面向边缘智能的资源配置与部署优化关键技术研究

Numerous applications in Internet of Things (IoTs) and smart city require timely and efficient processing of huge volume data collected by end devices in order to obtain real time edge intelligence. The traditional centralized approach to data processing, which requires transmitting all the data to the cloud for processing, is not suitable for efficient edge intelligence extraction because it cannot guarantee real time data processing and lacks location awareness. The emerging Fog computing paradigm enhances real time by deploying computing nodes at network edge and performing local data processing. However, existing fog computing infrastructure lacks effective resource management and deployment to support efficient extraction of edge intelligence. In this project, we investigate the resource management and deployment optimization problem in fog computing from the perspective of supporting efficient edge intelligence extraction, including: 1) distributed machine learning algorithm design in the context of heterogeneous edge computing devices, neural network partition strategy and deployment/execution of partitioned neural network on edge and end devices; 2) resource orchestration in fog computing for a group of coexisting tasks, considering different priority level of metrics to be satisfied; and 3) task resource requirement prediction model and dynamic computing resource deployment/optimization based on the predicted resource requirement. This project provides a new point view to study resource management and deployment optimization in fog computing, which can help build computing platforms to support efficient edge intelligence extraction, satisfying requirements of numerous applications in the field of IoTs, smart city, etc.

物联网、智慧城市等领域中的众多应用需要对终端设备采集的海量数据进行高效处理以实时获取边缘智能。基于集中式云平台处理所有数据的传统方法不能保证实时性且缺乏位置敏感性。雾计算模式利用网络边缘的异构计算节点进行本地数据处理以改进实时性。然而，现有的雾计算架构缺乏面向边缘智能的资源管理和部署策略，不能自适应的支持边缘智能信息的实时获取。本课题从面向高效边缘智能信息获取的角度研究雾计算中的资源配置和部署优化，包括：1）适配异构边缘设备的分布式学习算法设计与部署运行；2）多任务共存下考虑性能指标优先级的协同资源配置方法；3）面向动态任务的资源需求预测模型以及基于资源预测的动态计算资源部署优化。本课题从支持实时灵活的边缘智能获取的新颖角度来研究雾计算中的资源配置与部署优化，可以有效的支持构建相关平台以满足众多应用对于实时边缘智能获取的需求，对于物联网、智慧城市等多个领域有着重要的意义和价值。

本项目主要从提供实时高效的边缘智能的角度对雾计算中的资源配置和部署优化展开研究。在此过程中，主要针对此前研究中尚未解决的若干重要问题，包括如何设计灵活高效的分布式学习算法，如何实现多任务多优先级的协同资源配置，以及如何对雾计算资源进行动态部署和优化,提出切实可行的解决办法并进行验证评估。.本项目的主要研究内容包括以下几个方面:.（1）面向边缘智能的分布式学习技术。为了能够高效、灵活的获取边缘智能，我们需要能够在边缘设备上对数据进行有效处理。首先，我们考虑研究适配于异构计算资源的深度神经网络模型切分和部署框架。该框架考虑三种切分方式：1）纵向切分方法。2）横向切分方法。由于资源的限制，有可能某个计算节点不能够负担所有神经元节点。3）纵向和横向联合切分方法。然后，我们研究将切分好的神经网络层或者神经元节点部署到计算节点上去执行时，如何选择最优的计算节点来执行的策略。.（2）面向边缘智能的资源配置方法。当有多个任务同时提出资源需求时，如何有效地为每个任务分配资源，从而能够在满足各个任务需求的情况下保证网络中的数据传输量或者能量开销最小，是一个重要的待解决问题。针对这个问题，我们拟研究两种面向边缘智能的资源配置策略：多任务下的协同资源配置以及基于任务性能指标优先级的资源配置。.（3）面向边缘智能QoS 的资源动态部署与优化问题研究。由于很多应用的资源需求在不同的情况下会不断的变化，因此很多的场景下我们需要对雾计算架构中的边缘计算节点的资源进行重新部署和优化。我们考虑应用资源需求动态变化下的边缘资源部署策略，基于对资源的需求预测来进行资源部署优化。