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
- 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) - Offloading and Quality Control for AI Generated Content Services in Edge
Computing Networks [21.04384930605762]
本稿では, 逆拡散段階における拡散モデルのオフロード決定, 計算時間, 拡散ステップに対する共同最適化アルゴリズムを提案する。
実験結果から,提案アルゴリズムはベースラインよりも優れた継手最適化性能が得られることが示された。
論文 参考訳(メタデータ) (2023-12-11T08:36:27Z) - 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) - On Efficient Uncertainty Estimation for Resource-Constrained Mobile
Applications [0.0]
予測の不確実性は、モデル予測を補完し、下流タスクの機能を改善します。
Axolotlフレームワークを用いてモンテカルロ・ドロップアウト(MCDO)モデルを構築することでこの問題に対処する。
我々は,(1)CIFAR10データセットを用いた多クラス分類タスク,(2)より複雑な人体セグメンテーションタスクについて実験を行った。
論文 参考訳(メタデータ) (2021-11-11T22:24:15Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳(メタデータ) (2021-10-20T06:15:45Z) - 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) - 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。