无线边缘智能电子书

PREFACE 前言

CHAPTER 1 第1章 概述

1.1 无线边缘智能产生的“大背景”

1.1.1 新基建的诞生

1.1.2 大数据时代的数据洪流

1.1.3 数字经济与数智化

1.2 计算模式的发展历史

1.2.1 云计算

1.2.2 雾计算

1.2.3 边缘计算

1.2.4 移动边缘计算

1.2.5 多接入边缘计算

1.3 无线边缘智能

1.3.1 主要挑战

1.3.2 边缘智能

1.3.3 无线通信融合边缘智能

本章小结

CHAPTER 2 第2章 无线边缘智能中的资源与优化

2.1 任务卸载

2.1.1 计算任务

2.1.2 基本流程

2.1.3 卸载策略

2.1.4 任务拆分

2.1.5 是否卸载

2.2 度量指标

2.2.1 最小化时延

2.2.2 最小化能耗

2.2.3 时延和能耗权衡

2.2.4 数据隐私

2.2.5 信息年龄

2.3 启发式的任务卸载策略

2.3.1 基于Lyapunov优化的任务卸载

2.3.2 基于博弈论的任务卸载

2.3.3 基于马尔可夫决策过程的任务卸载

2.4 智能卸载决策

2.4.1 基于分布式深度学习的任务卸载

2.4.2 基于强化学习的任务卸载

2.4.3 基于深度强化学习的任务卸载

2.4.4 基于模仿学习的任务卸载

2.4.5 基于元强化学习的任务卸载

2.4.6 基于联邦学习的任务卸载

2.4.7 结合区块链的任务卸载

2.5 存在的问题和挑战

2.5.1 数据完整性

2.5.2 资源异构性

2.5.3 时间延迟

2.5.4 能量消耗

本章小结

CHAPTER 3 第3章 云-边-端-网-智体系结构

3.1 整体结构

3.2 融合通信模式

3.2.1 5G使能技术

3.2.2 云网融合

3.2.3 算网融合

3.2.4 云管端融合

3.3 融合计算模式

3.3.1 端云协同

3.3.2 端边协同

3.3.3 边云协同

3.3.4 边边协同

3.3.5 端边云协同

3.4 融合智能模式

3.4.1 DNN模型压缩

3.4.2 DNN模型分割

3.4.3 DNN任务卸载

本章小结

CHAPTER 4 第4章 无线边缘智能中的数据协同

4.1 面临的主要挑战

4.1.1 数据的异构性

4.1.2 数据的可用性

4.1.3 数据的完整性

4.1.4 数据的新鲜度

4.1.5 数据孤岛问题

4.2 边缘数据管理

4.2.1 数据采集

4.2.2 数据传输

4.2.3 数据存储

4.2.4 数据处理

4.3 边缘数据同步

4.3.1 云边端协同分层联邦学习

4.3.2 云边端协同元学习

4.4 无线边缘智能的隐私保护

4.4.1 区块链+深度强化学习

4.4.2 区块链+联邦学习

4.4.3 嵌入区块链的边缘计算仿真平台

4.5 无线边缘智能的能量收集

4.5.1 能量收集系统

4.5.2 能量收集和优化

4.5.3 能量智能感知

本章小结

CHAPTER 5 第5章 无线边缘智能中的算力协同

5.1 算力的基本概念

5.1.1 算力的定义

5.1.2 算力的发展

5.2 面临的主要挑战

5.2.1 算力资源的异构性

5.2.2 算力需求的异构性

5.2.3 算力资源与供需分布不匹配

5.2.4 边缘算力管理困难

5.3 算力感知

5.3.1 算力资源感知

5.3.2 边缘算力位置选择

5.3.3 算力资源的匹配

5.4 算力资源调度

5.4.1 动态资源调度

5.4.2 溢出计算资源调度

5.4.3 异构云资源调度

5.5 DNN模型分割与卸载

5.5.1 面向云边端协同的DNN模型分割

5.5.2 面向云边端协同的DNN模型卸载

5.5.3 DNN模型的查询和卸载

5.5.4 国内外研究现状

5.6 算力网络

5.6.1 算力网络的定义

5.6.2 算力网络的特点

5.6.3 算力网络的发展

本章小结

CHAPTER 6 第6章 无线边缘智能中的通信协同

6.1 移动通信和边缘网络

6.1.1 移动通信技术的发展

6.1.2 移动边缘网络

6.1.3 雾辅助无线网络

6.2 通信系统模型

6.2.1 基准和数据集

6.2.2 复值神经网络

6.2.3 不同环境下的重复训练

6.2.4 信道模型不可知

6.2.5 时变信道快速衰落问题

6.3 端到端的通信系统模型

6.3.1 自编码器

6.3.2 SISO系统的自编码器设计

6.3.3 MIMO系统的自编码器设计

6.3.4 基于EBGAN的通信系统模型

6.3.5 通信系统的端到端学习

6.4 信道状态信息压缩及重建

6.4.1 传统的CSI反馈

6.4.2 基于深度学习的CSI反馈

6.5 解决梯度反向传播的阻塞问题

6.5.1 二阶段训练方法

6.5.2 基于生成对抗网络的训练方法

6.5.3 同步扰动随机逼近算法

6.5.4 基于元学习的训练方法

6.6 恶劣环境下的任务卸载

6.6.1 基于区块链的边缘协作模型

6.6.2 基于故障模型的多目标卸载决策

6.6.3 基于通信、缓存和计算的雾辅助无线网络

6.6.4 计算与通信的协同

本章小结

CHAPTER 7 第7章 边缘智能协同平台

7.1 边缘智能协同的意义

7.2 云边端协同整体架构

7.2.1 云原生操作系统——Kubernetes

7.2.2 边缘计算架构——KubeEdge

7.2.3 端计算架构——EdgeX Foundry

7.3 边缘计算架构

7.3.1 非侵入云原生架构——OpenYurt

7.3.2 百度边缘计算架构——Baetyl

7.3.3 Apache Edgent边缘计算

7.4 边缘智能平台

7.4.1 智能边缘计算平台——EdgeStack

7.4.2 5G MEC开源平台——EdgeGallery

7.4.3 微软Azure IoT Edge

7.4.4 华为IEF

7.5 仿真器

7.5.1 IoT层仿真器

7.5.2 边缘计算层仿真器

7.5.3 雾计算层仿真器

7.5.4 云计算层仿真器

本章小结

CHAPTER 8 第8章 无线边缘智能的前沿趋势

8.1 云原生与边缘计算

8.1.1 虚拟化和容器技术

8.1.2 云原生的概念

8.1.3 计算系统的演进

8.1.4 云原生应用

8.1.5 云原生和无线边缘智能

8.2 数字孪生与无线边缘智能

8.2.1 数字孪生的定义

8.2.2 数字孪生与边缘计算

8.3 元宇宙与无线边缘智能

8.3.1 元宇宙的定义

8.3.2 元宇宙与边缘计算

8.4 Serverless与无线边缘智能

8.4.1 Serverless的定义

8.4.2 Serverless的发展

8.5 车载边缘计算

8.5.1 车联网

8.5.2 车载边缘计算及其应用

8.5.3 通感算一体化

8.6 卫星边缘计算

8.6.1 Serverless与边缘智能

8.6.2 产生的背景

8.6.3 卫星边缘任务卸载

8.6.4 卫星能耗模型

本章小结

参考文献