論文の概要: A Review on Computational Intelligence Techniques in Cloud and Edge
Computing
- arxiv url: http://arxiv.org/abs/2007.14215v1
- Date: Mon, 27 Jul 2020 09:29:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 09:13:48.937236
- Title: A Review on Computational Intelligence Techniques in Cloud and Edge
Computing
- Title（参考訳）: クラウドコンピューティングとエッジコンピューティングにおける計算インテリジェンス技術に関するレビュー
- Authors: Muhammad Asim, Yong Wang, Kezhi Wang, and Pei-Qiu Huang
- Abstract要約: クラウドコンピューティング(CC)は、リソースを蓄積する集中型コンピューティングパラダイムであり、インターネットを通じてこれらのリソースをユーザに提供する。
中央分散コンピューティング(EC)は、リソースを分散的に提供し、ユーザの要求に迅速に対応できる。
CCとECの両方がリソースに敏感であるため、ジョブスケジューリングの実施方法、リソース割り当て、タスクオフロードなど、いくつかの大きな問題が発生する。
- 参考スコア（独自算出の注目度）: 14.610305602165415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cloud computing (CC) is a centralized computing paradigm that accumulates
resources centrally and provides these resources to users through Internet.
Although CC holds a large number of resources, it may not be acceptable by
real-time mobile applications, as it is usually far away from users
geographically. On the other hand, edge computing (EC), which distributes
resources to the network edge, enjoys increasing popularity in the applications
with low-latency and high-reliability requirements. EC provides resources in a
decentralized manner, which can respond to users' requirements faster than the
normal CC, but with limited computing capacities. As both CC and EC are
resource-sensitive, several big issues arise, such as how to conduct job
scheduling, resource allocation, and task offloading, which significantly
influence the performance of the whole system. To tackle these issues, many
optimization problems have been formulated. These optimization problems usually
have complex properties, such as non-convexity and NP-hardness, which may not
be addressed by the traditional convex optimization-based solutions.
Computational intelligence (CI), consisting of a set of nature-inspired
computational approaches, recently exhibits great potential in addressing these
optimization problems in CC and EC. This paper provides an overview of research
problems in CC and EC and recent progresses in addressing them with the help of
CI techniques. Informative discussions and future research trends are also
presented, with the aim of offering insights to the readers and motivating new
research directions.
- Abstract（参考訳）: クラウドコンピューティング(CC)は中央集権的なコンピューティングパラダイムであり、リソースを集中的に蓄積し、インターネットを通じてユーザに提供する。
CCは大量のリソースを持っているが、通常は地理的にユーザから遠く離れているため、リアルタイムのモバイルアプリケーションでは受け入れられないかもしれない。
一方で、リソースをネットワークエッジに分散するエッジコンピューティング(ec)は、低レイテンシと高信頼性要件を備えたアプリケーションで人気が高まっている。
ECはリソースを分散的に提供し、通常のCCよりも高速にユーザの要求に応答できるが、計算能力は限られている。
CCとECの両方がリソースに敏感であるため、ジョブスケジューリングの実施方法、リソース割り当て、タスクオフロードなど、システム全体のパフォーマンスに大きな影響を及ぼすいくつかの大きな問題が発生する。
これらの問題に対処するため、多くの最適化問題が定式化されている。
これらの最適化問題は通常、非凸性やnp硬度のような複雑な性質を持ち、従来の凸最適化に基づく解では対処できない。
計算インテリジェンス(CI)は自然に着想を得た計算手法の集合から成り、最近CCとECでこれらの最適化問題に対処する大きな可能性を示している。
本稿では、CCとECにおける研究課題の概要と、CI技術を用いてそれらに取り組むための最近の進歩について述べる。
インフォーマティブな議論や今後の研究動向も紹介され、読者に洞察を提供し、新たな研究方向性を動機付けることを目的としている。
関連論文リスト
- Reinforcement Learning for Adaptive Resource Scheduling in Complex System Environments [8.315191578007857]
そこで本研究では,Q-ラーニングに基づく新しいコンピュータシステムの性能最適化と適応型ワークロード管理スケジューリングアルゴリズムを提案する。
対照的に、強化学習アルゴリズムであるQラーニングは、システムの状態変化から継続的に学習し、動的スケジューリングとリソース最適化を可能にする。
この研究は、将来の大規模システムにおけるAI駆動適応スケジューリングの統合の基礎を提供し、システムのパフォーマンスを高め、運用コストを削減し、持続可能なエネルギー消費をサポートするスケーラブルでインテリジェントなソリューションを提供する。
論文 参考訳（メタデータ） (2024-11-08T05:58:09Z) - Hypergame Theory for Decentralized Resource Allocation in Multi-user Semantic Communications [60.63472821600567]
マルチユーザSCシステムにおける分散コンピューティングと通信資源割り当てのための新しいフレームワークを提案する。
通信資源と計算資源を効率的に割り当てることの課題は、Stackelbergハイパーゲーム理論の適用によって解決される。
シミュレーションの結果,提案したStackelbergハイパーゲームは通信資源と計算資源を効率的に利用することができることがわかった。
論文 参考訳（メタデータ） (2024-09-26T15:55:59Z) - A Survey on Integrated Sensing, Communication, and Computation [57.6762830152638]
次世代のワイヤレス技術である6Gは、ユビキタスなインテリジェントサービスの時代を後押しすることを目指している。
これらのモジュールのパフォーマンスは相互依存しており、時間、エネルギー、帯域幅のリソース競争を生み出している。
統合通信と計算(ICC)、統合センシングと計算(ISC)、統合センシングと通信(ISAC)といった既存の技術は、この課題に対処するために部分的に進歩してきた。
論文 参考訳（メタデータ） (2024-08-15T11:01:35Z) - Structural Knowledge-Driven Meta-Learning for Task Offloading in
Vehicular Networks with Integrated Communications, Sensing and Computing [21.50450449083369]
タスクオフロードは、オンボードコンピューティングリソースが限られているため、遅延に敏感な車両用アプリケーションの厳格な要件を満たすための潜在的なソリューションである。
本稿では,モデルに基づくAMアルゴリズムとニューラルネットワークを併用した,創造的構造的知識駆動型メタラーニング(SKDML)手法を提案する。
論文 参考訳（メタデータ） (2024-02-25T03:31:59Z) - Age-Based Scheduling for Mobile Edge Computing: A Deep Reinforcement
Learning Approach [58.911515417156174]
我々は情報時代(AoI)の新たな定義を提案し、再定義されたAoIに基づいて、MECシステムにおけるオンラインAoI問題を定式化する。
本稿では,システム力学の部分的知識を活用するために,PDS(Post-Decision State)を導入する。
また、PSDと深いRLを組み合わせることで、アルゴリズムの適用性、スケーラビリティ、堅牢性をさらに向上します。
論文 参考訳（メタデータ） (2023-12-01T01:30:49Z) - Double Deep Q-Learning-based Path Selection and Service Placement for
Latency-Sensitive Beyond 5G Applications [11.864695986880347]
本稿では,CCRAと呼ばれる通信資源割当と計算機資源割当の連立問題を,総コストを最小化するために検討する。
我々は,この問題を非線形プログラミングモデルとして定式化し,B&B-CCRAとWF-CCRAという2つのアプローチを提案する。
数値シミュレーションにより,B&B-CCRAが最適解であるのに対し,WF-CCRAは比較的短い時間でほぼ最適解を提供することがわかった。
論文 参考訳（メタデータ） (2023-09-18T22:17:23Z) - Implementing Reinforcement Learning Datacenter Congestion Control in NVIDIA NICs [64.26714148634228]
渋滞制御 (CC) アルゴリズムの設計は非常に困難になる。
現在、計算能力に制限があるため、ネットワークデバイスにAIモデルをデプロイすることはできない。
我々は,近年の強化学習CCアルゴリズムに基づく計算軽度解を構築した。
論文 参考訳（メタデータ） (2022-07-05T20:42:24Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - A Machine Learning Approach for Task and Resource Allocation in Mobile
Edge Computing Based Networks [108.57859531628264]
無線ネットワークにおいて,共同作業,スペクトル,送信電力配分問題について検討する。
提案アルゴリズムは、標準Q-ラーニングアルゴリズムと比較して、収束に必要なイテレーション数と全ユーザの最大遅延を最大18%、11.1%削減することができる。
論文 参考訳（メタデータ） (2020-07-20T13:46:42Z) - Joint Multi-User DNN Partitioning and Computational Resource Allocation
for Collaborative Edge Intelligence [21.55340197267767]
Mobile Edge Computing(MEC)は、ネットワークエッジにさまざまなリソースを提供する有望なサポートアーキテクチャとして登場した。
エッジサーバの助けを借りて、ユーザ機器(UE)はディープニューラルネットワーク(DNN)ベースのAIアプリケーションを実行することができる。
最適解を時間内に達成できるIAO (Iterative Alternating Optimization) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-15T09:40:13Z) - Multi-agent Reinforcement Learning for Resource Allocation in IoT
networks with Edge Computing [16.129649374251088]
エンドユーザーが計算をオフロードするのは、スペクトルとリソースに対する大きな要求のためである。
本稿では,IoTエッジコンピューティングネットワークにおけるリソース割り当てを伴うオフロード機構をゲームとして定式化することによって検討する。
論文 参考訳（メタデータ） (2020-04-05T20:59:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。