Edge Knowledge Graph

> 边缘计算 × 知识图谱：在资源受限的边缘设备上构建和查询知识图谱。

何时使用

• IoT设备需要本地知识推理（断网场景）
• 移动端实时知识查询（低延迟需求）
• 边缘节点的轻量级知识管理
• 端侧个性化知识图谱

核心认知

1. 边缘知识图谱的核心矛盾

知识图谱的价值与规模成正比，但边缘设备的资源（内存、算力、存储）极其有限。解决方案不是"缩放"而是"投影"——将云端的完整知识图谱投影为边缘场景所需的子图。

投影原则：

• 场景驱动：只保留当前任务所需的三跳以内的实体和关系
• 频率加权：高频查询路径保留更多细节，低频路径只保留骨架
• 压缩存储：用整数ID替代URI，用位图索引替代B+树

2. 增量同步协议

边缘KG不能全量同步，需要增量更新：

• Change Vector：每个边缘节点维护一个变更向量（类似CRDT的version vector）
• Diff-Patch协议：云端计算出变更差异（Delta），只传输Delta
• 冲突解决：边缘离线期间的本地修改与云端更新冲突时，按时间戳+优先级合并
• 压缩传输：Delta用RDF diff格式 + gzip压缩，典型压缩比 > 90%

3. 端侧推理优化

在边缘设备上执行SPARQL查询太重。替代方案：

• 预计算路径：云端预计算高频查询路径，边缘只做路径匹配
• 规则缓存：OWL推理规则编译为简单的if-then规则，边缘执行
• 近似查询：允许一定误差的近似子图匹配，换取消耗降低

碰撞来源

• edge-computing × knowledge-graph-builder × knowledge-graph-query-optimizer
• crdt-conflict-resolution（增量同步）× edge-ai-deployment（部署模式）