論文の概要: Energy efficient distributed analytics at the edge of the network for IoT environments

• arxiv url: http://arxiv.org/abs/2109.11386v1
• Date: Thu, 23 Sep 2021 14:07:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-24 14:45:47.738490
• Title: Energy efficient distributed analytics at the edge of the network for IoT environments
• Title（参考訳）: IoT環境のためのネットワークエッジにおけるエネルギー効率のよい分散分析
• Authors: Lorenzo Valerio, Marco Conti, Andrea Passarella
• Abstract要約: フォグコンピューティングのパラダイムを利用して、データが生成される場所に近づく。 分散学習フレームワークのさまざまな構成のパフォーマンスを分析します。
• 参考スコア（独自算出の注目度）: 0.4898659895355355
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Due to the pervasive diffusion of personal mobile and IoT devices, many "smart environments" (e.g., smart cities and smart factories) will be, generators of huge amounts of data. Currently, analysis of this data is typically achieved through centralised cloud-based services. However, according to many studies, this approach may present significant issues from the standpoint of data ownership, as well as wireless network capacity. In this paper, we exploit the fog computing paradigm to move computation close to where data is produced. We exploit a well-known distributed machine learning framework (Hypothesis Transfer Learning), and perform data analytics on mobile nodes passing by IoT devices, in addition to fog gateways at the edge of the network infrastructure. We analyse the performance of different configurations of the distributed learning framework, in terms of (i) accuracy obtained in the learning task and (ii) energy spent to send data between the involved nodes. Specifically, we consider reference wireless technologies for communication between the different types of nodes we consider, e.g. LTE, Nb-IoT, 802.15.4, 802.11, etc. Our results show that collecting data through the mobile nodes and executing the distributed analytics using short-range communication technologies, such as 802.15.4 and 802.11, allows to strongly reduce the energy consumption of the system up to $94\%$ with a loss in accuracy w.r.t. a centralised cloud solution up to $2\%$.
• Abstract（参考訳）: パーソナルなモバイルデバイスやiotデバイスの普及により、多くの"スマート環境"(スマートシティやスマートファクトリーなど)が、膨大なデータを生成するようになるでしょう。 現在、このデータ分析は通常、集中型クラウドベースのサービスを通じて行われる。 しかし、多くの研究によれば、このアプローチは無線ネットワーク容量だけでなくデータ所有の観点からも重大な問題をもたらす可能性がある。 本稿では,フォグコンピューティングのパラダイムを利用して,データ生成場所に近い位置で計算を行う。 我々は、よく知られた分散機械学習フレームワーク(Hypothesis Transfer Learning)を活用し、ネットワークインフラストラクチャのエッジにある霧のゲートウェイに加えて、IoTデバイスを通過するモバイルノードのデータ分析を行います。 分散学習フレームワークのさまざまな構成のパフォーマンスを,その観点で分析する。 一 学習課題及び学習課題において得られる精度 (ii)関係ノード間のデータ送信に費やしたエネルギー。 具体的には、LTE、Nb-IoT、802.15.4、802.11など、さまざまなタイプのノード間の通信のための参照無線技術を検討する。 この結果から,802.15.4や802.11といった短距離通信技術を用いて,移動ノードを通じてデータを収集し,分散分析を行うことで,集中型クラウドソリューションの精度を損なうことなく,システムのエネルギー消費を9,4\%まで強く削減できることがわかった。

関連論文リスト

• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Analysis and Optimization of Wireless Federated Learning with Data Heterogeneity [72.85248553787538]
  本稿では、データの不均一性を考慮した無線FLの性能解析と最適化と、無線リソース割り当てについて述べる。 ロス関数の最小化問題を、長期エネルギー消費と遅延の制約の下で定式化し、クライアントスケジューリング、リソース割り当て、ローカルトレーニングエポック数(CRE)を共同で最適化する。 実世界のデータセットの実験により、提案アルゴリズムは学習精度とエネルギー消費の点で他のベンチマークよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-04T04:18:01Z)
• Federated Learning for Energy Constrained IoT devices: A systematic mapping study [0.0]
  Federated Machine Learning (Fed ML)は、グローバルモデルの協調トレーニングに使用される、新しい分散機械学習技術である。 Fed MLは、その機密性を保証する。ネットワークセキュリティの重要な側面であり、データに敏感なIoT(Internet of Things)のコンテキストで使用することができる。 ほとんどのIoTデバイスは特にエネルギーに制約があるため、効率的なトレーニングタスクと電力消費の最適化のためにFed MLプロセスを最適化する必要が生じる。
  論文  参考訳（メタデータ） (2023-01-09T23:30:32Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• A communication efficient distributed learning framework for smart environments [0.4898659895355355]
  本稿では,データ生成箇所にデータ分析を近づける分散学習フレームワークを提案する。 分散機械学習技術を使用することで、クラウドソリューションに匹敵するパフォーマンスを確保しながら、ネットワークオーバーヘッドを大幅に削減することができる。 分析はまた、ノード上のデータの特定の分布に基づいて、各分散学習アプローチがいつ好ましいかを示す。
  論文  参考訳（メタデータ） (2021-09-27T13:44:34Z)
• A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
  本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。 バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。 その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
  論文  参考訳（メタデータ） (2021-03-18T16:04:42Z)
• 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)
• The Internet of Things as a Deep Neural Network [16.78220721167574]
  本稿では,IoTノードにおける計測圧縮と,基地局やクラウドにおける推論をディープニューラルネットワーク(DNN)としてモデル化することを提案する。 DNNのモデルパラメータを学習し,通信速度と推測精度のトレードオフについて検討する。 我々の発見は、多くの新しいIoTデータ分析アプリケーションが大量の測定値を生成する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-03-23T20:36:16Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• Federated Learning with Cooperating Devices: A Consensus Approach for Massive IoT Networks [8.456633924613456]
  分散システムにおける機械学習モデルをトレーニングするための新しいパラダイムとして、フェデレートラーニング(FL)が登場している。 提案するFLアルゴリズムは,ネットワーク内のデータ操作を行うデバイスとの協調を利用して,完全に分散された(あるいはサーバレス)学習手法を提案する。 このアプローチは、分散接続とコンピューティングを特徴とするネットワークを超えて、5G 内で FL を統合するための基盤となる。
  論文  参考訳（メタデータ） (2019-12-27T15:16:04Z)

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。