단말과 클라우드 컴퓨팅 환경으로 수행하고자 하는 머신러닝 모델을 분할하여 수행하게 하는 분할 컴퓨팅이 단말에서의 처리 능력을 고려한 부하 분담 방식으로서 제안되고 있다. 이러한 클라우드를 활용한 분할 컴퓨팅에서는 단말의 컴퓨팅 가용 상황에 따른 머신러닝 모델의 분할 지점 변화와 클라우드로 보내야 하는 정보량의 차이 등을 고려한 클라우드 컴퓨팅 환경의 구성과 관리가 주요한 이슈가 되고 있다. 특별히 사용자와 근접하게 클라우드 컴퓨팅 제공을 통해 서비스 품질을 개선하고자 하는 ...
단말과 클라우드 컴퓨팅 환경으로 수행하고자 하는 머신러닝 모델을 분할하여 수행하게 하는 분할 컴퓨팅이 단말에서의 처리 능력을 고려한 부하 분담 방식으로서 제안되고 있다. 이러한 클라우드를 활용한 분할 컴퓨팅에서는 단말의 컴퓨팅 가용 상황에 따른 머신러닝 모델의 분할 지점 변화와 클라우드로 보내야 하는 정보량의 차이 등을 고려한 클라우드 컴퓨팅 환경의 구성과 관리가 주요한 이슈가 되고 있다. 특별히 사용자와 근접하게 클라우드 컴퓨팅 제공을 통해 서비스 품질을 개선하고자 하는 엣지 클라우드 환경에서는 제한적 자원을 고려한 관리 기술이 요구된다. 본 논문에서는 컨테이너 중심의 클라우드 관리 시스템인 쿠버네티스를 기반으로 한 엣지 클라우드 환경에서 분할 컴퓨팅을 위한 구조를 제안하고, 단말의 상황을 고려한 분할 컴퓨팅 운용 시스템을 구현하였다. 제안된 시스템은 분할 컴퓨팅 모델의 분할 지점 정보를 받아 최적의 GPU 자원을 할당하도록 설계하였으며, 실험을 통해 효율적인 GPU 활용이 가능함을 검증하였다.
단말과 클라우드 컴퓨팅 환경으로 수행하고자 하는 머신러닝 모델을 분할하여 수행하게 하는 분할 컴퓨팅이 단말에서의 처리 능력을 고려한 부하 분담 방식으로서 제안되고 있다. 이러한 클라우드를 활용한 분할 컴퓨팅에서는 단말의 컴퓨팅 가용 상황에 따른 머신러닝 모델의 분할 지점 변화와 클라우드로 보내야 하는 정보량의 차이 등을 고려한 클라우드 컴퓨팅 환경의 구성과 관리가 주요한 이슈가 되고 있다. 특별히 사용자와 근접하게 클라우드 컴퓨팅 제공을 통해 서비스 품질을 개선하고자 하는 엣지 클라우드 환경에서는 제한적 자원을 고려한 관리 기술이 요구된다. 본 논문에서는 컨테이너 중심의 클라우드 관리 시스템인 쿠버네티스를 기반으로 한 엣지 클라우드 환경에서 분할 컴퓨팅을 위한 구조를 제안하고, 단말의 상황을 고려한 분할 컴퓨팅 운용 시스템을 구현하였다. 제안된 시스템은 분할 컴퓨팅 모델의 분할 지점 정보를 받아 최적의 GPU 자원을 할당하도록 설계하였으며, 실험을 통해 효율적인 GPU 활용이 가능함을 검증하였다.
Split computing, proposed as a load distribution approach considering the processing capabilities of devices, is increasingly being adopted for executing machine learning models within device and cloud computing environments. This split computing approach, leveraging the cloud, necessitates careful ...
Split computing, proposed as a load distribution approach considering the processing capabilities of devices, is increasingly being adopted for executing machine learning models within device and cloud computing environments. This split computing approach, leveraging the cloud, necessitates careful consideration and management of the cloud computing environment, taking into account changes in the split point of the machine learning model based on the available computing capacity of the devices and the variance in the amount of data that needs to be transmitted to the cloud. Particularly in edge cloud environments, where the goal is to enhance service quality by providing cloud computing closer to the user, there is a demand for management techniques that consider limited resources. This paper proposes a structure for split computing in an edge cloud environment based on Kubernetes, a container-centric cloud management system. We have implemented a split computing operation system that takes into account the conditions of the devices. The proposed system is designed to allocate optimal GPU resources based on the split point information of the split computing model, and its efficacy in utilizing GPU resources efficiently has been verified through experiments.
Split computing, proposed as a load distribution approach considering the processing capabilities of devices, is increasingly being adopted for executing machine learning models within device and cloud computing environments. This split computing approach, leveraging the cloud, necessitates careful consideration and management of the cloud computing environment, taking into account changes in the split point of the machine learning model based on the available computing capacity of the devices and the variance in the amount of data that needs to be transmitted to the cloud. Particularly in edge cloud environments, where the goal is to enhance service quality by providing cloud computing closer to the user, there is a demand for management techniques that consider limited resources. This paper proposes a structure for split computing in an edge cloud environment based on Kubernetes, a container-centric cloud management system. We have implemented a split computing operation system that takes into account the conditions of the devices. The proposed system is designed to allocate optimal GPU resources based on the split point information of the split computing model, and its efficacy in utilizing GPU resources efficiently has been verified through experiments.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.