一种边缘计算方法及边缘计算服务器技术

本申请公开了边缘计算方法及边缘计算服务器，该种方法包括以下步骤：任务获取、数据拆分、子数据特征提取、原始数据特征提取、相似度计算、结果比对，当结果比对满足时，分步执行各个请求包子数据；当结果比对不满足时，重复数据拆分、子数据特征提取、原始数据特征提取、相似度计算、结果比对步骤。该种边缘计算服务器，包括：用于获取请求包原始数据的数据获取模块，用于对数据进行拆分的数据拆分模块，用于进行特征提取的特征提取模块，用于计算特征相似度的相似度计算模块，存储数据的特征提取算法和拆分规则的存储模块，生成与响应包的任务响应模块，配置为控制中心的处理器。本申请的边缘计算方法及边缘计算服务器具有较高的响应速度。应速度。应速度。

An edge computing method and edge computing server

【技术实现步骤摘要】
一种边缘计算方法及边缘计算服务器


[0001]本专利技术涉及边缘计算
，具体是一种边缘计算方法及边缘计算服务器。

技术介绍

[0002]随着互联网技术的不断发展，海量数据的分析与储存对网络带宽提出了巨大的挑战，边缘计算的技术革新，为解决这种日益增长的数据计算、任务处理压力带来了高效的办法。在现有技术中，为了提高数据处理的效率，终端设备数据的计算往往发生在云端的数据中心内，但是，该种计算的方式还是会受限于网络带宽、云端计算承载力等的限制，在对如包含有大量数据的请求包进行相应的过程中，往往会出现响应速度较慢的情况，因此，亟需一种新的边缘计算方法和边缘计算服务器来解决这一问题。

技术实现思路

[0003]本申请的目的在于提供一种边缘计算方法及边缘计算服务器，以解决上述
技术介绍
中提出的现有的数据处理方式中对大流量数据处理时存在的响应速度慢的问题。
[0004]为实现上述目的，本申请提供如下技术方案：一种边缘计算方法，该方法包括以下步骤：
[0005]任务获取：获取终端任务对应的请求包原始数据；
[0006]数据拆分：将所述请求包原始数据按照拆分规则中的第一规则拆分为多个请求包子数据；
[0007]子数据特征提取：将多个所述请求包子数据按照预设的特征提取算法进行特征提取，并将提取到的特征集成后形成重组特征包；
[0008]原始数据特征提取：将所述请求包原始数据按照所述的预设的特征提取算法进行特征提取，并将提取到的特征集成后形成原始特征包；
[0009]相似度计算：将所述重组特征包和所述原始特征包进行相似度计算；
[0010]结果比对：当所述相似度计算结果满足匹配要求时，分步执行各个所述请求包子数据，并产生对应的子数据响应包以完成终端任务；当所述相似度计算结果不满足匹配要求时，将所述请求包原始数据按照所述拆分规则中的不同于所述第一规则的拆分方式进行数据拆分后，依次重复所述子数据特征提取、所述原始数据特征提取、所述相似度计算，直至所述相似度计算结果满足匹配要求。
[0011]作为优选，所述数据拆分中，所述请求包子数据包括n个具有完整数据链的完整子数据、m个存在数据缺失的缺失子数据、p个数据混乱的混乱子数据，其中，n≥1，m≥0，p≥0，且n、m、p均为整数。
[0012]作为优选，所述子数据特征提取具体包括：
[0013]将n个所述完整子数据按照所述的预设的特征提取算法进行特征提取，提取到的特征定义为第一特征集合；
[0014]将m个所述缺失子数据、p个所述混乱子数据分别进行解码，再采用预设的编码方
式进行编码，编码完成后，按照所述的预设的特征提取算法进行特征提取，提取到的特征定义为第二特征集合；
[0015]将所述第一特征集合、所述第二特征集合集成后形成所述重组特征包。
[0016]作为优选，当所述相似度计算结果不满足匹配要求时，生成与该所述相似度计算结果对应的所述请求包子数据相对应的子数据响应包，将所有的所述子数据响应包集成后进行特征提取后生成学习特征包，通过空闲的备用服务器执行所述请求包原始数据并生成对应的原始数据响应包，对该所述原始数据响应包进行特征提取后生成验证特征包，通过机器学习算法对所述学习特征包与所述验证特征包进行深度学习，基于该深度学习结果更新所述的预设的特征提取算法、所述拆分规则。
[0017]作为优选，在所述相似度计算中，所述相似度的计算公式为：其中，F1为所述重组特征包和所述原始特征包中相同特征的数量，F2为所述原始特征包中特征的数量。
[0018]作为优选，所述相同特征的判断具体包括：通过所述重组特征包中的各个特征和所述原始特征包中的特征的语义重合度判断两个特征是否为相同特征，其中，计算所述特征的语义重合度的公式为：K为一特征的字节总个数，K1、K2
……
Kn为该特征与所述原始特征包中特征相同的连续字节个数。
[0019]作为优选，当所述特征的语义重合度γ＞0.9时，定义被判断的所述重组特征包中的一个特征与所述原始特征包中的特征为相同特征。
[0020]作为优选，在所述结果比对中，定义所述相似度计算结果大于或等于0.9时满足匹配要求，定义所述相似度计算结果小于0.9时不满足匹配要求。
[0021]本申请还公开了一种适用于上述的边缘计算方法的边缘计算服务器，包括：配置为用于获取终端任务对应的请求包原始数据的数据获取模块，配置为用于对所述请求包原始数据进行拆分的数据拆分模块，配置为用于对数据特征进行特征提取的特征提取模块，配置为用于计算特征相似度的相似度计算模块，配置为存储数据的特征提取算法和拆分规则的存储模块，配置为生成与相应的请求包相对应的响应包的任务响应模块，以及配置为控制中心的处理器。
[0022]作为优选，该种边缘计算服务器还包括：配置为根据数据比对进行深度学习并对数据的所述特征提取算法和所述拆分规则进行更新的机器学习模块。
[0023]有益效果：
[0024]1、本申请的边缘计算方法，通过将接收到的请求包原始数据进行拆分，然后通过拆分后的数据进行验证以确保拆分后的数据与请求包原始数据对应的特征相同后，再进行对应的响应动作，从而为数据处理减轻压力，提高响应速度。同时，结合云端以及终端服务器的综合运算，通过多种规则和特征提取方法的深度学习，逐渐提高数据拆分和特征比对的能力，进而确保边缘计算方法的可靠性。通过特征的语义重合度判断特征是否为相同特征的方式，从而提高特征的相似度计算结果的可靠性，确保边缘计算方法的可靠性，进而减小数据处理时的压力，提高响应速度。
[0025]2、本申请的边缘计算服务器，基于边缘计算方法搭建而成，在数据处理过程中，能够将具有大流量的数据进行拆分后，实现化整为零的处理，提高服务器的运行效率，提高数据处理速度和响应速度。
附图说明
[0026]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0027]图1为本申请实施例中边缘计算服务器的结构框图；
[0028]图2为本申请实施例中边缘计算方法的流程图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]实施例：参考图1所示的一种边缘计算服务器，包括：配置为用于获取终端任务对应的请求包原始数据的数据获取模块，配置为用于对请求包原始数据进行拆分的数据拆分模块，配置为用于对数据特征进行特征提取的特征提取模块，配置为用于计算特征相似度的相似度计算模块，配本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种边缘计算方法，其特征在于，该方法包括以下步骤：任务获取：获取终端任务对应的请求包原始数据；数据拆分：将所述请求包原始数据按照拆分规则中的第一规则拆分为多个请求包子数据；子数据特征提取：将多个所述请求包子数据按照预设的特征提取算法进行特征提取，并将提取到的特征集成后形成重组特征包；原始数据特征提取：将所述请求包原始数据按照所述的预设的特征提取算法进行特征提取，并将提取到的特征集成后形成原始特征包；相似度计算：将所述重组特征包和所述原始特征包进行相似度计算；结果比对：当所述相似度计算结果满足匹配要求时，分步执行各个所述请求包子数据，并产生对应的子数据响应包以完成终端任务；当所述相似度计算结果不满足匹配要求时，将所述请求包原始数据按照所述拆分规则中的不同于所述第一规则的拆分方式进行数据拆分后，依次重复所述子数据特征提取、所述原始数据特征提取、所述相似度计算，直至所述相似度计算结果满足匹配要求。2.根据权利要求1所述的边缘计算方法，其特征在于，所述数据拆分中，所述请求包子数据包括n个具有完整数据链的完整子数据、m个存在数据缺失的缺失子数据、p个数据混乱的混乱子数据，其中，n≥1，m≥0，p≥0，且n、m、p均为整数。3.根据权利要求2所述的边缘计算方法，其特征在于，所述子数据特征提取具体包括：将n个所述完整子数据按照所述的预设的特征提取算法进行特征提取，提取到的特征定义为第一特征集合；将m个所述缺失子数据、p个所述混乱子数据分别进行解码，再采用预设的编码方式进行编码，编码完成后，按照所述的预设的特征提取算法进行特征提取，提取到的特征定义为第二特征集合；将所述第一特征集合、所述第二特征集合集成后形成所述重组特征包。4.根据权利要求1所述的边缘计算方法，其特征在于，当所述相似度计算结果不满足匹配要求时，生成与该所述相似度计算结果对应的所述请求包子数据相对应的子数据响应包，将所有的所述子数据响应包集成后进行特征提取后生成学习特征包，通过空闲的备用服务器执行所述请求包原始数据并生成...

【专利技术属性】
技术研发人员：田中海，张文斌，易立坚，刘海洋，
申请(专利权)人：深圳英博达智能科技有限公司，
类型：发明
国别省市：