LeadingEdge project

    Τίτλος: Holistic and foundational resource allocation framework for optimized and impactful edge computing services
    Διάρκεια: Απρίλιος 2020 – Δεκέμβριος 2023

    Website: https://mm.aueb.gr/leadingedge/
    Linkedin: https://www.linkedin.com/groups/13884263/

    O στόχος του LeadingEdge ήταν η ανάπτυξη νέων μαθηματικών βάσεων, αλγοριθμικών τεχνικών και αρχιτεκτονικών δικτύου για την υλοποίηση του οράματος της μηχανικής μάθησης (ML) στο άκρο του δικτύου (edge ML). Η βελτιστοποίηση της μηχανικής μάθησης στο άκρο έχει ταυτοποιηθεί ως το κύριο ορόσημο για την επίτευξη βελτιστοποιημένων και ουσιαστικά αποδοτικών υπηρεσιών υπολογιστών στο άκρο.

    Οπτική 1: Αρχικά, σε θεμελιώδες επίπεδο, αναγνωρίστηκε ότι οι κοινές απαιτήσεις της μηχανικής μάθησης στο άκρο πίσω από οποιαδήποτε υπηρεσία στο άκρο περιλαμβάνουν τα εξής βασικά προαπαιτούμενα:

    (a) Να ξεπεραστούν οι άγνωστες και/ή απρόβλεπτες δυναμικές του συστήματος και των δεδομένων στο άκρο του δικτύου που εμποδίζουν την ανάπτυξη ουσιαστικών υπηρεσιών.
    (b) Να κατανοηθούν και να ποσοτικοποιηθούν τα θεμελιώδη όρια απόδοσης σε όρους καθυστέρησης και αξιοπιστίας για διάφορες αρχιτεκτονικές δικτύου στο άκρο.
    (c) Να βελτιστοποιηθεί η χρήση των πόρων του άκρου για πιο αποδοτική διαχείριση πόρων που θα υποστηρίζει τις υπηρεσίες στο άκρο.

    Για την επίτευξη αυτών των στόχων, έχουμε αναπτύξει μια σειρά από μεθόδους που αντιμετωπίζουν τις προκλήσεις (a), (b) και (c) για οποιαδήποτε υπηρεσία. Με άλλα λόγια, για μια υπηρεσία που πρέπει να αναπτυχθεί, δείχνουμε:

    1. Πώς να ξεπεράσουμε την απρόβλεπτη φύση του συστήματος και των δεδομένων μέσω προηγμένων (κατανεμημένων) τεχνικών μάθησης, όπως η Ομοσπονδιακή Μάθηση, η Online Κυρτή Βελτιστοποίηση και η Συνεχής Μάθηση.
    2. Τι μπορούμε να επιτύχουμε σε όρους αξιοπιστίας και καθυστέρησης.
    3. Πώς να χρησιμοποιήσουμε τους πόρους του άκρου, όπως κόμβους, εύρος ζώνης, χωρητικότητα μνήμης και ενέργεια, προς όφελος των υπηρεσιών.

    Οπτική 2: Το δεύτερο ερώτημα του LeadingEdge αφορά τον συντονισμό σε επίπεδο συστήματος για τη διαχείριση ταυτόχρονων υπηρεσιών. Αφού οι μεμονωμένες υπηρεσίες βελτιστοποιηθούν σύμφωνα με την Οπτική 1, το ζήτημα είναι πώς να πραγματοποιηθεί ο συντονισμός (orchestration) διαφορετικών, συνυπάρχουσων υπηρεσιών σε ένα σύστημα με διαθέσιμη δεξαμενή πόρων για όλες τις υπηρεσίες. Εδώ, η κύρια υπόθεση είναι ότι εξετάζουμε υπηρεσίες στο πλαίσιο των τρεχουσών και μελλοντικών αρχιτεκτονικών 5G/6G. Τα εργαλεία για την επίτευξη αυτού του συντονισμού σε επίπεδο συστήματος είναι:

    1. Τεχνικές Τεχνητής Νοημοσύνης, όπως η Ομοσπονδιακή Μάθηση και η βελτιστοποίηση πολλαπλών αντικειμενικών στόχων.
    2. Προηγμένες τεχνικές πειραμάτων σε επίπεδο συστήματος.

    Οπτική 3: Η τρίτη πτυχή αφορά την επίδραση των βελτιστοποιημένων υπηρεσιών (σύμφωνα με την Οπτική 1) και των προσεγγίσεων συντονισμού υπηρεσιών (στην Οπτική 2) στην αντιληπτή Ποιότητα Εμπειρίας (QoE) των χρηστών.

    Η ομάδα του ΟΠΑ με επικεφαλής τον Καθηγητή του Τμήματος Πληροφορικής Ιορδάνη Κουτσόπουλο ασχολήθηκε με την οπτική 1. Οι Δημοσιεύσεις που προέκυψαν ως αποτέλεσμα του έργου είναι στην σελίδα: https://mm.aueb.gr/leadingedge/