《表3 BODP与CBPS性能对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《EdgeMI：资源受限条件下深度学习多设备协同推理》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

利用边缘设备的算力值初始化卷积层划分长度，根据步长迭代优化求解，最小化计算时间。DNN模型选择VGG13与VGG16，边缘节点数量设置为4。本文所提划分方案和文献[9]划分方案BODP两种划分进行对比实验，（1）在理想网络带宽条件下，设置网络带宽均为1000Mbps；(2）在较差网络带宽条件下，设置网络带宽为100Mbps。实验结果表3所示。同一DNN模型，本文所提卷积层划分方案CBPS在良好网络状态稍优于BODP方案，但是在较差网络状态下的CBPS性能明显高于BODP，最高达到14.34%。在图5中，不同网络带宽条件下，CBPS加速比均高于BODP，加速比最高为3.57x。BODP方案仅依据算力进行卷积层长度划分，当某个边缘节点网络状态较差，易导致边缘网关长时间等待该边缘节点返回的计算结果，使得其他已完成计算任务的边缘节点处于空闲等待状态，造成总体计算时间的上升。CBPS利用网络状态，重新调整划分长度，使得边缘网关在相近的时间内收到边缘节点返回的计算结果，边缘网关空闲等待时间越短，边缘集群的计算速度越快。