Feb, 2023

基于资源使用预测的边缘智能主动容错

PDF
TL;DR本文提出了一种利用循环神经网络（RNN）预测边缘资源使用情况和触发主动节点复制和任务迁移的智能主动容错（IPFT）方法，同时使用创新的混合贝叶斯进化策略（HBES）算法自动适应资源使用模型，实验结果表明该方法可显著提高可靠性和可维护性。
发现论文，激发创造
  • DeepFT: 基于自监督深度替代模型的容错边缘计算

    提出一种新的建模方法 DeepFT，通过优化任务调度和迁移决策，采用深度代理模型和基于自我监督学习的协同模拟，来预测和诊断系统中的故障，从而在资源有限的边缘计算中实现高可靠性

    Dec, 2022

  • 物联网网络中联合边缘智能的资源效率优化

    本文提出了一种新的框架，叫做联合边缘智能（FEI），以评估物联网网络的能量成本和边缘服务器的本地数据处理能力，从而使边缘服务器适时地请求足够训练令人满意的模型所需的数据。同时，本文引入了映射函数来评估边缘服务器的计算负载，最后采用基于 ADMM 的方法来优化物联网网络的能量成本和边缘服务器的平均计算资源利用率。该文证明，所提出的算法不会泄露任何数据，也不会泄漏物联网网络的拓扑信息。仿真结果表明，FEI 框架可以在有限的牺牲模型收敛性能的情况下，显著提高物联网网络和边缘服务器的资源效率。

    Nov, 2020

  • 通过边缘 PRUNE 框架实现容错协同推理

    本文提出了基于形式化定义的 Edge-PRUNE 分布式计算框架，旨在为容错协作推断提供灵活的基础设施。实验结果显示了通过协作推断实现的可行推断时间节省及其花费。

    Jun, 2022

  • 基于循环趋势预测神经网络的智能家居可预测调度下的可再生能源管理

    本文提出了一种高级 ML 算法 rTPNN-FES，该算法可以同时预测可再生能源发电和安排家庭用电，并能够消除预测和调度的差异，为智能家居提供了高效的需求控制和节约能源的解决方案。

    Jul, 2023

  • BayesFT: 基于贝叶斯优化的容错神经网络架构

    本文提出了使用贝叶斯优化来提高深度神经网络抗重量漂移性能的方法，并使用 dropout 来提高网络的鲁棒性。实验结果表明该方法在各种任务（例如图像分类和目标检测）中优于现有技术。

    Sep, 2022

  • 图神经网络与强化学习在主动应用图像布局中的应用

    该论文将云计算转向云边界连续体的转变与数据密集型和交互式应用程序所面临的新机遇和挑战联系起来。作者提出了一种将图神经网络和强化学习中的演员 - 评论家方法相结合的主动式图像部署方法，并通过实证评估和与其他解决方案的比较来验证其有效性。结果表明，这种方法在应用程序部署方面始终取得了卓越的成果。

    Apr, 2024

  • 云网络融合 5G 以后的服务预测和编排的 QoS 感知

    本文通过引入基于 RNN 的 DDQL 技术和基于 water-filling 算法的服务放置方法，解决了网络云集成环境中的服务放置和资源分配问题，从而实现在 B5G 中动态用户、超低延迟服务的放置以及用户迁移时的服务连续性的优化。

    Sep, 2023

  • 深雾守护者：从边缘到云端的抗故障深度神经网络推断

    通过引入深度模型增强方案 deepFogGuard，我们提出了一个用于防止分布式深度神经网络 (DDN) 推理任务失败的模型，该模型使用分配的跳过超链接作为设计基础，并使用两个真实数据集进行了 extensive 的实验证明。

    Sep, 2019

  • 面向预测维护场景的故障树拓展

    该论文提出了一种扩展故障树的方法，以解决预测性维护问题，并提供了一些使用案例来支持在具体工业环境中对其进行建模和分析。

    Mar, 2024

  • 自组织机器人网络拓扑恢复能力预测：一种基于数据驱动的容错方法

    通过基于贝叶斯高斯混合模型的两条途径的数据驱动模型，我们将自组织机器人网络的拓扑 (不可) 恢复性预测问题解决为一个二元分类问题，并成功地预测了典型问题的解决方案。

    Oct, 2023