走向基于边缘的深度学习在工业物联网中的东西
IEEE internet of things journal
|March 15, 2024
概括
本研究介绍了用于工业物联网 (IIoT) 系统的边缘计算深度学习模型. 它通过在边缘处理数据来减少网络拥堵,保持高分类准确度.
科学领域:
- 事物的工业互联网 (IIoT)
- 深度学习 (Deep Learning) 是一种深度学习.
- 边缘计算 边缘计算
背景情况:
- 工业物联网 (IIoT) 系统连接用于工业监控和控制的设备.
- 在IIoT中,深度学习需要大量的计算,通常是基于云的,导致网络拥堵.
- 将IIoT数据传输到云端以进行深度学习会影响网络性能.
研究的目的:
- 为IIoT系统提出基于边缘计算的深度学习模型.
- 为了减少数据传输需求和减轻IIoT网络中的网络拥堵.
- 为边缘节点有限的计算能力优化深度学习模型.
主要方法:
- 利用了雾/边缘计算范式.
- 开发了一个基于边缘计算的深度学习模型.
- 设计了一种机制,以优化深度学习模型,以减少计算要求.
- 在谷歌云中实现了一个测试平台,并部署了一个卷积神经网络 (CNN) 模型.
- 使用现实世界IIoT数据集评估了该方法.
主要成果:
- 拟议的模型有效地减少了IIoT的网络流量开销.
- 保持分类准确度与基线方案相比较.
- 这种方法可以减轻数据传输造成的网络拥堵.
结论:
- 边缘计算为IIoT的深度学习提供了一个可行的解决方案.
- 优化深度学习模型可以部署在边缘节点上,资源有限.
- 拟议的方法提高了IIoT网络的性能,并支持智能应用.
