邊緣智慧於工業物聯網應用與優勢

– 14 分鐘閱讀

隨著工業物聯網（IIoT）裝置數量激增，產生巨量資料需要即時處理與分析，傳統雲端運算模式難以負荷。邊緣智慧（EI）將 AI 能力下放至網路邊緣，有效降低延遲並提升效率。邊緣裝置可直接處理資料，實作即時決策與控制，例如裝置監控、預測性維護等。結合深度學習等 AI 技術，邊緣智慧能有效分析 IIoT 大資料，萃取關鍵資訊，並提供更精確的預測與決策。此外，邊緣智慧也能提升資源利用率，降低網路頻寬消耗，並提供更可靠的服務。

邊緣智慧在工業物聯網（IIoT）中的應用與優勢

摘要

隨著工業物聯網（IIoT）的快速發展，製造業對即時資料處理和低延遲計算能力的需求日益增加。邊緣計算（Edge Computing）結合人工智慧（AI）技術，為IIoT提供了高效的解決方案。本文探討了邊緣智慧（Edge Intelligence, EI）在IIoT中的應用，並分析其優勢。

邊緣計算在IIoT中的角色

邊緣計算透過將計算任務和服務從核心網路轉移到網路邊緣，減少了延遲和網路流量。在IIoT中，這意味著資料可以在本地進行處理，從而實作即時決策和控制。

機器學習技術在邊緣計算中的應用

人工智慧輔助的邊緣計算服務可以有效地為製造裝置（MD）提供低延遲的計算能力。通常，邊緣資源無法承擔複雜的AI任務。因此，分散式AI服務可以透過多個邊緣裝置來提供高效的服務供應。例如，文獻[30]中提出了一種根據AI的隱私保護服務劃分，使用同態加密演算法對加密資料進行服務組合。

邊緣智慧IIoT的優勢

邊緣智慧結合了邊緣計算的優勢（如減少延遲和網路流量）與AI策略，從而在以下幾個方面帶來了進一步的好處：

  1. 網路邊緣的大資料分析：隨著智慧裝置和資產數量的增加，IIoT中的工業資料量也在不斷增長。在這種情況下，透過AI策略進行資料分析和資訊提取，可以加速決策過程。深度學習是一種強大的方法，可以滿足大資料分析的需求。

  2. 使用邊緣資源進行高效資料處理：傳統上，從IoT裝置和工業資產取得的資料被傳送並儲存在雲資料中心。這導致了更高的延遲和頻寬資源的浪費。為了應對這些挑戰，近年來，計算任務和服務被轉移到網路邊緣。這樣，生成的資料可以在本地進行處理，以實作即時製造系統中的低延遲回應。

  3. 無處不在的AI服務：AI已被認為是各種應用領域中的重要解決方案，它影響著我們的日常生活。AI在改善智慧產品和服務方面的潛力，促使我們需要將AI帶到每個人和每個裝置附近。顯然，邊緣計算可以透過在網路邊緣實作無處不在的AI來幫助實作這一目標。

AI增強的協同計算架構

本文介紹了根據協同邊緣計算的智慧製造資源架構。它由三個操作層組成，分別是製造資產、邊緣裝置和遠端雲資源，如圖3所示。多源製造資料被收集並傳送到基站（BS）或邊緣裝置。即時的製造服務包括自我監控、生產和物流狀態、故障檢測和服務管理。

學習技術在邊緣智慧IIoT中的潛在優勢

在IIoT中應用學習技術將能夠進一步提取資訊，並在智慧製造領域佈署創新應用。更具體地說，在工業領域應用資訊技術可以為智慧製造提供靈活的基礎設施。

程式碼範例：使用Python進行簡單的邊緣計算資料處理

import numpy as np

# 模擬從IIoT裝置取得的資料
def generate_iot_data(size=100):
    return np.random.rand(size)

# 簡單的邊緣計算資料處理範例
def edge_computing_processing(data):
    # 對資料進行簡單的統計分析
    mean = np.mean(data)
    std_dev = np.std(data)
    return mean, std_dev

# 主函式
def main():
    data = generate_iot_data()
    mean, std_dev = edge_computing_processing(data)
    print(f"資料平均值：{mean}, 標準差：{std_dev}")

if __name__ == "__main__":
    main()

內容解密：

  1. generate_iot_data 函式：此函式模擬從IIoT裝置取得的資料。它使用NumPy的rand函式生成指定大小的隨機資料陣列。

  2. edge_computing_processing 函式：此函式對輸入的資料進行簡單的統計分析，包括計算資料的平均值和標準差。這模擬了在邊緣裝置上對IIoT資料進行的基本處理。

  3. main 函式：主函式首先呼叫generate_iot_data生成模擬的IIoT資料，然後呼叫edge_computing_processing對這些資料進行處理，最後列印預出計算得到的平均值和標準差。

邊緣智慧在工業物聯網中的實務限制與開放議題

隨著邊緣智慧（Edge Intelligence, EI）在工業物聯網（IIoT）中的應用日益廣泛，研究人員開始關注其在實際佈署中的挑戰與開放議題。儘管EI具有巨大的潛力，但其研究仍處於初期階段。本章節將探討EI在IIoT中的實務限制與開放議題，包括軟體平台與中介軟體、任務解除安裝與負載平衡、EI模型設計以及安全問題。

軟體平台與中介軟體

近年來，根據雲端的AI服務供應系統在工業領域受到廣泛關注。諸如Amazon的Greengrass、Microsoft Azure和Google Cloud IoT Edge等公司正試圖為邊緣服務提供軟體平台和中介軟體。為了實作EI服務的潛力，必須解決相容性、可移植性和程式設計問題等關鍵挑戰。由於EI服務的多樣性和異質性，需要開發中介軟體以提供無縫和流暢的服務。

此平台應支援不同AI程式框架之間的移植性，例如TensorFlow和Torch。此外，它還應提供輕量級虛擬化和計算服務。

任務解除安裝與負載平衡

EI中的普及計算是一種分散式系統正規化，具有多種計算資源。因此，需要有效的任務解除安裝和負載平衡方案，以在資源和伺服器之間分派任務。特別是，資料解除安裝方案有助於平衡系統中的整體負載，從而改善製造應用中的服務交付延遲。在此背景下，機器學習模型可用於建立高效的負載平衡方案。

EI模型設計

AI模型通常需要強大的計算能力。為瞭解決這個問題，可以採用模型壓縮技術來調整AI模型的大小。其中，模型簡化技術透過去除貢獻較小的神經元來使模型變小。資料量化利用較小的資料格式來表示輸入/輸出，從而提高指令的運算速度。

內容解密：

模型壓縮技術是EI模型設計中的關鍵。透過權重剪枝和資料量化，可以顯著減少模型的計算需求，使其更適合在邊緣裝置上執行。這些技術不僅提高了模型的執行效率，還保持了模型的準確性。

安全問題

由於普及計算的開放性，隱私和安全問題是IIoT中的關鍵挑戰之一。製造資產和裝置產生大量資料，其中可能包含有關位置、活動記錄、生產過程和製造資訊的敏感資訊。因此，設計適當的分散式安全機制對於保證工業應用的使用者隱私和資料完整性至關重要。分散式學習模型是一種可行的解決方案，用於實作隱私友好的本地資料訓練方案。

@startuml
skinparam backgroundColor #FEFEFE
skinparam defaultTextAlignment center
skinparam rectangleBackgroundColor #F5F5F5
skinparam rectangleBorderColor #333333
skinparam arrowColor #333333

title 安全問題

rectangle "資料處理" as node1
rectangle "資料傳輸" as node2
rectangle "智慧分析" as node3
rectangle "資料回饋" as node4
rectangle "決策" as node5

node1 --> node2
node2 --> node3
node3 --> node4
node4 --> node5

@enduml

圖表翻譯： 此圖示展示了邊緣智慧在工業物聯網中的三層架構。雲端伺服器負責整體的資料處理，網路核心負責資料傳輸，邊緣節點則進行智慧分析並對IIoT裝置進行決策，包括自監控、物流狀態、故障檢測和服務管理等功能。

工業物聯網（IIoT）中的人工智慧（AI）與邊緣運算的整合與挑戰

工業物聯網（IIoT）正逐漸改變傳統的工業生產模式，而人工智慧（AI）與邊緣運算的結合更進一步推動了這一轉變。本文將探討在IIoT中整合AI與邊緣運算的可行性、適用性和相關挑戰。

IIoT中的AI與邊緣運算

AI在IIoT中的角色

AI技術在IIoT中的應用非常廣泛，包括預測性維護、異常檢測、品質控制和生產最佳化等。透過分析來自感測器的海量資料，AI能夠提供實時的洞察，幫助企業做出更明智的決策。

邊緣運算的重要性

邊緣運算是一種將計算和分析能力移至資料來源附近的技術，從而減少延遲並提高效率。在IIoT中，邊緣運算可以實作實時資料處理和分析，對於需要快速反應的應用至關重要。

AI與邊緣運算的整合

技術架構

將AI與邊緣運算整合需要一個強大的技術架構。這包括能夠在邊緣裝置上執行AI模型的硬體和軟體解決方案。例如，使用支援AI的晶片和最佳化後的AI框架，可以在邊緣裝置上實作高效的模型推斷。

# 例子：使用TensorFlow Lite在邊緣裝置上執行AI模型
import tensorflow as tf

# 載入模型
model = tf.lite.Interpreter(model_path="model.tflite")
model.allocate_tensors()

# 取得輸入輸出張量
input_details = model.get_input_details()
output_details = model.get_output_details()

# 進行推斷
model.set_tensor(input_details[0]['index'], input_data)
model.invoke()
output_data = model.get_tensor(output_details[0]['index'])

#### 內容解密：

此範例程式碼展示瞭如何使用TensorFlow Lite在邊緣裝置上執行AI模型。首先，我們載入預先訓練好的模型並分配張量。然後，我們取得輸入和輸出的張量細節，並進行模型的推斷。最後，我們從輸出張量中取得結果。

挑戰與解決方案

挑戰1：資料安全與隱私

在IIoT中，資料安全和隱私是重要的關注點。解決方案包括實施強大的加密措施和存取控制機制，以保護資料免受未經授權的存取。

挑戰2：資源限制

邊緣裝置通常具有有限的計算資源和儲存能力。解決方案包括最佳化AI模型以減少計算需求，以及使用雲端和邊緣之間的協作來解除安裝密集計算任務。

未來，我們預計將看到更多關於AI和邊緣運算在IIoT中的應使用案例項。這包括更高效的AI模型、更強大的邊緣計算硬體以及更安全的資料處理機制。隨著這些技術的發展，IIoT將繼續演變並推動工業數位轉型的程式。

@startuml
skinparam backgroundColor #FEFEFE
skinparam defaultTextAlignment center
skinparam rectangleBackgroundColor #F5F5F5
skinparam rectangleBorderColor #333333
skinparam arrowColor #333333

title 挑戰2：資源限制

rectangle "資料" as node1
rectangle "處理結果" as node2
rectangle "分析結果" as node3
rectangle "控制指令" as node4

node1 --> node2
node2 --> node3
node3 --> node4

@enduml

圖表翻譯：

此圖表展示了IIoT系統中資料流動的過程。資料從IIoT裝置傳輸到邊緣運算節點進行初步處理，然後將處理結果傳送到雲端進行進一步分析。分析結果用於支援決策，決策結果再反饋給IIoT裝置以進行相應的控制。整個流程體現了IIoT、邊緣運算和雲端之間的協同工作。

工業物聯網中的資料安全與隱私

1 簡介

工業物聯網（IIoT）被視為推動工業4.0的最具革命性的技術之一。然而，由於連線裝置在IIoT正規化中產生大量資料，以及它們之間存在資料分享，導致新的安全和隱私問題（例如資料洩漏[1, 2]）。因此，安全和隱私問題被視為工業中控制敏感機械和控制系統的主要障礙[3]。事實上，根據Gartner的預測，資訊安全被視為企業採用IoT的主要關注點之一[4]。

在IIoT正規化中，私人資料的洩漏可能導致遠遠超出財務損失的嚴重問題，例如人員死亡和受傷[5]。資料洩漏可能在資料儲存、傳輸或分享過程中發生。因此，為了提供一個完全安全的IIoT系統，需要一個涵蓋系統所有抽象層的整體網路安全框架。

2 IIoT資料安全挑戰

首先，IIoT裝置的儲存應該透過不同的方式（如加密）來保護，以抵禦潛在的對手。如果IIoT基礎設施中存在資料儲存的中央管理員，則需要解決資料洩漏的風險增加，以及管理員容易受到惡意攻擊（如DDoS）的單點故障問題。同時，也需要允許授權使用者存取所需的資料。因此，IIoT基礎設施也需要高效的身份驗證和認證機制。此外，如果生成的資料被外包給雲端基礎設施，則需要考慮其他安全和隱私挑戰，如資料的真實性、第三方不可信賴性以及雲端基礎設施的強健性。

3 強化IIoT安全

為了在下一層增強安全性，即資料傳輸和分享，IIoT裝置之間的協作和資料分享應限制在經過身份驗證的裝置之間。首先，應保持IIoT裝置之間的通訊通道安全，以便IIoT裝置可以輕鬆分享其資料，而不會損害機密性或完整性。然後，應制定高效的身份驗證和授權機制，以便只有授權的IIoT裝置可以存取資料。

CPPS架構及其現有的攻擊面

@startuml
skinparam backgroundColor #FEFEFE
skinparam defaultTextAlignment center
skinparam rectangleBackgroundColor #F5F5F5
skinparam rectangleBorderColor #333333
skinparam arrowColor #333333

title CPPS架構及其現有的攻擊面

rectangle "硬體攻擊" as node1
rectangle "軟體攻擊" as node2
rectangle "網路攻擊" as node3
rectangle "資料分享" as node4

node1 --> node2
node2 --> node3
node3 --> node4

@enduml

圖表翻譯： 此圖示展示了一個資訊物理生產系統（CPPS）的架構及其現有的攻擊面。智慧工廠由多個CPPS組成，這些系統由電子元件（如CPU和RAM）和用於透過感測器和執行器控制物理過程的監視器組成。在最低層，佈署的電子元件容易受到不同的入侵硬體和物理攻擊，例如側通道攻擊和逆向工程攻擊。在更高層，佈署在電子元件上的軟體可能會透過不同的木馬、病毒或其他型別的惡意程式碼被破壞。

4 異常檢測與回應

最後，如果IIoT系統因任何原因受到攻擊，應在最快速度檢測到，以避免造成嚴重損害。例如，可以使用異常檢測方法來識別系統中由於網路攻擊引起的任何異常行為。之後，必須採取適當的措施將系統還原到正常執行狀態。

程式碼範例：異常檢測

import numpy as np
from sklearn.ensemble import IsolationForest

# 生成模擬資料
np.random.seed(0)
data = np.random.randn(100, 2)

# 建立Isolation Forest模型
model = IsolationForest(contamination=0.1)

# 訓練模型
model.fit(data)

# 預測異常
predictions = model.predict(data)

# 輸出異常檢測結果
print(predictions)

內容解密：

此程式碼範例展示瞭如何使用Isolation Forest演算法進行異常檢測。首先，我們生成了一組模擬的正常資料。然後，我們建立了一個Isolation Forest模型，並將其訓練在這些資料上。最後，我們使用訓練好的模型對資料進行異常檢測，並輸出檢測結果。在這個例子中，我們設定了contamination引數為0.1，表示預期資料中有10%的異常值。Isolation Forest是一種無監督學習演算法，它透過構建多個隨機樹來隔離異常值。異常值通常更容易被隔離，因此具有較短的路徑長度。該演算法對於檢測高維資料中的異常值尤其有效。

工業物聯網中的資料安全與隱私保護

工業物聯網（IIoT）系統的安全性和隱私保護是目前面臨的一大挑戰。由於IIoT系統的複雜性和資源限制，解決這些問題非常具有挑戰性。許多研究人員已經從不同角度探討了工業物聯網系統中的安全和隱私問題，並開發了根據安全工程、安全和隱私管理、身份管理、工業版權管理、平台安全以及通訊安全和隱私等不同方法。

本章節將討論三種在IIoT系統中常見的對抗安全和隱私威脅的對策，包括驗證技術、金鑰建立技術和入侵檢測技術。同時，我們也將回顧文獻中根據這些技術提出的各種方法。此外，我們還將介紹現有的真實測試平台，以便在實際應用之前對提出的安全機制進行評估。

工業物聯網中的入侵檢測

網路入侵是指試圖損害主機和網路的機密性、完整性或可用性的行為。入侵檢測系統（IDS）是一種網路安全裝置，用於監控網路流量，以便及時發現可疑傳輸，從而採取適當的主動措施對抗現有的入侵。

IDS的操作流程

IDS的操作可以分為監控、分析和檢測三個階段，如圖2所示。第一階段依賴於根據網路或主機的感測器。第二階段依賴於特徵提取方法或模式識別方法。最後一個階段則依賴於異常或誤用入侵檢測。

@startuml
skinparam backgroundColor #FEFEFE
skinparam defaultTextAlignment center
skinparam rectangleBackgroundColor #F5F5F5
skinparam rectangleBorderColor #333333
skinparam arrowColor #333333

title IDS的操作流程

rectangle "監控" as node1
rectangle "分析" as node2
rectangle "檢測" as node3
rectangle "警示" as node4

node1 --> node2
node2 --> node3
node3 --> node4

@enduml

圖表翻譯： 此圖示展示了IDS的操作流程，包括監控、分析和檢測三個階段。網路流量首先透過主機或網路感測器進行監控，然後透過特徵提取或模式識別進行分析，最後透過異常或誤用檢測進行入侵檢測，若檢測到入侵則發出警示。

近期研究

Li等人提出了一種處理一維弱相關特徵資料的方法和一種根據多卷積神經網路（multi-CNN）融合方法的入侵檢測深度學習方法。他們首先對NSL-KDD基準資料集進行處理，根據相關性將特徵資料分為四部分，然後將一維特徵資料轉換為灰階圖，接著使用multi-CNN融合演算法進行入侵檢測。

另一個研究提出了一種新穎的聯邦深度學習方案，用於檢測針對工業資訊物理系統（CPSs）的網路威脅。他們設計了一個根據深度學習的入侵檢測模型，利用卷積神經網路和門控遞迴單元，並開發了一個聯邦學習框架，以構建一個綜合的入侵檢測模型。

程式碼範例與解析

# 匯入必要的函式庫
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv1D, GRU, Dense

# 定義模型結構
def create_model(input_shape):
    model = Sequential()
    model.add(Conv1D(32, kernel_size=3, activation='relu', input_shape=input_shape))
    model.add(GRU(64, return_sequences=True))
    model.add(Dense(1, activation='sigmoid'))
    model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
    return model

# 模型訓練
def train_model(model, X_train, y_train):
    model.fit(X_train, y_train, epochs=10, batch_size=32, validation_split=0.2)

# 使用模型進行預測
def predict(model, X_test):
    return model.predict(X_test)

# 主函式
if __name__ == "__main__":
    # 假設X_train, y_train, X_test已經準備好
    input_shape = (X_train.shape[1], 1)
    model = create_model(input_shape)
    train_model(model, X_train, y_train)
    predictions = predict(model, X_test)

內容解密：

  1. 匯入必要的函式庫：首先匯入了必要的深度學習函式庫，包括numpy、tensorflow.keras.models和tensorflow.keras.layers。
  2. 定義模型結構：定義了一個名為create_model的函式，用於建立一個根據CNN和GRU的深度學習模型。模型包含一個一維卷積層、一個GRU層和一個密集層。
  3. 模型編譯：在create_model函式中，使用binary_crossentropy作為損失函式，adam作為最佳化器，並將準確率作為評估指標。
  4. 模型訓練：定義了一個名為train_model的函式，用於訓練模型。使用訓練資料X_train和y_train進行訓練，設定了訓練輪數、批次大小和驗證集比例。
  5. 模型預測：定義了一個名為predict的函式，用於使用訓練好的模型對測試資料X_test進行預測。
  6. 主函式：在主函式中，首先確定輸入資料的形狀，然後建立模型、訓練模型並進行預測。

本章節對工業物聯網中的資料安全與隱私保護進行了探討，特別是在入侵檢測領域的研究進展和技術應用。透過對近期研究的回顧和分析，我們可以看到深度學習技術在入侵檢測中的巨大潛力。未來，研究人員需要繼續探索更有效的安全機制，以應對日益增長的網路威脅。

玄貓 BlackCat

玄貓 BlackCat

技術愛好者，專注於分享程式開發、雲端技術與 AI 應用的心得體會。