The industrial Internet of Things (IIoT), which integrates the key technologies of industrial communication, computing, and control, can implement flexible management and dynamic scheduling for manufacturing resources. To improve the edge intelligence of the IIoT, this article proposes a novel IIoT architecture with a hierarchical control structure in the mobile edge cloud (MEC). Massive remote radio heads (RRHs) are partitioned into several clusters, and each cluster is equipped with one or more servers for creating virtual machines (VMs) to execute the processing tasks of IIoT devices. The proposed IIoT architecture separates the control plane from the data plane based on software-defined networking (SDN). The hierarchical controllers improve the flexibility and intelligence of the control plane, while the RRHs and servers in the same cluster, forming an MEC-based radio access network (RAN) and supporting RAN function split, improve the scalability and cooperative gain of the data plane. A deep-learning technique is implemented in the MEC to further enhance the edge intelligence. In addition, we design two control schemes, one centralized and the other distributed, which provide a tradeoff between performance and overhead. Finally, aiming to minimize the system delay, we formulate a joint optimization problem of task scheduling, VM assignment, RRH allocation, and RAN function split as an example. To find solutions, a heuristic algorithm is proposed based on submodular function maximization.

中文翻译：

---

基于移动边缘云的工业物联网：使用分层 SDN 控制器提高边缘智能

工业物联网（IIoT）集成了工业通信、计算和控制等关键技术，可以对制造资源进行灵活管理和动态调度。为了提高 IIoT 的边缘智能，本文提出了一种在移动边缘云 (MEC) 中具有分层控制结构的新型 IIoT 架构。海量远程射频头 (RRH) 被划分为多个集群，每个集群配备一台或多台服务器，用于创建虚拟机 (VM) 来执行 IIoT 设备的处理任务。提议的 IIoT 架构基于软件定义网络 (SDN) 将控制平面与数据平面分开。分层控制器提高了控制平面的灵活性和智能性，而同一集群中的 RRH 和服务器，形成基于MEC的无线接入网(RAN)，支持RAN功能拆分，提高数据平面的可扩展性和协作增益。在 MEC 中实施了一种深度学习技术，以进一步增强边缘智能。此外，我们设计了两种控制方案，一种集中式，另一种分布式，在性能和开销之间进行权衡。最后，以最小化系统延迟为目标，我们以任务调度、VM分配、RRH分配和RAN功能拆分的联合优化问题为例。为了寻找解决方案，提出了一种基于子模函数最大化的启发式算法。在 MEC 中实施了一种深度学习技术，以进一步增强边缘智能。此外，我们设计了两种控制方案，一种集中式，另一种分布式，在性能和开销之间进行权衡。最后，以最小化系统延迟为目标，我们以任务调度、VM分配、RRH分配和RAN功能拆分的联合优化问题为例。为了寻找解决方案，提出了一种基于子模函数最大化的启发式算法。在 MEC 中实施了一种深度学习技术，以进一步增强边缘智能。此外，我们设计了两种控制方案，一种集中式，另一种分布式，在性能和开销之间进行权衡。最后，以最小化系统延迟为目标，我们以任务调度、VM分配、RRH分配和RAN功能拆分的联合优化问题为例。为了寻找解决方案，提出了一种基于子模函数最大化的启发式算法。以RAN功能拆分为例。为了寻找解决方案，提出了一种基于子模函数最大化的启发式算法。以RAN功能拆分为例。为了寻找解决方案，提出了一种基于子模函数最大化的启发式算法。