15、边缘计算中的AI管道与物联网语义匹配

边缘计算中的AI管道与物联网语义匹配

1. 边缘到云连续体的AI管道

在边缘到云连续体的AI管道中，一个关键问题是如何在不同的消费源之间最小化支出。众多研究致力于解决这一问题，旨在平衡性能指标和能源效率。

1.1 机器学习在能耗优化中的应用

机器学习技术因其能够从数据中进行预测，并在无需先验知识的情况下对环境做出假设，在该领域得到了广泛应用。
- 应用部署预测 ：预测方法会将边缘节点数据和地理位置信息作为输入，从时间序列中预测周期性变化。
- 能源消耗优化 ：不同的研究从不同角度对能源消耗进行优化。例如，一些研究旨在减少每个用户的总能耗，包括本地计算和无线传输能耗；而有的研究仅关注终端侧的能耗。强化学习及其变体则致力于最小化长期能耗，在这类场景中是不错的选择。

1.2 边缘计算中对延迟敏感的AI流程

下一代网络服务的关键推动因素之一是利用边缘计算将处理能力靠近最终用户，以减少端到端通信中的潜在延迟。在超可靠低延迟通信（URLLC）中，延迟管理尤为重要，不适当的延迟会导致对时间敏感的应用出现故障，影响智能生活、工业4.0或自动驾驶车辆等多种用例。

选择合适的主机来部署服务应用对于满足应用的严格延迟要求至关重要。然而，主机选择并非易事，需要考虑多个因素，如当前延迟、应用在服务器上实例化后的处理延迟、主机的计算特性、主机与用户之间的距离以及越来越多的次要参数。

传统的优化模型使用执行数值分析的算法和数学优化方法，但由于网络的动态性，这些模型无法适应网络的变化。而机器学习模型在处理时间序列数据和大量数据类别