面向开放动态场景的自适应高效群体计算实验数据集

本数据集主要面向智慧交通及边缘计算等开放动态场景下的异构设备群体协同计算研究与评估需求建设。随着空地协同群体智能技术的发展，边缘节点常受限于算力差异显著的硬件配置与剧烈波动的无线通信带宽。鉴于当前学术界的相关评估数据多依赖纯软件仿真，难以真实反映物理约束与网络延迟带来的性能退化，本数据集的构建填补了基于真实边缘异构硬件集群的系统性实测基准数据的空白，为下一代空地协同网络、分布式计算与轻量化AI架构的设计优化提供了客观的数据支撑。本数据集于2024年1月至11月期间，依托北京理工大学计算机学院智能网络计算实验室条件和异构边缘计算设备产生。数据采集摒弃了传统的云端虚拟仿真，在由10台商用异构边缘计算主板（包含NVIDIA Jetson Nano、TX2、Xavier NX）构建的真实物理测试床中完成。各组实验均设定不同随机种子重复独立运行3次以消除误差，确保了数据的严谨性与科学性。数据集主要记录了自适应群体计算技术与当前主流基准框架（FedWEIT、FN3、Ekya）在物理受限环境中的三大核心性能对比数据，具体内容包括：（1）联邦持续学习实验数据：记录了ResNet-18模型在流式数据（TinyImageNet连续任务）下的分类精度（Accuracy）表现，以及各设备模型参数传输所产生的真实通信开销（MB/GB）；（2）视觉大模型剪枝压缩数据：记录了DeepLabV3模型在计算资源动态波动场景下，执行不同极端压缩比（1/4、2/4、3/4）时的Cityscapes语义分割平均交并比（mIoU）；（3）协同迁移精调测试数据：量化记录了YOLOv3目标检测模型从源域（COCO2017）向模拟新交通场景（VOC2012）跨域迁移后的自适应平均精度（mAP@0.5）。