基于边缘AI计算架构的一体化运维管控平台设计研究

随着教育信息化工作的不断深入和推进,人工智能、边缘计算、大数据、物联网等先进信息技术与教育的深度融合,作为智慧校园建设中的重中之重—基于边缘AI计算架构的一体化运维管控平台的建设也亟需落地上马。对人工智能、边缘计算进行了研究,用基于边缘AI计算的架构搭建的一体化运维管控平台解决了传统运维平台灵活度低、运维效率低、用户契合度低的问题,为高校智慧校园建设奠定了坚实的基础。     

一种针对高校的基于边缘智能机器学习的一网通办平台设计与实现

文章分析了一网通办平台发展现状和普遍存在的问题,提出了以基于边缘智能机器学习为计算模型设计的一网通办平台,融合了边缘计算、机器学习、AI智能语义识别等信息技术,实现了通过门户平台与AI智能分析的组合,让用户可以通过人类自然语言、使用习惯及使用频率来获取各类信息资源和服务入口的统一的“一网通办”门户,提升了平台的分析、整合数据能力,使门户服务更加自动化、智能化,满足了教职工、各级领导、学生、家长、校友和社会访客等不同用户群体的需求,为新基建视域下智慧校园的建设打下了坚实的基础。     

基于大数据的学生行为模型分析研究

本研究旨在基于大数据技术,对大学生的行为模型进行分析和研究。通过收集包括一卡通消费、宿舍门禁、选课记录、社交媒体活动等多种数据,以及其他可能影响学生行为的因素,如图书借阅、网络登陆等,构建大学生行为相关模型。研究采用统计学、机器学习和数据挖掘等方法对数据进行处理和分析,探索大学生行为中的关键因素和潜在趋势。通过预测模型的建立,可以预测学生的孤僻度、亲密度、疑似贫困生等重要指标,为学校和教师提供更科学有效的教学指导和个性化辅导。     

SDCN中基于深度强化学习的移动边缘计算任务卸载算法研究

随着网络技术的不断发展,基于Fat-Tree的网络拓扑结构分布式网络控制模式逐渐显露出其局限性,软件定义数据中心网络（software-defined data center network,SDCN）技术作为Fat-Tree网络拓扑的改进技术,受到越来越多研究者的关注。首先搭建了一个SDCN中的边缘计算架构和基于移动边缘计算（mobileedge computing,MEC）平台三层服务架构的任务卸载模型,结合移动边缘计算平台的实际应用场景,利用同策略经验回放和熵正则改进传统的深度Q网络（deep Q-leaning network,DQN）算法,优化了MEC平台的任务卸载策略,并设计了实验对基于同策略经验回放和熵正则的改进深度Q网络算法（improved DQN algorithm based on same strategy empirical playback and entropy regularization,RSS2E-DQN）和其他3种算法在负载均衡、能耗、时延、网络使用量几个方面进行对比分析,验证了改进算法在上述4个方面具有更优越的性能。