与公共计算云交互的本地计算云制造技术

家庭计算云(HCC)可能在本地环境中使用不同的连接协议支持一个或多个物联网(IoT)设备。通常，该HCC通过在本地处理收集的设备数据而不是通过将该设备数据发送到公共计算云(PCC)以进行处理来减少发送到该PCC的数据流量的量。这种方法减少了通过网络发送的数据流量的量，改进了数据隐私并且有助于维持期望的服务质量水平。为了这样做，该HCC可从该PCC下载适当的数据分析模型，训练该模型，执行经训练的模型以从收集的IoT设备数据获得预测信息，并将该经训练的模型上传到该PCC。替代地，该HCC和该PCC可执行该分析模型的子模型并相互交换这些子模型的输出。互交换这些子模型的输出。互交换这些子模型的输出。

【技术实现步骤摘要】
【国外来华专利技术】与公共计算云交互的本地计算云


[0001]本公开的方面涉及支持与公共计算云交互的本地计算云。本地计算云可位于家庭中并且可支持一个或多个物联网(IoT)设备。分析模型可从公共计算云下载并在本地执行。还可以在没有外部传送设备数据和用户行为信息的情况下在本地执行强化训练，从而大大减少可能危及数据隐私的数据流量。

技术介绍

[0002]物联网(IoT)应用程序通常依赖于远程和集中式服务器来收集输入数据，并且基于当前输入以及历史数据来生成某些动作。这种方法通常需要诸如智能传感器、恒温器和智能电器之类的IoT设备，以在它们自身与诸如公共计算云之类的远程服务器之间交换数据。使用另一种方法，可能需要网关来将数据从一个连接协议转换到另一连接协议以便将数据从终端设备发送到服务器，例如，从ZigBee转换到WiFi。终端设备与服务器之间的大量数据传输意味着昂贵的服务成本。此外，这可能在网络中产生大量数据流量，从而可能为了维持期望的服务质量水平而导致额外网络延迟、传输期间的数据丢失或昂贵的维护成本。另外，在公共计算云中存储大量个性化数据时，数据安全和隐私是一个重要的关注点。

技术实现思路

[0003]一种家庭计算系统(其可被称为
″
家庭计算云
″
)集成通信网关、WiFi路由器、云服务器和大容量存储设备以支持诸如家庭住宅的本地环境中的一个或多个物联网(IoT)设备。因为家庭计算云(HCC)本地处理收集的设备数据而不是将设备数据发送到公共计算机云(系统)以用于处理，所以家庭计算云通常减少发送到公共计算云(PCC)的数据流量的量。这种方法改进了网络延迟，减少了传输期间的数据丢失，并且有助于维持期望的服务质量水平。
[0004]为了这样做，HCC可基于配置信息(例如，支持的IoT设备的类型)从PCC下载适当的数据分析模型(其可被称为
″
模型
″
并且选自多个数据分析模型)。然后，HCC可通过从一个或多个IoT设备获得设备数据而在本地执行模型，将一些或全部设备数据应用于模型，并且从模型获得预测结果。然后可以将预测结果应用于支持的IoT设备中的一者或多者以影响一个或多个IoT设备的操作。
[0005]另一方面，HCC将设备数据的子集发送到PCC以用于进一步处理，并且基于数据子集接收决策信息。例如，设备数据的子集可以表示复杂信号的一个或多个信号特性(例如，包括语音、音乐、图像或视频信号的多媒体信号)，该一个或多个信号特性需要HCC可能无法支持的密集处理。在用于面部识别的示例性方法中，HCC可以实现分析模型的图像预处理层和特征提取层，并将所得数据发送到PCC以进行分析和决策制定。HCC将接收到的结果以及其它设备数据(对应于模型输入)应用于下载的数据分析模型。
[0006]另一方面，PCC执行预测模型的输入处理层并将对应输出发送到PCC。PCC接着执行所有剩余隐藏层，并且将最终隐藏层的对应输出发送回HCC。HCC接着执行输出层。这种方法
通常消除了通过互联网发送的敏感信息，并且因此增强了互联网上的数据隐私。
[0007]另一方面，用于执行模型的工作负载的分布可以基于HCC的计算机功率(诸如针对整个过程将原始数据发送到PCC)；数据流量的量(诸如仅将特征数据发送到PCC以处理剩余任务)；数据隐私(诸如将模型层内的数学变换数据发送到PCC以继续分析)；模型参数的一致性(诸如具有固定的参数的HCC执行层以及具有经由强化训练连续改变的参数的PCC可执行层)。
[0008]另一方面，HCC可以具有足够的计算资源来执行更复杂的任务，诸如训练深度神经网络。HCC可以从PCC下载数据分析模型的适当模板，在本地训练模型，并且执行经训练的模型以从收集的IoT设备数据获得预测信息。
[0009]另一方面，HCC和PCC都可以执行并训练相同的数据分析模型(例如，辅助训练)。然而，HCC和PCC的学习速率可能不同(例如，由于PCC的计算能力更强)。虽然HCC基于IoT设备数据执行和训练本地模型，但是HCC还会将设备数据发送到PCC。PCC使用相同的设备数据执行和训练，并且将误差测量值发送回HCC。HCC将误差测量值与两个云进行比较，并且继续训练，直到来自HCC的误差测量值低于阈值为止。
[0010]另一方面，在来自PCC的误差测量值连续低于或基本上低于HCC时，HCC可以决定使用来自PCC的参数继续训练。
[0011]另一方面，如果来自PCC的误差测量值首先达到阈值，则HCC可以决定使用由PCC训练的模型并且停止训练。
[0012]另一方面，HCC可以将经训练的模型上传到PCC以用于存档、共享或优化。
[0013]另一方面，PCC可以分析来自其它HCC的所有接收到的模型并且优化新模型。PCC可以将新模型分配给所有HCC。
[0014]另一方面，HCC可以决定完全使用新模型，使用具有来自现有模型的参数的新模型，或完全忽略新模型。在利用本地存储的经验数据执行不同模型时，决策可以基于与误差测量值的比较。
[0015]另一方面，HCC可以继续运行或训练本地模型，并且PCC可以与新输入数据并行地训练新模型。HCC连续地将新输入数据发送到PCC以训练新模型，直到新模型足够准确为止。HCC接着可以下载新模型以供使用。
[0016]另一方面，HCC可以请求PCC使用HCC中的参数来连续训练新模型。
[0017]另一方面，在训练模型中，可在基于应用场景计算误差时应用主观权重。
附图说明
[0018]当结合附图阅读时，将更好地理解本专利技术的上述概述以及本专利技术的示例性实施方案的以下详细描述，这些附图是作为示例而非作为对所要求保护的本专利技术的限制而包括的。
[0019]图1示出了根据实施方案的家庭计算云(HCC)与公共计算云(PCC)交互的家庭环境。
[0020]图2示出了根据实施方案的没有WiFi路由器能力的HCC。
[0021]图3示出了根据实施方案的具有WiFi路由器能力的HCC。
[0022]图4示出了根据实施方案的与多个HCC交互的PCC。
[0023]图5示出了根据实施方案的与PCC和用户应用程序交互的HCC。
[0024]图6示出了根据实施方案的HCC，其中HCC正在执行分析模型，而PCC正在执行强化训练。
[0025]图7示出了根据实施方案的HCC，其中HCC将所有数据分析和强化训练任务分配给PCC。
[0026]图8示出了根据实施方案的HCC将分析模型划分为两个子模型的方法。原始模型的部分在HCC处执行，并且模型的剩余部分在PCC处执行以便减少HCC处的计算，以减少数据流量并且在通过网络发送数据时保护数据隐私。
[0027]图9示出了根据实施方案的HCC执行强化学习的方法。
[0028]图10示出了根据实施方案的HCC与PCC交互以执行辅助学习的方法。
具体实施方式
[0029]″
HCC
″...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种支持至少一个物联网(IoT)设备的家庭计算系统，所述家庭计算系统包括：通信网关，所述通信网关被配置为与所述至少一个IoT设备连接；云接口，所述云接口被配置为与公共计算云交换信息；处理器，所述处理器用于执行计算机可执行指令；存储器，所述存储器存储所述计算机可执行指令，所述计算机可执行指令在由所述处理器执行时使所述家庭计算系统：发送关于所述家庭计算系统的配置数据，其中所述配置数据描述所述家庭计算系统；经由所述云接口从所述公共计算云下载基于所述配置数据的下载的数据分析模型；经由所述通信网关从所述至少一个IoT设备获得设备数据；将所述设备数据应用于所述下载的数据分析模型；并且基于所述设备数据从所述数据分析模型获得第一预测结果。2.根据权利要求1所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：基于所述第一预测结果和所述第一预测结果的校正信息确定第一误差测量值；在所述第一误差测量值超过预定阈值时，基于所述设备数据、所述第一预测结果和所述校正信息启动所述公共计算云处的强化学习；响应于所述发送，从所述公共计算云接收经修改的模型参数；并且将所述经修改的模型参数应用于所述数据分析模型。3.根据权利要求2所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：在所述第一误差测量值未超过所述预定阈值时，将所述预测结果应用于所述至少一个IoT设备。4.根据权利要求1所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：在新IoT设备被添加到所述家庭计算系统时，从所述公共计算云下载新数据分析模型；将当前模型参数应用于所述新数据分析模型；启动所述新数据分析模型的强化学习；响应于所述启动，获得所述新数据分析模型的新模型参数；并且将所述新模型参数重新应用于所述新数据分析模型。5.根据权利要求4所述的家庭计算系统，其中所述新模型参数是从所述公共计算云接收到的。6.根据权利要求1所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：基于所述设备数据、所述第一预测结果和第一校正信息在所述家庭计算系统处启动强化学习；从所述强化学习获得第一经更新的模型参数；并且将所述第一经更新的模型参数应用于所述数据分析模型以获得经更新的数据分析模型。7.根据权利要求6所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述
计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：将所述设备数据应用于所述经更新的数据分析模型；基于所述设备数据从所述经更新的数据分析模型获得第二预测结果；基于所述第二预测结果和对所述第一预测结果的第二校正信息确定第二误差测量值；在所述第二误差测量值超过期望误差水平时，重复所述强化学习；从重复的强化学习获得第二经更新的模型参数；并且将所述第二经更新的模型参数重新应用于所述数据分析模型。8.根据权利要求7所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：在超过所述家庭计算系统的计算资源时，请求所述公共计算云处的云资源来执行所述强化学习。9.根据权利要求6所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：将所述经更新的数据分析模型上传到所述公共计算云。10.根据权利要求1所述的家庭计算系统，其中所述存储器存储计算机可执行指令，所述计算机可执行指令在由所述处理器执行时进一步使所述家庭计算系统：通过所述家庭计算系统处的所述处理器执行所述下载的数据分析模型的强化学习；从所述家庭...

【专利技术属性】
技术研发人员：蔡鸿彬，吉迪恩，
申请(专利权)人：金宝通有限公司，
类型：发明
国别省市：