AMSPM：一种自适应模型选择与划分机制，用于基于边缘智能的5G智慧城市，并支持动态计算资源的管理

《ACM Transactions on Sensor Networks》：AMSPM: Adaptive Model Selection and Partition Mechanism for Edge Intelligence-driven 5G Smart City with Dynamic Computing Resources

边缘智能优化模型在5G智能城市中的应用研究，提出自适应模型选择与分区机制（AMSPM），通过动态优化解决计算资源波动问题，实验验证其降低延迟23.6%并提升资源利用率18.4%。

　　

摘要

借助5G网络，边缘智能（Edge Intelligence, EI）不仅可以提供分布式、低延迟且高可靠的智能服务，还能实现智能城市的维护和管理。然而，终端设备和边缘服务器的计算资源不断变化，无法始终保证智能推理的性能。为了确保智能城市中智能服务的可持续性，我们提出了5G智能城市中的自适应模型选择与划分机制（Adaptive Model Selection and Partition Mechanism, AMSPM），该机制主要由自适应模型选择（Adaptive Model Selection, AMS）和自适应模型划分（Adaptive Model Partition, AMP）两部分组成。在AMSPM中，深度神经网络（Deep Neural Network, DNN）的模型选择与划分被构建为一个优化问题。首先，我们基于终端设备的计算资源提出了一种基于递归的算法AMS，以选择满足智能服务延迟需求的合适DNN模型；随后，根据终端设备的计算资源对选定的DNN模型进行自适应划分。实验结果表明，与现有的模型选择与划分机制相比，AMSPM不仅降低了延迟，还提高了计算资源的利用率。