農(nóng)業(yè)物聯(lián)網(wǎng)導(dǎo)論（第2版）

第1章 邊緣計(jì)算的需求與意義
1.1 什么是邊緣計(jì)算
1.2 邊緣計(jì)算的產(chǎn)生背景
1.3 邊緣計(jì)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(luò)模型
1.3.3 內(nèi)容分發(fā)網(wǎng)絡(luò)模型
1.3.4 移動邊緣計(jì)算
1.3.5 霧計(jì)算
1.3.6 海云計(jì)算
1.3.7 物端計(jì)算
1.3.8 邊緣計(jì)算的發(fā)展現(xiàn)狀
本章小結(jié)
參考文獻(xiàn)
第2章 邊緣計(jì)算基礎(chǔ)
2.1 分布式計(jì)算
2.2 邊緣計(jì)算的基本概念
2.3 邊緣計(jì)算的關(guān)鍵技術(shù)
2.3.1 計(jì)算遷移
2.3.2 5G通信技術(shù)
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(jì)算編程模型
2.4 邊緣計(jì)算與云計(jì)算
2.4.1 云計(jì)算的概念
2.4.2 云計(jì)算特點(diǎn)
2.4.3 邊緣計(jì)算與云計(jì)算對比
2.5 邊緣計(jì)算與大數(shù)據(jù)
2.6 邊緣計(jì)算的優(yōu)勢與挑戰(zhàn)
本章小結(jié)
參考文獻(xiàn)
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(shù)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(shè)備
3.3 邊緣智能中的協(xié)同計(jì)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(jì)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(wù)資源的移動端深度學(xué)習(xí)框架
3.4.3 AdaDeep：應(yīng)用驅(qū)動的模型選擇框架
3.4.4 DeepCham：自適應(yīng)移動目標(biāo)識別框架
3.4.5 DDNN：分布式神經(jīng)網(wǎng)絡(luò)框架
本章小結(jié)
參考文獻(xiàn)
第4章 邊緣計(jì)算典型應(yīng)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(jì)算的災(zāi)難救援
4.8 工業(yè)互聯(lián)網(wǎng)邊緣計(jì)算
4.8.1 基于工業(yè)互聯(lián)網(wǎng)邊緣計(jì)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(jì)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(jì)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(gè)性化定制的自適應(yīng)可重構(gòu)生產(chǎn)系統(tǒng)
本章小結(jié)
參考文獻(xiàn)
第5章 邊緣計(jì)算系統(tǒng)平臺
5.1 面向智慧城市的邊緣計(jì)算系統(tǒng)
5.1.1 面向智慧城市的邊緣計(jì)算系統(tǒng)框架
5.1.2 智慧城市中邊緣計(jì)算任務(wù)遷移及調(diào)度
5.2 面向智能汽車的邊緣計(jì)算系統(tǒng)
5.2.1 為什么需要EdgeOSV
5.2.2 車載應(yīng)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(jì)算框架
5.3 面向智能家居的邊緣計(jì)算系統(tǒng)
5.3.1 為什么需要EdgeOSH
5.3.2 EdgeOSH架構(gòu)
5.3.3 EdgeOSH的功能性問題
5.3.4 面臨的問題
5.4 面向個(gè)人計(jì)算的邊緣計(jì)算系統(tǒng)
5.4.1 EdgeOSP整體架構(gòu)
5.4.2 EdgeOSP的軟件結(jié)構(gòu)
5.4.3 EdgeOSP的典型應(yīng)用實(shí)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(yīng)用舉例
5.5.3 面臨的問題
本章小結(jié)
參考文獻(xiàn)
第6章 邊緣計(jì)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(wù)管理
6.7 隱私保護(hù)及安全
6.8 優(yōu)化指標(biāo)
6.9 軟硬件選型
6.10 理論基礎(chǔ)
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(diǎn)落地問題
本章小結(jié)
參考文獻(xiàn)
第7章 邊緣計(jì)算資源調(diào)度
7.1 資源調(diào)度概述
7.1.1 背景
7.1.2 應(yīng)用場景
7.1.3 架構(gòu)
7.1.4 性能指標(biāo)
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(shù)
7.3.1 集中式方法
7.3.2 分布式方法
7.4 邊緣計(jì)算卸載模型 LabC
7.4.1 LabC 系統(tǒng)模型
7.4.2 LabC 應(yīng)用案例分析
7.4.3 LabC 在車聯(lián)網(wǎng)中的實(shí)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(qiáng)化學(xué)習(xí)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(duì)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(wù)器邊緣計(jì)算中的有效資源配置
本章小結(jié)
參考文獻(xiàn)
第8章 邊緣計(jì)算系統(tǒng)實(shí)例
8.1 邊緣計(jì)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(jì)算
8.1.11 邊緣計(jì)算代表性商業(yè)系統(tǒng)
8.1.12 邊緣計(jì)算