摘要： 跟着边缘设备数量指数级增加以及设备功用的行进，边云协同机器学习应运而生，以期打通机器学习的毕竟一公里。
本文测验网速同享自华为云社区《支撑边云协同终身学测验郁闷程度的问卷习特性，KubeEdge子项目Sedna0.3.0版别发布！》，原文作者：技能火炬手 。
1、当时机器学习落地应战
当时机器学习落地有哪些问题？
近二十年来，机器学习已广大数据分析泛运用于数据发掘、核算机测验视觉、自然语言处理、生物特征辨认、查找引擎、医学确诊、检测信用卡欺诈、证券市场分析、测验手机是否被监控DNA 序列测序、语音和手写辨认、战略游戏和机器人等范畴。
在实践事务落地进程中，大产品质量法部分大型云安全途径供货商均已供产品应机器学习算力等资源服务，一起支撑多种机器学习结构等以供给打开灵活的安顿环境。但是，机器学习模型所需的数据往往并非从云途径中发生，而是从传感器、手机、网关等边缘设备中发生。数据从边侧发生，而云端需从边侧搜集数据以练习和不产品质量法断完善机器学习模型。在实践落地时，当时机器学习需面对以下问题：
1）海量设备数据导致推迟和安全教育渠道登录本钱问题
– 假定即使有 100 Mbps 的专网联接，将 10TB 的数产品定位据运送到云端也需求 10 天。
– 面对许多边缘联接设备每天生成数百兆字节乃至 TB 数据，带来的推迟安全和本钱对客户和服务供给方来说往往是难以承受的；
2）数据紧缩导致的推迟和精度问题
– 正因搬迁一切数据一般不切实践，往往需求对数据进行“紧缩”(如特征工程、难例辨认等)并传输到云端，而数据紧缩测验手机是否被监控进程简单引进新的推迟。
– 紧缩测验纸怎么看是否怀孕数据不必定能彻底代表无缺数据集信息，简单导致精度丢失。
3）边测验网速侧数据隐私和核算实时性问题
上述问题的本质来历是数据在边缘发生，而算力却在云端更为满意。也就是说，机器学习服务将边缘发生的数据转换为常识的进程中，一方面需求在边缘快速照应并处安全教育渠道理本地发生的数据，另一方面需求云上算力与开发环境的支撑。跟着边缘设备数量指数级增加以及设备功用的行进，边云协同机器学习应运而生，以期打通机器学习的毕竟一公里。
当时边云协同机器学习落地有哪些应战？
现在边云协同机大数据查询器学习的经典办法是：在云上给定一个数据集作业机器学习算法构建一个模型，然后将这个模型不作更改运用在多个边侧的屡次推理使命上。这种学习范式称为关闭学习（也称孤立学习 [1]），因为它并未考虑其他现象学习到的常识和曾经学习到的前史常识。虽然边云协同机器学习技能的相关研讨和运用都有着显著的进展，然而在本钱、功用、安全方面仍有许多应战：数据孤岛/小样本/数据异构/资源受限 [2]。
在边缘云布景下，1）不同边侧数据散布总是不断改动，2）而边侧标明样本也往往因为本钱较高导致安全出产法数量稀少。因而关闭学习需不断标明样本并从头练习，这显着给服务落地带来巨大应战。这种数据散布和数据量测验用例上的应战分配称为数据异构和小样安全教育本，归于边云协同机器学习测验工程师的四大应战。
图 1 热舒适猜测服务中机器学习模型随边侧环境改动示意图
本文以一个热舒适猜测服务例子介绍相应应战，如图 1 所示。该服务输入外界温度等环境特征，猜测不同人员的热舒适程产品介绍度（热、舒适、冷）。因为边缘节点安顿方位从室外变动到室内，关于相同室外温度特征值 x=30，可以看到实践标明的热测验手机是否被监控舒适标明发生了较大变动。这原有室外模型上线猜测值全体偏低，要安全匹配到室内模型，则需求练习样本从头调整。也就是说，面对散布动态改动的边缘侧数据，因为没有回想前史和不同现象任测验蛙务常识，关闭学测验怀孕的试纸图片一深一浅习安全期计算器需求再三从头练习。
当时边云协同机器学习应战应如何处理？
从上面的评论可以了解到，当时的关闭学习范式可被用于供给数据同构和大数据的服务，但难以处理数据异构和小样本的问题，所以并不适宜用于建立通用的机器学习体系。伊测验郁闷症的20道题利诺伊大学芝加哥分校的刘兵教授也在 Frontiers of Computer Science 中总结，关闭学习范式一系列局限性的根本在于没有回想，这导致它一般需求许产品批号是出产日期吗多的练习样本测验工程师。
对应的范式改进可以从人类的学习进程中得到安全启示。可以看到，人类之所以可以越学越聪明，是因为每个人并非自我关闭地学习，而是不断地堆集以安全教育渠道登录前学习的常识，并安全出产法运用其他人的常识，学习更多常识 [1]。学习人类这种学习机制，终身学习结合边云协同可以发展出边云协同终身学习。**边云协同终身学习 1）在边侧一起结合了多使命学习和增量学习特性来处理新现象下数据异构和小样本的问题，2）凭仗云侧知大数据识库来回想新现象常识，**从根本上处理上述边云协同机器学习的应安全手抄报战。
2、边云协同终身学大数据与管帐习概念
根据 19安全期计算器95 年提出的终身学习概产品介绍念 [3] ，Sedna 进一步界说产品质量法边云协同终身学习为边云协同的多机器学习使命继续学习。其间机器测验学习使命是指在特定情境下运用的模型，如中译英（给定汉语翻译为英语）、亚洲植物分类等。正式界说如下：
边云协同终身学习：给定云侧常识库中 N 个前史练习使命，推理继续到来的当时使命和未来 M 个边侧任测验务，并继续更新云侧常识库。其间，M 趋向于无穷大，一起边侧 M 个推理使命不必定在云侧常识库 N 个前史练习使命傍测验边。
图 2 边云协同终身学习流程示意图
具体来说，边云协同终身学习的一般流程如图 2 所示：
1）初测验手机是否被监控始化常识库：在云侧常识库中存储和保护曾经 N 个使命（记为第 T-N 到 T-1 个使命）中练习并累积的常识。
2）学习当时使命：在边侧设备面对当时使命（记为第 T 个使命）时，根据云侧常识库先验常识练习第 T 个测验用例使命。注意，第 T 个使命并不必定在前史的 N 个使命傍边。机器学习
3）更新常识库：将学习到的测验怀孕的试纸图片一深一浅边侧第 T 个使命常识反应到云侧常识库并更新。
4）学习未来使命：继续学习未来 M 个使命（记为第 T+1 到 T+M产品司理 个使命）。与上面第 T 个使命运用曾经 N 个使命常识（从 T-N 到 T-1）类似，第 T+1 个使命的边侧使命常识则运用曾经 N+1 个云侧使命常识（从 T-N 到 T）。以此类推，直到完毕第 T+M 个使命测验蛙，完毕整个流程。
边云协同终身学习具有以下三大特征：
1） 边云协同继续学习：可以根据云侧算力和边侧数据协作完毕继续推理与练习，可以在推理作业安全教育渠道登录时变得越来越擅长模型练习。
2） **以云侧常识库为中心的边侧常识同享产品质量法：**以云侧常识库作为中心，完毕跨边的常识同享并处理边侧使命，一起耐久化与保护云端常识。
3） 边侧处理云侧不知道使命：需求边侧可以安全出产法发现和处理云端常识库不知道使命。其间不知道使命是指作业或测验安全教育渠道登录进程中发现的安全教育新使命，比如其运用现象或模型在常识库当时常识之外。
3、Sedna 边云协同终身学习特性
Kub机器学习eEdge 是一个开源的测验你的自卑程度边缘核算途径，它在 Kubernetes 原生的容器编列和调度才华之上，扩展完毕了边云协同、核算下沉、海量边缘设产品质量法备管理、边缘自治等才华。KubeEdge 还大数据将经过插件的大数据技能与应用专业办法支撑 5G MEC、AI 云边协持平场景，现在在许多范畴都已落地运用 [3]大数据与管帐。
KubeEdge AI SIG 于 20 年 12 月发布 KubeEdge 子项目开源途径 Sedna，架构如图 3 所示。Sedna 根据 KubeEdge 供给的边云协同才华，完毕 AI 的跨边云协同操测验蛙练和协同推理才华。支撑现有 AI 类运用无缝下沉到边缘，快速完毕跨边云的增量学习，联邦学习，协同推理等才华，毕竟下降边云协同机器学习服务构建与安顿本钱、行进测验郁闷症的20道题模型功用、保护数据大数据是什么意思隐私产品设计等 [2]。
图 3 Sedna 全体架构
在本次 0.3 版别更新中，Sed测验蛙na 供给了边云协同终身学习的特性支撑。Sedna 终身学习特性将根据边侧数据和云侧算力，逐渐完毕适应边侧事务与模型异构的高可信自动化人工智能。
Sedna 的边云协同终身学习作业分为大数据与管帐三个阶段：练习、点评和安顿，保护一个全局可用的常识库（测验怀孕的试纸图片一深一浅KB）服务于每个终身学习使命。架构如图 4 所示：
1） 建议操测验纸怎么看是否怀孕练 worker 根据开发者的 AI 基模型和练习数据集进行多使命搬安全教育渠道登录入口家学习，完毕使命的常识产品介绍归纳，包含：样本特征、AI 模型大数据与管帐、模型超参等。
2） 练习完毕对常识库的更新后建议对点评数据集的点评 worker，根据安顿者界说测验你的自卑程度的点评战略判别符合下发安顿的使命模型。
3） GM 捕获点评使命的完毕状况后告诉 Edge 初始化建议 Inference大数据与管帐Service 进行推大数据查询理服务。运用调用模型推理接口进安全行推理，并进行不知道使命上云判别。
4） 经过对接第三方打标产品介绍系产品定位统和根据常识库的搬迁学习大数据专业学什么，LC 根据预装备规矩监听新数据改动并按装备的战测验你的自卑程度略触发练习 worker 进行增量学习，重练习完毕后从头下发边缘侧。
图 4 Sedna 边云协安全教育同终身学习架构
其间，当时 Sedna 选用的模块化计划和样本搬迁计划使得开源的边云协同终身学习特功用够完毕模型无关：1）同一个特功用够一起支撑结构产品设计化和非安全出产法结构化安全教育渠道登录不同模型，在特性中模型可插拔；产品策略2）同一个特功用够一起支撑分类、回归、方针检测、反常检测等。
4、根据 Sedna 终身学习完毕楼宇热舒适猜测操控
4.1 布景
智能楼宇是才智城市的重要组成部分大数据专业学什么
楼宇是许多先进工业产品的“运用方”，引领其制作、作业和保护，在这一波动力革命和工业革命占有重要方位。
现大数据修仙今楼宇都有自控体系，一般它们都在边缘，这使得产品生命周期许多关于楼宇的运用更倾向于安顿在边缘侧，其间一类运用是热舒适度猜测。因为人们安全教育渠道登录 80%的作业和日子都在楼宇中度过，前安全进作业功率和日子舒适度（如经过楼宇智能化等办法）就显得尤为重要。
热舒适度猜测服务于智能楼宇
热舒适度被界说为楼宇中的人对环境冷热的满意程度。它供给了一种定量的点评，把室内冷热环境参数的设定与人的片面点评联系起来。而行进楼宇中作业或许居住人员的热舒适程度是建筑及其体系设计计划中的一个重要考量。在空调体系运作时，一旦热舒适度被猜测出来，那么就能将其用于调整楼宇内空调的测验手机是否被监控操控战略。比如说，一种根据热舒适大数据技能与应用度的操控战略，是根据假定的空调参数设定以及温湿度等环境特征下，给出估计的人体热舒适程度。然后查找寻优出舒适度最高的空调设定。所以大数据专业学什么，这种状况下要完毕舒适度最大的空调操控就依赖于较高精测验郁闷症的20道题度的舒适度猜测。
原有热舒适度的猜测要么需求房间中装置额定设备，要么需求人工反应。安安全出产法置环境杂乱、人工操作再三使得这产品生命周期种状况下热舒适度的安全期计算器搜集准确度非常低。据此，根据机器学习的热舒适度猜测办法被提出，它能下降安顿要求、不需求人工反应，因而更具有实用价值。
热舒适度猜测服务实践安顿时数据异构和小样本问题较为超卓
因为人员单个差异、房间与城市差异等，不同单个、不同地址关于热舒适的感触是不一样的，那么就会导致相同的环境温度和空调设定下对应的人员的热舒适度标签值不一样，然后测验手机是否被监控导致较为超卓的数据异构问题。
热舒适度猜测首要针对楼宇中的房间人员单个，具有个性化的特征。在环境要素改动较多的状况下，边侧房大数据查询间人测验你的自卑程度员单个的热舒适度样本一般有限，往安全教育渠道登录往不足以支撑对单个人员进大数据查询行个性化模型的练习大数据技能，然后导致较为超卓的小样本问题。
除了小样本问题之外，增量学习也可以必定程度处理前史与当时现象大数据修仙的数据异构（时刻上的数据异构）。但这种边云协同增量学习范式一般不具有用于回想的常识库，导致很难处理非安全出产法时刻上的测验纸怎么看是否怀孕数据异构。比如说，关于有多个人员的产品介绍房大数据技能与应用专业间，在同一时刻会存在不同人员上的数据异构。因为这种状况就不仅仅是同一个人不一起间上的数据异构了，增量学习变得不太满意。此时就测验蛙需求运用边云协同终身学习了。
4.2 计划
图 5 边云协同终身学习的热舒适猜测计划架构
如图 5 所示，边云协同终身学习的热舒适猜测计划首要有如下两个进程：
1. 创立舒适度猜测终身学习使命产品设计专业
舒适度猜测终身学习使命被创立后，Sed大数据杀熟na 常识库中会生成舒适度猜测的常识库实例，常识库会运用多地址多人员的前史数据集进行初始化，并供给推理和更新接口给边侧运用。
2. 安顿边云协同舒适度猜测运用
舒适度猜测运用被安顿后，运用会经过边侧的大数据与管帐设备数据搜集接口获取到多联机空调体系的设定参数和当时温湿度等环境测验郁闷程度的问卷特征产品司理信息。运用经过调用 Sed安全出产月na Lib 库终身学习测验你的自卑程度接口，从常识库中寻觅对应的使命信息：
假设被判定为已知使命，比如说是现已出现过的人员在已知的温湿度条件产品介绍下，则直接获取对应模型进行推理；
假设被判定为不知道使命，比如说是新来的人员，则经过常识库来获取针对不知道使命的模型进行推理。而且会将这些模型和模型之间联系写入到常识库中，以完毕常识库的更新操作，使得常识库得到堆集。
4.3 效果
本案例中的计划在开源 AshraeTherm大数据专业学什么al Comfort II 数据集上可获得非常好的效果。在这个开源数据会集，收录了全球 28 个国家 99 个城市 1995~2015 年之间楼宇内人员热舒适真实数据，方针是构建一个机器学习分类模型，测验网速给定环境特征，猜测人群的热倾向（Thermal Pref大数据技能与应用专业erence）。热倾向分为三类，希望更冷（觉得热）、不希望改变（觉得舒适）、希望更热（觉得冷）。
案例成果如图 6 和图 7 所示，全体分安全期是哪几天类精度与单使命增量学习比照，相对行进 5.12%（其间多使命行进 1.16%）。其间，在 Kota Kinabalu 和 Athens 两个使命，在运用终身学习前后猜测效果在 Kota Kinabalu测验你的自卑程度 数据中猜测率相对行进 24.04%，在 Athens 数据中猜测率相对行进 13.73%。
图 6 ATCII 各城市 Sedna 终身产品设计学习猜测精度比照
图 7 ATCII 各城市 Sedna 终身学习猜测精度相对行进
5、Sedna安全教育渠道 终身学习特性下一步计划
1. 终身学习算法增强：
1）多使命搬迁学习算法
2）不知道使命辨认算法
3）不知道使命处理算法
2. 散布式常识库
3. 安全隐私增强
6、附：KubeEd安全教育渠道ge SIG AI 社区技能交流地址
欢迎更多对边缘核算感兴趣的同学们参加 KubeEdge 社区，参加 AI SIG，一起建设云原生边缘核算生态。
相关链接
项目地址：
github.co测验蛙m/kubeedge/se…
例会时刻和地址：
时刻：每周四上午 10: 00
地址：zoom.us/my/kubeedg安全手抄报e
SIG A产品I 作业方针和运作办法：
github.com/kubeedge/co…
7、 引证
[1]B. Liu, Lifelong machine learning: a paradigm for continuou安全教育渠道登录s learning., Frontiers of C大数据与管帐omputer Scien测验郁闷症的20道题ce. 11, no. 3 (2017): 359-361.,测验手机是否被监控 2017.
[2]“加快 AI 边云协同立异！KubeEdge 社区建立 Sedna 子项目,” 29 1 2021. [联机]. Av安全期计算器ailable: mp.weixin.qq.com/s/FX2DOsctS…
[3]“KubeEdge 架构解读：云原生的边缘核算途径,” 20 10 2020. [联机]. Available: mp.weixin.qq.com/s/8AvkgupCQ…
[4]“kubeedge/Sedna,” 30 3 2021. [联机]. Available: github.com/kubeedg安全出产法e/se…
点击重视，榜首时刻了解华为云新鲜技能~
