云边端融合 终端智能信息处理技术

本书深入探讨了云边端融合计算模式下的终端智能信息处理技术，针对当前终端信息处理发展的主要挑战和趋势，从数据传输和智能计算两个方面展开研究。在数据传输方面，本书着重解决终端设备与边缘设备、云中心之间的高效数据传输问题，优化云边端三层之间的数据传输效用，缓解链路拥塞、解决数据冗余等问题。在智能计算方面，本书围绕智能模型的学习训练与部署运行这两个主要过程，针对终端设备算力、续航力受限的挑战，研究云边端融合计算模式下的智能计算模型学习训练和部署运行方法，实现终端智能计算模型的高效推理与持续演进。本书的研究成果有助于推动终端智能服务的发展，具有较高的理论意义和实践价值。
本书适合人工智能、计算机科学等相关领域的工程技术人员阅读，也可作为高等院校相关专业师生的参考用书。

第1章 绪论 001
1.1 终端智能信息处理 002
1.1.1 终端智能信息处理的内涵 002
1.1.2 终端智能信息处理的现实需求 003
1.1.3 终端智能信息处理的挑战 004
1.2 云边端融合计算模式 005
1.2.1 云边端融合计算模式的发展 006
1.2.2 云边端融合的终端智能信息处理框架 007
1.2.3 云边端融合计算模式面临的挑战 009
1.3 本书关注的问题 011
1.3.1 具体问题分析 011
1.3.2 研究内容与创新点 013
1.4 本书研究的科学意义与实践价值 017
第2章 终端设备数据传输链路自主协同选择 019
2.1 引言 020
2.1.1 问题分析 020
2.1.2 相关工作 022
2.2 系统模型 023
2.3 终端设备链路选择博弈 025
2.3.1 博弈模型构建 025
2.3.2 博弈性质分析 026
2.4 分布式链路选择算法 028
2.4.1 算法设计 028
2.4.2 收敛性分析 032
2.5 实验评估 033
2.5.1 收敛性 033
2.5.2 性能提升 035
2.5.3 原型系统 039
2.6 本章小结 041
第3章 终端设备数据分布式协同传输优化 043
3.1 引言 044
3.1.1 问题分析 044
3.1.2 相关工作 046
3.2 系统模型与问题形式化 048
3.3 自适应分布式优化方法 050
3.3.1 关联传输决策 050
3.3.2 在线分布式调度算法 054
3.3.3 理论分析 057
3.4 实验评估 059
3.4.1 能耗-效用均衡 060
3.4.2 反馈延迟与采样大小对性能的影响 061
3.4.3 对信道状态的适应性 062
3.4.4 终端设备丢失的自适应性 065
3.4.5 性能比较 066
3.4.6 原型系统测试 069
3.5 本章小结 071
第4章 基于深度神经网络分割的云端协同智能推理 073
4.1 引言 074
4.1.1 问题分析 074
4.1.2 相关工作 077
4.2 预备知识 079
4.2.1 深度神经网络 079
4.2.2 迁移学习 080
4.2.3 差分隐私准则 080
4.3 云端协同智能推理框架 082
4.3.1 框架概览 082
4.3.2 端侧数据转换 084
4.3.3 云侧噪声训练 087
4.4 实验评估 090
4.4.1 参数选择 092
4.4.2 数据转换扰动对性能的影响 093
4.4.3 性能比较 095
4.4.4 隐私保护预算分析 096
4.4.5 原型系统测试 098
4.5 本章小结 099
第5章 面向端侧自主智能推理的智能计算模型压缩 101
5.1 引言 102
5.1.1 问题分析 102
5.1.2 相关工作 105
5.2 基于知识萃取的智能模型压缩框架 105
5.2.1 框架概览 106
5.2.2 模型压缩训练 107
5.2.3 数据安全隐私保护 110
5.2.4 查询样本选取 112
5.3 实验评估 115
5.3.1 参数对性能的影响 115
5.3.2 安全隐私性能分析 119
5.3.3 模型压缩性能分析 121
5.4 本章小结 124
第6章 基于联邦学习的云边端协同智能模型训练 125
6.1 引言 126
6.1.1 问题分析 126
6.1.2 相关工作 128
6.2 预备知识 130
6.2.1 联邦学习 130
6.2.2 动态带宽和不可靠网络 131
6.2.3 梯度压缩 132
6.3 云边端协同联邦学习训练框架 134
6.4 面向动态不可靠网络的联邦学习算法 137
6.4.1 算法设计 137
6.4.2 理论分析 140
6.5 实验评估 141
6.5.1 实验设置 142
6.5.2 整体性能比较 144
6.5.3 准确性比较 146
6.5.4 通信效率比较 148
6.5.5 通信压缩率的影响 149
6.5.6 不可靠网络的影响 151
6.5.7 终端规模的影响 151
6.6 本章小结 152
第7章 基于接近分布式学习的端侧智能模型训练 155
7.1 引言 156
7.1.1 问题分析 156
7.1.2 相关工作 158
7.2 接近分布式智能模型训练框架 159
7.3 分布式训练动态控制算法 161
7.3.1 模型构建 161
7.3.2 问题形式化 165
7.3.3 问题求解的近似 167
7.3.4 算法设计 169
7.4 实验评估 171
7.4.1 整体性能比较 173
7.4.2 准确性比较 174
7.4.3 资源效率比较 175
7.4.4 数据分布的影响 177
7.4.5 资源预算的影响 178
7.4.6 终端移动性的影响 180
7.4.7 终端规模的影响 180
7.4.8 原型系统测试 182
7.5 本章小结 185
附录A LocalUpdate（）函数、FedAvg及C-FedAvg算法 187
A.1 LocalUpdate（）函数 188
A.2 FedAvg及C-FedAvg算法 189
附录B 定理6.1证明 191
附录C Alpha-GossipSGD中的相关函数 195
C.1 LocalUpdate函数 196
C.2 MNLRS函数 197
C.3 Alpha-Gossip函数 199
参考文献 202