A distributed architecture for edge AI computing

Detalhes bibliográficos
Autor(a) principal: Fidelis, Samuel Amico
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/251489
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2023.
id UFSC_f86c40cde7b4e355938fbbc11d73fbef
oai_identifier_str oai:repositorio.ufsc.br:123456789/251489
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling A distributed architecture for edge AI computingComputaçãoInternet das coisasComputaçãoComputação em nuvemAprendizado do computadorDissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2023.Internet das Coisas ou Internet of Things (IoT) é uma rede massiva de dispositivos fí- sicos incorporados com sensores, software, peças eletrônicas e rede que permite que os dispositivos IoT troquem ou coletem dados e executem certas ações sem intervenção hu- mana. A maioria dos dispositivos IoT produzem quantidades massivas de dados em um curto intervalo de tempo e tais dados podem ser transformados em informações úteis para aplicações de negocio através do uso de modelos de Aprendizagem de Máquina, análise estatística e técnicas de mineração de dados. Transferir grandes quantidades de dados em um curto intervalo de tempo para a nuvem pode ser inaceitável para algumas apli- cações que exigem processamento quase em tempo real. Uma solução para atender a esses requisitos é aproximar a maior parte do processamento de dados aos dispositivos IoT (ou seja, na borda). Nesse contexto, o presente trabalho propõe mover todo pro- cessamento e armazenamento de dados e a aplicação de algoritmos de Aprendizagem de Máquina para a camada em borda mantendo a camada em nuvem apenas para as tare- fas relacionadas ao armazenamento de longo prazo de dados resumidos e hospedagem de relatórios e dashboards. A solução desenvolvida neste trabalho foi o desenvolvimento de uma nova arquitetura distribuída para computação Edge AI onde os nós são distribuidos pelas subcamadas da borda (mist e fog) além de um novo algoritmo para Aprendizagem de Máquina que utiliza o algoritmo de consenso para distribuir um conjunto de diferentes modelos leves (lightweight models) não supervisionados com o intuito de melhorar a preci- são geral do sistema e manter o processamento em baixa latência. Resultados obtidos com três conjuntos de dados diferentes mostram que a abordagem proposta pode melhorar a precisão dos modelos de aprendizagem de máquinas sem comprometer significativamente o tempo de latência de resposta.Abstract: Internet of Things (IoT) is a massive network of physical devices embedded with sensors, software, electronics, and network which allows IoT devices to exchange or collect data and perform certain actions without human intervention. Most IoT devices produce massive amounts of data in a very short time and these data can be transformed into useful information for the application business through the use of Machine Learning (ML) models, statistical analysis and data mining techniques. Transferring large amounts of data in a very short time to the cloud may be unacceptable for some applications that require near-real time processing. One solution to meet such requirements is to bring most data processing closer to IoT devices (i.e., to the edge). In this context, the present work proposes to move all processing and data storage and the application of Machine Learning algorithms to the edge layer, keeping the cloud layer only for tasks related to long-term storage of summarized data and hosting reports and dashboards. The solution developed in this work are: the formulation of a new distributed architecture for Edge AI where the nodes are distributed into two sub-layers of the edge (mist and fog) and a new distributed algorithm for Machine Learning models that uses the consensus algorithm to distribute a set of different unsupervised lightweight models in order to improve the overall accuracy of the system and keep the inference process at low latency. Results obtained with three different datasets show that the proposed approach can improve the accuracy of machine learning models without significantly compromising the response latency time.Castro, Márcio BastosSiqueira, FrankUniversidade Federal de Santa CatarinaFidelis, Samuel Amico2023-10-18T23:15:23Z2023-10-18T23:15:23Z2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis106 p.| il., gráfs.application/pdf384070https://repositorio.ufsc.br/handle/123456789/251489engreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2023-10-19T19:09:02Zoai:repositorio.ufsc.br:123456789/251489Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732023-10-19T19:09:02Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv A distributed architecture for edge AI computing
title A distributed architecture for edge AI computing
spellingShingle A distributed architecture for edge AI computing
Fidelis, Samuel Amico
Computação
Internet das coisas
Computação
Computação em nuvem
Aprendizado do computador
title_short A distributed architecture for edge AI computing
title_full A distributed architecture for edge AI computing
title_fullStr A distributed architecture for edge AI computing
title_full_unstemmed A distributed architecture for edge AI computing
title_sort A distributed architecture for edge AI computing
author Fidelis, Samuel Amico
author_facet Fidelis, Samuel Amico
author_role author
dc.contributor.none.fl_str_mv Castro, Márcio Bastos
Siqueira, Frank
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Fidelis, Samuel Amico
dc.subject.por.fl_str_mv Computação
Internet das coisas
Computação
Computação em nuvem
Aprendizado do computador
topic Computação
Internet das coisas
Computação
Computação em nuvem
Aprendizado do computador
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Ciência da Computação, Florianópolis, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-10-18T23:15:23Z
2023-10-18T23:15:23Z
2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 384070
https://repositorio.ufsc.br/handle/123456789/251489
identifier_str_mv 384070
url https://repositorio.ufsc.br/handle/123456789/251489
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 106 p.| il., gráfs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808652298191110144

Registros relacionados