arXiv cs.AI· Prince Kwabena Appiah Boadu, Jeffery Baafi Kyei, Enoch Kofi Koranteng, Griffth Selorm Klogo·· 3 天前AI 评分23
基于 AWS IoT Greengrass v2 的工业预测性维护边缘推理架构
Seamless Deployment of Machine Learning Inference at the Far Edge: An Empirical AWS IoT Greengrass Architecture for Industrial Predictive Maintenance
AI 导读
该论文提出基于 AWS IoT Core 与 AWS IoT Greengrass v2 的云边混合架构，在边缘本地执行机器学习推理并选择性同步云端。
正文 · AI 翻译
摘要：工业物联网传感器会产生持续、高容量的数据流，预测性维护需要实时分析这些数据流。以云为中心的架构将所有原始遥测数据发送到中央服务器，这会带来延迟、带宽和韧性方面的代价。本文提出了一种基于 AWS IoT Core 和 AWS IoT Greengrass v2 的制造预测性维护混合云-边缘架构，在边缘进行本地机器学习推理，并选择性地与云同步。我们在真实的 AWS 基础设施上部署了两种配置并进行比较：仅云基线（配置 A）和所提出的混合边缘架构（配置 B）。我们测量了端到端推理延迟、带宽消耗和推理准确率。配置 B 将发往云的带宽减少了 86.8%（每 200 条读数窗口从 63.6 KB 降至 7.2 KB），并将决策延迟降低了 256 倍（从云端往返 23.1 ms 降至本地推理 0.09 ms）。在边缘侧，无需云参与，其异常类 F1 分数保持在 0.84，召回率为 91%。该评估还监测了云断开情况下的系统正常运行时间和 Stream Manager 排队；定量断开实验留作计划工作。我们的文献综述指出了本工作所解决的四个空白：缺乏针对预测性维护的经实证验证的 Greengrass v2 部署、选择性边缘同步带来的带宽节省未被量化、云断开情况下的韧性未被测量，以及边缘处开放的 MLOps 反馈回路。
| 评论： | IEEE 格式的会议论文草稿，附代码附录。已被 AiBThings - IEEE 第四届人工智能、区块链与物联网国际会议接收 |
| 学科： | 分布式、并行与集群计算 (cs.DC)；人工智能 (cs.AI) |
| ACM 分类： | C.2.4; I.2.6 |
| 引用为： | arXiv:2610.14815 [cs.DC] |
| （或本版本使用 arXiv:2610.14815v1 [cs.DC]） | |
| https://doi.org/10.48550/arXiv.2610.14815 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Prince Kwabena Appiah Boadu [查看电子邮件]
[v1]
2026 年 10 月 10 日星期六 11:22:44 UTC（5,501 KB）
来源：arXiv cs.AI · arxiv.org