[发明专利]一种云边协同感知的方法及系统

说明书

本发明实施例提供了一种云边协同感知的方法及系统，其中，各边缘节点获取并采用弹性更新算法，将所述全局模型参数与上一通信轮次的边缘模型之间的加权结果，更新上一轮通信轮次的边缘模型，得到本次通信轮次的边缘模型；根据所述本地训练集，训练本次通信轮次的边缘模型，得到新的边缘模型，进而得到最终边缘模型。通过多次弹性更新，使用本地训练集对边缘模型进行训练，得到的最终边缘模型更接近于实际感知，从而实现更加准确的感知。

技术领域

本发明涉及云计算领域，特别是涉及一种云边协同感知的方法及系统。

背景技术

随着物联网时代的到来，智能手机、监测站、监控摄像头等传感设备被应用于各个领域，并且通过这些传感设备生成异构的感知数据。一般将异构的感知数据给云服务器，通过在云服务器上聚合感知数据进行集中学习。

由于云服务器集中学习计算负载比较大，对于大规模物联网感知，云服务器集中学习变得不切实际。而，传感设备设置于边缘节点内，此边缘节点具有存储和计算能力。因此，在边缘节点可以使用感知数据学习。然而，对于单个边缘节点来说，它收集到的数据往往是有限的，从而使得单个边缘节点感知准确性较低。

发明内容

本发明实施例的目的在于提供一种云边协同感知的方法及系统，用以解决现有技术中单个边缘节点感知准确性较低的技术问题。具体技术方案如下：

第一方面，本发明实施例提供了一种云边协同感知的方法，所述方法包括：

步骤A，云服务器获取本通信轮次内由目标边缘节点上报的边缘模型；所述边缘模型为各目标边缘节点根据第一历史时间段内的边缘感知数据作为本地训练集训练得到的；

步骤B，云服务器对本次通信轮次获取的所有边缘模型进行同步聚合，得到全局模型参数；所述全局模型参数为本次通信轮次获取的所有边缘模型，对应所有目标边缘节点的模型参数；并将所述全局模型参数及为目标边缘节点训练时使用的超参数，下发至本次通信轮次获取的所有边缘模型对应的所有目标边缘节点；

步骤C，各目标边缘节点下载所述全局模型参数及所述超参数，将上一次通信轮次的全局模型参数作为本通信轮次内的全局模型参数；

步骤D，各目标边缘节点采用弹性更新算法及所述超参数，将本通信轮次内的全局模型参数与上一通信轮次的边缘模型参数之间的加权结果，更新上一轮通信轮次的边缘模型，得到本次通信轮次的边缘模型；其中，所述弹性更新算法中包括弹性权重，所述弹性权重用于表征全局模型和上一轮通信轮次的边缘模型的差异；所述弹性权重包括：所述全局模型参数的弹性权重以及上一通信轮次的边缘模型的弹性权重；

步骤E，各目标边缘节点根据所述本地训练集，训练本次通信轮次的边缘模型，得到新的边缘模型；

步骤F，各目标边缘节点判断新的边缘模型是否达到收敛条件；

步骤G，各目标边缘节点判定新的边缘模型未达到收敛条件，则将新的边缘模型作为本通信轮次的边缘模型，上报本通信轮次的边缘模型，返回执行步骤A，直至新的边缘模型达到收敛条件，将最后一次重新确定的新的边缘模型，作为最终边缘模型，以使得各目标边缘节点使用最终边缘模型预测未来时间段内的边缘感知数据。

进一步的，所述云服务器对本次通信轮次获取的所有边缘模型进行同步聚合，得到全局模型参数，包括：

云服务器获取本通信轮次内由目标边缘节点上报的边缘模型；判断本通信轮次目标边缘节点累计数量是否达到软同步聚合阈值n；

云服务器判定本通信轮次目标边缘节点累计数量达到软同步聚合阈值n，则对本次通信轮次获取的所有边缘模型进行同步聚合，得到全局模型参数。

进一步的，采用如下公式：

对本次通信轮次获取的所有边缘模型进行同步聚合，得到全局模型参数；