關於 資訊系統安全等級評估表 ，我們在網路上蒐集到這些相關的討論、資訊與評價

十年養成玉山AI力，下一步瞄準零接觸金融

為實現「科技的玉山」目標，玉山培養千人科技聯隊，其中包括資訊處800人組成的「神經系統」、智金處100人組成的「AI大腦」

文/王若樸 | 2021-08-16發表
.
今年5月疫情爆發，政府啟動勞工紓困專案，「短短幾天，玉山就湧入數十萬件申請案件！」玉山銀行董事長黃男州回憶。

但在短時間內，玉山就一條鞭消化這些爆量申請，撥出60、70億元貸款，甚至不動用大量人力就能完成。他們靠的是機器人流程自動化（RPA）和AI，自動審核超過80%的申請案件，黃男州驕傲地說：「這就是科技的力量！」在這之中，AI更是一股重要力量。

比如2年前，玉山已開始將AI落地到金融服務中。他們自建信用卡盜刷偵測模型，0.1秒就能判斷信用卡是否被冒用，一天用上數十萬次，一年更省下上億元的損失。

不只如此，他們也自行開發理財認知偏好推薦AI 模型，能根據客戶承受風險等級和交易紀錄，在7秒內推薦最合適的5檔基金。

就連貸款，也高度仰賴AI。玉山利用機器學習打造零人工介入的線上貸款流程，最快58秒就可撥出款項。在風控領域，更用AI加速黑名單掃描、風險評估，甚至是辨識詐騙帳戶，精準度還比傳統人工方法高出40倍。

玉山AI力不是一夕成軍，而是十年養成

玉山AI遍地開花，可不是一夕成就。

回到2012年，玉山啟動第三個十年目標，要從服務的玉山、專業的玉山，邁向科技的玉山。那時，原本100多人規模的玉山資訊處，已開始大動作延攬人才，成為玉山千人科技聯隊的濫觴。

在技術研究和實作方向上，也開始轉變。2013年，玉山大舉將資料分析成果應用到數位業務，兩年後更成立創新發展中心（IDC），來觀察新技術。

那一年，2015年，玉山進一步調整關鍵組織，一方面專注發展新業務領域，一方面將AI技術落地到實務場景中。他們成立數位金融處，設置全臺第一個金融數位長職位，來專攻數位金融服務。數金處瞄準普惠金融、場景金融和智慧金融三大目標，要讓金融如水電便利、走到顧客生活中，還要用AI來優化服務流程。

這也是首次，AI罕見地出現在玉山重要業務組織的任務中。數金處誕生後，也成為科技聯隊一員。

不只調整組織，玉山在基礎建設上，也往AI靠攏。2016年，玉山開始設計新核心系統、制定4年汰換上線計畫，除了將老舊的程式語言COBOL，汰換為時下熱門的.NET和Java語言之外，更重要的是，將原本大型主機的「大核心」模式，轉換為小核心的微服務架構和開放式平臺。如此一來，玉山就能更快速更迭服務，也更容易共享資料，讓後續的AI模型開發更便利。

2017年，玉山進一步著墨新技術研究。他們成立創新實驗室（Innovation Lab），來鑽研AI、區塊鏈、身分辨識、電子支付等前瞻技術，同時下設研發、商轉、顧問和育成四大中心，來鞏固技術人才資源佈局。

2018年，迎來了玉山AI力養成的關鍵轉捩點。

當時，他們率先全臺成立科技長辦公室，定調金融AI發展藍圖，還終止多個不乏達上千萬元等級的專案，改將資源投注在AI上。那年，玉山開始打造自家機器學習即服務（MLaaS）平臺，成為後來AI落地的關鍵基礎設施之一。

但設立科技長辦公室還不夠。2019年，玉山還成立專責單位，將運作十多年的大數據分析團隊CRV，正式轉型為負責開發AI應用的智能金融處，成為內部AI供應商，要將AI融入到玉山各個業務中。

這兩個組織，也陸續成為玉山科技聯隊的核心成員，形成科技聯隊資訊處、數金處與智金處的鐵三角架構。至此，玉山AI組織到位、關鍵團隊正式成形，成為「科技的玉山」中一股重要推力。

神經系統、AI大腦相互分工，下一步瞄準零接觸金融

這個科技聯隊規模達上千人。黃男州進一步解析，科技聯隊有四大成員，包括800多人組成的資訊處與信用卡處IT團隊、100多人的數位暨客群處、100多人的智金處，以及30人的資安處。

如果資訊處是玉山的神經系統，負責串起各種業務流程，那麼，智金處就是「玉山的大腦系統。」黃男州比喻，這個AI大腦專門解析大量資料，用機器學習將資料轉化為有益業務的AI系統，優化服務。

而玉山之所以敢大力嘗試AI，是因為科技聯隊中，有個扮演「煞車角色」的資安處。這個部門規模雖小，但負責檢核IT應用安全性，成為創新的煞車。黃男州甚至形容：「如果沒有煞車，大家只會慢速前進！」正因為有它，科技聯隊才敢加速，才敢創新，甚至是嘗試AI新技術。

不只如此，對玉山AI大腦來說，他們還有顆很重要的強韌「心臟」，也就是去年上線的新核心系統。黃男州指出，開放式新核心平臺主打交易、會計分離，能處理更大量的交易，與一年前相比，交易量成長可達50%，尖峰時段甚至更高。

這對AI大腦有著深遠影響。因為，更多的交易量，意味著更多的資料，「大腦也就更聰明。」

他甚至直言，核心系統上線後，迎來了AI應用大爆發的寒武紀：在行銷面，AI可以找出顧客下一個最需要的產品、分析顧客生命周期對玉山的整體貢獻，在風控面，AI可以快速掃完幾百份報紙、找出關鍵名詞建立黑名單，也能快速揪出信用卡盜刷交易、即時阻擋。

甚至還能優化客服中心，「客服通話一定要真人嗎？人工語音也能回答很多問題，」黃男州還舉例，透過語音轉文字，還能大規模檢驗客服品質、改善客戶服務。

不只如此，對他來說，AI還能自動化更多流程，舉凡財富管理、申請貸款、開戶等原本需要人工處理的業務，都包括在內。玉山也預告，零接觸金融是他們下一個發展目標。

玉山金控科技長張智星更透露，未來還要以NLP為核心，來發展AI客服，以及其他金融業務的流程自動化；只要主管機關開放，玉山就會用技術力轉化為零接觸金融服務。

這些遍地開花的AI應用，不是偶一為之。在各種AI服務落地前，玉山早已大動作重整組織、調整文化，組成100多人的AI開發團隊，來打造專用技術平臺，提供源源不絕的AI活水。接下來，我們將從戰略面、組織面、技術面來剖析玉山AI力。

AI如何成為科技玉山的重要力量

2012年

啟動第三個十年目標：科技的玉山

2013年

開始將資料分析成果運用到數位業務

2015年

成立創新發展中心（IDC），研究新技術；成立數位金融處，設置全臺第一位金融數位長，瞄準普惠金融、場景金融和智慧金融，要用AI槓桿優化金融服務

2016年

開始設計新核心系統架構、擬定4年上線計畫，要從大型主機的「大核心」邁向微服務架構的「小核心」，該架構也讓資料分享更容易

2017年

成立創新實驗室（Innovation Lab），研究區塊鏈、AI、身分辨識、電子支付、大數據和AR/VR等六大技術，下設研發、商轉、顧問和育成四大中心，鞏固技術人才資源

2018年

鎖定AI，領先全臺金融界成立科技長辦公室、設置科技長，開始建立專屬AI生產技術工具

2019年

原有大數據分析團隊CRV轉型為智能金融處，由科技長擔任處長，專門打造AI應用；科技聯隊鐵三角正式成形

2020年

新核心系統上線，開放式平臺特性將交易、會計分離，一年後交易量比舊時代成長至少40%至50%，更多資料有益於AI分析

2021年

智金處內部改組，強調服務落地及相關法遵風管；至此，玉山AI已在賦能、風控、流程、行銷、服務等5大領域遍地開花

附圖：玉山銀行董事長黃男州形容，玉山千人科技聯隊中的智金處是玉山「AI大腦」，負責解析大量資料、打造更聰明的金融AI服務。（圖片來源／玉山金控）

資料來源：https://www.ithome.com.tw/news/146179?fbclid=IwAR1ZGGV7rmCLnHqS3zT4JWw8IKtEqnDuzIW2doXP30OKL6uVHeAL0j-TzhY

#今日疫情重點【今日新增與校正回歸確診493例，單日死亡21人；萬華風險下降，但其他縣市卻微幅增加，公衛教授呼籲別去市場群聚；雙北醫療量能緊迫，醫師工會曝院內確診爆量狀況，喊別「置之不理」】
　
台灣今（29）天新增320例COVID-19（又稱新冠肺炎、武漢肺炎）本土確診個案，校正回歸166例（新增與回歸數共493例），7例境外移入，死亡人數再度破新高。今天公布21人死亡，其中19人有慢性病史，18人年紀超過60歲，年齡最輕僅30多歲，是一名無慢性病史的男性，為全台目前最年輕死亡案例。
　
以校正回歸後每天確診人數的7天移動平均值顯示，目前台灣確診案例仍在高峰，衛福部長、指揮中心指揮官陳時中也表示，目前確診案例持平，萬華相關活動史的確診者雖減少，但其他縣市則增加，疫調後發現足跡曾到過傳統市場、黃昏市場，呼籲大家口罩要戴好，不要到太壅擠的地方，降低家庭聚會人數，維持手部清潔衛生。
　
另台北市與新北市將在明天一起進行第四級警戒的推演，包括新北市8個高風險的熱區進行防疫的升級。台大公衛學院教授陳秀熙表示，台北市今天確診案例有趨緩一些，不過雙北有些區域案例仍快要破百，雙北做封城演習是好事，去年他們也做過，現在只是提前部署，記取教訓，不代表就是要封城，演習對雙北公衛措施嚴謹度有提升效果。
　
■新增486例本土確診者，專家呼籲別到傳統市場
　
陳時中在記者會中宣布，今天新增320例本土個案，有169例男性、151例女性，年齡介於未滿5歲到90多歲，發病日介於5月7日至5月28日。校正回歸個案有166例，其中90例男性、76例女性，年齡介於未滿5歲至90多歲，發病日介於5月6日至5月27日。
　
總計今天公布的本土個案共486例，仍以新北市224例最多，其次為台北市168例，台中市33例，桃園市19例，基隆市14例，台東縣、宜蘭縣各5例，花蓮縣、嘉義縣各4例，苗栗縣3例，新竹縣及彰化縣各2例，雲林縣、高雄市及新竹市各1例。其中萬華活動史相關36例，茶藝館相關2例，其他已知感染源158例，關聯不明49例，疫調中241例。相關疫情調查持續進行中。（見最新疫情概況圖）
　
陳時中進一步表示，目前確診案例持平，萬華相關活動史的確診者在減少，但其他縣市則增加，疫調後發現新出現的確診者曾到過傳統市場、黃昏市場，呼籲大家不要到太壅擠的地方，降低家庭聚會人數，維持手部清潔衛生。
　
台大公衛學院教授陳秀熙分析，如果目前三級警戒措施民眾可以落實到9成，6月14日疫情還是很有機會趨緩，但要守住其他易被攻破的地方，例如市場群聚要減少，減少喪禮、宗教聚會，嚴防長照機構、遊民爆發感染，其他國家過去一年曾發生的經驗，台灣要記取。
　
■21例死亡再創新高，指揮中心擬公布新指引，醫院優先收治年長者
　
根據指揮中心資料，今天21起死亡案例中19人有慢性病史，18人年紀超過60歲，更有6人是死後才確診。由於近期死亡案例屢創新高，集中在60歲以上長者，許多醫生都紛紛指出不能再以症狀作為送醫或居家隔離的標準。疾管署副署長、醫療應變組副組長羅一鈞證實，上週四（27日）的專家會議的確有討論送醫標準，以60歲以上或有慢性病者作為住院、送往集中檢疫所標準，觀察血氧濃度和呼吸次數、相關病症，例如胸悶、呼吸急促、意識改變都是警示徵象。60歲以下、無慢性病者則居家隔離，正在做最後確認，近期很快會公布。
　
羅一鈞補充，指揮中心也購置了1萬5,000台血氧機，提供給地方衛生局，尤其雙北，透過採檢站、衛生局等提供給居家隔離者，偵測血氧濃度，定期回報，希望多一道防護。不過如果居家隔離者相對年輕、沒有慢性病，呼籲大家不要搶購血氧機，否則可能會影響到真正需要的人。
　
■啟動全台23家傳染病防治醫療網
　
由於雙北醫療量能滿載，指揮中心昨天啟動全台22縣市、共23家傳染病防治醫療網應變醫院，要求儘速清空病房，支援收治確診者。羅一鈞表示，22縣市都有一家傳染病應變醫院，必要時會執行全院或部分清空，台北市原先只有聯合醫院和平院區，這次多指定一家三總松山分院。目前雙北3家應變醫院已全院清空，專責收確診病人，和平院區有110床，已收治83人；三總松山分院93床，已收治36人；新北市立聯合醫院117床，收治75人。
　
羅一鈞說，總計全台應變醫院有1,092床，目前已收治520人，桃園的應變醫院部立桃園醫院新屋分院已完成全院清空，部立台東醫院也完成清空，其他醫院則是分階段清空，必要時增加清空床數達到全院清空。
　
加護病房部分，衛福部次長石崇良表示，全國有557張專責加護病床，專門收治重症病患，目前有429張空床，但雙北比較吃緊，截至上午剩97張空床，正在努力擴大加護病床量。全國負壓隔離病房則有919張床，截至上午空床391張，雙北剩43張空床，會留給需要插管、使用呼吸器的重症。
　
■雙北醫療量能緊繃，台北市醫師職業工會喊「別置之不理」
　
柯文哲指出，現在台北市的醫療量能從昨晚開始才足以應付疫情的狀況，但台北市醫師職業工會今傍晚卻發出聲明稿，指出台北市聯醫仁愛院區確診爆量，今（29日）仁愛院區已收治總共65床病患，24床需要使用呼吸器，其中有13床使用呼吸器的個案因加護病房量能已滿，只能在普通病房繼續治療。除了病房能量不足，醫護人力也窘迫，從5名護理師增加到62名護理師負責輪值專責病房，其中卻只有8名護理師具呼吸器照顧的經驗。
　
指揮中心發言人莊人祥表示，還是要先由台北市地方衛生局先調度其他醫院專責病房或醫學中心來提供床位，如果要跨區的話，可以透過區域的指揮官協助。台北市緊急醫療網有各醫院床位資訊，重症在這部分床位本來就比較擠，如果真的沒床位，可以跟衛福部醫事司反應，由中央來協調。
　
針對聯醫仁愛院區反應北部各醫學中心都有相對應的中南部醫學中心可以備援，聯醫這種區域醫院卻沒有備援，莊人祥回應，目前區域醫院的確不像醫學中心有列出對應的備援醫院，不過可以透過上述那些方式，由地方和中央來協調病床。
　
台北市政府在發稿前尚未回應此事，柯文哲則在記者會中表示，台北市目前總共有19間防疫專責醫院，總共有1,292張各類病床，預估在31日可以上升到1,333床。其中負壓隔離病床有167床、普通隔離病床有165床、專責病床有960床。柯文哲說，因為在這個禮拜裡，台北市的醫院將960床的普通病房改成專責病房，再加上部分醫院每天都有再加開病床，讓台北市的醫療量能得以緩解。例如昨天全台北的空病床只剩下16張床，但今天北榮再加開了140張床，才讓台北市目前的空床增為156張。
　
新北市長侯友宜則指出，新北市目前1,043間專責病房已經清空出953房，預計在下週可以擴充到1,330張病床，並且會再繼續增開117間加護病房。
　
■台大、中研院皆表達願支援PCR篩檢，指揮中心：評估中
　
台大校長管中閔昨（28）晚在臉書發文表示，台大樂於提供校內的PCR設備和P2實驗室投入防疫。指揮中心專家諮詢小組召集人張上淳證實，昨晚疾管署昆陽實驗室已經跟台大獸醫學院接洽，確認是否可以符合疾管署規定，「符合的話可以分擔部分檢體檢驗。」
　
他解釋，要做高危病毒的篩檢，檢體處理有生物安全顧慮，要在P2等級實驗室進行，台大獸醫學院有做過動物方面的檢體操作，實驗室在P2安全等級以上，不過台大可以提供多少量能，還需要昆陽實驗室來評估。
　
媒體詢問指揮中心未來是否會徵召更多學術單位實驗室支援，例如中研院、國衛院等等，指揮中心沒有正面回答。張上淳表示，中研院也有跟疾管署聯絡，目前都還在聯絡跟評估中。不過他解釋，現在大家以為檢驗有點塞車，問了台北區各實驗室發現，檢驗本身不是大問題，「並沒有量能不足問題」，是在上傳系統有點塞車。
　
羅一鈞表示，目前指定檢驗機構有145家，檢驗量能全開時一天超過5萬1,744件，前一星期不管是感控或醫檢師，最困擾的都是系統問題，常常在篩檢站已經採檢完，也送到實驗室檢驗，更通知受檢者了，但因系統上傳困難或資料無法核對，沒辦法完成通報和上傳。簡化流程和系統速度加快後，昨天通報和排除數差距有5萬多，今天縮小剩4萬多，會努力讓差距縮小。
　
■8月底預計擴增1,000家診所打疫苗
　
首批15萬劑AZ疫苗本週開打，指揮中心統計目前已施打數約4萬2,920劑。陳時中表示，下週二會把第二批疫苗分發下去，希望第一線人員要儘速接種。為了因應接下來到貨的疫苗，陳時中今天也宣布增加基層診所接種點，6月預計有500家，8月預計增加至1,000家，之後也會透過外展服務，主動讓更多人快速接種疫苗。
　
近日有企業、地方政府、宗教團體表達希望採購疫苗，疾管署署長、指揮中心疫情監測組組長周志浩表示，「最近很多人熱心介紹，仲介聯繫，但我們回過頭來問原廠，原廠回覆他們接觸的對象都是各國家，而且買疫苗要確保運送品質、冷藏條件，原廠告訴我們，他們基本上不會賣給中介廠商。」陳時中也表示，感謝這些團體，他們可以提出申請，但要由政府來簽約。
　
針對中央計畫發出6千億的紓困金，台北市長柯文哲呼籲中央，不如撥出其中1成的金額到國際市場上購買疫苗，盡快擴充台灣疫苗接種率。
　
柯文哲說，中央發下來的2萬2,000劑AZ疫苗，昨天已經接種5,164人，台北市也再向中央申請6萬劑的疫苗，讓第一線的警消醫護人員可以接種。柯文哲說中央已經承諾，下週二將再撥發一次疫苗。柯文哲建議中央，下次疫苗的分配方式不要以全國縣市人口比例作為基準，應該以感染程度高低比例來分配，讓高感染縣市的第一線人員可以先打。
　
■雙北確診數字上升速度趨緩，明天進行升四級警戒兵棋推演
　
柯文哲在記者會上指出，接下來的死亡人數出現的高峰會比染疫人數的高峰期來得慢。台北市5月28日各快篩站總共有705人今行快篩，陽性率有4.4％。柯文哲說，台北市萬華區的疫情有被控制住，但其他的行政區仍有潛在的感染源。
　
侯友宜在記者會上表示，新北市確診人數已經超過3,000人，共有8個高風險熱區，這幾天確診人數上升的速度降緩，但永和區的上升趨勢需要注意。他指出，新北市在明天跟台北市一起進行第四級警戒的兵棋推演。侯友宜表示，這8個高風險熱區會進行防疫的升級實戰演練。
　
（文／林慧貞、楊智強；設計與資料整理／黃禹禛、何柏均；攝影／許𦱀倩、鄭宇辰、蘇威銘、黃品維）
　
#延伸閱讀
【「這是我們集體的失敗」──疫苗生產大國卻被疫情重創，來自印度沉痛的告白】https://bit.ly/3bXnguw
【真的假的？確診數「校正回歸」很正常，但一次回補太多天恐使疫情判斷失準？】https://bit.ly/3fJSUfW
【從武漢到世界──COVID-19（武漢肺炎）疫情即時脈動】http://bit.ly/2HMR2T6
　
#報導者 #COVID19 #本土案例 #確診 #死亡個案 #校正回歸 #傳統市場 #傳染病防治醫療網 #聯合醫院 #台大 #PCR #疫苗 #AZ疫苗

佈署 IoT Edge 和霧運算技術以開發智慧建築服務

2021年2月19日 星期五

《3S MARKET》這篇報導把物聯網的架構與實作，描寫的非常詳細，雖然在建築的細節上描述不多，但報導中也提及這是個實際驗證，可適用在很多的場域。不知道，有多少人真正看得懂？當然，連這篇都看不懂的人，就別說他真正了解物聯網、Edge 與 Cloud。

事實上這篇報導的描述不難了解，真正物聯網與邊緣運算的挑戰，是在實作。實作真正面臨的，是這些數據處理、融合、分析上的完整度，還有 —— 找到實作的場景！

摘要

基於 SoC 架構的嵌入式系統的進步，使許多商業設備的開發變得足夠強大，足以運行操作系統和複雜的算法。這些設備整合了一組具有連通性、運算能力和成本降低的不同感測器。在這種情況下，物聯網（IoT）的潛力不斷增加，並帶來了其他發展可能性：「事物」現在可以增加數據源附近的運算量；因此，可以在本地系統上，佈署不同的物聯網服務。

這種範例稱為「邊緣運算」，它整合了物聯網技術和雲端運算系統。邊緣運算可以減少感測器與中央數據中心之間，所需的通信頻寬。此方法需要管理感測器、執行器、嵌入式設備，和可能不連續連接到網路的其他資源（例如智慧手機）。這種趨勢對於智慧建築設計非常有吸引力，在智慧建築設計中，必須整合不同的子系統（能源、氣候控制、安全性、舒適性、使用者服務、維護和營運成本）以開發智慧設施。在這項工作中，分析和提出了一種基於邊緣運算範例的智慧服務設計方法。

這種新穎的方法，克服了現有設計中與服務的互操作性，和可伸縮性有關的一些缺點。描述了基於嵌入式設備的實驗架構。能源管理、安全系統、氣候控制和資訊服務，是實施新智慧設施的子系統。

1. 簡介

建築自動化系統使用開放式通信標準和介面，可以整合多種不同的建築控制規則，例如供暖、通風、空調、照明和百葉窗、安全功能和設備。但是，現有建築物通常不具有這些系統。

通常，每種安裝類型都提供特定的服務：供暖通風和空調（HVAC）控制氣候服務，攝影機和感測器提供安全服務等。僅當設計能源管理系統時，不同的子系統相關，但僅透過以下方式，連接建築物的能源管理系統。能源管理服務，集中在專用軟體中。

對於使用者和維護技術人員來說，提供不同服務的不同製造商，發現很難整合新的服務和功能。自動化建築將用於控制和數據採集的軟體，與工業協議和介面整合在一起。此外，將新服務整合到這種解決方案中並不容易，這取決於已安裝軟體的開發。

這些工業發展還為能源管理，提供了雲端連接解決方案和智慧服務。這些服務，也在集中式電腦系統中開發。數據被傳輸到這些系統或雲端進行分析。本文提出使用佈署在物聯網（IoT）技術中的邊緣和霧運算範例，主要有兩個目的：

A. 在自動化和非自動化建築物中，促進新的智慧和可互操作服務的整合（整合）。

B. 允許在建築物的所有子系統之間，分配智慧服務（互操作性）。

透過該建議，可以促進建築物子系統之間的關係。它還促進創建新的智慧服務（例如，新的分佈式智慧控制算法；使用電源管理捕獲的數據，來檢測人類活動；捕獲設備連接的模式辨識，運算可再生電力預測，在安全服務中使用電力數據等）。在這項工作中，我們設計了一個中間軟體的體系結構，該體系結構具有兩個主要層，這些層基於嵌入式設備、IoT 通信協議和硬體支援，來開發人工智慧算法（圖1）。

為了實現這一目標，我們在建築物的設施中添加了兩個概念等級：邊緣節點和霧節點。每個等級都有不同種類的設備和功能。我們佈署並實現了基於層的中間軟體的體系結構，以對模式進行實驗。

本文的組織結構如下：第 2 節回顧了智慧建築技術，建築物中的 IoT 佈署以及邊緣運算範例。第 3 節提出了一種在建築物（自動與否）中佈署邊緣和霧運算範例的方法。第 4 節介紹了進行的實驗。最後，第 5 節介紹了結論和未來的工作。

2. 相關工作

本節介紹與這項工作相關的主要研究領域。首先，我們在分析雲端運算層之後，回顧了基於邊緣運算範例的資源和服務供應。最後，我們研究了實現智慧建築的技術，並在最後的小節中，總結了先前研究的貢獻。

2.1. 邊緣運算資源和服務供應

最近，網路在兩端被標記為「邊緣」和「核心」，以查明處理發生的位置。邊緣端靠近數據源和使用者，核心端由雲端伺服器組成。透過這種方式，邊緣運算範例將運算推送到 IoT 網路的邊緣，以減少數據處理延遲，和發送到雲端的數據數量。基於雲端的後端，可以處理對時間不太敏感，或源設備本身不需要結果的處理請求（例如，物聯網網路狀態下的大數據分析）。

在邊緣運算資源供應方面，正在進行的 Horizo​​n 2020 RECAP 項目，提出了一種整合的雲端 - 邊緣 - 霧端架構，目的在解決應用放置、基礎架構管理和容量供應。雲端/邊緣基礎架構監控功能豐富了應用，基礎架構和工作負載模型，這些模型又被回饋到優化系統中，該系統可以協調應用並持續配置基礎架構。

徐等人進行的研究。 提出了一種用於邊緣運算的實用感知資源分配方法，稱為 Zenith。借助 Zenith，服務提供商可以與邊緣基礎設施提供商，建立資源共享合同，從而允許延遲感知資源調配算法，以滿足其延遲需求的方式，來調度邊緣任務。

邊緣節點資源管理（簡稱 ENORM），是管理邊緣/霧節點資源的框架，可透過監控應用需求，來自動擴展邊緣節點。可以透過靜態優先等級分配，來確定特定應用的優先等級。供應和自動縮放機制，是基於線性搜索的相對簡單的實現。

當源本身是可行動的時，邊緣雲範例也是可行的。 Chen 等人研究了行動設備向邊緣節點（特別是在無線電接入網路邊緣）的智慧運算分流。在這項工作中，作者提供了任務卸載算法，將分佈式運算卸載決策表述，為多使用者運算卸載功能。在同一項工作中，Wang 等人研究了聯合協調卸載任務，到多個邊緣節點的問題，並提出在邊緣等級引入及准入控制，以及兩階段調度方法，與傳統的最近邊緣選擇方法相比，改進了卸載性能。

2.2. 雲端運算服務配置

就社會和行業採用資訊技術而言，雲端運算範例是最具創新性的策略之一。提供的優勢提高了效率，並降低了成本，同時提供了可透過 Internet，普遍存取訪問的按需 IT 資源和服務。

當前，雲端運算服務種類繁多，甚至如何提供，這是一個受到廣泛研究的主題，正在提出許多的方案。甚至有評論總結了雲端運算範例的相關研究。

本小節介紹了有關以下問題的先前工作，這些問題與本手稿的主題有關：（i）安全性； （ii）服務品質（QoS）； （iii）提供邊緣服務。

（i）安全是雲端運算中一個具有挑戰性的問題。雲端服務位於應用環境之外，並且超出了防火牆的保護範圍，因此，需要附加的安全層。另外，邊緣和霧運算應用的行動性和異構性，使得難以定義單個過程。因此，需要一種分佈式安全策略。

此外，必須有一個標準化的環境，才能正確解決此問題，並指定霧運算和邊緣設備，如何相互協作。網路邊緣上的多個霧節點之間的敏感數據通信，需要資源受限的事物的輕量級解決方案。另一個與安全性相關的問題是數據位置。在雲端中運行數據分析是很常見的。因此，關於數據安全或隱私的公有雲與私有雲的爭論就出現了。

（ii）分配給雲端應用的資源，通常是根據合同規定的服務水準協議（SLA）所設置的。但是，實際上，由於偶爾執行大量事務，而導致分配的基礎結構飽和，可能會出現瓶頸。為了解決此問題，可以在資源可用時，動態擴展雲端基礎架構。當前，最具創新性的趨勢，目的在建構自動 SLA 合同合規系統。在 Faniyi 和 Bahsoon，以及 Singh 和 Chana 進行的研究中，可以找到與品質服務管理相關建議的詳盡綜述。考慮到這一點，提出了幾種策略來預測，應用的資源需求和 QoS 的要求。最近的工作試圖將安全性和 QoS 問題結合起來，以提供全面的性能指標。

（iii）最後，濫用雲端服務，是該領域的另一個問題。物聯網環境是霧和邊緣設備不斷加入或離開，動態的執行前後關聯。因此必須在網路邊緣提供彈性的服務。為此，在網路的可用設備之間，共享應用工作負載，可以為高階運算應用提供靈活性。提出了可靠的服務供應方法，來為系統提供更高的彈性，並提供靈活和優化的雲端服務。

在本主題中，將雲端框架和中間軟體技術，設置為與雲端層，以及具有不同介面操作系統，和體系結構的設備之間，進行通信的平台。

2.3. 物聯網在建築服務工程中

物聯網開發為在建築物上，開發數位服務提供了新資源。建築物中常見的物聯網應用，包括節能的過程環節、維護改進、雜務自動化和增強安全性。由於全球變暖，建築物的節能是一個重要的課題。

物聯網技術引入智慧建築，不僅可以減少本地溫室氣體排放，還可以將減少溫室效應擴大到更大的領域。目前，物聯網還被用於建築領域，以協助設施管理。物聯網使營運系統能夠提供更準確和更有用的資訊，從而改善營運，並為房客租戶提供最佳體驗。有基於物聯網的建議，這些建議顯示建築系統，如何與雲端進行通信，並分析所獲取的數據，以開發新的業務見解，從而能夠推動真正的增值和更高的績效。

實驗研究顯示，物聯網平台不僅可以改善，工業能源管理系統中實體的互連性，而且可以降低工業設施的能源成本。 FacilitiesNet 表示，建築物聯網（BIoT）正在推動我們獲取資訊，彼此互動和做出決策的方式發生重大轉變。BIoT 不僅與連接性或設備數量有關，而且還與交付實際和相關結果有關。當前，有很多基於物聯網的智慧家庭應用的例子。

然而，智慧設備或「物」，僅僅是連接到網路的設備或嵌入式系統。增值來自設計協調系統，和提供智慧服務，以提供實際收益的能力。這些特徵基本上，取決於對不同類型連接事物的異質性，及其互操作性的管理，並取決於數據處理提供的情報潛力。

Tolga 和 Esra 進行的研究得出的結論是，就智慧家庭系統中的軟體和硬體而言，物聯網技術尚未變得穩定。原因之一，有可能是物聯網技術仍處於發展階段。McEIhannon 所撰寫有關物聯網應用的邊緣雲和邊緣運算的未來，其評論得出了類似的結論。這篇評論提到概念和發展，目前還處於早期階段，從學術和行業的角度來看，許多挑戰都需要解決。

物聯網帶來了新的機會，但許多企業仍在尋求了解和分析，其將如何影響，並與現有的 IT 結構和管理策略整合。為此，必須創建專門的使用模式和技術，來彌合這一差距。

2.4. 發現

以下結論闡明了這項研究建議的新穎之處：

雲端運算作為「實用」的一般概念，非常適合智慧家庭應用的常規需求。但是，在某些情況下，將所有運算都移到雲端中，是不切實際的。

邊緣計算作為一種計算範例而出現，可以在物聯網設備生成的數據附近執行計算。這種範例可能有助於滿足最新應用的安全性和 QoS 的要求。

當前，控制子系統的高級建築設施，通常使用 Internet、IoT 協議和 Web 服務。專有系統是使用標準的 Internet 通信協議設計的，用於管制和監控。先前的工作顯示，基於無線感測器網路、Web 介面和工業控制模式，用於氣候控制、電源管理或安全性的控制系統，使用不同的監視和控制技術。監控應用分析，得自監控和數據採集系統中的這些子系統。對於不同的子系統，有不同的解決方案。考慮到上述情況，本工作中提出的模式，引入了以下新穎元素：

A. 介紹了一種分層架構（整合了邊緣和霧端等級），以及提供子系統之間互操作性，以及在建築物控制中開發智慧服務的方法，該方法使用了邊緣和霧端範例，這些範例將 IoT 協議整合在一起，並在本地 Intranet 中操作 AI 技術，讓雲端服務的通信層，完善了該層的架構。

B. 介紹了一種基於使用者為中心的方法，用於在互操作性需求下設計、驗證和改進新服務。

C. 該提案允許使用可以在已建的建築物中，實施的非專有硬體和軟體系統。

3. 計算模式設計

建築物中的設施子系統分為有照明、氣候、能源、安全、警報、電梯等。在自動化建築中，這些子系統由專門的控制技術控制和監控。在非自動化建築物中，不存在這些服務，並且子系統透過電子和電氣方式進行控制。在這兩種情況下，所有子系統都為建築營運，提供必要的服務。

從邏輯上講，每個子系統都在其場景中起作用，並且不能與其他子系統互操作。嵌入式電子控制器和連接的不同感測器，可以使每個子系統自動化。這些服務都是基於直接反應性控制規則。除了嵌入式控制系統和感測器之外，通信技術（基於 Internet 協議）和新的行動設備還為開發管制、監控和數據訪問服務，提供了新的可能性。

在智慧型動設備上開發，並連接到 Web 伺服器的人機介面和專用應用，是近年來已實現的服務的範例。每個子系統中的專家（氣候、安全性、電源等），都具有可以轉換為專家規則的知識。這些規則被轉換為用於管理、維護、控制、優化和其他活動的控制算法。這些規則是可以，在可程式設備上編程和實現的。但是，它們是靜態的，不會在出現新情況時發生變化，並且不能互操作，也無法適應每個安裝的特性。

例如，氣候或安全專家決定，如何使用標準啟動條件，來配置每個子系統。每個控制規則僅在一個子系統（此範例中為氣候或安全性）中工作，因此，這些子系統之間沒有互操作性。考慮到這種情況，提出的模式有助於並允許，基於不同子系統的互操作性，來整合新的數位服務，並將人工智慧（AI）技術的新服務，引入當前設施。

例如，諸如電梯控制的設施，可以用於安全服務或建築能源管理服務。氣候控制設施，可以與安全子系統整合在一起。整合到模式中的天氣預報軟體系統，可以由能源管理服務，或建築物空調服務使用。

目的是讓每個子系統中的專家，參與設計整合服務，並將所有子系統轉換為可互操作的系統。該模式會開發自動規則，並允許在考慮安裝行為本身的情況下進行決策。該模式基於一個過程，該過程包括四個開發階段（圖2）和分為不同級別的硬體 - 軟體體系結構（圖3）。該體系結構的主要等級，是邊緣等級和霧等級。這兩個層次介紹了在建築物中，應用物聯網技術的新穎性。下面介紹了模式的各個階段（分析、設計、實施和啟動）。

．分析：在此階段確定了不同的專家使用者（氣候、安全、電力、水、能源、管理人員，以及資訊和通信技術（ICT）技術人員）。諮詢專家使用者，以指定需要控制的主要過程。資訊通信技術專家作為整合環節，參與了這一過程。第一種方法產生了設計控制規則，和潛在服務所需的事物（對象）。在此階段，使用以使用者為中心的方法，並捕獲子系統的需求。

．設計：我們提出了一個三層架構（邊緣、霧端和雲端），如圖 3 所示。

．實施和數據分析：在此階段中已安裝和整合了子系統。服務基於每個子系統中的規則，分析事物（對象）生成的數據，以設計基於機器學習的服務。

．啟動：最初，在每個子系統的監督下制訂專家規則。然後，使用回饋過程安裝規則。最後，透過人工智慧技術，可以推斷出自動的和經過調整的規則。

3.1. 分析與設計

專家使用者對此過程，進行不同的審查。以使用者為中心的技術，用於設計整合流程。目的是獲得所需的所有事物（對象），它們之間的關係，以及潛在的服務。一旦指定了事物（對象）和服務，就必須關聯通信協議和控制技術。選擇了物聯網協議和嵌入式控制器；提出了人機介面；指定了邊緣層和霧層及其功能；分析專家規則和智慧服務。最後，提出了維護和操作方法。所有這些任務在專家技術人員，和資訊技術專家之間共享。

結果是事物的定義，它們之間的關係，以及與邊緣和霧層的交互作用。該過程中代表了建築物的所有子系統，數據感測器、執行器、控制器、規則和過程經過設計，可以整合所有子系統。數據集、對象和設備，由物聯網概念表示。事物由具有狀態和配置數據的實體，和前後關聯組成。事物數據位於霧和邊緣節點中，儲存的不同配置中的關聯性。

事物以數據向量表示：[ID、類型、節點、前後關聯情境]。

– ID是辨識碼。

– 類型可以是感測器、執行器、變量、過程、設備、介面、數據儲存，或可以在 IoT 生態系統中寫入、處理、通信、儲存或讀取數據的任何對象。

– 節點指定建築物子系統、功能描述、層類型（邊緣、霧端、通信或雲端）、IoT 協議和時程存取訪問。

– 前後關聯表示在 IoT 生態系統中，用於發布或讀取數據的時間、日期、位置，與其他事物的關係、狀態和訪問頻率。

表 1 是由事物（[ID、類型、節點]）。所有事物都可以訪問配置文件（CF），以了解如何使用可用數據，以及如何使用適當的訪問權限配置新數據。前後關聯數據位於內建記憶體，或是靜態儲存。使用定義的事物，設計不同的控制規則。這些控制規則是分佈在連接到網路的不同嵌入式系統中，控制過程的一部分。事物表示佈署在安裝的不同子系統中，所有的可用資源。在此等級上，設計師對所有事物進行分析、指定和關聯。基本控制算法是使用此資訊實現的。配置關聯性允許層和設備之間，所有事物的互操作性。

在此階段的另一級設計，必須提出物聯網管理中，使用的節點要求和規範。設計的流程和服務，將在邊緣或模糊節點中實施。必須指定每個節點，以確定其內部功能、通信及其服務。在獲取數據的地方，開發了智慧和處理能力。邊緣和霧層的節點，位於數據感測器、執行器和控制器附近。本文提出的方法，使用具有兩個功能的兩層（邊緣和霧端）。每一層都可以佈署互連節點的網路，以促進互操作性。

邊緣和霧層的功能是：

邊緣層功能：在連接感測器/執行器的嵌入式設備上，開發的控制軟體。某些 AI 算法可以安裝在邊緣節點上。中央處理器（CPU）和計算資源有限。安裝了通信介面，以允許在本地網路中進行整合。

霧層功能：局域網級別的通信、AI 範例、儲存、配置關聯性和監控活動。霧節點透過處理、通信和儲存，來處理 IoT 的Gateway、伺服器設備，或其他設備中的數據。在此等級實施本地、全球的整合服務。利用這些節點的硬體、軟體和通信功能，開發了基於機器學習範例的算法。霧層設備還可以在很少單位的設施或服務中，執行邊緣節點功能。

透過這兩個等級，可以優化建築設施，以獲得不同子系統之間的整合和互操作性。

表 1 顯示了每件事與關聯性配置，和節點規範的關係。節點標識其所屬的子系統（控制、能源、氣候等），層（霧端、邊緣、通信和雲端）及其執行的功能。

3.2. 架構設計

在分析和設計階段，獲得對象（事物）及其關係。規範和要求用於實現每個層。實施取決於提供所需功能的設計，和現有技術（硬體、通信和軟體）。在此階段，開發了一種適合現有設施的體系結構。物聯網協議提供互操作性，而 AI 範例則提供了適應性和優化性。邊緣運算節點用於控制設備，霧運算節點安裝在本地網路節點上。這些等級為配置、安裝和運行新流程，提供了強大的資源。

物聯網協議，傳達所有子系統數據。每個子系統由對象/事物（虛擬等級）組成，安裝為可連接的感測器/執行器/控制器設備（硬體等級）。

物聯網通信中，針對建築場景建立的要求是：標準協議、低功耗、易於存取訪問和維護、支援整合新模組，非專有硬體或軟體，以及低成本設備。

MQTT 協議，是目的在用於提供整合和互操作性資源，異構通信場景的主要物聯網協議之一。該協議被提議作為感測器、執行器、控制器、通信設備，和子系統之間的通信範例。

MQTT 協議的一些主要功能，在不同的著作中有所顯示，這使其特別適合於這項研究。他們之中有一些是：

．它是針對資源受限的場景開發的發布 - 訂閱消息協議。

．它具有低頻寬要求。

．這是一個非常節能的協議。

．編程資源非常簡單，使其特別適合於嵌入式設備。

．具有三個 QoS 等級，它提供了可靠和安全的通信。

MQTT 開發了無所不在的網路，該網路支持 n-m 節點通信模式。任何節點都可以查詢其他節點，並對其進行查詢。在這些情況下，任何節點都可以充當基地台的角色，能夠將其資訊傳輸到遠端處理位置。無處不在的感測器網路（USN）中的節點，可以處理本地數據。如果使用 Gateway，則它們具有全局可訪問性；他們可以提供擴展服務。

節點（邊緣或霧），可以具有本地和全局存取訪問權限。這些設施具有不同的可能性和益處。本地數據處理，對於基本過程控制是必需的，而全局處理則可用於模式檢測和資訊生成。從這個意義上講，擬議的平台使用了組合功能：連接到 IoT 雲端服務，本地網路區域上不同的 USN。在這種情況下，運算層（邊緣或模糊等級）將用作控制流程和雲端服務之間的介面。該層可以在與雲端進行通信之前，進行處理數據。

實現邊緣和霧端運算節點需要執行三個操作：

．連接和通信服務：所有設備必須在同一網路中，並且可以互操作。所有感測器和執行器都可用於開發服務。此活動的一個示例，是在 Internet 上遠端讀取建築物的電源參數、環境條件和開放的天氣預報數據。此活動中應實現其他功能，例如連接的安全性、可靠性和互操作性。

．嵌入式設備（邊緣運算層）中的控制算法和數據處理：在此活動中，這些設備中實現的基本控制規則和數據分析服務，可以開發新功能。此階段可以應用於數據過濾、運算氣候數據或分析功耗、直接反應控製，或使用模式辨識技術檢測事件。

．Gateway 節點（霧運算層）上的高階服務：此等級使用和管理 AI 範例，和 IoT 通信協議。霧運算節點對數據執行智慧分析，對其進行儲存，過濾並將其傳遞到不同等級，以糾正較低級別的新控制措施，或者生成雲端中服務感興趣的資訊。此階段的應用示例，包括分析新模式、預測用水量，或功耗、智慧檢測和其他預測服務。

3.3. 測試與回饋

在測試階段使用標準方法，邊緣和霧層提供不同的功能。提出了針對不同子系統的機器學習模式，並且可以將其安裝在邊緣或霧節點上。必須執行以下操作，來測試機器學習應用：

A. 定義和捕獲數據集：必須辨識、捕獲和儲存主要變量。在不同的建築子系統中，過程數據集是由連接到邊緣層的感測器捕獲的數據。使用通信協議監控和儲存數據集。一個案例是電表，該電表在配電盤中連接到嵌入式設備（邊緣節點），該嵌入式設備傳送電力數據，以在霧節點設備中儲存和處理。

B. 訓練數據集和形式辨識模式。先前數據集的一個子集，用於訓練不同的模式。評估針對從未用於訓練的數據測試模式，此過程的結果已由專家使用者驗證。目的是獲得一組代表性的結果，以了解模式在現實世界中的表現。

C. 實際場景中的驗證：必須在邊緣和霧節點上，實施新的服務和控制算法。這些模式具有用於分析數據，實施特定模式，並使用結果開發最佳參數的算法。在此階段，可以修改或進行改善模式。

D. 用統計術語和模式演變，得出測試結果：基於 AI 算法的模式而將產生近似值，而不是精確的結果。分析應用結果以確定置信度，並允許模式演化。該活動支持開發新的 AI 服務，或對已實現的算法進行修改。有監督的自動更改，是維護和改進系統的過程。此階段的過程，包括所有模式層。

建議對使用邊緣和霧，任何的安裝進行這些活動。如前所述，該模式既可以安裝在既有舊的建築物中，也可以安裝在新建築物中。對於新建築設計，基於建議模式的安裝更易於整合。此外，可以提供的服務的潛力，也使其對於既有建築物具有吸引力。

4.在建築子系統中，實施智慧服務

該模式在預先存在的住宅建築物上，進行了測試。設計和實施電源管理、管制和監控服務。物聯網協議（MQTT 和 HTTP）和 ML 範例，用於建議的層體系結構。基於 KNN 的機器學習方法，和樹決策算法用於管理功耗（家用電器），和可再生能源發電（風能和太陽能）。使用房屋中的霧節點，在雲端平台上實現監控和統計數據。該節點連接到控制可再生，和家用電器子系統的不同邊緣節點。

在圖 6 中，邊緣節點，整合在先前安裝的可再生子系統中。透過邊緣層上的這種新設備、電源管理、安全控制和操作流程得以整合，並且可以與其他子系統互操作。可以設計新的智慧服務。邊緣節點將數據傳輸到霧節點 Gateway，該 Gateway 管理功耗和發電，並控製家用電器。該節點中的輸入，是可再生能源發電的數據。輸出控件是 ON-OFF 開關，用於優化發電、安全性和操作。

4.1. 分析與設計

分析了住宅建築，以設計電源管理，安全和控制服務。 在第一種方法中，所需的主要事物（對象），它們之間的關係和不同的服務，如表 2 所示。

4.2. 執行

分析房屋中的建築子系統，以整合這個執行模式層：邊緣控制、霧服務，與雲端的通信和雲端服務。 選擇了本實驗工作中使用的感測器、執行器和控制過程（事物）。 表 3 列出了使用的嵌入式設備。

家庭服務中的控制過程，需要反應時間和互操作性。人機介面、數據存取訪問和分析服務，是本地和雲端運算上的服務。上面提到的兩個需求，都使用不同的協議處理：控制/通信上的 MQTT，和雲端服務上的 HTTP（RESTful API）是用於整合，並使所有子系統互操作的 IoT 協議。在提出的該層模式中，還使用 MQTT 協議、控制、數據處理，以及使用 RESTful 協議，到雲端的數據通信，來開發機器對機器（M2M）應用。

MQTT 使用開放的消息協議，該協議可以將遙測樣式的數據（即在遠端位置收集的測量結果），以消息的形式，從設備和感測器，沿著不可靠或受約束的網路傳輸，到伺服器（BROKER）。消息是簡單、緊湊的二進制數據包，有效載荷（壓縮的標頭，比超連結傳輸協議（HTTP）少得多的詳細資訊），並且非常適合推送簡單的消息傳遞方案，例如溫度更新或移動通知。例如，消息也可以很好地用於，將受約束的或更小的設備，和感測器連接到 Web 服務。

MQTT 通信協議，使所有對象可以互操作。透過此協議實現的發布者和訂閱者模式，可以互連所有設備和事物。該通信層由安裝在霧節點上的代理設備管理。不同的發布者和訂閱者，在不同的節點上實現。安裝了一個 Gateway 設備（霧節點）和兩個嵌入式控制器（邊緣節點），來控製家用電器和電源管理。事物和流程佈署在所有節點上。

邊緣節點控制子系統，霧節點根據決策樹，以及專家定義的規則，實現 AI 範例。霧設備將數據傳輸到雲端平台，以開發儀表板螢幕，來監看子系統的狀態。

可以開發新的雲端平台服務：事件檢測、機器學習處理、統計分析等。專家使用者設計基本的控制算法。在學習和訓練過程之後，將根據專家系統的結果，對這些算法進行調整和修改。在這項工作中，目標是在不損失生產力的情況下優化資源（控制和能源）。在邊緣或霧節點中，執行不同的控製過程；分類過程和決策樹在霧節點中實現。算法以 Python 語言實現。此語言的開源庫用於不同的應用。

4.3. 佈署與測試

對於現有建築物，邊緣節點交錯插入已安裝的控制器、配電板，以及感測器和執行器中。如果在分析階段指定了新的東西（電錶、氣候和控制器），則會安裝一些新的感測器/執行器。這項工作中佈署的邊緣節點具有以下優點：

．請勿干擾先前的安裝操作。

．他們使用新的專家規則和自動規則，引入新控件。

．他們測試和重新配置，在分析、學習和測試驗證中，設計更新的專家規則。


圖 7. 佈署在配電盤中的節點。 使用 IoT 協議通信，在不同節點中開發數據捕獲、控制算法、數據分析、儲存和通信服務

在電力管理過程中，專家使用者根據電力消耗、發電量、消耗負荷曲線、氣候數據和氣候預測數據，對具有選定流程的時間表，進行可程式處理。邊緣節點捕獲數據，並將其發送到霧節點。

霧節點處理室內和室外環境的日記數據，以及天氣狀況。霧節點還可以捕獲其他感測器數據。對房屋中的這些數據消耗和生成方式，進行檢測和分類。消費和發電結果，作為數據添加，以便與儲存的數據一起進行分析。可以使用機器學習方法開發，作為家用電器或人類活動檢測的智慧服務（圖8）。

4.3.1. 機器學習：數據捕獲過程（邊緣節點）和家用電器分類（霧節點）

連接在主配電盤中的電表，用於捕獲數據，並使用標準的 K 近似值，最近鄰（KNN）分類算法，來開發形式辨識模式。 KNN 是機器學習系統中最常見的方法之一。電表捕獲電流；如果連接了新的家用電器，則電流數據會更改。不同的家用電器具有不同的變化等級。

用於辨識家用電器的不同模式的主要變量，是連接時的電流水準差異。數據捕獲過程流程圖（圖9），顯示了在邊緣節點中實現的算法，以捕獲預處理並傳遞電力數據。

在此過程中，監督階段使用訓練數據集。接下來，真實場景中的驗證，將測試分類模式。家用分類設備將用於不同的服務：人類活動的辨識、負載控制、可再生能源管理、空調、安全性等。在訓練階段，已捕獲了不同的家用電器開機，以獲得一組形式。每個家庭都有一個矩心向量，將用於分類過程中的檢測。如上面所示的算法所示，分類器處理將產生連接時的電流數據作為輸入。KNN 分類過程流程圖（圖10）描述了 KNN 方法，它在霧節點中實現。

4.3.2. 可再生電源管理。控制電力自耗的決策樹

每個建築物都有不同的需求曲線，以及在接入電網方面的特定情況。為此，整合和可互操作的設施，可以實施適用於每種情況的不同解決方案，從而提供對太陽風資源的最佳管理，優化電源效率，簡化管理流程，並實現最高的成本節省。當可再生能源超過消耗的能源時，在使用 AC 耦合到電網的設施中，會出現問題。

在實驗工作中，太陽能在一天的中央時段的能量，大於所消耗的能量（圖11）。但是，在分析了消耗曲線之後，可以在這段時間內連接負載，以避免注入電網。可以透過設計一種算法，來滿足這一要求，該算法可以預測，何時發生此事件，以自動連接不同的負載。利用所有感測器和執行器的整合，和互操作通信，已經開發了在不同節點中，所實現的算法（圖12）。

13. 在電源管理子系統上開發的決策樹。 它由專業使用者設計，並整合在邊緣節點上。該決策樹的目的，在優化可再生能源的使用。

4.3.3. 基於 Edge 和 Fog 節點的 Control Home

圖 14 顯示了安裝在住宅房間中的邊緣節點。 該節點可以控制四個設備（設備），並捕獲感測器數據（功耗、發電量、溫度、濕度等）。該設備可以使用 MQTT 協議進行通信。該協議允許設備之間，進行其他類型的通信：智慧手機、新邊緣節點等。圖 7 和圖 14 顯示了可以在其他建築物中，佈署的標準實現。在所有系統中，都有配電板，這些配電盤佈署了霧節點和邊緣節點，如圖所示。

4.3.4. 使用物聯網協議的雲端服務

雲端服務可以監控，透過霧節點或人機介面（HMI）訪問的數據。 IoT 協議（MQTT）從任何已連接 Internet 的設備推送數據。事件檢測、儲存統計分析等其他服務，完善了該資源的功能。提供類似服務的不同平台，顯示了商用物聯網技術的狀態：Amazon IoT、Microsoft Azure、Ubidots 和 Thingspeak，是提供 IoT 平台的公司一些案例。提供了資源以及客戶端，和 IoT 平台之間的應用程式介面（API）通信，以便可以使用它們。

用於設計儀表板監控和管制的 HMI 資源，是這些平台上的主要實用功能之一。霧節點使用雲端 API 傳達數據和資訊，可以實施其他控制服務。在這些雲端平台上，預先建構了用於監控數據的儀表板設計。使用 API​​ 實用功能，霧節點中的過程處理，會將數據發送到每個儀表板。API 文件指定了在設備、IoT 平台和 Mobile-Alerts Cloud 之間，交換數據的結構，以及用於加速項目的代碼案例和形成資料庫。

圖 15 顯示了在 Ubidots 雲平台上，設計的儀表板。Ubidots是本實驗工作中使用的物聯網平台。該模式可以在實現這些協議的層，和平台中使用不同的標準協議。圖 16 顯示了在雲端平台中，IF 變量 THEN 動作的事件配置。大多數物聯網平台，都提供此功能。

5. 結論

為了設計物聯網系統，越來越多地提出邊緣霧模式。但是，每個範例都提供特定應用領域的解決方案。不同子系統之間的整合和互操作性，可以改善這種情況，並提供更好的服務。這項工作的主要目的，是透過提出一種基於邊緣層和霧層，兩層體系結構的運算模式，來解決這個問題。透過這兩層，可以基於使用邊緣或霧節點中，嵌入式的設備捕獲數據所產生的新型有用資訊，來設計和開發新服務。這些節點使用雲端平台和 IoT 協議（例如 MQTT）。

MQTT 是作為不同層（霧 – 邊緣 – 雲）之間提出的通信協議，並進行實驗的。雲端平台用於開發儀表板的面板資訊和 Internet 上的新服務，例如控制、儲存和通信事件。該平台可用於透過 API，交付不同的服務。

該模式可以在現有建築物和新建築物中，開發這些服務。在這種情況下，要求每個子系統中的專家和專業人員，參與新服務的設計。

為了測試該模式的功能，並顯示如何在實際設施中，實現該模式，在住宅中進行了一項實驗性工作。在此霧和邊緣節點前後關聯中，描述了實現的幾個範例。開發了模式辨識和決策樹方法，以展示人工智慧在設計 IoT 解決方案中的潛力。已安裝服務的結果顯示，邊緣和霧節點佈署，產生了預期中整合和互操作性的好處。

提出的工作演示了，如何將邊緣和霧範例，整合到可以增強其優勢的新架構中，從而擴展了應用領域。該體系結構的主要科學貢獻，是整合、技術的互操作性，及其為開發 AI 服務提供的設施的範例。所有這些改進，都在已開發的實驗的不同示例中顯示。具體的優化和改進，將在以後的工作中進行。此外，使用機器學習平台，和 AI 範例的新控制規則，將確保可以創建和改進新的智慧服務。

附圖：圖1.自動建構子系統和資訊技術環境。
圖2.基於使用者為中心關係的模式。
圖3.通信架構。 每個等級都有不同的功能。 提出了兩個通信等級：IoT（使用消息隊列遙測傳輸（MQTT））和 Web（使用代表性狀態傳輸（REST）協議）。這些協議的層，涵蓋了已建立的整合和互操作性要求。
圖4. 在建築物的現有設施上實施的邊緣霧架構示例：邊緣節點是較低的層次，必須與安裝的設備進行新連接。互連所有子系統的霧節點，是透過整合連接到邊緣節點的新設備來實現的。邊緣和霧節點，可以佈署在所有建築物子系統中。
圖5. 住宅建築中的第一個實驗工作。
圖6. 整合在先前安裝的可再生子系統中，邊緣節點的示例。 該節點可以使用新算法控制 ON-OFF 開關，以管理發電過程，以及通信和監控電源數據。
表1.事物示例描述。寫入 ID、類型和節點數據，以配置 XML 文件。配置關聯性儲存在霧節點中。
表 2. 實驗工作中的分析和設計要求。
表 3. 實驗室內使用的嵌入式設備。
圖 7 顯示了分佈在配電板上的節點（邊緣和霧狀）。在此節點中，設計並安裝了功率計、ON-OFF 開關控件和 AI 服務。
圖 8. 佈署的智慧電源功能。在霧節點中實施的分類過程，可用於檢測電連接和人類活動。可以使用 IoT 通信實現其他服務
圖9. 邊緣節點中捕獲，並預處理的用電量數據；MQTT 協議用於通信數據。另外，其他節點可以使用捕獲的數據，來提供其他智慧服務，佈署了整合和互操作性。
圖10. 分類過程。處理捕獲的電數據以檢測家用電器連接。可以使用 IoT 協議整合，來設計其他智慧服務。
圖11. 該圖顯示了實驗工作中的消耗和生產數據。 在自儲存的電力自備設施中，沒有儲存並且沒有注入電網，所產生的能量必須即時使用，並且不得超過所消耗的能量。 能源經理必須預測此事件，並提前連接電荷。
圖 12. 用電自耗設施中的可再生電源管理。
圖 13 是在電源管理子系統中，開發的算法的示例。 可以在邊緣節點上安裝此過程。該節點獲取氣候數據預測，並預測系統是否可以在不儲存的情況下，使用可再生能源。
圖14. 佈署的邊緣節點。該節點可以使用新算法，控制 ON-OFF 開關，並可以在每個房間或建築物中，通信和監控感測器數據。
圖 15. 在雲平台上配置的儀表板。顯示了風力發電數據和預測風力。
圖 16. 在雲端平台上配置事件的儀表板：IF 事件 THEN 動作。 該服務顯示了，如何使用雲端訪問來控制設施。與霧節點的 Internet 通信，可以控制建築物中的不同子系統，並使用電子郵件，SMS 或其他 Internet 服務來通報事件。

資料來源：https://3smarket-info.blogspot.com/2021/02/iot-edge.html?m=1&fbclid=IwAR0uijX5WdNrfzmGjVsakFGaEsWivPgyH1zumxVr7fwvvgqtdFFTI6jJXS8