面向工程應(yīng)用的大數(shù)據(jù)技術(shù)實(shí)踐教學(xué)探索

田入運(yùn)， 曹一涵

（南京信息工程大學(xué)自動(dòng)化學(xué)院，南京 210044）

0 引 言

隨著信息技術(shù)的飛速發(fā)展和互聯(lián)網(wǎng)智能化的不斷深入，大數(shù)據(jù)技術(shù)在工程應(yīng)用中扮演著日益重要的角色［1］。大數(shù)據(jù)以其高速度、大容量、多樣性和價(jià)值密度高的特點(diǎn)，正在引領(lǐng)著全球各行各業(yè)的變革和創(chuàng)新［2］。作為大數(shù)據(jù)技術(shù)的核心，數(shù)據(jù)科學(xué)已經(jīng)成為培養(yǎng)學(xué)生的關(guān)鍵要素之一。然而，數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)實(shí)踐教學(xué)仍面臨一些挑戰(zhàn)和問題，傳統(tǒng)的大數(shù)據(jù)實(shí)驗(yàn)教學(xué)模式往往以理論知識(shí)或簡(jiǎn)單實(shí)踐為主，忽視了對(duì)工程應(yīng)用能力的培養(yǎng)。僅僅靠理論學(xué)習(xí)已經(jīng)不足以滿足工程應(yīng)用的需求［3］。因此，需要重新思考面向工程應(yīng)用的數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)實(shí)踐教學(xué)的方式和方法，培養(yǎng)學(xué)生具備解決實(shí)際問題能力和思維。

如何確保教學(xué)內(nèi)容與工程實(shí)踐緊密結(jié)合，培養(yǎng)學(xué)生具備數(shù)據(jù)科學(xué)和大數(shù)據(jù)技術(shù)的綜合能力，是當(dāng)前亟待解決的問題［4-6］。本文聚焦于將理論知識(shí)與工程應(yīng)用緊密結(jié)合，培養(yǎng)學(xué)生在工程場(chǎng)景下的數(shù)據(jù)科學(xué)應(yīng)用能力，提出一種結(jié)合問題導(dǎo)向?qū)W習(xí)（Problem-based Learning，PBL）、探究式學(xué)習(xí)（Inquiry-based Learning，IBL）和學(xué)習(xí)成果導(dǎo)向（Outcome-based Education，OBE）相結(jié)合的PIO（Problem-Inquiry-Outcome）綜合學(xué)習(xí)方式［7］。

PIO綜合學(xué)習(xí)方式可以將不同的學(xué)習(xí)方法和理念結(jié)合起來，以提供更全面和綜合的教育體驗(yàn)。PBL、IBL和OBE方法可以相互融合，以達(dá)到更好的學(xué)習(xí)效果［8］。本文旨在利用PIO 綜合學(xué)習(xí)方式，探索面向工程應(yīng)用的數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)實(shí)踐教學(xué)的改革策略。探討如何設(shè)計(jì)與實(shí)際工程應(yīng)用問題相關(guān)的教學(xué)內(nèi)容和案例，以引發(fā)學(xué)生的興趣和培養(yǎng)他們的實(shí)踐能力；研究如何利用創(chuàng)新的教學(xué)方法和工具，提高學(xué)生在大數(shù)據(jù)技術(shù)領(lǐng)域的學(xué)習(xí)效果和應(yīng)用能力；關(guān)注評(píng)估和反饋機(jī)制，以確保教學(xué)過程的持續(xù)改進(jìn)和學(xué)生能力的有效提升。

1 工程應(yīng)用問題案例

以工程項(xiàng)目“基于邊緣計(jì)算的微動(dòng)勘探橫波速度結(jié)構(gòu)即時(shí)成像系統(tǒng)”為例，從中提煉出“基于負(fù)載預(yù)測(cè)的負(fù)載分配與計(jì)算資源優(yōu)化”問題設(shè)計(jì)成學(xué)生的實(shí)踐內(nèi)容。為完成橫波速度結(jié)構(gòu)即時(shí)成像，首先選取合適的橫波速度結(jié)構(gòu)成像算法。空間自相關(guān)法從微動(dòng)信號(hào)的垂直分量中提取瑞利波相速度頻散曲線，通過對(duì)瑞利波頻散曲線的反演估算介質(zhì)橫波速度結(jié)構(gòu)，是目前快速有效確定沉積層橫波速度結(jié)構(gòu)的方法之一［9］。本項(xiàng)目采用的基于空間自相關(guān)法的微動(dòng)探測(cè)橫波速度結(jié)構(gòu)成像的任務(wù)處理，其總體結(jié)構(gòu)如圖1 所示。

圖1 基于空間自相關(guān)法的微動(dòng)探測(cè)即時(shí)成像結(jié)構(gòu)示意圖

由于微動(dòng)勘探所采用設(shè)備的計(jì)算能力和計(jì)算資源有限，需要采取措施來避免邊緣計(jì)算節(jié)點(diǎn)負(fù)載過重，從而導(dǎo)致計(jì)算任務(wù)在邊緣計(jì)算節(jié)點(diǎn)排隊(duì)等待的嚴(yán)重延遲情況。邊緣計(jì)算節(jié)點(diǎn)承載的負(fù)載遠(yuǎn)高于感知節(jié)點(diǎn)，在面對(duì)負(fù)載變化時(shí)，固定數(shù)量的邊緣計(jì)算資源可能會(huì)面臨過供應(yīng)和欠供應(yīng)的問題，進(jìn)而影響成像的即時(shí)性和穩(wěn)定性（PBL），為了降低任務(wù)排隊(duì)延遲，需要合理分配計(jì)算資源，而計(jì)算資源的分配依賴于負(fù)載，因此，首先需要探究邊緣網(wǎng)絡(luò)的負(fù)載動(dòng)態(tài)變化規(guī)律（IBL），根據(jù)負(fù)載的變化規(guī)律，實(shí)現(xiàn)對(duì)計(jì)算任務(wù)負(fù)載的預(yù)測(cè)，從而根據(jù)負(fù)載分配計(jì)算資源，完成橫波速度結(jié)構(gòu)的即時(shí)成像（OBE）。

在確定好項(xiàng)目架構(gòu)后，按模塊關(guān)聯(lián)項(xiàng)目任務(wù)，以任務(wù)關(guān)聯(lián)相關(guān)課程。如表1 所示，“基于負(fù)載預(yù)測(cè)的負(fù)載分配與計(jì)算資源優(yōu)化”項(xiàng)目包含的3 項(xiàng)任務(wù)分別關(guān)聯(lián)到數(shù)學(xué)建模、大數(shù)據(jù)采集與預(yù)處理、機(jī)器學(xué)習(xí)、Python程序設(shè)計(jì)、深度學(xué)習(xí)和最優(yōu)化理論與方法課程［10］，這些課程都是大數(shù)據(jù)類專業(yè)必修的專業(yè)課，對(duì)學(xué)生進(jìn)一步加深對(duì)于專業(yè)的認(rèn)識(shí)和理解，鞏固專業(yè)基礎(chǔ)有較好的促進(jìn)作用。同時(shí)，通過任務(wù)之間的關(guān)聯(lián)，學(xué)生能夠在項(xiàng)目中形成全局的視角和思維，使得項(xiàng)目的目標(biāo)和任務(wù)更加協(xié)調(diào)和高效。

表1 工程項(xiàng)目驅(qū)動(dòng)的大數(shù)據(jù)類專業(yè)課教學(xué)設(shè)計(jì)

2 實(shí)踐教學(xué)過程設(shè)計(jì)與實(shí)施

2.1 教學(xué)過程設(shè)計(jì)

項(xiàng)目“基于負(fù)載預(yù)測(cè)的邊緣計(jì)算負(fù)載分配與計(jì)算資源優(yōu)化”包含3 個(gè)模塊，引入6 門課程，在教學(xué)設(shè)計(jì)過程實(shí)施中按課程展開，通過項(xiàng)目驅(qū)動(dòng)的課程教學(xué)設(shè)計(jì)，學(xué)生能夠在具體項(xiàng)目的實(shí)踐中學(xué)習(xí)和應(yīng)用數(shù)學(xué)建模、機(jī)器學(xué)習(xí)、Python 程序設(shè)計(jì)、最優(yōu)化理論與方法和深度學(xué)習(xí)等專業(yè)知識(shí)和技能，專業(yè)課教學(xué)過程設(shè)計(jì)如表2 所示。

表2 工程項(xiàng)目驅(qū)動(dòng)的大數(shù)據(jù)類專業(yè)課教學(xué)過程設(shè)計(jì)

2.2 教學(xué)過程實(shí)施

（1）數(shù)據(jù)采集與預(yù)處理。邊緣網(wǎng)絡(luò)負(fù)載原始數(shù)據(jù)來源于微動(dòng)勘探設(shè)備，利用勘探設(shè)備中邊緣節(jié)點(diǎn)和傳感節(jié)點(diǎn)處理一定計(jì)算任務(wù)的響應(yīng)時(shí)間作為負(fù)載指標(biāo)。如果條件不允許，也可利用多臺(tái)電腦處理一定的計(jì)算任務(wù)進(jìn)行測(cè)試和收集數(shù)據(jù)，本文收集的數(shù)據(jù)集有2 個(gè)維度（本地響應(yīng)時(shí)間和外地響應(yīng)時(shí)間），各有70 000 多條實(shí)測(cè)數(shù)據(jù)，部分?jǐn)?shù)據(jù)集展示如圖2 所示。

圖2 部分原始數(shù)據(jù)集

獲取原始數(shù)據(jù)后，需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，選取本地響應(yīng)時(shí)間作為指標(biāo)，對(duì)于大量無序的數(shù)據(jù)集，包括清洗、轉(zhuǎn)換和準(zhǔn)備數(shù)據(jù)，以便后續(xù)的分析和建模。負(fù)載數(shù)據(jù)預(yù)處理的步驟如圖3 所示。

圖3 負(fù)載數(shù)據(jù)預(yù)處理

（2）負(fù)載動(dòng)態(tài)變化規(guī)律探究。由于邊緣計(jì)算節(jié)點(diǎn)匯聚和處理各個(gè)感知節(jié)點(diǎn)卸載而來的任務(wù)，若系統(tǒng)中邊緣計(jì)算節(jié)點(diǎn)的任務(wù)隊(duì)列向量Q（t）保持穩(wěn)定，即

式中，

同時(shí)，負(fù)載隊(duì)列向量也需保持穩(wěn)定，即

式中，

則系統(tǒng)保持穩(wěn)定［11］。為了避免邊緣計(jì)算節(jié)點(diǎn)負(fù)載過重而導(dǎo)致任務(wù)在邊緣計(jì)算節(jié)點(diǎn)的嚴(yán)重排隊(duì)延遲情況，邊緣計(jì)算節(jié)點(diǎn)的任務(wù)隊(duì)列和負(fù)載隊(duì)列應(yīng)該首先保持穩(wěn)定。邊緣計(jì)算節(jié)點(diǎn)承載的負(fù)載遠(yuǎn)高于感知節(jié)點(diǎn)，在面對(duì)負(fù)載的變化時(shí)，固定數(shù)量的邊緣計(jì)算資源可能會(huì)面臨過供應(yīng)和欠供應(yīng)的問題，進(jìn)而影響成像的即時(shí)性和穩(wěn)定性，如圖4 所示。

圖4 計(jì)算資源的過供應(yīng)和欠供應(yīng)

觀察成像服務(wù)的網(wǎng)絡(luò)負(fù)載變化趨勢(shì)發(fā)現(xiàn)，其負(fù)載呈現(xiàn)出周期性變化，雖然某些時(shí)刻仍具有一定的隨機(jī)性和突變性，但可直觀地按照其變化趨勢(shì)與特點(diǎn)將該負(fù)載劃分為爬升和下降兩種類型，根據(jù)此特點(diǎn)，需進(jìn)一步進(jìn)行負(fù)載分類。

（3）負(fù)載分類及負(fù)載預(yù)測(cè)方法設(shè)計(jì)。根據(jù)圖4 的負(fù)載變化趨勢(shì)，擬采用無監(jiān)督機(jī)器學(xué)習(xí)K-means 算法作為訓(xùn)練數(shù)據(jù)集分類和標(biāo)注處理的首選方法。該算法以歐幾里得距離為衡量目標(biāo)，根據(jù)設(shè)定的類別數(shù)量，經(jīng)過一定次數(shù)的迭代后，距離相近的數(shù)據(jù)會(huì)被劃分到相同類別中。然而，研究中發(fā)現(xiàn)僅使用原始的網(wǎng)絡(luò)負(fù)載數(shù)據(jù)和K-means算法難以按照設(shè)定類別對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行有效劃分。假設(shè)在負(fù)載訓(xùn)練數(shù)據(jù)集中有3 組數(shù)據(jù)S1、S2 和S3，其中S2 為下降類型，S1 和S3 為爬升類型，如圖4 所示。S1 和S2 的最大歐幾里得距離小于S1 和S3 的最大歐幾里得距離。因此，K-means 算法存在很大的概率將S1 和S2 劃分為相同的類型，而S1和S3 劃分為不同的類型。觀察到這兩種類型的網(wǎng)絡(luò)負(fù)載數(shù)據(jù)變化趨勢(shì)，可發(fā)現(xiàn)一階梯度特征能有效地表征爬升和下降類型網(wǎng)絡(luò)負(fù)載數(shù)據(jù)的變化特點(diǎn)。因此，本文采用一階梯度特征和K-means 算法相結(jié)合的方式訓(xùn)練一個(gè)分類神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類。

計(jì)算資源按需分配與彈性調(diào)度優(yōu)化的關(guān)鍵是提高邊緣計(jì)算節(jié)點(diǎn)網(wǎng)絡(luò)負(fù)載的預(yù)測(cè)精度。本文采用基于自適應(yīng)LSTM神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)一種負(fù)載預(yù)測(cè)方法，該方法根據(jù)輸入網(wǎng)絡(luò)負(fù)載數(shù)據(jù)的變化趨勢(shì)對(duì)負(fù)載分類，并根據(jù)分類結(jié)果自適應(yīng)地將輸入的負(fù)載數(shù)據(jù)調(diào)度到與之類型相匹配的LSTM負(fù)載預(yù)測(cè)模型中進(jìn)行預(yù)測(cè)。自適應(yīng)LSTM 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練和預(yù)測(cè)方法如圖5所示。

圖5 自適應(yīng)LSTM神經(jīng)網(wǎng)絡(luò)模型的（a）負(fù)載訓(xùn)練和（b）負(fù)載預(yù)測(cè)

在訓(xùn)練自適應(yīng)LSTM 負(fù)載模型過程中，選擇了1 000 輪的迭代次數(shù)，以保證模型可以充分學(xué)習(xí)時(shí)序序列中的規(guī)律。每進(jìn)行100 輪迭代，都會(huì)記錄訓(xùn)練誤差和驗(yàn)證誤差，并進(jìn)行監(jiān)測(cè)，如果發(fā)現(xiàn)模型的訓(xùn)練誤差和驗(yàn)證誤差達(dá)到了平穩(wěn)狀態(tài)，就可以終止訓(xùn)練。為了減小誤差，實(shí)驗(yàn)采用了反向傳播算法來更新模型的參數(shù)，使用隨機(jī)梯度下降法進(jìn)行參數(shù)更新，以提高訓(xùn)練效率。同時(shí)，也采用了dropout 技術(shù)來減少過擬合的影響。最終，在進(jìn)行1 000 輪迭代后，得到了一個(gè)自適應(yīng)LSTM負(fù)載預(yù)測(cè)模型。訓(xùn)練過程中，不斷調(diào)參重新訓(xùn)練，對(duì)于梯度下降算法的選取，最終確定了adam 自適應(yīng)梯度下降法。經(jīng)多次訓(xùn)練，確定初始學(xué)習(xí)率為0.005 與學(xué)習(xí)率下降因子0.1，得到了較好的訓(xùn)練效果，訓(xùn)練集與測(cè)試集預(yù)測(cè)結(jié)果如圖6 所示。

圖6 訓(xùn)練集和測(cè)試集預(yù)測(cè)結(jié)果

對(duì)于負(fù)載預(yù)測(cè)，可以通過向本研究所提出的LSTM模型輸入一定長(zhǎng)度的歷史數(shù)據(jù)，來預(yù)測(cè)接下來一段時(shí)間內(nèi)的未來數(shù)值。同時(shí)，也可以通過遞歸方式，對(duì)模型的預(yù)測(cè)結(jié)果進(jìn)行迭代，從而得到多個(gè)時(shí)間段的預(yù)測(cè)結(jié)果。圖7 展示了本模型的預(yù)測(cè)結(jié)果，在原始數(shù)據(jù)的基礎(chǔ)上對(duì)未來的500 個(gè)數(shù)據(jù)值進(jìn)行了預(yù)測(cè)。

圖7 負(fù)載預(yù)測(cè)結(jié)果

（4）計(jì)算資源優(yōu)化。計(jì)算資源的優(yōu)化依賴于計(jì)算任務(wù)的分配［12］，根據(jù)圖1，假定計(jì)算任務(wù)卸載模型為二進(jìn)制卸載，即可以在普通傳感節(jié)點(diǎn)上進(jìn)行處理，也可以卸載到邊緣計(jì)算節(jié)點(diǎn)處理，可表示為：

式中，

分別表示待處理計(jì)算任務(wù)在時(shí)隙t時(shí)分別在本地執(zhí)行和邊緣計(jì)算節(jié)點(diǎn)執(zhí)行的情況。假定時(shí)隙t的集合為T=｛0，1，2，…｝，并且每一個(gè)時(shí)隙的長(zhǎng)度為τ，用隨機(jī)變量A（t）表示時(shí)隙t內(nèi)到達(dá)傳感節(jié)點(diǎn)的計(jì)算任務(wù)，由任務(wù)處理系統(tǒng)的性質(zhì)假定A（t）滿足獨(dú)立同分布，并且E［A（t）］=λ ＜∞，其中λ 已知。設(shè)時(shí)隙t內(nèi)CPU 周期頻率為f（t），那么時(shí)隙t中的傳感節(jié)點(diǎn)在本地執(zhí)行的計(jì)算任務(wù)量可以表示為

式中，L為傳感節(jié)點(diǎn)上處理1 bit的數(shù)據(jù)需要的CPU周期數(shù)量，那么傳感節(jié)點(diǎn)在時(shí)隙t執(zhí)行計(jì)算任務(wù)的時(shí)間可以表示為：

假設(shè)邊緣計(jì)算節(jié)點(diǎn)上有足夠的資源進(jìn)行計(jì)算任務(wù)。當(dāng)選擇卸載待處理任務(wù)至邊緣計(jì)算節(jié)點(diǎn)進(jìn)行處理時(shí)，需要考慮待處理任務(wù)上傳到邊緣計(jì)算節(jié)點(diǎn)的傳輸時(shí)延以及將處理好的數(shù)據(jù)反饋的傳輸延遲，由于反饋的傳輸延遲遠(yuǎn)小于上傳的傳輸延遲，所以忽略其執(zhí)行延遲及反饋的傳輸延遲［13］。假設(shè)傳感節(jié)點(diǎn)通過正交頻分多址（OFDMA）的方法接入邊緣計(jì)算節(jié)點(diǎn)，信道帶寬是固定的，即采用無干擾的信道模型［14］，則傳輸速率計(jì)算公式如下：

式中：P（t）為普通傳感節(jié)點(diǎn)的傳輸功率；W為系統(tǒng)的帶寬；N0為噪聲的功率譜密度；H（t）為普通傳感節(jié)點(diǎn)到邊緣計(jì)算節(jié)點(diǎn)的信道功率增益，

g0為路徑損失常數(shù)；ε 為相關(guān)比例參數(shù)；d0為參考距離；θ為路徑損失函數(shù)；d為普通傳感節(jié)點(diǎn)到邊緣計(jì)算節(jié)點(diǎn)的距離。在時(shí)隙t內(nèi)傳感節(jié)點(diǎn)卸載到邊緣計(jì)算節(jié)點(diǎn)上的任務(wù)量可以表示為

普通傳感節(jié)點(diǎn)在時(shí)隙t卸載計(jì)算任務(wù)到邊緣計(jì)算節(jié)點(diǎn)的傳輸時(shí)間可以表示為

采用在預(yù)定義的優(yōu)化成像時(shí)延的方式。定義傳感節(jié)點(diǎn)在時(shí)隙t時(shí)的能耗

式中：Elocal（t）為傳感節(jié)點(diǎn)在t時(shí)隙內(nèi)本地執(zhí)行的能耗；Etrans（t）=P（t）·τ在時(shí)隙t內(nèi)計(jì)算任務(wù)卸載到邊緣計(jì)算節(jié)點(diǎn)的傳輸能耗。傳感節(jié)點(diǎn)在時(shí)隙t時(shí)離開隊(duì)列的數(shù)據(jù)量

協(xié)同計(jì)算任務(wù)的時(shí)延主要包括計(jì)算時(shí)延和傳輸時(shí)延?？梢杂肨（t）表示時(shí)隙t內(nèi)任務(wù)的時(shí)延，具體表示為

式中，To（t）表示數(shù)據(jù)量在邊緣計(jì)算節(jié)點(diǎn)的等待時(shí)延和計(jì)算時(shí)延。因?yàn)檫吘売?jì)算節(jié)點(diǎn)有充足的計(jì)算資源，設(shè)其計(jì)算周期頻率為定值fmax。引入Et表示時(shí)隙t內(nèi)的平均能耗，在每時(shí)刻滿足獨(dú)立同分布且引入Eavg平均能耗的最大值，則普通傳感節(jié)點(diǎn)在時(shí)隙t的能耗均值滿足：

基于以上約束，任務(wù)時(shí)延的最小化問題可以建模為如下最小化問題：

式中：約束式（14a）為輸出能量約束，在每個(gè)時(shí)隙輸出能耗不能超過Emax；約束式（14b）和（14c）分別為允許發(fā)射功率和CPU周期頻率約束；約束式（14d）為計(jì)算任務(wù)卸載決策的0—1 整數(shù)規(guī)劃約束。

時(shí)延最小化問題屬于隨機(jī)優(yōu)化問題，即需要確定每個(gè)時(shí)隙中傳感節(jié)點(diǎn)的最優(yōu)計(jì)算資源分配才能最小化時(shí)間延遲。李雅普諾夫優(yōu)化理論是處理隨機(jī)優(yōu)化問題的有效方法［15］。由于計(jì)算任務(wù)的到達(dá)時(shí)刻及任務(wù)隊(duì)列的長(zhǎng)度是隨機(jī)且不可預(yù)測(cè)的，所以卸載決策的選擇只能取決于當(dāng)前隊(duì)列積壓情況以及節(jié)點(diǎn)計(jì)算資源分配等信息。而該優(yōu)化理論僅使用當(dāng)前網(wǎng)絡(luò)中節(jié)點(diǎn)計(jì)算資源和當(dāng)前隊(duì)列長(zhǎng)度，并且不需要計(jì)算卸載或節(jié)點(diǎn)計(jì)算資源狀態(tài)的先驗(yàn)知識(shí)，能夠在保證隊(duì)列系統(tǒng)穩(wěn)定性的前提下同時(shí)實(shí)現(xiàn)卸載優(yōu)化與李雅普諾夫漂移優(yōu)化，漂移優(yōu)化過程就是求解最優(yōu)資源分配過程，因此可以實(shí)現(xiàn)在線決策。

按照李雅普諾夫優(yōu)化理論的需要，用兩條排隊(duì)隊(duì)列分別表示傳感節(jié)點(diǎn)與邊緣計(jì)算節(jié)點(diǎn)的任務(wù)隊(duì)列緩沖區(qū)，到達(dá)但還沒有執(zhí)行的任務(wù)將會(huì)進(jìn)入一個(gè)隊(duì)列緩沖區(qū)。Ql（t）為時(shí)隙t內(nèi)傳感節(jié)點(diǎn)的隊(duì)列，Qo（t）為時(shí)隙t內(nèi)邊緣計(jì)算節(jié)點(diǎn)的隊(duì)列。初始條件為0，即Q｛l，o｝（0）=0。Qo（t）隊(duì)列的更新公式為：

式中，Ao（t）表示時(shí)隙t中到達(dá)邊緣計(jì)算節(jié)點(diǎn)的數(shù)據(jù)量。針對(duì)上述問題，本項(xiàng)目通過對(duì)負(fù)載進(jìn)行提前預(yù)測(cè)，根據(jù)負(fù)載預(yù)測(cè)結(jié)果對(duì)計(jì)算資源進(jìn)行分配和調(diào)度，避免計(jì)算資源分配與調(diào)度滯后于負(fù)載變化問題。

在求解過程中獲得的值表示最優(yōu)計(jì)算卸載和計(jì)算資源分配。該算法利用深度神經(jīng)網(wǎng)絡(luò)（DNN）實(shí)現(xiàn)邊緣計(jì)算資源分配。根據(jù)輸入的參數(shù)和常量初始化仿真場(chǎng)景和算法參數(shù)。創(chuàng)建一個(gè)DNN 對(duì)象來存儲(chǔ)和處理神經(jīng)網(wǎng)絡(luò)。采用的李雅普諾夫優(yōu)化的計(jì)算資源分配算法如下：

?

根據(jù)上述算法，對(duì)計(jì)算資源分配算法進(jìn)行測(cè)試，如圖8（a）所示。計(jì)算模式選擇的趨勢(shì)大致可以分為兩個(gè)階段。第1 階段涵蓋時(shí)隙0 ～200，其中算法仍處于初始迭代階段，隊(duì)列尚未收斂，導(dǎo)致處理任務(wù)的計(jì)算模式選擇出現(xiàn)較大波動(dòng)。該階段本地執(zhí)行的任務(wù)比例高于邊緣計(jì)算節(jié)點(diǎn)。第2 階段涵蓋時(shí)隙200 ～5 000。隨著時(shí)隙數(shù)量的增加，邊緣計(jì)算節(jié)點(diǎn)執(zhí)行計(jì)算任務(wù)的比例逐漸增加，計(jì)算選擇模式的曲線趨于平滑，表明在這一階段傾向于將任務(wù)卸載到邊緣計(jì)算節(jié)點(diǎn)執(zhí)行，從而最大限度地減少系統(tǒng)模式下的能耗。圖8（b）顯示了在相對(duì)距離為200 m的普通傳感節(jié)點(diǎn)和邊緣計(jì)算節(jié)點(diǎn)的前1 000 個(gè)時(shí)隙期間所選計(jì)算模式選擇的詳細(xì)視圖，可看出早期階段計(jì)算模式選擇的變化更為明顯。在這個(gè)階段，本地執(zhí)行的計(jì)算比例高于邊緣計(jì)算節(jié)點(diǎn)執(zhí)行的計(jì)算，并且隨著時(shí)間的推移保持穩(wěn)定。當(dāng)計(jì)算任務(wù)選擇的概率為0.6 時(shí)，所需時(shí)隙的數(shù)量達(dá)到最大值120。

圖8 （a）計(jì)算任務(wù)的節(jié)點(diǎn)選擇和時(shí)隙數(shù)量和（b）前1 000個(gè)時(shí)隙期間所選計(jì)算模式

對(duì)傳感器節(jié)點(diǎn)和邊緣計(jì)算節(jié)點(diǎn)的任務(wù)隊(duì)列積壓是評(píng)價(jià)計(jì)算資源分配算法的重要指標(biāo)。隨著時(shí)隙數(shù)的增加，隊(duì)列積壓不斷變化，隊(duì)列積壓波動(dòng)越小，表示隊(duì)列越穩(wěn)定。圖9（a）說明了當(dāng)相對(duì)通信距離為200 m時(shí)，傳感器節(jié)點(diǎn)、邊緣計(jì)算節(jié)點(diǎn)的平均隊(duì)列長(zhǎng)度和整體隊(duì)列積壓的變化。平均隊(duì)列長(zhǎng)度最初隨著時(shí)隙的推移而增加，然后逐漸達(dá)到一定值，并表現(xiàn)出周期性波動(dòng)，表明隊(duì)列達(dá)到了穩(wěn)定狀態(tài)。

圖9 （a）200 m通信距離處傳感器節(jié)點(diǎn)、邊緣計(jì)算節(jié)點(diǎn)的平均隊(duì)列長(zhǎng)度和總積壓（b）不同距離處傳感器節(jié)點(diǎn)的隊(duì)列積壓的比較（c）不同距離的邊緣節(jié)點(diǎn)的隊(duì)列囤積的比較

圖9（b）和圖9（c）展示了傳感器節(jié)點(diǎn)在3 個(gè)不同距離（200、300 和400 m）的隊(duì)列積壓的比較。從圖中可以明顯看出，傳感器節(jié)點(diǎn)和邊緣計(jì)算節(jié)點(diǎn)的隊(duì)列積壓在200 m的距離上都表現(xiàn)出輕微的波動(dòng)，雖然波動(dòng)隨著距離的增加而增加，但即使在400 m的距離上，隊(duì)列積壓也保持穩(wěn)定，體現(xiàn)了處理器和內(nèi)存性能的影響。

影響微動(dòng)探測(cè)即時(shí)成像的最重要因素是執(zhí)行延遲，平均隊(duì)列長(zhǎng)度是執(zhí)行延遲的指標(biāo)。由圖可知，平均隊(duì)列長(zhǎng)度的最小收斂值出現(xiàn)在200 m 處，表明該計(jì)算資源算法在執(zhí)行延遲方面具有更好的性能。隨著距離的增加，節(jié)點(diǎn)執(zhí)行計(jì)算任務(wù)的延遲也會(huì)增加。圖10 提供了3 種不同距離上延遲大小的比較，每個(gè)距離處的延遲最初隨著間隔的數(shù)量而增加，最終降低到穩(wěn)定值。當(dāng)相對(duì)距離為200 m時(shí)，時(shí)間延遲約為9 ms。在相對(duì)距離300 m處，時(shí)延最初增加到18 ms，略有增加，然后逐漸接近15 ms。同樣，當(dāng)相對(duì)距離為400 m 時(shí)，時(shí)間延遲首先上升到20 ms，然后慢慢接近17 ms。延遲大小表明，200 m的相對(duì)距離是最佳位置，延遲的穩(wěn)定性驗(yàn)證了計(jì)算資源分配算法的可行性。

圖10 不同距離執(zhí)行延遲的比較

3 實(shí)驗(yàn)教學(xué)效果評(píng)價(jià)

表3 展示了面向工程應(yīng)用的大數(shù)據(jù)專業(yè)實(shí)踐教學(xué)考核內(nèi)容、評(píng)價(jià)內(nèi)容、考核能力和評(píng)價(jià)指標(biāo)可用于對(duì)學(xué)生在實(shí)踐教學(xué)中的表現(xiàn)進(jìn)行評(píng)估和反饋，以促進(jìn)他們的學(xué)習(xí)和能力發(fā)展。

表3 面向工程應(yīng)用的數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)實(shí)踐教學(xué)考核

基于PIO理念，面向工程應(yīng)用的實(shí)踐教學(xué)可實(shí)現(xiàn)以下目標(biāo)：

（1）在綜合學(xué)習(xí)的環(huán)境中，學(xué)生可以通過問題導(dǎo)向?qū)W習(xí)方法來引發(fā)好奇心和主動(dòng)學(xué)習(xí)的動(dòng)力。隨著問題的提出，學(xué)生可以利用探究式學(xué)習(xí)的方法，深入研究問題、收集信息、進(jìn)行實(shí)證和分析。同時(shí)，學(xué)習(xí)成果導(dǎo)向的方法可以幫助學(xué)生明確學(xué)習(xí)目標(biāo)和成果，將問題導(dǎo)向和探究過程與學(xué)習(xí)成果相結(jié)合，形成具體的學(xué)習(xí)成果和評(píng)估標(biāo)準(zhǔn)。

（2）綜合學(xué)習(xí)方式強(qiáng)調(diào)學(xué)生的主動(dòng)參與和自主學(xué)習(xí)，培養(yǎng)學(xué)生的解決問題的能力、批判性思維和創(chuàng)造力。學(xué)生通過參與問題解決和探究活動(dòng)，不僅能夠掌握必要的知識(shí)和技能，還能夠培養(yǎng)解決實(shí)際工程問題和應(yīng)對(duì)復(fù)雜情境的能力。

（3）教師在綜合學(xué)習(xí)環(huán)境中的角色是指導(dǎo)者和支持者。教師一方面可以設(shè)計(jì)有挑戰(zhàn)性和啟發(fā)性的問題，提供工程應(yīng)用問題的材料，支持學(xué)生的探究活動(dòng)，根據(jù)學(xué)生的需要和學(xué)習(xí)進(jìn)展提供個(gè)性化的支持和反饋，確保學(xué)習(xí)目標(biāo)和評(píng)估標(biāo)準(zhǔn)的清晰和可衡量性。另一方面，教師也要關(guān)注個(gè)體差異和學(xué)生需要，進(jìn)行充分的規(guī)劃和組織，創(chuàng)造多樣化的學(xué)習(xí)機(jī)會(huì)和環(huán)境。

（4）綜合學(xué)習(xí)方式可以為學(xué)生提供更具意義和深度的學(xué)習(xí)體驗(yàn)，并培養(yǎng)他們?cè)诓煌榫诚碌木C合能力和學(xué)習(xí)技能。適應(yīng)性強(qiáng)的綜合學(xué)習(xí)方式更加貼近現(xiàn)實(shí)需求，并促進(jìn)學(xué)生的長(zhǎng)期發(fā)展和成就。

以工程項(xiàng)目驅(qū)動(dòng)的大數(shù)據(jù)類課程教學(xué)改革自運(yùn)行以來，目前已有2 屆本科生開展競(jìng)賽驅(qū)動(dòng)的課程教學(xué)，學(xué)生在阿里云天池大賽、CCF 大數(shù)據(jù)與計(jì)算智能大賽、全國人工智能大賽等省級(jí)以上學(xué)科競(jìng)賽獲獎(jiǎng)70 余項(xiàng)，參與教師橫向科研工程項(xiàng)目30 多項(xiàng)，發(fā)表中文核心期刊論文6 篇，授權(quán)實(shí)用新型專利和軟件著作權(quán)多項(xiàng)。學(xué)生在工程項(xiàng)目應(yīng)用和學(xué)科競(jìng)賽中取得的成就也展示了其解決實(shí)際問題的能力，這些成果不僅是教學(xué)改革的成功范例，也為今后的課程教學(xué)提供了寶貴的經(jīng)驗(yàn)和啟示。

4 結(jié) 語

本文探討了在面向工程應(yīng)用的數(shù)據(jù)科學(xué)與大數(shù)據(jù)技術(shù)實(shí)踐教學(xué)中，以工程項(xiàng)目為背景設(shè)計(jì)的實(shí)踐課程內(nèi)容。通過針對(duì)工程項(xiàng)目“基于邊緣計(jì)算的微動(dòng)勘探橫波速度結(jié)構(gòu)即時(shí)成像系統(tǒng)”的學(xué)生實(shí)踐，設(shè)計(jì)了負(fù)載動(dòng)態(tài)變化規(guī)律探究、負(fù)載預(yù)測(cè)模型設(shè)計(jì)和實(shí)施、計(jì)算資源分配方案設(shè)計(jì)和優(yōu)化3 個(gè)項(xiàng)目?jī)?nèi)容。項(xiàng)目?jī)?nèi)容不僅考察了學(xué)生的數(shù)據(jù)科學(xué)與分析能力、模型建立與應(yīng)用能力、問題解決與創(chuàng)新能力和團(tuán)隊(duì)合作與溝通能力。在教師的角色轉(zhuǎn)變方面，本文提出了從知識(shí)灌輸者轉(zhuǎn)變?yōu)閷W(xué)習(xí)指導(dǎo)者的轉(zhuǎn)變，這種轉(zhuǎn)變將促進(jìn)學(xué)生的實(shí)踐能力和創(chuàng)新思維的培養(yǎng)，使其能夠更好地適應(yīng)工程應(yīng)用的需求，并為社會(huì)和行業(yè)的發(fā)展做出貢獻(xiàn)。