Firefly：基于时间序列基础模型的实时DTN-IoT任务卸载方法——一种概率驱动的边缘计算策略

《IEEE Open Journal of the Communications Society》：Firefly: Probabilistic Edge-Driven Task Offloading for Real-Time DTN-IoT Using Time-Series Foundation Models

　　

摘要：

低功耗、资源受限的物联网（IoT）设备越来越多地被用于远程监控和预测性维护，但许多现代机器学习（ML）工作负载超出了它们的计算和能源预算。将任务卸载到附近的边缘服务器是一个有吸引力的解决方案，然而许多实际部署依赖于通过数据中继（如公共交通工具或低地球轨道（LEO）卫星）实现的延迟/中断容忍网络（DTN），在这些网络中，连接是间歇性的、随机的，并且往往难以预测。本文介绍了Firefly，这是一个基于边缘的、概率性的任务卸载框架，它使资源受限的IoT设备能够在这样的DTN链接上做出考虑截止时间的卸载决策。Firefly被动地监控数据包传输，并将它们汇总成“接触”时段，即设备可以与边缘节点通信的时间段。在边缘节点，使用时间序列基础模型（TSFMs）来预测未来接触开始时间、持续时间和端到端延迟的分布，无论是上行链路还是下行链路。这些预测被压缩成小型概率查找表，并定期发送到设备上。在设备端，一个轻量级的概率预测器使用这些表来估计在可配置的风险阈值和软实时截止时间内卸载给定任务的成功概率和响应时间分布，并在本地执行和卸载之间做出选择。我们进一步推导了在我们的接触模型下任务卸载成功概率的解析表达式，并用这些表达式实现了一个简单的贪婪决策策略。我们使用基于实际通勤列车时刻表和实际LEO卫星轨道的事件驱动模拟来评估Firefly的性能。在我们的基于列车的DTN场景中，Firefly的任务卸载成功率比基于时间表的捆绑路由（SABR）基线高出27%；在卫星场景中，这一比例提高了19%，同时Firefly仍然可以在没有任何额外设备资源的情况下在资源受限的设备上运行...

显示更多