iiot，blockchain

Posted 2023-03-29 hustlearner

文章	信息
1.A Blockchain-Based Machine Learning Framework for Edge Services in IIoT	提出了一个基于区块链的机器学习框架，用于工业物联网中的边缘服务(BML-ES)；模拟的编程语言工具是MA TLAB和Spyder，模拟了8个智能设备 ，在8个智能设备上模拟了891条数据；未开源；详情
2.A trustworthy industrial data management scheme based on redactable blockchain	提出了一种基于可编解码的工业互联网可信工业数据管理方案；利用Matlab仿真了链下计算过程，利用以太坊Geth客户端构建了基于PoA共识机制的联盟区块链作为监管区块链；未开源；详情
3.A Blockchain-Based Solution for Enhancing Security and Privacy in Smart Factory	提出了一个创新的基于区块链的工业物联网体系结构；根据所提出的架构实现了一个自动化生产平台。平台上设计了四个工业机器人来执行不同的任务。然后，我们设置了两个配有3B树莓pi的传感层来采集操作温度、操作时间等数据。最后，我们建立了两个配备Intel I5平台的管理中心，在管理中心中编写相关算法和软件。未开源；详情
4.A Blockchain-Driven IIoT Traffic Classification Service for Edge Computing	提出了一种新的学习哈希方法和一种新的基于投票的共识算法；为了模拟边缘节点的实际状态，以上评估在通用Mac mini PC上实现；未开源；详情
5.An optimized transaction verification method for trustworthy blockchain-enabled IIoT	分析了Merkle树结构的现有构建方法和验证机制并提出了优化后的Merkle树结构及其构造与验证；自搭建平台；未开源
6.Anonymous Reputation System for IIoT -EnabledRetail Marketing Atop PoS Blockchain	设计了一个基于区块链的架构，实现了提出的匿名信誉系统，开发了一个基于以太坊奇偶校验的概念验证原型系统；搭建了一个测试的区块链网络；未开源
7.Blockchain and Federated Learning for Privacy-Preserved Data Sharing in Industrial IoT	通过利用联邦学习来建立数据模型，提出了一种新的区块链授权协作架构；在两个现实数据集上对所提出的安全数据共享方案进行了评估；未开源
8.Blockchain-Enhanced Data Sharing With Traceable and Direct Revocation in IIoT	设计了基于区块链的工业互联网数据共享机制；以太坊私有链作为建设方案中区块链的平台；未开源；详情
9.Charting the Atack Surface of Trigger-Action IoT Platforms	介绍了iRuler，一个执行满足性模理论(SMT)求解和模型检查的系统，以发现物联网部署中的规则间漏洞；使用真实设备；未开源
10.Cooperative and Distributed Computation Offloading for Blockchain-Empowered Industrial Internet of Things	开发了一种分布式算法，提出了一个激励模型来激励工业物联网设备进行数据的协同传输；自组装主机作为ESs，一套树莓Pi3 B作为区块链授权的工业物联网设备，每个设备上安装Geth客户机来构建私有区块链；未开源
11.Firm-AFL: High-Throughput Greybox Fuzzing of IoT Firmware via Augmented Process Emulation	Firm-AFL通过为可以在系统仿真器中仿真的posix兼容固件启用模糊处理来解决兼容性问题，发现物联网程序中的真实漏洞；开源
12.Lightweight collaborative anomaly detection for the IoT using blockchain	提出了一种通过建模内存跳转序列来检测代码执行攻击的方法，提出了一个轻量级框架，利用区块链集成一个分布式环境中的异常检测模型；在一个分布式物联网仿真平台上评估了方法，该平台由48个树莓派组成；开源
13.LightChain: A Lightweight Blockchain System for Industrial Internet of Things	提出了名为LightChain的轻量级区块链使其适用于IIoT场景；提出了一个名为Synergistic Multiple Proof（SMP）的共识机制来促进IIoT设备间的合作；提出了一种称为LightBlock（LB）的轻量级数据结构，用于简化广播内容；设计了一种 Unrelated Block Offloading Filter (UBOF)以避免分类帐的无限增长，同时不影响区块链的可追溯性。用阿里云提供的十个弹性计算服务(ECS)构建了一个P2P网络；未开源
14.Methodological performance analysis applied to a novel IIoT access control system based on permissioned blockchain	实现了基于隐私数据收集解决方案的访问控制系统的注册阶段；Hyperledger Caliper工具和AWS云环境；未开源
15.Not Everything is Dark and Gloomy: Power Grid Protections Against IoT Demand Attacks	研究了MadIoT攻击（通过物联网操作需求攻击）对输电网的影响，分析利用了一种新的级联停电分析工具；仿真平台；未开源
16.PBIDM: Privacy-preserving Blockchain-based Identity Management System for Industrial Internet of Things	提出了PBIDM，一种用于工业物联网的基于区块链的隐私保护身份管理方案；智能合约的原型使用Remix2实现；未开源
17.Performance Optimization for Blockchain-Enabled Industrial Internet of Things (IIoT) Systems: A Deep Reinforcement Learning Approach	提出了一个基于区块链的工业物联网系统的性能优化框架；模拟仿真平台；未开源
18.PoRX: A reputation incentive scheme for blockchain consensus of IIoT	提出了一种信誉方案，鼓励正常节点和异常节点都以良好的方式参与网络协作，激励模块可以在最先进的PoX协议(称为PoRX)上实现；以太坊；未开源
19.Proof-Carrying Network Code	提出了一个名为proof - carry Network Code (PCNC)的框架，该框架允许软件定义网络(SDN)通过多个，可能是非本地管理域以一种安全的方式进行编程；虚拟和真实环境；开源
20.Research on Identity Authentication of IoT Devices based on Blockchain	将区块链技术与现有物联网认证模型相结合；仿真平台；未开源
21.Resource Trading in Blockchain-Based Industrial Internet of Things	将云计算服务引入区块链平台；仿真平台；未开源
22.Security Analysis and Improvement of a Redactable Consortium Blockchain for Industrial Internet-of-Things	改进了其他论文的一个模块：可编辑联盟区块链（RCB）；未开源
23.Towards Secure and Fair IIoT-Enabled Supply Chain Management via Blockchain-based Smart Contracts	提出了一个基于区块链的工业物联网供应链管理系统和一种基于公平交易的智能合约设计方案；以太坊；未开源
24.Towards Secure Industrial IoT: Blockchain System With Credit-Based Consensus Mechanism	提出了一个区块链系统，它带有基于信用的针对IIOT的共识机制，他可以保证系统安全性并同时提供交易的效率；树莓派；未开源
25.TrustFed: A Framework for Fair and TrustworthyCross-Device Federated Learning in IIoT	提出了一个区块链支持的框架——TrustFed和一个新的CDFL公平协议；使用了固态编程语言和Remix IDE集成了区块链智能合约，使用Securify和Remix Native编译器对所提出的智能合约进行了测试和验证；开源
26.Xyreum: A High-Performance and Scalable Blockchain for IIoT Security and Privacy	提出了一种新的高性能和可扩展区块链Xyreum，用于增强工业物联网安全和隐私；通过在Tmote Sky节点上实现该方案来评估该方案的性能；未开源

1. A Blockchain-Based Machine Learning Framework for Edge Services in IIoT
基于区块链的工业物联网边缘服务机器学习框架
IEEE TRANSACTIONS ON INDUSTRIAL INFORMA TICS，2022

1. 提出了一个基于区块链的机器学习框架，用于工业物联网中的边缘服务(BML-ES)；
2. 构建了新的智能合约，鼓励边缘服务的多方参与，以提高数据处理的效率；
3. 提出了一种规模加权聚合策略(SWAS)对模型参数进行验证和集成，以保证决策树模型的准确性；
4. 基于SM2公钥密码体制，保护数据安全，防止边缘业务数据隐私泄露。

模拟的编程语言工具：MATLAB和Spyder；
在8个智能设备上模拟了891条数据，并计算了每个智能设备独立训练模型所需的时间；
在Windows10上进行了大量的仿真，硬件配置如下:Intel酷睿i5-7500U, 3.40 ghz CPU, 8gb RAM, 1tb硬盘，MATLAB R2016b，解释器Python3.8.5和Remix；
未开源。

2. A trustworthy industrial data management scheme based on redactable blockchain
一种基于可编解码区块链的可信工业数据管理方案
Journal of Parallel and Distributed Computing，2021
6. 为基于区块链的工业系统提供可靠的工业数据管理方案。通过引入可编辑区块链，改进变色龙哈希函数的公钥生成算法，使工业数据得到有效维护，避免了传统集中式管理的安全风险；
7. 设计了一个双区块链架构，将数据管理与基于区块链的工业系统中的其他交易分离开来。拟议的工业数据管理流程将在监控区块链上执行，而不需要工业设备参与整个流程；
8. 提出了一个基于区块链的陷门回收问责机制。区块链用于记录可编区块链设置过程中的各种数据，这有助于使用智能合约来验证陷门持有者发布的陷门片段的正确性，从而使其可靠地实现问责。

模拟陷门管理机制：设备配置为2.2 GHz 4核CPU和16gb RAM；
利用Matlab仿真了链下计算过程，利用以太坊Geth客户端构建了基于PoA共识机制的联盟区块链作为监管区块链；该方案的安全参数为512位；陷门持有者的数量参照联盟中权力节点的数量区块链来设置。
未开源。

3. A Blockchain-Based Solution for Enhancing Security and Privacy in Smart Factory
基于区块链的智能工厂安全与隐私保护解决方案
IEEE T RANSACTIONS ON INDUSTRIAL INFORMATICS，2019

1. 提出了一个创新的基于区块链的工业物联网体系结构；
2. 从理论上引入了BLP模型和Biba模型来设计安全保证；
3. 描述了所提体系结构的关键技术、流程和防御机制；
4. 对现有的自动化生产平台进行改造，讨论与传统工业物联网体系结构相比的改进。
   未开源。

4.A Blockchain-Driven IIoT Traffic Classification Service for Edge Computing
面向边缘计算的区块链驱动的工业物联网流分类服务
IEEE INTERNET OF THINGS JOURNAL，2021

1. 提出了一种新的学习哈希方法，称为扩展哈希；
2. 通过该方法，构建二进制编码树集(BCT集)，生成哈希表，无需复杂的分类器训练，就可以实现更高效的基于k近邻的分类；
3. 设计了一种新的基于投票的共识算法，在边缘节点上同步BCT集和哈希表，从而提供流分类服务。
   数据集：Andrew W. Moore’s Data Set
   未开源。

5.An optimized transaction verification method for trustworthy blockchain-enabled IIoT
基于可信区块链的工业物联网优化交易验证方法
Ad Hoc Networks，2021

1. 分析了Merkle树结构的现有构建方法和验证机制；
2. 提出了优化后的Merkle树结构及其构造与验证。
   未开源。

6.Anonymous Reputation System for IIoT -Enabled Retail Marketing Atop PoS Blockchain
基于PoS区块链的IIoT零售营销匿名信誉系统
IEEE T RANSACTIONS ON INDUSTRIAL INFORMATICS，2019

1. 利用随机签名，和非交互零知识证明技术，设计了一个高效的匿名信誉系统（平台：ouroboros）；
2. 设计了一个基于区块链的架构，实现了提出的匿名信誉系统，以提高系统的透明度；
3. 开发了一个基于以太坊奇偶校验的概念验证原型系统，搭建了一个测试的区块链网络。
   未开源

7.Blockchain and Federated Learning for Privacy-Preserved Data Sharing in Industrial IoT
区块链和联邦学习用于工业物联网中隐私保护的数据共享
IEEE T RANSACTIONS ON INDUSTRIAL INFORMATICS，2020

1. 通过利用联邦学习来建立数据模型，共享数据模型而不是原始数据，将数据共享问题转化为机器学习问题。

2. 提出了一种新的区块链授权协作架构，通过分布式多方共享数据，降低数据泄漏风险，数据所有者可以进一步控制共享数据的访问。

3. 将差异化隐私融入到联邦学习中，进一步保护数据隐私。
   未开源

8.Blockchain-Enhanced Data Sharing With Traceable and Direct Revocation in IIoT
工业物联网中区块链增强的可追踪和直接撤销的数据共享
IEEE TRANSACTIONS ON INDUSTRIAL INFORMA TICS,2021

1. 作者为了实现智能工厂数据的安全存储、访问控制、信息更新和删除，以及对恶意用户的跟踪和撤销等要求，设计了基于区块链的工业互联网数据共享机制。
2. 利用区块链在支持身份认证和可追溯的前提上，增强了智能工厂数据在云中的安全存储和共享。该机制下的密钥体积小，作业效率高且可以抵抗共谋密钥攻击。
   未开源

9.Charting the Atack Surface of Trigger-Action IoT Platforms
绘制触发动作物联网平台的攻击面图
CCS，2019
介绍了iRuler，一个执行满足性模理论(SMT)求解和模型检查的系统，以发现物联网部署中的规则间漏洞。
未开源

10.Cooperative and Distributed Computation Offloading for Blockchain-Empowered Industrial Internet of Things
基于区块链的工业物联网协同分布式计算卸载
IEEE INTERNET OF THINGS JOURNAL，2019

1. 研究了多跳计算卸载解决方案，该解决方案同时处理数据处理任务和挖掘任务，以最小化区块链授权的工业物联网设备的经济成本。将卸货问题建模为一个潜在的博弈。
2. 开发了一种分布式算法快速到达该网元点。提出了一个激励模型来激励工业物联网设备进行数据的协同传输，并引入了一种时隙机制，使算法能够很好地实现。
3. 最后，通过大量的实验对我们的分布式算法进行了验证。该算法在不同环境下具有最小的系统成本，比其他算法更稳定，且随着工业物联网设备数量的增加具有较好的扩展性。
   未开源

11.Firm-AFL: High-Throughput Greybox Fuzzing of IoT Firmware via Augmented Process Emulation
Firm-AFL:通过增强过程仿真实现物联网固件的高吞吐量灰盒模糊化
USENIX，2019
Firm-AFL通过为可以在系统仿真器中仿真的posix兼容固件启用模糊处理来解决兼容性问题；它使用一种称为增强进程仿真的新技术解决了由系统模式仿真引起的性能瓶颈。

1. FIRM-AFL功能完备，能够发现物联网程序中的真实漏洞;
2. FIRM-AFL的吞吐量平均是基于模糊的系统模式仿真的8.2倍;
3. FIRM-AFL能够比基于模糊的系统模式仿真更快地发现1天漏洞，并且能够发现0天漏洞。
   开源

12.Lightweight collaborative anomaly detection for the IoT using blockchain
基于区块链的物联网轻量级协同异常检测
Journal of Parallel and Distributed Computing，2020

1. 提出了一种通过建模内存跳转序列来检测代码执行攻击的方法；
2. 提出了一个轻量级框架，利用区块链集成一个分布式环境中的异常检测模型。
   在一个分布式物联网仿真平台上评估了方法，该平台由48个树莓派组成。
   开源

13.LightChain: A Lightweight Blockchain System for Industrial Internet of Things
LightChain:工业物联网的轻量级区块链系统
IEEE Transactions on Industrial Informatics，2019

1. 提出了名为LightChain的轻量级区块链使其适用于IIoT场景；
2. 提出了一个名为Synergistic Multiple Proof（SMP）的共识机制来促进IIoT设备间的合作；
3. 提出了一种称为LightBlock（LB）的轻量级数据结构，用于简化广播内容；
4. 设计了一种 Unrelated Block Offloading Filter (UBOF)以避免分类帐的无限增长，同时不影响区块链的可追溯性。
   使用阿里云的10台ECS构建了一个P2P网络，ECSs作为全节点（矿工节点）工作，并且各ECS具有不同的CPU和内存，部署在亚洲多个地点，算力级别在MH/s，符合IIoT设备能力，每个ECS拥有自己的公网IP，同一地点的ECS在同一网段。
   开发了一个自动交易生成器，控制几个交易并间隔固定的时间提交随机交易，这里的账户作为P2P网络中的轻量级节点。
   未开源

14.Methodological performance analysis applied to a novel IIoT access control system based on permissioned blockchain
基于许可区块链的新型工业物联网访问控制系统的方法性能分析
Information Processing and Management ，2021

1. 实现了基于隐私数据收集解决方案的访问控制系统的注册阶段，这促进了一种新的可靠的数据隐私模型应用于访问控制系统；
2. 演示了使用Hyperledger Fabric区块链的私有数据收集而不是私有数据本地管理的可行性，最后选择了最合适的网络元素和资源组合，以优化部署与用例相关的Hyperledger Fabric区块链网络。
   未开源

15.Not Everything is Dark and Gloomy: Power Grid Protections Against IoT Demand Attacks
并非一切都是黑暗和悲观的:电网保护对抗物联网需求攻击
USENIX,2019
本文研究了MadIoT攻击（通过物联网操作需求攻击）对输电网的影响。我们的分析利用了一种新的级联停电分析工具，该工具关注电网中的保护设备以及保护算法如何对可能导致停电的级联事件做出反应。
我们将我们的工具应用于一个由5000多个总线组成的大型北美区域传输互连系统。
未开源

16.PBIDM: Privacy-preserving Blockchain-based Identity Management System for Industrial Internet of Things
PBIDM:基于区块链的工业物联网隐私保护身份管理系统
IEEE Transactions on Industrial Informatics，2022
提出了PBIDM，一种用于工业物联网的基于区块链的隐私保护身份管理方案。通过利用BBS+签名、零知识证明、分布式EIGamal加密和区块链技术，PBIDM可以完全支持所需的属性，即不可伪造性、盲性、不亲和性、可追溯性、可撤销性和公共可验证性。然后进行安全分析，确保合理的安全保证。
未开源
17.Performance Optimization for Blockchain-Enabled Industrial Internet of Things (IIoT) Systems: A Deep Reinforcement Learning Approach
基于区块链的工业物联网(IIoT)系统的性能优化:深度强化学习方法
IEEE T RANSACTIONS ON INDUSTRIAL INFORMATICS，2019
在这个工作中，作者提出了一个基于区块链的工业物联网系统的性能优化框架，以在考虑系统去中心化、安全性和延迟的同时优化可伸缩性/吞吐量。而且为了处理工业物联网系统的动态、复杂特性，使用DRL进行了深度强化学习有效处理海量数据。该框架能够在保证IIoT安全的同时增加作业效率。根据提出的区块链系统性能的定量度量系统评估各区块生产者和共识算法，再利用DRL技术调整区块大小和区块间隔，最大限度地提高区块链系统的链上事务吞吐量。
未开源
18.PoRX: A reputation incentive scheme for blockchain consensus of IIoT
PoRX:工业物联网区块链共识的声誉激励方案
Future Generation Computer Systems，2020
本文提出了一种信誉方案，鼓励正常节点和异常节点都以良好的方式参与网络协作。为了引导行为，提出了一种基于信用的激励方法。在信誉的收益支付函数中设计了奖惩因素。
该方案的主要优点是基于声誉的激励模块可以在最先进的PoX协议(称为PoRX)上实现，并且可以使PoX协议实现更好的共识状态。因此，区块链将有利于工业物联网的应用。
未开源

19.Proof-Carrying Network Code
携带证明的网络代码
CCS，2019
提出了一个名为proof - carry Network Code (PCNC)的框架，该框架允许软件定义网络(SDN)通过多个，可能是非本地管理域以一种安全的方式进行编程。PCNC提供了检查网络编程管理域授权的功能，并允许根据行为策略规范对程序本身进行验证。
与携带证明授权(PCA)一样，PCNC提供了管理授权域的方法；
与携带证明代码(PCC)一样，PCNC提供了实施网络程序行为属性的方法。
我们开发了PCNC的理论基础，并在模拟和真实的网络设置中对其进行评估，包括一个考虑家庭健康监控物联网网络安全性的案例研究。
开源

20.Research on Identity Authentication of IoT Devices based on Blockchain
基于区块链的物联网设备身份认证研究
International Conference on Power, Intelligent Computing and Systems (ICPICS)，2022
本文将区块链技术与现有物联网认证模型相结合。

1. 根据物联网设备的属性制定认证策略;
2. 利用密码学技术保证传输安全，从而保证物联网数据传输的安全、可靠性和真实性，实现物联网设备的传输安全、网络安全和数据安全;
3. 从性能和安全性两个方面对模型的抗攻击能力进行了测试和分析。
   未开源

21.Resource Trading in Blockchain-Based Industrial Internet of Things
基于区块链的工业物联网中的资源交易
IEEE T RANSACTIONS ON INDUSTRIAL INFORMATICS, 2019

1. 本论文中，将云计算服务引入区块链平台，以帮助从IIoT网络本身卸载计算任务。
2. 建立了自组织交易平台，将云提供商和矿工之间的交互建模为Stackelberg游戏，其中领导者（即云提供商）首先定价，然后矿工充当追随者。
3. 为了找到所提出的斯塔克尔伯格博弈的纳什均衡，本文构思了一种多智能体强化学习算法来搜索近优策略。
4. 最后，进行了广泛的仿真。
   未开源

22.Security Analysis and Improvement of a Redactable Consortium Blockchain for Industrial Internet-of-Things
工业物联网可编联盟区块链的安全性分析与改进
The Computer Journal，2021
可编辑联盟区块链（RCB）可以为工业物联网（IIoT）构建信任层，使IIoT能够抵御某些导致块内容不当的强大攻击。
本文改进了其他论文的一个模块。
未开源
23.Towards Secure and Fair IIoT-Enabled Supply Chain Management via Blockchain-based Smart Contracts
通过基于区块链的智能合约实现安全、公平的工业物联网供应链管理
IEEE International Conference on Communications (ICC), 2019

1. 本文提出了一个基于区块链的工业物联网供应链管理系统。
   拟议的系统利用了区块链技术的透明度和防篡改性质，以支持商家和供应商之间公平的商品交换。
   此外，去中心化和匿名属性将在保护区块链参与者的隐私方面发挥重要作用。
   特别是，首次定义了工业物联网中的公平性。
2. 提出了一种基于公平交易的智能合约设计方案，通过惩罚的方式防止恶意行为的发生。提出的系统在以太坊上原型化，并进行了实验以证明其可行性。
   未开源

24.Towards Secure Industrial IoT: Blockchain System With Credit-Based Consensus Mechanism
面向安全工业物联网:区块链系统与基于信用的共识机制
IEEE T RANSACTIONS ON INDUSTRIAL INFORMATICS，2019

1. 提出了一个区块链系统，它带有基于信用的针对IIOT的共识机制，他可以保证系统安全性并同时提供交易的效率。
2. 为了秘密的保护敏感数据，设计了一个数据授权管理方法以便规范对传感器的访问。
3. 系统建立在有向无环图结构的区块链上，这个结构的区块链比传统区块链在性能方面更加高效。
4. 在树莓派上实施了这个系统，并且做了一个针对智能工厂的案例研究。
   未开源

25.TrustFed: A Framework for Fair and TrustworthyCross-Device Federated Learning in IIoT
在工业物联网中一种公平可信的跨设备联邦学习框架
IEEE Transactions on Industrial Informatics，2021

1. 提出了一个区块链支持的框架——TrustFed，用于一个完全去中心化的CDFL系统，提议框架使用以太坊区块链和智能合约技术来实现去中心化，并在CDFL系统中维护参与者的声誉。
2. 提出了一个新的CDFL公平协议，该协议检测出训练分布中的异常值，并在聚合模型更新之前去除它们。
3. 作者使用了一个真实的 IIoT数据集来实现和测试TrustFed提议的协议。
   开源

26.Xyreum: A High-Performance and Scalable Blockchain for IIoT Security and Privacy
Xyreum:用于工业物联网安全和隐私的高性能和可扩展区块链
IEEE International Conference on Distributed Computing Systems (ICDCS)，2019

1. 本文提出了一种新的高性能和可扩展区块链Xyreum，用于增强工业物联网安全和隐私。
2. Xyreum使用基于时间的零知识知识证明(T-ZKPK)和经过认证的加密来执行互多因素身份验证(MMFA)。
3. T-ZKPK属性还用于支持密钥建立(Key Establishment, KE)，以保护事务。
4. 达成共识的方法是一个区块链组决策过程，它基于轻量级密码算法。

如何选择合适的边缘计算机——将 AI 转移到 IIoT 边缘？

在物联网 (IoT) 基础设施上使用人工智能 (AI) 的软件应用，被称为“AIoT”。构建 AIoT 应用程序的 3 个阶段包括 ：数据收集、训练和推理。图片来源 ：Moxa

作者 | Ethan Chen

“

工业物联网(IIoT)和边缘计算中的人工智能(AI)应用，为现场的实时决策和更智能的生产运营带来了机遇。

”

工业物联网（IIoT）应用正在产生比以往任何时候都多的数据。在很多工业应用中，尤其是位于偏远地区的高度分散的系统中，定期向中央服务器发送大量原始数据可能无法实现。为了减少延迟、降低数据通信和存储成本，同时提高网络可用性，企业正在将人工智能 (AI) 和机器学习 (ML) 转移到边缘，以便在现场进行实时决策和行动。 

这些在物联网基础设施上部署 AI 功能的应用，被称为人工智能物联网 (AIoT)。尽管 AI 模型仍在云端进行训练，但可以在边缘计算机上部署经过训练的 AI 模型，从而在现场实现数据收集和推理。那么，如何为工业 AIoT 应用选择合适的边缘计算机呢？

大多数 IIoT 数据未经分析

连接到互联网的工业设备近年来增长迅速，预计到 2025 年将达到 416 亿个终端。更令人难以置信的是每台设备产生的惊人数据量。手动分析制造装配线上传感器生成的所有信息，可能需要花费毕生的精力。在《哈佛商业评论》的一篇关于数据策略的文章中指出，在制定决策的过程中，组织的结构化数据往往只有不到一半得到有效的利用，不到 1% 的非结构化数据被分析或应用。

IP 摄像机每天生成的视频数据将近 1.6 EB，其中只有 10% 得到分析。尽管有能力收集更多信息，但这些数字表明，数据分析存在惊人的差距。靠人力是无法分析产生的所有数据的，这就是企业尝试将 AI 和 ML 融入到 IIoT 应用的原因。

设想一下，仅靠人工目视，在制造装配线上，每周 5 天每天 8 小时手动检查高尔夫球上微小缺陷的应用场景。即使有一大批检查人员，每个人仍然会容易疲劳，犯人因错误。同样，人工目视检查铁路轨道紧固件，只能在列车停运后的半夜进行，不仅耗 时，而且做起来很困难。人工检查高压电力线和变电站设备，还会使工作人员面临额外的风险。

 将 AI 与 IIoT 相结合 

在前面讨论的每个工业应用 中，“AIoT”都可以提供降低劳动力成本、减少人为错误和优化预防性维护的能力。AIoT 是指在物联网 (IoT) 应用中采用人工智能技术，以提高运营效率、人机交互以及数据分析和管理。那么我们所说的人工智能到底是什么，它将如何融入工业物联网？

AI 是研究如何构建智能程序和机器，来解决传统上由人解决的问题的一般科学领域。AI 包括 ML，ML是 AI 的一个特定子集，它使系统能够通过经验自主学习和改进，而无需进行编程，例如通过各种算法和神经网络。另一个相关术语是“深度学习”（DL）， 它是 ML 的一个子集，其中多层神经网络从大量数据中学习。

由于 AI 是一门覆盖面非常广的学科，本文主要讨论的重点是计算机视觉或 AI 驱动的视频分析。AI 的其它子领域，通常与 ML 结合使用，实现工业应用中的分类和识别。 

从远程监控和预防性维护中获取的的数据，到智能交通系统中控制交通信号的车辆识别，到农业无人机和户外巡逻机器人，再到工业产品的微小缺陷自动光学检测等，计算机视觉和视频分析正在为工业应用释放更大的生产力和效率。

 将 AI 转移到 IIoT 边缘 

IIoT 系统的激增正在产生大量的数据。例如，在大型炼油厂内，大量传感器和设备每天都会生成 1TB 的原始数据。将所有这些原始数据，发送回公共云或私有服务器进行存储或处理，需要相当大的带宽、可用性和功耗。在很多工业应用中，尤其是位于偏远地区的高度分散的系统中，不间断向中央服务器发送大量数据是不可能的。

即使企业拥有带宽和足够的基础设施，部署和维护成本也非常高，数据传输和分析还存在大量延迟的情况。关键任务的工业应用必须能够尽快分析原始数据。

为了减少延迟、降低数据通信和存储成本，并提高网络可用性，IIoT 应用正将 AI 和 ML 功能部署到网络边缘，以直接在现场启用更强大的预处理功能。更具体地说，边缘计算处理能力的进步，使 IIoT 应用能利用边远位置的 AI 决策能力。 

通过将现场设备连接到边缘计算机，该计算机配置了强大的本地处理器和人工智能，这样就无需将所有数据发送到云端进行分析。事实上，预计到 2025 年，在远端和近端站点创建和处理的数据将从 10% 增加到 75%，预计到 2024 年，整个边缘 AI 硬件市场将实现 20.64% 的复合年增长率（CAGR）。

 为工业 AIoT 选择合适的边缘计算机 

在将人工智能引入工业物联网应用时，有几个关键问题需要考虑。尽管与训练 AI 模型有关的 大部分工作仍然在云中进行，但最终企业还是需要在现场部署经过训练的推理模型。AIoT 边缘计算本质上是在现场进行 AI 推理，而不是将原始数据发送到云端进行处理和分析。为了有效运行 AI 模型和算法，工业 AIoT 应用需要可靠的边缘硬件平台。要为工业 AIoT 应用选择合适的边缘计算机时，请考虑以下因素 ：

1. 人工智能不同实施阶段的处理要求 ；

2. 边缘计算水平 ；

3. 开发工具 ；

4. 环境问题。

“对于关键任务的工业应用，必须能够尽快分析原始数据。”

 构建 AIoT 应用的 3 个阶段 

一般来说，AIoT 计算的处理要求与应用需要的计算能力以及是否需要中央处理单元 (CPU) 或加速器有关。由于在构建 AI 边缘计算应用的 3 个阶段中，每个阶段都使用不同的算法来执行不同的任务，因此每个阶段都有自己的处理要求。

1

数据收集

这一阶段的目标是获取大量信息来训练 AI 模型。未经处理的原始数据本身帮助不大，因为信息可能包含重复、错误和异常值。在初始阶段对收集的数据进行预处理以识别模式、异常值和缺失的信息，允许用户纠正错误和偏差。根据收集数据的复杂程度，用于数据收集的计算平台通常基于 Arm Cortex 或英特尔 Atom/Core 处理器。一般来说，输入 / 输出 (I/O) 和 CPU 的规格，而不是图形处理单元 (GPU)，对于执行数据收集任务更为重要。

2

训练

AI 模型需要在高级神经网络和资源匮乏的 ML 或 DL 算法上进行训练，这些算法需要更强大的处理能力，例如强大的 GPU，以支持并行计算来分析所收集的、经预处理的大量训练数据。训练 AI 模型涉及选择 ML 模型，并根据所收集、经预处理的数据对其进行训练。在此过程中，需要评估和调整参数以确保准确性。有很多训练模型和工具可供选择，包括现成的 DL 设计框架，例如 PyTorch、Tensor Flow 和 Caffe。训练通常在指定的 AI 训练机或云计算服务上而不是在现场进行，例如亚马逊的 AWS Deep Learning  AMIs、谷歌 Cloud AI 或微软 Azure Machine  Learning 等。

3

推理

最后阶段涉及在边缘计算机上部署经过训练的 AI 模型，以便它可以根据新收集和预处理的数据快速有效地进行推理和预测。由于推理阶段通常比训练消耗更少的计算资源，因此 CPU 或轻量级加速器就足以满足 AIoT 应用的需求。尽管如此，仍需要一个转换工具，来将训练好的模型转换为可以在专用边缘处理器 / 加速器上运行的模型，例如英特尔 Open VINO 或 NVIDIA CUDA。推理还包括几个不同的边缘计算水平和要求。

 边缘计算水平和架构 

尽管 AI 训练仍在云端或本地服务器上进行，但数据收集和推理仍然需要在网络边缘进行。此外，由于训练有素的 AI 模型应完成的目标（例如根据新收集的现场数据做出决策或执行操作）的大部分工作是在推理中实现的，因此需要根据以下边缘计算的不同水平来选择合适的处理器。

低水平的边缘计算 ：在边缘和云之间传输数据既昂贵又耗时，并导致延迟。采用低水平的边缘计算，只需将少量有用数据发送到云端，从而减少延迟时间、带宽、数据传输费用、功耗和硬件成本。可以在 IIoT 设备上使用没有加速器的、基于 Arm 的平台来收集和分析数据，以便快速做出推断或决策。

中等水平的边缘计算 ：此级别的推理可以以足够的帧速率，处理用于计算机视觉或视频分析的各种 IP 摄像机流。中等水平的边缘计算，包括基于 AI 模型和性能要求的复杂数据，例如安装在办公室入口的大型公共监控网络的面部识别应用程序。大多数工业边 缘计算应用，还需要考虑有限的功率预算或无风扇设计来散热。在这个级别上，可以使用高性能 CPU、入门级 GPU 或视觉处理单元 (VPU)。例如，英特尔 Core i7 系列 CPU 通过 OpenVINO 工具包和基于软件的 AI/ML 加速器提供了一个高效的计算机视觉解决方案，可以在边缘执行推理任务。

高水平的边缘计算 ：该层级的边缘计算，可以为使用更复杂模式识别的 AI 专家系统处理大量数据负载，例如公共安全系统中自动视频监控的行为分析，以检测安全事件或潜在威胁事件。高水平的边缘计算推理通常使用加速器，包括高端 GPU、VPU、谷歌张量处理单元 (TPU) 或现场可编程门阵列 (FPGA)，它们消耗更多功率（200W 或更多）并产生过多热量。由于必要的功耗和产生的热量可能会超出网络远端（例如在行驶中的火车上）的限制，因此高水平边缘计算系统通常部署在近边缘站点（例如火车站）以执行任务。 

有种工具可用于各种硬件平台，以帮助加快应用程序开发过程或提高 AI 算法和 ML 的整体性能。

“选择最适合的边缘计算机，来执行现场工业 AI 推理任务。”

 深度学习框架 

考虑使用 DL 框架，它是一种接口、库或工具，可让用户更轻松、更快速地构建深度学习模型，而无需深入了解底层算法的细节。深度学习框架提供了一种清晰简洁的方法，使用一组预先构建和优化的组件来定义模型。最受欢迎的 3 个工具包括 ：

PyTorch ：主要由 Facebook 的人工智能研究实验室开发，PyTorch 是一个基于 Torch 库的开源机器学习库。它用于计算机视觉和自然语言处理等应用，是在升级版 BSD 许可下发布的免费开源软件。 

TensorFlow ：使用 TensorFlow 用户友好的基于 Keras 的 API, 实现快速原型设计、研究和生产，这些 API 用于定义和训练神经网络。 

Caffe ：提供了一个功能强大的架构，允许用户在没有硬编码的情况下 , 定义和配置模型和优化。设置单个标志以在 GPU 机器上训练模型，然后部署到商品集群或移动设备上。

 基于硬件的加速器工具包 

硬件供应商提供的 AI 加速器工具包，专门用于在其平台上加速 AI 应用，例如 ML 和计算机视觉。 

英特尔 Open VINO ：英特尔的开放视觉推理和神经网络优化 (Open VINO) 工具包，旨在帮助开发人员在英特尔平台上构建强大的计算机视觉应用。Open VINO 还支持对 DL 模型进行更快的推理。 

NVIDIA CUDA ：CUDA 工具包可为嵌入式系统、数据中心、云平台和基于 NVIDIA 统 一计算设备架构的超级计算机上的 GPU 加速应用，提供高性能并行计算。

 实施应用的位置和环境考虑 

最后需要考虑的，但并不意味着它最不重要，是实施应用的物理位置。部署在户外或恶劣环境中的工业应用（如智慧城市、石油和天然气、采矿、电力或户外巡逻机器人应用），应具有较宽的工作温度范围和适当的散热机制，以确保在酷热或严寒天气环境下的可靠性。某些应用还需要行业特定的认证或批准，例如无风扇设计、防爆结构和抗振性。由于很多实际应用部署在空间有限的机柜中并受到尺寸限制，因此首选小型边缘计算机。

远程站点中高度分散的的工业应用，也可能需要通过可靠的蜂窝或 Wi-Fi 连接进行通信。例如，具有集成蜂窝 LTE 连接的工业边缘计算机，消除了对额外蜂窝网关的需求，并节省了宝贵的机柜空间和部署成本。另一 个需要考虑的因素是可能需要支持双 SIM 卡 的冗余无线连接，以确保在一个蜂窝网络信 号弱或下降时仍可以传输数据。 

在边缘端启用 AI 功能，使企业能够提高工业应用的运营效率，降低风险和成本。为工业 AIoT 应用选择合适的计算平台，应认真考量数据收集、训练和推理三个实施阶段的具体处理要求，并根据不同的边缘计算水平（低、中或高），选择最合适的处理器类型。通过仔细评估 AIoT 应用在每个阶段的具体要求，选择最适合的边缘计算机来执行现场工业 AI 推理任务。

关键概念： 

■ 通过将 AI 引入工业物联网的应用，可支持更智能的工业决策。 

■ 选择合适的边缘计算机以支持 AI 和机器学习。

思考一下： 

如何使用 AI 支持的边缘计算来进行更智能的实时决策？

- END -

全球边缘计算大会·上海站讲师演讲材料已出，欢迎戳下方链接查看现场精彩回放！