摘要：随着人工智能边缘化,繁杂的智能终端设备产生大规模AI数据流,这些AI数据流的实时高可靠接入对边缘接入集群提出了更高的要求。论文提出基于UDP的AI数据流通信协议和旁路控制机制,以实现数据流实时高可靠接入;提出基于AI数据单元的组确认通信机制,大大减少通信确认造成的额外开销;同时设计数据流周期同步机制以支撑GPU服务器的SPMD计算。实验结果表明,论文旁路控制机制和组确认通信可对接入网卡进行横向扩展,且在不发生AI数据包丢失情况下,论文通信方案比传统UDP通信单端口平均数据流单元并发量提升约30%。

摘要：随着边缘AI的兴起,边缘GPU集群被广泛用于大量并发AI数据流的实时处理.AI数据流不仅需要在集群内传输,还需要在计算节点上排队和计算.为了减少响应时间,研究者们旨在通过优秀的调度算法减少任务的排队等待时间,而忽略了调度命令的传输耗时.在传统的单平面框架下,由于调度命令与数据在同一个物理线路上传输,在集群内传输数据量很高时,容易因调度命令的传输延迟和丢弃而调度失败,甚至造成集群性能下降或者故障.本文提出一种边缘集群内AI数据流的双平面调度模型.首先,提出一种双平面的框架,将调度命令和数据传输从物理上分离,互不影响.其次,在数据平面使用基于DPDK的多网卡并行通信技术以提高数据传输的效率和带宽,针对AI数据流设计和实现了基于消息的可靠传输协议.最后,提出兼顾计算节点网络负载和计算负载的任务迁移调度模型,旨在降低集群内数据流的排队延时.在不出现消息丢失的情况,本文的双平面架构传输方案能够增加集群数据流容量约30%;在不出现任务丢弃的情况下,本文的双平面架构调度模型能够增加集群数据流容量约15%.

摘要：为解决低功耗蓝牙(BLE)组网中基于星型拓扑结构不能支持多跳和基于Mesh的散射网路由和调度算法比较复杂的问题,提出三层结构的BLE树型结构的协同网络构建。基于时间轮询和时分双工系统(TDD)模式实现微微网内部的通信和所有中间节点主从角色定时转换;增加特征值CHAR6,解决特性值长度不足的问题。通过真实的实验分析该网络,实验结果表明,该网络能够有效地实现根节点对终端设备的读写。

摘要：智能识别交通限速牌对智能驾驶车辆速度调节和安全行驶有着重要意义。为有效解决交通限速牌识别问题,提出一种基于统一计算架构(Computer Unified Device Architecture,CUDA)的实时交通限速牌识别算法。利用HSV颜色空间提取ROI(Region Of Interest)区域,结合霍夫圆算法准确定位交通限速牌位置,设计一种基于卷积神经网络(Convolutional Neural Network,CNN)的算法模型对定位区域进行数字识别。使用NVIDIA GTX680显卡对算法进行加速,可达30ms/帧的处理速率,基本满足了实时性要求。实验证明,基于CUDA的交通限速牌识别算法具有良好的适应性和准确性。