智慧学习系统中的人工智能与边缘计算论文

SCI论文（www.lunwensci.com）

　　摘 要：作为智慧学习系统这一人工智能的代表技术,深度学习将受益于计算能力、算法和数据集的进步。而另一种技术 是边缘计算技术,它是从传统的云计算技术发展而来的。因传统的云计算模型已经无法有效处理大量的计算任务,新的应用也 对数据的实时处理提出了更高的要求,从而使得边缘计算应运而生。

　　关键词：智慧学习系统,人工智能,边缘计算


　　【Abstract】： As a representative technology of artificial intelligence, intelligent learning system, deep learning will benefit from the advancement of computing power, algorithms and data sets. The other technology is edge computing technology, which is developed from traditional cloud computing technology. Because the traditional cloud computing model has been unable to effectively hadle a large number of computing tasks, and new applications also put forward higher requirements for real-time data processing, with makes edge computing emerges as the times require.

　　【Key words】： smart learning system;artificial intelligence;edge computing


　　1 国内外研究现状

　　2020 年,全球物联网设备数量超过 200 亿。这种 规模的设备,传统的云计算架构已无法处理大量的计 算任务,边缘计算应运而生。基于边缘计算框架,可以 将智慧城市、车联网等诸多智能理念融入可操作的应用 中,这些复杂的智能应用可以在边缘进行实时处理。借 助边缘计算,大量数据不必在云传输中延迟,直接在边 缘侧进行处理,极大地提升了边缘智能计算的用户服务 质量。同时,机器学习,是处理如此大量数据的好方 法,尤其是深度学习 [1]。通过将这些机器学习方法集成 到边缘计算架构中,针对整个边缘计算系统优化边缘缓 存、卸载边缘计算任务以及跨边缘的资源调度,这就是 智能边缘计算,由此将获得性能优化的效果的。然而, 目前人工智能和边缘计算这两项开创性的新技术正面临 进一步的发展瓶颈。深度学习技术需要高密度计算,因 此当前基于深度学习的智能算法通常运行在计算能力强大的云计算数据中心。在移动设备普及的今天,人工智 能落地的“最后一公里”是将深度学习模型高效部署到 资源受限的设备上,让智能更贴近用户和对象,解决问 题的方式很有吸引力,引起学术界和工业界的高度重视。

　　2 边缘计算的发展历程

　　如图 1 所示,在 2015 年之前,我们可以看到边缘计 算处于原始积累阶段。在 2015— 2017 年,边缘计算声 名鹊起,发展迅速,相关论文增长 10 倍以上。本文将边 缘计算的发展分为稳定发展期、快速增长期、技术储备 期三个阶段,对行业的发展趋势进行观察和分析 [2]。


　　2.1 技术储备期

　　现阶段, “休眠 - 建议 - 定义 - 推广”的发展是边缘 计算正在经历的过程,边缘计算可以追溯到阿卡迈在 1998 年提出的内容分发网络。CDN 是通过中心平台各 个位置的缓存服务器,内容分发、负载均衡、调度等功 能模块,定向到离用户访问最近的缓存服务器,提高响应用户访问,减少网络拥塞速度,是基于 Internet 的缓存网络。函数缓存是边缘计算的基本思想,备份和缓存则是 CDN 专注于内容(数据)的 [3]。函数缓存的概念在 2005 年韦恩州立大学施巍松教授的一个团队提出的,以节省带宽延迟,并将其用于个性化邮箱管理服务。2009 年, 位于网络边缘的 Cloudlet 概念被提出,它是一个连接到 Internet、资源丰富、可信赖的主机,可从移动设备访问以提供服务 [4]。目前边缘计算专注于下行链路,这意味着可以将云服务器功能降级到边缘服务器以降低带宽延迟。万物互联的背景下,探索在发送、计算和存储过程中解决爆炸性边缘数据计算负载和数据传输带宽的问题,以便研究人员将数据放在更靠近 数据生产者的边缘,可以增强数据处理的能力。

　　2.2 快速增长期

　　边缘计算快速增长的时期是 2015-2017 年,它以能 满足万物互联的需求的发展方向,正受到国内外学术界 和工业界的关注。2016 年 5 月在政府层面,计算机系 统研究被美国国家科学基金会(NSF)列为边缘计算重 点领域,无线边缘网络上的信息中心网络在同年 8 月专 门被讨论 [5]。10 月,边缘计算的大挑战在美国国家科学 基金会举办了研讨会,本次研讨会重点关注 3 个主题, 即边缘计算 5 ~ 10 年的发展目标,达成目标所带来的 挑战,以及学术界、工业界和政府应如何协同合作应对 挑战,这表明边缘计算的发展正在引起政府层面的关 注。2016 年 5 月在学术界,施巍松教授的一个团队给 出了边缘计算的正式定义,来自万物互联服务的上行数 据和基于云服务的下行数据是边缘计算的核心操作,在 网络边缘进行计算的一种新的计算模型即边缘计算被正 式提出。边缘计算的边缘指的是网络资源,是一个连续 体,是云计算中心和数据源路径之间的计算。2018 年 发表的《边缘计算 ：愿景与挑战》被引用 650 次,首次 指出边缘计算面临的挑战。同年 10 月,全球首个边缘计算科学研究会议被联合举行,此后,边缘计算赛道或 研讨会会议也开始在重要国际会议中增加,业界也在努 力加速边缘计算的发展。移动边缘计算白皮书于 2015 年 9 月被欧洲电信标准协会(ETSI)发布。

　　2.3 稳健发展期

　　2018 年边缘计算开始脱颖而出,并为大众所熟知。 边缘计算的范围在现阶段正在迅速扩大,在稳健发展期 间,边缘计算有 4 个重要事件。 2018 年 1 月出版了世 界上第一本关于边缘计算的专业书籍《边缘计算》,从不 同角度解释了边缘计算。世界人工智能大会于 2018 年 9 月 17 日在上海举办了以“智能未来,边缘计算”为主题 的边缘智能主题论坛。2018 年 8 月,以“智能架构”为 主题的两年一度的全国计算机体系结构科学理事会召开。 可以看到,边缘计算得到了技术社区的大力支持,学术 界的研究重点正在逐渐从云计算转移到边缘计算上来。 Eclipse 基金会和 CNCF 基金会在 2018 年 10 月携手合 作,将 Kubernetes 引入物联网边缘计算场景中,广泛 应用于超大型云计算环境。新成立的 Kubernetes IoT Edge 工作组将采用这一理念, 以促进边缘环境中的 Kubernetes 应用程序。边缘计算已成为学术界和工业 界的热门话题,边缘计算近年来的快速发展和丰厚的技 术准备,促进了大众生活品质的提升,实现了学术界和 工业界的融合。

　　3 边缘计算势在必行

　　(1) 云计算虽然很棒, 但是不能满足实时、快速响 应的需要,因为边缘端在被动地等待数据中心的反馈。 传输链路从物联网测控节点返回到分层感知网关,从通 信服务器返回到云平台,经过存储和运算处理后,通过 通信服务器和分层网关返回控制节点进行反应控制,为 某些链接添加的安全审核会使整体响应时间过长,这对 机器人手术、无人驾驶等应用来说,这绝对是难以承受 的。(2)隐私和保密性需求不满足。传统的中心化数 据存储服务远远低于网络边缘的隐私保护,犯罪分子很 容易在数据被发送到云端并存储在云端时,对数据进行 篡改、出售、拦截、窃取、管理和使用。因此,隐私和 控制等数据应用期望一些安全数据尽可能不经过网络传 输,直接存储在边缘物联网节点上。(3)不符合安全 和去中心化的需要。物联网始于一个去中心化的测控系 统,本身就提倡安全和去中心化 。如果采用云平台实 践人工智能就又回到了老路。现在是集中控制系统时 代,如果整个链路中的任何一点出现问题,桶形效应会 使姿态控制失效。(4)激进边缘数据。物联网随着操作 条件和大量环境传感器的应用,已成为工业互联网的测控终端,边缘的数据量继续呈指数增长。

　　4 人工智能前景

　　4.1 工业资产管理的人工智能应用

　　人工智能应用于资产管理的一个典型例子是 IBM 的 Watson 互联网。利用 Watson Internet 的企业资产 管理 Maximo (EAM) 软件系统收集到大量关键实时数 据,利用人工智能软件工具对数据进行分析和挖掘,这 一操作可以做出更及时、更好的决策。此外,可延长资 产的可用生命周期。使用实时数据收集、诊断和分析工 具来改进整体维护实践,这一资产维护解决方案和生命 周期管理可以满足日益复杂的安全、环境和健康要求。 将风险管理纳入日常业务流程,例如管理运营风险,可 以从人工智能的应用中受益。因运营工程师和经验丰富 操作员的退休而导致的人才和知识枯竭问题,也可以利 用人工智能的企业资产管理系统帮助解决,该系统挖掘 运营背后和工厂管理的技术人员长期积累的知识和关键 技能,通过学习和固化经过验证的良好实践和工作流 程,实现更具成本效益、更高效的工作效果。


　　4.2 流程的人工智能应用

　　以下几个方面是人工智能在流程中的应用。首先是 人工智能在操作过程中的应用,对主要生产过程和资产 管理实施标准化操作,利用实时、准确的工业人工智能 自动化操作平台来提高质量、提升效率、降低成本并改 进最终目标决策。其次,在设计和工程过程中引入人工 智能,使用与人工智能兼容的数字平台代替文档的信息 交换,可以改进工程设计。将以前手动执行的任务使用 机器学习或人工智能算法转换为自动化操作,只要将来 自相关来源的信息数字化,就可以降低开发成本。将创 新和先进的人工智能自动化套件集成到工业人工智能项 目服务 OCS 中,可以从非结构化数据、机械数据、时 间序列数据库、图像数据、客户关系管理系统(CRM) 数据、控制系统数据、历史数据库、结构化数据库、企 业资源规划等各种来源获取数据,提供复杂数据处理管 道,例如机器学习 / 深度学习、数据清理、系统 (ERP) 数据以及对各种工业应用模式敏感的高级 AI,例如线 性、瞬态、远程和非线性数据。因此,通过分析流程和 资产数据并标准化操作,可以通过自动化操作获得卓越 的操作效果。

　　5 融合人工智能和边缘计算技术的智慧学习系统

　　近年来,深度学习受到学术界和产业界的积极需 求,也是人工智能领域的主流技术之一。由于深度学习 模型需要大量计算,在计算能力强大的云计算数据中 心,基于深度学习的智能算法通常驻留。通过将多个神 经网络层堆叠在一起形成一个典型的深度学习模型(如深度卷积神经网络)。由于不同网络层的输出数据量和 计算资源需求存在较大差异,将整个深度学习模型(即 神经网络)拆分为两部分是直观的想法,将大部分进行 计算边缘化,并在终端设备上保留一小部分复杂度用于 本地计算。显然,深度学习模型的计算延迟可以利用边 缘服务器与终端设备的协同计算方法有效降低。考虑到 以上问题,边缘与终端协同深度学习模型推理优化框架 在逻辑上分为 3 个阶段 ：在线优化阶段、离线训练阶 段、协同推理阶段。上述基于边缘服务器和终端设备协 作的深度学习模型推理框架可以设计由以下几部分构 成。(1)在离线阶段,训练满足任务要求的分支网络, 回归模型如下 ：针对分支网络中的各个神经网络层来估 计神经网络,终端设备和边缘服务器上的网络层执行延 迟 ;(2)在线优化阶段,使用回归模型来寻找退出点, 满足任务延迟要求的模型分割点 ;(3)在协同推理阶 段,边缘服务器和终端设备根据生成的方案运行深度学 习模型。

　　6 未来展望

　　首先,缩小与行业标准的差距。边缘计算的系统设 计在各个行业积累了多年的经验和标准,需要更接近行 业标准以减少差距。例如,通过嵌入式操作系统、智能 算法、车载计算硬件等,综合各种计算机领域的知识来 完成自动驾驶任务,这对计算机专业人士来说是一个机 会。其次,访问机制和数据保护需要完善。在实现数据 隐私保护的前提下,边缘计算需要与业界合作设计统一 易用的访问控制和数据共享机制。但是由于各行各业的 不同,很多行业不希望数据上传到公安机关、医院等。 数据的多样性将导致数据共享和访问受到限制,这也将 导致数据存储空间的严重不足。而数据存储在离数据生 产者更近的边缘设备上,确保数据的隐私,则是边缘计 算的优势之一,边缘计算可以利用这一优势来设计数据 访问控制和数据保护机制。

　　参考文献

　　[1] 徐宣哲,宁珂,郑学敏,等.基于硬件仿真系统的边缘计算人工 智能视觉芯片设计验证[J].物联网学报,2022.6(1):20-28.

　　[2] 饶美红,陆韵,金敏. “学校大脑”智能系统下教育新生态研 究[J].创新人才教育,2022(1):6-9.

　　[3] 胡忠波,贾芝婷,王素贞.边缘计算关键技术分析及应用平台 比较研究[J].河北省科学报,2021.38(5):41-49.

　　[4] 王萍.边缘智能环境下的增强现实学习研究[J].中国教育信 息化,2021(20):40-43.

　　[5] 冯知岭.云平台下的智慧学习系统设计与应用[J].中国高新 科技,2021(15):67-68.
 
 
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！

文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/53557.html