7篇关于边云协同的计算机毕业论文

今天分享的是关于边云协同的7篇计算机毕业论文范文, 如果你的论文涉及到边云协同等主题,本文能够帮助到你

物联网边云协同架构设计及任务调度算法研究

这是一篇关于物联网,边缘计算,微服务,边云协同,任务调度的论文, 主要内容为时延敏感型物联网场景要求物联网平台提供低时延、高质量的智能服务。中心化架构的物联网平台计算中心距离终端设备远,数据传输延迟高,采用边缘计算技术在近设备端部署服务可以解决云中心延迟高的问题,但边缘云的分散化部署导致服务管理协同困难,同时单个边缘云计算资源有限,难以独立处理大规模的计算任务。针对以上问题,本文提出一种适用于时延敏感型应用场景的物联网边云协同架构,基于所提出架构研究面向大规模时延敏感任务的在线调度算法。针对分散化部署的边缘云和分布式服务管理困难的问题,提出一种基于微服务的边缘云服务管理方法,实现对边缘云服务的统一监管和动态配置;针对服务跨边缘云协同困难的问题,基于g RPC技术设计多样化的调用方式及规范化的服务调用接口,实现服务间的高效协同;基于RBAC模型和OAuth2.0技术,设计服务访问权限控制机制,实现物联网基础服务组件的安全受控共享;针对边缘云难以独立处理大规模计算任务的问题,提出一种边云协同任务调度机制,通过对边缘云中的任务调度器灵活配置离线调度策略,将任务调度到云计算中心或其它负载较轻的边缘云,实现对任务的高效协同处理。针对大规模时延敏感任务随机产生的场景,提出一种基于完成时间预估的在线任务调度算法,综合考虑传输延迟、等待延迟、计算时间以及资源争用等因素,以最小化任务平均完成时间为目标,根据备选计算节点的任务完成预估时间排序作出调度决策,实验表明,所提出调度算法的任务平均完成时间相比于最小延迟优先算法和最小等待队列优先算法分别降低了28.3%和12.6%;针对具有时间约束要求的任务在线调度场景,提出一种两阶段多路调度算法,第一阶段将任务预分配到备选计算节点,采用改进的FIFO算法检查调度可行性并计算松弛时间;在第二阶段,为避免信息延迟及资源争用导致的负载不均衡问题,根据松弛时间的比例为可行调度节点设置相应的调度概率,依据概率作出调度决策。实验表明,所提出的两阶段调度算法的任务截止时间错过比相较于EDF(Earliest Deadline First)算法和基于完成时间预估的任务调度算法分别降低了15.4%和26.7%。基于所提出的架构和方法,设计并实现了边云协同物联网平台,并应用于“智慧楼宇”、“智能哨兵”等项目,验证了所研究方法的可用性。

基于边云协同的齿轮箱远程诊断系统设计与开发

这是一篇关于齿轮箱,远程故障诊断,边缘计算,边云协同的论文, 主要内容为齿轮箱是石油作业现场重要的机械设备,在实际生产作业中起到至关重要的作用。传统的云平台齿轮箱设备监测及故障诊断方法虽然已经能够对设备进行远程故障诊断,然而,随着企业需求增长和生产规模的增加,越来越多的设备从生产作业现场接入云端,产生的数据量呈指数型增长,这不仅提高了企业云服务器的资源存储成本也提高了数据传输成本。本文以有效监测现场齿轮箱运行状态、准确快速识别齿轮箱故障为目的,综合运用边缘计算、云计算技术设计开发了一套基于边云协同的齿轮箱远程故障诊断系统。主要内容如下:(1)基于边缘计算的齿轮箱远程故障诊断系统设计。针对传统云计算远程故障诊断系统在上传现场数据产生较大的流量成本问题,分析边缘计算在远程诊断中应用的优势及必要性,设计具有边缘计算功能的齿轮箱远程故障诊断系统,将数据在边缘层就进行预处理及分析,将必要数据传输到云层进行分析。并通过现场数据采集量的分析表明该系统设计可有效减少35%的数据传输量,降低流量成本,避免数据经过多次传输导致的泄露风险,提高数据安全性。(2)基于边云协同的故障诊断方法。针对传统云计算故障诊断模型的使用通常需要花费一定的数据的上传与模型运算的时间,这对现场实际设备故障诊断工作缺失了实时性。结合边缘计算的使用,提出一种边云协同的齿轮箱故障诊断方法。通过采用模糊贴近度算法对采集到的故障数据进行预诊断工作,初步判断故障严重程度。云计算通过上传的故障数据通过VMD-BP神经网络齿轮箱诊断模型进行进一步的故障识别与分析为后续维护提供依据。该方法弥补传统云计算故障诊断系统在大数据背景下对现场故障响应速度慢的缺点,令设备故障诊断工作的开展更贴近于现场。(3)设计开发齿轮箱远程故障诊断系统。以边缘计算为基础框架设计的齿轮箱故障诊断系统,结合边云协同的故障诊断方法,利用ASP.NET、C#、My SQL及阿里云开发边缘层故障预诊断系统与齿轮箱远程故障诊断系统。现场可通过以太网的方式接入智能网关使用故障预诊断系统进行设备的状态监测与故障预诊断。远程端可通过浏览器访问齿轮箱远程故障诊断平台实现远程在线监测、数据分析、故障诊断等功能,通过现场实际应用验证系统功能及稳定性。

物联网边云协同架构设计及任务调度算法研究

基于Kubernetes的边云协同平台任物调度管理系统的设计与实现

这是一篇关于边缘计算,边云协同,Kubernetes,任务调度,蚁群算法的论文, 主要内容为在面对海量用户设备连接带来的数据流量爆炸式增长及用户对服务质量要求越来越高的情况下,越来越多的企业开始关注边缘计算。边缘计算模型的兴起并不代表云计算模型的没落,边缘计算实际上可以看作是对集中式云计算的补充,二者的结合可以减少延迟、提高可扩展性、增加对信息的访问量,为用户提供更好的服务质量。决策计算任务在边云集群中哪个节点执行的过程称为任务调度,调度决策的优劣将直接影响整个边云集群的性能,因此调度算法的设计对边云集群的性能非常重要。论文首先调研了当前主流集群管理应用Kubernetes中内置的调度组件所采取的调度策略,分析了调度决策过程中需要考虑的基本因素,之后调研了国内外现有的自定义调度算法,分析了各种自定义调度算法的优劣。基于上述调研,对基于Kubernetes的边云协同平台的任务调度系统进行了需求分析、架构设计、功能设计与数据库表设计。详细设计了各功能模块,包括通信模块、策略配置模块、调度模块、集群监控模块、负载均衡模块和结果展示模块。其中,调度算法是本系统的核心。本文首先提出一种基于蚁群算法的边云协同多任务调度算法,综合考虑了边云协同集群资源、集群各计算节点之间的网络以及边云节点的任务负载比等情况,使用打分结果进行信息素矩阵的初始化,避免了迭代前期的无效搜索;引入动态随机因子,兼顾了算法执行前期随机性以及后期的收敛速度;将边云负载比要求加入到目标函数的计算,保障了任务在边云节点间的均衡分担。同时,在每次调度结束后,基于调度结果进行负载均衡预测,有效降低了负载均衡的决策延迟。最后,将任务调度系统部署到边云协同平台,通过功能测试和性能测试,验证了任务调度系统的功能正确性以及各项性能指标的有效性,表明本文所提出的边云协同平台任务调度管理系统具有良好的调度性能和运行稳定性。

基于边云协同的无人机目标检测与追踪系统设计

这是一篇关于无人机,边云协同,ROS,目标检测,跟踪定位,卷积神经网络,模糊神经网络的论文, 主要内容为随着人工智能和无人机技术的迅速发展,人工智能技术在无人机领域的研究与应用越来越广泛。无人机因其视野广阔、运动灵活,可实现在高危环境下作业,无视地形限制等特点,被迅速应用到越来越多的行业。为解决自主式无人机对地面特定目标的侦查和跟踪问题,本文基于无人机实验平台提出一种边云协同的目标检测与追踪系统,设计了边云协同的分布式通信架构,在自组网内可实现动态增加节点数量及各节点间的数据交互。在此基础上实现边缘端无人机和云服务器协同完成目标检测任务,及在边缘端无人机的板载计算机内实现对指定目标的持续跟踪。基于以上目标的实现,本文主要的研究工作如下:(1)对YOLOv4目标检测算法的模型结构、参数量分布和MobileNet深度可分离卷积的特征提取网络进行分析,提出采用MobileNet深度可分离卷积的特征提取网络替换YOLOv4的骨干网络,并对YOLOv4模型Neck部分的PANet加强特征提取网络中的3×3普通卷积使用深度可分离卷积进行替换,实现模型的轻量化。为避免因模型参数量减少导致的精度下降,在替换后的特征提取网络中引入注意力机制模块,通过加强关键信息弱化无用信息来提高模型的表达能力,完成基于注意力机制的Mobile-YOLONet轻量化目标检测算法设计。将设计算法在PASCAL VOC数据集中进行训练和测试,使得改进算法与原版YOLOv4算法相比,检测速度提升了8.4 FPS,在NVIDIA Jeston NX的板载计算机中调用摄像头进行实时的目标检测可达到13.2FPS(Frames Per Second),且检测类别的准确率也满足目标检测的应用需求。(2)针对边云协同的目标检测算法设计一种基于ROS(Robot Operating System,机器人操作系统)的边云协同分布式通信架构,在边缘端无人机的板载计算机内部署基于注意力机制的Mobile-YOLONet轻量化目标检测算法,在云服务器端部署YOLOv4目标检测算法,实现边缘节点无人机协同云服务器共同完成对地面目标的实时目标检测。通过设计一种基于Sugeno型模糊神经网络的边云协同选择器,通过BP(back propagation,反向传播)神经网络对模糊控制系统的隶属度函数等参数进行自适应学习调整,最终在边云协同的目标检测算法中实现云服务器端目标检测算法的自适应启用,从而提升复杂图像画面目标检测的准确率。(3)对边缘节点无人机目标跟踪与定位算法进行研究,设计了一种多尺度目标框自适应调节的KCF(Kernel Correlation Filter,核相关滤波)跟踪模型算法,实现目标框尺度的自适应调整,解决了原KCF算法中目标框尺度无法调节导致目标框中包含干扰信息的问题。并设计坐标转换算法实现将目标物体在像素坐标系下的坐标信息经过多次坐标变换,得到目标物体在世界坐标系下的GPS坐标,上位机通过实时更新此信息引导无人机定点跟随目标物体运动,并通过无人机实验平台验证了所设计的目标跟踪算法的有效性。最后根据实验目的与应用需求设计边缘节点无人机实验平台和云服务器端无人机地面控制平台,其中包括硬件选型设计和通信链路设计,软件设计及部署,实现边缘节点无人机与云服务器端无人机地面控制平台的通信,并依托此实验平台完成基于边云协同的目标检测与追踪系统的实验,验证了实验平台的稳定性。

中波导航台站一体化监测远控系统设计与实现

这是一篇关于中波导航系统,远程控制,不间断远程动力,软件平台,边云协同的论文, 主要内容为中波导航台站作为航空无线电导航的地面基站,导航信号覆盖我国大范围领空和领海,中波导航因具有较好的隐蔽导航特性和低空性能表现,在军事应用的飞行导航中广泛存在。传统的中波导航台站因投产建设年代早,设备智能化程度较低,尤其缺乏远程监测响应能力。又因建设的位置受地理因素限制,表现出“建设位置偏离中心、值守人员离散分布、信息管理非集中化”的特点,这些非有利因素导致部队在统筹军事导航任务时资源消耗较大,一方面飞机飞行导航任务的时效性很强,特别是军事训练或作战任务,地面导航保障不容有失,而传统中波导航台的建设现状表现出容错冗余能力较低的特点,如在台站动力环境遭遇破坏时,导航任务会立即受阻,又或在发射机主设备故障时,备用设备的切换受值守人员的现场干预较多;其次,偏离中心的离散化台站分布,使得部队在信息收集和管理上存在问题;缺乏远程响应能力的中波导航台站表现出运维成本高,运维难度大的特点。我国军事应用的中波导航台站数量众多,大部分建设情况均是如此,为了推进无人值守及智慧台站建设,设计研发中波导航台站一体化监测远控系统有效解决所面临的问题。本文结合空军某部队中波导航台站现阶段运行实况,通过天馈线系统设计、发射机通讯控制方案设计等,实现从远程运维终端监测控制中波导航系统,运用物联网、传感器技术等实施对中波导航台站应用设备的运维保障,以不间断远程动力控制、环境温湿度监控,台站周边安防告警等系统模块为核心内容,完成对部队中波导航台站的远程监测与管控。本文主要内容包括以下四个方面:一是研究中波导航系统的相关技术,对现阶段台站系统运行情况进行分析;二是针对中波导航台站一体化监测远控系统的硬件方案设计,以模块化方式对系统关键技术进行研发,具体包括设计天馈线系统应用的联动切换模块、提出一种基于机构联动的到位检测电路、设计不间断远程动力系统及智慧安防模块等;三是开发软件平台并进行系统测试与云部署,软件基于前后端分离的MVC架构,采用Spring Boot、Vue、Redis等技术栈完成系统开发,基于边云协同的网络架构进行系统部署并完成测试,测试结果符合系统需求。