基于邊緣計算的溫室傳感器故障自識別系統設計與實現

摘要：無線傳感器數據為智能環境調控提供決策依據，合理準確的數據是正確決策的前提，實時檢測異常數據至關重要。針對傳統的靜態數據異常檢測算法檢測精度和效率低下、將數據上傳至云計算中心分析增加帶寬的傳輸壓力和控制決策反饋時間等問題，提出一種基于邊緣計算和數據融合的新方法。采用多模態感知融合算法進行異常數據檢測，對實際發生的濕度、溫度、光照等農業溫室異常數據集進行仿真分析，使用滑動窗口方式處理數據流無限問題，計算單傳感器和多傳感器數據方差、多傳感器數據間相關性系數，優化關鍵結構參數。結果表明，該模型能夠檢測出傳感器的異常數據，單節點多傳感器故障識別率為82.5%，多節點多傳感器故障識別率為72.5%，匯聚數據上傳可減少傳輸頻率，單次節約30%數據流量，減輕服務器壓力與數據傳輸延遲。對于解決溫室傳感器數據異常問題及邊緣計算在溫室環境設備中的應用提供有益參考。

關鍵詞：智能溫室；傳感器故障；邊緣計算；異常數據檢測；數據融合；物聯網

中圖分類號：S625.1" " " 文獻標志碼：A" " " 文章編號：2095?5553 （2024） 08?0100?07

Design and implementation of greenhouse sensor fault self?identification system"based on edge computing

Xiao Xuepeng1， Wang Mingfei1， Zhang Xin1， Wang Lichun2， Wei Xiaoming1， Zheng Wengang1

（1. Information Technology Research Center， Beijing Academy of Agriculture and Forestry Sciences， Beijing， 100097， China; 2. Intelligent Equipment Technology Research Center， Beijing Academy of Agriculture and Forestry Sciences， Beijing， 100097， China）

Abstract： Wireless sensor data provides decision basis for intelligent environment regulation and control， reasonable and accurate data is the prerequisite for correct decision making， and real?time detection of abnormal data is crucial. In response to the problems of low detection accuracy and efficiency of traditional algorithms used for static data anomaly detection， uploading data to the cloud computing center for analysis， increasing the transmission pressure of bandwidth and control decision feedback time， a new method based on edge computing and data fusion is proposed. The multi?modal sensing fusion algorithm was used to detect anomaly data， simulate and analyze the actual abnormal data sets of agricultural greenhouse such as" humidity， temperatureand light. The sliding window method was used to deal with the infinite data flow， and calculate the variance of single sensor and multi?sensor data， and the correlation coefficient between multi?sensor data， so as to optimize the key structural parameters. The results show that the model can detect the abnormal data of the sensor，" the fault recognition rate of single?node multi?sensor is 82.5%， and the fault recognition rate of multi?node multi?sensor is 72.5%. The aggregated data uploads can reduce the frequency of transmission， saving 30% of data traffic in a single pass， reducing server pressure and data transmission latency. And the results of this paper can provide useful references for solving the problem of abnormal greenhouse sensor data and the application of edge computing in greenhouse environmental equipment.

Keywords： smart greenhouse; sensor fault; edge computing; anomaly data detection; data fusion; Internet of Things

0 引言

隨著信息技術發展和互聯網技術大規模應用，全面感知、萬物互聯的時代來臨，眾多的物聯網形式傳感器在農業溫室環境中得到應用。收集的大量傳感器數據，一方面，可以提取有價值的信息，另一方面，接收分析儲存大量的數據，產生遠程服務器壓力和數據傳輸延遲等實際問題。在智能溫室控制系統中，準確的數據是決策的基礎，需要消除收集的異常數據并報告給用戶，同時保留合理的正常數據以支持智能決策。因此，異常數據檢測在智能溫室控制中發揮著重要作用[1]。

異常數據產生的原因多種多樣，如監控環境中傳感器故障、意外事件等，及時發現異常數據十分必要。作為數據挖掘的重要研究方向[2]，異常檢測已經被應用到各種場景中，并設計了各異的異常檢測算法，一些有代表性的例子是基于聚類[3]、距離（或密度）[4]、相對密度[5]、角度[6]和樹模型[7]的異常檢測算法。許多現有的工業異常檢測方法首先從單一或多個來源的時間序列收集傳感器數據，并將收集的傳感器數據與所有已知的異常模式進行比較，找尋超出預先定義范圍的異常數據。但是，對于互聯網傳感器的異常檢測方面，存在兩大問題需要解決。首先，傳統檢測方式一旦出現未定義的異常狀態，很有可能被誤檢測為正常模式。其次，幾乎所有的異常狀態都應該實時地檢測出來，而不是被分析和與云計算中心已知的異常模式進行比較。針對數據傳輸與網絡延遲問題人們提出來邊緣計算方法[8]，將邊緣計算融入到智能溫室控制系統中，相較于云端計算更接近用戶，具有信息和數據響應快、數據傳輸延遲低、系統能耗低等優勢[9]。實時監測環境信息并利用這些信息促進智慧決策，在新的計算模式下，邊緣計算設備都具有數據收集、分類運算、通信和智能管理的能力，邊緣計算控制器對感知數據進行判斷計算，只有在數據發生重大變化時才與數據中心通訊，決定調整設備運行狀態；而不是不斷將各種感知數據反饋給數據中心，環境控制系統的控制延遲問題得到優化[10]。

本文在此基礎上提出基于邊緣計算的溫室傳感器故障自識別系統，使用滑動窗口技術、模型更新概念和數據感知融合，設計一種設計新型數據流異常檢測算法，將異常數據濾除后匯聚傳輸到云計算平臺[11， 12]。將其集成到智能溫室控制系統中[13， 14]。

1 系統整體設計

根據邊緣計算設備在系統中的能力和位置，邊緣計算框架將充當云和物聯網傳感器之間的中間件，作為滿足實時監測系統需求的媒介[15]，該框架主要由無線傳感器監控節點、現場執行控制節點、邊緣計算網關和云計算平臺[16]。無線傳感器監控節點、現場執行控制節點設計并部署在作物種植溫室，云計算平臺被設計為位于遠程數據服務器上，而邊緣計算節點則位于作物溫室的高性能數據網關上。在這個系統下，無線傳感器監控節點進行數據采集，傳入邊緣計算網關；邊緣計算網關根據云服務器發布的溫室調控要求進行計算并向控制節點發布任務指令；控制節點收到任務指令并完成相應的操作，系統整體架構如圖1所示。在這種架構下，邊緣計算網關和云計算平臺之間的通信協議采用消息隊列遙測傳輸技術（MQTT），利用LoRa技術組建低功耗局域網與無線傳感器監測節點、現場執行控制節點進行通信，邊緣計算層根據環境參數需求決定溫室環境調節裝置是否可以運行。

1.1 溫室無線傳感器監控節點設計

眾多無線傳感器節點組成溫室物聯網在線監測系統[20]，在監測區域內，無線傳感器節點按順序排列，每個節點包含監測不同環境的傳感器，收集周圍的主要環境信息并記錄實時監測數據。本文使用無線傳感器監控節點包括：室外氣象監測節點、溫室環境監測節點、溫室土壤監測節點。在這個框架中，無線傳感器節點主要使用LoRa無線傳輸與網關通信，傳感器監測節點如圖2所示。

1.2 現場執行控制節點設計

現場執行控制節點控制設備包括通風窗、濕簾風機、灌溉水泵、電動遮陽網、保溫被等。現場執行控制節點通過LoRa通訊技術與邊緣計算網關進行通信，通過接收網關下發的控制指令，對上述幾種主要的環境調控設備進行驅動控制，從而實現溫室環境參數的動態平衡控制。

1.3 邊緣計算網關

邊緣計算網關是系統的核心部件由邊緣計算服務器樹莓派、Lora WAN模塊和4G數據模塊三部分組成。

選用選擇樹莓派（Raspberry PI）4B搭建網關平臺，Raspberry PI優勢在于豐富的社區資源，被各個開源基金組織廣泛使用。樹莓派可以實現復雜功能的軟、硬件集成，進而完成系統的快速部署。將樹莓派的千兆網口接入4G路由器，利用4G網絡實現輕量級數據傳輸工作，解決溫室環境布線及網絡問題。

采用Python語言搭建邊緣計算設備服務器，構建Flask微框架，SQLite數據庫引擎負責數據管理和存儲。Flask作為流行的網絡框架，其主要特點是高度可擴展、兼容性高，能夠快速構建網站或web服務；SQLite作為嵌入式SQL數據庫引擎，可以直接讀寫普通磁盤文件，跨平臺的文件格式，可在多個架構之間自由復制。

樹莓派串行通信訪問的本地設備，存儲過去15天的本地歷史數據，并將過濾后的數據傳輸到云網絡平臺進行管理。樹莓派的邊緣計算界面由Electron+Vite編寫，實現數據顯示和設備控制的功能。Electron是一個不需要本地開發經驗就可以構建桌面應用框架在Windows上運行的跨平臺應用程序；Vite作為新的前端構建工具，可顯著改善前端開發體驗，基于本地ES模塊提供豐富嵌入功能，快速的熱更新模塊、高度優化的靜態資源為正式輸出預先配置，幫助網站快速成型。

在這個框架中，邊緣計算網關作為一個中間層，為無線傳感器提供本地服務，可以提高服務質量和實時信息反饋。因此，縮短了與MQTT服務器的遠程操作所帶來的等待時間，同時進行數據的初始處理，通過承擔MQTT服務器的一部分運算處理，減少了MQTT服務器的上傳數據量，減輕了帶寬負荷。

網關在異常檢測中起著關鍵作用，平時網關作為一個中繼設備，將無線傳感器網關收集的監測數據上傳到MQTT服務器。同時，對收集到的數據進行基于模態感知數據融合的異常檢測，一旦檢測到異常，邊緣計算網關立即向MQTT服務器報告，并驅動底層控制器提供應急響應方案。

1.4 云平臺設計

云平臺是存儲數據中心、控制中心和處理數據中心。在上述異常檢測方法中，將學習模型部署在MQTT服務器上，生成的模型參數返回網關，實時進行異常檢測。隨著網絡環境配套設備的發展，對物聯網的協議選擇和平臺負載的要求也越來越高，采用基于TCP（傳輸控制協議）的MQTT協議作為主要傳輸協議， EMQX（信息服務器）作為物聯網平臺的接入層，提供數據傳輸效率。系統采用了跨平臺的B/S架構，前端和后端由獨立的部門分開。主要使用Vue框架來制作前端用戶界面，Axios獲取數據并渲染頁面。后端主要使用Django網絡框架和ORM來進行數據操作。EMQX中間件將IoT設備與平臺連接起來，并在終端設備和平臺之間交換數據。EMQX中間件連接了物聯網設備和平臺，實現了終端設備和平臺之間的數據交換。在面向用戶的應用程序中采用跨平臺技術，以減少開發和維護成本。

2 異常數據檢測方法

2.1 異常數據

邊緣計算網關利用分散的網絡設施來進行異常評估，并減少云服務器的壓力。在盡可能接近數據源的情況下，一部分特殊數據直接在邊緣計算網關設施上處理。根據數據每天的變化趨勢可知，空氣溫度和土壤質量的變化是緩慢而漸進的，而濕度和二氧化碳及二氧化碳濃度的變化則極為迅速，光照強度變化趨勢最為劇烈。

溫室環境中的數據存在許多潛在的問題：設備無數據傳輸，網關無法接收數據；設備中的數據工作方式不穩定，有時出現異常值；設備的數據突然變化，短時間內數據值出現強烈變化，下一個數據恢復正常；設備數據突然突變，數據值在短時間內發生明顯變化；設備數據橫值，數據值長時間不變化。導致數據異常的原因各異，如圖3所示，由于植物阻擋了太陽能充電板，導致設備處于低功耗模式，數據采集異常，設備無法完成傳輸工作；圖4為設備功能異常值，采集數值超出溫室光照正常范圍；圖5為土壤含水率變化突然，農事操作移動傳感器，造成設備數據異常；圖6為設備功能異常值，無法完成數據采集工作。

2.2 異常數據檢測算法

傳統的異常檢測算法每次能處理的數據量有限；幾乎不考慮數據流的相關性；數據生成過程和數據分布可能隨時間變化，不能適應溫室傳感器數據流的異常檢測需求。因此，采用滑動窗口來管理和控制從監控節點上傳的數據，解決溫室環境中數據量巨大的問題。

在檢測異常之前，需要對數據進行預處理，統一監控節點數據格式，方便不同數據之間進行相互運算。進行數據量綱縮放時，主要有兩種方法：Min-max規范與Z-score規范，由于Z-score規范相較于Min-max規范，算法簡單，不依賴數據大小，結果也容易比較，所以本文數據采用Z-score規范化，新的數據集具有零均值，方差為1，用公式表示：新數值=（原值-均值）/標準差。

監控節點以數據流的形式傳遞給邊緣計算網關，因此數據核心以下列結構方式定義

[DTm=S1，S2，…Si，…，Sm=r1t1r1t2…r1tmr2t1r2t2…r2tm?" " " ?" " ??rnt1rnt2…rntm] （1）

式中： DTm——在m個采集間隔內接收的n個監控節點數據集合；

Si——在第i個采集間隔內接收到的n個監控節點數據集合，即[Si=r1，r2，…ri，…，rm]；

ri（ti）——在ti時刻監控節點ri向邊緣計算網關發送的數據。

從監控節點上傳的數據流中選取長度為[w]的數據，將其分為n個數據塊，即（block1，block2，block3，…，[blockn]，每一個數據塊的長度為[m]，當網關接收到新的數據塊blocknew時，滑動窗口中，數據流頂部數據塊blockold?est被舍棄，邊緣計算網關的不同監控節點均使用滑動窗口來處理數據流。

截取窗口大小[w]=q的數據塊，其中數據來源為[tq]時刻之前的q個某監控節點數據，即（[rj（t1）]，[rj（t2）]，[rj（t3）]，[…，rj（tq）]），該滑動窗口內部數據的方差

[δ2=i=1qrj（ti）-rj2q-1] （2）

式中： [rj]——該滑動窗口內部數據的均值。

當網關接收到新數據時，[rj（tq+1）]替換[rj（t1）]，則

[δ2=i=2qrj（ti）-rj2q-1] （3）

數據正常時，包含新數據窗口和前一時刻的方差變化最小，但如果方差變化很大，則可能是不正常的數據。

相關性系數

[rik=C（Xi，Yk）C（Xi，Yi）C（Xk，Yk）=i=1n（xji-Xi）（yjk-Yi）i=1n（xji-Xi）2i=1n（xjk-Xi）2] （4）

式中： xji——[Xi]數據流的第k個數據；

yjk——[Yk]數據流的第k個數據。

[rik]絕對值介于0～1之間，越接近于1，相關程度越強，接近于0，表示不存在相關性。

[rj（ti）-Eej（t）+Enj（t）2gt;δ2] （5）

式中： [rj（ti）]——第[j]個監控節點在[ti]時刻接收到的數據；

[Eej（t）]——正常工況下監控節點選定時間內數據的數學期望；

[Enj（t）]——監控節點選定時間內數據的數學期望。

如果上述不等式成立，則表示當前數據可能為異常，否則為正常數據。

如果一個傳感器本身有故障，可能上傳數據消失，或從傳感器往上傳送的數據在一定時間內保持不變。即

[rj（ti）=rj（ti+1）] （6）

以此為基礎，判斷從監控節點上傳數據是否異常，每個數據異常的概率為

[Pj（ti+1）=Pj（ti）+c?k2] （7）

式中： [Pj（ti）]——數據異常的概率；

c——常數。

初始[Pj（t0）]設為0，當[rj（ti）=rj（ti+1）]時，則[Pj（ti+1）]按照式（7）計算，當[rj（ti）≠rj（ti+1）]時，[Pj（ti+1）]清零。

傳感器之間存在相互關聯，如果有環境情況改變，其他傳感器肯定會做出反應，但是，如果某個傳感器有錯誤的數據，那么其他傳感器就不會做出反應，因此需要計算多個傳感器之間的錯誤率的概率。異常的發生概率在多個傳感器之間被計算。多個傳感器數據的異常發生概率是由各個傳感器數據的異常發生概率計算出來的，并且可以通過式（8）計算。

[PT（ti）=j=1mλj×Pj（ti）] （8）

式中： [λj]——權重系數，[j=1mλj=1]。

[λj]與數據波動的大小相關，可以從單個數據流的方差得到

[λ1：λ2：λ3…λj=δ1：δ2：δ3…δj] （9）

通過式（8）能夠在每個瞬間求出[PT（ti）]，通過下式能夠判斷傳感器檢測出的數值是異常數據，還是發生了事件傳感器數據是異常。

[PT（ti）-μlt;τ] （10）

式中： [μ]——選定數據的平均值；

[τ]——選定數據的[λ]方差。

當滿足式（10）時，就表示異常事件造成數據異常，系統整體異常檢測基本流程如圖7所示。

2.3 控制流程

無線傳感器監控節點定期收集溫度、濕度、照度、CO2濃度、土壤水含量、地溫等環境數據，并對這些數據進行分析，通過LoRa傳輸模塊向邊緣計算網關傳輸。

邊緣計算網關接收溫室內外環境信息和云端API實時天氣預報，進行數據預處理。環境信息采集器、土壤信息集器、室外氣象站的信息在邊緣計算設備上糾正數據，去掉異常數據，優化決策數據，同時上報云端異常傳感器編號，根據預先設計的環控邏輯，決定是否開啟相應設備。

邊緣計算網關確定決策后，向云服務中的MQTT代理發出數據命令，通過Lora433MHz無線向現場執行控制節點發出決策，云平臺同步MQTT消息。Lora433MHz信號可以當網絡信號斷開時，保障信號傳輸，并連續地控制設備的開啟，或人為地控制設備。

邊緣計算網關通過環境監控節點讀取溫室環境信息，依據現場執行控制節點設置的控制規則控制相關設備。對于來自環境監控節點的偶然發生異常數據，故障排除程序發出警告消息，密切監視并繼續使用。當環境監控節點出現聯系異常時，故障排除程序會發出嚴重的警告信息，將環境監控節點歸類為故障裝置，重新設定設備的控制規則。例如，當濕度傳感器發生重大故障時，故障診斷程序立即停止相關以濕度數據為控制依據的程序運行并發出警報，將濕度傳感器分類為故障設備，重新制定控制規則，將異常信息上傳，并通過云端通知設備維護負責人。

3 結果與分析

對日光溫室的數據進行了模擬試驗，數據來源于北京市昌平區國家精準農業示范基地日光溫室，通過日常人工巡查數據異常記錄，導出異常數據前后一日完整數據，將數據輸入邊緣計算網關，分析數據判別結果，訓練修改異常檢測模型參數。同時，采用人為方式制造異常傳感器數據，增加異常數量，人為地改變單個節點上單個傳感器的值；單個節點上多個傳感器的值；改變多個節點上的單個傳感器的值；改變多個節點和傳感器，檢查邊緣計算網關是否能檢測出異常值。放置兩套樹莓派網關，一個配備透明網關，另一個內置基于數據融合的異常檢測算法。

試驗設定收集和發送數據的2 min間隔，持續6 h，基于上述人工控制的每種試驗方法設定為40次，內置基于數據融合的異常檢測算法網關，檢測到異常后，不會發送消息，透明網關將所有數據接收上傳，兩者之間的差異是網關檢測到的異常數，試驗結果如表1所示。

試驗過程中使用3套溫室環境傳感器，采集空氣溫度、濕度、光照強度、二氧化碳傳感器和土壤溫度數據，通過人為移動傳感器、遮擋光照傳感器、移除傳感器制造故障數據。

應用三套溫室環境傳感器時，由網關統一上傳數據可減少兩次數據上傳頻率，同時減少數據中起始位標志位、設備ID、CRC校驗數據發送，單次節約30%數據流量。當滑動窗口數據選擇為1 h，正常數據方差小于2.5，傳感器故障時方差大于6，單節點單傳感器故障可以被準確檢測；多節傳感器由于數據預處理，異常數據變化范圍減小以及本身不同節點傳感器數據存在偏差致使檢測效率降低。由于濕度和光照強度數據方差相對較大造成數據突變誤判，導致多傳感器檢測效率降低；上述試驗表明，基于多模態感知融合算法的異常數據檢測網關能夠有效地實現部分異常數據檢測。由于訓練集的問題和方法的問題，該網關在單傳感器異常數據檢測方面有較好的效果，單節點多傳感器故障識別率為82.5%，節點無數據及數據恒定的問題可以及時檢測，但對多節點多傳感器故障識別率為72.5%，節點數據突然異常變化具體識別仍需改進。

4 結論

1） 為解決溫室環境布線及網絡問題，結合滑動窗口技術、模型更新概念和數據感知融合，提出一種新型數據流異常檢測算法。采用樹莓派核心部件搭建高性能邊緣計算網關，利用4G網絡實現輕量級數據傳輸。該網關縮短與MQTT服務器的遠程操作等待時間，同時通過邊緣處理減少服務器壓力和數據傳輸延遲。邊緣計算和設備控制在網關中進行，將采集數據傳輸到云計算平臺，并在異常情況下與其他設備聯動。

2） 該模型能夠檢測傳感器的異常數據，單節點多傳感器故障識別率為82.5%，多節點多傳感器故障識別率為72.5%，通過匯聚數據上傳可減少傳輸頻率，單次節約數據流量30%，減輕服務器壓力和數據傳輸延遲。

3） 未來的研究將探索一種選擇性的模型核心更新維護方法，進一步提高異常檢測系統的性能，并將正常數據應用于溫室環境智能控制。

參 考 文 獻

[ 1 ] Yang Yihong， Ding Sheng， Liu Yuwen， et al， Fast wireless sensor for anomaly detection based on data stream in an edge?computing?enabled smart greenhouse [J]. Digital Communications and Networks， 2022， 8（4）： 498-507.

[ 2 ] 張榮昌. 基于數據挖掘的用電數據異常的分析與研究[D]. 北京： 北京交通大學， 2017.

Zhang Rongchang. Analysis of abnormalelectro?data based on datamining [D]. Beijing： Beijing Jiaotong University， 2017.

[ 3 ] 王鑫， 張濤， 金映谷. 異常檢測算法綜述[J]. 現代計算機， 2020（30）： 21-26.

Wang Xin， Zhang Tao， Jin Yinggu. Overview of anomaly detection algorithms [J]. Modern Computer， 2020（30）： 21-26.

[ 4 ] 賀玉海， 周慶琨， 程埮晟， 等. 基于改進K-Medoids的組合聚類算法及異常值檢測研究[J]. 大連理工大學學報， 2022， 62（4）： 403-410.

He Yuhai， Zhou Qingkun， Cheng Tansheng， et al. Research on combinatorial clustering algorithm and anomaly detection based on improved K-Medoids [J]. Journal of Dalian University of Technology， 2022， 62（4）： 403-410.

[ 5 ] 施珮， 匡亮， 唐玥， 等. 基于改進SVDD算法的池塘水質數據流異常檢測[J]. 農業工程學報， 2021， 37（24）： 249-256.

Shi Pei， Kuang Liang， Tang Yue， et al. Abnormal detection of aquaculture water quality data stream using an improved SVDD in pond [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（24）： 249-256.

[ 6 ] 李忠， 靳小龍， 莊傳志， 等. 面向圖的異常檢測研究綜述[J]. 軟件學報， 2021， 32（1）： 167-193.

Li Zhong， Jin Xiaolong， Zhuang Chuanzhi， et al. Overview on graph based anomaly detection [J]. Journal of Software， 2021， 32（1）： 167-193.

[ 7 ] 張仁斌， 吳佩， 陸陽， 等 .基于混合馬爾科夫樹模型的ICS異常檢測算法[J]. 自動化學報， 2020， 46（1）： 127-141.

Zhang Renbin， Wu Pei， Lu Yang， et al. Anomaly detection algorithm in ICS based on mixed?order markov tree model [J]. Acta Automatica Sinica， 2020， 46（1）： 127-141.

[ 8 ] Ren L， Zhang Q， Shi W， et al. Edge?based personal computingservices： fall detection as a pilot study [J]. Computing， 2019， 101（8）： 1199-1223.

[ 9 ] Shi Weisong， Sun Hui， Cao Jie， et al. Edge computing： A new computing model in the era of everything [J]. Journal of Computer Re?search and Development， 2017， 54（5）： 907-924.

[10] 程鑫. 農業物聯網邊緣計算的研究與應用[D]. 天津： 河北工業大學， 2020.

Cheng Xin. Research and application of agricultural Internet of Things edge computing [D]. Tianjin： Hebei University of Technology， 2020.

[11] 費歡， 肖甫， 李光輝， 等. 基于多模態數據流的無線傳感器網絡異常檢測方法[J]. 計算機學報， 2017， 40（8）： 1829-1842.

Fei Huan， Xiao Fu， Li Guanghui， et al. An anomaly detection method of wireless sensor network based on multi?modals data stream [J]. Chinese Journal of Computers， 2017， 40（8）： 1829-1842.

[12] 王樹航， 徐君， 楊鍇， 等. 邊緣計算和感知融合在智能自助咖啡機中的應用研究[J]. 小型微型計算機系統， 2020， 41（7）： 1451-1457.

Wang Shuhang， Xu Jun， Yang Kai， et al. Research on application of edge computing and perceptual fusion techniques in smart self?service coffee machine [J]. Journal of Chinese Computer Systems， 2020， 41（7）： 1451-1457.

[13] Satyanarayanan M， Bahl P， Caceres R， et al. The case for VM?Based cloudlets in mobile computing [J]. IEEE Pervasive Computing， 2009， 8（4）： 14-23.

[14] Chu Yunxia， Li Siyu， Zhang Jun. The research of wireless edge computing gateway with anomaly detection [J]. Procedia Computer Science， 2022， 198： 460-465.

[15] Yu W， Liang F， He X， et al. A survey on the edge computing for the internet of things [J]. IEEE Access， 2018， 6： 6900-6919.

[16] 施巍松， 孫輝， 曹杰， 等. 邊緣計算： 萬物互聯時代新型計算模型[J]. 計算機研究與發展， 2017， 54（5）： 907-924.

Shi Weisong， Sun Hui， Cao Jie， et al. Edge computing： An emerging computing model for the internet of everything era [J]. Journal of Computer Research and Development， 2017， 54（5）： 907-924.

[17] 王勇， 姜懿芮， 徐志穎， 等. 日光溫室蔬菜智能化管理系統建模[J]. 北方園藝， 2021（1）： 160-163.

Wang Yong， Jiang Yirui， Xu Zhiying， et al. Modeling of vegetable intelligent management system in solar greenhouse [J]. Northern Horticulture， 2021（1）： 160-163.