重載鐵路數字化轉型對提升鐵路運輸效能意義重大，云計算與邊緣計算協同應用成為其關鍵支撐。文章以朔黃鐵路為研究對象，深入剖析二者在重載鐵路場景中的協同實踐。針對重載鐵路車地、機車、地面通信等多樣化業務需求，本研究采用定制化大功率站與擴展型小基站多頻混合組網實現信號覆蓋，邊緣計算保障本地設備快速接入，云計算助力網絡規劃優化。在核心網架構上，本研究采用“總部集約管理、分省就近接入”的5GC全下沉式架構，云邊協同實現數據實時處理與核心網穩定運行。統一云網底座推動云邊協同計算，邊緣實時采集處理設備數據，云計算負責大規模存儲與深度分析。承載網通過構建星形網絡，由邊緣計算進行本地數據分流優化，云計算保障數據廣域可靠傳輸。融合MEC的智能管控數字化平臺，借助云計算的數據處理存儲與邊緣計算的實時管理控制能力，實現網絡高效管理。
當前，如何充分利用異構化、碎片化、失衡化的算力資源滿足差異化的智能工業任務要求，是工業互聯網的智能化發展過程中急需解決的難題。本文聚焦工業互聯網的云邊端協同調度，突破傳統基于小模型的調度策略，深入探討了網絡大模型在該領域的應用潛能。首先，從云邊端的數據異構、算力異構、算法異構三個維度深入剖析了現存挑戰；然后，結合NetGPT、NetLLM和LAMBO等典型網絡大模型的實際應用案例，探討了它們在降低算力、優化網絡任務和提高效率等方面的顯著優勢；最后，進一步提出了多模態模型融合、大模型云邊端協同部署、行業定制模型開發等未來發展方向，論述了實施難點及潛在解決方案，旨在為工業互聯網的智能化演進提供新的思路與策略。
邊緣計算面臨著任務在線到達、環境動態變化和在線實時決策等挑戰，因此需要在線模型和在線智能。本文從在線智能的重要性出發，重點論述了在線協同任務調度和在線協同存儲方面的代表性成果。文章所提出的Camul算法可以減少高達85%的訪問開銷，CaLa可以減少32%的請求響應時間。
人工智能（AI）的發展在過去十年中取得了驚人的飛躍。數據可用性、計算能力的提高，以及機器學習技術和專用AI硬件的進步，已將我們帶入快車道，邁向一個在各個方面都由AI塑造的社會。計算形式也逐漸從集中式單體計算，演進到分布式網聯計算，并朝著異構、協同、全面泛在智能計算演進。基于數據隱私增強、低延遲通信等獨特優勢，面向未來泛在智能的云邊端協同聯邦學習已被提出并應用于云邊端協同場景，如智慧城市、智慧醫療等，成為了當前最受工業界和學術界關注的AI研究方向之一。
到第 頁
友情鏈接
電話：010-62669087 控制網版權所有未經許可不得轉載
地址：北京市海淀區上地十街輝煌國際5號樓1416室(100085)
版權所有 控制網 京ICP備14036844-2號 北京市公安局海淀分局備案號：11010802023656號
名家名篇
北京市公安局海淀分局備案號：11010802023656號
今日頭條
官方微信
官方抖音
