新書推薦：
《
拍出绝世佳作 世界顶级摄影师私藏技法解密
》
售價：HK$
653
《
意大利读画记
》
售價：HK$
347
《
当代艺术的十九副面孔 大师与我们的时代 2025版
》
售價：HK$
551
《
阅读苏河左岸
》
售價：HK$
500
《
纸上博物馆·达达主义：艺术的反抗（艺术简史，讽刺超前，社会政治矛盾，16开图文全彩，伽利玛原版引进）
》
售價：HK$
398
《
名画里的中国 （共7册） 汉宫春晓图/韩熙载夜宴图/唐宫仕女图/洛神赋图/西湖十景图/千里江山图/清
》
售價：HK$
1367
《
江山胜迹：人文风景的建构与传承
》
售價：HK$
755
《
雅贼（偷天大盗斯特凡·布雷特维泽的双面人生）
》
售價：HK$
281
|
| 編輯推薦： |
|
本书旨在系统性地介绍无线边缘智能所需要的核心技术。内容分为三部分：第一部分介绍无线边缘智能的产生背景、基础概念以及发展历程；第二部分聚焦无线边缘智能所面临的核心问题与解决技术，包括数据协同、算力协同和通信协同等关键议题；第三部分阐述无线边缘智能协同平台的构建方式，探讨了当前热点问题以及未来的发展趋势。
|
| 內容簡介： |
|
本书系统性的介绍无线边缘智能计算所需要的的核心技术，并详细阐述如何将这些技术落地的实际编程实例。本书包括三大部分：第1部分介绍无线边缘智能产生的背景、基础和发展历史；第二部分介绍无线边缘智能的核心问题与技术，包括无线边缘智能中的数据协同、资源协同、算力协同以及通信纽带；第三部分阐述无线边缘智能协同平台以及热点问题和前沿发展趋势，以及如何基于本书中的相关技术，构建实际边缘智能应用。
|
| 關於作者： |
|
吴华明，天津大学副教授，德国柏林自由大学博士，研究方向为边缘智能、 移动边缘计算、物联网、深度学习等，主持科研项目十余项，发表论文90多篇，担任多个国际期刊审稿人并被公认为计算机科学领域前 1% 的同行审稿人之一，先后和华为、阿里合作多个项目。
|
| 目錄：
|
|
目 录前言第1章 概述 11.1 无线边缘智能产生的“大背景” 11.1.1 新基建的诞生 11.1.2 大数据时代的数据洪流 31.1.3 数字经济与数智化 51.2 计算模式的发展历史 61.2.1 云计算 61.2.2 雾计算 71.2.3 边缘计算 81.2.4 移动边缘计算 91.2.5 多接入边缘计算 121.3 无线边缘智能 121.3.1 主要挑战 121.3.2 边缘智能 131.3.3 无线通信融合边缘智能 14本章小结 16第2章 无线边缘智能中的资源与优化 172.1 任务卸载 172.1.1 计算任务 172.1.2 基本流程 192.1.3 卸载策略 202.1.4 任务拆分 212.1.5 是否卸载 232.2 度量指标 252.2.1 最小化时延 252.2.2 最小化能耗 252.2.3 时延和能耗权衡 262.2.4 数据隐私 262.2.5 信息年龄 272.3 启发式的任务卸载策略 272.3.1 基于Lyapunov优化的任务卸载 282.3.2 基于博弈论的任务卸载 302.3.3 基于马尔可夫决策过程的任务卸载 312.4 智能卸载决策 332.4.1 基于分布式深度学习的任务卸载 332.4.2 基于强化学习的任务卸载 342.4.3 基于深度强化学习的任务卸载 352.4.4 基于模仿学习的任务卸载 362.4.5 基于元强化学习的任务卸载 372.4.6 基于联邦学习的任务卸载 392.4.7 结合区块链的任务卸载 392.5 存在的问题和挑战 412.5.1 数据完整性 412.5.2 资源异构性 412.5.3 时间延迟 422.5.4 能量消耗 42本章小结 43第3章 云-边-端-网-智体系结构 443.1 整体结构 443.2 融合通信模式 453.2.1 5G使能技术 453.2.2 云网融合 463.2.3 算网融合 473.2.4 云管端融合 483.3 融合计算模式 483.3.1 端云协同 483.3.2 端边协同 503.3.3 边云协同 503.3.4 边边协同 543.3.5 端边云协同 553.4 融合智能模式 583.4.1 DNN模型压缩 583.4.2 DNN模型分割 593.4.3 DNN任务卸载 60本章小结 60第4章 无线边缘智能中的数据协同 614.1 面临的主要挑战 614.1.1 数据的异构性 614.1.2 数据的可用性 624.1.3 数据的完整性 634.1.4 数据的新鲜度 634.1.5 数据孤岛问题 644.2 边缘数据管理 654.2.1 数据采集 654.2.2 数据传输 664.2.3 数据存储 664.2.4 数据处理 674.3 边缘数据同步 674.3.1 云边端协同分层联邦学习 674.3.2 云边端协同元学习 684.4 无线边缘智能的隐私保护 744.4.1 区块链+深度强化学习 744.4.2 区块链+联邦学习 774.4.3 嵌入区块链的边缘计算仿真平台 814.5 无线边缘智能的能量收集 864.5.1 能量收集系统 864.5.2 能量收集和优化 874.5.3 能量智能感知 90本章小结 91第5章 无线边缘智能中的算力协同 925.1 算力的基本概念 925.1.1 算力的定义 925.1.2 算力的发展 925.2 面临的主要挑战 935.2.1 算力资源的异构性 935.2.2 算力需求的异构性 945.2.3 算力资源与供需分布不匹配 955.2.4 边缘算力管理困难 965.3 算力感知 965.3.1 算力资源感知 965.3.2 边缘算力位置选择 975.3.3 算力资源的匹配 985.4 算力资源调度 995.4.1 动态资源调度 995.4.2 溢出计算资源调度 1005.4.3 异构云资源调度 1015.5 DNN模型分割与卸载 1035.5.1 面向云边端协同的DNN模型分割 1035.5.2 面向云边端协同的DNN模型卸载 1055.5.3 DNN模型的查询和卸载 1065.5.4 国内外研究现状 1125.6 算力网络 1135.6.1 算力网络的定义 1135.6.2 算力网络的特点 1135.6.3 算力网络的发展 114本章小结 114第6章 无线边缘智能中的通信协同 1156.1 移动通信和边缘网络 1156.1.1 移动通信技术的发展 1156.1.2 移动边缘网络 1166.1.3 雾辅助无线网络 1176.2 通信系统模型 1186.2.1 基准和数据集 1196.2.2 复值神经网络 1206.2.3 不同环境下的重复训练 1206.2.4 信道模型不可知 1216.2.5 时变信道快速衰落问题 1226.3 端到端的通信系统模型 1226.3.1 自编码器 1226.3.2 SISO系统的自编码器设计 1236.3.3 MIMO系统的自编码器设计 1256.3.4 基于EBGAN的通信系统模型 1266.3.5 通信系统的端到端学习 1286.4 信道状态信息压缩及重建 1296.4.1 传统的CSI反馈 1296.4.2 基于深度学习的CSI反馈 1306.5 解决梯度反向传播的阻塞问题 1336.5.1 二阶段训练方法 1336.5.2 基于生成对抗网络的训练方法 1356.5.3 同步扰动随机逼近算法 1366.5.4 基于元学习的训练方法 1376.6 恶劣环境下的任务卸载 1426.6.1 基于区块链的边缘协作模型 1426.6.2 基于故障模型的多目标卸载决策 1436.6.3 基于通信、缓存和计算的雾辅助无线网络 1466.6.4 计算与通信的协同 147本章小结 148第7章 边缘智能协同平台 1497.1 边缘智能协同的意义 1497.2 云边端协同整体架构 1507.2.1 云原生操作系统—Kubernetes 1517.2.2 边缘计算架构—KubeEdge 1517.2.3 端计算架构—EdgeX Foundry 1537.3 边缘计算架构 1547.3.1 非侵入云原生架构—OpenYurt 1547.3.2 百度边缘计算架构—Baetyl 1557.3.3 Apache Edgent边缘计算 1577.4 边缘智能平台 1587.4.1 智能边缘计算平台—EdgeStack 1587.4.2 5G MEC开源平台—EdgeGallery 1597.4.3 微软 Azure IoT Edge 1617.4.4 华为IEF 1627.5 仿真器 1637.5.1 IoT层仿真器 1637.5.2 边缘计算层仿真器 1647.5.3 雾计算层仿真器 1667.5.4 云计算层仿真器 168本章小结 169第8章 无线边缘智能的前沿趋势 1708.1 云原生与边缘计算 1708.1.1 虚拟化和容器技术 1708.1.2 云原生的概念 1728.1.3 计算系统的演进 1738.1.4 云原生应用 1748.1.5 云原生和无线边缘智能 1758.2 数字孪生与无线边缘智能 1778.2.1 数字孪生的定义 1778.2.2 数字孪生与边缘计算 1788.3 元宇宙与无线边缘智能 1818.3.1 元宇宙的定义 1818.3.2 元宇宙与边缘计算 1828.4 Serverless与无线边缘智能 1848.4.1 Serverless的定义 1848.4.2 Serverless的发展 1858.5 车载边缘计算 1868.5.1 车联网 1868.5.2 车载边缘计算及其应用 1898.5.3 通感算一体化 1918.6 卫星边缘计算 1938.6.1 Serverless与边缘智能 1938.6.2 产生的背景 1968.6.3 卫星边缘任务卸载 1978.6.4 卫星能耗模型 202本章小结 203参考文献 204
|
| 內容試閱：
|
|
前 言目前，以5G、大数据、云计算和人工智能等为代表的我国新型基础设施建设正在逐渐完善，同时，物联网时代也在加速到来。鉴于物联网终端设备有限的计算、存储和电池资源，我们可以利用不同计算范式来满足不同应用需求。以云计算为代表的集中式计算范式和以边缘计算为代表的分散式计算范式，都可以通过任务卸载技术和人工智能算法，结合5G等数据传输网络，为复杂的应用任务提供灵活和及时的计算服务。在这个过程中，无线网络扮演着连接终端和云的通道角色，促进了边缘和云的融合，而数据则成为驱动无线边缘智能创新的关键燃料。因此，“端”“边”“云”“网”和“智”的彼此协作和相互融合，对满足物联网用户在计算弹性化、业务实时性、应用智能化和数据安全性等方面的旺盛需求显得至关重要，将为未来物联网带来更加丰富和创新的应用场景。在不远的将来，基于数据驱动的无线边缘智能在物联网系统中将扮演极其重要的角色。为使6G网络具有AI能力，移动通信和物联网领域将持续产生多模态数据（如用户行为记录、音频和视频等），这些数据将存储于网络边缘设备中。在这一发展趋势下，迫切需要将人工智能前沿延伸至网络边缘，以充分释放无线网络的潜力。边缘计算作为一种新兴范式，旨在将计算任务和服务从核心网络迁移到网络边缘，以满足这一需求。它被认为是即将到来的6G网络不可或缺的组成部分，同时，AI赋能的边缘计算也对6G网络具有巨大潜力。具体而言，6G网络将借助广泛部署的物联网设备和分布式的边缘节点，建立在跨云、边缘和设备层次结构的分布式基础设施上。然而，编排如此庞大、复杂且分布式的网络以托管AI应用并非易事。传统的网络优化方法依赖于固定的数学模型，难以准确建模快速变化的6G网络环境和系统特性。以深度学习为代表的人工智能技术，凭借其强大的学习和推理能力，已在边缘计算的诸多环节，包括最佳任务卸载、边缘缓存优化和资源合理调度等，扮演着智能决策的角色。通过将深度神经网络、深度强化学习以及协作机器学习等方法融入边缘计算任务卸载框架，可以从数据中提取有价值的信息，并做出自适应决策。这样的方法有助于应对新兴物联网应用中通信量和计算量爆发性增长的挑战，实现在边缘端对复杂智能应用的节能、高效和实时处理，同时也有助于6G网络的智能资源管理。针对上述挑战，本书系统全面地探讨了无线边缘智能计算领域所的核心技术，并详细呈现了这些技术在实际编程中的应用示例。本书内容分为三部分：第一部分深入介绍了无线边缘智能的产生背景、基础概念以及发展历程，对于读者全面了解该领域的前因后果具有重要意义；第二部分聚焦无线边缘智能所面临的核心问题和解决技术，其中包括数据协同、资源协同、算力协同以及通信纽带等关键议题，为读者深入理解该领域的技术要点提供了清晰的指引；第三部分深入探讨了无线边缘智能协同平台的构建方式，探讨了当前热点问题以及未来的发展趋势。此外，本书还示范了如何基于书中所述技术，实现实际的边缘智能应用，为读者在实践中运用所学知识提供了有益的参考。本书系统地介绍了无线边缘智能计算的核心技术，从而使读者能够全面了解其背景、问题及解决方案，并能够在实际编程中灵活应用。无论是初学者还是专业人士，都能从本书中获得关于无线边缘智能的各种知识。本书可以为物联网、边缘计算、云计算和分布式计算、大数据和深度学习、无线通信等领域的科研人员和从业者提供一些前沿视野及相关理论、方法和技术支撑，如计算任务的智能卸载与服务缓存、边缘数据的管理与安全、智能网络边缘资源管理、基于深度学习的信道状态信息反馈等，也可作为相关专业本科生和研究生的教材或参考资料。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
