효율적인 신경망 특징 압축을 통한 모바일 엣지 컴퓨팅을 위한 얕은 변분 병목 주입
모바일 AI 가속기의 등장으로 지연에 민감한 애플리케이션이 클라이언트 측에서 경량 심층 신경망(DNN)을 실행할 수 있게 되었지만, 중요한 애플리케이션은 강력한 모델이 필요하며 엣지 장치에서 호스팅할 수 없기 때문에 요청을 오프로드해야 한다. 이 연구는 DNN 계층을 장치 간에 분할하는 대신 지역 리소스를 기계 해석 가능성을 위해 최적화된 변분 압축에 집중하는 것을 제안한다.
RIS를 활용한 협력 모바일 엣지 컴퓨팅: 상향링크 및 하향링크 자원 할당을 통한 계산 효율 극대화
본 논문은 RIS와 협력 전송을 활용하여 모바일 엣지 컴퓨팅 시스템의 계산 효율을 극대화하는 방법을 제안한다. 사용자 연결, 수신/하향링크 빔포밍 벡터, 사용자 송신 전력, 로컬 계산 및 오프로딩을 위한 작업 분할 전략, RIS의 상향/하향링크 위상 천이를 결합하여 최적화한다.
모바일 엣지 컴퓨팅에서 딥 강화 학습을 통한 태스크 그래프 오프로딩
동적 환경에서 엣지 컴퓨팅 디바이스의 시간 변화하는 계산 능력을 고려하여 사용자 경험을 향상시키기 위한 딥 강화 학습 기반의 태스크 그래프 오프로딩 전략
모바일 엣지 컴퓨팅에서 불확실성 하에 애플리케이션 배치 문제를 해결하기 위한 기계 학습 기반 접근법
모바일 엣지 컴퓨팅 서버에 애플리케이션을 배치하는 문제는 많은 서버, 사용자 및 요청을 포함하는 복잡한 과제입니다. 기존 알고리즘은 상당한 불확실성 시나리오가 있는 고차원 문제를 해결하는 데 오랜 시간이 걸립니다. 따라서 모든 기술적 제약 조건을 고려하면서 서비스 품질을 최대화할 수 있는 효율적인 접근 방식이 필요합니다. 이러한 접근 방식 중 하나는 기계 학습으로, 엣지 서버에서 애플리케이션 배치에 대한 최적의 솔루션을 모방합니다.
모바일 엣지 컴퓨팅에서 불확실성 하에 애플리케이션 배치 문제를 해결하기 위한 기계 학습 기반 접근법
모바일 엣지 컴퓨팅 서버에 애플리케이션을 배치하는 문제는 많은 서버, 사용자 및 요청을 포함하는 복잡한 과제이다. 기존 알고리즘은 상당한 불확실성 시나리오가 있는 고차원 문제를 해결하는 데 오랜 시간이 걸린다. 따라서 모든 기술적 제약 조건을 고려하면서 서비스 품질을 최대화할 수 있는 효율적인 접근 방식이 필요하다. 이러한 접근 방식 중 하나는 기계 학습으로, 엣지 서버에서 애플리케이션 배치에 대한 최적의 솔루션을 모방한다.
모바일 엣지 컴퓨팅 환경에서 올-페이 경매 기반 이윤 극대화 기법
제안된 기법은 올-페이 경매 모델을 기반으로 하여 엣지 클라우드의 이윤을 극대화하고 모든 사용자가 서비스를 받을 수 있도록 보장한다.
© 2024 by Linnk AI