.png){kind=icon}
返回
Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey
.png){kind=icon}
PRE
AI
DOI：10.1109/COMST.2026.3669216.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
边缘云协同计算（ECCC）已成为应对现代智能应用计算需求的关键范式，通过整合云资源与边缘设备，实现在分布式通信网络上的高效、低延迟处理。人工智能（尤其是深度学习和大型语言模型LLMs）的最新进展显著提升了这些网络化系统的能力，但引入了模型部署、网络资源管理和跨层优化等重大挑战。本综述全面探讨了分布式智能与模型优化在边缘云环境中的交叉领域，提供了关于基础架构、通信协议和网络感知计算框架的结构化教程。此外，我们系统地分析了模型优化方法，包括压缩、适配和神经网络架构搜索，以及平衡异构网络中性能、能效和通信开销的AI驱动资源管理策略。我们进一步探索了ECCC系统中隐私保护和安全增强的关键方面，并通过自动驾驶、医疗健康和工业自动化等多样化网络应用，考察了实际部署情况。性能分析与基准测试技术也得到了深入探讨，以建立这些复杂分布式系统的评估标准。此外，该综述识别了关键研究方向，包括LLMs部署、6G集成、神经形态计算和量子计算，为解决异构性管理、实时处理和可扩展性等持续挑战提供了路线图。通过将通信领域的理论进展与实践部署相结合，本研究为研究人员和从业者提供了利用AI优化下一代通信网络分布式计算环境的整体视角，推动智能网络化系统的创新。
Keyword:
Edge-cloud collaborative computing
distributed intelligence
model optimization
AI
survey
期刊
I
IF:
0
论文数:
67
被引数:
0
机构
引用论文
Precise Energy Consumption Measurements of Heterogeneous Artificial Intelligence Workloads异构人工智能工作负载的精确能耗测量
.png){kind=icon}
PREAI
分享收藏
FlexibleFL: Mitigating poisoning attacks with contributions in cloud-edge federated learning systemsFlexibleFL: 缓解云边联邦学习系统中的贡献中毒攻击
PREAI
分享收藏
分享收藏
查看更多内容