基于工业物联网的云环境大数据管理与分析的智能虚拟现实硬件系统

引用：Christine L.科斯塔斯·斯特吉奥PSANNIS。云环境下基于工业物联网的大数据管理与分析虚拟现实智能硬件，2022，4（4）：279虚拟现实智能硬件• 评论·2022年8月第4卷第4期：27910.1016/j.vrih.2022.05.003云环境下基于工业物联网大数据管理与分析的数字孪生智能系统克里斯特湖科斯塔斯·斯特吉奥PSANNIS*希腊马其顿大学应用信息学系接收日期：2022年4月3日;修订日期：2022年4月22日;接受日期：2022年5月24日翻译后摘要：这项工作的调查，并说明了多个开放的挑战，在工业物联网（IoT）为基础的大数据管理和分析在云环境中的领域。阐述了云基础设施中的机器学习、云环境中大数据分析的人工智能技术以及联合学习云系统等领域所面临的挑战此外，强化学习是一种新技术，允许大型基于云的数据中心分配更节能的资源。此外，我们提出了一种架构，试图结合几个云提供商提供的功能，以实现在云中的每个用户之外建立的节能工业物联网大数据管理框架（EEIBDM）物联网数据可以与强化和联合学习等技术相结合，以实现机器和房间温度的工业物联网大数据的虚拟表示的数字孪生场景。此外，我们提出了一种算法，通过评估EEIBDM框架确定的基础设施的能源消耗。最后，本研究的未来扩展方向进行了讨论。关键词：机器学习;物联网;大数据;云计算;管理;分析;数字孪生场景;能源效率1介绍本研究调查并整合了新兴和新颖的技术，旨在为管理和分析云环境中基于工业物联网（IoT）的大数据提供更节能的具体而言，通过开发基于强化和联邦学习概念的智能虚拟系统框架，我们可以在低功耗的情况下实现云环境中更好，更快的大数据（BD）管理和分析。所提出的系统被模拟为虚拟表示场景，以及使用CloudSim软件生成的基于物联网的工业大数据BD是一个复杂的概念，涉及许多因素，如体积，速度，品种，准确性和价值。每个值对应于大数据的五个V之一[1，2]。此外，BD通常需要预测分析或*通讯作者，kpsannis@uom.gr2096-5796/©版权所有2022北京中科学报出版有限公司Elsevier B. V.代表KeAi Communation Co. Ltd.提供的出版服务。这是CC BY-NC-ND许可证下的开放获取文章（http：//creativecommons.org/licenses/by/4.0/）。280虚拟现实智能硬件八月（2022）卷。4条第4从数据中提取价值的某些先进方法[3]。云计算（CC）提供了一个随时随地访问信息和数据的环境因此，云提供商必须拥有大型高效的数据中心，以管理用户对资源的高需求。因此，需要同时提供高计算能力的更节能的数据中心此外，CC为其功能采用了这些模式为云提供商和用户提供了机会[4基于工业物联网的大数据管理是一个新兴的研究领域，面临着许多挑战，并且正在积极进行关于实现更有效和更富有成效的数据管理的研究[7本研究中使用的物联网数据是机器和室温的虚拟表示BD分析基于调查基于工业物联网的BD管理领域的技术，以从数据中产生更有用的信息[10]。存储多种类型数据的大型数据库需要进行分析，以获取旨在使日常生活更轻松的信息。这些大型数据库中心通常位于云数据中心旁边，因此消耗更多的能源。此外，为了实现更轻松的数据管理和更节能的环境，可以应用强化和联邦学习等新的学习技术。联邦学习（FL）是一种创新技术，为协作环境中的数据操作和管理提供了新的途径。FL场景算法考虑了通过网络与边缘设备进行的通信，在大多数情况下，这是不可靠的，以及对上传速度的限制[11，12]。因此，FL可以通过将攻击限制在设备上来显著降低安全和隐私风险，从而保护设备此外，在基于工业物联网的BD中，这是除了本研究重点关注的CC之外的主要技术，训练示例的数量通常太大而无法存储在一台计算机上，因此，我们需要将计算分配此外，基于FL和机器学习系统的思想运行和管理系统的有效方法通常是使用系统的虚拟表示来获得有用的解决方案[15]。这种虚拟系统基于数字孪生场景的概念，通过这种场景，我们可以将云系统作为虚拟表示来管理和分析通过工业程序生产的基于工业物联网的BD。在本研究中，为了实现数字孪生场景，我们使用了CloudSim软件。总之，本研究的主要贡献可归纳如下：1. 调查了云环境中基于物联网的节能工业大数据管理和分析领域的开放挑战和问题2. 提出了一种架构，该架构试图结合几个云提供商提供的功能，以实现在云中的每个用户之外建立的基于物联网的节能工业大数据管理框架（EEIBDM）3. 在与云环境的相互作用，以实现最佳决策的资源分配问题的观点制定。4. 提出了一种通过评估EEIBDM框架来确定CPU能耗的算法本文的其余部分组织如下。第二部分详细介绍了云环境下节能BD管理领域的相关研究、云基础设施的人工智能场景以及云环境下BD分析的人工智能技术第3节详细介绍了拟议系统的拟议方法和架构第4节讨论了所提出的系统的评估，并提出了所提出的算法，修改后的CloudSim架构，实验结果，和我们的场景拓扑结构最后，第5节总结了研究，并概述了未来的发展方向。281克里斯特湖STERGIOU，et al.基于工业物联网的数字孪生智能系统云端大数据管理与分析2审查有关工作本研究对以往的相关研究进行了回顾和分析。以下各小节说明了对我们的研究有重大贡献的工作2.1在云中高效管理大数据近年来，在云环境中的高效BD管理领域中已经发表了若干作品。因此，为了我们的研究目的，我们研究和分析了以前在云环境中高效BD管理领域所做的研究[16以下段落介绍了与我们的研究相关的先前研究。Aujla和Kumar介绍了MEnSuS，这是一个高效的系统，用于边缘云环境中的云数据中心的可持续性，使用SDN进行能源管理[16]。该方案是一种基于工作量的工作量分类方法. Al-Dulaimy等人研究了如何通过创建新设计和实施虚拟机（VM）管理来实现节能云数据中心的新策略，并提出了一种解决VM放置问题的新模型[17]。Khan等人提出了广泛的启发式和元启发式VMC算法，因为它是一个旨在实现近似最优性的NP-困难问题[18]。2.2AI云场景此外，关于人工智能云系统的新场景和数据分析的使用，有几项出色的工作相关[19以下段落介绍了与这项研究有关的研究论文Weber等人提出了一种回滚云管理的方法，考虑到希望管理资源的CC资源用户的特殊需求[19]。他们提出的方法包装了云管理API，并使用了AI。规划技术，以找到一个适当的撤销序列。Brown和Kauchak讨论并分享了新颖的教育近似，这些近似教授或利用人工智能及其许多子部分，涵盖计算机视觉，机器人技术，自然语言处理，机器学习以及所有教育层中的其他内容[20]。Rad等人介绍了Cloud-eLab平台，这是一个开放的、交互式的基于云的人工智能学习平台。思考，旨在注入两个方面：i）深度和广泛的学习，以及ii）教育的认知和适应学习概念[21]。2.3云端的AI大数据分析此外，几个显着的工作与云环境中的大数据分析人工智能系统相关[22以下段落与我们的研究有关Wu等人回顾了“大数据”一词的历史观点通过他们的回顾和相关分析，他们得出结论，BD不仅仅由3V组成，而是可以分为32个V[22]。具体而言，Wu等人得出结论，九个V涵盖了BD术语中的主要动机，即合并各种假设或统计模型的商业智能（BI）计数，以便BD Analytics（BDA）可以帮助决策者对致命决策或研究结果进行有用的预测Ahmed等研究了物联网系统BDA的最新进展，例如管理BD和在物联网环境中激活分析的关键要求[23]。Lee等人[24]考虑了Lee等人以前的工作提出的5C架构[27]并提出了对正在进行的人工智能技术和利用人工智能在工业应用中的力量所Wan et al.提出了垂直集成的四级CaSF（云辅助智能工厂）架构[25]。通过这一提议，Wan等人旨在突出CC和AI在改善智能工厂性能方面282虚拟现实智能硬件八月（2022）卷。4条第4灵活性和智能性，他们完整地解释和总结了人工智能在云辅助智能工厂（CaSF）中的应用。Khan等人探讨了当前的研究，挑战，开放的问题，以及未来的研究方向，需要面对的几个问题和风险，需要缓和的实际应用，这种协同模型可以普遍使用[26]。2.4比较分析关于在以前的工作中进行的研究，我们在表1中分析了我们的发现。具体地说，表1说明了相关领域以前工作的基本模型特征，并与我们的建议进行了比较。特别是，大多数研究对FL和强化学习等技术没有贡献。此外，它们中的大多数与物联网应用程序或它们产生的数据无关。我们可以观察到的另一个结论是，大多数相关研究都实现了平台。他们中很少有人试图为云用户的开放问题和需求找到解决方案，并为运营提供更节能的系统。另一方面，大多数相关的工作都有助于在新技术，应用程序，界面和平台方面更广泛地理解人工智能。因此，关于表1中列出的结果，我们可以认为我们提出的方案试图与联邦和强化学习系统等新方案合作，并且我们嵌入了实现更节能系统的技术，旨在提供更有用和更有效的工业物联网大数据管理，将CC，BD和物联网结合在一个新的框架中。表2说明了表1中缩写的定义。表1现有研究的挑战、问题和建议比较工作NCBPT EESAIT AIA AII AIC RM VCRC是IABABM FM RMP一F[16]第十六话LHLLLLM–●LMLH––●––Al-Dulaimy等人[17]LLHLMLMH●●MLLH––●●–Khan等人[18]MHMLLLHH●–MLMM–●––●Weber等人[19]LHLMHLHL●●MLLH●–●––[20]第二十话MLHHHHM–●MMHH●–●–●Rad等人[21]MMLHHMHM●–HLLL●–●––Wu等人[22]LHLHHHML–●LLHH–●––●Ahmed等[23]LMLMMLLM–●MHHH––●––Lee等人[24]MMMHHMHM●–MLLH–●●●–Wan et al.[25]MMHMHMHH●–HLMM–––●–Khan等人[26]LMMHHLMM●–MLMM–––●–建议型号MHHHMMHH–●HMMH●●–●●表 2参数定义NC：云计算用户RR：资源管理FM：联邦方法BPT：大数据处理技术VC：虚拟云RM：加固方法EES：节能方案RC：Real CloudP：提出平台AIT：AI技术IS：集成方案A：提出架构AIA：AI应用IA：物联网应用F：提出一个框架AII：AI界面BA：大数据分析H：高L：低AIC：AI云平台BM：大数据管理M：中等3拟议系统本节介绍了对我们拟议工作的评价3.1数据中心事实上，大型工业数据中心基础设施为基础设施的资源承担了巨大的能源消耗成本，这导致了环境成本的大幅增加。这是一个重大283克里斯特湖STERGIOU，et al.基于工业物联网的数字孪生智能系统云端大数据管理与分析关于云系统的碳足迹和能源成本的问题。为了降低能耗，必须构建能够跨不同异构机器进行管理的智能机制。在我们之前的文献综述研究中，为了实现能源效率，我们必须整合强化学习和联邦学习的机制，以实现能够降低能耗的云系统不使用的基础设施。数据中心中最广泛接受的能源效率测量单位是功率使用效率（PUE）。PUE已经由Armbrust等人定义和介绍。[28]作为绿色电网组件，以及数据中心安装中使用的总功率与供应给IT设备的功率的比率具体地，可以使用以下等式来表示PUE。（一）在这里，TFP的值表示总设施功率，其表示数据中心的总功率。相反，ITEP代表IT设备电源，它说明了用于管理、传输、处理、操作、存储和路由数据的设备所消耗的能源设施。由于Koutitas和Demestichas[29]之前对该实验进行了分析，因此公式1的结果主要强调了云数据中心IT设备的能耗因此，等式1的PUE可以用公式表示如下。（二）在这里，为了产生PUE的值，我们计算NITpc的值之和，它代表NonIT设备功耗（占总数的30%），CPUpc的值之和，它代表CPU功耗（占总数的40%），NonCPUpc的值之和，它代表NonCPU功耗（占总数的10%），除以CPUpc和NonCPUpc的总和。CPU的能耗可以从我们在算法1中提出的方法中获得最后，数据中心中CPU功耗的整体高值会在冷却系统上产生高支出;但是，在我们的场景中没有必要3.2强化学习对节能资源分配的贡献强化学习（RL）可以定义为几个函数通过系统的学习过程不断提取奖励。此外，RL计数有两个必要的功能：1）试错检索，以及2)延迟奖励因此，云环境中的节能资源分配问题的公式化（旨在通过RL解决）可以作为关于已经众所周知的马尔可夫决策过程的优化问题引入。我们的研究目标在于制定资源分配问题的角度，同时与云环境进行交互，以实现最佳决策。3.3联邦云系统建模我们尝试将云协调器实体建模为联合多个云的需求。云协调器（ClCo）负责管理和监控云数据中心实体的内部状态，但与最终用户和其他数据中心的通信除外。从ClCo收到的信息作为监测过程的一部分，在试点期间正在进行，用于做出与云间供应相关的决策。ClCo功能可以被定义为类似于大型284虚拟现实智能硬件八月（2022）卷。4条第4商家因此，当一个云系统的工程师需要从几个云提供商联合服务因此，与先前实体的通信和协商相关联的方面与数据中心的核心隔离，以使得实体能够管理云数据中心的联合场景。因此，CloudSim操作为每个云部署者提供了通过诸如ClCo之类的实体执行测试来加速应用服务使用的能力。4对拟议办法关于这项研究，为了成功地在云环境中创建一个用于基于工业物联网的BD管理和分析的新型高效系统，我们使用RL和FL技术来制定和设计所提出的系统的架构。近年来，由于软件基础设施的帮助，基于工业物联网的数据管理和分析在云基础设施中变得流行，这有效地支持了数据中心和云数据中心的运营。由于对硬件基础设施的最大需求以及不断更新数据中心的需求，提供商打算将其所有基础设施托管在可以支持尽可能多的客户的数据中心中，从而采用虚拟化。虚拟化是一种新技术，为用户提供虚拟平台，而不是物理平台，旨在解决数据中心的许多操作和维护问题。虚拟化可以被描述为一种为云环境中的动态资源提供管理解决方案的有效方法虚拟机（VM）可以通过虚拟化来使用。虚拟机是一个相同的，孤立的执行环境在一台计算机上，它模拟主机计算机。因此，这给用户一种拥有物理机器的错觉。这些虚拟机可用于仿真器模拟。仿真器用于模拟硬件平台，通常允许同时运行多个操作系统，并支持给定平台上的外来代码我们研究中使用的模拟器是CloudSim，它在Eclipse上运行拟议的架构方案试图结合几个云提供商提供的功能，以实现在云中的每个用户之外建立的可持续和节能的基于工业物联网的大数据管理框架（EEIBDM）。所提出的系统架构依赖于合作云提供商提供的云的IaaS和PaaS模型，以满足CPU资源、内存量、存储可用性和执行时间方面的系统性能等指标。从图1中可以推断，每种不同类型的用户都可以通过EEIBDM使用各种合作云提供商的云基础设施，EEIBDM提供了三个主要优势：1）节能资源分配，2）数据中心管理器/分析器，以及3）云基础设施资源监视器。每种类型的用户都可以通过PC、笔记本电脑、移动设备等访问并且具有关于被授予访问云基础设施的许可的相同类型的访问。拟议的系统充当中介，在尝试使用云时为每个用户提供更好的管理和安全访问4.1基于增强的云评估资源分配基于该研究，我们知道服务水平协议（SLA）管理员调查与在Abbot数据中心中运行的所有服务器相关联的CPU使用率，以用于VM云环境的分布，以确保SLA度量分布条件。计算可表示如下。（三）这里，ECn表示在总体校准中起作用的特定主机的总体能量消耗285克里斯特湖STERGIOU，et al.基于工业物联网的数字孪生智能系统云端大数据管理与分析图 1系统架构。培养时间。此外，CPU利用率由u（t）表示，每个主机的总计算时间的周期由n表示，并且其范围由贡献于数据中心的主机的总数定义，从1到k。（四）在等式3中，计算数据中心的能量消耗的总量表示所有控制器的能量消耗数据中心中的贡献主机，可以使用公式4更好地表示。从表3中可以明显看出，每个云数据中心的硬件设置都是结构化的。4.2评价EEIBDM表 3CloudSim系统配置-加固云-基于评价数据中心（主机）虚拟机12 GB RAM内存512 MBRAM内存2TB存储内存20GB存储内存2×CPU，1000 MPIS容量1×CPU，1000 MPIS容量分时VM调度器分时Cloudlet调度器算法1是一种新的资源分配算法。使用CloudSim工具包软件嵌入并测试了该算法所提出的框架的所有方面都包含在CloudSim工具包中作为广泛启发式的一部分。如第3节所述，CloudSim作为虚拟化软件，可以由可扩展的模拟框架组成，该框架允许对云环境中虚拟化数据中心的建模、模拟和实验提供创新支持，以及在各种能力、配置和域下为所有组件（如VM、内存、存储和带宽）提供云管理服务。最后，CloudSim可以支持基于大规模云的建模和模拟环境的特性，节能场景的资源分配策略，服务代理，虚拟化技术，CP的联合云系统，以及已建立的网络连接。所提出的算法的计算复杂性依赖于我们在CloudSim上运行的多个场景。每个场景在持续时间和使用的数据量方面都有所不同。正如从下一节的实验结果中观察到的那样，我们的提议被测试了五天，并针对使用和产生数据的多种类型的VM考虑到我们所提出的方法提供的特性，CloudSim可以利用新的构造算法来评估与服务交付和供应策略相关的性能障碍，286虚拟现实智能硬件八月（2022）卷。4条第4算法1EEIBDM该方法的输入数据为：初始化数据中心中运行的不同主机的数量：NoHost数据中心中运行的各种VM的数量初始化：NoVMCPU系统的折扣系数：dfs学习过程的特定上限：U该方法导出为输出：已使用虚拟机的优化分布：总体分配建议方法：初始化主机（NoHost）//创建在数据中心中运行具有特定功能的虚拟机初始化虚拟机（NoVM）//创建在数据中心中运行具有特定功能的虚拟机初始化CPUW（cpuw）//初始化CPUcreateEnvironment（）//设置状态集S，动作集A，初始化K值和F值forVM NoVM//VM数量中包含的每个VMforHost Host NoHost//每个主机包含在主机数量Sb ={edc，h，vm}//传送特定状态Sb的数据中心、主机和Vm的能量值对于i，i=Ai = A，Ai计数Ai+1补偿Fi+1端端//更新现有值Si = Si+1//分配下一个主机端返回hdistribute（Host，VM）//分配新的主机和VM收益总分配资源管理技术。因此，CloudSim软件的现有架构支持云基础设施服务管理，但遗憾的是没有考虑数据中心的能耗或PUE值。图2展示了CloudSim软件的现有架构，该架构与我们提出的EEIBDM状态集成，以通过现有架构实现节能的资源分配服务如图2所示，它位于CloudSim设置组件的核心中间4.3虚拟环境任务为了生成更高效的系统，我们在CloudSim中建模并嵌入了联合云网络因此，我们建模并运行了一个由三个CP联邦和一个到用户代理的连接组成的系统。每个CP建立一个传感器，负责动态检测与数据主机相关的信息的可用性。随后，该传感器的测量结果被传递到ClCo，在那里产生的信息被用于进行负载迁移决策。结果，该系统通过协作CP执行可用VM的迁移，考虑到初始CP不能提供所请求数量的可用VM槽的可能性。此场景的拓扑如图3所示，它演示了云提供商联合。如图3所示，用户代理可以通过网络（例如，无线4G/5G网络）。协调每个用户的访问和每个用户的许可的云协调器试图找到合适的协作CP，以更好和更可靠的方式为用户表4中列出了针对上述场景提出的CloudSim模拟的模型组件。表5列出了CloudSim中针对我们建议的云场景的联邦云模拟的性能结果。假设ClCo的操作和先前提出的方法，系统的云计算架构可以如图4所示表示。图4显示了EEIBDM系统，包括技术287克里斯特湖STERGIOU，et al.基于工业物联网的数字孪生智能系统云端大数据管理与分析图2CloudSim架构随EEIBDM一起出现。图3联合云数据中心拓扑。依赖于数据中心、ClCo和传感器组件。通过嵌入式传感器，ClCo可以在此期间监控每个活动VM的性能。因此，虚拟机管理器（VMM）获得实时数据，然后使用这些数据来执行所需VM的特定调整大小。最后，ClCo通过应用VM迁移来分配VM，并且遵循资源利用规则来改变每个节点的功率状态。每个自治系统由传感器、VMM和其他组件组成，可以在ClCo选择时自动满足用户所需的能量是288虚拟现实智能硬件八月（2022）卷。4条第4因此，所需的能量小于原始能量。5钢筋云评估给出了在CloudSim中进行钢筋云模拟的实验结果，并进行了分析表4CloudSim配置-联合云设置数据中心（主机）虚拟机（x50）100台计算主机1×VM = 1×Cloudlet12GB RAM内存512MB RAM内存2TB存储内存20GB存储内存2×CPU 1000 MPIS容量1×CPU表5使用cloudsim获得的联邦云性能结果联合会结果非联邦结果中的“输入”。平均周转时间（秒）4241.45 8782.9图5显示了操作能耗（EC）对VM马凯斯潘（秒）7653.62 14609.41每一天。更具体地说，它显示了在5天时间表中，对于所使用的VM数量的五种状态，数据中心的能量是如何通过服务来自VM的请求而消耗的如图5所示，随着虚拟机数量的增加，数据中心的能耗也会增加。此外，作为总体统计，我们可以说，对于50个VM，EC低于12 kW/h，对于100个VM，EC低于15 kW/h，对于150个VM，EC低于20 kW/h，对于200个VM，EC低于25 kW/h，对于250个VM，EC低于29 kW/h。此外，我们可以得出结论，在过去的日子里，EC已经下降。图6显示了PUE的值随着使用更多VM的需求的增长而降低。因此，在需要更多VM时实现节能使用的主要目标得以实现。根据图6，当需要50个VM时，PUE在所有五天内都低于1.95此外，对于100个虚拟机，PUE低于1.89，对于150个虚拟机，PUE低于1.80，对于200个虚拟机，PUE低于1.70，对于250个虚拟机，PUE不超过1.65.根据文献，PUE的能量有效值的范围在1和2之间。因此，所提出的算法和方法实现了关于图6中展示的结果的数据中心的能量效率水平。图7显示了在CloudSim中重新增强云系统的结果表明，虚拟机的数量越多，SLA违规的百分比增加，所以他们是类似的值。SLA违规增加约5%会导致50个虚拟机分配，而SLA违规增加10%会导致100个虚拟机分配图4节能管理架构。289克里斯特湖STERGIOU，et al.基于工业物联网的数字孪生智能系统云端大数据管理与分析分配，150个VM分配为16%，200个VM分配为20%，250个VM分配为27%6结论本研究调查了云环境下基于可持续工业物联网的大数据管理和分析领域的多个开放性挑战和问题，特别是云基础设施的机器学习场景、云环境下基于工业物联网的BD分析的人工智能技术以及联合学习云系统等领域所产生的方面和挑战。考虑到强化学习是一种新技术，允许云数据中心等大型数据中心影响更节能的资源分配，我们提出了一种架构，该架构试图结合几家云提供商提供的功能，以形成并实现基于物联网的节能工业大数据管理框架（EEIBDM），该框架在云环境中的每个用户之外建立。因此，本研究的主要目标是从强化学习场景考虑制定资源分配问题的各个方面，同时与云环境交互以实现最佳决策。为了实现这一目标，我们提出了一种算法，通过评估EEIBDM框架提供的CPU的能耗。作为未来的案例研究，我们计划将企业安全和隐私方面纳入我们提出的系统框架，以实现基于工业物联网的节能和安全的云管理和分析环境，并借助强化和联邦学习的创新技术。因此，除了最节能的环境之外，该提议的框架可以用于诸如医院、学校和法律案件的存储库的地方，以具有更安全的环境。这是未来的迪-图5.在五天的运作期间， CloudSim中的加固云系统图6在CloudSim中运行强化云系统的五天期间的电力使用效率图7CloudSim中强化云系统运行五天期间违反SLA的百分比这是对我们的建议的延伸，并计划在未来的研究中进行调查竞合利益我们声明我们没有利益冲突290虚拟现实智能硬件八月（2022）卷。4条第4引用1 杨伟，王伟，王伟.基于智能云系统的先进媒体智能大数据IEEETransactions on SustainableComputing，2019，4（1）：77DOI：10.1109/tsusc.2018.28170432 放大图片作者：J.云计算中高效安全的大数据交付。多媒体工具与应用，2017，76（21）：22803-22822DOI：10.1007/s11042-017-4590-43 蒋X，葛Z。用于安全工业大数据分析的信息指纹。IEEE Transactions on Industrial Informatics，2022，18（4）：2641-2650DOI：10.1109/tii.2021.31040564 张文龙，王文龙，王文龙.物联网和云计算的安全集成。未来一代计算机系统，2018，78964-975DOI：10.1016/j.future.2016.11.0315 李文辉，李文辉，李文辉.大数据管理的绿色云通信系统。2020年第三届世界通信工程研讨会（WSCE）塞萨洛尼基，希腊，IEEE，2020，69DOI：10.1109/wsce51339.2020.92755796 Xie F，Yan J，Shen J.一种新的独立作业重调度策略，用于云环境中的云弹性。应用计算和信息学，2022DOI：10.1108/aci-06-2021-01727 林芳，戴伟，李伟，徐忠，袁丽。基于簇的工业无线传感器网络中优先级感知的数据包传输调度框架。IEEETransactions onIndustrial Informatics，2020，16（8）：5596DOI：10.1109/tii.2019.29449808 Batalla J M，Mavromoustakis C X，Mastorakis G，Xiong N N，Wozniak J.基于恶劣制造环境中工业物联网的多个无线接口的自适应定位系统。IEEE Journal on Selected Areas in Communications，2020，38（5）：899- 914DOI：10.1109/jsac.2020.29808009 Batalla J M.在恶劣的IIoT环境中分析通过无线WiFi和5G C波段的视频传输。IEEE Access，2020，8118534-118541DOI：10.1109/access.2020.300564110 [10]李晓，李晓.物联网多标准方法中事件检测的大数据分析。IEEE物联网杂志，2020，7（5）：4418DOI：10.1109/jiot.2019.295732011 McMahan H B，Moore E，Ramage D，Hampson S，y Arcas B A.从去中心化数据中高效学习深度网络。在：第20届人工智能和统计国际会议（AISTATS 2017），MLR：W CP，劳德代尔堡，佛罗里达州，美国，2017年12 张伟，陆勤，于勤，李智，刘毅，罗世凯，陈世，徐新，朱良。基于区块链的联合学习用于工业物联网中的设备故障检测。IEEE物联网杂志，2021，8（7）：5926DOI：10.1109/jiot.2020.303254413 Nilsson A，Smith S，Ulm G，Gustavsson E，Jirstrand M.联邦学习算法的性能评估。在：Proceedings of the Second Workshop onDistributed Entropy Structures for Deep Learning。Rennes France，New York，NY，USA/ACM，2018，1DOI：10.1145/3286490.328655914 Zhou J，Zhang S，Lu Q，Dai W，Chen M，Liu X，Pirttikangas S，Shi Y，Zhang W，Herrera-Viedma E.联邦学习及其在加速工业物联网中的应用研究202115 吕志，吴军，李英，宋华.工业物联网在真实场景数字孪生中的跨层优化。IEEE Internet of ThingsJournal2022，1DOI：10.1109/jiot.2022.315263416 作者Aujla G S，Kumar N. MEnSuS：一种高效的能源管理方案，可在边缘云环境中实现云数据中心的可持续性。未来一代计算机系统，2018，861279DOI：10.1016/j.future.2017.09.06617 Al-Dulaimy A，Itani W，Zantout R，Zekri A.针对高能效云数据中心的类型感知虚拟机管理。可持续计算：信息学与系统，2018，19185DOI：10.1016/j.suscom.2018.05.01218 Khan M A，Paplinski A，Khan A M，Murshed M，Buyya R.用于高能效云资源管理的动态虚拟机整合算法：综述。可持续的云和能源服务，2017，6：135DOI：10.1007/978-3-319-62238-5_619 杨文，李文.通过AI规划实现云管理的自动撤销在：第八届USENIX会议记录291克里斯特湖STERGIOU，et al.基于工业物联网的数字孪生智能系统云端大数据管理与分析2012年系统可靠性热点主题会议（HotDep '12），USENIX20 作者：Brown L E.人工智能的教育进展。AI Magazine，2014，34（4）：127DOI：10.1609/aimag.v34i4.250821 2005年10月27日，李文辉，陈文辉，陈文辉. AI思维为云教育平台提供个性化学习。第51届夏威夷国际系统科学会议论文集2018年夏威夷系统科学国际会议DOI：10.24251/hicss.2018.00322 吴C，Buyya R，Ramamohanarao K.大数据分析=机器学习+云计算。201623 Ahmed E，Yaqoob I，Hashem I A T，Khan I，Ahmed A I A，Imran M，Vasilakos A V.大数据分析在物联网中的作用。计算机网络，2017，129459DOI：10.1016/j.comnet.2017.06.01324 Lee J，Davari H，Singh J，Pandhare V.基于工业4.0的制造系统的工业人工智能。制造业快报，2018年，1820DOI：10.1016/j.mfglet.2018.09.00225 王军，杨军，王忠，华青.人工智能助力云智能工厂。IEEE Access，2018，65541926 吴伟杰，李伟杰，李伟杰.基于云的大数据分析-当前研究和未来方向的调查。Springer，大数据分析，2017，654：595DOI：10.1007/978-981-10-6620-7_5727 Lee J，Bagheri B，Kao H A.基于工业4.0的制造系统的网络物理系统架构。制造业快报，2015年，318DOI：10.1016/j.mfglet.2014.12.00128 张伟，陈伟，陈伟.云计算的SLA概念框架。第四届IEEE数字生态系统与技术国际会议。迪拜，阿拉伯联合酋长国，IEEE，2010年，606DOI：10.1109/dest.2010.561058629 Koutitas G，Demestichas P.本地和区域数据中心的能源效率挑战绿色工程学报，2010，1：130 Manjunatha H.埃斯法哈尼强化和深度学习技术在脑机接口中的应用。Springer，运动神经假体进展，2010年，1DOI：10.1007/978-3-030-38740-2_131 [10]杨文，王建超，王建超.强化学习，快与慢。认知科学趋势，2019，23（5）：408DOI：10.1016/j.tics.2019.02.006