تحلیل تحمل پذیری در برابر اشکال در شبکه های عصبی توزیع شده

با وجود این که افزایش روز افزون دستگاه های اینترنت اشیاء و حجم جریان داده دریافتی آنها امکان نظارت بهتر بر دنیای فیزیکی را ایجاد کرده است، این موضوع باعث بروز چالش هایی از قبیل افزایش فضای ذخیره سازی، میزان محاسبات و زمان اجرای محاسبات شده است. برای حل این معضل، استقرار شبکه های عصبی توزیع شده در برنامه های کاربردی دنیای واقعی در چارچوبهای مختلفی نظیر Kafka-ML فراهم شده است. انتقال خروجی از لایه های بالاتر مانند ابر تاثیر منفی بالایی بر عملکرد و سرعت پاسخگویی شبکه دارد و از طرف دیگر، وجود خطا در لایه های پایین تر مانند لبه سبب افت دقت در آن لایه و انتقال نتایج به لایه بالاتر می شود. از این رو نقش خطا بر روی لایه لبه و مه مورد سوال جدی قرار می گیرد. در این مقاله، به کمک آزمایشهای گسترده تزریق اشکال، تحلیل جامعی بر میزان تاثیر خطا بر عملکرد کلی شبکه و میزان افزایش انتقال نتایج از لایه لبه به لایه مه و ابر مورد بررسی قرار می گیرد. مدل اشکال مورد مطالعه، خطاهای نرم واژگونی بیتی است که در حافظه ذخیره ساز وزنهای شبکه بعد از آموزش شبکه رخ میدهد و باعث تغییر مقدار وزنهای شبکه میگردد. باتوجه به آزمایش های بدست آمده بر روی دو شبکه عصبی عمیق نتایج نشان می دهد که وجود اشکال در لایه لبه تا ۱۵ درصد نتایج را به لایه های بالاتر انتقال می دهد و تاثیر بسزایی در انتقال فاز نتیجه گیری به لایه مه و ابر و کاهش عملکرد کلی شبکه دارد و رابطه مستقیم میزان خطا بر عملکرد شبکه قابل مشاهده است.

کلیدواژه ها:

شبکه عصبی عمیق توزیع شده ، ابر ، مه ، تزریق اشکال.