論文の概要: PreGAN: Preemptive Migration Prediction Network for Proactive
Fault-Tolerant Edge Computing
- arxiv url: http://arxiv.org/abs/2112.02292v1
- Date: Sat, 4 Dec 2021 09:40:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-10 06:17:08.496353
- Title: PreGAN: Preemptive Migration Prediction Network for Proactive
Fault-Tolerant Edge Computing
- Title(参考訳): PreGAN: アクティブなフォールトトレラントエッジコンピューティングのためのプリエンプティブマイグレーション予測ネットワーク
- Authors: Shreshth Tuli, Giuliano Casale, Nicholas R. Jennings
- Abstract要約: 本稿では,GAN(Generative Adrial Network)を用いた複合AIモデルPreGANを提案する。
PreGANは、欠陥検出、診断、分類において最先端のベースライン手法より優れており、高い品質のサービスを実現することができる。
- 参考スコア(独自算出の注目度): 12.215537834860699
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Building a fault-tolerant edge system that can quickly react to node
overloads or failures is challenging due to the unreliability of edge devices
and the strict service deadlines of modern applications. Moreover, unnecessary
task migrations can stress the system network, giving rise to the need for a
smart and parsimonious failure recovery scheme. Prior approaches often fail to
adapt to highly volatile workloads or accurately detect and diagnose faults for
optimal remediation. There is thus a need for a robust and proactive
fault-tolerance mechanism to meet service level objectives. In this work, we
propose PreGAN, a composite AI model using a Generative Adversarial Network
(GAN) to predict preemptive migration decisions for proactive fault-tolerance
in containerized edge deployments. PreGAN uses co-simulations in tandem with a
GAN to learn a few-shot anomaly classifier and proactively predict migration
decisions for reliable computing. Extensive experiments on a Raspberry-Pi based
edge environment show that PreGAN can outperform state-of-the-art baseline
methods in fault-detection, diagnosis and classification, thus achieving high
quality of service. PreGAN accomplishes this by 5.1% more accurate fault
detection, higher diagnosis scores and 23.8% lower overheads compared to the
best method among the considered baselines.
- Abstract(参考訳): ノードオーバーロードや障害に迅速に対応可能なフォールトトレラントエッジシステムの構築は、エッジデバイスの信頼性の欠如と、現代的なアプリケーションの厳格なサービス期限のため、難しい。
さらに、不要なタスクマイグレーションはシステムネットワークを圧迫し、賢く控えめな障害復旧スキームの必要性を生じさせる可能性がある。
以前のアプローチは、しばしば高度に揮発性のあるワークロードに適応しなかったり、最適な修復のために障害を正確に検出し、診断する。
したがって、サービスレベルの目的を満たすための堅牢で積極的なフォールトトレランスメカニズムが必要です。
本稿では,コンテナ化されたエッジデプロイメントにおける積極的なフォールトトレランスのためのプリエンプティブマイグレーション決定を予測するために,gan(generative adversarial network)を用いた複合aiモデルpreganを提案する。
PreGANは、GANと共同シミュレーションを使用して、数ショットの異常分類器を学習し、信頼できるコンピューティングのためのマイグレーション決定を積極的に予測する。
Raspberry-Piベースのエッジ環境における大規模な実験により、PreGANはフォールト検出、診断、分類において最先端のベースライン手法より優れ、高いサービス品質を実現することができることが示された。
PreGANは5.1%の正確な故障検出、高い診断スコア、23.8%のオーバーヘッドでこれを達成している。
関連論文リスト
- Scalable and Effective Negative Sample Generation for Hyperedge Prediction [55.9298019975967]
ハイパーエッジ予測は、Webベースのアプリケーションにおける複雑なマルチエンタリティ相互作用を理解するために不可欠である。
従来の手法では、正と負のインスタンスの不均衡により、高品質な負のサンプルを生成するのが困難であることが多い。
本稿では,これらの課題に対処するために拡散モデルを利用するハイパーエッジ予測(SEHP)フレームワークのスケーラブルで効果的な負のサンプル生成について述べる。
論文 参考訳(メタデータ) (2024-11-19T09:16:25Z) - Generative Edge Detection with Stable Diffusion [52.870631376660924]
エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。
本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。
複数のデータセットに対して広範な実験を行い、競争性能を達成する。
論文 参考訳(メタデータ) (2024-10-04T01:52:23Z) - FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳(メタデータ) (2024-03-26T08:51:23Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳(メタデータ) (2023-08-06T05:58:45Z) - DeepFT: Fault-Tolerant Edge Computing using a Self-Supervised Deep
Surrogate Model [12.335763358698564]
本稿では,システム過負荷とその悪影響を積極的に回避するためにDeepFTを提案する。
DeepFTは、システム内の障害を正確に予測し、診断するために、ディープサロゲートモデルを使用している。
モデルのサイズが1ユニットあたりわずか3~1%のスケールで、アクティブなタスクやホストの数が増えるため、非常にスケーラブルなソリューションを提供する。
論文 参考訳(メタデータ) (2022-12-02T16:51:58Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳(メタデータ) (2022-08-31T18:19:25Z) - CAROL: Confidence-Aware Resilience Model for Edge Federations [13.864161788250856]
本稿では、メモリ効率の良い生成ニューラルネットワークを用いて、将来状態のQuality of Service(QoS)を予測し、各予測に対する信頼度スコアを推定する信頼性認識型レジリエンスモデルCAROLを提案する。
CAROLは、エネルギー消費、期限違反率、レジリエンスオーバーヘッドを最大16、17、36パーセント削減することで、最先端のレジリエンススキームより優れています。
論文 参考訳(メタデータ) (2022-03-14T14:37:31Z) - The Benefit of the Doubt: Uncertainty Aware Sensing for Edge Computing
Platforms [10.86298377998459]
組込みエッジシステム上に展開されたNNにおける予測不確実性推定のための効率的なフレームワークを提案する。
フレームワークは1つのフォワードパスのみに基づいて予測の不確実性を提供するために、ゼロから構築されている。
提案手法は, 堅牢かつ正確な不確実性推定だけでなく, システム性能の点で最先端の手法よりも優れている。
論文 参考訳(メタデータ) (2021-02-11T11:44:32Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Few-Shot Bearing Fault Diagnosis Based on Model-Agnostic Meta-Learning [3.8015092217142223]
モデルに依存しないメタラーニング(MAML)に基づく断層診断のための数発の学習フレームワークを提案する。
ケーススタディでは、提案したフレームワークは、シームズネットワークベースのベンチマーク研究よりも25%高い精度で全体の精度を達成している。
論文 参考訳(メタデータ) (2020-07-25T04:03:18Z)
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。