背景
隐马尔可夫模型(Hidden Markov Model, HMM)是可用于标注问题的统计学习模型,描述由隐藏的马尔可夫链随机生成观测序列的过程,属于生成模型。
在统计学的贝叶斯学派衍生的概率图模型中,在模型中加上时间这一测度,就产生了动态模型(Dynamic Model),动态模型又根据隐变量的离散与否和状态和输出是否满足高斯分布而分为隐马尔可夫模型、卡曼滤波和粒子滤波,其中马尔可夫模型的隐变量(隐状态)是离散的:
随着移动互联网和物联网技术的快速发展,网络数据流量呈现爆炸性的增长趋势,尤其是视频流量给网络造成了巨大挑战要求当前的网络具有体哦国内更高数据传输速率和更低的网络延迟的能力。
另外,随着边缘计算的发展以及大规模的部署,边缘计算的能量消耗成为了边缘计算服务提供商的重要成本,降低能耗成为了新兴的研究课题。2015年全球通信耗电量达到了世界总发电量的10%,相当于德国和日本两个工业大国的用电量相加,所使用的能源比航空业还多出了50%。今年来5G的各种业务(物联网、AR/VR、无人驾驶等等)兴起,2016-2021五年间,移动数据流量将会增长7倍,随着能耗成本的迅速增长,能量效率已经成为了未来5G性能的重要衡量指标。
相较于传统的云计算,边缘计算需要大量的部署,因此,加强不同边缘节点之间以及边缘计算节点与云节点之间的协作具有重要意义。所以面向协作机制的边缘计算资源管理是一个重要的研究方向。
资源管理技术是边缘计算的关键技术之一,主要解决边缘计算系统中计算、存储和网络资源管理的优化问题。
《青春期猪头少年不做兔女郎学姐的梦》绝对是一部被名字耽误的好番,我相信很多lsp(比如我)会抱着想看卖肉等等剧情的动机观看这部作品,但是却都被她的剧情和想要传达的思想所深深吸引。这部短短13集的动漫几乎是以3集讲一个故事的速度推进,节奏明快,衔接紧凑,在表达完整的同时,省去了婆婆妈妈。其中最吸引我的除了樱岛麻衣学姐之外(毕竟人活着就是为了樱岛麻衣),是这部动漫所展现的青春期少年少女所存在的各种问题,几乎每个人都能从其中看到自己或者周围朋友的影子。
在边缘计算网络环境中进行计算卸载任务,不仅能减少移动端的计算压力和能耗,也能降低传输时延。尽管目前业界已有不少针对边缘计算卸载的研究成果,但边缘计算卸载在移动性管理、干扰、安全等方面仍然面临着一些亟待解决的问题与挑战。
边缘计算中的计算卸载技术主要涉及执行框架、卸载决策、资源分配等方面。执行框架主要包括计算卸载流程及卸载方式;卸载决策即UE决定是否卸载以及卸载多少计算任务;UE决定卸载之后要考虑计算资源的分配问题。
每天一百个俯卧撑,一百个仰卧起坐,一百个深蹲,十公里跑,练三年,你就会变强!——埼玉
前段时间阅读了李航老师《统计机器学习》第9章“EM算法及其推广”,对EM算法有了初步的了解,对于EM迭代的思想有了初步的认识。这段时间又观看了徐亦达老师的“机器学习课程”视频中的“Expectation Maximization”,将EM框架和高斯混合模型做了更好地结合,这篇文章旨在做一个简单的总结,复习和巩固自己所学习的知识。
边缘计算中的计算卸载是将移动终端的计算任务卸载到边缘云环境中,解决了设备在资源储存、计算性能以及能效等方面存在的不足。计算卸载技术最初在移动云计算(MCC)中提出,在MCC中,UE可以通过核心网访问强大的远程集中式云(Central Cloud),并利用其计算和存储资源,将计算任务卸载到云上。这样将计算任务卸载至云端的方法,虽然极大的延长了移动终端设备的寿命并节约了能耗,但是会带来较高的时延并且为无线网络带来额外的负载。
随着边缘计算的提出,通过将云服务“下沉”到网络边缘,可以有效地解决上述两个问题(1.较大时延;2.网络负载加大),边缘计算在移动网络边缘部署边缘服务器,减小了UE时延,降低了网络的资源占用率。因此,边缘计算的卸载可以用在移动游戏、视频服务、精确定位、自动驾驶和物联网等多个应用场景(大多数是时延敏感型场景,或者需要的计算量较大)。