一种多场景下自适应边缘计算数据处理系统及方法

技术领域

本发明涉及边缘计算数据处理系统领域，具体而言，涉及一种多场景下自适应边缘计算数据处理系统及方法。

背景技术

随着物联网、云计算、大数据等技术的快速发展，数据量呈爆炸式增长，传统的数据中心处理方式已经无法满足实时性、低延迟、高效率等要求。边缘计算作为一种新型的计算模式，能够在数据产生的源头就进行数据处理，大大提高了数据处理效率。然而，现有的边缘计算系统在处理不同场景下的数据时（例如智能制作、智能交通、智能医疗、智能家居、智慧城市、物联网安全等），往往无法自适应地调整处理策略，导致处理效果不理想。

因此我们对此做出改进，提出一种多场景下自适应边缘计算数据处理系统及方法。

发明内容

本发明的目的在于：针对目前存在的现有的边缘计算系统在处理不同场景下的数据时，往往无法自适应地调整处理策略，导致处理效果不理想。

为了实现上述发明目的，本发明提供了以下一种多场景下自适应边缘计算数据处理系统及方法，以改善上述问题。

本申请具体是这样的：

一种多场景下自适应边缘计算数据处理系统，处理系统包括有边缘计算节点、场景识别模块、数据处理模块、数据存储模块与远程控制模块；

边缘计算节点用于接收和收集来自物联网设备的数据；场景识别模块能够根据边缘计算节点收集的数据进行数据特征分析，并识别当前场景；数据处理模块用于根据场景信息自适应地调整数据处理策略，并执行调整后的策略对数据进行处理；数据存储模块用于将处理后的数据进行存储，并备份历史数据；远程控制模块用于远程控制整个系统的运行。

作为本申请优选的技术方案，边缘计算节点包括有嵌入式系统、网关、传感器、摄像头、RFID阅读器、智能仪表与执行器。

作为本申请优选的技术方案，场景识别模块包括有算法库、计算机视觉设备与传感器数据融合设备。

作为本申请优选的技术方案，远程控制模块包括有远程控制客户端。

一种多场景下自适应边缘计算数据处理方法，具体的处理步骤如下：

S1：接收并收集来自物联网设备的数据；

S2：通过数据特征分析，识别当前场景；

S3：根据场景信息，自适应地调整数据处理策略，包括算法选择与参数配置；

S4：执行调整后的策略，对数据进行处理；

S5：将处理后的数据存储，并备份历史数据。

作为本申请优选的技术方案，在S1中，在进行特征采集时，采集的数据包括传感器数据、视频和图像数据、音频数据、设备状态数据、执行数据与日志数据；

需要采集多模态特征，多模态特征包括视觉、听觉和触觉。

作为本申请优选的技术方案，在S2中，在进行数据特征分析时，是对摄像头拍摄各种不同环境的照片，在公共场所录音，其特征包括颜色、形状、纹理、运动和声音；

在对特征数据进行模型构建时，根据提取的特征，可以构建一个机器学习或深度学习模型，用于识别场景；模型的训练数据集应包括多个不同的场景，以确保模型的泛化能力。

作为本申请优选的技术方案，在构建模型后，需要使用收集的数据集对模型进行训练，通过调整网络权重和结构参数，使模型能够学习和识别不同场景的特征；训练过程中，需要调整学习率、批次大小与优化器超参数以优化模型性能；

训练完成后，需要使用独立的数据集对模型进行测试与验证，以确保在实际应用中的性能。

作为本申请优选的技术方案，在S3中，实现自适应地调整数据处理策略的操作步骤如下：

步骤1：收集场景相关信息，采集与场景相关的信息；

步骤2：评估场景匹配度，根据采集的当前场景信息，定义处理策略模版，模版包括算法选择以及参数配置，为每个模块分配一个权重，以反映其在特定场景下的适用性；

步骤3：自适应选择处理策略，根据评估的结果自适应地选择最佳匹配的处理策略；

步骤4：调整数据处理参数，根据选定的处理策略，调整数据处理过程中的参数，参数包括滤波器的阈值、特征提取方法提取的数据；

步骤5：策略更新，根据不断变化的场景信息，实时更新处理策略；

步骤6：监控和优化，在实际应用中持续监控数据处理效果，并根据实际情况对处理策略进行调整和优化。

作为本申请优选的技术方案，在S5中，需要选择合适的存储方案，根据数据量、访问频率和性能要求，选择对应的存储方案；数据分片和备份，将数据分片存储，以提高数据的并发访问性能，同时对每个分片进行备份处理；数据安全保护，确保数据存储的安全性，采用加密、访问控制技术防止数据泄漏。

与现有技术相比，本发明的有益效果：

在本申请的方案中：

1.为了解决现有技术中现有的边缘计算系统在处理不同场景下的数据时，往往无法自适应地调整处理策略，导致处理效果不理想的问题，本申请通过设置的根据场景信息，自适应地调整数据处理策略，实现了能够根据实时采集的数据，选择对应的数据处理策略，能够根据场景的不同，使得处理效果更加理想；

2.为了解决现有技术中往往无法自适应地调整处理策略的问题，本申请通过设置的场景识别模块，实现了根据场景采集的数据，对场景的特征进行提取识别，精确识别所处的场景，从而完成自适应的调整数据处理策略。

附图说明

图1为本申请提供的一种多场景下自适应边缘计算数据处理方法流程图；

图2为本申请提供的一种多场景下自适应边缘计算数据处理系统的框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

为了使本技术领域的人员更好地理解本发明方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征和技术方案可以相互组合。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

实施例一：

如图1和图2所示，处理系统包括有边缘计算节点、场景识别模块、数据处理模块、数据存储模块与远程控制模块；

边缘计算节点用于接收和收集来自物联网设备的数据；场景识别模块能够根据边缘计算节点收集的数据进行数据特征分析，并识别当前场景；数据处理模块用于根据场景信息自适应地调整数据处理策略，并执行调整后的策略对数据进行处理，数据处理模块包括处理器和算法库，其中处理器：用于执行数据处理算法和逻辑；算法库：包含一系列预定义的数据处理算法，如滤波、特征提取、分类等。

数据存储模块用于将处理后的数据进行存储，并备份历史数据；远程控制模块用于远程控制整个系统的运行，远程控制模块包括网络通信设备：如路由器、交换机等，用于建立和维护远程控制系统与其它现有设备之间的网络连接；远程控制客户端：可以是电脑、移动设备或其他现有设备，通过这些客户端，用户可以远程登录和控制系统；控制软件：如远程桌面软件、自动化工具等，用于接收和处理来自用户的远程控制指令。

进一步，边缘计算节点包括有嵌入式系统、网关、传感器、摄像头、RFID阅读器、智能仪表与执行器等，其中嵌入式系统用于接收和收集来自物联网设备的数据；网关连接用于连接不同类型的网络和系统，以及执行数据转换和整理。边缘计算节点中的网关可以接收来自物联网设备的数据，并进行初步处理；传感器检测的数据有温度、湿度、压力、水位等；RFID阅读器是一种用于读取和跟踪物联网设备数据的设备，可以将数据发送到边缘计算节点进行处理；智能仪表可以测量各种参数（如水表、电表、煤气表等），并将数据发送到边缘计算节点；执行器用于控制和执行物理动作（如打开和关闭阀门、调整温度等）；通常由边缘计算节点控制和监视。

实施例二：

对实施例1提供的一种多场景下自适应边缘计算数据处理系统进一步优化，具体地，请参考图1和图2所示，一种多场景下自适应边缘计算数据处理方法，具体的处理步骤如下：

S1：接收并收集来自物联网设备的数据；在进行特征采集时，采集的数据包括传感器数据、视频和图像数据、音频数据、设备状态数据、执行数据与日志数据等；需要采集多模态特征，多模态特征包括视觉、听觉和触觉等；物联网设备数据接收可以通过各种协议（如MQTT、CoAP、HTTP等）接收来自各种物联网设备的数据，并将其存储在边缘节点或服务器中；另外还需要对数据进行过滤和预处理：对接收到的大量数据进行过滤和预处理，以减少数据量并提取有用的信息；预处理技术包括数据清理、数据归一化、特征提取等。

S2：通过数据特征分析，识别当前场景；在进行数据特征分析时，是对摄像头拍摄各种不同环境的照片，在公共场所录音，其特征包括颜色、形状、纹理、运动和声音等；在对特征数据进行模型构建时，根据提取的特征，可以构建一个机器学习或深度学习模型，用于识别场景；模型的训练数据集应包括多个不同的场景，以确保模型的泛化能力；在构建模型后，需要使用收集的数据集对模型进行训练，通过调整网络权重和结构参数，使模型能够学习和识别不同场景的特征；训练过程中，需要调整学习率、批次大小与优化器超参数以优化模型性能；训练完成后，需要使用独立的数据集对模型进行测试与验证，以确保在实际应用中的性能；在进行局部特征描述符场景识别时，使用SIFT（Scale-Invariant FeatureTransform）算法公式为：

f(x) = Σ [e^(-((x - μ)^T

其中x为数据特征，μ为特征的均值向量，Σ为特征的协方差矩阵，σ为特征的标准差。

具体的参数值需要根据实际应用场景和数据特点进行确定；在SIFT算法中，μ、Σ和σ等参数需要通过对大量训练数据进行统计分析，使用特征提取工具库或特征提取算法计算得到；这些参数值将用于算法中的特征描述子计算，以实现对特征的鲁棒提取和描述。

其中SIFT（Scale-Invariant Feature Transform）算法具有更好的鲁棒性、细节保留以及稳定性，具体的，鲁棒性：SIFT算法通过计算图像局部区域的特征描述子，能够有效地描述图像的局部特征和纹理信息。由于该算法采用了尺度不变的特征技术（Scale-Invariant Feature Transform），因此对图像缩放、旋转等变换具有较强的鲁棒性，能够有效地识别和区分不同图像；细节保留：SIFT算法通过计算局部区域的特征描述子，能够很好地保留图像中的细节信息，使得提取的特征具有较强的辨别力和可解释性；稳定性：SIFT算法通过特征描述子的计算和匹配，能够实现稳定和可靠的图像识别和分类。

在不同的场景中，x的数据特征也不同，例如在智能制造中，系统主要处理生产设备的数据，如设备运行状态、故障信息、生产进度等；自适应步骤包括：根据设备运行状态和生产进度，动态调整算法和数据处理策略，以提高生产效率。

智能交通：系统主要处理交通传感器收集的数据，如车流量、交通信号灯状态、交通事故等；自适应步骤包括：根据实时车流量和交通状况，调整交通信号灯控制策略，优化交通流量。

智能医疗：系统主要处理医疗设备收集的数据，如病人的生命体征、医疗设备状态、诊断结果等；自适应步骤包括：根据病人的生命体征和诊断结果，自动调整医疗设备的工作状态和参数，以提高医疗效果。

智能家居：系统主要处理家庭设备收集的数据，如温度、湿度、能源使用情况等；自适应步骤包括：根据室内环境条件和用户需求，自动调节空调、加湿器等设备，实现智能家居控制。

智慧城市：系统主要处理城市各种传感器收集的数据，如环境数据（空气质量、温度、湿度等）、人流数据、设施运行状态等；自适应步骤包括：根据实时数据，优化城市资源配置，实现城市智能化管理。

物联网安全：系统主要处理物联网设备收集的数据，如设备安全状态、网络攻击信息等；自适应步骤包括：根据设备安全状态和网络攻击类型，实时调整安全策略，防止网络攻击和数据泄露。

S3：根据场景信息，自适应地调整数据处理策略，包括算法选择与参数配置；在上述步骤中，实现自适应地调整数据处理策略的操作步骤如下：

步骤1：收集场景相关信息，采集与场景相关的信息；这些信息可以包括环境温度、湿度、光照强度、设备位置等；该数据能够帮助确定适合当前场景的处理策略；还需要定义处理策略模板，根据收集的场景相关信息，可以定义一系列处理策略模板；该模板可以包括不同的算法选择、参数配置以及其他处理方法，为每个模板分配一个权重，以反映其在特定场景下的适用性。

步骤2：评估场景匹配度，根据当前场景的信息，评估每个处理策略模板的匹配度；可以使用相似度度量、分类方法或其他技术来确定最佳匹配的模板。

步骤3：自适应选择处理策略，根据评估的结果自适应地选择最佳匹配的处理策略；可以包括选择最优的算法、调整参数配置等。

步骤4：调整数据处理参数，根据选定的处理策略，调整数据处理过程中的参数，参数包括滤波器的阈值、特征提取方法提取的数据等，确保在当前场景下获得最佳的数据处理效果。

步骤5：策略更新，根据不断变化的场景信息，实时更新处理策略；确保在环境条件发生变化时，数据处理策略能够相应地进行调整。

步骤6：监控和优化，在实际应用中持续监控数据处理效果，并根据实际情况对处理策略进行调整和优化。

S4：执行调整后的策略，对数据进行处理，使得对数据进行处理的同时，可以进行数据可视化和分析，以更好地理解数据的特征和趋势。

S5：将处理后的数据存储，并备份历史数据；在上述步骤中，需要选择合适的存储方案，根据数据量、访问频率和性能要求，选择对应的存储方案；数据分片和备份，将数据分片存储，以提高数据的并发访问性能，同时对每个分片进行备份处理；数据安全保护，确保数据存储的安全性，采用加密、访问控制技术防止数据泄漏。

进一步，场景识别模块包括有算法库、计算机视觉设备与传感器数据融合设备。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接或彼此可通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

显然，以上所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，附图中给出了本发明的较佳实施例，但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。