1 引言
从1G到现在的5G全数字时代，移动通信技术的发展和优化不仅促进了各行业的发展和技术更新，而且重新定义了连接过程。具有速度快、 延迟低、连接大等特点的5G技术是实现人机互联的网络基础设施，5G网络技术会影响到生活的很多方面，在众多领域中， 5G技术将引发教育整体生态的重大变革，促进个性化、准确化、智能化、移动化教学的发展。5G技术正在改变教育的方式，如远程教育，电话会议等，这些场景将产生大量的视频流量，此外，我们日常生活中不可或缺的一些设备，如手机、电脑、笔记本电脑等通信设备也在增加，视频流量也在增加，流媒体正逐渐处于高峰，这对现有的网络提出了更高的要求。面对海量数据的产生，视频分析和处理技术将面临巨大的挑战。
起初，绝大多数研究都是利用云计算来处理数据，云计算的出现使网络规模迅速增长，人们的生活更加方便。然而随着智能手机、上网本等移动设备的流行，大多数移动设备由于可移植性和成本问题导致其计算能力有限[1]。移动设备可以通过从计算云导出服务来扩展其计算能力[2]，在这种云计算模型中，移动设备是仅为复杂应用程序提供接口或控制台的精简客户机。像游戏中的3D图像渲染或科学模拟中的数学优化等繁重的计算处理实际上是在云中处理的。因此，移动应用程序可能会变得更加复杂，而实际设备可能会变得更小[3]。从这个云计算模型中，很容易看到这项技术的巨大可能性。然而，在云计算被认为是可靠的之前，还有一些障碍需要解决，比如会出现与网络相关的问题包括死区和较差、较慢的互联网连接，这就必须解决与网络延迟和带宽限制有关的挑战以及网络上有许多点会造成传输速度的瓶颈。移动边缘计算（MEC）提供了云计算功能，并实现了一种有前景的计算范式。它将计算、存储和服务功能迁移到网络边缘，并通过以分布式方式在本地短距离部署应用程序，将SMD从繁重的计算任务中拉出来[4]，它具有高带宽、位置感知、实时无线网络信息等优点，然而，面对大量的数据资源，仅仅靠边缘计算的计算能力往往是不够的，如果想用边缘计算的方式来解决过剩的数据，可能会对延迟和速度的问题产生重大影响。
2 问题分析
智能课堂教室[5]主要由智慧讲台、智慧物联网、智慧录播、智慧交互大屏、教学互动系统等组成。5G环境下智慧课堂通过使用智能化的应用支持平台和移动学习工具实现实时交互、一对一的个性化教学。然而，为打造智能化教学环境，智慧课堂为了实现高实时性、高交互性，对网络提出了更高的要求，由此产生的主要问题有以下两点：
（1）由于智慧课堂的高度互动性，教师和学生之间需要互动和沟通，在这过程中会产生大量数据和网络流量，例如图像、音频和视频，因此传输过程中容易导致高延迟、高计算，从而出现视频卡顿、通信故障等情况；
（2）为了有利于数据传输，从而减少延迟并且提高用户体验的质量，智能化应用程序需要精确和高度复杂的技术。
3 基于深度神经网络的云边端协同算法
针对上述两个问题，本课题将提出智慧课堂场景下基于深度神经网络的云边协同方案，具体的模型如图1所示：
图1 基于深度神经网络的云边端协同架构图
基于深度神经网络的云边端协同算法有两个重要过程。第一，数据分层。智慧课堂产生的数据会很多，针对大量的视频数据，需要对这些数据进行有效的分层，基于神经网络的云边端协同算法的数据分层是基于深度神经网络（DNN）进行划分，分离成两部分，一部分层在边缘端进行计算，另一部分层在云端计算，以此来优化端到端的延迟，降低时延，提高速率。使用DNN数据分层重点设计步骤如下所示：
（1）首先对 DNN 每层延迟进行分析预测，即根据每层输入的参数来预测估计每层在边缘端和云端的延迟；
（2）针对边缘端和云端各层延迟，通过算法求最小延迟综合来选择最优划分点；
（3）确定划分点后，执行DNN在边缘端和云端之间进行工作计算。
第二，云边端协同。云边端协同是指终端、边缘平台与云平台之间的数据交互和协作工作。边缘平台对终端设备采集的原生高带宽视频进行预处理，通过局部压缩、裁切、去帧等方法，减小视频体积，并将加工后的视频流上传至云端进一步处理。边缘计算直接引入边缘和云中，帮助用户实现从云到边缘终端更平稳、更低的延迟服务交付。云平台由云服务器提供，它管理所有的边缘计算平台终端，是云模型的研究整个模型的数据中心和服务中心，为边缘计算端提供技术服务支持。边缘平台分布在用户终端附近的服务器上，为用户提供数据支持，加快响应，提高用户体验。边缘平台终端的硬件设备比云平台的硬件设备差，它可以存储的数据有限，因此，有必要周期性地向云传输数据，以整理本地数据。
4 结论
本文在智慧课堂场景下建立了基于深度神经网络的云边端协同算法，实际上，边缘平台对终端设备采集的原生高带宽视频进行减小视频体积意味着视频的细节完整度可能会降低，因此需要研究更加细粒度的优化方案来弥补画面细节减少带来的损失。
参考文献
[1] BAHL P, HAN R Y, LI L E, etal. Advancing the state of mobile cloud computing[C]. Proceedings of the third ACM workshop on Mobile cloud computing and services, 2012: 21-28.
[2] Anthony D Jo SEP, RAn Dy KAtz, An Dy Kon Win SKi, LEE Gunho, DAVi D PAtt ERSon, and ARi EL RABKin. A view of cloud computing. Communications of the ACM, 53(4), 2010.
[3] KUMAR K, LU Y H. Cloud computing for mobile users: Can offloading computation save energy?[J]. Computer, 2010, 43(4): 51-56.
[4] Yuan, Haitao.Energy and Performance-Optimized Scheduling of Tasks in Distributed Cloud and Edge Computing Systems[D].Pro Quest Dissertations and Theses Full-text Search Platform,2020.
[5] Yu Yao. Case Study on Intelligent Classroom Teaching Based on Internet + Education[J].International Journal of Frontiers in Sociology,2021,3(1).
