要約
エッジ コンピューティング パラダイムは、モノのインターネット (IoT) で生成されたデータをソースの近くで処理するのに役立ちます。
リソースに制約のあるエッジ デバイス上で、この急速に増加するデータ量を転送、保存、処理する際に課題が発生します。
シンボリック表現 (SR) アルゴリズムは、実際の生データをシンボルに変換することでデータ サイズを削減する有望なソリューションです。
また、シンボル上で直接データ分析 (異常検出や傾向予測など) が可能になり、大規模なクラスのエッジ アプリケーションにメリットをもたらします。
ただし、既存の SR アルゴリズムは設計が集中されており、バッチ データを使用してオフラインで動作するため、リアルタイムの場合は実現できません。
我々は、SymED (シンボリック エッジ データ表現法) を提案します。これは、エッジ上のデータをシンボリックに表現するためのオンライン、適応、分散型のアプローチです。
SymED はアダプティブ ブラウンニアン ブリッジベース アグリゲーション (ABBA) に基づいており、低電力の IoT デバイスが初期データ圧縮 (送信側) を実行し、より堅牢なエッジ デバイスがシンボリック変換 (受信側) を実行すると想定しています。
SymED は、圧縮パフォーマンス、DTW (Dynamic Time Warping) 距離による再構成精度、計算遅延を測定することで評価されます。
結果は、SymED が (i) 平均圧縮率 9.5% で生データを削減できることを示しています。
(ii) DTW 空間での再構成誤差を 13.25 と低く保つ。
(iii) 同時に、シンボルあたり 42 ミリ秒の標準レイテンシでオンライン ストリーミング IoT データに対するリアルタイムの適応性を提供し、全体のネットワーク トラフィックを削減します。
要約(オリジナル)
The edge computing paradigm helps handle the Internet of Things (IoT) generated data in proximity to its source. Challenges occur in transferring, storing, and processing this rapidly growing amount of data on resource-constrained edge devices. Symbolic Representation (SR) algorithms are promising solutions to reduce the data size by converting actual raw data into symbols. Also, they allow data analytics (e.g., anomaly detection and trend prediction) directly on symbols, benefiting large classes of edge applications. However, existing SR algorithms are centralized in design and work offline with batch data, which is infeasible for real-time cases. We propose SymED – Symbolic Edge Data representation method, i.e., an online, adaptive, and distributed approach for symbolic representation of data on edge. SymED is based on the Adaptive Brownian Bridge-based Aggregation (ABBA), where we assume low-powered IoT devices do initial data compression (senders) and the more robust edge devices do the symbolic conversion (receivers). We evaluate SymED by measuring compression performance, reconstruction accuracy through Dynamic Time Warping (DTW) distance, and computational latency. The results show that SymED is able to (i) reduce the raw data with an average compression rate of 9.5%; (ii) keep a low reconstruction error of 13.25 in the DTW space; (iii) simultaneously provide real-time adaptability for online streaming IoT data at typical latencies of 42ms per symbol, reducing the overall network traffic.
arxiv情報
| 著者 | Daniel Hofstätter,Shashikant Ilager,Ivan Lujic,Ivona Brandic |
| 発行日 | 2023-09-06 13:59:04+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google