[論文レビュー] Cloud No Longer a Silver Bullet, Edge to the Rescue

Yuhao Zhu, Gu-Yeon Wei+1 more|arXiv (Cornell University)|Feb 15, 2018

IoT and Edge/Fog Computing参考文献 6被引用数 3

ひとこと要約

この論文は、計算、エネルギー、帯域幅の需要が急増する中、認知コンピューティングが中央集権的なクラウド処理からエッジデバイスへ移行する必要があると主張している。エッジデバイスで推論とフェデレーテッドトレーニングを実行することで、遅延、通信コスト、プライバシーのリスクを低減し、個別化されたモデルによる精度の向上を実現する。

ABSTRACT

This paper takes the position that, while cognitive computing today relies heavily on the cloud, we will soon see a paradigm shift where cognitive computing primarily happens on network edges. The shift toward edge devices is fundamentally propelled both by technological constraints in data centers and wireless network infrastructures, as well as practical considerations such as privacy and safety. The remainder of this paper lays out our view of how these constraints will impact future cognitive computing. Bringing cognitive computing to edge devices opens up several new opportunities and challenges, some of which demand new solutions and some of which require us to revisit entrenched techniques in light of new technologies. We close the paper with a call to action for future research.

研究の動機と目的

• Siriのようなクラウドベースの認知サービスのスケーリングに伴う持続不可能なエネルギー消費と帯域幅の増大を是正すること。
• 接続デバイスからの大量かつリアルタイムのデータ処理を処理するための、中央集権的なデータセンターと無線ネットワークの限界を克服すること。
• ユーザーの機微なデータをクラウドに送信することに伴うプライバシーとセーフティ上の懸念を軽減すること。
• デバイス内での機械学習とフェデレーテッドラーニングを通じて、より効率的で、個別化され、正確な認知サービスを実現すること。
• エッジ優先の認知コンピューティングを実現するため、ハードウェア、アルゴリズム、プライバシーポリシーを共同で設計することによるシステム設計の再考。

提案手法

• 遅延に敏感で、帯域幅を多く消費し、プライバシーが重要なタスクをエッジデバイスが処理する認知エッジコンピューティングアーキテクチャを提唱する。
• エッジデバイスのエネルギー比例的設計を活用し、データセンターに比べて低いエネルギー消費で高い集約計算能力を実現する。
• 局所的なエッジネットワーク内でミリ波技術を活用し、高帯域幅、低遅延、低エネルギーの通信を実現する。
• フェデレーテッドラーニングを実装し、生のユーザーデータをクラウドに送信せずにエッジデバイスで機械学習モデルをトレーニングする。
• ハードウェアとプライバシーポリシーを共同で設計することで、プライバシー、パフォーマンス、エネルギー効率の間で柔軟なトレードオフを可能にする。
• リソース制限のあるエッジハードウェアとトレーニングアルゴリズムを共同で設計し、デバイス内でのモデル更新と個別化を可能にする。

実験結果

リサーチクエスチョン

• RQ1 クラウドインfraの負荷を増大させることなく、増大するデータと計算要求に応じて認知コンピューティングシステムが持続可能にスケーリングできるか。
• RQ2 エッジコンピューティングがクラウド中心の認知処理に比べてより実用的であるとされる主な技術的・実務的制約は何か。
• RQ3 モデルの正確性やシステムパフォーマンスを損なわせることなく、認知システムでプライバシーをどのように維持できるか。
• RQ4 フェデレーテッドラーニングは、データ転送を最小限に抑え、ユーザーのデータをローカルに保持したまま、デバイス内での学習をどのように可能にするか。
• RQ5 ハードウェア、アルゴリズム、システムポリシーをどのように共同設計することで、エッジベースの認知システムにおけるパフォーマンス、エネルギー効率、プライバシーを最適化できるか。

主な発見

• Siriのような認知サービスの計算要求は、従来のクラウドサービスよりも少なくとも2桁以上高い。2020年までにデータセンターの出力は3倍に増加する必要がある。
• データセンターは既に米国の総エネルギー消費の1.8％を占めており、CMOSスケーリングの収益逓減により、さらなる拡大はエネルギー的に非現実的である。
• 無線通信は約10⁻⁶ J/bitのエネルギー消費を示しており、64ビット浮動小数点演算（約10⁻¹² J）の100万倍以上もエネルギー消費が高い。
• エッジデバイスはデータセンターに比べてエネルギー比例的であるため、スケールアップに伴う計算効率が向上する。
• フェデレーテッドラーニングにより、クラウドに送信されるのはモデルの更新情報のみとなり、データのプライバシーが保たれ、帯域幅の使用が最小限に抑えられる。
• デバイス内でトレーニングされた個別化されたモデルは、特に自動運転車のような安全が重要な応用分野において、尾部精度の問題を顕著に低減できる。