工业物联网（IIoT）系统中的传感器由于持续使用和正常磨损出现损坏，导致收集和记录的传感数据出现隐性异常。为解决该问题，提出一种基于局部敏感Bloom Filter（LSBF）模型的异常检测算法LSBFAD。首先利用基于空间划分的快速Johnson-Lindenstrauss变换（SP-FJLT）对数据进行哈希映射，然后采用相互竞争（MC）策略进行除噪，最后利用0-1编码构建Bloom Filter。在SIFT、MNIST和FMA三个基准数据集上进行的仿真实验中，LSBFAD算法的误报率（FAR）均低于10%。实验结果表明，基于LSBF的异常检测算法与当前主流的异常检测算法相比，具有较高的检测率（RD）和较低的误报率，可有效应用于IIoT数据的异常检测。
云游戏作为云计算的"杀手级"应用正在引领游戏运行方式的变革。然而，云端与终端设备之间较大的网络延迟影响了云游戏的用户体验，因此，提出一种基于边缘计算理念，部署在边缘节点之上的低延迟的云游戏框架——Gaming@Edge。为了降低边缘节点的计算负载以提升其并发能力，Gaming@Edge实现了一种基于压缩图形流的云游戏运行机制——GSGOD。GSGOD分离了游戏运行中的逻辑计算和画面渲染，实现了一种边+端的计算融合。此外，GSGOD还通过数据缓存、指令流水处理以及对象状态延迟更新等机制优化了云游戏的网络数据传输和系统延迟。实验结果表明，Gaming@Edge相比传统的云游戏系统能够降低平均74%的网络延迟，并提高4.3倍游戏实例并发能力。
传统的基于图的推荐算法忽略了时间综合信息影响从而导致推荐质量不高。针对这一问题,提出一种融合时间综合影响的轮盘赌游走个性化推荐算法。该算法以用户项目二分图为基础,引入衰减函数,将时间综合信息对推荐的影响量化成图节点的关联概率;然后采用轮盘赌模型根据关联概率选择游走目标;最终对每个用户做出top-N推荐。实验结果表明:该算法比传统基于图的随机游走PersonalRank算法在推荐的准确度、召回率以及覆盖率指标上都有明显提高。
为了有效解决基于接收信号强度的高精度室内位置服务计算困难问题,提出了一种新的基于卡尔曼滤波和中位加权(WMKF)的定位算法。该算法不同于以往的室内定位算法,首先应用卡尔曼滤波平滑了随机误差；然后利用中位加权方法抑制了显著误差,利用距离路径损耗模型得到衰落曲线并计算出估计距离；最后利用质心求解方法得到目标节点位置。实验结果表明,该算法初步解决了相对复杂环境下定位稳定性较差的问题,并有效地提高了定位精度,使精度达到0.81~1m。
