買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜四川漢唐云分布式存儲技術有限公司申請的專利一種邊緣服務器的邊緣計算方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119493670B 。

龍圖騰網通過國家知識產權局官網在2025-04-18發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510073236.6，技術領域涉及：G06F9/50；該發明授權一種邊緣服務器的邊緣計算方法及系統是由石志斌;聶琨林;姚軍設計研發完成，并于2025-01-17向國家知識產權局提交的專利申請。

本一種邊緣服務器的邊緣計算方法及系統在說明書摘要公布了：本發明涉及一種邊緣服務器的邊緣計算方法及系統，將終端設備產生待處理數據發送至最近的邊緣服務器進行數據復雜度計算；當復雜度未大于預設復雜度閾值，將待處理數據發送至匹配的邊緣服務器處理，否則進行數據分解，獲得不同復雜度的數據塊，根據數據類型和相應的復雜度將不同的數據塊傳輸至相匹配的邊緣服務器進行處理并發送至最近的邊緣服務進行融合處理返給給終端設備；通過數據預測模型進行數據預測，將預測結果傳輸給數據分解模塊進行預分解，按照預分解方案進行分解后發送至匹配的邊緣服務器進行數據處理，匹配的邊緣服務器將數據處理結果傳輸至最近的邊緣服務器進行數據融合后返回給終端設備，實現了對大規模數據以及復雜計算任務的處理。

本發明授權一種邊緣服務器的邊緣計算方法及系統在權利要求書中公布了：1.一種邊緣服務器的邊緣計算方法，其特征在于，包括以下步驟：S1：終端設備產生待處理數據，將所述待處理數據發送至最近的邊緣服務器，所述最近的邊緣服務器對所述待處理數據進行數據復雜度計算；S2：判斷所述待處理數據的復雜度計算結果是否大于預設復雜度閾值，若否，則對所述待處理數據的類別進行識別，并根據識別結果直接由所述最近的邊緣服務器處理或者將待處理數據發送至匹配的邊緣服務器進行數據處理，若是，執行步驟S3；S3：數據分解模塊對所述待處理數據進行數據分解，獲得不同復雜度的數據塊，并根據分解前的位置關系對分解后的數據塊添加標記，對分解的數據塊分別進行數據識別獲取相應的數據類型；S4：根據數據類型和相應的復雜度將不同的數據塊傳輸至相匹配的邊緣服務器，邊緣服務器對接收到的待處理數據塊進行數據處理，并將數據處理結果發送至步驟S1中的最近的邊緣服務器；S5：所述最近的邊緣服務器將從不同邊緣服務器接收到的數據處理結果按照所述標記進行數據融合處理，將數據融合結果傳輸給所述終端設備；S6：在指定時間段后，對獲取的終端設備的待處理數據進行標注，創建數據預測模型，并將標注的待處理數據輸入所述數據預測模型對模型進行訓練，對所述數據預測模型的性能進行評估，判斷所述數據預測模型的性能是否滿足預設要求，若是執行步驟S7，若否，重新進行模型訓練直至滿足預設要求；S7：通過所述數據預測模型對指定時間點的待處理數據進行預測，將待處理數據的預測結果傳輸給所述數據分解模塊進行預分解，并根據預分解結果進行相應邊緣服務器的匹配；S8：實時采集終端設備的待處理數據，并將預測的待處理數據與實時采集的待處理數據進行對比，判斷預測的待處理數據是否在誤差范圍內，若是，執行步驟S9，若否，通過差分計算的方式將預測的待處理數據之外的數據進行再分配；S9：按照預分解方案進行分解后發送至匹配的邊緣服務器進行數據處理，匹配的邊緣服務器將數據處理結果傳輸至所述最近的邊緣服務器進行數據融合后返回給終端設備；步驟S1中的對所述待處理數據進行數據復雜度計算具體過程如下：S11：將所述待處理數據進行虛擬數據分塊，并獲取每個虛擬數據塊的時間復雜度，將每個虛擬數據塊的時間復雜度相加獲得時間復雜度多項式；S12：取時間復雜度多項式中最高階的項，將其系數變為1，將其作為所述待處理數據的時間復雜度；S13：對所述虛擬數據塊使用相應算法進行執行時分別計算需要占用的內存空間的大小，并將所有的虛擬數據塊執行需要占用的內存空間的大小進行求和得到所述待處理數據的空間復雜度；步驟S11中的時間復雜度多項式的公式為：Tn=T1n+T2n+···+Tmn；=Of1n+Of2n+···+Ofmn=Omaxf1n,f2n,···fmn；其中，Tn為待處理數據的總的時間復雜度，T1n為第一虛擬數據塊的時間復雜度，T2n為第二虛擬數據塊的時間復雜度，Tmn為第m虛擬數據塊的時間復雜度，Of1n為第一虛擬數據塊的時間復雜度的階數，Of2n為第二虛擬數據塊的時間復雜度的階數，Ofmn為第m虛擬數據塊的時間復雜度的階數，max·為取其中最大值的函數；步驟S2中判斷所述待處理數據的復雜度計算結果是否大于預設復雜度閾值的具體過程如下：S21：判斷所述待處理數據的時間復雜度是否大于預設的時間復雜度閾值，若是，執行步驟S3，若否，執行步驟S22；S22：判斷所述待處理數據的空間復雜度是否大于預設的空間復雜度閾值，若是，執行步驟S3，若否，執行步驟S2的后續數據識別以及數據發送的動作；步驟S3中的數據分解模塊對所述待處理數據進行數據分解的具體過程如下：S31：按照步驟S2中的虛擬數據分塊進行初步數據分解，獲取所述待處理數據的時間復雜度多項式，提取其中大于指定階數的項；S32：將其中大于指定階數的項對應的數據塊進行再次數據分解，使得分解得到的數據塊的時間復雜度小于預設時間復雜度閾值；步驟S5中的數據融合的具體處理過程如下：S51：對從不同邊緣服務器接收到的數據處理結果分別進行特征提取；S52：通過從不同邊緣服務器接收到的數據處理結果中提取的特征構建不同特征向量，并為所述不同的特征向量添加所述標記；S53：將不同的特征向量基于所述標記進行特征向量的合并，得到最終的特征向量，將所述最終的特征向量進行轉換得到數據處理結果；步驟S53中的將不同的特征向量基于所述標記進行特征向量的合并的具體過程如下：S531：為所述不同的特征向量賦予相應預設權重；S532：基于預設權重通過加權求和的計算方式進行特征向量合并，得到最終特征向量；步驟S6中的數據預測模型為長短時記憶網絡模型，所述長短時記憶網絡模型包括多個LSTM單元，每個所述LSTM單元均包括記憶單元、輸入門、遺忘門和輸出門，所述輸入門與記憶單元和遺忘門連接，所述輸出門與記憶單元和遺忘門連接；所述長短時記憶網絡模型的訓練過程如下：S61：將已標注的待處理數據依次進入第一個LSTM單元，第一個LSTM單元的遺忘門確定其中被遺忘的數據，并通過?Sigmoid函數將輸入的待處理數據映射到[0，1]的區間；S62：通過所述輸入門確定未被遺忘的待處理數據中的被添加到細胞狀態中，并通過tanh函數生成候選值，并通過?Sigmoid函數確定被更新的候選值，通過所述輸出門確定被輸出的細胞狀態，并通過Sigmoid函數決定輸出的值；S63：通過交叉熵損失函數根據所述輸出的值和數據標注計算損失，計算所述損失函數關于每個權重的梯度，迭代更新模型權重和超參數。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人四川漢唐云分布式存儲技術有限公司，其通訊地址為：625000 四川省雅安市經濟開發區園區大道17號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。