.png){kind=icon}
返回
Multi-application operator placement in cloud-edge infrastructure for big data stream processing
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-026-06524-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
物联网（IoT）应用通常需要对由地理分布广泛的智能设备产生的数据流进行实时处理。传统上，这些数据流被发送到远程云服务器进行处理，导致高端到端延迟。为解决此问题，近期研究探索了云-边缘基础设施，该基础设施结合了靠近数据源的云资源和边缘设备。在该混合环境中进行数据流处理（DSP）的关键挑战之一是算子部署。尽管近期研究侧重于异构云-边缘设备间的多目标算子分配，但仍有两大方面未得到解决：1）处理延迟、网络使用、产品所有者偏好、QoS约束和异构资源利用之间的权衡；2）管理并行运行的多个DSP应用，而非按顺序处理。本文提出了一种资源感知的多应用算子部署方法，该方法优化了端到端延迟和网络使用，同时满足异构云-边缘环境中的QoS约束和应用所有者的偏好。此外，我们使用Apache Storm开发了一个概念验证原型。在真实异构云-边缘测试床上的实验结果表明，所提出的方法有效管理了延迟与网络使用之间的权衡。
Keyword:
Operator placement
Data stream processing
Multi-application
Multi-objective optimization
Cloud-edge computing
期刊
C
IF:
4.1
论文数:
5.0K
被引数:
7.5K
机构
引用论文
.png){kind=icon}
EdgeCI: DistributedWorkload Assignment and Model Partitioning for CNN Inference on Edge ClustersEdgeCI: 边缘集群上CNN推理的分布式工作负载分配和模型划分
OAAI
OAAI分享收藏分享收藏
查看更多内容