物联网云边协同方法及系统技术方案

本发明专利技术公开一种物联网云边协同方法，包括：物联网云服务器根据计算任务确定欲使用的AI模型、欲优化的参数以及输入数据特征；物联网云服务器根据输入数据特征选择确定相应的物联网边缘终端群，且根据欲优化的参数将物联网边缘终端群划分成m个子边缘终端群，并分别将计算任务分发至对应的子边缘终端群中；物联网云服务器将AI模型同步至每一子边缘终端群，且使用人工蜂群算法对子边缘终端群中AI模型的欲优化的参数进行迭代更新，以获得该AI模型的局部最优解；物联网云服务器接收来自每一子边缘终端群的局部最优解，并从中选取一局部最优解作为全局最优解，从而获得最优的参数。还公开一种物联网云边协同系统。公开一种物联网云边协同系统。公开一种物联网云边协同系统。

【技术实现步骤摘要】
物联网云边协同方法及系统


[0001]本专利技术涉及物联网
，更具体地涉及一种物联网云边协同方法及系统。

技术介绍

[0002]在物联网环境下，存在海量的物联网边缘计算设备，这些设备中存在海量的本地数据，目前，大都统一将边缘计算设备的本地数据传输到云计算中心进行计算以完成计算任务，产生物联网边缘计算设备运算资源浪费的问题，则如何在不上传数据的情况下完成计算任务，如何充分利用海量边缘计算设备的运算资源成为现在亟待解决的问题。

技术实现思路

[0003]本专利技术所要解决的技术问题是提供一种物联网云边协同方法及系统，以实现充分利用物联网海量边缘终端的运算资源，同时还可达到AI计算任务快速收敛的目的。
[0004]第一方面，本专利技术提供了一种物联网云边协同方法，其包括：
[0005]物联网云服务器根据计算任务确定欲使用的AI模型、欲优化的参数以及输入数据特征；
[0006]物联网云服务器根据输入数据特征选择确定相应的物联网边缘终端群，且根据欲优化的参数将物联网边缘终端群划分成m个子边缘终端群，并分别将计算任务分发至对应的子边缘终端群中；其中，m为正整数；
[0007]物联网云服务器将AI模型同步至每一子边缘终端群，且使用人工蜂群算法对每一子边缘终端群中AI模型的欲优化的参数进行迭代更新，以获得该AI模型的局部最优解；
[0008]物联网云服务器接收来自每一子边缘终端群的局部最优解，并从中选取一局部最优解作为全局最优解，从而获得最优的参数。
[0009]第二方面，本专利技术还提供了一种物联网云边协同系统，其包括物联网云服务器和多个边缘终端，所述物联网云服务器包括中心计算模块和中心调度模块，所述边缘终端包括边缘计算模块和边缘存储模块，其中，
[0010]所述中心计算模块用于根据计算任务确定欲使用的AI模型、欲优化的参数以及输入数据特征，且根据输入数据特征选择确定相应的物联网边缘终端群，所述物联网边缘终端群由多个边缘终端组成；
[0011]所述中心调度模块用于根据欲优化的参数将物联网边缘终端群划分成m个子边缘终端群，并分别将计算任务分发至对应的子边缘终端群中，其中，m为正整数；且将AI模型同步至每一子边缘终端群的边缘终端中，根据人工蜂群算法确定引领蜂、跟随蜂和蜜源的个数、最大迭代次数以及滞留次数，并确定AI模型的模型误差作为适应值，且对边缘终端分配角色；其中，所述角色为引领蜂、跟随蜂或侦查蜂；
[0012]所述边缘存储模块用于存储本地采集的数据；
[0013]所述边缘计算模块根据分配的角色、本地采集的数据和最大迭代次数对AI模型的欲优化的参数进行迭代更新，以获得该AI模型的局部最优解，并发送至中心计算模块；
[0014]所述中心计算模块还用于从接收的局部最优解中选取一局部最优解作为全局最优解，从而获得最优的参数。
[0015]与现有技术相比，本专利技术中物联网云服务器可根据计算任务确定欲使用的AI模型、欲优化的参数以及输入数据特征，从而选择确定相应的物联网边缘终端群，且将物联网边缘终端群划分成m个子边缘终端群，并分别将计算任务分发至对应的子边缘终端群中，同时还可将确定的AI模型同步至每一子边缘终端群，并使用人工蜂群算法对每一子边缘终端群中AI模型的欲优化的参数进行迭代更新，以获得该AI模型的局部最优解，物联网云服务器还可从接收的来自每一子边缘终端群的局部最优解中选取一局部最优解作为全局最优解，从而获得最优的参数，可知，本专利技术充分利用了物联网海量边缘终端的运算资源，即可以在物联网边缘终端不上传数据的情况，结合人工蜂群算法，通过群体智能的方式，完成云边端协同，可以尽可能的将计算任务进行分解，实现任务的并行计算，从而实现AI计算任务的快速收敛，还可保证数据的安全与隐私。
附图说明
[0016]图1为本专利技术实施例提供的物联网云边协同方法的流程示意图。
[0017]图2为本专利技术实施例提供的物联网云边协同方法的子流程示意图。
[0018]图3为本专利技术实施例提供的物联网云边协同系统的示意性框图。
具体实施方式
[0019]为使本领域的普通技术人员更加清楚地理解本专利技术的目的、技术方案和优点，以下结合附图和实施例对本专利技术做进一步的阐述。
[0020]参照图1，图1为本专利技术实施例提供的物联网云边协同方法的流程示意图。如图所示，该物联网云边协同方法包括以下步骤：
[0021]S101、物联网云服务器根据计算任务确定欲使用的AI模型、欲优化的参数以及输入数据特征。
[0022]本专利技术中，所述计算任务为人工智能模型训练计算任务；所述AI模型可以为BP神经网络、RBF(径向基)神经网络、感知器神经网络、线性神经网络、自组织神经网络或反馈神经网络等模型，或者是可以为线性模型、支持向量机模型、决策树模型或朴素贝叶斯模型等模型；所述输入数据特征可以为图像数据特征、声音数据特征、或根据特定任务的文本数据自定义的特征等。
[0023]本实施例中，所述欲优化的参数可以为神经网络的输入层与隐藏层的权值Wi以及隐藏层和连接层的权值Wj，也可以为机器学习算法模型中的其他参数。
[0024]S102、物联网云服务器根据输入数据特征选择确定相应的物联网边缘终端群，且根据欲优化的参数将物联网边缘终端群划分成m个子边缘终端群，并分别将计算任务分发至对应的子边缘终端群中。
[0025]本专利技术中，因物联网边缘终端的用途事先可知，从而可知物联网边缘终端中的数据特征，结合计算任务的输入数据特征可选择确定合适的物联网边缘终端作为物联网边缘终端群T。
[0026]该步骤中，所述根据欲优化的参数将物联网边缘终端群划分成m个子边缘终端群，
具体包括：将欲优化的参数的取值分为n个象限；本实施例中，可以通过前期的经验预估参数的取值范围，并将取值范围分为n个不同的象限；根据n个象限将物联网边缘终端群划分成m个子边缘终端群；其中，n和m为正整数，且m＝n。即首先将欲优化的参数的取值分为A1，A2，A3，
…
，An共n个象限，再根据n个不同的象限，将物联网边缘终端群T进一步分配为T1，T2，T3，
……
，Tm共m个子边缘终端群，即一个象限对应分配一个子边缘终端群。
[0027]S103、物联网云服务器将AI模型同步至每一子边缘终端群，且使用人工蜂群算法对每一子边缘终端群中AI模型的欲优化的参数进行迭代更新，以获得该AI模型的局部最优解。
[0028]本专利技术中，同步至每一子边缘终端群的AI模型是已进行参数初始化后的AI模型，则该步骤中，物联网云服务器控制m个子边缘终端群，并将根据计算任务确定的且已初始化后的AI模型同步至m个子边缘终端群中，再使用人工蜂群算法对每一子边缘终端群中AI模型的参数进行迭代更新。
[0029]具体地，如图2所示，所述使用人工蜂群算法对每一子边缘终端群中AI模型的欲优化的参数进行迭代更新，以获得该AI模型的局部最优解，具体包括：
[0030]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物联网云边协同方法，其特征在于，包括：物联网云服务器根据计算任务确定欲使用的AI模型、欲优化的参数以及输入数据特征；物联网云服务器根据输入数据特征选择确定相应的物联网边缘终端群，且根据欲优化的参数将物联网边缘终端群划分成m个子边缘终端群，并分别将计算任务分发至对应的子边缘终端群中；其中，m为正整数；物联网云服务器将AI模型同步至每一子边缘终端群，且使用人工蜂群算法对每一子边缘终端群中AI模型的欲优化的参数进行迭代更新，以获得该AI模型的局部最优解；物联网云服务器接收来自每一子边缘终端群的局部最优解，并从中选取一局部最优解作为全局最优解，从而获得最优的参数。2.如权利要求1所述的物联网云边协同方法，其特征在于，所述使用人工蜂群算法对每一子边缘终端群中AI模型的欲优化的参数进行迭代更新，以获得该AI模型的局部最优解，具体包括：物联网云服务器根据人工蜂群算法确定引领蜂、跟随蜂和蜜源的个数、最大迭代次数以及滞留次数，并确定AI模型的模型误差作为适应值；物联网云服务器确定每一子边缘终端群中的某些边缘终端为引领蜂；作为引领蜂的边缘终端根据欲优化的参数的取值更新同步至该边缘终端的AI模型，并随机抽取预设数量的边缘终端内存储的数据输入AI模型，计算获得模型误差，并将模型误差传输至物联网云服务器，若该模型误差优于旧适应值，则更新；物联网云服务器确定每一子边缘终端群中至少一个边缘终端为跟随蜂，每一跟随蜂根据欲优化的参数的取值更新同步至该边缘终端的AI模型，并随机抽取预设数量的边缘终端内存储的数据输入AI模型，计算获得模型误差，并将模型误差传输至物联网云服务器，若该模型误差优于旧适应值，则更新，以获得局部最优解。3.如权利要求2所述的物联网云边协同方法，其特征在于，所述使用人工蜂群算法对每一子边缘终端群中AI模型的欲优化的参数进行迭代更新，以获得该AI模型的局部最优解，还包括：若在作为跟随蜂的边缘终端未获得优于旧适应值的模型误差，则舍弃该模型误差；物联网云服务器在对应的子边缘终端群中确定至少一个侦查蜂，以根据欲优化的参数的取值更新同步至该边缘终端的AI模型，并随机抽取预设数量的边缘终端内存储的数据输入AI模型，计算获得新的模型误差，并将该模型误差传输至物联网云服务器，若该模型误差优于旧适应值，则更新；不断迭代更新，直至最大迭代次数，适应值达到收敛，获得该AI模型的局部最优解。4.如权利要求1所述的物联网云边协同方法，其特征在于，所述根据欲优化的参数将物联网边缘终端群划分成m个子边缘终端群，具体包括：将欲优化的参数的取值分为n个象限；其中，n为正整数；根据n个象限将物联网边缘终端群划分成m个子边缘终端群。5.如权利要求1所述的物联网云边协同方法，其特征在于，物联网云服务器接收来自每一子边缘终端群的局部最优解，并从中选取一局部最优解作为全局最优解，从而获得最优的参数，具体包括：<...

【专利技术属性】
技术研发人员：李洁，杨震，龚晟，
申请(专利权)人：天翼物联科技有限公司，
类型：发明
国别省市：