研究进展

当前位置:首页 / 研究进展

李小翠/周长兵:基于主从属性能量有效异常数据收集机制

2021-09-03     发布:【信息工程学院】    点击:0

随着边缘计算和5G技术快速普及发展,根据国际电信联盟报告,到2022年全球将有超过500亿终端和设备联网,终端之间数据交换流量增速将远超终端增长速度,在网络边缘产生大规模数据量,如电脑或智能手机捕捉的视频、传感器文本数据、监控视频输入等多模态数据。因此传统集中式的云计算支撑物联网应用的架构将面临如下问题:①网络带宽和云端存储能力将难以满足海量数据同时上传到云端的需求;②面对数据传输以及业务在云端处理所带来的高延迟,将难以满足实时应用的业务需求。在此背景下,利用边缘计算在靠近物或数据源头的网络边缘侧就近提供智能计算,及时快速识别网络中的异常事件对于保证网络的可靠安全运行是当前重要的研究问题。各种类型的智能设备捕获与特定应用相关的异构属性数据,其中某个属性在识别某些异常方面可能比其他属性更重要。此外,感知和收集主从属性的感知数据在处理成本上存在显著差异。如何在边缘云协作的网络中,利用这一特征进行多模态数据异常收集执行异常检测分析,同时考虑到多个边缘网络之间的协作以及整个网络能量负载均衡,成为一项挑战。为解决该问题,本文提出基于主从属性的多模态智能设备的能量感知异常检测数据收集机制。

针对上述科学问题,我校李小翠博士、周长兵教授及其合作者利用某一属性与异常潜在高度相关性,感知和收集这些属性数据的处理成本的差异性,对边缘云网络中异常数据高效收集机制开展研究。取得新认识贡献如下:

1、提出边缘云协作检测框架。如图1所示,主要包括三层体系结构:底层是由传感器、交流控制器等数据节点组成的设备层;边缘层作为中间层,负责智能设备数据实时预处理。负责实时预处理设备层传输的数据,将本地化处理结果及时传达云;云中心作为三层框架的顶层,负责实时存储、处理边缘层部分数据,并将决策信息传递给边缘层。因此,利用边缘层作为云层与设备层之间的中继处理,及时协同检测边缘设备的运转状况,实现异常数据的实时收集与处理,大大降低了网络能量消耗。

2、提出边缘主属性初探测算法。具有主属性的边缘服务器首先检测其边缘网络的异常,自动上报异常信息至云端做进一步检测和验证,当且仅当这些感知数据与异常高度相关时。边缘节点在一定程度上起到了数据过滤的作用,降低了数据传输到云端的网络开销,同时将智能引入到网络边缘。

3、提出边缘云交互算法:云集成来自边缘层数据,从而形成对整个网络异常情况粗粒度理解。为了进一步确定异常,云下发查询指令,获取指定从属性智能设备的异常数据。将多个智能设备提供的数据按照云既定的规则进行数据存储、分析,得到最终决策结果,从而判断异常和故障报警。

4、提出从属性协作检索算法:考虑到仅有部分智能设备可以在自身感知范围内检测到异常,依赖单一智能设备数据很难保证环境信息获取的快速性和准确性,且会因为割裂各智能设备之间的联系而造成信息资源的浪费。因此,多边缘网络的多属性聚合查询算法(图2)避免将所有从属性智能设备数据上报,进而减少网络中传输的数据量。

该研究结合边缘计算,利用某一属性与异常的潜在高度相关性,以及感知和收集这些属性数据的成本和处理代价的显著差异性,提出基于主从属性的边缘云协作异常数据收集方法,实现边缘云网络下高效异常数据收集处理与异常警戒功能。取得的成果可与现有视频监控基础设施平台集成,且对于在线异常检测框架构建和深入研究智能监控场景下高效异常检测算法等科学研究都有重要参考意义。


image001.png

图1:边缘云协作检测框架

 


image003.png

图2:多边缘网络间从属性协作检索的路由传输示例

 

image005.png

图3:某管道监控图像数据示例

上述研究成果发表在计算机物联网领域国际权威刊物 IEEE Internet of Things Journal 》: Xiaocui Li, Zhangbing Zhou, Zhensheng Shi, Xiao Xue, Yucong Duan. 2021. Energy-Efficient Anomaly Detection With Primary and Secondary Attributes in Edge-Cloud Collaboration Networks[J]. IEEE Internet of Things Journal, 8(15): 12176-12188. [IF=9.471].

全文链接:https://ieeexplore.ieee.org/document/9369387