EdgeVision：面向分布式边缘的协作式视频分析以实现性能最大化
分布式、并行与集群计算
2024-04-25 v3 多智能体系统
多媒体
摘要
基于深度神经网络（DNN）的视频分析显著提升了计算机视觉应用中的识别准确率。将 DNN 模型部署在更靠近终端用户的边缘节点上，可降低推理延迟并最小化带宽开销。然而，这些资源受限的边缘节点在重负载下可能出现显著延迟，导致工作负载分布不均衡。尽管以往研究侧重于优化用于视频分析的分层设备-边缘-云架构或集中式集群，我们提出通过协作式分布式自主边缘节点来应对这些挑战。尽管涉及复杂的控制，我们引入了 EdgeVision，一种基于多智能体强化学习（MARL）的分布式边缘协作视频分析框架。EdgeVision 使边缘节点能够自主地学习视频预处理、模型选择与请求分发的策略。我们的方法利用基于 actor-critic 的 MARL 算法并辅以注意力机制来学习最优策略。为验证 EdgeVision，我们构建了多边缘测试床并使用真实世界数据集开展实验。结果表明，相较于基线方法，性能提升了 33.6% 至 86.4%。
引用
@article{arxiv.2211.03102,
title = {EdgeVision: Towards Collaborative Video Analytics on Distributed Edges for Performance Maximization},
author = {Guanyu Gao and Yuqi Dong and Ran Wang and Xin Zhou},
journal= {arXiv preprint arXiv:2211.03102},
year = {2024}
}