基于邊緣計算的物聯(lián)大數(shù)據(jù)接入技術(shù)研究
發(fā)布時間:2021-10-29 16:28
隨著物聯(lián)網(wǎng)技術(shù)的不斷發(fā)展和普及,萬物互聯(lián)的時代將全面開啟,伴隨著智能終端種類和設備的持續(xù)增多,其產(chǎn)生的海量數(shù)據(jù)所面臨的數(shù)據(jù)傳輸處理問題日益浮現(xiàn),這些設備不僅有智能手機或筆記本電腦,還包括智能汽車,自動售貨機,智能可穿戴設備,外科醫(yī)療機器人等。以傳統(tǒng)云計算為核心的大數(shù)據(jù)計算方式,需要將無數(shù)類型的智能設備生成的海量數(shù)據(jù)集中入云進行數(shù)據(jù)計算、管理和分析,大規(guī)模數(shù)據(jù)接入傳輸會消耗大量的網(wǎng)絡基礎架構(gòu)和云基礎架構(gòu)資源,從而加劇延時和帶寬負載問題,導致物聯(lián)系統(tǒng)中的實時計算需求無法滿足。因此,基于邊緣計算模型的邊緣式大數(shù)據(jù)處理方式逐漸集成到大型物聯(lián)網(wǎng)系統(tǒng)中。在物聯(lián)網(wǎng)系統(tǒng)中,邊緣計算層離物聯(lián)網(wǎng)終端設備更近,因此,它不僅可以進行數(shù)據(jù)收集處理等任務,還可以減少終端設備與云中心間的傳輸延遲。但邊緣節(jié)點的計算和存儲資源十分有限,難以處理大規(guī)模數(shù)據(jù)。因此,本文提出了一種將云與邊緣節(jié)點相結(jié)合并利用深度學習技術(shù)進行傳感數(shù)據(jù)接入傳輸?shù)姆椒?該方法可以縮短響應時間,提高數(shù)據(jù)傳輸效率,同時還可以減少網(wǎng)絡流量,達到降低帶寬負荷的作用。論文的主要工作包括:第一,本文通過對傳統(tǒng)物聯(lián)網(wǎng)系統(tǒng)數(shù)據(jù)接入需求進行分析,闡述了基于云和邊緣計...
【文章來源】:北方工業(yè)大學北京市
【文章頁數(shù)】:53 頁
【學位級別】:碩士
【文章目錄】:
摘要
Abstract
第一章 緒論
1.1 研究背景
1.2 國內(nèi)外研究現(xiàn)狀
1.3 研究問題及分析
1.4 本文主要研究內(nèi)容
1.5 論文的組織結(jié)構(gòu)
第二章 相關(guān)技術(shù)
2.1 邊緣計算
2.1.1 邊緣計算簡介
2.1.2 兩種計算模型
2.1.3 邊緣計算優(yōu)勢
2.2 物聯(lián)網(wǎng)
2.2.1 物聯(lián)網(wǎng)簡介
2.2.2 物聯(lián)網(wǎng)數(shù)據(jù)接入機制
2.2.3 物聯(lián)網(wǎng)數(shù)據(jù)傳輸調(diào)度
2.3 深度學習
2.3.1 深度學習簡介
2.3.2 深度學習典型模型
2.3.3 深度學習應用發(fā)展
2.4 本章小結(jié)
第三章 基于邊緣計算的數(shù)據(jù)接入原理
3.1 系統(tǒng)總體架構(gòu)
3.1.1 物聯(lián)網(wǎng)設備層
3.1.2 邊緣計算層
3.1.3 云中心層
3.2 邊云協(xié)同方法
3.2.1 邊云協(xié)同方法原理
3.2.2 邊緣端數(shù)據(jù)接入算法
3.2.3 云端數(shù)據(jù)預測算法
3.3 本章小結(jié)
第四章 物聯(lián)數(shù)據(jù)接入系統(tǒng)設計與實現(xiàn)
4.1 物聯(lián)數(shù)據(jù)接入系統(tǒng)總體設計
4.2 物聯(lián)數(shù)據(jù)接入系統(tǒng)邊緣端的設計與實現(xiàn)
4.2.1 樹莓派
4.2.2 Keras框架
4.2.3 邊緣端數(shù)據(jù)接入方法的實現(xiàn)
4.2.4 邊云協(xié)同預測方法的實現(xiàn)
4.3 物聯(lián)數(shù)據(jù)接入系統(tǒng)云端平臺部署方案
4.4 邊緣設備和Things Board平臺模塊的數(shù)據(jù)傳輸
4.4.1 邊緣設備和云平臺的數(shù)據(jù)傳輸方式
4.4.2 邊緣設備與云端數(shù)據(jù)傳輸具體流程
4.5 本章小結(jié)
第五章 實驗結(jié)果分析
5.1 實驗環(huán)境
5.2 數(shù)據(jù)預測的精度評估
5.2.1 實驗數(shù)據(jù)
5.2.2 實驗方法
5.2.3 實驗分析
5.3 帶寬負載評估
5.3.1 實驗方法
5.3.2 實驗分析
5.4 數(shù)據(jù)傳輸延時評估
5.4.1 實驗方法
5.4.2 實驗分析
5.5 本章小結(jié)
第六章 總結(jié)與展望
6.1 主要結(jié)論
6.2 研究展望
參考文獻
在學期間的研究成果
致謝
本文編號:3464992
【文章來源】:北方工業(yè)大學北京市
【文章頁數(shù)】:53 頁
【學位級別】:碩士
【文章目錄】:
摘要
Abstract
第一章 緒論
1.1 研究背景
1.2 國內(nèi)外研究現(xiàn)狀
1.3 研究問題及分析
1.4 本文主要研究內(nèi)容
1.5 論文的組織結(jié)構(gòu)
第二章 相關(guān)技術(shù)
2.1 邊緣計算
2.1.1 邊緣計算簡介
2.1.2 兩種計算模型
2.1.3 邊緣計算優(yōu)勢
2.2 物聯(lián)網(wǎng)
2.2.1 物聯(lián)網(wǎng)簡介
2.2.2 物聯(lián)網(wǎng)數(shù)據(jù)接入機制
2.2.3 物聯(lián)網(wǎng)數(shù)據(jù)傳輸調(diào)度
2.3 深度學習
2.3.1 深度學習簡介
2.3.2 深度學習典型模型
2.3.3 深度學習應用發(fā)展
2.4 本章小結(jié)
第三章 基于邊緣計算的數(shù)據(jù)接入原理
3.1 系統(tǒng)總體架構(gòu)
3.1.1 物聯(lián)網(wǎng)設備層
3.1.2 邊緣計算層
3.1.3 云中心層
3.2 邊云協(xié)同方法
3.2.1 邊云協(xié)同方法原理
3.2.2 邊緣端數(shù)據(jù)接入算法
3.2.3 云端數(shù)據(jù)預測算法
3.3 本章小結(jié)
第四章 物聯(lián)數(shù)據(jù)接入系統(tǒng)設計與實現(xiàn)
4.1 物聯(lián)數(shù)據(jù)接入系統(tǒng)總體設計
4.2 物聯(lián)數(shù)據(jù)接入系統(tǒng)邊緣端的設計與實現(xiàn)
4.2.1 樹莓派
4.2.2 Keras框架
4.2.3 邊緣端數(shù)據(jù)接入方法的實現(xiàn)
4.2.4 邊云協(xié)同預測方法的實現(xiàn)
4.3 物聯(lián)數(shù)據(jù)接入系統(tǒng)云端平臺部署方案
4.4 邊緣設備和Things Board平臺模塊的數(shù)據(jù)傳輸
4.4.1 邊緣設備和云平臺的數(shù)據(jù)傳輸方式
4.4.2 邊緣設備與云端數(shù)據(jù)傳輸具體流程
4.5 本章小結(jié)
第五章 實驗結(jié)果分析
5.1 實驗環(huán)境
5.2 數(shù)據(jù)預測的精度評估
5.2.1 實驗數(shù)據(jù)
5.2.2 實驗方法
5.2.3 實驗分析
5.3 帶寬負載評估
5.3.1 實驗方法
5.3.2 實驗分析
5.4 數(shù)據(jù)傳輸延時評估
5.4.1 實驗方法
5.4.2 實驗分析
5.5 本章小結(jié)
第六章 總結(jié)與展望
6.1 主要結(jié)論
6.2 研究展望
參考文獻
在學期間的研究成果
致謝
本文編號:3464992
本文鏈接:http://www.sikaile.net/kejilunwen/shengwushengchang/3464992.html
最近更新
教材專著