极端边缘计算并行化的时空分析
计算机视觉与模式识别
2025-09-10 v3 人工智能
摘要
极端边缘计算 (EEC) 将计算推向比传统多接入边缘计算 (MEC) 更接近终端用户，利用极端边缘设备 (EED) 的闲置资源实现低延迟分布式处理。然而，EEC面临关键挑战，包括设备分布的空间随机性、EED计算能力有限 necessitating 并行任务执行、易故障以及由于无线通信和执行时间的可变性导致的时空随机性。这些挑战凸显了评估EEC性能所需严谨分析框架的需求。我们提出了针对大规模毫米波网络的EEC的首个时空数学模型。该框架利用随机几何学和吸收型连续时间马尔可夫链 (ACTMC)，捕捉通信和计算性能之间复杂相互作用，包括并行执行期间的时空重叠。我们对两种关键指标进行评估：平均任务响应延迟和任务完成概率。两者共同提供了关于延迟和可靠性的整体视图。分析考虑了基本的卸载策略，包括随机化和位置感知方案，同时考虑EED故障。结果表明，存在一种最优任务分段可最小化延迟。在EED可用性有限的情况下，我们研究了一种基于偏置的EEC和MEC协作方案，通过卸载超额需求至MEC资源，有效减少了拥塞并提高了系统响应性。
引用
@article{arxiv.2504.18046,
title = {DMS-Net:Dual-Modal Multi-Scale Siamese Network for Binocular Fundus Image Classification},
author = {Guohao Huo and Zibo Lin and Zitong Wang and Ruiting Dai and Hao Tang},
journal= {arXiv preprint arXiv:2504.18046},
year = {2025}
}