面向移动应用在雾与云间切换学习的 AI 后端即服务

鉴于云服务器通常远离移动应用的设备，应用的最终用户可能面临延迟。雾计算被引入以通过位于网络边缘、靠近最终用户的机器来增强应用。然而，边缘机器通常资源受限。因此，若数据分析算法的时间复杂度较高，在边缘机器上执行在线数据分析可能不可行。为克服此问题，应在边缘与远程机器上部署多个后端实例。在此情况下，研究问题是如何基于服务实例的响应时间动态决定应用在这些后端实例间的切换。为回答此问题，我们提出了一种 AI 方法，训练服务实例响应时间的机器学习模型。我们的方法将后端即服务扩展为 AI 自后端即服务，其在运行时自决策正确的边缘/远程实例以实现最低响应时间。我们使用现有拍卖应用上的真实机器学习数据集评估了我们方法的准确性与效率。