我们正在大步迈入万物互联的时代，物联网（IoT，Internet of Things）的发展随着科技进步与互联网的高速发展正在积蓄爆发式的发展。物联网的下一代物联网传感设备的发展，以及其低功耗计算能力和高速网络的进步，导致了边缘计算的引入。海量数据的实时产生将成为未来社会的常态，设备的逐渐智能化使得设备本身具备即时处理数据的能力，在边缘云环境中，服务可以在本地生成和使用数据，而无需涉及云计算基础架构，提高数据处理效率和反馈时间。微美全息(NASDAQ:WIMI)提出基于此提出和评估一种智能迁移模型，该模型能够在基于物联网的网络边缘支持虚拟功能链。
据悉，微美全息(NASDAQ:WIMI)提出了一个边缘LMM-VFC（Virtual function chain）模型，可以使复杂的AI模型在异构边缘网络上执行，并且结合触发实时迁移的实时QoS（Quality of Service）监控模型，通过迁移模型增强了微美全息LMM-VFC模型。
资料显示，WIMI微美全息LMM-VFC模型是一种新颖的分布式框架，它基于软件定义网络的虚拟功能链（VFC） 概念，并支持边缘AI分析的实时推理，由基于深度学习模型构建的边缘学习服务提供支持，能够监控、评估和预测所支持服务的服务质量（QoS）。在此模型中，AI分析分解为一组虚拟功能（VF），这些虚拟函数可以部署在不同的边缘设备上。使用这些VF，可以创建一个VFC，VFC以分布式方式处理流数据。VFO（虚拟功能编排器）负责部署VFC。VFC通过框架部署了多个模块，优化设计服务，监控其QoS指标并微调其配置以避免故障。更具体地说，计算引擎负责提出VFC的最佳设置，而边缘学习服务则监控边缘设备的性能并提出可能的更改。LMM-VFC模型以此构建边缘迁移的智能模型，优化链接能力，支持下一代物联网技术发展。
此外，微美全息(NASDAQ:WIMI)边缘LMM-VFC模型支持机器学习，提出一个基于强化学习的模型，用于确定服务迁移的最佳策略。迁移问题通常被表述为一个顺序决策问题，旨在最小化整体响应时间。基于强化学习策略的计算迁移方案，即时学习动态环境的最优策略，保证低计算时延。
并且WIMI微美全息边缘LMM-VFC模型提出基于用户移动模式的用户分类机制，降低决策复杂度。然后引入基于强化学习的框架，在动态环境中实时做出服务迁移决策。通过数据驱动实验证明WIMI微美全息边缘LMM-VFC模型在降低系统平均延迟方面的功效。WIMI微美全息边缘LMM-VFC模型基于轻量级流程迁移的物联网移动边缘/云计算计算卸载框架，框架不需要边缘服务器上的应用程序二进制文件，因此可以无缝迁移本机应用程序。WIMI微美全息边缘LMM-VFC模型框架在移动边缘/云计算中的资源密集型物联网应用处理方面显示出巨大的潜力。
在边缘云环境中，服务可以在本地生成和使用数据，而无需涉及云计算基础架构。针对物联网节点计算资源低的问题，WIMI微美全息提出了虚拟功能链作为智能分布LMM-VFC模型，以最大限度地利用边缘的计算能力，从而支持要求苛刻的服务。它是一种能够支持虚拟功能链的智能迁移模型。根据该模型，边缘迁移可以支持虚拟功能链的各个功能。首先，如果虚拟功能意外失败，可以通过冷迁移实现自动修复。其次，服务质量监控模型可以触发实时迁移，旨在避免边缘设备过载。对所提出的模型的评估研究表明，它有能力提高低功耗物联网设备上基于边缘服务的鲁棒性。
物联网（IoT）是一个快速发展的领域，在医疗、交通和农业等行业有着广泛的应用。随着物联网设备及其相关数据的数量不断增长，越来越需要高效和智能的模型来管理和处理这些数据。物联网的关键挑战之一是支持虚拟功能链的边缘迁移。
WIMI微美全息边缘LMM-VFC模型的边缘迁移涉及将处理任务从集中式服务器移动到更靠近数据源的边缘设备，如路由器或网关。减少带宽需求，并实现数据的实时处理。LMM-VFC模型可以实现支持下一代物联网中VFC边缘迁移的智能模型。该模型将利用机器学习，基于网络延迟、可用资源和数据隐私要求等因素优化VFC迁移决策。
微美全息(NASDAQ:WIMI)边缘LMM-VFC模型可以持续监控网络状况和数据流，并实时决定哪些功能应该迁移到边缘，哪些功能应该保留在集中服务器上。这可以通过基于规则和机器学习算法的组合来实现，这些算法分析来自各种来源的数据，包括网络性能指标、用户行为模式和数据使用统计。
总体而言，支持下一代物联网中虚拟功能链边缘迁移的智能模型将是管理物联网设备生成的不断增长的数据量的有力工具。通过利用人工智能和机器学习的最新进展，该模型可以帮助组织优化其数据处理工作流，并提高其物联网部署的效率和有效性。
