Resumen: Borge Computing rupe con autoscalado tradicional debido a limitaciones estrictas de recursos, por lo tanto, motivando comportamientos de escala más flexibles utilizando dimensiones de elasticidad múltiple. Este trabajo introduce un marco de autoscalización basado en agentes que ajusta dinámicamente tanto los recursos de hardware como las configuraciones de servicios internos para maximizar el cumplimiento de los requisitos en entornos restringidos. Comparamos cuatro tipos de agentes de escala: inferencia activa, red Q profunda, análisis del conocimiento estructural e inferencia activa profunda, utilizando dos servicios de procesamiento del mundo real que se ejecutan en paralelo: Yolov8 para el reconocimiento visual y OpenCV para la detección de código QR. Los resultados muestran que todos los agentes logran un rendimiento SLO aceptable con diferentes patrones de convergencia. Mientras que la red Q profunda se beneficia de la capacitación previa, el análisis estructural converge rápidamente, y el agente de inferencia activa profunda combina bases teóricas con ventajas prácticas de escalabilidad. Nuestros hallazgos proporcionan evidencia de la viabilidad del autoscalaje basado en agentes multidimensionales para entornos de borde y fomentan el trabajo futuro en esta dirección de investigación.
Publicado Originalme en rss.arxiv.org El 12 de junio de 2025.
Ver Fuente Original
