XiaoMi-AI文件搜索系统
World File Search System边缘节点
已发布版本的引文 (APA)：Thorsager, M.、Leyva-Mayorga, I.、Soret, B. 和 Popovski, P. (2024)。人工智能通信系统的生成网络层。IEEE 网络快报，6 (2)，82-86。文章 10399967。https://doi.org/10.1109/LNET.2024.3354114
如果可以预测，就不需要传达。这是香农将信息定义为不确定性度量的直接结果。然而，数字通信系统主要在源头创建的数据在目的地是不可预测的前提下运行。因此，网络的标准目标是充当比特的哑管道，并确保源数据包的副本通过目的地到达，可能经过多跳。从今以后，中间节点和边缘节点的经典角色是将数据包从输入链路复制到一个或多个输出链路。网络编码 [1] 推广了这一角色，其中网络节点可以超越复制并以更通用的方式组合多个数据流。预测可以显著提高网络层的性能和资源利用率。例如，缓存 [2] 依赖于对可能与目的地相关的数据的预测：源先发制人地将数据传输到边缘节点，该节点存储该数据，直到目的地请求。在这里，源数据不需要实时传输；但边缘节点和目的地都会收到源生成的数据包的副本。网络预测的下一个飞跃是利用生成式人工智能 (GenAI) 及其创建合成数据的能力。具体来说，我们建议使用中间和边缘
Edge Cluster升级中的延迟感知容器调度
摘要 - 在移动边缘计算（MEC）中，物联网（IoT）设备将计算密集型任务卸载到边缘节点，在容器中执行它们，从而降低了对集中式云基础架构的依赖。集群软件升级对于保持边缘群集的有效且安全的操作至关重要。但是，由于其地理分布的性质和资源限制，传统的云群集升级策略不适合边缘群集。因此，至关重要的是，在边缘群集升级期间正确安排容器以最大程度地减少对运行任务的影响。本文提出了一种延迟感知的容器调度算法，以进行有效的边缘集群升级。特别：1）我们为边缘集群升级的在线容器调度问题制定，以最大程度地减少任务延迟。2）我们提出了一种基于策略梯度的增强学习算法，该学习算法通过考虑MEC的特征，包括异质资源，图像分布和低延迟要求来解决此问题。随后，基于自我注意的位置特征提取方法旨在完全提取和利用边缘节点分布。3）基于模拟和现实数据痕迹的实验表明，与基线算法相比，我们的算法将总任务潜伏期降低了约30％。
资源的数字双辅助增强学习...
摘要 - 集体式边缘计算（CEC）已成为有前途的范式，使边缘节点能够从最终设备进行协作并执行微服务。微服务卸载是一个根本重要的问题，它决定服务到达时何时何地执行微服务。然而，现实世界中CEC环境的动态性质通常会导致微服务效率低下的策略，从而导致资源不足和网络拥堵。为了应对这一挑战，我们制定了在线联合微服务折叠和带宽分配问题JMOBA，以最大程度地减少服务的平均完成时间。在本文中，我们引入了一种新颖的微服务卸载算法，DTDRLMO，该算法利用深度强化学习（DRL）和数字双技术。具体来说，我们采用数字双技术来预测和适应CEC实时的Edge节点负载和网络条件的变化。此外，此方法可以生成有效的卸载计划，为每个微服务选择最合适的边缘节点。对现实世界和合成数据集的仿真结果表明，在平均服务完成时间中，DDDRLMO在平均服务时间内优于启发式方法和基于学习的方法。索引术语 - Microservice卸载，深入强化学习，数字双胞胎，协作边缘计算
ABMS 和美国空军的数字 C2 革命 - 空军大学
和后勤部门的一位高级官员指出：“很遗憾，人们在加入军队时几乎与个人生活息息相关，而来到军队工作时却几乎与一切无关。”12 这一观察凸显了军队在纳入数字化增强功能方面落后于民用部门。国防部的巨额合同生产的设备旨在持续使用数十年，很少考虑升级或与其他军种甚至自己系统的互联互通。例如，空军备受推崇的第五代飞机平台 F-22 和 F-35 采用了不同的通信网络，这些网络不兼容，因此需要第三个平台（例如 ABMS 机载边缘节点）来在两者之间共享数据。13
节能且注重隐私的社交距离......
摘要 — 低分辨率红外 (IR) 传感器与机器学习 (ML) 相结合，可用于在室内空间实施隐私保护社交距离监控解决方案。然而，需要在物联网 (IoT) 边缘节点上执行这些应用程序，这使得能源消耗至关重要。在这项工作中，我们提出了一种节能的自适应推理解决方案，由一个简单的唤醒触发器和一个 8 位量化卷积神经网络 (CNN) 的级联组成，该解决方案仅用于难以分类的帧。在物联网微控制器上部署这种自适应系统，我们表明，在处理 8x8 低分辨率红外传感器的输出时，与基于静态 CNN 的方法相比，我们能够将能耗降低 37-57%，准确度下降不到 2%（83% 的平衡准确度）。索引术语 — 边缘计算、自适应推理、社交距离、能源效率、红外传感器
边缘计算上的人工智能：医疗保健......
摘要。人口老龄化给老年人及其护理人员的生活质量带来了许多挑战，也对医疗保健市场产生了影响。世界各地的多项举措都致力于利用人工智能 (AI) 技术帮助老龄人口，旨在促进更健康的社会，这构成了主要的社会和经济挑战。在本文中，我们重点关注环境辅助生活场景，在该场景中，智能家居环境用于协助家中的老年人，通过物联网传感器、智能医疗设备和边缘节点执行值得信赖的自动化复杂决策。核心思想是利用计算和信息生成源之间的接近性。直接在边缘上借助基于人工智能的技术做出自动化复杂决策，可以实现更快、更私密、更具情境感知的边缘计算赋能，即边缘智能。
增强学习的预计钟声方程
摘要 - 边缘计算在云和最终用户之间运行，并努力以很高的速度提供计算服务。由于计算和存储资源是数量的，因此将更多资源引导到某些计算作业将阻止（并传递到云）他人的执行。我们使用两个指标评估系统性能：作业计算时间和工作阻止概率。边缘节点通常在高度不可预测的环境中运行，并在资源允许时复制工作执行会改善工作平均执行时间。我们表明，工作计算时间随组数量增加，但阻塞概率却没有。也就是说，在工作计算时间和阻止概率之间存在一个权衡。本文采用平均系统时间作为单个系统的性能指标来评估权衡。我们得出的结论是，随着到达率和云时间的最大化组的最佳组数量。
通过模型交换来迈向Edgeai服务的低成本和能量意识推断
摘要 - 在过去的十年中，人工智能（AI）和Edge Computing（EC）的关键进步已导致Edgeai服务的发展，以提供对关键任务应用必不可少的智能和低潜伏期响应。但是，Edgeai服务对网络极端的扩展可能会面临挑战，例如负载波动，导致AI推断延迟以及对能源效率的担忧。本文提出了“模型交换”，其中Edgeai服务使用的模型将与另一个随时可用的模型交换，以便在运行时推理任务中实现成本和能源节省。ModelSwapper可以通过采用低成本算法技术来实现这一目标，该技术探讨了计算开销与模型准确性之间有意义的权衡。这样做，边缘节点通过用更简单的模型代替复杂模型来适应负载波动，从而满足所需的延迟需求，尽管不确定性较高。我们使用两种EDGEAI服务（对象检测，NLU）进行评估表明，ModelSwapper可以显着减少至少27％和68％的能量使用和推理延迟，而准确性仅降低了1％。索引术语 - 机器学习，边缘计算
利用 LSTM 和强化学习实现 CIoT 节点中的自适应感知
摘要 — 无线传感器网络 (WSN) 在消费者物联网 (CIoT) 中提供了广泛的应用。WSN 中的传感器节点配备了一系列传感器，这些传感器通常会遇到能源供应有限的问题。因此，本文针对多传感节点提出了一种联合长短期记忆 (LSTM) 和强化学习的边缘智能框架。这种新颖的策略旨在通过在边缘节点使用基于 Q 学习的优化函数解决传感信号之间的互相关与传感器能耗之间的权衡，在测量周期内估计一组最佳的活动传感器。采用基于 LSTM 的预测模型从活动传感器监测的互相关传感信号中预测非活动传感器监测的传感信号。为了评估所提出的框架在 CIoT 节点中的性能，在空气污染监测数据集上模拟了该算法。模拟结果证实了所提出的框架的有效性和效率。与目前最先进的方法相比，所提出的算法在错误性能方面提高了 13%，在感知能耗方面提高了 27%，同时保持了非活动和活动传感器集之间互相关系数的下限。