前言

近年来，随着信息技术的快速发展，智能手机、可穿戴设备、无人平台等终端设备广泛普及，已成为人们接入信息世界的主要入口节点。与之相随，海量原始数据正由终端设备不断产生，如何高效处理这些原始数据，挖掘其中的信息价值，服务人们的生产生活已成为当下重要的现实课题。而人工智能理论与方法的跨越式发展和进步，特别是以深度神经网络为代表的先进智能模型，给高效处理、运用上述终端数据带来了新的契机，将人工智能技术与终端信息处理相结合，实现终端数据的智能化处理已是产业界、学术界尤为关注的新热点。

受限于终端设备有限的算力与续航力，仅依靠终端设备本身，往往难以完成复杂的终端智能信息处理任务。针对该挑战，在传统的云计算模式下，终端设备通常将原始数据悉数传输至云中心，依托云中心的大规模算力处理海量原始数据。然而，这不可避免地带来了沉重的数据传输负担与数据隐私安全隐患。人们对响应延迟、数据安全等信息服务要求的不断提升，以及边缘计算等新技术的崛起，智能信息处理服务在需求与技术的双重驱动下，不断向边缘侧乃至终端侧下沉。有机整合云中心、边缘设备与终端设备，在云边端融合计算模式下对终端数据进行智能处理，已成为当前终端智能服务发展的新趋势。

本书聚焦云边端融合计算模式下的终端智能信息处理技术，从数据传输和智能计算两个方面开展研究。首先，在数据传输方面，本书关注如何实现终端设备与边缘设备、云中心之间的高效数据传输，解决大量终端设备带来的链路拥塞、数据冗余等问题，优化云边端三层之间的数据传输效用。接着，本书围绕智能模型的学习训练与部署运行这两个智能计算的主要过程，针对终端设备算力、续航力受限这一现实挑战，研究云边端融合计算模式下的智能模型部署运行和学习训练方法，实现终端智能模型的高效推理与持续演进。

具体而言，本书第1章介绍了终端智能信息处理、云边端融合计算模式，指出了云边端融合信息处理面临的挑战，以及本书关注的问题。第2章围绕大量终端设备如何自主选择通信链路与后端进行数据传输的问题，研究了终端设备数据传输链路自主协同选择方法，优化云边端数据传输链路利用效率。第3章针对各终端设备中存在冗余数据的情况，研究了多终端设备协同数据传输方法，通过优化各终端设备的数据块传输决策，提高数据传输效用。第4章考虑了终端设备与后端云中心之间传输链路通畅情况下的智能模型分层部署方法，实现云端协同智能推理，降低终端智能信息处理开销。针对终端设备与后端不可达的情况，第5章提出了智能计算模型压缩方法，大幅度降低终端智能计算模型的算力要求，实现终端侧自主智能推理。与之相应，第6、7两章研究了在终端设备与后端可达或不可达情况下的终端智能模型学习训练问题，分别提出云边端分层联邦学习方法和端到端完全分布式学习方法，实现云边端融合的终端智能模型持续学习训练。

本书撰写分工为：王吉负责全书章节主笔撰写；张雄涛负责协助撰写第6、7章内容；包卫东负责修改完善第1章内容，并指导梳理全书逻辑框架；朱晓敏负责修改完善第2、3章内容。

本书是对作者近5年来研究成果的总结，工作的完成离不开团队的支持，在此特别感谢伊利诺伊大学Philip S. Yu教授、佐治亚理工学院Ling Liu教授的指导。不同于大部分边缘智能方面的书籍以概念介绍、工程应用为主，本书以基础理论、前沿方法为主，侧重关键技术论述，在终端智能信息服务这一问题上提出刍荛之见，以期为后续研究与实践应用开拓思路。

本书关注的问题是一个正在快速发展的新兴领域，由于作者水平有限、编著时间仓促，本书错误或不足之处在所难免，恳请读者朋友批评指正、交流碰撞，有关问题或建议欢迎致信wangji@nudt.edu.cn。

王　吉
2024年1月