使用协同过滤的预测性分析模型管理的制作方法

使用协同过滤的预测性分析模型管理
相关申请的交叉引用
1.本专利申请要求于2020年9月26日提交的题为“使用协同过滤的预测性分析模型管理(predictive analytics model management using collaborative filtering)”的美国临时专利申请序列第63/083,895号的申请日的权益，该临时专利申请的内容通过引用明确并入于此。
技术领域
2.本公开总体上设计机器学习和人工智能领域，并且更具体但非排他地涉及高效地开发、部署和维护预测性分析模型。


背景技术：

3.使用机器学习和人工智能的预测性分析可以用于各种各样的用例和应用，这些用例和应用通常涉及基于针对过去事件捕捉的数据的模式来预测某种类型的未来事件或情况。然而，尤其是就性能和可缩放性而言，开发和维护大规模预测性分析用例可能是有挑战性的。作为示例，预测性分析可以潜在地用于其中通常使用许多不同类型的机器和装备来执行各种任务的工业环境中。然而，随着环境中机器数量的增长，针对所有机器训练单个预测性分析模型产生的较差的性能，而对于每个机器训练单独的模型变得不切实际或者完全不可行。
附图说明
4.通过结合所附附图来阅读以下具体实施方式，最好地理解本公开。值得强调的是，根据行业内的标准惯例，各种特征不一定是按比例绘制的，并且仅用于说明目的。在显式或隐式地示出比例的情况下，它仅提供一个说明性示例。在其他实施例中，为了使讨论清楚，可以任意地扩大或缩小各种特征的尺寸。
5.图1图示出用于工业用例的预测性分析模型管理系统的示例实施例。
6.图2图示出用于预测性分析模型管理系统的示例系统架构。
7.图3图示出用于预测性分析模型管理的、对数据流进行分组的示例的电流序列图。
8.图4图示出根据某些实施例的用于预测性分析模型管理的计算设备的示例。
9.图5图示出用于预测性分析模型管理的示例实施例的流程图。
10.图6图示出用于边缘计算的边缘云配置的概览。
11.图7图示出端点、边缘云和云计算环境之间的操作层。
12.图8图示出用于边缘计算系统中的联网和服务的示例方法。
13.图9a提供用于边缘计算系统中的计算节点处所部署的计算的示例组件的概览。
14.图9b提供边缘计算系统中的计算设备内的示例组件的进一步的概览。
15.图10图示出根据某些实施例的用于分发软件的示例软件分发平台。
具体实施方式
16.下列公开提供用于实现本公开的不同特征的许多不同的实施例或示例。下文描述组件和布置的特定示例以简化本公开。当然，这些仅是示例，并且不旨在是限制性的。此外，本公开可以在各示例中重复附图标号和/或字母。这种重复只是出于简明和清晰的目的，并且本身不规定所讨论的各实施例和/或配置之间的关系。不同的实施例可具有不同的优点，并且没有特定的优点对于任何实施例一定是必需的。使用协同过滤的预测性分析模型管理
17.使用机器学习和人工智能的预测性分析可以用于各种各样的用例和应用，这些用例和应用通常涉及基于针对过去事件捕捉的数据相对于实时捕捉的数据的模式来预测某种类型的未来事件或情况。
18.例如，在工业设置中，预测性分析的主要用例之一是预测性维护，其中使用由机器和传感器生成的数据来预测特定的机器或生产线何时需要维护。针对预测性维护用例开发的算法和模型典型地旨在使停机时间最小化并优化维护频率。
19.许多其他族类的预测性分析用例也正在兴起——既在工业设置中也在其他设置中——其通常涉及预测将在未来发生的某种类型的事件或情况。取决于特定的用例，所预测的事件可能是符合期望的事件或者不符合期望的事件。而且，类似于预测性维护，针对这些用例开发的算法和模型使用由机器和传感器生成的数据来生成预测。底层输入数据——其趋向于在很大程度上使用时间序列数据来表示——可以包括对来自任何类型的模态或模态的任何组合的数据的任何表示，包括由机器和传感器捕捉的配置和性能数据、由相机或其他视觉传感器捕捉的视觉数据(例如，视频)，等等。
20.在许多情况下，针对各种类型的事件的预测性分析由馈送到较大的应用的软件实现，并且该较大的应用基于预测来采取某些动作，诸如被设计成用于使所预测的事件实际发生的可能性最小化或最大化(例如，取决于这些事件是符合期望的还是不符合期望的)的动作。这些各种用例通常一般被称为预测性分析。
21.对于预测性分析的大规模部署——诸如在具有用于各种不同任务的众多类型的机器和装备的大型工厂中——预测性分析模型典型地是使用有限的(例如，代表性的)机器集合来开发和训练的，该有限的机器集合诸如实验环境中的测试机或工厂车间上的领航仪。然而，尤其就性能和可缩放性而言，此种开发过程面临各种挑战。
22.作为示例，制造汽车的汽车工厂在其生产线上可具有数千个自主机器人。每个机器人典型地装备有某个种类的工具——诸如胶枪、焊枪、铆接机或螺丝刀——机器人使用该工具来执行装配汽车所要求的特定任务(例如，使用焊枪执行焊接以装配汽车底盘)。具体而言，每个机器人基于特定的参考参数来执行其所分派的任务，这些参考参数控制任务要如何被执行。
23.尽管预测性分析可以潜在地用于生产线上的各种用例——诸如预测性维护和质量控制——但预测性分析模型将典型地利用仅包括来自有限开发环境中的机器(例如，实验室中的测试机或工厂车间上的领航仪)的数据的有限样本空间来训练。然而，当使用单个预测性分析模型来代表大量机器时，该模型可能无法满足特定用例的必要的关键性能指标(kpi)，诸如跨所有机器的必要预测准确性水平。
24.由此，当开发这些大规模预测性分析时，数据科学家面临两难的困境：
(1)开发单个模型来代表工厂车间上的所有机器：此种方式典型地将转化为对准确性的严重影响并且产生在执行期间要求每个节点处相当大量的计算资源的非常大的模型，但是这也由于存在仅一个模型要开发、测试、调谐和维护而使得开发过程可管理性更高；或者(2)为每个机器开发单独的模型：此种方式典型地改善准确性并产生在执行期间要求每个节点处较少的计算资源的较小的模型，但在具有数百或甚至数千个机器人或机器的大规模生产环境中，这些模型的开发、维护和部署通常手动地执行并且变得非常耗时(这可能致使此种方式不切实际或完全不可行)。
25.面对这些问题，一种潜在的解决方案是，数据科学家找到在性能与可缩放性之间取得适当平衡的中间地带，诸如将具有类似特性的机器手动分组并随后为每组机器开发一个模型。然而，在大规模生产环境中，分组过程本身仍倾向于是一种繁琐的手动过程。类似地，一旦已经为每个机器组开发和部署了模型，维护该部署也可能是繁琐的——每当新的机器被部署在车间上或现有机器被重新配置，机器都必须被手动地分派或重新分派到适当的组。具体而言，缩放至大的机器集合要求来自工艺专家的经常性反馈，以基于数据特性来确定和细化机器分组规则——此种经常性手动干预使得缩放的过程非常耗时并且易于出错。
26.而且，即使对于单个模型，手动收集和清除数据的过程——以及为增长的机器集合及其相关联的数据设置训练基础设施——也可能是非常繁琐且耗时的过程。此外，这些手动方式无法将操作环境的实时改变考虑在内并且无法基于操作环境的实时改变来调整/缩放，这些操作环境的实时改变诸如自主机器人/代理的周围环境的改变、材料质量的改变等等。
27.因此，本公开提出一种用于使用协同过滤来高效地开发、部署和维护预测性分析模型的解决方案。具体而言，所描述的解决方案使用协同过滤(pammcf)实现预测性分析模型管理，从而实现了预测性分析的大规模开发和部署，这向先前不切实际或不可行的众多用例打开了大门，这些用例诸如改善下一代工业工艺的自动化、可缩放性和性能的水平以及用于下一代工业革命(例如，第四次工业革命或“工业4.0”)的技术的工业用例。贯穿本公开结合所参考的附图详细描述了所描述的技术方案。
28.图1图示出用于工业用例的预测性分析模型管理系统100的示例实施例。在所图示的示例中，工业用例涉及在工厂中的生产线102上的产品制造。
29.在所图示的示例中，将生产线102组织为贯穿工厂车间的一系列模块化单元104a-d、以及沿线102从一个单元移动至另一单元的正在装配的产品(例如，交通工具)。每个单元104a-d包含用于执行对产品进行装配所要求的某些任务的设备和装备105的集合，诸如装备有某个(某些)工具的多个自主机器人。
30.而且，各种计算资源110a-d被部署用于控制在每个单元104a-d中执行的任务。例如，在所图示的实施例中，每个单元104a-d中的计算资源110a-d包括用于机器人的(多个)控制器、用于由机器人使用的工具的(多个)控制器、以及具有用于供工厂操作员控制特定单元的用户接口的控制计算机(例如，工业pc(ipc))。每个单元104a-d中的计算资源110a-d还与预测性分析服务器110e对接，该预测性分析服务器110e用于在生产线102上利用预测性分析。如下文进一步解释，例如，可以将预测性分析用于生产线上的各种用例，诸如预测
性维护和质量控制等等。
31.作为示例，制造汽车的汽车工厂可具有贯穿生产线的相应单元分布的数千个自主机器人。每个机器人典型地装备有某个种类的工具——诸如胶枪、焊枪、铆接机、泵或螺丝刀——机器人使用该工具来执行装配汽车所要求的特定任务。例如，许多机器人(例如，数百或甚至数千个机器人)可使用焊枪来执行点焊以将金属片焊接在一起，诸如装配交通工具的底盘。对于每天生产数百或者甚至数千台交通工具的大型工厂——其中每台交通工具要求数千次焊接——在单日生产中可能执行数百万次焊接。例如，假定生产率为每天1,000台交通工具，其中每台交通工具要求5,000次焊接，则每天执行5,000,000次焊接。
32.由于大规模生产(例如，每台交通工具执行的焊接的数量和每天生产的交通工具的体量)，手动地检查每一台交通工具上的每一次焊接是不切实际的。由此，为了确保焊接的质量，工厂工程师和操作员典型地对焊接点和产品交通工具的非常有限的样本执行手动质量控制检查。例如，传统上，质量控制是使用采样方法来执行的，其中每天从生产线选择随机的交通工具，并且此种生产质量的各个方面(诸如交通工具上相应的焊接点集合的焊接质量)由工厂工程师来评估。然而，此种质量控制的采样方法是成本高昂且劳动密集的，并且其效能极其有限，这是因为该方法关于每天未被检查的剩余交通工具的产品质量遗留了许多未解答的问题。
33.尽管预测性分析可以潜在地用于质量控制和生产线上的其他用例，但大规模预测性分析部署尤其就性能和可缩放性而言对于开发和部署可能是有挑战性的。例如，产品制造典型地是一种复杂的过程，其涉及用于使用各种不同的材料来执行各种不同的任务的大体量且多种类的装备(例如，机器、机器人、工具)。随着生产过程在复杂性上的增长，将预测性模型用于质量控制和生产线上的其他用例变得更有挑战性。例如，必须针对生产过程中所涉及的所有不同的机器、任务和材料执行质量控制。然而，训练单个预测性分析模型来针对工厂车间上的所有机器执行质量控制产生较差的性能，而为每个机器训练单独的模型尤其随着机器的数量增长为数百或者甚至数千而变得不切实际或完全不可行。
34.相应地，在所图示的实施例中，预测性分析模型管理系统100用于促成预测性分析用例的大规模开发、部署和维护。具体而言，预测性分析模型管理系统100利用协同过滤来针对复杂环境中的大规模用例高效地开发、部署和维护预测性分析模型。例如，在所图示的实施例中，利用预测性分析来执行生产线上的质量控制，诸如，检测出故障的生产任务(例如，出故障的焊接)、检测在生产期间使用或生产的出故障的组件、主动地检测和/或执行可能防止或最小化生产期间的故障的预防性措施(例如，配置改变和/或维护任务)，等等。
35.例如，在所图示的实施例中，每个机器人使用工具基于特定的参考参数来执行所分派的任务，这些参考参数控制该任务如何被执行。而且，每次任务被执行时，工具和/或机器人的(多个)控制器110a-d生成具有与完成的任务相关联的元数据的数据流。例如，数据流可包括配置和性能参数的组合，诸如用于将机器人或工具配置成用于执行任务的参考参数、连同基于由传感器和其他设备捕捉的数据指示完成的任务的实际性能的参数。
36.例如，在一些实施例中，数据流可以被表示为具有对应于与完成的任务相关联的参数或“特征”的值的集合的文件或数据对象(例如，json对象)。数据流中的底层数据值——其倾向于在很大程度上使用时间序列数据来表示——可以包括来自任何类型的模态或模态的任何组合的数据的任何表示，包括针对任务和装备(例如，机器人、工具)的配置
数据、由传感器和其他设备捕捉的性能数据、由相机和其他视觉传感器捕捉的视觉数据(诸如图像和视频)、由话筒捕捉的音频等等。
37.作为示例，对于由机器人使用焊枪执行的点焊，数据流可包括具有以下类型的信息(等等)的参数：(i)被焊接的金属的类型、厚度和阻抗；(ii)点焊被执行所在的时间/日期；(iii)在工厂中点焊被执行所在的位置(例如，生产线上特定的单元104a-d)；(iv)正在生产的产品上(例如，交通工具上)焊接的位置；(v)执行点焊的特定机器人、机器人臂、焊枪的标识符；(vi)焊枪/控制器的维护历史(例如，控制器和/或焊枪上一次收到维护的时间和该维护的类型)；(vii)点焊的电压曲线、电流曲线、力和扭矩；以及(viii)焊枪上电极的健康状况。
38.由控制器110a-d针对同一类型的工具生成的数据流将典型地跨单元104a-d具有同一信息模型和流送格式，但数据流内的特性和底层数据值通常将基于被分派至每个单元跨单元104a-d中使用该工具的机器人的特定任务而不同。
39.例如，对于汽车制造，具有焊枪的机器人可在不同的单元104a-d中对交通工具的不同部分执行点焊。基于不同单元104a-d中用于点焊的金属的类型和厚度，由焊枪控制器110a-d生成的数据可能显著不同，并且在紧密供应链自动化环境中是非常动态的。类似地，具有胶枪的机器人可在不同的单元104a-d中向交通工具的不同部分施加胶粘剂，并且由胶枪控制器110a-d生成的数据可基于正在被胶粘的薄片的材料、胶粘剂粘度、以及环境温度和湿度水平而显著不同。
40.而且，由控制器110a-d生成的数据流可以在边缘处或在云中被摄取和分析，以使用机器学习算法来训练预测性分析模型。例如，可使用来自胶枪控制器110a-d的数据流将预测性分析模型训练成用于检测出故障的焊接。然而，针对生产线上的所有焊枪控制器训练用于检测出故障的焊接的单个预测性分析模型产生较差的性能，而针对每个焊枪控制器训练单独的模型在存在数百或甚至数千个焊枪控制器时通常是不切实际或甚至不可能的。
41.由此，在所图示的实施例中，预测性分析模型管理系统100利用协同过滤的概念在针对所有控制器训练单个通用模型相对于针对每个控制器训练单独的模型之间取得平衡。
42.协同过滤的概念作为推荐器系统中的突破而出现，其中，使用来自具有类似偏好的用户集合的数据(例如，基于过去产品购买、媒体消费习惯、评级/评论、社交媒体活动或由用户群组共享的任何其他已知的兴趣或偏好)为特定用户自动地生成定制推荐。然而，在更一般的情境下，协同过滤可涉及依赖于来自多个源的协作的任何类型的数据过滤或模式识别。
43.预测性分析模型管理系统100利用协同过滤的概念基于不同机器或流的数据特性对数据流进行分组，针对每个群组来训练预测性分析模型，并且使用与每个流的群组相对应的预测模型对实况数据流进行分类。在该过程中，结果是用于对数据和机器进行分组的简化框架，以便在具有大量流和/或机器的设置中对模型开发进行缩放。
44.例如，在一些实施例中，期望的解决方案可包括以下特征和功能：
(i)分析数据流，以对其底层数据的相似点进行表征；(ii)基于这些相似点创建流的群组；(iii)针对每一群组创建模型并验证机器学习模型的收敛性；(iv)基于数据流特性的改变利用适当的模型调谐来动态地重新配置(多个)群组；和/或(v)跟踪对适应性重新配置的遥测，以向前馈送针对未来模型开发和对自主代理的预测性维护的学习。
45.所描述的解决方案提供了众多优势。例如，所描述的解决方案针对每一群组而不是每一机器使用一个模型。结果是，模型的开发和部署被缩减至独特机器群组的数量，这使得模型规模可管理。从模型缩放导出的另一优点是基于存储器的模型的改善的时间高效性。利用基于存储器的模型，训练数据在模型推断时驻留在存储器中。所描述的解决方案缩减了相关群组数据集的尺寸，由此允许大多数相关训练数据被加载到存储器中。所描述的解决方案还提供基于数据流特性的改变利用适当的模型调谐来动态地重新配置(多个)群组的能力。而且，可以使用对适应性重新配置的遥测跟踪来向前馈送针对未来模型开发和对自主代理的预测性维护的学习。
46.例如，在所图示的实施例中，所描述的解决方案利用预测性分析基于生产的任何任务或阶段(诸如，焊接、铆接、胶粘、拧螺丝、涂装等等)生成的数据流使生产线上的质量控制自动化。以此种方式，质量控制可以自动地执行而不依赖于人工检查——并且具有较高的准确性——对于100％的生产任务和产出，这与通过人工检查仅评估非常小的百分比或样本相对。而且，尽管作为示例讨论了用于工业用例的质量控制，但所描述的解决方案可以用于涉及预测性分析、机器学习和/或人工智能的任何用例。
47.图2图示出用于预测性分析模型管理系统的示例系统架构200。在所图示的示例中，由系统架构200实现的预测性分析模型管理功能可以被概括如下：(i)使用机器学习模型从表征机器分组的训练数据集202(例如，标记的数据点或数据流的集合)确定参数。机器学习模型可使用任何何时的数据分组模型或聚类模型(诸如k均值聚类)来实现。(ii)在每个群组中挑选具有一个或多个数据点的小集合作为该群组的代表，并且跨所有群组挑选的数据点的集合成为分组数据集204(或参考数据集)的部分。该分组数据集204对于各种环境/配置/部署设置是可配置且可管理的。例如，在一些实施例中，可以经由受信任执行环境(tee)(例如，使用在英特尔x86或其他计算架构上提供的tee)中的带外接口通信信道来执行此类管理。(iii)使用协同过滤，从机器数据流摄取的每个数据点可以使用适当的分组模型(诸如距离函数或计算)而被分类为属于特定的群组。例如，基于距离计算，到给定数据点的距离最短的群组将被分派为针对该数据点的群组。类似地，使用协同过滤，也可以对现有训练数据集202中的每个数据点进行分类，这得到群组类别。此种使用适当的距离计算和协同过滤来确定群组的函数在本文中被称为分组函数208。基于所配置的策略/清单，出于效率起见可以基于过去的结果来对分组函数208进行调谐。(iv)随后可以针对每一群组(例如，基于分派至每个群组的训练数据点或流)来开发和部署预测性分析模型210a-n。
(v)随后可以使用分组函数208将实况数据流206分组为适当的群组，并且随后可以使用针对所分派的群组的对应的预测性模型210a-n对相应的数据流206执行推断以进行分类和/或生成关于这些数据流206的预测212(例如，质量控制预测)。
48.作为示例，将参考工业用例来详细描述系统架构200的功能。在该示例中，考虑具有多个点焊机的工厂车间。每个点焊机具有相关联的数据流206，该数据流206发布(i)参考参数，其被配置用于机器进行操作；以及(ii)实际参数，具有在每次点焊施加后被设置的值(例如，基于传感器测量)。每个机器配置可基于许多特性而有所不同，例如，当点焊被施加在具有不同厚度的金属时参考参数可能不同。在该示例中，训练数据集202包含来自多个流/机器的数据。
49.首先，从训练数据集202创建分组数据集204。例如，可以使用训练数据集202的特性来对机器进行分组，并且这些特性可以通过建立机器学习模型而从机器配置提取。
50.例如，在一些实施例中，使用已知的聚类算法(诸如k均值聚类)来对训练数据集202进行聚类。例如，如果已知仅有少量的主要配置被应用于工厂车间上的机器集合，则可以应用诸如k均值聚类之类的聚类算法将机器分组为与主要配置的数量相对应的特定数量的群组。作为示例，假定存在车间上的机器的3-4个主要配置，则可以使用k均值聚类通过设置k＝3和k＝4将这些机器分组为3-4个不同群组。
51.而且，如果数据的其他特性是已知的或以其他方式被确定，则聚类可以被细化为具有更细的粒度。例如，就点焊而言，焊枪的电流和电压配置通常取决于正在被焊接的材料或金属的类型而有所不同。结果是，金属的类型可以被用作用于对训练数据集中的数据点进行聚类并获得针对每个金属组合的簇的一种特性。
52.可以使用距离计算208来执行聚类，距离计算208能够对多个数据样本之间的距离(例如，样本不同或类似的程度)进行量化。取决于数据流中可用的特征或数据的类型，用于聚类/分组的距离计算208可从针对简单传感器数据的欧氏距离或杰卡德度量(例如，杰卡德指数、相似性系数或距离)变为针对时间序列机器数据的动态时间扭曲，等等。例如，就点焊而言，如果所选择的(多个)特征包括在每次点焊期间施加到金属组合的电流序列(例如，在一段时间内施加的电流)，则动态时间扭曲由于电流序列是时间序列数据而可以被用作距离计算。
53.以此种方式，训练数据集202中的某些数据点将形成每个簇的核心，并且那些数据点可以共同充当分组数据集204。例如，在一些实施例中，可以使用距离阈值来指定距每个簇的中心的最小距离或半径，该最小距离或半径限定其相应核心的边界。每个簇的核心内的数据点随后可以基于距离阈值而被挑选或过滤，并且随后被添加到分组数据集204。
54.随后给每个簇分派标识符(id)或群组id。表1中示出了得到的分组数据集的示例，其中经过滤的数据通过簇或群组id来进行分组。表1：分组数据集示例群组/簇id总功率(特征1)std电流(特征2)
…
k001
………
k001
………
k002
…………………
55.分组函数208是实现协同过滤的一种模型(推荐器系统)，其中分组数据集204作为其训练数据。基于来自数据流或现有训练数据集的输入数据点，分组函数208对该数据点属于的机器群组id进行推荐。典型地，在对推荐器系统的开发中使用的距离计算与用于创建分组数据集204的距离计算相同或类似。
56.在模型开发阶段，将分组函数208应用于现有的训练数据集202。例如，使用分组函数基于机器特性将现有的训练数据集202划分成较小的训练数据集或群组。随后使用得到的训练数据集来训练和创建机器学习模型210a-n(例如，预测性模型)，这些机器学习模型210a-n中的每一个应用于特定的机器群组。例如，每个模型210a-n被训练成用于基于针对特性群组的训练数据集202来预测目标变量。目标变量可以取决于模型210a-n被开发和训练所针对的特定用例而包括任何类型的预测信息(例如，针对质量控制用例，包括预测质量水平)。
57.例如，在各实施例中，预测性模型可以使用各种不同类型的人工智能和/或机器学习及其组合来训练，这些人工智能和/或机器学习诸如逻辑回归、随机森林、决策树、分类和回归树(cart)、梯度提升(例如，极端梯度提升树)、k最近邻(knn)、朴素贝叶斯、支持向量机(svm)、深度学习(例如，卷积神经网络)和/或其全体(例如，组合多个机器学习模型的预测以改善预测准确性的模型)等等。
58.在部署阶段，得到的模型210a-n随后被部署并用于对实况数据流执行推断或分类以生成与那些数据流相关联的预测212(例如，基于模型被训练所针对的无论何种类型的预测或用例)。例如，将分组函数208应用于接收自机器的实况数据流206以确定每个流的对应的群组id，并且基于其群组id，每个流206中的(多个)底层数据点随后被路由至适当的模型210a-n以执行预测。
59.分组函数208是一种推荐器模型，其首先将现有的训练数据集202作为输入并为该训练数据集202中的每个数据点推荐对应的群组id。这通过计算所考虑的当前数据点距分组数据集204中的数据点的距离来实现，并且随后基于距离计算为当前数据点选择或分派群组id。例如，在一些实施例中，可向当前数据点分派与分组数据集204中最靠近的数据点(例如，分组数据集中到当前数据点距离最小的数据点)相对应的群组id。
60.然而，在一些情况下，对于给定的数据点可能存在多于一个可能的群组id。在此类实例中可以通过对推荐器系统进行重新训练来解决这些分歧，或者通过创建选择机制以基于其他特征确定哪个群组id应当是被偏向的来解决这些分歧，等等。
61.例如，在产品制造用例中，电流序列和金属厚度可被用作表征机器的主要特征。相应地，可以将动态时间扭曲用作距离计算并将分组数据集用作其训练数据来建立推荐器模型或数据分组模型。来自现有训练数据集的数据点被应用于推荐器/分组模型，以确定那些数据点的群组id。下文结合图3图示并描述数据分组过程的示例。
62.所描述的系统架构200是高度可缩放的。例如，当新的机器(同构配置和异构配置两者)被添加到项目范围时，或者当现有机器表现出其操作状况的改变时，系统可以被缩放如下：(i)尤其是在已知新的机器配置与分组数据集204中已经存在的那些匹配的情况下，(多个)新机器的数据流可以作为输入简单地直接被传递至分组函数208。在该场景中不需要重新部署。
(ii)如果确定新机器的数据点不靠近于分组数据集204中的任何数据点，则需要创建新的机器群组。例如，分组数据集204可以通过更新用于创建分组数据集204的聚类模型来更新，以添加新的机器群组。由于其取决于分组数据集204，这要求分组模型/函数208被重新部署。新的分组id和对应的数据点被添加至分组数据集204，并且为该群组创建(例如，开发/训练)新的预测性分析模型210，并且随后新的预测性分析模型210与现有的预测性分析模型210一起被部署。(iii)在其他情况下，当现有机器的数据流206随后相比于其原始群组id更紧密地匹配另一群组id时，解决方案允许重新界定范围，对数据流行为的变化背后的根本原因(例如，使用年限、环境状况等等)进行验证。另外，在其中存在重大的范围改变的极端情况下，用于分组数据集204和分组函数208的模型可能需要被重新评估。
63.所描述的系统架构200还支持用于针对同步化、标定、记录保持、审核、以及未来增强等等来跟踪分组管理的遥测的集中式或分散式系统。
64.而且，在一些实施例中，如果被分派至同一分组id的机器群组变得不活跃并且停止生成数据流(例如，机器临时被断电或以其他方式变为空闲)，则针对该群组的对应的预测性模型210a-n在那些机器再次变为活跃之前可以被去激活以释放计算资源(例如，处理/存储器资源)，在那些机器再次变为活跃时预测性模型210a-n可重新被激活。
65.图3图示出用于预测性分析模型管理的、对数据流进行分组的示例的电流序列图300。在所图示的示例中，图表300图示出电流序列301、302和303，其对应于三个不同数据流中所代表的电流。例如，在一些实施例中，特定数据流内的电流序列可包含表示在特定任务实例期间测得的电流(诸如在由三个不同数据流表示的三次不同点焊中的每次点焊期间测得的电流)的时间序列数据。
66.为了说明分组的概念，假定电流序列301和302来自分组数据集中的数据流/数据点，而电流序列303来自尚未被分组的训练数据集中的数据流/数据点。为了为电流序列303确定适当的分组，使用距离计算分别比较电流序列303距电流序列301的距离和距电流序列302的距离。如在图表300中所描绘，电流序列303与电流序列301之间的距离小于电流序列303与电流序列302之间的距离(例如，相比于电流序列302，电流序列303更类似于电流序列301)。结果是，电流序列303可与电流序列301被分派至同一群组，该群组可由特定的群组标识符(id)表示。
67.以类似的方式为训练数据集中的所有其他数据流/数据点确定分组和分组id，并且初始训练数据集随后被划分成使得针对每一机器群组可用的单独的训练数据集(例如，初始训练数据集的逐群组子集)。随后基于每个群组的对应训练数据集针对每一机器群组来开发和训练预测性分析模型。作为示例，针对相应群组的预测性分析模型可以基于用于工业用例的相应训练数据集中所表示的某些特征来训练，该工业用例诸如基于针对点焊而生成的数据流中所表示的某些特征或特性来预测或确定点焊的质量(例如，良好的相对于有缺陷的/出错的)。
68.随后部署每个群组的得到的预测性分析模型，并且随后使用适当的预测性分析模型来对实况数据流进行分组和分类。例如，使用在训练过程期间应用于训练数据集的相同或类似的分组函数为实况数据流确定群组id，并且随后使用与该群组id相对应的预测性分析模型对实况数据流执行推断或分类。作为示例，由焊枪控制器针对点焊生成的实况数据
流可被分组，并随后使用针对该群组的适当的预测性分析模型而被分类，以预测点焊的质量。
69.图4图示出根据某些实施例的用于预测性分析模型管理的计算设备400的示例。例如，在一些实施例中，计算设备400可用于实现贯穿本公开所描述的预测性分析模型管理功能。
70.在所图示的实施例中，计算设备400包括处理电路系统402、存储器404、数据存储设备406、网络接口控制器(nic)408、以及输入/输出(i/o)子系统410。处理电路系统402包括处理组件403的集合，该处理组件403诸如处理器403a(例如，中央处理单元(cpu)、微控制器等)和人工智能(ai)加速器403b(例如，协处理器、asic、fpga等)。计算设备400还(例如，经由i/o子系统410和/或nic 408)耦合至各种其他设备，诸如(多个)i/o设备412(例如，显示器/触摸屏、键盘、鼠标等)、(多个)传感器414(例如，电压/电流传感器、温度/热传感器、湿度传感器、压力传感器、相机传感器、音频传感器、红外(ir)传感器、加速度计等)、(多个)工具416(例如，焊枪、胶枪、铆接机、螺丝刀、泵等)和/或(多个)机器人418。在一些实施例中，计算设备400的某些组件可类似于结合图9a-图9b所示出和描述的那些组件。
71.此外，计算设备400可用于实现贯穿本公开所描述的预测性分析模型管理功能的任何或所有方面。例如，在一些实施例中，计算设备400可接收由工具416和/或机器人418(和/或其相关联的传感器414)生成的数据流，将这些数据流分组为数据流群组，并使用针对相应数据流群组训练的预测性模型对这些数据流执行预测性分析。
72.在一些实施例中，计算设备400可被实现为与i/o设备412、传感器414、工具416和/或机器人418对接或通信的独立设备。替代地或附加地，计算设备400可与i/o设备412、传感器414、工具416和/或机器人418中的一者或多者集成或被具体化为其部分。此外，在一些实施例中，计算设备400的功能可跨多个设备(例如，多个服务器、计算设备、控制器、工具、机器人等)实现或分布。
73.例如，在一些实施例中，计算设备400可以是用于对由工具416和/或机器人418(和/或其相关联的传感器414)生成的数据流执行预测性分析的边缘服务器。附加地或替代地，计算设备400可以是用于控制一个或多个工具416和/或机器人418并对其对应的数据流执行预测性分析的工具或机器人控制器。例如，计算设备400可以是嵌入在特定工具416或机器人418内的控制器，或者计算设备400可以是用于控制一个或多个工具416和/或机器人418的外部控制器。
74.而且，取决于特定的用例，工具416和/或机器人418可以包括任何类型的工具、机器人、机器、装备或其他合适的设备。例如，工具416可包括焊枪、胶枪、铆接机、螺丝刀、泵和/或其他类型的工具、机器或装备。而且，机器人418可包括用于使某些任务的执行自动化和/或辅助某些任务的执行的任何设备、机器和/或装备，包括铰接机器人、直角坐标型机器人、圆柱坐标型机器人、极坐标型/球形机器人、scara机器人、三角式机器人(delta robot)以及人形机，等等。
75.铰接机器人——其也被称为机器人臂或操纵臂——是具有旋转关节的模仿人类手臂的机器人。例如，铰接机器人典型地包括具有通过旋转关节连接的多个链接件的手臂，该手臂经由扭转关节附接至底座。每个关节是提供附加自由度或运动范围的轴，并且每个机器人通常具有四到六个轴。
76.直角坐标型机器人——其也被称为直线型拱架机器人和x-y-z机器人——被设计成基于笛卡尔坐标系(x、y和z)进行线性移动。例如，直角坐标型机器人典型地包括用于沿x轴、y轴和z轴的线性移动的三个棱柱型关节，并且可进一步包括用于旋转移动的附接腕部，诸如用于调整其在空间中的取向的三个旋转关节。
77.圆柱坐标型机器人包括在其基座处包括至少一个旋转关节以及用于连接其链接件的至少一个棱柱型关节。旋转关节提供沿关节轴的旋转移动，而棱柱型关节提供线性移动。以此种方式，圆柱坐标型机器人可以通过滑动而竖直地和水平地移动。
78.极坐标型机器人——其也可被称为球形坐标机器人——典型地包括利用扭转关节连接至基座的手臂、连同两个旋转关节和一个线性关节，形成极坐标系。
79.scara机器人(选择顺应性装配机器人臂)包括用于x-y平面中的移动的两个水平关节，并且典型地用于要求精确的横向移动的装配应用。
80.三角式机器人——也被称为平行链接机器人——是具有利用联结的平行四边形(例如，平行链接件)连接至共同底座的蜘蛛状机器人。三角式机器人通常用于要求精确移动和/或操纵的任务。
81.人形机是模仿人类的机器人，诸如包括身体、手臂、腿部并且任选地包括头部的机器人。
82.图5图示出用于预测性分析模型管理的示例实施例的流程图500。在一些实施例中，流程图500可使用贯穿本公开所描述的计算系统、设备和网络来实现和/或执行。例如，在一些实施例中，计算设备可以是边缘服务器(例如，包含用于实现本发明的硬件/软件组件的物理盒或壳体、工具控制器、机器人控制器等等。
83.流程图开始于框502处，在框502处，接收至少部分地由一个或多个传感器捕捉的数据流。例如，数据流可包括与未经标记的特征集合实例相对应的特征值集合。特征值集合可指机器学习模型用来进行训练和推断的一组特征，诸如与某种类型的观察(例如，关于物理世界中的对象或动作的观察)相关联的性质、特性或属性的集合。而且，特征集合实例的特征值可指针对该观察的特定实例的特征的值(例如，针对物理世界中特定的对象或动作的特征的值)。在一些实施例中，可使用特征向量来表示特征集合中的特征的特征值。此外，例如，在各实施例中，特征值中的一些或全部可由传感器和其他设备捕捉或者从传感器和其他设备获得。
84.作为示例，在产品制造用例中，特征集合可包括对应于与在产品制造期间在生产线上执行的特定类型的任务或操作(例如，焊接、胶粘、拧螺丝、铆接)相关联的各种性质、特性或属性的特征。然而，每次任务在生产线上被执行时，可从各种源获得或收集该任务的该实例的特征值，这些源诸如传感器、控制器、计算设备或生产线上的其他装备(例如，工具、机器人、机器)。
85.流程图随后前进至框504，以将数据流分组为数据流群组。例如，可使用分组模型基于数据流中的特征集合从数据流群组集合向数据流分派数据流群组。
86.例如，在一些实施例中，分组模型可表示或指示被分派至分组数据集中的分组数据流集合的数据流群组集合。例如，分组数据集可包括针对数据流群组集合中的每个数据流群组的代表性数据流的集合。在一些实施例中，针对每个数据流群组的代表性数据流的集合可从训练数据集(例如，训练数据流的集合)选择，并且分组数据集可被生成为包括针
对每个数据流群组选择的代表性数据流的集合。
87.例如，在一些实施例中，群组模型可以是聚类模型，诸如k均值聚类模型。然而，被分派至传入数据流的数据流群组可基于分组模型中的群组分派而从数据流群组集合选择。例如，分组模型可基于数据流与分组数据集中的每个群组的代表性流的比较从数据流群组集合选择数据流群组。
88.在一些实施例中，可使用距离计算来计算数据流距数据流群组集合中的每个数据流群组的距离，并且可从数据流群组集合选择到数据流的距离最小或最近的群组并将其分派至该数据流。例如，可使用距离计算基于每个数据流群组中的代表性数据流的集合来计算从数据流到每个数据流群组的距离。
89.可使用用于计算多个数据样本之间的距离的任何合适的函数(诸如，欧氏距离计算、杰卡德计算或动态时间扭曲计算)来实现距离计算，该函数可取决于用于表示数据流中的特征值的数据的类型而有所不同。
90.在一些情况下，数据流的特性可能在该数据流已经被分派至数据流群组之后发生改变。由此，在一些实施例中，可动态地更新分组以适应于数据流特性的改变。例如，如果检测到数据流中的特征值集合的改变，则可确定数据流的分组是否应当基于该改变而被更新。具体而言，距离计算可揭示数据流现在更靠近于另一数据流群组，或者该数据流不靠近于任何现有的数据流群组并且由此新的群组应当被创建。由此，可动态地更新数据流群组集合，以将数据流重新分派至数据流群组集合中的另一数据流群组(例如，现有的群组或新创建的群组)。
91.流程图随后前进至框506，以确定数据流被分派至哪个数据流群组(例如，群组1、2、
…
、k)，并且随后前进至框508a-k中的一个，以选择与该数据流群组相对应的预测性分析模型。具体而言，可从已经被训练成用于针对数据流群组集合预测目标变量的预测性模型集合选择预测性模型，其中，每个预测性模型已经被训练成用于针对特定的数据流群组基于被分派至该群组的训练数据流来预测目标变量。
92.例如，在一些实施例中，预测性模型可以在接收到当前正在被处理的实况数据流之前已基于训练数据集被训练(例如，训练是离线地而不是实时地执行的)。例如，训练数据集可包括训练数据流的集合，这些训练数据流中的每一个包含针对特征集合的特征值以及针对目标变量的真值标签(例如，由数据流中的特征值表示的制造任务的真值质量水平)。而且，可使用上文所描述的分组模型/函数对训练数据集中的训练数据流进行分组或将其分派至数据流群组集合。随后，预测性模型基于被分派至相应的数据流群组的训练数据流而被训练成用于针对每个数据流群组预测目标变量。例如，每个预测性模型可基于从训练数据集被分派至对应的数据流群组的训练数据流子集而被训练成用于针对该群组预测目标变量。
93.作为示例，在产品制造用例中，目标变量可包括由机器(例如，工具或机器人)执行以便制造产品的制造任务的预测质量水平，诸如针对汽车制造执行的点焊的质量水平。
94.由此，为了针对传入或实况数据流来预测目标变量，从预测性模型集合选择用于被分派至实况数据流的数据流群组的预测性模型。
95.流程图随后可前进至框510，以使用所选择的预测性模型针对数据流来预测目标变量(例如，通过使用预测性模型基于数据流中的特征值集合来执行推断以推断目标变
量)。例如，在一些实施例中，数据流中的特征值集合作为输入被提供至所选择的预测性模型，并且预测性模型随后对那些特征值进行分析并生成输出，该输出可包括对与数据流相对应的目标变量的预测或者可以以其他方式预测与数据流相对应的目标变量(例如，制造任务或组件的预测质量水平)。
96.在该点处，流程图可以完成。然而，在一些实施例中，流程图可以重新开始和/或可以重复某些框。例如，在一些实施例中，流程图可在框502处重新开始，以继续接收数据流并对数据流执行预测性分析。示例计算实施例
97.以下部分呈现可与贯穿本公开所描述的可用于实现预测性分析解决方案的计算设备、平台、系统、架构和环境的示例。边缘计算实施例
98.图6是示出用于边缘计算的配置的概览的框图600，该配置包括在以下许多示例中被称为“边缘云”的处理层。如图所示，边缘云610共同定位在边缘位置(诸如接入点或基站640、本地处理中枢650、或中央局620)，并且因此可以包括多个实体、设备、和装备实例。与云数据中心630相比，边缘云610被定位成更靠近端点(消费者和生产者)数据源660(例如，自主车辆661、用户装备662、商业和工业装备663、视频捕捉设备664、无人机665、智慧城市和建筑设备666、传感器和iot设备667等)。在边缘云610中的边缘处提供的计算、存储器、和存储资源对于为由端点数据源660使用的服务和功能提供超低等待时间的响应时间以及减少从边缘云610朝向云数据中心630的网络回程通信量(由此改善能耗和整体网络使用等益处)至关重要。
99.计算、存储器和存储是稀缺资源，并且通常根据边缘位置而减少(例如，在消费者端点设备处可用的处理资源比在基站处、在中央局处可用的处理资源更少)。然而，边缘位置越靠近端点(例如，用户装备(ue))，空间和功率通常就越受限。因此，边缘计算试图通过分配被定位成既在地理上更靠近又在网络访问时间上更靠近的更多的资源来减少网络服务所需的资源量。以此种方式，边缘计算尝试在适当的情况下将计算资源带到工作负荷数据，或者，将工作负荷数据带到计算资源。
100.以下描述了边缘云架构的各方面，该架构涵盖多种潜在的部署，并解决了一些网络运营商或服务提供商在其自身基础设施中可能具有的限制。这些包括基于边缘位置的配置变化(例如，因为处于基站级别的边缘在多租户场景中可能具有更受限制的性能和能力)；基于对边缘位置、位置的层、或位置的组可用的计算、存储器、存储、结构、加速等资源的类型的配置；服务、安全性、以及管理和编排能力；以及实现端服务的可用性和性能的相关目标。取决于等待时间、距离、和定时特征，这些部署可以在网络层中完成处理，这些网络层可以被视为“接近边缘”层、“靠近边缘”层、“本地边缘”层、“中间边缘”层、或“远边缘”层。
101.边缘计算是一种开发范式，其中计算在网络的“边缘”处或靠近于网络的“边缘”被执行，典型地通过使用在基站、网关、网络路由器、或与产生和消耗数据的端点设备靠近得多得多的其他设备处实现的计算平台(例如，x86或arm计算硬件架构)来执行。例如，边缘网关服务器可装配有存储器池和存储资源，以针对连接的客户端设备的低等待时间用例(例如，自主驾驶或视频监控)实时地执行计算。或者作为示例，基站可被扩充有计算和加速资源，以直接为连接的用户装备处理服务工作负荷，而无需进一步经由回程网络传输数据。或
者作为另一示例，中央局网络管理硬件能以标准化计算硬件来代替，该标准化计算硬件执行虚拟化网络功能，并为服务的执行提供计算资源并且为连接的设备提供消费者功能。在边缘计算网络内，可能存在计算资源将被“移动”到数据的服务中的场景，以及其中数据将被“移动”到计算资源的场景。或者作为示例，基站计算、加速和网络资源可以提供服务，以便通过激活休眠容量(订阅、按需容量)来根据需要缩放至工作负荷需求，以便管理极端情况、紧急情况或为部署的资源在显著更长的实现的生命周期中提供长寿命。
102.图7图示出端点、边缘云和云计算环境之间的操作层。具体而言，图7描绘了在网络计算的多个说明性层之间利用边缘云610的计算用例705的示例。这些层开始于端点(设备和事物)层700，该端点层700访问边缘云610以进行数据创建、分析、和数据消费活动。边缘云610可以跨越多个网络层，诸如，边缘设备层710，该边缘设备层710具有网关、自有(on-premise)服务器、或位于物理上邻近边缘系统中的网络装备(节点715)；网络接入层720，该网络接入层720涵盖基站、无线电处理单元、网络中枢、区域数据中心(dc)、或本地网络装备(装备725)；以及位于它们之间的任何装备、设备或节点(在层712中，未详细图示出)。边缘云610内和各层之间的网络通信可以经由任何数量的有线或无线介质来实现，包括经由未描绘出的连接性架构和技术来实现。
103.由于网络通信距离和处理时间约束而导致的等待时间的示例的范围可以从在端点层700之间时的小于毫秒(ms)，在边缘设备层710处的低于5ms到当与网络接入层720处的节点通信时的甚至10到40ms之间。在边缘云610之外是核心网络730层和云数据中心740层，它们各自均具有增加的等待时间(例如，在核心网络层730处的50-60ms、到在云数据中心层处的100ms或更多ms之间)。因此，在核心网络数据中心735或云数据中心745处的、具有至少50至100ms或更长的等待时间的操作将无法完成用例705的许多时间关键的功能。出于说明和对比的目的，提供这些等待时间值中的每一个等待时间值；将会理解，使用其他接入网络介质和技术可以进一步降低等待时间。在一些示例中，相对于网络源和目的地，网络的各个部分可以被分类为“靠近边缘”层、“本地边缘”层、“接近边缘”层、“中间边缘”层或“远边缘”层。例如，从核心网络数据中心735或云数据中心745的角度来看，中央局或内容数据网络可以被视为位于“接近边缘”层内(“接近”云，具有在与用例705的设备和端点通信时的高等待时间值)，而接入点、基站、自有服务器或网络网关可以被视为位于“远边缘”层内(“远”离云，具有在与用例705的设备和端点通信时的低等待时间值)。将会理解，构成“靠近”、“本地”、“接近”、“中间”或“远”边缘的特定网络层的其他分类可以基于等待时间、距离、网络跳数或其他可测量的特性，如从网络层700-740中的任一层中的源所测量的特性。
104.由于多个服务利用边缘云，因此各种用例705可能在来自传入流的使用压力下访问资源。为了实现低等待时间的结果，在边缘云610内执行的服务在以下方面平衡了不同的要求：(a)优先级(吞吐量或等待时间)和服务质量(qos)(例如，在响应时间要求方面，用于自主汽车的通信量可能比温度传感器具有更高的优先级；或者取决于应用，性能敏感度/瓶颈可能存在于计算/加速器、存储器、存储、或网络资源上)；(b)可靠性和复原性(例如，取决于应用，一些输入流需要被作用并且以任务关键型可靠性来路由通信量，而一些其他输入流可以容忍偶尔的故障；以及(c)物理约束(例如，功率、冷却和形状因子)。
105.这些用例的端对端服务视图涉及服务流的概念，并且与事务相关联。事务详细说明了消费服务的实体的整体服务要求、以及资源、工作负荷、工作流、以及业务功能和业务
水平要求的相关联的服务。根据所描述的“条款”执行的服务能以确保事务在服务的生命周期期间的实时和运行时合约顺应性的方式在每层处被管理。当事务中的组件缺失其约定的sla时，系统作为整体(事务中的组件)可以提供以下能力：(1)理解sla违反的影响，以及(2)增强系统中的其他组件以恢复整体事务sla，以及(3)实现补救的步骤。
106.因此，考虑到这些变化和服务特征，边缘云610内的边缘计算可以提供实时或接近实时地服务和响应于用例705的多个应用(例如，对象跟踪、视频监控、连接的汽车等)的能力，并满足这些多个应用的超低等待时间要求。这些优势使全新类别的应用(虚拟网络功能(vnf)、功能即服务(faas)、边缘即服务(eaas)、标准过程等)得以实现，这些应用由于等待时间或其他限制而无法利用传统的云计算。
107.然而，伴随边缘计算的优势而来的有以下注意事项。位于边缘处的设备通常是资源受限的，并且因此存在对边缘资源的使用的压力。典型地，这是通过对供多个用户(租户)和设备使用的存储器和存储资源的池化来解决的。边缘可能是功率受限且冷却受限的，并且因此需要由消耗最多功率的应用对功率使用作出解释。在这些经池化的存储器资源中可能存在固有的功率-性能权衡，因为它们中的许多可能使用新兴的存储器技术，在这些技术中，更多的功率需要更大的存储器带宽。同样，还需要硬件和信任根受信任的功能的改善的安全性，因为边缘位置可以是无人的，并且可能甚至需要经许可的访问(例如，当被容纳在第三方位置时)。在多租户、多所有者、或多访问设置中，此类问题在边缘云610中被放大，在此类设置中，由许多用户请求服务和应用，特别是当网络使用动态地波动以及多个利益相关方、用例、和服务的组成改变时。
108.在更一般的级别上，边缘计算系统可以被描述为涵盖在先前讨论的、在边缘云610(网络层700-740)中操作的层处的任何数量的部署，这些层提供来自客户端和分布式计算设备的协调。一个或多个边缘网关节点、一个或多个边缘聚合节点和一个或多个核心数据中心可以跨网络的各个层而分布，以由电信服务提供商(“电信公司”或“tsp”)、物联网服务提供商、云服务提供商(csp)、企业实体或任何其他数量的实体提供边缘计算系统的实现，或者代表电信服务提供商(“电信公司”或“tsp”)、物联网服务提供商、云服务提供商(csp)、企业实体或任何其他数量的实体提供边缘计算系统的实现。诸如当进行编排以满足服务目标时，可以动态地提供边缘计算系统的各种实现方式和配置。
109.与本文提供的示例一致，客户端计算节点可以被具体化为任何类型的端点组件、设备、装置或能够作为数据的生产者或消费者进行通信的其他事物。进一步地，如边缘计算系统中所使用的标签“节点”或“设备”不一定意指此类节点或设备以客户端或代理/仆从/跟随者角色操作；相反，边缘计算系统中的节点或设备中的任一者指代包括分立的和/或连接的硬件或软件配置以促进或使用边缘云610的各个实体、节点或子系统。
110.由此，边缘云610由网络层710-730之间的边缘网关节点、边缘聚合节点或其他边缘计算节点操作并在网络层710-730之间的边缘网关节点、边缘聚合节点或其他边缘计算节点内被操作的网络组件和功能特征形成。因此，边缘云610可被具体化为提供边缘计算和/或存储资源的任何类型的网络，这些边缘计算和/或存储资源被定位成接近具有无线电接入网络(ran)能力的端点设备(例如，移动计算设备、iot设备、智能设备等)，这在本文中进行讨论。换言之，边缘云610可被预想为连接端点设备和传统网络接入点、同时还提供存储和/或计算能力的“边缘”，这些传统网络接入点充当进入到包括移动运营商网络(例如，
全球移动通信系统(gsm)网络、长期演进(lte)网络、5g/6g网络等)的服务提供商核心网络中的入口点。其他类型和形式的网络接入(例如，wi-fi、长程无线、包括光学网络的有线网络)也可替代此类3gpp运营商网络被利用或与此类3gpp运营商网络组合来利用。
111.边缘云610的网络组件可以是服务器、多租户服务器、装置计算设备和/或任何其他类型的计算设备。例如，边缘云610可以包括作为包含壳体、底盘、机箱或外壳的自包含电子设备的装置计算设备。在一些情况下，可以针对便携性来确定壳体尺寸，以使得其可由人类携载和/或被运输。示例壳体可包括形成一个或多个外表面的材料，该一个或多个外表面部分地或完整地保护装置的内容物，其中，保护可包括天气保护、危险环境保护(例如，emi、振动、极端温度)和/或使得能够浸入水中。示例壳体可包括用于为固定式和/或便携式实现方式提供功率的功率电路系统，诸如ac功率输入、dc功率输入、(多个)ac/dc或dc/ac转换器、功率调节器、变压器、充电电路系统、电池、有线输入和/或无线功率输入。示例壳体和/或其表面可包括或连接至安装硬件，以实现到诸如建筑物、电信结构(例如，杆、天线结构等)和/或机架(例如，服务器机架、刀片支架等)之类的结构的附接。示例壳体和/或其表面可支持一个或多个传感器(例如，温度传感器、振动传感器、光传感器、声学传感器、电容传感器、接近度传感器等)。一个或多个此类传感器可被包含在装置的表面中、由装置的表面携载、或以其他方式被嵌入在装置的表面中和/或被安装至装置的表面。示例壳体和/或其表面可支持机械连接性，诸如推进硬件(例如，轮子、螺旋桨等)和/或铰接硬件(例如，机械臂、可枢转附件等)。在一些情况下，传感器可包括任何类型的输入设备，诸如用户接口硬件(例如，按键、开关、拨号盘、滑块等)。在一些情况下，示例壳体包括包含在其中、由其携载、嵌入其中和/或附接于其的输出设备。输出设备可包括显示器、触摸屏、灯、led、扬声器、i/o端口(例如，usb)等。在一些情况下，边缘设备是为特定目的而被呈现在网络中、但是可具有可用于其他目的的处理和/或其他能力的设备(例如，红绿灯)。此类边缘设备可以独立于其他联网设备，并且可设置有具有适合其主要目的的形状因子的壳体；但对于不干扰其主要任务的其他计算任务仍然是可用的。边缘设备包括物联网设备。装置计算设备可包括用于管理诸如设备温度、振动、资源利用率、更新、功率问题、物理和网络安全性之类的本地问题的硬件和软件组件。结合图9b描述了用于实现装置计算设备的示例硬件。边缘云610还可以包括一个或多个服务器和/或一个或多个多租户服务器。此类服务器可包括操作系统和实现虚拟计算环境。虚拟计算环境可包括管理(例如，生成、部署、损毁等)一个或多个虚拟机、一个或多个容器等的管理程序。此类虚拟计算环境提供其中一个或多个应用和/或其他软件、代码或脚本可在与一个或多个其他应用、软件、代码或脚本隔离的同时执行的执行环境。
112.在图8中，各种客户端端点810(采用移动设备、计算机、自主交通工具、商业计算装备、工业处理装备的形式)交换特定于端点网络聚合的类型的请求和响应。例如，客户端端点810可以通过借助于自有网络系统832交换请求和响应822，经由有线宽带网络获得网络接入。一些客户端端点810(诸如移动计算设备)可以通过借助于接入点(例如，蜂窝网络塔)834交换请求和响应824，经由无线宽带网络获得网络接入。一些客户端端点810(诸如自主交通工具)可通过街道定位网络系统836，经由无线车载网络获得请求和响应826的网络接入。然而，无论网络接入的类型如何，tsp都可以在边缘云610内部署聚合点842、844来聚合通信量和请求。因此，在边缘云610内，tsp可以(诸如在边缘聚合节点840处)部署各种计算
和存储资源以提供所请求的内容。边缘聚合节点840和边缘云610的其他系统被连接至云或数据中心860，该云或数据中心860使用回程网络850来满足来自云/数据中心的、对网站、应用、数据库服务器等的更高等待时间请求。边缘聚合节点840和聚合点842、844的附加或合并的实例(包括部署在单个服务器框架上的那些实例)也可以存在于边缘云610或tsp基础设施的其他区域内。计算节点、设备、平台和系统
113.图9a-图9b图示出计算设备的示例实施例。在各实施例中，贯穿本公开所讨论的计算节点或设备中的任一者可基于图9a-图9b中所描绘的组件来实现。例如，相应的边缘计算节点可以被具体化为能够与其他边缘组件、联网组件或端点组件进行通信的设备、装置、计算机或其他“物”的类型。例如，边缘计算设备可以被具体化为智能电话、移动计算设备、智能装置、车载计算系统(例如，导航系统)、边缘或自有服务器、装备、工具、机器人或能够执行所描述的功能的其他设备或系统。
114.在图9a中描绘的简化示例中，边缘计算节点900包括计算引擎(本文中也称为“计算电路系统”)902、输入/输出(i/o)子系统908、数据存储910、通信电路系统子系统912，并且任选地包括一个或多个外围设备914。在其他示例中，相应的计算设备可以包括其他或附加组件，诸如通常在计算机中发现的那些组件(例如，显示器、外围设备等)。另外，在一些示例中，说明性组件中的一个或多个可被并入到另一组件中，或以其他方式形成另一组件的部分。
115.计算节点900可被具体化为能够执行各种计算功能的任何类型的引擎、设备、或设备集合。在一些示例中，计算节点900可被具体化为单个设备，诸如集成电路、嵌入式系统、现场可编程门阵列(fpga)、芯片上系统(soc)或者其他集成系统或设备。在说明性示例中，计算节点900包括或被具体化为处理器904和存储器906。处理器904可被具体化为能够执行本文中所描述的功能(例如，执行应用)的任何类型的处理器。例如，处理器904可被具体化为(多个)多核处理器、微控制器、处理单元、专门或专用处理单元、或其他处理器或处理/控制电路。
116.在一些示例中，处理器904可被具体化为、包括或耦合至fpga、专用集成电路(asic)、可重新配置的硬件或硬件电路系统、或用于促进本文中所描述的功能的执行的其他专用硬件。而且在一些示例中，处理器904可以具体化为专用x处理单元(xpu)，也称为数据处理单元(dpu)、基础设施处理单元(ipu)或网络处理单元(npu)。此类xpu可被具体化为独立电路或电路封装，集成在soc内，或者与联网电路系统(例如，在智能nic或增强的智能nic中)、加速电路系统、存储设备或ai硬件(例如，gpu或编程的fpga)集成。在cpu或通用处理硬件之外，此类xpu可被设计成用于接收编程以处理一个或多个数据流并执行针对数据流的特定任务和动作(诸如主控微服务、执行服务管理或编排、组织或管理服务器或数据中心硬件、管理服务网格、或者收集和分发遥测)。然而，将理解，xpu、soc、cpu和处理器904的其他变体可以彼此协调工作以在计算节点900内并代表计算节点900执行许多类型的操作和指令。
117.存储器906可被具体化为能够执行本文中所描述的功能的任何类型的易失性存储器(例如，动态随机存取存储器(dram)等)或非易失性存储器或数据存储。易失性存储器可以是需要功率来维持由该介质存储的数据的状态的存储介质。易失性存储器的非限制性示
例可包括各种类型的随机存取存储器(ram)，诸如dram或静态随机存取存储器(sram)。可以在存储器模块中使用的一种特定类型的dram是同步动态随机存取存储器(sdram)。
118.在示例中，存储器设备是块可寻址存储器设备，诸如基于nand或nor技术的那些存储器设备。存储器设备还可包括三维交叉点存储器设备(例如，3d xpoint
tm
存储器)或其他字节可寻址的就地写入非易失性存储器设备。存储器设备可指代管芯本身和/或指代封装的存储器产品。在一些示例中，3d交叉点存储器(例如，3d xpoint
tm
存储器)可包括无晶体管的可堆叠的交叉点架构，其中存储单元位于字线和位线的交点处，并且可单独寻址，并且其中位存储基于体电阻的变化。在一些示例中，存储器906的全部或部分可以被集成到处理器904中。存储器906可以存储在操作期间使用的各种软件和数据，诸如一个或多个应用、通过(多个)应用、库以及驱动程序操作的数据。
119.计算电路系统902经由i/o子系统908通信地耦合至计算节点900的其他组件，该i/o子系统908可被具体化为用于促进与计算电路系统902(例如，与处理器904和/或主存储器906)以及计算电路系统902的其他组件的输入/输出操作的电路系统和/或组件。例如，i/o子系统908可被具体化为或以其他方式包括存储器控制器中枢、输入/输出控制中枢、集成传感器中枢、固件设备、通信链路(即，点对点链路、总线链路、线路、电缆、光导、印刷电路板迹线等)和/或用于促进输入/输出操作的其他组件和子系统。在一些示例中，i/o子系统908可以形成芯片上系统(soc)的部分，并可连同计算电路系统902的处理器904、存储器906、和其他组件中的一者或多者一起被并入到计算电路系统902中。
120.一个或多个说明性数据存储设备910可被具体化为被配置成用于数据的短期或长期存储的任何类型的设备，诸如例如，存储器设备和电路、存储器卡、硬盘驱动器、固态驱动器或其他数据存储设备。各个数据存储设备910可包括存储用于数据存储设备910的数据以及固件代码的系统分区。各个数据存储设备910还可包括根据例如计算节点900的类型来存储用于操作系统的数据文件和可执行文件的一个或多个操作系统分区。
121.通信电路系统912可被具体化为能够实现通过网络在计算电路系统902与其他计算设备(例如，边缘计算系统的边缘网关)之间进行的通信的任何通信电路、设备或其集合。通信电路系统912可以被配置成用于使用任何一种或多种通信技术(例如，有线或无线通信)和相关联的协议(例如，蜂窝联网协议(诸如3gpp 4g或5g标准)、无线局域网协议(诸如ieee 802.11/802.11/)、无线广域网协议，以太网、蓝牙低能量、iot协议(诸如ieee 802.15.4或)、低功率广域网(lpwan)或低功率广域网(lpwa)协议等)来实施此类通信。
122.说明性通信电路系统912包括网络接口控制器(nic)920，其也可被称为主机结构接口(hfi)。nic 920可被具体化为一个或多个插入式板、子卡、网络接口卡、控制器芯片、芯片组或可由计算节点900用来与另一计算设备(例如，边缘网关节点)连接的其他设备。在一些示例中，nic 920可被具体化为包括一个或多个处理器的芯片上系统(soc)的部分，或nic 920可被包括在也包含一个或多个处理器的多芯片封装上。在一些示例中，nic 920可包括本地处理器(未示出)和/或本地存储器(未示出)，这两者均位于nic 920本地。在此类示例中，nic 920的本地处理器可以能够执行本文中描述的计算电路系统902的功能中的一个或多个功能。附加地或替代地，在此类示例中，nic 920的本地存储器可以在板级、插座级、芯
片级和/或其他层级上被集成到客户端计算节点的一个或多个组件中。
123.另外，在一些示例中，相应的计算节点900可以包括一个或多个外围设备914。取决于计算节点900的特定类型，此类外围设备914可包括在计算设备或服务器中发现的任何类型的外围设备，诸如音频输入设备、显示器、其他输入/输出设备、接口设备和/或其他外围设备。在进一步的示例中，计算节点900可以由边缘计算系统中的相应的边缘计算节点(无论是客户端、网关还是聚合节点)来具体化，或者由类似形式的装置、计算机、子系统、电路系统或其他组件来具体化。
124.在更详细的示例中，图9b图示出可存在于用于实现本文中所描述的技术(例如，操作、过程、方法和方法论)的边缘计算节点950中的组件的示例的框图。该边缘计算节点950提供在被实现为计算设备(例如，被实现为移动设备、基站、服务器、网关等)或被实现为该计算设备的部分时节点900的相应组件的更靠近的视图。边缘计算节点950可包括本文中所引用的硬件或逻辑组件的任何组合，并且该边缘计算节点950可以包括可与边缘通信网络或此类网络的组合一起使用的任何设备或与可与边缘通信网络或此类网络的组合一起使用的任何设备耦合。这些组件可被实现为集成电路(ic)、ic的部分、分立电子器件，或适用于边缘计算节点950中的其他模块、指令集、可编程逻辑或算法、硬件、硬件加速器、软件、固件或其组合，或者被实现为以其他方式被并入在更大的系统的机架内的组件。
125.边缘计算设备950可包括处理器952形式的处理电路系统，该处理电路系统可以是微处理器、多核处理器、多线程处理器、超低电压处理器、嵌入式处理器、xpu/dpu/ipu/npu、专用处理单元、专门处理单元，或其他已知的处理元件。处理器952可以是芯片上系统(soc)的部分，在该soc中，处理器952和其他组件形成为单个集成电路或单个封装，诸如，来自加利福尼亚州圣克拉拉市的英特尔公司的爱迪生
tm
(edison
tm
)或伽利略
tm
(galileo
tm
)soc板。作为示例，处理器952可包括基于架构酷睿
tm
(core
tm
)的cpu处理器(诸如，夸克
tm
(quark
tm
)、凌动
tm
(atom
tm
)、i3、i5、i7、i9或mcu类处理器)、或可从获得的另一此类处理器。然而，可使用任何数量的其他处理器，诸如，可从加利福尼亚州桑尼威尔市的超微半导体公司获得的处理器、来自加利福尼亚州桑尼威尔市的mips技术公司的基于的设计、许可自arm控股有限公司的基于的设计，或从上述各公司的客户、被许可方或采纳方获得的处理器。处理器可包括诸如以下单元：来自被许可方或采纳方获得的处理器。处理器可包括诸如以下单元：来自公司的a5-a13处理器、来自的骁龙
tm
(snapdragon
tm
)处理器或来自德州仪器公司的omap
tm
处理器。处理器952和伴随的电路系统可以以单插座形状因子、多插座形状因子或各种其他格式提供，包括以有限的硬件配置或以包括少于图9b中所示的所有元件的配置来提供。
126.处理器952可通过互连956(例如，总线)来与系统存储器954通信。可使用任何数量的存储器设备来提供给定量的系统存储器。作为示例，存储器954可以是根据联合电子器件工程委员会(jedec)设计的随机存取存储器(ram)，诸如ddr或移动ddr标准(例如，lpddr、lpddr2、lpddr3或lpddr4)。在特定示例中，存储器组件可符合jedec颁布的标准，诸如，用于ddr sdram的jesd79f、用于ddr2 sdram的jesd79-2f、用于ddr3 sdram的jesd79-3f、用于ddr4 sdram的jesd79-4a、用于低功率ddr(lpddr)的jesd209、用于lpddr2的jesd209-2、用于lpddr3的jesd209-3和用于lpddr4的jesd209-4。此类标准(和类似的标准)可被称为基于ddr的标准，而存储设备的实现此类标准的通信接口可被称为基于ddr的接口。在各种实现
方式中，单独的存储器设备可以是任何数量的不同封装类型，诸如单管芯封装(sdp)、双管芯封装(ddp)或四管芯封装(q17p)。在一些示例中，这些设备可以直接焊接到主板上，以提供薄型解决方案，而在其他示例中，设备被配置为一个或多个存储器模块，这一个或多个存储器模块进而通过给定的连接器耦合至主板。可使用任何数量的其他存储器实现方式，诸如其他类型的存储器模块，例如，不同种类的双列直插存储器模块(dimm)，包括但不限于microdimm(微dimm)或minidimm(迷你dimm)。
127.为了提供对信息(诸如数据、应用、操作系统等)的持久性存储，存储958还可经由互连956而耦合至处理器952。在示例中，存储958可经由固态盘驱动器(ssdd)来实现。可用于存储958的其他设备包括闪存卡(诸如安全数字(sd)卡、microsd卡、极限数字(xd)图片卡，等等)和通用串行总线(usb)闪存驱动器。在示例中，存储器设备可以是或者可以包括使用硫属化物玻璃的存储器设备、多阈值级别nand闪存、nor闪存、单级或多级相变存储器(pcm)、电阻式存储器、纳米线存储器、铁电晶体管随机存取存储器(fetram)、反铁电存储器、包含忆阻器技术的磁阻随机存取存储器(mram)、包括金属氧化物基底、氧空位基底和导电桥随机存取存储器(cb-ram)的电阻式存储器、或自旋转移力矩(stt)-mram、基于自旋电子磁结存储器的设备、基于磁隧穿结(mtj)的设备、基于dw(畴壁)和sot(自旋轨道转移)的设备、基于晶闸管的存储器设备、或者上述任一者或其他存储器的组合。
128.在低功率实现中，存储958可以是与处理器952相关联的管芯上存储器或寄存器。然而，在一些示例中，存储958可使用微硬盘驱动器(hdd)来实现。此外，附加于或代替于所描述的技术，可将任何数量的新技术用于存储958，这些新技术诸如，阻变存储器、相变存储器、全息存储器或化学存储器，等等。
129.组件可通过互连956进行通信。互连956可包括任何数量的技术，包括工业标准架构(isa)、扩展isa(eisa)、外围组件互连(pci)、外围组件互连扩展(pcix)、pci express(pci快速，pcie)或任何数量的其他技术。互连956可以是例如在基于soc的系统中使用的专有总线。其他总线系统可被包括，诸如集成电路间(i2c)接口、串行外围设备接口(spi)接口、点对点接口、以及功率总线，等等。
130.互连956可将处理器952耦合至收发机966，以用于与连接的边缘设备962通信。收发机966可使用任何数量的频率和协议，诸如ieee 802.15.4标准下的2.4千兆赫兹(ghz)传输，使用如由特别兴趣小组定义的低能量(ble)标准、或标准，等等。为特定的无线通信协议配置的任何数量的无线电可用于到连接的边缘设备962的连接。例如，无限局域网(wlan)单元可用于根据电气和电子工程师协会(ieee)802.11标准实现如，无限局域网(wlan)单元可用于根据电气和电子工程师协会(ieee)802.11标准实现通信。另外，例如根据蜂窝或其他无线广域协议的无线广域通信可经由无线广域网(wwan)单元发生。
131.无线网络收发机966(或多个收发机)可以使用用于不同范围的通信的多种标准或无线电来进行通信。例如，边缘计算节点950可使用基于蓝牙低能量(ble)或另一低功率无线电的本地收发机与靠近的(例如，在约10米内的)设备通信以节省功率。更远的(例如，在约50米内的)连接的边缘设备962可通过或其他中间功率的无线电而联络到。这两种通信技术能以不同的功率水平通过单个无线电发生，或者可通过分开的收发机而发生，分开的收发机例如使用ble的本地收发机和分开的使用的网格收发机。
132.可包括无线网络收发机966(例如，无线电收发机)，以经由局域网协议或广域网协议来与云(例如，边缘云995)中的设备或服务通信。无线网络收发机966可以是遵循ieee 802.15.4或ieee 802.15.4g标准等的低功率广域(lpwa)收发机。边缘计算节点950可使用由semtech和lora联盟开发的lorawan
tm
(长距广域网)在广域上通信。本文中所描述的技术不限于这些技术，而是可与实现长距离、低带宽通信(诸如，sigfox和其他技术)的任何数量的其他云收发机一起使用。进一步地，可使用其他通信技术，诸如在ieee 802.15.4e规范中描述的时分信道跳。
133.除了针对如本文中所描述的无线网络收发机966而提及的系统之外，还可使用任何数量的其他无线电通信和协议。例如，收发机966可包括使用扩展频谱(spa/sas)通信以实现高速通信的蜂窝收发机。进一步地，可使用任何数量的其他协议，诸如用于中速通信和供应网络通信的网络。收发机966可包括与任何数量的3gpp(第三代合作伙伴计划)规范(诸如在本公开的末尾处进一步详细讨论的长期演进(lte)和第五代(5g)通信系统)兼容的无线电。网络接口控制器(nic)968可被包括以提供到边缘云995的节点或到其他设备(诸如(例如，在网格中操作的)连接的边缘设备962)的有线通信。有线通信可提供以太网连接，或可基于其他类型的网络，诸如控制器区域网(can)、本地互连网(lin)、设备网络(devicenet)、控制网络(controlnet)、数据高速路+、现场总线(profibus)或工业以太网(profinet)，等等。附加的nic 968可被包括以实现到第二网络的连接，例如，第一nic 968通过以太网提供到云的通信，并且第二nic 968通过另一类型的网络提供到其他设备的通信。
134.鉴于从设备到另一组件或网络的可适用通信类型的多样性，由设备使用的可适用通信电路系统可以包括组件964、966、968或970中的任何一个或多个或由组件964、966、968或970中的任何一个或多个来具体化。因此，在各示例中，用于通信(例如，接收、传送等)的可适用装置可由此类通信电路系统来具体化。
135.边缘计算节点950可包括或可被耦合至加速电路系统964，该加速电路系统964可以由一个或多个人工智能(ai)加速器、神经计算棒、神经形态硬件、fpga、gpu的布置、xpu/dpu/ipu/npu的布置、一个或多个soc、一个或多个cpu、一个或多个数字信号处理器、专用asic、或被设计用于完成一个或多个专有任务的其他形式的专用处理器或电路系统来具体化。这些任务可以包括ai处理(包括机器学习、训练、推断、和分类操作)、视觉数据处理、网络数据处理、对象检测、规则分析等。这些任务还可包括用于本文档中其他地方讨论的服务管理和服务操作的特定边缘计算任务。
136.互连956可将处理器952耦合至用于连接附加的设备或子系统的传感器中枢或外部接口970。设备可包括传感器972，诸如加速度计、水平传感器、流量传感器、光学光传感器、相机传感器、温度传感器、全球定位系统(例如，gps)传感器、压力传感器、气压传感器，等等。中枢或接口970进一步可用于将边缘计算节点950连接至致动器974(诸如电源开关、阀致动器、可听见声音发生器、视觉警告设备等)。
137.在一些任选的示例中，各种输入/输出(i/o)设备可存在于边缘计算节点950内，或可连接至边缘计算节点950。例如，可包括显示器或其他输出设备984来显示信息，诸如传感器读数或致动器位置。可以包括输入设备986(诸如触摸屏或小键盘)来接受输入。输出设备984可包括任何数量的音频或视觉显示形式，包括：简单视觉输出，诸如，二进制状态指示器
(例如，发光二极管(led))；多字符视觉输出；或更复杂的输出，诸如，显示屏(例如，液晶显示器(lcd)屏)，其具有从边缘计算节点950的操作生成或产生的字符、图形、多媒体对象等的输出。在本系统的上下文中，显示器或控制台硬件可用于：提供边缘计算系统的输出并接收边缘计算系统的输入；管理边缘计算系统的组件或服务；标识边缘计算组件或服务的状态；或进行任何其他数量的管理或管理功能或服务用例。
138.电池976可为边缘计算节点950供电，但是在其中边缘计算节点950被安装在固定位置的示例中，该边缘计算节点950可具有耦合至电网的电源，或者电池可以用作备用或用于临时功能。电池976可以是锂离子电池、金属-空气电池(诸如锌-空气电池、铝-空气电池、锂-空气电池)，等等。
139.电池监视器/充电器978可被包括在边缘计算节点950中以跟踪电池976(如果包括)的充电状态(soch)。电池监视器/充电器978可用于监视电池976的其他参数以提供故障预测，诸如电池976的健康状态(soh)和功能状态(sof)。电池监视器/充电器978可包括电池监视集成电路，诸如来自线性技术公司(linear technologies)的ltc4020或ltc2990、来自亚利桑那州的凤凰城的安森美半导体公司(on semiconductor)的adt7488a、或来自德克萨斯州达拉斯的德州仪器公司的ucd90xxx族的ic。电池监视器/充电器978可通过互连956将关于电池976的信息传输至处理器952。电池监视器/充电器978也可包括使处理器952能够直接监视电池976的电压或来自电池976的电流的模数(adc)转换器。电池参数可被用于确定边缘计算节点950可执行的动作，诸如传输频率、网格网络操作、感测频率，等等。
140.功率块980或耦合至电网的其他电源可与电池监视器/充电器978耦合以对电池976充电。在一些示例中，功率块980可用无线功率接收机代替，以便例如通过边缘计算节点950中的环形天线来无线地获得功率。无线电池充电电路(诸如来自加利福尼亚州的苗比达市的线性技术公司的ltc4020芯片，等等)可被包括在电池监视器/充电器978中。可以基于电池976的尺寸并且因此基于所要求的电流来选择特定的充电电路。可使用由无线充电联盟(airfuel alliance)颁布的airfuel标准、由无线电力协会(wireless power consortium)颁布的qi无线充电标准、或由无线电力联盟(alliance for wireless power)颁布的rezence充电标准等等来执行充电。
141.存储958可包括用于实现本文中所描述的技术的软件、固件或硬件命令形式的指令982。虽然此类指令982被示出为被包括在存储器954和存储958中的代码块，但是可以理解，可用例如被建立到专用集成电路(asic)中的硬连线电路来代替代码块中的任一个。
142.在示例中，经由存储器954、存储958或处理器952提供的指令982可被具体化为非瞬态机器可读介质960，该非瞬态机器可读介质960包括用于指示处理器952执行边缘计算节点950中的电子操作的代码。处理器952可通过互连956来访问非瞬态机器可读介质960。例如，非瞬态机器可读介质960可由针对存储958所描述的设备来具体化，或者可包括特定的存储单元，诸如光盘、闪存驱动器或任何数量的其他硬件设备。非瞬态机器可读介质960可包括用于指示处理器952执行例如像参照上文中描绘的操作和功能的(多个)流程图和(多个)框图而描述的特定的动作序列或动作流的指令。如本文中所使用，术语“机器可读介质”和“计算机可读介质”是可互换的。
143.而且，在特定示例中，处理器952上的指令982(单独地或与机器可读介质960的指令982结合)可以配置受信任执行环境(tee)990的执行或操作。在示例中，tee 990作为处理
器952可访问的受保护区域来操作，以用于指令的安全执行和对数据的安全访问。例如，可以通过使用软件防护扩展(sgx)或硬件安全扩展、管理引擎(me)或融合安全可管理性引擎(csme)来提供tee 990的各种实现方式以及处理器952或存储器954中伴随的安全区域。安全强化、硬件信任根、和受信任或受保护操作的其他方面可以通过tee 990和处理器952在设备950中实现。软件分发实施例
144.图10图示出用于将软件分发至一个或多个设备的示例平台1005，该软件诸如图9b的示例计算机可读指令982，该一个或多个设备诸如贯穿本公开所描述的(多个)示例处理器平台1000和/或示例连接的边缘设备。示例软件分发平台1005可由能够存储软件并将软件传送到其他计算设备(例如，贯穿本公开所描述的第三方、示例连接的边缘设备)的任何计算机服务器、数据设施、云服务等来实现。示例连接的边缘设备可以是消费方、客户端、管理设备(例如，服务器)、第三方(例如，拥有和/或操作软件分发平台1005的实体的消费方)。示例连接的边缘设备可在商业和/或家庭自动环境中操作。在一些示例中，第三方是诸如图9b的示例计算机可读指令982之类的软件的开发方、销售方和/或许可方。第三方可以是购买和/或许可软件以用于使用和/或转售和/或分许可的消费方、用户、零售商、oem等。在一些示例中，所分发的软件引起一个或多个用户界面(ui)和/或图形用户界面(gui)的显示，以标识地理上或逻辑上彼此分离的一个或多个设备(例如，连接的边缘设备)(例如，被特许负责配水控制(例如，泵)、配电控制(例如，继电器)等的物理上分离的iot设备)。
145.在图10的所图示示例中，软件分发平台1005包括一个或多个服务器以及一个或多个存储设备。存储设备存储计算机可读指令982，这些计算机可读指令982可实现贯穿本公开所描述的视频处理功能。示例软件分发平台1005的一个或多个服务器与网络1010通信，该网络1010可以与因特网和/或贯穿本公开所描述的示例网络中的任何网络中的任何一者或多者相对应。在一些示例中，作为商业事务的部分，一个或多个服务器响应于将软件传送到请求方的请求。可以由软件分发平台的一个或多个服务器和/或经由第三方支付实体来处置针对软件的交付、销售、和/或许可的支付。服务器使购买者和/或许可者能够从软件分发平台1005下载计算机可读指令982。例如，包括计算机可读指令982的软件可被下载至(多个)示例处理器平台1000(例如，示例连接的边缘设备)，该(多个)示例处理器平台1000用于执行计算机可读指令982以实现贯穿本公开所描述的功能。在一些示例中，软件分发平台1005的一个或多个服务器通信地连接至一个或多个安全域和/或安全设备，示例计算机可读指令982的请求和传送必须穿过该一个或多个安全域和/或安全设备。在一些示例中，软件分发平台1005的一个或多个服务器周期性地提供、传送和/或强制进行软件(例如，图9b的示例计算机可读指令982)更新以确保改善、补丁、更新等被分发并应用于端用户设备处的软件。术语
146.如本文中所使用，术语“边缘计算”涵盖为了针对端点用户(客户端设备、用户装备等)减少等待时间并增加吞吐量而将处理活动和资源(例如，计算、存储、加速资源)朝向网络的“边缘”移动的分布式计算的许多实现方式，这些处理活动或资源包括典型地作为云处理活动而被执行或由云处理资源执行的那些处理活动或资源。此类边缘计算实现方式典型地涉及从经由无线网络可访问的一个或多个位置在类云服务、功能、应用和子系统中提供
此类活动和资源。由此，对本文中所使用的网络、集群、域、系统或计算布置的“边缘”的引用是起作用的分布式计算元件的群组或分组，并且由此一般与图论中使用的“边缘”(链接或连接)无关。
147.经由移动无线网络(例如，蜂窝和wi-fi数据网络)可访问的边缘计算应用和服务的特定布置可被称为“移动边缘计算”或“多接入边缘计算”，其可通过缩写“mec”来引用。本文中对“mec”的使用也可指代由欧洲电信标准协会(etsi)颁布的标准化实现方式，被称为“etsi mec”。etsi mec规范所使用的术语通过引用总体结合于此，除非本文中提供冲突的定义或使用。
148.如本文中所使用，术语“计算节点”或“计算设备”是指实现边缘计算操作的一方面的可标识的实体(不论是较大系统的部分、分布式系统集合、还是独立装置)。在一些示例中，计算节点可被称为“边缘节点”、“边缘设备”、“边缘系统”，而不论作为客户端、服务器还是中间实体来进行操作。计算节点的特定实现方式可被并入到服务器、基站、网关、路边单元、内部单元、ue或终端消费设备等等中。另外，基于可用于计算节点或计算设备的资源(例如，功率、计算、空间、温度、或其他操作考虑因素或约束)，计算节点或计算设备可涵盖不同类型或类别的硬件或者此类硬件的配置。由此，硬件的许多变型旨在被计算节点或计算设备所涵盖。
149.如本文中所使用，术语“基站”是指无线电接入网络(ran)中的网络元件，该无线电接入网络诸如负责一个或多个蜂窝小区中将无线电信号发送至用户装备(ue)或从用户装备(ue)接收无线电信号的第四代(4g)或第五代(5g)移动通信网络。基站可以具有集成式天线，或者可通过馈电电缆连接至天线阵列。基站使用专门的数字信号处理和网络功能硬件。在一些示例中，出于灵活性、货币或资源成本、以及性能，可将基站分成采用软件进行操作的多个功能块。在一些示例中，基站可包括演进节点b(enb)或下一代节点b(gnb)。在一些示例中，基站可操作或包括计算硬件，以作为计算节点来进行操作。然而，在本文中所讨论的场景中的许多场景中，ran基站可以以接入点(例如，无线网络接入点)或其他网络接入硬件来代替。
150.如本文中所使用，术语“中央局”(或co)指示可访问或所限定的地理区域内的、用于电信基础设施的聚合点，通常电信服务提供商传统上将用于一种或多种类型的接入网络的切换装备定位在其中。co可以在物理上被设计成用于容纳电信基础设施装备或计算、数据存储和网络资源。然而，co不需要是由电信服务提供商指定的位置。co可主控用于边缘应用和服务(或者甚至类云服务的本地实现方式)的任何数量的计算设备。
151.如本文中所使用，术语“云服务提供商”(或csp)指示典型地对大规模的“云”资源进行操作的组织，这些大规模的“云”资源由集中式、区域的、和边缘数据中心组成(例如，如在公共云的情境中所使用)。在其他示例中，csp也可被称为云服务运营商(cso)。对“云计算”的引用一般是指在相对于边缘计算具有至少一些增加的等待时间、距离、或约束的远程位置处由csp或cso提供的计算资源和服务。
152.如本文中所使用，术语“数据中心”是指旨在容纳多个高性能计算和数据存储节点以使得大量的计算、数据存储和网络资源存在于单个位置处的有目的设计的结构。这通常使得需要专门的机架和封装系统、合适的加热、冷却、通风、安全性、灭火、以及功率递送系统。在一些情境中，该术语还可指代计算和数据存储节点。在集中式数据中心或云数据中心
(例如，最大的数据中心)、区域数据中心、以及边缘数据中心(例如，最小的数据中心)之间，数据中心的规模可能有所不同。
153.如本文中所使用，对边缘网络的“层”的引用可涵盖具有涉及等待时间、定时或距离的共同属性的各种形式或类型的边缘网络和边缘联网配置，而不论其被称为“近边缘”、“本地边缘”、“中间边缘”、“远边缘”、还是具有对特定命名的层的使用。由此，对层的引用典型地并不必然指代osi模型中的层，而是将指代具有共同的属性层或集合的某个网络部分或片段。
154.如本文中所使用，术语“接入边缘层”指示基础设施边缘的、最靠近于终端用户或设备的子层。例如，此类层可通过被部署在蜂窝网络位置处的边缘数据中心来满足。接入边缘层作为基础设施边缘的前线来起作用，并且可连接至层级结构中较高的聚合边缘层。同样如本文中所使用，术语“聚合边缘层”指示距接入边缘层一跳的基础设施边缘的层。该层可以要么作为中等规模的数据中心存在于单个位置中，要么可由多个互连的微型数据中心形成，以形成具有接入边缘的分层拓扑，从而允许相比于仅有接入边缘更大的协作、工作载荷故障转移、以及可缩放性。
155.如本文中所使用，术语“网络功能虚拟化”(即nfv)指示使用工业标准虚拟化和云计算技术、将网络功能从专有硬件设备内的嵌入式服务迁移到在标准化cpu(例如，在标准和服务器内，诸如包括至强
tm
(xeon
tm
)或者epyc
tm
或opteron
tm
处理器的那些标准化cpu)上运行的基于软件的虚拟化网络功能(即vnf)。在一些方面，nfv处理和数据存储将在基础设施边缘内的、直接连接至本地蜂窝站点的边缘数据中心处发生。
156.如本文中所使用，术语“虚拟化网络功能”(或vnf)指示在多功能多目的计算资源(例如，x86、arm基础架构)上操作的基于软件的网络功能，其可代替于专用物理装备而被nfv使用。在一些方面，若干vnf可在基础设施边缘处的边缘数据中心上操作。
157.如本文中所使用，术语“边缘计算节点”是指以设备、网关、桥接器、系统或子系统、组件形式的能够进行计算的元件的真实世界的、逻辑的、或虚拟化的实现方式，而不论是在服务器、客户端、端点还是对等模式下操作，并且不论位于网络的“边缘”处还是位于进一步处于网络内的连接的位置处。一般而言，对本文中所使用的“节点”的引用与“设备”、“组件”和“子系统”是可互换的；然而，对“边缘计算系统”的引用一般是指分布式架构、组织、或多个节点和设备的集合，并且边缘计算系统被组织成用于完成或提供边缘计算设置中的服务或资源中的某个方面。
158.如本文中所使用，术语“集群”是指以物理实体(例如，不同的计算系统、网络或网络群组)、逻辑实体(例如，应用、功能、安全性构造、容器)等等的形式、作为边缘计算系统(或多个边缘计算系统)的部分的实体集合或实体分组。在一些位置中，“集群”也指代“群组”或“域”。集群的成员关系可基于包括来自动态成员关系或基于属性的成员关系、来自网络或系统管理场景、或来自下文所讨论的各种示例技术的、可添加、修改或移除集群中的实体的状况或功能而被修改或影响。集群还可包括多个层、级别或属性，或与多个层、级别或属性相关联，该多个层、级别或属性包括基于此类层、级别或属性的安全性特征和结果的变型。示例
159.下文提供了贯穿本公开所描述的技术的说明性示例。这些技术的实施例可包括下文所描述的示例中的任何一个或多个示例及其任何组合。在一些实施例中，前述图中的一个或多个图中所阐述的系统或组件中的至少一个可被配置成用于执行下列示例中所阐述的一个或多个操作、技术、过程和/或方法。
160.示例1包括一种计算设备，该计算设备包括接口电路系统和处理电路系统，该处理电路系统用于：经由接口电路系统接收至少部分地由一个或多个传感器捕捉的数据流，其中，该数据流包括与未经标记的特征集合实例相对应的特征值集合；将数据流分组为数据流群组，其中，数据流群组基于数据流中的特征值集合从数据流群组集合被分派；从预测性模型集合选择与被分派至数据流的数据流群组相对应的预测性模型，其中，预测性模型集合中的每个预测性模型被训练成用于针对数据流群组集合中的对应数据流群组预测目标变量；以及使用预测性模型针对数据流预测目标变量，其中，该预测性模型基于数据流中的特征值集合来推断目标变量。
161.示例2包括如示例1所述的计算设备，其中，处理电路系统进一步用于：基于训练数据集将预测性模型集合训练成用于针对数据流群组集合预测目标变量，其中，训练数据集包括被分派至数据流群组集合的训练数据流集合，其中，每个预测性模型基于来自训练数据集的对应训练数据流子集被训练成用于针对对应的数据流群组预测目标变量。
162.示例3包括如示例1-2中任一项所述的计算设备，其中，用于将数据流分组成数据流群组的处理电路系统进一步用于：使用分组模型来选择要分派至数据流的所述数据流群组，其中，分组模型基于数据流与分组数据集的比较从数据流群组集合选择数据流群组，其中，分组数据集包括数据流群组集合中每个数据流群组的代表性数据流的集合。
163.示例4包括如示例3所述的计算设备，其中，用于使用分组模型选择要分派至数据流的数据流群组的处理电路系统进一步用于：基于距离计算来计算数据流到数据流群组集合中的每个数据流群组的距离，其中，到每个数据流群组的距离是基于每个数据流群组的代表性数据流的集合来计算的；以及从数据流群组集合选择到数据流的距离最近的数据流群组。
164.示例5包括如示例3-4中任一项所述的计算设备，其中，分组模型包括聚类模型。
165.示例6包括如示例3-5中任一项所述的计算设备，其中，处理电路系统进一步用于：从训练数据集选择每个数据流分组的代表性数据流的集合，其中，训练数据集包括训练数据流集合；以及生成用于分组模型的分组数据集，其中，分组数据集包括针对每个数据流分组选择的代表性数据流的集合。
166.示例7包括如示例1-6中任一项所述的计算设备，其中，处理电路系统进一步用于：检测数据流中的特征值集合的改变；基于特征值集合的改变，确定对数据流的分组要被更新，其中，数据流将被重新分派至数据流群组集合中的第二数据流群组；以及
167.动态地更新数据流群组集合，以将数据流重新分派至第二数据流群组。
168.示例8包括如示例1-7中任一项所述的计算设备，其中：该计算设备是：边缘服务器；用于控制工具的工具控制器；或者用于控制机器人的机器人控制器；并且目标变量包括由工具或机器人执行的任务的预测质量水平。
169.示例9包括至少一种非瞬态计算机可读存储介质，具有存储于其上的指令，其中，这些指令当在处理电路系统上执行时使该处理电路系统用于：经由接口电路系统接收至少
部分地由一个或多个传感器捕捉的数据流，其中，数据流包括与未经标记的特征集合实例相对应的特征值集合；将数据流分组为数据流群组，其中，数据流群组基于数据流中的特征值集合从数据流群组集合被分派；从预测性模型集合选择与被分派至数据流的数据流群组相对应的预测性模型，其中，预测性模型集合中的每个预测性模型被训练成用于针对数据流群组集合中的对应数据流群组预测目标变量；以及使用预测性模型针对数据流预测目标变量，其中，该预测性模型基于数据流中的特征值集合来推断目标变量。
170.示例10包括如示例9所述的存储介质，其中，指令进一步使处理电路系统用于：基于训练数据集将预测性模型集合训练成用于针对数据流群组集合预测目标变量，其中，训练数据集包括被分派至数据流群组集合的训练数据流集合，其中，每个预测性模型基于来自训练数据集的对应训练数据流子集被训练成用于针对对应的数据流群组预测目标变量。
171.示例11包括如示例9-10中任一项所述的存储介质，其中，使处理电路系统用于将数据流分组成数据流群组的指令进一步使该处理电路系统用于：使用分组模型来选择要分派至数据流的所述数据流群组，其中，分组模型基于数据流与分组数据集的比较从数据流群组集合选择数据流群组，其中，分组数据集包括数据流群组集合中每个数据流群组的代表性数据流的集合。
172.示例12包括如示例11所述的存储介质，其中，使处理电路系统用于使用分组模型选择要分派至数据流的数据流群组的指令进一步使该处理电路系统用于：基于距离计算来计算数据流到数据流群组集合中的每个数据流群组的距离，其中，到每个数据流群组的距离是基于每个数据流群组的代表性数据流的集合来计算的；以及从数据流群组集合选择到数据流的距离最近的数据流群组。
173.示例13包括如示例12所述的存储介质，其中，距离计算包括：欧氏距离计算；杰卡德计算；或者动态时间扭曲计算。
174.示例14包括如示例11-13中任一项所述的存储介质，其中，分组模型包括聚类模型。
175.示例15包括如示例14所述的存储介质，其中，聚类模型包括k均值聚类模型。
176.示例16包括如示例11-15中任一项所述的存储介质，其中，指令进一步使处理电路系统用于：从训练数据集选择每个数据流分组的代表性数据流的集合，其中，训练数据集包括训练数据流集合；以及生成用于分组模型的分组数据集，其中，分组数据集包括针对每个数据流分组选择的代表性数据流的集合。
177.示例17包括如示例9-16中任一项所述的存储介质，其中，指令进一步使处理电路系统用于：检测数据流中的特征值集合的改变；基于特征值集合的改变，确定对数据流的分组要被更新，其中，数据流将被重新分派至数据流群组集合中的第二数据流群组；以及动态地更新数据流群组集合，以将数据流重新分派至第二数据流群组。
178.示例18包括如示例9-17中任一项所述的存储介质，其中，目标变量包括由机器执行的任务的预测质量水平。
179.示例19包括如示例18所述的存储介质，其中，任务包括被执行以制造产品的制造任务。
180.示例20包括一种执行预测性分析的方法，该方法包括：接收至少部分地由一个或多个传感器捕捉的数据流，其中，该数据流包括与未经标记的特征集合实例相对应的特征
值集合；将数据流分组为数据流群组，其中，数据流群组基于数据流中的特征值集合从数据流群组集合被分派；从预测性模型集合选择与被分派至数据流的数据流群组相对应的预测性模型，其中，预测性模型集合中的每个预测性模型被训练成用于针对数据流群组集合中的对应数据流群组预测目标变量；以及使用预测性模型针对数据流预测目标变量，其中，该预测性模型基于数据流中的特征值集合来推断目标变量。
181.示例21包括如示例20所述的方法，进一步包括：基于训练数据集将预测性模型集合训练成用于针对数据流群组集合预测目标变量，其中，训练数据集包括被分派至数据流群组集合的训练数据流集合，其中，每个预测性模型基于来自训练数据集的对应训练数据流子集被训练成用于针对对应的数据流群组预测目标变量。
182.示例22包括如示例20-21中任一项所述的方法，进一步包括：检测数据流中的特征值集合的改变；基于特征值集合的改变，确定对数据流的分组要被更新，其中，数据流将被重新分派至数据流群组集合中的第二数据流群组；以及动态地更新数据流群组集合，以将数据流重新分派至第二数据流群组。
183.示例23包括一种系统，该系统包括一个或多个传感器、接口电路系统以及处理电路系统，该处理电路系统用于：经由接口电路系统接收至少部分地由一个或多个传感器捕捉的数据流，其中，该数据流包括与未经标记的特征集合实例相对应的特征值集合；将数据流分组为数据流群组，其中，数据流群组基于数据流中的特征值集合从数据流群组集合被分派；从预测性模型集合选择与被分派至数据流的数据流群组相对应的预测性模型，其中，预测性模型集合中的每个预测性模型被训练成用于针对数据流群组集合中的对应数据流群组预测目标变量；以及使用预测性模型针对数据流预测目标变量，其中，该预测性模型基于数据流中的特征值集合来推断目标变量。
184.示例24包括如示例23所述的系统，其中：系统是工具或机器人；以及目标变量包括由工具或机器人执行的任务的预测质量水平。
185.示例25包括如示例24所述的系统，其中，工具是：焊枪；胶枪；铆接机；螺丝刀；或者泵。
186.众多其他改变、替换、变体、更改和修改对本领域技术人员而言可以是确定的，并且本公开旨在将所有此类改变、替换、变体、更改和修改涵盖为落在所附权利要求书的范围内。