To Compute or not to Compute? Adaptive Smart Sensing in Resource-Constrained Edge Computing

要約

私たちは、時間とともに変化する信号をサンプリングし、遠隔グローバル監視のために基地局に更新を送信するエッジ コンピューティング アプリケーション用のスマート センサーのネットワークを検討します。
センサーにはセンシングとコンピューティングが装備されており、生データを送信することも、送信前にオンボードで処理することもできます。
エッジのハードウェア リソースが限られていると、根本的な遅延と精度のトレードオフが生じます。生の測定値は不正確ですがタイムリーですが、処理遅延後に正確に処理された更新が利用可能になります。
したがって、センサーがいつ生の測定値を送信するか、またはネットワーク監視パフォーマンスを最大化するためにローカル処理に依存するかを決定する必要があります。
このセンシング設計の問題に取り組むために、計算と通信の遅延の両方を組み込んだ推定理論的最適化フレームワークをモデル化し、各センサーで計算リソースを動的に割り当てる強化学習ベースのアプローチを提案します。
私たちが提案したアプローチの有効性は、ドローンと自動運転車のインターネットのためのスマートセンシングを動機とする数値実験を通じて検証されます。
特に、基地局での制約された計算の下では、オンラインのセンサー選択によって監視パフォーマンスがさらに向上できることを示します。

要約(オリジナル)

We consider a network of smart sensors for an edge computing application that sample a time-varying signal and send updates to a base station for remote global monitoring. Sensors are equipped with sensing and compute, and can either send raw data or process them on-board before transmission. Limited hardware resources at the edge generate a fundamental latency-accuracy trade-off: raw measurements are inaccurate but timely, whereas accurate processed updates are available after processing delay. Hence, one needs to decide when sensors should transmit raw measurements or rely on local processing to maximize network monitoring performance. To tackle this sensing design problem, we model an estimation-theoretic optimization framework that embeds both computation and communication latency, and propose a Reinforcement Learning-based approach that dynamically allocates computational resources at each sensor. Effectiveness of our proposed approach is validated through numerical experiments motivated by smart sensing for the Internet of Drones and self-driving vehicles. In particular, we show that, under constrained computation at the base station, monitoring performance can be further improved by an online sensor selection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google