面向物联网的边云协同实体搜索方法

发布时间：2021-06-01 00:25

　　针对物联网搜索的高实时性要求及物理实体的强时变性特点,提出面向物联网的边云协同实体搜索方法。结合云计算与边缘计算各自的优势,构建边云协同实体搜索系统架构,提高物联网实体的搜索效率。考虑到嵌入物理实体的传感器通信能力有限,设计基于深度信念网络的实体识别算法,通过将热门与冷门实体状态信息分别存储于边缘服务器与云端,节省边缘服务器的存储空间与计算开销。仿真结果表明,与云端数据共享搜索方法SeDaSC和层次化搜索方法LHPM相比,该方法提高了实体状态信息搜索的实时性与准确性。 

【文章来源】：计算机工程. 2020,46(08)北大核心CSCD

【文章页数】：7 页

【部分图文】：

边云协同的物联网搜索系统架构

在边缘服务器中执行实体识别算法,如图2所示,对于边缘服务器覆盖范围内的实体,由于覆盖范围内的实体数目有限,因此收集覆盖范围内嵌入实体中的传感器所上传的实体状态信息以及用户对于物理实体状态信息的搜索记录,并在此基础上建立深度学习模型,通过实体的多维度特征,甄别热门实体与冷门实体。在区分实体后,将强时变性、高访问度的热门实体状态信息(如图2中实体1、实体3所示)存储在边缘服务器中,由边缘服务器处理并存储,弱时变性、低访问度的冷门实体状态信息(如图2中实体2、实体4所示)则上传至云端存储,在用户有访问需要时进行调用。实体识别算法基于深度信念网络(Deep Belief Network,DBN)模型[22]进行实体状态信息与用户访问特征的提取,进而采用K-means聚类[23]算法对实体类别进行无监督划分,算法流程如图3所示,主要分为实体特征提取与实体识别分类两部分。

实体识别算法基于深度信念网络(Deep Belief Network,DBN)模型[22]进行实体状态信息与用户访问特征的提取,进而采用K-means聚类[23]算法对实体类别进行无监督划分,算法流程如图3所示,主要分为实体特征提取与实体识别分类两部分。2.1 实体特征提取

【参考文献】：
期刊论文
[1]基于深度信念网络的高维传感器数据异常检测算法[J]. 金鹏,夏晓峰,乔焰,崔信红.  传感技术学报. 2019(06)
[2]受限玻尔兹曼机研究综述[J]. 张健,丁世飞,张楠,杜鹏,杜威,于文家.  软件学报. 2019(07)
[3]“端—边—云”协同的智慧物联网[J]. 吴大鹏,张普宁,王汝言.  物联网学报. 2018(03)
[4]一种基于聚类划分的IoT实体搜索方法[J]. 王蕾,江凌云,陈晓阳,刘博伟.  南京邮电大学学报(自然科学版). 2017(03)
[5]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(05)
[6]带有匹配估计方法物联网基于内容的实体搜索机制[J]. 张普宁,刘元安,吴帆,唐碧华,李论.  上海交通大学学报. 2016(07)
[7]物联网搜索技术综述[J]. 高云全,李小勇,方滨兴.  通信学报. 2015(12)
[8]物联网中适用于内容搜索的实体状态匹配预测方法[J]. 张普宁,刘元安,吴帆,唐碧华,吴超.  电子与信息学报. 2015(12)
[9]面向海量数据的并行KMeans算法[J]. 周丽娟,王慧,王文伯,张宁.  华中科技大学学报(自然科学版). 2012(S1)



本文编号：3209279