XiaoMi-AI文件搜索系统
World File Search System网络带宽
边缘 AI 路线图：Dagstuhl 视角
随着近期研究和开发的进行，“边缘”本身仍然是一个模糊的术语。不同的社区和研究人员 2 缺乏关于边缘是什么、它位于何处以及谁提供它的普遍接受的定义。人们对其属性有共同的理解：与云相比，其特征是接近性（延迟和拓扑）、网络容量增加（有效实现的数据传输速率）、计算能力较低、规模较小、设备异构性较高。与终端设备（最后一跳）相比，它具有增加的计算和存储资源。它是一个抽象实体，可以卸载计算和存储，而无需绕道到云端。当前的 AI 和 ML 方法需要强大的计算基础设施 [5]，而数据中心拥有充足的可用计算和数据存储资源，可以更好地满足这一需求。但是，将必要的原始数据发送到云端会给网络带宽和吞吐量带来压力。同时，组织通常不太愿意与商业云提供商共享（可能受到限制的）数据。快速发展的边缘 AI 领域解决了这一紧张局势。如图 1 所示，边缘 AI 已逐渐进入主流服务领域，例如联网汽车、实时游戏、智能工厂和医疗保健。从基础设施的角度来看，边缘环境为 AI 提供了一个独特的层，
触及边缘：空间图像分析
由于卫星部件尺寸和成本的减小，卫星的使用范围越来越广。因此，一些规模较小的组织已经有能力部署卫星，并在卫星上运行各种数据密集型应用程序。一种流行的应用是图像分析，用于检测陆地、冰、云等。用于地球观测。然而，部署在卫星上的设备的资源受限性质为这种资源密集型应用带来了额外的挑战。在本文中，我们介绍了为该卫星构建图像处理单元 (IPU) 的工作和经验教训。我们首先强调基于部署卫星对在轨卫星图像进行机器学习的资源限制，包括所需的延迟、功率预算和推动这种解决方案需求的网络带宽限制。然后，我们研究了各种边缘设备（比较 CPU、GPU、TPU 和 VPU）在卫星上进行基于深度学习的图像处理的性能。我们的目标是确定在工作负载发生变化时具有灵活性的设备，同时满足卫星的功率和延迟限制。我们的结果表明，ASIC 和 GPU 等硬件加速器对于满足延迟要求至关重要。但是，带有 GPU 的最先进的边缘设备可能会消耗过多的功率，无法部署在卫星上。
基于服务的，分段，5G网络 -
摘要 - 随着电网中连接的设备的数量呈指数增加，尤其是由5G及以后的现代通信标准所促进的，网络攻击表面也是如此。但是，5G还包含可以帮助减轻某些网络安全风险的功能。本文提出了一个新的基于服务的网络体系结构，该网络体系结构实现网络 - 切片功能，用于连接的系统和设备，以提高网格设备和服务的性能，可用性，安全性和可靠性。它考虑了安全监控，操作和确保分布式能源资源设备所需的服务质量要求和关键性。在开发的用例中，基于这些要求和资源分配实现网络切片。这项工作然后重点介绍切片如何帮助防止标准现有攻击方法的示例，例如拒绝服务或类似攻击，这将资源可用性和网络带宽限制在服务上，从而抑制攻击影响其他服务的能力。在国家可再生能源实验室的网络能量仿真平台（CEEP）上测试了设计的网络体系结构用例，以验证安全运营和服务的可用性。使用CEEP上的硬件设备和系统，可以实现和评估此完全分割的安全网络。最后，本文介绍了该测试的结果。
文章 支持并行识别的嵌入式 AI 系统的多核控制器
摘要：人工智能 (AI) 技术的最新进展促进了 AI 系统在各种应用中的应用。在大多数部署中，基于 AI 的计算系统采用中央服务器处理大部分数据的架构。此特性使系统使用大量网络带宽并可能导致安全问题。为了克服这些问题，提出了一种称为联邦学习的新 AI 模型。联邦学习采用一种架构，其中客户端负责数据训练并仅将训练结果传输到中央服务器。由于来自客户端的数据训练抽象并减少了原始数据，因此系统在减少网络资源和增强数据安全性的情况下运行。具有联邦学习的系统支持各种客户端系统。要构建具有资源有限的客户端系统的 AI 系统，将客户端系统与多个嵌入式 AI 处理器组合是有效的。为了实现具有这种架构的系统，引入控制器来仲裁和利用 AI 处理器成为一项严格的要求。在本文中，我们提出了一种用于联邦学习的嵌入式 AI 系统，该系统可以根据应用灵活地与 AI 核心组合。为了实现所提出的系统，我们设计了一个多 AI 核心控制器，并将其实现在现场可编程门阵列 (FPGA) 上。通过图像和语音应用程序验证了所设计的控制器的运行，并通过模拟器验证了其性能。
用于 IoT 可操作洞察和实时数据驱动网络的混合 AI
行业对网络带宽的需求逐年显著增加。流数据的指数级增长与机器学习和深度学习的使用量增长相匹配，机器学习和深度学习用于从这些数据中获取可操作的（理想情况下是实时的）见解。然而，基于人工神经网络 (ANN) 的方法在功能性、灵活性、准确性、可解释性和稳健性方面往往不足。对新模型开发和持续更新和再培训的需求超出了数据科学家和该领域其他人员的模型生成能力。实时数据驱动见解的供需差距持续扩大。在本文中，我们介绍了一种混合 AI 解决方案，该解决方案在 ML/DL 组合中添加了几个元素，具体来说是一种新的自监督学习机制、一种旨在支持机器生成的本体以及传统的人类生成的本体的知识模型，以及与 OpenNARS、AERA、ONA 和 OpenCog 等符号 AI 系统的接口等元素。我们的混合 AI 系统能够从数百万个时间序列中对机器生成的本体进行自监督学习，从而为包括数据中心和企业网络在内的大规模部署提供实时数据驱动的洞察。我们还将相同的混合 AI 应用于视频分析用例。我们迄今为止尝试的所有用例的初步结果都很有希望，尽管还需要做更多的工作来充分描述我们方法的优点和局限性。
HealthFog：基于集合的基于深度学习的智能医疗系统，用于自动诊断集成的物联网和雾计算环境中的心脏病
云计算通过Internet提供资源，并允许部署大量应用程序以为不同行业提供服务。当前在这些云框架中面临的主要瓶颈是它们的可扩展性有限，因此无法满足基于集中的物联网（IoT）的计算环境的要求。这样做的主要原因是，诸如健康监测和监视系统之类的潜伏敏感应用程序现在需要计算大量数据（大数据）转移到集中数据库以及从数据库到云数据中心，从而导致此类系统性能下降。与云域相比，通过使资源更接近用户并为数据处理提供了低潜伏期和节能解决方案，从而提供了雾和边缘计算的新范式提供创新的解决方案。仍然，当前的雾模型从有限的角度上限制了局限性，并且关注结果的准确性或减少响应时间，但并非两者兼而有之。我们提出了一个名为“ HealthFog”的新型框架，用于将整体深度学习整合到边缘计算设备中，并将其部署为自动心脏病分析的现实应用。HealthFog使用物联网设备提供医疗保健作为雾服务，并有效地管理心脏病患者的数据，这是根据用户要求提供的。启用FOG的云框架，Fogbus用于在功耗，网络带宽，潜伏期，抖动，抖动，准确性和执行时间方面部署和测试所提出模型的性能。©2019 Elsevier B.V.保留所有权利。HealthFog可与各种操作模式配置，这些操作模式可根据需要在不同的雾计算方案和不同的用户要求下提供最佳的服务质量或预测准确性。
安全信息共享挑战
我们生活在一个依赖互联网的数字时代。随着计算能力和网络带宽的增加，我们看到需要近乎实时地传输视频、音频、文本和其他数据（而不是发送静态文件）的应用程序数量正在增长。保护流数据免遭盗窃、篡改、窃听和混淆至关重要，然而，这可能非常困难。必须确保在开放网络（例如5G/6G）上流式传输的数据安全（即保护数据本身，而不是网络通道），近乎实时地运行，不会显著增加延迟，施加最小的额外计算负担，并且在某些情况下可用于高度分布式和/或远程应用程序，这些应用程序往往对功率和外形尺寸有重大限制（例如物联网、增强现实耳机、北极地区的行动等）。这项挑战赛旨在开发软件和硬件解决方案，为高度动态的流式数据提供 CIA，重点是确保通过不安全的网络跨异构组织边界共享数据的信任，包括使用以数据中心为中心的安全技术。此外，我们要求公司开发方法，以确保整个数据生命周期（从收集或创建点到消费点）中流数据的真实性。最后，我们正在寻求创新解决方案，为个人或组织提供的移动设备上的轻量级、用户友好的联合文本、语音和视频聊天提供常见商业工具的替代方案，以便第三方无法发现聊天参与者的位置、身份和通信模式。DIANA 特别感兴趣的是支持高度分布式和弹性 IT 架构的解决方案，这些解决方案基于目前正在为金融、供应链、医疗保健、游戏、内容创建和分发以及其他商业行业开发的功能。3.技术挑战
实时、虚拟和建设性模拟，真实... - INCOSE
摘要 使用实时平台、实时虚拟模拟器和建设性实体来提供改进的系统工程要求并允许客户参与整个开发和测试过程。例如，通过向操作员提供来自地理位置分散的群体的知识（信息、数据），以比以前更快、更有意义的方式进行了一系列网络中心作战 (NCO) 实验，以促进快速原型设计、操作员决策和协调行动。传感器、分析人员、决策者和效应器之间信息处理和传输的改进使这成为可能，同时网络带宽的提高和使用分布式交互式模拟 (DIS) 的“真实数据”网络。在战术边缘使用互联网协议 (IP) 网络也经过初步测试后快速原型化，使用基本 Link 16 网络利用现有网络上的新应用程序。实战系统，如 F-15、F/A-18、倾转旋翼机、直升机和无人驾驶飞行器 (UAV) 被一起和单独用于多个实验，使用不同类型的战术通信，从联合战术信息分发系统 (JTIDS)/多功能信息分发系统 (MIDS) 到可扩展标记语言 (XML) 和 IP 的组合。先进的无线通信系统，如软件可编程无线电、卫星通信和网络波形，被用于提供从战场一直到美国本土 (CONUS) 的 IP 网络。即使一些平台没有安装 IP 通信系统，许多网络数据可以通过实际硬件路由，因此，在飞行测试平台上，在实验室的高保真模拟中，操作员可以观察到改进的态势感知和操作的效果，就好像系统已经部署到现场一样，能够测试网络的效果。场景的开发和测试是几次大型现场、虚拟、建设性模拟的一部分，涉及飞行测试飞机、来自不同地点、具有不同保真度水平的许多模拟器以及四年内的其他建设性实体。本文将描述现场、虚拟和建设性模拟的开发、获得的结果以及未来计划使用实时模拟器提供快速原型设计能力以支持未来概念的开发和测试。
CMSC416：并行计算简介...
指标类型是评估各个领域的程序性能的重要工具。 “解决方案的时间”和“每个设置时间（迭代）”指标提供了有关完成程序内特定任务或迭代的效率的见解。这些指标对于了解程序如何迅速提供结果至关重要。诸如“科学进步”之类的指标通过量化在给定时间范围内实现有意义的科学结果的速度来提供更细微的观点。该指标在研究和科学计算环境中特别相关，在研究和科学计算环境中，发现的步伐至关重要。 “每秒浮点操作（flop/s）”和数据点之间的比较（例如加速和效率）提供了对程序的计算效率的见解。通过测量数学操作的速率或比较通过并行化获得的绩效提高，这些指标有助于优化程序执行。尽管它们多样性，但这些指标统称有助于理解计划绩效的速度和有效性，从而为优化和决策提供了宝贵的见解。数据收集完成后，下一步涉及分析关键性能指标（KPI），例如峰值失败/s，峰值存储器带宽和峰网络带宽。这些指标提供了有关系统的最大计算和数据传输功能的见解。但是，由于各种因素，实现峰值性能通常难以捉摸。实际上，实际性能通常范围从广告上的峰值性能的20％到40％不等。峰值性能代表了系统性能的理论上限，通常由硬件制造商宣传。上下文在确定可实现的绩效水平方面起着至关重要的作用；例如，在深度学习应用中，性能接近峰值的60％至80％是可行的。沟通效率，硬件体系结构和工作量特征等因素会影响性能结果。了解绩效限制背后的原因对于有效优化系统性能至关重要。虽然达到峰值性能并不总是可行的，但是识别和解决性能瓶颈可能会导致总体效率和有效性的显着提高。识别和解决绩效问题对于优化程序执行和最大化计算效率至关重要。常见的性能问题包括串行代码性能瓶颈，效率低下的内存访问以及无效的浮点操作。要解决这些问题，可以采用几种策略：
v11i1-1269.pdf
今天的摘要，数据已成为几乎每个业务领域的推动力，并且与人工智能（AI）一起，云计算是增强业务运营和绩效的关键推动力。本研究重点是优化云环境中的分布式机器学习（DML）算法，以有效处理和处理大型数据集。本文通过利用云平台的计算能力和存储容量以及并行处理技术来提出一种改善DML算法性能的方法。实验结果表明，所提出的方法可将处理时间减少40％，并将模型准确性提高15％，使其非常适合大数据环境。关键字：分布式机器学习，云计算，大数据，优化，并行处理。云计算，并行处理，可伸缩性，容错性，数据复制1。简介云计算已彻底改变了数据的管理和处理方式，提供了能够处理大规模数据的强大的分布式系统。随着数据量的快速增长，使用分布式机器学习（DML）算法已成为必要。这些算法将计算跨多个节点划分，以提高数据处理效率。云平台，例如AWS，Microsoft Azure和Google Cloud提供了扩展机器学习模型所需的基础架构和灵活性。但是，诸如延迟，效率低下的资源管理和通信复杂性等挑战仍然存在，需要解决。2。本文提出了一种优化基于云的大数据系统中DML算法的策略。通过将并行处理与动态资源管理相结合，该方法可以减少延迟，改善数据吞吐量并增强部署在云环境中的机器学习模型的整体性能。使用来自AWS EC2实例的现实世界数据对所提出的方法进行验证。分布式计算系统和DML算法中的问题基于云的分布式系统和DML算法的性能受到了几个关键挑战的影响，每个挑战必须解决每个挑战以确保最佳系统性能。2.1可伸缩性问题随数据的增长，分布式系统必须能够扩展以适应增加的工作量。水平缩放（添加更多节点）和垂直缩放（节点的资源增加）是常见方法，但是这些引入了数据一致性和网络流量等问题。无法控制的缩放率可以降低整体系统性能。2.2 DML算法中的通信瓶颈，频繁更新模型参数导致节点之间的数据交换。当网络带宽被拥挤时，这些交换会产生重大延迟。优化诸如GRPC和QUIC之类的通信协议可以减轻这些瓶颈并提高整体性能。2.3资源管理有效管理CPU，内存和存储等资源的挑战对于最佳系统性能至关重要。诸如动态缩放和负载平衡之类的技术有助于确保有效分配资源，从而防止某些节点过度负载和其他其他节点的实现不足，从而在不同的工作负载下保持系统效率。