論文の概要: Bringing AI to the edge: A formal M&S specification to deploy effective
IoT architectures
- arxiv url: http://arxiv.org/abs/2305.10437v1
- Date: Thu, 11 May 2023 21:29:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-21 10:37:00.570189
- Title: Bringing AI to the edge: A formal M&S specification to deploy effective
IoT architectures
- Title（参考訳）: AIをエッジに持ち込む - 効果的なIoTアーキテクチャをデプロイするための正式なM&S仕様
- Authors: Rom\'an C\'ardenas, Patricia Arroba and Jos\'e L. Risco-Mart\'in
- Abstract要約: モノのインターネットは私たちの社会を変え、生活の質と資源管理を改善する新しいサービスを提供しています。
これらのアプリケーションは、限られたコンピューティングリソースとパワーを持つ、複数の分散デバイスのユビキタスネットワークに基づいている。
フォグコンピューティングのような新しいアーキテクチャが登場し、コンピューティング基盤をデータソースに近づけている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The Internet of Things is transforming our society, providing new services
that improve the quality of life and resource management. These applications
are based on ubiquitous networks of multiple distributed devices, with limited
computing resources and power, capable of collecting and storing data from
heterogeneous sources in real-time. To avoid network saturation and high
delays, new architectures such as fog computing are emerging to bring computing
infrastructure closer to data sources. Additionally, new data centers are
needed to provide real-time Big Data and data analytics capabilities at the
edge of the network, where energy efficiency needs to be considered to ensure a
sustainable and effective deployment in areas of human activity. In this
research, we present an IoT model based on the principles of Model-Based
Systems Engineering defined using the Discrete Event System Specification
formalism. The provided mathematical formalism covers the description of the
entire architecture, from IoT devices to the processing units in edge data
centers. Our work includes the location-awareness of user equipment, network,
and computing infrastructures to optimize federated resource management in
terms of delay and power consumption. We present an effective framework to
assist the dimensioning and the dynamic operation of IoT data stream analytics
applications, demonstrating our contributions through a driving assistance use
case based on real traces and data.
- Abstract（参考訳）: モノのインターネットは私たちの社会を変え、生活の質と資源管理を改善する新しいサービスを提供しています。
これらのアプリケーションは、複数の分散デバイスのユビキタスネットワークに基づいており、限られたコンピューティングリソースとパワーを持ち、異種ソースからデータをリアルタイムで収集し保存することができる。
ネットワーク飽和と高い遅延を避けるため、フォグコンピューティングのような新しいアーキテクチャが登場し、コンピューティング基盤をデータソースに近づけている。
さらに、ネットワークの端にリアルタイムのビッグデータとデータ分析機能を提供するには、新たなデータセンタが必要である。
本研究では,離散イベントシステム仕様の定式化を用いたモデルベースシステム工学の原理に基づくIoTモデルを提案する。
提供される数学的形式は、IoTデバイスからエッジデータセンタの処理ユニットに至るまで、アーキテクチャ全体の記述をカバーしている。
本研究は,ユーザ機器,ネットワーク,コンピューティング基盤の位置認識機能を含み,遅延と電力消費の観点から協調リソース管理を最適化する。
本稿では,IoTデータストリーム分析アプリケーションの次元化と動的操作を支援する効果的なフレームワークを提案する。
関連論文リスト
- AirDnD -- Asynchronous In-Range Dynamic and Distributed Network Orchestration Framework [1.8590097948961688]
本研究の目的は、動的メッシュネットワークを形成することにより、分散エッジデバイスにおけるコンピューティングリソースの利用を改善することである。
提案手法は, 地理的に分散したエッジデバイスを生物に変換する3つのモデルから構成される。
論文 参考訳（メタデータ） (2024-07-15T07:43:56Z) - REFT: Resource-Efficient Federated Training Framework for Heterogeneous
and Resource-Constrained Environments [2.117841684082203]
分散システムでは、フェデレートラーニング(FL)が重要な役割を果たす。
FLは、機械学習のプライバシ強化サブドメインとして出現する。
我々は「不均一・資源制約環境のための資源効率の良いフェデレーション・トレーニング・フレームワーク」を提案する。
論文 参考訳（メタデータ） (2023-08-25T20:33:30Z) - Efficient micro data centres deployment for mobile healthcare monitoring
systems in IoT urban scenarios [0.0]
本稿では、医療用IoTシナリオの全体的な消費電力を研究するためのM&S方法論について検討する。
既存の都市インフラのレイアウトを抽出し、監視対象人口の挙動をシミュレートし、複数のデータセンター構成の消費電力を比較する。
論文 参考訳（メタデータ） (2023-02-20T09:36:04Z) - Machine Learning-Based User Scheduling in Integrated
Satellite-HAPS-Ground Networks [82.58968700765783]
第6世代通信ネットワーク(6G)の強化のための価値あるソリューション空間の提供を約束する。
本稿では,空対地統合通信におけるユーザスケジューリングにおける機械学習の可能性について述べる。
論文 参考訳（メタデータ） (2022-05-27T13:09:29Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳（メタデータ） (2021-10-28T08:14:57Z) - Power Modeling for Effective Datacenter Planning and Compute Management [53.41102502425513]
我々は,すべてのハードウェア構成とワークロードに適用可能な,正確でシンプルで解釈可能な統計パワーモデルの設計と検証の2つのクラスについて論じる。
提案された統計的モデリング手法は, 単純かつスケーラブルでありながら, 4つの特徴のみを用いて, 95% 以上の多様な配電ユニット (2000 以上) に対して, 5% 未満の絶対パーセンテージエラー (MAPE) で電力を予測できることを実証した。
論文 参考訳（メタデータ） (2021-03-22T21:22:51Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:51:59Z) - Artificial Intelligence (AI)-Centric Management of Resources in Modern
Distributed Computing Systems [22.550075095184514]
Cloud Data Centres (DCS) は大規模で複雑で異種であり、複数のネットワークと地理的境界に分散している。
IoT(Internet of Things)駆動のアプリケーションは、リアルタイム処理と迅速な応答を必要とする膨大なデータを生成しています。
既存のリソース管理システム(RMS)は、そのような複合システムや動的システムには静的またはソリューションが不十分である。
論文 参考訳（メタデータ） (2020-06-09T06:54:07Z) - Differentially Private Federated Learning for Resource-Constrained
Internet of Things [24.58409432248375]
フェデレーション学習は、中央にデータをアップロードすることなく、分散されたスマートデバイスから大量のデータを分析できる。
本稿では、IoTのリソース制約されたスマートデバイスにまたがるデータから機械学習モデルを効率的にトレーニングするためのDP-PASGDと呼ばれる新しいフェデレーション学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-28T04:32:54Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳（メタデータ） (2020-02-22T14:38:11Z)
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。