論文の概要: Scalable Cloud-Native Architectures for Intelligent PMU Data Processing

• arxiv url: http://arxiv.org/abs/2512.22231v1
• Date: Tue, 23 Dec 2025 06:45:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.912967
• Title: Scalable Cloud-Native Architectures for Intelligent PMU Data Processing
• Title（参考訳）: インテリジェントPMUデータ処理のためのスケーラブルクラウドネイティブアーキテクチャ
• Authors: Nachiappan Chockalingam, Akshay Deshpande, Lokesh Butra, Ram Sekhar Bodala, Nitin Saksena, Adithya Parthasarathy, Balakrishna Pothineni, Akash Kumar Agarwal,
• Abstract要約: Phasor Measurement Units (PMU) は、リアルタイム電力グリッド監視に不可欠な高周波、時間同期データを生成する。 本稿では、人工知能とエッジとクラウドコンピューティングを統合したインテリジェントPMUデータ処理のためのクラウドネイティブアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.13543803103181612
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Phasor Measurement Units (PMUs) generate high-frequency, time-synchronized data essential for real-time power grid monitoring, yet the growing scale of PMU deployments creates significant challenges in latency, scalability, and reliability. Conventional centralized processing architectures are increasingly unable to handle the volume and velocity of PMU data, particularly in modern grids with dynamic operating conditions. This paper presents a scalable cloud-native architecture for intelligent PMU data processing that integrates artificial intelligence with edge and cloud computing. The proposed framework employs distributed stream processing, containerized microservices, and elastic resource orchestration to enable low-latency ingestion, real-time anomaly detection, and advanced analytics. Machine learning models for time-series analysis are incorporated to enhance grid observability and predictive capabilities. Analytical models are developed to evaluate system latency, throughput, and reliability, showing that the architecture can achieve sub-second response times while scaling to large PMU deployments. Security and privacy mechanisms are embedded to support deployment in critical infrastructure environments. The proposed approach provides a robust and flexible foundation for next-generation smart grid analytics.
• Abstract（参考訳）: Phasor Measurement Units (PMU) は、リアルタイム電力グリッド監視に不可欠な高周波、時間同期データを生成するが、PMUデプロイメントの規模が大きくなることで、レイテンシ、スケーラビリティ、信頼性に大きな課題が生じる。 従来の集中処理アーキテクチャではPMUデータのボリュームと速度、特に動的操作条件を持つ現代のグリッドでは処理が困難になっている。 本稿では、人工知能とエッジとクラウドコンピューティングを統合したインテリジェントPMUデータ処理のためのスケーラブルなクラウドネイティブアーキテクチャを提案する。 提案するフレームワークは、分散ストリーム処理、コンテナ化されたマイクロサービス、エラスティックリソースオーケストレーションを使用して、低レイテンシの取り込み、リアルタイム異常検出、高度な分析を可能にする。 時系列解析のための機械学習モデルは、グリッド可観測性と予測能力を高めるために組み込まれている。 分析モデルはシステムのレイテンシ、スループット、信頼性を評価するために開発され、アーキテクチャは大規模なPMUデプロイメントにスケールしながら、秒以下の応答時間を達成することができる。 セキュリティとプライバシのメカニズムは、重要なインフラストラクチャ環境へのデプロイをサポートするために組み込まれている。 提案されたアプローチは、次世代のスマートグリッド分析のための堅牢で柔軟な基盤を提供する。

関連論文リスト

• Learning Unified System Representations for Microservice Tail Latency Prediction [8.532290784939967]
  マイクロサービスアーキテクチャは、スケーラブルなクラウドネイティブアプリケーションを構築するためのデファクトスタンダードになっています。 従来のアプローチでは、要求毎のレイテンシメトリクスに依存しており、過渡的なノイズに非常に敏感です。 我々は,トラフィック側とリソース側の機能を明確に分離し,モデル化するディープラーニングネットワークであるUSRFNetを提案する。
  論文  参考訳（メタデータ） (2025-08-03T07:46:23Z)
• MONAQ: Multi-Objective Neural Architecture Querying for Time-Series Analysis on Resource-Constrained Devices [10.940954300115102]
  我々は,NASを多目的ニューラルアーキテクチャクエリータスクに再構成する新しいフレームワークMONAQを提案する。 MonAQはマルチモーダルな時系列入力とハードウェア制約を処理するマルチモーダルクエリ生成機能を備えている。 15のデータセットの実験では、MONAQで発見されたモデルは、手作りのモデルとNASベースラインの両方を上回っている。
  論文  参考訳（メタデータ） (2025-05-15T16:35:33Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Generative QoE Modeling: A Lightweight Approach for Telecom Networks [6.473372512447993]
  本研究では,計算効率,解釈可能性,予測精度のバランスをとる軽量な生成モデリングフレームワークを提案する。 ベクトル量子化(VQ)を前処理技術として用いることにより、連続的なネットワーク機能は事実上離散的な分類記号に変換される。 このVQ-HMMパイプラインは、新しい未知のデータに対する確率的推論をサポートしながら、動的QoEパターンをキャプチャするモデルの能力を高める。
  論文  参考訳（メタデータ） (2025-04-30T06:19:37Z)
• Federated Dynamic Modeling and Learning for Spatiotemporal Data Forecasting [1.492694722803554]
  本稿では,複雑な時間的データを予測するための高度なフェデレート学習(FL)フレームワークを提案する。 Gated Recurrent Unit(RU)モジュールをLong Short-Term Memory(LSTM)ネットワークに置き換える。 結果として生じるアーキテクチャは、様々な予測アプリケーションで複雑な時間パターンを扱う能力を大幅に改善します。
  論文  参考訳（メタデータ） (2025-03-06T15:16:57Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)

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。