博客來
本書旨在系統性地介紹無線邊緣智能所需要的核心技術。內容分為三部分：第一部分介紹無線邊緣智能的產生背景、基礎概念以及發展歷程；第二部分聚焦無線邊緣智能所面臨的核心問題與解決技術，包括數據協同、算力協同和通信協同等關鍵議題；第三部分闡述無線邊緣智能協同平臺的構建方式，探討了當前熱點問題以及未來的發展趨勢。
本書可以為物聯網、邊緣計算、雲計算和分布式計算、大數據和深度學習、無線通信等領域的科研人員和從業者提供領域前沿視野及相關理論、方法和技術支撐，如計算任務的智能卸載與服務緩存、邊緣數據的管理與安全、智能網絡邊緣資源管理、基於深度學習的信道狀態信息反饋等，也可作為相關專業本科生和研究生的教材或參考資料。
| FindBook |
有 1 項符合
無線邊緣智能的圖書 |
| 圖書館借閱 |
| 國家圖書館 | 全國圖書書目資訊網 | 國立公共資訊圖書館 | 電子書服務平台 | MetaCat 跨館整合查詢 |
| 臺北市立圖書館 | 新北市立圖書館 | 基隆市公共圖書館 | 桃園市立圖書館 | 新竹縣公共圖書館 |
| 苗栗縣立圖書館 | 臺中市立圖書館 | 彰化縣公共圖書館 | 南投縣文化局 | 雲林縣公共圖書館 |
| 嘉義縣圖書館 | 臺南市立圖書館 | 高雄市立圖書館 | 屏東縣公共圖書館 | 宜蘭縣公共圖書館 |
| 花蓮縣文化局 | 臺東縣文化處 |
|
|
圖書介紹 - 資料來源：博客來 評分：
圖書名稱：無線邊緣智能
內容簡介
作者介紹
吳華明，天津大學英才教授，博士生導師，數據科學與大數據技術專業負責人。中國計算機學會分布式計算與系統專委會委員、服務計算專委會委員、體系結構專委會委員。主要研究方向為邊緣計算、智能物聯網和DNA存儲等。曾連續四次入選斯坦福大學全球前2%頂尖科學家榜單（終身+年度），獲得第三屆天津市數學與統計學聯合學術年會“青年學者獎”，入選天津市創新人才推進計劃。擔任IEEE TDSC、T-CSVT、TITS、TNSM、TCE、IoTJ和JBHI等SCI期刊編委，《通信學報》《智能技術學報（英文）》《計算機工程》等國內期刊青年編委，以及多個國際學術會議和研討會主席。在NAT COMPUT SCI、IEEE TPDS、TMC、TC、TKDE、TSC、TIFS、TCYB、TNNLS、TFS、IJCAI、INFOCOM和AAAI等權威期刊/會議上發表論文170余篇，穀歌學術引用7000餘次。入選Nature大子刊研究亮點1篇、ESI熱點論文3篇、ESI高被引論文11篇。授權國家發明專利5項，軟件著作權2項。
目錄
前言
第1章 概述
1.1 無線邊緣智能產生的“大背景”
1.1.1 新基建的誕生
1.1.2 大數據時代的數據洪流
1.1.3 數字經濟與數智化
1.2 計算模式的發展歷史
1.2.1 雲計算
1.2.2 霧計算
1.2.3 邊緣計算
1.2.4 移動邊緣計算
1.2.5 多接入邊緣計算
1.3 無線邊緣智能
1.3.1 主要挑戰
1.3.2 邊緣智能
1.3.3 無線通信融合邊緣智能
本章小結
第2章 無線邊緣智能中的資源與優化
2.1 任務卸載
2.1.1 計算任務
2.1.2 基本流程
2.1.3 卸載策略
2.1.4 任務拆分
2.1.5 是否卸載
2.2 度量指標
2.2.1 最小化時延
2.2.2 最小化能耗
2.2.3 時延和能耗權衡
2.2.4 數據隱私
2.2.5 信息年齡
2.3 啟發式的任務卸載策略
2.3.1 基於Lyapunov優化的任務卸載
2.3.2 基於博弈論的任務卸載
2.3.3 基於馬爾可夫決策過程的任務卸載
2.4 智能卸載決策
2.4.1 基於分布式深度學習的任務卸載
2.4.2 基於強化學習的任務卸載
2.4.3 基於深度強化學習的任務卸載
2.4.4 基於模仿學習的任務卸載
2.4.5 基於元強化學習的任務卸載
2.4.6 基於聯邦學習的任務卸載
2.4.7 結合區塊鏈的任務卸載
2.5 存在的問題和挑戰
2.5.1 數據完整性
2.5.2 資源異構性
2.5.3 時間延遲
2.5.4 能量消耗
本章小結
第3章 雲-邊-端-網-智體系結構
3.1 整體結構
3.2 融合通信模式
3.2.1 5G使能技術
3.2.2 雲網融合
3.2.3 算網融合
3.2.4 雲管端融合
3.3 融合計算模式
3.3.1 端雲協同
3.3.2 端邊協同
3.3.3 邊雲協同
3.3.4 邊邊協同
3.3.5 端邊雲協同
3.4 融合智能模式
3.4.1 DNN模型壓縮
3.4.2 DNN模型分割
3.4.3 DNN任務卸載
本章小結
第4章 無線邊緣智能中的數據協同
4.1 面臨的主要挑戰
4.1.1 數據的異構性
4.1.2 數據的可用性
4.1.3 數據的完整性
4.1.4 數據的新鮮度
4.1.5 數據孤島問題
4.2 邊緣數據管理
4.2.1 數據采集
4.2.2 數據傳輸
4.2.3 數據存儲
4.2.4 數據處理
4.3 邊緣數據同步
4.3.1 雲邊端協同分層聯邦學習
4.3.2 雲邊端協同元學習
4.4 無線邊緣智能的隱私保護
4.4.1 區塊鏈+深度強化學習
4.4.2 區塊鏈+聯邦學習
4.4.3 嵌入區塊鏈的邊緣計算仿真平臺
4.5 無線邊緣智能的能量收集
4.5.1 能量收集系統
4.5.2 能量收集和優化
4.5.3 能量智能感知
本章小結
第5章 無線邊緣智能中的算力協同
5.1 算力的基本概念
5.1.1 算力的定義
5.1.2 算力的發展
5.2 面臨的主要挑戰
5.2.1 算力資源的異構性
5.2.2 算力需求的異構性
5.2.3 算力資源與供需分佈不匹配
5.2.4 邊緣算力管理困難
5.3 算力感知
5.3.1 算力資源感知
5.3.2 邊緣算力位置選擇
5.3.3 算力資源的匹配
5.4 算力資源調度
5.4.1 動態資源調度
5.4.2 溢出計算資源調度
5.4.3 異構雲資源調度
5.5 DNN模型分割與卸載
5.5.1 面向雲邊端協同的DNN模型分割
5.5.2 面向雲邊端協同的DNN模型卸載
5.5.3 DNN模型的查詢和卸載
5.5.4 國內外研究現狀
5.6 算力網絡
5.6.1 算力網絡的定義
5.6.2 算力網絡的特點
5.6.3 算力網絡的發展
本章小結
第6章 無線邊緣智能中的通信協同
6.1 移動通信和邊緣網絡
6.1.1 移動通信技術的發展
6.1.2 移動邊緣網絡
6.1.3 霧輔助無線網絡
6.2 通信系統模型
6.2.1 基準和數據集
6.2.2 複值神經網絡
6.2.3 不同環境下的重複訓練
6.2.4 信道模型不可知
6.2.5 時變信道快速衰落問題
6.3 端到端的通信系統模型
6.3.1 自編碼器
6.3.2 SISO系統的自編碼器設計
6.3.3 MIMO系統的自編碼器設計
6.3.4 基於EBGAN的通信系統模型
6.3.5 通信系統的端到端學習
6.4 信道狀態信息壓縮及重建
6.4.1 傳統的CSI反饋
6.4.2 基於深度學習的CSI反饋
6.5 解決梯度反向傳播的阻塞問題
6.5.1 二階段訓練方法
6.5.2 基於生成對抗網絡的訓練方法
6.5.3 同步擾動隨機逼近算法
6.5.4 基於元學習的訓練方法
6.6 惡劣環境下的任務卸載
6.6.1 基於區塊鏈的邊緣協作模型
6.6.2 基於故障模型的多目標卸載決策
6.6.3 基於通信、緩存和計算的霧輔助無線網絡
6.6.4 計算與通信的協同
本章小結
第7章 邊緣智能協同平臺
7.1 邊緣智能協同的意義
7.2 雲邊端協同整體架構
……
第1章 概述
1.1 無線邊緣智能產生的“大背景”
1.1.1 新基建的誕生
1.1.2 大數據時代的數據洪流
1.1.3 數字經濟與數智化
1.2 計算模式的發展歷史
1.2.1 雲計算
1.2.2 霧計算
1.2.3 邊緣計算
1.2.4 移動邊緣計算
1.2.5 多接入邊緣計算
1.3 無線邊緣智能
1.3.1 主要挑戰
1.3.2 邊緣智能
1.3.3 無線通信融合邊緣智能
本章小結
第2章 無線邊緣智能中的資源與優化
2.1 任務卸載
2.1.1 計算任務
2.1.2 基本流程
2.1.3 卸載策略
2.1.4 任務拆分
2.1.5 是否卸載
2.2 度量指標
2.2.1 最小化時延
2.2.2 最小化能耗
2.2.3 時延和能耗權衡
2.2.4 數據隱私
2.2.5 信息年齡
2.3 啟發式的任務卸載策略
2.3.1 基於Lyapunov優化的任務卸載
2.3.2 基於博弈論的任務卸載
2.3.3 基於馬爾可夫決策過程的任務卸載
2.4 智能卸載決策
2.4.1 基於分布式深度學習的任務卸載
2.4.2 基於強化學習的任務卸載
2.4.3 基於深度強化學習的任務卸載
2.4.4 基於模仿學習的任務卸載
2.4.5 基於元強化學習的任務卸載
2.4.6 基於聯邦學習的任務卸載
2.4.7 結合區塊鏈的任務卸載
2.5 存在的問題和挑戰
2.5.1 數據完整性
2.5.2 資源異構性
2.5.3 時間延遲
2.5.4 能量消耗
本章小結
第3章 雲-邊-端-網-智體系結構
3.1 整體結構
3.2 融合通信模式
3.2.1 5G使能技術
3.2.2 雲網融合
3.2.3 算網融合
3.2.4 雲管端融合
3.3 融合計算模式
3.3.1 端雲協同
3.3.2 端邊協同
3.3.3 邊雲協同
3.3.4 邊邊協同
3.3.5 端邊雲協同
3.4 融合智能模式
3.4.1 DNN模型壓縮
3.4.2 DNN模型分割
3.4.3 DNN任務卸載
本章小結
第4章 無線邊緣智能中的數據協同
4.1 面臨的主要挑戰
4.1.1 數據的異構性
4.1.2 數據的可用性
4.1.3 數據的完整性
4.1.4 數據的新鮮度
4.1.5 數據孤島問題
4.2 邊緣數據管理
4.2.1 數據采集
4.2.2 數據傳輸
4.2.3 數據存儲
4.2.4 數據處理
4.3 邊緣數據同步
4.3.1 雲邊端協同分層聯邦學習
4.3.2 雲邊端協同元學習
4.4 無線邊緣智能的隱私保護
4.4.1 區塊鏈+深度強化學習
4.4.2 區塊鏈+聯邦學習
4.4.3 嵌入區塊鏈的邊緣計算仿真平臺
4.5 無線邊緣智能的能量收集
4.5.1 能量收集系統
4.5.2 能量收集和優化
4.5.3 能量智能感知
本章小結
第5章 無線邊緣智能中的算力協同
5.1 算力的基本概念
5.1.1 算力的定義
5.1.2 算力的發展
5.2 面臨的主要挑戰
5.2.1 算力資源的異構性
5.2.2 算力需求的異構性
5.2.3 算力資源與供需分佈不匹配
5.2.4 邊緣算力管理困難
5.3 算力感知
5.3.1 算力資源感知
5.3.2 邊緣算力位置選擇
5.3.3 算力資源的匹配
5.4 算力資源調度
5.4.1 動態資源調度
5.4.2 溢出計算資源調度
5.4.3 異構雲資源調度
5.5 DNN模型分割與卸載
5.5.1 面向雲邊端協同的DNN模型分割
5.5.2 面向雲邊端協同的DNN模型卸載
5.5.3 DNN模型的查詢和卸載
5.5.4 國內外研究現狀
5.6 算力網絡
5.6.1 算力網絡的定義
5.6.2 算力網絡的特點
5.6.3 算力網絡的發展
本章小結
第6章 無線邊緣智能中的通信協同
6.1 移動通信和邊緣網絡
6.1.1 移動通信技術的發展
6.1.2 移動邊緣網絡
6.1.3 霧輔助無線網絡
6.2 通信系統模型
6.2.1 基準和數據集
6.2.2 複值神經網絡
6.2.3 不同環境下的重複訓練
6.2.4 信道模型不可知
6.2.5 時變信道快速衰落問題
6.3 端到端的通信系統模型
6.3.1 自編碼器
6.3.2 SISO系統的自編碼器設計
6.3.3 MIMO系統的自編碼器設計
6.3.4 基於EBGAN的通信系統模型
6.3.5 通信系統的端到端學習
6.4 信道狀態信息壓縮及重建
6.4.1 傳統的CSI反饋
6.4.2 基於深度學習的CSI反饋
6.5 解決梯度反向傳播的阻塞問題
6.5.1 二階段訓練方法
6.5.2 基於生成對抗網絡的訓練方法
6.5.3 同步擾動隨機逼近算法
6.5.4 基於元學習的訓練方法
6.6 惡劣環境下的任務卸載
6.6.1 基於區塊鏈的邊緣協作模型
6.6.2 基於故障模型的多目標卸載決策
6.6.3 基於通信、緩存和計算的霧輔助無線網絡
6.6.4 計算與通信的協同
本章小結
第7章 邊緣智能協同平臺
7.1 邊緣智能協同的意義
7.2 雲邊端協同整體架構
……
|
