针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consump...针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consumption model,IECM),用于预测和优化服务器的能量消耗。通过收集服务器运行时间参数,使用熵值法筛选和保留显著影响服务器能耗的参数。基于选定的参数,利用ConvLSTM神经网络训练服务器能耗模型的深度网络。与现有的能耗模型相比,IECM在CPU密集型、I/O密集型、内存密集型和混合型任务上,能够适应服务器工作负载的动态变化,并在能耗预测上具有更好的准确性。展开更多
随着工业化和城市化的快速发展,环境监测的重要性日益凸显,然而传统监测方法受限于高昂成本、布局困难和维护挑战,难以实现全面和实时的监测.群智感知作为一种新兴的环境监测方法,利用广泛使用的高度智能设备和集成传感器进行环境数据...随着工业化和城市化的快速发展,环境监测的重要性日益凸显,然而传统监测方法受限于高昂成本、布局困难和维护挑战,难以实现全面和实时的监测.群智感知作为一种新兴的环境监测方法,利用广泛使用的高度智能设备和集成传感器进行环境数据的大规模收集和实时传输.但现有研究很少同时考虑到数据隐私保护、工作平衡以及系统成本,导致在实际应用中难以达到预期效果.为解决这一问题,本文提出一种能适用于环境监测群智感知的低成本、高效率方法(Adaptive Federated Learning based Crowd Sensing algorithm for Environmental Monitoring,AFL-CSEM).具体而言,考虑系统中的资源限制、设备异构性和数据非独立同分布等挑战,本文结合群智感知与联邦学习技术进行了系统建模,在用户设备上进行本地模型训练,仅共享模型参数,有效保护数据隐私;进行系统的收敛性分析,得到基于联邦学习的群智感知算法在非独立同分布数据分布下的收敛界限;为了减少设备异构性影响,依据收敛性分析的结果,设计一种自适应控制方法,动态调整局部更新频率和批大小,以适应异构与动态的监测环境.通过在真实数据集上的比较,所有实验结果一致证明了本文所提出算法的有效性,AFL-CSEM算法在减少计算和通信开销、降低经济成本的同时,提升了模型训练的效率与精度,为环境监测领域的群智感知提供了一种新颖且具有参考价值的解决方案.展开更多
文摘针对现有能耗模型对动态工作负载波动具有低敏感性和低精度的问题,该文基于卷积长短期记忆(convolutional long short-term memory, ConvLSTM)神经网络,提出了用于移动边缘计算的服务器智能能耗模型(intelligence server energy consumption model,IECM),用于预测和优化服务器的能量消耗。通过收集服务器运行时间参数,使用熵值法筛选和保留显著影响服务器能耗的参数。基于选定的参数,利用ConvLSTM神经网络训练服务器能耗模型的深度网络。与现有的能耗模型相比,IECM在CPU密集型、I/O密集型、内存密集型和混合型任务上,能够适应服务器工作负载的动态变化,并在能耗预测上具有更好的准确性。
文摘随着工业化和城市化的快速发展,环境监测的重要性日益凸显,然而传统监测方法受限于高昂成本、布局困难和维护挑战,难以实现全面和实时的监测.群智感知作为一种新兴的环境监测方法,利用广泛使用的高度智能设备和集成传感器进行环境数据的大规模收集和实时传输.但现有研究很少同时考虑到数据隐私保护、工作平衡以及系统成本,导致在实际应用中难以达到预期效果.为解决这一问题,本文提出一种能适用于环境监测群智感知的低成本、高效率方法(Adaptive Federated Learning based Crowd Sensing algorithm for Environmental Monitoring,AFL-CSEM).具体而言,考虑系统中的资源限制、设备异构性和数据非独立同分布等挑战,本文结合群智感知与联邦学习技术进行了系统建模,在用户设备上进行本地模型训练,仅共享模型参数,有效保护数据隐私;进行系统的收敛性分析,得到基于联邦学习的群智感知算法在非独立同分布数据分布下的收敛界限;为了减少设备异构性影响,依据收敛性分析的结果,设计一种自适应控制方法,动态调整局部更新频率和批大小,以适应异构与动态的监测环境.通过在真实数据集上的比较,所有实验结果一致证明了本文所提出算法的有效性,AFL-CSEM算法在减少计算和通信开销、降低经济成本的同时,提升了模型训练的效率与精度,为环境监测领域的群智感知提供了一种新颖且具有参考价值的解决方案.
