边缘计算核心技术开发与应用

zhangjie2026

  5G时代，连接设备数量会大量增加，网络边缘侧会产生庞大的数据。云计算虽然可以处理这些问题，但在实时性、智能性、安全性和隐私性等方面存在诸多不足，边缘计算由此应运而生。由于边缘计算能让用户在靠近物或数据源头的一侧处理工作负载，极大地提升了在云端的处理效率，同时解决了存储、处理、时延问题，因此备受用户青睐。研究显示，2021年，我国边缘计算市场规模已经达到427.9亿元，预计2025年增长到1987.7亿元。另外，著名信息咨询公司Futurum也曾在一份报告中表示，近四分之三（72.7%）的公司已经实施了边缘计算策略；有93.3%的企业计划未来12个月内在边缘计算领域有所投入。在边缘计算“大红大紫”的背后，有很多企业已经受益，通过边缘端部署为用户提供更快的响应速度。

为积极响应科研及工作人员需求，根据《国务院关于推行终身职业技能培训制度的意见》提出的“紧跟新技术、新职业发展变化，建立职业分类动态调整机制，加快职业标准开发工作”要求，加快构建与国际接轨、符合我国国情的现代职业分类体系，2023年6月1日 — 2023年6月4日在山东青岛中国人工智能培训网特举办“边缘计算核心技术开发与应用研修班”。

第一部分：边缘计算       

一、边缘计算简析       

1.边缘计算的概念                  

2.边缘计算的应用场景

二、边缘计算的前世今生       

1.CDN—从缓存到内容分发           

2.微云—盒子里的数据中心

3.雾计算—雾是接近地面的云        

4.MEC—从“移动”到“多接入”

第二部分：边缘计算的关键技术       

一、计算卸载       

1.什么是计算卸载                  

2.计算卸载步骤

3.卸载决策

二、计算迁移       

1.计算迁移的背景和原因            

2.计算迁移的分类和步骤

三、边缘计算技术架构       

1.边缘计算典型参考架构            

2.边缘计算主流平台架构

3.边缘计算网络结构分析

四、边缘缓存       

1.边缘缓存概述                     

2.边缘缓存的基本特点

3.边缘缓存的技术分类       

五、安全保护       

1.边缘计算面临的安全风险           

2.边缘计算安全技术

六、边缘计算主要技术平台分析       

1.Linux基金会EdgeX Foundry        

2.AKRaino Edge Stack

3.AWS GreenGrass

第三部分：边缘计算的“朋友圈”       

一、边缘计算和5G       

1.5G来了                          

2.5G核心技术—边缘计算

二、边缘计算和物联网       

1.物联网，联万物                  

2.边缘计算赋能物联网

三、边缘计算和大数据      

四、边缘计算和云计算     

五、边缘计算和雾计算

六、虚拟化技术            

七、云边协同

第四部分：边缘智能       

一、边缘计算与人工智能       

1.边缘智能面临的问题               

2.边缘智能的场景和平台

二、边缘智能挑战       

1.样本数量与计算资源               

2.灾难性遗忘问题

三、边缘智能实现过程       

1.轻量化模型设计与训练            

2.模型推理优化

3.边缘算法的部署

四、边缘常见优化策略       

1.小样本情况下的泛化学习           

2.轻量化模型设计与训练

3.面向多任务的持续学习

第五部分：边缘计算的应用案例       

一、应用案例       

1.视频业务                        

2.智能交通

3.智能制造                        

4.智慧城市

5.智能家居                        

6.遥感边缘智能

第六部分：实操案例       

一、实战案例I：交通灯智能控制       

1.目标检测原理                     

2.检测模型优化

3.系统运行环境                     

4.模型转化

a视频采集与处理     

b检测结果可视化     

c交通灯控制模块

二、实战案例II：智能药品识别       

1.问题分析

2.数据收集与预处理

a数据收集与标注     

b数据集格式转换

c数据增强(色域变化，随机翻转、旋转，数据增强）

d数据集分割         

e数据集统计

3.算法分析与设计

a整体思路         

b模型选择         

c模型训练        

d模型转换

4. 模型优化和推理