XiaoMi-AI文件搜索系统
World File Search System边缘节点
AI在个性化学习中的双重作用
边缘计算正在作为一种变革性解决方案，用于管理物联网（IoT）生成的大量数据。通过分散数据处理并使计算更接近数据源，边缘计算解决了传统云计算的临界局限性，包括延迟，带宽约束和安全漏洞。本评论探讨了边缘计算的关键好处，例如延迟，带宽优化，可靠性提高，增强的数据隐私和可扩展性。它讨论了边缘计算的结构和组件，突出了边缘设备，边缘节点和雾计算的作用。该评论还检查了各个部门的各种用例，包括自动驾驶汽车，智能城市，医疗保健，工业物联网和零售。最后，评论考虑了边缘计算面临的挑战，包括硬件限制，网络安全性，互操作性和成本注意事项。未来的前景表明，5G技术和人工智能的进步将进一步增强边缘计算在驱动IoT创新方面的潜力。
在都灵的意大利行业实施4.0量子测试
摘要数据通信的安全是我们社会当今面临的关键挑战之一。量子密钥分布（QKD）是根据量子物理定律确保最终安全性的最突出方法之一。在这项工作中，在意大利行业4.0量子测试台（II4QUTE）项目中获得的结果报告了作者在这里遇到的QKD测试床，可牢固地连接位于多星的能力行业4.0（CIM4.0），位于多利市场的Tim Edge节点和一个位于远离测试床的Tim Edge节点。边缘节点可容纳服务器提供计算功能，以管理CIM4.0数字工厂飞行员线中的机器生成的实际时间数据，从而优雅地将QKD与MEC（多访问边缘计算）范式集成。进行了超过69小时的实验，建立了5.125键/s（AES -256键）的平均密钥生成率，并证明了整个端到 - 到端加密系统的稳定性。
通信高效的边缘人工智能：算法与系统
摘要 —人工智能 (AI) 在语音处理、图像分类到药物发现等众多领域取得了令人瞩目的突破。这得益于数据的爆炸式增长、机器学习 (尤其是深度学习) 的进步以及强大计算资源的便捷获取。特别是，边缘设备 (如物联网设备) 的大规模部署产生了前所未有的数据规模，这为在网络边缘推导准确模型和开发各种智能应用提供了机会。然而，由于信道质量参差不齐、流量拥塞和/或隐私问题以及巨大的能耗，如此庞大的数据无法全部发送到云端进行处理。通过将 AI 模型的推理和训练过程推送到边缘节点，边缘 AI 已成为一种有前途的替代方案。边缘 AI 需要边缘设备 (如智能手机和智能汽车) 与无线接入点和基站的边缘服务器之间的密切合作，但这会导致繁重的通信开销。在本文中，我们全面概述了克服这些通信挑战的各种技术的最新发展。具体来说，我们首先确定了边缘 AI 系统中的关键通信挑战。然后，我们从算法和系统的角度介绍了用于网络边缘训练和推理任务的通信高效技术。我们还强调了未来的潜在研究方向。
分散任务在边缘计算中卸载
摘要 - 在合作边缘节点中流动的室内化任务已成为提高资源利用并改善边缘计算中用户的经验质量（QOE）的有前途的解决方案。但是，当前的分散方法（例如启发式方法和基于游戏理论的方法）可以优化贪婪或依赖于刚性假设，无法适应动态边缘环境。现有的基于DRL的方法在模拟中训练该模型，然后将其应用于实用系统。由于实际系统与模拟环境之间的差异，这些方法的性能可能很差。其他直接训练模型和部署模型的方法将面临一个冷启动的问题，这将在模型收敛之前减少用户的QOE。本文提出了一本名为（o2o-drl）的drl-on-Online DRL小说。它使用启发式任务日志来启动lim的DRL模型。但是，频道和在线数据具有不同的分布，因此，使用局部方法进行在线调整会破坏所学的局部策略。为了避免此问题，我们使用派利DRL来调整模型并防止价值高估。我们在模拟和基于Kubernetes的测试台中使用其他方法评估O2O-DRL。性能结果表明，O2O-DRL胜过其他方法，并解决了冷门问题。
5G和AI驱动的边缘网络中的安全性和合规性
PCI DSS是一组安全标准，旨在确定接受，处理，存储或传输信用卡信息的公司是否维护安全环境。PCI DSS适用于组织，无论其大小或交易数量如何，根据最新版本的PCI DSS 4.0，该数据接受，传输或存储持卡人数据，该数据于2022年3月31日发布[4]。管理付款卡信息的企业必须实现和维护PCI合规性，以保护敏感数据的安全性并降低数据泄露的风险。合规性是一个持续的过程，而不是一次性事件。因此，企业必须定期评估和检查其合规性状态。虽然标准涵盖了网络安全，访问控制，数据加密，常规测试和监视等领域，但两个安全域在连接的边缘用例中脱颖而出。第一个域是用于边缘节点和集群存储，处理或传输付款信息的身份和访问管理（IAM）。第二个域以其三种形式触及数据 - 在静止，运输过程中和处理过程中。此外，可能需要进行物理评估才能确定现有或新安装的摄像头可能会意外捕获任何PII。同样，在集装箱部署（例如Kubernetes）中，设计符合PCI的体系结构可能需要虚拟网络细分，命名空间分离和
通过在线加固学习中的多租户边缘计算中的缓存分配
摘要 - 我们在此工作边缘计算（EC）中考虑在多租户环境中：资源所有者，即网络运营商（NO），虚拟资源使资源虚拟化，并允许第三方服务提供商（SPS-租户）运行他们的服务，这可以多样化，并且具有异质要求。由于确保保证，NO无法观察到已加密的SPS的性质。这使资源分配决策具有挑战性，因为它们必须仅基于观察到的监视信息进行。我们专注于一个特定资源，即缓存空间，部署在某个边缘节点中，例如一个基站。我们研究了关于如何在几个SP中分区缓存的决定，以最大程度地减少上游流量。我们的目标是使用纯粹的数据驱动的，无模型的增强学习（RL）优化缓存分配。与RL的大多数应用程序不同，RL的大多数应用程序在模拟器上学习了决策策略，我们认为没有以前的知识可用于构建这种模拟器。因此，我们以在线方式应用RL，即通过直接扰动实际系统并监视其性能的变化来学习策略。由于扰动会产生虚假的流动，因此我们也限制了它们。我们在模拟中表明，我们的方法迅速融合了理论最佳，我们研究了它的公平性，对几种情况特征的敏感性，并将其与最先进的方法进行比较。我们的代码复制结果可作为开源。1
HyperDrive：在边缘-云-空间 3D 连续体中调度无服务器功能
摘要 — 近几年来，低地球轨道 (LEO) 卫星的数量急剧增加。它们数量众多且轨道低，几乎可以在地球上的任何地方与卫星进行低延迟通信，高速卫星间激光链路 (ISL) 使卫星之间能够快速交换大量数据。随着 LEO 卫星计算能力的增长，它们正逐渐成为通用计算节点。在 3D 连续体中，地球上的云和边缘节点与太空中的卫星结合成一个无缝计算结构，工作负载可以在上述任何计算节点上执行，具体取决于它在哪里最有利。然而，在以大约 27,000 公里/小时的速度移动的 LEO 卫星上进行调度需要选择对所有数据源（地面和可能的地球观测卫星）延迟最低的卫星。面对太阳时，机载硬件的散热是一项挑战，工作负载不能耗尽卫星的电池。这些因素使得满足 SLO 比在边缘-云连续体（即仅在地球上）中更具挑战性。我们提出了 HyperDrive，这是一种专为 3D 连续体设计的无服务器功能的 SLO 感知调度程序。它根据功能的可用性和满足工作流的 SLO 要求的能力，将功能放置在云、边缘或空间计算节点上。我们使用具有高地球观测数据处理要求和严格 SLO 的野火灾害响应用例来评估 HyperDrive，结果表明，它能够设计和执行此类下一代 3D 场景，并且网络延迟比最佳基线调度程序低 71%。索引术语 — 无服务器计算、调度、3D 连续体、轨道边缘计算、LEO 卫星、SLO
无服务器联合学习的能源感知的编排
联合学习（FL）代表在现实情况下对多个客户启用分布式学习的事实上的标准范式。尽管在准确性和隐私意识方面取得了长足的进步，但在现实世界中，尤其是在工业部署环境中，FL的真正采用仍然是一个开放的线程。这主要是由于隐私限制以及在带宽，计算和能量受限的节点上采用AI技术时调节的额外复杂性。受这些问题的启发，我们专注于参与客户的特征，其特征是高度异构的计算功能和能源预算提出ENEA-FL，ENEA-FL是无服务器智能能源管理的创新计划。这种新颖的方法动态适应以优化训练过程，同时促进物联网（IoT）设备和边缘节点之间的无缝互动。，提出的中间件提供了一个容器化的软件模块，该模块有效地管理每个工人节点与中央聚合器的相互作用。通过监视当地能源预算，计算能力和目标准确性，ENEA智能地做出了有关在随后的训练回合中包含特定节点的明智决定，从而有效地平衡了能耗，训练时间和最终准确性之间的三方权衡。最后，在各种情况的一系列广泛的实验中，我们的解决方案表现出令人印象深刻的结果，对文献中可用的流行客户选择方法的能源消耗降低了30％至60％，而其效率是标准FL解决方案的3.5倍。
脉冲神经网络到神经形态硬件的运行时映射
摘要 神经形态架构实现生物神经元和突触，以使用脉冲神经元和生物启发学习算法来执行机器学习算法。这些架构节能，因此适用于资源和功率受限的环境中的认知信息处理，物联网 (IoT) 的传感器和边缘节点在这些环境中运行。为了将脉冲神经网络 (SNN) 映射到神经形态架构，先前的研究提出了基于设计时的解决方案，其中首先使用代表性数据离线分析 SNN，然后将其映射到硬件以优化一些目标函数，例如最小化脉冲通信或最大化资源利用率。在许多新兴应用中，机器学习模型可能会根据使用某些在线学习规则的输入而改变。在在线学习中，根据输入激励，在运行时可能会形成新连接或现有连接可能会消失。因此，可能需要将已映射的 SNN 重新映射到神经形态硬件以确保最佳性能。不幸的是，由于计算时间较长，基于设计时的方法不适合在每次学习周期后在运行时重新映射机器学习模型。在本文中，我们提出了一种设计方法，用于在运行时将基于在线学习 SNN 的应用程序的神经元和突触划分并映射到神经形态架构。我们的设计方法分为两个步骤 - 步骤 1 是一种逐层贪婪方法，将 SNN 划分为包含神经形态架构约束的神经元和突触簇；步骤 2 是一种爬山优化算法，可最大限度地减少簇之间传递的总尖峰，从而改善架构共享互连的能耗。我们进行实验，使用合成和真实的基于 SNN 的应用程序来评估我们算法的可行性。我们证明，与最先进的基于设计时的 SNN 划分方法相比，我们的算法将 SNN 映射时间平均缩短了 780 倍，而解决方案质量仅降低了 6.25%。