論文の概要: CAROL: Confidence-Aware Resilience Model for Edge Federations
- arxiv url: http://arxiv.org/abs/2203.07140v1
- Date: Mon, 14 Mar 2022 14:37:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-15 22:50:36.743027
- Title: CAROL: Confidence-Aware Resilience Model for Edge Federations
- Title(参考訳): CAROL:エッジフェデレーションの信頼性を考慮したレジリエンスモデル
- Authors: Shreshth Tuli, Giuliano Casale and Nicholas R. Jennings
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 13.864161788250856
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, the deployment of large-scale Internet of Things (IoT)
applications has given rise to edge federations that seamlessly interconnect
and leverage resources from multiple edge service providers. The requirement of
supporting both latency-sensitive and compute-intensive IoT tasks necessitates
service resilience, especially for the broker nodes in typical broker-worker
deployment designs. Existing fault-tolerance or resilience schemes often lack
robustness and generalization capability in non-stationary workload settings.
This is typically due to the expensive periodic fine-tuning of models required
to adapt them in dynamic scenarios. To address this, we present a confidence
aware resilience model, CAROL, that utilizes a memory-efficient generative
neural network to predict the Quality of Service (QoS) for a future state and a
confidence score for each prediction. Thus, whenever a broker fails, we quickly
recover the system by executing a local-search over the broker-worker topology
space and optimize future QoS. The confidence score enables us to keep track of
the prediction performance and run parsimonious neural network fine-tuning to
avoid excessive overheads, further improving the QoS of the system. Experiments
on a Raspberry-Pi based edge testbed with IoT benchmark applications show that
CAROL outperforms state-of-the-art resilience schemes by reducing the energy
consumption, deadline violation rates and resilience overheads by up to 16, 17
and 36 percent, respectively.
- Abstract(参考訳): 近年、大規模IoT(Internet of Things)アプリケーションのデプロイによって、複数のエッジサービスプロバイダからのリソースをシームレスに相互接続し、活用するエッジフェデレーションが生まれている。
レイテンシに敏感なIoTタスクと計算集約型のIoTタスクの両方をサポートする要件は、サービスのレジリエンスを必要とする。
既存のフォールトトレランスやレジリエンスのスキームは、非定常的なワークロード設定において堅牢性と一般化能力に欠けることが多い。
これは典型的には、動的シナリオでそれらを適用するのに必要なモデルの高価な周期的な微調整のためである。
そこで本研究では,メモリ効率の高い生成型ニューラルネットワークを用いて,将来の状態に対するqos(quality of service)と予測毎の信頼度スコアを予測する,信頼度対応型レジリエンスモデルcarolを提案する。
したがって、ブローカーが故障した場合、ブローカー-労働者トポロジ空間上で局所探索を実行し、将来のQoSを最適化することで、即座にシステムを回復する。
信頼度スコアは、予測性能を追跡し、過大なオーバーヘッドを避けるために並列ニューラルネットワークの微調整を実行し、システムのqosをさらに改善することを可能にする。
iotベンチマークアプリケーションを使用したraspberry-piベースのエッジテストでは、carolがエネルギー消費量、期限違反率、レジリエンスオーバーヘッドを最大16,17,36%削減することで、最先端のレジリエンススキームを上回っていることが示されている。
関連論文リスト
- Adaptive ResNet Architecture for Distributed Inference in
Resource-Constrained IoT Systems [7.26437825413781]
本稿では,モデルの性能に大きな影響を及ぼすことなく,ResNetの接続を落とせることを示す実証的研究について述べる。
実験により、適応型ResNetアーキテクチャは、分散全体にわたって共有データ、エネルギー消費、遅延を低減できることを示した。
論文 参考訳(メタデータ) (2023-07-21T11:07:21Z) - Adaptive Federated Pruning in Hierarchical Wireless Networks [69.6417645730093]
Federated Learning(FL)は、サーバがプライベートデータセットにアクセスすることなく、複数のデバイスによって更新されたモデルを集約する、プライバシ保護の分散学習フレームワークである。
本稿では,無線ネットワークにおけるHFLのモデルプルーニングを導入し,ニューラルネットワークの規模を小さくする。
提案するHFLは,モデルプルーニングを伴わないHFLと比較して学習精度が良く,通信コストが約50%削減できることを示す。
論文 参考訳(メタデータ) (2023-05-15T22:04:49Z) - FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge
Computing Migrations [55.131858975133085]
FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。
ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。
FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
論文 参考訳(メタデータ) (2022-09-28T19:49:39Z) - Can pruning improve certified robustness of neural networks? [106.03070538582222]
ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。
実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。
さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
論文 参考訳(メタデータ) (2022-06-15T05:48:51Z) - PreGAN: Preemptive Migration Prediction Network for Proactive
Fault-Tolerant Edge Computing [12.215537834860699]
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。
論文 参考訳(メタデータ) (2021-12-04T09:40:50Z) - Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。
提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
論文 参考訳(メタデータ) (2021-11-23T16:56:37Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳(メタデータ) (2021-05-10T08:02:27Z) - 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) - Rapid Structural Pruning of Neural Networks with Set-based Task-Adaptive
Meta-Pruning [83.59005356327103]
既存のプルーニング技術に共通する制限は、プルーニングの前に少なくとも1回はネットワークの事前トレーニングが必要であることである。
本稿では,ターゲットデータセットの関数としてプルーニングマスクを生成することにより,大規模な参照データセット上で事前訓練されたネットワークをタスク適応的にプルークするSTAMPを提案する。
ベンチマークデータセット上での最近の先進的なプルーニング手法に対するSTAMPの有効性を検証する。
論文 参考訳(メタデータ) (2020-06-22T10:57:43Z) - Neural Networks and Value at Risk [59.85784504799224]
リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。
株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。
はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
論文 参考訳(メタデータ) (2020-05-04T17:41:59Z)
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。