1974年1月创刊(月刊)
主管/主办:重庆西南信息有限公司
ISSN 1002-137X
CN 50-1075/TP
CODEN JKIEBK
编辑中心
    边缘智能协同技术及前沿应用 栏目所有文章列表
    (按年度、期号倒序)
        一年内发表的文章 |  两年内 |  三年内 |  全部
    Please wait a minute...
    选择: 显示/隐藏图片
    1. 边缘智能协同技术及前沿应用专题序言
    戴海鹏, 郭嵩, 王晓飞, 张永敏, 顾荣, 屈毓锛
    计算机科学    2023, 50 (2): 1-2.   DOI: 10.11896/jsjkx.qy20230201
    摘要407)      PDF(pc) (1136KB)(2154)    收藏
    相关文章 | 多维度评价
    2. Optimization and Deployment of Memory-Intensive Operations in Deep Learning Model on Edge
    Peng XU, Jianxin ZHAO, Chi Harold LIU
    计算机科学    2023, 50 (2): 3-12.   DOI: 10.11896/jsjkx.20221100135
    摘要324)      PDF(pc) (2630KB)(1965)    收藏
    As a large amount of data is increasingly generated from edge devices,such as smart homes,mobile phones,and wearable devices,it becomes crucial for many applications to deploy machine learning modes across edge devices.The execution speed of the deployed model is a key element to ensure service quality.Considering a highly heterogeneous edge deployment scenario,deep learning compiling is a novel approach that aims to solve this problem.It defines models using certain DSLs and generates efficient code implementations on different hardware devices.However,there are still two aspects that are not yet thoroughly investigated yet.The first is the optimization of memory-intensive operations,and the second problem is the heterogeneity of the deployment target.To that end,in this work,we propose a system solution that optimizes memory-intensive operation,optimizes the subgraph distribution,and enables the compiling and deployment of DNN models on multiple targets.The evaluation results show the performance of our proposed system.
    参考文献 | 相关文章 | 多维度评价
    3. Distributed Weighted Data Aggregation Algorithm in End-to-Edge Communication Networks Based on Multi-armed Bandit
    Yifei ZOU, Senmao QI, Cong'an XU, Dongxiao YU
    计算机科学    2023, 50 (2): 13-22.   DOI: 10.11896/jsjkx.221100134
    摘要404)      PDF(pc) (1630KB)(1832)    收藏
    As a combination of edge computing and artificial intelligence,edge intelligence has become a promising technique and provided its users with a series of fast,precise,and customized services.In edge intelligence,when learning agents are deployed on the edge side,the data aggregation from the end side to the designated edge devices is an important research topic.Considering the various importance of end devices,this paper studies the weighted data aggregation problem in a single hop end-to-edge communication network.Firstly,to make sure all the end devices with various weights are fairly treated in data aggregation,a distributed end-to-edge cooperative scheme is proposed.Then,to handle the massive contention on the wireless channel caused by end devices,a multi-armed bandit (MAB) algorithm is designed to help the end devices find their most appropriate update rates.Diffe-rent from the traditional data aggregation works,combining the MAB enables our algorithm a higher efficiency in data aggregation.With a theoretical analysis,we show that the efficiency of our algorithm is asymptotically optimal.Comparative experiments with previous works are also conducted to show the strength of our algorithm.
    参考文献 | 相关文章 | 多维度评价
    4. 基于层级化数据记忆池的边缘侧半监督持续学习方法
    王祥炜, 韩锐, 刘驰
    计算机科学    2023, 50 (2): 23-31.   DOI: 10.11896/jsjkx.221100133
    摘要544)      PDF(pc) (2471KB)(2131)    收藏
    外界环境的不断变化导致基于传统深度学习方法的神经网络性能有不同程度的下降,因此持续学习技术逐渐受到了越来越多研究人员的关注。在边缘侧环境下,面向边缘智能的持续学习模型不仅需要解决灾难性遗忘问题,还需要面对资源严重受限这一巨大挑战。这一挑战主要体现在两个方面:1)难以在短时间内花费较大的人工开销进行样本标注,导致有标注样本资源不足;2)难以在边缘平台部署大量高算力设备,导致设备资源十分有限。然而,面对这些挑战,一方面,现有经典的持续学习方法通常需要大量有标注样本才能维护模型的可塑性与稳定性,标注资源的缺乏将导致其准确率明显下降;另一方面,为了应对标注资源不足的问题,半监督学习方法为了达到更高的模型准确率,往往需要付出较大的计算开销。针对这些问题,提出了一个面向边缘侧的,能够有效利用大量无标注样本及少量有标注样本的低开销的半监督持续学习方法(Edge Hierarchical Memory Learner,简称为EdgeHML)。EdgeHML通过构建层级化数据记忆池,使用多层存储结构对学习过程中的样本进行分级保存及回放,以在线与离线相结合的策略实现不同层级间的交互,帮助模型在半监督持续学习环境下学习新知识的同时更有效地回忆旧知识。同时,为了进一步降低针对无标注样本的计算开销,EdgeHML在记忆池的基础上,引入了渐进式学习的方法,通过控制模型对无标注样本的学习过程来减少无标注样本的迭代周期。实验结果表明,在CIFAR-10,CIFAR-100以及TinyImageNet这3种不同规模的数据集构建的半监督持续学习任务上,EdgeHML相比经典的持续学习方法,在标注资源严重受限的条件下最高提升了约16.35%的模型准确率;相比半监督持续学习方法,在保证模型性能的条件下最高缩短了超过50%的训练迭代时间,实现了边缘侧高性能、低开销的半监督持续学习过程。
    参考文献 | 相关文章 | 多维度评价
    5. 一种基于博弈论的移动边缘计算资源分配策略
    陈祎鹏, 杨哲, 谷飞, 赵雷
    计算机科学    2023, 50 (2): 32-41.   DOI: 10.11896/jsjkx.220300198
    摘要365)      PDF(pc) (2129KB)(1950)    收藏
    现有的对移动边缘计算资源分配策略问题的研究,较多的是针对时延和能耗因素进行优化,考虑边缘服务器的收益问题的相对较少,而在考虑边缘服务器收益时,许多研究忽略了对任务完成时延的优化。因此,提出了一种基于博弈论的双向更新策略(TUSGT)。TUSGT在边缘服务器侧将其之间的任务竞争关系转化为一个非合作博弈问题,采用基于势博弈的联合优化策略,允许边缘服务器以最大化其自身收益为目的来确定任务选择偏好。在移动设备侧使用在线学习中的EWA算法进行参数更新,从全局角度影响边缘服务器的任务选择偏好,提高总体任务完成率。仿真实验结果表明,TUSGT与BGTA、MILP、贪婪策略、随机策略、理想策略相比,任务完成率最多提高30%,边缘服务器平均收益最多提高65%。
    参考文献 | 相关文章 | 多维度评价
    6. 数字孪生辅助边缘智能中基于联盟博弈的联合资源优化
    李晓欢, 陈璧韬, 康嘉文, 叶进
    计算机科学    2023, 50 (2): 42-49.   DOI: 10.11896/jsjkx.221100123
    摘要354)      PDF(pc) (2129KB)(1943)    收藏
    针对边缘智能驱动的工业物联网中边缘服务提供商(Edge Service Providers,ESPs)资源时空分布不均对系统性能的影响,提出了一种数字孪生辅助边缘智能的联盟博弈资源优化方案。首先,在满足ESP带宽资源、计算资源和缓存资源限制条件,以及边缘智能应用最大可容忍时延等多重约束条件的前提下,通过建立基于可转移效用联盟博弈的边缘终端效用最大化主问题和ESP效用最大化子问题,来联合优化多维资源配置;其次,将上述两个问题合并转化为带有线性约束的凸优化问题;最后,基于交替迭代方法得到该等效优化问题的近似最优解。仿真结果表明,与纳什均衡、大联盟等典型基线方案相比,所提方法的资源利用率均有显著提升,且随着ESP数量的增加资源利用率提升度逐渐增加,所提方案更加适用于大规模边缘智能系统。
    参考文献 | 相关文章 | 多维度评价
    7. 基于李雅普诺夫优化的移动群智感知在线任务分配策略
    常沙, 吴亚辉, 邓苏, 马武彬, 周浩浩
    计算机科学    2023, 50 (2): 50-56.   DOI: 10.11896/jsjkx.221100179
    摘要343)      PDF(pc) (2125KB)(1910)    收藏
    移动群智感知技术基于众包思想,募集移动感知设备对周围环境进行感知,能够使得环境感知和信息收集更加灵活、方便、高效。任务分配方案的合理性直接影响到感知任务能否成功,因此制定合理的任务分配方案是移动群智感知相关研究中的热点和重点。目前,移动群智感知系统中的任务分配方法多是离线的,针对的是单一类型的任务,但是在实际中,在线的、多类型的任务分配更贴近实际。因此,文中针对多类型任务,将移动群智感知技术应用于军事末端感知中,结合移动群智感知技术在军事领域的应用特点,对移动群智感知中的任务分配方法进行了研究,提出了面向系统效益的在线任务分配策略。文中建立了长期的、动态的在线任务分配系统模型,并以系统效益为优化目标,基于李雅普诺夫优化理论对问题进行了求解,实现了任务准入策略和任务分配方案的长期在线动态控制。实验结果表明,所提出的在线任务分配算法是有效可行的,能够在线、合理地分配到达移动群智感知系统的任务,保证任务队列的稳定性,且可以通过调整参数值增加系统效益。
    参考文献 | 相关文章 | 多维度评价
    8. UAV Frequency-based Crowdsensing Using Grouping Multi-agentDeep Reinforcement Learning
    Cui ZHANG, En WANG, Funing YANG, Yong jian YANG , Nan JIANG
    计算机科学    2023, 50 (2): 57-68.   DOI: 10.11896/jsjkx.221100114
    摘要225)      PDF(pc) (5389KB)(1832)    收藏
    Mobile CrowdSensing (MCS) is a promising sensing paradigm that recruits users to cooperatively perform sensing tasks.Recently,unmanned aerial vehicles (UAVs) as the powerful sensing devices are used to replace user participation and carry out some special tasks,such as epidemic monitoring and earthquakes rescue.In this paper,we focus on scheduling UAVs to sense the task Point-of-Interests (PoIs) with different frequency coverage requirements.To accomplish the sensing task,the scheduling strategy needs to consider the coverage requirement,geographic fairness and energy charging simultaneously.We consider the complex interaction among UAVs and propose a grouping multi-agent deep reinforcement learning approach (G-MADDPG) to schedule UAVs distributively.G-MADDPG groups all UAVs into some teams by a distance-based clustering algorithm (DCA),then it regards each team as an agent.In this way,G-MADDPG solves the problem that the training time of traditional MADDPG is too long to converge when the number of UAVs is large,and the trade-off between training time and result accuracy could be controlled flexibly by adjusting the number of teams.Extensive simulation results show that our scheduling strategy has better performance compared with three baselines and is flexible in balancing training time and result accuracy.
    参考文献 | 相关文章 | 多维度评价
    9. 空-天-地一体化移动边缘计算系统的部署优化和计算卸载
    郑鸿强, 张建山, 陈星
    计算机科学    2023, 50 (2): 69-79.   DOI: 10.11896/jsjkx.220600057
    摘要506)      PDF(pc) (2318KB)(1897)    收藏
    空-天-地一体化的通信技术作为一种新兴的架构,能够有效提高地面终端的网络服务质量,近年来引起了广泛关注。文中研究了一种空-天-地一体化的移动边缘计算系统,其中多台无人机为地面设备提供低延迟的边缘计算服务,近地轨道卫星为地面设备提供无处不在的云计算服务。由于无人机的部署位置和计算任务的卸载方案是影响系统性能的关键因素,因此需要对无人机的部署位置、地面设备与无人机之间的连接关系以及计算任务的卸载比例进行联合优化,实现系统内系统平均任务响应时延最小化。并且,由于形式化定义的联合优化问题是一个混合非线性规划问题,因此设计了一种双层优化算法,在该算法的上层,提出了一种结合了遗传算法算子的粒子群优化算法来优化无人机的部署位置,并在算法的下层采用贪心算法来实现对计算任务卸载方案的优化。大量的数值仿真实验验证了所提算法的可行性和有效性。结果表明,与其他基准算法相比,所提算法能有效降低系统的任务平均响应时延。
    参考文献 | 相关文章 | 多维度评价
    10. 深空环境中基于云边端协同的任务卸载方法
    尚玉叶, 袁家斌
    计算机科学    2023, 50 (2): 80-88.   DOI: 10.11896/jsjkx.220800156
    摘要365)      PDF(pc) (2910KB)(1862)    收藏
    深空探测是当今世界航天任务的重要领域,深空探测自主技术对未来进行大规模的深空探测具有重大意义。由于深空环境复杂且未知,通信时延长,星上计算资源有限,深空探测自主技术面临严峻挑战。针对此问题,提出了一种面向深空探测任务的数字孪生云边端协同框架,通过云边端协同的任务卸载,为深空探测自主技术提供更加高效的资源服务。首先将复杂深空探测任务分解为多个具有依赖关系的子模块,然后在虚拟空间层分别建立环绕器覆盖时间模型、协同计算模型和模块依赖模型,最后基于以上模型构建了相应的目标优化问题。优化目标是在模块依赖、环绕器的有效通信服务时间以及着陆巡视器发射功率控制约束条件下,最小化着陆巡视器完成深空探测任务的能耗和时间。为了解决该优化问题,提出了一种自适应遗传算法,以确定最优的执行策略交由物理空间层的着陆巡视器执行。仿真结果表明,所提出的自适应遗传算法可以有效减少任务完成时间和能耗。此外,将所提的云边端协同计算模式与另外3种计算模式进行了对比,结果表明,在完成相同目标的情况下,所提的云边端协同框架具有更高的资源利用率。
    参考文献 | 相关文章 | 多维度评价
    首页 | 前页| 后页 | 尾页 第1页 共1页 共10条记录