本發(fā)明屬于邊緣計(jì)算和多源異構(gòu)數(shù)據(jù)采集與感知，具體地說(shuō)，是涉及一種基于邊緣計(jì)算的云邊協(xié)同數(shù)據(jù)處理系統(tǒng)。

背景技術(shù)：

1、隨著物聯(lián)網(wǎng)、人工智能等新興技術(shù)的發(fā)展，各種傳感器和智能終端廣泛應(yīng)用于工業(yè)生產(chǎn)、城市管理、個(gè)人生活等領(lǐng)域。這些設(shè)備產(chǎn)生大量異構(gòu)數(shù)據(jù)，包括圖像、視頻、聲音、文本、csv、傳感器測(cè)量值等多種格式。如何有效地采集、整合和利用這些數(shù)據(jù)成為當(dāng)前的技術(shù)難題。

2、傳統(tǒng)的數(shù)據(jù)采集方式和處理是集中式的，即將數(shù)據(jù)從邊緣節(jié)點(diǎn)傳輸?shù)皆贫?，在云端進(jìn)行存儲(chǔ)和計(jì)算。這種數(shù)據(jù)采集和處理方式存在以下問(wèn)題：

3、1、網(wǎng)絡(luò)帶寬壓力大，大量數(shù)據(jù)傳輸占用網(wǎng)絡(luò)帶寬資源。

4、2、時(shí)延高，數(shù)據(jù)從邊緣節(jié)點(diǎn)傳輸?shù)皆贫诵枰欢〞r(shí)間，無(wú)法實(shí)時(shí)處理。

5、3、數(shù)據(jù)隱私風(fēng)險(xiǎn)高，大量敏感數(shù)據(jù)通過(guò)網(wǎng)絡(luò)傳輸，易遭到攻擊和竊??；

6、4、云端調(diào)度壓力大。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種基于邊緣計(jì)算的云邊協(xié)同數(shù)據(jù)處理系統(tǒng)，充分利用邊緣側(cè)的計(jì)算和存儲(chǔ)能力，減輕云端壓力，并降低網(wǎng)絡(luò)帶寬占用，縮短數(shù)據(jù)傳輸實(shí)驗(yàn)，提高數(shù)據(jù)采集處理的實(shí)時(shí)性以及本地化程度，實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)采集、實(shí)時(shí)處理，增強(qiáng)數(shù)據(jù)安全性，降低數(shù)據(jù)被攻擊或盜取的風(fēng)險(xiǎn)，實(shí)現(xiàn)多源異構(gòu)數(shù)據(jù)的云統(tǒng)一管理和高效利用；在云端采用q學(xué)習(xí)+遺傳算法的調(diào)度方法提高調(diào)度優(yōu)化能力，并設(shè)計(jì)改進(jìn)googlenet模型的特征提取方法，實(shí)現(xiàn)弱監(jiān)督的目標(biāo)檢測(cè)。

2、本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)：

3、提出一種基于邊緣計(jì)算的云邊協(xié)同數(shù)據(jù)處理系統(tǒng)，包括：

4、邊緣設(shè)備層，用于采集物理信息，生成原始數(shù)據(jù)；

5、邊緣計(jì)算平臺(tái)層，由多個(gè)邊緣節(jié)點(diǎn)組成，部署在網(wǎng)絡(luò)邊緣，每個(gè)邊緣節(jié)點(diǎn)對(duì)其附近的邊緣設(shè)備進(jìn)行數(shù)據(jù)采集、存儲(chǔ)和預(yù)處理；在邊緣節(jié)點(diǎn)任務(wù)調(diào)度框架下執(zhí)行本地任務(wù)；

6、云平臺(tái)層，對(duì)于云端任務(wù)采用基于q學(xué)習(xí)和遺傳算法的調(diào)度策略得到最優(yōu)調(diào)度方案，以最優(yōu)調(diào)度方案執(zhí)行遠(yuǎn)端任務(wù)。

7、在本發(fā)明一些實(shí)施例中，所述系統(tǒng)基于平臺(tái)云邊協(xié)同資源監(jiān)控，對(duì)邊緣節(jié)點(diǎn)和云平臺(tái)的資源使用情況進(jìn)行監(jiān)控，將任務(wù)劃分為本地執(zhí)行和云端執(zhí)行。

8、在本發(fā)明一些實(shí)施例中，邊緣計(jì)算平臺(tái)層中，預(yù)處理方法包括多目標(biāo)檢測(cè)方法，其包括：

9、使用開源數(shù)據(jù)集對(duì)改進(jìn)googlenet模型進(jìn)行預(yù)訓(xùn)練；

10、將預(yù)訓(xùn)練好的改進(jìn)googlenet模型通過(guò)模型遷移實(shí)現(xiàn)參數(shù)初始化；

11、使用目標(biāo)數(shù)據(jù)集對(duì)初始化模型進(jìn)行訓(xùn)練，進(jìn)行模型參數(shù)優(yōu)化生成最終的生成模型；

12、對(duì)生成的特征圖進(jìn)行加權(quán)求和，生成圖像的cam；

13、根據(jù)檢測(cè)目標(biāo)不同選擇相應(yīng)的損失函數(shù)，使用連通區(qū)域算法對(duì)cam中的特征區(qū)域進(jìn)行計(jì)算，并將計(jì)算生成邊界框映射到原圖像，實(shí)現(xiàn)目標(biāo)的定位；

14、生成最終目標(biāo)檢測(cè)結(jié)果。

15、在本發(fā)明一些實(shí)施例中，邊緣計(jì)算平臺(tái)層中，改進(jìn)googlenet模型包括：

16、采用googlenet?inception?v3作為基礎(chǔ)網(wǎng)絡(luò)，在其最后一個(gè)inception模塊之后添加全局最大池化層gmp，然后使用sigmoid全連接層替換原網(wǎng)絡(luò)的稀疏全連接層。

17、在本發(fā)明一些實(shí)施例中，改進(jìn)googlenet模型中根據(jù)目標(biāo)任務(wù)選擇目標(biāo)函數(shù)：

18、單類別目標(biāo)識(shí)別使用softmax交叉熵函數(shù)進(jìn)行分類；

19、多類別目標(biāo)識(shí)別采用sigmoid交叉熵函數(shù)逼近多類標(biāo)簽的概率分布，根據(jù)生成類別激活熱圖。

20、在本發(fā)明一些實(shí)施例中，基于q學(xué)習(xí)和遺傳算法的調(diào)度策略包括：

21、隨機(jī)初始化種群：采用實(shí)數(shù)編碼方式定義個(gè)體編碼，通過(guò)排序選擇的方式得到遺傳算法運(yùn)算的染色體；

22、在遺傳代數(shù)小于代數(shù)閾值時(shí)，執(zhí)行常規(guī)遺傳算法；常規(guī)遺傳算法包括執(zhí)行交叉、變異和繁殖操作；

23、在遺傳代數(shù)大于等于代數(shù)閾值且間隔設(shè)定代數(shù)時(shí)，執(zhí)行移民操作，并利用q學(xué)習(xí)動(dòng)態(tài)調(diào)整移民操作的參數(shù)；

24、在滿足終止條件時(shí)輸出調(diào)度結(jié)果。

25、在本發(fā)明一些實(shí)施例中，所述基于q學(xué)習(xí)和遺傳算法的調(diào)度策略中，將遺傳算法的基因空間轉(zhuǎn)換成q學(xué)習(xí)中可直接處理的狀態(tài)空間，按照調(diào)度的先后順序，采用均勻聚類的方式來(lái)劃分染色體的狀態(tài)模型，將其作為q學(xué)習(xí)算法的狀態(tài)模式。

26、在本發(fā)明一些實(shí)施例中，所述基于q學(xué)習(xí)和遺傳算法的調(diào)度策略中，以任務(wù)完成時(shí)間為依據(jù)選擇算法的性能預(yù)測(cè)變量，所有任務(wù)的完工時(shí)間為最終優(yōu)化目標(biāo)；根據(jù)性能預(yù)測(cè)變量評(píng)價(jià)學(xué)習(xí)系統(tǒng)在當(dāng)前狀態(tài)下動(dòng)作決策的好壞，構(gòu)建分階段調(diào)度狀態(tài)模式下的立即獎(jiǎng)懲函數(shù)，使最大化q函數(shù)和最小化目標(biāo)函數(shù)的優(yōu)化方向一致：

27、；其中，r為正數(shù)常亮。

28、在本發(fā)明一些實(shí)施例中，所述基于q學(xué)習(xí)和遺傳算法的調(diào)度策略中，q學(xué)習(xí)迭代過(guò)程中采用分段線性的探索率：

29、；

30、其中，為初始探索率，為迭代次數(shù)，為學(xué)習(xí)周期長(zhǎng)度。

31、在本發(fā)明一些實(shí)施例中，所述基于q學(xué)習(xí)和遺傳算法的調(diào)度策略中，q學(xué)習(xí)算法包括：

32、步驟1，初始化參數(shù)：設(shè)定控制參數(shù)，學(xué)習(xí)周期長(zhǎng)度step，任意初始化q（s,a）值，選取初始探索率ε0和學(xué)習(xí)率α，設(shè)計(jì)計(jì)數(shù)器time=0；

33、步驟?2，隨機(jī)選擇基于調(diào)度規(guī)則的集串個(gè)體；

34、步驟3，當(dāng)time<step時(shí)，

35、（1）計(jì)算探索率ε，并按照貪婪搜索策略執(zhí)行動(dòng)作a；

36、（2）判斷下一決策期的狀態(tài)模式，計(jì)算最大完工時(shí)間,立即啟發(fā)式獎(jiǎng)賞值rk，更新q值；

37、（3）更新系統(tǒng)狀態(tài)，判斷是否達(dá)到調(diào)度的終止?fàn)顟B(tài)，若是，進(jìn)行步驟3(4)，否則回到步驟3；

38、（4）令計(jì)數(shù)器重新賦值time=time+1；

39、步驟4，判斷time≥step是否成立，若是，學(xué)習(xí)過(guò)程終止，否則轉(zhuǎn)到步驟3。

40、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)和積極效果是：

41、1、以分層架構(gòu)充分利用邊緣側(cè)的計(jì)算和存儲(chǔ)能力，根據(jù)計(jì)算資源的需求不同，將任務(wù)調(diào)度至適應(yīng)的邊緣節(jié)點(diǎn)進(jìn)行計(jì)算，邊緣智能終端采集到的數(shù)據(jù)通過(guò)邊緣端的數(shù)據(jù)預(yù)處理中心的調(diào)度決策模塊進(jìn)行處理，將任務(wù)的執(zhí)行方案分為本地執(zhí)行和云端執(zhí)行兩種方案，在本地執(zhí)行模塊，任務(wù)資源根據(jù)優(yōu)先級(jí)進(jìn)行調(diào)度信息處理，減輕了云端壓力，降低了網(wǎng)絡(luò)帶寬占用，縮短了數(shù)據(jù)傳輸時(shí)延。

42、2、為邊緣節(jié)點(diǎn)設(shè)計(jì)基于改進(jìn)googlenet模型的特征提取方法，在最后一個(gè)inception模塊之后添加gmp層，然后使用sigmoid全連接層替換原網(wǎng)絡(luò)的稀疏全連接層。選擇最優(yōu)的特征輸出層，采用連通域計(jì)算方法，獲取特征位置，優(yōu)化的特征提取結(jié)果，從而濾掉數(shù)據(jù)中的冗余特征，降低數(shù)據(jù)維度，使數(shù)據(jù)分析與處理更加高效準(zhǔn)確，解決數(shù)據(jù)空間維度較高而對(duì)數(shù)據(jù)的內(nèi)部特征了解不夠的問(wèn)題。

43、3、在云端執(zhí)行模塊建立多目標(biāo)模型，設(shè)計(jì)結(jié)合q學(xué)習(xí)和遺傳算法的任務(wù)調(diào)度方法，降低云端任務(wù)調(diào)度壓力，提高云端任務(wù)調(diào)度能力。

44、結(jié)合附圖閱讀本發(fā)明實(shí)施方式的詳細(xì)描述后，本發(fā)明的其他特點(diǎn)和優(yōu)點(diǎn)將變得更加清楚。