array(2) { ["lab"]=> string(4) "1321" ["research"]=> string(4) "1505" } 大规模端边云复杂计算传输系统研究 - MARVEL (奇迹实验室) | LabXing

MARVEL (奇迹实验室)

Multimedia and AI Research for Visual Transmission Exploratory Laboratory

中国科学院 / 计算技术研究所

大规模端边云复杂计算传输系统研究

       面向大规模端边云架构形成的复杂计算传输系统，解决大规模IoT设备控制、传输与计算的问题。通过在传输架构中构建AI驱动的大规模IoE的群体智能控制层，解决规模性设备所面临的计算-存储-传输-控制的群体智能优化鸿沟。在多媒体系统中引入了价值计算方法和风险优化体系。采用统计学习技术，提出了价值的建模方法，对内容价值、传输价值和系统价值给出了全新的计算，形成基于价值驱动的计算传输体系。解决了大规模多媒体系统中，由于各种不确定性导致的价值-风险鸿沟。同时，我们构建了大规模复杂端-边-云系统的协同优化方法和动态算力迁移策略，可将边云系统传输和处理数据的时延、能耗平均降低10%，提升了系统性能。

       该系统能够解决包括智慧城市、智慧医疗、智能交通、工业物联网等大规模设备场景下产生的大规模数据的传输和处理问题，提升上述应用场景的效能。

端-边-云系统多特征流传输架构

相关研究成果：

  1. Wen Ji, and H. V. Poor, "Risk Optimization for Revenue-Driven Wireless Video Broadcasting Systems: A Copula-Based Framework," IEEE Transactions on Multimedia, vol. 23, pp. 1757-1771, June. 2021.
  2. Wen Ji, Bing Liang, Yuqin Wang, Rui Qiu, and Zheming Yang, "Crowd V-IoE: Visual Internet of Everything Architecture in AI-Driven Fog Computing," IEEE Wireless Communications, vol. 27, no. 2, pp. 51-57, April. 2020.
  3. Zheming Yang, Bing Liang, and Wen Ji, "An Intelligent End-Edge-Cloud Architecture for Visual IoT Assisted Healthcare Systems," IEEE Internet of Things Journal, doi: 10.1109/JIOT.2021.3052778.
  4. 梁冰, 纪雯, 基于次模优化的边云协同多用户计算任务迁移方法[J]. 通信学报, 2020, 41(10): 25-36.
  5. 纪雯, 人机物三元计算的主流学派及热点分析[J]. 中国计算机学会通讯, 2019, 15(11): 68-74.

 

创建: May 27, 2021 | 15:17