【技术实现步骤摘要】
云边端协同方法、装置、系统、电子设备及可读存储介质
[0001]本专利技术涉及云
，特别是涉及一种云边端协同方法
、
装置
、
系统
、
电子设备及可读存储介质
。
技术介绍
[0002]随着物联网
、
人工智能技术的快速普及应用，传统云平台已经难以满足互联网用户对数据计算的需求
。
通过在网络边缘构建计算平台，将中心云的一部分计算任务从云端移到网络边缘处理，也即边缘计算，来优化云平台的数据传输
、
处理及存储的性能
。
[0003]相关技术中，由于边缘侧场景复杂多样，边缘侧处理的任务及数据多种多样，这种多重异构性的环境会给云边端协同造成困难
。
而且，边缘侧的设备在自身场景下获取数据无法传递到云端的中央服务器以及传播到其他边缘设备上，这均导致无法实现云边端环境下的数据协同共享
。
[0004]鉴于此，实现云边端环境下的数据协同共享，是所属领域技术人员需要解决的技术问题
。
技术实现思路
[0005]本专利技术提供了一种云边端协同方法
、
装置
、
系统
、
电子设备及可读存储介质，实现云边端环境下的数据协同共享
。
[0006]为解决上述技术问题，本专利技术提供以下技术方案：本专利技术一方面提供了一种云边端协同方法，应用于云中心服务器，包括：预先部署通用知识模型；所述通用知...
【技术保护点】
【技术特征摘要】
1.
一种云边端协同方法，其特征在于，应用于云中心服务器，包括：预先部署通用知识模型；所述通用知识模型包括数据接口网络
、
特征提取网络和任务接口网络；当检测到符合云边交互条件，将所述通用知识模型下发至各边缘服务器，以在各边缘服务器通过双向蒸馏方式对其本地模型和所述通用知识模型进行训练；其中，所述数据接口网络用于对不同模态的输入数据进行处理，以满足所述特征提取网络的输入数据的格式要求；所述任务接口网络用于基于所属任务类型对所述特征提取网络输出的特征信息进行转换
。2.
根据权利要求1所述的云边端协同方法，其特征在于，所述对不同模态的输入数据进行处理，包括：当接收到数据处理请求，获取待处理数据；若所述待处理数据为多模态数据，则基于每一个模态类型对应的预设数据处理方式，对所述待处理数据所包含的各模态数据进行单独处理，得到多组单模态标准数据，并将各组单模态标准数据并列输入至所述特征提取网络；若所述待处理数据为单模态数据，则按照相应模态类型对应的预设数据处理方式对所述待处理数据进行处理，并将处理结果输入至所述特征提取网络
。3.
根据权利要求2所述的云边端协同方法，其特征在于，所述数据处理请求为文本处理请求，所述待处理数据为待处理文本信息；所述按照相应模态类型对应的预设数据处理方式对所述待处理数据进行处理，并将处理结果输入至所述特征提取网络，包括：在所述待处理文本信息的句首
、
句尾分别添加词标识，并将所述待处理文本信息的每个词转换为词嵌入
、
片段嵌入和位置嵌入的联合向量，得到标准文本输入信息；将所述标准文本输入信息输入至所述特征提取网络
。4.
根据权利要求2所述的云边端协同方法，其特征在于，所述数据处理请求为图像处理请求，所述待处理数据为待处理图像；所述按照相应模态类型对应的预设数据处理方式对所述待处理数据进行处理，并将处理结果输入至所述特征提取网络，包括：对所述待处理图像进行像素归一化处理，得到标准图像；基于所述标准图像的像素参数
、
图像裁剪参数和嵌入参数，对所述标准图像进行相应处理，得到多个目标子图块；将各目标子图块，按照预设顺序输入至所述特征提取网络
。5.
根据权利要求4所述的云边端协同方法，其特征在于，所述基于所述标准图像的像素参数
、
图像裁剪参数和嵌入参数，对所述标准图像进行相应处理，得到多个目标子图块，包括：基于所述标准图像的像素参数和图像裁剪参数，将所述标准图像裁剪为多个子图块；根据所述嵌入参数，对每一个子图块进行图嵌入处理，以将其转换为目标子图块
。6.
根据权利要求2所述的云边端协同方法，其特征在于，所述数据处理请求为音频信号处理请求，所述待处理数据为待处理声信号；所述按照相应模态类型对应的预设数据处理方式对所述待处理数据进行处理，并将处理结果输入至所述特征提取网络，包括：按照声音裁剪参数，将所述待处理声信号裁剪为多个声音片段；提取各声音片段的声学特征，并将所有声学特征输入至所述特征提取网络
。
7.
根据权利要求2所述的云边端协同方法，其特征在于，所述数据处理请求为视频信号处理请求，所述待处理数据为待处理视频；所述按照相应模态类型对应的预设数据处理方式对所述待处理数据进行处理，并将处理结果输入至所述特征提取网络，包括：按照视频裁剪参数对所述待处理视频进行裁剪，得到图像序列；将所述图像序列输入至所述特征提取网络
。8.
根据权利要求1所述的云边端协同方法，其特征在于，所述当检测到符合云边交互条件，包括：当接收到用户输入的云边交互配置参数请求，获取云边交互周期；所述云边交互周期用于确定云边交互条件；若当前时间与上一次云边交互时间的时间间隔为所述云边交互周期，则判定符合云边交互条件
。9.
根据权利要求1所述的云边端协同方法，其特征在于，所述将所述通用知识模型下发至各边缘服务器，包括：获取当前时刻云边端环境下各边缘服务器的边缘置信值；将所述通用知识模型和各边缘置信值下发至相应的边缘服务器
。10.
根据权利要求9所述的云边端协同方法，其特征在于，所述获取当前时刻云边端环境下各边缘服务器的边缘置信值之前，还包括：获取测试任务集；每当检测到目标边缘服务器完成云边交互任务，则分别调用所述目标边缘服务器的目标本地模型和所述通用知识模型对所述测试任务集进行预测；通过比较当前预测精度和上一次预测精度，对所述目标边缘服务器的边缘置信值进行调整
。11.
根据权利要求
10
所述的云边端协同方法，其特征在于，所述通过比较当前预测精度和上一次预测精度，对所述目标边缘服务器的边缘置信值进行调整，包括：若当前预测精度大于上一次预测精度，则按照预设调整幅度调高所述目标边缘服务器的边缘置信值
。12.
根据权利要求1所述的云边端协同方法，其特征在于，所述特征提取网络为多层交换网络
Transformer
，所述通用知识模型的训练过程包括：利用目标任务对所述通用知识模型进行预训练，且在每次预训练过程中，所述通用知识模型的特征提取网络相同，所述任务接口网络与所述目标任务的类型对应；其中，所述目标任务为多个单模态任务组或多模态任务
。13.
根据权利要求1至
12
任意一项所述的云边端协同方法，其特征在于，所述当检测到符合云边交互条件，将所述通用知识模型下发至各边缘服务器之后，还包括：当接收到目标边缘服务器发送的更新后的新通用知识模型，根据所述目标边缘服务器的信任参数和所述新通用知识模型，对所述通用知识模型进行更新
。14.
根据权利要求
13
所述的云边端协同方法，其特征在于，所述根据所述目标边缘服务器的信任参数和所述新通用知识模型，对所述通用知识模型进行更新，包括：调用模型更新关系式，对所述通用知识模型进行更新；所述模型更新关系式为：
S
n
=
（1‑
ε
）
·
S+
ε
·
S
＇；
式中，
S
n
为再次更新后的通用知识模型的参数矩阵，
S
为所述通用知识模型的参数矩阵，
S
＇为所述新通用知识模型的参数矩阵，
ε
为所述目标边缘服务器的信任参数
。15.
一种云边端协同方法，其特征在于，应用于边缘服务器，包括：接收云中心服务器在检测到符合云边交互条件时下发的通用知识模型；通过双向蒸馏方式对本地模型和所述通用知识模型进行训练；其中，所述通用知识模型包括数据接口网络
、
特征提取网络和任务接口网络；所述数据接口网络用于对不同模态的输入数据进行处理，以满足所述特征提取网络的输入数据的格式要求；所述任务接口网络用于基于所属任务类型对所述特征提取网络输出的特征信息进行转换
。16.
根据权利要求
15
所述的云边端协同方法，其特征在于，所述通过双向蒸馏方式对本地模型和所述通用知识模型进行训练，包括：分别利用所述本地模型和所述通用知识模型对子任务训练数据进行处理，得到通用预测值和本地预测值；基于所述通用预测值
、
【专利技术属性】
技术研发人员：范宝余，李仁刚，王棣，王立，张润泽，
申请(专利权)人：浪潮电子信息产业股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。