本發(fā)明屬于邊緣計算和多源異構(gòu)數(shù)據(jù)采集與感知，具體地說，是涉及一種基于邊緣計算的云邊協(xié)同數(shù)據(jù)處理系統(tǒng)。

背景技術(shù)：

1、隨著物聯(lián)網(wǎng)、人工智能等新興技術(shù)的發(fā)展，各種傳感器和智能終端廣泛應(yīng)用于工業(yè)生產(chǎn)、城市管理、個人生活等領(lǐng)域。這些設(shè)備產(chǎn)生大量異構(gòu)數(shù)據(jù)，包括圖像、視頻、聲音、文本、csv、傳感器測量值等多種格式。如何有效地采集、整合和利用這些數(shù)據(jù)成為當(dāng)前的技術(shù)難題。

2、傳統(tǒng)的數(shù)據(jù)采集方式和處理是集中式的，即將數(shù)據(jù)從邊緣節(jié)點傳輸?shù)皆贫?，在云端進行存儲和計算。這種數(shù)據(jù)采集和處理方式存在以下問題：

3、1、網(wǎng)絡(luò)帶寬壓力大，大量數(shù)據(jù)傳輸占用網(wǎng)絡(luò)帶寬資源。

4、2、時延高，數(shù)據(jù)從邊緣節(jié)點傳輸?shù)皆贫诵枰欢〞r間，無法實時處理。

5、3、數(shù)據(jù)隱私風(fēng)險高，大量敏感數(shù)據(jù)通過網(wǎng)絡(luò)傳輸，易遭到攻擊和竊??；

6、4、云端調(diào)度壓力大。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是提供一種基于邊緣計算的云邊協(xié)同數(shù)據(jù)處理系統(tǒng)，充分利用邊緣側(cè)的計算和存儲能力，減輕云端壓力，并降低網(wǎng)絡(luò)帶寬占用，縮短數(shù)據(jù)傳輸實驗，提高數(shù)據(jù)采集處理的實時性以及本地化程度，實現(xiàn)數(shù)據(jù)的實時采集、實時處理，增強數(shù)據(jù)安全性，降低數(shù)據(jù)被攻擊或盜取的風(fēng)險，實現(xiàn)多源異構(gòu)數(shù)據(jù)的云統(tǒng)一管理和高效利用；在云端采用q學(xué)習(xí)+遺傳算法的調(diào)度方法提高調(diào)度優(yōu)化能力，并設(shè)計改進googlenet模型的特征提取方法，實現(xiàn)弱監(jiān)督的目標(biāo)檢測。

2、本發(fā)明采用以下技術(shù)方案予以實現(xiàn)：

3、提出一種基于邊緣計算的云邊協(xié)同數(shù)據(jù)處理系統(tǒng)，包括：

4、邊緣設(shè)備層，用于采集物理信息，生成原始數(shù)據(jù)；

5、邊緣計算平臺層，由多個邊緣節(jié)點組成，部署在網(wǎng)絡(luò)邊緣，每個邊緣節(jié)點對其附近的邊緣設(shè)備進行數(shù)據(jù)采集、存儲和預(yù)處理；在邊緣節(jié)點任務(wù)調(diào)度框架下執(zhí)行本地任務(wù)；

6、云平臺層，對于云端任務(wù)采用基于q學(xué)習(xí)和遺傳算法的調(diào)度策略得到最優(yōu)調(diào)度方案，以最優(yōu)調(diào)度方案執(zhí)行遠(yuǎn)端任務(wù)。

7、在本發(fā)明一些實施例中，所述系統(tǒng)基于平臺云邊協(xié)同資源監(jiān)控，對邊緣節(jié)點和云平臺的資源使用情況進行監(jiān)控，將任務(wù)劃分為本地執(zhí)行和云端執(zhí)行。

8、在本發(fā)明一些實施例中，邊緣計算平臺層中，預(yù)處理方法包括多目標(biāo)檢測方法，其包括：

9、使用開源數(shù)據(jù)集對改進googlenet模型進行預(yù)訓(xùn)練；

10、將預(yù)訓(xùn)練好的改進googlenet模型通過模型遷移實現(xiàn)參數(shù)初始化；

11、使用目標(biāo)數(shù)據(jù)集對初始化模型進行訓(xùn)練，進行模型參數(shù)優(yōu)化生成最終的生成模型；

12、對生成的特征圖進行加權(quán)求和，生成圖像的cam；

13、根據(jù)檢測目標(biāo)不同選擇相應(yīng)的損失函數(shù)，使用連通區(qū)域算法對cam中的特征區(qū)域進行計算，并將計算生成邊界框映射到原圖像，實現(xiàn)目標(biāo)的定位；

14、生成最終目標(biāo)檢測結(jié)果。

15、在本發(fā)明一些實施例中，邊緣計算平臺層中，改進googlenet模型包括：

16、采用googlenet?inception?v3作為基礎(chǔ)網(wǎng)絡(luò)，在其最后一個inception模塊之后添加全局最大池化層gmp，然后使用sigmoid全連接層替換原網(wǎng)絡(luò)的稀疏全連接層。

17、在本發(fā)明一些實施例中，改進googlenet模型中根據(jù)目標(biāo)任務(wù)選擇目標(biāo)函數(shù)：

18、單類別目標(biāo)識別使用softmax交叉熵函數(shù)進行分類；

19、多類別目標(biāo)識別采用sigmoid交叉熵函數(shù)逼近多類標(biāo)簽的概率分布，根據(jù)生成類別激活熱圖。

20、在本發(fā)明一些實施例中，基于q學(xué)習(xí)和遺傳算法的調(diào)度策略包括：

21、隨機初始化種群：采用實數(shù)編碼方式定義個體編碼，通過排序選擇的方式得到遺傳算法運算的染色體；

22、在遺傳代數(shù)小于代數(shù)閾值時，執(zhí)行常規(guī)遺傳算法；常規(guī)遺傳算法包括執(zhí)行交叉、變異和繁殖操作；

23、在遺傳代數(shù)大于等于代數(shù)閾值且間隔設(shè)定代數(shù)時，執(zhí)行移民操作，并利用q學(xué)習(xí)動態(tài)調(diào)整移民操作的參數(shù)；

24、在滿足終止條件時輸出調(diào)度結(jié)果。

25、在本發(fā)明一些實施例中，所述基于q學(xué)習(xí)和遺傳算法的調(diào)度策略中，將遺傳算法的基因空間轉(zhuǎn)換成q學(xué)習(xí)中可直接處理的狀態(tài)空間，按照調(diào)度的先后順序，采用均勻聚類的方式來劃分染色體的狀態(tài)模型，將其作為q學(xué)習(xí)算法的狀態(tài)模式。

26、在本發(fā)明一些實施例中，所述基于q學(xué)習(xí)和遺傳算法的調(diào)度策略中，以任務(wù)完成時間為依據(jù)選擇算法的性能預(yù)測變量，所有任務(wù)的完工時間為最終優(yōu)化目標(biāo)；根據(jù)性能預(yù)測變量評價學(xué)習(xí)系統(tǒng)在當(dāng)前狀態(tài)下動作決策的好壞，構(gòu)建分階段調(diào)度狀態(tài)模式下的立即獎懲函數(shù)，使最大化q函數(shù)和最小化目標(biāo)函數(shù)的優(yōu)化方向一致：

27、；其中，r為正數(shù)常亮。

28、在本發(fā)明一些實施例中，所述基于q學(xué)習(xí)和遺傳算法的調(diào)度策略中，q學(xué)習(xí)迭代過程中采用分段線性的探索率：

29、；

30、其中，為初始探索率，為迭代次數(shù)，為學(xué)習(xí)周期長度。

31、在本發(fā)明一些實施例中，所述基于q學(xué)習(xí)和遺傳算法的調(diào)度策略中，q學(xué)習(xí)算法包括：

32、步驟1，初始化參數(shù)：設(shè)定控制參數(shù)，學(xué)習(xí)周期長度step，任意初始化q（s,a）值，選取初始探索率ε0和學(xué)習(xí)率α，設(shè)計計數(shù)器time=0；

33、步驟?2，隨機選擇基于調(diào)度規(guī)則的集串個體；

34、步驟3，當(dāng)time<step時，

35、（1）計算探索率ε，并按照貪婪搜索策略執(zhí)行動作a；

36、（2）判斷下一決策期的狀態(tài)模式，計算最大完工時間,立即啟發(fā)式獎賞值rk，更新q值；

37、（3）更新系統(tǒng)狀態(tài)，判斷是否達(dá)到調(diào)度的終止?fàn)顟B(tài)，若是，進行步驟3(4)，否則回到步驟3；

38、（4）令計數(shù)器重新賦值time=time+1；

39、步驟4，判斷time≥step是否成立，若是，學(xué)習(xí)過程終止，否則轉(zhuǎn)到步驟3。

40、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點和積極效果是：

41、1、以分層架構(gòu)充分利用邊緣側(cè)的計算和存儲能力，根據(jù)計算資源的需求不同，將任務(wù)調(diào)度至適應(yīng)的邊緣節(jié)點進行計算，邊緣智能終端采集到的數(shù)據(jù)通過邊緣端的數(shù)據(jù)預(yù)處理中心的調(diào)度決策模塊進行處理，將任務(wù)的執(zhí)行方案分為本地執(zhí)行和云端執(zhí)行兩種方案，在本地執(zhí)行模塊，任務(wù)資源根據(jù)優(yōu)先級進行調(diào)度信息處理，減輕了云端壓力，降低了網(wǎng)絡(luò)帶寬占用，縮短了數(shù)據(jù)傳輸時延。

42、2、為邊緣節(jié)點設(shè)計基于改進googlenet模型的特征提取方法，在最后一個inception模塊之后添加gmp層，然后使用sigmoid全連接層替換原網(wǎng)絡(luò)的稀疏全連接層。選擇最優(yōu)的特征輸出層，采用連通域計算方法，獲取特征位置，優(yōu)化的特征提取結(jié)果，從而濾掉數(shù)據(jù)中的冗余特征，降低數(shù)據(jù)維度，使數(shù)據(jù)分析與處理更加高效準(zhǔn)確，解決數(shù)據(jù)空間維度較高而對數(shù)據(jù)的內(nèi)部特征了解不夠的問題。

43、3、在云端執(zhí)行模塊建立多目標(biāo)模型，設(shè)計結(jié)合q學(xué)習(xí)和遺傳算法的任務(wù)調(diào)度方法，降低云端任務(wù)調(diào)度壓力，提高云端任務(wù)調(diào)度能力。

44、結(jié)合附圖閱讀本發(fā)明實施方式的詳細(xì)描述后，本發(fā)明的其他特點和優(yōu)點將變得更加清楚。