LOS：网状边缘网络中传感器数据流异常检测的周期性模型训练局部乐观调度
分布式、并行与集群计算
2021-09-28 v1
摘要
在边缘与雾环境、智能城市以及工业4.0中，异常检测对于处理海量传感器数据日益重要。为保证良好效果，所采用的ML模型需要定期更新，以适应传感器数据中的季节变化与概念漂移。尽管边缘端日益增长的计算资源可支持直接在设备上就地执行模型训练，但该任务仍常被卸载至雾设备或云端。本文提出局部乐观调度（Local-Optimistic Scheduling, LOS），一种在靠近数据源处执行周期性ML模型训练任务、同时避免轻量级边缘设备过载的方法。训练任务在必要时被卸载至邻近节点，并对资源消耗进行优化，以满足训练周期，同时仍为后续训练执行保留足够资源。该调度以去中心化、协作且机会化的方式完成，无需掌握基础设施与工作负载的完整信息。我们在边缘计算测试床上基于真实数据集对所提方法进行了评估。实验结果表明，与就地执行相比，LOS将训练执行放置在靠近输入传感器流的位置，将训练时间与训练周期之间的偏差降低至多40%，并增加了成功调度的训练任务数量。
引用
@article{arxiv.2109.13009,
title = {LOS: Local-Optimistic Scheduling of Periodic Model Training For Anomaly Detection on Sensor Data Streams in Meshed Edge Networks},
author = {Soeren Becker and Florian Schmidt and Lauritz Thamsen and Ana Juan Ferrer and Odej Kao},
journal= {arXiv preprint arXiv:2109.13009},
year = {2021}
}
备注
2nd IEEE International Conference on Autonomic Computing and Self-Organizing Systems - ACSOS 2021