我們正在大步邁入萬物互聯的時代，物聯網（IoT，Internet of Things）的發展隨著科技進步與互聯網的高速發展正在積蓄爆發式的發展。物聯網的下一代物聯網傳感設備的發展，以及其低功耗計算能力和高速網絡的進步，導致了邊緣計算的引入。海量數據的實時產生將成為未來社會的常態，設備的逐漸智能化使得設備本身具備即時處理數據的能力，在邊緣云環境中，服務可以在本地生成和使用數據，而無需涉及云計算基礎架構，提高數據處理效率和反饋時間。微美全息(NASDAQ:WIMI)提出基于此提出和評估一種智能遷移模型，該模型能夠在基于物聯網的網絡邊緣支持虛擬功能鏈。

據悉，微美全息(NASDAQ:WIMI)提出了一個邊緣LMM-VFC（Virtual function chain）模型，可以使復雜的AI模型在異構邊緣網絡上執行，并且結合觸發實時遷移的實時QoS（Quality of Service）監控模型，通過遷移模型增強了微美全息LMM-VFC模型。

資料顯示，WIMI微美全息LMM-VFC模型是一種新穎的分布式框架，它基于軟件定義網絡的虛擬功能鏈（VFC） 概念，并支持邊緣AI分析的實時推理，由基于深度學習模型構建的邊緣學習服務提供支持，能夠監控、評估和預測所支持服務的服務質量（QoS）。在此模型中，AI分析分解為一組虛擬功能（VF），這些虛擬函數可以部署在不同的邊緣設備上。使用這些VF，可以創建一個VFC，VFC以分布式方式處理流數據。VFO（虛擬功能編排器）負責部署VFC。VFC通過框架部署了多個模塊，優化設計服務，監控其QoS指標并微調其配置以避免故障。更具體地說，計算引擎負責提出VFC的最佳設置，而邊緣學習服務則監控邊緣設備的性能并提出可能的更改。LMM-VFC模型以此構建邊緣遷移的智能模型，優化鏈接能力，支持下一代物聯網技術發展。

此外，微美全息(NASDAQ:WIMI)邊緣LMM-VFC模型支持機器學習，提出一個基于強化學習的模型，用于確定服務遷移的最佳策略。遷移問題通常被表述為一個順序決策問題，旨在最小化整體響應時間。基于強化學習策略的計算遷移方案，即時學習動態環境的最優策略，保證低計算時延。

并且WIMI微美全息邊緣LMM-VFC模型提出基于用戶移動模式的用戶分類機制，降低決策復雜度。然后引入基于強化學習的框架，在動態環境中實時做出服務遷移決策。通過數據驅動實驗證明WIMI微美全息邊緣LMM-VFC模型在降低系統平均延遲方面的功效。WIMI微美全息邊緣LMM-VFC模型基于輕量級流程遷移的物聯網移動邊緣/云計算計算卸載框架，框架不需要邊緣服務器上的應用程序二進制文件，因此可以無縫遷移本機應用程序。WIMI微美全息邊緣LMM-VFC模型框架在移動邊緣/云計算中的資源密集型物聯網應用處理方面顯示出巨大的潛力。

在邊緣云環境中，服務可以在本地生成和使用數據，而無需涉及云計算基礎架構。針對物聯網節點計算資源低的問題，WIMI微美全息提出了虛擬功能鏈作為智能分布LMM-VFC模型，以最大限度地利用邊緣的計算能力，從而支持要求苛刻的服務。它是一種能夠支持虛擬功能鏈的智能遷移模型。根據該模型，邊緣遷移可以支持虛擬功能鏈的各個功能。首先，如果虛擬功能意外失敗，可以通過冷遷移實現自動修復。其次，服務質量監控模型可以觸發實時遷移，旨在避免邊緣設備過載。對所提出的模型的評估研究表明，它有能力提高低功耗物聯網設備上基于邊緣服務的魯棒性。

物聯網（IoT）是一個快速發展的領域，在醫療、交通和農業等行業有著廣泛的應用。隨著物聯網設備及其相關數據的數量不斷增長，越來越需要高效和智能的模型來管理和處理這些數據。物聯網的關鍵挑戰之一是支持虛擬功能鏈的邊緣遷移。

WIMI微美全息邊緣LMM-VFC模型的邊緣遷移涉及將處理任務從集中式服務器移動到更靠近數據源的邊緣設備，如路由器或網關。減少帶寬需求，并實現數據的實時處理。LMM-VFC模型可以實現支持下一代物聯網中VFC邊緣遷移的智能模型。該模型將利用機器學習，基于網絡延遲、可用資源和數據隱私要求等因素優化VFC遷移決策。

微美全息(NASDAQ:WIMI)邊緣LMM-VFC模型可以持續監控網絡狀況和數據流，并實時決定哪些功能應該遷移到邊緣，哪些功能應該保留在集中服務器上。這可以通過基于規則和機器學習算法的組合來實現，這些算法分析來自各種來源的數據，包括網絡性能指標、用戶行為模式和數據使用統計。

總體而言，支持下一代物聯網中虛擬功能鏈邊緣遷移的智能模型將是管理物聯網設備生成的不斷增長的數據量的有力工具。通過利用人工智能和機器學習的最新進展，該模型可以幫助組織優化其數據處理工作流，并提高其物聯網部署的效率和有效性。