新基建视域下物联网专业实验教学体系研究

建立科教协同的实验教学平台,推动智能实验室建设是新基建的重点方向。物联网工程作为支撑国家战略性新兴产业发展的新工科专业,其实验教学在人才的培养过程中至关重要。然而,现有实验教学体系受资金、场地、师资力量、网络条件等因素制约,很难直观呈现规模化、创意化物联网实验,尤其是过程化物联网综合实验。重点研究了新基建视域下如何构建符合物联网产业需求和人才培养的实验教学过程和实验教学体系。通过对物联网专业课程结构和人才需求进行分析,结合学校人才培养定位和物联网产业链现状,讨论了现有实验教学平台的不足。同时,以物联网的技术体系结构为主线,对物联网实验教学知识点进行了梳理,提出了一种虚实结合的物联网实验教学平台建设方案。提出的实验平台能够满足基础实验、工程实训、创新创客、科研辅助及行业应用等需求。

物联网工程导论的个性化主题式教学模式探究

针对物联网工程导论课程教学中存在的问题,提出“以学生为中心”的个性化主题式教学模式,介绍该模式的设计过程并说明其意义。

物联网专业导论课程的教学研究与实践

针对物联网专业物联网导论课程教学中存在的问题,分析物联网学科特点,学生、教师现状等方面问题存在的根源,提出以兴趣为出发点,以学生为中心,多重教学形式并存的教学理念,以及增强与交叉学科教师合作的尝试。

基于异步深度强化学习的车联网协作卸载策略

随着车联网(IoV)的快速发展,智能网联汽车产生了大量延迟敏感型和计算密集型任务,有限的车辆计算资源以及传统的云服务模式无法满足车载用户的需求,移动边缘计算(MEC)为解决海量数据的任务卸载提供了一种有效范式。但在考虑多任务、多用户场景时,由于车辆位置、任务种类以及车辆密度的实时性和动态变化,IoV中任务卸载场景复杂度较高,卸载过程中容易出现边缘资源分配不均衡、通信成本开销过大、算法收敛慢等问题。为解决以上问题,重点研究了IoV中多任务、多用户移动场景中的多边缘服务器协同任务卸载策略。首先,提出一种多边缘协同处理的三层异构网络模型,针对IoV中不断变化的环境,引入动态协作簇,将卸载问题转化为时延和能耗的联合优化问题;其次,将问题分为卸载决策和资源分配两个子问题,其中资源分配问题又拆分为面向边缘服务器和传输带宽的资源分配,并基于凸优化理论求解。为了寻求最优卸载决策集,提出一种能在协作簇中处理连续问题的多边缘协作深度确定性策略梯度(MC-DDPG)算法,并在此基础上设计了一种异步多边缘协作深度确定性策略梯度(AMCDDPG)算法,通过将协作簇中的训练参数异步上传至云端进行全局更新,再将更新结果返回每个协作簇中提高收敛速度。仿真结果显示,AMC-DDPG算法较DDPG算法至少提高了30%的收敛速度,且在奖励和总成本等方面也取得了较好的效果。

面向缓存的动态协作任务迁移技术研究

边缘网络中不断出现的计算密集和延迟敏感型业务推动了任务迁移技术的快速发展。然而,任务迁移过程中存在应用场景复杂多变、问题建模难度高等技术瓶颈。尤其是考虑用户移动时,如何保证用户服务的稳定性和连续性,设计合理的任务迁移策略仍是一个值得深入探讨的问题。因此,提出了一种移动感知的服务预缓存模型和任务预迁移策略,将任务迁移问题转化为最优分簇与边缘服务预缓存的组合优化问题。首先,基于用户的移动轨迹对当前执行任务状态进行预测,引入动态协作簇和迁移预测半径的概念,提出了一种面向移动和负载两种任务场景的预迁移模型,解决了何时何地迁移的问题。然后,针对需要迁移的任务,基于最大容忍时延约束分析协作簇半径和簇内目标服务器数量的极限值,提出了以用户为中心的分布式多服务器间动态协作分簇算法(Distributed Dynamic Multi-server Cooperative Clustering Algorithm,DDMC)以及面向服务缓存的深度强化学习算法(Cache Based Double Deep Q Network,C-DDQN),解决了最优分簇和服务缓存问题。最后,利用服务缓存的因果关系,设计了一种低复杂度的交替最小化服务缓存位置更新算法,求解出了最佳迁移目标服务器集合,实现了任务迁移中的服务器协作及网络负载均衡。实验结果表明,提出的迁移选择算法具有良好的鲁棒性和系统性能,相比其他迁移算法所消耗的总成本降低了至少12.06%,所消耗的总时延降低了至少31.92%。

基于无监督深度领域对抗适配的在线剩余寿命预测方法

为解决未知工况下旋转设备在线剩余寿命(remaining useful life,RUL)预测时计算代价大和误差累积问题,提出一种基于无监督深度领域对抗适配的在线RUL预测方法。首先,利用离线退化数据和在线早期故障数据,构建深度领域对抗网络作为预训练模型。其次,将在线贯序数据块输入预训练模型的回归预测器中重新领域适配,得到在线伪标签。最后,将预训练模型的结构和参数迁移到目标域模型,冻结目标域模型的部分参数,并利用在线数据块和伪标签对目标域模型剩余参数进行微调,实现在线数据的RUL动态预测。在IEEE PHM Challenge 2012轴承数据集上进行实验,结果表明,所提方法可以贯序、准确地预测在线轴承RUL值,为在线场景下的轴承RUL预测提供了一种实用化的解决方案。

基于蚁群算法的虚拟植物优化研究

针对植物模型不符合光照原理且不体现黄金分割特征的问题,提出了一种基于蚁群觅食原理的蚁群优化算法.首先对Open L-System模拟的植物枝叶分布进行分析;然后,采用设计的蚁群优化算法对虚拟植物枝叶在趋光性的竞争问题上进行优化;最后,结合植物的黄金分割特征实验仿真出植物模型.相比于没有采用优化仿真算法的Open L-System虚拟植物,植物模型枝叶的空间结构较为合理,趋光性生长更加旺盛.理论分析和仿真实验结果均表明,蚁群优化算法在单体植物模拟方面有一定的实际应用意义.

应用于河南民歌的智能作曲方法

为了智能创作结构化的河南民歌的旋律,提出一种基于主题发展和模糊推理的旋律创作的形式化方法。首先,分析河南民歌的旋律规则特征,设计音符繁殖方法,生成主题乐句,以获取种子材料。然后,根据河南民歌乐句之间的模糊规则,采用模糊控制的方法,管理乐句关系的走向,以生成多个发展乐句。最终生成了完整的河南民歌的旋律。实验结果表明,与已有规则类的作曲方法相比,所提方法生成的旋律在美感、结构、调式等方面得到了提升,更符合艺术层面的特性。

基于Unet网络多任务学习的遥感图像建筑地物语义分割

为准确分割出高分辨率遥感图像中的建筑地物,提出一种基于Unet网络多任务学习的建筑地物语义分割方法。首先,根据遥感图像建筑地物真值图生成边界距离图,并将该遥感图像及其真值图共同作为Unet网络的输入;然后,在基于ResNet网络构建的Unet网络末端加入建筑地物预测层与边界距离预测层,搭建多任务网络;最后,定义多任务网络的损失函数,并使用Adam优化算法训练该网络。在Inria航空遥感图像建筑地物标注数据集上进行实验,结果表明,与全卷积网络结合多层感知器方法相比,VGG16网络、VGG16+边界预测、ResNet50和本文方法的交并比值分别提升5.15,6.94,6.41和7.86百分点,准确度分别提升至94.71%,95.39%,95.30%和96.10%,可实现高精度的建筑地物提取。

智能冰箱关键技术研究

针对传统冰箱缺乏智能性,难以满足物联网时代需求的问题,提出一种智能冰箱原型系统。该系统集成冰箱端开发板、移动客户端及服务器端应用程序的设计与实现。冰箱端选用基于OK6410的ARM11开发板,通过Win CE系统将收集到的食品数据实时传输给远程服务器,并将其保存到数据库中;数据库服务器端,提出最优时隙防冲突算法,根据标签数目分配帧长,使得所有标签分得帧长时隙以解决多标签同时读/写数据碰撞问题;客户端用户通过无线保真(WiFi)网络、移动通信网络等连接到远程服务器,随时随地管理冰箱。仿真实验结果表明,所设计与实现的冰箱食品信息远程查看与管理、饮食搭配菜谱智能推荐、冰箱周期清理和食品保鲜期限实时提醒等功能科学、合理和实用。

基于生物视觉机制的图像感兴趣区域快速获取方法研究

为快速准确地获取图像感兴趣区域,有必要从宏观视觉通道到微观视觉神经细胞全程模拟生物视觉机制。首先,在模拟宏观视觉where通道的超复数傅里叶变换HFT(Hypercomplex Fourier Transform)模型中,为突显图像中的显著目标,增加背景通道,抑制背景信息;其次,用模拟生物视觉神经元的脉冲耦合神经网络PCNN(Pulse Coupled Neural Network)来扩展HFT模型:将改进HFT模型的显著图作为简化PCNN的输入图像,并利用最小交叉熵分割出感兴趣区域。实验结果表明,该感兴趣区域提取算法的准确性达到98.1%,提取时间为5.732 s,能够快速准确地检测出图像的感兴趣区域。

用前沿技术推动多媒体技术与应用课程教学改革

针对目前多媒体技术与应用课程教学远远落后于多媒体技术发展的客观情况,分析课程教学的现状及其原因,提出以多媒体前沿技术引导学生兴趣并贯穿学生所学内容、使用"沉浸式"的教学模式以及采用新的评价方式等手段进行教学改革的观点,并通过两个学期的教学实践说明改革的有效性。

融入区块链的课程目标达成评价系统建构与应用研究

推进课程评价数字化转型升级,是实现教育现代化、推进教育高质量发展、建设教育强国的重要举措。然而,当前课程目标达成评价领域存在中心化管理、数据孤岛、安全性不足等问题,影响了课程目标达成评价的科学性和公信力,进而制约了课程评价数字化转型。为此,文章提出一种基于区块链技术变革课程评价的新思路,设计了融入区块链的课程目标达成评价系统,从数据共享框架、课程目标达成评价合约、隐私保护方案三个层面探讨系统的运行机制,并阐述该系统的主要功能和应用成效。文章设计的系统,可为消除数据孤岛、提高评价数据安全性、推动课程评价数字化转型提供参考。

一种可解释的云平台任务终止状态预测方法

基于特征选择和模型可解释方法构建可解释性强的云平台任务终止状态预测模型,该模型可视化任务/作业的静态和动态属性与终止状态之间的映射关系,进而找出负载特征与任务终止状态之间的映射机理.利用Google公开的工作负载监控日志,并加入云平台中任务的动态信息,采用沙普利加和解释(Shapley additive explain,SHAP)找出静态和动态属性对终止状态影响的重要性,利用变量重要性结合SHAP值和XGBoost模型,对任务终止状态预测模型建模后的结果进行解释,使用可视化技术呈现负载特征如何影响模型对不同任务终止状态的预测.用SHAP值绝对值的平均值衡量特征的重要性,实现任务不同终止状态特征重要性的全局可视化,根据结果筛选出对任务终止状态预测模型影响大的20个变量,作为特征筛选的依据;由可视化的结果可知,任务运行过程中,各特征的不同特征值对任务的终止状态有影响,不同特征值对终止状态的产生有不同的影响.特征选择结合模型可解释性方法运用于任务终止状态预测模型的构建流程中,可辅助构建高分类性能及易于理解的任务终止状态预测模型,通过对负载特征与任务终止状态之间映射机理的探索,可以优化云平台的调度机制.

一种基于DQN的去中心化优先级卸载策略

边缘计算(EC)可在网络边缘为用户提供低延迟、高响应的服务。因此,资源利用率高、时延低的任务卸载策略成为研究的热门方向。但大部分现有的任务卸载研究是基于中心化的架构,通过中心化设施制定卸载策略并进行资源调度,容易受到单点故障的影响,且会产生较多的能耗和较高的时延。针对以上问题,提出一种基于深度Q网络(DQN)的去中心化优先级(DP-DQN)卸载策略。首先,设置通信矩阵模拟现实中边缘服务器有限的通信状态;其次,通过对任务设定优先级,使任务可以在不同边缘服务器之间跳转,保证各边缘服务器均可以自主制定卸载策略,完成任务卸载的去中心化;最后,根据任务的跳转次数为任务分配更多的计算资源,提高资源利用效率和优化效果。为了验证所提策略的有效性,针对不同DQN下参数的收敛性能进行了研究对比,实验结果表明,在不同测试情景下,DP-DQN的性能均优于本地算法、完全贪婪算法和多目标任务卸载算法,性能可提升约11%~19%。

一种联合边缘服务器部署与服务放置的方法

边缘计算(EC)在靠近用户的网络边缘部署边缘服务器(ES),并将服务放置在ES上,从而可以满足用户的服务需求。独立研究ES部署和服务放置问题的成果已有很多,但两者存在高度耦合关系。考虑到EC系统的收益,有必要提供付费服务,使得EC系统处理用户服务请求时会获得相应收入。同时,EC系统处理用户服务请求时会产生时延和能耗成本,为了最大化EC系统的收益,在用户服务请求和服务价格不同的约束下,需要合适的服务放置方案来提高EC系统的收益。为此,在ES与基站之间的位置关系、ES部署和服务放置之间的耦合关系、服务副本数和服务价格等约束下,提出一种包括改进的k-means算法和多智能体强化学习算法的两步方法,使EC系统的收益最大化。首先,构建一个联合ES部署和服务放置模型,其中ES部署明确考虑了基站之间的位置关系,服务放置明确考虑了ES部署的位置,以及不同的服务请求和价格;然后,基于基站的位置关系和基站的服务请求负载,通过带约束的k-means算法,在不同约束条件下分别确定最佳的ES部署位置以及ES的协作域;最后,以最大化EC系统收益为目标,通过多智能体强化学习算法在ES上放置服务。实验结果表明,与对比方法相比,所提方法能够提高收益7%~23%。

NOMA-MEC网络中基于优先级的多任务卸载策略

针对NOMA-MEC网络中多任务卸载引起的资源分配不均、卸载成本过高等问题,考虑任务的异构性和网络环境的动态时变性,以最小化平均卸载成本为目标,面向超密集异构边缘网络提出了一种结合任务优先级的部分卸载策略。首先,充分利用资源,使用二分法模型化卸载比例的封闭解,将卸载问题解耦为任务优先级划分和基于服务器的信道资源分配两个子问题;然后,针对异构的任务,构建多维度任务优先级分类准则,提出了一种基于层次分析的支持向量机(analytic hierarchy-support vector machine, AH-SVM)任务分类方法,通过为不同的任务特征进行权重赋值,实现多任务优先级划分;最后,考虑动态环境下的信道质量,提出了一种面向信道资源分配和最佳卸载位置的NOMA信道增益深度双Q网络(NOMA channel gain deep double Q network, NCG-DDQN)任务卸载算法,有效降低了用户的平均卸载成本。实验结果表明,该算法在任务分类准确率和平均卸载成本方面较其他算法性能均有提升,同时验证了所提算法在高低优先级任务卸载过程中命中率的有效性。

基于知识图谱的端到端内容共享机制

端到端(D2D)通信利用边缘网络的本地计算和缓存能力,可以满足未来移动网络用户低延时、高能效的内容共享需求。而边缘网络内容共享效率性能的提升不仅取决于用户社交关系,同时也高度依赖终端设备的特征,如计算、存储和剩余能量资源等。因此,以最大化能量效率为目标,综合考虑设备异质性、用户社交性和兴趣差异性,提出一种用户-设备-内容多维度关联特征的D2D内容共享机制。首先,基于用户成本效益最大化将多目标约束问题转化为最优节点选择和功率控制问题,构建面向用户-设备-内容的多维度知识关联特征和图谱模型,将设备相关的计算资源、存储资源等多维特征结构化处理;其次,研究用户在设备属性和社交属性上的意愿度度量方法,提出一种基于用户社交和设备图谱的共享意愿度度量方法;最后,根据用户共享意愿度构建面向内容共享的D2D协作簇,面向能量效率设计一种基于共享意愿度的功率控制算法,以最大化网络共享性能。在真实用户设备数据集和infocom06数据集的实验结果表明,所提基于共享意愿度的功率控制算法与最近选择算法和不考虑设备意愿度的选择算法相比,系统和速率分别提升了约97.2%和11.1%,用户满意度分别提升了约72.7%和4.3%,能效分别提升了约57.8%和9.7%,验证了所提算法在传输速率、能量效率和用户满意度等方面的有效性。

一种基于随机森林分类器构建高性能应用程序性能分析模型的方法

高性能应用程序的传统性能分析方法因分析过程存在额外开销和分析结果不准确等缺陷,致使用户耗费更多的时间和领域知识。为解决以上问题,将程序的性能分析问题转化成高维特征下非平衡小样本数据集的多分类问题,采集500条包含程序运行时进程切换次数、内存利用率、磁盘I/O负载等7种性能数据,经PCA降维等数据预处理后,使用随机森林分类器训练程序性能问题分析模型。实验验证该模型可识别出内存利用率过高、磁盘I/O负载过重等5类性能问题。为评估模型的指导有效性,分别采集HotSpot3D程序和LU-Decomposition程序运行时产生的性能数据,并根据模型输出结果指导,分别基于运行级和编译级优化2个验证程序运行。实验结果表明,所提方法可有效指导优化程序的运行性能,2个验证程序的加速比分别为1.056和5.657。

面向O-RAN的多级异构边缘资源分配与部署

为应对开放型无线接入网(Open Radio Access Network,O-RAN)中的数据传输成本过高及网络兼容不足等问题,研究了面向O-RAN的多级边缘服务资源分配与部署联合优化问题。首先,利用四层融合模型将多目标联合优化问题转化为异构边缘服务器数量选择及位置确定问题,并提出了一种负载约束和迭代优化的异构边缘服务器资源分配算法,解决了O-RAN网络中的异构资源分配与数据传输问题。然后,提出了一种能效驱动的异构节点部署优化算法,解决了多级异构资源最佳部署位置问题。最后,利用上海电信基站的真实数据集,验证了所提资源优化与部署算法的有效性,实验结果表明,所提算法较其它算法在部署成本上至少降低了22.5%,能效比值上至少提高了25.96%。