面向城市级摄像机网络的边云织物上实时交通分析的弹性扩展
分布式、并行与集群计算
2026-03-06 v1
摘要
实时城市级交通分析需要在严格的时延、带宽和计算限制下处理 100s-1000s 个 CCTV 流。我们提出了一个可扩展的 AI 驱动智能交通系统（AIITS），旨在解决边云织物上的多维度弹性扩展问题。该平台将活跃的多摄像机视频转化为动态交通图，通过 DNN 推理管道实现，辅以基于时空图神经网络的实时预测和短期预估。使用测试平台在班加罗尔一个社区进行验证，我们吸收了 100+ 来自树莓派的 RTSP 流，而 Jetson Orin 边缘加速器执行高吞吐量的检测和跟踪，产生轻量级流量摘要用于云端 GNN 推理。容量感知调度器在异构设备之间进行负载均衡，以维持随流数增加而增长的实时性能。为确保持续适应性，我们集成了 SAM3 基础模型辅助标注和持续联邦学习，以更新边缘上的 DNN 检测器。实验显示，Jetson Orin 可实现 2000 FPS 以上的稳定吞吐，低时延聚合，以及对 1000 条流的准确且可扩展的时空 GNN 预测。计划中的现场演示将扩展整个管道至 1000 条流，展示实际的跨织物弹性扩展。
引用
@article{arxiv.2603.05217,
title = {Scaling Real-Time Traffic Analytics on Edge-Cloud Fabrics for City-Scale Camera Networks},
author = {Akash Sharma and Pranjal Naman and Roopkatha Banerjee and Priyanshu Pansari and Sankalp Gawali and Mayank Arya and Sharath Chandra and Arun Josephraj and Rakshit Ramesh and Punit Rathore and Anirban Chakraborty and Raghu Krishnapuram and Vijay Kovvali and Yogesh Simmhan},
journal= {arXiv preprint arXiv:2603.05217},
year = {2026}
}
备注
Accepted at TCSC SCALE Challenge 2026. To appear in the Proceedings of IEEE/ACM CCGRID Workshops, Sydney, 2026