EdgeAIMetric Benchmark de avaliação de desempenho e consumo energético de computadores de placa única para ambientes de IA na Borda
Resumo
Com o crescimento da IoT, grandes volumes de dados são gerados, aumentando latência e desafios de segurança. A computação de borda reduz esses problemas ao permitir execução de IA próxima à fonte de dados. SBCs desempenham um papel essencial nesse cenário, mas seu desempenho e consumo energético precisam ser avaliados. Este artigo apresenta o EdgeAIMetric, um benchmark que mede CPU, RAM e consumo energético ao executar Decision Tree, K-Means, Naı̈ve Bayes, SVM e CNN em diferentes conjuntos de dados. Os resultados experimentais evidenciam os trade-offs entre desempenho e eficiência, auxiliando a implementação de IA na borda.
Palavras-chave:
Avaliação, Medição e Predição de Desempenho
Referências
Baller, S. P., Jindal, A., Chadha, M., and Gerndt, M. (2021). Deepedgebench: Benchmarking deep neural networks on edge devices. In 2021 IEEE International Conference on Cloud Engineering (IC2E), pages 20–30.
Grambow, M., Lehmann, F., and Bermbach, D. (2019). Continuous benchmarking: Using system benchmarking in build pipelines. In 2019 IEEE International Conference on Cloud Engineering (IC2E), pages 241–246.
Hadidi, R., Cao, J., Xie, Y., Asgari, B., Krishna, T., and Kim, H. (2019). Characterizing the deployment of deep neural networks on commercial edge devices. In 2019 IEEE International Symposium on Workload Characterization (IISWC), pages 35–48.
Muhoza, A. C., Bergeret, E., Brdys, C., and Gary, F. (2023). Power consumption reduction for IoT devices thanks to edge-AI: Application to human activity recognition. Microprocessors and Microsystems, volume 24, page 100930.
Sanchez Sánchez, P. M., Jorquera Valero, J. M., Huertas Celdrán, A., Bovet, G., Gil Pérez, M., and Martínez Perez, G. (2023). Lwhbench: A low-level hardware component benchmark and dataset for single board computers. Microprocessors and Microsystems, volume 22, page 100764.
Tamburello, M., Caruso, G., Adami, D., and Giordano, S. (2023). Experimental comparison between SBC and FPGA for embedded neural network acceleration. In ICC 2023 - IEEE International Conference on Communications, pages 6078–6083.
Grambow, M., Lehmann, F., and Bermbach, D. (2019). Continuous benchmarking: Using system benchmarking in build pipelines. In 2019 IEEE International Conference on Cloud Engineering (IC2E), pages 241–246.
Hadidi, R., Cao, J., Xie, Y., Asgari, B., Krishna, T., and Kim, H. (2019). Characterizing the deployment of deep neural networks on commercial edge devices. In 2019 IEEE International Symposium on Workload Characterization (IISWC), pages 35–48.
Muhoza, A. C., Bergeret, E., Brdys, C., and Gary, F. (2023). Power consumption reduction for IoT devices thanks to edge-AI: Application to human activity recognition. Microprocessors and Microsystems, volume 24, page 100930.
Sanchez Sánchez, P. M., Jorquera Valero, J. M., Huertas Celdrán, A., Bovet, G., Gil Pérez, M., and Martínez Perez, G. (2023). Lwhbench: A low-level hardware component benchmark and dataset for single board computers. Microprocessors and Microsystems, volume 22, page 100764.
Tamburello, M., Caruso, G., Adami, D., and Giordano, S. (2023). Experimental comparison between SBC and FPGA for embedded neural network acceleration. In ICC 2023 - IEEE International Conference on Communications, pages 6078–6083.
Publicado
23/04/2025
Como Citar
CONCEIÇÃO, Gustavo Martins; RIGHI, Rodrigo da Rosa.
EdgeAIMetric Benchmark de avaliação de desempenho e consumo energético de computadores de placa única para ambientes de IA na Borda. In: ESCOLA REGIONAL DE ALTO DESEMPENHO DA REGIÃO SUL (ERAD-RS), 25. , 2025, Foz do Iguaçu/PR.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 61-64.
ISSN 2595-4164.
DOI: https://doi.org/10.5753/eradrs.2025.6767.
