本书针对边缘计算驱动的工业大数据的数据分析理论及应用进行研究。第1～2章介绍工业大数据与边缘计算的研究背景，通过对德国工业4.0、信息物理系统、大数据及边缘计算的发展历程、关键技术等进行归纳总结，分析当前面临的挑战，给出一个完备的综述。第3章介绍无线传感器网络中边缘数据的采集与传输方案。第4～6章研究边云协同的数据异常值检测和模式异常检测，给出基于支持向量机、局部敏感哈希以及高维特征表示的解决方案。第7章提出面向移动边缘计算环境的服务质量预测方案。第8章对未来世界工业发展方向进行展望，给出未来的研究方向。 本书内容深入浅出、理论与实际相结合，适用于在相关领域开展研究的在读硕士研究生、博士研究生以及其他科研工作者。

第1章 工业大数据
1.1 工业4.0
1.1.1 发展历程
1.1.2 设计原则
1.1.3 成熟度模型
1.1.4 智能工厂
1.1.5 三类集成
1.1.6 工业无线传感器网络
1.2 信息物理系统
1.2.1 发展阶段
1.2.2 体系结构
1.2.3 关键技术
1.3 大数据
1.3.1 大数据的定义
1.3.2 大数据的来源
1.3.3 大数据的类型
1.3.4 大数据带来的挑战
1.3.5 大数据技术
1.3.6 大数据管理
本章小结
第2章 边缘计算的发展与挑战
2.1 边缘计算的萌芽
2.2 边缘计算概述
2.2.1 边缘计算与传统云计算的区别
2.2.2 边缘计算的整体架构
2.2.3 边缘计算的独特优势
2.3 边缘计算的典型应用场景
2.3.1 5G与边缘计算
2.3.2 工业物联网
2.3.3 车联网与智慧交通
2.3.4 智慧生活
2.3.5 虚拟现实/增强现实
2.4 边缘计算的关键技术
2.4.1 核心技术问题
2.4.2 关键技术及发展趋势
2.5 边缘计算面临的挑战
2.5.1 技术挑战
2.5.2 标准与法律法规
2.5.3 评价体系与反馈机制
本章小结
第3章 面向无线传感器网络的边缘数据采集
3.1 智能工厂中数据的纵向流动
3.2 基于传感器云的数据采集与传输
3.3 统一的数据描述与管理框架
3.3.1 度量类型
3.3.2 数据描述和管理
3.4 网络连通性的初步模型
3.4.1 连通性模型
3.4.2 一维网络连通性
3.5 两跳多汇聚路由机制
3.5.1 二维网络连通性
3.5.2 汇聚节点网络中的r-Kruskal算法
3.5.3 两跳路由
3.6 模型验证与分析
3.6.1 性能指标
3.6.2 数值结果与分析
本章小结
第4章 基于支持向量机的移动边云协同数据异常值检测
4.1 传感器数据异常的原因
4.2 无线传感器网络数据异常值检测技术
4.2.1 基于统计的方法
4.2.2 基于聚类的方法
4.2.3 基于分类的方法
4.2.4 基于谱分解的方法
4.2.5 基于最近邻的方法
4.2.6 其他方法
4.3 移动边云协同数据异常值检测概述
4.4 移动边云协同异常值检测方案
4.4.1 传统的异常值检测模型
4.4.2 移动边云协同异常值检测
4.5 方案验证与分析
4.5.1 数据集和实验参数
4.5.2 模型构建
4.5.3 数值结果与分析
4.6 基于边云协同的移动边缘节点数据异常检测软件
4.6.1 软件功能描述
4.6.2 软件设计与实现
4.6.3 软件整体架构
4.6.4 软件模块划分及关联
4.6.5 软件流程图
4.6.6 软件典型应用场景
4.6.7 软件运行环境及安装流程
4.6.8 软件使用说明
本章小结
第5章 基于局部敏感哈希的分布式边缘数据异常值检测
5.1 异常检测中两种计算模式的区别
5.2 局部敏感哈希数据异常值检测方案概述
5.3 相关工作
5.3.1 基于统计的方法
5.3.2 基于聚类的方法
5.3.3 基于距离的方法
5.3.4 基于密度的方法
5.3.5 基于分类的方法
5.4 基于局部敏感哈希的改进型k-NN异常检测
5.4.1 基本模型
5.4.2 算法流程
5.4.3 k最近邻
5.4.4 局部敏感哈希
5.4.5 余弦相似度
5.5 实验与分析
5.5.1 参数设置和性能指标
5.5.2 数值结果与分析
本章小结
第6章 基于特征表示的边云协同数据模式异常检测
6.1 无线传感器网络与时间序列异常检测
6.2 时间序列中的三类异常
6.3 时间序列的模式异常检测
6.3.1 基于原始时间序列的模式异常检测
6.3.2 基于不同特征表示机制的模式异常检测方法
6.4 边云协同的异常检测架构
6.4.1 边云协同架构
6.4.2 任务迁移
6.4.3 多维特征表示
6.4.4 基于核密度估计的模式异常检测
6.5 方案实现与分析
6.5.1 平稳时间序列
6.5.2 数据集
6.5.3 实验参数
6.5.4 数值结果与分析
本章小结
第7章 面向移动边缘计算的服务质量数据预测
7.1 移动边缘计算简介
7.2 移动边缘计算服务质量数据的特征
7.3 移动边缘计算服务质量数据预测概述
7.4 基于内存的方法和基于模型的方法
7.5 张量与张量分解
7.5.1 符号与操作
7.5.2 CP分解
7.6 服务质量数据预测模型
7.6.1 基本框架
7.6.2 时间感知的张量构建
7.6.3 时序正则化张量分解
7.7 数值实验与分析
7.7.1 实验环境与数据集
7.7.2 评价指标
7.7.3 性能比较
7.7.4 潜在因子矩阵维数与预测准确率
7.7.5 张量密度与预测准确率
本章小结
第8章 未来世界工业发展方向展望
8.1 工业5.0
8.1.1 工业4.0与工业5.0
8.1.2 工业5.0诞生的原因
8.1.3 工业5.0的核心价值
8.1.4 工业5.0的使能技术