Submitted 30 August, 2024; originally announced August 2024. , Comments: This work has been submitted to the IEEE for possible publication. Copyright may be transferred without notice, after which this version may no longer be accessible
توضیحات به فارسی
ارسال شده در 30 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: این کار برای انتشار احتمالی به IEEE ارسال شده است.حق چاپ ممکن است بدون اطلاع قبلی منتقل شود ، پس از آن ممکن است این نسخه دیگر در دسترس نباشد
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Optimizing tail latency while efficiently managing computational resources is crucial for delivering high-performance, latency-sensitive services in edge computing. Emerging applications, such as augmented reality, require low-latency computing services with high reliability on user devices, which often have limited computational capabilities. Consequently, these devices depend on nearby edge servers for processing. However, inherent uncertainties in network and computation latencies stemming from variability in wireless networks and fluctuating server loads make service delivery on time challenging. Existing approaches often focus on optimizing median latency but fall short of addressing the specific challenges of tail latency in edge environments, particularly under uncertain network and computational conditions. Although some methods do address tail latency, they typically rely on fixed or excessive redundancy and lack adaptability to dynamic network conditions, often being designed for cloud environments rather than the unique demands of edge computing. In this paper, we introduce SafeTail, a framework that meets both median and tail response time targets, with tail latency defined as latency beyond the 90^th percentile threshold. SafeTail addresses this challenge by selectively replicating services across multiple edge servers to meet target latencies. SafeTail employs a reward-based deep learning framework to learn optimal placement strategies, balancing the need to achieve target latencies with minimizing additional resource usage. Through trace-driven simulations, SafeTail demonstrated near-optimal performance and outperformed most baseline strategies across three diverse services.
چکیده به فارسی (ترجمه ماشینی)
بهینه سازی تأخیر دم در حالی که مدیریت کارآمد منابع محاسباتی برای ارائه خدمات با عملکرد بالا و حساس به تأخیر در محاسبات لبه بسیار مهم است.برنامه های نوظهور ، مانند واقعیت افزوده ، نیاز به خدمات محاسباتی کم با تأخیر با قابلیت اطمینان بالا در دستگاه های کاربر دارند که اغلب دارای قابلیت محاسباتی محدود هستند.در نتیجه ، این دستگاه ها برای پردازش به سرورهای لبه اطراف بستگی دارند.با این حال ، عدم قطعیت های ذاتی در تأخیر شبکه و محاسبات ناشی از تغییرپذیری در شبکه های بی سیم و نوسان بارهای سرور ، تحویل خدمات را به موقع به چالش می کشد.رویکردهای موجود غالباً بر بهینه سازی تأخیر متوسط تمرکز می کنند اما از پرداختن به چالش های خاص تأخیر دم در محیط های لبه ، به ویژه در شبکه نامشخص و شرایط محاسباتی ، کم می شوند.اگرچه برخی از روش ها به تأخیر دم می پردازند ، اما آنها به طور معمول به افزونگی ثابت یا بیش از حد متکی هستند و فاقد سازگاری با شرایط شبکه پویا هستند ، که اغلب برای محیط های ابری طراحی می شوند و نه خواسته های منحصر به فرد محاسبات لبه.در این مقاله ، ما SafeTail را معرفی می کنیم ، چارچوبی که هر دو اهداف زمان پاسخگویی میانه و دم را برآورده می کند ، با تأخیر دم به عنوان تأخیر فراتر از آستانه صدک 90 درجه تعریف می شود.SafeTail با تکرار انتخاب خدمات در سرور چند لبه ، به این چالش می پردازد تا تأخیر هدف را برآورده کند.SafeTail از یک چارچوب یادگیری عمیق مبتنی بر پاداش برای یادگیری استراتژی های بهینه قرارگیری استفاده می کند ، و نیاز به دستیابی به تأخیر هدف را با به حداقل رساندن استفاده اضافی از منابع متعادل می کند.از طریق شبیه سازی های ردیابی ، SafeTail عملکرد تقریباً بهینه را نشان داد و از بیشتر استراتژی های پایه در سه سرویس متنوع بهتر عمل کرد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
