
Karbon Bilinçli ve Gizliliği Koruyan Derin Sinir Ağları Bölümlemesi İçin Uyarlanabilir Mekânsal-Zamansal Bir Çerçeve
Bir derin sinir ağının (DNN) cihaz ile bulut arasında nerede bölüneceğini seçmek; gecikme, karbon emisyonları, gizlilik ve cihazın termal durumu arasında…
Özet
Giriş:
Bir derin sinir ağının (DNN) cihaz ile bulut arasında nerede bölüneceğini seçmek; gecikme, karbon emisyonları, gizlilik ve cihazın termal durumu arasında bir denge kurmayı gerektirir. Mevcut bölme yöntemleri bu faktörleri nadiren birlikte ele alır.
Yöntemler:
GreenSplit’i öneriyoruz: Bu, katı bir gizlilik dışlama bölgesi altında normalleştirilmiş dört terimlik bir maliyeti en aza indirerek bölme katmanını ve bulut bölgesini seçen adaptif bir uzamsal-zamansal çerçevedir. Çerçeve, Adaptif Ağırlık Kontrolcüsü (AWC), mevcut ve tahmini karbon yoğunluğu, iletilen aktivasyonlar üzerindeki Laplace gürültüsü, bir termal-pil modeli ve dinamik voltaj ve frekans ölçekleme (DVFS) koruması içerir. GreenSplit’i simülasyon ortamında MobileNetV2 üzerinde üç bulut bölgesinde (200 sürekli yük denemesi) değerlendirdik; karar modelini ResNet-50, ViT-Base ve CLIP ViT-B/32 görüntü kodlayıcısına genişlettik; ayrıca gürültü mekanizmasını önceden eğitilmiş bir ImageNet MobileNetV2 ile 1.000 gerçek görüntü üzerinde test ettik.
Sonuçlar:
Varsayılan enerji sabitlerimiz altında, hafif bir CNN’in buluta taşınması karbon açısından maliyetlidir (cihaz içi karbondan 5,8–6,7 kat daha fazla); bu nedenle çerçeve MobileNetV2’yi yerel olarak tutar. Bu durumda sistem, DVFS ile yerel yürütme gibi davranır ve gizlilik bölgesi ihlali olmadan yönetilmeyen yerel yürütmenin karbonunun %66,0’ını üretir (bölge içermeyen temel yöntemlerde bu oran %4’tür). Nominal termal parametrelerdeki %32,5’lik darboğaz oranı ise sağlam değildir (olası parametre aralığında %0–%100 arasında değişir); ancak DVFS her denemede darboğazı azaltır. İşletme bütçelerindeki Laplace gürültüsü (ϵr ≤ 10) bulutun rastgele sınıflandırma yapmasına neden olurken, doğruluğu koruyan bütçeler (ϵr≈×ϵr≈3×104–3 × 105) 1.000 görüntü arasında mükemmel yeniden tanımlamaya olanak tanır ve boş bir diferansiyel gizlilik sınırı sunar. AWC’nin orijinal senaryodaki faydası, orijinal min–max formundaki görülmemiş pertürbasyonlara aktarılamaz; sabit ölçekli bir varyant kararlıdır ancak yalnızca mütevazı bir kazanç ve termal fayda sağlamaz.
Tartışma:
Yararlılığı koruyan korumayı gürültü değil, katı dışlama bölgesi sağlar. Tüm sonuçlar simülasyonla elde edilmiştir; fiziksel cihazlarda doğrulama gereklidir.
1 Giriş
Mobil ve gömülü cihazlar artık tıbbi görüntüleme (), otonom navigasyon () ve gerçek zamanlı konuşma tanıma () gibi hem yanıt süresinin hem de veri hassasiyetinin katı kısıtlamalar olduğu ortamlarda DNN çıkarımı yapmaktadır. Cihaz içi hesaplama sınırlamaları için standart yaklaşım bölünmüş çıkarımdir: DNN, birkaç erken katmanın cihazda çalışacağı ve daha ağır kalan kısmının bulutta yürütüleceği şekilde bölünür (). Bu teknik uçtan uca gecikmeyi gerçekten de azaltır; ancak tüm bulut bölgelerinin birbirinin yerine kullanılabileceği varsayımı giderek geçerliliğini yitirmektedir.
Şebeke karbon yoğunluğu coğrafi bölgeler arasında dört kattan fazla değişir ve yenilenebilir enerji üretiminin dalgalanmasıyla saat saat değişir (). Körlemesine en yakın veya en düşük gecikmeli veri merkezine yönlendirme yapan bir bölünmüş çıkarım sistemi, dağıtılmış bir uygulamanın kullanabileceği karbon bütçesinin orantısız bir kısmını istemeden tüketebilir. Yeşil yazılım geliştirme üzerine pratik kılavuzlar bu endişeyi kabul eder ve dağıtılmış sistemlerin zamanlama katmanında karbon yoğunluğunun dikkate alınmasını önerir ().
İki ek kör nokta sorunu daha da karmaşıklaştırır. Birincisi, ağın erken katmanlarındaki aktivasyonlar ham sensör girdilerine uzamsal olarak yakındır ve bu nedenle daha derin temsillere göre önemli ölçüde daha fazla gizlilik sızıntısı riski taşır. ) tarafından formüle edilen bilgi darboğazı perspektifi, bir ara temsil ile ağ girdisi arasındaki karşılıklı bilgiyi ölçer ve bu miktar en sığ katmanlarda en yüksektir. Gecikme odaklı zamanlayıcıların bu gradyanı dikkate almak için hiçbir teşviki yoktur. İkincisi, cihaz içi termal dinamikler doğrusal değildir: Yeterince uzun süre yüksek sıcaklıkta çalışan bir cihaz, donanım termal yönetim birimleri aracılığıyla kendi CPU’sunu darboğaza sokar (); bu da hem gecikmeyi hem de model güvenilirliğini, tek seferlik bir gecikme profillerinin öngöremeyeceği şekillerde bozar. Isı üretimi, çıkarım frekansı ve pil tüketimi arasındaki ilişki mobil SoC’ler için iyi belgelenmiştir, ancak ana akım bölünmüş çıkarım literatüründe yer almamaktadır.
Önerilen GreenSplit çerçevesi, bu üç boyutu da tek bir karar döngüsü içinde ele alır. Her çıkarım döngüsünde, düzenleyici; canlı şebeke karbon API verilerini, 1 saatlik bir ileriye dönük tahmini, mevcut cihaz telemetrisini ve statik olarak tanımlanmış bir gizlilik riski haritasını kullanarak k bölme katmanları ve r bulut bölgeleri ortak uzayı üzerinde dört terimlik bir maliyet fonksiyonunu değerlendirir. Sonuç, gecikmeyi karbon, gizlilik ve termal durumla dengeleyen bir atamadır.
Temel Bulgular ve Genel Değerlendirme
TeerapittayanonS.McDanelB.KungH.-T. (2016). “BranchyNet: fast inference via early exiting from deep neural networks,” in 23rd international conference on pattern recognition (ICPR) (Cancun: IEEE), 2464–2469. doi: 10.1109/ICPR.2016.7900006
Vallina-RodriguezN.CrowcroftJ. (2013). “Energy management techniques in modern mobile handsets,” in IEEE communications surveys & tutorials (IEEE), 15, 179–198. doi: 10.1109/SURV.2012.021312.00045
XuM.QianF.ZhuM.HuangF.PushpS.LiuX. (2020). “DeepWear: adaptive local offloading for on-wearable deep learning,” in IEEE Trans. Mob. Comput.19, 314–330. doi: 10.1109/TMC.2019.2893250
YeomS.GiacomelliI.FredriksonM.JhaS. (2018). “Privacy risk in machine learning: analyzing the connection to overfitting,” in IEEE 31st computer security foundations symposium (CSF) (Oxford), 268–282. doi: 10.1109/CSF.2018.00027
Özet
Anahtar Kelimeler
karbon duyarlı bilişim, diferansiyel gizlilik, DNN bölme, dinamik voltaj ve frekans ölçekleme, kenar yapay zekası, yeşil bilişim, çok amaçlı optimizasyon, gizliliği koruyan çıkarım
Atıf
Goel S ve Veeragandham S (2026) An adaptive spatio-temporal framework for carbon-aware and privacy-preserving DNN partitioning. Front. Artif. Intell. 9:1961682. doi: 10.3389/frai.2026.1961682
Alındı
07 Ağustos 2026
Revize edildi
05 Ekim 2026
Kabul edildi
27 Ekim 2026
Yayınlandı
17 Kasım 2026
Cilt
9 – 2026
Xuanhua Xu, Central South Üniversitesi, Çin
Arash Heidari, Houston Üniversitesi, Amerika Birleşik Devletleri
Yulei Wang, Güney-Orta Ululuklar Üniversitesi, Çin
© 2026 Goel ve Veeragandham.
Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazarların ve telif hakkı sahiplerinin belirtilmesi ve bu dergideki orijinal yayına kabul edilen akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanılması, dağıtılması veya çoğaltılması mümkündür. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltma izni verilmemektedir.
*Yazışma: Syamasudha Veeragandham, [email protected]
ORCID: Saanvi Goel orcid.org/0009-0005-8834-555X; Syamasudha Veeragandham orcid.org/0000-0001-7741-3143
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.


Yorumlar