論文の概要: JANUS: Benchmarking Commercial and Open-Source Cloud and Edge Platforms
for Object and Anomaly Detection Workloads
- arxiv url: http://arxiv.org/abs/2012.04880v1
- Date: Wed, 9 Dec 2020 06:07:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 01:55:09.637392
- Title: JANUS: Benchmarking Commercial and Open-Source Cloud and Edge Platforms
for Object and Anomaly Detection Workloads
- Title（参考訳）: JANUS: オブジェクトおよび異常検出ワークロードのための商用およびオープンソースクラウドおよびエッジプラットフォームベンチマーク
- Authors: Karthick Shankar, Pengcheng Wang, Ran Xu, Ashraf Mahgoub, Somali
Chaterji
- Abstract要約: Amazon Web Services (AWS) IoT Greengrassは、コンピューティングライトのアウトレイラ検出ワークロードにおいて、他のクラウドプラットフォームと比較して、少なくとも2倍のレイテンシと1.25倍のコストを提供する。
クラウドで動作するオブジェクト検出のオープンソースソリューションは、amazon、microsoft、googleが提供するプロプライエタリなソリューションに比べてドルコストを節約するが、レイテンシー(最大6倍)で失われる
低消費電力のエッジデバイスで動作する場合、レイテンシは49倍以下になる。
- 参考スコア（独自算出の注目度）: 5.288304164492778
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With diverse IoT workloads, placing compute and analytics close to where data
is collected is becoming increasingly important. We seek to understand what is
the performance and the cost implication of running analytics on IoT data at
the various available platforms. These workloads can be compute-light, such as
outlier detection on sensor data, or compute-intensive, such as object
detection from video feeds obtained from drones. In our paper, JANUS, we
profile the performance/$ and the compute versus communication cost for a
compute-light IoT workload and a compute-intensive IoT workload. In addition,
we also look at the pros and cons of some of the proprietary deep-learning
object detection packages, such as Amazon Rekognition, Google Vision, and Azure
Cognitive Services, to contrast with open-source and tunable solutions, such as
Faster R-CNN (FRCNN). We find that AWS IoT Greengrass delivers at least 2X
lower latency and 1.25X lower cost compared to all other cloud platforms for
the compute-light outlier detection workload. For the compute-intensive
streaming video analytics task, an opensource solution to object detection
running on cloud VMs saves on dollar costs compared to proprietary solutions
provided by Amazon, Microsoft, and Google, but loses out on latency (up to 6X).
If it runs on a low-powered edge device, the latency is up to 49X lower.
- Abstract（参考訳）: 多様なIoTワークロードでは、データが収集される場所に計算と分析を配置することがますます重要になっている。
私たちは、さまざまな利用可能なプラットフォームでIoTデータ上で分析を実行することのパフォーマンスとコストの影響を理解しようとしています。
これらのワークロードは、センサーデータの異常検出や、ドローンから取得したビデオフィードからのオブジェクト検出など、計算集約的な処理が可能だ。
計算軽量iotワークロードと計算集約型iotワークロードのパフォーマンス/コストと計算と通信コストを,janusという論文で検証した。
さらに、Faster R-CNN(FRCNN)のようなオープンソースおよびチューニング可能なソリューションとは対照的に、Amazon Rekognition、Google Vision、Azure Cognitive Servicesなど、プロプライエタリなディープラーニングオブジェクト検出パッケージの長所と短所についても検討しています。
AWS IoT Greengrassは、コンピューティングライトのアウトレイラ検出ワークロードにおいて、他のクラウドプラットフォームと比較して、少なくとも2倍のレイテンシと1.25倍のコストを提供する。
計算集約型のストリーミングビデオ分析タスクでは、クラウドvm上で動作するオブジェクト検出のオープンソースソリューションは、amazon、microsoft、googleが提供するプロプライエタリなソリューションに比べてドルコストを節約するが、レイテンシ(最大6倍)では失われる。
低消費電力のエッジデバイスで動作する場合、レイテンシは49倍以下になる。
関連論文リスト
- FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [61.335229621081346]
フェデレートラーニング(FL)は,ネットワークエッジ上での分散ディープラーニングのプライバシ強化を実現する上で,有効なテクニックとなっている。
本稿では,既存のFLベンチマークを補完するFLEdgeを提案する。
論文 参考訳（メタデータ） (2023-06-08T13:11:20Z) - LightESD: Fully-Automated and Lightweight Anomaly Detection Framework
for Edge Computing [3.096615629099617]
異常検出は、サイバーセキュリティから製造業、金融など、幅広い領域で広く使われている。
ディープラーニングに基づく異常検出は、複雑なデータパターンを認識し、アウトリーチを正確に識別する能力に優れており、最近多くの注目を集めている。
我々は,LightESDと呼ばれる完全自動,軽量,統計的学習に基づく異常検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-05-20T18:48:41Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳（メタデータ） (2022-09-01T03:27:33Z) - NAS-FCOS: Efficient Search for Object Detection Architectures [113.47766862146389]
簡易なアンカーフリー物体検出器の特徴ピラミッドネットワーク (FPN) と予測ヘッドを探索し, より効率的な物体検出手法を提案する。
慎重に設計された検索空間、検索アルゴリズム、ネットワーク品質を評価するための戦略により、8つのV100 GPUを使用して、4日以内に最高のパフォーマンスの検知アーキテクチャを見つけることができる。
論文 参考訳（メタデータ） (2021-10-24T12:20:04Z) - Internet of Things (IoT) Based Video Analytics: a use case of Smart
Doorbell [0.0]
ビデオベースのスマートドアベルシステムは、ビデオ分析のアプリケーションドメインのひとつだ。
本稿では,スマートドアベルシステムを用いた映像解析のための分散フレームワークを提案する。
提案されたフレームワークはベースプラットフォームとしてaws cloud servicesを使用しており、価格設定の制約を満たすため、システムは安価なraspberry piに実装された。
論文 参考訳（メタデータ） (2021-05-13T18:48:48Z) - A Serverless Cloud-Fog Platform for DNN-Based Video Analytics with
Incremental Learning [31.712746462418693]
本稿では、クライアント-フォグクラウドのシナジーをフル活用して、DNNベースのビデオ分析に役立てる最初のサーバーレスシステムを提案する。
この目的のために、V(Video-Platform-as-a-Service)と呼ばれる総合的なクラウドフォッグシステムを実装した。
評価の結果、Vは複数のSOTAシステムよりも優れており、高い精度を維持しながら帯域幅を最大21%削減し、RTTを最大62.5%削減し、クラウドの金融コストを最大50%削減している。
論文 参考訳（メタデータ） (2021-02-05T05:59:36Z) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:51:59Z) - ApproxDet: Content and Contention-Aware Approximate Object Detection for
Mobiles [19.41234144545467]
本稿では,モバイル機器用適応型ビデオオブジェクト検出フレームワークであるApproxDetを紹介する。
大規模なベンチマークビデオデータセット上でApproxDetを評価し,AdaScaleやYOLOv3と比較した。
ApproxDetは、幅広いコンテントやコンテンツの特徴に適応し、すべてのベースラインを誇張することができる。
論文 参考訳（メタデータ） (2020-10-21T04:11:05Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - Improving IoT Analytics through Selective Edge Execution [0.0]
エッジインフラストラクチャを活用して分析性能を向上させることを提案する。
我々は、IoTデバイスがそれらのルーチンをローカルに実行できるようにするアルゴリズムを考案した。
そして、それらをクラウドレットサーバにアウトソースします。
論文 参考訳（メタデータ） (2020-03-07T15:02:23Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。