論文の概要: Empowering IoT Applications with Flexible, Energy-Efficient Remote Management of Low-Power Edge Devices
- arxiv url: http://arxiv.org/abs/2405.01578v1
- Date: Fri, 26 Apr 2024 10:04:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-12 16:10:01.561478
- Title: Empowering IoT Applications with Flexible, Energy-Efficient Remote Management of Low-Power Edge Devices
- Title（参考訳）: 低消費電力エッジデバイスのフレキシブルでエネルギー効率の良いリモート管理によるIoTアプリケーション強化
- Authors: Shadi Attarha, Anna Förster,
- Abstract要約: 本稿では,低消費電力エッジデバイスにおける個々のマイクロサービスのきめ細かいモニタリングと管理のための新しいアプローチを提案する。
提案手法は,モジュール化技術を活用することにより,IoTエッジデバイスの運用上の柔軟性を実現する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the context of the Internet of Things (IoT), reliable and energy-efficient provision of IoT applications has become critical. Equipping IoT systems with tools that enable a flexible, well-performing, and automated way of monitoring and managing IoT edge devices is an essential prerequisite. In current IoT systems, low-power edge appliances have been utilized in a way that can not be controlled and re-configured in a timely manner. Hence, conducting a trade-off solution between manageability, performance and design requirements are demanded. This paper introduces a novel approach for fine-grained monitoring and managing individual micro-services within low-power edge devices, which improves system reliability and energy efficiency. The proposed method enables operational flexibility for IoT edge devices by leveraging a modularization technique. Following a review of existing solutions for remote-managed IoT services, a detailed description of the suggested approach is presented. Also, to explore the essential design principles that must be considered in this approach, the suggested architecture is elaborated in detail. Finally, the advantages of the proposed solution to deal with disruptions are demonstrated in the proof of concept-based experiments.
- Abstract（参考訳）: IoT(Internet of Things)の文脈では、IoTアプリケーションの信頼性とエネルギー効率の確保が重要になっている。
IoTシステムに、IoTエッジデバイスの監視と管理のフレキシブルで、高性能で、自動化された方法を可能にするツールを提供することは、必須の前提条件である。
現在のIoTシステムでは、低消費電力のエッジアプライアンスは、タイムリーな方法で制御や再構成ができない方法で利用されています。
したがって、管理可能性、パフォーマンス、設計要件の間のトレードオフソリューションの実行が要求される。
本稿では,低消費電力エッジデバイスにおける個々のマイクロサービスのきめ細かい監視と管理を行うための新しいアプローチを提案する。
提案手法は,モジュール化技術を活用することにより,IoTエッジデバイスの運用上の柔軟性を実現する。
リモートマネージドIoTサービスの既存のソリューションのレビューに続いて、提案されたアプローチの詳細が紹介されている。
また、このアプローチで考慮しなくてはならない重要な設計原則を探求するために、提案されたアーキテクチャの詳細を詳述する。
最後に, 提案手法による破壊対策の利点を, 概念ベース実験の実証で実証した。
関連論文リスト
- Resource Efficient Asynchronous Federated Learning for Digital Twin Empowered IoT Network [29.895766751146155]
Digital twin(DT)は、IoT(Internet of Things)デバイスのリアルタイムステータスと動的トポロジマッピングを提供する。
我々は,非同期フェデレーション学習(FL)に基づく軽量DT強化IoTネットワークに適した動的リソーススケジューリングアルゴリズムを開発した。
具体的には,エネルギー消費と遅延の両方を包含する多目的関数を最小化する。
論文 参考訳（メタデータ） (2024-08-26T14:28:51Z) - An IoT Framework for Building Energy Optimization Using Machine Learning-based MPC [0.0]
本研究では,モノのインターネット(IoT)フレームワークを用いてエアハンドリングユニット(AHU)システムを制御するための,機械学習に基づくモデル予測制御(MPC)アプローチを提案する。
提案フレームワークは,ニューラルネットワーク(ANN)を用いて動的線形熱モデルパラメータをリアルタイムに構築する手法である。
論文 参考訳（メタデータ） (2024-08-23T14:38:18Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Intelligent Energy Management with IoT Framework in Smart Cities Using Intelligent Analysis: An Application of Machine Learning Methods for Complex Networks and Systems [0.14454647768189904]
本稿では,スマートシティのエネルギー管理を目的としたIoTベースのフレームワークについて概観する。
データを収集、保存するだけでなく、監視、制御、システムの効率向上のためのインテリジェントな分析をサポートするシステムに注力する。
この結果から、IoTベースのフレームワークは、スマートな建物におけるエネルギー消費と環境への影響を低減できる重要な可能性を示唆している。
論文 参考訳（メタデータ） (2023-06-08T21:19:42Z) - Network Intrusion Detection System in a Light Bulb [0.0]
IoT(Internet of Things)デバイスは、さまざまなエッジアプリケーションで、ホームおよび業界のインフラストラクチャを監視し、制御するために、徐々に利用されています。
提案されているネットワーク侵入検知システム(NIDS)は多数存在するが、実際のIoT実装については限定的な研究がなされている。
本研究の目的は、低消費電力機械学習(ML)ベースのNIDSのバウンダリをプッシュすることで、このギャップを解決することである。
論文 参考訳（メタデータ） (2022-10-06T23:36:04Z) - 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) - Learning, Computing, and Trustworthiness in Intelligent IoT
Environments: Performance-Energy Tradeoffs [62.91362897985057]
Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。
本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
論文 参考訳（メタデータ） (2021-10-04T19:41:42Z) - RIS-assisted UAV Communications for IoT with Wireless Power Transfer
Using Deep Reinforcement Learning [75.677197535939]
無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。
第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。
マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-05T23:55:44Z) - 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) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-03T20:00:02Z) - Context-Aware Wireless Connectivity and Processing Unit Optimization for
IoT Networks [10.248295944860963]
提案手法は, エネルギー消費, 応答時間, セキュリティ, 金銭的コストを共同で最適化することにより, オフロードするデータの割合とともに, 最高の接続・処理ユニットを同時に選択する。
応答時間とセキュリティの観点からIoTデバイスの要件は、デバイスの残りのバッテリレベルとともに入力として捉えられ、開発されたアルゴリズムは最適化されたポリシーを返す。
論文 参考訳（メタデータ） (2020-04-30T02:18:35Z)
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。