論文の概要: Power and Performance Efficient SDN-Enabled Fog Architecture
- arxiv url: http://arxiv.org/abs/2105.14607v1
- Date: Sun, 30 May 2021 19:28:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-02 08:42:37.950670
- Title: Power and Performance Efficient SDN-Enabled Fog Architecture
- Title（参考訳）: SDN-Enabled Fog アーキテクチャのパワーとパフォーマンス
- Authors: Adnan Akhunzada (Senior Member, IEEE), Sherali Zeadally (Senior
Member, IEEE), Saif ul Islam
- Abstract要約: フォグコンピューティングは、リアルタイムに大量のデータを提供する強い可能性を秘めている。
本稿では、電力効率と性能を向上させるために、SDN対応の新しいフォグアーキテクチャを提案する。
広範囲なシミュレーションによる予備的な結果は、電力利用率の改善と全体的な性能を示している。
- 参考スコア（独自算出の注目度）: 3.6713640427219882
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Software Defined Networks (SDNs) have dramatically simplified network
management. However, enabling pure SDNs to respond in real-time while handling
massive amounts of data still remains a challenging task. In contrast, fog
computing has strong potential to serve large surges of data in real-time. SDN
control plane enables innovation, and greatly simplifies network operations and
management thereby providing a promising solution to implement energy and
performance aware SDN-enabled fog computing. Besides, power efficiency and
performance evaluation in SDN-enabled fog computing is an area that has not yet
been fully explored by the research community. We present a novel SDN-enabled
fog architecture to improve power efficacy and performance by leveraging
cooperative and non-cooperative policy-based computing. Preliminary results
from extensive simulation demonstrate an improvement in the power utilization
as well as the overall performance (i.e., processing time, response time).
Finally, we discuss several open research issues that need further
investigation in the future.
- Abstract（参考訳）: Software Defined Networks (SDN) は、ネットワーク管理を劇的に単純化した。
しかし、大量のデータを処理しながら、純粋なSDNをリアルタイムで応答させることは、依然として難しい課題である。
対照的に、フォグコンピューティングは、リアルタイムに大量のデータを提供する強い可能性を持っている。
SDNコントロールプレーンは、イノベーションを可能にし、ネットワーク操作と管理を大幅に単純化することで、エネルギーとパフォーマンスを意識したSDN対応のフォグコンピューティングを実装するための有望なソリューションを提供する。
さらに、SDN対応のフォグコンピューティングにおける電力効率と性能評価は、まだ研究コミュニティによって完全に調査されていない分野である。
本稿では,協調型および非協調型ポリシベースコンピューティングを活用し,電力効率と性能を向上させるための新しいsdn対応フォグアーキテクチャを提案する。
大規模なシミュレーションによる予備的な結果は、電力利用の改善と全体的な性能(処理時間、応答時間)を示している。
最後に,今後さらなる調査が必要となるいくつかのオープン研究課題について考察する。
関連論文リスト
- Task Offloading in Fog Computing with Deep Reinforcement Learning: Future Research Directions Based on Security and Efficiency Enhancements [0.0]
本研究では,フォグコンピューティングのタスクオフロード向上におけるDeep Reinforcement Learningの役割について検討する。
フォグコンピューティングのためのDeep Reinforcement Learningの進歩、セキュリティ向上のためのブロックチェーンの探索、IoTエコシステムを改善するためのエネルギー効率のよいモデル追求などが提案されている。
論文 参考訳（メタデータ） (2024-07-26T22:54:26Z) - DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。
我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。
拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-06-11T06:31:03Z) - sVAD: A Robust, Low-Power, and Light-Weight Voice Activity Detection
with Spiking Neural Networks [51.516451451719654]
スパイキングニューラルネットワーク(SNN)は生物学的に妥当で、電力効率が高いことが知られている。
本稿では sVAD と呼ばれる新しい SNN ベースの音声活動検出モデルを提案する。
SincNetと1D畳み込みによる効果的な聴覚特徴表現を提供し、アテンション機構による雑音の堅牢性を向上させる。
論文 参考訳（メタデータ） (2024-03-09T02:55:44Z) - Toward a real-time TCP SYN Flood DDoS mitigation using Adaptive Neuro-Fuzzy classifier and SDN Assistance in Fog Computing [0.31318403497744784]
本稿では,適応型ニューロファジィ推論システム(ANFIS)とSDN(Software Defined Networking)アシスタンス(FASA)を用いたフォグコンピューティングによるシンフラッドDDoS攻撃の軽減を提案する。
シミュレーションの結果、FASAシステムは精度、精度、リコール、F1スコアで他のアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2023-11-27T08:54:00Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z) - Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。
畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文 参考訳（メタデータ） (2023-06-14T01:24:42Z) - Computation Offloading and Resource Allocation in F-RANs: A Federated
Deep Reinforcement Learning Approach [67.06539298956854]
フォグ無線アクセスネットワーク(フォグ無線アクセスネットワーク、F-RAN)は、ユーザのモバイルデバイス(MD)が計算タスクを近くのフォグアクセスポイント(F-AP)にオフロードできる有望な技術である。
論文 参考訳（メタデータ） (2022-06-13T02:19:20Z) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳（メタデータ） (2021-09-17T08:55:48Z) - From DNNs to GANs: Review of efficient hardware architectures for deep
learning [0.0]
ニューラルネットワークとディープラーニングが現在の研究パラダイムに影響を与え始めている。
DSPプロセッサは、ニューラルネットワーク、アクティベーション機能、畳み込みニューラルネットワーク、生成的敵ネットワーク操作を実行することができない。
異なるアルゴリズムは、ニューラルネットワーク、アクティベーション機能、畳み込みニューラルネットワーク、生成対向ネットワークにおける高速なパフォーマンスに適合するDSPプロセッサを設計するために適合している。
論文 参考訳（メタデータ） (2021-06-06T13:23:06Z) - Performance and Energy-Aware Bi-objective Tasks Scheduling for Cloud
Data Centers [0.0]
クラウドコンピューティングはユーザタスクのリモート実行を可能にする。
スマートシティサービスやアプリケーションにおけるクラウドコンピューティングの普及には、qos(quality of services)に準拠したタスクをタイムリーに実行する必要がある
コンピューティングサーバーの使用の増加は、高エネルギー消費、運用コスト、および環境汚染の問題を強化します。
矛盾する性能とエネルギー目標をトレードオフするために、パフォーマンスとエネルギー最適化の二目的的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-04-25T08:55:57Z) - DRACO: Co-Optimizing Hardware Utilization, and Performance of DNNs on
Systolic Accelerator [5.65116500037191]
協調最適化(DRACO)を考慮したデータ再利用計算を提案する。
DRACOは、データフロー/マイクロアーキテクチャの変更を必要とせずに、メモリバウンドDNNのPE利用を改善する。
従来の最適化手法とは異なり、DRACOは性能とエネルギー効率を最大化するだけでなく、DNNの予測性能も向上する。
論文 参考訳（メタデータ） (2020-06-26T17:06:41Z)
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。