久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

摘要：工業(yè)互聯(lián)網(wǎng)是新一代網(wǎng)絡(luò)信息技術(shù)與制造業(yè)深度融合的產(chǎn)物，是經(jīng)濟(jì)轉(zhuǎn)型升級的關(guān)鍵依托和重要途徑。邊緣計算是支持工業(yè)互聯(lián)網(wǎng)的關(guān)鍵技術(shù)。本文首先說明了邊緣計算在工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)發(fā)展過程中的重要意義，然后分別從邊緣計算的發(fā)展歷程、邊緣端智能化方法和邊緣計算平臺三方面介紹了工業(yè)互聯(lián)網(wǎng)邊緣計算近年來的研究現(xiàn)狀，最后指明了工業(yè)互聯(lián)網(wǎng)邊緣計算在今后發(fā)展中尚待解決的關(guān)鍵問題。

關(guān)鍵詞：工業(yè)互聯(lián)網(wǎng)；智能制造；邊緣計算

1 工業(yè)互聯(lián)網(wǎng)邊緣計算研究的重要意義

1.1 工業(yè)互聯(lián)網(wǎng)是先進(jìn)制造業(yè)轉(zhuǎn)型升級的關(guān)鍵

工業(yè)互聯(lián)網(wǎng)[1]是連接工業(yè)設(shè)備和生產(chǎn)的網(wǎng)絡(luò)，智能化生產(chǎn)、網(wǎng)絡(luò)化協(xié)同、個性化定制和服務(wù)化轉(zhuǎn)型是工業(yè)互聯(lián)網(wǎng)的核心內(nèi)容。作為新型工業(yè)化的基礎(chǔ)設(shè)施和智能制造的關(guān)鍵使能技術(shù)，工業(yè)互聯(lián)網(wǎng)已經(jīng)成為全球制造業(yè)搶占的新一輪制高點。

2012年，美國通用電氣公司首先提出了工業(yè)互聯(lián)網(wǎng)概念，此后工業(yè)互聯(lián)網(wǎng)在世界范圍內(nèi)得到了廣泛發(fā)展。目前工業(yè)互聯(lián)網(wǎng)以德國“工業(yè)4.0平臺”、美國“工業(yè)互聯(lián)網(wǎng)聯(lián)盟”為典型代表，同時 工業(yè)互聯(lián)網(wǎng)作為我國智能制造發(fā)展的重要支撐已經(jīng)得到了國家的高度認(rèn)可與重視，“十三五”規(guī)劃、制造強(qiáng)國、“互聯(lián)網(wǎng)+”等重大戰(zhàn)略都明確提出發(fā)展工業(yè)互聯(lián)網(wǎng)，如圖1所示。

圖1 工業(yè)互聯(lián)網(wǎng)戰(zhàn)略規(guī)劃

1.2 邊緣計算是實現(xiàn)工業(yè)互聯(lián)網(wǎng)創(chuàng)新應(yīng)用的關(guān)鍵

實現(xiàn)工業(yè)互聯(lián)網(wǎng)的創(chuàng)新應(yīng)用，如智能化生產(chǎn)、網(wǎng)絡(luò)化協(xié)同、個性化定制和服務(wù)化轉(zhuǎn)型等并非易事。物聯(lián)網(wǎng)技術(shù)的發(fā)展雖然豐富了數(shù)據(jù)采集的手段，但隨之而來的海量數(shù)據(jù)也對工業(yè)系統(tǒng)的實時性等問題提出了新的挑戰(zhàn)。

目前基于視覺引導(dǎo)的裝配機(jī)器人得到了廣泛的應(yīng)用，但是個性化定制過程對裝配機(jī)器人提出了更高的要求。如圖2所示，在實時性方面，個性化定制系統(tǒng)對于裝配機(jī)器人的空間定位、目標(biāo)識別、軌跡規(guī)劃的實時性要求高，部分情況的場景需要在10毫秒以內(nèi)。工業(yè)現(xiàn)場產(chǎn)生大量數(shù)據(jù)的實時處理需求，單個攝像頭1080p格式視頻在4Mbps碼率下每天產(chǎn)生330G的視頻數(shù)據(jù)，完 全傳輸至云端需要占用大量帶寬，并產(chǎn)生較大的時延， 如果數(shù)據(jù)分析和控制都在云端進(jìn)行，則難以滿足業(yè)務(wù)實時性的要求。同時，采用目前流行的深度學(xué)習(xí)相關(guān)技術(shù)后，視頻處理的計算復(fù)雜度很高。分類用AlexNet分析224×224大小的圖像需要720MFLOPs計算量，主流邊  緣設(shè)備（使用酷睿i5 CPU）需要1秒左右，而實際生產(chǎn)過程常用的ResNet50計算量是AlexNet的數(shù)十倍，無法保證應(yīng)用的實時性。

圖2 工業(yè)互聯(lián)網(wǎng)邊緣計算的基本思想及面對的挑戰(zhàn)

邊緣計算的提出為解決上述問題提供可能。邊緣計算是在靠近物或數(shù)據(jù)源頭的網(wǎng)絡(luò)邊緣側(cè)就近提供邊緣智能服務(wù)，滿足行業(yè)數(shù)字化在敏捷聯(lián)接、實時業(yè)務(wù)、數(shù)據(jù)優(yōu)化、應(yīng)用智能、安全與隱私保護(hù)等方面的關(guān)鍵需求。因此，邊緣計算是實現(xiàn)工業(yè)互聯(lián)網(wǎng)智能化生產(chǎn)、網(wǎng)絡(luò)化協(xié)同、個性化定制和服務(wù)化轉(zhuǎn)型等創(chuàng)新應(yīng)用的關(guān)鍵。2017年，施巍松等[2]從數(shù)據(jù)處理的角度論述了研究面向網(wǎng)絡(luò)邊緣設(shè)備所產(chǎn)生海量數(shù)據(jù)計算的邊緣式大數(shù)據(jù)處理的必要性、研究現(xiàn)狀及所面臨的挑戰(zhàn)，并指出邊緣計算模式能夠有效應(yīng)對邊緣式大數(shù)據(jù)處理時代下，云計算模型無法有效解決的云中心負(fù)載、傳輸帶寬、數(shù)據(jù)隱私保護(hù)等問題。2017年，Satyanarayanan等[3]指出近幾年工業(yè)界和學(xué)術(shù)界在邊緣計算上的投入呈現(xiàn)迅猛增長，并指出這種新型技術(shù)能夠為移動計算提供高響應(yīng)云服務(wù)，使物聯(lián)網(wǎng)具備可擴(kuò)展性并提供有效的隱私保護(hù)策略和掩蓋云服務(wù)短暫中斷的能力。

邊緣計算強(qiáng)調(diào)網(wǎng)絡(luò)邊緣上的計算和存儲，無論在地理距離還是網(wǎng)絡(luò)距離上都更貼近用戶。相比于云計算， 邊緣計算更能夠緩解網(wǎng)絡(luò)帶寬與數(shù)據(jù)中心的壓力、增強(qiáng)服務(wù)的響應(yīng)能力并實現(xiàn)對隱私數(shù)據(jù)的保護(hù)，提升數(shù)據(jù)的安全性，已經(jīng)成為研究界和產(chǎn)業(yè)界普遍關(guān)注的焦點，被用于建立多個領(lǐng)域的應(yīng)用系統(tǒng)。如，在拼車服務(wù)中建立的基于邊緣計算的攻擊檢測系統(tǒng)[4]、在關(guān)注延遲的邊緣 計算平臺上建立的視頻分析系統(tǒng)[5]、基于邊緣計算的工業(yè)機(jī)器人系統(tǒng)[6]以及跨越無人駕駛和有人駕駛能夠進(jìn)行 情境感知的共享實時信息系統(tǒng)[7]等。由于邊緣節(jié)點負(fù)責(zé) 直接處理來自物理環(huán)境的實時信息，為終端用戶/設(shè)備 提供快速、及時的響應(yīng)，顯然，實現(xiàn)并提升邊緣端智能對有效提升邊緣計算應(yīng)用的整體智能化水平和工作效率至關(guān)重要。

2 工業(yè)互聯(lián)網(wǎng)邊緣計算研究現(xiàn)狀

2.1 邊緣計算發(fā)展歷程

雖然2003年IBM就開始提供基于Edge的服務(wù)，但直到2014年以后，隨著物聯(lián)網(wǎng)技術(shù)、5G技術(shù)和人工智能的發(fā)展，邊緣計算才蓬勃發(fā)展起來。邊緣計算的發(fā)展如圖3所示。

圖3 邊緣計算的發(fā)展歷程

工業(yè)互聯(lián)網(wǎng)智能制造邊緣計算也受到了國家各部委的高度重視。工信部在2017年和2018年連續(xù)設(shè)立了一系列智能制造綜合標(biāo)準(zhǔn)化與新模式應(yīng)用項目。2017年中國科學(xué)院沈陽自動化研究所承擔(dān)的工信部智能制造綜合標(biāo)準(zhǔn)化與新模式應(yīng)用項目“工業(yè)互聯(lián)網(wǎng)應(yīng)用協(xié)議及數(shù)據(jù)互認(rèn)標(biāo)準(zhǔn)研究與試驗驗證”，從工業(yè)互聯(lián)網(wǎng)邊緣計算模型、工業(yè)互聯(lián)網(wǎng)數(shù)據(jù)統(tǒng)一語義模型、工業(yè)互聯(lián)網(wǎng)互聯(lián)互通信息安全要求等7個方面對工業(yè)互聯(lián)網(wǎng)智能制造邊緣計算標(biāo)準(zhǔn)的制定進(jìn)行了探索；2018年，工信部工業(yè)互聯(lián)網(wǎng)創(chuàng)新發(fā)展工程系列項目中，針對工業(yè)互聯(lián)網(wǎng)邊緣計算，專門設(shè)立了“工業(yè)互聯(lián)網(wǎng)邊緣計算測試床”、“工業(yè)互聯(lián)網(wǎng)邊緣計算基礎(chǔ)標(biāo)準(zhǔn)和試驗驗證”等8個項目； 在2018年度科技部國家重點研發(fā)計劃“網(wǎng)絡(luò)協(xié)同制造和智能工廠”重點專項中，專門針對邊緣計算設(shè)置了“工業(yè)互聯(lián)網(wǎng)邊緣計算節(jié)點設(shè)計方法與技術(shù)”、“典型行業(yè)裝備運行服務(wù)平臺及智能終端研制”、“基于開放架構(gòu)的云制造關(guān)鍵技術(shù)與平臺研發(fā)”等多個項目。

2.2 邊緣端智能化方法

機(jī)器智能已成為各種應(yīng)用的核心屬性，但是大部分深度學(xué)習(xí)算法僅限于在云中心執(zhí)行。近年來，多個邊緣端設(shè)備的機(jī)器學(xué)習(xí)包陸續(xù)發(fā)布，被用于將計算卸載到邊緣端設(shè)備上執(zhí)行[8~10]。

Zhang等[11]對最近發(fā)布的用于邊緣端設(shè)備的機(jī)器學(xué)習(xí)包進(jìn)行了性能比較評估，使用戶能夠為邊緣端選擇一組合適的邊緣設(shè)備和軟件，將計算卸載到邊緣端設(shè)備上執(zhí)行。在云邊協(xié)作學(xué)習(xí)方面，目前研究主要集中在借助在線學(xué)習(xí)和其他學(xué)習(xí)方法結(jié)合的學(xué)習(xí)技術(shù)實現(xiàn)邊緣節(jié)點智能的動態(tài)升級。Zhao等[12]最早提出了在線遷移學(xué)習(xí)的概念，在線遷移學(xué)習(xí)是一種動態(tài)遷移學(xué)習(xí)的策略，該學(xué)習(xí)算法的核心思想是將離線訓(xùn)練好的模型隨流數(shù)據(jù)在線遷移，模型能很好地適應(yīng)數(shù)據(jù)的變化。Sahoo等[13]提出了在線學(xué)習(xí)和深度學(xué)習(xí)結(jié)合的學(xué)習(xí)算法，該算法為深度學(xué)習(xí)在線更新提供了理論基礎(chǔ)。Xu等[14]針對邊緣計算場景中邊緣資源調(diào)度優(yōu)化的具體問題設(shè)計了在線學(xué)習(xí)和強(qiáng)化學(xué)習(xí)結(jié)合的方法，該算法為邊緣節(jié)點自適應(yīng)環(huán)境升級智能提供了理論指導(dǎo)和現(xiàn)實樣例。在最新的智能升級研究中，Yazici等[15]在嵌入式設(shè)備上做實驗，同時運行隨機(jī)森里、多層感知積和支持向量機(jī)等機(jī)器學(xué)習(xí)算法的訓(xùn)練和推理，并比較了三個算法在訓(xùn)練和推理階段的效率和能耗，最后探討了運行深度學(xué)習(xí)算法訓(xùn)練和推理的方向。

目前，邊緣計算中決策問題的研究大多集中在邊緣側(cè)資源受限情況下的獨立決策，如何在工業(yè)生產(chǎn)過程中實現(xiàn)適應(yīng)場景變化的個性化邊緣決策仍然是一個開發(fā)問題，需要探索適應(yīng)不同邊緣設(shè)備與網(wǎng)絡(luò)特征的學(xué)習(xí)機(jī)制、學(xué)習(xí)任務(wù)部署策略以及基于學(xué)習(xí)的實時決策方法， 為工業(yè)物聯(lián)網(wǎng)場景中通過云邊協(xié)作學(xué)習(xí)提供工業(yè)設(shè)備與生產(chǎn)的智能化新思路和新方法。

2.3 邊緣計算平臺

目前，無論是學(xué)術(shù)界還是工業(yè)界都已經(jīng)構(gòu)建了多個邊緣計算平臺，并制定了相應(yīng)的標(biāo)準(zhǔn)。邊緣計算相關(guān)標(biāo)準(zhǔn)ETSI對邊緣決策的典型的應(yīng)用場景作了詳細(xì)的規(guī)范和描述，包括智能移動視頻加速、監(jiān)控視頻流分析、增強(qiáng)現(xiàn)實、密集計算輔助、車聯(lián)網(wǎng)、IoT、網(wǎng)關(guān)服務(wù)以及企業(yè)專網(wǎng)應(yīng)用。

Willis等支持在無線網(wǎng)關(guān)上動態(tài)安裝第三方服務(wù)的多租戶平臺ParaDrop[16]，通過虛擬化實現(xiàn)物理設(shè)備、邊緣計算設(shè)備和云計算中心計算資源的有機(jī)結(jié)合和靈活分配的PCloud框架[17]，以及支持云-端任務(wù)動態(tài)遷移的 ECHO平臺等。Tang等[18]提出了一種以智慧城市為背景的大數(shù)據(jù)分析框架，對處理在地理上廣泛分布的數(shù)據(jù)有很好的效果。其中使用邊緣計算技術(shù)構(gòu)建的邊緣計算平臺充分利用數(shù)據(jù)傳輸路徑上的計算設(shè)備，保證了分析框架的高效運行，減少了需要上傳到云中的數(shù)據(jù)量，是整個框架高效運行的關(guān)鍵。美國里海大學(xué)與IBM提出了一個基于深度學(xué)習(xí)的自適應(yīng)物體識別框架DeepCham[19]，該框架適用于移動設(shè)備上的物體識別 應(yīng)用，可以大幅提高物體識別的準(zhǔn)確率，其中邊緣計算模式可以在一定程度上減小對模型適用范圍的要求，也為深度學(xué)習(xí)收集大量特定的學(xué)習(xí)數(shù)據(jù)，訓(xùn)練更加個性化的識別模型。CMU與Intel實驗室在2014年開發(fā)了一個基于增強(qiáng)現(xiàn)實技術(shù)的認(rèn)知輔助系統(tǒng)[20]，通過谷歌眼鏡 來增強(qiáng)某些病人的認(rèn)知能力，實現(xiàn)系統(tǒng)需要解決的關(guān)鍵問題是如何將處理任務(wù)的延遲控制在幾十毫秒，讓感知缺陷的病人也擁有正常人一樣的反應(yīng)速度。系統(tǒng)使用了邊緣計算技術(shù)，將延遲敏感的計算任務(wù)卸載到附近的Cloudlet來降低任務(wù)的處理延遲。

3 工業(yè)互聯(lián)網(wǎng)邊緣計算待解決關(guān)鍵問題

工業(yè)互聯(lián)網(wǎng)邊緣計算正在蓬勃發(fā)展，但幾個關(guān)鍵問題尚未完全解決。目前，對邊緣計算的方法研究大多側(cè)重于如何通過算法或模型硬件化方式增強(qiáng)邊緣節(jié)點的處理能力[21]，而對如何通過邊緣節(jié)點之間以及邊 緣節(jié)點和云中心合作的方式提高應(yīng)用效能的研究還處于起步階段[22]。如圖2所示，邊緣計算的基本思想是將 實時性要求高的分析和決策功能下沉至網(wǎng)絡(luò)邊緣側(cè)， 以此提升“感知-分析-決策-控制”一體化系統(tǒng)的實時性。這種方式雖然能夠有效提升系統(tǒng)的實時性，但同時帶來了一系列問題：

（1）缺乏邊緣一體化計算的理論基礎(chǔ)：在邊緣計算模式中，邊緣計算系統(tǒng)成為兼有離散事件和連續(xù)變量等運行機(jī)制的混雜系統(tǒng)，網(wǎng)絡(luò)動態(tài)性、測量噪聲等問題將引發(fā)系統(tǒng)的不確定性；同時工業(yè)互聯(lián)網(wǎng)場景中任務(wù)常存在高并發(fā)的特點，同一時隙內(nèi)可能存在多個事件，一體化模型計算結(jié)果確定性難以保證。

（2）缺乏高效的邊緣側(cè)資源管理和任務(wù)調(diào)度方法：邊緣計算模式的核心是將分析和決策功能下沉至網(wǎng)絡(luò)邊緣側(cè)。邊緣側(cè)計算資源和網(wǎng)絡(luò)資源的限制，僅將實

時性要求高的分析和決策功能下沉，以此實現(xiàn)云邊協(xié)同計算；同時邊緣計算需要對邊緣側(cè)資源進(jìn)行高效管理和優(yōu)化，以此提升系統(tǒng)的實時性。但目前尚缺乏高效的邊緣側(cè)資源管理和任務(wù)調(diào)度方法。

（3）邊緣側(cè)設(shè)備資源有限，難以獨立完成復(fù)雜計算任務(wù)：受限于現(xiàn)有芯片的處理能力及邊緣側(cè)存儲設(shè)備發(fā)展水平，目前，邊緣設(shè)備仍然難以獨立完成復(fù)雜的數(shù)據(jù)處理與分析需求。在工業(yè)互聯(lián)網(wǎng)實際生產(chǎn)環(huán)境中，如何融合云和邊緣側(cè)計算資源，有效形成生產(chǎn)場景驅(qū)動的自適應(yīng)學(xué)習(xí)方法以支持邊緣個性化決策仍然是一個開放的研究問題。

4 總結(jié)

工業(yè)互聯(lián)網(wǎng)時代正在逐步開啟，無論是在技術(shù)還是產(chǎn)業(yè)應(yīng)用方面，都有巨大的發(fā)展空間，而邊緣計算為解決工業(yè)互聯(lián)網(wǎng)的數(shù)據(jù)分析和實時控制提供了有效手段。本文回顧了工業(yè)互聯(lián)網(wǎng)邊緣計算的發(fā)展歷程極其重要意義，并闡述了現(xiàn)階段的研究現(xiàn)狀和待解決的關(guān)鍵問題。希望本文對工業(yè)互聯(lián)網(wǎng)邊緣計算相關(guān)研究具有一定參考價值。

★基金項目：本文獲得國家重點研發(fā)計劃（2018YFB1700200），國家自然科學(xué)基金遼寧聯(lián)合基金（U1908212）項目資助。

作者簡介：

孫海倫（1994-），男，助理研究員，碩士，現(xiàn)就職于中國科學(xué)院沈陽自動化研究所，研究方向為邊緣計算。

宋純賀（1981-），男，研究員，博士生導(dǎo)師，博士， 現(xiàn)就職于中國科學(xué)院沈陽自動化研究所，研究方向為邊緣計算。

于詩矛（1991-），男，助理研究員，碩士，現(xiàn)就職于中國科學(xué)院沈陽自動化研究所，研究方向為邊緣計算。

曾 鵬（1976-），男，研究員，博士，現(xiàn)任中國科學(xué)院沈陽自動化研究所所長助理，研究方向為工業(yè)互聯(lián)網(wǎng)、邊緣計算。

參考文獻(xiàn)：

[1] Emiliano Sisinni, Abusayeed Saifullah, Song Han, Ulf Jennehag, Mikael Gidlund. Industrial Internet of Things: Challenges,

Opportunities, and Directions[J]. IEEE Transactions on Industrial Informatics, 14 (11) : 4724 - 4734, 2018.

[2] 施巍松, 孫輝, 曹杰, 張權(quán)偉. 邊緣計算：萬物互聯(lián)時代新型計算模型[J]. 計算機(jī)研究與發(fā)展, 54 (5) : 907 - 924, 2017.

[3] Satyanarayanan, M. The Emergence of Edge Computing[J]. IEEE Computer, 2017, 50 (1) : 30 - 39.

[4] Liangkai Liu, Xingzhou Zhang, Mu Qiao, Weisong Shi. SafeShareRide: Edgebased Attack Detection in Ridesharing Services[C]. In Proceedings of USENIX Workshop on Hot Topics in Edge Computing, Boston, USA, 2018.

[5] Shanhe Yi, Zijiang Hao, Qingyang Zhang, Quan Zhang, Weisong Shi, Qun Li. LAVEA: Latency-aware Video Analytics on Edge Computing Platform[C]. In Proceedings of 2nd ACM/IEEE Symposium on Edge Computing (SEC), San Jose, 2017.

[6] Youdong Chen, Qiangguo Feng, Weisong Shi. An Industrial Robot System Based on Edge Computing: An Early Experience[C]. In Proceedings of USENIX Workshop on Hot Topics in Edge Computing, Boston, USA, 2018.

[7] Atyanarayanan, M. Edge Computing for Situational Awareness[C]. In Proceedings of the IEEE International Symposium on Local and Metropolitan Area Networks, Osaka, Japan, 2017.

[8] Tianqi Chen, Mu Li, Yutian Li, Min Lin, Naiyan Wang, Min-jie Wang, Tianjun Xiao, Bing Xu, Chiyuan Zhang, Zheng Zhang. Mxnet: A flexible and efficient machine learning library for heterogeneous distributed systems[J]. arXiv preprint:1512.01274, 2015.

[9] Caffe2: A new lightweight, modular, and scalable deep learning framework[EB/OL]. https://caffe2.ai/, 2018.

[10] Introduction to tensorflow lite[EB/OL]. https://vimsky.com/article/3710.html, 2018.

[11] Xingzhou Zhang, Yifan Wang, Weisong Shi. pCAMP: Performance Comparison of Machine Learning Packages on the Edges[C]. In Proceedings of USENIX Workshop on Hot Topics in Edge Computing, Boston, USA, 2018.

[12] Peilin Zhao. OTL: A Framework of Online Transfer Learning[C]. In Proceedings of the 27th International Conference on Machine Learning, 2010 : 76 - 102.

[13] Doyen Sahoo, Quang Pham, Jing Lu, Steven C. H. Hoi. Online Deep Learning: Learning Deep Neural Network on the Fly[C]. In Proceedings of the 27th International Joint Conference on Artificial Intelligence, 2018, 2660 - 2666.

[14] Jie Xu, Lixing Chen, Shaolei Ren. Online Learning for Offloading and Autoscaling in Energy Harvesting Mobile Edge Computing[J]. IEEE Transactions on Cognitive Communications and Networks, 2017, 3 (3) : 361 - 373.

[15] Mahmut Taha Yazici, Shadi Basurra, Mohamed Medhat Gaber. Edge Machine Learning: Enabling Smart Internet of Things Applications[J]. Big Data and Cognitive Computing, 2018: 1 - 17.

[16] Willis D, Dasgupta A, Banerjee S. ParaDrop: A Multi-tenant Platform to Dynamically Install Third Party Services on Wireless Gateways[C]. In Proceedings of ACM Workshop on Mobility in the Evolving Internet Architecture. ACM, 2014 : 43 - 48.

[17] Jang M, Schwan K, Bhardwaj K, et al. Personal clouds: Sharing and Integrating Networked Resources to Enhance End User Experiences[C]. In Proceedings of IEEE INFOCOM, 2014 : 2220 - 2228.

[18] Tang Bo, Chen Zhen, Hefferman G, et al. A Hierarchical Distributed Fog Computing Architecture for Big Data Analysis in Smart Cities[C]. In Proceedings of the 15th ASE Big Data & Social Informatics 2015. New York : ACM, 2015 : 135 – 143.

[19] Li Dawei, Salonidis T, Desai N V, et al. DeepCham: Collaborative Edge-mediated Adaptive Deep Learning for Mobile Object Recognition[C]. In Proceedings of the 1st IEEE / ACM Symp on Edge Computing. Piscataway, NJ : IEEE , 2016 : 64 – 76.

[20] Ha K, Chen Zhuo, Hu Wenlu, et al. Towards Wearable Cognitive Assistance[C]. In Proceedings of the 12th International Conference on Mobile Systems, Applications, and Services. New York : ACM , 2014 : 68 – 81.

[21] Juseong Lee, Hoyoung Tang, Jongsun Park. Energy Efficient Canny Edge Detector for Advanced Mobile Vision Applications[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2018, 28 (4) : 1037 - 1046.

[22] Qingyang Zhang, Quan Zhang, Weisong Shi, Hong Zhong. Distributed Collaborative Execution on the Edges and Its Application on AMBER Alerts[J]. IEEE Internet of Things Journal, 2018, 14 (8) : 1 - 14.

摘自《自動化博覽》2021年2月刊