本发明涉及一种监控架构，且特别涉及一种基于物联网架构的监控方法、雾运算终端以及物联网系统。
背景技术
因特网的发展及运用不断成长，由原本桌上型计算机的时代慢慢转向为便携式计算机的时代，到现今热门的物联网(internetofthings，iot)时代，随着科技的演进与创新，能够连接网络的物品不再限制只有桌上型计算机、笔记本型计算机、或智能型手机，而是期待所有的物品皆能连网，以便能随时控管。
随着物联网的到来伴随着海量级的数据，将这些数据都送到云端进行处理，则需要耗费巨大的带宽。而分布式的雾运算恰好解决了集中式运算出现的问题。
因此，需要提供一种基于物联网架构的监控方法、雾运算终端以及物联网系统来解决上述问题。
技术实现要素：
本发明提供一种基于物联网架构的监控方法、雾运算终端以及物联网系统，可以针对特定的使用者来获得更精准的结果。
本发明的基于物联网架构的监控方法，包括：通过雾运算终端执行下述步骤。自云端服务器下载应用程序包；通过应用程序包自云端服务器下载通用模型；将一或多个物联网设备设定为至少一设备群，而自设备群接收多个感测数据；以及基于感测数据与通用模型进行增量式学习(incrementallylearning)而获得增量式学习模型，藉以通过增量式学习模型来控制设备群。
本发明的一个方面提供一种基于物联网架构的监控方法，该基于物联网架构的监控方法包括：通过一雾运算终端执行下述步骤，该步骤包括：自一云端服务器下载一应用程序包；通过该应用程序包自该云端服务器下载一通用模型；将多个物联网设备至少其中之一设定为至少一设备群，而通过该设备群接收多个感测数据；以及基于该些感测数据与该通用模型进行一增量式学习而获得一增量式学习模型，藉以通过该增量式学习模型来控制该设备群。
本发明的物联网系统包括：一云端服务器、多个物联网设备以及一雾运算终端；该云端服务器提供一应用程序包及一通用模型；该雾运算终端通过一网络与该云端服务器及该些物联网设备连接；其中，该雾运算终端自该云端服务器下载该应用程序包，并通过该应用程序包自该云端服务器下载该通用模型，并且将一或多个物联网设备设定为至少一设备群，而自该设备群接收多个感测数据，并基于该些感测数据与该通用模型进行一增量式学习而获得一增量式学习模型，藉以通过该增量式学习模型来控制该设备群。
在本发明的一实施例中，雾运算终端解析应用程序包而获得交换码、物联网应用程序、机器学习执行码以及配置文件，雾运算终端传送交换码至云端服务器。云端服务器在接收到交换码之后，传送对应于交换码的启动码至雾运算终端。
在本发明的一实施例中，在云端服务器接收到交换码之后，云端服务器判断是否为第一次接收到交换码，在判定为第一次接收到交换码时，传送对应于交换码的启动码至雾运算终端，而在判定先前已接收过交换码时，则不传送启动码至雾运算终端。
在本发明的一实施例中，雾运算终端通过物联网应用程序自云端服务器下载通用模型，其中通用模型是由云端服务器先训练好的模型。
在本发明的一实施例中，雾运算终端包括授权服务器，通过授权服务器分别储存启动码至雾运算终端的固件储存设备以及区块链(blockchain)数据库。
在本发明的一实施例中，雾运算终端通过授权服务器读取固件储存设备中的启动码；通过授权服务器读取区块链数据库中的启动码；判断自固件储存设备所获得的启动码与自区块链数据库所获得的启动码是否相同；倘若自固件储存设备所获得的启动码与自区块链数据库所获得的启动码相同，根据启动码，激活物联网应用程序的功能并设定有效期限。
在本发明的一实施例中，雾运算终端通过物联网应用程序基于配置文件，将物联网设备至少其中之一设定该设备群。
在本发明的一实施例中，雾运算终端在获得该增量式学习模型之后，传送增量式学习模型至物联网设备中的其中之一。
在本发明的一实施例中，雾运算终端上传至少其中一个物联网设备的感测数据至云端服务器，使得云端服务器更新通用模型。
在本发明的一实施例中，雾运算终端包括一或多个边缘装置，基于交易量的大小、各边缘装置的运算能力以及储存能力来决定以各些边缘装置作为交易节点及矿工节点至少其中一个。
本发明的雾运算终端包括：一储存装置、一连网设备以及一处理器；该连网设备与一云端服务器以及多个物联网设备连接；该处理器耦接至该连网设备与该储存装置，其中，该处理器通过该连网设备自该云端服务器下载一应用程序包，该处理器通过该应用程序包自该云端服务器下载一通用模型并储存该通用模型至该储存装置，之后，该处理器将该些物联网设备至少其中之一设定为至少一设备群，而通过该设备群接收多个感测数据，并且基于该些感测数据与该通用模型进行一增量式学习而获得一增量式学习模型，藉以通过该增量式学习模型来控制该设备群。
基于上述，本发明利用更为贴近使用者的雾运算终端来执行增量式学习，以获得更符合特定使用者的预测结果。
为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附附图作详细说明如下。
附图说明
图1是依照本发明一实施例的物联网系统的框图。
图2是依照本发明一实施例的基于物联网架构的监控方法的流程图。
图3是依照本发明一实施例的交换码(exchangecode)与启动码(activationcode)的交换程序的流程图。
图4是依照本发明一实施例的授权程序的流程图。
图5a是依照本发明一实施例的交易节点的框图。
图5b是依照本发明一实施例的矿工节点的框图。
图6是依照本发明一实施例的监控系统中基于云端服务器的数据传输程序的示意图。
图7是依照本发明一实施例的监控系统中基于雾运算终端的数据传输程序的示意图。
图8是依照本发明一实施例的雾运算终端的框图。
主要组合件符号说明：
10物联网系统
110云端服务器
120、800雾运算终端
121、121-1～121-m边缘终端
130、130-1～130-n物联网设备
51、53、732iot应用程序
52区块链数据库
510、720交易节点
520、730矿工节点
61应用程序包
63机器学习模型
710区块链架构
721感测数据
722处理后数据
731机器学习执行码
740、840固件储存设备
741启动码
750授权服务器
810处理器
820储存装置
830连网设备
s205～s220基于物联网架构的监控方法各步骤
s305～s325交换码与启动码的交换程序各步骤
s405～s440授权程序的各步骤
s605～s625监控系统的数据传输程序的各步骤
s631～s632机器学习模型的执行步骤
具体实施方式
图1是依照本发明一实施例的物联网(internetofthings，iot)系统的框图。请参照图1，物联网系统10包括云端服务器110、雾运算终端120以及多个物联网设备130-1～130-n(统称为物联网设备130)。雾运算终端120通过网络与云端服务器110以及物联网设备130连接。
云端服务器110包括具有计算能力强大的一台或多台主机，例如为具有高运算能力的服务器，提供处理过的信息或是运算过的信息，让通过网络连接云端服务器的其他终端机(client)，比如雾运算终端120或物联网设备130，可以迅速地得到需要的数据或结果，并输出数据或结果给需要的对象。
雾运算终端120例如是由至少一个边缘装置(edgedevice)构成。在此，雾运算终端120包括多个边缘装置121-1～121-m(统称为边缘装置121)。边缘装置121-1～121-m并非为服务器等级的主机，而性能较弱、分布更为分散的具有各类功能的计算器，例如为一般桌上型计算机、笔记本型计算机、平板计算机、智能型手机、或其他具有运算功能的各类电子装置。而边缘装置121-1～121-m可以是设置在一般的办公室或医疗站等而不用设置在特定的机房里。
物联网设备130为计算能力更弱且具有通信传输功能的电子装置，例如为智能型手环、智能型手表、智能床、智能衣、穿戴式的医疗照护装置、医疗仪器、穿戴式的健康监测设备等。而雾运算终端120与物联网设备130之间可以通过对内网络连接，雾运算终端120与云端服务器110之间可以通过对外网络连接。
在此，雾运算终端120采用雾运算(fogcomputing)技术。雾运算技术采用分布式的运算方式，将运算、通信、控制和储存资源与服务分布给使用者或靠近使用者的设备与系统。雾运算技术扩大了云端运算的网络运算模式，将网络运算从网络中心扩展到了网络边缘，从而更加广泛地应用于各种服务，是云端运算概念的延伸。在雾运算技术中终端用户客户端(end-userclient)或连接终端用户的边缘装置，以分布式协作架构进行数据存储，或进行分布式网络包传输通信，或相关分布式控制、运算或管理。
雾运算终端120中的各边缘装置121采用区块链(blockchain)应用技术。即，每一个边缘装置121可以扮演交易节点(transactionnode)或矿工节点(miningnode)，或者同时扮演交易节点以及矿工节点。交易节点用来储存区块链数据库。矿工节点不包括区块链数据库，其是用来对交易结果执行验证动作，并将交易结果打包为区块传送给交易节点来再次进行验证。
例如，当某一个节点要发起交易时，会先将交易广播给其他节点，此时所有的矿工节点会一同运行共识算法(consensusalgorithm)，藉此来决定由哪一个矿工节点拿到验证权。而拿到验证权的矿工节点会把自己验证后的未可信赖的交易结果包成一个新的区块送给交易节点，而交易节点会再复验交易。如果比对两方验证交易结果相同，则交易节点会将此交易结果所包成的区块放入至区块链数据库成为可信赖的交易。
下面再举例来说明基于物联网架构的监控方法各步骤。图2是依照本发明一实施例的基于物联网架构的监控方法的流程图。在本实施例中，通过雾运算终端120将一或多个物联网设备130设定为一个或多个设备群，以控制设备群。例如，物联网系统10应用在医疗照护系统时，云端服务器110为设置在医疗中心机房的服务器主机，雾运算终端120为设置在护理站的个人计算机，物联网设备130则是配戴在使用者身上的各种生理传感器。所述生理传感器例如用以检测血压、体温、心跳、血氧、血糖等。雾运算终端120会将一或多个物联网设备，例如为配戴在使用者身上的各种生理传感器，设定为一个设备群，藉以来监控设备群的感测数据是否出现异常，进而可反应、控制或动态调整设备群。
请参照图1以及图2，在步骤s205中，雾运算终端120自云端服务器110下载应用程序包。应用程序包包括交换码(exchangecode)、iot应用程序、机器学习执行码以及配置文件(profile)。iot应用程序包括简易iot应用程序以及复合iot应用程序两种类型。复合iot应用程序是基于多个简易iot应用程序。复合iot应用程序可以存取基于简易iot应用程序的区块链数据，并且可监控多个设备群。机器学习执行码用以在雾运算终端120中进行增量式学习(incrementallylearning)的训练。配置文件包括一组元数据元素(metadataelement)、政策(policy)以及准则(guideline)，用以执行iot应用程序，以及指定所欲使用的物联网设备130。元数据元素例如用来指定用于医疗或是金融。政策例如在医疗环境中，数据要进行备份或是需要双来源。准则例如为用药原则。
雾运算终端120转换配置文件并传输至设备群，使得设备群中的一些物联网设备130自雾运算终端120下载增量式学习模型，并且使得设备群中的其他物联网设备130上传感测数据至雾运算终端120。
接着，在步骤s210中，雾运算终端120通过应用程序包自云端服务器110下载通用模型。在此，通用模型是由云端服务器110事先训练好的模型。具体而言，通用模型是由云端服务器120根据代表性的感测数据通过机器学习模型(machinelearningmodel)进行批次训练(batchtraining)所获得的模型。例如，云端服务器120会事先根据一般病人的原始感测数据(rawsensordata)或代表性病人经处理过(例如聚合或过滤)的感测数据(processedsensordata)来训练出一个通用模型。通用模型是由具代表性的数据所训练出来。
详细来说，图3是依照本发明一实施例的交换码与启动码的交换程序的流程图。在步骤s305中，云端服务器传送iot应用程序包至雾运算终端120。雾运算终端120在接收到应用程序包之后，会对应用程序包进行解析，以获得交换码、iot应用程序、机器学习执行码以及配置文件。并且，还可将iot应用程序、机器学习执行码以及配置文件储存至区块链数据库，使其不容易被篡改。
之后，在步骤s310中，当雾运算终端120要启用iot应用程序时，传送交换码至云端服务器110。并且，在步骤s315中，云端服务器110判断是否已接收过此交换码。即，判断是否为第一次接收到此交换码。在判定为第一次接收到此交换码时，在步骤s320中，云端服务器110传送对应于此交换码的启动码至雾运算终端120。而在判定先前已接收过此交换码时，云端服务器110会结束交换码与启动码的交换程序，而不会传送任何启动码至雾运算终端120。
在此，交换码和启动码是用来确保iot应用程序的使用权限，例如授权的可用功能及对应的有效期限(expirationdate)。交换码跟随着应用程序包被下载至雾运算终端120。雾运算终端120利用交换码向云端服务器110来交换一个启动码。而云端服务器110中会记录哪一个交换码已经用来交换过启动码，而针对使用过的交换码便不会再度发行启动码。例如，交换码为车票，在将车票交付至云端服务器110之后，云端服务器110将车票撕掉，因此使用过的车票便不能再度使用。
之后，在步骤s325中，雾运算终端120通过授权服务器(licenseserver)，将启动码分别储存至雾运算终端120的固件储存设备以及区块链数据库。即，雾运算终端120中还包括授权服务器。授权服务器例如为一般桌上型计算机、笔记本型计算机、平板计算机、智能型手机、或其他具有运算功能的各类电子装置。或者，授权服务器例如为设置在边缘装置121中的软件。将授权服务器设置于雾运算终端120中，可在对外网络断线时，正常运作于内部网络。
授权服务器会将启动码储存至正在执行iot应用程序的边缘装置121中的固件储存设备。固件储存设备例如是储存有基本输入输出系统(basicinput/outputsystem，bios)的存储器。并且，授权服务器还会将启动码储存至交易节点的区块链数据库中。
而云端服务器110在发行应用程序包时，会根据所接收到的指令来决定将应用程序包发行至对应的边缘装置121中。也就是说，并不是所有的边缘装置121都会下载应用程序包。而云端服务器110在接收到由雾运算终端120所传送的交换码之后，根据其内部记录的数据来将对应于交换码的启动码传送至雾运算装置120。雾运算终端120在接收到启动码之后才会开始后续的程序。在此，启动码中记录了授权的可用功能以及有效期限。
图4是依照本发明一实施例的授权程序的流程图。请参照图4，在步骤s405中，iot应用程序向授权服务器请求授权。接着，在步骤s410中，授权服务器自固件储存设备中读取启动码。并且，在步骤s415中，授权服务器自区块链数据库中读取启动码。之后，在步骤s420中，判断固件储存设备中是否存在启动码。
倘若判定固件储存设备中存在启动码，在步骤s425中，授权服务器判断区块链数据库的启动码与固件储存设备的启动码是否相同。倘若区块链数据库的启动码与固件储存设备的启动码相同，在步骤s430中，授权服务器根据启动码来设定可用功能以及有效期限。倘若两个启动码不同，则授权服务器结束授权程序，可防止两者其中之一的启动码可能被篡改，而造成不当授权的问题。
返回步骤s420，倘若判定固件储存设备中不存在启动码，在步骤s435中，授权服务器根据区块链数据库的启动码来设定可用功能以及有效期限。
例如，iot应用程序的功能包括预测心跳、预测血压、预测体温等。而启动码中包括对应至各功能的标记，当标记设定为1时，则设定对应iot应用程序的功能为可用功能。例如设定iot应用程序中预测血压的功能为可用功能。
而有效期限用来限制iot应用程序的可用功能所能使用的期限。在超过有效期限之后，则iot应用程序的可用功能便会被设定为不可用，使得该功能被禁能不动作。另外，可以针对不同的iot应用程序的可用功能来设定不同的有效期限。或者，所有的iot应用程序的可用功能共用一个有效期限。通过设定有效期限可根据付费多少来决定可用功能的使用期限。
之后，在步骤s440中，授权服务器传送授权信息至iot应用程序，使得iot应用程序来激活对应的可用功能及设定有效期限。
返回图2，在步骤s215中，雾运算终端120将一或多个物联网设备130设定为设备群，而自设备群接收多个感测数据(设备群所感测到的原始感测数据，其为更贴近使用者的数据)。即，由iot应用程序基于配置文件，将所指定的物联网设备130设定为设备群。
举例来说，假设iot应用程序预测使用者a的血压以及心跳，配置文件中指定测量使用者a的血压以及心跳，则雾运算终端120会将用来感测使用者a的心跳与血压的两个物联网设备130设定为一个设备群来支持所要执行的iot应用程序的功能。另外，假设配置文件中指定测量使用者b的心跳以及体温，则雾运算终端120会将用来感测使用者b的心跳与体温的两个物联网设备130设定为一个设备群来支持所要执行的iot应用程序的功能。
之后，在步骤s220中，雾运算终端120基于所述感测数据与通用模型进行增量式学习而获得增量式学习模型，藉以通过增量式学习模型来控制设备群。雾运算终端120会针对指定的设备群的感测数据(原始感测数据)来继续对通用模型进行训练，而获得增量式学习模型。例如，使用自我监督式自我学习算法(supervisedself-learningalgorithm)来对通用模型进行训练。
例如，在医疗系统中，在云端服务器110针对代表性病人的数据进行训练获得通用模型，而在将通用模型下载至雾运算终端120之后，雾运算终端120会针对特定病人的原始感测数据来继续对通用模型进行训练，而获得增量式学习模型。因此，在雾运算终端120所获得的增量式学习模型是更贴近特定病人的真实状况，因此能够得到更符合特定病人的预测结果。
例如，使用者a或其家族血压比平均值高出5～10mmhg。则可利用使用者a的原始感测数据来对通用模型进行增量式学习的训练来获得一个贴近使用者a状况的增量式学习模型。据此，可对应来调整仪器的参数，例如洗肾(血液透析)时需对应调整仪器参数，或是控制速率，或告知需配合药物等等。
在雾运算终端120中，将自设备群接收的感测数据以及通用模型代入至机器学习执行码来执行增量式学习。增量式学习是指一个学习系统能不断地从新样本中学习新的知识并能保存大部分以前已经学习到的知识。因此，在新增数据时，并不需要重建所有的知识库，而是在原有知识库的基础上，仅执行由于新增数据所引起的更新。
另外，雾运算终端120在获得增量式学习模型之后，还可通过iot应用程序传送增量式学习模型至其中一个或多个物联网设备130。例如，可将增量式学习模型传送至运算能力较高的物联网设备130，而直接在物联网设备130运行增量式学习模型。
关于采用区块链应用技术的雾运算终端120而言，每一个边缘装置121可以扮演交易节点或矿工节点，或者同时扮演交易节点以及矿工节点。雾运算终端120可基于交易量(即，区块链架构下所运行、传输的数据量)的大小、各边缘装置121的运算能力以及储存能力来决定以各边缘装置121作为交易节点及矿工节点至少其中一个。另外，亦可通过人为部署、云端服务器110的部署或是应用程序包的部署来决定由哪几个边缘装置121来扮演交易节点与矿工节点。
另外，针对特定的节点(矿工节点或交易节点)，雾运算终端120由支持向量回归(supportvectorregression，svr)模型从中央处理器运算能力、硬盘存储量等构成的特征向量(featurevector)来预测出对应于特定节点的能力(capability)。在交易量大时，选用能力较高的节点；在交易量小的时候，选用能力较低的节点。如此，雾运算终端120同时支持多个动态的区块链丛集，每个丛集的大小跟节点都可以是不固定的。其中，支持向量回归模型可执行于其中一个边缘装置121，或者与授权服务器运行于相同的边缘装置121中。
因此，雾运算终端120所涵盖的区块链架构下的交易节点与矿工节点的范围或数目可以是完全动态的，可视当时的交易量而定。例如，运算能力好的边缘装置121适合作为矿工节点，而储存能力好的边缘装置121则适合当交易节点。
举例来说，图5a是依照本发明一实施例的交易节点的框图。图5b是依照本发明一实施例的矿工节点的框图。
在图5a中，在交易节点510中包括iot应用程序51、以及区块链数据库52。通过设置在交易节点510(其中一个边缘装置)中的控制器或处理器等来执行其iot应用程序51，以实行对应的功能。
在图5b中，矿工节点520包括iot应用程序53。通过设置在矿工节点520中的控制器或处理器等来执行其iot应用程序53，以实行对应的功能。矿工节点520的iot应用程序53用于验证交易结果，例如iot应用程序53具有区块链应用技术中的智能合约(smartcontract)，利用智能合约来验证交易结果，在验证成功之后，将正确的该笔交易结果向其他交易节点广播，并打包为区块。另外，在具有多个矿工节点的情况下，会利用例如共识算法决定由其中一个矿工节点来获得验证的权利。例如，在多个矿工节点的情况下，由这些矿工节点来争夺优先权，先抢得优先权的矿工节点(处理速度快)则获得验证的权利。
而交易节点510在自矿工节点520获得交易结果且验证之后会再次进行验证。例如，交易节点510的iot应用程序51同样具有区块链应用技术中的智能合约，利用智能合约来验证交易结果。在矿工节点520与交易节点510两者验证皆通过时，将该笔交易结果储存至交易节点510中的区块链数据库52。倘若其中一方验证未通过，则不会将该笔交易结果放到区块链数据库52里。而区块链数据库52是利用非对称式加密来对数据进行加密。而每一个交易节点510都具有完整的区块链数据库52。
区块链应用技术具有容错机制。假设在一个区块链架构下具有3个交易节点510，在其中2个交易节点510被窜改或损坏时，并不会影响整个区块链架构的交易，仍然可以继续正常的查询、写入交易等。这是因为每一个交易节点510都有一份完整的区块链数据库52，当其他交易节点都失效或不正常时，整个区块链架构仍然能够正常地运作，并且可持续同步正确的事务数据。利用区块链架构的安全、透明、高效三大优势有助于物联网系统10的发展。
图6是依照本发明一实施例的监控系统中基于云端服务器的数据传输程序的示意图。请参照图6，监控系统包括雾运算终端120与云端服务器110。在步骤s605中，云端服务器110传送应用程序包61至雾运算终端120。雾运算终端120解析应用程序包61而获得交换码、iot应用程序、机器学习执行码以及配置文件。在步骤s610中，雾运算终端120通过iot应用程序传送交换码至云端服务器110。
在步骤s613中，云端服务器110进行交换码与启动码的交换程序。之后，在步骤s615中，云端服务器110传送启动码至雾运算终端120。具体而言，在云端服务器110接收到交换码之后，云端服务器110判断是否为第一次接收到交换码，在判定为第一次接收到交换码时，传送对应于交换码的启动码至雾运算终端120，而在判定先前已接收过此一交换码时，则不传送启动码至雾运算终端120。
在雾运算终端120接收到启动码之后，在步骤s620中，雾运算终端120自云端服务器110下载通用模型。之后，雾运算终端120执行如上述步骤s215～s220所述的动作。而在雾运算终端120获得增量式学习模型之后，在步骤s625中，进一步通过iot应用程序上传物联网设备130的感测数据至云端服务器110，使得云端服务器110更新通用模型。在此，云端服务器110利用机器学习模型63来进行批次训练(步骤s631)，之后获得通用模型(步骤s632)。另外，云端服务器110可设定为在经过一段时间之后，将自雾运算终端120所收集到的感测数据与原先储存在云端服务器110的具有代表性的数据重新进行批次训练，以获得新的通用模型。
图7是依照本发明一实施例的监控系统中基于雾运算终端的数据传输程序的示意图。请参照图7，在本实施例中，以虚线箭头来代表数据的传输。
雾运算终端120的区块链架构710包括交易节点720与矿工节点730，交易节点720与矿工节点730可设置于不同的边缘装置121中，亦可设置于相同的边缘装置121中。并且，雾云算终端120包括固件储存设备740以及授权服务器750。在此，固件储存设备740设置于正在执行iot应用程序732的边缘装置121中。而在雾运算终端120接收到启动码741之后，授权服务器750会将启动码741储存至固件储存设备740。
雾运算终端120会自物联网设备130-1接收到感测数据721，而将感测数据721储存在交易节点720中。并且，通过矿工节点730来执行机器学习执行码731，藉以对感测数据721执行增量式学习。另外，矿工节点730的iot应用程序732会对感测数据721进行验证，并且将通过验证的处理后数据722传送至交易节点720，而由交易节点720进行复验。通过复验之后，可进一步将处理后数据722传送至云端服务器110。并且，iot应用程序732还可进一步来控制物联网设备130-2。
基于上述，云端服务器只由一般样本病人的数据或代表性的数据来批次训练出通用模型。而自云端服务器下载到雾运算终端的通用模型是不包括有对应于特定病人的数据。因此，在雾运算终端中会自物联网设备来获得关于特定病人的原始数据(rawdata)，即感测数据，藉此来进一步训练通用模型，而获得更贴近特定病人的增量式学习模型。因此，增量式学习模型对应特定病人的预测将会更精准。而这个增量式学习模型可以在雾运算终端上运行，或者也可以在物联网设备上运行。
iot应用程序可以读取来自雾运算终端或物联网设备上的增量式学习模型的输出，然后对应的做处理。例如，iot应用程序会根据增量式学习模型所获得的血压预测，动态调整仪器参数。例如，在血液透析中，如果预测出病患血压即将降低，代表病患可能会有生命危险，因此，iot应用程序便会去调整血液透析设备的参数，让病患的血压能够升高。例如，仪器上可以安装物联网设备，然后iot应用程序会下命令给物联网设备来调整血液透析设备的参数。
另外，在其他实施例中，雾运算终端也可以是由一台边缘装置组成。即，雾运算终端为一台桌上型计算机、笔记本型计算机、平板计算机、智能型手机、或其他具有运算功能的各类电子装置。下面再举一例来说明。
图8是依照本发明一实施例的雾运算终端的框图。在本实施例中，雾运算终端800是由一台边缘装置组成，其同时扮演交易节点以及矿工节点。雾运算终端800包括处理器810、储存装置820、连网设备830以及固件储存设备840。处理器810耦接至储存装置820、连网设备830以及固件储存设备840。
处理器810例如为中央处理单元(centralprocessingunit，cpu)、物理处理单元(physicsprocessingunit，ppu)、可编程的微处理器(microprocessor)、嵌入式控制芯片、数字信号处理器(digitalsignalprocessor，dsp)、特殊应用集成电路(applicationspecificintegratedcircuits，asic)或其他类似装置。
储存装置820例如是任意形式的固定式或可移动式随机存取存储器(randomaccessmemory，ram)、只读存储器(read-onlymemory，rom)、闪存(flashmemory)、硬盘或其他类似装置或这些装置的组合。连网设备830为具有连网功能的构件，例如为有线网卡或无线网卡。通过连网设备830与云端服务器110连接。
储存装置820中储存有多个程序代码段，上述程序代码段在被安装后，会由处理器810来执行，以实现基于物联网架构的监控方法(详细流程可参照上述步骤s205～s220)。即，处理器810通过连网设备830自云端服务器110下载应用程序包并储存应用程序包至储存装置820。处理器810执行应用程序包，以通过应用程序包自云端服务器110下载通用模型并储存通用模型至储存装置820。之后，处理器810将一或多个物联网设备130设定为设备群，而自设备群接收多个感测数据，并且所述感测数据与通用模型进行增量式学习而获得增量式学习模型，藉以通过增量式学习模型来控制设备群。
另外，储存装置820还包括授权应用程序以及区块链数据库。授权应用程序的功能与上述授权服务器相同，可参照上述描述，在此不再赘述。而关于区块链数据库的描述亦可参照上述实施例的叙述。固件储存设备840例如是储存有bios的存储器，其用以储存由云端服务器110所传送的启动码。在本实施例中，固件储存设备840与储存装置820为不同的构件。在其他实施例中，固件储存设备840与储存装置820亦可以是同一个硬件构件，而根据不同的使用方式将其分割为固件储存设备840与储存装置820两个部件来使用。
综上所述，本发明利用更为贴近使用者的雾运算终端来执行增量式学习，以获得更符合特定使用者的预测结果。另外，采用区块链应用技术的雾运算终端具有以下优点：(1)高效，不需事前审批事后对账，应用可以经过多方数字签名具有法律效力；(2)透明，所有交易历程都清清楚楚也可以溯源，提高信息的价值；(3)安全，数据不会遭到篡改或伪造，在遭到病毒攻击时只要仍有正常的交易节点，应用就不会受影响继续正常运作。
虽然本发明已以实施例公开如上，然而其并非用以限定本发明，任何所属技术领域中普通技术人员，在不脱离本发明的精神和范围的情况下，应当可作些许的更动与润饰，故本发明的保护范围应当视所附的权利要求书所界定者为准。