1、硬件感知概率机器学习模型在边缘计算中的应用

硬件感知概率机器学习模型在边缘计算中的应用

1. 引言

近年来，随着物联网（IoT）的迅猛发展，越来越多的智能设备进入了人们的日常生活。从智能家居到智能城市，从可穿戴设备到自动驾驶汽车，这些设备的智能化水平不断提高，为用户带来了前所未有的便利。然而，这些设备通常依赖电池供电，并且体积小巧，因此在计算能力和能源消耗方面受到严格限制。与此同时，边缘计算作为一种新的计算范式，逐渐成为解决这些问题的关键。

1. 物联网范式

物联网的主要贡献之一是提供了一个跨越广泛设备和服务的计算框架。它通过传感器和执行器嵌入物理对象中，如道路、心脏起搏器等，并通过有线和无线网络连接，通常使用与互联网相同的协议（IP）。这种计算框架使得设备能够自主收集和共享数据，减轻了人工操作的负担。

物联网的三层结构如图1所示，包括云、雾和边缘。云层提供强大的处理和存储资源，雾层通过本地服务器提供类似云的服务，而边缘层则由直接处理数据的便携式设备构成。

graph TD;
    A[物联网结构] --> B[云层];
    A --> C[雾层];
    A --> D[边缘层];
    B --> E[强大处理和存储];
    C --> F[本地服务器];
    D --> G[便携式设备];

边缘设备通常由电池供电，尺寸有限，因此在执行复杂算法时面临显著的能源和计算带宽限制。此外，智能便携设备容易受到动态变化的环境条件和噪声的影响，它们依赖的感测数据本质上是不确定的。因此，硬件感知概率模型成为了应对这些挑战的理想选择。 <