SymED：边缘端数据的自适应在线符号化表示
分布式、并行与集群计算
2023-09-07 v1 机器学习
摘要
边缘计算范式有助于在靠近数据源的位置处理物联网（IoT）生成的数据。在资源受限的边缘设备上传输、存储和处理这一快速增长的数据量带来了挑战。符号表示（SR）算法通过将实际原始数据转换为符号来减小数据规模，是一种有前景的解决方案。此外，它们允许直接在符号上进行数据分析（例如异常检测与趋势预测），惠及广大边缘应用。然而，现有的 SR 算法在设计上是集中式的，且以离线批处理方式工作，这对于实时场景不可行。我们提出了 SymED——符号化边缘数据表示方法，即一种用于边缘端数据符号表示的在线、自适应且分布式的方案。SymED 基于自适应布朗桥聚合（ABBA），其中我们假设低功耗 IoT 设备完成初始数据压缩（发送方），而更健壮的边缘设备完成符号转换（接收方）。我们通过压缩性能、基于动态时间规整（DTW）距离的重建精度以及计算延迟来评估 SymED。结果表明，SymED 能够（i）以平均 9.5% 的压缩率缩减原始数据；（ii）在 DTW 空间中保持 13.25 的低重建误差；（iii）以每个符号 42ms 的典型延迟为在线流式 IoT 数据同时提供实时自适应能力，从而降低整体网络流量。
引用
@article{arxiv.2309.03014,
title = {SymED: Adaptive and Online Symbolic Representation of Data on the Edge},
author = {Daniel Hofstätter and Shashikant Ilager and Ivan Lujic and Ivona Brandic},
journal= {arXiv preprint arXiv:2309.03014},
year = {2023}
}
备注
14 pages, 5 figures