无线供能移动边缘计算(wireless powered-mobile edge computing,WP-MEC)集成了移动边缘计算和无线功率传输技术,旨在解决移动设备计算能力不足和持续能源供应问题。然而由于WP-MEC中不同边缘服务器供电能力和计算能力不同、移动设备需...无线供能移动边缘计算(wireless powered-mobile edge computing,WP-MEC)集成了移动边缘计算和无线功率传输技术,旨在解决移动设备计算能力不足和持续能源供应问题。然而由于WP-MEC中不同边缘服务器供电能力和计算能力不同、移动设备需执行任务的延迟忍耐时间异构,以及移动设备与服务器之间时变的无线信道给系统时间资源分配和任务处理带来了巨大挑战。基于此,从WP-MEC网络的异构服务器选择、计算卸载和资源分配联合优化的角度开展研究,为提高系统有效计算率,提出了基于延迟敏感性任务加权平均的坐标下降(joint optimization scheduling algorithm with weighted average of delay-sensitive tasks and coordinate descent,WADT_CD)联合调度算法。首先,综合考虑时变无线信道增益、异构任务延迟、异构边缘服务器的发射功率和计算能力,设计基于延迟敏感性任务加权平均(scheme of weighted average of delay-sensitive tasks,WADT)的异构服务器选择策略。其次,考虑WP-MEC网络模型特性,设计基于一维时间变量二分搜索的坐标下降(method of coordinate descent,CD)算法解决移动设备卸载决策和时间资源分配问题。最后,通过仿真实验与多种算法进行对比,验证了所提方法的优越性,并且分析了在不同规模边缘设备、异构任务比例时所提算法的有效性。展开更多
虽然异构计算系统的应用可以加快神经网络参数的处理,但系统功耗也随之剧增。良好的功耗预测方法是异构系统优化功耗和处理多类型工作负载的基础,基于此,通过改进多层感知机-注意力模型,提出一种面向CPU/GPU异构计算系统多类型工作负载...虽然异构计算系统的应用可以加快神经网络参数的处理,但系统功耗也随之剧增。良好的功耗预测方法是异构系统优化功耗和处理多类型工作负载的基础,基于此,通过改进多层感知机-注意力模型,提出一种面向CPU/GPU异构计算系统多类型工作负载的功耗预测算法。首先,考虑服务器功耗与系统特征,建立一种基于特征的工作负载功耗模型;其次,针对现有的功耗预测算法不能解决系统特征与系统功耗之间的长程依赖的问题,提出一种改进的基于多层感知机-注意力模型的功耗预测算法Prophet,该算法改进多层感知机实现各个时刻的系统特征的提取,并使用注意力机制综合这些特征,从而有效解决系统特征与系统功耗之间的长程依赖问题;最后,在实际系统中开展相关实验,将所提算法分别与MLSTM_PM(Power consumption Model based on Multi-layer Long Short-Term Memory)和ENN_PM(Power consumption Model based on Elman Neural Network)等功耗预测算法对比。实验结果表明,Prophet具有较高的预测精准性,与MLSTM_PM算法相比,在工作负载blk、memtest和busspd上将平均相对误差(MRE)分别降低了1.22、1.01和0.93个百分点,并且具有较低的复杂度,表明了所提算法的有效性及可行性。展开更多
针对在工业环境下因图片数据样本量较小影响带钢表面缺陷检测分类精度,通常采用数据增广策略但需保证细节特征多样性的问题,提出了一种多样性激励深度卷积生成对抗网络VS-DCGAN(variety-stimulation deep convolutional generation adve...针对在工业环境下因图片数据样本量较小影响带钢表面缺陷检测分类精度,通常采用数据增广策略但需保证细节特征多样性的问题,提出了一种多样性激励深度卷积生成对抗网络VS-DCGAN(variety-stimulation deep convolutional generation adversal network)和MobileViT的带钢表面缺陷分类方法。首先,引入深度卷积生成对抗网络,利用通道注意力机制和多样性激励模块对其进行改进;再用VS-DCGAN对原始数据集进行扩充并保证细节特征多样性;然后,在扩充后的带钢表面缺陷数据集上训练轻量级分类网络MobileViT;最终实现带钢表面缺陷的分类。实验结果表明,多样性激励深度卷积生成对抗网络可以生成与原始图像数据分布相似且细节特征更丰富的带钢表面缺陷图片,达到了数据增强的目的;且扩充后的数据集能够使得轻量级分类网络MobileViT的训练效果更优异,3个版本的分类准确率分别为97.33%、98.66%、97.33%,分别提高了0.33%、1.5%、2.13%,高效地实现了带钢表面缺陷分类。展开更多
文摘无线供能移动边缘计算(wireless powered-mobile edge computing,WP-MEC)集成了移动边缘计算和无线功率传输技术,旨在解决移动设备计算能力不足和持续能源供应问题。然而由于WP-MEC中不同边缘服务器供电能力和计算能力不同、移动设备需执行任务的延迟忍耐时间异构,以及移动设备与服务器之间时变的无线信道给系统时间资源分配和任务处理带来了巨大挑战。基于此,从WP-MEC网络的异构服务器选择、计算卸载和资源分配联合优化的角度开展研究,为提高系统有效计算率,提出了基于延迟敏感性任务加权平均的坐标下降(joint optimization scheduling algorithm with weighted average of delay-sensitive tasks and coordinate descent,WADT_CD)联合调度算法。首先,综合考虑时变无线信道增益、异构任务延迟、异构边缘服务器的发射功率和计算能力,设计基于延迟敏感性任务加权平均(scheme of weighted average of delay-sensitive tasks,WADT)的异构服务器选择策略。其次,考虑WP-MEC网络模型特性,设计基于一维时间变量二分搜索的坐标下降(method of coordinate descent,CD)算法解决移动设备卸载决策和时间资源分配问题。最后,通过仿真实验与多种算法进行对比,验证了所提方法的优越性,并且分析了在不同规模边缘设备、异构任务比例时所提算法的有效性。
文摘虽然异构计算系统的应用可以加快神经网络参数的处理,但系统功耗也随之剧增。良好的功耗预测方法是异构系统优化功耗和处理多类型工作负载的基础,基于此,通过改进多层感知机-注意力模型,提出一种面向CPU/GPU异构计算系统多类型工作负载的功耗预测算法。首先,考虑服务器功耗与系统特征,建立一种基于特征的工作负载功耗模型;其次,针对现有的功耗预测算法不能解决系统特征与系统功耗之间的长程依赖的问题,提出一种改进的基于多层感知机-注意力模型的功耗预测算法Prophet,该算法改进多层感知机实现各个时刻的系统特征的提取,并使用注意力机制综合这些特征,从而有效解决系统特征与系统功耗之间的长程依赖问题;最后,在实际系统中开展相关实验,将所提算法分别与MLSTM_PM(Power consumption Model based on Multi-layer Long Short-Term Memory)和ENN_PM(Power consumption Model based on Elman Neural Network)等功耗预测算法对比。实验结果表明,Prophet具有较高的预测精准性,与MLSTM_PM算法相比,在工作负载blk、memtest和busspd上将平均相对误差(MRE)分别降低了1.22、1.01和0.93个百分点,并且具有较低的复杂度,表明了所提算法的有效性及可行性。
