Performance Measurements in the AI-Centric Computing Continuum Systems
作者: Praveen Kumar Donta, Qiyang Zhang, Schahram Dustdar
分类: cs.DC, cs.AI, cs.ET, cs.NI, eess.SY
发布日期: 2025-06-28
DOI: 10.1109/WF-IoT64238.2025.11270701
💡 一句话要点
针对AI计算连续体系统，论文探讨了性能测量指标的演进与选择标准。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 分布式计算连续体 性能测量 人工智能 物联网 能效 可持续性 系统可观测性
📋 核心要点
- 传统性能指标难以满足分布式计算连续体中日益增长的AI计算需求，需要重新审视和扩展。
- 论文探讨了分布式计算连续体和物联网环境中常用的性能指标，并讨论了新兴的性能维度。
- 论文旨在为选择合适的性能指标提供指导，从而促进系统效率的提升和未来研究的发展。
📝 摘要（中文）
随着计算范式从大型集中式系统向紧凑型分布式架构转变，分布式计算连续体（DCC）应运而生。云、边缘、物联网（IoT）和移动平台等多层协同工作，支持广泛的应用。生成式AI和大型语言模型的兴起进一步加剧了对计算资源的需求。传统性能指标虽奠定了坚实基础，但需重新审视和扩展，以适应不断变化的计算需求和应用要求。准确的性能测量有利于系统设计者和用户，可改进效率并促进与系统目标的对齐。本文回顾了DCC和IoT环境中常用的指标，讨论了新兴的性能维度，如可持续性、能效和系统可观测性，并概述了选择合适指标的标准和考虑因素，旨在激发该关键领域的未来研究和发展。
🔬 方法详解
问题定义：论文旨在解决在AI驱动的分布式计算连续体（DCC）环境中，如何选择和应用合适的性能测量指标的问题。现有方法主要痛点在于传统性能指标无法充分反映新兴计算需求，例如可持续性、能效和系统可观测性，导致系统设计和优化缺乏有效指导。
核心思路：论文的核心思路是系统性地回顾和分析DCC和IoT环境中常用的性能指标，并在此基础上，识别和讨论新兴的性能维度。通过对这些指标的适用性和局限性进行评估，为系统设计者和用户提供选择合适指标的框架，从而更好地满足不断变化的计算需求。
技术框架：论文采用文献综述的方法，首先回顾了传统性能指标，然后讨论了新兴的性能维度，例如可持续性、能效和系统可观测性。最后，论文提出了选择合适指标的标准和考虑因素，形成一个完整的性能测量指标选择框架。
关键创新：论文的关键创新在于它不仅仅关注传统的性能指标，而是将可持续性、能效和系统可观测性等新兴维度纳入考虑范围。这种综合性的视角能够更全面地评估系统的性能，并为未来的系统设计和优化提供更有效的指导。
关键设计：论文没有提出具体的算法或模型，而是侧重于对现有指标的分类、分析和评估。关键设计在于提出了选择合适指标的标准和考虑因素，例如指标的适用性、可测量性、可解释性和可操作性等。这些标准可以帮助系统设计者和用户更好地选择和应用性能测量指标。
🖼️ 关键图片
📊 实验亮点
由于是综述类文章，没有具体的实验结果。但论文强调了新兴性能维度（如可持续性、能效和系统可观测性）的重要性，并为选择合适的性能指标提供了标准，这本身就是对该领域的重要贡献。未来的研究可以基于这些标准，开发更有效的性能测量工具和方法。
🎯 应用场景
该研究成果可应用于各种AI驱动的分布式计算场景，例如智能城市、工业物联网、自动驾驶等。通过选择合适的性能测量指标，可以优化系统设计，提高资源利用率，降低能耗，并提升系统的可维护性和可观测性，从而实现更高效、可持续和可靠的AI应用。
📄 摘要（原文）
Over the Eight decades, computing paradigms have shifted from large, centralized systems to compact, distributed architectures, leading to the rise of the Distributed Computing Continuum (DCC). In this model, multiple layers such as cloud, edge, Internet of Things (IoT), and mobile platforms work together to support a wide range of applications. Recently, the emergence of Generative AI and large language models has further intensified the demand for computational resources across this continuum. Although traditional performance metrics have provided a solid foundation, they need to be revisited and expanded to keep pace with changing computational demands and application requirements. Accurate performance measurements benefit both system designers and users by supporting improvements in efficiency and promoting alignment with system goals. In this context, we review commonly used metrics in DCC and IoT environments. We also discuss emerging performance dimensions that address evolving computing needs, such as sustainability, energy efficiency, and system observability. We also outline criteria and considerations for selecting appropriate metrics, aiming to inspire future research and development in this critical area.