变熵画像:一种数量级压缩物端数据的多粒度信息模型

删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

本站小编 Free考研考试/2022-01-01

朝鲁^1,2,3，彭晓晖¹，徐志伟¹

¹(中国科学院计算技术研究所北京 100190);²(中国科学院大学北京 100049);³(智能处理器研究中心(中国科学院计算技术研究所) 北京 100190) (chaolu@ict.ac.cn)

出版日期: 2018-08-01

基金资助:国家自然科学基金重点项目(61532016);中国科学院率先行动“****”项目(Y704061000) This work was supported by the Key Program of the National Natural Science Foundation of China (61532016) and the CAS Pioneer Hundred Talents Program (Y704061000).

Variant Entropy Profile: A Multi-Granular Information Model for Data on Things with Order-of-Magnitude Compression Ratios

Chao Lu^1,2,3, Peng Xiaohui¹,Xu Zhiwei¹

¹(Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190);²(University of Chinese Academy of Sciences, Beijing 100049);³(Intelligent Processor Research Center (Institute of Computing Technology, Chinese Academy of Sciences), Beijing 100190)

Online: 2018-08-01

摘要/Abstract

摘要： 近年来由物联网边缘和物端设备产生的数据呈现出爆发式的增长，催生了边缘计算、物端计算等新型物联网计算模式，利用“计算向数据源靠近”这一理念从架构上显著地改善了整体系统性能和能耗.然而，大量资源相对受限的物端设备暴露了现有计算模式的2个缺陷：1)由于不能存储海量数据导致部分计算无法下沉至末端；2)由于无法针对多样化的应用需求提供多粒度信息支持导致冗余计算和存储开销.围绕这2个问题，提出了一种数量级压缩物端数据的多粒度信息模型——变熵画像(variant entropy profile, VEP)，及其TSR-VEP数据存储原型.基于真实的智能电表数据集和基准测试实验结果表明：VEP能在较低应用观测误差的前提下，实现物端数据的数量级压缩和多粒度信息存储查询.结合测试结果的讨论显示了VEP具备应用于物端设备的可行性与进一步优化边缘计算和物端计算的潜力.

参考文献

相关文章 15

[1]	张燕咏, 张莎, 张昱, 吉建民, 段逸凡, 黄奕桐, 彭杰, 张宇翔. 基于多模态融合的自动驾驶感知及计算[J]. 计算机研究与发展, 2020, 57(9): 1781-1799.
[2]	黄倩怡, 李志洋, 谢文涛, 张黔. 智能家居中的边缘计算[J]. 计算机研究与发展, 2020, 57(9): 1800-1809.
[3]	刘泽宁, 李凯, 吴连涛, 王智, 杨旸. 多层次算力网络中代价感知任务调度算法[J]. 计算机研究与发展, 2020, 57(9): 1810-1822.
[4]	马惠荣, 陈旭, 周知, 于帅. 绿色能源驱动的移动边缘计算动态任务卸载[J]. 计算机研究与发展, 2020, 57(9): 1823-1838.
[5]	王志刚, 王海涛, 佘琪, 史雪松, 张益民. 机器人4.0: 边缘计算支撑下的持续学习和时空智能[J]. 计算机研究与发展, 2020, 57(9): 1854-1863.
[6]	卢海峰, 顾春华, 罗飞, 丁炜超, 杨婷, 郑帅. 基于深度强化学习的移动边缘计算任务卸载研究[J]. 计算机研究与发展, 2020, 57(7): 1539-1554.
[7]	乐光学, 戴亚盛, 杨晓慧, 刘建华, 游真旭, 朱友康. 边缘计算可信协同服务策略建模[J]. 计算机研究与发展, 2020, 57(5): 1080-1102.
[8]	梁玉珠, 梅雅欣, 杨毅, 马樱, 贾维嘉, 王田. 一种基于边缘计算的传感云低耦合方法[J]. 计算机研究与发展, 2020, 57(3): 639-648.
[9]	芦效峰, 廖钰盈, Pietro Lio, Pan Hui. 一种面向边缘计算的高效异步联邦学习机制[J]. 计算机研究与发展, 2020, 57(12): 2571-2582.
[10]	丁旭阳, 谢盈, 张小松. 基于边缘计算的进化多目标优化图像隐写算法[J]. 计算机研究与发展, 2020, 57(11): 2260-2270.
[11]	周俊, 沈华杰, 林中允, 曹珍富, 董晓蕾. 边缘计算隐私保护研究进展[J]. 计算机研究与发展, 2020, 57(10): 2027-2051.
[12]	宁振宇,张锋巍,施巍松. 基于边缘计算的可信执行环境研究[J]. 计算机研究与发展, 2019, 56(7): 1441-1453.
[13]	施巍松,张星洲,王一帆,张庆阳. 边缘计算：现状与展望[J]. 计算机研究与发展, 2019, 56(1): 69-89.
[14]	邓晓衡,关培源,万志文,刘恩陆,罗杰,赵智慧,刘亚军,张洪刚. 基于综合信任的边缘计算资源协同研究[J]. 计算机研究与发展, 2018, 55(3): 449-477.
[15]	齐彦丽，周一青，刘玲，田霖，石晶林. 融合移动边缘计算的未来5G移动通信网络[J]. 计算机研究与发展, 2018, 55(3): 478-486.

PDF全文下载地址:

https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3744