排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
边缘设备的资源有限性促使部署边缘服务需要深入理解网络功能的资源消耗情况.通过无线路由器上容器化网络功能部署实验得出,除了处理业务流的计算开销外,网络功能实例间的通信也会消耗大量CPU资源.基于该发现,考虑在近距离和相对低负载的对等边缘设备上分布式地部署网络功能实例,在满足时延约束的条件下均衡流量,从而最小化边缘设备负载.为此,提出细粒度服务链负载模型,并在此基础上设计实现了一种面向边缘环境的多实例服务链在线部署算法.该算法包括基于剪枝搜索策略的时延满足路径搜索、基于嵌套Top K策略的部署路径选择和基于贪心策略的网络功能部署3个组成部分.仿真实验验证了该算法的有效性.实验结果表明,相比不考虑通信开销的网络功能链部署,该算法可以降低10% 边缘设备C P U负载,接近理论最优部署结果. 相似文献
2.
作为模型压缩的一个分支,网络剪枝算法通过移除深度神经网络中不重要的参数来降低计算消耗;然而,永久性的剪枝会导致模型容量不可逆转的损失。针对该问题,提出了一种联合动态剪枝的算法来综合分析卷积核与输入图像的特征。一方面,将部分卷积核置零,并允许其在训练过程中更新,直到网络收敛之后再永久性移除被置零的卷积核。另一方面,采样输入图像的特征,然后利用通道重要性预测网络对这些特征进行分析,从而确定卷积运算中可以跳过的通道。基于M-CifarNet与VGG16的实验结果表明,联合动态剪枝分别取得了2.11和1.99的浮点运算压缩比,而与基准模型(M-CifarNet、VGG16)相比准确率仅分别下降不到0.8个百分点和1.2个百分点。相较于现有的网络剪枝算法,联合动态剪枝有效地减少了模型的浮点运算次数(FLOPs)以及参数规模,在同样的压缩比下获得了更高的准确率。 相似文献
3.
4.
为保证电力物联网视频分析类业务的实时性,业界通常将基于神经网络的智能应用部署于边缘设备.由于电力物联网边缘设备资源有限,当系统中存在多个视频分析任务时,需合理分配资源,以期在满足输出精度的要求下尽可能降低任务处理时延.文章深入分析了视频分析任务在电力物联网中的运行特征,考虑了任务之间的依赖,探究了输出精度与时延的关系.... 相似文献
1