Совместные периферийно-облачные вычисления для распределённого интеллекта и оптимизации моделей: обзор
Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey
2026-01-01
SCID: 54.1/447dmgeg
Discuss with AI
распределённый интеллектпогранично-облачные совместные вычислениябольшие языковые моделиоптимизация моделейпоиск нейронной архитектуры
Figures from the paper
Abstract (AI)
Совместные периферийно-облачные вычисления (ECCC) стали важной парадигмой для удовлетворения вычислительных потребностей современных интеллектуальных приложений, объединяя облачные ресурсы с периферийными устройствами для обеспечения эффективной обработки с малой задержкой в распределённых сетях связи. Недавние достижения в области искусственного интеллекта, особенно глубокого обучения и больших языковых моделей (LLM), значительно расширили возможности этих сетевых систем, но одновременно создали существенные проблемы, связанные с развёртыванием моделей, управлением сетевыми ресурсами и кросс-уровневой оптимизацией. В этом обзоре всесторонне рассматривается взаимосвязь распределённого интеллекта и оптимизации моделей в периферийно-облачных средах; представлен структурированный обзор фундаментальных архитектур, протоколов связи и вычислительных платформ с учётом характеристик сети. Кроме того, систематически анализируются подходы к оптимизации моделей, включая сжатие, адаптацию и поиск нейронных архитектур, наряду со стратегиями управления ресурсами на основе ИИ, обеспечивающими баланс между производительностью, энергоэффективностью и коммуникационными издержками в гетерогенных сетях. Далее рассматриваются важнейшие аспекты защиты конфиденциальности и повышения безопасности в системах ECCC, а также практические реализации в различных сетевых приложениях, включая автономное вождение, здравоохранение и промышленную автоматизацию. Методы анализа производительности и бенчмаркинга также подробно исследуются с целью установления стандартов оценки для этих сложных распределённых систем. Кроме того, в обзоре выделяются ключевые направления дальнейших исследований, включая развёртывание больших языковых моделей, интеграцию с сетями 6G, нейроморфные и квантовые вычисления, а также предлагается дорожная карта для решения сохраняющихся проблем управления гетерогенностью, обработки в реальном времени и масштабируемости. Объединяя теоретические достижения в области связи с практическими реализациями, данный обзор предлагает исследователям и практикам целостный взгляд на использование ИИ для оптимизации распределённого сов...
Key Findings
1
Управление ресурсами на основе ИИ должно одновременно обеспечивать баланс производительности, энергоэффективности и коммуникационных издержек в распределённых сетях.
2
Туманные вычисления на периферии и в облаке объединяют облачные и периферийные ресурсы для эффективной интеллектуальной обработки с низкой задержкой в распределённых сетях связи.
3
Ключевые направления дальнейших исследований включают развёртывание больших языковых моделей, интеграцию с сетями 6G, нейроморфные и квантовые вычисления для решения проблем гетерогенности, обработки в реальном времени и масштабируемости.
4
Сжатие моделей, адаптация и поиск нейронных архитектур рассматриваются как ключевые подходы к оптимизации развёртывания глубоких моделей и больших языковых моделей в гетерогенных edge-cloud-системах.
5
Защита конфиденциальности, повышение безопасности и бенчмаркинг являются критически важными компонентами оценки практических применений ECCC в автономном вождении, здравоохранении и промышленной автоматизации.
6
В обзоре систематизированы базовые архитектуры, протоколы связи и сетезависимые вычислительные платформы для распределённого интеллекта в средах edge-cloud.
Research Object
системы совместных периферийно-облачных вычислений и их распределённые интеллектуальные приложения
Research Subject
распределённый интеллект, оптимизация моделей и эффективность управления ресурсами в гетерогенных периферийно-облачных средах
Publication Details
Publication Date
2026-01-01
Journal
Publisher
ISSN
Cited by
105
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai5
Конвергенция периферийных вычислений и глубокого обучения: комплексный обзор2020
Граничный искусственный интеллект для сетей 6G: концепция, ключевые технологии и приложения2021
Сквозная оценка федеративного и разделённого обучения для Интернета вещей2020
Разделённое обучение в периферийных сетях 6G2024
Эффективное параллельное разделённое обучение в беспроводных периферийных сетях с ограниченными ресурсами2024