Aktuelles

Neuer Konferenzbeitrag auf der IEEE International Conference on Pervasive Computing and Communications (PerCom)  [28.01.21]

Christian Krupitzer vom Fachgebiet für Lebensmittelinformatik ist Co-Autor des peer-reviewed Konferenzbeirags "Voltaire: Precise Energy-Aware Code Offloading Decisions with Machine Learning" auf der IEEE International Conference on Pervasive Computing and Communications (PerCom) (CORE Rating: A+).

Die Publikation "Voltaire: Precise Energy-Aware Code Offloading Decisions with Machine Learning" von Martin Breitbach (Universität Mannheim) mit den Co-Autoren Janick Edinger (Universität Hamburg), Siim Kaupmees (University of Cambrigde, Vereinigtes Königreich Großbritannien), Heiko Trötsch (Universität Mannheim), Christian Krupitzer (Fachgebiet Lebensmittelinformatik, Universität Hohenheim) und Christian Becker (Universität Mannheim) wurde auf der IEEE International Conference on Pervasive Computing and Communications (PerCom) (CORE Rating: A+; peer-reviewed) angenommen. Die International Conference on Pervasive Computing and Communications ist von IEEE gesponsert und ist die führende Konferenz zur Präsentation wissenschaftlicher Forschung im Bereich Pervasive Computing und Kommunikation.

Code-Offloading ermöglicht es ressourcenbeschränkten Geräten, die ungenutzte Rechenleistung von Remote-Ressourcen zu nutzen. Neben der Leistungssteigerung trägt das Offloading dazu bei, den Energieverbrauch mobiler Geräte zu reduzieren, was eine zentrale Herausforderung in der Pervasive-Computing-Forschung und -Industrie darstellt. Bei den heutigen verteilten Computersystemen ist die Entscheidung nicht trivial, ob eine Aufgabe lokal oder extern ausgeführt werden soll, um den Energieverbrauch zu minimieren. Die Ungewissheit über die Aufgabenkomplexität und die Größe der Ergebnisdaten erfordert eine sorgfältige Offloading-Entscheidung. In diesem Beitrag stellen wir Voltaire vor - einen neuartigen Scheduler für anspruchsvolle, energiebewusste Code-Offloading-Entscheidungen. Voltaire wendet maschinelle Lernmethoden auf Crowd-Sourced-Daten über vergangene Ausführungen an, um die Komplexität und die Größe der Ergebnisdaten einer bevorstehenden Aufgabe genau vorherzusagen. Die Kombination dieser Vorhersagen mit gerätespezifischen Energieprofilen und Kontextwissen ermöglicht es Voltaire, den Energieverbrauch auf dem mobilen Gerät abzuschätzen. Auf diese Weise trifft Voltaire gut informierte Entscheidungen bezüglich des Offloading und wählt sorgfältig zwischen lokaler oder Remote-Ausführung auf Grundlage des erwarteten Energieverbrauchs. Voltaire wird in ein bestehendes verteiltes Rechnersystem integriert und es werden umfangreiche Experimente in einem realen Testumfeld durchgeführt. Die Ergebnisse mit drei realen Anwendungen zeigen, dass Voltaire den Energieverbrauch von Task-Ausführungen um 12,5 % im Vergleich zu einem Basis-Scheduler reduziert.

Die Publikation ist in der IEEE Xplore digital library abrufbar.


Zurück zu Aktuelle Themen