論文の概要: Energy-Efficient Computation with DVFS using Deep Reinforcement Learning for Multi-Task Systems in Edge Computing
- arxiv url: http://arxiv.org/abs/2409.19434v2
- Date: Wed, 16 Oct 2024 14:28:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-05 23:19:24.927134
- Title: Energy-Efficient Computation with DVFS using Deep Reinforcement Learning for Multi-Task Systems in Edge Computing
- Title（参考訳）: エッジコンピューティングにおけるマルチタスクシステムのための深層強化学習を用いたDVFSによるエネルギー効率の高い計算
- Authors: Xinyi Li, Ti Zhou, Haoyu Wang, Man Lin,
- Abstract要約: 本研究は、省エネのための強化学習に基づくDVFSを用いたマルチタスク、マルチデッドラインシナリオを備えた一般化システムについて研究する。
この方法は、Linuxカーネル内の時系列情報を強化学習に容易に利用できる情報に符号化する。
テスト結果から,Linuxの組込み知事と比較して3%～10%の省電力化が可能であった。
- 参考スコア（独自算出の注目度）: 6.447135136911933
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Periodic soft real-time systems have broad applications in many areas, such as IoT. Finding an optimal energy-efficient policy that is adaptable to underlying edge devices while meeting deadlines for tasks has always been challenging. This research studies generalized systems with multi-task, multi-deadline scenarios with reinforcement learning-based DVFS for energy saving. This work addresses the limitation of previous work that models a periodic system as a single task and single-deadline scenario, which is too simplified to cope with complex situations. The method encodes time series information in the Linux kernel into information that is easy to use for reinforcement learning, allowing the system to generate DVFS policies to adapt system patterns based on the general workload. For encoding, we present two different methods for comparison. Both methods use only one performance counter: system utilization and the kernel only needs minimal information from the userspace. Our method is implemented on Jetson Nano Board (2GB) and is tested with three fixed multitask workloads, which are three, five, and eight tasks in the workload, respectively. For randomness and generalization, we also designed a random workload generator to build different multitask workloads to test. Based on the test results, our method could save 3%-10% power compared to Linux built-in governors.
- Abstract（参考訳）: 周期的なソフトリアルタイムシステムは、IoTなど多くの領域で幅広いアプリケーションを提供している。
タスクの期限を満たしながら、基盤となるエッジデバイスに適応可能な最適エネルギー効率ポリシーを見つけることは、常に困難である。
本研究は、省エネのための強化学習に基づくDVFSを用いたマルチタスク、マルチデッドラインシナリオを備えた一般化システムについて研究する。
この研究は、周期的なシステムを単一のタスクと単一デッドラインのシナリオとしてモデル化する以前の作業の制限に対処する。
この方法は、Linuxカーネル内の時系列情報を強化学習に容易に利用できる情報にエンコードし、一般的なワークロードに基づいてシステムパターンを適応するためのDVFSポリシーを生成する。
符号化には2つの異なる比較方法を提案する。
どちらのメソッドも1つのパフォーマンスカウンタしか使用せず、システム利用とカーネルはユーザ空間からの最小限の情報しか必要としない。
本手法はJetson Nano Board (2GB) 上に実装され,3タスク,5タスク,8タスクの3つの固定マルチタスクワークロードでテストされる。
また、ランダム性と一般化のために、テスト用の異なるマルチタスクワークロードを構築するために、ランダムなワークロードジェネレータを設計した。
テスト結果から,Linuxの組込み知事と比較して3%～10%の省電力化が可能であった。
関連論文リスト
- Sparse Diffusion Policy: A Sparse, Reusable, and Flexible Policy for Robot Learning [61.294110816231886]
我々はスパース・リユース・フレキシブル・ポリシー、スパース・ディフュージョン・ポリシー(SDP)を導入する。
SDPは、エキスパートとスキルを選択的に活性化し、モデル全体をトレーニングすることなく、効率的でタスク固有の学習を可能にする。
デモとコードはhttps://forrest-110.io/sparse_diffusion_policy/にある。
論文 参考訳（メタデータ） (2024-07-01T17:59:56Z) - CPU frequency scheduling of real-time applications on embedded devices
with temporal encoding-based deep reinforcement learning [0.0]
小型デバイスは、ソフトデッドラインで周期的な専用のタスクを実行するために、IoTやスマートシティアプリケーションで頻繁に使用される。
本研究は,小型デバイス上での周期的タスクに対する効率的な電力管理手法の開発に焦点をあてる。
論文 参考訳（メタデータ） (2023-09-07T15:28:03Z) - M$^3$ViT: Mixture-of-Experts Vision Transformer for Efficient Multi-task
Learning with Model-Accelerator Co-design [95.41238363769892]
マルチタスク学習(MTL)は、複数の学習タスクを単一のモデルにカプセル化し、それらのタスクを共同でよりよく学習できるようにする。
現在のMTLレギュレータは、1つのタスクだけを実行するためにさえ、ほぼすべてのモデルを起動する必要がある。
効率的なオンデバイスMTLを実現するためのモデル-アクセラレータ共設計フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-26T15:40:24Z) - Sparsely Activated Mixture-of-Experts are Robust Multi-Task Learners [67.5865966762559]
本研究では,Mixture-of-Experts (MoE) がマルチタスク学習を改善するかを検討した。
タスク認識ゲーティング関数を考案し、異なるタスクから専門の専門家にサンプルをルーティングする。
これにより、多数のパラメータを持つ疎活性化マルチタスクモデルが得られるが、高密度モデルの計算コストは同じである。
論文 参考訳（メタデータ） (2022-04-16T00:56:12Z) - Controllable Dynamic Multi-Task Architectures [92.74372912009127]
本稿では,そのアーキテクチャと重みを動的に調整し,所望のタスク選択とリソース制約に適合させる制御可能なマルチタスクネットワークを提案する。
本稿では,タスク親和性と分岐正規化損失を利用した2つのハイパーネットの非交互トレーニングを提案し,入力の嗜好を取り入れ,適応重み付き木構造モデルを予測する。
論文 参考訳（メタデータ） (2022-03-28T17:56:40Z) - Multi-Task Learning with Sequence-Conditioned Transporter Networks [67.57293592529517]
シーケンスコンディショニングと重み付きサンプリングのレンズによるマルチタスク学習の実現を目指している。
合成タスクを対象とした新しいベンチマークであるMultiRavensを提案する。
次に,視覚に基づくエンドツーエンドシステムアーキテクチャであるSequence-Conditioned Transporter Networksを提案する。
論文 参考訳（メタデータ） (2021-09-15T21:19:11Z) - Elastic Architecture Search for Diverse Tasks with Different Resources [87.23061200971912]
本研究では,異なるリソースを持つ多様なタスクを効率的に配置する上で,クラス群に対応するリソース制約や関心のタスクをテスト時に動的に指定する,新たな課題について検討する。
従来のNASアプローチでは、全てのクラスのアーキテクチャを同時に設計することを模索しており、これはいくつかの個別のタスクに最適ではないかもしれない。
本稿では、様々なリソース制約のある多様なタスクに対して、実行時に即時特殊化を可能にする、Elastic Architecture Search (EAS)と呼ばれる斬新で一般的なフレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-03T00:54:27Z) - Dynamic Task Weighting Methods for Multi-task Networks in Autonomous
Driving Systems [10.625400639764734]
ディープマルチタスクネットワークは、自動運転システムに特に関心がある。
進化的メタラーニングとタスクベースの選択的バックプロパゲーションを組み合わせた新しい手法を提案する。
提案手法は,2タスクアプリケーションにおいて,最先端の手法よりも有意差がある。
論文 参考訳（メタデータ） (2020-01-07T18:54:21Z)
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。