边缘智能中的协同计算技术研究

被引：33

作者：

张星洲 ^{[1
]}

鲁思迪 ^{[2
]}

施巍松 ^{[3
,4
,5
,6
,7
,8
]}

机构：

[1] 中国科学院大学计算技术研究所

[2] 美国韦恩州立大学

[3] 美国韦恩州立大学工学院

[4] IEEE（电气和电子工程师协会）

[5] ACM（国际计算机协会）

[6] 美国韦恩州立大学计算机科学系

[7] 美国韦恩州立大学移动与互联网系统结构实验室

[8] 美国韦恩州立大学智能驾驶实验室

来源：

人工智能 | 2019年 / 05期

关键词：

人工智能应用; 分布式; 协同计算; 智能算法; 神经网络模型; 云计算中心; 安全和隐私; 深度神经网络;

D O I：

10.16453/j.cnki.issn2096-5036.2019.05.006

中图分类号：

TP18 [人工智能理论]; TP391.44 []; TN915.05 [通信网设备];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 0811 ; 081101 ; 0810 ; 081001 ;

摘要：

<正>边缘智能的发展中面临着三个矛盾:智能算法的资源需求与边缘设备受限于资源之间的矛盾、服务质量与隐私保护之间的矛盾、智能任务需求多样与边缘设备能力单一之间的矛盾。通过边缘与云端、物端设备之间的协同计算可以有效地解决这些矛盾。本文归纳了目前存在的四种协同模式,分别是:边云协同、边边协同、边物协同和云边物协同。本文针对每一种协同模式,介绍了具体的协同方式、相关技术和实现方法。随后,以典型的边缘智能场景(网联汽车和智慧家庭)为例,分析协同计算的优势。最后,本文提出为了实现边缘智能中的真正协同需要面对的几个挑战。

引用

页码：55 / 67

页数：13

共 6 条

[1] 边缘计算:现状与展望 [J].

施巍松 ;

张星洲 ;

王一帆 ;

张庆阳 .

计算机研究与发展, 2019, 56 (01) :69-89

[2] 边缘计算:万物互联时代新型计算模型 [J].

施巍松 ;

孙辉 ;

曹杰 ;

张权 ;

刘伟 .

计算机研究与发展, 2017, 54 (05) :907-924

[3]

Neurosurgeon[J] . Yiping Kang,Johann Hauswald,Cao Gao,Austin Rovinski,Trevor Mudge,Jason Mars,Lingjia Tang.ACM SIGARCH Computer Architecture News . 2017 (1)

[4]

Deep Compression:Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding. Han S,Mao H,Dally W J. . 2015

[5]

Modnn:Local distributed mobile computing sys-tem for deep neural network. MAO J,CHEN X,NIXON K W,et al. 2017 Design,Automation＆Test in Europe Conference＆Exhibition （DATE） . 2017

[6]

Open EI:An Open Framework for Edge Intelligence. Zhang X,Wang Y,Lu S et al. .

← 1 →