論文の概要: Intelligent Proactive Fault Tolerance at the Edge through Resource Usage
Prediction
- arxiv url: http://arxiv.org/abs/2302.05336v1
- Date: Thu, 9 Feb 2023 00:42:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-13 15:24:37.566541
- Title: Intelligent Proactive Fault Tolerance at the Edge through Resource Usage
Prediction
- Title(参考訳): 資源利用予測によるエッジのインテリジェントなアクティブなフォールトトレランス
- Authors: Theodoros Theodoropoulos, John Violos, Stylianos Tsanakas, Aris
Leivadeas, Konstantinos Tserpes, Theodora Varvarigou
- Abstract要約: リカレントニューラルネットワーク(RNN)を用いたエッジリソース利用予測を利用した知的能動的フォールトトレランス(IPFT)手法を提案する。
本稿では,処理能力の欠如により許容範囲で品質・オブ・サービス(QoS)を提供するインフラの欠如に関連するプロセスフォールトに着目した。
- 参考スコア(独自算出の注目度): 0.7046417074932255
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The proliferation of demanding applications and edge computing establishes
the need for an efficient management of the underlying computing
infrastructures, urging the providers to rethink their operational methods. In
this paper, we propose an Intelligent Proactive Fault Tolerance (IPFT) method
that leverages the edge resource usage predictions through Recurrent Neural
Networks (RNN). More specifically, we focus on the process-faults, which are
related with the inability of the infrastructure to provide Quality of Service
(QoS) in acceptable ranges due to the lack of processing power. In order to
tackle this challenge we propose a composite deep learning architecture that
predicts the resource usage metrics of the edge nodes and triggers proactive
node replications and task migration. Taking also into consideration that the
edge computing infrastructure is also highly dynamic and heterogeneous, we
propose an innovative Hybrid Bayesian Evolution Strategy (HBES) algorithm for
automated adaptation of the resource usage models. The proposed resource usage
prediction mechanism has been experimentally evaluated and compared with other
state of the art methods with significant improvements in terms of Root Mean
Squared Error (RMSE) and Mean Absolute Error (MAE). Additionally, the IPFT
mechanism that leverages the resource usage predictions has been evaluated in
an extensive simulation in CloudSim Plus and the results show significant
improvement compared to the reactive fault tolerance method in terms of
reliability and maintainability.
- Abstract(参考訳): 要求されるアプリケーションとエッジコンピューティングの急増は、基盤となるコンピューティングインフラストラクチャの効率的な管理の必要性を確立し、プロバイダに運用方法を再考するよう促す。
本稿では,リカレントニューラルネットワーク(recurrent neural networks, rnn)によるエッジリソース利用予測を活用したipft(intelligent proactive fault tolerance)手法を提案する。
具体的には、処理能力の欠如により許容可能な範囲でQuality of Service(QoS)を提供するインフラストラクチャの欠如に関連するプロセスフォールトに注目します。
この課題に取り組むために,エッジノードのリソース使用率を予測し,アクティブノードレプリケーションとタスクマイグレーションをトリガーする複合ディープラーニングアーキテクチャを提案する。
また,エッジコンピューティングの基盤も高度に動的で異種であることも考慮し,資源利用モデルの自動適応のための革新的ハイブリッドベイズ進化戦略(HBES)アルゴリズムを提案する。
提案した資源利用予測機構は, 根面正方形誤差 (RMSE) と平均絶対値誤差 (MAE) の観点から, 技術手法の他の状態と比較して実験的に評価されている。
さらに、リソース利用予測を利用したIPFT機構をCloudSim Plusの広範囲なシミュレーションで評価し、信頼性と保守性の観点からは、リアクティブフォールトトレランス法と比較して大幅に改善した。
関連論文リスト
- Causal Context Adjustment Loss for Learned Image Compression [72.7300229848778]
近年,学習画像圧縮(lic)技術は,特にRD性能の点で従来の手法を上回りつつある。
現在の技術のほとんどは、自己回帰エントロピーモデルを備えたVAEベースで、デコードされた因果コンテキストを利用してRD性能を向上する。
本稿では,提案した因果文脈調整損失を用いて因果文脈を的確に調整する方法を初めて検討する。
論文 参考訳(メタデータ) (2024-10-07T09:08:32Z) - Online Client Scheduling and Resource Allocation for Efficient Federated Edge Learning [9.451084740123198]
フェデレートラーニング(FL)は、エッジデバイスが生データを共有せずに、機械学習モデルを協調的にトレーニングすることを可能にする。
しかし、電力、帯域幅などの制約のあるリソースを持つモバイルエッジネットワーク上にFLをデプロイすることは、高いトレーニングレイテンシと低いモデルの精度に悩まされる。
本稿では,資源制約と不確実性の下で,モバイルエッジネットワーク上でのFLの最適なクライアントスケジューリングとリソース割り当てについて検討する。
論文 参考訳(メタデータ) (2024-09-29T01:56:45Z) - Adaptive Anomaly Detection in Network Flows with Low-Rank Tensor Decompositions and Deep Unrolling [9.20186865054847]
異常検出(AD)は、将来の通信システムのレジリエンスを確保するための重要な要素として、ますます認識されている。
この研究は、不完全測定を用いたネットワークフローにおけるADについて考察する。
本稿では,正規化モデル適合性に基づくブロック帰属凸近似アルゴリズムを提案する。
ベイズ的アプローチに触発されて、我々はモデルアーキテクチャを拡張し、フローごとのオンライン適応とステップごとの統計処理を行う。
論文 参考訳(メタデータ) (2024-09-17T19:59:57Z) - 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) - Enhancing Reliability of Neural Networks at the Edge: Inverted
Normalization with Stochastic Affine Transformations [0.22499166814992438]
インメモリコンピューティングアーキテクチャに実装されたBayNNのロバスト性と推論精度を本質的に向上する手法を提案する。
実証的な結果は推論精度の優雅な低下を示し、最大で58.11%の値で改善された。
論文 参考訳(メタデータ) (2024-01-23T00:27:31Z) - Hybrid Reinforcement Learning for Optimizing Pump Sustainability in
Real-World Water Distribution Networks [55.591662978280894]
本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。
我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。
進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
論文 参考訳(メタデータ) (2023-10-13T21:26:16Z) - Compressed Regression over Adaptive Networks [58.79251288443156]
分散エージェントのネットワークによって達成可能な性能を導出し,通信制約や回帰問題を解消し,適応的に解決する。
エージェントによって最適化に必要なパラメータをオンラインで学習できる最適化アロケーション戦略を考案する。
論文 参考訳(メタデータ) (2023-04-07T13:41:08Z) - Evolutionary Optimization for Proactive and Dynamic Computing Resource
Allocation in Open Radio Access Network [4.9711284100869815]
Open Radio Access Network (O-RAN) におけるコンピュータリソースの自動割り当てを実現するためのインテリジェントな技術が求められている
このリソース割り当て問題を解決するための既存の問題定式化は、リソースのキャパシティユーティリティを不適切な方法で定義しているため不適切である。
問題をよりよく記述した新しい定式化が提案されている。
論文 参考訳(メタデータ) (2022-01-12T08:52:04Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳(メタデータ) (2020-12-25T07:08:50Z) - Resource Allocation via Model-Free Deep Learning in Free Space Optical
Communications [119.81868223344173]
本稿では,自由空間光学(FSO)通信におけるチャネルフェージング効果の緩和のための資源配分の一般的な問題について検討する。
本フレームワークでは,FSO資源割り当て問題を解決する2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-27T17:38:51Z) - Deep Learning-based Resource Allocation for Infrastructure Resilience [0.5249805590164901]
意思決定者は、トレーニングされたモデルを使用して、緊急時にリソースをより効率的に割り当てることができます。
本稿では,TNのシェルビー郡における実世界の相互依存インフラによる方法論について紹介する。
論文 参考訳(メタデータ) (2020-07-12T00:48:15Z)
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。