| Student: | Stijn Van De Moortele |
|---|
| Richting: | Master of Science in de industriële wetenschappen: informatica |
|---|
| Abstract: | Hoewel veel applicaties naar de cloud overstappen, kunnen sommige latency gevoelige toepassingen niet de voordelen van cloud computing benutten. Één van deze toepassingen is het offloaden van videoanalyse in autonome voertuigen. Edge computing lijkt een platform te bieden voor deze latency-gevoelige toepassingen. Het verplaatsen van toepassingen uit de cloud naar de edge van het netwerk biedt voordelen zoals lagere latency, location awareness en proximity. Offloading naar de edge zou de hoge prestatie en lage latency verwerkingsomgeving kunnen bieden die autonome voertuigen wensen. Deze masterproef richt zich op het meten van de impact die het offloaden van video analyse naar de edge heeft op de client en op de verwerkingstijd van de frames. De opstelling die in deze masterproef is gemaakt vergelijkt lokale, edge en cloud verwerking met CPU en GPU. De evaluatie van deze opstelling laat zien dat offloading naar de edge de transittijd van de frames met 76% kan verminderen vergeleken met cloud computing. Daarnaast zorgt offloading naar de edge ook voor een vermindering van het stroomverbruik met 33% vergeleken met lokale verwerking. Deze voordelen gaan gepaard met extra bandbreedte als gevolg van de verzending van videoframes naar de edge. |
|---|
| Abstract (Eng): | Whilst many applications are moving to the cloud, some latency sensitive applications can't take advantage of cloud computing. One of these applications is offloading of video analysis in autonomous vehicles. Edge computing appears to provide a platform for these latency sensitive applications. Moving applications away from the cloud to the network edge provides advantages such as lower latency, location awereness and proximity. Offloading to the edge could provide the high performance and low latency processing environment autonomous vehicles desire. This master’s dissertation focuses on measuring the impact offloading video analysis to the edge has on the client and on the processing time of the frames. The setup created in this thesis compares local, edge and cloud processing with CPU and GPU. The evaluation of this setup shows that offloading to the edge can reduce the transit times of the frames by 76% compared to cloud computing. In addition to this offloading to the edge also allows for a reduction in power usage by 33% compared to local computing. These benefits are accompanied by additional bandwidth due to the transmission of video frames to the edge. |
|---|