移动边缘网络中深度学习任务卸载方案

• 作者: 尹高 石远明
• 来源期刊: 重庆邮电大学学报（自然科学版）
• 学科: 工学
• 关键词: 移动边缘计算 深度学习 组稀疏波束成形(GSBF) 交替方向乘子法 计算任务分配
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 人工智能与信息通信
• 页码范围: 38-46
• 页数: 9页
• 分类号: TN929.5
• 字数: 7735字
• 语种: 中文
• DOI: 10.3979/j.issn.1673-825X.2020.01.005

摘要

为了缓解网络带宽的压力、降低网络延迟,克服移动设备资源匮乏等问题,推动深度学习应用在移动终端的部署,提出一个基于移动边缘计算的深度学习任务卸载方案.基于深度神经网络专用加速芯片Eyeriss的架构,对深度学习任务的计算功耗进行建模,提出了一个基于混合?1/?2范数诱导的三阶段组稀疏波束成形(group sparse beamforming,GSBF)框架,通过对计算任务优先级的精心设计,尽可能地删除基站端冗余的计算任务,实现对整体网络功耗(包括发送功率损耗和计算功率损耗)的优化.针对该框架,提出了一个加速优化方案.仿真实验表明,在该场景下,所提出的框架在优化整体网络功耗方面具有显著优势,而加速算法可以进一步提升框架的性能.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	石远明		3	12	1.0	3.0
2	尹高	中国科学院上海微系统与信息技术研究所	1	0	0.0	0.0