1 |
1
각각의 분산 클라이언트 함수를 초기화하여 서버 함수의 활성화 여부를 확인하는 단계; 상기 각각의 분산 클라이언트 함수를 이용하여 주어진 시계열 기반 데이터 센서로부터 데이터를 읽고 메모리에 작업 데이터로 저장하는 단계; 상기 각각의 분산 클라이언트 함수를 이용하여 상기 작업 데이터를 메모리 내 캐시에 저장하고, 서버 함수를 호출하는 단계; 상기 호출된 서버 함수가 할당된 센서 데이터에 의해 초기화되고, 드라이버 클래스, 실행 시간, 드라이버 프로파일링의 정확도를 예측하여 반환하는 단계; 및 상기 각각의 분산 클라이언트 함수를 이용하여 주어진 시계열 기반 데이터 센서에 대한 예측 데이터를 시각화하는 단계 를 포함하는 분산 에지기반 스케쥴링 방법
|
2 |
2
제1항에 있어서,상기 각각의 분산 클라이언트 함수를 초기화하여 서버 함수의 활성화 여부를 확인하는 단계는, 서버 함수가 활성화되지 않은 경우 REST API 호출을 사용하여 활성화되지 않은 서버 함수를 활성화시키는 분산 에지기반 스케쥴링 방법
|
3 |
3
제1항에 있어서,상기 호출된 서버 함수가 할당된 센서 데이터에 의해 초기화되고, 드라이버 클래스, 실행 시간, 드라이버 프로파일링의 정확도를 예측하여 반환하는 단계는, 프로파일링 호출이 별도로 관리되고, 호출 하나당 로딩 및 전처리 시간이 소모되며, 딥 러닝 서비스는 센서 데이터에 대한 메모리 내 캐싱 기반의 분산 아키텍처를 사용하여 처리되는 분산 에지기반 스케쥴링 방법
|
4 |
4
제3항에 있어서,상기 메모리 내 센서 데이터 스케줄링은 다단계 버퍼링(Multi-Level Buffering; MLB) 및 플러싱 흐름-다운 메커니즘(flushing flowing-down mechanism)을 제공하여 쓰기 성능을 증가시키고 에지 기반 파이프라인 프로세스를 수행하여 KV(Key-value) 항목을 이동시키는 분산 에지기반 스케쥴링 방법
|
5 |
5
분산 에지기반 스케쥴링 시스템에 있어서, 상기 분산 에지기반 스케쥴링 시스템은 복수의 분산 클라이언트 및 서버를 포함하고, 상기 복수의 분산 클라이언트는, 각각의 분산 클라이언트 함수를 초기화하여 서버 함수의 활성화 여부를 확인하고, 상기 각각의 분산 클라이언트 함수를 이용하여 주어진 시계열 기반 데이터 센서로부터 데이터를 읽고 메모리에 작업 데이터로 저장하며, 상기 각각의 분산 클라이언트 함수를 이용하여 상기 작업 데이터를 메모리 내 캐시에 저장하고, 서버 함수를 호출하고, 상기 각각의 분산 클라이언트 함수를 이용하여 주어진 시계열 기반 데이터 센서에 대한 예측 데이터를 시각화하며상기 서버는, 상기 호출된 서버 함수가 할당된 센서 데이터에 의해 초기화되고, 드라이버 클래스, 실행 시간, 드라이버 프로파일링의 정확도를 예측하여 반환하는 분산 에지기반 스케쥴링 시스템
|
6 |
6
제5항에 있어서,상기 복수의 분산 클라이언트는, 서버 함수가 활성화되지 않은 경우 REST API 호출을 사용하여 활성화되지 않은 서버 함수를 활성화시키는 분산 에지기반 스케쥴링 시스템
|
7 |
7
제5항에 있어서,상기 서버는, 상기 드라이버 클래스, 실행 시간, 드라이버 프로파일링의 정확도를 예측하여 반환하기 위해 프로파일링 호출을 별도로 관리하고, 호출 하나당 로딩 및 전처리 시간이 소모되며, 딥 러닝 서비스는 센서 데이터에 대한 메모리 내 캐싱 기반의 분산 아키텍처를 사용하여 처리하는 분산 에지기반 스케쥴링 시스템
|
8 |
8
제7항에 있어서,상기 메모리 내 센서 데이터 스케쥴링은 다단계 버퍼링(Multi-Level Buffering; MLB) 및 플러싱 흐름-다운 메커니즘(flushing flowing-down mechanism)을 제공하여 쓰기 성능을 증가시키고 에지 기반 파이프라인 프로세스를 수행하여 KV(Key-value) 항목을 이동시키는 분산 에지기반 스케쥴링 시스템
|