基于深度学习模型的数据概要管理
分布式、并行与集群计算
2020-08-05 v1 机器学习
摘要
普适计算涉及将处理服务部署在靠近终端用户的位置，以支撑智能应用。随着物联网（IoT）与边缘计算（EC）的出现，在上述基础设施互联中的多个节点处均可找到部署服务的空间。其中至关重要的一环是所采集数据的处理。此类处理可在 EC 节点上实现，相较于 IoT 设备，其计算能力更强。一个由智能节点构成的生态系统在 EC 层形成，为支持协作模型创造了条件。节点成为由 IoT 设备报告所构成的地理分布式数据集的宿主。基于这些数据集，可执行若干查询/任务。出于性能考虑，查询/任务可被卸载。然而，卸载行为须谨慎设计，并始终与宿主节点上现存的数据保持一致。本文提出一种支持 EC 基础设施中协作特性的模型。我们论证了向 EC 节点分发数据概要，使其能做出与对等节点上现存数据完全一致的卸载决策。节点间交换数据概要以告知其同伴。我们提出了一种机制，用于检测分发概要的恰当时机，力求避免网络过载，尤其在因 IoT 设备向 EC 节点高频上报数据而频繁提取概要时。我们的方法采用深度学习模型来学习已计算概要的分布并估计未来趋势。基于这些趋势，我们能够找到向对等节点分发概要的合适时机。我们给出了所提机制的描述并基于真实数据集对其评估。在多类场景下的广泛实验通过数值结果揭示了该方法的优劣。
引用
@article{arxiv.2008.01560,
title = {Data Synopses Management based on a Deep Learning Model},
author = {Panagiotis Fountas and Kostas Kolomvatsos and Christos Anagnostopoulos},
journal= {arXiv preprint arXiv:2008.01560},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:2007.12648