面向工业互联网场景无线边缘智能协同关键技术研究

20240226

信息传输、软件和信息技术服务业

1、面向工业场景的边缘及算力网络架构设计：构建工业互联网中的算力网络平台，研究以工业内外网为基础构建工业互联网中算力网络的内外网部署模型，将智能业务按照算力和时延等需求安排在内外网进行计算，工业智能任务可以根据对算力的需求和任务时延限制决策任务的处理位置，据中国信通院估算，将数据任务卸载至远程的超算中心进行分析与处理，并将计算结果回传的双向延迟最低设置约为50ms。因此，任务处理双向时延限制在50ms以内的可在工厂内部进行处理，高于50ms的应用可在工厂外网的超算中心处理。2、面向工业边缘智能的多维资源协同调度与优化：针对工业多样化业务数据传输场景中的5G上行链路传输，提出一种基于预测的资源分配方案，该方案利用自回归滑动平均(ARMA)模型根据紧急数据的历史传输周期的激活率预测下一传输周期的紧急数据激活率，根据预测激活率动态的为周期数据和紧急数据预留资源，以在满足紧急数据传输条件的前提下最小化对周期数据传输的影响。针对下行则提出了一种基于RBF神经网络预测的资源调度方案，如图2-2所示，首先，采用比例公平算法将所有的无线资源都分配给eMBB用户，然后利用RBF神经网络预测当前时隙内所有的eMBB用户被穿孔后的解码成功率，然后联合eMBB业务的吞吐量损失和每个用户的打孔次数计算每个eMBB用户的穿孔优先级，最后基于穿孔优先级制定uRLLC流量的穿孔方案，本方案能在保证uRLLC严格传输要求的同时最小对eMBB用户吞吐量损失，并能保证eMBB用户的打孔公平性，最小化对系统性能的影响。仿真实验表明，本方案能在保证被uRLLC业务穿孔的eMBB用户的吞吐量和可靠性性能的同时，提升了了穿孔的公平性。未来的工作将致力于研究多场景融合模式下的eMBB与uRLLC共存传输问题。在车联网的实际应用场景中，针对基于移动性的移动设备边缘卸载策略的优化问题，考虑优先级执行的决策任务流、单任务独特的卸载模式、边缘服务器的通信范围以及单任务卸载的时延约束，根据移动设备的实时位置选择合适的计算资源来卸载计算任务。在边缘计算架构中，提出了5种不同的计算卸载方法：本地卸载、RU边缘卸载、云中心卸载、局部边缘协同卸载和本地-边缘-云协同卸载。从全局角度考虑任务卸载的能耗和时延，利用基于遗传算法和粒子群优化的算法，设计得到能耗和时延最低的决策任务流卸载策略。;此外，将决策任务流的能耗和时延最小化问题建模为多约束下的整数线性规划问题。该问题由基于遗传算法和粒子群优化算法的混合算法解决。针对工业互联网背景下边缘云资源分配问题，提出两层MEC部署的车联网场景中支持移动性的联邦学习决策算法，解决用户的隐私意识与车辆边缘场景下集中式人工智能方案和数据泄露风险之间的不匹配问题。仿真结果表明本研究提出的EOAMDBECD算法所得到的计算卸载的联合代价总是最小的，工业移动机器人的决策任务在局部处理时，卸载能耗的计算量最大。然而，计算卸载延迟非常低。当工业移动机器人的所有计算任务在RU设备上卸载到边缘服务器时，计算卸载延迟比其他卸载方式要高。采用基于CPQL的资源分配算法优化应用程序的执行延迟，选择最优的并行服务器数量，以提高收敛速度，加速Q-table训练。其次，设计了一种用于CPQL中Q表聚合的模糊DPoSt+PBFT共识算法。该算法提高了CPQL的安全性，降低了恶意节点对共识结果的影响。提出一种基于图片委托状态证明和可疑实用拜占庭容错（pDPoSt+sPBFT）共识算法的大规模分布式边云协同资源调度方法，与传统的分布式边云协同资源调度算法相比，所提方法具有良好的效率和安全性能，仿真表明系统中有4台恶意边缘计算服务器时，pDPoSt+sPBFT在收敛速度和结果上都优于其他方法。更好的收敛结果表明pDPoSt+sPBFT获得了更高的奖励，其奖励是与传统方法相比的时延降低率，意味着pDPoSt+sPBFT获得了最小的资源分配时延。3、工业数字孪生场景的高效边缘云系统：构建了一种新型的边缘云协同架构来支持基于数字孪生的作业车间调度应用程序，根据应用程序属性和云边缘资源状态对运行位置进行优化，以最小化总延迟在确定性场景下，提出了一种新的协同聚类并行Q-learning (CCPQL)算法，该算法不仅能使总延迟最小化，而且由于分布式的特点，还能带来较低的自适应命令决策延迟。在不确定性场景中，提出了一种新的基于CCPQL的预测方法来预测应用程序属性信息的不完整集合。深入分析区块链MEC系统中的资源分配问题，实现基于区块链的综合MEC系统设计，并且采用启用TCN的A3C算法求解资源分配策略，使策略收敛更快且稳定，在维护区块链的稳定性的同时提高边缘计算服务器的效率。此外，自主研发了工业边缘算力盒，通过边缘计算和联邦学习进行设备故障诊断和预警等。

随着项目在面相工业场景的边缘及算力网络架构设计、多维资源协同调度与优化，以及工业数字孪生场景的高效边缘云系统等研究方向的深入推进，期待成果的转化合作，共同推动科技成果转化为切实可行的应用。为了确保合作的顺利进行，对拟合作方在资金、场地、设备、人员等方面提出如下详细要求： 资金支持：在项目实施过程中，预计需要资金支持，主要用于设备购置、实验室运营、人员培训等方面。期望合作方能提供不少于课题资助金额（280000元）的资金支持。并请提供详细的资金支持计划，明确资金的使用范围和分配预算，以确保项目经费的透明使用。 场地需求：项目可能需要一定规模的场地，用于技术演示、测试和实施。期望合作方能提供 一定面积的场地支持，包括实验室空间、办公区域和会议室。提供场地的详细布局图，确保场地满足实验室和技术需求，并符合相关的安全标准。 设备协助：需要了解合作方能够提供的具体设备支持，包括设备清单、型号、技术规格等。同时，可能需要额外的设备协助，敬请合作方提供设备支持计划。 提供设备的租赁或购置计划，包括相关费用的估算和供应商信息。 专业人员支持：请提供合作方专业团队成员的简历，特别是在相关领域的经验和技术专长。期望与合作方的专业团队形成密切的合作关系，以确保项目的技术要求得到充分满足。估算合作方专业团队支持所需的人员数量和薪酬预算，以协助我们更好地规划项目实施。 培训和知识转移：期望合作方能够提供详细的培训计划，覆盖项目的各个方面。请包括培训的内容、形式、时间表等信息。估算培训计划所需的费用，包括差旅、住宿等支出，并提供相应的预算计划。

可国（境）内外转让

本课题在工业边缘计算和边缘智能应用方面，充分研究工业网络的运行和任务执行中产生的数据，用于所提模型的离线学习和训练，利用仿真平台验证分析得到仿真结果。主要核心数据包括根据业务模型生成的任务数据，模拟调度和分配的控制数据，最后用于评估方案性能的指标数据。这些数据的积累对于后续科研和实际工程实践有着重要的科学价值。 （1）促进工业智能化发展，降低企业成本 通过结合新型信息技术与应用发展趋势，响应“智能制造”、工业设施转型升级政策，本研究通过搭建数字孪生体系可以辅助工业企业决策，优化生产线布局，质量控制，工厂闭环管理，异常反馈能力等，降低工业制造业的成本。 （2）边缘云协同优化资源配置，降低能源消耗 构建新型工业互联网灵活网络架构，优化边缘云协同分配策略以及新型智能应用分解部署策略，解决现有工业网络面临的适配灵活性差、网络资源紧张等问题，优化路由选择和网络资源调度，降低时延和网络能耗，降低电力消耗，节约能源。 在科技成果转化合作中，我方对项目的转化预期效益进行了详细的分析和规划。期望通过这次合作实现以下方面的效益，以确保项目取得长期的、可持续的成功： 技术创新与竞争力提升：通过项目的实施，课题将在边缘及算力网络架构设计、多维资源协同调度与优化，以及工业数字孪生场景的高效边缘云系统等方向取得创新性的技术成果。这些技术成果将为合作方带来领先的技术优势，提升其在相关领域的竞争力。 市场拓展与商业机会：项目的成功实施将有助于拓展市场份额，吸引更多潜在客户。期待通过项目的转化，共同探索新的商业机会，包括产品推广、技术服务等方面的合作。 成本效益与资源优化：通过多维资源协同调度与优化，预计能够实现生产过程中的资源优化，提高效益。合作方将受益于成本效益，提高生产力并优化资源配置。 人才培养与团队协作：项目将为参与方提供宝贵的实践机会，有助于培养和吸引高素质的人才。团队成员将在项目中通过合作学习，促进团队协作与交流，为未来的项目和合作奠定基础。 社会影响与可持续发展：通过科技成果的转化，希望能够为社会创造积极的影响。项目的成功将有助于可持续发展目标的实现，为行业和社会带来更多的福祉。通过本次合作，我们期望建立起长期战略合作关系，共同应对行业挑战，迎接未来的技术变革。这种战略合作关系将为双方创造更多合作机会，共同推动行业的发展。

北京市自然科学基金海淀前沿项目

北京市科学技术委员会;中关村科技园区管理委员会

本项目完成的研究成果可以归纳成以下三个方面：架构设计，资源分配与调度机制，工业数字孪生应用。其中架构设计是资源分配与调度和实际应用的基础，资源分配与调度是优化工业边缘算力网络性能的核心保障，而构建面向工业数字孪生应用的工业边缘智能场景是为了验证上述理论研究的可行性。 （1）面向工业场景的边缘及算力网络架构设计 针对算力网络在工业互联网内外网的部署问题，为满足工业互联网中智能应用的数据传输和计算需求，综合工业互联网中不同应用对算力网络的时延、算力等需求，设计了算力网络在工业互联网内外网的部署架构以及不同工业智能应用在工业算力网络中的部署方案，为后续研究工作指明方向。 （2） 面向工业边缘智能的多维资源协同调度与优化： 针对工业场景中5G上行链路数据传输过程存在的周期性数据与非周期数据的协同传输问题，提出一种面向突发业务的基于预测的无线资源分配方案，大幅减少数据的端对端传输延迟并提高传输的可靠性，并对该问题进行仿真以及结果分析。针对下行则提出了一种基于RBF神经网络预测的资源调度方案，首先，采用比例公平算法将所有的无线资源都分配给eMBB用户，然后利用RBF神经网络预测当前时隙内所有的eMBB用户被穿孔后的解码成功率，然后联合eMBB业务的吞吐量损失和每个用户的打孔次数计算每个eMBB用户的穿孔优先级，最后基于穿孔优先级制定uRLLC流量的穿孔方案，本方案能在保证uRLLC严格传输要求的同时最小对eMBB用户吞吐量损失，并能保证eMBB用户的打孔公平性，最小化对系统性能的影响。 仿真实验表明，本方案能在保证被uRLLC业务穿孔的eMBB用户的吞吐量和可靠性性能的同时，提升了了穿孔的公平性。未来的工作将致力于研究多场景融合模式下的eMBB与uRLLC共存传输问题。 针对工业互联网背景下边缘云资源分配问题，提出两层MEC部署的车联网场景中支持移动性的联邦学习决策算法，解决用户的隐私意识与车辆边缘场景下集中式人工智能方案和数据泄露风险之间的不匹配问题。 在车联网的实际应用场景中，针对基于移动性的移动设备边缘卸载策略的优化问题，考虑优先级执行的决策任务流、单任务独特的卸载模式、边缘服务器的通信范围以及单任务卸载的时延约束，根据移动设备的实时位置选择合适的计算资源来卸载计算任务。在边缘计算架构中，提出了5种不同的计算卸载方法，从全局角度考虑任务卸载的能耗和时延，利用基于遗传算法和粒子群优化的算法，设计得到能耗和时延最低的决策任务流卸载策略。 在上述基础上，基于模糊DPoSt+PBFT算法，提出了一种支持区块链的协同并行Q-learning (CPQL)方法，该方法增加了工业物联网的资源配置效率和安全性，并进行仿真分析验证。 针对工业互联网背景下基于并行强化学习（PRL）的分布式边云协同资源调度问题，本研究提出一种基于图片委托状态证明和可疑实用拜占庭容错（pDPoSt+sPBFT）共识算法的大规模分布式边云协同资源调度方法，与传统的分布式边云协同资源调度算法相比，所提方法具有良好的效率和安全性能，在复杂的工业互联网场景中具有巨大的潜力。 （3）工业数字孪生场景的高效边缘云系统 分析制造系统中实现高精度的物理数字孪生(DT)映射问题，针对数字孪生系统需要大量的数据实时采集问题，提出了一种新的高效边缘云数字孪生系统部署体系结构，采用新的协同聚类并行Q-learning (CCPQL)算法和基于CCPQL的预测算法，仿真结果表明该方法的有效性和优越性。 针对区块链MEC系统中的资源分配问题，在基于区块链的MEC系统架构的资源分配问题中，将全新的共识机制“学习证明（PoL）”应用于系统，对系统进行数学建模过程中，重点关注服务器处理延迟、挖矿延迟、新共识下的奖励和总成本。为了更好地捕捉系统的长期趋势，实现了使用时间卷积网络（TCN）来表示强化学习模型中的策略函数和状态值函数。 此外，项目组基于NVIDIA Jetson Xavier NX核心板自主研发了工业边缘算力盒，结合Xavier NX超强的推理能力，适用于高性能视 频、图像识别推理运算的小型边缘计算场景，搭配有线或无线网络与云端服务器配合，完美实现人工智能、物联网行业云端学习、端点推理的解决方案。部署在南京钢铁车间现场，通过振动传感器采集天车等电机设备的振动信号，通过边缘计算和联邦学习进行设备故障诊断和预警等服务。