文献阅读(速读)：Task Partitioning and Offloading in DNN-Task Enabled Mobile Edge Computing Networks

最新推荐文章于 2025-12-12 17:54:27 发布
原创 最新推荐文章于 2025-12-12 17:54:27 发布 · 647 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #神经网络 #智简网络

该论文研究了在移动设备和服务器间划分DNN任务以减轻计算负担的问题。作者创新地提出层级计算策略、时延预测模型、时隙模型和动态定价，以及利用博弈论的分布式算法，以优化任务分配和卸载过程。

目录

论文简介

  • 作者
    Mingjin Gao, Rujing Shen, Long Shi, Wen Qi, Jun Li, Yonghui Li

  • 发表期刊or会议
    《IEEE Transactions on Mobile Computing》

  • 发表时间
    2023.3

动机：为什么作者想要解决这个问题？

本文关注DNN任务驱动的移动边缘计算网络中任务划分和卸载的联合设计。目标是通过将任务划分为可以在移动设备（MDs）上本地计算或卸载到服务器的子任务，来解决DNN任务对移动设备的计算负担。

贡献：作者在这篇论文中完成了什么工作(创新点)？

  • 提出了一种DNN任务的层级计算划分策略
  • 开发了一个时延预测模型来表征MD(mobile device)和服务器的计算延迟
  • 为了有效调度服务器上卸载的子任务，设计了一个时隙模型和动态定价策略
  • 还提出了两个基于聚合博弈理论的分布式算法来优化任务分区和卸载

自己的看法(作者如何得到的创新思路)

在这里插入图片描述

  • DNN任务卸载相当于模型部署的后续任务
  • DNN任务划分可以借鉴
DNN云边协同工作汇总(持续更新)
Java开发，人工智能，边缘计算，致力于掌握前沿技术
11-13 2175
在进行调度的过程中可以使用垂直划分和水平划分，也可以直接将一个DNN任务作为划分单位。云边协同旨在充分利用云边端资源完成DNN任务的推理计算，将整体模型进行划分后，利用终端设备、边缘服务器以及云计算中心的计算资源，将DNN划分为多个部分，分别部署在不同设备上进行推理。最优的分区点和边缘选择取决于特定深度学习架构的推理成本模型和从设备到边缘服务器的通道模型，这在实际的MEC中是具有挑战性的。DADS使用图论中的最大流最小割算法对DAG拓扑结构进行了分析，解决了一部分含有拓扑结构的模型的划分问题。
【论文速读】BEVFormer: Learning Bird’s-Eye-View Representation from Multi-Camera Images via Spatiotemporal
minyshi的博客
10-17 1135
BEVFormer在速度估计的准确性上也有显著提升，其mAVE（mean Average Velocity Error）达到了0.378 m/s，远低于其他基于相机的方法。BEVFormer模型架构的核心是从多相机图像中学习鸟瞰图（BEV）表示，以支持自动驾驶系统中的多种感知任务。该架构由若干个编码层组成，每个编码层都包含三个关键设计：BEV查询、空间交叉注意力和时间自注意力。BEVFormer是一个用于自动驾驶系统的多相机输入的鸟瞰图（BEV）特征学习框架。
Joint Optimization of the Partition and Scheduling of DNN Tasks in Computing and Network Convergence
weixin_45627598的博客
07-03 511
计算与网络融合中DNN任务划分与调度的联合优化。
Deep Reinforcement Learning for Task Offloading in Mobile Edge Computing Systems
sinat_50757558的博客
03-30 4054
在移动边缘计算系统中，当大量移动设备将其任务卸载到边缘节点时，边缘节点可能具有高负载。那些被卸载的任务可能会经历巨大的处理延迟，甚至在截止日期到期时被丢弃。由于边缘节点的负载动态不确定，每个设备都很难以分散的方式确定其卸载决策（即是否卸载，以及应将任务卸载到哪个边缘节点）。在这项工作中，我们考虑不可分和延迟敏感的任务以及边缘负荷动态，并制定任务卸载问题，以尽量减少预期的长期成本。我们提出了一种基于无模型深度强化学习的分布式算法，每个设备都可以在不知道其他设备的任务模型和卸载决策的情况下确定其卸载决策。为了改
【深度学习②】| DNN篇
weixin_73350076的博客
08-02 954
【深度学习② - DNN篇 超全，有项目实例展示！！！】本文介绍基于PyTorch的DNN知识，含张量操作、工作原理、实现流程，以及梯度下降方法和手写数字识别案例，帮助读者掌握核心概念与实操技能，理解完整流程。
深度神经网络(DNN)
weixin_44715384的博客
04-26 1605
深度神经网络(DNN) 参考网址 DNN的基本结构 神经网络是基于感知机的扩展，而DNN可以理解为有很多隐藏层的神经网络。多层神经网络和深度神经网络DNN其实也是指的一个东西，DNN有时也叫做多层感知机（Multi-Layer perceptron,MLP）。 从DNN按不同层的位置划分，DNN内部的神经网络层可以分为三类，输入层，隐藏层和输出层,如下图示例，一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。 层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神
图像融合论文速读：SMAE-Fusion: Integrating saliency-aware masked autoencoder with hybrid attention transforme
图像强的博客
12-30 1855
SMAE-Fusion是一种新颖的红外-可见光图像融合框架，它将自监督学习范式与显着性感知动态掩蔽相结合。 最初，SMAE-Fusion 利用掩模图像建模，并采用所提出的掩模策略来重建关键区域和目标，有效地弥合了上游预训练和下游任务之间的语义差距。 随后，我们提出了一种混合注意力增强变压器作为特征提取的骨干网络，它通过建模局部和全局特征之间的交互来实现全面有效的特征表示。 此外，渐进式特征融合模块无缝地结合了自注意力和交叉注意力机制，增强了跨模态特征的语义一致性，同时保留了互补信息。
【论文速读】BEVDepth: Acquisition of Reliable Depth for Multi-view 3D Object Detection
minyshi的博客
10-17 860
在定制的高效体素池化和多帧机制的辅助下，BEVDepth在具有挑战性的nuScenes测试集上达到了60.9%的NDS，这是首次相机模型的NDS得分达到60%，同时保持了高效率。深度细化模块通过在深度轴上聚合特征，增强了特征的深度一致性，并在深度预测不准确时理论上能够将特征细化到正确的位置。深度细化模块：设计了一个新颖的模块来进一步优化特征的深度位置，纠正了初始深度估计的不准确，增强了特征的深度一致性。显式深度监督：通过利用点云数据提供的地面真实深度信息，直接监督深度预测模块，增强了深度估计的准确性。
【论文速读】BEVFusion: A Simple and Robust LiDAR-Camera Fusion Framework
minyshi的博客
10-17 1184
此外，BEVFusion在激光雷达和相机发生故障时仍能保持较高的检测性能，证明了其在多模态3D目标检测中的鲁棒性和实用性。相机流首先使用2D骨干网络提取图像特征，然后通过特征金字塔网络（FPN）和自适应模块（ADP）进行多尺度特征融合，最后通过2D到3D的视图投影器将这些特征转换为3D ego-car坐标系中的特征，并最终编码为BEV空间特征。该框架包含两个独立的流，相机流和激光雷达流,分别编码来自相机和激光雷达的原始输入，并在相同的鸟瞰图（BEV）空间中生成特征，然后通过一个简单的融合模块结合这些特征。
内存数据手册速读：K4F8E304HB-MGCJ 200F案例的深度解读
!... # 摘要 内存数据手册是理解和应用内存芯片不可或缺的参考资料。本文首先概述内存数据手册的重要性和内容概览，随后深入解析了K4F8E304HB-MGCJ 200F内存芯片的架构，涵盖了工作原理、规格参数、功能特点、封装技术...
[CVPR 2024] Animate Anyone: Consistent and Controllable Image-to-Video Synthesis
Joselynzhao
02-01 1235
在本文中，我们提出了Animate Anyone，这是一个能够将角色照片转换为由所需姿势序列控制的动画视频的框架。我们提出的ReferenceNet既能真实地保留复杂的人物外观，又能实现有效的姿态可控性和时间连续性。我们的方法不仅适用于一般的角色动画，而且优于现有的方法。
Distributed Task Offloading in Cooperative Mobile Edge Computing Networks
价值知识传播者
02-14 523
所提出的分布式算法使得每个边缘服务器仅通过本地通信就能计算其任务卸载决策，而无需任何可能导致通信/计算瓶颈的中央处理器。仿真验证了所提算法的效率，并且证明它比基线算法具有更低的计算复杂性。移动边缘计算（MEC）被提出作为一种处理边缘服务器上计算密集型和延迟敏感移动任务的有前途的技术。本文考虑了在合作MEC网络中带有约束的任务卸载问题，其中多个边缘服务器和云中心共同处理从移动设备接收到的任务。图2. 具有云边协作和边边协作的合作边缘计算网络的连接图。在合作移动边缘计算网络中的分布式任务卸载。
2024年6月12日Arxiv机器学习相关论文
数智笔记
06-12 1884
原标题作者机构: 阿拉巴马大学 大学的科技摘要: 毫米波（mmWave）雷达对自动驾驶车辆的感知任务至关重要，因为它们在恶劣天气条件下具有很强的韧性。然而，它们的部署通常受到空间分辨率不足以进行精确语义场景解释的限制。从光学成像中改编的经典超分辨率技术未能充分解决雷达信号数据的独特特征。为此，我们的研究将雷达成像超分辨率重新定义为一维（1D）信号超分辨率谱估计问题，通过利用雷达信号处理领域知识，引入创新的数据归一化和基于信噪比（SNR）的损失函数。
​如何用AI处理音乐音频消除作品信息里的 AI 痕迹-程序员音乐人卓伊凡
一颗优雅草科技-央千澈的优快云博客~只想无穷无尽的学习~作息早8-晚8
12-11 718
​如何用AI处理音乐音频消除作品信息里的 AI 痕迹-程序员音乐人卓伊凡
深度学习下载包时可能会遇到的问题及解决方案
m0_50481455的博客
12-09 486
若确实下载安装了CUDA ，但是此时输出的CUDA是否可用为否，应该是torch的版本为cpu版本导致，刚刚的下载包的语句如果总是下载的是cpu版本，我们考虑直接去网站下指定包，再进行安装。CUDA Version表示的是驱动支持的最高 CUDA 版本，去官网下载 CUDA ，我这里是12.2，表示下载的版本最大只能是12.2。然后下载包时，比如本地环境是Python3.9，找包下载时候，3.9要下对应cp39的包。下载好后，执行语句安装。
精品数据分享 | 锂电池数据集（七）同济大学电池数据集
12-11 636
本期继续分享一篇Nature communicationTop论文公开锂离子电池数据，划重点-数据集开源，代码开源！！！
vLLM推理引擎教程4-离线推理功能
最新发布
benben044的专栏
12-12 310
本文介绍了使用vLLM框架优化推理性能的多种方法。主要内容包括：1）基础文本生成、对话式推理、文本分类和嵌入提取四种任务的基本实现；2）自动前缀缓存功能，通过共享KV缓存加速长上下文处理；3）使用YARN方法扩展模型上下文长度；4）多模态任务处理示例（Whisper语音识别）；5）底层LLMEngine API的使用。文章通过具体代码示例展示了如何设置参数实现各类推理优化，包括温度调节、top-p采样、缓存复用等技巧，适用于文本生成、分类、嵌入等多种NLP任务场景。
观成科技:Zloader木马家族加密流量分析
GCKJ_0824的博客
12-12 323
摘要：Zloader木马最初作为银行木马Zeus的下载器，现被广泛用于勒索软件投递。其采用多种加密通信技术规避检测：1）DGA技术生成随机域名；2）DNS隧道隐藏数据；3）HTTPS加密通信；4）Websocket掩码加密。最新版本通过会话密钥强化DNS隧道加密。观成科技利用AI模型结合TLS指纹检测HTTPS加密流量，持续通过行为分析和机器学习应对加密威胁。研究表明，恶意软件正不断升级流量对抗技术，凸显加密流量检测的重要性。（149字）
“人工智能 +” 创新大会签约落定，云工场科技与沐曦、中国移动等企业携算力服务助力潍坊转型发展
Cloudcsp的博客
12-12 142
大会紧密围绕贯彻落实党的二十届四中全会精神，旨在纵深推进“人工智能+”行动，促进人工智能与实体经济深度融合，为培育和发展新质生产力注入强大 AI 动能。，共同推进智能算力供给与行业应用落地。聚焦于行业大模型落地应用、高效智能算力供给、以及“人工智能+”模式创新等多个关键方向，携手构建开放、协同、共赢的 AI 产业生态。在大会签约环节，昌邑市、安丘市、寒亭区、潍城区等政府单位围绕人工智能+治理分别推进相关合作布局；等核心能力，协同产业伙伴共同服务潍坊“人工智能+”行动，助力区域新质生产力加速培育。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值