محاسبات لبه با نزدیک کردن پردازش به منابع داده، باعث کاهش تأخیر میشود، اما در عین حال چالشهای جدیدی در زمینه مصرف انرژی برای منابع توزیعشده و دستگاههای دارای باتری ایجاد میکند. در این پژوهش، یک چارچوب مبتنی بر یادگیری ماشین ارائه میشود که مصرف انرژی را بهصورت پویا در محیطهای ناهمگون محاسبات لبه بهینه میسازد. رویکرد پیشنهادی ما شامل توزیع تطبیقی بار کاری، طراحی مدلهای یادگیری ماشین آگاه از سختافزار، و تکنیکهای استنتاج کممصرف است. این چارچوب از الگوریتمهای یادگیری، مانند یادگیری تقویتی، برای تخصیص وظایف میان گرههای لبه و منابع ابری بر اساس بار جاری و الگوهای مصرف انرژی استفاده میکند. ما این چارچوب را در یک سناریوی نماینده از اینترنت اشیا ارزیابی کردهایم و نتایج نشان میدهد که زمانبندی هدایتشده با یادگیری ماشین میتواند در مقایسه با راهبردهای تخصیص ایستا، حدود ۳۰ تا ۵۰ درصد مصرف انرژی را کاهش دهد، در حالی که محدودیتهای مربوط به تأخیر نیز حفظ میشوند. نوآوریهای اصلی این چارچوب شامل بهینهسازی چندهدفه پارامترهای محاسباتی و سختافزاری با الهام از DynaSplit، و نیز استفاده از فشردهسازی مدل و شتابدهندهها برای امکانپذیر کردن استنتاج کممصرف است. این نتایج نشاندهنده ظرفیت بالای مدیریت منابع مبتنی بر یادگیری ماشین برای دستیابی به محاسبات لبه پایدار هستند.
لینک مقاله:
