面向边缘智能计算的数据场分类算法

doi:10.11772/j.issn.1001-9081.2021091692

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (11): 3473-3478.DOI: 10.11772/j.issn.1001-9081.2021091692

• CCF 2021中国数字服务大会 • 上一篇下一篇

面向边缘智能计算的数据场分类算法

孙志于¹, 王琪², 高彬², 梁中军³(), 徐晓斌², 王尚广⁴

^1.新疆气象信息中心, 乌鲁木齐 830002
^2.北京工业大学信息学部, 北京 100124
^3.国家气象信息中心资料服务室, 北京 100081
^4.网络与交换技术国家重点实验室(北京邮电大学), 北京 100876

收稿日期:2021-09-29 修回日期:2021-10-29 接受日期:2021-11-08 发布日期:2022-03-02 出版日期:2022-11-10
通讯作者: 梁中军
作者简介:孙志于（1973—），男，江苏新沂人，高级工程师，主要研究方向：云计算、气象大数据
王琪（1998—），女，北京人，硕士研究生，主要研究方向：天地一体化信息网络、物联网、移动边缘计算
高彬（1996—），男，山西太原人，硕士研究生，主要研究方向：网络大数据
梁中军（1983—），男，新疆乌鲁木齐人，高级工程师，博士，主要研究方向：云计算、气象大数据 liangzj@cma.gov.cn
徐晓斌（1986—），男，河南鹤壁人，讲师，博士，CCF会员，主要研究方向：天地一体化信息网络、物联网、移动边缘计算
王尚广（1982—），男，河南周口人，教授，博士，CCF会员，主要研究方向：服务计算、6G、移动边缘计算。

Data field classification algorithm for edge intelligent computing

Zhiyu SUN¹, Qi WANG², Bin GAO², Zhongjun LIANG³(), Xiaobin XU², Shangguang WANG⁴

^1.Xinjiang Meteorological Information Center，Urumqi Xinjiang 830002，China
^2.Faculty of Information Technology，Beijing University of Technology，Beijing 100124，China
^3.Information Service Department，National Meteorological Information Center，Beijing 100081，China
^4.State Key Laboratory of Networking and Switching Technology，Beijing University of Posts and Telecommunications，Beijing 100876，China

Received:2021-09-29 Revised:2021-10-29 Accepted:2021-11-08 Online:2022-03-02 Published:2022-11-10
Contact: Zhongjun LIANG
About author:SUN Zhiyu， born in 1973， senior engineer. His research interests include cloud computing， meteorological big data.
WANG Qi， born in 1998， M. S. candidate. Her research interests include space‑air‑ground integrated information network， internet of things， mobile edge computing.
GAO Bin， born in 1996， M. S. candidate. His research interests include network big data.
LIANG Zhongjun， born in 1983， Ph. D.， senior engineer. His research interests include cloud computing， meteorological big data.
XU Xiaobin， born in 1986， Ph. D.， lecturer. His research interests include space‑air‑ground integrated information network， internet of things， mobile edge computing.
WANG Shangguang， born in 1982， Ph. D.， professor. His research interests include service computing， 6G， mobile edge computing.

摘要/Abstract

摘要：

针对聚类算法研究中普遍存在不能充分利用历史信息、参数优化过程慢的问题，结合边缘智能计算提出了一种基于数据场的分布式自适应分类算法，算法部署于边缘计算（EC）节点，提供本地的智能分类服务。该算法通过引入监督信息改造传统数据场聚类模型的结构，使其能够应用于分类问题，扩展了数据场理论可应用的领域。基于数据场思想，该算法将数据的域值空间转化为数据势场空间，依据空间势值将数据分为无标签的多个类簇结果，再将类簇结果与历史监督信息进行云相似度比较，并将其归属于与其最相似的类中；同时，提出了一种基于滑动步长的参数搜索策略以提高算法参数的优化速度。在此算法基础上还提出了一种基于分布式的数据处理方案，通过云中心与边缘设备的协作，将分类任务切割分配到不同层次的节点，实现模块化、低耦合。仿真结果表明，所提算法的查准率和查全率均保持在96%以上，且汉明损失均低于0.022。实验结果表明，所提算法可以准确分类并提高参数优化速度，整体性能优于逻辑回归（LR）算法与随机森林（RF）算法。

关键词: 边缘智能计算, 分布式数据处理, 参数优化, 数据场, 自适应分类

Abstract:

In view of the general problems of not fully utilizing historical information and slow parameter optimization process in the research of clustering algorithms， an adaptive classification algorithm based on data field was proposed in combination with edge intelligent computing， which can be deployed on Edge Computing （EC） nodes to provide local intelligent classification service. By introducing supervision information to modify the structure of the traditional data field clustering model， the proposed algorithm enabled the traditional data field to be applied to classification problems， extending the applicable fields of data field theory. Based on the idea of the data field， the proposed algorithm transformed the domain value space of the data into the data potential field space， and divided the data into several unlabeled cluster results according to the spatial potential value. After comparing the cluster results with the historical supervision information for cloud similarity， the cluster results were attributed to the most similar category. Besides， a parameter search strategy based on sliding step length was proposed to speeded up the parameter optimization of the proposed algorithm. Based on this algorithm， a distributed data processing scheme was proposed. Through the cooperation of cloud center and edge devices， classification tasks were cut and distributed to different levels of nodes to achieve modularity and low coupling. Simulation results show that the precision and recall of the proposed algorithm maintained above 96%， and the Hamming loss was less than 0.022. Experimental results show that the proposed algorithm can accurately classify and accelerate the speed of parameter optimization， and outperforms than Logistic Regression （LR） algorithm and Random Forest （RF） algorithm in overall performance.

Key words: edge intelligent computing, distributed data processing, parameter optimization, data field, adaptive classification

中图分类号:

TP301

孙志于, 王琪, 高彬, 梁中军, 徐晓斌, 王尚广. 面向边缘智能计算的数据场分类算法[J]. 计算机应用, 2022, 42(11): 3473-3478.

Zhiyu SUN, Qi WANG, Bin GAO, Zhongjun LIANG, Xiaobin XU, Shangguang WANG. Data field classification algorithm for edge intelligent computing[J]. Journal of Computer Applications, 2022, 42(11): 3473-3478.

图/表 11

图1 二维随机数据分布

Fig. 1 2D random data distribution

图2 影响因子σ对于分类结果的影响

Fig. 2 Effect of influencing factor σ on classification results

图3 面向两个分类簇的3D势图

Fig. 3 3D potential map for two classification clusters

图4 局部势值与滑动搜索框

Fig. 4 Local potential value and sliding search box

图5 网络拓扑图

Fig. 5 Network topology diagram

图6 使用云模型重构的1 800个随机数数据

Fig. 6 1 800 random number data reconstructed by cloud model

图7 云模型重构的鸢尾花数据.

Fig. 7 Iris data reconstructed using cloud models

表1 混淆矩阵

Tab. 1 Confusion matrix

真实情况	预测为正例	预测为反例
真实为正例	TP（真正例）	FN（假反例）
真实为反例	FP（假正例）	TN（真反例）

表2 随机数测试集规模为1 800时本文算法准确率与汉明损失

Tab. 2 Accuracy and Hamming loss of proposed algorithm when scale of random number test set is 1 800

数据	$P$ /%	$R$ /%	汉明损失
第一类	100	91.17	0.033 9
第二类	100	98.67
第三类	100	100.00

表2 随机数测试集规模为1 800时本文算法准确率与汉明损失

Tab. 2 Accuracy and Hamming loss of proposed algorithm when scale of random number test set is 1 800

数据	$P$ /%	$R$ /%	汉明损失
第一类	100	91.17	0.033 9
第二类	100	98.67
第三类	100	100.00

表3 不同测试集规模下鸢尾花分类实验结果对比 ( %)

Tab. 3 Comparison of Iris classification experiment results under different scale test sets

测试集规模	算法	山鸢尾		杂色鸢尾		维吉尼亚鸢尾
测试集规模	算法	P	R	P	R	P	R
150	本文算法	100	100	97.96	96.0	96.08	98.0
	LR算法	100	100	97.92	94.0	94.23	98.0
	RF算法	96	96	96.00	96.0	96.00	96.0
300	本文算法	100	100	97.00	97.0	97.00	97.0
	LR算法	100	100	95.96	95.0	95.05	96.0
	RF算法	100	100	94.12	96.0	95.92	94.0
600	本文算法	100	100	96.06	97.5	97.46	96.0
	LR算法	100	100	96.48	96.0	96.02	96.5
	RF算法	100	100	94.93	93.5	93.60	95.0

表4 不同规模鸢尾花数据集下的汉明损失对比

Tab. 4 Hamming loss comparison of Iris data set under different scales

测试集规模	本文算法	LR算法	RF算法
150	0.020	0.027	0.027
300	0.020	0.030	0.033
600	0.022	0.025	0.038

参考文献 21

1	STERGIOU C， PSANNIS K E， KIM B G， et al. Secure integration of IoT and cloud computing［J］. Future Generation Computer Systems， 2016， 78（3）： 964-975.
2	BOZORGCHENANI A， MASHHADI F， TARCHI D， et al. Multi‑ objective computation sharing in energy and delay constrained mobile edge computing environments［J］. IEEE Transactions on Mobile Computing， 2020， 20（10）： 2992-3005. 10.1109/tmc.2020.2994232
3	KOZIK R， CHORAŚ M， FICCO M， et al. A scalable distributed machine learning approach for attack detection in edge computing environments［J］. Journal of Parallel & Distributed Computing， 2018， 119： 18-26. 10.1016/j.jpdc.2018.03.006
4	LIU G， XU Y， HE Z， et al. Deep learning‑based channel prediction for edge computing networks toward intelligent connected vehicles［J］. IEEE Access， 2019， 7： 114487-114495. 10.1109/access.2019.2935463
5	ZHU G， LIU D， DU Y， et al. Toward an intelligent edge： wireless communication meets machine learning［J］. IEEE Communications Magazine， 2020， 58（1）：19-25. 10.1109/mcom.001.1900103
6	WANG X， HAN Y， WANG C， et al. In‑Edge AI： intelligentizing mobile edge computing， caching and communication by federated learning［J］. IEEE Network， 2019， 33（5）： 156-165. 10.1109/mnet.2019.1800286
7	CUI Q， GONG Z， NI W， et al. Stochastic online learning for mobile edge computing： learning from changes［J］. IEEE Communications Magazine， 2019， 57（3）：63-69. 10.1109/mcom.2019.1800644
8	SARITAS M M， YASAR A. Performance analysis of ANN and Naive Bayes classification algorithm for data classification［J］. International Journal of Intelligent Systems and Applications in Engineering， 2019， 7（2）： 88-91. 10.18201/ijisae.2019252786
9	卢意红，王雪红，薛开创，等.一种基于数据场聚类的图片相似性比较方法［J］.光电技术应用，2019，34（4）：34-38，51. 10.3969/j.issn.1673-1255.2019.04.007
	LU Y H， WANG X H， XUE K C， et al. Image similarity comparison method based on data field clustering［J］. Electro‑Optic Technology Application， 2019， 34（4）： 34-38，51. 10.3969/j.issn.1673-1255.2019.04.007
10	郜丽鹏，沙作金.一种改进的数据场聚类算法［J］.应用科技， 2019， 46（6）： 30-34. 10.11991/yykj.201812025
	GAO L P， SHA Z J. An improved data field clustering algorithm［J］. Applied Science and Technology， 2019， 46（6）： 30-34. 10.11991/yykj.201812025
11	YANG S， GUO J Z， JIN J W. An improved Id3 algorithm for medical data classification［J］. Computers & Electrical Engineering， 2018， 65： 474-487. 10.1016/j.compeleceng.2017.08.005
12	MUGHAL M O， KIM S. Signal classification and jamming detection in wide‑band radios using Naive Bayes classifier［J］. IEEE Communications Letters， 2018， 22（7）： 1398-1401. 10.1109/lcomm.2018.2830769
13	YU R Y， AN X M， JIN B， et al. Particle classification optimization‑based BP network for telecommunication customer churn prediction［J］. Neural Computing and Applications， 2018， 29（3）： 707-720. 10.1007/s00521-016-2477-3
14	VILLALON T， IVAN E. Distributed land use classification with improved processing time using high‑resolution multispectral data［C］// IGARSS 2012： Proceedings of the 2012 IEEE International Geoscience and Remote Sensing Symposium. Piscataway： IEEE， 2012： 6987-6990. 10.1109/igarss.2012.6351963
15	LUBELL D P， SONDAG J. Practical distributed classification using the Alternating Direction Method of Multipliers algorithm［C］// Proceedings of the IEEE International Conference on Big Data. Piscataway： IEEE， 2013： 773-776. 10.1109/bigdata.2013.6691651
16	FENG X， HU X， LIU Y. Radar signal sorting algorithm of k‑means clustering based on data field［C］// ICCC 2017： Proceedings of the 2017 3rd IEEE International Conference on Computer and Communications. Piscataway： IEEE， 2017： 2262-2266. 10.1109/compcomm.2017.8322938
17	RUAN G Q， GUO Q， GONG X. Underdetermined mixing matrix estimation algorithm based on data field clustering and cloud model partitioning［C］// ICEMI 2017： Proceedings of the 2017 13th IEEE International Conference on Electronic Measurement & Instruments. Piscataway： IEEE， 2017： 337-342. 10.1109/icemi.2017.8265809
18	李德毅，刘常昱，杜鹢，等.不确定性人工智能［M］.北京：国防工业出版社， 2004： 1583-1594.
	LI D Y， LIU C Y， DU Y， et al. Artificial Intelligence with Uncertainty［M］. Beijing： National Defense Industry Press， 2004： 1583-1594.
19	WANG S L， GAN W Y， LI D Y， et al. Data field for hierarchical clustering［J］. International Journal of Data Warehousing & Mining， 2011， 7（4）： 43-63. 10.4018/jdwm.2011100103
20	余阳.基于数据场的聚类系统的设计与实现［D］.北京：北京理工大学，2016：33-34.
	YU Y. Design and Implementation of Cluster System Based on Data Field［D］. Beijing： Beijing Institute of Technology， 2016： 33-34.
21	李杰，邹慧兰.大数据交叉映射融合的逆向云算法仿真［J］.计算机仿真，2020，37（2）：284-288. 10.3969/j.issn.1006-9348.2020.02.058
	LI J， ZOU H L. Reverse cloud algorithm simulation of big data cross mapping fusion ［J］. Computer Simulation， 2020， 37（2）： 284-288. 10.3969/j.issn.1006-9348.2020.02.058

[1]	金滔, 董秀成, 李亦宁, 任磊, 范佩佩. 改进的粒子群优化算法优化分数阶PID控制器参数[J]. 计算机应用, 2019, 39(3): 796-801.
[2]	李晔, 陈奕延, 张淑芬. 基于密度峰值的混合型数据聚类算法设计[J]. 计算机应用, 2018, 38(2): 483-490.
[3]	李方伟, 李骐, 朱江. 改进的基于隐马尔可夫模型的态势评估方法[J]. 计算机应用, 2017, 37(5): 1331-1334.
[4]	张进, 丁胜, 李波. 改进的基于粒子群优化的支持向量机特征选择和参数联合优化算法[J]. 计算机应用, 2016, 36(5): 1330-1335.
[5]	宋竹, 秦志光, 邓伟伟, 赵玉平. 微观交通仿真系统的近邻查询算法[J]. 计算机应用, 2015, 35(2): 572-577.
[6]	吴宗谕, 罗文彩. 基于空间分解的参数优化径向基函数近似模型构造方法[J]. 计算机应用, 2015, 35(1): 179-182.
[7]	张华伟魏萌. 基于云免疫算法的认知无线网络参数优化[J]. 计算机应用, 2014, 34(3): 628-631.
[8]	石立新张俊星. 基于势函数的标签传播社区发现算法[J]. 计算机应用, 2014, 34(3): 738-741.
[9]	李书玲刘蓉张鎏钦刘红. 基于改进型SVM算法的语音情感识别[J]. 计算机应用, 2013, 33(07): 1938-1941.
[10]	侯景伟孔云峰孙九林. 蚁群算法在需水预测模型参数优化中的应用[J]. 计算机应用, 2012, 32(10): 2952-2955.
[11]	邢长明代艳杨林. 利用改进的和声搜索算法求解Van Genuchten方程参数[J]. 计算机应用, 2012, 32(08): 2159-2164.
[12]	李文莉李郁侠. 基于粒子群最小二乘支持向量机的水文预测[J]. 计算机应用, 2012, 32(04): 1188-1190.
[13]	温佩芝宁如花黄锦芳. 基于参数优化的多层次单元划分曲面重建[J]. 计算机应用, 2011, 31(07): 1811-1814.
[14]	王佳徐蔚鸿. 基于动量粒子群的混合核SVM参数优化方法[J]. 计算机应用, 2011, 31(02): 501-503.
[15]	马晓晨孔小利. 基于深度八叉树的三维数据场LOD可视化[J]. 计算机应用, 2010, 30(1): 47-49.

面向边缘智能计算的数据场分类算法

Data field classification algorithm for edge intelligent computing

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 21

相关文章 15

编辑推荐

Metrics