【技术实现步骤摘要】
本专利技术涉及信息的云计算，具体涉及一种边缘计算与云计算相融合的方法、系统、设备及存储介质。
技术介绍
1、在物联网、云计算等新一代信息技术被广泛应用的背景下，以传大数据、感器技术、物联网技术、互联网技术、云计算、隐私计算等为理论支撑，越来越多的企事业单位的物联网终端设备加入网络，以解决智能安防、智能应急、智能农业、智能防灾等领域智能化、网络化监测预警问题。据统计，2020年后全球联网终端数量已经超过500亿台/套。gartner研究显示，2022年以来，随着企业数字业务的快速发展，有超过75％的企业所生成的数据在传统的集中式数据中心或云端之外的位置被处理。预计到2025年，将有80％的企业可能会关闭其传统的私有数据中心。海量的终端感知设备以及用户要求的低延迟使得传统集中式计算处理方案不再满足当前需求，一种边缘计算与云计算相融合的方法应运而生，在快速连接、业务实时、数据融合、智能应用、安全隐私保护等方面满足企事业单位数字化转型所需要的智能服务。
技术实现思路
1、本专利技术提出的一种边缘计算与云计算相融合的方法、设备及存储介质，克服
技术介绍
中提及的传统方法的局限性，提高企事业单位数字化转型时对快速连接、业务实时、数据融合、智能应用、安全隐私保护等方面需智能服务的精确性、准确性和实时性。
2、为实现上述目的，本专利技术采用了以下技术方案：
3、一种边缘计算与云计算相融合的方法，包括以下步骤，
4、(1)数据预处理：在边缘计算设备上对原始数据进行预处
5、(2)联邦学习：在云计算平台上，采用联邦学习算法对边缘计算设备上的预处理数据进行联合训练；
6、(3)高维范围缩减：在云计算平台上，运用高维范围缩减算法对联邦学习后的数据进行降维操作；
7、(4)模型更新与优化：根据降维后的数据和分析结果，对联邦学习模型进行更新和优化；
8、(5)数据安全与隐私保护：在整个过程中，采用安全加密技术保护数据隐私，防止数据泄露和安全漏洞；
9、(6)模型部署与应用：将更新后的联邦学习模型部署到边缘计算设备上，实现实时数据分析和预测。
10、进一步的，在云计算平台上，采用联邦学习算法对边缘计算设备上的预处理数据进行联合训练，具体步骤包括：
11、(1)初始化模型：中央服务器接受或者初始化用户需要训练的一个机器学习模型，并将其全局模型分发给参与联邦学习(federated learning)的各个边缘节点设备。
12、(2)本地训练：每个边缘节点设备使用本地预准备的数据对分发的全局模型进行深度学习。这里的数据不离开节点设备，仅在节点设备本地进行模型训练，这有助于保护用户的隐私和数据安全。同时模型在边缘节点设备上学习和更新，使得模型能够快速适应实时数据变化。
13、(3)模型聚合：各边缘节点运用本地数据训练模型完成后，边缘设备将只有模型学习后更新的参数(而不是原始数据)传输回中央服务器。中央服务器对这些更新的参数进行全局聚合，以更新全局模型。全局聚合的频率是可配置的，可以以一个或多个本地更新为间隔进行聚合。每一次本地更新都会消耗边缘节点的计算资源，每一次全局聚合都会消耗网络的通信资源。
14、(4)迭代更新：中央服务器将更新后的全局模型再次分别传输给边缘节点设备，这些设备继续在本地进行再次的深度学习训练、参数传输和模型聚合的过程。这个迭代过程可以多次进行，通过这样的循环往复训练，能够逐步提升模型性能。
15、进一步的，云计算使用高维范围缩减算法(hrrn)的步骤包括：
16、(1)数据预处理：在执行降维操作之前，首先需要对原始数据进行预处理，例如去除噪声、缺失值填充、归一化等，以提高降维算法的效果。
17、(2)选择降维算法：根据具体需求和数据特点选择合适的降维算法，例如主成分分析(pca)、t-分布邻域嵌入(t-sne)、等距映射(im)等。
18、(3)执行降维操作：根据选定的降维算法，对预处理后的数据进行降维操作。这可能包括数据映射、维度变换、坐标转换等步骤。
19、(4)评估降维效果：在降维完成后，需要对降维结果进行评估，以确定降维算法是否达到预期效果。评估指标可能包括数据重建误差、数据分布紧凑度、计算复杂度等。
20、(5)调整参数和算法：根据评估结果，可能需要对降维算法的参数进行调整，或者更换其他降维算法，以提高降维效果。
21、(6)应用降维结果：将降维后的数据应用于后续的数据分析、挖掘、机器学习等任务中，以提高相关领域的效率和效果。需要注意的是，在实际应用中，高维范围缩减算法的执行过程可能涉及多个步骤的迭代和调整，以达到最佳的降维效果。同时，应根据具体需求和数据特点选择合适的降维算法，并考虑算法的计算复杂度、可解释性、安全性等因素。
22、进一步的，使用mec边云协同技术的详细步骤包括：
23、(1)数据采集：边缘计算终端节点通过各种传感器和设备收集数据，例如温度传感器、摄像头、麦克风等。这些设备可以直接连接到边缘计算平台，无需通过云平台进行中转。
24、(2)数据预处理：边缘计算可以对采集到的数据进行预处理，例如数据压缩、滤波、去噪等。这些预处理操作可以减少数据量和提高数据质量，从而降低传输成本和提高数据处理效率。
25、(3)数据存储：边缘计算可以将采集到的数据存储在边缘设备上，例如存储器、硬盘等。这些数据可以作为后续分析和处理的基础，同时也可以减少数据传输的成本和延迟。
26、(4)数据传输：需要将数据传输到云端进行进一步处理和分析时，边缘计算节点将数据通过无线网络传输到云端。
27、(5)云端处理：云端计算节点接收到数据后，进行深入分析、学习、推理等操作，将结果反馈给边缘计算节点。
28、(6)结果反馈：边缘计算节点接收到云端计算节点的结果后，将结果用于控制、决策、反馈等操作。当云边协同侧重于边缘端时，云端只负责初始化模型以及后续的决策与整合，边缘端负责主体的分析计算。
29、(7)结果呈现：最终结果可以通过边缘设备呈现给用户，例如智能手机、智能电视等。
30、本专利技术还提供了一种federated learning和hrrn相融合的边云协同数据分析系统，其搭载或存储有可实现上述的一种边缘计算与云计算相融合方法的程序。它具体是一种将边缘计算的联邦算法(federated learning)与云计算的最高响应比优先算法相融合的边云协同算法系统，能够更进一步的提高数据分析计算的效率，降低延迟，为各种应用场景提供稳定灵活的数据传输与分析系统。federated learning和hrrn相融合的边云协同数据分析系统包括操作步骤如下：
31、(1)数据预处理：首先，在边缘设备上使用联邦算法对数据进行预处理。联邦算法是一种在不泄露原始数据的情况下对数据进行聚合的算法，这样可以保护用本文档来自技高网...
【技术保护点】
1.一种边缘计算与云计算相融合的方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的边缘计算与云计算相融合的方法，其特征在于：所述在云计算平台上，采用联邦学习算法对边缘计算设备上的预处理数据进行联合训练，包括以下步骤，
3.根据权利要求1所述的边缘计算与云计算相融合的方法，其特征在于：在云计算平台上，运用高维范围缩减算法对联邦学习后的数据进行降维操作，包括，
4.根据权利要求1所述的边缘计算与云计算相融合的方法，其特征在于：还包括使用MEC边云协同技术步骤包括：
5.根据权利要求1所述的边缘计算与云计算相融合的方法，其特征在于：还包括将Federated Learning算法融合HRRN算法进行模型的深度学习与更新，步骤包括：
6.一种边缘计算与云计算相融合的分析系统，用于实现权利要求1-5任意一项所述的边缘计算与云计算相融合的方法，其特征在于：包括以下模块，
7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。
<...【技术特征摘要】
1.一种边缘计算与云计算相融合的方法，其特征在于，包括以下步骤，
2.根据权利要求1所述的边缘计算与云计算相融合的方法，其特征在于：所述在云计算平台上，采用联邦学习算法对边缘计算设备上的预处理数据进行联合训练，包括以下步骤，
3.根据权利要求1所述的边缘计算与云计算相融合的方法，其特征在于：在云计算平台上，运用高维范围缩减算法对联邦学习后的数据进行降维操作，包括，
4.根据权利要求1所述的边缘计算与云计算相融合的方法，其特征在于：还包括使用mec边云协同技术步骤包括：
5.根据权利要求1所述的边缘计算与云计算相融合的方法，其特...
【专利技术属性】
技术研发人员：魏永强，方丽霞，杨涛，方学明，毕大兴，杨育，
申请(专利权)人：旌德县万方日用品有限公司，
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。