農(nóng)業(yè)物聯(lián)網(wǎng)導論（第2版）

第1章 邊緣計算的需求與意義
1.1 什么是邊緣計算
1.2 邊緣計算的產(chǎn)生背景
1.3 邊緣計算的發(fā)展歷史
1.3.1 分布式數(shù)據(jù)庫模型
1.3.2 對等網(wǎng)絡模型
1.3.3 內(nèi)容分發(fā)網(wǎng)絡模型
1.3.4 移動邊緣計算
1.3.5 霧計算
1.3.6 海云計算
1.3.7 物端計算
1.3.8 邊緣計算的發(fā)展現(xiàn)狀
本章小結
參考文獻
第2章 邊緣計算基礎
2.1 分布式計算
2.2 邊緣計算的基本概念
2.3 邊緣計算的關鍵技術
2.3.1 計算遷移
2.3.2 5G通信技術
2.3.3 新型存儲系統(tǒng)
2.3.4 輕量級函數(shù)庫和內(nèi)核
2.3.5 邊緣計算編程模型
2.4 邊緣計算與云計算
2.4.1 云計算的概念
2.4.2 云計算特點
2.4.3 邊緣計算與云計算對比
2.5 邊緣計算與大數(shù)據(jù)
2.6 邊緣計算的優(yōu)勢與挑戰(zhàn)
本章小結
參考文獻
第3章 邊緣智能
3.1 邊緣智能的定義
3.1.1 背景
3.1.2 定義
3.2 邊緣智能的技術棧
3.2.1 邊緣智能算法
3.2.2 邊緣智能編程庫
3.2.3 邊緣智能數(shù)據(jù)處理平臺
3.2.4 邊緣智能操作系統(tǒng)
3.2.5 邊緣智能芯片
3.2.6 邊緣智能設備
3.3 邊緣智能中的協(xié)同計算
3.3.1 邊云協(xié)同
3.3.2 邊邊協(xié)同
3.3.3 邊物協(xié)同
3.3.4 云邊物協(xié)同
3.4 支撐邊緣智能的計算框架
3.4.1 OpenEI：面向邊緣智能的開放數(shù)據(jù)處理框架
3.4.2 NestDNN：動態(tài)分配多任務資源的移動端深度學習框架
3.4.3 AdaDeep：應用驅動的模型選擇框架
3.4.4 DeepCham：自適應移動目標識別框架
3.4.5 DDNN：分布式神經(jīng)網(wǎng)絡框架
本章小結
參考文獻
第4章 邊緣計算典型應用
4.1 智慧城市
4.2 智能制造
4.3 智能交通
4.4 智能家居
4.5 智能醫(yī)療
4.6 面向公共安全的邊緣視頻系統(tǒng)
4.7 基于邊緣計算的災難救援
4.8 工業(yè)互聯(lián)網(wǎng)邊緣計算
4.8.1 基于工業(yè)互聯(lián)網(wǎng)邊緣計算的智慧油田系統(tǒng)解決方案
4.8.2 基于工業(yè)互聯(lián)網(wǎng)邊緣計算電網(wǎng)輸變配用一體化解決方案
4.8.3 基于工業(yè)互聯(lián)網(wǎng)邊緣計算的石化智能化生產(chǎn)監(jiān)控與優(yōu)化解決方案
4.8.4 面向個性化定制的自適應可重構生產(chǎn)系統(tǒng)
本章小結
參考文獻
第5章 邊緣計算系統(tǒng)平臺
5.1 面向智慧城市的邊緣計算系統(tǒng)
5.1.1 面向智慧城市的邊緣計算系統(tǒng)框架
5.1.2 智慧城市中邊緣計算任務遷移及調(diào)度
5.2 面向智能汽車的邊緣計算系統(tǒng)
5.2.1 為什么需要EdgeOSV
5.2.2 車載應用的劃分
5.2.3 OpenVDAP
5.2.4 AC4AV
5.2.5 面向智能汽車的安全協(xié)同計算框架
5.3 面向智能家居的邊緣計算系統(tǒng)
5.3.1 為什么需要EdgeOSH
5.3.2 EdgeOSH架構
5.3.3 EdgeOSH的功能性問題
5.3.4 面臨的問題
5.4 面向個人計算的邊緣計算系統(tǒng)
5.4.1 EdgeOSP整體架構
5.4.2 EdgeOSP的軟件結構
5.4.3 EdgeOSP的典型應用實例
5.4.4 面臨的問題
5.5 協(xié)同平臺
5.5.1 協(xié)同平臺背景模型
5.5.2 協(xié)同平臺的典型應用舉例
5.5.3 面臨的問題
本章小結
參考文獻
第6章 邊緣計算的挑戰(zhàn)
6.1 可編程性
6.2 程序自動劃分
6.3 命名規(guī)則
6.4 數(shù)據(jù)抽象
6.5 調(diào)度策略
6.6 服務管理
6.7 隱私保護及安全
6.8 優(yōu)化指標
6.9 軟硬件選型
6.10 理論基礎
6.11 商業(yè)模式
6.12 和垂直行業(yè)緊密合作
6.13 邊緣節(jié)點落地問題
本章小結
參考文獻
第7章 邊緣計算資源調(diào)度
7.1 資源調(diào)度概述
7.1.1 背景
7.1.2 應用場景
7.1.3 架構
7.1.4 性能指標
7.2 資源調(diào)度的研究方向
7.2.1 卸載決策
7.2.2 資源分配
7.2.3 資源配置
7.3 資源調(diào)度的主要技術
7.3.1 集中式方法
7.3.2 分布式方法
7.4 邊緣計算卸載模型 LabC
7.4.1 LabC 系統(tǒng)模型
7.4.2 LabC 應用案例分析
7.4.3 LabC 在車聯(lián)網(wǎng)中的實例
7.5 基于區(qū)塊鏈的邊緣資源分配問題
7.5.1 基于區(qū)塊鏈的不可篡改性的邊緣資源分配問題
7.5.2 基于區(qū)塊鏈的去中心化特性的邊緣資源分配問題
7.6 基于深度強化學習的VEC協(xié)作數(shù)據(jù)調(diào)度
7.6.1 系統(tǒng)模型
7.6.2 數(shù)據(jù)緩存的多隊列模型
7.6.3 基于 MDP 的數(shù)據(jù)調(diào)度分析
7.6.4 基于 DQN 的數(shù)據(jù)協(xié)作調(diào)度方案
7.7 無服務器邊緣計算中的有效資源配置
本章小結
參考文獻
第8章 邊緣計算系統(tǒng)實例
8.1 邊緣計算系統(tǒng)概覽
8.1.1 Cloudlet
8.1.2 PCloud
8.1.3 ParaDrop
8.1.4 Cachier與Precog
8.1.5 FocusStack
8.1.6 SpanEdge
8.1.7 AirBox
8.1.8 CloudPath
8.1.9 Firework
8.1.10 海云計算
8.1.11 邊緣計算代表性商業(yè)系統(tǒng)
8.1.12 邊緣計算