我們正在大步邁入萬物互聯(lián)的時代，物聯(lián)網(wǎng)（IoT，Internet of Things）的發(fā)展隨著科技進步與互聯(lián)網(wǎng)的高速發(fā)展正在積蓄爆發(fā)式的發(fā)展。物聯(lián)網(wǎng)的下一代物聯(lián)網(wǎng)傳感設(shè)備的發(fā)展，以及其低功耗計算能力和高速網(wǎng)絡(luò)的進步，導致了邊緣計算的引入。海量數(shù)據(jù)的實時產(chǎn)生將成為未來社會的常態(tài)，設(shè)備的逐漸智能化使得設(shè)備本身具備即時處理數(shù)據(jù)的能力，在邊緣云環(huán)境中，服務可以在本地生成和使用數(shù)據(jù)，而無需涉及云計算基礎(chǔ)架構(gòu)，提高數(shù)據(jù)處理效率和反饋時間。微美全息(NASDAQ:WIMI)提出基于此提出和評估一種智能遷移模型，該模型能夠在基于物聯(lián)網(wǎng)的網(wǎng)絡(luò)邊緣支持虛擬功能鏈。
據(jù)悉，微美全息(NASDAQ:WIMI)提出了一個邊緣LMM-VFC（Virtual function chain）模型，可以使復雜的AI模型在異構(gòu)邊緣網(wǎng)絡(luò)上執(zhí)行，并且結(jié)合觸發(fā)實時遷移的實時QoS（Quality of Service）監(jiān)控模型，通過遷移模型增強了微美全息LMM-VFC模型。
資料顯示，WIMI微美全息LMM-VFC模型是一種新穎的分布式框架，它基于軟件定義網(wǎng)絡(luò)的虛擬功能鏈（VFC） 概念，并支持邊緣AI分析的實時推理，由基于深度學習模型構(gòu)建的邊緣學習服務提供支持，能夠監(jiān)控、評估和預測所支持服務的服務質(zhì)量（QoS）。在此模型中，AI分析分解為一組虛擬功能（VF），這些虛擬函數(shù)可以部署在不同的邊緣設(shè)備上。使用這些VF，可以創(chuàng)建一個VFC，VFC以分布式方式處理流數(shù)據(jù)。VFO（虛擬功能編排器）負責部署VFC。VFC通過框架部署了多個模塊，優(yōu)化設(shè)計服務，監(jiān)控其QoS指標并微調(diào)其配置以避免故障。更具體地說，計算引擎負責提出VFC的最佳設(shè)置，而邊緣學習服務則監(jiān)控邊緣設(shè)備的性能并提出可能的更改。LMM-VFC模型以此構(gòu)建邊緣遷移的智能模型，優(yōu)化鏈接能力，支持下一代物聯(lián)網(wǎng)技術(shù)發(fā)展。
此外，微美全息(NASDAQ:WIMI)邊緣LMM-VFC模型支持機器學習，提出一個基于強化學習的模型，用于確定服務遷移的最佳策略。遷移問題通常被表述為一個順序決策問題，旨在最小化整體響應時間�；趶娀瘜W習策略的計算遷移方案，即時學習動態(tài)環(huán)境的最優(yōu)策略，保證低計算時延。
并且WIMI微美全息邊緣LMM-VFC模型提出基于用戶移動模式的用戶分類機制，降低決策復雜度。然后引入基于強化學習的框架，在動態(tài)環(huán)境中實時做出服務遷移決策。通過數(shù)據(jù)驅(qū)動實驗證明WIMI微美全息邊緣LMM-VFC模型在降低系統(tǒng)平均延遲方面的功效。WIMI微美全息邊緣LMM-VFC模型基于輕量級流程遷移的物聯(lián)網(wǎng)移動邊緣/云計算計算卸載框架，框架不需要邊緣服務器上的應用程序二進制文件，因此可以無縫遷移本機應用程序。WIMI微美全息邊緣LMM-VFC模型框架在移動邊緣/云計算中的資源密集型物聯(lián)網(wǎng)應用處理方面顯示出巨大的潛力。
在邊緣云環(huán)境中，服務可以在本地生成和使用數(shù)據(jù)，而無需涉及云計算基礎(chǔ)架構(gòu)。針對物聯(lián)網(wǎng)節(jié)點計算資源低的問題，WIMI微美全息提出了虛擬功能鏈作為智能分布LMM-VFC模型，以最大限度地利用邊緣的計算能力，從而支持要求苛刻的服務。它是一種能夠支持虛擬功能鏈的智能遷移模型。根據(jù)該模型，邊緣遷移可以支持虛擬功能鏈的各個功能。首先，如果虛擬功能意外失敗，可以通過冷遷移實現(xiàn)自動修復。其次，服務質(zhì)量監(jiān)控模型可以觸發(fā)實時遷移，旨在避免邊緣設(shè)備過載。對所提出的模型的評估研究表明，它有能力提高低功耗物聯(lián)網(wǎng)設(shè)備上基于邊緣服務的魯棒性。
物聯(lián)網(wǎng)（IoT）是一個快速發(fā)展的領(lǐng)域，在醫(yī)療、交通和農(nóng)業(yè)等行業(yè)有著廣泛的應用。隨著物聯(lián)網(wǎng)設(shè)備及其相關(guān)數(shù)據(jù)的數(shù)量不斷增長，越來越需要高效和智能的模型來管理和處理這些數(shù)據(jù)。物聯(lián)網(wǎng)的關(guān)鍵挑戰(zhàn)之一是支持虛擬功能鏈的邊緣遷移。
WIMI微美全息邊緣LMM-VFC模型的邊緣遷移涉及將處理任務從集中式服務器移動到更靠近數(shù)據(jù)源的邊緣設(shè)備，如路由器或網(wǎng)關(guān)。減少帶寬需求，并實現(xiàn)數(shù)據(jù)的實時處理。LMM-VFC模型可以實現(xiàn)支持下一代物聯(lián)網(wǎng)中VFC邊緣遷移的智能模型。該模型將利用機器學習，基于網(wǎng)絡(luò)延遲、可用資源和數(shù)據(jù)隱私要求等因素優(yōu)化VFC遷移決策。
微美全息(NASDAQ:WIMI)邊緣LMM-VFC模型可以持續(xù)監(jiān)控網(wǎng)絡(luò)狀況和數(shù)據(jù)流，并實時決定哪些功能應該遷移到邊緣，哪些功能應該保留在集中服務器上。這可以通過基于規(guī)則和機器學習算法的組合來實現(xiàn)，這些算法分析來自各種來源的數(shù)據(jù)，包括網(wǎng)絡(luò)性能指標、用戶行為模式和數(shù)據(jù)使用統(tǒng)計。
總體而言，支持下一代物聯(lián)網(wǎng)中虛擬功能鏈邊緣遷移的智能模型將是管理物聯(lián)網(wǎng)設(shè)備生成的不斷增長的數(shù)據(jù)量的有力工具。通過利用人工智能和機器學習的最新進展，該模型可以幫助組織優(yōu)化其數(shù)據(jù)處理工作流，并提高其物聯(lián)網(wǎng)部署的效率和有效性。
