Adaptive DNN Partitioning and Offloading in Heterogeneous Edge-Cloud Continuum

작성자

Haebom

카테고리

Empty

저자

Akuen Akoi Deng, Eimantas Butkus, Alfreds Lapkovskis, Praveen Kumar Donta

💡 개요

본 논문은 자원 제약이 있는 IoT 기기에서 딥러닝 모델(DNN)을 효율적으로 실행하기 위해 엣지-클라우드 컴퓨팅 환경에서 동적으로 DNN 레이어를 분할하고 오프로딩하는 프레임워크를 제안합니다. 기존의 정적 방식과 달리, 이 프레임워크는 실행 시간 동안의 동적 변화와 실제 하드웨어 환경을 고려하여 성능을 최적화합니다. 이를 통해 에너지 소비와 종단간 지연 시간을 크게 감소시키는 결과를 보여주었습니다.

🔑 시사점 및 한계

•

동적 적응성의 중요성: 엣지-클라우드 환경의 동적인 변화(네트워크 링크 조건 등)에 실시간으로 적응하는 동적 파티셔닝 및 오프로딩 방식이 정적 방식보다 훨씬 효과적임을 입증했습니다.

•

실제 환경에서의 검증: 시뮬레이션이 아닌 실제 물리적 테스트베드(Raspberry Pi, 랩탑, 고성능 PC)를 구축하여 제안된 프레임워크의 실효성을 검증했습니다.

•

복잡한 DNN 모델 적용 및 실시간 최적화: 다양한 CNN 모델(VGG16, AlexNet, MobileNetV2)에 대해 유효성을 확인했지만, 실제 서비스 환경에서 요구되는 더 복잡하고 다양한 모델에 대한 성능 및 실시간 최적화 방안 연구가 필요합니다.

PDF 보기

Made with Slashpage