WikiEdge:ArXiv-2408.17171v1/methods：修订间差异

下一编辑→

可视化wikitext

2024年9月3日 (二) 07:33的版本

编辑

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。

@@ 第1行： / 第1行： @@
-<!-- 不要移除下面第一行，如果有编辑错误，请直接修改第二行以后的内容 -->
 <div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2408.17171v1/methods|action=edit}} 编辑]</div>
-== 工作方法 ==
+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：
-这篇论文的工作方法是提出了SafeTail框架，这是一个基于奖励的深度学习框架，旨在通过计算冗余管理来优化边缘服务调度中的尾部延迟。SafeTail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，使用基于奖励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。通过追踪驱动的模拟，SafeTail展示了在三种不同服务中接近最优的性能，并在大多数基线策略上表现更好。
+# '''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。

WikiEdge:ArXiv-2408.17171v1/methods：修订间差异

2024年9月3日 (二) 07:33的版本

导航菜单

搜索