Architecture for Enabling Edge Inference via Model Transfer from Cloud Domain in a Kubernetes Environment
Julkaisuvuosi
2021
Tekijät
Pääkkönen, Pekka; Pakkala, Daniel; Kiljander, Jussi; Sarala, Roope
Tiivistelmä
The current approaches for energy consumption optimisation in buildings are mainly reactive or focus on scheduling of daily/weekly operation modes in heating. Machine Learning (ML)-based advanced control methods have been demonstrated to improve energy efficiency when compared to these traditional methods. However, placing of ML-based models close to the buildings is not straightforward. Firstly, edge-devices typically have lower capabilities in terms of processing power, memory, and storage, which may limit execution of ML-based inference at the edge. Secondly, associated building information should be kept private. Thirdly, network access may be limited for serving a large number of edge devices. The contribution of this paper is an architecture, which enables training of ML-based models for energy consumption prediction in private cloud domain, and transfer of the models to edge nodes for prediction in Kubernetes environment. Additionally, predictors at the edge nodes can be automatically updated without interrupting operation. Performance results with sensor-based devices (Raspberry Pi 4 and Jetson Nano) indicated that a satisfactory prediction latency (~7–9 s) can be achieved within the research context. However, model switching led to an increase in prediction latency (~9–13 s). Partial evaluation of a Reference Architecture for edge computing systems, which was used as a starting point for architecture design, may be considered as an additional contribution of the paper.
Näytä enemmänOrganisaatiot ja tekijät
Julkaisutyyppi
Julkaisumuoto
Artikkeli
Emojulkaisun tyyppi
Lehti
Artikkelin tyyppi
Alkuperäisartikkeli
Yleisö
TieteellinenVertaisarvioitu
VertaisarvioituOKM:n julkaisutyyppiluokitus
A1 Alkuperäisartikkeli tieteellisessä aikakauslehdessäJulkaisukanavan tiedot
Lehti
Volyymi
13
Numero
1
Artikkelinumero
5
Sivut
1-24
ISSN
Julkaisufoorumi
Avoin saatavuus
Avoin saatavuus kustantajan palvelussa
Kyllä
Julkaisukanavan avoin saatavuus
Kokonaan avoin julkaisukanava
Kustantajan version lisenssi
CC BY
Rinnakkaistallennettu
Ei
Avoimen saatavuuden kirjoittajamaksu €
829
Avoimen saatavuuden kirjoittajamaksun vuosi
2021
Muut tiedot
Tieteenalat
Tietojenkäsittely ja informaatiotieteet; Sähkö-, automaatio- ja tietoliikennetekniikka, elektroniikka
Avainsanat
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Kieli
englanti
Kansainvälinen yhteisjulkaisu
Ei
Yhteisjulkaisu yrityksen kanssa
Ei
DOI
10.3390/fi13010005
Julkaisu kuuluu opetus- ja kulttuuriministeriön tiedonkeruuseen
Kyllä