.png){kind=icon}
返回
Energy-Efficient Task Allocation for IIoT Deep Learning Applications: An Embedded Edge Clusters Solution
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2025.3586469.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于深度学习的边缘计算集成到工业流程中，已在工业物联网（IIoT）中实现了智能自动化。然而，由于能源限制、通信延迟和计算限制，深度学习推理模型在嵌入式边缘集群中的部署仍是一个挑战。本文提出了一种面向能源的任务分配框架，用于优化IIoT环境中的深度学习推理，利用同时具备Wi-Fi和以太网通信设置的嵌入式集群。我们在边缘集群上实现了并评估了四种经典深度学习模型（MobileNet单次检测器（SSD）、Tiny YOLO、EfficientDet Lite和Faster R-CNN）的性能，并分析了它们的执行时间、能耗和网络效率。该框架为在资源受限的边缘计算平台上部署深度学习推理提供了可扩展且节能的解决方案。嵌入式边缘测试床的开发正在进行中，未来的工作将探索异构边缘设备的集成和5G增强计算以进一步提升性能。实验结果表明，与Wi-Fi相比，基于以太网的通信可提高任务执行速度15%–20%，并降低能耗12%–18%。此外，一种容错任务重分配机制可在节点故障时确保不间断运行。研究结果表明，高效的任务调度和网络优化策略也能显著提升嵌入式边缘上的IIoT应用的实时处理能力。
Keyword:
Deep Learning Inference
embedded cluster
embedded edge computing
energy-aware task allocation
Industrial IoT
multipath communication
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
Accelerating Graph Embedding Through Secure Distributed Outsourcing Computation in Internet of Things物联网中通过安全分布式外包计算加速图嵌入
.png){kind=icon}
PREAI
分享收藏Dataflow Model–based Software Synthesis Framework for Parallel and Distributed Embedded Systems
PREAI
分享收藏
分享收藏
查看更多内容