種，所述機器學習算法包括主成分分析、支持向量機、條件隨機場或者神經網絡模型中的至少一種。

5.根據權利要求1所述的一種邊緣數據處理方法，其特征在于，所述對比算法訓練前后的性能，將性能較優的機器學習算法同步更新到所述中心云端和所述邊緣節點的機器學習算法池中，包括：

對比算法訓練前后的性能評價結果，所述性能評價結果包括對數據處理的精度、模型的安全性以及者模型的健壯性；

獲取綜合評價較優的機器學習算法同步更新到所述中心云端和所述邊緣節點的機器學習算法池中。

6.根據權利要求1所述的一種邊緣數據處理方法，其特征在于，所述邊緣節點包括邊緣存儲器、機器學習算法池和邊緣節點算法選擇器；

其中，機器學習算法池中包括多種機器學習算法，所述機器學習算法包括主成分分析、支持向量機、條件隨機場、神經網絡模型中的至少一種；

所述邊緣存儲器用于存儲用戶終端傳輸的所述服務請求；

所述機器學習算法池用于存儲處理所述服務請求的用戶數據所需要的機器學習算法；

所述邊緣節點算法選擇器用于依據用戶終端傳輸的所述服務請求的特征在邊緣節點的所述機器學習算法池中選擇對應的機器學習算法。

7.根據權利要求1所述的一種邊緣數據處理方法，其特征在于，所述中心云端包括機器學習算法池、中心云端算法選擇器和動態更新策略；

其中，機器學習算法池中包括多種機器學習算法，所述機器學習算法包括主成分分析、支持向量機、條件隨機場、神經網絡模型中的至少一種；

所述機器學習算法池用于在所述中心云端存儲訓練好的機器學習模型；

所述中心云端算法選擇器用于依據達到訓練門限的所述類型數據集的特征在機器學習算法池中選擇對應的機器學習算法，用于模型訓練；

所述動態更新策略用于動態更新所述中心云端和所述邊緣節點的機器學習算法池中的機器學習模型。