論文の概要: Pico-Cloud: Cloud Infrastructure for Tiny Edge Devices

• arxiv url: http://arxiv.org/abs/2511.13253v1
• Date: Mon, 17 Nov 2025 11:13:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.156176
• Title: Pico-Cloud: Cloud Infrastructure for Tiny Edge Devices
• Title（参考訳）: Pico-Cloud: 細いエッジデバイスのためのクラウドインフラストラクチャ
• Authors: Mordechai Guri,
• Abstract要約: Pico-CloudはRaspberry Pi Zeroのような超最小のハードウェアプラットフォーム上に構築された、マイクロエッジクラウドアーキテクチャである。 我々は、そのアーキテクチャモデルを示し、農村接続、教育クラスタ、エッジAI推論などの代表的なユースケースを概説し、計算、ネットワーク、ストレージ、電力管理における設計上の課題を分析する。
• 参考スコア（独自算出の注目度）: 2.504366738288215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces the Pico-Cloud, a micro-edge cloud architecture built on ultra-minimal hardware platforms such as the Raspberry Pi Zero and comparable single-board computers. The Pico-Cloud delivers container-based virtualization, service discovery, and lightweight orchestration directly at the device layer, enabling local operation with low latency and low power consumption without reliance on centralized data centers. We present its architectural model, outline representative use cases including rural connectivity, educational clusters, and edge AI inference, and analyze design challenges in computation, networking, storage, and power management. The results highlight Pico-Clouds as a cost-effective, decentralized, and sustainable platform for lightweight distributed workloads at the network edge.
• Abstract（参考訳）: 本稿ではRaspberry Pi Zeroや同等のシングルボードコンピュータなど,超最小のハードウェアプラットフォーム上に構築された,マイクロエッジクラウドアーキテクチャであるPico-Cloudを紹介する。 Pico-Cloudは、コンテナベースの仮想化、サービスディスカバリ、軽量オーケストレーションをデバイス層に直接提供する。 我々は、そのアーキテクチャモデルを示し、農村接続、教育クラスタ、エッジAI推論などの代表的なユースケースを概説し、計算、ネットワーク、ストレージ、電力管理における設計上の課題を分析する。 その結果、ネットワークエッジにおける軽量分散ワークロードのためのコスト効率、分散化、持続可能なプラットフォームとして、Pico-Cloudsが注目されている。

関連論文リスト

• Generative AI on the Edge: Architecture and Performance Evaluation [0.3999851878220877]
  6GのAIネイティブビジョンであるアドバンストインテリジェンスをネットワークに組み込むには、エッジデバイス上のジェネレーティブAI(GenAI)モデルを体系的に評価する必要がある。 本研究では,ORANのエッジテストベッドとして機能する1つのコモディティRaspberry Pi上でのLLM(Large Language Models)推論の計算要求について検討する。
  論文  参考訳（メタデータ） (2024-11-18T16:09:01Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• SpikeBottleNet: Spike-Driven Feature Compression Architecture for Edge-Cloud Co-Inference [0.86325068644655]
  エッジクラウドコ推論システムのための新しいアーキテクチャであるSpikeBottleNetを提案する。 SpikeBottleNetはスパイクニューロンモデルを統合し、エッジデバイスのエネルギー消費を大幅に削減する。
  論文  参考訳（メタデータ） (2024-10-11T09:59:21Z)
• LAECIPS: Large Vision Model Assisted Adaptive Edge-Cloud Collaboration for IoT-based Embodied Intelligence System [22.779285672925425]
  エボディード・インテリジェンス(Embodied Intelligence, EI)は、生産システムを動的店舗のフロア環境内で柔軟に知覚し、推論し、適応し、操作することを可能にする。 大規模ビジョンモデルを用いたIoTベースのインボディードインテリジェンスシステムのための適応エッジクラウドコラボレーションフレームワークであるLAECIPSを提案する。 LAECIPSはクラウド上の大きなビジョンモデルをエッジ上の軽量モデルから切り離し、プラグアンドプレイモデルの適応と継続的な学習を可能にする。
  論文  参考訳（メタデータ） (2024-04-16T12:12:06Z)
• 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)
• NanoFlowNet: Real-time Dense Optical Flow on a Nano Quadcopter [11.715961583058226]
  ナノクアッドコプターは小さくてアジャイルで安価なプラットフォームで、狭い、散らかった環境でのデプロイメントに適している。 近年の機械学習開発は、低レイテンシでの高性能な認識を約束している。 専用エッジコンピューティングハードウェアは、これらの制限されたデバイスの処理能力を増強する可能性がある。 エッジコンピューティングハードウェア上でのリアルタイムな高密度光フロー推定のための軽量畳み込みニューラルネットワークであるNanoFlowNetを提案する。
  論文  参考訳（メタデータ） (2022-09-14T20:35:51Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• Reinforcement Learning Framework for Server Placement and Workload Allocation in Multi-Access Edge Computing [9.598394554018164]
  本稿では,最小コストでMEC設計を実現するために,ネットワーク遅延とエッジサーバ数の両方を最小化する問題に対処する。 本稿では,この問題を解決するためのマルコフ決定プロセス(MDP)の設計において,状態空間,行動空間,ペナルティ関数の効率的な表現とモデル化を行う新しいRLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-21T03:04:50Z)
• 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)
• LC-NAS: Latency Constrained Neural Architecture Search for Point Cloud Networks [73.78551758828294]
  LC-NASは、最小計算コストでポイントクラウド分類のための最先端アーキテクチャを見つけることができる。 検索したアーキテクチャが、適度に低い精度で、望ましいレイテンシを実現する方法を示します。
  論文  参考訳（メタデータ） (2020-08-24T10:30:21Z)

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。