文摘
物理扩张的有效的开发培训受益于计算机技术的快速发展,特别是边缘计算的集成(EC)和人工智能(AI)技术。物理扩展训练主要是基于集体形式,以及如何提高培训的质量达到结果的内容已经成为每个人的注意。代表技术在人工智能领域,深度学习和电子商务发展从传统的云计算技术都应用于物理扩展培训。传统的EC方法有问题,如高计算成本,计算时间长。本文介绍了深度学习技术来优化电子商务的方法。EC周期设置通过物联网(物联网)拓扑获取数据上传速度。CNN(卷积神经网络)模型介绍了深层强化学习技术,实现卷积计算,并完成电子商务的资源分配每个教练的可穿戴传感器设备,实现优化电子商务基于强化学习。实验结果表明,该方法可以有效地控制服务器的占用时间,边缘服务器的能源成本,计算成本。本文提出的方法还可以提高电子商务的资源配置能力,确保均匀的速度计算过程,提高电子商务的效率。
1。介绍
体能训练一般是指所有的体育活动,保持和发展适当的物理扩张和通过运动提高身体健康。规律的体育锻炼可以激活人体免疫系统,预防或改善一些文明的疾病,如心血管疾病、2型糖尿病和肥胖。它还可以改善心理健康,减少抑郁,提高抵抗压力的能力,提高睡眠质量,改善失眠问题,帮助形成积极的自尊。有规律的锻炼是保持健康的关键之一,它有一个重大贡献,保持健康的体重,消化系统,骨密度,肌肉能力,自由流动的关节,生理功能,减少将来面对手术的机会,和加强免疫系统。
身体健康是人体克服阻力的能力,快速运动的能力,连续工作(运动)能力,协调运动能力,和敏感和准确的运动能力,人类的身体显示锻炼,劳动和生活(1]。它可以认为身体健康不仅反映了人类活动的基本功能,但也反映了人类劳动和生活的基本功能。体能训练是一个对工作和生活不可缺少的基本运动能力。它有利于掌握复杂的技术动作和提高锻炼效果,承受重负荷训练和高强度锻炼,并保持一个稳定和良好的心态在日常训练和比赛状态。体能训练是一个团队风格体育训练和身体健康为导向,游戏作为一种工具,和心理健康为主要目的。物理扩展训练很少是由个人完成,通常在一个集体的形式。集团内部的关系直接相关的实际训练的好处。除了传统的训练方法,物理发展培训的内容还应该包括其他内容,如手倒立和向后走。
物理扩展训练主要是基于集体形式,以及如何提高培训的质量已经成为每个人的注意的内容。近年来,随着社会经济的快速发展和科学技术在全球范围内,许多新兴技术不断出现在信息和通信技术产业(2,3]。其中,两个代表技术被普遍认为是一个巨大的动力,人类的经济和社会产生深远影响。首先,代表技术在人工智能领域,深度学习受益于先进的算法和数据集(4]。已经开发近年来突飞猛进,用于无人驾驶、电子商务、智能家居和智能金融。领域发挥了很大的作用,深刻地改变了人们的生活方式,提高生产效率。另一个技术是电子商务发展从传统的云计算技术。相比之下,云计算,电子商务汇强大的计算资源和高效的服务网络的边缘,从而拥有更低的延迟,降低带宽使用情况,更高的能源效率,更好的隐私保护。EC和艾城的引入物理扩张培训可以更好地帮助人们训练(5]。
物联网的快速发展使我们进入了postcloud时代,它将生成大量的数据在我们的日常生活6,7]。物联网的应用程序可能需要极快的响应时间,数据隐私,等等。如果数据生成的物联网传输到云计算中心,网络负载会增加,网络可能会造成交通拥堵,而且会有一定的数据处理延迟。随着移动设备和摄像机部署在城市的增加,使用视频来达到特定的目的已经成为一个合适的手段,但是云计算模型不再适用于这种视频处理,因为大量数据在网络传输视频可能会导致网络拥塞,和视频数据的隐私很难保证。因此,提出电子商务让云中心委托相关的请求。每个边缘节点处理请求结合本地视频数据,然后只返回云中心的相关结果。这不仅减少了网络流量,也在一定程度上保证用户隐私8]。电子商务是指在网络的边缘处理和分析数据,可以减少请求响应时间,提高电池寿命,减少网络带宽,并确保数据的安全和隐私。一个边缘节点之间的任何节点计算资源和网络资源数据生成和云计算中心的来源。例如,聪明的人们之间的可穿戴设备边缘节点和云计算中心。在一个理想的环境中,电子商务是指对数据进行分析和处理数据生成的源泉,附近没有流通数据,从而减少网络流量和响应时间。为了快速更新训练模型和提高效率。
通过组织物理扩张培训完成;组里的每个人都配备一个可穿戴传感器。可穿戴传感器可以分析每个教练的训练质量。两个划时代的新技术,人工智能和EC,目前面临着进一步发展的瓶颈。一方面,深入学习技术,因为它需要高密度计算,当前基于深度学习的智能算法通常运行在云计算数据中心与强大的计算能力。移动终端设备的高人气的考虑,如何有效地部署深度学习模型在资源受限的终端设备已经从学术界引起了极大关注9,10]。它引起了来自学术界和工业界的极大关注9,10]。另一方面,沉没和分散的计算资源和服务,电子商务将广泛部署在网络边缘节点访问点(如蜂窝基站、网关和无线接入点)。EC的高密度部署节点的部署计算服务也带来了新的挑战;用户通常具有流动性;因此,当用户移动不同节点之间的频繁报道,是否应该与计算服务的轨迹移动用户迁移,这是一个两难的问题,因为尽管服务迁移可以减少延迟和改善经验,它会带来额外的成本,如带宽和能源消耗。
人工智能所面临的发展瓶颈,通过协同电子商务可以缓解。一方面,深入学习,移动设备运行深度学习应用程序卸载模型推理任务的一部分相邻EC节点计算,从而配合终端设备和边缘服务器整合的本地计算能力和强大的计算能力两个优势互补。通过这种方式,因为大量的计算是EC节点上执行,并有很强的计算能力相邻的移动设备,移动设备本身的资源和能源消耗的延迟任务推理可以显著减少,从而保证良好的用户体验。另一方面,针对电子商务服务的动态迁移和放置,人工智能技术也有前途。具体地说,基于高维历史数据,人工智能技术可以自动提取最优迁移决策和高维输入之间的映射关系,这样,当一个新用户位置,相应的机器学习模型可以快速将其映射到最优迁移决策。此外,基于用户的历史轨迹数据,人工智能技术还可以有效地预测用户的运动轨迹在未来短期内,从而实现预测边缘服务迁移决策,进一步提高系统的服务性能。一般来说,EC和AI将生成一个新的范式的“边缘智力,”将生成大量的创新研究的机会。
从欧共体的维数与人工智能相结合,论文的主要贡献是引入深层强化学习技术为电子商务EC和提出一个方法来驱动实时深度强化学习。剩下的纸是组织如下。部分2分析和总结了国内外的研究工作在物理扩展训练使用EC和人工智能。部分3提出电子商务驱动实时深度强化学习方法。实验结果发表在部分4,最后一节5本文总结道。
2。相关工作
AI改进了人们的生活质量和生活水平。同时,移动互联网和物联网产业的快速发展,人工智能应用和电子商务的全新组合,智能边缘系统是有前途的人工智能领域的研究人员和网络计算。研究智能边缘系统基于电子商务体系结构正变得越来越重要。
传统的电子商务研究主要考虑任务卸载的问题,也就是说,由终端设备生成的任务是否应该交给网络边缘设备进行计算和处理。有很多在这一领域的研究。研究方向的任务卸载,大量的工作集中在移动设备的能耗优化问题(11]。在[12,13),考虑到任务卸载问题在能量收集系统中,研究[12)提出了一种有效的基于强化学习的资源管理算法;该算法获得最优策略的动态卸载通过在线学习。这项研究在13)提出了一种低在线算法基于李雅普诺夫优化动态计算卸载算法,从而使决策任务卸载只有依靠当前的系统状态。在[14,15),作者研究了服务缓存机制在电子商务系统中,和一些容错机制EC系统也正在研究[16- - - - - -18]。这项研究在19)提出了一系列的方法,利用关联规则挖掘技术分析篮球运动员的身体健康指数,使用数据处理和数据库管理功能,还可以解决运动员体能指标的管理,协助教练管理球员和计算培训结果以提高数据处理的效率。根据数据挖掘技术分析球员的体能训练数据,从竞技体育方面,培训的目的是创造良好的运动性能,以及最基本的竞争力和最可控的因素对球员的体能的提高。体能训练的基本方法是教练员了解运动员的身体健康。球员的教练经常测试物理性能。根据不同的测试计算标准,他们计算的结果为每个项目每个球员的体能测验。之后,根据自己的经验,他们会评估球员们的体能制定合理有效的培训计划培训。但由于测试数据的积累,它会越来越难做,分析这堆数据与手工管理工作,和常用的计算机数据处理和数据库管理功能可以解决玩家的物理测试数据的管理。外面找不到潜在的知识数据库,它不能提供有效的评价和prespeculation球员的身体状况。
的一个智能体能训练平台的设计,有一个ZigBee-based体能训练平台由沈阳理工大学的霍等人设计的。平台实现数据采集和传输的功能在同一时间(20.]。随着移动设备的快速普及,许多可穿戴运动数据采集产品对普通运动爱好者在市场上出现。例如,华为智能手镯,Nike +和阿迪达斯miCoach是强大的,但他们只对专业人士。物理团队或一种特定的培训项目,这些产品需要昂贵的辅助设备,不适合物理扩展培训。在训练方法识别方面,研究[21)提出了一个隐藏的条件随机域对象识别模型基于最大边界值和综合大量的局部和全局特征来区分不同的动作。在培训过程中,人们主要关注培训物理功能的影响。不同数量的培训有不同的对身体机能的影响(22]。当能源消耗小,身体的新陈代谢比较高;当能源消耗大,甚至过大,人体的新陈代谢很大。虽然已经达到了训练卷,它也会导致过度的能源消耗和产生一些不良影响。代谢废物,在严重的情况下,甚至可以导致休克或破碎死亡,这对身体功能有不良影响。可以看出,只有当能源消耗体能训练期间控制在一个合理的范围内,能有一个积极的影响人体功能的变化。
3所示。EC驱动实时深度强化学习方法
在身体发育的培训,每个教练配备了可穿戴传感器。这些设备产生大量的数据,这使得传统的计算框架和不兼容的数据量。同时,教练无法得到实时反馈的网络传输速度延迟。只有实时反馈可以帮助身体扩张的发展培训,以便建立有效的培训模式为每个教练和及时调整训练方法。延迟不可能实现云计算物联网数据的传输。大量数据直接消耗在网络的边缘。因此,有必要对物联网的边缘进行计算。在身体发育的培训,每个教练是一个边缘节点。
作为人工智能领域的主流技术,深度学习已被学术界和强烈追求行业近年来23,24]。由于深度学习模型需要大量的计算,基于深度学习的智能算法通常存在于云计算数据中心与强大的计算能力。移动终端的迅速发展和普及和物联网设备,如何突破资源限制的终端设备,有效地深入学习模型在资源受限的终端设备吸引了大量的关注。为了解决这个问题,考虑电子商务让AI和使用实时计算的特点EC减少延迟和能量消耗的深度学习推理模型。由于这个原因,在这个研究中,深强化学习融入电子商务降低计算成本。深入强化学习结合深度学习的认知能力与决策能力强化学习和优化原有的EC在人工智能,以确保优化结果的有效性和可行性。
电子商务是一种技术,部署云计算和终端之间的计算任务。电子商务的特点及其邻近设备注定要实时处理的优点,所以它可以更好地支持本地服务的实时处理和执行。电子商务直接过滤和分析的数据终端设备,可以节省能源,节省时间和效率。换句话说,一些终端将计算任务卸载到EC设备和执行计算任务通过设备所分配的资源优势。在云计算模型中,终端设备是data-consuming角色。数据生产者(比如YouTube)发布数据的云,和数据使用者(如手机)获取云数据请求数据。这是一个传统的云计算模式,但随着物联网的普及设备,物理扩张培训,终端运动鞋使用可穿戴传感器来生成大量的数据,这些数据的处理和传输将遇到一些问题。EC致力于解决这些问题,所以EC与物联网技术,集成的数据量非常大,它需要占用大量上传带宽,所以设备上的数据需要处理,加工成合适的格式传输,处理和计算任务在终端设备上。因此,终端消费不再是纯数据,但在数据生成过程中发挥作用。总之,电子商务使用局域网网关的处理能力来处理更多的实时信息。
3.1。EC周期设置
EC周期需要的拓扑分析物联网,物联网的EC周期基于分析结果。在正常情况下,物联网的拓扑结构可分为两个部分:一个平面网络结构和层次结构。针对物联网的相关特征,本文分层结果作为研究对象。
根据教练的可穿戴设备业务数据和可再生能源的随机性,连续时间范围设置为将时间间隔相等,和时间间隔设置为 ,这是计算决定每隔相等。使用上面的时间,决定时间和决定可以动态地调整以满足物联网EC的复杂性和可变性。在每个计算决策点,业务数据集的产生率和 ;然后,积累的数据大小和能源价值的物联网的计算周期相等的时间间隔可以表示为
其中,被定义为教练的积累的数据量可穿戴设备在计算期间,然后呢代表的蓄能值教练的可穿戴设备在计算期间。通过上述公式,计算周期控制生成的数据的优势。在不同的计算周期的情况下,为了方便计算的发展,将业务数据的产生率和能量达到率都是反映在独立的形式和相同的分布。无线宽带的带宽在教练的可穿戴设备的物联网 ,在物联网和只有一个基站;忽略了基站的干扰,数据上传速度物联网可以表示为
其中,代表每个教练的可穿戴设备的计算能力,代表当地的可穿戴设备的计算能力,高斯白噪声的方差,是目标误比特率。使用上面的部分,设计的一部分,物联网的EC周期完成后,和这个结果作为数据基础建设电子商务执行过程。
3.2。电子商务执行过程
使用上面的分析结果,作为电子商务的基础建设执行过程中每个教练的可穿戴设备,深入强化学习技术是用来完成电子商务执行过程。
为本地计算的部分每个教练的可穿戴设备,定义作为当地执行延迟;这一部分包含服务器的处理时间;集CPU频率计算;然后,执行延迟可以表示为
其中,通信通道的长度。代表了信噪比的优势引入满足上行目标错误率。集随着能源消耗在本地执行。根据公式(4),它可以表示为
其中,将物联网的能量密度,代表了在决策周期的能源消耗在计算过程中,然后呢表示信道的噪声功率。考虑到的变化会影响计算能耗的变化,动态电压缩放技术是用于设置整个计算时间吗 ,和当地的计算频率合理分配。部分可以表示为
使用上面的公式来控制EC的执行过程。确保能源消耗EC每个教练的特征匹配的可穿戴设备。根据数据传输速度计算公式(3),可以计算延迟时间的计算过程如下:
使用上面的公式来控制执行期间EC,根据欧盟执行过程设计这部分,深入强化学习技术集成到电子商务资源分配每个教练的可穿戴设备。
3.3。电子商务资源分配
摘要CNN模型深层强化学习技术作为设计基础,实现物联网的电子商务资源分配,和卷积处理主要是用来完成资源的合理配置25,26]。
根据信号的相关知识和网络,两个信号的卷积运算在决定时间可以体现在一个公式的形式如下:
其中,和 ,分别代表了信号边缘计算。离散序列和在资源分配是通过翻译,乘法,和集成的结果这两个信号在时间和卷积的结果体现在离散形式。
使用上面的公式,在欧共体中设置连接数每个教练的可穿戴设备。根据CNN模型的参数特点,设置重量和偏见在分配过程中连接数;然后,边缘计算参数的数量可以表示为 ,在哪里计算和渠道的数量和卷积的宽度和高度的内核。通过这个公式,计算过程的计算量可以获得 ,和合理分布的计算量可以表示为
使用上面的公式,完成电子商务资源分配。连接上面的这部分的设计部分以有序的方式实现大幅强化学习电子商务的应用的物联网。到目前为止,实时深度强化学习方法的设计由欧共体就完成了。
4所示。实验设计和结果分析
实验的应用效果评估之前设计深度强化学习在欧共体通过真实数据集。此外,本文还比较了该方法与三种方法在服务器占用时间,服务器功耗和计算等待时间。
4.1。数据集设计
Python 3.8是用于实现这个实验的计算过程。为了使实验结果更有说服力,谷歌集群作为数据集,并使用属性,如任务构造样本请求CPU和内存的要求。在本文的仿真场景,假设有10边缘节点,也就是说,10运动鞋,每个教练都配备了可穿戴传感器。带宽、计算能力和计算能力的单位时间内边缘节点(每个教练)可以从表1为消费。同时,假设业务数据的产生率是0.36和0.73和 ,分别,CPU频率是4 GHz,≤6 dB,本地计算能力可穿戴传感器设备装备的教练是30 Mb / s,和比特误码率是0.48。
上述设置部分是用作实验的准备阶段,使用上述设置完成这个实验结果和比较计算方法之间的差异在使用加深强度学习和方法在使用这种技术。
4.2。对比指标
实验的内容设置为计算方法的性能比较,并计算成本是实验的重点。所谓的计算成本由边缘服务器占用时间,边缘服务器能源成本和平均等待时间计算。在实验中,为了提高效率,计算环境被设置为边缘服务器的全部工作和部分的边缘服务器来验证每个计算方法的适用性。在实验过程中,研究了每个算法的计算性能的形式统一增加数量的任务,和特定的结果体现在图片的形式。
4.3。实验结果分析
4.3.1。服务器占用时间
为了验证不同的方法在电子商务服务器占用时间,优化后的服务器占用时间比较深的强化学习方法,改进的猫群算法,edge-cloud协作物联网优化方法,结果如图所示1。
(一)
(b)
根据图1可以看出,边缘服务器需要不同的时间在不同的方法。在图1(一)当任务的数量是20,边缘服务器没有优化的占用时间是44.8秒,占用时间的边缘服务器edge-cloud合作优化方法是26.7秒。改进的猫群算法边缘服务器需要23.5秒,和服务器占用的时间深度强化学习优化方法是7.5秒。虽然三种方法可以有效地减少服务器占用时间,本文方法的占用时间明显低于其他方法,这表明教练配备了可穿戴传感器设备占用更少的服务器时间。
在图1 (b)在某些工作环境,当任务的数量是30,边缘服务器不需要38.6秒,优化的边缘服务器edge-cloud合作优化方法需要24.7秒。改进的猫群算法边缘服务器需要18.2秒,和服务器占用的时间深度强化学习优化方法是2.7秒。当任务的数量是70,实现边缘服务器需要49.8秒,edge-cloud合作优化方法需要42.5秒,算法和改进的猫集团物联网优化方法需要33.5秒。服务器占用时间的强化学习优化方法是3 s。在某些工作环境,本文方法的服务器占用时间也明显低于其他方法,表明本文的方法具有较高的计算效率和很强的适用性。
任务的数量的不断增加,在两个不同的边缘服务器工作状态,该算法使用深层强化学习技术可以确保服务器的正常运行。深层强化学习技术的使用可以有效地控制服务器的占用时间,以便每个教练的可穿戴设备有更多的时间来处理本地业务,建立一个优化的培训模式,以更好地实现物理扩张的目的。
4.3.2。服务器功耗
基于上述,服务器功耗上述三种方法进行了统计,结果如表所示2。
分析表2显示服务器能源成本从不同的方法不同。本文方法的能源成本明显低于其他两种方法。使用深层强化学习技术的计算方法可以有效地控制能源成本的边缘服务器在计算过程中,以保证计算成本和减少能源消耗的可穿戴传感器设备。
4.3.3。等待时间计算
为了进一步验证不同方法的计算效率,计算平均等待时间实验下添加不同的任务,和结果如图所示2。
图分析2计算表明在不同数量的任务,等待时间是不同的。当任务的数量是5,计算平均等待时间的强化学习方法1 ms,改善猫组的平均等待时间计算算法3女士,和edge-cloud合作的平均等待时间计算方法是3.2毫秒。当任务的数量是40,计算平均等待时间的强化学习方法是1.25毫秒,改善猫组的平均等待时间计算算法4女士,和edge-cloud合作的平均等待时间计算方法是3.9毫秒。本文的方法可以改善电子商务的资源配置能力,确保均匀的速度计算过程,提高电子商务的效率。
积分计算的平均等待时间的结果,能源成本边缘服务器的结果和结果表明,该边缘服务器占用时间基于深EC方法强化学习设计的摘要可以有效地控制成本计算在性能和完整有效的电子商务。教练在这一过程中,模型可以应用于训练速度,这样的物理扩张培训可以更有效地进行。
5。结论
物理扩展训练一直是讨论的话题。作为人工智能领域的一个重要组成部分,深度学习技术已被学术界和强烈追求产业近年来,云计算和电子商务技术的出现相应的再次吸引了学术界的极大关注。摘要CNN模型深层强化学习技术用于实现物联网的电子商务资源分配,和卷积处理主要是用来完成资源的合理配置。本文结合人工智能和欧共体EC提出一个方法来驱动实时深度强化学习。该方法提出了用于可穿戴传感器设备的物理扩张中的每个教练训练。通过实验分析,该方法提出了入住率较低,计算效率高,适用性强;服务器功耗小;它可以有效地控制计算成本,完成高效的电子商务流程,以便每个教练的训练模型可以应用于训练速度,提高培训的质量和准确性,以便更有效地进行物理扩张培训。在未来的研究中,进一步优化将如何更有效地完成电子商务,同时确保任务处理的可靠性和及时性和平衡每个边缘服务器的负载在高峰时期。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。