李求实 等：平衡IO和CPU的XML关键词检索1

李求实 等：平衡IO和CPU的XML关键词检索1

面向多场景的智能系统架构设计研究

邓小龙 ,罗元剑 ,孙晓杰

1.中国电子科技集团公司第二十九研究所，四川省成都市 610036

2.中国电子科技集团公司第二十九研究所，四川省成都市 610036

3.中国电子科技集团公司第二十九研究所，四川省成都市 610036

摘要：针对智能信息系统中“设备横向互联互通、数据融合分析决策、多场景智能化应用”需求,提出了一种面向多场景的“端-管-边-云-用”智能信息系统架构，该架构依托智能信息系统中被控设备与传感器，打造全维“神经末梢”；强化边缘计算能力，构建区域“神经元”；融合有线无线网络，打通全域“神经网络”；依托平台的算力与算法能力，打造智能“神经中枢”；面向不同的业务场景，利用分布式规则引擎技术，快速构建多场景下的智能信息系统。

关键词：端-管-边-云-用；智能信息系统；分布式规则引擎

Research On Intelligent System Architecture Design For Multiple Scenarios

DENG Xiaolong1,LUO Yuanjian2,SUN Xiaojie3

1. The 29TH Research Institute of China Electronics Technology Group Corporation, Chengdu 610036 , China

2. The 29TH Research Institute of China Electronics Technology Group Corporation, Chengdu 610036 , China

3. The 29TH Research Institute of China Electronics Technology Group Corporation, Chengdu 610036 , China

Abstract：Aiming At The Intelligent Construction Needs Of Intelligent Information System, Such As Equipment Horizontal Interconnection, Data Fusion Analysis And Decision-making, And Multi Scenario Intelligent Applications, A “End-Network-Edge-Cloud-Application”Intelligent System Architecture For Multiple Scenarios is Proposed. This Architecture Relies On The Controlled Devices And Sensors In The Scene To Create A Full Dimensional Nerve Endings; Strengthens Edge Computing Ability And Builds Regional Neurons; Integrates A Wired and Wireless Network to Create Global Neural Network; Builds An Intelligent Neural Center Based On The Platform’s Computing Power And Algorithm Capabilities. Aiming At Different Business Scenarios, Utilizing Distributed Rule Engine Technology To Form Intelligent Information System In Multiple Scenarios.

Key words：End-Network-Edge-Cloud-Application; Intelligent Information System; Distributed Rule Engine Technology.

china science and technology information 中国科技信息1

随着物联网、人工智能、大数据等技术发展，智慧城市、智慧校园、智慧园区等领域[1][2]业务系统建设更强调设备横向互联互通、数据融合分析决策和多场景智能化应用，以解决“烟囱式”集成方式与单一场景应用带来的问题。现有基于物联网技术的信息系统处置架构，大致经历了三个阶段的发展，分别为三层处理架构、云-边-端处置架构和智能物联处置架构。

一、三层处理架构。文献[3][4]中阐述的三层物联网处理架构为感知层、网络层、应用层。感知

层负责现场数据的感知采集，及被控指令的接收执行，例如传感器、被控设备等；网络层负责利用有线与无线网络技术连接感知层与应用层；应用层结合应用场景，提供各类物联应用软件。三层物联网处理架构能解决设备互联互通的问题，但难以支撑数据融合分析决策、多场景智能化应用等能力。

二、云-边-端处置架构。文献[5][6]提出的边缘计算、边缘智能技术，在数据产生处开展就近计算与就近服务，旨在提高数据处理和服务响应的实时性，减少数据网络带宽。文献[7]提出了一种“云-管-边-端”的物联网处理架构，通过在物联网终端和云计算中心之间部署网络边缘层，并在边缘端存储处理部分原始数据，降低云计算中心压力，有效缓解带宽资源紧张、处理实时性差的问题。云-边-端处置架构，依托边缘层处理能力有效提高了数据处理实时性，通过扩展边缘端数量解决了大规模设备连接问题，但数据融合分析决策、多场景智能化应用方面支撑能力偏弱。

三、智能物联处置架构。文献[8][9][10]提出了智能物联网（Artificial Intelligence of Things, AIoT，一般也表示为AI+IoT或人工智能物联网）。在智能物联网架构中，通过传感器实时采集各类数据（环境数据、运行数据、监测数据等），在终端设备、边缘设备或云端通过数据挖掘和机器学习方法进行智能化处理和理解。基于智能物联处理架构，国内外相关学者开展了相关智能计算的研究，例如，麻省理工学院研究人员对资源受限物联网终端上的深度模型压缩等技术进行了系统性研究[11]；耶鲁大学研究人员提出了边端协同高效深度推理模型[12]；斯坦福大学研究团队基于多智能体深度强化学习对智能体间的分布式协作学习能力进行了研究[13]；剑桥大学研究人员就资源受限环境下深度学习模型的轻量级自动搜索提出了新的方法[14]；香港理工大学研究人员则对车联网背景下边缘智能计算的应用进行了深入分析和探索[15]。综上，智能物联处理架构在云-边-端处置架构基础上，更强调智能计算需求，在海量连接、实时处理、智能计算方面具备一定优势，但对多场景智能化方面支撑能力偏弱。

本文在智能物联处理架构基础上，提出了一种面向多场景的“端-管-边-云-用”智能信息系统架构，该架构依托场景中被控设备与传感器，打造全维“神经末梢”；强化边缘计算能力，构建区域“神经元”；融合有线无线网络，打通全域“神经网络”；依托平台的算力与算法能力，打造智能“神经中枢”；面向不同的业务场景，利用分布式规则引擎技术，快速构建多应用场景的智能信息系统。

1 分布式智能测控架构

端-管-边-云-用的智能信息系统架构具体如图1所示。

china science and technology information 中国科技信息1

图1端-管-边-云-用的智能信息系统架构

Fig.1 End-Network-Edge-Cloud-ApplicationIntelligent Information System architecture

china science and technology information 中国科技信息1

一、端层：主要包括被控设备与传感设备，能够全方位采集被管理环境中的相关数据及信息，为边缘智能处理单元提供物联数据；接收边缘智能处理单元的控制指令，实现设备控制执行。

二、管层：由有线、无线网络构成，通过虚拟化技术、VLan技术等完成系统组网，为系统提供网络资源。

三、边层：主要指边缘智能处理单元，提供物联管理和边端规则引擎能力。通过异构设备协议转化，对下实现被控设备与传感器数据的接入，对上提供标准数据接口；基于处理规则、数值分析、AI算法（不需要大量算力）进行物联数据的异常检测；通过“边-边”协同实现区域控制，增强系统可靠性；通过边缘存储实现边缘数据存储，为系统数据安全赋能。

四、云层：主要指云计算平台，通过容器化技术，实现计算资源按需分配和弹性扩展。通过AI中台、规则引擎，实现规则驱动下的多场景智能联动；通过数据中台技术，实现数据驱动下的多场景智能应用；通过AI中台和数据中台，实现业务驱动下的多场景智能升级。物联管理主要实现物联设备接入配置、物联数据管理和数据服务支撑。规则引擎主要实现跨边的物联数据异常检测、告警数据统一管理和异构设备协同控制。AI中台主要实现计算资源统一管理、AI模型训练推理和AI模型管理下发。数据中台主要实现物联数据与业务数据的离线存储、数据治理和数据服务。相比云端规则引擎，边侧规则引擎侧重于根据云上AI中台下发的处理规则与检测模型，实现异构物联数据的就近解析和就近计算，同时实现异构设备的协同控制。

五、用层：根据不同的业务需求，通过规则引擎、物联管理、数据中台、AI平台等能力，定制对应的应用系统和人机界面，例如态势监控、人员管理、设备管理、业务管理等。

2分布式规则引擎技术

面向多场景下的智能系统，要求业务规则能够根据业务需求进行快速更新，且不需要开发人员参与，这一需求衍生出了规则引擎。规则引擎全称为业务规则管理系统（

Business Rule Man-agement System，BRMS），是一种嵌入在应用程序中的组件，能够将业务决策从应用程序代码中分离出来。目前主流的规则引擎包括Drools、Esper、SEC、NodeBrain[16][17] 等。

本文提出的分布式规则引擎技术，基于物模型技术，通过云端、边端分布部署实现了面向多场景下的智能检测与控制能力，包括规则管理、推理引擎、云边协同三个部分。其组成如图2所示。

图2分布式规则引擎组成

Fig.2Distributed Rule Engine Technology.

3.1 物模型

分布式规则引擎需屏蔽底层异构设备的型号差异，为用户提供统一的物模型。物模型是将物理空间的实体设备模型化（如传感器、风机、门、灯等）后映射到数字空间。物模型一般主要描述设备是什么、能做什么、能提供什么数据、能接受什么指令等信息，一般从属性、遥测数据、控制指令三个维度进行描述。典型设备物模型如表1。

表1 物模型定义

3.2规则管理

规则管理主要在物模型基础上，对告警规则和处置规则进行管理。其中，告警规则通过逻辑表达式、数值分析、AI计算等方式，实现多场景下智能系统的参数越线、设备故障、安全事件等异常的智能检测、分析判断和报警生成。处置规则针对系统产生上述报警后，系统智能联动相关传感设备和被控设备，进行设备运行调整和环境调节，完成报警响应和协同处置。

3.3 推理引擎

推理引擎通过决定哪些规则满足事实或目标，并授予对应优先级，实现规则的合理执行，提供模式匹配器（Patern matcher）、议程管理器（Agenda）和执行引擎（Execution Engine）三方面能力。其中，模式匹配器决定选择待执行的规则，并明确执行时机；议程管理器负责分配规则的执行次序；执行引擎负责执行规则和其他动作。

本文提出的推理引擎，分为云端推理和边端推理。其中云端推理主要基于规则实现跨多个边缘智能处理单元的物联数据推理计算，边端推理主要基于处理规则实现单个边缘智能处理单元所管辖区域物联数据的推理计算。例如A\B\C\D\E为边缘智能处理单元1所管辖的设备，场景1为基于边缘智能处理单元1所管辖设备配置的处理，如图3所示。F\G\H\I\J为边缘智能处理单元2所管辖的设备，场景2为基于边缘智能处理单元2所管辖设备配置的处理，如图4所示。边端推理首先通过模式匹配器，判断哪些规则满足条件，并将满足条件的规则加入到议程管理器，由执行引擎负责规则执行。

图3 场景1推理过程示意

Fig.3 scene one

图4 场景2推理过程示意

Fig.4 scene two

场景3为基于边缘智能处理单元1/2所管辖设备配置的处理，如图5所示。云端推理主要处理跨边缘智能处理单元的联动逻辑，融合不同边缘智能处理单元上传的物联数据，经过模式匹配器，选择出待执行的处理，最后由云端执行引擎负责规则分解执行。

图5 场景3推理过程示意

Fig.5 scene three

通过边端推理，实现异构设备的就近解析和就近计算，一方面提高了异常事件的快速处理能力，减轻了云端计算压力；另一方面当云端宕机后，边端推理可以基于规则实现区域内设备自主运行，提高系统的鲁棒性。

3.4 云边协同

云边协同主要提供规则远程自动下发与端侧设备协同控制能力。

规则远程自动下发：当用户配置了告警规则或处置规则后，系统对规则进行分解和识别，向各边缘智能处理单元下发对应执行的告警规则和处置规则。

端侧设备协同控制：针对涉及不同边缘智能处理单元所辖设备的规则，通过云-边、边-边两种联动方式，实现设备协同控制。其中云-边协同通过云端规则引擎进行处置规则指令分解，并远程控制各边缘智能处理单元所辖设备，实现跨边缘智能处理单元的设备协同；边-边协同由生成报警的边端规则引擎，按照处置规则要求分解生成设备控制指令，通过友邻边缘智能处理单元进行控制指令下发，实现跨边缘智能处理单元的设备协同控制。

综上，本文提出的分布式规则引擎技术，通过规则管理、推理引擎、云边协同等，结合用户配置的不同场景下的告警规则和处置规则，支撑设备横向互联互通、数据融合分析决策和多场景智能化应用。

4 结束语

本文提出了一种面向多场景下的“端-管-边-云-用”智能信息系统架构，该架构依托场景中被控设备与传感器，打造全维“神经末梢”；强化边缘计算能力，构建区域“神经元”；融合有线无线网络，打通全域“神经网络”；依托平台的算力与算法能力，打造智能“神经中枢”；面向不同的业务场景，利用分布式规则引擎技术，形成多场景下的智能信息系统。与现有架构相比，本架构能够有效解决传统信息系统研制集成方式带来的短板问题，更好支撑智能系统的多场景应用。

参考文献

[1]郭婧.智慧校园环境监控与通信终端设计[D].大连理工大学，2020.DOI:10.26991/d.cnki.gdllu.2020.004728.

[2]肖应旭. 面向智慧城市的信息服务体系构建与运行模式研究[D].吉林大学，2012.

[3]黄骁.公路物联网架构研究[D].北京邮电大学,2015.Huang Xiao.The Study Of The Architectures in road IOT[D]. Beijing University of Posts and Telecommunications. Bei-jing,China,2015.

[4]庄文强.农业物联网感知层的节能关键技术研究[D].南京农业大学,2016.Zhuang WenQiang.Research on Key Energy Saving Tech-nologies of Sensing Layer Of Agricultural Internet Of Things[D].Nanjing Agricultural University. Nai-jing,China,2016.

[5]ZhangK,LengS,HeY,etal.Mobile edge computing and networking for green and low-latency Internet of Things.IEEE Communications Magazine, 2018,56(5):39-45.

[6]WangX,HanY,Leung V C M,etal.Convergence of edge computing and deep learning:A comprehensive survey.IEEE Communications Surveys & Tutorials, 2020, 22(2): 869-90.

[7]邢方圆,贺诗波,孙铭阳等.基于“云-管-边-端”物联网架构的碳排放监测[J].物联网学报,2022,6(04):53-64.XingFangYuan,HeShiBo,SunMingYang,ChenJiMing.Carbon emission monitoring based on internet of things with cloud-tube-edge-end structure[J]. Chinese Journal of Internet of Things,2022,6(04):53-64.

[8]ZhangJ,TaoD.Empowering things with intelligence: a sur-vey of the progress challenges, and opportunities in artificial intelligence of things. IEEE Internet of Things Journal, 2020, 8(10):7789-7817.

[9]SamieF,BauerL,HenkelJ.From cloud down to things:An overview of machine learning in internet of things.IEEE In-ternet of Things Journal, 2019, 6(3): 4921-4934.

[10]郭斌,刘思聪,刘琰等.智能物联网：概念、体系架构与关键技术[J/OL].计算机学报:1-20[2023-04-27].GUOBin,LIU Si-Cong,LIUYan.AIoT: The Concept, Archi-tecture and Key Techniques.Chinese Journal of Comput-ers[J]:1-20[2023-04-27].

[11]Cai H, Gan C, Wang T, et al. Once-for-all: Train one net-work and specialize it for efficient deployment. arXiv pre-print arXiv:1908.09791, 2019.

[12]Guo P, Hu B, Hu W. Mistify: Automating {DNN} Model Porting for {On-Device} Inference at the Edge// Proceedings of the 18th USENIX Symposium on Networked Systems Design and Implementation. Virtual Event, 2021: 705-719.

[13]Gupta J K, Egorov M, Kochenderfer M. Cooperative mul-ti-agent control using deep reinforcement learning// Pro-

ceedings of the International conference on autonomous agents and multiagent systems. Sao Paulo, Brazil, 2017: 66-83.

[14]Abdelfattah M S, Mehrotra A, Dudziak Ł, et al. Zero-cost proxies for lightweight NAS. arXiv preprint arXiv: 2101.08134, 2021.

[15]Zhang J, Letaief K B. Mobile edge intelligence and com-puting for the internet oof vehicles. Proceedings of the IEEE, 2019, 108(2): 246-261.

[16]产院东,郭乔进,梁中岩等.规则引擎发展综述[J].信息化研究,2021,47(02):1-6.

[17]扶烨. 面向大规模物联网场景的分布式规则引擎技术研究[D].广州大学,2022.DOI:10.27040/d.cnki.ggzdu.2022.001114.

china science and technology information 中国科技信息1

1. 作者：邓小龙；2.通信地址：四川省成都市金牛区茶店子营康西路496号（610036）；3.联系电话：13908093204，邮箱：dengxiaolong1987@163.com