边缘网络中QoS感知的应急多设备协同机制

随着物联网的快速发展,越来越多的设备连接到互联网中。云计算可以有效满足非实时和高计算量业务的需求,但在低延迟业务方面存在很大的问题。因此,研究人员引入边缘计算来弥补云计算的不足,并将这一理念应用于许多场景之中。文章将边缘计算应用于对延迟要求较高的应急救援场景。首先,提出了一种基于边缘的应急救援架构,该架构包括3层:云层,边缘层和设备接入层,救援任务的完成需要各层次之间的合作。设备接入层对应物理环境中的各项资源设备,包括救援人员、无线设备和救援车辆等,文章研究基于服务质量(Quality of Service, QoS)的复合业务多设备选择问题,提出了一种基于QoS的多设备协同选择机制(MDSA),并将其与传统的分配算法进行比较。仿真结果表明,MDSA在丢包和能耗等方面具有良好的性能。

面向多设备协同场景的实时视频流分析系统

实时视频流分析在智能监控、智能制造、自动驾驶等场景中具有重要价值,然而其存在计算负载高、带宽需求大和延迟要求严格等特点,难以通过传统的本地计算模式或者云计算模式进行部署.近年兴起的边缘计算范式,将复杂的计算任务从终端设备上传到物理临近的边缘服务器上,能够有效解决设备层面的部署问题.然而,例如无人机编队飞行、车队自动驾驶和多机器人协同等不断涌现的多设备协同场景,新增了系统层面的综合性能要求,包括智能分析的实时准确率、设备之间的性能一致性和系统容纳的设备数量上限.当前的边缘计算范式对多设备协同场景的优化尚显不足,未能有效解决设备之间对上传带宽和服务器算力的竞争问题,所以难以满足这类场景的要求.本文设计了MASSIVE系统,能够在多设备协同场景中,全面提升实时视频分析的综合性能.首先,MASSIVE系统提出了适合多设备协同场景中度量视频流分析系统综合性能的评价体系.其次,MASSIVE系统设计了帕累托改进调度器来计算帕累托最优的系统调度策略,使得系统在3个维度上同时取得了相比已有系统更好的性能表现.最后,MASSIVE设计了虚拟流量整形器来保证各个设备在无线网络中按照调度策略上传视频流数据.实验结果表明,MASSIVE在多种典型的视频分析任务中,相比于当前的代表性系统,至少达到了122.7%的实时准确率、1.8倍的系统容量和更好的系统一致性,并达到了帕累托最优.

谈界河流凌期立体化监管、救助体系建设

文中分析了黑龙江流凌期监管救助现状及搜救难点,提出了建立首个流凌期立体监管救助体系的相关建议,此体系将填补界河流凌期海事监管救助空白,构筑起一道保障人民群众生命的安全网。