边缘智能

6.3 计算软件网络技术

总的来说，EI在一个循环的边缘化气候中运行计算升级的、基于计算机和智能的应用程序。因此，由于计算结果和信息可以在众多边缘中心成功交易，因此，精细且符合PC协议的组织安排极具吸引力。Ultra-Reliable Low-Latency Communication（URLLC）旨在用于在未来最长的5G组织中需要低延迟和高可靠性的基本业务应用程序。随后，加入5G URLLC的最佳塑形能力，为低休眠EI（URLLEI）政府提供难以置信的坚实实力，这将显示出保证。更重要的是，5G将利用复杂的进步，例如，编程个性化的系统管理和组织工作虚拟化。这些方法考虑到董事会更具适应性的组织资产，并支持跨各种边缘中心的请求关联，以处理集中的模拟智能应用程序。此外，独立组织组件的计划对于在强大的异构组织并发（如LTE/5G/Wi-Fi/lora）中熟练安排EI利益至关重要，允许最近熟悉的边缘中心和小工具以适合游戏的方式自行设计。更重要的是，PC有助于专业技术，例如角度编码[110]，以减少延迟对DSGD适当学习和空中计算的影响[111]，这对于加快模型准备可能是值得的。边缘基于计算机的智能，意义重大。

三 边缘数据分析的体系结构和方法

边缘分析涉及物联网设备上或附近的工具，用于收集、处理和分析设备流数据，而不是将其传输到云或任何其他远程服务器进行分析。边缘分析通过实时分析简化数据，并确保从设备收集足够的数据。在Edge，设备设计为具有分析功能。

体系结构[4]边缘数据分析如所示图1. The边缘设备是具有成熟操作系统和电池电源的通用设备。设备可以运行边缘情报在本地服务器并向执行器发送信号。设备直接或通过网络交换机。它们在边缘设备和云之间进行定位映射服务。这个云发送配置、数据查询或机器学习模型等信号。任何边缘分析工具都遵循一种模式：

图1.边缘数据分析架构。

•

Edge上任何设备收集的数据，在设备生成数据时，会流式传输到Edge分析工具。

•

使用内置分析功能在Edge执行数据分析。数据流传输过程中的数据分析减少了连接设备上决策的延迟。

•

结果用于采取行动，例如根据状态和相应的措施立即对接收到的数据做出响应。

•

将从Edge向云端传输必要的汇总数据。这降低了传输原始数据时的带宽要求。

通常用于将数据从边缘设备传输到云的协议包括HOOT/HTTPS（超文本传输协议/安全）、MQTT（消息队列遥测传输）、RTSP（实时流协议）、WebRTC（标准、协议、JavaScript和HTML5 API的组合）和Zigbee（使用基于包的无线电协议）。

17.4.2.4 分布式学习和边缘智能

多智能体系统中的自治智能体本质上是以分布式方式运行的，在大多数情况下，没有中央控制器来协调信息或智能体本身。考虑深度学习时，分布式深度学习的各个方面[58,59]和边缘情报 [60–62]想想吧。

分布式深度学习旨在减少单个设备上所需的处理量。为了实现这一点，学习任务分布在不同的设备上。深层神经网络可以沿层分割或完全提取子网络。虽然减少了单个设备的计算负担，但由于系统必须交换其计算结果，因此引入了通信开销。PipeDream等方法[63]帮助开发人员和实践者优化和简化分布式学习系统中的通信。利用图形神经网络[64]，在第章中讨论4，子网甚至单个节点可用于在多个设备或代理之间分布[65]虽然在多个代理人之间分配工作有很大的好处，但需要确定相关工作的协调先验的。当可用资源随时间和跨代理发生变化，并且在运行时需要动态分配时，这可能会成为问题。这种变化可能会导致沟通和协调方面的管理费用，使最初在绩效方面获得的好处过时。

在代理之间简单地分配任务的另一种方法是将不同深度的网络分配给不同的设备[66]不同深度的网络在所需资源和网络在推理任务上的准确性之间进行权衡[67]。可用资源很少的设备利用浅层网络执行推理任务。如果推理任务不能证明预期或要求的置信度，则需要咨询更深的网络以获得更高的置信度。为了最大限度地减少训练和通信工作量，我们可以考虑不同深度的网络，以利用通用的核心结构，并在最初将其作为一个具有不同出口分支的网络进行训练。然后，我们根据不同设备的可用资源，将公共核心和各个分支分配给不同设备。这允许设备仅传送在不同网络分叉的层处产生的信息。有关这方面的说明，请参见图17.9.

图17.9.分布在多个代理和/或设备上的多分支网络。每行表示一个代理及其网络，行中的每个块表示网络的一个块。第一个块（蓝色）在所有代理中通用，而第二个和第三个代理共享另一个部分（浅绿色）。每个代理都有其唯一的网络端（即网络中的较低层）。如果一个网络的结果不足，代理可以将其中间结果从公共网络块转发给其他代理（虚线箭头）。（对于图中颜色的解释，请读者参阅本章的网络版。）

按照这个想法，我们还可以划分更大的网络，并将其分布在不同的设备上，并在本地执行预处理，然后再将信息转发给处理能力更强的设备。在处理了网络的较大部分后，最后一步可以由实际的执行器完成，进行非常局部的决策，并可能克服非IID数据引起的本地化问题[62]。分解深层神经网络并将工作负载分配到边缘和云的示例如所示图17.10。在传输之前利用池层可以帮助进一步减少不同设备之间传输的数据量[68,61]。当代理分布在多个物理设备上时，这种方法允许本地化的预处理和后处理。结果在很大程度上取决于初始网络和网络的最终部分。在大多数情况下，网络的核心将通过单个服务器基础设施（即云）共享。

图17.10.以深度神经网络为例的边缘智能和分布式学习。该网络被分成不同的部分，并根据需要使用结果。在这里，传感器是一个摄像头，在将初始分析传输到云中之前执行一些预处理。在云中，核心工作是利用大量资源执行的。结果被转发给控制器，以便根据本地设备选择单个操作。

当深入研究这一点并涉及到之前讨论过的方法（如联合学习、社会学习和自我反思）时，我们可以考虑不同的未来方向，使自治代理能够利用分布式学习。一种方法可能是利用联合学习来学习公共网络部分，并利用本地网络执行单个推理步骤[69]这减少了个人学习的工作量，甚至可以对网络的核心部分进行通用更新。利用更深和更浅的单个网络之间的权衡，单个设备可以实现更准确但更昂贵的推理或更快但可能不准确的推理结果。通过使用自学习技术，使代理能够推理其资源，可以在代理执行手头的推理任务之前做出此决策。此外，在协作多智能体环境中，各个智能体可以协作以优化各自的推理结果。如图所示图17.11其中代理A请求代理B的反馈。由于两个代理共享一个公共网络，代理B只接收来自初始公共网络的结果（虚线箭头），只需要执行网络的其余单个部分（橙色）。

图17.11.两个代理之间的协作深度学习。这两个代理共享网络的核心部分，并在网络的末尾分别进行专门化。如果推理任务没有达到预期的性能，代理可以请求另一个代理的反馈来细化、确认或混淆结果（虚线箭头）。（对于图中颜色的解释，请读者参阅本章的网络版。）

10.3 工业物联网

在工业物联网的发展过程中，边缘计算和区块链技术的结合为当前的云计算技术、数据处理和执行以及授权控制提供了一个受保护的接口，从而加快了向预期边缘服务器的交付过程。

可扩展的安全边缘应用程序管理通过以下方式实现边缘智能-工业物联网架构和区块链安全。使用域间边缘资源调度机制和信用差异边缘事务审批机制来降低边缘服务成本和扩展设施功能[23].

在工业物联网中，验证、透明、权威和隐私的关键功能通过通过保护公钥构建的轻量级密钥协议实现[24]将边缘计算、区块链和工业物联网相结合，构建了一种基于区块链的新型边缘互联网模型。该框架为可扩展和可控的物联网系统生成了隐私保护机制。例如，IIoT Bazar是一个分布式业务边缘服务市场，它通过区块链安全框架为所有参与者生成可审计性。它用于部署安装在物联网边缘设备上的监测和跟踪解决方案。低计算能力物联网边缘设备通过雾计算技术与IIoT Bazaar融合。增强现实（AR）将物联网用户与边缘设备连接起来。

4.2.2 物联网智能医疗系统中的边缘智能和5G

5G的主要特点是更快的数据输出，这有助于大型机器通信。此外，无人机交互的机器对机器通信具有高可靠性和低延迟。云计算技术的巨大进步推动了系统管理的集中化方法。面向分布式架构的计算由物联网、移动计算和软件即服务模型驱动。以上两者的组合利用5G和边缘计算技术获得了将系统性能提高到更高水平的方法(Hassan等人，2019年). 众所周知，5G为高交互物联网用例提供低延迟支持。边缘计算使用分布式体系结构模型，使计算能力更接近前提，因此减少了延迟。边缘计算将大量数据从用户设备（UE）卸载到边缘云(Zhang等人，2018年).

边缘计算技术试图集成各种类型的边缘设备和服务器。他们可以协同执行，以高效处理本地生成的医疗保健传感器数据。此外，边缘情报尝试通过将人工智能技术和与人类行为相关的认知智能应用到边缘架构中，从而走向智能医疗框架。边缘智能应用于连接传感器的智能设备。这些设备可在智能传感器和网关设备附近的网关上使用，网关设备可以充当边缘节点。

大多数医疗系统都没有考虑患者的紧急情况，也没有为用户提供任何个性化的资源服务。为了克服这一缺点，提出了基于边缘认知计算（ECC）的智能医疗系统(Chen等人，2018年). 该系统可以使用认知计算来监测和分析用户的身体健康(Chen等人，2019年；Wan等人，2020年). 基于ECC的系统可以根据患者的健康风险等级调整整个边缘计算网络的计算资源分配。

使用深度学习和边缘计算的各种新的智能检测技术正在出现。传感器感应到人类脑电图（EEG）信号并发送到附近的边缘服务器。边缘服务器引入了各种预处理步骤，并将其分配给可用的边缘设备。因此，大型高级信号被传输到云服务器。边缘学习即服务（EdgeLaaS）框架也被提出用于在内部处理健康监督数据。边缘学习节点可帮助患者在紧急情况发生时实时从医务人员那里选择更好的建议(Zhang等人，2020).

远程医疗领域需要一个先进的网络，如5G和6G，提供实时支持，在不减慢设施网络速度的情况下提供高质量视频通信。此外，网络必须具有标准协议和更安全的机制，以应对安全挑战，不仅要遵循安全设计，还要遵循安全操作规则(Hameed等人，2021年). 因此，edge可以通过确保安全标准来实现更安全的远程医疗设施(https://enterprise.verizon.com/resources/articles/s/future-of-healthcare-technology-5g-edge-computing/).