物联网(“iot”)设备的使用正在迅速地增长，由这些设备正在处理的数据的量相应增加。处理来自iot设备的数据可涉及将来自iot设备的数据发送到可通信地耦接到iot设备的边缘设备，并且然后发送到可通信地耦接到边缘设备的云网络上的服务器。处理来自多个iot设备的数据可引起网络延迟和计算延迟问题。
附图说明
下面的具体实施方式参考附图，其中：
图1是描绘示例环境的框图，其中各种示例可被实现为有助于实时处理iot数据的系统。
图1a是描绘用于实时处理iot数据的示例边缘设备的框图。
图1b是描绘用于实时处理iot数据的示例边缘设备的框图。
图2a是描绘用于实时处理iot数据的示例边缘设备的框图。
图2b是描绘用于实时处理iot数据的示例边缘设备的框图。
图3是描绘用于实时处理iot数据的示例方法的流程图。
图4是描绘用于实时处理iot数据的示例方法的流程图。
具体实施方式
下面的具体实施方式参考附图。只要有可能，相同的附图标记在附图和下面的描述中用来指代相同或相似的部件。然而，应当明确指出，附图仅是为了说明和描述的目的。尽管在本文中描述了若干个示例，但修改、改写和其它实现是可能的。因此，下面的详细描述不限制所公开的示例。相反，所公开的示例的适当范围可由所附的权利要求限定。
本文中使用的术语仅仅是为了描述具体实施例的目的，而不旨在限制。如本文中使用的，单数形式“一”和“该”旨在也包括复数形式，除非上下文另外清楚地指示。如本文中使用的术语“多个”被限定为两个或两个以上。如本文中使用的术语“另一”被限定为至少第二或第二以上。如本文中使用的术语“耦接”被限定为没有任何中间要素的直接连接或者是具有至少一个中间要素的间接连接，除非另有说明。两个要素可被机械耦接、电气耦接，或者通过通信信道、路径、网络或系统通信连接。如本文中使用的术语“和/或”是指并且包括所列相关项目中的一个或多个项目的任意可能的组合和所有可能的组合。还将理解的是，虽然本文中可使用术语第一、第二、第三等来描述各种要素，但这些要素不应受这些术语限制，这些术语仅仅用于将一个要素与另一要素区分，除非另外说明或者上下文表示别的含义。本发明中使用的术语“包括”指包括但不限于，术语“包含”在本发明中使用时指包含但不限于。术语“基于”指至少部分地基于。
前述公开描述了用于实时处理物联网(“iot”)数据的多个示例实现。所公开的示例可包括用于实时处理iot数据的系统、设备、计算机可读存储介质和方法。为了说明的目的，某些示例是参考图1至图4所示的组件描述的。然而，所示组件的功能可重叠，并且可存在于更少或更多数量的要素和组件中。
此外，所示要素的功能的全部或一部分可共存或可分布在若干个地理上分散的位置当中。而且，所公开的示例可在各种环境中实现，并不限于所示示例。此外，结合图3至图4描述的操作的序列是示例，并不旨在限制。在不脱离所公开的示例的范围内，可使用或可改变或多或少的操作或者操作的组合。此外，与所公开的示例一致的实施方式不需要以任何特定的顺序执行一系列操作。因此，本公开仅仅陈述实施方式的可能示例，并且可对所描述的示例做出许多变型和修改。所有这些修改和变型旨在包含在本公开的范围内并且由下面的权利要求保护。
物联网(“iot”)设备的使用正在迅速地增长，由这些设备正在处理的数据的量相应增加。处理来自iot设备的数据可涉及将来自iot设备的数据发送到可通信地耦接到iot设备的边缘设备，并且然后发送到可通信地耦接到边缘设备的云网络上的服务器。处理来自多个iot设备的数据可引起网络延迟和计算延迟问题。
值得注意的是，来自iot设备的实时视频传送的增加。实时视频传送以及具有类似高有效载荷的其他数据可能是及时的，但是处理起来昂贵。例如，iot摄像机能够每秒生成兆字节的可视数据。由于它们的地理位置，将iot设备所捕获的整组数据实时卸载到边缘设备并且然后卸载到云中的服务器设备可能是不可能的，并且除了引起显著的带宽成本之外，还可能引起显著的延迟。降低实时传输的分辨率也不理想，因为它会使该数据的处理和分析更加困难。用于处理来自iot设备的复杂数据的现有解决方案要么内置到硬件中(从而增加所涉及的硬件的成本和复杂性)，要么在数据被发送到云网络中的服务器之前，边缘设备执行最小限度的轻量级处理。
针对这些技术挑战的技术解决方案可以在所连接的边缘设备上高效地处理来自iot设备的复杂数据，并且将该数据和处理结果分发到云网络中的服务器。具体地，针对这些技术挑战的技术解决方案可以利用边缘设备中的架构渠道来处理复杂数据并且从复杂数据中获得见解。
本文中讨论的示例通过提供技术解决方案来解决这些技术挑战，该技术解决方案提供实时处理iot数据。例如，技术解决方案可通过边缘计算设备的第一物理处理器接收来自可通信地耦接到边缘设备的第一iot设备的一组数据。该组数据可被分割成一组单独的数据包并且由边缘设备的第二物理处理器处理。该组单独的数据包可被处理，例如，通过边缘计算设备的第二物理处理器的多个实例将学习模型同时应用于来自该组单独数据包中的对应的多个数据包中的每一个，并且通过第二物理处理器的多个实例的子集利用来自该学习模型的并发应用的对应输出对多个数据包中的对应子集进行注解。
图1是示例环境，其中各种示例可被实现为有助于实时处理iot数据的系统。在一些示例中，促进实时处理iot数据的系统可包括各种组件，诸如，一组边缘设备(例如，边缘设备100、100b、……、100n)，一组iot设备101a、101b、……、101n、102a、102b、……、102n，云服务器50，和/或可通信地耦接到该组边缘设备的其他设备。每个边缘设备(例如，边缘设备100)可以与云服务器50、一组iot设备(例如，设备101a、101b、……、101n)、一组其他边缘设备(例如，边缘设备101b、……、101n)和/或网络中的其他组件通信，和/或接收来自云服务器50、一组iot设备(例如，设备101a、101b、……、101n)、一组其他边缘设备(例如，边缘设备101b、……、101n)和/或网络中的其他组件的数据。
边缘设备可包括接入点、网络交换机或网络上的其它硬件设备，其它硬件设备包括执行机器可读指令的第一物理处理器(例如，物理处理器110)和第二物理处理器(例如，第二物理处理器115)，以促进网络中的通信。物理处理器110可以是至少一个中央处理单元(cpu)、微处理器和/或适合执行关于图1a描述的功能的其它硬件设备。第二物理处理器115可以是至少一个图形处理单元(gpu)、微处理器和/或适合执行关于图1a描述的功能的其它硬件设备。
云服务器50可以是可通信地耦接到边缘设备的云网络中的、促进处理和/或存储iot数据的任何服务器。
iot设备101a、101b、……、101n可以是连接到边缘设备的任何iot设备。在一些示例中，iot设备可以是可以以分布广泛的方式被公开部署的低端设备。低端iot设备可包括例如不包括复杂硬件、单独的安全模块或可以促进iot设备的分析功能的硬件和编程的任何专门组合的iot设备。在一些示例中，iot设备可包括网络上的一种或多种类型的iot设备。各种类型的iot设备可包括例如摄像机、交通信号灯、咖啡机、空气质量传感器、恒温器、打印机、灯泡、其他传感器和/或任何其他iot设备。
根据不同的实施方式，促进实时处理iot数据的系统和本文中描述的各种组件可在硬件和/或硬件与配置硬件的编程的组合中被实现。此外，在图1和本文中描述的其他附图中，可使用与所描述的数量不同的数量的组件或实体。在一些示例中，促进实时处理iot数据的系统可包括一组边缘设备，其中至少一个边缘设备连接到iot设备。
图1a是描绘用于促进实时处理iot数据的示例边缘设备的框图。在一些示例中，示例边缘设备100可包括图1的边缘设备100。促进实时处理来自iot设备101a、101b、……、101n的数据的边缘设备可包括物理处理器110、数据接收引擎130、数据分割引擎140、处理引擎150和/或其他引擎。在一些示例中，处理引擎150可包括并发应用引擎151、注解引擎152和/或其他引擎。如本文中使用的术语“引擎”是指执行指定功能的硬件和编程的组合。如关于图1a至图1b所示，每个引擎的硬件例如可包括物理处理器和机器可读存储介质中的一个或两者，而编程是存储在机器可读存储介质上的指令或代码并且由物理处理器可执行以执行指定功能。关于图1a，数据接收引擎130、数据分割引擎140可包括第一物理处理器110，并且数据处理引擎150可包括第二物理处理器115。关于图1b，数据接收引擎230、数据分割引擎240、解码引擎260和传输引擎270可包括第一物理处理器210，并且数据处理引擎250可包括第二物理处理器215。
数据接收引擎130可接收来自第一iot设备(例如，iot设备101a)的一组数据，第一iot设备可通信地耦接到边缘设备100。该组数据可包括一组单独的数据包。数据接收引擎130可以以带宽速率接收该组数据。在一些示例中，该组数据可包括视频数据，视频数据包括一组帧。在这些示例中，数据接收引擎可以以帧速率接收该组数据。在这些示例中，数据接收引擎130可根据iot设备(例如，iot设备101a)所执行的视频编码来对该组数据进行解码，并且可将视频数据重新编码成由边缘设备100和/或网络中的服务器50支持的编码。例如，数据接收引擎130可使用rtmp协议接收以hls格式编码并且从iot设备(例如，iot设备101a)传输的一组视频数据。数据接收引擎130可对该组视频数据进行解码并且将该组视频数据重新编码成支持的格式(例如，ffmpeg和/或其它预定格式)。数据接收引擎也可以执行该组数据的其他预处理。
数据分割引擎140可将该组数据分割成一组单独的数据包。在一些示例中，数据分割引擎140可响应于对数据执行预处理而分割数据。在该组数据包括视频数据的示例中，数据分割引擎140可将视频数据分割成一组帧。在这些示例中，数据分割引擎140可响应于对视频数据进行解码而将视频数据分割成一组帧。响应于分割该组数据，数据分割引擎140然后可使分割的数据被发送到处理引擎150。
处理引擎150可处理该组单独的数据包。处理引擎150可确定要并行用于处理该组单独的数据包的第二物理处理器115的多个实例的数量。处理引擎150可基于正在接收数据包的带宽速率，基于经由物理处理器115可用的处理器核心的数量，基于数据包的预定的或需要的输出速率，基于该组数据(其中该组数据包括视频数据)的帧速率，和/或基于其他因素来确定多个实例的数量。
在一些示例中，处理引擎150可确定要应用于该组数据的学习模型。处理引擎150可基于存储在存储介质120中的单个模型来确定该模型。在多个模型可被存储在存储介质120中的示例中，处理引擎150可基于该组数据的一组特征，基于要对该组数据执行的分析的类型，基于数据类型、数据源，和/或基于其他因素，确定要应用的学习模型。在一些示例中，处理引擎150可应用多个学习模型，其中基于这些因素，每个模型可被应用于该组数据的不同子集，或者多个模型可应用于该组数据的相同子集。在一些示例中，学习模型可包括基于区域的卷积神经网络和/或其他类型的学习模型。在一些示例中，处理模型可接收来自服务器50和/或网络中的其他设备的更新的学习模型。
处理引擎150可将同一学习模型应用于物理处理器115的实例所处理的单独的数据包中的每一个。
在一些示例中，处理引擎150可包括并发应用引擎151、注解引擎152和/或其他引擎。
并发应用引擎151可通过第二物理处理器115的多个实例将学习模型同时应用于该组单独的数据包中(或者在该组数据包括视频数据的示例中的单独帧)对应的多个数据包中的每一个。例如，处理引擎150可加载具有学习模型的多个实例的第二物理处理器115，使得第二物理处理器115的一组核心中的每一个可以将学习模型的相应实例应用于对应的单独的数据包(或单独的帧)。响应于第二物理处理器115的实例将学习模型应用于单独的数据包(或单独的帧)，并发应用引擎151可以接收该组单独的数据包(或单独的帧)的下一个数据包(或单独的帧)进行处理。例如，随着数据经由数据接收引擎130串行到达并且被数据分割引擎140分割以及被传输到处理引擎150，处理引擎150可将下一个单独的数据包(或单独的帧)发送到第二物理处理器115的下一个未利用的实例进行处理，可基于负载平衡算法确定第二物理处理器115的下一个实例，和/或可以其他方式确定第二物理处理器115的下一个实例。
注解引擎152可通过第二物理处理器115的多个实例的子集，利用来自学习模型的并发应用的对应输出对多个数据包(或单独的帧)的对应子集进行注解。在一些示例中，注解引擎152可通过将视觉效果、文本、元数据和/或其他信息添加到单独的数据包(或单独的帧)对数据包进行注解。注解引擎152可以基于被应用的学习模型，基于来自网络的管理员或用户的输入，基于该组数据的一组特征，和/或基于其他因素，确定要注解到单独的数据包(或单独的帧)的信息。
在一些示例中，响应于对多个数据包(或单独的帧)中的每一个进行注解，处理引擎150可对多个数据包进行重新排序，以匹配该组单独的数据包(或单独的帧)被处理的顺序。在这些示例中，第二物理处理器115的实例处理数据包(或单独的帧)的时间可能不是恒定的(例如，由于不同的包(或帧)大小、包(或帧)数据和/或其他因素)。这样，处理引擎150可以以可能与单独的数据包(或帧)被输入的顺序不同的顺序输出处理后的数据包(或帧)。在这些示例中，处理引擎150可对输出的数据包(或帧)执行内存中排序(和/或其他类型的排序)，以它们被处理的原始顺序对它们进行放置。
响应于对多个数据包(或单独的帧)进行重新排序，处理引擎150可将注解的、重新排序的多个数据包(或帧)传输到可通信地耦接到边缘设备100的服务器(例如，服务器50)。在一些示例中，在传输注解的、重新排序的多个数据包(或帧)之前，处理引擎150可对数据包(或帧)执行分析或处理。在该组数据包括视频数据的示例中，处理引擎150可将注解的、重新排序的多个帧重新编码成预定格式。在这些示例中，处理引擎150还可以执行进一步的处理，诸如目标检测、目标跟踪、目标计数、用于显示的可视化点击分析、增强现实促进、预测和估计、和/或其他处理。
在执行它们各自的功能时，引擎130-152可访问存储介质120和/或其他合适的数据库。存储介质120可代表边缘设备100可访问的、能被用来存储和获取数据的任何存储器。存储介质120和/或可通信地耦接到边缘设备的其他数据库可包括随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、高速缓冲存储器、软盘、硬盘、光盘、磁带、固态驱动器、闪存驱动器、便携式光盘、和/或用于存储计算机可执行指令和/或数据的其它存储介质。促进实时处理iot数据的边缘设备100可通过网络在本地或远程地访问存储介质120。
存储介质120可包括用于组织和存储数据的数据库。数据库可驻留在单个或多个物理设备中和在单个或多个物理位置中。数据库可存储多种类型的数据和/或文件以及相关联的数据或文件描述、管理信息或任何其他数据。
图1b是描绘促进实时处理iot数据的示例边缘设备200的框图。在一些示例中，示例边缘设备200可包括图1的边缘设备100。可促进实时处理iot数据的边缘设备200可包括物理处理器210、数据接收引擎230、数据分割引擎240、处理引擎250、解码引擎260、数据传输引擎270、和/或其他引擎。在一些示例中，处理引擎250可包括并发应用引擎251、注解引擎252和/或其他引擎。在一些示例中，引擎230-270分别代表引擎130-152。
图2a是描绘包含由处理器可执行用于实时处理iot数据的指令的示例机器可读存储介质320的框图。
在上述讨论中，引擎130-152被描述为硬件和编程的组合。引擎130-152可以以多种方式实现。参考图2a，编程可以是存储在机器可读存储介质320上的处理器可执行指令330-352，并且硬件可包括用于执行这些指令的第一处理器310和第二处理器315。因此，机器可读存储介质320可以说存储程序指令或代码，当程序指令或代码被第一处理器310和第二处理器315执行时实现图1的促进实时处理iot数据的边缘设备。
在图2a中，机器可读存储介质320中的可执行程序指令被描绘为数据接收指令330、数据分割指令340、处理指令350和/或其它指令。在一些示例中，数据处理指令350可包括并发应用指令351、注解指令352和/或其他指令。指令330-351代表当被执行时使第一处理器310和第二处理器315分别实现引擎130-152的程序指令。
图2b是描绘包含由处理器可执行用于实时处理iot数据的指令的示例机器可读存储介质420的框图。
在上述讨论中，引擎230-270被描述为硬件和编程的组合。引擎230-270可以以多种方式实现。参考图2b，编程可以是存储在机器可读存储介质420上的处理器可执行指令430-470，并且硬件可包括用于执行这些指令的第一处理器410和第二处理器415。因此，机器可读存储介质420可以说存储程序指令或代码，当程序指令或代码被第一处理器410和第二处理器415执行时实现图2b的促进实时处理iot数据的边缘设备。
在图2b中，机器可读存储介质420中的可执行程序指令被描绘为数据接收指令430、数据分割指令440、处理指令450、解码指令460、数据传输指令470和/或其它指令。在一些示例中，数据处理指令450可包括并发应用指令451、注解指令452和/或其他指令。指令430-370代表当被执行时使第一处理器410和第二处理器415分别实现引擎220-270的程序指令。
机器可读存储介质320(或机器可读存储介质420)可以是包含或存储可执行指令的任何电子存储设备、磁性存储设备、光存储设备或其它物理存储设备。在一些实施方式中，机器可读存储介质320(或机器可读存储介质420)可以是非暂时性存储介质，其中术语“非暂时性”不包括暂时性传播信号。机器可读存储介质320(或机器可读存储介质420)可在单个设备中实现或者跨多个设备分布。同样地，处理器310和处理器315(或处理器410和处理器415)可代表能够执行由机器可读存储介质320(或机器可读存储介质420)存储的指令的任何数量的物理处理器。处理器310和处理器315(或处理器410和处理器415)可被集成在单个设备中或者跨多个设备分布。此外，机器可读存储介质320(或机器可读存储介质420)可完全或部分地与处理器310和处理器315(或处理器410和处理器415)集成在相同的设备中，或者可以是单独的，但对设备以及处理器310和处理器315(或处理器410和处理器415)是可访问的。
在一个示例中，程序指令可以是安装包的一部分，当该安装包被安装时可由处理器310和处理器315(或处理器410和处理器415)执行，以实现促进实时处理iot数据的边缘设备。在此情形下，机器可读存储介质320(或机器可读存储介质420)可以是便携式介质，诸如软盘、cd、dvd或闪存驱动器，或者是由服务器维护的存储器，可从该存储器中下载和安装安装包。在另一示例中，程序指令可以是应用或已安装应用的一部分。这里，机器可读存储介质320(或机器可读存储介质420)可包括硬盘、光盘、磁带、固态驱动器、ram、rom、eeprom等。
处理器310可以是至少一个中央处理单元(cpu)、微处理器和/或适合获取和执行存储在机器可读存储介质320中的指令的其它硬件设备。处理器310可以提取、解码和执行程序指令330-340和/或其他指令。作为获取和执行指令的替代或除获取和执行指令以外，处理器310可包括至少一个电子电路，该至少一个电子电路包含用于执行指令330-340和/或其他指令中的至少一个的功能的多个电子组件。
处理器315可以是至少一个图形处理单元(gpu)、微处理器和/或适合获取和执行存储在机器可读存储介质320中的指令的其它硬件设备。处理器315可以提取、解码和执行程序指令350-352和/或其他指令。作为获取和执行指令的替代或除获取和执行指令以外，处理器315可包括至少一个电子电路，该至少一个电子电路包含用于执行指令350-352和/或其他指令中的至少一个的功能的多个电子组件。
处理器410可以是至少一个中央处理单元(cpu)、微处理器和/或适合获取和执行存储在机器可读存储介质420中的指令的其它硬件设备。处理器410可以提取、解码和执行程序指令430-440、460-470和/或其他指令。作为获取和执行指令的替代或除获取和执行指令以外，处理器410可包括至少一个电子电路，该至少一个电子电路包含用于执行指令430-440、460-470和/或其他指令中的至少一个的功能的多个电子组件。
处理器415可以是至少一个图形处理单元(gpu)、微处理器和/或适合获取和执行存储在机器可读存储介质420中的指令的其它硬件设备。处理器415可以提取、解码和执行程序指令450-452和/或其他指令。作为获取和执行指令的替代或除获取和执行指令以外，处理器415可包括至少一个电子电路，该至少一个电子电路包含用于执行指令450-452和/或其他指令中的至少一个的功能的多个电子组件。
图3是描绘用于实时处理iot数据的示例方法的流程图。本文中更具体地描述了在图3中(以及在诸如图4的其他附图中)所描绘的各种处理块和/或数据流。所描述的处理块可使用以上详细描述的一些或全部的系统组件来实现，并且在一些实施方式中，可以以不同的顺序执行各种处理块，并且可忽略各种处理块。附加的处理块可与所描绘的流程图中示出的一些或全部处理块一起被执行。一些处理块可被同时执行。因此，如图示的(和下面更具体描述的)图3的方法意味着示例，并且因此不应当被视为限制。图3的方法可以以存储在机器可读存储介质(诸如存储介质420)上的可执行指令的形式和/或以电子电路的形式来实现。
在操作500中，可从可通信地耦接到边缘设备的第一iot设备接收一组数据。例如，边缘设备100(和/或数据接收引擎130、数据接收指令330或边缘设备100的其他资源)可接收来自iot设备的一组数据包。边缘设备100可以以与上面关于数据接收引擎130、数据接收指令330和/或边缘设备100的其他资源的执行的描述相似或相同的方式，接收来自iot设备的该组数据。
在操作510中，可将该组数据分割成一组单独的数据包。例如，边缘设备100(和/或数据分割引擎140、数据分割指令340或边缘设备100的其他资源)可以对数据进行分割。边缘设备100可以以与上面关于数据分割引擎140、数据分割指令340和/或边缘设备100的其他资源的执行的描述相似或相同的方式，对数据进行分割。
在操作520中，可对该组单独的数据包进行处理。例如，边缘设备100(和/或处理引擎150、处理指令350或边缘设备100的其他资源)可以对单独的数据包进行处理。边缘设备100可以以与上面关于处理引擎150、处理指令350和/或边缘设备100的其他资源的执行的描述相似或相同的方式，对单独的数据包进行处理。
在一些示例中，操作520可包括操作521和522。
在操作521中，边缘计算设备的第二物理处理器的多个实例可将学习模型同时应用于该组单独的数据包中对应的多个数据包中的每一个。例如，边缘设备100(和/或并发应用引擎151、并发应用指令351或边缘设备100的其他资源)可通过边缘计算设备的第二物理处理器的多个实例，将学习模型同时应用于该组单独的数据包中对应的多个数据包中的每一个。边缘设备100可通过边缘计算设备的第二物理处理器的多个实例，以与上面关于并发应用引擎151、并发应用指令351和/或边缘设备100的其他资源的执行的描述相似或相同的方式，将学习模型同时应用于该组单独的数据包中对应的多个数据包中的每一个。
在操作522中，第二物理处理器的多个实例的子集可利用来自学习模型的并发应用的对应输出，对多个数据包中的对应子集进行注解。例如，边缘设备100(和/或注解引擎152、注解指令352或边缘设备100的其他资源)可利用来自学习模型的并发应用的对应输出，对多个数据包中的对应子集进行注解。边缘设备100可以以与上面关于注解引擎152、注解指令352和/或边缘设备100的其他资源的执行的描述相似或相同的方式，利用来自学习模型的并发应用的对应输出，对多个数据包中的对应子集进行注解。
图4是描绘用于实时处理iot数据的示例方法的流程图。如图示的(和下面更具体描述的)图4的方法意味着示例，并且因此不应当被视为限制。图4的方法可以以存储在机器可读存储介质(诸如存储介质420)上的可执行指令的形式和/或以电子电路的形式来实现。
在操作600中，可从可通信地耦接到边缘设备的第一iot设备接收一组视频数据。例如，边缘设备100(和/或数据接收引擎230、数据接收指令430或边缘设备100的其他资源)可接收来自iot设备的该组视频数据。边缘设备100可以以与上面关于数据接收引擎230、数据接收指令430和/或边缘设备100的其他资源的执行的描述相似或相同的方式，接收来自iot设备的该组视频数据。
在操作610中，可将该组数据分割成一组单独的帧。例如，边缘设备100(和/或数据分割引擎240、数据分割指令440或边缘设备100的其他资源)可以对数据进行分割。边缘设备100可以以与上面关于数据分割引擎240、数据分割指令440和/或边缘设备100的其他资源的执行的描述相似或相同的方式，对数据进行分割。
在操作620中，可将该组单独的帧传输到第二物理处理器。例如，边缘设备100(和/或数据分割引擎240、数据分割指令440或边缘设备100的其他资源)可以传输该组单独的帧。边缘设备100可以以与上面关于数据分割引擎240、数据分割指令440和/或边缘设备100的其他资源的执行的描述相似或相同的方式，传输单独的帧。
在操作630中，可对该组单独的帧进行处理。例如，边缘设备100(和/或处理引擎250、处理指令450或边缘设备100的其他资源)可以对单独的帧进行处理。边缘设备100可以以与上面关于处理引擎250、处理指令450和/或边缘设备100的其他资源的执行的描述相似或相同的方式，对单独的帧进行处理。
在一些示例中，操作630可包括操作631和632。
在操作631中，边缘计算设备的第二物理处理器的多个实例可将学习模型同时应用于该组单独的帧中对应的多个帧中的每一个。例如，边缘设备100(和/或并发应用引擎251、并发应用指令451或边缘设备100的其他资源)可通过边缘计算设备的第二物理处理器的多个实例，将学习模型同时应用于该组单独的帧中对应的多个帧中的每一个。边缘设备100可通过边缘计算设备的第二物理处理器的多个实例，以与上面关于并发应用引擎251、并发应用指令451和/或边缘设备100的其他资源的执行的描述相似或相同的方式，将学习模型同时应用于该组单独的帧中对应的多个帧中的每一个。
在操作632中，第二物理处理器的多个实例的子集可利用来自学习模型的并发应用的对应输出，对多个帧中的对应子集进行注解。例如，边缘设备100(和/或注解引擎252、注解指令452或边缘设备100的其他资源)可利用来自学习模型的并发应用的对应输出，对多个帧中的对应子集进行注解。边缘设备100可以以与上面关于注解引擎242、注解指令452和/或边缘设备100的其他资源的执行的描述相似或相同的方式，利用来自学习模型的并发应用的对应输出，对多个帧中的对应子集进行注解。
前述公开描述了用于实时处理iot数据的多个示例实现。所公开的示例可包括用于实时处理iot数据的系统、设备、计算机可读存储介质和方法。为了说明的目的，某些示例是参考图1至图4所示的组件描述的。然而，所示组件的功能可重叠，并且可存在于更少或更多数量的要素和组件中。
此外，所示要素的功能的全部或一部分可共存或可分布在若干个地理上分散的位置当中。而且，所公开的示例可在各种环境中实现，并不限于所示示例。此外，结合图3至图4描述的操作的序列是示例，并不旨在限制。在不脱离所公开的示例的范围内，可使用或可改变或多或少的操作或者操作的组合。此外，与所公开的示例一致的实施方式不需要以任何特定的顺序执行一系列操作。
因此，本公开仅仅陈述实施方式的可能示例，并且可对所描述的示例做出许多变型和修改。所有这些修改和变型旨在包含在本公开的范围内并且由下面的权利要求保护。