論文の概要: Defining a Reference Architecture for Edge Systems in Highly-Uncertain Environments

• arxiv url: http://arxiv.org/abs/2406.08583v1
• Date: Wed, 12 Jun 2024 18:39:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-14 22:17:23.746098
• Title: Defining a Reference Architecture for Edge Systems in Highly-Uncertain Environments
• Title（参考訳）: エッジシステムの高信頼環境における参照アーキテクチャの定義
• Authors: Kevin Pitstick, Marc Novakouski, Grace A. Lewis, Ipek Ozkaya,
• Abstract要約: エッジシステムに対する異なるアーキテクチャアプローチが優先品質の懸念にどのように影響するかを示す。 本稿では,エッジシステムの参照アーキテクチャを高度に不確実な環境で定義する。
• 参考スコア（独自算出の注目度）: 3.2861283087008406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Increasing rate of progress in hardware and artificial intelligence (AI) solutions is enabling a range of software systems to be deployed closer to their users, increasing application of edge software system paradigms. Edge systems support scenarios in which computation is placed closer to where data is generated and needed, and provide benefits such as reduced latency, bandwidth optimization, and higher resiliency and availability. Users who operate in highly-uncertain and resource-constrained environments, such as first responders, law enforcement, and soldiers, can greatly benefit from edge systems to support timelier decision making. Unfortunately, understanding how different architecture approaches for edge systems impact priority quality concerns is largely neglected by industry and research, yet crucial for national and local safety, optimal resource utilization, and timely decision making. Much of industry is focused on the hardware and networking aspects of edge systems, with very little attention to the software that enables edge capabilities. This paper presents our work to fill this gap, defining a reference architecture for edge systems in highly-uncertain environments, and showing examples of how it has been implemented in practice.
• Abstract（参考訳）: ハードウェアと人工知能(AI)ソリューションの進歩率の増加は、さまざまなソフトウェアシステムをユーザの近くにデプロイ可能にすることによって、エッジソフトウェアシステムのパラダイムの適用が増加します。 エッジシステムは、データ生成と必要な場所に計算を配置するシナリオをサポートし、レイテンシの低減、帯域幅の最適化、レジリエンスと可用性の向上といったメリットを提供する。 第一応答者、法執行機関、兵士など、不確実でリソースに制約のある環境で運用するユーザは、タイミング決定を支援するためのエッジシステムから大きな恩恵を受けることができる。 残念なことに、エッジシステムに対する異なるアーキテクチャアプローチが優先品質の懸念にどのように影響するかを理解することは、産業や研究によって無視されている。 業界の多くはエッジシステムのハードウェアとネットワークに重点を置いており、エッジ機能を実現するソフトウェアにはほとんど注目していない。 本稿では,このギャップを埋める作業を行い,不確実な環境におけるエッジシステムの参照アーキテクチャを定義し,実際にどのように実装されているかを示す。

関連論文リスト

• Reconfigurable Edge Hardware for Intelligent IDS: Systematic Approach [0.0]
  侵入検知システム(IDS)は、ネットワークセキュリティを強制するための重要なセキュリティ対策である。 本稿では,エッジデバイスの具体的な要件に対処しつつ,インテリジェントIDS(I-IDS)の概念を分析する。 再構成可能なエッジハードウェア上でI-IDSを構築するための体系的なアプローチを導入する。
  論文  参考訳（メタデータ） (2024-04-13T17:24:18Z)
• The Fusion of Deep Reinforcement Learning and Edge Computing for Real-time Monitoring and Control Optimization in IoT Environments [2.0380092516669235]
  本稿では,深層強化学習とエッジコンピューティングに基づく最適化制御システムを提案する。 その結果、このアプローチは、クラウドエッジ通信のレイテンシを低減し、異常な状況に対する応答を加速し、システム障害率を低減し、平均的な機器運用時間を延長し、手作業によるメンテナンスと置換のコストを削減できることを示した。
  論文  参考訳（メタデータ） (2024-02-28T12:01:06Z)
• 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)
• FLEdge: Benchmarking Federated Machine Learning Applications in Edge Computing Systems [61.335229621081346]
  フェデレートラーニング(FL)は,ネットワークエッジ上での分散ディープラーニングのプライバシ強化を実現する上で,有効なテクニックとなっている。 本稿では,既存のFLベンチマークを補完するFLEdgeを提案する。
  論文  参考訳（メタデータ） (2023-06-08T13:11:20Z)
• The Future of Consumer Edge-AI Computing [58.445652425379855]
  Deep Learningは、主にデバイス間のハードウェアアクセラレーションによって、消費者のエンドに急速に浸透している。 将来を見据えて、孤立したハードウェアが不十分であることは明らかです。 本稿では,コンシューマエッジにおける計算資源とデータアクセスの再編成と最適化を目的とした,EdgeAI-Hubデバイスを中心とした新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-10-19T12:41:47Z)
• Towards Energy-Efficient and Secure Edge AI: A Cross-Layer Framework [13.573645522781712]
  ディープニューラルネットワーク(DNN)とスパイクニューラルネットワーク(SNN)は、リソース制約されたエッジデバイスに対して最先端の結果を提供する。 これらのシステムは、様々なセキュリティと信頼性の脅威の下で、正しい機能を維持する必要がある。 本稿では、まず、異なるシステム層におけるエネルギー効率、信頼性、セキュリティ問題に対処するための既存のアプローチについて論じる。
  論文  参考訳（メタデータ） (2021-09-20T20:22:56Z)
• Auto-Split: A General Framework of Collaborative Edge-Cloud AI [49.750972428032355]
  本稿では,Huawei Cloudのエッジクラウド共同プロトタイプであるAuto-Splitの技法と技術実践について述べる。 私たちの知る限りでは、Deep Neural Network(DNN)分割機能を提供する既存の産業製品はありません。
  論文  参考訳（メタデータ） (2021-08-30T08:03:29Z)
• CoreDiag: Eliminating Redundancy in Constraint Sets [68.8204255655161]
  最小コア(最小非冗長制約集合)の決定に利用できる新しいアルゴリズムを提案する。 このアルゴリズムは、冗長性の度合いが高い分散知識工学シナリオにおいて特に有用である。 本手法の適用可能性を示すために, 商業的構成知識ベースを用いた実証的研究を実施した。
  論文  参考訳（メタデータ） (2021-02-24T09:16:10Z)
• 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)
• 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)

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。