面向物聯(lián)網(wǎng)的邊云協(xié)同實(shí)體搜索方法

王汝言,劉宇哲,張普寧,亢旭源,李學(xué)芳

(1.重慶郵電大學(xué) 通信與信息工程學(xué)院,重慶 400065; 2.重慶高校市級(jí)光通信與網(wǎng)絡(luò)重點(diǎn)實(shí)驗(yàn)室,重慶 400065;3.泛在感知與互聯(lián)重慶市重點(diǎn)實(shí)驗(yàn)室,重慶 400065)

0 概述

隨著智能感知設(shè)備的大規(guī)模部署,在物聯(lián)網(wǎng)中準(zhǔn)確獲取用戶興趣信息[1]的難度也在不斷加大,因此物聯(lián)網(wǎng)搜索技術(shù)應(yīng)運(yùn)而生。物聯(lián)網(wǎng)搜索[2]是指通過使用相應(yīng)的策略與方法從物理世界中獲取各種結(jié)構(gòu)化的實(shí)體信息(如物體、人、網(wǎng)頁等)并對(duì)其進(jìn)行存儲(chǔ)與管理[3],便于用戶搜索。而由于物聯(lián)網(wǎng)中物理實(shí)體信息[4]的海量性與異構(gòu)性[5]及搜索的高實(shí)時(shí)性[6]要求,傳統(tǒng)互聯(lián)網(wǎng)搜索模式[7-8]已不適用于物聯(lián)網(wǎng)搜索[9],因此如何在由海量異構(gòu)物理實(shí)體組成的物理世界中精準(zhǔn)、高效地獲取用戶興趣信息已成為亟需解決的問題。研究人員將云計(jì)算技術(shù)[10]應(yīng)用于物聯(lián)網(wǎng)搜索中,為用戶提供一個(gè)安全可靠的數(shù)據(jù)存儲(chǔ)單元,并將通過泛在網(wǎng)絡(luò)連接的海量計(jì)算資源進(jìn)行統(tǒng)一管理與調(diào)度。文獻(xiàn)[11]將HTTP與MQTT相結(jié)合,在物聯(lián)網(wǎng)-云架構(gòu)下實(shí)現(xiàn)物聯(lián)網(wǎng)的部分功能。文獻(xiàn)[12]通過在云端建立數(shù)據(jù)庫存儲(chǔ)傳感器采集的數(shù)據(jù)以方便用戶搜索。文獻(xiàn)[13]設(shè)計(jì)一種基于云計(jì)算的物聯(lián)網(wǎng)搜索和發(fā)現(xiàn)方法,查詢鄰近實(shí)體狀態(tài)信息。文獻(xiàn)[14]提出一種云端數(shù)據(jù)共享搜索方法SeDaSC,將數(shù)據(jù)加密后存儲(chǔ)至云端,用戶通過服務(wù)器遞交訪問請求后再從云端搜索數(shù)據(jù)。文獻(xiàn)[15]提出一種層次化搜索方法LHPM,在網(wǎng)關(guān)接收用戶搜索請求后,通過查找相應(yīng)傳感器并讀取數(shù)據(jù)返還搜索結(jié)果至用戶。然而,受限于傳感器的計(jì)算、通信與存儲(chǔ)能力,傳感器與云端之間的通信距離過長[16],導(dǎo)致搜索時(shí)延較大。

邊緣計(jì)算的提出為解決物聯(lián)網(wǎng)搜索的實(shí)時(shí)性問題提供了新思路。由于云計(jì)算適用于非實(shí)時(shí)、長周期數(shù)據(jù),而邊緣計(jì)算[17]在實(shí)時(shí)、短周期數(shù)據(jù)及本地決策等場景中有較大優(yōu)勢,因此文獻(xiàn)[18]指出可將邊緣服務(wù)器作為傳感器與云端通信的中介,在邊緣處理本地化數(shù)據(jù)后再與云端進(jìn)行交互,從而提高搜索效率。文獻(xiàn)[19]通過在邊緣建立深度學(xué)習(xí)模型計(jì)算和處理來自原始傳感器的數(shù)據(jù)。文獻(xiàn)[20]利用邊緣計(jì)算來最小化物聯(lián)網(wǎng)異構(gòu)化數(shù)據(jù)的處理延遲。

由于現(xiàn)有研究結(jié)合云端和邊緣的特點(diǎn)設(shè)計(jì)物聯(lián)網(wǎng)搜索方法,但未考慮物理實(shí)體的狀態(tài)數(shù)據(jù)與用戶搜索特征,并且物理實(shí)體的狀態(tài)時(shí)變性[21]差異較大,用戶在不同時(shí)段對(duì)不同實(shí)體的訪問興趣度有所區(qū)別,因此將實(shí)體狀態(tài)數(shù)據(jù)全部存儲(chǔ)于邊緣或云端無法滿足用戶獲取實(shí)體的準(zhǔn)確性和實(shí)時(shí)性需求。

本文針對(duì)物聯(lián)網(wǎng)搜索的實(shí)時(shí)性和準(zhǔn)確性需求,考慮物理實(shí)體狀態(tài)差異化分布的特征,提出面向物聯(lián)網(wǎng)搜索的邊云協(xié)同實(shí)體搜索方法(Edge and Cloud Collaborative Entity Search Method,ECCS),結(jié)合云計(jì)算與邊緣計(jì)算的優(yōu)勢,設(shè)計(jì)適用于物聯(lián)網(wǎng)搜索的邊云協(xié)同實(shí)體搜索架構(gòu),提高物聯(lián)網(wǎng)實(shí)體搜索效率。利用面向邊緣側(cè)的實(shí)體識(shí)別算法準(zhǔn)確區(qū)分熱門與冷門實(shí)體,將強(qiáng)時(shí)變性、高訪問度的熱門實(shí)體狀態(tài)信息存儲(chǔ)于邊緣側(cè),弱時(shí)變性、低訪問度的冷門實(shí)體狀態(tài)信息存儲(chǔ)于云端,以保障搜索時(shí)效性和準(zhǔn)確性,改善用戶搜索體驗(yàn)。

1 系統(tǒng)架構(gòu)

邊云協(xié)同的物聯(lián)網(wǎng)搜索系統(tǒng)架構(gòu)如圖1所示,將物聯(lián)網(wǎng)搜索系統(tǒng)分為3層:第1層為智慧實(shí)體層,實(shí)體所附傳感器采集實(shí)體狀態(tài)信息并上傳;第2層為邊緣層,由搜索系統(tǒng)的邊緣服務(wù)器構(gòu)成,邊緣服務(wù)器采用實(shí)體識(shí)別方法,依據(jù)收集到的實(shí)體狀態(tài)信息對(duì)實(shí)體進(jìn)行分類;第3層為云端層,云端服務(wù)器對(duì)邊緣服務(wù)器進(jìn)行統(tǒng)一管理。

圖1 邊云協(xié)同的物聯(lián)網(wǎng)搜索系統(tǒng)架構(gòu)Fig.1 Architecture of edge and cloud collaborative search system in IoT

在傳統(tǒng)物聯(lián)網(wǎng)搜索模式中,用戶通過與云端中心服務(wù)器直接通信發(fā)出搜索請求以獲得搜索結(jié)果,云端中心服務(wù)器收到請求后需要遍歷匹配的傳感器以獲得實(shí)體的狀態(tài)信息。但由于用戶與云端中心服務(wù)器的通信距離過長,當(dāng)搜尋時(shí)變性較強(qiáng)的實(shí)體時(shí),用戶接收到的云端中心服務(wù)器反饋的結(jié)果已無法準(zhǔn)確反映實(shí)體當(dāng)前的狀態(tài)。而邊緣服務(wù)器靠近用戶與實(shí)體,從邊緣服務(wù)器獲取實(shí)體狀態(tài)信息相較于傳統(tǒng)搜索方式能保障用戶獲取的實(shí)體狀態(tài)信息的時(shí)效性。

邊云協(xié)同實(shí)體搜索方法的具體步驟如下:

1)智慧實(shí)體關(guān)聯(lián)的傳感器采集到數(shù)據(jù)后,將采集到的實(shí)體狀態(tài)信息周期性上傳至上層網(wǎng)關(guān),每個(gè)網(wǎng)關(guān)下轄有多個(gè)智慧實(shí)體。

2)各網(wǎng)關(guān)將智慧實(shí)體狀態(tài)信息上傳至其上層的邊緣服務(wù)器。

3)邊緣服務(wù)器接收到下轄網(wǎng)關(guān)上傳的實(shí)體狀態(tài)信息后,結(jié)合本地的搜索記錄,采用實(shí)體識(shí)別算法對(duì)實(shí)體進(jìn)行識(shí)別與分類。

4)邊緣服務(wù)器將識(shí)別出的強(qiáng)時(shí)變性、高訪問度的熱門實(shí)體存儲(chǔ)在邊緣服務(wù)器中,并將弱時(shí)變性、低訪問度的冷門實(shí)體狀態(tài)信息上傳至云端。

5)云端服務(wù)器存儲(chǔ)并處理邊緣服務(wù)器上傳的冷門實(shí)體的狀態(tài)信息。

6)用戶通過鄰近的邊緣服務(wù)器提交對(duì)實(shí)體狀態(tài)信息的搜索請求。

7)邊緣服務(wù)器接收到用戶發(fā)出的搜索請求后,對(duì)搜索請求信息進(jìn)行解析,并對(duì)請求實(shí)體的類別進(jìn)行判別。

8)邊緣服務(wù)器若識(shí)別用戶請求信息為存儲(chǔ)在用戶鄰近邊緣服務(wù)器的熱門實(shí)體狀態(tài)信息,則直接將此信息反饋給用戶;否則從云端下載實(shí)體狀態(tài)信息反饋給用戶,完成此次搜索過程。

2 邊云協(xié)同搜索

將強(qiáng)時(shí)變性、高訪問度的熱門實(shí)體信息存儲(chǔ)于靠近用戶的邊緣側(cè)處理,可有效解決因通信距離過長所產(chǎn)生的時(shí)延導(dǎo)致搜索反饋結(jié)果精度較低的問題。因此,本文提出面向邊緣側(cè)的實(shí)體識(shí)別方法,在邊緣側(cè)對(duì)實(shí)體進(jìn)行有效區(qū)分。

在邊緣服務(wù)器中執(zhí)行實(shí)體識(shí)別算法,如圖2所示,對(duì)于邊緣服務(wù)器覆蓋范圍內(nèi)的實(shí)體,由于覆蓋范圍內(nèi)的實(shí)體數(shù)目有限,因此收集覆蓋范圍內(nèi)嵌入實(shí)體中的傳感器所上傳的實(shí)體狀態(tài)信息以及用戶對(duì)于物理實(shí)體狀態(tài)信息的搜索記錄,并在此基礎(chǔ)上建立深度學(xué)習(xí)模型,通過實(shí)體的多維度特征,甄別熱門實(shí)體與冷門實(shí)體。在區(qū)分實(shí)體后,將強(qiáng)時(shí)變性、高訪問度的熱門實(shí)體狀態(tài)信息(如圖2中實(shí)體1、實(shí)體3所示)存儲(chǔ)在邊緣服務(wù)器中,由邊緣服務(wù)器處理并存儲(chǔ),弱時(shí)變性、低訪問度的冷門實(shí)體狀態(tài)信息(如圖2中實(shí)體2、實(shí)體4所示)則上傳至云端存儲(chǔ),在用戶有訪問需要時(shí)進(jìn)行調(diào)用。

圖2 實(shí)體識(shí)別分類存儲(chǔ)Fig.2 Entity recognition classification and storage

實(shí)體識(shí)別算法基于深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN)模型[22]進(jìn)行實(shí)體狀態(tài)信息與用戶訪問特征的提取,進(jìn)而采用K-means聚類[23]算法對(duì)實(shí)體類別進(jìn)行無監(jiān)督劃分,算法流程如圖3所示,主要分為實(shí)體特征提取與實(shí)體識(shí)別分類兩部分。

圖3 基于深度信念網(wǎng)絡(luò)的實(shí)體識(shí)別算法流程Fig.3 Procedure of entity recognition algorithm based on deep belief network

2.1 實(shí)體特征提取

特征提取是實(shí)體識(shí)別算法中最重要的環(huán)節(jié),對(duì)該算法而言,只需將實(shí)體最終區(qū)分為熱門實(shí)體與冷門實(shí)體,而單個(gè)實(shí)體通常具有多個(gè)特征,直接對(duì)多個(gè)特征進(jìn)行識(shí)別分類顯然將影響分類結(jié)果的精度,因此利用特征提取將多個(gè)實(shí)體特征通過屬性間的關(guān)系進(jìn)行組合以改變特征空間從而達(dá)到降維的效果,減輕分類算法的負(fù)擔(dān),提高分類準(zhǔn)確度。

深度信念網(wǎng)絡(luò)為由多層受限玻爾茲曼機(jī)[24](Restricted Boltzmann Machines,RBM)組成的神經(jīng)網(wǎng)絡(luò)。RBM由顯層(v)和隱層(h)構(gòu)成,顯層由顯性神經(jīng)元組成,用于接收輸入的實(shí)體狀態(tài)特征;隱層由隱性神經(jīng)元組成,用于提取實(shí)體狀態(tài)特征。DBN的訓(xùn)練是逐層進(jìn)行,在每一層中使用最底層的數(shù)據(jù)向量來推斷隱層,再將該隱層作為下一層的數(shù)據(jù)向量。

實(shí)體特征提取的具體步驟如下:

1)充分訓(xùn)練第1層RBM1。

2)固定RBM1的權(quán)重和偏移量,然后使用得到的隱性神經(jīng)元的狀態(tài),作為第2層RBM2的輸入向量。

3)在充分訓(xùn)練RBM2后,將RBM2堆疊在RBM1的上方。

4)重復(fù)以上步驟直至DBN收斂,從而得到降維后的實(shí)體特征。

在圖3中,輸入的實(shí)體特征xi包括實(shí)體狀態(tài)變化頻率、實(shí)體狀態(tài)變化幅度、實(shí)體狀態(tài)采樣周期、實(shí)體訪問頻率、實(shí)體搜索次數(shù)、實(shí)體訪問時(shí)間、實(shí)體訪問次數(shù)和實(shí)體評(píng)分。顯層接收到輸入特征后得到其神經(jīng)元狀態(tài)向量vi,v=[v1,v2,…,vn],隱層神經(jīng)元狀態(tài)向量hj,h=[h1,h2,…,hm],其中n和m為顯層和隱層神經(jīng)元數(shù)量。若給定(v,h),則能量函數(shù)的計(jì)算公式為:

(1)

其中,θ={a,b,w}為RBM中的實(shí)體參數(shù)集,ai∈a為顯層神經(jīng)元的偏置,bj∈b為隱層神經(jīng)元的偏置,wij∈w為連接顯層與隱層的權(quán)值。RBM在參數(shù)θ下的聯(lián)合概率分布為:

(2)

(3)

2.2 實(shí)體識(shí)別分類

通過DBN對(duì)實(shí)體特征進(jìn)行訓(xùn)練后,可得到實(shí)體特征集合D={h1,h2,…,hj}。為有效區(qū)分實(shí)體的類別,從而對(duì)實(shí)體狀態(tài)信息的存儲(chǔ)位置進(jìn)行決策,本文進(jìn)一步采用K-means聚類算法對(duì)特征集合進(jìn)行聚類分析,算法步驟具體如下:

1)從實(shí)體特征集合D={h1,h2,…,hj}中隨機(jī)選取{x1,x2,…,xk}個(gè)特征作為簇中心。

2)對(duì)剩余的每個(gè)實(shí)體特征,測量其到每個(gè)簇中心的歐氏距離(如式(4)所示),并將其歸類到最近的簇中。

(4)

其中,D表示處理后實(shí)體特征的個(gè)數(shù)。

3)K-means聚類算法在每次迭代時(shí),需要更新對(duì)應(yīng)的簇中心:對(duì)應(yīng)簇中所有實(shí)體特征對(duì)象的均值,即更新后該類簇的簇中心。第k個(gè)簇中心的更新方式為:

(5)

其中,Ck表示第k個(gè)簇,|Ck|表示第k個(gè)簇中實(shí)體特征的個(gè)數(shù)。

4)迭代步驟2和步驟3直至新的簇中心與原簇中心相等或小于指定閾值,則算法收斂。

在聚類算法結(jié)束后,得到熱門實(shí)體與冷門實(shí)體的集合,邊緣服務(wù)器根據(jù)分類結(jié)果進(jìn)行決策,將熱門實(shí)體集合所對(duì)應(yīng)的實(shí)體狀態(tài)信息存儲(chǔ)至本地,冷門實(shí)體集合所對(duì)應(yīng)的實(shí)體狀態(tài)信息上傳至云端。

3 仿真結(jié)果與驗(yàn)證

本文所用數(shù)據(jù)集為經(jīng)過歸一化及抽樣處理后的Intellab[25]數(shù)據(jù)集,該數(shù)據(jù)集包含54個(gè)部署在不同位置的溫度與濕度傳感器所采集上傳的數(shù)據(jù),樣本數(shù)為10 000。開發(fā)環(huán)境為64位Windows 10操作系統(tǒng),處理器為Intel?CoreTMi5-3337U,內(nèi)存為8 GB,CPU 1.80 GHz,開發(fā)工具為Matlab R2017b。DBN參數(shù)設(shè)置如表1所示,在K-means聚類中K值為2,性能驗(yàn)證結(jié)果均為搜索1 000次后的平均值。

表1 深度信念網(wǎng)絡(luò)參數(shù)設(shè)置Table 1 Parameters setting of deep belief network

3.1 基于深度信念網(wǎng)絡(luò)的實(shí)體識(shí)別算法性能驗(yàn)證

圖4為基于深度信念網(wǎng)絡(luò)的實(shí)體識(shí)別算法分類結(jié)果?？梢钥闯?經(jīng)過算法提取實(shí)體特征后將實(shí)體分為兩類,即熱門實(shí)體與冷門實(shí)體。圖5為基于深度信念網(wǎng)絡(luò)的實(shí)體識(shí)別算法在不同實(shí)體數(shù)量下提取特征并進(jìn)行分類所需時(shí)長,可以看出隨著實(shí)體數(shù)量的增多,算法提取實(shí)體特征并進(jìn)行分類所需時(shí)長也隨之增加,這是由于實(shí)體數(shù)量的增加導(dǎo)致計(jì)算開銷增加,從而引起計(jì)算時(shí)間變長。

圖4 基于深度信念網(wǎng)絡(luò)的實(shí)體識(shí)別算法分類結(jié)果Fig.4 Classification results of entity recognition algorithm based on deep belief network

圖5 不同實(shí)體數(shù)量下的實(shí)體識(shí)別算法運(yùn)行時(shí)間Fig.5 Running time of entity recognition algorithm with different number of entities

3.2 查準(zhǔn)率與查全率驗(yàn)證

經(jīng)過基于深度信念網(wǎng)絡(luò)的實(shí)體識(shí)別算法將實(shí)體分類后,對(duì)強(qiáng)時(shí)變性的實(shí)體進(jìn)行仿真驗(yàn)證。將熱門實(shí)體狀態(tài)信息存儲(chǔ)在邊緣服務(wù)器及云端并分別執(zhí)行ECCS與SeDaSC方法后,對(duì)該類實(shí)體所得到的搜索結(jié)果進(jìn)行對(duì)比,結(jié)果如圖6所示。其中,ECCS方法搜索得到溫度數(shù)據(jù)的平均誤差為1.200 5 ℃,SeDaSC方法搜索得到溫度數(shù)據(jù)的平均誤差為5.270 8 ℃,LHPM方法搜索得到溫度數(shù)據(jù)的平均誤差為8.211 9 ℃。可以看出,對(duì)于強(qiáng)時(shí)變性的實(shí)體,由于通信時(shí)延的緣故,因此存儲(chǔ)在邊緣服務(wù)器后得到的搜索結(jié)果遠(yuǎn)比存儲(chǔ)在云端精確。

圖6 云端與邊緣服務(wù)器的熱門實(shí)體搜索結(jié)果對(duì)比Fig.6 Comparison of popular entity search results between cloud and edge servers

查準(zhǔn)率和查全率計(jì)算公式如式(6)、式(7)所示:

(6)

(7)

其中:S1為指定搜索傳感器數(shù)值范圍后,傳感器搜索結(jié)果集合;S2表示在搜索結(jié)果集合S1中,傳感器真實(shí)數(shù)值在給定范圍中的傳感器集合;S3表示所有真實(shí)數(shù)值在給定范圍內(nèi)的傳感器集合。

圖7、圖8為不同用戶容忍度誤差下,熱門實(shí)體存儲(chǔ)在邊緣服務(wù)器與云端的查準(zhǔn)率與查全率對(duì)比。

圖7 不同容忍度誤差下熱門實(shí)體的查準(zhǔn)率對(duì)比Fig.7 Comparison of the precision of popular entities at different tolerance degree errors

圖8 不同容忍度誤差下熱門實(shí)體的查全率對(duì)比Fig.8 Comparison of the recall of popular entities at different tolerance degree errors

可以看出,由于熱門實(shí)體強(qiáng)時(shí)變性的關(guān)系,并且從邊緣服務(wù)器中搜索數(shù)據(jù)的時(shí)延較短,所獲取的搜索結(jié)果與真實(shí)值更為接近,因此將熱門實(shí)體狀態(tài)信息存儲(chǔ)在邊緣服務(wù)器后進(jìn)行搜索得到的查準(zhǔn)率與查全率遠(yuǎn)高于云端。同時(shí),隨著用戶對(duì)于搜索結(jié)果的容忍度誤差的增大,搜索查準(zhǔn)率與查全率通常也有少量增長,這是因?yàn)殡S著容忍度誤差的增大,搜索結(jié)果所允許的數(shù)值范圍變大,導(dǎo)致集合S2中傳感器個(gè)數(shù)增多以及查準(zhǔn)率與查全率的增長。

3.3 搜索方法性能驗(yàn)證

圖9、圖10為隨著搜索方法運(yùn)行時(shí)間的增長,所得到搜索結(jié)果的查準(zhǔn)率與查全率情況?？梢钥闯?ECCS方法的查準(zhǔn)率和查全率穩(wěn)定程度均高于SeDaSC方法和LHPM方法。這是由于熱門實(shí)體強(qiáng)時(shí)變的特性,在ECCS方法中,邊緣服務(wù)器靠近用戶的特性,從邊緣服務(wù)器獲取搜索結(jié)果的時(shí)延較短,用戶在獲取到搜索結(jié)果前實(shí)體當(dāng)前狀態(tài)不容易發(fā)生改變,搜索結(jié)果與實(shí)體當(dāng)前狀態(tài)的匹配率更高,因此查準(zhǔn)率和查全率波動(dòng)較小。在SeDaSC方法中,長距離通信的時(shí)延較大,在用戶獲取搜索結(jié)果前實(shí)體狀態(tài)發(fā)生變化的概率較大,因此搜索結(jié)果并不匹配實(shí)體當(dāng)前狀態(tài),從而使得查準(zhǔn)率與查全率波動(dòng)較明顯。在LHPM方法中,網(wǎng)關(guān)接收并解析用戶的搜索請求后,需要訪問搜索請求所匹配的傳感器并獲取數(shù)據(jù),由于通信距離過長,返回搜索結(jié)果時(shí)實(shí)體狀態(tài)已經(jīng)發(fā)生改變,因此查準(zhǔn)率與查全率波動(dòng)較大。

圖9 3種搜索方法的查準(zhǔn)率對(duì)比Fig.9 Comparison of the precision of three search methods

圖10 3種搜索方法的查全率對(duì)比Fig.10 Comparison of the recall of three search methods

圖11為隨著搜索方法運(yùn)行時(shí)間的增加,從邊緣服務(wù)器和云端搜索數(shù)據(jù)的時(shí)延波動(dòng)情況?？梢钥闯?隨著搜索方法運(yùn)行時(shí)間的增長,ECCS方法所耗費(fèi)時(shí)延的波動(dòng)范圍與波動(dòng)程度均小于SeDaSC方法和LHPM方法。這是由于用戶與邊緣服務(wù)器的通信距離較短,通信穩(wěn)定程度較高,因此時(shí)延波動(dòng)較小;云服務(wù)器與用戶之間的通信距離過長,同時(shí)與云服務(wù)器通信的終端數(shù)目較大,出現(xiàn)擁塞或排隊(duì)的概率較高,從而導(dǎo)致時(shí)延的波動(dòng)較大。

圖11 3種搜索方法的時(shí)延對(duì)比Fig.11 Comparison of the time delay of three search methods

4 結(jié)束語

物理世界中存在海量狀態(tài)時(shí)變性較強(qiáng)的實(shí)體,并且用戶對(duì)獲取實(shí)體信息的實(shí)時(shí)性要求較高。針對(duì)強(qiáng)時(shí)變性實(shí)體的搜索問題,本文提出面向物聯(lián)網(wǎng)的邊云協(xié)同實(shí)體搜索方法。構(gòu)建邊云協(xié)同的實(shí)體搜索系統(tǒng)架構(gòu),聯(lián)合云端與邊緣側(cè)協(xié)同進(jìn)行實(shí)體信息搜索,并采用基于深度信念網(wǎng)絡(luò)的實(shí)體識(shí)別算法準(zhǔn)確區(qū)分熱門與冷門實(shí)體。仿真結(jié)果表明,該搜索方法相比傳統(tǒng)搜索方法可有效提升實(shí)體狀態(tài)信息搜索的實(shí)時(shí)性與準(zhǔn)確性。下一步將針對(duì)用戶個(gè)人偏好進(jìn)行物理實(shí)體信息研究,提高搜索引擎智能化水平。