来自中国、埃及、沙特阿拉伯、英国和卡塔尔的 RUDN 数学家和他的同事开发了一种算法,允许以最佳方式在物联网设备和云之间分配计算任务。结果,电力和时间成本降低了约三倍。该研究发表在《大数据》上。

RUDN 数学家找到新方法 将物联网设备的计算速度提高三倍

随着技术和设备的发展,物联网(IoT)应用需要越来越多的计算能力。物联网设备需要处理的数据量可能非常大,因此将计算迁移到云端是合理的。云计算提供了灵活的数据处理和存储能力。但是计算卸载,意味着将资源密集型流程转移到云,需要额外的能量和时间。此外,在信息传输期间,设备对恶意软件的保护较少。RUDN 数学家和他的同事提出了一种算法,可以将卸载时间和功耗降低 2.8 倍。该算法还通过额外的加密在卸载期间保护设备。


文献中出现了许多用于计算卸载的方法和模型,其目标是降低能耗、减少计算延迟和/或有效地分配无线电资源。然而,在复杂和动态的多用户无线系统中获得最佳卸载解决方案是一个具有挑战性的任务。此外,由于例如嗅探、干扰和窃听攻击,从移动设备到边缘设备传输过程中的数据安全是一个挑战。这些安全威胁在文献中的大多数卸载方法中都没有得到解决。我们提出了一种深度强化学习模型来处理多用户和多任务系统中的性能优化,这些系统能够在边缘服务器传输过程中保护数据, RUDN 大学的 Ammar Muthanna 博士s 应用数学和通信技术研究所。

RUDN 数学家找到新方法 将物联网设备的计算速度提高三倍

数学家在移动外围计算 (MEC) 框架内开发了卸载模型。该模型描述了一组连接到网络的设备——电话、计算机、智能设备和其他小工具——以及一个提供计算和存储服务的无线基站。每个设备都有一定数量的任务要在本地完成或传输到基站。数学家以方程系统的形式描述了数据计算和传输所需的功率和时间。对于这个系统,研究人员解决了优化问题,这意味着他们找到了一种算法,可以在设备和基站之间分配任务,从而将成本降至最低。为此,研究人员使用了机器学习。


他们使用真实系统模拟对算法进行了实验测试。它有五台移动设备,每台都运行一个人脸识别应用程序。从计算的角度来看,该任务由三个独立的计算任务组成,即人脸检测、预处理、特征提取和分类。所以总共有 15 个任务要同时执行。数学家将构建的模型与其他三种方法进行了比较——当所有计算任务都在本地、远程或随机分布在基站和移动设备之间时。事实证明,新算法将计算成本降低了 2-4 倍,具体取决于连接到系统的设备数量,平均降低了 64.7%。


在正在进行和未来的工作中,我们的模型中将添加一个新的有效压缩层。这一添加将压缩传输数据大小,以减少传输时间并提高整体系统性能。


免责声明

我来说几句

不吐不快,我来说两句
最新评论

还没有人评论哦,抢沙发吧~