阅读说明：本技术 用于处理极端数据的边缘设备、系统和方法 (Edge device, system and method for processing extreme data ) 是由 斯图尔特·欧加瓦 林赛·斯帕克斯 西村宏一 威尔弗雷德·P·索 于 2018-03-15 设计创作，主要内容包括：提供了可以做出随着时间的推移变得更智能和更快速的基于分布式和自主决策科学的建议、决策和动作的系统、设备和方法。所述系统包括智能计算设备、网络、电子设备和其他智能组件或设备,包括智能收发器、接收器和总线。这些智能设备中的每一个可选地可具有将新数据或决策科学、软件、数据及元数据发送到其他智能设备和第三方组件和设备并且从其接收上述新数据或决策科学、软件、数据及元数据的能力,使得能够更新数据或决策科学(无论是实时、批量或手动处理),并且能够将数据或决策科学驱动的查询、建议和自主动作实时广播到其他智能设备及第三方系统。(Systems, devices, and methods are provided that can make distributed and autonomous decision science based recommendations, decisions, and actions that become more intelligent and faster over time. The system includes intelligent computing devices, networks, electronic devices, and other intelligent components or devices, including intelligent transceivers, receivers, and buses. Each of these smart devices optionally may have the ability to send and receive new data or decision science, software, data and metadata to and from other smart devices and third party components and devices, enabling the updating of data or decision science (whether real-time, batch or manual processing), and the broadcasting of data or decision science driven queries, recommendations and autonomic actions to other smart devices and third party systems in real-time.)

用于处理极端数据的边缘设备、系统和方法

相关申请的交叉引用

本申请要求2017年3月16日提交的名称为“管理极端数据的系统和方法”的美国临时专利申请第62/472,349号的优先权；要求2017年4月7日提交的名称为“用于智能处理、AI分析和学习以及使用来自边缘设备、IoT设备、企业数据和第三方的数据自主采取行动的系统和方法以及其他系统数据”的美国临时专利申请第62/483,290号的优先权；要求2017年6月30日提交的名称为“用于管理极端数据的智能端点系统”的美国临时专利申请第62/528,014号的优先权；以及2017年8月2日提交的名称为“用于管理网络数据的智能分布式系统”的美国临时专利申请第62/540,499号的优先权，并且这些专利申请的全部内容通过引用结合于此。

技术领域

以下内容一般涉及使用边缘设备处理极端数据，以及涉及边缘设备的系统和方法。

背景技术

电子设备的全球普及和采用所产生的数据量超过了可存储的数据量。此外，数据计算增长超过了全球计算的摩尔定律，并且跨网络传输和存储的数据量超过了预计的网络带宽和数据存储可用性。在最近的一个分析中，7亿用户加上200亿物联网(IoT)设备等于用户和设备之间的大约4.5×10²³互连，该数量甚至不包括实际数据和对应于实际用户创建的数据、机器数据和IoT数据的丰富元数据。因此，4.5×10²³虽然数量庞大，但仅是数据的一部分。我们可以引用这种类型的数据“极端”或“***性”数据(XD)，其可以引用继续指数增长和变化的数据。

当前XD环境的实现尝试通过将所有XD发送到一个或几个节点来执行实时数据或决策科学操作，以便进行自动化、智能决策和/或自主动作。这种方法类似于传统的大型机“轮毂和辐条”、批处理数据或传统的决策科学处理框架或模型。这些方法和技术通过将数据从一个端点(即，数据创建点)通过网络传输到另一个端点并在该另一个端点处处理XD(例如，捕捉、索引、存储和绘图，仅举几个例子)来处理和分析XD。该过程涉及显著的时间延迟，特别是在处理XD和相关内容时。因此，有意义的实时决策是具有挑战性的--尤其是那些基于机器学习和人工智能应用的决策--尽管网络和计算技术更快。

此外，上述方法需要通过各种网络发送或接收XD和相关元数据，这需要大量的计算资源和带宽。然而，大多数这样的数据实际上是噪声，其中，在该上下文中，“噪声”可以指重复数据或“已知的已知”数据。

由于在网络末端(例如边缘节点)执行新的数据或决策科学模型，时滞也呈指数增长。此外，一旦数据/决策科学完成，完成的结果需要通过网络返回，并最终返回到用户或其他边缘节点、系统等。因此，常规方法增强了对入站数据执行数据或决策科学的扩展的用户等待时间，并且最终延长了接收例如实时业务建议和动作的时间。

发明内容

针对这些问题，本文提供了一种基于极端或***性数据(XD)分析和建议行动的不同计算方法。具体地，“智能”XD生态系统可以包括“智能设备”，其可以另外被称为“智能边缘节点”，其可以用于将数据或决策科学驱动的分析外部化和分发到可以首先创建数据的地方，并且在事件的每个计算链处使用计算系统和设备、网络和设备以及电子设备和组件来自主地做出决策和采取自主动作。所述事件的计算链可以包括涉及分布式计算、数据处理、数据操纵或数据传输的任何步骤。如本文所使用的，“智能设备”通常可以指所述事件的计算链中的设备，其可以配备有数据或决策科学能力以及时地(例如，实时地或接近实时地)做出决策和动作，其中每个设备可以分布在各种网络或节点上。

在一个示例方面，智能XD生态系统可以促进智能决策、提出建议和自主决策，并更快且更快速地采取自主行动。具体地，如本文所公开的，这种方法可以用于提供技术解决方案，该技术解决方案可以跨网络节点和相关设备高效地做出基于分布式决策科学的建议和动作，并且可以随着时间的推移提供越来越智能的建议和动作。例如，当前可用的创建XD并将其上传到公共云的方法(例如，场外数据库、不可变分类账数据库)可能花费大量时间，并且因此许多商业实体或个人由于高操作成本和低效率而选择删除大部分XD。在给定存储和/或传输XD的费用的情况下，这可能不利地影响训练和执行用于深度学习/机器学习应用的系统和/或设备的能力。本文公开的系统和相关方法可用于促进沿着整个计算链的智能决策，这使得能够高效且及时地应用机器学习、深度学习和相关人工智能技术。

在另一个示例方面，智能XD生态系统与智能设备协作或结合，帮助有效地分配计算资源和网络带宽。本文公开的方法涉及在每个计算步骤执行数据分析和应用决策科学。在示例性方面，智能设备由此仅发送或接收数据/信息，该数据/信息对于特定应用、设备、系统等是必要的、有价值的或重要的。例如，可以丢弃其他“已知的已知”数据，从而节省网络带宽资源。

智能XD生态系统及其相关方法可以被认为是经济学家“完美”信息前提的一个支点和延伸，这是完全竞争的特征。在市场信息完备的情况下，假设在对自由市场体系和金融政策的效果进行理论化时，所有消费者和生产者都对产品的价格、效用、质量和生产方法有很好的了解。例如，将所有全球交易所(股票市场、货币、自然资源等)、影响行业和公司的全球新闻，以及在这些交易所进行买卖的能力进行整合和显示的彭博终端例示了经济“完美信息”技术平台。

本文公开的智能XD生态系统及相关方法将该“完美信息”技术平台的概念延伸至金融业之外。特别地，所述智能XD生态系统使用由计算设备、网络和组件创建、发送、接收和操纵的数据，在智能边缘节点以及由这些智能边缘节点构成的一个或多个系统中提供完美的信息特性。所述智能边缘节点和作为系统的这些智能边缘节点的协作能够例如通过知道或理解要监听什么信号来管理数据、理解数据、以及执行抢先的自主决策和动作。通过使用分布式智能采取自动化动作，本文公开的所述智能XD生态系统和方法极大地提高了管理XD的能力和效率。

所述智能XD生态系统和方法包括计算机平台，该计算机平台可以做出随着时间的推移会变得越来越智能和更快速(例如，通过机器学***台涉及感测、监控、学***台管理的证券交易所、货币、新闻机构和其他经济组件的数量。如果试图使用当前系统和方法对所有上述数据进行感测、监控、分析、学习和采取自主动作，则不成比例的计算和网络资源和时间将花费在针对该信息的计算(例如，接收信息、计算、存储、索引和应用数据科学)上。与实际执行数据或决策科学相关的摄取和索引信息与采取抢先动作之间的时滞将使得当前系统和计算方法不及时并且在一些情况下无用。

在一个示例方面，所述智能边缘节点自主地和协作地执行用于在不可变分类账生态系统(即所述智能XD生态系统)中记录、验证和作用于不可变数据的计算。所述智能XD生态系统中的这些智能边缘节点中的一个或多个智能边缘节点感测不可变数据、监控所述不可变数据、分析所述不可变数据、存储或索引(或既存储又索引)所述不可变数据、对所述不可变数据应用数据科学、以及对所述不可变数据采取自主动作。

在另一个示例性方面，所述智能XD生态系统和方法对分布式智能决策和动作应用滑动标度80/20决策分配，由此80％的智能决策和动作可以从中央计算平台分发出去(例如，分发到其他***设备、系统和网络)。随着时间的推移，所述决策和动作可以逐渐分发到更接近数据起源、感测或创建的地方。将数据发送到一个或几个计算平台并基于所有这些接收到的数据做出决定可能不可避免地花费太长的时间来提供及时且相关的动作。在另一个实施方式中，所述智能XD生态系统可以应用数据科学来限制被更新的设备(例如：分布式不可变分类账)的数量，因为数据科学(STRIPA和机器学习)确定和建议的N个特定的分布式不可变分类账对于给定的用例来说是足够可信的。

在另一个示例方面，本文公开的所述智能XD生态系统和相关方法“扩展智能”(例如，通过将数据或决策科学硬件和软件能力装备、嵌入、应用、安装、更新等)到所有电子设备，包括但不限于计算机、智能电话、TV、电器、网络、电子控制机器和处理设备、IoT设备和其他电子设备，包括各个设备中包括的各种组件。例如，图形处理单元(GPU)、神经形态芯片、现场可编程门阵列(FPGA)、张量处理单元(TPU)、ASIC等是执行机器学***台。因此，使用所述智能边缘节点，智能和动作被执行得更靠近最初感测或创建(或既感测又创建)的数据的点/位置。

此外，数字电子部件、模拟电子部件或模拟硬件(例如机械硬件、化学设备等)连接到或配备有(或者既连接到又配备有)构成前述设备(例如电源、微处理器、RAM、磁盘驱动器、电阻器、继电器、电容器、二极管和LED屏幕)的数字计算组件也可以配备有计算智能。在诸如电力变压器的模拟设备的情境下，具有内置的电流传感器或温度传感器，该电流传感器或温度传感器向具有计算智能的处理器提供传感器数据(例如局部数据)；这些设备的集合形成智能边缘节点。在数字电子组件的情境下，读取和写入动作的数目(例如，局部数据)在芯片中的RAM设备或高速缓存设备中计数，其提供设备的磨损或剩余寿命的指示，并且该局部数据由具有计算智能、这些设备形式的集合以及智能边缘节点的处理器处理。计算智能可能需要各种组件、数据库、存储器、不可变分类帐、块链、无分类帐块链和系统的组合，其中可以嵌入或安装数据或决策科学能力。自堆叠纳米技术可能有助于设计和制造以前仅限于处理器类设备(CPU、GPU、TPU、FPGA等)的智能组件。这种纳米技术可以进一步支持用于分布式智能决策和动作的80/20决策分配，这是通过使这些先前不智能或“哑”的电子设备能够例如自监测、运行自诊断以及在部件本身可能发生故障之前传送状态信息来实现的。或者，随着越来越多的设备和组件移动进入纳米技术，在先前哑的设备上运行的该同一智能可能不可避免地导致电路内和嵌入式传感器的全新水平。

此外，本文公开的智能XD生态系统和方法可以实现不同程度的自主智能和动作。试图基于数万亿的计算设备和组件网络数据来摄取并及时做出决策可能是徒劳的。相反，智能XD生态系统和方法可以提供“治理智能”，其可以指包括例如业务或技术策略、指南、规则、度量和动作的(分布式或集中式)主数据库和/或不可变块链分类帐。这种治理智能可以使计算和网络设备、电子设备及其组件的集合和子集能够做出分布式和局部化的决策和动作，这些决策和动作支持由“治理”智能指定的总体标称策略、指南、规则、动作。

在一个示例方面，为了提供分布式和自主的基于决策的动作，用于管理大量数据(例如，元数据、不可变分类账和记录、非结构化和结构化数据、视频、图像、音频、文本、生物统计学数据、生物医学数据、大脑-计算机接口数据、卫星数据、其他传感器数据等)的系统可以包括：多个智能边缘节点(例如，其在一些实施方式中被认为是不可变的分类帐节点)，其中，所述多个智能边缘节点中的至少一个被***在首先创建局部数据的点处，并且其中，所述多个智能边缘节点中的所述至少一个被配置成执行与所述局部数据相关的局部化决策科学；多个智能网络，其用于向所述多个智能边缘节点中的所述至少一个发送数据并从所述多个智能边缘节点中的所述至少一个发送数据，其中，所述多个智能网络中的至少一个具有嵌入式智能，并且其中，所发送的数据至少部分地基于所述局部数据；以及多个智能消息总线，其与所述多个智能边缘节点中的所述至少一个以及所述智能网络中的所述至少一个互连，其中，所述多个智能消息总线中的至少一个被配置为至少基于所传输的数据来执行自主动作。

在示例性实施方式中，所述智能边缘节点还包括输出能力，诸如显示能力(例如，光投影仪、显示屏、增强现实投影仪或设备等)以及音频输出能力(例如，音频扬声器)。在示例性实施方式中，智能边缘节点包括具有语音识别能力和图像识别能力的一个或多个媒体投影仪、一个或多个音频扬声器、一个或多个麦克风以及一个或多个相机。

在一些示例性实施方式中，所述多个智能边缘节点中的所述至少一个可以被配置为创建局部数据并执行局部化决策科学以评估所述局部数据。在一些示例性实施方式中，所述多个智能网络中的所述至少一个可以具有与其他智能网络通信、做出自主网络决策和/或采取自主网络动作的能力。

在一些示例性实施方式中，所述局部数据的评估可以包括确定所述局部数据是已知的还是异常。

在一些示例性实施方式中，所述多个智能边缘节点中的所述至少一个可以被配置成如果所述局部数据被确定为已知的已知数据，则丢弃所述局部数据。在一些示例性实施方式中，所述多个智能边缘节点中的所述至少一个可以被配置为至少基于确定数据是已知的已知数据还是未知数据，利用所述局部数据来更新局部和/或全局数据商店、数据科学、图形数据库、不可变分类账或块链(或双方)或第三方系统。

在一些示例性实施方式中，所述多个智能边缘节点中的所述至少一个可以被配置成跨一个或多个数据商店、应用、不可变分类账或块链(或双方)、系统和第三方系统来更新数据科学。在其他示例性实施方式中，所述多个智能边缘节点中的所述至少一个被配置成查询一个或多个非局部系统以评估来自其他非局部系统的数据，其中，所述评估包括确定所述数据是已知的还是未知的，并且其中，所述非局部系统包括数据商店、数据科学、不可变分类账或块链(或双方)、图形数据库、索引、存储器或应用。

在一些示例性实施方式中，所述多个智能边缘节点中的所述至少一个可以被配置为至少基于确定所述局部数据是已知的已知数据还是未知数据，将所述局部数据的标签或引用更新为局部存储的现有局部数据和/或更新为其他全球智能边缘节点、数据商店、应用、不可变分类账或块链(或双方)、系统和第三方系统。

在一些示例性实施方式中，所述多个智能边缘节点中的所述至少一个可以被配置为至少基于确定所述局部数据是已知的已知数据还是未知的来经由所述智能消息总线中的所述至少一个来发送与所述局部数据相关的消息。在其他示例性实施方式中，所述多个智能边缘节点中的所述至少一个可以被配置为经由所述多个智能消息总线中的所述至少一个自主地发送所述消息和/或采取与所述局部数据相关的动作。

在一些示例性实施方式中，所述多个智能边缘节点中的所述至少一个可以被配置为响应于包括所述局部数据中的一个或多个的数据和/或从其他数据商店、应用、不可变分类账或块链(或双方)、系统和第三方系统发送的数据的评估而做出自主决策或采取自主动作。在一些示例性实施方式中，可以响应于从由应用于所述局部数据的业务规则、数据科学、计算要求和工作流动作组成的组中选择的应用来确定对从其他数据商店、应用、系统、不可变分类账或块链(或双方)和第三方系统发送的局部数据和/或数据的评估。

在一些示例性实施方式中，如果所述局部数据被确定为异常，则所述多个智能边缘节点中的所述至少一个可以被配置为自主地更新局部数据商店、不可变分类账或块链(或双方)、数据科学、图形数据库、应用、索引和存储器以包括所述局部数据。

在其他示例性实施方式中，如果所述局部数据被确定为异常，则所述多个智能边缘节点中的所述至少一个可以被配置为自主地更新所述一个或多个非局部系统以包括所述局部数据，其中，所述非局部系统包括数据商店、数据科学、图形数据库、不可变分类账或块链(或双方)、索引、存储器或应用。

在一些示例性实施方式中，所述局部数据的所述评估可以包括自动传送和查询所述多个智能边缘节点中的每一个和/或一个或多个数据商店、应用、数据科学、系统、不可变分类账或块链(或双方)和第三方系统，以确定所述局部数据是已知的已知数据还是异常。

在一些示例性实施方式中，如果来自所述多个智能边缘节点中的每一个的查询结果不包括答案，则所述多个智能边缘节点中的所述至少一个可以被配置为更新局部数据商店、数据科学、图形数据库、不可变分类账或块链(或双方)、索引、存储器或应用以包括所述局部数据。

在一些示例性实施方式中，如果来自所述多个智能边缘节点中的每一个的所述查询结果不包括答案，则所述多个智能边缘节点中的所述至少一个可以被配置为通过所述多个智能网络中的至少一个自主地发送与所述局部数据和/或一个或多个数据商店、数据科学系统、应用、不可变分类账和第三方系统有关的消息。

在一些示例性实施方式中，如果来自所述多个智能边缘节点中的至少另一个的查询结果以指示所述数据是已知还是未知的答案进行响应，则所述多个智能边缘节点中的所述至少一个可以被配置为自主地更新局部数据商店、数据科学、图形数据库、不可变分类账或块链(或双方)、索引、存储器或应用，以包括所述局部数据和/或非局部数据商店、应用、系统和第三方系统，并且可选地采取相应的自主决策和/或自主动作。在一些实施方式中，对应的动作响应于所述局部数据和/或一个或多个非局部数据商店、应用、系统、不可变分类账或块链(或双方)和第三方系统的评估。在一些实施方式中，可以响应于从包括应用于所述局部数据和/或非局部数据商店、不可变分类账或块链(或双方)、应用、系统和第三方系统的业务规则、数据科学、计算要求和工作流动作的组中选择的应用来确定所述局部数据的所述评估。

在一些示例性实施方式中，上述智能边缘节点实施方式中的一些或全部可以被配置为使用不可变技术(例如但不限于块链)，其涉及跨越N个智能边缘节点的匿名、不可变和加密的分类账和记录。这些分布在多个智能边缘节点上的分布式分类账可以是块链或其他类型的当前已知和将来已知的不变性协议的形式。这些不可变分类账可以驻留在RAM、缓存、固态和旋转磁盘驱动器存储中。在替换实施方式中，这些前述存储可以跨越涉及诸如Memcached、Apache Ignite的技术；诸如Giraph、Titan和Neo4j的图形数据库，以及诸如Hadoop、Oracle、MySQL等的结构化和非结构化数据存储。

在一些示例性实施方式中，与固有计算密集的不可变技术相关的计算可以跨越多个智能边缘节点，以便分布计算强度。

在替换示例性实施方式中，如果来自所述多个智能边缘节点中的至少另一个(例如其可以是或不是不可变智能边缘节点)的所述查询结果以指示所述数据是已知还是未知的答案进行响应，则这些不可变智能边缘节点可以被配置为自主地更新局部数据商店、数据科学、图形数据库、索引、存储器或应用，以包括所述局部数据和/或非局部数据商店、应用、系统、其他不可变分类账和第三方系统，并且可选地采取相应的自主决策和/或自主动作。

在示例性实施方式中，所述智能边缘节点包括以下中的一个或多个：人机接口(例如，包括大脑-计算机接口)、由人-计算接口控制的设备、向人-计算机接口提供数据的传感器、以及与人-计算机接口通信的设备。

在一个示例性处理或制造实施方式中，所述智能边缘节点包括以下中的一个或多个：处理或制造对象的设备；分析所述对象的设备；监视所述对象的设备；运输所述对象的设备；存储所述对象的设备；以及监视、分析、修理、安装、移除或破坏任何其他上述设备或其组合的设备。

在一个示例方面，所述智能边缘节点是制造系统的一部分。在另一示例性方面，所述智能边缘节点是用于人类可消费产品(例如，食品、化妆品、药品、补品等)的处理系统的一部分。

在下面与附图相关的描述中更详细地描述了这些和其他实施方式。

附图说明

现在将仅参考附图以示例的方式来描述实施方式，其中：

图1示出了根据本文描述的实施方式的示例性智能XD生态系统；

图2A示出了根据本文描述的实施方式的用于管理XD的方法的流程图；

图2B示出了根据本文描述的实施方式的用于评估XD的方法的流程图；

图2C示出了根据本文描述的实施方式的用于查询其他智能设备的方法的流程图；

图3示出了根据本文描述的实施方式的用于管理XD的另一方法的流程图；以及

图4示出了根据本文描述的实施方式的用于更新智能设备的方法的流程图。

具体实施方式

应当理解，为了进行简单和清楚的说明，在认为适当的情况下，附图中可以重复附图标记以指示对应或类似的元件。另外，阐述了许多具体细节以便提供对本文描述的示例性实施方式的透彻理解。然而，所属领域的技术人员将理解，可在没有这些具体细节的情况下实践本文中所描述的示例性实施方式。在其他情况下，没有详细描述公知的方法、过程和组件，以免混淆本文所述的示例性实施方式。而且，该描述不应被认为是对这里描述的示例性实施方式的范围的限制。

除非另有定义，本文使用的所有技术术语具有与本发明所属领域的普通技术人员通常理解的含义相同的含义。如本说明书和所附权利要求书中所使用的，除非上下文另有明确说明，否则单数形式“一”、“一个”以及“该”也包括复数引用。除非另有说明，本文中对“或”的任何引用旨在包含“和/或”。

提供了一种基于极端或***性数据(XD)分析和建议解决方案的方法和系统。如本文中所使用的，XD通常可指庞大的数据，其大小以不断增长的速率增加，和/或随时间、用途、位置等而改变。该数据包括结构化数据、非结构化数据、文本、元数据、散列标签、视频数据、音频数据、图像数据、系统日志、不可变分类账数据或块链数据(或双方)、记录数据、生物统计学数据、生物医学数据、卫星数据、其他传感器数据以及上述数据的任意组合。本文所公开的设备、系统和方法可以做出基于分布式数据或决策科学的建议和动作，并且可以随着时间的推移做出越来越智能的建议和动作。

多个智能边缘节点形成一个或多个系统，这些系统可以应用数据或决策科学来跨这些节点(例如，计算系统和设备、网络和设备、以及电子设备和组件、及其任何一个或多个组合)执行自主决策和/或动作。在示例性实施方式中，形成智能边缘节点子系统，并且这些子系统在术语上彼此交互以形成一个或多个更大的智能系统。数据科学或决策科学可以指应用于数据的数学和科学，包括但不限于算法、机器学习、人工科学、神经网络以及应用于数据的任何其他数学和科学。来自数据或决策科学的结果包括但不限于商业和技术趋势、建议、行动和其他趋势。数据或决策科学包括但不限于算法(algos)、机器学习(ML)和人工智能(AI)的个体和组合，仅举几个例子。该数据或决策科学可例如作为在处理器(例如CPU、GPU、FPGA、TPU、神经形态芯片、ASIC)内部执行的微码、在操作系统中运行的脚本和可执行文件、应用、子系统以及上述的任何组合进行嵌入。另外，该数据或决策科学可以作为驻留在静态和动态RAM存储器、EPROM、固态和旋转磁盘存储器以及跨越具有前述存储器类型和不同存储器类型的多个节点的前述系统中的小型“微决策科学”软件来运行。用于应用数据和决策科学来评估数据的方法可以包括例如表面、趋势、建议、推断、预测和动作(本文中称为STRIPA)数据或决策科学。对应于STRIPA方法的类别可用于将特定类型的数据或决策科学分类成相关类别，包括例如表面算法、趋势算法、建议算法、推断算法、预测算法和动作算法。如本文所使用的，表面算法通常可以指自主地突出异常和/或早期新趋势的数据科学。如本文所使用的，趋势算法通常可以指自主地执行聚集分析或相关分析的数据科学。如本文所使用的，建议算法通常可以指自主地组合数据、元数据和来自其他数据科学的结果以便为系统、用户和/或应用做出特定的自主建议和/或采取自主动作的数据科学。如本文所使用的，推断算法通常可以指自主地组合数据、元数据和来自其他数据科学的结果以便表征人、地点、对象、事件、时间等的数据科学。如本文所使用的，预测算法通常可以指自主地组合数据、元数据和来自其他数据科学的结果以便预报和预测人、地点、对象、事件、时间和/或可能的结果等的数据科学。如本文所使用的，动作算法通常可以指自主地组合数据、元数据和来自其他数据科学的结果以便发起和执行自主决策和/或动作的数据科学。

数据或决策科学示例可包括但不限于：Word2vec表示学习；情感多模态、体态、语境；否定线索、范围检测；主题分类；TF-IDF特征向量；实体提取；文件摘要；网页评级；模块化；诱导子图；双图传播；推理标号传播；横向优先搜索；本征中心性、内/外度；GPU上的蒙特卡罗马尔可夫链(MCMC)sim；基于R-CNN的深度学习；GPU上的Torch、Caffe、Torch；LOGO检测；ImageNet、GoogleNet对象检测；SIFT、SegNet感兴趣区域；组合NLP和图像的序列学习；K-均值、层次聚类；决策树；线性、逻辑回归；亲合关联规则；朴素贝叶斯；支持向量机(SVM)；趋势时间序列；突发异常检测；KNN分类器；语言检测；表面上下文情感、趋势、建议；新趋势；什么是独特的发现者；实时事件趋势；趋势洞察力；相关查询建议；用户、产品、品牌、公司的实体关系图；实体推断：地理、年龄、性别、演示等；主题分类；基于方面的NLP(word2vec、NLP查询等)；分析和报告；视频和音频识别；目的预测；对结果的最佳路径；基于属性的优化；搜索和发现；以及基于网络的优化。

本文公开的智能XD生态系统可以包括智能设备，其在本文中也可以被称为智能边缘节点。这些智能设备中的每一个(本文中的“设备”可指代任何边缘节点/设备、收发器、消息总线、网络、网络设备、电子设备、数据商店、第三方系统、内部系统、不可变的分类帐节点或任何其他电子组件)可以可选地具有(例如，通过智能收发器)将新数据或决策科学、软件、数据、不变记录和元数据发送到一个或更多个其他智能设备和第三方公司和设备和/或接收上述内容的能力，使得数据或决策科学——实时、批量或手工处理——可以进行更新并且数据或决策科学驱动的查询、建议和自主行动可以实时或接近实时地广播到其他智能设备和第三方系统。智能收发器可通过使显著趋势、警报、信息和抢先的业务和技术沟通及相应行动加快来促进更快的数据或决策科学更新。智能设备可选地使用智能设备消息总线将某些类型的消息(例如，业务警报、系统故障)传送到其他智能设备，其中，智能消息总线可以指嵌入或配置为执行数据或决策科学能力的消息总线。

图1示出了根据本文描述的实施方式的智能XD生态系统100，其包括由不同大小的框表示的各种类型的智能设备。智能XD生态系统可以包括多个智能设备(即，智能边缘节点)、智能消息总线和网络。各种智能设备可以分散在整个智能XD生态系统100中。类似于具有神经元和突触的人脑，神经元可被认为类似于智能边缘节点，而突触可被认为类似于智能网络。因此，智能边缘节点是分布式的，因此支持分布式决策的概念--执行XD决策科学的重要步骤和实施，从而产生建议和行动。然而，与人脑的突触不同，本文公开的智能XD生态系统中的智能网络可以具有嵌入的“智能”，其中智能可以指执行数据或决策科学、执行相关算法以及与其他设备和网络通信的能力。例如，智能网络可以被配置为至少基于网络流量或网络流相关数据来执行一个或多个数据或决策科学算法。

智能边缘节点是智能设备的一种类型，可以包括各种类型的计算设备或组件，诸如处理器、存储器设备、存储设备、传感器或具有这些设备中的至少一个一个作为组件的其他设备。智能边缘节点可以将这些节点的任何组合作为组件。在示例方面，计算设备内的上述组件中的一个或多个具有嵌入在硬件中的数据或决策科学。例如：微码数据或决策科学在GPU或其他类型的处理器中运行；数据或决策科学在操作系统和应用内运行；并且数据或决策科学作为补充硬件和软件计算设备的软件运行；或其组合。在另一实施方式中，计算设备内的所有前述组件自嵌入到硬件中以来具有数据或决策。

如图1中所示，智能XD生态系统100可以包括各种智能设备或智能边缘节点，包括但不限于，例如，具有WiFi电路的Algo可闪速微型照相机110、具有WiFi电路的Algo可闪速电阻器和晶体管112、具有WiFi电路的Algo可闪速ASIC 114、Algo可闪速步进电机和控制器WiFi电路116、具有WiFi传感器的Algo可闪速电路118、以及ML Algo创建和收发器系统120。在算法(例如，数据或决策科学相关算法)可以被安装、移除、嵌入、更新、加载到每个设备中的意义上，上面列出的智能设备可以是“Algo可闪速的”。

智能XD生态系统中的每个智能设备都可以执行一般或特定类型的数据或决策科学，以及执行不同级别(例如，复杂性级别)的计算能力(数据或决策科学计算、存储等)。例如，与具有WiFi电路112的Algo可闪速电阻器和晶体管的算法相比，具有WiFi电路的Algo可闪速传感器118可以执行更复杂的数据科学算法，反之亦然。每个智能设备可以具有智能组件，包括但不限于智能处理器、RAM、盘驱动器、电阻器、电容器、继电器、二极管和其他智能组件。智能网络140(在图1中表示为双向箭头)可以包括有线和无线网络的一个或多个组合，其中智能网络包括智能网络设备，该智能网络设备配备有或配置成应用数据或决策科学能力。

每个智能设备可以被配置为自动和自主地查询其他智能设备，以便更好地分析信息和/或基于一个或多个其他智能设备和/或第三方系统或者与一个或多个其他智能设备和/或第三方系统协同地应用建议和动作。这例示了通过在给定在该特定时刻可用的所有信息的情况下采取行动之前使用尽可能多的数据和数据或决策科学来应用如上所述的完美或接近完美的信息。

每个智能设备还可以被配置为基于局部和全局参数(包括但不限于业务规则、技术度量、网络流量条件、建议的网络容量和内容以及优先级/严重级别等)来预测和确定哪个或哪些网络(有线或无线网络)最适合于传送信息。智能设备可以可选地选择多种不同的网络方法来串行或并行地发送和接收信息。智能设备可以可选地例如通过提供或实现安全协议来确定某些网络中的等待时间太长或者某个网络已经受到损害，并且可以使用不同的加密方法来重新路由内容和/或重新路由到不同的网络。智能设备可以可选地经由例如节点和网络为其内容定义通信路径。智能设备可以可选地使用智能消息总线来向其他智能设备传送某些类型的消息(例如，业务警报、系统故障)。一个或多个智能消息总线可以连接多个设备和/或网络。

每个智能设备可以可选地具有减少“噪声”的能力，特别是减少“已知的已知”数据或重复数据的XD。“已知的已知”数据可以是已知数据以及但不限于预先存在的已知答案、建议、趋势或已经已知的或不添加新信息的其他数据的形式。该上下文中的噪声可以指重复数据或已知的已知数据。前提是如果数据是相同的或在某一容差水平内或满足某一业务规则条件或其他预定义的标称状态，则可能不需要发送、存储和/或计算这样的重复数据。智能设备可以应用例如片上系统(SOC)或类似DSP的滤波器来分析和丢弃遍及智能XD生态系统100的重复或类似重复的数据(例如，“已知的已知”数据)，从而首先消除传输或处理这种数据的需要。这可以减少网络流量，提高计算利用率，并最终促进具有自主决策和动作的高效实时数据或决策科学的应用。这种XD的减少，特别是在局部级别或通过分布式XD生态系统，可以为智能设备XD生态系统提供识别显著趋势并更快地做出抢先的业务和技术建议和行动的能力，特别是由于较少重复的数据或XD允许更快的识别和建议。

每个智能设备可以包括数据或决策科学软件，包括但不限于操作系统、应用程序、不可变分类账和数据库，这些软件直接支持数据或决策科学驱动的智能设备动作。Linux、Android、MySQL、Hive和Titan或其他软件可以驻留在SoC设备上，使得局部数据或决策科学可以查询局部、设备上的相关数据以做出更快的建议和动作。

每个智能设备可以可选地具有智能策略和规则系统。智能策略和规则系统提供管理策略、指南、业务规则、名义操作状态、异常状态、响应、关键性能指标(KPI)度量以及其他策略和规则，以使分布式IDC设备可以遵循以上所述完善的信息引导前提，采取局部和知情的自主行动。多个(例如N_IPRS)智能政策和规则系统可以存在，并且上述系统可以在其之间具有相同或不同的策略，或者另选地可以具有不同程度或子集的策略和规则。当存在可能不适合其他领域或地理区域的局部化业务和技术条件时，后一种选择很重要。

智能XD生态系统与设备的系统漫游

为了表述清楚，而不是通过网络和计算设备发送所有XD，举例说明和描述了智能XD生态系统和相关方法，重点是通过将上述XD情况分解为两个基本阶段来解决这一问题。

阶段1：

智能边缘节点配置

如图1中所示，智能XD生态系统可以包括智能边缘节点，该智能边缘节点可以创建局部数据并且可以执行与局部数据相关的局部化数据或决策科学。因此，在用于管理XD的方法的第一阶段或阶段一(1)中，智能边缘节点可以被配置为创建局部数据并执行与局部数据相关的局部化数据或决策科学。具体地，智能边缘节点可以被配置为通过为这样的节点例如提供足够的处理器、存储器和磁盘存储来创建局部数据，以便支持例如小索引器、小数据库和小图形数据库。存储器可以包括但不限于RAM、固态盘和旋转盘。使用诸如ApacheIgnite的软件，存储器可以跨越多个(N_EN)边缘节点。智能设备边缘计算设备还可以例如配备有局部化数据或决策科学(例如，算法、ML、AI和其他数据或决策科学)，上述动作通过使用局部化处理器来实现，该局部化处理器包括但不限于CPU、GPU、TPU、神经形态芯片、FPGA、ASIC、量子处理器和本领域已知或尚未开发的其他局部化处理器。

为了执行与局部数据相关的局部化数据或决策科学，智能边缘节点或智能边缘计算设备可以在处理器内执行局部化决策科学，例如在CPU、GPU、FPGA、TPU、神经形态芯片、ASIC内运行的微码；通过在RAM、EEPROM、固态盘、旋转盘、基于云的存储系统、存储阵列中执行代码；通过使用诸如Apache Ignite的软件执行跨越多个边缘节点的代码；以及通过执行跨越多个上述处理器、存储器和存储组合的代码。

数据处理

图2示出了根据本文描述的实施方式的用于管理XD的数据处理方法200的流程图；首先，智能设备(例如，边缘节点设备)可以在210处通过创建新数据(例如，机器数据、生物相关数据、系统日志、用户生成的相关数据、元数据、多媒体数据和元数据、传感器和IoT相关数据、不可变分类账或块数据或双方、任何其他形式的新数据、上述数据类型的任何组合)而开始。当数据在局部生成时，数据可以立即在212处以实时或批处理模式或实时和批处理模式两者的任意组合被直接馈送到智能设备的局部处理器、RAM、存储器或其他局部组件或其任意其他组合中(与直接发送到网络中的其他节点相反)。因为数据被馈送到局部组件(例如，处理器、存储器和/或磁盘)、在该智能边缘节点上运行的局部化数据或决策科学可以在214处应用于该局部数据。

示例1：应用于局部生成数据的局部决策科学

将数据或决策科学应用于局部创建的数据可以涉及评估数据的一个或多个不同操作(操作220)。图2B示出了根据本文描述的实施方式的用于评估局部生成的数据的方法的流程图。在一个实施方式中，如图2B中所示，可以评估入站数据以确定该入站数据是已知的已知数据还是异常的或新的未知的。

例如如果入站数据是基于驻留在局部存储器、索引、数据库、图形数据库、不可变分类账或块链(或双方)、应用程序或其他局部存储器或存储组件中的现有数据、答案、数据科学或规则，则在221处可以确定入站数据是已知的已知数据。如果确定入站数据是已知的已知数据，则组件和/或智能设备可以在250丢弃XD，而不是通过网络(例如智能网络)和其他智能边缘节点发送或传输该数据。该操作消除了不必要的网络带宽使用和计算/存储使用。

在一些实施方式中，在222处，局部智能边缘节点可出于统计目的(例如，在其在250处丢弃XD之前)使用此已知的已知数据来更新局部和/或全局数据商店、图形数据库、数据科学系统、不可变分类账或块链(或双方)或第三方系统。此更新可在确定是否应考虑稍后产生的任何数据(例如，已知的已知数据)中提供有用。可替换地，在224，局部智能边缘节点可以例如在其在250丢弃XD之前，将该已知的已知数据的标签或引用或不可变分类账记录更新为局部存储的现有已知的已知数据和/或其他全局智能边缘节点。替代实施方式是局部智能边缘节点可以在226经由例如数据或决策科学驱动的消息总线(例如，智能消息总线)应用来发送与该已知的已知数据相关的消息，然后局部智能边缘节点可以丢弃主数据。

在一些实施方式中，在228，局部智能边缘节点可以例如在其在250丢弃XD之前经由数据或决策科学驱动的消息总线应用来采取动作，包括但不限于业务规则、计算要求、工作流动作或与该已知的已知数据相关的其他动作。另外，基于数据类型结果，局部智能边缘节点可以执行动态数据行列式切换，由此数据类型可以实时地驱动某个动作，诸如业务动作或技术响应。例如，如果大致相似表征的异常的数量在给定时间窗口期间达到特定数量，则智能消息警报可被发送到个人或管理员以进行深入分析，或者系统可被配置成自动分析和诊断这样的异常。

另外地或替代地，局部智能边缘节点可以在其在250丢弃XD或极端数据之前组合上述实施方式中的任何一个，例如步骤222、224、226和/或228中的任何一个。

如果在221评估并确定数据是异常的或新的未知数据，则智能边缘节点设备可以在230处更新局部数据商店、图形数据库、不可变分类账或块链(或双方)、索引、存储器、应用程序或其他数据商店，以包括异常或新的未知数据。

在一些实施方式中，如图2C中所示，220处的数据评估步骤可以包括局部智能边缘节点自动地在240处传送和查询其他边缘节点，以确定该数据是真正的异常还是已知的已知数据。局部智能边缘节点可以在240查询，例如，其他智能边缘节点或智能合成器节点或第三方系统，以确定数据是异常还是已知的已知数据。如果来自其他智能边缘节点的查询结果没有响应，则所有局部和全局智能边缘节点数据商店、图形数据库、存储器、应用程序、不可变的分类账或块链(或双方)以及第三方系统可以在242用新数据自主更新，并且可以在246采取对应的自主动作。如果来自其他智能边缘节点的查询结果以指示数据为已知的答案进行响应，则局部智能边缘节点可更新其局部数据商店、图形数据库、索引、存储器、应用程序、不可变分类账或块链(或双方)以及第三方系统，并且可在228处采取对应动作。

在一些实施方式中，局部智能边缘节点可以在244处经由数据或决策科学驱动的消息总线应用(例如，智能消息总线)向其他智能边缘节点、网络(例如，智能网络)和第三方系统发送与未知数据有关的消息。例如，中继关于给定异常或给定重要事件的信息的消息在整个智能XD生态系统中传播，使得其他智能边缘节点能够对关于给定异常或给定重要事件的信息进行动作或分析。

在一些实施方式中，在228或246处，局部智能边缘节点可以经由数据或决策科学驱动的消息总线应用来采取动作，包括但不限于商业规则、数据科学、计算要求、工作流动作或与该未知数据相关的其他动作。例如，工作流动作可涉及摄取数据、对照数据科学算法处理数据、从过程中取得输出并将数据作为输入提供给下游(例如，用于计算链更下游的设备)算法。另外，基于数据类型结果，局部智能边缘节点可以执行动态数据行列式切换，由此数据类型可以实时地驱动某个动作，诸如业务动作或技术响应。

另外地或替代地，局部智能边缘节点可以在其在250处丢弃已知的已知XD之前组合前述实施方式中的任何一个，例如步骤221、222、224、226、228中的任何一个，以及在其确定XD是异常或未知的情况下组合前述实施方式中的任何一个，例如步骤240、242、244和/或246中的任何一个。

示例2：局部化决策科学应用于局部生成的数据

参照图2C，如果数据是异常，则在246处，原始智能边缘节点和/或第三方系统可以基于业务规则、数据或决策科学、计算可用性或其他与操作相关的考虑来优先化更多资源以分析或评估该异常。在一些实施方式中，如果响应是新异常经由例如消息总线应用来触发警报，则可以在244处将消息发送到类似于太平洋海啸警报系统的若干(N_P)人、应用和系统。

图3示出了根据本文描述的实施方式的用于使用智能设备来管理XD的另一数据处理方法300的流程图。如图3中所示，可以评估入站数据以确定该入站数据是已知的已知数据还是异常的或新的未知数据。在一些实施方式中，可以在遵循图2A至图2C中描述的操作之后发现异常。如果在322处发现异常，则智能设备可以应用数据或决策科学(例如，STRIPA方法)在330向可能知道异常是否广泛扩展(例如，已知的异常)的其他边缘节点发送查询。如果其他智能设备响应并回答异常先前存在并且是已知的已知数据，则在350，原始边缘节点可以继续丢弃数据。例如，如果数据被确定为未知，或者如果没有答案或者响应是异常不预先存在，则数据可以在332被广播到具有与新数据相关的新信息和/或数据或决策科学的其他智能设备。

在一些实施方式中，新发现的数据或异常可以在334处被标签、标记或链接以具有用于加速处理的优先级状态。可在336处将新发现的数据或决策科学模式发送到其他智能设备以促进快速发现和建议动作。例如，如果在世界各地的五(5)个不同地点出现五(5)个新的异常，则“推断”决策科学(例如作为STRIPA方法的一部分)可以应用于确定五(5)个不同的异常具有相似的特征。基于该共同特性异常分布，例如，表面决策科学(例如，作为STRIPA方法的一部分)，以便警告系统和/或人们新的潜在趋势。

另外地或替代地，局部智能设备可以组合上述实施方式中的任何一个，例如，图2A至图2B中所示的步骤240、242、244、246和248中的任何一个，结合图3中所示的步骤322、324、326和328中的任何一个。

数据或决策科学和软件更新

在一些实施方式中，智能边缘节点(即智能设备)可以被配置为使用智能收发器来发送和/或接收数据或决策科学和/或软件更新。当学习到新信息或发布软件更新时，这些更新能够实现对智能边缘节点索引器、数据库、图形、算法、不可变分类账或块链(或双方)、或数据科学软件、或其组合的快速和自动化的批量或手动软件修订。因此，包括IoT设备、边缘设备、第三方边缘节点和其他组件的智能设备组件不仅消除了沿着计算处理链的XD噪声数据，而且这些相同的设备通过接收这些新的软件更新并实时执行这些更新而随着时间流逝而自动变得更智能。

为了持续地移除和/或调谐这些设备和边缘节点以更好地执行本文所公开的示例1和示例2中的实施方式，使这些智能设备的响应时间随着时间变得更智能是重要的。

在一些实施方式中，智能边缘节点可以具有以下至少一种能力：发送、接收或执行数据(或其组合)；发送、接收或执行决策科学计算(或其组合)；以及从第三方系统发送、接收或执行软件更新(或其组合)。另外地或替代地，第三方系统可以具有发送和/或接收数据或决策科学以便更新智能边缘节点和设备的能力。根据本文描述的实施方式，可以在方法内执行上述的任何组合。

阶段二：

智能合成器边缘节点

智能合成器边缘节点的用途与上述第一阶段所述的智能边缘节点类似。具体地，智能合成器边缘节点可以具有与阶段一智能边缘节点相同的数据或决策科学执行、处理和实施方式，但某些例外如下详述。

首先，智能合成器边缘节点可以有更多的计算能力、内存和存储容量。附加计算能力便于更多的分析、数据科学(例如ML、AI算法)和一般计算能力来处理和回答更有挑战性的数据或决策科学问题或者对其他智能边缘节点和第三方系统的不可变计算和建议。在一个实施方式中，智能合成器边缘节点可以从多个(N_EN)智能边缘节点获取数据异常，并且开始执行自动化或面向批量的数据或决策科学，这可以导致包括但不限于基于STRIPA的抢先业务建议和动作的响应。

在一些实施方式中，智能合成器边缘节点可以使用各种数据或决策科学技术来近似丢失的信息和/或数据，并且将这些近似和估计***到数据商店、图形数据库、应用、不可变分类账或块链(或双方)、或第三方系统、或其组合中。智能合成器边缘节点还可以具有从智能收发器发送和/或接收数据或决策科学、软件更新和其他数据的能力。对智能合成器边缘节点的这些更新可以实现对合成器索引器、数据库、图形、不可变分类账、数据或决策科学的快速和自动化软件修订，以及在学习到新信息或从其他边缘节点、系统和第三方系统发布软件更新时对数据的快速和自动化软件修订。

例如，此处确认索引器、数据库、图形、分类账或其他一些数据商店中的数据可能缺失。在这种情况下，智能合成器边缘节点执行数据科学计算以预测或推断丢失的数据，从而使数据商店完整。换句话说，合成丢失的数据，并且存储该合成数据来代替丢失的数据。例如，这些数据科学计算可以孤立地(例如，仅局部地)在给定的智能边缘节点上进行。在另一示例中，这些数据科学计算以与其他智能边缘节点协作的方式发生。例如，从多个智能边缘节点获得数据，或者跨多个智能边缘节点执行数据科学计算，或者两者都执行，以便预测或推断给定智能边缘节点的丢失数据。然后将该合成数据存储在给定的智能边缘节点上以代替丢失的数据。

智能收发器的这些实时、批量和手动更新可以使智能合成器边缘节点随着时间的推移变得更智能和更快。这里公开的智能合成器边缘节点可以包括上述特征或实施方式的任意组合。

智能第三方边缘节点

智能第三方边缘节点的目的是集成跨多个不同生态系统、平台和企业的数据或决策科学计算平台和生态系统。生态系统、平台和企业包括但不限于战略商业合作伙伴、组织、虚拟环境、公共和私人市场、政府组织，而非营利组织、匿名用户(不可变技术和相关生态系统和市场)和其他组织。

在一个实施方式中，企业A可以拥有具有自身数据的基于云的系统。企业A可能需要专注于云业务B的数据或决策科学的专业知识，以便分析和建议数据或决策科学驱动的动作。在这种情况下，智能第三方边缘节点可以是企业A和业务B的集成点。

该智能第三方边缘节点可以存在于公共或私有云中，例如Amazon、Google、CenturyLink或RackSpace等，也可以存在于企业A、业务B或上述位置的任意组合中。

该智能第三方边缘节点可以具有连接器，包括但不限于API，以便企业A可以利用业务B的数据或决策科学，同时不允许业务B出于隐私目的查看企业A的数据和结果。

在一些实施方式中，可以存在使用智能第三方边缘节点的多个N_E企业。

在一些实施方式中，可以存在使用不可变智能边缘节点和不可变智能第三方边缘节点的多个N_E企业。

在一些实施方式中，可以存在使用不可变智能边缘节点和不可变智能第三方边缘节点的多个N_E企业和匿名用户。

在一些实施方式中，可以存在使用不可变智能边缘节点的多个N_E匿名用户。

此外，企业可以在其专用网络和防火墙后许可并运行智能第三方边缘节点。例如，汽车制造商或制药公司可能需要引入大量数据或决策科学来帮助公司做出研发决策、制造决策、产品营销决策和广告决策。

在一些实施方式中，智能第三方边缘节点具有从智能收发器发送和接收数据或决策科学、软件更新和数据的能力。例如，随着新信息的获得和发布，这些更新促进了对索引器、数据库、不可变分类账或块链(或双方)、图形、算法、机器学习(ML)、人工智能(AI)软件或应用或其组合的快速和自动化的数据或决策科学计算和软件修订。在示例方面，这些迭代更新使得智能第三方边缘节点随着时间变得更智能和更快。本文公开的智能第三方边缘节点可以包括上述特征或实施方式的任何组合。

其他类型的智能边缘节点

智能边缘节点还可以包括“主数据”边缘节点，可以包括智能主数据库管理软件和系统以及不可变分类帐或块链(或双方)。主数据边缘节点(例如，存储主数据的一个或多个智能边缘节点)通常可以指包含可靠和可信数据的主数据库和不可变分类账或块链(或双方)，其可以由其他系统或设备用于验证目的。例如，包含诸如客户姓名、地址和账单信息之类的信息的客户CRM系统是单一真相源系统的基本形式。还可以存在专用于执行特定应用的任务的专用边缘节点。

智能边缘节点通常分为两类：母边缘节点和子边缘节点。母边缘节点包括子边缘节点特征和功能的超集，并且通常被表征为相对于子边缘节点具有更多的计算、存储和数据或决策科学能力。母边缘节点可以执行的任务包括：提供数据或决策科学驱动的(例如，Algo、ML或基于AI的)对其他母节点和子边缘节点的抢先动作和建议；响应来自其他母边缘节点和子边缘节点的查询，包括但不限于用户发起的数据、决策科学查询以及基于机器到机器发起的数据或决策科学的查询；对主数据存储和不变分类账执行数据或决策科学(例如，Algo、ML、AI、机器视觉)；合成驻留在存储中的数据以识别、推断和/或预测新兴消费者、商业和技术相关趋势、相关性(例如，使用STRIPA方法)；从多个N_PC母边缘节点和子边缘节点接收数据，以填充或完成丢失的主数据，包括但不限于数据存储、元数据存储、图形数据存储、不可变分类账、第三方系统和其他数据科学数据存储；相对于其他母边缘节点和子边缘节点执行主数据管理功能；向其他母边缘节点和子边缘节点发送主数据(收发器)；通过接收数据(在多个信道、频率、有线和无线网络以及其他传输信道上监听和接收数据)并且通过向其他母边缘节点和子边缘节点发送数据、元数据、不可变记录以及数据或决策科学，来执行收发器功能。

相比之下，子边缘节点可能只具有上述任务、特征和/或功能中的一个或两个。

智能边缘节点演练及处理示例

在一些实施方式中，可以在首先创建数据的点处***智能边缘节点。本文公开的智能XD生态系统可以包括***在首先创建数据的点处的多个不同的智能边缘节点，每个智能边缘节点生成机器数据和元数据、用户生成的数据和元数据、系统数据、不可变记录和元数据。另外，每个智能边缘节点可以包括数据或决策科学STRIPA智能，其中智能包括但不限于数据或决策科学，该数据或决策科学：可以应用STRIPA过滤器并且可以忽略已知的已知答案和数据；可以应用STRIPA来感测和检测某些类型的数据、图案、不可变记录、图像、音频、多媒体等并且更新边缘节点和/或通知用户，和/或更新第三方系统；可以将STRIPA应用于已知的已知数据或新的异常或新的未知的引用、标记和/或索引；可以将STRIPA应用于数据并且可以采取动作，包括但不限于应用自动化或面向批量的业务规则、应用自动化或面向批量的应用、或者使用数据科学和/或业务规则执行系统或工作流动作；可以将STRIPA应用于数据并且可以采取动作，包括但不限于应用自动化或面向批量的业务规则、应用自动化或面向批量的应用、基于优先级排序算法和规则使用算法和/或业务规则来执行系统或工作流动作；可将STRIPA应用于数据，并可向其他(一个或多个)边缘节点、(一个或多个)合成器和第三方边缘节点发送警报和消息，以警告和快速跟踪不规则性和/或新的未知。在一些实施方式中，边缘节点可具有智能收发器以实时或批量定向发送、接收和执行新数据或决策科学、软件修订和数据，使得边缘节点具有最新信息以便采取适当动作。这里公开的智能边缘节点可以包括上述特征或实施方式的任意组合。

智能聚合边缘节点、网络、IoT设备、组件和/或系统

本文公开的智能XD生态系统可以包括***在数据首次创建的点处的多个不同的智能边缘节点，每个节点生成机器数据和元数据、用户生成的数据和元数据、系统数据、不可变分类账或块链(或双方)、不可变记录和元数据。另外，每个智能边缘节点可以包括数据或决策科学(例如STRIPA)智能。在一些实施方式中，可以在智能边缘节点的下游***逐渐更智能和/或更强大的智能聚合边缘节点、网络、IoT设备、组件和/或系统。

另外，每个智能边缘节点可以包括数据或决策科学(例如，STRIPA)智能，其中智能包括但不限于数据或决策科学，该数据或决策科学：可以应用STRIPA过滤器并且可以忽略已知的已知答案和数据；可以应用STRIPA来感测和检测某些类型的数据、图案、图像、音频、多媒体、不可变分类账或块链(或双方)以及不可变记录等并且更新边缘节点和/或通知用户，和/或更新第三方系统；可以将STRIPA应用于已知的已知数据或新的异常或新的未知的引用、标记和/或索引；可以将STRIPA应用于数据并且可以采取动作，包括但不限于应用自动化或面向批量的业务规则、应用自动化或面向批量的应用、或者使用算法和/或业务规则执行系统或工作流动作；可以将STRIPA应用于数据并且可以采取动作，包括但不限于应用自动化或面向批量的业务规则、应用自动化或面向批量的应用、基于优先级排序算法和规则使用算法和/或业务规则来执行系统或工作流动作；或者可将STRIPA应用于数据，并可向其他(一个或多个)边缘节点、(一个或多个)合成器和第三方边缘节点发送警报和消息，以警告和快速跟踪不规则性和/或新的未知；或其组合。在一些实施方式中，边缘节点可具有智能收发器以实时或批量定向发送、接收和执行新数据或决策科学、软件修订和数据，使得边缘节点具有最新信息以便采取适当动作。这里公开的智能边缘节点可以包括上述特征或实施方式的任意组合。

上述公开的系统及相关方法可以带来很多好处，包括例如：消除客户/用户大数据分析系统中大量数据的收集、存储、索引、分析和STRIPA处理；通过找到关键的、要紧的或重要的数据来加速浮出水面的答案--类似于通过在数据收集点删除大多数非关键的“珠穆朗玛峰”数据来找到“珠穆朗玛峰上的单针”数据；加快提出建议；并加速采取实时行动。

本文公开的设备、系统和方法可以具有如下优点：将决策智能、计算、存储和相应的自主动作分布在立即捕获数据的点附近。这因此更快且更快速地向企业和/或系统提供建议和动作。另外，本文公开的系统和方法能够在通过向每个边缘节点、合成器和第三方边缘节点发送和接收新数据或决策科学来学习新信息时实时地更新或“闪现”智能。本文公开的系统和方法可用于最小化和/或消除最接近数据捕获点的已知的已知数据，从而释放网络带宽并释放计算和存储容量。

智能边缘节点行业使用演练示例

在一个例子中，智能设备是IoT设备。智能IoT设备可以位于或安装在制造过程的一个或多个阶段，并且可以被配置为通过监测温度、湿度、红外光类型等来生成数据和/或不可变记录。没有“智能”(本文中也称为“非智能”IoT)的IoT设备—或没有能力执行任何局部化的机载数据科学或决策科学算法的IoT设备—可以被配置为连续地生成和发送数据，即使随后生成的数据完全相同、重复或“已知的已知数据”。“非智能”IoT设备可通过网络和下游计算系统发送所有这些数据，接下来又可确定温度、湿度或照明条件或任何其他条件是否异常。因此，所有重复的XD可能最终使用带宽和计算资源。

相反，本文公开的智能IoT设备可以具有机载计算和存储分析，诸如驻留在ASIC、FPGA、机载RAM或IoT设备内的其他组件中的过滤器、复制算法和其他分析。随着数据或不可变记录流从IoT传感器(例如，数据的来源)向IoT设备上的数据或决策科学组件流动，组件可以实时检查数据或不可变数据，并且“嗅探”标称的、“已知的已知数据”或重复的数据或不可变记录。如果对数据或不可变记录的评估导致确定数据是标称的，则机载处理单元可以清除、移除或忽略标称的XD或“已知的已知数据”XD。可替换地，机载处理单元可以标签、标记和/或添加指向驻留在IoT设备上的数据存储或不可变分类账的指针，而不必存储所有复制的XD。过滤和去除冗余XD消除了其他计算节点上的负担并降低了网络流量。

如果IoT数据或不可变记录通过具有数据或决策科学组件的机载设备进行“嗅探”，且该数据或不可变记录存在(或包含)异常，则该异常通过现有网络和边缘节点计算系统进行发送或广播以进行分析和/或可以高优先级标记进行分析。在一些实施方式中，机载计算机可以用不同的优先级或标记来标记该数据或不可变记录。取决于分配给异常的严重性，智能IoT边缘节点可以采取动作，包括但不限于向用户、系统和应用发送警报。智能IoT节点可以基于业务规则、工作流、技术响应或其他规则或条件来停止、修改、改变周围的边缘节点、机器、系统或响应于该异常而采取其他动作。

在许多制造情况下，IoT设备可被集成，但地理位置却不同。当数十亿个IoT设备生成实时数据或不变记录(例如，人类食品加工QA测试和结果、制药mfg、精度mfg等)时，可能存在某些地理区域或位置导致比其他地理上不同的IoT设备更快地检测到早期异常的情况。在这些情况下，具有机载数据或决策科学的智能IoT节点可以自动地向其他地理上不同的智能IoT设备发送消息、发出警报并建议采取行动。

智能IoT设备分步流程

图4示出了根据本文描述的实施方式的用于更新智能设备的方法400的流程图。智能设备数据(例如由IoT设备创建或处理的数据，或不可变的记录数据)或决策科学可以在410处开发并转换为微码(例如，基于FPGA的微码或适合处理器类型的其他微码格式)。智能IoT数据或决策科学可在420处使用智能收发器通过网络传输。智能IoT收发器可以监听新数据、元数据、不可变数据(例如，来自一个或多个边缘节点的数据)或决策科学，并且可以被配置为在430处下载新数据或决策科学。智能IoT收发器可以在440处将新数据或决策科学安装或“闪存”到FPGA中。或者，440处的操作可涉及更新FPGA上的现有数据或决策科学。然后，使用最新数据或决策科学对智能IoT设备进行操作。这样的安装或更新可以自主地执行，或者可以被配置为以特定间隔执行，或者可以由特定事件触发。

在450处，智能IoT设备可以基于在IoT设备上处理的数据来执行局部自主动作。当发布新的算法时，智能收发器可以在460处用新的数据或决策科学向智能IoT设备广播更新。虽然该示例与FPGA有关，但是作为补充或替代，可以在智能IoT设备中使用其他类型的处理器。

图1、图2A至图2C、以及图3至图4中所示的流程图中的流程描述或流程块可以被理解为表示包括用于在相关联的过程中实现特定逻辑功能或步骤的一个或多个可执行指令的模块、段或部分代码或逻辑。如本领域的技术人员在熟悉本发明的教导之后将理解的，在本发明的范围内包括可替换的实现方式，其中根据所涉及的功能，功能可以从本文示出或描述的顺序开始无序地执行，包括基本上并发地或以相反的顺序执行。

智能XD生态系统中的不可变数据

XD管理涉及自主分布数据计算和数据存储分布。这种组合本质上适用于不可变的数据存储和处理，这是计算密集型的，涉及分布式、匿名和安全的存储分类账。

例如，图1中的设备110、112和120执行与不可变数据相关的自主分布式和协调计算。例如，该架构用于分配分类账存储，这也是高度存储密集的。

下面是智能设备的示例计算方面，适用于不可变数据或其他类型的不可变数据(例如，可改变的数据)或其组合。

在一个示例性过程(例如，过程A)中，一个或多个智能设备被自主地协调和分配以执行分配的计算任务。

在另一个示例性过程(例如，过程B)中，一个或多个智能设备被自主地协调和分配以执行计算任务，并且随着更多的计算设备变得可用，这些新释放的智能设备被自主地协调和合并到现有的计算任务中。

在过程A或过程B或两者的示例性方面，一个或多个智能设备各自协调自己，或协作地确定计算任务的协调和分配。在数据是不可变数据的示例中，计算任务包括验证计算。

在过程A或过程B(或双方)的示例性方面，这些过程在优化计算任务之前(i)、期间(ii)和之后(iii)中的至少一个中包含数据科学。例如：

(a)应用数据科学(机器学习、STRIPA)来自主地预测和确定在任务开始之前应当使用多少计算设备来优化计算时间、计算资源和竞争项目；

(b)在计算过程期间应用数据科学(机器学习、STRIPA)来自主地抽样、评估和重新分配WIP计算资源，以满足目标、目的、期限、技术或操作要求、业务规则或上述各项的任何组合；以及

(c)在完成计算任务之后应用数据科学(机器学***台针对总体吞吐量进行了优化，或者以其他计算密集型任务为代价处理高优先级的计算任务。

其他平衡计算任务负载的方法可在此应用。

下面是智能设备的示例性存储方面，适用于不可变数据或其他类型的不可变数据(例如，可改变的数据)或其组合。

在一个示例性过程(例如，过程C)中，一个或多个存储设备(例如，一个或多个智能设备)被自主地编排并分配给捕获、索引和存储安全数据中的至少一个。例如，数据构成分布式分类账或块链(或双方)的一部分或全部，或用于与之相关。

在一个示例性过程(例如，过程D)中，一个或多个存储设备(例如，一个或多个智能设备)被自主地编排并分配给捕获、索引和存储安全数据中的至少一个。例如，数据构成分布式分类账或块链(或双方)的一部分或全部，或用于与之相关。在其中数据是分类账数据的系统的示例方面中，随着分类账数据超过原始分配的分类账设备，在XD分类账环境中自主地调用、协调和合并新的分类账存储设备。

在过程C或过程D或两者的示例方面，一个或多个智能设备各自协调自身，或协作地确定捕获、索引和存储任务中的一个或多个的协调和分配。

在一个示例方面，过程C或过程D或两者都将数据科学例如以已分配分类账的形式包含在优化数据的存储之前(i)、期间(ii)和之后(iii)中的至少一项中。例如：

a.应用数据科学(机器学习，STRIPA)以自主预测和确定多少安全的存储分类账设备(例如，哪些智能设备)和空间应在存储被消耗之前被初始调用和保留；

b.在计算过程期间应用数据科学(机器学习、STRIPA)来自主地采样、评估和重新分配在制品存储，以满足目标、目的、期限、技术或操作要求、业务规则或上述各项的任何组合；

c.在存储任务完成后应用数据科学(机器学习、STRIPA)以便在与其他WIP存储分类账任务同时竞争的同时，自主优化未来存储分类账任务的安全分类账存储；以及

d.实时应用数据科学(机器学习、STRIPA)来自主地社会化和同意哪些设备是受信任的“主”分类账边缘节点(例如，一种类型的智能设备)。

在此认识到，许多不可变技术，如块链技术和更一般的分布式分类账技术，使用许多设备来完成计算(例如，验证计算、交易计算、向分类账添加数据的计算、加密货币分配计算、认证计算等)。这里还认识到，这些计算中的许多计算在多个设备中是冗余的，并且这种分类帐网络或块链网络中的设备被低效地利用。此外，使大量设备执行相同或类似的计算是资源密集型的(例如，硬件、软件和数据传输密集的)。

因此，在一个示例方面，本文提供的系统自主地识别哪些边缘节点满足作为可信主分类账边缘节点的条件。可信主分类账边缘节点是整个可用边缘节点集合的子集(或多个子集)。例如，可信主边缘节点已经满足以下条件中的一个或多个：快速计算；响应于请求或上下文需要的及时计算结果；具有较高的正常连接性能；具有较低的通信延迟；计算可靠；是安全的(例如，很少或没有被黑客攻击的历史，或有抵御黑客攻击的历史，或两者兼有)；始终得到主题节点得到的相同答案(例如，与属于用户的节点相同的答案)；不断地得到正确的答案。因此，在示例性实施方式中，主题节点(例如，智能设备)与可信主分类账节点通信以执行计算任务，而不是与其他分类账节点通信。

在一个示例方面，在一个或多个智能设备之间应用数据科学来确定可信主分类账节点及其分类账的适当数量N，而不是更新所有设备上的所有分类账。通过不在不可变生态系统中更新每个现有分类账，而是在N个可信主分类账节点上信任N个主边缘分类账，使用这种方法大大减少了计算和存储时间。

使用这里描述的计算方法，数据被冗余地存储，智能设备可以被添加到智能XD生态系统而没有任何停机时间。这减少了XD数据、已知的已知数据以及计算和存储资源。

在另一个示例方面，智能设备的协作有助于在计算任务之前或期间并入数据科学，或存储任务或两者兼有，以用于数据工作流管理目的。例如，应用数据科学来自主地将分类帐数据从一个存储设备分类帐移动到不同的存储设备分类帐。这可以根据以下来实现：一个设备到多个设备；多个设备到多个设备；以及多个设备到一个设备。

这些设备将技术参数、操作参数、业务规则或上述各项的任何组合应用于每笔分类账交易，以自主地将计算和/或存储数据从一个计算和/或存储分类账设备移动到不同的计算和/或存储分类账设备。

数据在设备间的移动是在各种情况下发生的。例如，一个或多个主题智能设备具有“热数据”，并且由于其用完数据存储空间而需要激活一个或多个辅助存储设备，并且随后将该热数据传输到该一个或多个辅助存储设备。在另一示例中，一个或多个主题智能设备已经达到其处理能力的阈值极限(例如，它正在耗尽处理能力)，并且作为响应，一个或多个主题智能设备向一个或多个其他智能设备发送数据以激活一个或多个其他智能设备上的分布式处理。在另一示例中，一个或多个主题智能设备将数据或计算或两者移动到一个或多个辅助智能设备的条件是战术的。

在一个示例性战术条件中，一个或多个主题智能设备更适合于第一类型的计算，并且执行第二类型的计算是不期望的(例如，执行第二类型的计算效率低，减慢执行第一类型的计算的性能等)。因此，一个或多个主题智能设备与一个或多个辅助智能设备协作以分配要由一个或多个辅助智能设备执行的第二类型的计算，这允许分配一个或多个主题智能设备的多个资源以执行第一类型的计算。

例如，第一类计算是验证，第二类计算是查询。

在另一示例中，智能设备动态地确定哪些类型的计算被分类为主题智能设备的第一类型的计算，以及哪些类型的计算被分类为辅助智能设备的第二类型的计算。在示例性实施方式中，ML和STRIPA用于执行这些动态确定。应当理解，这些数据和这些计算不限于不可变数据。

在另一个示例方面，智能设备将数学、数据科学、技术规则、操作规则、业务规则或上述各项的任何组合应用于每笔分类账交易，并进行以下计算中的一项或多项：

用不同的加密方法加密；

汇总数据、元数据、结果、统计、趋势、建议、行动、结果算法或上述各项的组合，并将这些结果***有安全的分类账，以便将来更快地召回；

缓存不断被查询以便将来更快召回的分类帐交易和上述项目；以及

使用数据科学执行生存时间(TTL)缓存分类账事务。

在一个示例方面，TTL分类账事务被存储在缓存中达一段时间(例如，由TTL数据科学计算确定)。例如，数据可以在其被丢弃之前在高速缓存中仅持续一定的时间。这样的数据的非限制性示例是短暂的安全数据，或者是在某个时间量到期之后被有意删除以提高安全性的安全数据。在另一方面，“热数据”被存储在高速缓存或RAM中。从高速缓存或RAM移动中期数据以存储在固态存储器设备中。将长期数据从高速缓存、RAM或固态存储器设备移动到旋转磁盘。机器学习或STRIPA或两者用于动态地确定数据是被分类为热数据、中期数据还是长期数据。

智能边缘节点、XD和不变性行业使用演练示例：食品加工和制造

在此确认，人类消费食品和饮料的供应链、制造和分销需要更快、更透明和可审计的记录和报告，以便跟踪、测量和报告食物中毒事件的发生。在简单的示例中，当已经确认食物或饮料可能导致食物中毒时，提供了集成的和智能的基于不可变的消费者应用和企业生态系统，其可以快速且可靠地执行以下示例特征。

例如，智能XD生态系统便于实时消费者在其计算设备(例如，智能设备)中输入其信息。所输入的信息涉及经由因特网应用匿名且安全地引起中毒的特定食物或饮料。该过程包括：a)捕获个人可识别信息(PII)而不向上游用户公开数据(自主或渐进的PII公开)；b)获取购买或消费食品的商店或餐厅；c)获取商店或餐厅收据；d)捕获显示食品条形码和人类可读信息、制造商、批号和箱号、以及制造和加工日期中的一个或多个的照片；e)当更多相关的消费者数据点到达时，应用数据科学(例如，ML和STRIPA)以根据消费者收集的汇总数据提出建议；以及将匿名数据、建议、元数据和图片传输到上游源(其示例在下面列出)。

在进一步的操作中，智能XD生态系统为食品中毒的商店或餐厅的实时通知提供了便利。该通知可以触发以下操作中的一个或多个，这些操作可以在其他智能设备上发生：a)从与制造商批号和货仓号以及制造和加工日期相匹配的货架上寻找和拉出食品或饮料；b)进行质量保证(QA)测试和报告，以确定是否在该地点发生食物中毒；c)报告QA测试的结果；d)随着更多相关消费者数据的到来，应用数据科学(ML和STRIPA)，根据上述消费者数据提出建议；e)向上游源(见下文)发送匿名数据、建议、元数据和图片；以及f)采取措施，包括清洁设备、货架等并将严格的食品处理规则、规定和程序通知员工。这些操作的各方面可以是全自动或半自动的。

在另一个示例性操作中，智能XD生态系统便于向分销商实时通知食品引起的中毒。该通知可以触发以下操作中的一个或多个，这些操作可以在智能设备上发生：a)从与制造商批号和货仓号以及制造和加工日期相匹配的仓库和卡车上查找、拉出和移除食品或饮料；b)进行QA测试和报告，以确定是否在该地点发生食物中毒；c)报告QA测试的结果；d)随着更多相关消费者数据的到来，应用数据科学(ML和STRIPA)，根据上述消费者数据提出建议；e)向上游源(见下文)发送匿名数据、建议、元数据和图片；以及f)采取措施，包括清洁设备、货架等并将严格的食品处理规则、规定和程序通知员工。这些操作的各方面可以是全自动或半自动的。

在另一个示例性操作中，智能XD生态系统便于向食品或饮料的制造商和处理器实时通知。该通知可触发以下操作中的一个或多个，这些操作可在智能设备上发生：a)在与制造商批号和货仓号以及制造和处理日期匹配的工厂查找、提取和移除食品或饮料库存；b)停止并清洁与生产和加工的食品或饮料相关的、与制造商批号和货仓号相匹配的所有设备；c)在与制造商批号和货仓号以及制造和加工日期匹配的工厂查找、提取和移除所有原材料和供应物料；d)进行QA测试和报告，以确定是否在该地点发生食物中毒；e)报告QA测试的结果；f)随着更多相关消费者数据的到来，应用数据科学(ML和STRIPA)提出基于上述消费者数据的建议；g)向上游源(见下文)发送匿名数据、建议、元数据和图片；h)采取措施，包括清洁设备、货架等并将严格的食品处理规则、规定和程序通知员工。这些操作的各方面可以是全自动或半自动的。

在另一个示例性操作中，智能XD生态系统促进了对原材料和供应物料的实时通知。该通知可以触发以下操作中的一个或多个，这些操作可以在智能设备上发生：a)从与制造商批号和货仓号以及制造和加工日期相匹配的仓库和卡车上查找、拉出和移除原材料及供应物料；b)停止并清洁与制造商批号和货仓号相匹配的与生产和加工食品或饮料的原材料和供应商相关的所有设备；c)进行QA测试和报告，以确定是否在该地点发生食物中毒；d)报告QA测试的结果；e)随着更多相关消费者数据的到来，应用数据科学(ML和STRIPA)，根据上述消费者数据提出建议；f)向上游源(见下文)发送匿名数据、建议、元数据和图片；以及g)采取措施，包括清洁设备、货架等并将严格的食品处理规则、规定和程序通知员工。这些操作的各方面可以是全自动或半自动的。

在另一个示例性操作中，智能XD生态系统便于实时通知任何其他上游原材料、供应物料、农场以及种植、制造和加工原材料、供应物料和牲畜的牧场。该通知可触发可在智能设备上发生的一个或一个操作(类似于以上操作)。

智能XD生态系统(最好是实时的)在发现新信息、进行测试以及提供基于数据科学的报告和建议时自动更新生态系统分类账。智能XD生态系统中的设备将来自供应链的初始开始的结果的报告一直传输到消费者输入其信息的消费者门户网站。

虽然制药和分销有更严格的规章制度，但上述示例性食品和饮料方法的原则和操作(经适当修改，符合FDA制药法规)可适用于制药行业。这些设备、系统和过程还可用于其他类型的人类消耗品的供应链和处理系统中，诸如补充剂、化妆品、外科用品、医疗用品、诸如器官或支架等的可植入物体、修复术、牙科硬件、接触件等。

在另一示例性实施方式中，提供了一种智能边缘节点设备，包括：存储器，该存储器存储数据科学算法和首先由智能边缘节点设备直接或间接创建的局部数据；一个或多个处理器，其被配置为使用所述数据科学算法来至少执行局部决策科学以处理所述局部数据；以及通信设备。通信设备与关于数据科学算法、局部数据的处理和与局部数据有关的异常结果中的一个或多个的其他智能边缘节点设备通信。

例如，处理包括确定局部数据是否是已知的已知数据，以及在识别出局部数据是已知的已知数据之后从存储器中丢弃该局部数据。

在一个示例方面，一个或多个处理器将局部数据转换为微代码，通信设备将该微代码传输到其他智能边缘节点设备。

在另一个示例方面，一个或多个处理器将一个或多个数据科学算法转换为微代码，并且通信设备将该微代码传输到其他智能边缘节点设备。

在另一个示例方面，通信设备接收微代码，并且一个或多个处理器利用该微代码执行局部自主动作，其中该微代码是新数据和新数据科学算法中的至少一个。

在另一个示例方面，存储器或一个或多个处理器，或两者，可以用一个或多个新的数据科学算法进行闪存。

在另一个示例方面，存储器存储在智能边缘节点设备和其他智能边缘节点设备上分发的不可变分类账。

在另一个示例方面，局部数据是存储在不可变分类账上的生物相关数据。

在另一个示例方面，局部数据是存储在不可变分类账上的制造数据。

在另一个示例方面，智能边缘节点设备被用在人类消耗品(例如，食品、药物、补充剂、化妆品、外科用品、医疗用品、可植入物体如器官或支架等、修复术、牙科硬件、接触件等)的处理系统中，并且局部数据与给定的人类消耗品有关，并且局部数据存储在不可变的分类账上。

在另一个示例方面，智能边缘节点设备是卫星，局部数据是存储在不可变分类账上的卫星数据。在示例方面，卫星数据由卫星上的一个或多个传感器感测。在另一示例中，卫星数据是已经由卫星接收的通信数据，并且通信数据被配置为可由地面站或另一卫星发送。

在另一个示例方面，在用于确定的计算已经开始之前，一个或多个处理器执行附加的局部化数据科学以自主地预测将利用多少其他智能边缘节点设备来完成局部数据是否是已知的已知数据的确定。

在另一个示例方面，一个或多个处理器在确定局部数据是否是已知的已知数据的过程中执行附加的局部化数据科学，该附加的局部化数据科学包括在其他智能边缘节点设备之间自主地采样、评估和重新分配正在进行中的计算资源。

在另一个示例方面，智能边缘节点设备是大脑-计算机接口(例如，这是一种人机接口)。在替代的示例方面，智能边缘节点设备的通信设备从大脑-计算机接口接收数据并向大脑-计算机接口发送数据。特别地，在人机接口领域中，认识到脑信号、神经信号、肌肉信号、化学信号、激素信号等以及其他类型的生物相关数据可由智能边缘节点设备感测并由同一智能边缘节点设备或某一辅助边缘节点设备作用。与给定用户的大脑-计算机接***互的智能边缘节点设备的示例包括机器人无人机、机器人假肢、具有语音聊天能力的计算设备、肌肉刺激设备以及其他用户的其他大脑-计算机接口。这些设备所利用的生物相关数据或其他数据例如存储在分布在多个其他智能边缘节点设备上的不可变的分类账上。

在另一个示例方面，一个或多个处理器包括神经形态芯片。

在另一个示例性方面，智能边缘节点设备还包括用于收集局部数据的一个或多个传感器以及可由一个或多个处理器控制的一个或多个致动器。响应于处理器处理局部数据，致动器是可控的。

在另一个示例方面，智能边缘节点设备是发电厂的一部分，局部数据与发电厂的运行和性能有关。在另一示例方面，该局部数据被存储在不可变分类账上。这有助于提供发电厂的安全且可靠的控制和操作。发电厂的示例包括核电站、水力发电厂、煤电厂、太阳能发电厂和风力发电厂。在另一方面，智能边缘节点设备的系统在发电厂的控制和操作中协作。这些设备的示例包括可控阀致动器、变压器、冷却设备、风扇、温度传感器、电气继电器设备、辐射传感器、压力传感器、照相机设备和电流传感器。

在另一个示例方面，智能边缘节点设备是水处理厂的一部分，局部数据与水处理厂的运行和性能有关，局部数据存储在不可变分类账上。这有助于提供水处理过程的安全和可靠的控制和操作。例如，城市或市政当局有广泛的水处理基础设施网络。本文中的水处理包括以下操作中的一个或多个：获得用于饮用的水、处理用于饮用的水、分配用于饮用的水、接收废水、处理废水、以及释放或倾倒经处理的废水。在另一方面，智能边缘节点设备的系统在水处理厂的控制和操作中协作。这些设备的示例包括可控阀致动器、泵设备、流量传感器、压力传感器、化学传感器、化学分配器设备、电气继电器设备、照相机设备和电流传感器。

可以理解，这里例示的执行指令的任何设备、模块或组件可以包括或以其他方式访问计算机可读介质(例如存储介质、计算机存储介质)或数据存储设备(可移除和/或不可移除)，例如固态存储器、磁盘、光盘或磁带。计算机存储介质可以包括以用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术实现的易失性和非易失性、可移除和不可移除介质。计算机存储介质的示例包括RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光学存储器、磁带盒、磁带、磁盘存储器或其他磁存储设备、或可用于存储所需信息且可由应用、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是智能设备的一部分或者可访问或可与其连接的智能设备。本文描述的任何应用或模块可使用可由此类计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。

应当理解，这里描述的设备、系统和方法的示例性实施方式的不同特征可以以不同方式彼此组合。换句话说，根据其他示例性实施方式，可以一起使用不同的设备、模块、操作、功能和组件，尽管没有具体说明。

本文描述的流程中的步骤或操作只是举例。根据本文描述的原理，这些步骤或操作可以有许多变化。例如，可以以不同的顺序执行步骤，或者可以添加、删除或修改步骤。

还应理解，本文使用的示例和相应的系统图示仅用于说明目的。在不脱离本文所表达的原理的情况下，可以使用不同的配置和术语。例如，可以添加、删除、修改或布置具有不同连接的组件和模块，而不脱离这些原理。

虽然以上已经参考某些特定实施方式进行了描述，但是在不脱离所附权利要求的范围的情况下，其各种修改对于本领域技术人员而言将是显而易见的。