EdgeX Platform Requirements 平台要求

亿琪软件 博士生 2024-02-14 10:01:13

本文提供了 EdgeX Foundry Platform Requerements 平台运行最低要求建议。

EdgeX Foundry 在下面将统一简称为 EdgeX。

  • CPU 处理器
  • 内存
  • 存储
  • 操作系统

本文内容大部分来自官方文档:EdgeX Platfrom Requirements

平台要求

EdgeX Foundry 是一个与操作系统 (OS) 和硬件 (HW) 无关的物联网边缘平台。目前建议平台最低使用要求如下:

CPU 处理器

建议至少使用多核心处理器,至少硬件系统要求可以跑通 Docker。比如:1Ghz 以上,这取决于您的业务系统计算量。

内存

内存:在考虑 EdgeX 平台的内存时至少 1 GB ,请考虑数据库的使用 - Redis 是当前的默认设置。 Redis 是一种开源(BSD 许可)内存中数据结构存储,在 EdgeX 中用作数据库和消息代理。 Redis 是持久的,仅使用持久性来恢复状态; Redis 操作的唯一数据是内存中的。 Redis 使用多种技术来优化内存利用率。 Antirez 和 Redis Labs 撰写了许多有关底层细节的文章(见下面的列表)。这些策略不断发展。在考虑系统架构时,请考虑数据将在边缘存在并消耗内存(物理或物理 + 虚拟)多长时间。当然,您也可以将 Redis 替换成其他的数据库。

存储

硬盘空间:至少需要 3 GB 空间来运行 EdgeX Foundry 容器,但您可能需要更多空间,比如:临时文件、日志记录级别等,具体取决于传感器和设备数据的保留时间。建议至少启动大约 32GB 的存储空间。SSD 是首选驱动器类型。

操作系统

EdgeX Foundry 已在许多系统上成功运行,包括但不限于以下系统:

  • Windows 7 及更高版本
  • Ubuntu 桌面/服务器 14 及更高版本
  • Ubuntu Core 16 及更高版本
  • Mac OS X

当然,对于实际生产环境中,我们建议您使用 Linux 内核的非图形化界面系统。

重要提示

  • EdgeX Foundry 可在 Linux、Unix、MacOS、Windows 等各种发行版和/或版本上运行。但是,社区仅支持 amd64 (x86-64) 和 arm64 架构上的平台。

  • EdgeX Foundry 将预构建的工件作为 Docker 镜像发布。详情请参阅快速入门系列文章。

  • EdgeX 可以在 armhf(32位) 架构上运行,但这需要用户从源代码构建自己的可执行文件。EdgeX 官方不正式支持 armhf。

...全文
923 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
源码直接下载地址: https://pan.quark.cn/s/32a64cc0d812 LKH 算法在中文中的表述为 LKH 算法,它是一种用于处理 TSP(旅行商问题)与 VRP(车辆配送问题)等组合优化挑战的启发式算法,并且该算法是 Lin-Kernighan 启发式方法的进一步发展。该算法的开发与执行过程具有相当的挑战性,然而,它被认为是获取对称旅行商问题最优或接近最优答案的最有效途径之一。LKH 算法的升级版本通过运用灵敏度分析来引导并约束搜索过程,从而使得该算法能够在可接受的时间内为大规模问题找出最优解。通过计算实验的验证,证明该方法具备高效性,能够在不足一秒的时间范围内寻得典型100座城市问题的最优方案,而对于典型的1000座城市问题,也能在不到一分钟的时间框内找到最优解。旅行商问题(TSP)是组合优化领域中研究最为深入的课题之一,该问题可以通过成本矩阵 C 的特性来进行分类。此问题可划分为对称性情形与非对称性情形,同时依据三角不等式的成立与否,可进一步区分为度量性情形与非度量性情形。TSP 的显著地位源于其广泛的实际应用,其中许多应用看似与旅行路径无直接关联。众多现实场景能够以 TSP 的形式来模拟,例如计算机内部布线、车辆路径规划、晶体结构分析、机器人导航控制、印刷电路板打孔定位以及时间表的制定等。TSP 作为一种典型的组合优化课题,其研究对于解决该学科范畴内的其他课题往往具有指导意义。事实上,组合优化领域的诸多突破均可追溯至对 TSP 问题的深入探索。计算方法中广为人知的 branch and bound 技术最初便是在 TSP 的研究背景下被引入的。攻克 TSP 所面临的智力难题亦起到了推动作用,该问题的表述看似简单,却极难求解。当考虑到可能...
内容概要:本文研究了基于深度Q网络(DQN)与非正交多址接入(NOMA)技术相结合的无人机上行链路干扰管理方法,并提供了完整的Python代码实现。通过构建DQN强化学习模型,动态优化无人机在复杂无线环境中的资源分配策略,有效缓解多用户接入带来的同频干扰问题,提升上行链路的通信效率与系统容量。研究充分融合了DQN在决策优化方面的自主学习能力与NOMA在频谱效率提升上的技术优势,重点探讨了在高动态、强干扰的无人机通信场景下,如何实现高效的干扰协调与功率控制。仿真实验验证了该方法在不同用户密度和信道条件下的鲁棒性与优越性,显著降低了误码率并提高了系统吞吐量。; 适合人群:具备一定Python编程能力和机器学习基础,熟悉强化学习或无线通信领域的研究生、科研人员及相关领域工程师。; 使用场景及目标:①研究无人机通信系统中的动态干扰管理和资源调度问题;②学习DQN在通信网络优化中的建模、训练与部署流程;③复现并改进基于NOMA的多用户接入干扰抑制方案,推动智能通信算法的实际应用; 阅读建议:此资源结合理论分析与代码实践,建议读者在掌握强化学习基本原理和无线通信基础知识的前提下,结合所提供的Python代码进行仿真实验,深入理解DQN与NOMA融合机制,并尝试调整网络结构、奖励函数及通信参数以进一步优化系统性能。

23,642

社区成员

发帖
与我相关
我的任务
社区描述
EdgeX Foundry 是一个由Linux基金会主持,供应商中立的边缘计算开源项目,旨在为物联网边缘计算提供开放、可扩展的平台。
人工智能edge边缘计算 企业社区 上海·浦东新区
社区管理员
  • EdgeX中文社区
  • 亿琪软件
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
EdgeX Foundry 微信官方公众号 (EdgeXFoundryCN) 【优质内容,全站网罗】 持续聚集沉淀来自社区的 EdgeX Foundry 专业内容和资源,点击首页右侧“关注社区”,参与到社区里来吧! 【进阶学习,技术交流】 欢迎在社区的“问答”频道发帖提问,优质回答者将有机会登上社区光荣榜,获得 CSDN 积分,EdgeX 社区头衔等奖励! 【投稿贡献,成为大牛】 我们诚挚邀请你成为社区贡献者,发布优质的自产内容或翻译内容,优质投稿者将有机会登上社区光荣榜,获得 CSDN 积分,EdgeX 社区头衔等奖励!

试试用AI创作助手写篇文章吧