情景感知的物联网边缘服务认知模型与机制研究

With the large-scale deployment of IoT devices and a huge volume of data generated by them, edge computing-based service cognitive theories become a more effective processing approach for intelligent applications on IoT, and play an important role in improving the intelligent level of IoT applications. However, edge services still cannot achieve the cognitive intelligence, due to lack of effective theoretical guidelines to fully analyze the device’s data. This project focuses on the situational-cognitive model and the computing mechanism of edge service in purpose of providing an effective approach of situation identification and decision-marking. Specifically，a lightweight architecture of situation learning is proposed for edge service’s cognitive model to be able to achieve the identification of basic situation on resource-constrained devices. An incomplete information-oriented reasoning mechanism is proposed for the cognitive model, which can facilitate edge service to recognize the complex situation under circumstances with incomplete information. A distributed collaborative decision-making mechanism is proposed for the cognitive model to deal with complex situational event by the collaborative interaction among edge services autonomously and intelligently. The research of this project about situational-cognitive model and the computing mechanism of edge service, are not only of theoretical guiding significance, but also of application value for the implementation of intelligent applications in the IoT environment.

随着物联网设备的大规模部署和边缘数据的快速增加，基于边缘计算的物联网服务认知理论已成为更加有效的智能化处理方法，对于提升物联网应用的智能水平具有重要作用。但由于缺乏有效的理论方法，边缘服务还不能充分利用物联网设备数据，以达到认知智能水平。本项目以提供“情景识别与决策”方法为目的，研究物联网边缘服务的认知模型与机制。具体地，边缘服务认知模型构造了一种轻量级情景学习框架，能在资源受限设备上进行基础情景识别；认知模型引入了一种不完全信息下的情景推理机制，使边缘服务能在信息不完全情况下进行复杂情景识别；认知模型建立了一种分布式协同决策机制，能实现多边缘服务自主交互来处理复杂情景。本项目提出的边缘服务认知模型与机制对于物联网环境下智能化应用的执行具有重要的理论指导意义和应用价值。

随着物联网设备的大规模部署和感知数据的爆炸增长，基于边缘计算的智能服务理论已成为更加有效的应用提供方法。项目以“情景或行为识别”为目的，研究了一种边缘智能计算模型、计算设备容错保障方法、轻量化服务生成方法、以及服务分布式协同的保障机制。具体内容包括：（1）设计了一种轻量化行为识别模型—DSconv-GRU，以及基于弹性滑窗的行为识别方法。该方法在保证行为识别精度的同时，还有着更小的资源占用率，可以实现视频流的实时检测。为了应对复杂情景识别，提出了一种不完全推理规则自动生成方法，可以结合识别模型感知的基础知识推理出复杂情景。（2）研究了基于Mesh网络的处理器阵列容错重构问题，当处理器阵列上出现故障时，采用有效的降阶容错方法来构造高质量的无故障子阵列，保证计算的可靠性。这对于难以维修的物联网设备上的智能计算提供了一种容错能力。（3）研究了一种面向物联网的轻量化服务生成方法—MobiMVL. MobiMVL将服务生成分为三部分：服务数据模型、图形用户接口（GUI）模型和基于数据流的业务逻辑模型。MobiMVL还可通过图形化开发工具辅助终端用户快速完成上述三部分内容的设计和开发。开发好的业务还能通过自动化检测工具查找错误，并反馈给设计者。（4）研究一种资源感知的边缘服务分布式协同调度方法。该方法通过边缘动态服务迁移算法来评估边缘设备所具有的资源和边缘服务对资源的消耗，动态地将服务迁移到资源丰富的边缘计算设备。同时，针对分布式边缘网络实现了一个边缘服务迁移系统，可实时感知本地资源状态，并通过轻量化的数据分发机制实现边缘服务的主动式迁移。项目相关研究在国际知名期刊以及国际会议上发表和录用论文10篇，其中SCI源刊7篇，EI检索国际会议论文3篇；授权发明专利5项，申请发明专利1项。培养硕士研究生6名，4人已获得硕士学位，协助培养博士生1名，已获博士学位。项目构建了一套相对完整的物联网智能服务理论与方法，对于物联网智能应用设计和开发具有较高的参考价值。