随着5G时代的发展,云中心产生海量数据,在网络边缘部署微型数据处理设备成为解决数据缓存问题和提升数据传输效率的方法之一,云服务的普及推动边缘计算的发展。从云中心到边缘节点间传输着大量数据,造成节点负荷超载、传输时延增大等弊端。为了缩减边缘网络传输过程中产生的海量数据,可以利用压缩技术对原始数据进行压缩。当边缘网络节点对数据进行分类、检测操作时,传输设备中数据信息处于压缩状态,需要对压缩数据先进行解码处理,所以在压缩数据的解码过程中产生了边缘网络数据传输时延,边缘节点无法实时地进行数据处理,从而致使边缘计算设备数据处理工作的滞后。为此,本文提出了一种面向边缘计算的数据压缩分类机制,本文主要工作内容和创新点总结如下。1.为降低数据处理时延,本文给出了一种自编码数据压缩方法,利用自编码网络实现高效地同态数据压缩,为边缘网络节点实施精准的数据压缩提供了有效保障。2.针对引入自编码数据压缩方法导致数据分类精度下降的问题,本文提出了一种面向边缘计算的特征重构数据压缩分类机制,首先在边缘计算节点的传输段进行数据收集,对原始输入数据进行特征重构,然后利用自编码数据压缩方法对特征重构后的输入数据构建特征压缩,缩减数据规模,最后搭建面向压缩结果的数据分类模型。3.为加快数据传输速度,有效地进行边缘节点数据处理,进一步构建更为高效的数据压缩分类机制,本文提出了一种面向边缘计算的Manifold数据压缩分类机制,通过构建数据特征压缩方法实现同态特征映射,并搭建面向压缩数据的分类模型,精准高效地在边缘网络实现数据压缩分类操作。实验证明,本文提出的数据压缩分类机制,在缩减数据规模和提升数据处理效率的同时,有效保证了压缩数据的分类准确率,通过缩减数据规模,达到了快速高效地处理边缘网络海量数据的目的。