基于边缘计算的深度学习模型推断研究开题报告

 2021-11-21 04:11

1. 研究目的与意义(文献综述)

深度学习技术近年来得到了学术界与产业界的持续关注并已在计算机视觉、自然语言处理等领域大放异彩。然而,由于深度学习模型需要进行大量的计算,因此基于深度学习的智能通常只存在于具有强大计算能力的云计算数据中心。由于数据传输的网络性能有限,集中式云结构已经不能处理和分析从终端设备收集的大量数据。且考虑到当下移动终端设备的高度普及,如何将深度学习模型高效地部署在资源受限的终端设备,从而使得智能更加贴近用户,是当前研究的主流方向。边缘计算能够将计算任务从集中式云卸载到终端设备附近的边缘,因此通过预处理过程传递的数据会大幅减少,这使得边缘计算成为进一步发展深度学习模型的一项重要技术。边缘智能技术通过协同终端设备与边缘服务器,来整合二者的计算本地性与强计算能力的互补性优势,实现显著降低深度学习模型推理的延迟与能耗的目的。

近年来,边缘计算作为5g网络发展的重要方向之一正逐步走进人们的视野。移动边缘计算的产生是用来解决集中部署的云计算带来的时延长、网络拥塞等问题,边缘计算与云计算相比,能更好地服务于实时性要求较高和带宽要求较高的业务。作为边缘计算的核心,计算卸载决策与资源分配问题已经被广泛地研究过,有很多侧重点不同的传统优化方法,且解法简单,结果准确。但是现有的传统优化算法一般都需要经过复杂的操作和迭代才能得到优化结果,并不是很适用于像深度学习模型推断这样要求高实时性的计算任务。因此,基于深度学习的优化算法应运而生,因其模型中的每个网络层都可以快速缩小中间数据的大小,直到找到足够的特征,而不必像传统算法需要进行大量复杂预处理,降低了传输时延的同时提高了计算性能。

由此可见,深度学习与移动边缘计算的结合是将来的主流研究方向,对未来的物联网发展有着重大的影响作用,二者整合势在必行。其中,一个好的卸载策略将决定深度学习模型的推断质量和效率。本设计将根据模型结构、任务量大小、时延需求和能耗限制等要求提出一种合理的任务卸载方式,降低时延和能耗,优化深度学习模型推断系统。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容与方案

2.1设计的基本内容

本设计主要研究如何根据深度学习模型计算任务的异构性,计算量大小、时延需求与预处理开销等因素,提出具有弹性的任务切割和卸载策略。主要从优化任务卸载策略出发,实现时延的降低,更加合理地实现任务卸载,从而提高深度学习模型推断的精度和速度。主要的工作如下:

Ⅰ.对移动边缘计算技术的研究现状进行分析,对移动边缘计算中任务分割策略和卸载策略进行研究,并对移动边缘计算中所使用的计算卸载算法和模型进行归纳总结;

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究计划与安排

(1)第1-3周:查阅相关文献资料,明确研究内容,了解研究所需理论基础。确定方案,完成开题报告。

(2)第4-5周:熟悉掌握基本理论,完成英文资料的翻译,熟悉相关工具软件的使用。论文开题;

(3)第6-12周:实现基于边缘计算的深度学习模型推断优化算法设计与验证。撰写论文初稿;

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

[1] y. liao, y. han, q. yu, q. ai, q. liu, m.s. leeson, wireless body area network mobility-aware task offloading scheme, ieee access 6 (2018) 61366-61376.

[2] h. guo, j. liu, j. lv, toward intelligent task offloading at the edge, ieee network (2019).

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。