边缘计算环境中用于自适应监控的概率时间序列预测
分布式、并行与集群计算
2023-01-31 v2 机器学习
摘要
随着越来越多的计算被转移到网络边缘，对自动驾驶中间处理节点等关键基础设施的监控由于典型资源受限环境而变得更加复杂。为减少监控在网络链路上带来的资源开销，已有多种方法被讨论，这些方法要么对数据发射设备采用过滤方法，要么基于所采用的预测模型进行动态采样。然而，现有方法主要需要在边缘设备上进行自适应监控，这要求设备重新配置、占用额外资源，并限制了所采用模型的复杂度。在本文中，我们提出一种基于采样且位于云端的方法，其内部利用概率预测，从而提供量化模型不确定性的手段，可用于对采样频率进行情境化调整，进而缓解受限的网络资源压力。我们在一个公开可用的流数据集上评估了所实现的监控流水线原型，并在方法对比中展示了其对资源效率的积极影响。
引用
@article{arxiv.2211.13729,
title = {Probabilistic Time Series Forecasting for Adaptive Monitoring in Edge Computing Environments},
author = {Dominik Scheinert and Babak Sistani Zadeh Aghdam and Soeren Becker and Odej Kao and Lauritz Thamsen},
journal= {arXiv preprint arXiv:2211.13729},
year = {2023}
}
备注
6 pages, 5 figures, 2 tables