論文の概要: Secure and Low-Latency IoT Analytics Using an Edge-Based Streaming Architecture
- arxiv url: http://arxiv.org/abs/2606.14712v1
- Date: Thu, 23 Apr 2026 09:49:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:44:29.35255
- Title: Secure and Low-Latency IoT Analytics Using an Edge-Based Streaming Architecture
- Title（参考訳）: エッジベースのストリーミングアーキテクチャを用いたセキュアで低レイテンシなIoT分析
- Abstract要約: 従来のクラウド中心アーキテクチャは低レイテンシと帯域幅の効率の要求を満たすことができない。
本稿では,IoT環境におけるリアルタイムストリーミング分析のためのエッジベースの軽量フレームワークであるEdgeStreamを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid growth of Internet of Things (IoT) devices has led to large-scale continuous data streams that require realtime processing. Traditional cloud-centric architectures fail to meet low-latency and bandwidth efficiency requirements due to network delays and high data transmission overhead. This paper proposes EdgeStream, a lightweight edge-based framework for real-time streaming analytics in IoT environments. The system integrates edge nodes for local processing with a cloud backend for coordination and storage, using MQTT-based communication and distributed processing with anomaly detection. Analytical models for latency, throughput, and bandwidth are developed to evaluate performance. Experimental results, compared to cloudbased systems, show up to 92.8
- Abstract（参考訳）: IoT(Internet of Things)デバイスの急速な成長により、リアルタイム処理を必要とする大規模な継続的データストリームが生まれました。
従来のクラウド中心アーキテクチャは、ネットワーク遅延と高いデータ転送オーバーヘッドのため、低レイテンシと帯域幅の効率要件を満たすことができない。
本稿では,IoT環境におけるリアルタイムストリーミング分析のためのエッジベースの軽量フレームワークであるEdgeStreamを提案する。
このシステムは、MQTTベースの通信と異常検出による分散処理を使用して、ローカル処理のためのエッジノードと、調整とストレージのためのクラウドバックエンドを統合する。
レイテンシ、スループット、帯域幅の分析モデルを開発し、性能を評価する。
クラウドベースのシステムと比較して、実験結果は92.8まで上昇する。
関連論文リスト
- Edge-Assisted Multi-Robot Visual-Inertial SLAM with Efficient Communication [14.928920657251524]
ピラミッドIMU予測に基づく光フロートラッキングの軽量SLAM法を提案する。
オンボードコンピューティングリソースの制限や,単一ロボットの実行効率の低下といった問題を回避する。
提案手法は,データボリュームの特徴伝達を低速に行うことができ,従来の局所特徴圧縮法と比較すると,計算負荷の少ない場合の位置決め精度が向上する。
論文 参考訳（メタデータ） (2026-03-11T03:35:28Z) - Q-Learning-Based Time-Critical Data Aggregation Scheduling in IoT [3.361625512902259]
Internet of Things(IoT)ネットワークにおける時間クリティカルなデータアグリゲーションは、効率的で衝突のないスケジューリングを必要とする。
二相木構築とスケジューリングの伝統的な手法は、しばしば高い計算オーバーヘッドと最適以下の遅延に悩まされる。
本稿では,集約木の構築とスケジューリングを統一する新しいQラーニングフレームワークを提案し,拡張性のためのハッシュ状態を持つマルコフ決定プロセス(MDP)としてプロセスをモデル化する。
論文 参考訳（メタデータ） (2025-10-29T15:46:21Z) - From Edge to HPC: Investigating Cross-Facility Data Streaming Architectures [0.8116550081617903]
DTS(Direct Streaming)、PRS(Proxied Streaming)、MSS(Managed Service Streaming)の3つのクロスファシリティデータストリーミングアーキテクチャについて検討する。
我々の研究では、DTSは最小のホップパスを提供し、スループットの向上とレイテンシの低減を実現しているのに対し、MSSは複数のユーザに対してデプロイメントの実現可能性とスケーラビリティを提供していますが、大きなオーバーヘッドが発生しています。
PRSは、ほとんどの場合、DTSに匹敵するパフォーマンスを備えたスケーラブルなアーキテクチャを提供する。
論文 参考訳（メタデータ） (2025-09-28T18:54:38Z) - CSGO: Generalized Optimization for Cold Start in Wireless Collaborative Edge LLM Systems [62.24576366776727]
本稿では,全体の推論遅延を最小限に抑えるために,遅延を考慮したスケジューリングフレームワークを提案する。
提案手法は,ベースライン戦略と比較して,コールドスタート遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2025-08-15T07:49:22Z) - 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) - Streaming Video Analytics On The Edge With Asynchronous Cloud Support [2.7456483236562437]
本稿では,エッジとクラウドの予測を融合させ,低レイテンシで高精度なエッジクラウド融合アルゴリズムを提案する。
ビデオのオブジェクト検出(多くのビデオ分析シナリオに適用可能)に注目し、融合したエッジクラウド予測が、エッジのみのシナリオとクラウドのみのシナリオの精度を最大50%上回ることを示す。
論文 参考訳（メタデータ） (2022-10-04T06:22:13Z) - An Intelligent Deterministic Scheduling Method for Ultra-Low Latency
Communication in Edge Enabled Industrial Internet of Things [19.277349546331557]
時間知覚ネットワーク (TSN) は, 決定論的スケジューリングによる低遅延通信を実現するために最近研究されている。
非衝突理論に基づく決定論的スケジューリング (NDS) 法を提案し, 時間に敏感な流れに対する超低遅延通信を実現する。
実験の結果,NDS/DQSは決定論的超低レイテンシサービスを十分にサポートし,帯域幅の有効利用を保証できることがわかった。
論文 参考訳（メタデータ） (2022-07-17T16:52:51Z) - Implementing Reinforcement Learning Datacenter Congestion Control in NVIDIA NICs [64.26714148634228]
渋滞制御 (CC) アルゴリズムの設計は非常に困難になる。
現在、計算能力に制限があるため、ネットワークデバイスにAIモデルをデプロイすることはできない。
我々は,近年の強化学習CCアルゴリズムに基づく計算軽度解を構築した。
論文 参考訳（メタデータ） (2022-07-05T20:42:24Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z) - Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT
Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。
フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。
提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文 参考訳（メタデータ） (2020-11-25T12:51:59Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。