針對物聯(lián)網(wǎng)搜索的高實時性要求及物理實體的強時變性特點,提出面向物聯(lián)網(wǎng)的邊云協(xié)同實體搜索方法。結(jié)合云計算與邊緣計算各自的優(yōu)勢,構(gòu)建邊云協(xié)同實體搜索系統(tǒng)架構(gòu),提高物聯(lián)網(wǎng)實體的搜索效率�？紤]到嵌入物理實體的傳感器通信能力有限,設計基于深度信念網(wǎng)絡的實體識別算法,通過將熱門與冷門實體狀態(tài)信息分別存儲于邊緣服務器與云端,節(jié)省邊緣服務器的存儲空間與計算開銷。仿真結(jié)果表明,與云端數(shù)據(jù)共享搜索方法SeDaSC和層次化搜索方法LHPM相比,該方法提高了實體狀態(tài)信息搜索的實時性與準確性。 

【文章來源】：計算機工程. 2020,46(08)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

邊云協(xié)同的物聯(lián)網(wǎng)搜索系統(tǒng)架構(gòu)

在邊緣服務器中執(zhí)行實體識別算法,如圖2所示,對于邊緣服務器覆蓋范圍內(nèi)的實體,由于覆蓋范圍內(nèi)的實體數(shù)目有限,因此收集覆蓋范圍內(nèi)嵌入實體中的傳感器所上傳的實體狀態(tài)信息以及用戶對于物理實體狀態(tài)信息的搜索記錄,并在此基礎上建立深度學習模型,通過實體的多維度特征,甄別熱門實體與冷門實體。在區(qū)分實體后,將強時變性、高訪問度的熱門實體狀態(tài)信息(如圖2中實體1、實體3所示)存儲在邊緣服務器中,由邊緣服務器處理并存儲,弱時變性、低訪問度的冷門實體狀態(tài)信息(如圖2中實體2、實體4所示)則上傳至云端存儲,在用戶有訪問需要時進行調(diào)用。實體識別算法基于深度信念網(wǎng)絡(Deep Belief Network,DBN)模型[22]進行實體狀態(tài)信息與用戶訪問特征的提取,進而采用K-means聚類[23]算法對實體類別進行無監(jiān)督劃分,算法流程如圖3所示,主要分為實體特征提取與實體識別分類兩部分。

實體識別算法基于深度信念網(wǎng)絡(Deep Belief Network,DBN)模型[22]進行實體狀態(tài)信息與用戶訪問特征的提取,進而采用K-means聚類[23]算法對實體類別進行無監(jiān)督劃分,算法流程如圖3所示,主要分為實體特征提取與實體識別分類兩部分。2.1 實體特征提取

【參考文獻】：
期刊論文
[1]基于深度信念網(wǎng)絡的高維傳感器數(shù)據(jù)異常檢測算法[J]. 金鵬,夏曉峰,喬焰,崔信紅.  傳感技術(shù)學報. 2019(06)
[2]受限玻爾茲曼機研究綜述[J]. 張健,丁世飛,張楠,杜鵬,杜威,于文家.  軟件學報. 2019(07)
[3]“端—邊—云”協(xié)同的智慧物聯(lián)網(wǎng)[J]. 吳大鵬,張普寧,王汝言.  物聯(lián)網(wǎng)學報. 2018(03)
[4]一種基于聚類劃分的IoT實體搜索方法[J]. 王蕾,江凌云,陳曉陽,劉博偉.  南京郵電大學學報(自然科學版). 2017(03)
[5]邊緣計算:萬物互聯(lián)時代新型計算模型[J]. 施巍松,孫輝,曹杰,張權(quán),劉偉.  計算機研究與發(fā)展. 2017(05)
[6]帶有匹配估計方法物聯(lián)網(wǎng)基于內(nèi)容的實體搜索機制[J]. 張普寧,劉元安,吳帆,唐碧華,李論.  上海交通大學學報. 2016(07)
[7]物聯(lián)網(wǎng)搜索技術(shù)綜述[J]. 高云全,李小勇,方濱興.  通信學報. 2015(12)
[8]物聯(lián)網(wǎng)中適用于內(nèi)容搜索的實體狀態(tài)匹配預測方法[J]. 張普寧,劉元安,吳帆,唐碧華,吳超.  電子與信息學報. 2015(12)
[9]面向海量數(shù)據(jù)的并行KMeans算法[J]. 周麗娟,王慧,王文伯,張寧.  華中科技大學學報(自然科學版). 2012(S1)



本文編號：3209279