Edge Computing Scheduling by Using Temporal Knowledge Graph

Dieses Kapitel untersucht die Herausforderungen bei der Planung von KI-Algorithmen auf verteilten Edge-Servern, wobei der Schwerpunkt auf dynamischen Arbeitslasten und kontextabhängigen Anforderungen liegt. Es stellt eine neue Methode vor, die zeitliche Wissensdiagramme nutzt, um periodische Muster und semantische Beziehungen zu erfassen, und das Terminproblem als Aufgabe zur Ergänzung zeitlicher Wissensdiagramme formuliert. Die vorgeschlagene zweigeteilte neuronale Architektur kombiniert historische Periodizitätsmodellierung mit nicht-historischem Abhängigkeitslernen und verwendet Graph Attention Networks (GAT) und Gated Recurrent Units (GRU) für adaptive Fusion. Die experimentelle Validierung in einem simulierten Überwachungsszenario zeigt signifikante Leistungsverbesserungen gegenüber bestehenden zeitlichen Wissensgraphen-Methoden. Das Kapitel diskutiert auch die Bedeutung historischer Abhängigkeitsmodellierung, nicht historischer Abhängigkeitsmodellierung und die Rolle von GRU-Modulen bei der Erfassung zeitlicher Dynamiken. Die Ergebnisse unterstreichen die Effektivität der vorgeschlagenen Methode bei der Handhabung dynamischer und heterogener Arbeitslasten, insbesondere in zeitsensiblen Anwendungen wie intelligenter Überwachung und industrieller Automatisierung.