查看“WikiEdge:ArXiv-2408.17171v1/methods”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17171v1/methods|action=edit}} 编辑]</div>
这篇论文的工作部分详细介绍了如何开发和评估提出的[[SafeTail]]框架，旨在优化[[边缘计算]]中的[[尾部延迟]]。以下是这部分的主要内容：
# '''问题定义'''：
#* 定义了在边缘计算环境中优化尾部延迟的挑战，特别是在[[网络]]和[[计算延迟]]不确定性较高的情况下。
#  '''SafeTail框架'''：
#* 提出了SafeTail，这是一个基于[[奖励]]的[[深度学习]]框架，通过选择性地在多个[[边缘服务器]]上复制服务来满足目标延迟。
#  '''奖励驱动的深度学习'''：
#* 利用奖励驱动的深度学习框架来学习最优的[[服务放置策略]]，平衡实现目标延迟和最小化额外资源使用的需要。
#  '''实验设计'''：
#* 通过追踪驱动的模拟，评估了SafeTail在三种不同服务（[[对象检测]]、[[图像实例分割]]和[[音频去噪]]）上的性能，并与基线策略进行了比较。
#  '''性能评估'''：
#* 使用了包括[[访问率]]、延迟偏差和奖励绝对值等性能指标来衡量SafeTail与基线方法的比较结果。
#  '''实验结果'''：
#* 发现SafeTail在减少中位数和尾部延迟方面均优于基线方法，同时有效管理了资源使用。