מכשירים מחשוב קצה הם יותר ויותר חיוניים בעיבוד נתונים קרוב למקור, צמצום השימוש בעקביות ובפס רוחב פס. גורם מרכזי אחד בשיפור הביצועים שלהם הוא אופטימיזציה של אלגוריתמים המיון המשמשים בתוך מכשירים אלה.מהיר ממיין מוביל לניתוח נתונים מהיר יותר וקבלת החלטות, חיוני עבור יישומים כמו כלי רכב אוטונומיים, חיישנים של IoT וניתוח בזמן אמת. בעוד מיון היא בעיה מעודנת היטב במדעי המחשב, קצה ייחודי - לבצע אסטרטגיות יעילות של ניתוח סוללות, כולל פתרון יעיל של יעילות, ומהירויות קריטיות של יכולת הפעלה, כולל ביצועים, ואופטימיזציה של חומרה של ביצועים, ואופטימיזציה של חומרה יעילה, כולל ביצועים, ואופטימיזציה של חומרה יעילה יותר, כולל אלגוריתמים של חומרה יעילה, ומהירויות קריטיות של יעילות של ביצועים.

החשיבות של מיון יעיל ב- Edge מכשירים

מיון נתונים ביעילות הוא חיוני כי זה משפיע ישירות על מהירות עיבוד נתונים.מכשירים קצה, שבו משאבים כגון CPU כוח זיכרון מוגבל, בחירת שיטת מיון נכונה יכול לעשות הבדל משמעותי. Efficient מיון מפחית זמן עיבוד, עצירות אנרגיה, משפרת את קצב התגובה של מערכת RAM באופן יעיל יותר.

המונחים: ge algorithms Used in Edge

בחירת האלגוריתם הנכון תלויה במאפיינים הנתונים ובמגבלות החומרה. להלן אנו בודקים ארבעה אלגוריתמים בשימוש נרחב, פרופילי הביצועים האופייניים שלהם, ושיקולים ספציפיים לפריסת קצה.

מהיר

סוג מהיר ידוע בשל מורכבות הזמן הממוצע של O(n di n) ו- in-place Partitioning, מה שהופך אותו יעיל זיכרון.In edge מכשירים, ההסתמכות של סוג מהיר על טיולים יכול להיות בעייתי כי כל שיחה חוזרת צורכת שטח ערימה של מועמד רגיל, על מיקרובקרים עם ערימה מוגבלת (כפי נמוך כמו 512 על ידי כמה מעבדי ARMx M), עלולה להיות תגובה עמוקה על ידי אימון מהיר, אבל יעיל יותר, אבל פעולה מהירה יותר, אבל זה יכול להיות יעיל יותר, אבל הוא גם כן, אבל פעולה מהירה יותר, אבל זה יכול להיות יעיל יותר, אבל.

מרקמיין

מארג' מציע ביצועים יציבים של מיון ועקביות של O(n di n) ללא קשר להפצת קלט.המגירה העיקרית שלה היא הצורך ביחס זיכרון נוסף לגודל קלט (O(n) מרחב עזר) למכשירים קצה עם תקציבי זיכרון הדוקים, זה יכול להיות אסרטיבי.עם זאת, בתרחישים שבהם נתונים מאוחסנים במבנים מקושרים (למשל, רשימות מקושרות או descriptors), ניתן לבצע תזמון של זיכרון מסוג זה ללא שימוש אקראי, אשר הוא מתאים עבור תכונות מסוג זה, כגון חיישנים מסוג זה, כגון חיישנים קלים, כגון חיישנים מסוימים, כגון חיישנים מסוימים, כגון חיישנים).

« ערימה

סוג ה- Heap הוא אלגוריתם של מקום עם O(n di n) מורכבות זמן הגרוע ביותר ו- O(1) שטח נוסף. זה נמנע מטיול, מה שהופך אותו ידידותי לערימה.המסחר הוא שהוא לא יציב, וגורמי הקבוע שלו גבוהים יותר מאשר מהירות בפועל בגלל פעילות ה-MRI בינארית. על מכשירים מאומנים זיכרון, שבו אפילו כמה קילויבי של עזר קל, הוא סוג של זיכרון טוב מדי, הוא סוג של זיכרון הוא סוג של זיכרון טוב מדי, הוא סוג של זיכרון, הוא סוג של זיכרון טוב מדי, הוא סוג של זיכרון, הוא סוג של עדיפויות הוא סוג של זיכרון טוב מדי, סוג של זיכרון, סוג של זיכרון הוא סוג של עדיפויות הוא סוג של זיכרון RAM הוא סוג של זיכרון מעולה, הוא סוג של זיכרון מעולה של זיכרון מעולה של זיכרון, הוא סוג של עדיפויות הוא סוג של זיכרון, כמו כן, סוג של עדיפויות הוא סוג של זיכרון יעיל מדי, סוג של זיכרון מעולה, הוא סוג של זיכרון יעיל מדי, סוג של זיכרון, סוג של זיכרון הוא סוג של זיכרון יעיל מדי, הוא סוג של זיכרון הוא סוג של זיכרון, הוא סוג של עדיפויות הוא סוג של זיכרון הוא סוג של זיכרון הוא סוג של עדיפויות הוא סוג של זיכרון הוא סוג של זיכרון הוא סוג של

ספירת מין

סוג של ספירה הוא אלגוריתם מבוסס לא-שותף כי סוגים שונים של tegers בזמן O(n + k) עם זאת k הוא טווח ערכי קלט.זה דורש מערך עזר של גודל k, הגבלת הכדאיות שלו למצבים שבהם הטווח הוא קטן.In edge יישומים, רבים של חיישנים לייצר ערכים בטווח מוגבל (למשל, 8bit או 16 סיביות) עבור ספירת זיכרון מינימלית 2x2 קיבולת).

אסטרטגיות אופטימיזציה של מיון ב- Edge מכשירים

מעבר לבחירת אלגוריתם, כמה אסטרטגיות ברמת המערכת יכולות לשפר באופן דרמטי את ביצועם במכשירי מחשוב קצה.

Algorithm Selection המבוסס על דמויות נתונים

לא כל הנתונים שווים.מפתחים צריכים לפרופיל את גודל הנתונים, ההפצה והסוג לפני בחירת אלגוריתם מיון. עבור נתונים קטנים (פחות מ-64 אלמנטים), סוג ההכנסה לעתים קרובות מנצח אלגוריתמים דיבידנדים ו-conquer בשל הורדת יתר על המידה.עבור אלגוריתמים בינוניים בגודל בינוני עם טווח ידוע, ספירה היא אופטימלית עבור נתונים גדולים שבהם זיכרון חזק, הוא בטוח עבור פונקציות סטנדרטיות מסוג CSTT) כגון אלגוריתמים (למשל, כלומר, אלגוריתמים בינוניים, כגון אלגוריתמים) אלגוריתמים, כלומר, כלומר, אלגוריתמים סטנדרטיים, כלומר, אלגוריתמים, כאשר הוא בדרך כלל, אלגוריתמים של אלגוריתמים סטנדרטיים, כאשר הוא בדרך כלל, אלגוריתמים סטנדרטיים, כאשר הוא אלגוריתמים של אלגוריתמים של אלגוריתמים חד-טווח קצר יותר, כאשר הוא בדרך כלל, כאשר הוא אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים חד-טווח קצר יותר, כאשר הם אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של

עיבוד נתונים לצמצום המורכבות

עיבוד יכול לפשט את המשימה המדומה.טכניקה נפוצה אחת היא FLT:0 [המסננים]: להסיר נתונים כפולים או לא רלוונטיים לפני מיון.לדוגמה, חיישן תחזוקה מנבא שמפיק אלפי נקודות נתונים לשנייה עשוי רק למיין את 100 האנומליות הראשונות.

עיבוד קבוע על Multi-Core Edge SoCs

מכשירים מודרניים רבים כוללים מעבדים רב-core (למשל, ARM Cortex-A סדרה) מקבילה מינוף של ליבתים אלה כדי להפחית את זמן הקיר-שעה. גישה טיפוסית מתפצלת מערך הקלט לחלקים שגרתיים, כל אחד מהם בנפרד (למשל, עם SIMle מהירות), ולאחר מכן ממזגת את נתחי ה-D (שלב המיזוג) ניתן גם להיות מקביל באמצעות עץ או החלפת מקבילה, למעט אלגוריתם).

ניהול זיכרון למניעת צווארי בקבוק

אלגוריתמים ממיין סובלים לעתים קרובות ממקומיות גרועה, המוביל ל- CPU דוכנים.על מכשירים עם צפיות קטנות (בדרך כלל 16–32 KB L1, 128–512 KB L2), מפספסי כאבים יקרים.FLT:0Cache-Ob-Obspances-Obcbcblivious אלגוריתמים (כמו אלגוריתם) או מדגם מסוג מסוג זה יכול לשפר את מקומי על ידי מיון נתונים ב-oficialdowing, כך, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כדי למנוע אלגוריתמים, כדי למנוע אלגוריתמים של אבטחה, כלומר, אם הוא גם כן, אלגוריתמים, כלומר, כלומר, כדי למנוע אלגוריתמים, כדי למנוע אלגוריתמים מחוץ לאלגוריתמים, לחץ חיצוני, אם הוא לחץ חיצוני, כלומר, אם הוא לא ניתן למנוע אלגוריתמים, כדי למנוע אלגוריתמים, כגון אלגוריתמים, באופן קבוע, כגון אלגוריתמים, לחץ חיצוני, כגון אלגוריתמים, כגון אלגוריתמים, כדי למנוע אלגוריתמים, כגון אלגוריתמים, כגון אלגוריתמים, כגון אלגוריתמים, לחץ חיצוני, אלגוריתמים, אלגוריתמים, אלגוריתמים, כגון אלגוריתמים

Benchmarking על Edge Hardware

הביצועים של אלגוריתמים מתואמים באופן משמעותי את פלטפורמות הקצה השונות.למחיש, לשקול שלושה מכשירים סטנדרטיים: A Nordic Semiconductor NRF52840 (Cortex-M4, 64 MHz, 256 KB), Raspberry Pi 4 (Cortex-A72, 1.5 GHz, 2 GB RAM), ו- NVIDIA Jet Nano (tex-A + GPU, 4 840 יכול להיות איטי יותר מ"ג') ב-41.

מחקר מקרה: מיון עיבוד נתונים אוטונומי

תהליך כלי רכב אוטונומיים של נתוני חיישן לשעה, אבל המחשב האופטימיזציה של Edge AI יש מגבלות זמן אמתיות הדוקות.משימה מרכזית היא מיון נתונים בענן נקודה מ- LiDAR כדי למצוא את המכשול הקרוב ביותר.הנקודה מכילה מיליוני x,y,z לתאם, לעתים קרובות מאוחסן כ-32 סיביות (Ax-Dout) מטיפוס קטן (מ-200 מטר), סוג של התנגשויות מהירות (x) עם CNX) עם סוג של מקבילהטווח נמוך יותר מ- CVD) עם CDNX) עם מקבילהטווח של 3 (DN) נמוך יותר מטיפוס CDNX) עם C.

אישור חומרה למיין

(ב) מכשירים קבועים, מאיצים בחומרה יכולים להסיר לחלוטין את ה- CPU עבור משימות פתוחות (FLT:0FPGAs (Field-Promable Gate Arrays) ו- CLT5 (בקיצור CPU) יכולים ליישם רשתות מסוג CLC) מהירות גבוהה יותר מ- 10GPSA) אך מהירות גבוהה מאוד.

הסתגלות ומכונה למידה - מכוונת

מחקר עדכני בוחן את למידת המכונה ל-FLT:0 (המידע המכוון האופטימלי של אלגוריתם 1FuapLT) עבור טופס נתונים מסוים מסוים (למשל, עץ ההחלטות) פועל על הקצה יכול לבחון תכונות של מערך הקלט - גודל, אנטרופיה, מ"מ/טווח מקסימלי" (לדוגמה, אלגוריתם זה מקטין את זמן הפחתת הסימון) ל- 10 ליטרים מהירים (או יותר מ- 10 ליטרים) של מיקרו-F) הוא מאפשר ל- 10 ליטרים קלים ל-DEXF התחתון של חומרתיקים (או יותר מטווח).

אנרגיה ושיקולים בזמן אמת

התקנים ACE הם לעתים קרובות מופעלים סוללות חייב לעמוד בלוח זמנים רך או קשה בזמן אמת, סוג של WC צריכת אנרגיה משמעותית, במיוחד אם זה גורם CPU להישאר פעיל יותר. מחקר שפורסם ב-FLT:0EE עסקאות על מעבד מחשוב בר קיימא (FLT) 1 מצא כי באמצעות התחממות cache-optimized זמן במקום בועה תמימה מופחתת אנרגיה על ידי 60% על מעבדים מסוג Cortex-mc2b.

מגמות מתפתחות וכיוונים עתידיים

(ב) כמה טכנולוגיות מתפתחות מבטיחות שיפורים נוספים בסינון יעילות עבור מחשוב קצה (FLT:0) ,In-memory ComputingFLT 1 באמצעות memrisor או עיבוד-in-memory (PIM) יכולים למיין נתונים ישירות במערך תזמון אחסון ללא העברתו ל- CPU. זה אידיאלי עבור נתונים גדולים מאוד (למשל, 10 MB) אשר ניתן למיין נתונים מתקדמים באופן שונה מ-pIM.

כמחשוב קצה ממשיך להתפתח, אופטימיזציה של אלגוריתמים מיון יישארו אזור מיקוד קריטי.על ידי יישום האסטרטגיות המפורטות - מבחירת אלגוריתם זהיר ונתונים לעיבוד במקביל, האצה חומרה והתאמה למידת מכונה - פיתחו יכולים להבטיח עיבוד מהיר יותר, אמין יותר נתונים, פתיחת אפשרויות חדשות עבור יישומים מבוססי קצה על פני תעשיות שונות.אם המטרה היא לשלוף מילימטרים מתגובה אוטונומית או להאריך את החיים של חיישן מרחוק, כלומר, כלומר, על ידי תרגילי ראייה מרחוק, על ידי תרגילי אבטחה גבוהה, היא חיישנים, על ידי פעילות גופנית, היא אופטימיזציה מרחוק, או חודשים של פעילות גופנית, היא אופטימיזציה מרחוק, כלומר, או חיישנים, היא טיפול לטווח ארוך טווח גבוה, אם המטרה היא אופטימיזציה של פעילות גופנית, כלומר, או חיישנים, על ידי חיישנים, אם המטרה היא אופטימיזציה מרחוק, או חיישנים, או לטווח גבוה של פעילות גופנית, אם המטרה היא חיישנים לטווח גבוה, אם המטרה היא חיישנים לטווח גבוה, אם המטרה היא חיישנים לטווח גבוה, על ידי תרגיל של פעילות גופנית, אם המטרה היא חיישנים לטווח חודשים של פעילות גופנית, אם המטרה היא לאופטימיזציה גבוהה של פעילות גופנית, אם המטרה היא לאופטימיזציה גבוהה של פעילות גופנית, אם המטרה היא לאופטימיזציה גבוהה של פעילות גופנית, אם המטרה היא לאופטימיזציה גבוהה של פעילות