[拜读系列]SEC'' 2018: ACM/IEEE Symposium on Edge Computing 总结（二）

https://blog.csdn.net/weixin_42882367/article/details/86482919

1. dependency mining for service resilience at the edge
这篇文章的观点有点特别，它认为边缘计算是在牺牲可靠性来换取低延迟等特性。所以部署在边缘设施的服务必须具有容错性。因此，这篇文章想如何通过高效地备份这个服务实现在出现故障后迅速恢复。备份多了浪费，备份少了万一同时崩溃就不好了，于是这成了一个问题。

看看这篇文章怎么解决的吧，它首先分析各个服务器出错的历史数据，然后再构建了空间依赖关系的一个贝叶斯网络（出错分两种，一种是由于一个普遍共同的原因都故障了，一种是带级联关系的故障，后一个服务器出错是因为前一个服务器出错了），然后分析共同故障的概率，根据这个共同故障的概率去考虑如何放置备份最佳。主体大致这个思路，细节没仔细看。

2. edge-based discovery of training data for machine learning
同样是一篇以motivation为亮点的文章，自己怎么就想不到呢，sad：(，大概缺少一双发现问题的?吧。

进入正题：这篇文章的出发点是：深度学习的模型训练需要大量的样本分类标示，那么问题来了，谁去分类标示这些样本呢？当然是这类领域的专家，但是21世纪最稀缺的就是专家的精力，面对那么庞大的数据量，专家也会变为砖家，如何帮助专家从庞大的数据量解脱出来？

于是这篇文章的解决思路应该是（PS：大致看了introction估测的）：专家进行分类的同时，训练模型同步根据这部分分类结果进行训练，然后专家可以去判断这个训练模型分类结果是否正确，实时地去享受他分类的成果，给自己减少工作量，本质上是个循环迭代的过程，随着迭代次数的增多，训练模型的精度逐步提升，专家的任务就需要标注出这些错误的模型，而无需逐个分类，效率逐步提升。

这好像跟边缘计算没太大关系，是个比较通用的模型，作者仿佛给它强制往边缘计算上靠，他的模型中，专家在后端，数据源分布在网络边缘，随着这个迭代次数增多，边缘服务器需要上传的样本数据就减少了，实现了节省带宽的性能提升，以及可以支持实时数据和已获取数据的分类。好像也有点关系，更贴近真实情况吧。

这篇文章还提出了很多future work，或许之后有时间可以再看看。

3. F-MStorm:feedback-based online distributed mobile stream processing
这篇文章是对别人工作MStorm的一个改进，分析了当前edge处理数据存在的一些不足之处，认为现在仍缺乏一个在线高效的数据流处理系统。

作者说目前工作都关注于对bounded batch jobs，而没有关注unbounded stream data，这点存疑吧，个人觉得平常看的很多论文都可以支持unbounded stream data。。

然后他开始陈述，他认为MStorm存在哪些不足：(a)MStorm简单地根据CPU核数配置终端每个任务执行的线程数，而没有考虑当前CPU的使用率；（b）MStorm给终端分配计算任务时采用的naive round robin strategy，这会造成不必要的设备间数据传输，进而导致高延迟和能量消耗；（c）MStorm采用的是shuffle stream grouping mechanism，前面执行的任务的结果随机分配给执行后面任务的线程，而没有考虑后面任务可能正在一个已经非常繁忙的设备上。

综上所述，作者认为流数据处理对这些参数是比较敏感的，不应该设置为一个静态参数，而是需要一个反馈机制动态地调节这些参数，才能实现高效地流数据处理。

原来文章可以这么写，对别人论文中的模型进行再进一步地思考优化，emmm，挺好的，其实这些不足的提出好像都独立地出现在我看到的一些文章，这篇文章把他们都综合到一起了，全面地完善别人的模型，多读书还是很重要的。

4. From Cell Towers to Smart Street Lamps: Placing Cloudlets on Existing Urban Infrastructures
这篇文章讨论的问题就是怎么去放置cloudlet到城市已有的设施，才能节省部署成本又能够保证服务质量呢？

作者定义了三种类型的cloudlet：基站，路由器和智能路灯，然后分析这三种异构设备的覆盖范围和部署成本，其中对覆盖范围具体分成了四类，如下图：

最后进行建模求解。

最近好像很多这样关于edge server地理部署类的文章，先在这里Mark一下吧，有时间再看。

5. Harpocrates: Giving Out Your Secrets and Keeping Them Too
这是SEC上一篇关于信息安全类的文章，如何保证CDN运行用户代码的安全性。

有时间再整理看看吧。

6. HomePad: A privacy-aware Smart Hub for Home Environments
总所周知，制约智能家居最大的挑战就是隐私问题。用户不知道有哪些信息有多少信息被服务提供商采集，更不知道这些采集的信息被用来干什么甚至与谁在共享。

因此这篇文章就想给用户提供一个非常透明可控的智能家居平台。看上去似乎对服务提供商不太友好，但其实这是服务提供商为推广他们的智能家居平台的必经之路，只有尊重隐私，它才能更好地占据市场。

这篇文章的做法是：

构建一个图模型，使这些智能家居必须使他们所有的信息流明确透明：传感器数据使如何在这些应用中流通；在应用中这些传感器数据被处理用来干嘛的？ （小声吐槽一下?：用户使用起来会不会很不方便，这些都要管，就像我们平常安装APP，会很仔细地看它的用户须知吗，你安它是因为你需要它，你不同意它的用户须知，它就不给你提供服务，无奈，只能同意）
文章设计的Homepad还能使用户轻松地检测已有的这个应用是否遵守用户设定的一些隐私规则。假如这个应用不能遵守，就拒绝安装。（再小声吐槽一下?：这样会不会很多应用都用不了呢，就不能提供几个插件，直接把应用和隐私数据的获取隔离开来，印象中SEC17有篇文章就是这么干的，这样就不限制安装的应用了）
好像也没做出实物，而是搭建一个系统平台去模拟仿真吧。

7. In-situ Resource Provisioning with Adaptive Scale-out for Regional IoT Services
纯属因为下面这些图比较帅Mark一下

这篇文章我比较喜欢，全面系统又没有过于扣细节地分析整个资源分配的架构，但模型求解的复杂度也是会令人叹为观止。。。不是说作者提出的算法不好，而是看着这个最优化问题，就想到自己之前求的一个最优化问题，求解最优解实在太费劲了，相信作者求解的时候也应该蛮痛苦的。。假如以后还遇到类似问题，再找时间仔细拜读一下。

还是讲文章吧，作者分三层：

资源层：这个地域有哪些IoT设备可以提供资源，他们之间存在哪些直连关系
服务层：各IoT服务在哪个地域产生的，这个服务期望的时延和最大可容忍的时延是多少，这个服务每平方米最多多少个point（木有明白这个point指的是什么），每秒更新多少次，（SR and T R are the maximum spatial resolution (e.g., number of points per m2) and temporal resolution (e.g., number of updates per second) that the service can provide, respectively.） 这个服务的任务图是什么样的这个服务的任务图是什么样的，有哪些点哪些边。
用户层：用户请求哪个服务，在哪个地域，还有上面不太理解的sr,tr。
好的，根据这三层也大致能估测本文想要讨论一个怎样的资源分配和任务调度问题。作者想建模分析每个用户请求服务的时延，再去分析这个QoE，最后优化目标就是所有用户的QoE的汇总。

可以想象这个问题的求解是很复杂的，随着考虑的地理范围越大，这个问题规模也会越大，因此作者提出自适应地控制地理范围的扩充，以免随着资源需求增多，地理范围增大，最后导致问题规模过于庞大。

时间比较紧迫，需要赶deadline，不定期更博，这篇介绍比较简单，基本就把introduction看着概括了一下，有时间再进行补充，有理解不到位的地方请多指正。

8. Learning from Differentially Private Neural Activations with edge computing
李群老师团队的工作，分割DNN训练模型，保护用户隐私，有时间再看，赶deadline。

9. MUVR: Supporting Multi-User Mobile Virtual Reality with Resource Constrained Edge Cloud
通过识别和利用多个用户在处理VRframe时的冗余信息，提供资源利用率。创新度应该没啥就这样了，关键可能是做的比别人好吧，有实物演示之类的。没时间看了，真的要赶deadline了。

10. Portable Energy-Aware Cluster-Based Edge Computers
终于撑不住了，去赶deadline了。。。
明明想高大上地整理下论文的，，结果一不小心就写成这样了，真是的，太不学术化了，没事的，开心就好，也不好意思发到群里分享了?江湖有缘再见！
--------------------- 
作者：刀枪不入的老月亮 
来源：CSDN 
原文：https://blog.csdn.net/weixin_42882367/article/details/86482919 
版权声明：本文为博主原创文章，转载请附上博文链接！