ISEC

Towards Inference Service with Edge Computing: the Framework and an Improved Firefly Algorithm

数据说明

以下是整理后的数据表格，包含参数、取值范围及说明：

参数/变量	取值范围/值	说明
DAG结构参数
子任务数量（单个推理服务）	[10, 100]	每个推理服务的子任务总数随机生成。
子任务出度	[1, 10]（均匀分布）	每个子任务的后继任务数量，模拟窄宽度DAG。
子任务计算工作量 $v_i$	[1, 5]（均匀分布）	每个子任务的计算负载。
边缘服务器（ES）参数
ES数量	10	固定为10个边缘服务器。
ES CPU频率 $f_m$	[4, 8] GHz（均匀分布）	每个ES的计算能力。
Firefly算法参数
吸引力参数 $beta$	0.5（最优值）	通过实验确定，范围需在[0, 1]以保证收敛。
最大迭代次数	500	算法终止条件。
萤火虫位置范围	[-2, 2]（每维度）	萤火虫在搜索空间中的初始位置范围。
种群数量 $m$	1或10	实验中使用1或10个种群。
实验配置
随机实验次数	1000（图4-6）/ 20（图7）	不同数据点的重复实验次数。
推理服务数量 $T$	20（默认）	对比实验中的推理服务数量。
性能指标
平均完成时间（ACT）	-	子任务调度的核心优化目标。
近似比（AR）	-	算法解与最优解（SMT求解器）的比值。
完成率（CR）	-	在截止时间前完成的任务比例。
相对百分比偏差（RPD）	-	评估算法随机性的稳定性指标。
基准对比方案
DROV	-	基于欧氏距离更新 + ROV映射。
LROV	-	线性位置更新 + ROV映射。
DPM	-	欧氏距离更新 + 概率映射。
DDPG/DQN/DDQN	-	基于深度强化学习的对比方案。

补充说明：

1. 图4(a)：$\beta=0.5$时ACT最低，因此后续实验固定此值。
2. 图4(b)：当子任务总数=1000（50子任务×20服务），种群数$m=1$时，运行时间<700ms。
3. 截止时间计算（公式26）：
   • $Deadline = \frac{Len(G)}{f_{avg}} + \frac{Vol(G) \cdot Len(G)}{M \cdot f_{avg}}$
   • 紧/中/松截止时间分别为0.4×、0.6×、0.4×计算值。
4. 数据规模：
   • 子任务数据大小$d(v_i)$：[0.5, 4] MB（真实应用实验）。
   • CPU周期需求：[200, 1000] cycles/bit。
   • ES传输速率：[10, 20] Mbps。

此表格涵盖了原文中所有关键参数及实验配置，便于快速查阅对比。

Quick Start 🚀

1. 克隆仓库到本地

git clone https://github.com/snowy2002/ISEC.git
cd ISEC

2. 创建conda环境

conda create -n ISEC python=3.7
conda env list
conda activate ISEC

3. 安装依赖库

pip install -r requirements.txt

4. 数据生成

在 ISEC$ 目录下，运行 data_generate.py 进行数据生成

python code/data_generate.py

5. 模型训练

在 ISEC$ 目录下，运行 train.py 进行模型训练

python code/train.py

测试结果

不同参数对我们框架性能的影响

与基线FA的收敛性对比

ACT与AR的性能对比

ACT和CR的性能对比

RPD 与 Runtime 的性能对比