新書推薦：
《
图解大模型：生成式AI原理与实战（全彩）
》
售價：HK$
175.8
《
日耳曼尼亚：德意志的千年之旅
》
售價：HK$
184.8
《
让DeepSeek成为你的心理咨询师
》
售價：HK$
60.5
《
多瑙河畔：哈布斯堡欧洲史
》
售價：HK$
206.8
《
体育运动中的周期力量训练 第4版
》
售價：HK$
184.8
《
烘焙传奇：大师的面包风味密码【精装大本】
》
售價：HK$
217.8
《
金融强国：新资源暨金融资源学派视角
》
售價：HK$
140.8
《
英国海上霸权的兴衰
》
售價：HK$
107.8
|
| 編輯推薦： |
|
本书系统性地介绍智能边缘计算所需要的核心技术
|
| 內容簡介： |
|
本书系统性地介绍智能边缘计算所需要的核心技术，并详细阐述如何将这些技术落地的实际编程实例。本书包括四大部分：第yi部分介绍边缘计算的基础、发展历史，以及发展趋势；第二部分介绍面向边缘计算的深度学习技术，包括联邦学习和微小机器学习；第三部分讲述在边缘计算中支撑智能应用的核心优化问题与技术；第四部分阐述如何基于本书中的相关技术，构建实际智能边缘应用。本书可以为边缘计算、物联网、嵌入式和智能系统、机器学习与应用、网络通信等领域的科研人员和从业者提供一些前沿视野及相关理论、方法和技术支撑，如边缘系统智能能量优化、学习驱动的任务卸载与服务缓存、边缘大数据分析、软件定义边缘网络、网络切片，也可作为相关专业高年级本科生和研究生的课程教材或参考教材。
|
| 關於作者： |
|
徐子川，博士、大连理工大学副教授、博士生导师，大连理工大学星海优青。徐子川博士于2015年5月从澳大利亚国立大学（Australian National University）毕业，在伦敦大学学院（University College London）从事博士后（Research Associate）工作。 徐子川博士的研究方向包括：边缘计算中的资源优化、网络功能虚拟化与软件自定义网络中的资源分配与路由、多数据中心网络中的资源调度、大数据在多数据中心网络中的处理等。徐子川博士在这些方向中做出了有国际影响力的成果超过60余项，在顶级会场发表了90多篇高质量的论文，例如IEEE TPDS，ACM / IEEE ToN，IEEE TMC，IEEE TC，ACM TOSN，IEEE INFOCOM，ICDCS，SECON，ACM MM，ICPP等。其中包括中国计算机协会（CCF）推荐的A、B类期刊会议20余项。其中代表性的期刊论文发表在领域内顶级期刊IEEE TPDS、ACM/IEEE ToN、IEEE TC、IEEE TWC、IEEE TMC、IEEE INFOCOM、IEEE ICDCS 等。徐子川博士参与多项国际会议组织，其中包括The 2019 IEEE International Conference on Cloud Engineering (IC2E) 的Web and Information主席，The 2017 IEEE International Conferenceon Communications (ICC) 的小组主席（Session chair）以及多个会议的技术委员会委员。徐子川博士也参与到领域内顶级期刊会议的审稿工作中，其中包括IEEE Journal on Selected Areas in Communications、IEEE Transactions on Communications、Computer Networks、IEEE Transactions on Vehicular Technology、ACM Transactions on Sensor Networks、IEEE Wireless Communications Letters、IEEE IoTJ、IEEE INFOCOM、IEEE LCN等。
|
| 目錄：
|
CONTENTS
目 录
前言
第1章 概述1
1.1 边缘计算1
1.1.1 什么是边缘计算1
1.1.2 边缘计算的背景与发展历史4
1.1.3 边缘计算的相关技术6
1.2 智能边缘计算10
1.2.1 什么是智能边缘计算10
1.2.2 边缘计算与人工智能11
1.3 智能边缘计算典型应用12
1.3.1 智慧城市12
1.3.2 新型娱乐12
1.3.3 智能制造13
1.4 机遇与挑战14
本章小结15
参考文献15
第2章 边缘计算架构与核心技术18
2.1 边缘计算架构18
2.1.1 边缘计算平台架构标准18
2.1.2 边缘计算平台21
2.1.3 云-边协同架构24
2.2 边缘计算核心技术27
2.2.1 边缘智能27
2.2.2 计算推理卸载29
2.2.3 第五代通信与网络切片30
2.2.4 软件定义边缘网络30
2.2.5 云-边-端协同32
本章小结33
参考文献33
第3章 机器学习基础34
3.1 机器学习概述34
3.2 监督学习35
3.2.1 线性回归36
3.2.2 k近邻算法37
3.2.3 决策树38
3.3 无监督学习40
3.3.1 k均值聚类40
3.3.2 谱聚类41
3.4 半监督学习42
3.5 深度学习43
3.5.1 反向传播45
3.5.2 随机梯度下降45
3.5.3 学习率衰减46
3.5.4 最大池化47
3.6 强化学习47
3.6.1 Q-Learning48
3.6.2 Sarsa49
3.6.3 DQN50
本章小结52
参考文献52
第 4 章 TinyML54
4.1 TinyML与边缘嵌入式设备54
4.2 TinyML的核心技术55
4.2.1 模型剪枝56
4.2.2 数据量化58
4.2.3 轻量化模型设计62
4.2.4 知识蒸馏65
4.3 TinyML相关研究66
4.4 TinyML应用67
本章小结68
参考文献69
第5章 分布式机器学习与联邦学习72
5.1 分布式机器学习72
5.1.1 基本概念72
5.1.2 基本框架73
5.1.3 挑战与机遇74
5.2 联邦学习75
5.2.1 横向联邦学习76
5.2.2 纵向联邦学习77
5.2.3 联邦迁移学习78
5.2.4 联邦学习框架79
5.3 联邦学习与数据隐私82
5.3.1 数据隐私保护技术简述83
5.3.2 国内外联邦学习数据隐私
研究85
5.3.3 联邦学习数据隐私发展方向87
5.4 联邦学习的激励机制88
5.4.1 基于博弈论设计的激励
机制89
5.4.2 基于契约理论设计的激励
机制90
5.4.3 基于区块链技术设计的激
励机制90
5.4.4 联邦学习的激励机制未来
的发展方向91
本章小结91
参考文献 92
第6章 计算、训练与推理任务卸载95
6.1 任务卸载概述95
6.1.1 任务卸载的基本概念96
6.1.2 任务卸载的一般过程96
6.1.3 任务卸载划分的标准98
6.1.4 任务卸载的分类99
6.2 任务卸载的应用场景和系统实例100
6.2.1 任务卸载的应用场景100
6.2.2 任务卸载的系统实例102
6.3 任务卸载的挑战与研究方向103
6.3.1 常见术语介绍104
6.3.2 任务卸载的问题与挑战105
6.3.3 面向延迟的智能卸载106
6.3.4 面向能耗的智能卸载107
6.3.5 面向资源的智能卸载108
6.3.6 面向安全的智能卸载108
6.3.7 基于博弈的智能卸载109
6.3.8 面向QoS和QoE的智能
卸载110
6.3.9 其他角度的智能卸载110
6.3.10 任务卸载的未来研究
方向110
本章小结111
参考文献112
第7章 智能服务缓存与优化117
7.1 服务缓存概述117
7.1.1 服务缓存概念117
7.1.2 服务缓存机制118
7.1.3 服务缓存评价指标120
7.2 学习驱动的服务缓存121
7.2.1 面向服务提供商的协同
服务缓存121
7.2.2 面向用户端与边缘侧的
协同服务缓存122
7.2.3 服务缓存评价指标的模
型构建124
7.3 云-边-端融合服务缓存126
7.3.1 云-边-端融合服务缓
存概述126
7.3.2 云-边-端融合服务缓
存策略128
7.3.3 边缘联盟缓存的优势130
7.4 服务缓存应用场景130
7.5 服务缓存策略展望与挑战131
7.5.1 用户移动性131
7.5.2 任务卸载协同132
7.5.3 低成本容错部署132
7.5.4 隐私安全132
本章小结133
参考文献133
第8章 智能数据管理135
8.1 边缘数据管理概述135
8.2 数据隐私138
8.3 数据完整性141
8.4 分布式大数据分析143
8.4.1 数据清洗144
8.4.2 数据聚合145
8.4.3 边缘流式计算146
本章小结148
参考文献149
第9章 智能能量优化151
9.1 能量优化的意义151
9.2 智能能量优化的基本概念153
9.2.1 能耗指标153
9.2.2 能量资源约束下的任务
分配154
9.3 能量智能感知155
9.3.1 能耗分析155
9.3.2 能耗追踪与预测157
9.4 多供能智能系统159
9.4.1 可持续供能系统161
9.4.2 电源供能系统162
9.4.3 能量收集系统165
本章小结167
参考文献168
第10章 智能边缘协同171
10.1 边缘协同概述171
10.1.1 边缘协同的意义172
10.1.2 边缘协同的具体内涵173
10.2 多形态边缘协同174
10.2.1 边-云协同174
10.2.2 边-边协同175
10.2.3 用户间协同176
10.3 边缘协同的关键问题与技术177
10.3.1 边缘协同的关键问题177
10.3.2 边缘协同的关键技术178
10.4 边缘协同的智能化发展180
10.5 智能边缘协同的机遇与挑战181
本章小结185
参考文献185
第11章 智能边缘安全机制187
11.1 边缘安全的必要性与挑战187
11.2 边缘服务提供者的安全192
11.2.1 边缘计算设施安全192
11.2.2 边缘计算平台安全196
11.2.3 边缘计算网络安全197
11.3 边缘服务需求者的安全198
11.3.1 隐私保护198
11.3.2 服务安全200
11.3.3 数据安全201
11.3.4 身份认证与访问控制201
11.4 智能边缘安全机制案例202
11.4.1 智能电网202
11.4.2 智慧工厂204
本章小结206
参考文献207
第12章 基于边缘计算的Web AR
平台实现208
12.1 概述208
12.1.1 AR与Web AR208
12.1.2 Web AR现有解决方案
与挑战210
12.1.3 边缘计算与Web AR211
12.2 平台介绍212
12.2.1 硬件平台213
12.2.2 软件平台214
12.3 系统实现217
12.3.1 系统的工作流程217
12.3.2 用户层实现218
12.3.3 边缘层实现219
12.3.4 控制器实现219
本章小结220
参考文献220
|
| 內容試閱：
|
Preface
前 言
随着第五代移动通信技术（简称5G）的快速发展，运行在移动终端的人工智能应用成为主流，例如人脸识别、增强现实等先进技术广泛应用于教育、医疗、精密仪器检修、仿真等多个领域。5G提供人与物、物与物，以及不同地域之间设备的互联，进一步促进了人工智能的发展和广泛应用。由于5G网络中边缘侧存在大量数据与应用，传统云计算已经无法满足这些应用对时延和带宽的要求，智能边缘计算随之得到发展。通过将算力部署在边缘侧，智能边缘计算可以实时响应各种人工智能应用对带宽、性能等的严苛要求。
机遇与挑战并存。一方面，智能边缘计算由于边缘设备的功能、算力等受到限制，而传统机器学习模型需要大算力，也无法应用到智能边缘计算中。另一方面，智能边缘计算节点众多、算力分布性极强，在和云数据中心协同的同时，需要边缘节点之间的横向协同，及高效、智能的任务调度、资源管理方法。
针对以上挑战，本书结合实例系统性地介绍了智能边缘计算所需要的核心技术。本书包括四部分：第一部分（第1、2章）介绍边缘计算的基础、发展历史，以及发展趋势；第二部分（第3～5章）介绍面向边缘计算的机器学习技术，包括微小机器学习、分布式机器学习和联邦学习；第三部分（第6～9章）讲述在边缘计算中支撑智能应用的核心优化问题与技术；第四部分（第10～12章）阐述如何基于本书中的相关技术，构建实际智能边缘应用。
本书可以为边缘计算、物联网、嵌入式和智能系统、机器学习与应用、网络通信等领域的科研人员和从业者提供一些前沿视野及相关理论、方法和技术支撑，如边缘系统智能能量优化、学习驱动的任务卸载与服务缓存、边缘大数据分析、软件定义边缘网络、网络切片，也可作为相关专业高年级本科生和研究生的教材或参考书。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
