速率限制下用于图像分类的自适应边缘卸载
分布式、并行与集群计算
2022-08-02 v1 机器学习
网络与互联网体系结构
摘要
本文考虑一种由嵌入式设备采集并分类图像的配置。由于计算能力有限，嵌入式设备依赖精度不均的精简分类模型。当本地分类被认为不准确时，设备可决定将图像卸载到具有更准确但资源密集型模型的边缘服务器。然而，资源约束（如网络带宽）要求对这类传输进行调节，以避免拥塞和高延迟。本文研究在通过令牌桶（一种常用于此类目的的机制）进行传输调节时的卸载问题。目标是设计一种轻量级的在线卸载策略，在令牌桶约束下优化特定应用的指标（如分类精度）。本文基于 Deep Q-Network（DQN）开发了一种策略，并证明了其有效性以及在嵌入式设备上部署的可行性。值得注意的是，该策略可处理复杂的输入模式，包括图像到达的相关性和分类精度。评估通过使用来自 ImageNet 图像分类基准的合成轨迹在本地测试床上进行图像分类来完成。本工作的实现可在 https://github.com/qiujiaming315/edgeml-dqn 获取。
引用
@article{arxiv.2208.00485,
title = {Adaptive Edge Offloading for Image Classification Under Rate Limit},
author = {Jiaming Qiu and Ruiqi Wang and Ayan Chakrabarti and Roch Guerin and Chenyang Lu},
journal= {arXiv preprint arXiv:2208.00485},
year = {2022}
}
备注
13 pages, 12 figures, to appear at the Proceedings of the 2022 International Conference on Embedded Software, October 07-14, 2022, Shanghai, China