张 雷 李 琳 陈鸿龙 Daniel Bovensiepen

1(南京邮电大学物联网学院 南京 210009)

2(中国石油大学(华东)控制科学与工程学院 山东青岛 266580)

3(西门子中国研究院 北京 100102)

随着物联网技术的快速发展，越来越多的具有计算能力的智能传感器和执行器被应用在工业自动化系统中，产生了海量的物联网数据[1].这些数据可以用于改进控制工艺，优化生产流程，进而提高生产效率.例如传统工厂中控制策略通常通过离线下载到可编程逻辑控制器(programmable logic controller, PLC)，在封闭的控制网络中运行，很难做到灵活更新.现在新型的PLC支持配备AI模块，使得利用机器学习等算法实现生产任务的柔性自组织成为可能[2-3].

机器学习算法的样本数据来自于传感器、控制器和执行器等现场设备在历史生产过程中产生的控制和状态参数.工厂底层现场的设备数量众多，加上单个设备产生的数据帧很短，但是由于生成周期小，因此每天产生的数据规模巨大.这些海量数据存储在云服务器，如果采用基于云的数据服务，数据传输的延迟将会非常大[4].而工业应用通常对数据传输的时延往往有严格要求，因此，将边缘计算应用于工业物联网有很大的优势[5].边缘计算在靠近用户的边缘部署服务器设备，利用其自身的存储和计算资源，对用户请求提供低延迟的数据传输服务，为实时性任务处理提供保障.

但是，边缘节点的存储容量通常非常有限，在边缘节点缓存所有内容是不可能的.因此，通过合理的缓存策……