Spatiaaliset riippuvuudet reunalaskennan tekoälyssä

Reunalaskenta täydentää pilvilaskentaa. Siinä missä pilvilaskenta perustuu kaukaisiin datakeskuksiin, ottaa reunalaskenta huomioon myös laskentaresurssit matkalla paikallisista laitteista pilveen. Reunalaskennan resurssit ovat ominaisuuksiltaan kirjavia: niiden kapasiteetit saattavat olla hyvin erilaisia, niiden yhteydet saattavat katkeilla ja ne saattavat olla saatavilla vain toisinaan. Toisaalta nykyaikaisia tekoäly- ja koneoppimismenetelmiä käytetään tavallisesti pilvipalveluissa, ja ne olettavat, että laskentaresurssit ovat homogeenisia ja ne ovat saatavilla keskitetysti, skaalautuvasti ja jatkuvasti.

Tämä väitöstyö tutkii reunalaskennan tekoälyä. Reunalaskennan tekoäly on uusi tieteenala, jossa tutkitaan, kuinka reunalaskenta sekä tekoäly- ja koneoppimismenetelmät voidaan yhdistää. Erityisesti väitös pureutuu paikkariippuvuuksiin, jotka kuvaavat havaintojen paikallisia samankaltaisuuksia. Paikkariippuvuudet ovat reunalaskennan tekoälyssä tärkeitä, sillä reunapalveluiden käyttäjät, niiden laskentaresurssit, ja myös dataa tuottavat prosessit ovat usein luonteeltaan paikallisia. Väitös kysyy kolme tutkimuskysymystä. Ensimmäinen hakee menetelmää, jolla paikkariippuvuudet voisi valjastaa käyttöön reunalaskennan tekoälyssä. Toinen ja kolmas tutkimuskysymys ovat luonteeltaan soveltavia, ja etsivät menetelmää reunalaskennan palvelimien sijoitteluun ja ympäristön anturointiin.

Väitöksen tuloksena on, ensinnä, uusi spatiaalinen klusterointimenetelmä, nimeltään PACK, jonka avulla paikkapisteiden joukko voidaan jakaa osiin erilaisten muokattavien ominaisuuksien ja rajoitteiden mukaisesti. Toiseksi, PACK toimii pohjaratkaisuna reunalaskennan palvelimien sijoittelulle ja kuormanjaolle, kun kaupungin laajuinen reunalaskennan asennus halutaan optimoida siten, että käyttäjäkokemus ja palveluntaso saadaan parhaaksi mahdolliseksi. Kolmanneksi, PACK on jälleen kriittisessä roolissa reunatekoälysovelluksessa, jossa massiivinen määrä antureita mittaa ympäristöään, ja antureiden tuottama data sekä datan interpoloinnin aiheuttama laskentakuorma hajautetaan reunalaskennan avulla. Sekä sijoittelu- että anturointisovellus tuottavat parempia tuloksia kuin nykyiset ratkaisut. Lopuksi väitös avaa esiteltyjen menetelmien rajoituksia sekä merkitystä laajemmassa mittakaavassa, ja kartoittaa mahdollisia tulevaisuuden tutkimussuuntia aiheesta.