論文の概要: Making the Telemetry Pipeline Measurable: An Edge IoT Testbed and Dataset for End-to-End Latency, Provenance, and Energy-Aware Benchmarking

• arxiv url: http://arxiv.org/abs/2610.35591v1
• Date: Mon, 26 Oct 2026 15:19:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.04945
• Title: Making the Telemetry Pipeline Measurable: An Edge IoT Testbed and Dataset for End-to-End Latency, Provenance, and Energy-Aware Benchmarking
• Title（参考訳）: テレメトリパイプラインを計測可能にする - エッジIoTテストベッドと、エンドツーエンドのレイテンシ、メリット、エネルギ対応ベンチマークのためのデータセット
• Abstract要約: 時系列,証明,エネルギーを第1級テレメトリ次元に高める,測定ファーストのエッジIoTテストベッドとデータセットについて紹介する。 i)圧縮されたAvroストリームとして再生可能な生イベントと(ii)効率的なクエリとベンチマークのためにパーティショニングされた分析可能なロングフォーマットのParquetテーブルです。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Edge-centric IoT systems are increasingly evaluated through sensor values or platform features, yet the telemetry pipeline itself, the sequence of sensing, serialization, message mediation, ingestion, and persistence, is rarely released as a measurable object. This limits reproducible benchmarking of timeliness, provenance, and operational cost, especially in early-stage IoT design where real deployments and high-quality open data are often unavailable. I present a measurement-first edge IoT testbed and dataset that elevate timeliness, provenance, and energy to first-class telemetry dimensions. The testbed operationalizes a role-based event-driven architecture with explicit Source-Broker-Aggregator responsibilities and a schema-governed TelemetryMessage envelope (Avro) that embeds correlation identifiers and a uniform, cross-role vocabulary of stage-level timestamps. To trace mediation effects, I extend an MQTT broker (Eclipse Mosquitto) with a plugin that annotates messages with high-precision ingress/egress timestamps. I release the dataset in a dual representation: (i) replayable raw events as compressed Avro streams and (ii) analysis-ready long-format Parquet tables partitioned for efficient query and benchmarking, generated by a deterministic raw-to-tabular transformation pipeline. The contribution is an integrated engineering artifact and dataset built from established components. The demonstration describes one deployment through latency summaries, measurement-context distributions, and energy aggregates; it does not establish a new attribution method or a controlled performance benchmark. By co-releasing heterogeneous telemetry with pipeline timing and energy signals in both replayable and queryable forms, the artifact provides a basis for reproducible exploratory analysis and subsequent benchmarking studies.
• Abstract（参考訳）: エッジ中心のIoTシステムは、センサ値やプラットフォーム機能を通じてますます評価されているが、テレメトリパイプライン自体、センシング、シリアライゼーション、メッセージメディエーション、取り込み、永続性のシーケンスは、測定可能なオブジェクトとしてリリースされることはめったにない。 これにより、実際のデプロイメントと高品質なオープンデータがしばしば利用できないアーリーステージのIoT設計において、タイムライン、前兆、運用コストの再現可能なベンチマークが制限される。 時系列,証明,エネルギーを第1級テレメトリ次元に高める,測定ファーストのエッジIoTテストベッドとデータセットについて紹介する。 テストベッドは、ソース・ブローカー・アグリゲータの責任を明確にしたロールベースのイベント駆動アーキテクチャと、相関識別子とステージレベルのタイムスタンプの均一なクロスロール語彙を組み込んだスキーマ管理型テレメトリメッセージエンベロープ(Avro)を運用する。 仲介効果をトレースするために、MQTTブローカ(Eclipse Mosquitto)を、高精度な入力/出力タイムスタンプでメッセージにアノテートするプラグインで拡張します。 私はデータセットを二重表現でリリースします。 (i)圧縮されたAvroストリームとして再生可能な生イベント (II) 分析可能な長文のParquetテーブルを分割して, 決定論的生-タブラル変換パイプラインによって生成される, 効率的なクエリとベンチマークを行う。 コントリビューションは、確立したコンポーネントから構築された、統合されたエンジニアリングアーティファクトとデータセットである。 デモでは、レイテンシの要約、測定コンテキストの分散、エネルギー集約を通じた1つのデプロイについて説明している。 不均一なテレメトリをパイプラインのタイミングとエネルギー信号と共に再生可能およびクエリ可能の両方の形式でリリースすることにより、この成果物は再現可能な探索分析とその後のベンチマーク研究の基礎を提供する。

関連論文リスト

• Flower Hub: A Reproducible Benchmarking Platform for Federated Learning in Simulation and Deployment [51.83961778298564]
  Flower Hubは、分散およびフェデレーションされたアプリケーションを公開、発見、実行するためのプラットフォームです。 ベンチマークを実行可能としてパッケージングすることで再現性のあるベンチマークを実現する方法、標準化されたメタデータを備えたバージョン管理されたアプリケーション、ピン付き依存関係、明示的な評価について示す。
  論文  参考訳（メタデータ） (2026-08-25T20:09:44Z)
• Identifying and Mitigating Systemic Measurement Bias in Production LLM Inference Benchmarks [5.044646432723069]
  ベンチマークユーティリティは、基本的なクライアント側キューのボトルネックを導入する、シングルプロセスの非同期駆動アーキテクチャに依存していることを示す。 クライアント側の負荷を効果的に分散し、無視可能なキューオーバヘッドを保証する、バイアスのないマルチプロセス評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-22T20:57:26Z)
• LeJOT-AutoML: LLM-Driven Feature Engineering for Job Execution Time Prediction in Databricks Cost Optimization [27.72622904072875]
  Databricksのジョブオーケストレーションシステム(例:LeJOT)は、レイテンシと依存性の制約を満たしながら、低価格の計算を選択することで、クラウドコストを削減する。 既存のパイプラインは、静的で手動で構築されたランタイム効果に依存している。 エージェント駆動型AutoMLフレームワークであるLeJOT-AutoMLについて,MLライフサイクルを通じて大規模言語モデルエージェントを組み込む。
  論文  参考訳（メタデータ） (2026-03-09T02:31:50Z)
• From Ad-Hoc Scripts to Orchestrated Pipelines: Architecting a Resilient ELT Framework for Developer Productivity Metrics [0.0]
  本稿では,レガシスケジューリングからロバストなExtract-Load-Transformパイプラインへの移行経験について報告する。 メトリクスパイプラインをプロダクショングレードの分散システムとして扱うことは、持続可能なエンジニアリング分析の前提条件である。
  論文  参考訳（メタデータ） (2026-02-25T04:46:08Z)
• Causify DataFlow: A Framework For High-performance Machine Learning Stream Computing [0.0]
  我々は、無制限の時系列データ上に機械学習システムを構築し、テストし、デプロイするための計算フレームワークであるDataFlowを紹介する。 従来のデータサイエンスは有限データセットを前提としており、バッチプロトタイプからストリーミングプロダクションシステムに移行する際には、かなりの再実装が必要である。 DataFlowは、ポイント・イン・タイムの理想性を持つ非循環グラフに基づいて、これらの問題を統一された実行モデルで解決する。
  論文  参考訳（メタデータ） (2025-12-30T04:24:04Z)
• Stream RAG: Instant and Accurate Spoken Dialogue Systems with Streaming Tool Usage [66.67531241554546]
  従来のASR-LLM-TTSパイプラインに代わる強力な対話システムとして、エンドツーエンドの音声対話システムが登場している。 本稿では,音声入力システムに直接ツールの使用を拡張するための最初のアプローチを紹介する。 提案するStreaming Retrieval-Augmented Generation (Streaming RAG) は,ユーザ音声と並行してツールクエリを予測することにより,ユーザ知覚のレイテンシを低減する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-10-02T14:18:20Z)
• ADVMEM: Adversarial Memory Initialization for Realistic Test-Time Adaptation via Tracklet-Based Benchmarking [49.57556157169541]
  テスト時間適応(TTA)手法をベンチマークするための新しいトラックレットベースのデータセットを提案する。 このデータセットの目的は、ハンドヘルドカメラや自動運転車によって撮影された画像など、現実世界の環境で遭遇する複雑な課題を模倣することである。
  論文  参考訳（メタデータ） (2025-09-02T10:45:33Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Deployment Prior Injection for Run-time Calibratable Object Detection [58.636806402337776]
  検出器に追加のグラフ入力を導入し、事前にグラフが配置コンテキストを表す。 テストフェーズでは、事前に適切なデプロイメントコンテキストをグラフ編集を通じて検出器に注入することができる。 事前の配置が分かっていない場合でも、検出器は独自の予測を用いて、事前に近似した配置を用いて自己校正を行うことができる。
  論文  参考訳（メタデータ） (2024-02-27T04:56:04Z)

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。