論文の概要: Benchmarking of CPU-intensive Stream Data Processing in The Edge Computing Systems

• arxiv url: http://arxiv.org/abs/2505.07755v1
• Date: Mon, 12 May 2025 17:02:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.501992
• Title: Benchmarking of CPU-intensive Stream Data Processing in The Edge Computing Systems
• Title（参考訳）: エッジコンピューティングシステムにおけるCPU集約ストリームデータ処理のベンチマーク
• Authors: Tomasz Szydlo, Viacheslaw Horbanow, Dev Nandan Jha, Shashikant Ilager, Aleksander Slominski, Rajiv Ranjan,
• Abstract要約: 本稿では, エッジクラスタ内の単一処理ノードの電力消費特性と性能特性を, マイクロベンチマークを用いて評価する。 その結果、性能と消費電力の両面から、最適な測定値がエッジリソースの最適化利用にどのように寄与するかが示されている。
• 参考スコア（独自算出の注目度）: 41.19058376513831
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Edge computing has emerged as a pivotal technology, offering significant advantages such as low latency, enhanced data security, and reduced reliance on centralized cloud infrastructure. These benefits are crucial for applications requiring real-time data processing or strict security measures. Despite these advantages, edge devices operating within edge clusters are often underutilized. This inefficiency is mainly due to the absence of a holistic performance profiling mechanism which can help dynamically adjust the desired system configuration for a given workload. Since edge computing environments involve a complex interplay between CPU frequency, power consumption, and application performance, a deeper understanding of these correlations is essential. By uncovering these relationships, it becomes possible to make informed decisions that enhance both computational efficiency and energy savings. To address this gap, this paper evaluates the power consumption and performance characteristics of a single processing node within an edge cluster using a synthetic microbenchmark by varying the workload size and CPU frequency. The results show how an optimal measure can lead to optimized usage of edge resources, given both performance and power consumption.
• Abstract（参考訳）: エッジコンピューティングは重要な技術として登場し、低レイテンシ、データセキュリティの強化、集中型クラウドインフラストラクチャへの依存の低減など、大きなアドバンテージを提供する。 これらの利点は、リアルタイムデータ処理や厳格なセキュリティ対策を必要とするアプリケーションにとって不可欠である。 これらの利点にもかかわらず、エッジクラスタ内で動作するエッジデバイスは、しばしば未利用である。 この非効率性は主に、与えられたワークロードに対する所望のシステム構成を動的に調整するのに役立つ、全体的なパフォーマンスプロファイリング機構がないためである。 エッジコンピューティング環境は、CPU周波数、消費電力、アプリケーション性能の複雑な相互作用を含むため、これらの相関関係のより深い理解が不可欠である。 これらの関係を明らかにすることで、計算効率と省エネの両方を高める情報的決定が可能になる。 このギャップに対処するため,本論文では,ワークロードサイズとCPU周波数を変化させることで,エッジクラスタ内の単一処理ノードの消費電力と性能特性を合成マイクロベンチマークを用いて評価する。 その結果,性能と消費電力の両面から,最適な測定値がエッジリソースの最適利用にどのように寄与するかが示唆された。

関連論文リスト

• EdgeMLBalancer: A Self-Adaptive Approach for Dynamic Model Switching on Resource-Constrained Edge Devices [0.0]
  エッジデバイス上の機械学習は、リソース制約のある環境でリアルタイムAIアプリケーションを可能にする。 計算資源を管理する既存のソリューションは、しばしば正確さやエネルギー効率に焦点を絞っている。 エッジデバイス上でのCPU利用とリソース管理を最適化する自己適応型アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-10T14:11:29Z)
• DynaSplit: A Hardware-Software Co-Design Framework for Energy-Aware Inference on Edge [40.96858640950632]
  ソフトウェアとハードウェアの両方でパラメータを動的に設定するフレームワークであるDynaSplitを提案する。 実世界のテストベッド上で、人気のあるトレーニング済みNNを用いてDynaSplitを評価する。 その結果,クラウドのみの計算に比べてエネルギー消費が最大で72%減少した。
  論文  参考訳（メタデータ） (2024-10-31T12:44:07Z)
• 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)
• Energy-efficient Task Adaptation for NLP Edge Inference Leveraging Heterogeneous Memory Architectures [68.91874045918112]
  Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。 検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
  論文  参考訳（メタデータ） (2023-03-25T14:40:59Z)
• SMDP-Based Dynamic Batching for Efficient Inference on GPU-Based Platforms [14.42787221783853]
  本稿では、効率とレイテンシのバランスをとる動的グラフィックポリシーを提供することを目的とする。 提案されたソリューションは、消費電力とレイテンシのバランスをとる上で、顕著な柔軟性がある。
  論文  参考訳（メタデータ） (2023-01-30T13:19:16Z)
• Balancing Performance and Energy Consumption of Bagging Ensembles for the Classification of Data Streams in Edge Computing [9.801387036837871]
  エッジコンピューティング(EC)は、IoT(Internet of Things)や5Gネットワークといったテクノロジを開発する上で可能な要素として登場した。 本研究は,データストリームの分類において,バッグアンサンブルの性能とエネルギー消費を最適化するための戦略を検討する。
  論文  参考訳（メタデータ） (2022-01-17T04:12:18Z)
• Ps and Qs: Quantization-aware pruning for efficient low latency neural network inference [56.24109486973292]
  超低遅延アプリケーションのためのニューラルネットワークのトレーニング中の分級と量子化の相互作用を研究します。 量子化アウェアプルーニングは,タスクのプルーニングや量子化のみよりも計算効率のよいモデルであることが判明した。
  論文  参考訳（メタデータ） (2021-02-22T19:00:05Z)
• 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)
• AutoScale: Optimizing Energy Efficiency of End-to-End Edge Inference under Stochastic Variance [11.093360539563657]
  AutoScaleは、カスタム設計の強化学習アルゴリズムに基づいて構築された、適応的で軽量な実行スケーリングエンジンである。 本稿では,エッジでの高精度かつエネルギー効率の高いディープラーニング推論を実現するためのAutoScaleを提案する。
  論文  参考訳（メタデータ） (2020-05-06T00:30:29Z)

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。