近期，我院林兵博士的研究成果“Cost-Driven Off-Loading for DNN-Based Applications Over Cloud, Edge, and End Devices” 研究成果在《IEEE Transactions on Industrial Informatics》上发表。
论文简介如下：
目前，深度神经网络（DNNs）在各种应用中取得了巨大的成功。传统的DNN在云端进行部署，当输入数据从终端设备传输到云端中时可能会导致严重延迟。为了解决这个问题，在云端、边缘端和终端设备组成的混合计算环境中，通过将云中较大的层（更多的数据）、边缘端以及终端设备上较小的层（更少的数据）结合起来，对DNN层进行卸载。在混合计算环境中，一个关键问题是如何在完成具有截止时间约束的卸载层的同时，最小化系统成本。本文提出了一种基于遗传算法（GA）算子的自适应离散粒子群优化（PSO）算法，以降低数据传输和执行DNN层带来的系统开销。这种方法考虑了DNNs在云端、边缘端和终端设备上的划分和卸载的特征。采用遗传算法中的变异算子和交叉算子，避免了粒子群算法的早熟收敛；通过增强粒子群算法的种群多样性，显著降低了系统成本。将所提出的卸载策略与基准方案进行了比较，结果表明，相对于基准方案，我们的策略可以有效地降低基于DNN的应用程序在云端、边缘端和终端设备上卸载的系统成本。
原文链接：https://ieeexplore.ieee.org/abstract/document/8941306
本网全文下载
Cost-Driven Off-Loading for DNN-Based Applications over Cloud, Edge and End Devices.pdf.pdf