CN113596158A - 一种基于场景的算法配置方法和装置 - Google Patents
一种基于场景的算法配置方法和装置 Download PDFInfo
- Publication number
- CN113596158A CN113596158A CN202110867970.1A CN202110867970A CN113596158A CN 113596158 A CN113596158 A CN 113596158A CN 202110867970 A CN202110867970 A CN 202110867970A CN 113596158 A CN113596158 A CN 113596158A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- edge domain
- data
- cloud center
- domain node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 518
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000005070 sampling Methods 0.000 claims abstract description 83
- 238000004458 analytical method Methods 0.000 claims abstract description 76
- 238000011156 evaluation Methods 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 32
- 238000004891 communication Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 17
- 238000001514 detection method Methods 0.000 description 44
- 238000013461 design Methods 0.000 description 27
- 239000000523 sample Substances 0.000 description 19
- 230000006870 function Effects 0.000 description 15
- 239000003795 chemical substances by application Substances 0.000 description 14
- 230000010354 integration Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000002776 aggregation Effects 0.000 description 7
- 238000004220 aggregation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 239000000203 mixture Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000005021 gait Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本申请实施例提供一种基于场景的算法配置方法和装置,涉及物联网技术领域,能够根据用户实时对场景分析的需求向边缘域节点配置算法包,以根据配置的算法包对从终端设备接收到的数据进行分析,提升用户体验。具体方案为云中心接收第一边缘域节点发送的采样数据,云中心确定与采样数据的类型对应的多种算法包,采样数据的数据类型用于反映终端设备获取采样数据时的场景。云中心对采样数据执行多种算法包中的每种算法包,得到与每种算法包对应的算法结果;云中心根据每种算法包对应的算法结果,从多种算法包中确定目标算法包,目标算法包用于对终端设备采集的数据进行分析。本申请实施例用于物联网进行算法配置的过程。
Description
技术领域
本申请实施例涉及物联网技术领域,尤其涉及一种基于场景的算法配置方法和装置。
背景技术
物联网作为新一代信息技术的高度集成和综合运用,具有渗透性强、带动作用大、综合效益好的特点,是继计算机、互联网、移动通信网之后信息产业发展的又一推动者。物联网的应用和发展,有利于促进生产生活和社会管理方式向智能化、精细化、网络化方向转变,极大提高社会管理和公共服务水平。
目前,物联网在城市建设中的医疗、交通、环保和安防等领域需要以基于人工智能的各种技术来加速智慧发展,而视频/图片智能分析是其中不可缺少的组成部分。现有的视频分析用于视频监控时,可以通过获取场景信息(包括分析目标、分析目标的数据量和影响视频设备的参数),根据场景信息确定视频设备的数量和类型,而后获取分析目标的样本视频序列和视频设备的设备应用附加信息,根据视频设备的数量和类型、样本视频序列和设备应用附加信息确定与场景对应的最优算法,以便根据该最优算法进行视频分析。
可以理解,这种视频分析方法在确定最优算法时,是一种静态的最优算法确定方法,是根据一次确定的既定的参数,即视频设备的数量和类型、样本视频序列和设备应用附加信息确定出来的。当这种最优算法确定后,该最优算法便不再更新。这样一来,这种确定出来的静态的最优算法不能满足用户实时对场景分析的需求。而且,该最优算法的确定方法过多依赖了待分析内容(样本视频序列)以外的信息,即视频设备的数量和类型,以及设备应用附加信息,这使得确定最优算法的实现较为复杂。
发明内容
本申请实施例提供一种基于场景的算法配置方法和装置,能够根据用户实时对场景分析的需求向边缘域节点配置算法包,以根据配置的算法包对从终端设备接收到的数据进行分析,提升用户体验,且避免了根据终端设备设备获取的数据以外的例如视频设备的数量和类型,以及设备应用附加信息参与分析带来的实现复杂的问题。
为达到上述目的,本申请实施例采用如下技术方案:
第一方面,提供一种基于场景的算法配置方法,包括:云中心接收第一边缘域节点发送的采样数据,云中心确定与采样数据的数据类型对应的多种算法包;采样数据的数据类型用于反映终端设备获取采样数据时的场景。云中心对采样数据执行多种算法包中的每种算法包,得到与每种算法包对应的算法结果;云中心根据每种算法包对应的算法结果,从多种算法包中确定目标算法包,目标算法包用于对该终端设备采集的数据进行分析。
由此,本申请提供的基于场景的算法配置方法,可以通过边缘域节点上报从终端设备获取到的采样数据,由云中心对采样数据执行多种算法包的算法比较,并决策出最优算法包,即目标算法包。由于采样数据的类型可以反映出终端设备获取采样数据时的场景,这样,当终端设备获取的采样数据时的场景变化时,云中心确定的该采样数据的数据类型也会随场景变化,云中心确定出来的多种算法包也会随数据类型变化,云中心从多种算法包中最终确定的多种算法包中的目标算法包也会变化。因此,本申请中,云中心决策出来的目标算法包可以随终端设备获取数据时的场景的不同而不同,可满足用户实时对不同场景分析的需求,提升用户体验。而且,本申请中,云中心在决策最优算法包时,不需要依赖如现有技术中采样数据以外的视频设备的数量和类型以及视频设备的设备应用附加信息等参与决策,实现复杂度较低。
在一种可能的设计中,采样数据是对终端设备拍摄的视频数据进行视频抽帧得到的数据,或采样数据是终端设备抓拍的图片数据。这里的采样数据可以理解为是实时的,或者说是定时获取的,或者说是周期性获取的。终端设备可以理解为接入第一边缘域节点的摄像机,摄像机可以将视角范围内当前的场景数据,即视频抽帧的数据或抓拍的数据进行上报,可以使得云中心决策出第一边缘域节点处理当前的场景数据时的最优算法,满足用户实时对场景分析的需求,提升用户体验。
在一种可能的设计中,云中心对采样数据执行多种算法包中的每种算法包,得到与每种算法包对应的算法结果包括:云中心确定与采样数据的数据类型对应的算法评价体系中的多个评价指标;云中心参考多个评价指标,通过多种算法包中的每种算法包执行对采样数据的分析,获取与每种算法包对应的多个评价指标的值;云中心根据与每种算法包对应的多个评价指标的值,确定每种算法包对应的算法评价值,将每种算法包对应的算法评价值作为每种算法包对应的算法结果;
云中心根据每种算法包对应的算法结果,从多种算法包中确定目标算法包包括:云中心根据每种算法包对应的算法评价值,确定多种算法包中算法评价值最高的算法包为目标算法包。
也就是说,根据采样数据的类型,可以通过算法比较的方式,也即算法评价的方式,确定出该类型下的多种算法中的最优算法,满足用户实时对场景分析的需求,提升用户体验。
在一种可能的设计中,该方法还包括:云中心向第一边缘域节点发送目标算法包和算法分析任务,算法分析任务用于指示第一边缘域节点通过目标算法包,对从终端设备接收到的数据进行分析。由于目标算法包是随着终端设备获取的采样数据的数据类型而确定的,即根据场景确定的,这样,第一边缘域节点在根据目标算法包执行算法分析任务时,可以更贴合终端设备当前的场景,使得算法分析结果更贴合实际,满足用户实时对场景分析的需求。
在一种可能的设计中,该方法还包括:云中心确定云中心管理的多个边缘域节点分别对应的剩余算力,多个边缘域节点包括第一边缘域节点;云中心根据多个边缘域节点分别对应的剩余算力确定第二边缘域节点,第二边缘域节点为多个节点中剩余算力最多的边缘域节点;云中心向第二边缘域节点发送目标算法包和算法分析任务,算法分析任务用于指示第二边缘域节点通过目标算法包,对从第一边缘域节点接收到的终端设备采集的数据进行分析。也就是说,云中心在根据第一边缘域节点上报的终端设备采集的采样数据确定目标算法包后,不急于直接向第一边缘域节点发送该目标算法包,而是可以先确定下云中心所辖的多个边缘域节点中剩余算力最强的第二边缘域节点,可将目标算法包和算法分析任务发送给第二边缘域节点。这样,可以达到合理的使用边缘域节点算力的目的。其中,第二边缘域节点也可能与第一边缘域节点是同一个节点。
在一种可能的设计中,云中心确定云中心管理的多个边缘域节点分别对应的剩余算力包括:云中心根据多个边缘域节点中每个边缘域节点对应的硬件资源性能、数据接入量以及接入的终端设备数量,确定每个边缘域节点对应的剩余算力。其中,硬件资源性能可以理解为边缘域节点的CPU和GPU的剩余算力。数据接入量可以用于反映边缘域节点实时的算法执行总数。边缘域节点接入的终端设备数量可以理解为与该边缘域节点建立通信连接的终端设备数量。
第二方面,提供一种基于场景的算法配置方法,包括:
边缘域节点向云中心发送采样数据;边缘域节点接收云中心发送的第一目标算法包,第一目标算法包是云中心对采样数据执行多种算法包中的每种算法包,得到的与每种算法包对应的分析结果确定的;多种算法包是云中心根据采样数据的数据类型确定的;采样数据的类型用于反映终端设备获取采样数据时的场景;边缘域节点加载第一目标算法包,以通过第一目标算法包对从终端设备接收到的数据进行分析。
由此,对于边缘域节点,边缘域节点可以根据云中心确定的随采样数据的场景变化的第一目标算法包,对从终端设备接收到的数据进行分析,即第一目标算法包可以是随算法比较的结果的不同而不同,可以满足用户实时对场景分析的需求,提升用户体验。
在一种可能的设计中,采样数据是对终端设备拍摄的视频数据进行视频抽帧得到的数据,或采样数据是终端设备抓拍的图片数据。该设计的有益效果可以参见第一方面的说明。
在一种可能的设计中,边缘域节点加载第一目标算法包,以通过第一目标算法包对从终端设备接收到的数据进行分析包括:边缘域节点确定边缘域节点本地是否已经加载第一目标算法包;若确定边缘域节点本地未集成第一目标算法包,则边缘域节点加载第一目标算法包,以通过第一目标算法包对从终端设备接收到的数据进行分析。即有可能云中心确定出来的最优算法(第一目标算法包)就是目前边缘域节点正在加载运行的算法,此时边缘域可不对第一目标算法包进行加载。
在一种可能的设计中,边缘域节点接收云中心发送的第二目标算法包和算法分析任务,第二目标算法包是云中心基于其他边缘域节点发送的采样数据确定的,算法分析任务包括待分析的终端设备信息;边缘域节点从其他边缘域节点获取待分析的终端设备信息对应终端设备采集的数据;边缘域节点加载第二目标算法包,以通过第二目标算法包对从其他边缘节点接收到的数据进行分析。也就是说,一个边缘域节点在向云中心上报从终端设备采集到的数据后,有可能云中心并不直接向该边缘域节点发送目标算法包,而是确定出来可以执行该目标算法包的最优边缘域节点,将该目标算法包发送给该最优边缘域节点记载。这样,可以使得各边缘域节点的算力均衡,一个边缘域节点可能混合有多种场景下的算法包,可以在一定程度上实现基于混合场景的边缘域节点集群算力共享。
第三方面,提供一种云中心,包括:通信模块,用于接收第一边缘域节点发送的采样数据;处理模块,用于确定与采样数据的数据类型对应的多种算法包,采样数据的数据类型用于反映终端设备获取采样数据时的场景;处理模块,还用于对采样数据执行多种算法包中的每种算法包,得到与每种算法包对应的算法结果;处理模块,还用于根据每种算法包对应的算法结果,从多种算法包中确定目标算法包,目标算法包用于对终端设备采集的数据进行分析。
第三方面的有益效果可以参见第一方面的说明。
在一种可能的设计中,采样数据是对终端设备拍摄的视频数据进行视频抽帧得到的数据,或采样数据是终端设备抓拍的图片数据。
在一种可能的设计中,处理模块具体用于:确定与采样数据的数据类型对应的算法评价体系中的多个评价指标;参考多个评价指标,对采样数据执行所述多种算法包中的每种算法包,获取与每种算法包对应的多个评价指标的值;根据与每种算法包对应的多个评价指标的值,确定每种算法包对应的算法评价值,将每种算法包对应的算法评价值作为每种算法包对应的算法结果;根据每种算法包对应的算法评价值,确定多种算法包中算法评价值最高的算法包为目标算法包。
在一种可能的设计中,收发模块还用于:向第一边缘域节点发送目标算法包和算法分析任务,算法分析任务用于指示第一边缘域节点通过目标算法包,对从终端设备接收到的数据进行分析。
在一种可能的设计中,处理模块还用于:确定云中心管理的多个边缘域节点分别对应的剩余算力,多个边缘域节点包括第一边缘域节点;根据多个边缘域节点分别对应的剩余算力确定第二边缘域节点,第二边缘域节点为多个边缘域节点中剩余算力最多的边缘域节点;收发模块还用于:向第二边缘域节点发送目标算法包和算法分析任务,算法分析任务用于指示第二边缘域节点通过目标算法包,对从第一边缘域节点接收到的终端设备采集的数据进行分析。
在一种可能的设计中,处理模块具体用于:根据多个边缘域节点中每个边缘域节点对应的硬件资源性能、数据接入量以及接入的终端设备数量,确定每个边缘域节点对应的剩余算力。
第四方面,提供一种边缘域节点,边缘域节点包括:通信模块,用于向云中心发送采样数据;收发模块,还用于接收云中心发送的第一目标算法包,第一目标算法包是云中心对采样数据执行多种算法包中的每种算法包,得到的与每种算法包对应的算法结果确定的;多种算法包是云中心根据采样数据的数据类型确定的;采样数据的类型用于反映终端设备获取采样数据时的场景;处理模块,用于加载第一目标算法包,以通过第一目标算法包对从终端设备接收到的数据进行分析。
第四方面的有益效果可以参见第二方面的说明。
在一种可能的设计中,采样数据是对终端设备拍摄的视频数据进行视频抽帧得到的数据,或采样数据是终端设备抓拍的图片数据。
在一种可能的设计中,处理模块具体用于:确定边缘域节点本地是否已经加载第一目标算法包;
若确定边缘域节点本地未加载第一目标算法包,则加载第一目标算法包,以通过第一目标算法包对从终端设备接收到的数据中进行分析。
在一种可能的设计中,通信模块,还用于接收云中心发送的第二目标算法包和算法分析任务,第二目标算法包是云中心基于其他边缘域节点发送的采样数据确定的,算法分析任务包括待分析的终端设备信息;处理模块,还用于从其他边缘域节点获取待分析的终端设备信息对应终端设备采集的数据;处理模块,还用于加载第二目标算法包,以通过第二目标算法包对从其他边缘节点接收到的数据进行分析。
第五方面,提供了一种云中心,该云中心包括:存储器和处理器。上述存储器和处理器耦合。该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令。该收发器用于接收数据和发送数据。当处理器执行该计算机指令时,以使该云中心执行如第一方面或其相应的可能的设计提供的任意一种基于场景的算法配置的方法。
第六方面,提供了一种边缘域节点,该边缘域节点包括:存储器和处理器。上述存储器和处理器耦合。该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令。该收发器用于接收数据和发送数据。当处理器执行该计算机指令时,以使该边缘域节点执行如第二方面或其相应的可能的设计提供的任意一种基于场景的算法配置方法。
第七方面,本申请提供一种芯片***,该芯片***应用于云中心。该芯片***包括一个或多个接口电路,以及一个或多个处理器。该接口电路和该处理器通过线路互联;该接口电路用于从云中心的存储器接收信号,并向处理器发送该信号,该信号包括该存储器中存储的计算机指令。当该处理器执行该计算机指令时,云中心执行如第一方面或其相应的可能的设计提供的基于场景的算法配置方法。
第八方面,本申请提供一种芯片***,该芯片***应用于边缘域节点。该芯片***包括一个或多个接口电路,以及一个或多个处理器。该接口电路和该处理器通过线路互联;该接口电路用于从边缘域节点的存储器接收信号,并向处理器发送该信号,该信号包括该存储器中存储的计算机指令。当该处理器执行该计算机指令时,边缘域节点执行如第二方面或其相应的可能的设计提供的基于场景的算法配置方法。
第九方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质包括计算机指令,当所述计算机指令在计算机上运行时,使得所述计算机执行如第一方面或其相应的可能的设计提供的方法。
第十方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质包括计算机指令,当所述计算机指令在计算机上运行时,使得所述计算机执行如第二方面或其相应的可能的设计提供的方法
第十一方面,本申请提供一种计算机程序产品,该计算机程序产品包括计算机指令,当所述计算机指令在计算机上运行时,使得所述计算机执行如第一方面或其相应的可能的设计提供的方法。
第十二方面,本申请提供一种计算机程序产品,该计算机程序产品包括计算机指令,当所述计算机指令在计算机上运行时,使得所述计算机执行如第二方面或其相应的可能的设计提供的方法。
可以理解的是,上述提供的任一种云中心、边缘域节点、芯片***、计算机可读存储介质或计算机程序产品等均可以应用于上文所提供的对应的方法,因此,其所能达到的有益效果可参考对应的方法中的有益效果,此处不再赘述。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的一种网络架构示意图;
图2为本申请实施例提供的一种基于场景的算法配置方法流程示意图;
图3为本申请实施例提供的一种一种选取边缘域节点的方法流程示意图;
图4为本申请实施例提供的一种云中心的软件框架示意图和边缘域中的每个节点的软件框架示意图;
图5为本申请实施例提供的一种云中心对终端设备的管理方法流程示意图;
图6为本申请实施例提供的一种边缘域的节点对终端设备的管理方法流程示意图;
图7为本申请实施例提供的一种云中心中的服务器的一种可能的组成示意图;
图8为本申请实施例提供的一种云中心中的服务器和边缘域中的服务器的一种可能的组成示意图;
图9为本申请实施例提供的一种边缘域节点的一种可能的组成示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。其中,在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,在本申请实施例的描述中,“多个”是指两个或多于两个。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本申请实施例可以应用于物联网中的云中心对边缘域节点进行管理的场景,例如可以应用于管理边缘域节点对视频数据或图片数据进行分析的场景。
在云中心管理边缘域节点对视频数据或图片数据进行分析的场景下,针对目前边缘域节点在执行视频分析时,采用静态的最优算法确定方法确定的最优算法,不能满足用户实时对场景分析的需求,本申请提出一种基于场景的算法配置方法,可使得边缘域节点支持算法集成扩展。即边缘域节点可以向云中心发送采样数据,云中心可以确定与采样数据的数据类型对应的多种算法包,采样数据的数据类型用于反映终端设备获取采样数据时的场景。云中心对采样数据执行多种算法包中的每种算法包,通过比较执行多种算法包得到的算法结果,得到目标算法包。目标算法包可以理解为比较得到的多种算法包中的最优算法包。这样,由于采样数据的类型可以反映出终端设备获取采样数据时的场景,这样,当终端设备获取的采样数据时的场景变化时,云中心确定的该采样数据的数据类型也会随场景变化,云中心确定出来的多种算法包也会随数据类型变化,云中心从多种算法包中最终确定的多种算法包中的目标算法包也会变化。
因此,本申请中,云中心决策出来的目标算法包可以随终端设备获取数据时的场景的不同而不同。可以使得云中心决策得到的目标算法包满足用户实时对场景分析的需求,提升用户体验。而且,本申请中,云中心在决策目标算法包时,不需要依赖采样数据以外的视频设备的数量和类型以及视频设备的设备应用附加信息等参与决策,实现复杂度较低。
需要说明的是,本申请中涉及到的算法,例如多种算法包、每种算法包和目标算法包等,不仅可以应用于对媒体数据的计算,也可以应用于对非媒体数据的计算。也就是说,本申请涉及到的数据可以是媒体数据,也可以是非媒体数据。当为媒体数据时,本申请的采样数据可以理解为媒体采样数据;当为非媒体数据时,本申请的采样数据可以理解为非媒体采样数据。
示例性的,媒体数据或媒体采样数据例如可以为通过摄像头获取的视频数据或图片数据等。
非媒体采样数据例如可以为面向智能结构化数据,或为非摄像头以外的传感类数据。例如包括烟雾传感器的数据、门磁开关传感类数据、水位传感器数据、温湿度传感器数据、天然气传感器数据、噪音传感器数据、风速传感器数据、环境光传感器数据、太阳光传感器数据、红外光传感器数据以及紫外光传感器数据等。
应用本申请提出的基于场景的算法配置方法,该方法可以应用于如图1所示的网络架构,该网络架构可以应用于物联网。该网络架构可以包括云中心、边缘域中的多个边缘域节点(例如图1中的边缘域节点1、边缘域节点2、…、边缘域节点n。)以及每个边缘域节点管理的多个终端设备(终端设备1、终端设备2、…、终端设备m)。m和n为大于1的整数。
在本申请中,云中心,可以简称“云”,可以是面向互联网场景的公有云中心,也可以是面向内网/专网的私有云中心;云中心侧重业务数据融合及大数据多维分析应用。需要说明的是,云中心的功能,可以由一个设备实现,也可以由多个设备共同实现,本申请实施例对此不进行限定。应理解,本申请实施例中,云中心所执行的步骤,具体是由云中心中的一个或多个设备执行。
边缘域,可以简称“边”,可以体现的是相对云中心逻辑上的位置,云中心以下可以称为边缘域,边缘域与云中心中间可以是通信网络。边缘域侧重感知数据的汇聚、存储、处理和智能应用等。本申请中,边缘域可以包括多个边缘域节点,每个边缘域节点可以用于对该边缘域节点管理的多个终端设备发送的数据执行算法分析。
终端设备,侧重多维感知数据的采集和前端智能处理。例如终端设备可以是摄像机、传感设备和智能设备等设备,例如增强型摄像机、智能型摄像机、物联传感设备(例如全球定位***(Global Positioning System,GPS)、无线保真(Wireless-Fidelity,Wifi)探针、门禁报警产品、智能安全帽、环境监测和卡口移动终端等)、工业智能设备、机器人和无人机等。以摄像机来说,摄像机可以对视角范围内的环境、人、车和物等进行视频监控,将监控采集到的视频数据传输给管理摄像机的边缘域节点进行算法分析。
也即,应用在网络架构,数据可以从终端设备到边缘域,可以实现“聚边到域”;数据从边缘域到云中心,可以实现“数据入云”。边缘域和云中心可多级多类,根据不同应用,边缘域汇聚的数据和传到云中心的数据在格式和内容上可能会不同。
应用该网络架构,本申请提供的基于场景的算法配置方法可以参考图2,该方法包括:
201、终端设备获取采样数据,将采样数据发送给第一边缘域节点。即第一边缘域节点接收终端设备发送的采样数据。
在一些实施例中,采样数据可以是终端设备对实时获取的数据进行采样得到的,终端设备再将采样数据发送给第一边缘域节点。
在一些实施例中,采样数据也可以是终端设备将实时获取的数据发送给第一边缘域节点,由第一边缘域节点对实时接收到的数据进行采样得到的。
示例性的,终端设备为摄像机时,该采样数据可以理解为媒体采样数据,例如采样数据是对终端设备拍摄的视频数据进行视频抽帧得到的数据,或采样数据是摄像机实时拍摄时进行抓拍的图片数据。
其中,该采样数据为视频数据时,采样数据可以是摄像机将实时拍摄得到的视频数据进行视频抽帧得到的,摄像机再将采样数据发送给第一边缘域节点;或者,采样数据可以是摄像机将实时拍摄得到的视频数据发送给第一边缘域节点,由第一边缘域节点对接收到的视频数据进行视频抽帧得到的。
可以理解,采样数据可以是终端设备或第一边缘域节点定时得到的,或者说,周期性得到的。
可以理解,当终端设备为摄像机时,该视频数据或图片数据可以是摄像机拍摄的视角范围内的场景对应的数据。例如该场景中的对象包括行人、车辆、动物、建筑物、指示牌和花草树木等。
202、第一边缘域节点向云中心发送采样数据。即云中心接收第一边缘域节点发送的采样数据。
当第一边缘域节点定时或周期性地接收到采样数据时,可以将接收到的采样数据发送给云中心进行分析。
203、云中心确定与采样数据的数据类型对应的多种算法包,采样数据的数据类型用于反映终端设备获取采样数据时的场景。
当云中心接收到采样数据时,可以先确定该采样数据的数据类型。
在一些实施例中,例如终端设备为摄像机,其位置在学校门口,其视角范围内可以拍摄到学校门口马路上周围的场景。以采样数据为图片数据为例,云中心可以先通过人脸检测算法确定图片数据中人的数量。当在放学时间段中,学校门口学生以及家长的数量较多,例如达到一定阈值时,云中心可以认为图片数据对应的场景中,出现人员聚集,因此,云中心可以确定该图片数据的类型为人员聚集类型。也就是说,该人员聚集类型可以反映出摄像机在获取该图片数据时,其场景中出现人员聚集。
当云中心确定图片数据的数据类型为人员聚集类型时,该人员聚集类型对应的多种算法包例如可以为多种人员剧烈运动检测算法,每种人员剧烈运动检测算法可以用于检测是否可能存在人追逐情况,或人打闹的情况等。
或者,该人员聚集类型对应的多种算法包例如可以为多种步态检测算法。步态检测算法为一种非接触的生物特征识别技术。例如可以结合人体模型、运动模型和运动约束等先验知识,利用Condensation算法进行行人分析。然后,从分析结果中获取人体主要关节的角度变化轨迹。这些轨迹经过结构和时间归一化后,作为动态特征而用于身份识别。例如从人群中可以识别到通缉人员等。
应理解,云中心中之所以有多种人员剧烈运动检测算法,或多种步态检测算法,是由于不同的算法开发人员设计的算法不同。
此外,人员聚集类型对应的多种算法包例如还可以为多种人脸图片识别比对算法,可以从人群中识别出特殊人员等;或者人员聚集类型对应的多种算法包例如还可以为多种人脸检测算法,以检测出人群中人在场景中的位置等。
在一些实施例中,继续以上述摄像机拍摄学校门口马路上周围的场景为例,当在非上下学时间段,云中心检测到学校门口的人员较少,而过往车辆较多时,云中心可以认为图片数据对应的场景中,车辆较多。因此,云中心可以确定该图片数据的类型为车辆聚集类型。也就是说,该车辆聚集类型可以反映出摄像机在获取该图片数据时,其场景中出现车辆聚集。
当云中心确定图片数据的数据类型为车辆聚集类型时,该车辆聚集类型对应的多种算法包例如可以为多种实线变道检测算法,每种实线变道检测算法可以用于检测是否存在车辆跨过实线变道的情况,以便获取不遵守交通规则的驾驶情况。
类似的,云中心之所以有多种实线变道检测算法,是由于不同的算法开发人员设计的算法不同。
需要说明的是,由云中心对采样数据进行分析时,可以是在假定云中心下的各节点的服务配置相近和算力相近的情况下发生的。其中,服务配置相近,例如可以理解为边缘域的各节点均为服务器,各服务器的中央处理单元(Central Processing Unit,CPU)和图形处理器(Graphics Processing Unit,GPU)等硬件参数都相同;算力相近,例如可以理解为CPU的算力和GPU的算力相近等。
204、云中心对采样数据执行多种算法包中的每种算法包,得到与每种算法包对应的算法结果。
在一些实施例中,云中心可以通过采样数据的数据类型对应的算法评价体系对云中心确定的多种算法包(算法集合)中的每种算法包进行评估,以确定多种算法包中评估值最高的算法包。
在一些实施例中,具体地,云中心可以先确定与采样数据的数据类型对应的算法评价体系中的多个评价指标,参考这多个评价指标,通过多种算法包中的每种算法包对采样数据进行计算,获取与每种算法包对应的多个评价指标的值。云中心再根据与每种算法包对应的多个评价指标的值,确定每种算法包对应的算法评价值,将每种算法包对应的算法评价值作为每种算法包对应的算法结果。
示例性的,假设采样数据的数据类型为人员聚集类型,因此,云中心在通过步骤203确定该类型对应的多个算法包为多种人脸检测算法包后,云中心可以先确定该类型对应的算法评价体系中的多个评价指标。可以理解,算法评价体系为人脸检测的算法评价体系时,人脸检测的目标是找出图片中所有的人脸对应的位置,其算法的输出是人脸外接矩形在图片中的坐标,可能还包括姿态如倾斜角度等信息。此时,评价一种人脸检测的算法包好坏的多个评价指标可以包括检测率、误报率、帧率(Frames Per Second,FPS)、交并比(Intersection-over-Union,IoU)等多个指标。
其中,检测率可以理解为:检测出的人脸数/图片中所有人脸数,检测出的人脸数可以理解为正确检测出人脸的数量,图片中所有人脸数可以理解为应总共检测出的人脸数量。
误报率理解为:误报数量/图片中所有非人脸扫描窗口数。
FPS可以理解为人脸检测算法一秒钟能处理图片数量,即FPS用于评估人脸检测算法的速度。
IoU可以理解为人脸的定位框(bounding box)中,候选框(candidate bound)与原标记框(ground truth bound)的交叠率,即它们的交集与并集的比值。最理想情况是完全重叠,即比值为1。
因此,参考这四个评价指标,可以通过多种人脸检测算法包(人脸检测算法集合)中的每种人脸检测算法包执行对采样数据的计算,获取与每种人脸检测算法包对应的四个评价指标的值。云中心再根据与每种人脸检测算法包对应的四个评价指标的值,确定每种人脸检测算法包对应的算法评价值,将每种人脸检测算法包对应的算法评价值作为每种算法包对应的算法结果。
其中,根据与每种人脸检测算法包对应的四个评价指标的值,确定每种人脸检测算法包对应的算法评价值可以理解为,参考这四个评价指标分别对应的打分标准,对每种人脸检测算法的四个评价指标中的每个评价指标进行打分,得到每种人脸检测算法的综合打分值,将综合打分值作为人脸检测算法包对应的算法评价值。
再举例来说,当多种算法包为多种人脸图片识别比对算法时,对于多种人脸图片识别比对算法包,其对应的评价指标可以包括错误拒绝率(False Rejection Rate,FRR)和错误接受率(False Acceptance Rate,FAR)。其中,FRR可以理解为错误拒绝案例在所有同类匹配案例中占的比例。例如若两个样本为同类(同一个人),却被***误认为异类(非同一个人),则为错误拒绝案例。FAR可以理解为错误接受案例在所有异类匹配案例的比例。例如若两个样本为异类(非同一个人),却被***误认为同类(同一个人),则为错误接受案例。与人脸检测算法包类似,使用多种人脸识别算法包对图片数据进行分析,得到与每种人脸识别算法包对应的分析结果的实现方式可以参考上述人脸检测算法包的实现方式。
205、云中心根据每种算法包对应的算法结果,从多种算法包中确定目标算法包。
可以理解,目标算法包用于边缘域节点对终端设备采集的数据进行分析。例如目标算法包为人员剧烈运行检测算法时,可以用于对摄像机拍摄到的视频中的人进行分析,以确定人是否存在剧烈运动。
在一些实施例中,云中心根据每种算法包对应的算法结果,从多种算法包中确定目标算法包可以包括:
云中心根据每种算法包对应的算法评价值,确定多种算法包中算法评价值最高的算法包为目标算法包。
例如,根据对人脸检测算法包的打分标准,得到每种人脸检测算法的综合打分值时,可以将综合打分值最高的人脸检测算法作为目标人脸检测算法。可以理解,综合打分值最高的人脸检测算法相对于人脸检测算法包的集合中的其他算法,其更适合对当前场景下拍摄的图片数据进行分析,即目标人脸检测算法对当前场景的人脸检测更为准确,更有利于边缘域节点执行摄像机当前拍摄场景下的人脸检测算法分析任务。
206、云中心向第一边缘域节点发送目标算法包和算法分析任务。即第一边缘域节点接收云中心发送的目标算法包和算法分析任务。
其中,目标算法包可以理解为第一边缘域节点执行算法分析任务使用的算法框架。算法分析任务可以理解为指示第一边缘域节点执行目标算法包的命令,即指示第一边缘域节点通过目标算法包,对从终端设备接收到的数据进行分析。
示例性的,云中心可以向第一边缘域节点发送算法集成指令,该算法集成指令包括目标算法包(例如目标人脸检测算法包)或算法分析任务,该目标算法包或算法分析任务可以包括目标算法包的标识,该标识例如可以包括目标算法包的版本号或序列号等字段。或者,该目标算法包的标识在目标算法包和算法分析任务以外的字段中指示。
207、第一边缘域节点加载目标算法包,以通过目标算法包对从终端设备接收到的数据进行分析。
在一些实施例中,有可能云中心通过算法比较确定出来的目标算法包已经是第一边缘域节点当前正在运行的算法包,那么此时,第一边缘域节点不需要再次加载目标算法包。
示例性的,当第一边缘域节点接收到算法集成指令时,第一边缘域节点确定第一边缘域节点本地是否已经加载目标算法包;若确定第一边缘域节点本地未加载目标算法包,则第一边缘域节点加载目标算法包,以通过目标算法包对从终端设备接收到的数据进行分析。例如,第一边缘域节点可以根据目标算法包的版本号或序列号等字段确定目标算法包在第一边缘域节点本地是否已经在加载运行,如果确定已经加载运行,那么第一边缘域节点不做处理。如果确定未加载运行,那么第一边缘域节点可以加载接收到的目标算法包,以利用该目标算法包对从终端设备接收到的数据进行分析。
可以理解,本申请中,从终端设备接收到的数据是第一边缘域节点从终端设备接收到的终端设备实时获取的场景数据。采样数据是终端设备或第一边缘域节点对实时的场景数据进行周期性采样得到的,例如上述经过视频抽帧的数据或抓拍的图片数据。
示例性的,该算法分析任务,例如可以理解为,第一边缘域节点对摄像头拍摄得到的视频数据利用该人脸图片识别比对算法包进行算法分析,以确定摄像头视角范围内的人脸等。这种人脸图片识别比对算法包例如可以应用在安防监控、人证比对、人机交互、社交和娱乐等方面。
由此,本申请提供的基于场景的算法配置方法,可以通过边缘域节点上报从终端设备获取到的采样数据,由云中心对采样数据执行多种算法包的算法比较,并决策出最优算法包,即目标算法包。由于采样数据的类型可以反映出终端设备获取采样数据时的场景,这样,当终端设备获取的采样数据时的场景变化时,云中心确定的该采样数据的数据类型也会随场景变化,云中心确定出来的多种算法包也会随数据类型变化,云中心从多种算法包中最终确定的多种算法包中的目标算法包也会变化。因此,本申请中,云中心决策出来的目标算法包可以随终端设备获取采样数据时的场景的不同而不同,满足用户实时对不同场景分析的需求,提升用户体验。而且,本申请中,云中心在决策最优算法包时,不需要依赖现有技术中采样数据以外的视频设备的数量和类型以及视频设备的设备应用附加信息等参与决策,实现复杂度较低。
此外,可以理解,云中心管理的边缘域中的多个边缘域节点中,每个边缘域节点执行的算法分析任务可能存在差异,那么每个边缘域节点的剩余算力也可能不尽相同。因此,考虑到多个边缘域节点的剩余算力不同,在执行步骤206之前,云中心可以先估算下多个边缘域节点中每个边缘域节点的剩余算力,以确定剩余算力最多的边缘域节点,将目标算法包下发给剩余算力最多的边缘域节点。可以理解,这里剩余算力最多的边缘域节点可能是第一边缘域节点,也可能是第一边缘域节点以外的其他边缘域节点。
因此,如图3所示,为一种选取边缘域节点的方法,在步骤205之后,还可以不执行步骤206,而是继续执行步骤208。
208、云中心确定云中心管理的多个边缘域节点分别对应的剩余算力,多个边缘域节点包括第一边缘域节点。
在一些实施例中,云中心可以根据多个边缘域节点中每个节点对应的硬件资源性能、数据接入量以及接入的终端设备数量,确定每个边缘域节点中对应的剩余算力。
示例性的,对于任一边缘域节点,其硬件资源性能Vserver可以理解为边缘域节点的CPU和GPU的剩余算力。可以理解,如果该边缘域节点中的CPU和/或GPU不支持目标算法运行,可以直接确定该边缘域节点的剩余算力Vcomputer为0;
数据接入量Vdata,可以用于反映边缘域节点实时的算法执行总数,或者说用于反映算法实时的执行情况。即边缘域节点的数据接入量Vdata越大,该边缘域节点的算力消耗也越大。
边缘域节点接入的终端设备数量Vdevice,可以理解,通常情况下,边缘域节点实时有效的终端设备接入数量越多,边缘域节点算力剩余资源越少。
结合以上三个指标计算边缘域节点的剩余算力Vcomputer可以表示为:
Vcomputer=f(Vserver.βserver+Vdata.βdata+Vdevice.βdevice)
其中,f()表示计算剩余算力Vcomputer的公式,βserver表示硬件资源性能Vserver的权重系数,βdata表示数据接入量Vdata的权重系数,βdevice表示边缘域节点接入的终端设备数量Vdevice的权重系数。
可以理解,剩余算力Vcomputer的值越大,表示边缘域节点的剩余算力越小。
209、云中心根据多个边缘域节点分别对应的剩余算力确定第二边缘域节点,第二边缘域节点为多个边缘域节点中剩余算力最多的边缘域节点。
示例性的,云中心可以将多个边缘域节点对应的剩余算力按照大小顺序排列,取Vcomputer值最小的边缘域节点为第二边缘域节点,即认为第二边缘域节点的剩余算力最多。此时,这里的第二边缘域节点可能是上述第一边缘域节点,也可能是第一边缘域节点以外的其他边缘域节点。
如果云中心确定第二边缘域节点就是第一边缘域节点,在步骤209之后,可以继续执行步骤206即可。如果云中心确定第二边缘域节点不是第一边缘域节点,即不是向云中心发送采样数据的边缘域节点时,可以继续执行步骤210。
210、云中心向第二边缘域节点发送目标算法包和算法分析任务。即第二边缘域节点接收云中心发送的目标算法包和算法分析任务。
步骤210中,算法分析任务可以包括第一边缘域节点的地址信息。
与步骤206类似的,第二边缘域节点在接收到目标算法包和算法分析任务时,也可以先判断下第二边缘域节点本地是否已经加载运行有目标算法包的算法框架,判断方式可以参考步骤206。
211、第二边缘域节点加载目标算法包,以通过目标算法包对从终端设备接收到的数据进行分析。
步骤211的具体实现可以参见步骤207中第一边缘域节点的实现方式。
可以理解,假设上述第一边缘域节点(或第二边缘域节点)目前保存有第一目标算法包和对应的算法分析任务时,有可能还接收到云中心发送的第二目标算法包和对应的算法分析任务,第二目标算法包是云中心基于其他边缘域节点发送的采样数据确定的,算法分析任务包括待分析的终端设备信息;这时,第一边缘域节点(或第二边缘域节点)可以从其他边缘域节点获取待分析的终端设备信息对应终端设备采集的数据;第一边缘域节点(或第二边缘域节点)加载第二目标算法包,以通过第二目标算法包对从其他边缘节点接收到的数据进行分析。
由此,云中心在向边缘域节点发送目标算法包时,可以先比对下各边缘域节点的剩余算力,选择剩余算力最多的边缘域节点执行目标算法包的算法分析任务,可以达到合理的使用边缘域节点算力,这样,在根据剩余算力确定接收目标算法包的边缘域节点时,一个边缘域节点可能混合有多种场景下的算法包,可以在一定程度上实现基于混合场景的边缘域节点集群算力共享。
此外,在物联网中,新的终端设备接入边缘域节点时,可以在边缘域节点中创建与新的终端设备对应的适配器;或者与边缘域节点通信的终端设备发生变化时,可以在边缘域节点中更新该终端设备对应的适配器。这里的适配器可以理解为终端设备接入边缘域节点的设备接入驱动。但是这种情况下,只体现了对终端设备的接入适配,没有体现对终端设备接入的管理。
因此,本申请中,可以通过在云中心添加用于管理终端设备接入边缘域节点时的软件模块,同时在边缘域中各个边缘域节点中添加用于管理终端设备接入边缘域节点时的软件模块。用户可以在云中心中添加终端设备,并执行终端设备绑定边缘域节点的操作。或者,用户也可以在边缘域节点中添加终端设备,并执行终端设备绑定边缘域节点的操作,以实现云中心或边缘域节点对终端设备接入时的管理。
如图4所示,本申请中,云中心的软件框架可以包括边缘管理模块、设备模型仓库、设备接入驱动仓库、算法仓库和边缘应用仓库。
边缘域中的每个边缘域节点的软件框架可以包括物联边缘服务模块,该物联边缘服务模块可以包括边缘代理和支持扩展的物联边缘服务框架,该物联边缘服务框架可以包括设备管理框架、应用集成框架、设备接入框架和算法集成框架。
其中,上述模块和仓库都可以理解为一种软件模块。
边缘管理模块,可以用于管理边缘域中的各个边缘域节点,例如边缘域节点中的边缘代理可以向边缘管理模块进行注册,注册成功时,边缘管理模块可以向已注册的节点下发设备模型仓库中的模型或设备接入驱动仓库中的驱动等。
设备模型仓库,可以用于存储终端设备的基本信息、能够向终端设备提供的操作接口以及告警功能等。可以理解为用于对终端设备进行数字化建模。
设备接入驱动仓库,可以用于支撑终端设备接入到边缘域节点上。
算法仓库,可以用于存储多种算法包,多种算法包可以应用到边缘域节点上。
边缘应用仓库,可以理解为用于在边缘域节点中部署的应用仓库。例如,应用可以为监控***和门禁***等。应用可以在边缘域节点上作为一种数据展示的窗口,可以将终端设备接入信息以及算法集成框架等内容展示在应用窗口上。
边缘域中的边缘代理,可以用于支持云边通信,例如边缘代理可以向云中心中的边缘管理模块进行注册,注册成功后,边缘管理模块可以与边缘代理进行通信。
设备管理框架,与云中心中的设备模型仓库对应,可以用于加载设备模型仓库中的设备模型,以生成用于设备管理的设备控制、设备配置以及设备增删表单和接口等。
应用集成框架,与云中心中的边缘应用仓库对应,可以用于集成边缘应用仓库中的应用并加载运行。
设备接入框架,与云中心中的设备接入驱动仓库对应,可以用于加载设备接入驱动并运行。
算法集成框架,与云中心中的算法仓库对应,可以用于集成算法框架,并加载算法运行,即执行算法分析任务。例如算法分析任务可以理解为上述人脸检测。
需要说明的是,利用本申请提供的云中心和边缘域节点的软件框架,上述步骤202可以是由第一边缘域节点中的边缘代理向云中心的边缘管理模块发送的采样数据;步骤203可以是由云中心中的边缘管理模块根据算法仓库中采样数据的类型对应的多种算法包实现;步骤204可以是云中心中的边缘管理模块触发多种算法包执行的算法分析过程;步骤205可以是云中心中的边缘管理模块根据每种算法包对应的分析结果,确定目标算法包;步骤206可以是云中心中的边缘管理模块向第一边缘域节点发送的目标算法包和算法分析任务;步骤207可以是第一边缘域节点中的物联边缘服务模块触发算法集成框架集成目标算法包,并通过目标算法包对采样数据对应的数据类型执行算法分析任务。
上述步骤208~210都可以是云中心中的边缘管理模块执行的,步骤211可以是由边缘域节点中的算法集成框架执行的。
应用上述云中心和边缘域节点的软件框架,可以适用于以下两种终端设备接入边缘域的场景。
场景1:假设边缘域的边缘域节点A、B和C中的边缘代理向云中心的边缘管理模块进行了注册,那么边缘管理模块确定存在边缘域节点A、B和C。假设用户确定终端设备D离边缘域节点A的距离较近,或者用户确定边缘域节点A的算力较强,因此,当用户在云中心的边缘管理模块中添加终端设备D,并在云中心的边缘管理模块中添加终端设备D绑定边缘域节点A操作时,如图5所示,云中心对终端设备D管理的过程可以包括:
501、云中心向边缘域节点A发送终端设备D的基本信息。即边缘域节点A接收云中心发送的终端设备D的基本信息。
云中心中的边缘管理模块可以向边缘域节点A中的边缘代理发送终端设备D的基本信息。
示例性的,这里的基本信息可以包括终端设备D的网际协议(Internet Protocol,IP)端口、用户名、用户密码、设备名称和用于通信的协议类型等。
上述用户在云中心的边缘管理模块中添加终端设备D,可以理解为在边缘管理模块中添加终端设备D的基本信息。
502、边缘域节点A确定边缘域节点A是否存在接入和管理终端设备D的设备类型的能力,若确定存在该能力,则执行步骤508,若确定不存在该能力,则执行步骤503。
边缘域节点A的边缘代理接收到终端设备D的基本信息后,可以将该基本信息同步至边缘域节点A的物联边缘服务模块,物联边缘服务模块可以根据该基本信息识别边缘域节点A是否存在接入和管理终端设备D的设备类型的能力。例如当物联边缘服务模块确定设备接入框架包括终端设备D的设备接入驱动,以及设备管理框架包括终端设备D的设备模型时,确定边缘域节点A支持接入和管理终端设备D。
示例性的,终端设备D为摄像机,边缘域节点A可以确定是否存在接入和管理摄像机类型设备的能力。
503、边缘域节点A向云中心请求下载终端设备D的设备模型和设备接入驱动。即云中心接收边缘域节点A发送的请求下载终端设备D的设备模型和设备接入驱动的请求。
当边缘域节点A中的物联边缘服务模块确定支持接入和管理终端设备D时,物联边缘服务模块可以指示边缘代理向云中心的边缘管理模块发送请求消息,请求消息用于请求下载终端设备D的设备模型和设备接入驱动。
其中,该请求消息可以包括终端设备D的基本信息。
504、云中心确定本地是否存在终端设备D的设备模型,若确定是,则执行步骤505,若确定否,则向边缘域节点A返回无匹配模型的响应。
当云中心中的边缘管理模块接收到请求消息时,可以根据基本信息确定云中心的设备模型仓库是否存在与该基本信息对应的设备模型。
当设备模型仓库中不存在与该基本信息对应的设备模型时,云中心的边缘服务模块存在问题支持的功能,可用于问题反馈。例如,边缘服务模块可以向可进行问题反馈的其他服务器提交终端设备D的基本信息以及终端设备D的设备模型定义申请,以便获取该终端设备D的设备模型,用于后续有节点请求获取该设备模型时使用。
505、云中心确定本地是否存在终端设备D的设备接入驱动,若确定是,则执行步骤506,若确定否,则向边缘域节点A返回无匹配驱动的响应。
云中心的边缘管理模块可以根据终端设备D的基本信息确定云中心中的设备接入驱动仓库是否存在与该基本信息对应的设备接入驱动。
当设备接入驱动仓库中不存在与该基本信息对应的设备接入驱动时,云中心的边缘服务模块也可以通过问题反馈获取终端设备D的设备接入驱动,用于后续有节点请求获取该设备接入驱动。
506、云中心向边缘域节点A发送终端设备D的设备模型的下载链接和设备接入驱动的下载链接。即节点A接收云中心发送的终端设备D的设备模型的下载链接和设备接入驱动的下载链接。
在一些实施例中,云中心的边缘管理模块也可以直接从设备模型仓库中获取终端设备D的设备模型发送给边缘域节点A的边缘代理,以及直接从设备接入驱动仓库中获取终端设备D的设备接入驱动发送给边缘域节点A的边缘代理。
步骤506中,云中心向终端设备D发送设备模型和设备接入驱动的下载链接,是考虑到云中心的存储空间可能有限,或者当云中心直接从设备模型仓库获取设备模型,以及从设备接入驱动仓库获取设备接入驱动返回给边缘域节点A时,容易产生交互阻塞,或数据丢失的情况,因此,云中心的设备模型仓库中可能只存储有终端设备D的设备模型的链接,设备接入驱动仓库中可能只存储有终端设备D的设备接入驱动的链接。
507、边缘域节点A根据设备模型的下载链接和设备接入驱动的下载链接下载设备模型和设备接入驱动,并加载设备模型和设备接入驱动。
边缘域节点A的边缘代理可以根据终端设备D的设备模型的下载链接下载得到终端设备D的设备模型时,边缘域节点A中的边缘代理可以执行设备模型在边缘域节点A中的加载;以及,边缘域节点A的边缘代理可以根据终端设备D的设备接入驱动的下载链接下载得到终端设备D的设备接入驱动时,边缘域节点A中的边缘代理可以执行设备接入驱动在边缘域节点A中的加载。
示例性的,边缘代理可以指示设备模型框架加载设备模型生成终端设备D的设备管理表单,该设备管理表单可以包括终端设备D的增删改查项、终端设备D的配置项、事件监控项、操作事件项以及操作属性项等。边缘代理还可以指示设备接入驱动框架完成终端设备D的设备接入驱动在边缘域节点A侧的安装部署。
此外,用户还可以在终端设备D的设备管理表单中完善设备信息,例如用于可以再该设备管理表单中添加终端设备D的基本信息、连接信息(例如终端设备D的IP地址、端口、用户名、密码和支持的协议类型等)、标签信息以及位置信息等。
508、边缘域节点A获取边缘域节点A与终端设备D的设备连接信息,并执行终端设备D接入节点A的过程。
边缘域节点A中的设备接入驱动可以从设备管理表单中获取终端设备D的设备连接信息,以根据该设备连接信息与终端设备D进行通信,使终端设备D接入边缘域节点A。
场景2:假设用户确定终端设备D离节点B的距离较近,或者用户确定节点B的算力较强,此时,用户也可以在节点B的物联边缘服务模块中添加终端设备D,这意味着终端设备D绑定节点B,如图6所示,节点B对终端设备D管理的过程可以包括:
601、用户在边缘域节点B中添加终端设备D的基本信息。
例如用户可以在边缘域节点B的边缘代理中添加终端设备D的基本信息。基本信息包括的内容可以参见步骤501。
602、边缘域节点B确定边缘域节点B是否存在接入和管理终端设备D的设备类型的能力,若确定存在该能力,则执行步骤608,若确定不存在该能力,则执行步骤603。
边缘域节点B执行步骤602的方式可以参见步骤502。
603、边缘域节点B向云中心请求下载终端设备D的设备模型和设备接入驱动。即云中心接收边缘域节点B请求下载终端设备D的设备模型和设备接入驱动的请求。
边缘域节点B执行步骤603的方式可以参见步骤503。
604、云中心确定本地是否存在终端设备D的设备模型,若确定是,则执行步骤605,若确定否,则向边缘域节点B返回无匹配模型的响应。
云中心执行步骤604的方式可以参见步骤504。
605、云中心确定本地是否存在终端设备D的设备接入驱动,若确定是,则执行步骤606,若确定否,则向边缘域节点B返回无匹配驱动的响应。
云中心执行步骤605的方式可以参见步骤505。
606、云中心向边缘域节点B发送终端设备D的设备模型的下载链接和设备接入驱动的下载链接。即边缘域节点B接收云中心发送终端设备D的设备模型的下载链接和设备接入驱动的下载链接。
云中心执行步骤606的方式可以参见步骤506。
607、边缘域节点B根据设备模型的下载链接和设备接入驱动的下载链接下载设备模型和设备接入驱动,并加载设备模型和设备接入驱动。
边缘域节点B执行步骤607的方式可以参见步骤507。
608、节点B获取边缘域节点B与终端设备D的设备连接信息,并执行终端设备D接入边缘域节点B的过程。
边缘域节点B执行步骤608的方式可以参见步骤508。
由此,在场景1下,在云中心可以添加将要接入边缘域节点的终端设备的基本信息,云中心再通过向边缘域节点反馈设备模型资源和设备接入驱动资源,完成设备模型资源和设备接入驱动资源在边缘域节点中的加载运行后,边缘域节点可以执行终端设备接入节点的过程,可实现云中心对终端设备接入时的管理。在场景2下,在节点中可以添加将要接入边缘域节点的终端设备的基本信息,边缘域节点再向云中心请求获取设备模型资源和设备接入驱动资源,完成设备模型资源和设备接入驱动资源在边缘域节点中的加载运行后,边缘域节点可以执行终端设备接入边缘域节点的过程,可实现边缘域节点对终端设备接入时的管理。
与上述添加终端设备并绑定终端设备的场景类似,用户也可以在云中心的边缘应用仓库中配置边缘域节点中的应用,并绑定应用与边缘域节点。边缘域节点接收到绑定消息后,可以通过节点代理向云中心的边缘应用仓库下载该应用,节点代理执行该应用在边缘域节点侧的安装部署,部署后的边缘应用在边缘域节点中运行。
面向场景1和场景2,如果边缘域节点A或边缘域节点B中的物联边缘服务模块运行过程中,一旦边缘域节点A或边缘域节点B要与终端设备D完全解绑,边缘域节点A或边缘域节点B中的节点代理可以卸载终端设备D对应的设备接入驱动,从而可以减少边缘域的节点A或边缘域节点B的资源占用。
示例性的,节点代理可以扫描本节点(边缘域节点A或边缘域节点B)的设备接入驱动框架,确定终端设备D的设备接入驱动框架是否还与终端设备D通信,如果确定已经断开通信连接,节点代理可以卸载终端设备D的设备接入驱动框架。
这种云边协同的设备接入管理机制,可以使得边缘域中的边缘域节点资源使用更加合理,即资源需要时被使用,不需要时及时释放。
在一些实施例中,当在场景1下,即用户在云中心的边缘管理模块中添加了终端设备D时,如果边缘域中的任意边缘域节点都支持终端设备D的接入,这时,云中心还可以向用户推荐,甚至帮助用户自动决定终端设备D绑定的节点对象。
示例性的,云中心中的边缘管理模块做出选择边缘域节点的推荐或决策可以主要依赖以下3个指标:
1)实时接入边缘域节点的有效终端设备接入数量。
在一些实施例中,每个终端设备接入边缘域节点后,该边缘域节点可以向云中心的边缘管理模块进行通知。同时,边缘域节点也可以向云中心的边缘管理模块通知在线的终端设备数量NonlineDevice,以及非在线的终端设备数量NotherDevice。这样,云中心的边缘管理模块可以根据每个边缘域节点的在线终端设备数量NonlineDevice以及非在线终端设备数量NotherDevice确定当前接入边缘域的节点的有效终端设备接入数量Ndevice。
例如,对于每个边缘域节点,其有效终端终端设备接入数量Ndevice可以表示为:
Ndevice=NonlineDevice.αonline+NotherDevice.αother
其中,1=αonline+αother,αonline表示在线的终端设备数量NonlineDevice的权重系数,αother表示非在线终端设备数量NotherDevice的权重系数。其中,αonline为较大权重值,αother为较小权重值。
可以理解,有效终端设备接入数量Ndevice越少,对应的边缘域节点称为推荐边缘域节点的几率越大。
2)边缘域节点的硬件资源可使用率。
在一些实施例中,边缘域节点中的边缘代理可以向云中心的边缘管理模块通知边缘域节点的硬件资源使用率的相关信息。该硬件资源使用率的相关信息可以包括:边缘域节点当前被占用的带宽、CPU、内存以及硬盘等指标等。边缘管理模块可以根据硬件资源使用率的相关信息计算节点的硬件资源使用率。
例如,对于每个边缘域节点,其硬件资源可使用率Vserver可以表示为:
Vserver=f(Vcpu.αcpu+Vram.αram+Vdisk.αdisk+Vnet.αnet)
其中,1=αcpu+αram+αdisk+αnet,Vcpu表示节点的CPU使用剩余资源,αupu表示
Vcpu的权重系数。Vram表示节点内存使用剩余资源,αram表示Vram的权重系数,Vdisk表示节点的磁盘剩余容量,αdisk表示Vdisk的权重系数。Vnet表示节点的带宽使用剩余资源,αnet表示Vnet的权重系数。
3)边缘域节点与要接入的终端设备的网络距离。
这里的网络距离测算可以是通过边缘域节点与终端设备连接时进行传输控制协议(Transmission Control Protocol,TCP)三次握手的往返时延来反映边缘域节点和终端设备的相对距离。可以理解,相对距离小,说明边缘域节点与终端设备间网络通信质量好,更稳定。
其中,RTTi表示第i次往返时延,n=3。
可以理解,网络距离的值越小,说明边缘域节点和终端设备间的通信质量较好,更稳定。
在一些实施例中,云中心中的边缘管理模块可以通过上述三个指标的值综合计算出云中心所辖边缘域节点的排行,从而根据排行确定出推荐的边缘域节点。
其中,这里进行综合计算的算法可以有多种,例如归一化、加权平均、最小二乘法等常见算法,也可以用较复杂的算法例如卡尔曼滤波、扩展卡尔曼滤波算法等。
这样,云中心利用这三个指标确定出终端设备接入节点时推荐的边缘域节点时,可以更加合理的利用各个边缘域节点的资源,使得终端设备接入边缘域节点后的通信效率得到提升。
可以理解的是,为了实现上述功能,上述云中心或边缘域节点包含了执行各个功能相应的硬件和/或软件模块。结合本文中所公开的实施例描述的各示例的算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以结合实施例对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本实施例可以根据上述方法示例对云中心或边缘域节点进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块可以采用硬件的形式实现。需要说明的是,本实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下,图7示出了上述实施例中涉及的云中心中的服务器的一种可能的组成示意图,如图7所示,该服务器70可以包括:确定单元701、分析单元702、发送单元703和接收单元704。
其中,确定单元701可以用于支持服务器70执行上述步骤203、步骤205、步骤208、步骤209、步骤504、步骤505、步骤604、步骤605等,和/或用于本文所描述的技术的其他过程。
分析单元702可以用于支持服务器70执行上述步骤204等,和/或用于本文所描述的技术的其他过程。
发送单元703可以用于支持服务器70执行上述步骤206、步骤210、步骤501、步骤506、步骤606等,和/或用于本文所描述的技术的其他过程。
接收单元704可以用于支持服务器70执行上述步骤202、步骤503等,和/或用于本文所描述的技术的其他过程。
需要说明的是,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
本实施例提供的服务器70,用于执行上述基于场景的算法配置方法,因此可以达到与上述实现方法相同的效果。
在采用集成的单元的情况下,服务器70可以包括处理模块、存储模块和通信模块。其中,处理模块可以用于对服务器70的动作进行控制管理,例如,可以用于支持服务器70执行上述确定单元701、分析单元702执行的步骤。存储模块可以用于支持服务器70存储程序代码和数据等。通信模块,可以包括上述发送单元703和接收单元704,可用于支持服务器70与其他设备的通信,例如与边缘域节点的通信。
本申请中,服务器70包括的通信模块和处理模块可以分布在一个设备中,也可以分布不同设备中。如果分布在不同设备中,服务器70可以理解为一种服务器集群。
其中,处理模块可以是处理器或控制器。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,数字信号处理(digital signal processing,DSP)和微处理器的组合等等。存储模块可以是存储器。通信模块具体可以为射频电路、蓝牙芯片、Wi-Fi芯片等与其他电子设备交互的设备。
在一个实施例中,当处理模块为处理器,存储模块为存储器,通信模块为收发器时,本实施例所涉及的服务器70可以为具有图8所示结构的服务器80。
在采用对应各个功能划分各个功能模块的情况下,图9示出了上述实施例中涉及的边缘域节点的一种可能的组成示意图,如图9所示,该边缘域节点90可以包括:接收单元901、发送单元902、集成单元903和确定单元904。
其中,接收单元901可以用于支持边缘域节点90执行上述步骤201、步骤206、步骤210、步骤607、步骤501、步骤506等,和/或用于本文所描述的技术的其他过程。
发送单元902可以用于支持边缘域节点90执行上述步骤202、步骤503、步骤603等,和/或用于本文所描述的技术的其他过程。
集成单元903可以用于支持边缘域节点90执行上述步骤207、步骤211、步骤507等,和/或用于本文所描述的技术的其他过程。
确定单元904可以用于支持边缘域节点90执行上述步骤502、步骤508、步骤602、步骤608等,和/或用于本文所描述的技术的其他过程。
需要说明的是,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,在此不再赘述。
本实施例提供的边缘域节点90,用于执行上述基于场景的算法配置方法,因此可以达到与上述实现方法相同的效果。
在采用集成的单元的情况下,边缘域节点90可以包括处理模块、存储模块和通信模块。其中,处理模块可以用于对边缘域节点90的动作进行控制管理,例如,可以用于支持边缘域节点90执行上述集成单元903、确定单元904执行的步骤。存储模块可以用于支持服务器节点90存储程序代码和数据等。通信模块,可以包括上述发送单元902和接收单元901,可用于支持边缘域节点90与其他设备的通信,例如与云中心进行通信。
其中,处理模块可以是处理器或控制器。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,数字信号处理(digital signal processing,DSP)和微处理器的组合等等。存储模块可以是存储器。通信模块具体可以为射频电路、蓝牙芯片、Wi-Fi芯片等与其他电子设备交互的设备。
在一个实施例中,当处理模块为处理器,存储模块为存储器,通信模块为收发器时,本实施例所涉及的边缘域节点90可以为具有图8所示结构的服务器。
本申请的实施例还提供一种计算机存储介质,该计算机存储介质中存储有计算机指令,当该计算机指令在电子设备(云中心和边缘域节点)上运行时,使得电子设备执行上述相关方法步骤实现上述实施例中的基于场景的算法配置方法。
本申请的实施例还提供了一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述相关步骤,以实现上述实施例中电子设备(云中心和边缘域节点)执行的基于场景的算法配置方法。
本申请另一实施例提供了一种***,该***可以包括上述云中心、上述至少一个边缘域节点以及至少一个终端设备,可以用于实现上述基于场景的算法配置方法。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种基于场景的算法配置方法,其特征在于,包括:
云中心接收第一边缘域节点发送的采样数据;
所述云中心确定与所述采样数据的数据类型对应的多种算法包,所述采样数据的数据类型用于反映终端设备获取所述采样数据时的场景;
所述云中心对所述采样数据执行所述多种算法包中的每种算法包,得到与所述每种算法包对应的算法结果;
所述云中心根据所述每种算法包对应的算法结果,从所述多种算法包中确定目标算法包,所述目标算法包用于对所述终端设备采集的数据进行分析。
2.根据权利要求1所述的方法,其特征在于,所述云中心对所述采样数据执行所述多种算法包中的每种算法包,得到与所述每种算法包对应的算法结果包括:
所述云中心确定与所述采样数据的数据类型对应的算法评价体系中的多个评价指标;
所述云中心参考所述多个评价指标,通过所述多种算法包中的每种算法包执行对所述采样数据的分析,获取与所述每种算法包对应的所述多个评价指标的值;
所述云中心根据与所述每种算法包对应的所述多个评价指标的值,确定所述每种算法包对应的算法评价值,将所述每种算法包对应的算法评价值作为所述每种算法包对应的算法结果;
所述云中心根据所述每种算法包对应的算法结果,从所述多种算法包中确定目标算法包包括:
所述云中心根据所述每种算法包对应的算法评价值,确定所述多种算法包中算法评价值最高的算法包为所述目标算法包。
3.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
所述云中心向所述第一边缘域节点发送所述目标算法包和算法分析任务,所述算法分析任务用于指示所述第一边缘域节点通过所述目标算法包,对从所述终端设备接收到的数据进行分析。
4.根据权利要求1或2所述的方法,其特征在于,所述方法还包括:
所述云中心确定所述云中心管理的多个边缘域节点分别对应的剩余算力,所述多个边缘域节点包括所述第一边缘域节点;
所述云中心根据所述多个边缘域节点分别对应的剩余算力确定第二边缘域节点,所述第二边缘域节点为所述多个边缘域节点中剩余算力最多的边缘域节点;
所述云中心向所述第二边缘域节点发送所述目标算法包和算法分析任务,所述算法分析任务用于指示所述第二边缘域节点通过所述目标算法包,对从所述第一边缘域节点接收到的所述终端设备采集的数据进行分析。
5.根据权利要求4所述的方法,其特征在于,所述云中心确定所述云中心管理的多个边缘域节点分别对应的剩余算力包括:
所述云中心根据所述多个边缘域节点中每个边缘域节点对应的硬件资源性能、数据接入量以及接入的终端设备数量,确定所述每个边缘域节点对应的剩余算力。
6.一种基于场景的算法配置方法,其特征在于,包括:
边缘域节点向云中心发送采样数据;
所述边缘域节点接收所述云中心发送的第一目标算法包,所述第一目标算法包是所述云中心对所述采样数据执行多种算法包中的每种算法包,得到的与所述每种算法包对应的算法结果确定的,所述多种算法包是所述云中心根据所述采样数据的数据类型确定的;所述采样数据的类型用于反映终端设备获取所述采样数据时的场景;
所述边缘域节点加载所述第一目标算法包,以通过所述第一目标算法包对从终端设备接收到的数据进行分析。
7.根据权利要求6所述的方法,其特征在于,所述边缘域节点加载所述第一目标算法包,以通过所述第一目标算法包对从终端设备接收到的数据进行分析包括:
所述边缘域节点确定所述边缘域节点本地是否已经加载所述第一目标算法包;
若确定所述边缘域节点本地未加载所述第一目标算法包,则所述边缘域节点加载所述第一目标算法包,以通过所述第一目标算法包对从终端设备接收到的数据进行分析。
8.根据权利要求6所述的方法,其特征在于,所述方法还包括:
所述边缘域节点接收所述云中心发送的第二目标算法包和算法分析任务,所述第二目标算法包是所述云中心基于其他边缘域节点发送的采样数据确定的,所述算法分析任务包括待分析的终端设备信息;
所述边缘域节点从所述其他边缘域节点获取所述待分析的终端设备信息对应终端设备采集的数据;
所述边缘域节点加载所述第二目标算法包,以通过所述第二目标算法包对从其他边缘节点接收到的数据进行分析。
9.一种云中心,其特征在于,包括:
通信模块,用于接收第一边缘域节点发送的采样数据;
处理模块,用于确定与所述采样数据的数据类型对应的多种算法包,所述采样数据的数据类型用于反映终端设备获取所述采样数据时的场景;
所述处理模块,还用于对所述采样数据执行所述多种算法包中的每种算法包,得到与所述每种算法包对应的算法结果;
所述处理模块,还用于根据所述每种算法包对应的算法结果,从所述多种算法包中确定目标算法包,所述目标算法包用于对所述终端设备采集的数据进行分析。
10.一种边缘域节点,其特征在于,所述边缘域节点包括:
通信模块,用于向云中心发送采样数据;
所述通信模块,还用于接收所述云中心发送的第一目标算法包,所述第一目标算法包是所述云中心对所述采样数据执行多种算法包中的每种算法包,得到的与所述每种算法包对应的算法结果确定的;所述多种算法包是所述云中心根据所述采样数据的数据类型确定的;所述采样数据的类型用于反映终端设备获取所述采样数据时的场景;
处理模块,用于加载所述第一目标算法包,以通过所述第一目标算法包对从终端设备接收到的数据进行分析。
11.一种电子设备,其特征在于,包括:存储器、收发器和处理器;所述存储器、所述收发器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;所述收发器,用于接收数据和发送数据;当处理器执行所述计算机指令时,使所述电子设备执行如权利要求1-8中的任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,包括计算机指令,当计算机指令在电子设备上运行时,使得电子设备执行上述权利要求1-8中的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110867970.1A CN113596158A (zh) | 2021-07-29 | 2021-07-29 | 一种基于场景的算法配置方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110867970.1A CN113596158A (zh) | 2021-07-29 | 2021-07-29 | 一种基于场景的算法配置方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113596158A true CN113596158A (zh) | 2021-11-02 |
Family
ID=78252166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110867970.1A Pending CN113596158A (zh) | 2021-07-29 | 2021-07-29 | 一种基于场景的算法配置方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113596158A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708643A (zh) * | 2022-06-02 | 2022-07-05 | 杭州智诺科技股份有限公司 | 边缘视频分析装置的算力提升方法及边缘视频分析装置 |
CN115794201A (zh) * | 2022-11-03 | 2023-03-14 | 中国石油天然气集团有限公司 | 钻井工况的确定方法、装置、服务器及可读存储介质 |
CN116578323A (zh) * | 2023-07-14 | 2023-08-11 | 湖南睿图智能科技有限公司 | 一种基于云边协同的深度学习算法迭代方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111131379A (zh) * | 2019-11-08 | 2020-05-08 | 西安电子科技大学 | 一种分布式流量采集***和边缘计算方法 |
CN111405241A (zh) * | 2020-02-21 | 2020-07-10 | 中国电子技术标准化研究院 | 一种用于视频监控的边缘计算方法和*** |
CN111464650A (zh) * | 2020-04-03 | 2020-07-28 | 北京绪水互联科技有限公司 | 一种数据分析方法、设备、***及存储介质 |
WO2021003692A1 (zh) * | 2019-07-10 | 2021-01-14 | 深圳市大疆创新科技有限公司 | 算法配置方法、设备、***及可移动平台 |
US20210096911A1 (en) * | 2020-08-17 | 2021-04-01 | Essence Information Technology Co., Ltd | Fine granularity real-time supervision system based on edge computing |
-
2021
- 2021-07-29 CN CN202110867970.1A patent/CN113596158A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021003692A1 (zh) * | 2019-07-10 | 2021-01-14 | 深圳市大疆创新科技有限公司 | 算法配置方法、设备、***及可移动平台 |
CN111131379A (zh) * | 2019-11-08 | 2020-05-08 | 西安电子科技大学 | 一种分布式流量采集***和边缘计算方法 |
CN111405241A (zh) * | 2020-02-21 | 2020-07-10 | 中国电子技术标准化研究院 | 一种用于视频监控的边缘计算方法和*** |
CN111464650A (zh) * | 2020-04-03 | 2020-07-28 | 北京绪水互联科技有限公司 | 一种数据分析方法、设备、***及存储介质 |
US20210096911A1 (en) * | 2020-08-17 | 2021-04-01 | Essence Information Technology Co., Ltd | Fine granularity real-time supervision system based on edge computing |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708643A (zh) * | 2022-06-02 | 2022-07-05 | 杭州智诺科技股份有限公司 | 边缘视频分析装置的算力提升方法及边缘视频分析装置 |
CN115794201A (zh) * | 2022-11-03 | 2023-03-14 | 中国石油天然气集团有限公司 | 钻井工况的确定方法、装置、服务器及可读存储介质 |
CN115794201B (zh) * | 2022-11-03 | 2024-02-27 | 中国石油天然气集团有限公司 | 钻井工况的确定方法、装置、服务器及可读存储介质 |
CN116578323A (zh) * | 2023-07-14 | 2023-08-11 | 湖南睿图智能科技有限公司 | 一种基于云边协同的深度学习算法迭代方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11443555B2 (en) | Scenario recreation through object detection and 3D visualization in a multi-sensor environment | |
CN113596158A (zh) | 一种基于场景的算法配置方法和装置 | |
Ahmed et al. | Fog computing applications: Taxonomy and requirements | |
US10009579B2 (en) | Method and system for counting people using depth sensor | |
US20210343136A1 (en) | Event entity monitoring network and method | |
US8107677B2 (en) | Measuring a cohort'S velocity, acceleration and direction using digital video | |
CN112166438A (zh) | 确定性标记数据生成和人工智能训练途径 | |
CN112166439A (zh) | 真实到合成图像域转移 | |
CN109145680A (zh) | 一种获取障碍物信息的方法、装置、设备和计算机存储介质 | |
CN117056558A (zh) | 使用边缘计算的分布式视频存储和搜索 | |
CN110659391A (zh) | 一种视频侦查方法及装置 | |
US11995766B2 (en) | Centralized tracking system with distributed fixed sensors | |
Himeur et al. | Deep visual social distancing monitoring to combat COVID-19: A comprehensive survey | |
CN112684430A (zh) | 一种室内老人行走健康检测方法、***、存储介质、终端 | |
CN114357216A (zh) | 一种人像聚档方法、装置、电子设备及存储介质 | |
Fawzi et al. | Embedded real-time video surveillance system based on multi-sensor and visual tracking | |
Zhao et al. | Vivid: Augmenting vision-based indoor navigation system with edge computing | |
CN115393681A (zh) | 一种目标融合方法、装置、电子设备及存储介质 | |
CN114218992A (zh) | 异常对象的检测方法及相关装置 | |
Pennisi et al. | Multi-robot surveillance through a distributed sensor network | |
CN115061386B (zh) | 智能驾驶的自动化仿真测试***及相关设备 | |
Kristiani et al. | Flame and smoke recognition on smart edge using deep learning | |
JayaSudha et al. | Intelligent Wearable Devices Enabled Automatic Vehicle Detection and Tracking System with Video‐Enabled UAV Networks Using Deep Convolutional Neural Network and IoT Surveillance | |
CN114782883A (zh) | 基于群体智能的异常行为检测方法、装置和设备 | |
Rodrigues et al. | Fusion data tracking system (fits) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |