FuzzPrismEdge：面向自主物联网设备的自适应模糊-神经网络边缘计算架构

《Scientific Reports》：FuzzPrismEdge: dynamic resource allocation in edge AI via context-aware fuzzy gating

　　

摘要

在自主物联网（IoT）设备上使用深度神经网络（DNNs）会面临瓶颈，并且由于持续不断的推理需求，会导致电池加速退化、内存耗尽以及热节流。虽然当前文献主要通过静态模型量化来应对这一问题，但本文提出了FuzzPrismEdge，一种自适应三层混合模糊-神经网络架构，该架构能够根据实时环境上下文动态调整计算负载。该框架以轻量级模糊逻辑控制器（FLC）作为初步的硬件守门人，评估环境遥测数据，即能量储备和运动强度，并根据清晰的去模糊化阈值动态引导系统状态。为了消除冗余的空间处理，FuzzPrismEdge采用了动态模型替代：低优先级遥测数据触发深度硬件休眠（第一层），中等优先级遥测数据触发轻量级空间分类器（第二层），关键优先级遥测数据触发计算密集型、重量级目标检测模型（第三层）。通过基于事件优先级动态分配DNN复杂度，FuzzPrismEdge架构主动节约了RAM的分配，避免了在非关键事件中不必要的GPU启动，与静态未优化基线相比，将边缘节点的自主运行寿命延长了60.0%至66.7%。