論文の概要: Decentralized Orchestration Architecture for Fluid Computing: A Secure Distributed AI Use Case
- arxiv url: http://arxiv.org/abs/2603.12001v1
- Date: Thu, 12 Mar 2026 14:49:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-13 14:46:26.152746
- Title: Decentralized Orchestration Architecture for Fluid Computing: A Secure Distributed AI Use Case
- Title（参考訳）: 流体コンピューティングのための分散オーケストレーションアーキテクチャ:セキュアな分散AIユースケース
- Authors: Diego Cajaraville-Aboy, Ana Fernández-Vilas, Rebeca P. Díaz-Redondo, Manuel Fernández-Veiga, Pablo Picallo-López,
- Abstract要約: 本稿では,流体計算環境における非依存型マルチドメインオーケストレーションアーキテクチャを提案する。
このアーキテクチャは、実行時にアプリケーションレベルの拡張をサポートするため、ドメインサイドコントロールサービスをファーストクラスの機能として高める。
我々は,SDN 対応マルチドメイン異常検出機構である FU-HST を導入して,ビザンチンのセキュリティを強化するために,ドメイン側の機能を活用している。
- 参考スコア（独自算出の注目度）: 2.359679792068363
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Distributed AI and IoT applications increasingly execute across heterogeneous resources spanning end devices, edge/fog infrastructure, and cloud platforms, often under different administrative domains. Fluid Computing has emerged as a promising paradigm for enhancing massive resource management across the computing continuum by treating such resources as a unified fabric, enabling optimal service-agnostic deployments driven by application requirements. However, existing solutions remain largely centralized and often do not explicitly address multi-domain considerations. This paper proposes an agnostic multi-domain orchestration architecture for fluid computing environments. The orchestration plane enables decentralized coordination among domains that maintain local autonomy while jointly realizing intent-based deployment requests from tenants, ensuring end-to-end placement and execution. To this end, the architecture elevates domain-side control services as first-class capabilities to support application-level enhancement at runtime. As a representative use case, we consider a multi-domain Decentralized Federated Learning (DFL) deployment under Byzantine threats. We leverage domain-side capabilities to enhance Byzantine security by introducing FU-HST, an SDN-enabled multi-domain anomaly detection mechanism that complements Byzantine-robust aggregation. We validate the approach via simulation in single- and multi-domain settings, evaluating anomaly detection, DFL performance, and computation/communication overhead.
- Abstract（参考訳）: 分散型AIとIoTアプリケーションは、エンドデバイス、エッジ/フォグインフラストラクチャ、クラウドプラットフォームにまたがる異種リソースをまたがって実行され、多くの場合、異なる管理ドメインの下で実行される。
Fluid Computingは、このようなリソースを統一されたファブリックとして扱い、アプリケーション要求によって駆動される最適なサービスに依存しないデプロイメントを可能にすることによって、コンピューティング連続体全体にわたる大規模なリソース管理を強化するための有望なパラダイムとして登場した。
しかし、既存のソリューションは主に中央集権的であり、多くの場合、マルチドメインの考慮事項に明示的に対処しない。
本稿では,流体計算環境における非依存型マルチドメインオーケストレーションアーキテクチャを提案する。
オーケストレーションプレーンは、テナントからのインテントベースのデプロイメント要求を共同で実現し、エンドツーエンドの配置と実行を確保しながら、ローカル自律性を維持するドメイン間の分散調整を可能にする。
この目的のために、アーキテクチャはドメインサイドコントロールサービスをファーストクラスの機能として高め、実行時にアプリケーションレベルの拡張をサポートする。
代表的なユースケースとして、ビザンティンの脅威下での多ドメイン分散連邦学習(DFL)の展開を検討する。
我々は、Byzantine-robustアグリゲーションを補完するSDN対応マルチドメイン異常検出機構であるFU-HSTを導入することで、ドメイン側の機能を活用して、Byzantineセキュリティを強化する。
単一ドメインと複数ドメインの設定でシミュレーションを行い、異常検出、DFL性能、計算/通信オーバーヘッドを評価する。
関連論文リスト
- Revisiting the Domain Shift and Sample Uncertainty in Multi-source
Active Domain Transfer [69.82229895838577]
Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。
この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。
これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
論文 参考訳（メタデータ） (2023-11-21T13:12:21Z) - Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。
AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。
その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
論文 参考訳（メタデータ） (2022-08-03T11:51:11Z) - Generalizing to Unseen Domains with Wasserstein Distributional Robustness under Limited Source Knowledge [22.285156929279207]
ドメインの一般化は、目に見えないターゲットドメインでうまく機能する普遍的なモデルを学ぶことを目的としている。
We propose a novel domain generalization framework called Wasserstein Distributionally Robust Domain Generalization (WDRDG)。
論文 参考訳（メタデータ） (2022-07-11T14:46:50Z) - Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。
ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。
我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
論文 参考訳（メタデータ） (2022-04-06T09:13:25Z) - Domain Consistency Regularization for Unsupervised Multi-source Domain
Adaptive Classification [57.92800886719651]
近年,深層学習に基づくマルチソース非教師付きドメイン適応(MUDA)が活発に研究されている。
MUDAのドメインシフトは、ソースドメインとターゲットドメインの間だけでなく、複数のソースドメインの間にも存在します。
本稿では、教師なしマルチソースドメイン適応分類において、ドメインの一貫性規則化を利用するエンドツーエンドのトレーニング可能なネットワークを提案する。
論文 参考訳（メタデータ） (2021-06-16T07:29:27Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳（メタデータ） (2021-06-10T05:01:20Z) - Generalized Domain Conditioned Adaptation Network [33.13337928537281]
ドメイン適応(DA)はラベル付きソースドメインで学んだ知識をラベル付けされていないが関連するターゲットドメインに転送しようとする。
DAの最近の進歩は、主にソースとターゲットの分布を調整することによって進みます。
汎用ドメイン条件適応ネットワーク(GDCAN)を開発し、各アテンションモジュールでドメインチャネルのアクティベーションが個別にモデル化されるべきかどうかを自動決定する。
論文 参考訳（メタデータ） (2021-03-23T06:24:26Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - Mutual Learning Network for Multi-Source Domain Adaptation [73.25974539191553]
ML-MSDA(Multial Learning Network for Multiple Source Domain Adaptation)を提案する。
相互学習の枠組みのもと,提案手法は対象ドメインと各ソースドメインをペアリングし,条件付き対向ドメイン適応ネットワークを分岐ネットワークとして訓練する。
提案手法は, 比較手法より優れ, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2020-03-29T04:31:43Z)
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。