边缘网络零触及配置中的分布式人工智能:挑战与研究方向
在 6G 网络中,我们引入了一种新颖的平台架构,通过基于区块链的智能系统部署零触碰的 PAI 作为服务(PAIaaS),旨在在架构的各个层面上标准化普适的人工智能,并统一接口,以便跨应用程序和基础设施领域轻松部署服务,解决用户在成本、安全和资源分配方面的担忧,并同时遵守 6G 严格的性能要求。作为概念验证,我们展示了联邦学习作为服务的用例,通过评估我们所提出的系统自我优化和自适应于 6G 网络的动态,并最大程度地减少用户的感知成本。
Jul, 2023
本文讨论了在 5G/6G 通信网络中集成零信任 (ZT) 原则的关键性需求,提出了 i-ZTA 的概念作为 5G/6G 网络中的安全框架,并通过机器学习的方式,在实时监控网络状态、评估个别访问请求风险和决定访问授权等方面为未来网络设计提供了新的研究方向。
May, 2021
通过开发并建立新的方法,KDT NEUROKIT2E 项目旨在为边缘设备上的人工智能应用提供新的开源框架,其中包括量化、剪枝感知训练和稀疏化等创新技术,以显著扩展此类设备的功能范围,利用本地资源来处理复杂的机器学习任务,为创新的学习方法奠定基础。
Nov, 2023
利用 FPGAs 和 AI 加速器,边缘物联网设备实现了计算能力的大幅提升,研究探讨了通过 AI 设备实现分布式数据处理的方法,并提出了在分布式学习环境中管理不确定性的一种新方法,即贝叶斯神经网络。
Mar, 2024
这篇文章提出了一种全面的 MAC 层方法,通过智能用户关联和资源分配,灵活的适应性移动管理以及阻塞最小化等功能来实现系统的最大可靠性。
Aug, 2022
零触式网络和服务管理(ZSM)框架是第五代(5G)及其之后(5G+)网络管理的新兴范式,通过自动化的自管理和自愈能力应对现代网络的日益复杂和不断增长的数据量。该研究通过综述零触式网络(ZTNs)的领域,探讨了 ZSM 框架中的网络优化、流量监控、能源效率和安全性等方面。研究发现,将自动化机器学习(AutoML)应用于 ZTNs 中,可以降低网络管理成本并提高性能。实验结果表明,AutoML 对于应用吞吐量的预测具有卓越的准确性。将 AutoML 与 ZSM 概念集成,显著降低了网络配置和管理工作量,使运营商能够更多地投入时间和资源到其他重要任务。该研究还提供了一个集成 AutoML 和 ZSM 概念的高层 5G 系统架构。研究突显了 ZTNs 和 AutoML 在改进 5G + 网络管理方面的潜力,实现自动化决策,并使网络运营商能够实现更高的效率、更好的性能和更优化的用户体验。
Dec, 2023
人工智能(AI)技术已成为众多行业的关键驱动力,包括消费电子、医疗保健和制造业,主要得益于过去十年间的复苏。AI 的变革力量主要来自于深度神经网络(DNN)的应用,其需要大量的训练数据和大量的计算资源进行处理。然而,由于与云通信相关的潜在延迟问题,深度学习(DL)工作流越来越多地过渡到靠近终端用户设备(EUDs)的无线边缘网络上。这种转变旨在支持对延迟敏感的应用,并催生了边缘 AI 的新范式,这将在即将到来的 6G 网络中支持无处不在的 AI 应用。尽管具有潜力,但边缘 AI 面临重大挑战,主要是由于无线边缘网络的资源限制和 DL 的资源密集性之间的矛盾。为确保性能既最佳又可持续,这需要对边缘 AI 采取注重能源的方法。因此,本文提供了关于绿色边缘 AI 的现代综述。我们首先分析了边缘 AI 系统的主要能源消耗组成部分,以确定绿色边缘 AI 的基本设计原则。在这些原则的指导下,我们进一步探讨了边缘 AI 系统中三个关键任务的能效设计方法,包括训练数据获取、边缘训练和边缘推理。最后,我们强调了进一步增强边缘 AI 能效的潜在未来研究方向。
Dec, 2023
全球正在努力减少全球温室气体(GHG)排放(主要是碳排放)到 2030 年减半并在 2050 年达到净零。本文提出了一个评估框架,用于分析网络 AI 实现的生命周期,并引入了一种名为 DETA 的联合动态能源交易和任务分配优化框架,以减少网络 AI 系统的碳排放。根据硬件原型上的实验结果,我们的解决方案可以将网络 AI 系统的碳排放减少多达 74.9%。最后,讨论了待解决的问题和未来方向。
Sep, 2023
本文介绍了边缘计算智能(如边缘人工智能 / 机器学习)的应用和挑战,为解决现有方法存在的采用障碍,提出了一种基于模型为中心的设计,以建立分散体系结构下的高效协作学习。
Jun, 2023