随着物联网技术的不断发展和普及,万物互联的时代将全面开启,伴随着智能终端种类和设备的持续增多,其产生的海量数据所面临的数据传输处理问题日益浮现,这些设备不仅有智能手机或笔记本电脑,还包括智能汽车,自动售货机,智能可穿戴设备,外科医疗机器人等。以传统云计算为核心的大数据计算方式,需要将无数类型的智能设备生成的海量数据集中入云进行数据计算、管理和分析,大规模数据接入传输会消耗大量的网络基础架构和云基础架构资源,从而加剧延时和带宽负载问题,导致物联系统中的实时计算需求无法满足。因此,基于边缘计算模型的边缘式大数据处理方式逐渐集成到大型物联网系统中。在物联网系统中,边缘计算层离物联网终端设备更近,因此,它不仅可以进行数据收集处理等任务,还可以减少终端设备与云中心间的传输延迟。但边缘节点的计算和存储资源十分有限,难以处理大规模数据。因此,本文提出了一种将云与边缘节点相结合并利用深度学习技术进行传感数据接入传输的方法,该方法可以缩短响应时间,提高数据传输效率,同时还可以减少网络流量,达到降低带宽负荷的作用。论文的主要工作包括:第一,本文通过对传统物联网系统数据接入需求进行分析,阐述了基于云和边缘计算的物联大数据接入系统的总体架构。架构主要分为三层:物联网设备层,边缘计算层,云中心层。设备层需要从当前环境接收传感数据并将数据推送到边缘层;边缘层作为实时数据存储和处理中心,负责接收从设备层传输的实时数据并根据需求评估是否将实时数据上传到云端;云层与边缘层交互,负责接入从边缘节点推送的数据并为边缘节点提供所需的训练模型,从而基于边缘云协同方法,解决物联网数据接入传输过程中带宽负载过大,延迟时间过长的问题。第二,结合传感设备及边缘节点的实际应用需求,提出了一种将云与边缘节点相结合的深度学习方法,具体可分为负责模型训练及部署的云层部分和负责数据匹配及预测对比的边缘层部分,其中,云层使用双向长短期记忆网络(Bi-LSTM)训练模型并将模型发送到边缘节点,同时使用边缘节点和云中的模型预测未来传感数据。第三,设计和实现了物联数据接入系统,将树莓派作为边缘节点,利用树莓派与实验室服务器实现上述所提架构。通过组装温度传感器,可以实时了解室温属性;并且对接Things Board控制台部分,可直接监控云平台所收集的实时数据。最后进行实验验证,实验一首先进行了循环神经网络预测精度评估对比,结果表明,相较于传统LSTM,GRU等神经网络,本文所用的Bi-LSTM对于预测时序数据效果更好,接着比较了训练过程中,相同参数下不同批尺寸(Batch＿size)对训练模型的影响。结果表明,当批尺寸为64时,最终获得的损失值较小且无过拟合情况出现。因此,本文训练Bi-LSTM模型时所用批尺寸为64;实验二比较了本文提出三层物联网架构与传统传感器-云双层架构方法之间的网络带宽负载情况。实验使用相同的服务器系统来运行测试,传感数据分为六组,并利用nload负载监控工具监控数据收集过程中的带宽负载。结果表明直接将传感器数据传输到云(传感器-云模式)具有更大的带宽负载,而将预测模型部署到边缘节点,利用边缘层和云层进行数据比较和预测可以减少数据包采集量,实现更小的网络负载。实验三评估和测量了架构层间端到端延迟时间,结果表明,在网络和设备处于相同的情况下,数据通过传感器-云模式进行传输的延迟时间长于通过传感器-边缘-云模式进行传输的延迟时间。