論文の概要: Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review
- arxiv url: http://arxiv.org/abs/2205.01081v1
- Date: Fri, 29 Apr 2022 08:06:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 16:34:53.309152
- Title: Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review
- Title（参考訳）: edge-to-cloud continuumにおける分散インテリジェンス - 体系的文献レビュー
- Authors: Daniel Rosendo (KerData), Alexandru Costan (KerData), Patrick
Valduriez (ZENITH), Gabriel Antoniu (KerData)
- Abstract要約: このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
- 参考スコア（独自算出の注目度）: 62.997667081978825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The explosion of data volumes generated by an increasing number of
applications is strongly impacting the evolution of distributed digital
infrastructures for data analytics and machine learning (ML). While data
analytics used to be mainly performed on cloud infrastructures, the rapid
development of IoT infrastructures and the requirements for low-latency, secure
processing has motivated the development of edge analytics. Today, to balance
various trade-offs, ML-based analytics tends to increasingly leverage an
interconnected ecosystem that allows complex applications to be executed on
hybrid infrastructures where IoT Edge devices are interconnected to Cloud/HPC
systems in what is called the Computing Continuum, the Digital Continuum, or
the Transcontinuum.Enabling learning-based analytics on such complex
infrastructures is challenging. The large scale and optimized deployment of
learning-based workflows across the Edge-to-Cloud Continuum requires extensive
and reproducible experimental analysis of the application execution on
representative testbeds. This is necessary to help understand the performance
trade-offs that result from combining a variety of learning paradigms and
supportive frameworks. A thorough experimental analysis requires the assessment
of the impact of multiple factors, such as: model accuracy, training time,
network overhead, energy consumption, processing latency, among others.This
review aims at providing a comprehensive vision of the main state-of-the-art
libraries and frameworks for machine learning and data analytics available
today. It describes the main learning paradigms enabling learning-based
analytics on the Edge-to-Cloud Continuum. The main simulation, emulation,
deployment systems, and testbeds for experimental research on the Edge-to-Cloud
Continuum available today are also surveyed. Furthermore, we analyze how the
selected systems provide support for experiment reproducibility. We conclude
our review with a detailed discussion of relevant open research challenges and
of future directions in this domain such as: holistic understanding of
performance; performance optimization of applications;efficient deployment of
Artificial Intelligence (AI) workflows on highly heterogeneous infrastructures;
and reproducible analysis of experiments on the Computing Continuum.
- Abstract（参考訳）: アプリケーションの増加によって生成されるデータボリュームの爆発は、データ分析と機械学習(ML)のための分散デジタルインフラストラクチャの進化に大きく影響している。
データ分析は主にクラウドインフラストラクチャ上で行われていたが、IoTインフラストラクチャの急速な開発と低レイテンシ要件により、セキュアな処理がエッジ分析の開発を動機付けている。
今日では、さまざまなトレードオフのバランスをとるために、mlベースのアナリティクスは、複雑なアプリケーションをクラウド/hpcシステムと相互接続するハイブリッドインフラストラクチャ上で実行可能にする、相互接続されたエコシステムをますます活用しがちである。これは、compute continuum、digital continuum、transcontinuumと呼ばれるものだ。このような複雑なインフラストラクチャ上で学習ベースの分析を行うのは、難しい。
Edge-to-Cloud Continuumにまたがる学習ベースのワークフローの大規模かつ最適化されたデプロイメントには、アプリケーション実行を代表的テストベッド上で広範囲かつ再現可能な実験的分析が必要である。
これは、さまざまな学習パラダイムとサポートフレームワークを組み合わせることによって生じるパフォーマンスのトレードオフを理解するために必要です。
徹底的な実験分析では,モデル精度,トレーニング時間,ネットワークオーバーヘッド,エネルギー消費,処理遅延など,複数の要因の影響評価が求められている。本レビューは,現在利用可能なマシンラーニングとデータ分析のための,最先端のライブラリとフレームワークの包括的ビジョンを提供することを目的としている。
Edge-to-Cloud Continuum上での学習に基づく分析を可能にする主要な学習パラダイムについて説明する。
今日利用可能なエッジ・ツー・クラウド連続体の実験研究のための主なシミュレーション、エミュレーション、デプロイシステム、テストベッドも調査されている。
さらに、選択したシステムが実験再現性をサポートする方法を分析する。
我々は、性能の総合的理解、アプリケーションのパフォーマンス最適化、人工知能(ai)ワークフローの高異質なインフラへの効率的な展開、計算連続体実験の再現可能な分析など、この分野における関連するオープンリサーチの課題と今後の方向性に関する詳細な議論でレビューを締めくくった。
関連論文リスト
- Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。
我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。
次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文 参考訳（メタデータ） (2024-09-27T06:31:03Z) - CityGPT: Towards Urban IoT Learning, Analysis and Interaction with Multi-Agent System [4.612237040042468]
CityGPTはIoTデータの時間的分析を達成するために3つのエージェントを使用している。
我々は,大規模言語モデル(LLM)によって促進されたフレームワークを認証し,データの理解性を高めた。
実世界のデータを異なる時間で評価した結果、CityGPTフレームワークは、コンピューティングにおける堅牢な性能を保証できることが示されている。
論文 参考訳（メタデータ） (2024-05-23T15:27:18Z) - A Gap in Time: The Challenge of Processing Heterogeneous IoT Data in Digitalized Buildings [15.525789412274587]
本研究は, ビル内およびビル間におけるIoTデータの多様性について検討した。
その結果、マルチモーダルデータ統合、ドメインインフォームドモデリング、自動データエンジニアリングパイプラインの必要性が強調された。
論文 参考訳（メタデータ） (2024-05-23T07:45:48Z) - Multivariate Time Series characterization and forecasting of VoIP
traffic in real mobile networks [9.637582917616703]
モビリティシナリオにおけるリアルタイムトラフィック(例えばVoIP)の振る舞いを予測することは、オペレーターがネットワークインフラをよりよく計画するのに役立つ。
本研究では,実モバイル環境におけるVoIPトラフィックの重要/QoE記述子の予測分析を提案する。
論文 参考訳（メタデータ） (2023-07-13T09:21:39Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - Reproducible Performance Optimization of Complex Applications on the
Edge-to-Cloud Continuum [55.6313942302582]
エッジ・ツー・クラウド・コンティニュム上でのリアルタイムアプリケーションの最適化を支援する手法を提案する。
提案手法は, 制御されたテストベッド環境において, その動作を理解するための厳密な構成解析に頼っている。
当社の方法論はEdge-to-Cloud Continuumの他のアプリケーションに一般化することができる。
論文 参考訳（メタデータ） (2021-08-04T07:35:14Z) - A Procedural World Generation Framework for Systematic Evaluation of
Continual Learning [2.599882743586164]
都会のシーンのフラグメントのみを描画するコンピュータグラフィックスシミュレーションフレームワークを提案する。
中心となるのは、適応可能な生成因子を持つモジュラーパラメトリック生成モデルである。
論文 参考訳（メタデータ） (2021-06-04T16:31:43Z) - FENXI: Deep-learning Traffic Analytics at the Edge [69.34903175081284]
本稿では,TPUを利用して複雑な解析を行うシステムであるFENXIを提案する。
FENXIは、さまざまな粒度で動作するオペレーションとトラフィック分析を分離する。
分析の結果,FENXIは限られた資源しか必要とせず,転送ラインレートのトラヒック処理を継続できることがわかった。
論文 参考訳（メタデータ） (2021-05-25T08:02:44Z) - Reliable Fleet Analytics for Edge IoT Solutions [0.0]
AIoTアプリケーションのエッジで機械学習を容易にするためのフレームワークを提案する。
コントリビューションは、大規模にフリート分析を提供するためのサービス、ツール、メソッドを含むアーキテクチャである。
本稿では,大学キャンパスの部屋でiotデバイスを用いた実験を行うことで,フレームワークの予備検証を行う。
論文 参考訳（メタデータ） (2021-01-12T11:28:43Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z)
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。