面向边缘智能协同协议的AutoML低功耗训练数据调度策略研究.pdfVIP

面向边缘智能协同协议的AUTOML低功耗训练数据调度策略研究1

面向边缘智能协同协议的AutoML低功耗训练数据调度策

略研究

1.研究背景与意义

1.1边缘智能协同协议的发展现状

边缘智能协同协议是实现边缘计算与人工智能深度融合的关键技术，近年来得到

了快速发展。

•市场规模增长：据市场研究机构Gartner预测，到2025年，全球边缘计算市场规

模将达到500亿美元，其中边缘智能协同协议的应用占比将超过30%。这表明边

缘智能协同协议在市场中的重要性日益凸显，成为推动边缘计算发展的核心动力

之一。

•协议类型多样化：目前，边缘智能协同协议主要包括设备间通信协议、云边协同

协议和边边协同协议等。设备间通信协议如ZigBee、Z-Wave等，主要用于智能

家居、工业物联网等场景中设备之间的数据传输，其特点是低功耗、低速率、高

可靠性；云边协同协议如MQTT、CoAP等，用于实现边缘设备与云端的数据交

互，具有轻量级、低带宽占用等优势；边边协同协议则侧重于边缘设备之间的协

作，如分布式计算、负载均衡等，能够有效提高边缘计算的效率和性能。

•技术标准逐步完善：国际标准化组织如IEEE、ETSI等正在积极推进边缘智能协

同协议的标准制定工作。例如，IEEE成立了边缘计算标准工作组，制定了多项相

关标准，如IEEE1934（边缘计算架构标准）等，为边缘智能协同协议的发展提

供了技术规范和指导。这些标准的制定有助于实现不同厂商设备之间的互联互通，

促进边缘智能协同协议的广泛应用。

•应用领域广泛：边缘智能协同协议在智能家居、智能交通、工业自动化、医疗健

康等领域得到了广泛应用。在智能家居领域，通过边缘智能协同协议，智能设备

之间可以实现无缝连接和协同工作，如智能门锁、智能照明、智能家电等设备的

联动控制；在智能交通领域，边缘智能协同协议可用于车辆与道路基础设施之间

的通信，实现交通流量优化、自动驾驶辅助等功能；在工业自动化领域，边缘智

能协同协议能够实现工业设备的远程监控、故障诊断和生产过程优化，提高生产

效率和质量；在医疗健康领域，边缘智能协同协议可用于医疗设备的数据采集与

传输，实现远程医疗、智能诊断等应用。

1.研究背景与意义2

1.2AutoML低功耗训练的必要性

AutoML（自动化机器学习）技术的出现极大地简化了机器学习模型的开发流程，

提高了模型开发的效率和质量。然而，在边缘智能场景中，由于设备资源有限，传统的

AutoML训练方法面临着功耗过高的问题，因此研究AutoML低功耗训练数据调度策

略具有重要意义。

•边缘设备资源限制：边缘设备通常具有有限的计算能力、存储容量和能源供应。例

如，许多物联网传感器节点的CPU主频仅为几十MHz，内存容量仅为几百KB，

电池容量有限，无法满足传统AutoML训练方法对资源的高要求。在这种情况下，

如果采用高功耗的训练方法，会导致设备快速耗尽电量，影响设备的正常运行和

使用寿命。

•数据量增长与传输成本：随着边缘智能应用的普及，边缘设备产生的数据量呈爆

发式增长。据IDC统计，到2025年，全球边缘设备产生的数据量将达到79.4ZB。

将如此大量的数据传输到云端进行处理不仅会增加网络带宽的负担，还会带来高

昂的传输成本和延迟问题。因此，需要在边缘设备上进行本地化的数据处理和模

型训练，以减少数据传输量和延迟，提高系统的实时性和响应速度。

•模型性能与功耗的平衡：在边缘智能场景中，既要保证机器学习模型的性能，又

要尽量降低功耗，这是一个需要权衡的问题。传统的AutoML训练方法在追求高

模型性能的同时，往往忽视了功耗的优化。研究表明，通过合理的数据调度策略，

可以在不显著降低模型性能的前提下，将训练功耗降低