在基于边缘智能的物联网中实现成本效益高的深度神经网络部署

《ACM Transactions on Sensor Networks》：Cost-Efficient Deep Neural Network Placement in Edge Intelligence-Enabled Internet of Things

边缘智能中基于博弈论的DNN部署优化方法研究，提出EPOL算法通过精确势游戏模型解决多维度资源分配问题，提升实时性能并验证有效性。

　　

摘要

边缘智能（Edge Intelligence, EI）结合了边缘计算和人工智能技术，使服务提供商能够在靠近用户的边缘服务器上部署深度神经网络（Deep Neural Networks, DNNs），从而为智能城市中的普适物联网（Internet of Things, IoT）提供智能应用（例如自动驾驶）。这不仅提升了用户体验（Quality of Experience, QoE），还改善了处理能力和能源效率。然而，由于DNN通常计算量大且资源需求高，传统的部署方法忽略了多维资源需求（如处理器、内存等）的影响，这可能会降低系统的实时性能。此外，随着地理分布式边缘服务器规模的不断扩大，中央决策仍然难以有效找到最优策略。为了解决这些问题，本文提出了一种基于博弈论的DNN部署方法，应用于支持EI的物联网环境中。首先，我们构建了一个DNN部署优化问题，旨在最大化系统效益，并证明了该问题属于$NP$难问题，并将原问题建模为一个精确势博弈（Exact Potential Game, EPG）。随后，我们设计了一种基于EPG的DNN部署算法EPOL，该算法允许边缘服务器独立采取次优策略，并通过理论分析保证了EPOL的性能。最后，基于真实世界数据集的实验结果证实了EPOL的优越性和有效性。