关键词： 移动计算   气象数据   交互分析   可视化   数字地球   三维图形渲染  

摘要： 移动计算时代的到来伴随着人工智能、大数据挖掘、GPU并行计算等信息技术的飞跃和Web技术规范的统一,这一发展促进了众多面向移动计算平台的气象数据可视化应用的诞生和蓬勃发展。然而移动计算设备存在计算能力较弱、图形软件库功能不齐全的缺陷,造成国内的气象应用存在着可视化方法陈旧、浏览器兼容性和性能不理想的问题。为此,本文设计并实现了基于B/S架构、面向移动计算的气象数据交互分析与显示系统WeatherApp。首先研发了二三维一体化的数字地球引擎,该引擎提供了常用的地理信息系统功能,能够在不同维度视图之间快速切换,为全新渲染方法的引入奠定了基础。其次,实现了包括流线和体绘制在内的高级三维可视化方法。本系统已应用于台风预报业务中并取得较好的应用效果。通过支持所有主流桌面和手机浏览器,WeatherApp能够让用户随时随地通过移动计算设备查看感兴趣的资料,进而提高工作效率。

关键词： 位置隐私   车联网   移动计算   假名方案  

摘要： 论文探讨了车联网车的位置隐私问题,通过联网系统模型建立以及假名分发方案的求证与仿真,就车辆假名提出了相应的管理框架,并制定了以位置隐私保护为目的的假名方案,基于此进行了假名更换是否具有安全性的评估工作。而所有的研究都建立在雾计算概念基础上。当前,雾计算技术正处于萌芽阶段,从技术层面来说,雾计算有着比云计算更强的优势,比如可以覆盖更广的空间、时延也更低,传感器网络具有丰富的节点,所以可以连接更多的边缘网络设备,上述优势都可以作为车联网假名管理强有力的技术支持。由此可知,论文所进行的研究与互联网“去中心化”的特点相吻合。从论文研究的仿真效果来看,假名管理全部包含在假名雾的模块之中,车辆通信成本大为降低,车辆的网络安全问题也得到了有效解决。因此,车辆的隐私问题可以随机数序列在科学研究和工程技术等方面得到了广泛的应用,其作用越来越重要。

关键词： 边缘计算   移动计算   计算迁移   数据安全  

摘要： 移动边缘计算的数据安全和用户隐私是构建边缘计算平台的一大挑战。在相对封闭的移动边缘计算体系中,整个系统不仅仅只受单一所有者控制,边缘数据中心能够在不依赖中央基础设施的情况下提供服务,这使得基础设施的每个部件或单元都可以随时被瞄准或破坏。笔者针对移动边缘计算系统的数据安全问题和可能遭受的攻击行为进行了综述,针对不同类型的安全威胁部署不同的安全机制,从身份验证、准入控制、网络协议、信任机制以及入侵检测等角度构建有效的防御体系。

关键词： 初创公司   研发水平   自动驾驶   软件定义   用户体验   系统级芯片   基础架构   智能化方向  

摘要： 当今越来越多的行业朝着智能化方向转移,拥有百年历史的汽车行业也不例外。汽车制造商、供应商、初创公司等正接受着这股浪潮的洗礼,向自动驾驶时代前进。蔚来是一家全球化的智能电动汽车公司,于2014年11月25日正式成立。蔚来致力于通过提供高性能的智能电动汽车与极致用户体验,为用户创造愉悦的生活方式。蔚来采用了NVIDIA DRIVE Orin系统级芯片构建自主研发的新一代自动驾驶平台,其在智能电动汽车领域始终保持领先的自动驾驶研发水平,满足软件定义车辆的AI基础架构和车内计算需求。

关键词： 移动工作站   图形处理   移动计算   游戏性能   硬件配置   酷睿   深度学习   PC硬件  

摘要： 随着近年来PC硬件不断迭代升级,移动工作站在硬件配置选择上也变得非常宽泛,不仅可以发挥专业图形处理和数据计算能力,为用户提供高性能的移动计算能力,同时又拥有不错的通用属性。我们本次要评测的,就是这样一台跨界移动工作站,来自戴尔的Precision 7560。按照传统分类,我们手中这台移动工作站属于“非典型”配置——英特尔酷睿i7-11950H和NVIDIA GeForce RTX 3080,配置上更像一台顶配的游戏笔记本。但RT X 30系显卡除了游戏性能强大,还具备强大的A I运算能力,在深度学习领域也发挥着不可或缺的作用。

关键词： 物联网技术   智能移动终端技术   移动计算技术   室内空间定位技术   行业应用  

摘要： 随着物联网技术、智能移动终端技术、移动计算技术的飞速发展,当今社会对室内定位服务的需求也日益强烈,传统的卫星定位、基站定位等室外定位技术已不能适应当今社会的应用需求。因此,在当今时代背景下,开展室内空间定位技术的研究、推进室内空间定位技术的行业应用对于社会的智能化发展与进步具有十分重要的意义。鉴于此,首先概述了超宽带定位、蓝牙定位、超声波定位等主流室内定位技术以及测距和非测距两类室内空间定位算法;而后,论述了室内空间定位技术在公共安全、人资物资管理、智能交通、室内定位服务、大数据关联分析以及社交网络等典型场景中的应用研究现状;最后,探讨了现阶段室内空间定位技术发展所面临的挑战,并对未来的主要研究方向进行了展望。

关键词： 学校教育信息化   软硬件设备   专业教学质量   数字化系统   汽修专业   信息技术   大数据   移动计算  

摘要： 移动计算、大数据等信息技术对教育的影响日趋明显,支持移动学习的软硬件设备系统有助于实现教学方式的改革突破。笔者借助希沃系统,以专业课课堂为主阵地,探索了汽修专业微移动学习方案的构建,以提升专业教学质量。1基于希沃方案的微移动教学方案构建希沃系统能促进学校教育信息化层级不断提升。它与中职教学诊改思想不谋而合,为中职专业课教学改进与技术方案的构建提供了思路。

关键词： D2D   移动计算   机会网络模拟器   中继选择   强化学习  

摘要： 随着超高画质流媒体视频、虚拟现实、移动计算的高速发展,以及各种智能设备在人群中的持有率日渐提高,使得移动通信网络的负荷水涨船高且有持续增长的趋势。当前,4G蜂窝通信技术在大规模蜂窝用户的密集连接需求中已逐渐呈现出颓势,因此,如何在日渐减少的频谱资源中,使移动设备持有者能快速连接并实现高效的数据传输,成为通信系统中亟待解决的一个问题。D2D(Device-to-Device)技术中,基站不再是通信过程中的必须路径,转而将用户设备作为通信链路中的一环(而不是终端)来使用的一种通信模式。D2D通信作为5G移动通信的关键技术,可以改善短距离通信的用户体验,解决海量终端接入造成的通信质量差的问题。本文通过机会网络模拟器ONE,进行了一次关于节点移动性的讨论,提出了一种基于多对多D2D模式的中继选择算法,并尝试使用强化学习来增强D2D中继选择的效果。 本文的主要内容如下: 介绍了在D2D中继通信领域国内外的研究现状,通过比照发现在移动性领域尚未进行充分研究,因此将结合了移动性的D2D中继通信作为本文的研究切入点展开研究。 介绍了D2D通信的各种形式以及人类移动性的相关探究,以及强化学习的相关概念。 介绍了机会网络模拟器ONE,并对其源码进行了部分优化。设计出可实现中继通信功能的Java代码,并对其功能及算法复杂度做出解读。对程序中的结果分析类进行改进,使其不再进行多余的写操作,提高了程序的运行效率;同时也对仿真过程中可能出现的并行修改异常进行了分析与改进,使得程序更加稳定。 提出了一种在高节点密度场景中适用的多对多模式D2D中继选择算法MCAP,使环境中热门中继设备的负载压力显著降低。该算法打破了过往中继算法中,每个请求设备同时只能被一个中继设备服务的限制,提升了系统资源的利用率,使请求设备的通信成功率大幅提高。仿真结果表明:在不同的接入容限、备选中继数量以及传输范围的限制条件下,MCAP算法在通信成功率方面相比其前身CAP算法均取得了超过30%的领先。 应用强化学习算法Actor-Critic对移动环境下的D2D中继选择问题进行了优化。本部分实验的创新之处在于,相较于大多数处于静止状态的研究,本文为环境中的节点应用HMM移动模型,并提出使用设备间可能的位置组合来设置状态空间,同时在奖励函数中考虑历史通信信息以达到对节点移动信息的学习效果。仿真数据表明,最终学习得到的策略使环境中的请求设备的通信成功率由32%提高到54%,碰撞概率由90%下降到30%,优化效果显著。

关键词： 移动计算   联邦学习   通信效率   多任务学习  

摘要： 联邦学习(Federated Learning,FL)是一个适用于移动计算中保护隐私的协作学习框架,其核心思想是在联合训练模型时,参与训练的多方用户设备无需上传原始数据,只需上传自身模型。在FL中,用户设备和服务器之间的通信成本优化问题受到学术界的广泛关注。本文将结合多任务学习、量化压缩、机器学习优化算法、自适应调整等对FL的个性化任务学习和用户选择策略进行研究,主要工作包括:(1)提出一个多项个性化任务协作学习框架,优化FL的整体通信成本。现有的FL框架大多针对每个用户仅学习单项任务的场景,然而每个用户在移动设备上通常有多项相关且与用户本身数据关联度极高的个性化任务,例如多内容推荐。利用传统的FL框架进行多项个性化任务学习时,需要针对每项任务单独训练模型,消耗大量的通信资源。为此,本文提出一个面向多项个性化任务的联邦学习问题,其目标是在每个用户学习多项个性化任务时最小化整体通信成本。特别地,我们将多任务学习与FL相结合,通过每个用户训练一个模型的方式同时学习多项个性化任务,并提出协作学习框架。该框架根据多任务学习的特性修改加速收敛算法和量化压缩策略,在保证模型精度损失极少的情况下获得更优的通信效率。最后,基于真实数据集的实验结果表明本文提出的框架具有良好的性能。(2)提出一种自适应用户选择算法,在满足全局模型精度的前提下降低通信成本。较多FL研究工作关注如何在约束条件下最大化每轮通信选择的用户数量,这些方法通过加快全局模型收敛速度降低通信成本,并且把各个用户当前模型的损失值作为用户选择的标准,但忽略了用户本地训练的局部收敛速度更能衡量当前的训练进展。考虑到该因素,本文提出了一个在满足模型精度的前提下最小化通信成本的FL问题。为了解决这个问题,我们提出自适应用户选择算法,在不影响全局模型收敛的前提下,通过每轮自适应选择少量但收敛速度更快的用户参与聚合,从而有效提高通信效率,并且自适应调整本地训练参数和调整全局模型聚合的方式。最后,基于真实数据集的实验结果表明本文所提算法的高效性。

关键词： 移动计算   边云协同   计算卸载   DNN推理   DNN查询   智能应用  

摘要： 随着移动设备的普及,人脸识别、智能语音助手、手势识别等智能应用已广泛应用于人们的日常生活中。然而,由于移动设备计算能力不足,往往很难支持复杂的深度神经网络(Deep Neural Network,DNN)推理。为减轻移动端计算压力,传统方法多选择将DNN模型卸载到云/边缘服务器,而为了在云/边缘服务器上运行DNN模型,需要将DNN模型按需提前卸载到指定计算节点。在这个过程中,如何实现任务执行时延及数据传输时延的权衡,进而获得高效的DNN迁移计划是研究者们一直在探讨的问题。此外,为实现实时DNN查询,本文考虑在上传DNN分区的同时执行DNN查询。在以往的研究中,学者们多选择在单客户端-单边缘服务器计算环境下结合最短路径法及惩罚因子法划分DNN模型并创建其对应的上传计划。然而由于惩罚因子可选取的个数有限,这导致DNN分区往往很大,难以获取细粒度DNN分区。本文提出了一种在本地-边缘-云协同计算环境下加速DNN推理的卸载方案——EosDNN,其中DNN推理加速主要体现在优化迁移时延和实现实时DNN查询上。EosDNN综合考虑了迁移计划和上传计划两方面:对于前者,利用粒子群遗传优化算法(Particle Swarm Optimization-Genetic Algorithm,PSO-GA)生成DNN模型中各DNN层在服务器下的分布,进而优化迁移时延;对于后者,提出了一种层合并上传算法(Layer Merge Uploading Algorithm,LMU)来获取DNN分区及其上传顺序,从而优化实时DNN查询的性能。本文的主要贡献如下:(1)首先,基于PSO-GA算法,本文提出一种DNN迁移计划,以获取本地-边缘-云协同计算环境下DNN层在各服务器的分布情况。这种方法适用于多任务并行的情景,避免了传统算法极易陷入局部最优的缺陷,有利于获得满足低时延的DNN模型迁移计划,进而加速DNN推理。此外,本文提出了一种名为二步迁移预处理的方法来处理拓扑类型DNN模型,使得EosDNN卸载方案适用于不同类型的DNN模型。(2)其次,本文提出LMU算法来获取DNN分区及其上传顺序,进而生成满足高效DNN查询性能的DNN上传计划。这种方法不仅克服了传统DNN上传计划仅适用于单客户端-单云/边缘计算环境的限制,还大大降低了DNN分区的粒度,极大地提高了DNN查询的性能。(3)最后,本文考虑了一种更为现实的卸载场景——在资源有限的多用户本地-边缘-云协同计算环境中卸载DNN模型,该场景适用于大规模DNN模型的迁移和上传,能够切实满足现实情景中用户对服务质量的需求。此外,本文也探讨了由大规模DNN模型在资源有限计算环境中并行所带来的任务排队时间。