[发明专利]面向云边端的智能结构化数据方法、系统和介质

权利要求书

1.面向云边端的智能结构化数据方法，其特征在于，包括下述步骤：

对智能终端计算任务进行特征提取，所述提取的特征包括：计算任务的可并行性、计算任务的依赖性、计算与任务判断分支的比值、边缘节点当前的网络传输能力以及计算任务的数据类型与当前边缘节点的异构计算资源的适应度；

设计hyper-neat网络g，hyper-neat网络g定期训练于边缘节点，运行于智能终端；智能终端计算任务X提取的5种加上最后一个偏执节点作为网络的输入；输出节点来源于云端定期收集各个边缘节点数据后分析返回而来；设置隐藏节点、输出节点、输出节点的激活函数、隐藏节点的激励函数、隐藏层数量、RNA的种子；

边缘节点向云端传输数据、日志、优质的hyper-neat网络RNA的种子；

云端对从智能终端产生的非结构化数据进行分析、建立、补齐知识体系，对hyper-neat的输出节点进行调整，定期选出最优分类类别策略，制定每一个类别的知识图谱，对应训练语料信息，用于对每个类别的非结构化数据进行特定的信息抽取规则和特征提取，之后云端将分析结果反馈给各个边缘节点，根据不同种类的计算任务，执行指定特定的任务卸载的策略,包括根据分类对计算任务进行信息补齐。

2.根据权利要求1所述面向云边端的智能结构化数据方法，其特征在于，所述计算任务的可并行性具体为：

对程序的循环结构进行分析与评分；

数据流的相关性进行分析与评分；

数据的反相关性进行分析和评分；

计算的输出相关性进行分析和评分；

数据之间的相关距离和相关方向向量的计算；

计算结果加权组合得到A,即为计算任务的第一个特征。

3.根据权利要求1所述面向云边端的智能结构化数据方法，其特征在于，所述计算任务的依赖性具体为：

采集当前计算任务与其他相关任务的4种依赖关系，FS：完成-开始，SS：开始-开始，FF：完成-完成，SF：开始-完成；

通过计算该任务与其他任务的依赖关系，来量化该任务与其他任务的关联性的强弱B，来判断该任务的依赖关系。

4.根据权利要求1所述面向云边端的智能结构化数据方法，其特征在于，所述计算任务的数据类型与当前边缘节点的异构计算资源的适应度具体为：

将计算任务进行粗分类，包括对视频进行处理，对图片进行分类，对大数据进行处理；

再根据当前边缘服务器所拥有的异构计算资源，针对这些粗分类的计算任务的处理优劣势，来量化边缘服务器处理该任务的难易度记为E，判断是否需要将该任务传入边缘服务器，或者是传输到更高的层次的边缘服务器甚至到云端进行计算，又或是直接在智能终端计算即可。

5.根据权利要求1所述面向云边端的智能结构化数据方法，其特征在于，hyper-neat的训练是在边缘节点进行定期训练的，每一次定期训练的输出节点个数都可能不一样，由云端传输过来的数目确定，其他的参数设置保留不变；如果云端有具体的参数调整，边缘服务器也会根据云端发来的参数以及RNA种子进行训练，产生新的hyper-neat网络。

6.根据权利要求1所述面向云边端的智能结构化数据方法，其特征在于，所述优质的hyper-neat网络RNA种子，生成的众多初始网络中，也包括了边缘节点中最终生成的hyper-neat网络，作为种子生成的初始网络之一。

7.根据权利要求1所述面向云边端的智能结构化数据方法，其特征在于，所述云端对从智能终端产生的非结构化数据进行分析、建立、补齐知识体系中，云端会对从各个边缘节点收集到的数据进行以下几点操作：

标注足够的训练语料；

编写足够的抽取规则；

建立起每个领域数据的知识图谱；

根据知识图谱对每个领域，建立更细的类别分类。