論文の概要: EdgeFaaS: A Function-based Framework for Edge Computing
- arxiv url: http://arxiv.org/abs/2607.14489v1
- Date: Thu, 16 Jul 2026 02:05:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:32.956311
- Title: EdgeFaaS: A Function-based Framework for Edge Computing
- Title（参考訳）: EdgeFaaS - エッジコンピューティングのための関数ベースのフレームワーク
- Abstract要約: 本稿ではエッジアプリケーションを実現するための関数ベースのエッジコンピューティングフレームワークであるEdgeFを提案する。
多様なエッジコンピューティングに対する包括的なサポートを提供すると同時に、ユーザはフレキシブルに設定を調整できる。
- 参考スコア（独自算出の注目度）: 6.004897329569681
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Edge computing brings unique challenges as the resources on the edge are highly diverse in capabilities and capacities, and highly distributed across many users and the physical world. Existing distributed computing frameworks cannot adequately handle this level of heterogeneity and distribution. This paper proposes EdgeFaaS, a novel function-based edge computing framework to enable edge applications to effectively utilize heterogeneous resources distributed across the Internet of Things (IoT), edge, and cloud for computing. It proposes function virtualization and storage virtualization to abstract distributed and heterogeneous physical resources and provides consistent virtual interfaces for deploying and executing functions and storing and accessing data. EdgeFaaS provides comprehensive support to diverse edge computing workflows, and at the same time allows users to flexibly adjust the configurations and explore various important tradeoffs. To demonstrate its usability, the paper also presents the implementation and evaluation of three representative workflows on EdgeFaaS for video analytics, federated learning, and audio classification, on a real testbed of 100+ geographically distributed IoT devices, edge servers, and cloud services. EdgeFaaS allows users to flexibly explore the deployment configurations of these workflows over distributed and heterogeneous resources. For example, users can easily vary the function placement of the video processing pipeline across IoT, edge, and cloud resources and study the tradeoff between computation and communication costs; users can also flexibly adjust the cluster count and size in the hierarchical federated learning system and explore the tradeoff between training accuracy and speed.
- Abstract（参考訳）: エッジコンピューティングは、エッジ上のリソースが能力と能力に非常に多様であり、多くのユーザと物理世界にわたって分散しているため、ユニークな課題をもたらします。
既存の分散コンピューティングフレームワークは、このレベルの不均一性と分散を適切に扱えない。
本稿では,エッジアプリケーションがIoT(Internet of Things),エッジ,クラウドに分散した異種資源を効果的に活用するための,関数ベースのエッジコンピューティングフレームワークであるEdgeFaaSを提案する。
分散および異種物理リソースを抽象化するための機能仮想化とストレージ仮想化を提案し、関数のデプロイと実行、データの保存とアクセスのための一貫した仮想インターフェースを提供する。
EdgeFaaSは、さまざまなエッジコンピューティングワークフローに対する包括的なサポートを提供すると同時に、ユーザが構成を柔軟に調整し、さまざまな重要なトレードオフを探索することを可能にする。
ユーザビリティを示すために、100以上の地理的に分散したIoTデバイス、エッジサーバ、クラウドサービスの実際のテストベッド上で、ビデオ分析、フェデレーション学習、オーディオ分類のためのEdgeFaaS上の3つの代表的なワークフローの実装と評価を行う。
EdgeFaaSは、分散および異種リソース上で、これらのワークフローのデプロイメント構成を柔軟に探索することを可能にする。
例えば、ユーザは、IoT、エッジ、クラウドリソースにまたがるビデオ処理パイプラインの機能配置を簡単に変更でき、計算と通信のコストのトレードオフを研究することができる。
関連論文リスト
- Joint Sensing, Communication, and Computation for Vertical Federated Edge Learning in Edge Perception Network [75.78245138352698]
本稿では,統合されたセンサ,通信,および計算可能なエッジ認識ネットワークについて考察する。
複数のエッジデバイスは、無線信号を利用してローカルモデルを更新する環境情報を検知し、エッジサーバは、グローバルモデルトレーニングのためのオーバー・ザ・エア計算によるフィーチャの埋め込みを集約する。
まず、無線センシングノイズの存在下での損失関数の劣化とAirComp中の凝集歪みからISCC対応VFEELの収束挙動を解析する。
論文 参考訳（メタデータ） (2025-12-03T02:20:58Z) - Leveraging Federated Learning and Edge Computing for Recommendation
Systems within Cloud Computing Networks [3.36271475827981]
エッジインテリジェンスの鍵となる技術は、フェデレートラーニング(FL)として知られる、プライバシ保護機械学習パラダイムである。
ノード障害とデバイス終了を減らすため、階層的フェデレートラーニング(HFL)フレームワークが提案され、指定されたクラスタリーダが中間モデルアグリゲーションを通じてデータオーナをサポートする。
ユーザエクスペリエンスの品質(QoE)に対するソフトクリックの影響を軽減するため、著者らは、ユーザQoEを包括的なシステムコストとしてモデル化した。
論文 参考訳（メタデータ） (2024-03-05T17:58:26Z) - REFT: Resource-Efficient Federated Training Framework for Heterogeneous
and Resource-Constrained Environments [2.117841684082203]
分散システムでは、フェデレートラーニング(FL)が重要な役割を果たす。
FLは、機械学習のプライバシ強化サブドメインとして出現する。
我々は「不均一・資源制約環境のための資源効率の良いフェデレーション・トレーニング・フレームワーク」を提案する。
論文 参考訳（メタデータ） (2023-08-25T20:33:30Z) - EdgeConvEns: Convolutional Ensemble Learning for Edge Intelligence [0.0]
Deep Edge Intelligenceは、計算能力に制限のあるエッジネットワークに、計算に高価なトレーニングを必要とするディープラーニングモデルをデプロイすることを目的としている。
本研究では、エッジ上の不均一な弱モデルを訓練し、エッジ上のデータが不均一に分散されている場所でアンサンブルを学習する、EdgeConvEnsという畳み込み型アンサンブル学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-25T20:07:32Z) - 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) - ON-DEMAND-FL: A Dynamic and Efficient Multi-Criteria Federated Learning
Client Deployment Scheme [37.099990745974196]
フェデレート学習のためのクライアントデプロイメントアプローチであるOn-Demand-FLを導入する。
私たちはDockerのようなコンテナ技術を使って効率的な環境を構築しています。
遺伝的アルゴリズム(GA)は多目的最適化問題を解決するために用いられる。
論文 参考訳（メタデータ） (2022-11-05T13:41:19Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳（メタデータ） (2021-10-28T08:14:57Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z) - A Privacy-Preserving Distributed Architecture for
Deep-Learning-as-a-Service [68.84245063902908]
本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。
クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
論文 参考訳（メタデータ） (2020-03-30T15:12:03Z)
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。