.png){kind=icon}
返回
Decentralized Edge Workload Forecasting With Gossip Learning
.png){kind=icon}
OA
AI
DOI：10.1109/TNSM.2025.3570450.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
边缘计算已作为一种关键范式出现，用于通过将计算和存储服务重新定位到靠近终端用户的位置，来应对互联设备和大规模移动应用的不断增长的需求。边缘工作负载具有固有的波动性，且难以预测，这是由于其依赖于人类移动模式、地理分布的基础设施以及边缘节点的动态特性，传统的工作负载预测集中式方法在去中心化且易出故障的边缘环境中是不够的。为应对这一挑战，本文研究了使用Gossip Learning（GL，一种异步点对点学习协议）进行工作负载预测。GL允许以完全去中心化的方式训练预测模型，从而减轻单点故障风险并增强系统整体鲁棒性。我们通过多个维度扩展了原始协议，以改善收敛性、减少通信开销并增强对故障的韧性。我们通过广泛的仿真评估了所提出的方法；获得的结果证明了其相对于经典方法的有效性，使其成为增强边缘负载均衡和任务卸载策略的有前景的解决方案，从而确保服务质量（QoS）并减少服务等级协议（SLA）的违反。
Keyword:
Edge computing
workload forecasting
gossip learning
function-as-a-service
machine learning
期刊
IF:
5.4
论文数:
637
被引数:
9.2K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏Decentralized P2P Federated Learning for Privacy-Preserving and Resilient Mobile Robotic Systems用于隐私保护和弹性移动机器人系统的分散式P2P联合学习
PREAI
分享收藏
查看更多内容